BCC-CSM1.1m对欧亚积雪覆盖的预测评估

成 菲 李巧萍 沈新勇3)* 柳艳菊 汪 靖

1)(南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心，南京 210044) 2)(国家气候中心，北京 100081) 3)(南方海洋科学与工程广东省实验室(珠海)，珠海 519082) 4)(天津市气象科学研究所，天津 300074)

引 言

积雪作为气候系统中的一个重要因子，在陆气相互作用中起举足轻重的作用。Blanford[1]首次将积雪异常和气候变化相联系，随后大量研究工作丰富了人们对积雪与气候关系的认知。研究表明：积雪的辐射特性、热力性质及水文效应通过改变地表辐射收支、热量平衡及水分平衡过程，从而影响地气系统的多个物理过程[2-3]；地表积雪异常改变局地大气状况并通过大气环流响应影响更大范围乃至全球气候[2-5]。

欧亚大陆积雪覆盖面积占北半球积雪面积的60%以上，其对亚洲季风和中国气候的影响及相关物理机制一直是气候研究的焦点[6-7]。欧亚大陆上不同区域、不同季节的积雪在年际和年代际尺度上与东亚夏季风和中国气候均存在紧密联系[7-8]。年代际尺度上，春季欧亚积雪的变化显著影响同期中国降水的空间分布[9]，与东亚夏季风强度及中国夏季主雨带位置关系也十分紧密[10]。研究指出，20世纪80年代后期开始的欧亚积雪年代际减少现象可能是造成中国夏季降水由“北多南少”型向“北少南多”型转变的主要因子[11-12]。冬春季青藏高原积雪与太平洋海温对东亚夏季风的年代际尺度协同强迫作用导致中国东部夏季主雨带的年代际变化[13]。在年际尺度上，欧亚大陆冷季积雪(特别是青藏高原积雪)已成为我国短期气候预测的重要信号。冬季欧亚大陆积雪异常与同期大气环流存在耦合关系，通过大气遥相关作用影响东亚冬季风活动，进而影响中国冬季的天气气候[14]。前冬春季积雪异常对中国春夏季降水也有重要影响，冬季欧亚积雪偏多时，中国东北、华北东部以及西南地区夏季降水偏多[15-16]；春季西西伯利亚地区积雪偏多时，中国春季南方降水偏少[17]。由此可见，冬春季欧亚积雪异常对中国气候具有十分重要的影响，欧亚大陆积雪作为重要的陆面强迫因子一直是我国短期气候预测的重要物理基础，在短期气候预测中发挥重要作用[18-21]，1998年夏季长江流域洪涝成功预测，重要依据之一就是前期青藏高原积雪异常[16]。

当前，在观测分析的基础上，许多研究依赖数值模式理解积雪的气候效应[22-25]，气候系统模式已经成为研究气候变化和预测未来气候变化的重要工具。中国气象局国家气候中心研发的包括全球碳循环和动态植被在内的海-陆-气-冰多圈层耦合的中等分辨率气候系统模式BCC-CSM1.1m参加了第5次耦合模式比较计划(CMIP5)，该模式能够较好地模拟历史气候变化并预测未来100年的气候变化[26]，对于气温、降水、通量场及亚洲季风等都具有一定的模拟能力[27-29]。基于该模式版本研发的国家气候中心第2代季节预测模式业务系统[30]于2016年1月1日正式业务运行至今，在气候预测业务和服务中发挥了重要作用。已有不少研究从气温、降水、环流及对遥相关和外强迫如海表温度等的响应角度评估该模式的季节预测能力[31-32]。积雪作为重要的外强迫源，既是预报因子，也是评估模式预测能力的诊断量，因为它与气温和降水紧密联系，准确的积雪预测依赖准确的气温和降水预测[5,33]。因此，评估模式对积雪的模拟和预测水平对模式的改进和应用十分重要。宋敏红等[34]客观评估BCC-CSM1.1m模式对青藏高原积雪的模拟能力，表明该模式能够较好地再现青藏高原雪深的时空变化特征。汪芋君等[35]评估该模式对以青藏高原为主体的第三极地区气温和积雪的预测能力，指出在季节-年际尺度上，BCC-CSM1.1m模式对青藏高原及周边地区冬季雪深具有一定预测能力。但该模式对欧亚大陆尺度积雪预测能力的评估工作尚未开展。

因此，鉴于欧亚积雪对天气气候的显著影响以及积雪的模式预测能力评估工作的重要性，本文将客观评估BCC-CSM1.1m模式对冬春季欧亚大陆积雪的预测技巧和预测能力，并分析模式预测偏差产生的可能原因。一方面为该模式在预测业务和服务中的应用提供参考，另一方面也可为模式发展及预测性能改进提供参考。

1 资料与方法

模式预测的积雪覆盖率、气温和降水资料来自国家气候中心第2代季节气候预测模式系统的历史回报试验，资料时段为1984—2019年。该系统基于气候系统模式BCC-CSM1.1m建立，模式的详细介绍可参照文献[30]。第2代季节气候预测模式系统每月初运行1次，采用集合预测方法，包含分别由滞后平均预报和奇异向量扰动方法产生的24个集合样本，对未来13个月进行预报[31]。本文在对回报试验结果进行评估时，将24个集合样本进行算术平均以减少预报结果的不确定性。在评估模式对冬春季积雪可预报性时，分析不同预报超前月(lead month，LM)的结果。

积雪观测资料来自美国国家冰雪数据中心(NSIDC)1967—2019年北半球逐周雪盖资料，并已处理成月平均的积雪覆盖率(snow cover fraction,SCF)数据[36]。气温数据来自美国环境预测中心第2代再分析数据集NCEP/DOE AMIP-II Reanalysis (Reanalysis-Ⅱ)中的全球2 m气温月平均数据，降水数据选取美国气候预测中心融合降水(CMAP)的全球月平均降水。在评估分析中所有使用的观测数据均插值为与模式格点相一致。在此基础上，本文还使用BCC-CSM1.1m参加CMIP5以及BCC-CSM2-MR参加CMIP6的历史模拟试验数据，均为不同初值样本求平均得到。

欧亚积雪具有明显的季节变化和年际变化，考虑到积雪季节平均尺度的年际变化略小，为了突出模式对不同季节积雪年际变化的预测能力和技巧，本文以不同季节典型月尺度的积雪变化代替季节尺度。分析欧亚大陆SCF气候态的逐月变化(图略)可知，SCF一般在1月达到最大，4月开始减少，因此本文将以1月和4月分别代表冬季和春季。文中使用EOF分解、相关分析等统计方法。

2 模式对SCF的预测能力和技巧

2.1 气候态

图1a和图2a给出观测的1月和4月欧亚大陆多年平均SCF分布情况，除青藏高原外，欧亚大陆SCF从北至南呈减少趋势，从西至东分布不均，存在明显的纬向梯度以及经向不对称性。此外，积雪分布存在明显季节差异。1月的欧亚大陆，除欧洲西部50°N以北地区SCF基本在99%以上和青藏高原50°N以南地区积雪明显偏少外，40°～60°N,10°～130°E范围内SCF空间梯度最大。4月SCF大值区向东北方向收缩，65°N以北积雪覆盖超过99%，50°N以南(除青藏高原外)积雪覆盖低于25%，最大的空间梯度出现在45°～65°N,30°～140°E区域。

与观测相比，不同起报时间模式基本能够预测1月和4月气候平均积雪覆盖的空间分布特征(图略)，但存在明显的系统偏差。模式预测的1月欧亚大陆SCF分布在大部分地区表现为负偏差，在青藏高原、里海附近以及中国东部等零星地区表现为正偏差，青藏高原地区预测偏差最大(图1c、图1e)。值得注意的是，上述预测偏差随着模式起报时间的增长无明显变化。LM0预测的4月SCF在欧洲零星地区、蒙古以及中国大部分地区表现为正偏差，高值区同样出现在青藏高原(图2c)。随着模式起报时间增长，45°～65°N，30°～140°E内的部分地区，模式预测偏差由负转正并逐渐增加(图2e)。综合分析可知，即使在积雪覆盖接近100%的高纬度地区，模式预测SCF的气候平均值仍存在10%～30%偏差，并且随着LM增长变化不明显。这种现象在BCC模式对其他要素的预测时也有体现，表明模式系统性偏差在模式积分初期快速稳定形成，对预测超前时间依赖较小[27,37]。

图1 1月SCF的观测与预测(图中黑色虚线框是定义的冬季关键区)(a)观测的气候平均值,(b)观测的标准差,(c)LM0的预测偏差,(d)LM0的标准差,(e)LM2的预测偏差,(f)LM2的标准差Fig.1 Observation and prediction of SCF in Jan(the black dashed rectangles represent winter key area(WKA))(a)mean SCF for observation,(b)standard deviation for observation,(c)climatological biases for LM0,(d)standard deviation for LM0,(e)climatological biases for LM2,(f)standard deviation for LM2

由观测和不同LM模式预测的SCF标准差 (图1b、图1d、图1f和图2b、图2 d、图2f)可见，1月观测的SCF年际变率最显著的地区分布在40°～60°N,10°～130°E区域内，基本超过25%。60°N以北SCF的标准差均接近0，对应图1a中积雪覆盖达99%以上的地区(图1b)，表明这些地区1月常年覆盖积雪，年际变率微弱。相比之下，模式预测明显高估了这些地区的年际变率。LM0时模式能够预测40°～60°N,10°～130°E范围内存在年际变率最大的模态，但预测的SCF年际变率幅度明显小于观测值，随着起报时间增长，模式预测值越来越小(图1d、图1f)。这一现象，除模式预测误差外，在一定程度上与评估直接采用24个样本集合平均有关，在降水预测评估中也存在相似现象[37]。4月SCF标准差大值区位于45°～65°N,30°～140°E(图2b)，模式预测能力稍高于1月，LM0，LM1和LM2预测出欧亚大陆SCF年际变化的空间分布特征 (图2d、图2f)。由此可见，40°～60°N,10°～130°E以及45°～65°N,30°～140°E区域既存在最显著的时空变化，也包含除青藏高原外最明显预测偏差的地区。因此选择这两个区域分别为冬季关键区及春季关键区。

图2 与图1相同，但是为4月(黑色虚线框是定义的春季关键区)Fig.2 The same as in Fig.1,but for Apr(the black dashed rectangle represent spring key area(SKA))

2.2 年际变化

模式预测结果是否准确，不仅与模式气候态有关，还与模式对要素年际变率的预测能力有关。图3给出不同LM模式预测SCF的时间距平相关系数(TCC)技巧空间分布。结果表明：LM0时模式预报的1月SCF与观测的时间相关系数在欧洲西部、里海东侧以及中国中高纬度部分地区均通过显著性检验，具有较高的预报技巧(图3a)，其余起报时间下模式几乎不具备预测SCF的技巧(图3c、图3e)。结合图3a与图1a、图1c，可以发现，1月欧洲西部SCF南北梯度大，模式预测偏差大且偏差随着起报时间增长无明显变化，但LM0时模式的TCC预报技巧较高，表明LM0时模式对欧洲地区1月SCF的年际变化预测技巧较好。模式对4月SCF的预测技巧明显高于1月。LM0时，模式预测结果在关键区内及附近地区与对应观测值显著相关(图3b)。随着起报时间的增长，预测技巧逐渐下降。LM1和LM2相关系数通过显著性检验的区域缩小至关键区东西两部分(图3d、图3e)，超前起报5个月及以上，模式对积雪的预报几乎无技巧(图略)。

图4a和图4c给出关键区内观测和不同LM模式预测的1月和4月SCF的距平序列。LM0时，模式低估SCF异常变化幅度但还能够预测出1月SCF的年际变化特征，与观测的相关系数达0.41；LM不低于1时，模式不具备预测能力(图4a)。相应地，模式在LM0和LM1时都能较好地预测4月SCF的异常变化，与对应的观测值距平序列拟合较好(图4c)，相关系数分别为0.74和0.37。图4b和图4d给出关键区不同LM模式预测SCF异常与对应观测的空间相关系数。分析可知，模式对4月关键区SCF异常的空间分布具有一定预测能力，LM0的相关系数基本在0.4附近，部分年份可达0.7，超前1个月及以上模式的预测技巧下降明显。此外，不同年份模式的预测技巧差异较大，2005—2015年预测技巧明显高于其他年份，LM0，LM1，LM2和LM3的平均值分别为0.48，0.29，0.31和0.23，明显高于整个时间段的平均值。与4月相比，模式对1月SCF异常空间分布的预测技巧明显偏低，除LM0以外，其余起报时间的空间相关系数多年平均值低于0.1。

图3 SCF的TCC预测技巧空间分布(黑色打点区域表示相关系数达到0.05显著性水平)(a)LM0预测1月,(b)LM0预测4月,(c)LM1预测1月,(d)LM1预测4月,(e)LM2预测1月,(f)LM2预测4月Fig.3 Spatial distribution of temporal correlations between predictions and observation for SCF (the black grids denote the areas exceeding 0.05 level(Student’s t-test))(a)prediction for LM0 in Jan,(b)prediction for LM0 in Apr,(c)prediction for LM1 in Jan,(d)prediction for LM1 in Apr,(e)prediction for LM2 in Jan,(f)prediction for LM2 in Apr

图4 关键区观测和预测的SCF距平值以及二者的空间相关系数(a)1月距平值,(b)1月空间相关系数,(c)4月距平值,(d)4月空间相关系数Fig.4 Anomalies of observed and forecasted SCF and spatial correlation between them (a)anomalies in Jan,(b)spatial correlation in Jan,(c)anomalies in Apr,(d)spatial correlation in Apr

2.3 积雪时空变率的主模态

为了检验模式对冬春季欧亚大陆SCF时空变率的预测能力，本文使用EOF方法对欧亚大陆积雪覆盖率的观测值和不同LM的预测值分别进行时空分离。1月(图5)欧亚大陆SCF观测值第1模态的主要特征是欧洲地区与里海东部及蒙古地区存在明显的反位相变化，又以欧洲西部地区年际变率更为显著；模式在LM0时可以预测出这种空间型，并且两者对应的时间系数序列之间的相关性达0.50；超前1个月及以上(图略)起报时，模式预测的年际变化空间型在积雪覆盖区域为一致的负异常，对应的时间系数序列与观测值对应的序列相关性较差。这表明仅LM0时，模式能够较好地预测出1月欧亚大陆SCF年际异常变化的时空特征。4月(图6)，观测的SCF主模态表现为西西伯利亚地区和东西伯利亚地区呈反位相变化，该模态对应的时间系数呈显著的上升趋势，与He等[33]的结论一致；与观测相比，模式在LM0，LM1和LM2时的预测均能较好地刻画SCF的主要特征，且对应的时间系数与观测的相关系数分别为0.48，0.65和0.63(LM2略)。可见模式可提前2个月预测出欧亚大陆SCF年际变化的典型时空特征。值得注意地是，模式仅在LM0时再现1月SCF的主模态(图5)，TCC技巧也同样表现为超前1个月及以上迅速下降(图3)，这一现象同样存在于该模式对于气温、降水及低层风场的预测技巧评估结果中[27,31]，而该模式的气候模拟效果相对较好。因此，上述现象可能由模式初值信息衰减较快导致。

图5 观测和模式不同LM时预测的1月SCF的EOF特征向量及其对应的时间系数序列(PC)Fig.5 EOF modes and corresponding principal components(PCs)of observed and forecasted Eurasian SCF for different LM in Jan

图6 与图5相同，但为4月Fig.6 The same as in Fig.5,but for Apr

2.4 不同区域的技巧比较

由以上分析可见，模式对欧亚大陆SCF气候态和年际异常变化的预测能力在不同地区差异显著。因此，为了更加直观地比较模式对各区域积雪覆盖率预测水平，本文划分8个区域进行探讨(区域范围见图7)。比较观测和不同LM模式预测的冬春季SCF在不同地区不同月份的气候平均值(图7)可知，在除青藏高原以外的其他地区，模式预测的SCF主要表现为系统性偏少，偏差在12月—次年3月最为明显，且1月误差普遍大于4月，其中又以欧洲地区1月预测的SCF气候平均值误差最大(约30%)。西伯利亚尤其是西西伯利亚地区积雪覆盖广，在11月—次年3月积雪覆盖率接近100%，模式预测误差高达20%，4月高纬度地区存在同样现象，这在图1和图2中也能够清楚看到。

此外，不同LM模式预测的SCF在欧洲地区非常接近，但在其他区域差异较大，且随LM增长，模式预测的SCF有所增加，反而使预测与观测值更加接近，甚至在欧洲东部出现随LM增长，预测偏差在4月由负转正的情况。青藏高原地区的情况非常独特，模式偏差在该区表现为一致正偏差，且LM0的预测非常接近观测值，但随LM增长，模式误差增长幅度比其他区域迅速，明显高估了高原地区的SCF。

图7 12月—次年5月观测和模式预测的SCF在不同地区的气候平均值Fig.7 Climatological semi-annual(Dec to next May)cycle of SCF for observation and forecasts averaged over eight selected regions

图8给出不同LM模式预测的1月和4月欧亚大陆不同区域SCF的TCC预报技巧。结合图3可知，无论从起报时间还是TCC显著区域角度，模式对欧亚大陆4月SCF年际变化的预测技巧均高于1月。但由于冬季欧亚高纬度地区积雪覆盖100%，如西伯利亚、欧洲北部和欧洲东部等，年际变化微弱，因此对于1月SCF的预测更应关注欧洲西部等年际变化显著的区域。4月西西伯利亚地区LM0预报技巧最高，TCC达到0.01显著性水平，欧洲东部和东西伯利亚地区技巧也较高，LM1时上述区域预测技巧迅速下降至不显著。此外，4月东西伯利亚SCF的预测技巧明显低于西西伯利亚地区。考虑到东西伯利亚积雪的年际变化明显低于西西伯利亚地区(图6)，推断模式对积雪年际变化预测能力的区域差异性与积雪本身年际变化的幅度密切相关，模式更易捕捉积雪异常年际变化大的特征。

图8 SCF的TCC预测技巧区域平均(图中上下两条虚线分别表示相关系数达到0.01和0.05显著性水平，区域范围同图7)Fig.8 Regional averaged TCC skills for SCF forecasts(two dashed lines up and down in each panel represents the 0.01 and 0.05 level(Student’s t-test)，respectively,selected regions are the same as in Fig.7)

3 模式预测误差的可能原因

3.1 气温和降水

由第2章可知，模式能够提前2个月预测4月SCF的年际变化，但仅能在LM0时预测出1月SCF的年际变化。为了探讨模式预测SCF偏差产生的可能原因，考虑到气温和降水对积雪累积和消融过程的影响[5,33]，图9给出LM0时SCF预测偏差分别与降水和气温预测偏差的相关系数分布。1月，SCF预测偏差与气温预测偏差存在显著负相关，高相关区域主要分布在冬季关键区以及中国中高纬度地区；与降水预测偏差存在显著的正相关，相关区域与气温相比缩小至里海东部的中亚及中国地区。4月，SCF预测偏差与气温预测偏差的相关区域主要分布在春季关键区和青藏高原地区，但与降水偏差的相关区域比较零散，其他起报时间具有相似特征(图略)。这与He等[33]的结论一致。基于上述气温预测与SCF预测的紧密联系，本文还计算不同LM时1月和4月关键区平均2 m气温的模式TCC预测技巧(图表略)。模式能够提前1个月预测4月的2 m气温，相关系数分别为0.8和0.6，但仅能在LM0时预测1月的2 m气温，相关系数为0.6。这与模式预测1月和4月SCF年际变化的水平一致。因此，模式对2 m气温的预测技巧的季节差异也许是导致SCF年际变化预测水平在4月明显高于1月的主要原因。

图9 LM0时SCF的预测偏差分别与同期降水和气温的预测偏差之间的相关系数(黑色实线表示相关系数达到0.05显著性水平)Fig.9 Correlation coefficients between SCF biases and precipitation biases,2 m temperature biases for LM0，respectively(the bold black line is the contour representing 0.05 level(Student’s t-test))

LM0时1月关键区内2 m气温预测偏差在50°N 以北总体为冷偏差，50°N以南为暖偏差(图略)；而模式预测1月SCF最大负偏差也位于关键区50°N以南(图1c)，两者对应很好。4月关键区内2 m气温的预测值表现为一致的冷偏差，区域平均后，该偏差随起报时间增长逐渐增大(图略)，对应4月关键区SCF随着起报时间的增长误差由负转正的趋势。由此可见，近地面气温的预测水平显著影响SCF的预测水平。需要指出的是，模式中积雪、气温和降水是紧密相关的，它们相互影响、互为因果，本研究仅反映模式中这3个要素的相关关系，模式对积雪预报误差的原因还要从模式中环流及物理过程的角度进行深入分析。

3.2 模式的系统性误差

3.1节展现关键区内SCF预测偏差与近地面气温预测偏差紧密联系。然而，综合模式对SCF气候态预测的偏差特征，可以发现，即使在积雪覆盖率接近100%的地区，模式预测偏差仍然高达10%～30%。为了探究这一偏差是否为模式的系统性偏差，本文给出BCC-CSM1.1m模拟的1985—2012年SCF偏差分布(图10a、图10b)。分析可知，模拟的SCF偏差与预测的SCF偏差整体分布是一致的，在积雪覆盖率接近100%的区域，模拟的SCF偏差为10%～30%。可以推测，SCF预测值系统性偏低，部分源于模式本身的性能，如物理过程参数化方案、模式分辨率等因素。进一步地，本文还分析了BCC-CSM1.1m的升级版本BCC-CSM2-MR的历史模拟结果(图10c、图10d)。可以看到，模拟的SCF的误差大值区分布基本与BCC-CSM 1.1m一致，但是在积雪覆盖率接近100%的高纬度地区，SCF偏差接近0，改进效果明显。BCC-CSM2-MR和 BCC-CSM1.1m具有相同的海洋和海冰分量，但前者在大气分量和陆面分量上有不同程度的改进，如大气分量垂直层次的提高，辐射过程考虑了气溶胶间接效应等等[38]。具体是模式哪方面造成SCF预测值系统性偏低，还需要进一步研究。

图10 模式模拟的SCF偏差分布(模拟值与观测值之差)(黑色虚线框分别表示冬季关键区和春季关键区) (a)BCC-CSM1.1m模拟的1月，(b)BCC-CSM1.1m模拟的4月，(c)BCC-CSM2-MR模拟的1月，(d)BCC-CSM2-MR模拟的4月Fig.10 Spatial distribution of simulated climatology biases of SCF(simulation minus observation)(black dashed rectangles in Fig.10a and Fig.10c represent WKA while those in Fig.10b and Fig.10d represent SKA)(a)Jan using BCC-CSM1.1m,(b)Apr using BCC-CSM1.1m,(c)Jan using BCC-CSM2-MR,(d)Apr using BCC-CSM2-MR

4 结论与讨论

本文使用国家气候中心基于BCC-CSM1.1m模式建立的第2代季节气候预测模式系统1984—2019年的历史回算数据，客观评估模式对1月和4月欧亚大陆SCF气候态和年际变化的预测技巧，探讨SCF预测偏差产生的可能原因，得到以下主要结论：

1)不同起报时间模式对欧亚大陆SCF的预测存在较明显的系统性偏差。不同起报时间预测的1月SCF在青藏高原、里海附近以及中国东部表现为一致正偏差，其余地区为负偏差。模式对4月SCF的预测偏差在LM0时与1月接近，随起报时间增长，春季关键区域内偏差由负转正并逐渐增大。

2)与观测相比，模式明显低估了年际变率的幅度，但模式能够提前2个月预测出4月SCF年际变化的主要时空特征，仅能在LM0时预测出1月的年际变化。

3)模式预测技巧存在显著的空间差异。1月SCF的预测技巧在欧洲西部地区最高；4月的预测技巧在西西伯利亚地区最高，且明显高于SCF气候平均值相当的东西伯利亚地区。

4)模式对1月和4月SCF的预测偏差与同期近地面气温的预测偏差存在显著负相关，与降水偏差存在显著正相关，且对气温的预测技巧与SCF非常一致，体现了气温预测技巧对SCF预测的重要影响。

5)模式对SCF的预测误差部分源于模式本身的系统性偏差。模式分辨率以及参数化方案可能是造成1月和4月SCF接近100%的高纬度地区预测结果明显偏低的原因。

总体而言，基于BCC-CSM1.1m研发的第2代季节预测模式系统，对冬春季欧亚积雪覆盖率的空间分布以及年际变化在超前0～2个月具有一定的预测技巧，但也存在明显不足。导致模式系统性偏差的原因，除了模式本身的动力框架、物理过程参数化方案等原因外，预测技巧随起报时间增加而快速下降，与模式初值信息衰减较快有很大关系。目前BCC已经研发了改进的中等分辨率气候系统模式BCC-CSM2-MR以及高分辨率模式BCC-CSM2-HR。未来可以通过比较这3个模式对欧亚积雪的预测水平，从模式本身的物理参数化方案、模式初始化方案等的角度分析造成预测偏差的可能原因。此外，鉴于模式初值对预测的重要性[39]，未来将进一步研究模式初值及初始化方案对积雪预测的影响。模式对欧亚大陆SCF的预测误差对东亚地区，特别是中国春、夏季降水预测能力的影响，也值得深入研究。