西北太平洋热带气旋频次的延伸期动力餐臣圃けǚ椒ê推拦

徐邦琪 魏澎 钱伊恬 游立军

摘要 介绍了西北太平洋热带气旋（TC）频次的延伸期预报方法，比较了新构建的动力-统计和统计预报模型的预测技巧，并探讨了预报误差来源及改进方向。动力-统计预报模型是基于动力模式预测的热带季节内振荡（ISO）信号及ISO-TC生成的同期统计关系来进行预报;统计预报模型则是基于TC生成的前兆ISO信号建模预报。预报评估结果显示，动力-统计混合预报模型的预报技巧高于统计预报模型，原因在于影响TC次季节变化的前兆信号并不稳定，且随着预报超前时间迅速消散，无法提供有效且稳定的可预报源;相反地，TC生成与同期的ISO背景场显著相关，动力模式对ISO（预报因子）有较好的预报能力，因此动力-统计相结合的预报方法为TC延伸期预报提供了有效途径。虽然目前动力-统计预报模型的预报技巧可达5～6周，但仍有进一步改进和提高的空间。通过对不同类型TC预报技巧检验和误差分析，研究认为年际和年代际背景场对ISO调控TC活动的影响不可忽略，且热带外ISO信号（如罗斯贝波破碎和西风急流强度等）对TC频次和轨迹也有显著影响，这些因子为TC延伸期预报提供了潜在可预报源。

关键词热带气旋;季节内振荡;延伸期预报;可预报性来源;热带外信号

北半球夏季西北太平洋（WNP）的热带气旋（TC）活动给东亚沿海地区带来了巨大的影响，热带气旋所引起的狂风、暴雨和风暴潮等灾害性天气给沿海地区的居民生产和生活造成重大的影响，造成了巨大的人员伤亡和财产损失。2023年7月超强台风“杜苏芮”在登陆菲律宾卡加延省之后，再次在我国福建省晋江沿海登陆，是有史以来登陆福建省的第二强台风，其间紧急避险和转移安置76.8万人，损毁房屋1.5万余间，直接经济损失达147.7亿元（https：／／www.mem.gov.cn／xw／yjglbgzdt／202308／t20230804_458461.shtml）。受“杜苏芮”台风残留云系北上和西风槽叠加影响，东北地区多地出现强降雨，黑龙江、吉林部分农田受淹，道路交通、通信电力等基础设施遭损毁，直接经济损失达170.9亿元。2023年第6号台风“卡努”以热带低压在我国辽宁省庄河市沿海登陆，东北地区多地再度出现强降雨，辽宁、黑龙江等地共8.8万人不同程度受灾，农作物受灾面积达2.15万hm2，直接经济损失为9.2亿元（https：／／www.mem.gov.cn／xw／yjglbgzdt／202309／t20230906_461707.shtml）。

提高台风预报准确率以及延长预报时效，是防灾减灾的重要基础。近些年随着延伸期预报方法和技术的发展，许多极端天气事件的次季节变化机制和延伸期预报方法的研究取得了一定的进展（陈官军等，2017;杨秋明，2018;章大全等，2019;徐邦琪等，2020;雷蕾等，2022;李丽平等，2022;陈春和陶丽，2023），相对降水和气温的延伸期预报方法和技术的快速发展，台风延伸期预报研究起步较晚，延伸期预报能力还偏低（Jiang et al.，2018;Lee et al.，2018，2020）。现有的台风延伸期预报方法主要分为统计预报、动力预报和混合动力-统计预报方法（金蕊等，2020）。统计预报模型是以影响台风生成的先兆信号为预报因子，利用不同的统计模型对台风活动进行预测，早期学者利用逻辑回归预报方程对南半球（Leroy and Wheeler，2008）、东太平洋和北大西洋（Henderson and Maloney，2013）的热带气旋生成概率进行延伸期预报，并确认了Madden-Julian Oscillation（MJO;Madden and Julian，1972）是臺风延伸期预报最重要的可预报性来源之一。Zhao et al.（2022）采用相似的方法对WNP TC生成概率进行延伸期预报，发现MJO和准双周振荡（QBWO）对于整个WNP的TC生成概率预报技巧的重要性，而厄尔尼诺-南方涛动（ENSO）则对WNP不同区域TC生成概率的预报技巧具有重要的影响。Zhu et al.（2017）利用时空投影方法对台风群发指数进行延伸期预报。回报试验结果显示，该方法能够提前10（20） d成功地预报出54个台风群发事件中80％（69％）的台风群发事件。Wei et al.（2021）也利用该方法来预报MJO和QBWO的主成分，从而根据QBWO／MJO与TC逐日生成率之间的历史统计关系来预报中国南海的TC生成率。

由于数值模式分辨率不断提高、资料同化技术和参数化方案快速发展，所以利用动力模式对TC进行延伸期预报成为可能。Xiang et al.（2015）评估了美国地球物理流体动力学实验室（GFDL）耦合模式对飓风Sandy和超强台风海燕生成的预报技巧，发现最大的预报技巧可达11 d。在Xiang et al.（2015）对个例评估的基础上，Jiang et al.（2018）全面评估了GFDL耦合模式对历史台风的预报技巧，并发现该动力模式对台风生成的预报技巧约为一周。Lee et al.（2018，2020）评估了参加世界气象组织次季节-季节（S2S）预测项目的所有动力模式对TC生成、频次和累计气旋能量（ACE）的预报技巧，发现ECMWF对WNP TC频次的预报技巧达到2～3周，然而，动力模式对TC生成的预报技巧明显低于对TC频次的预报技巧。目前，国内外越来越多的气象业务机构和科研中心尝试进行台风延伸期业务预报，但总体而言预报技巧仍然有限。欧洲中心从2010年起逐周发布两次未来1～4周的TC活动预报，包括各海盆每周TC个数或ACE和TC袭击概率分布图，并且在2023年增加模式成员和预报发布频次，原来51个集合成员已增加至101个，逐日发布未来12 d内每天全球的TC袭击概率分布图（https：／／charts.ecmwf.int／products／medium-tc-genesis），为TC活动提供了更加完善和准确的预报产品（Schreck et al.，2023）。美国国家海洋大气管理局（NOAA）的气候预报中心（CPC）每周提供一次全球热带气旋灾害预报，包括全球热带气旋轨迹概率。美国科罗拉多州立大学从2009年开始每2周预报大西洋的ACE，预报结果为整个北大西洋ACE高于或低于气候平均以及与气候平均持平的概率。澳大利亚气象局对于TC的业务预报产品包括提前2～3周对南太平洋和提前2～4周对WNP TC进行预报。虽然现有的TC延伸期业务预报产品越来越丰富，预报技巧也有所提高，但仍无法满足现在越来越精细化的防灾减灾需求。为了进一步满足防灾减灾的需求，发展和提高台风延伸期预报水平，是亟待解决的重要科学问题。

除了统计模型和动力模式预测方法，Qian et al.（2020）在分析ISO对西北太平洋7类TC活动调控作用的基础上，构建了西北太平洋TC延伸期动力-统计预报模型。该模型利用GFDL模式预报的ISO信号（动力预报）及ISO-TC生成的统计方程（统计预报），实现了对未来40 d逐旬的TC个数和频次分布（轨迹）的概率预报。回报试验显示，该模型的预报技巧达到了25 d，相比于GFDL动力模式对TC仅有10 d的预报技巧有了很大提升。为了更好地将该模型应用于业务预报系统，该模型已在国家气候中心和福建省气候中心进行业务转化，结合欧洲中期预报中心（ECMWF）实时发布的S2S预报产品，目前已完成对未来6周逐周滚动的西北太平洋TC个数和频次分布（轨迹）延伸期概率预报系统。本文将对该动力-统计模型的实时预报结果进行评估，并与统计模型的预报结果进行比较，通过对预报误差来源的分析，明确台风延伸期预报的可预报性来源，为进一步改进和提高现有的预报系统提供一定的物理基础。

本文第一节介绍资料以及混合动力-统计预报模型和统计预报模型;第二节对预报模型的预报技巧进行评估，并且探讨预报误差和可预报性来源;第三节综合讨论现有预报模型的局限性，以及改进和完善台风延伸期预报模型的挑战及展望。

1 资料和方法

1.1 资料

为了分析影响西北太平洋台风活动的关键过程和因子，本文采用欧洲中期天气预报中心（ECWMF）最新的再分析数据（ERA5;Hersbach et al.，2020）以及美国海洋和大气管理局（NOAA）的对外长波辐射（OLR）。ERA5的变量包括850 hPa 相对涡度（Vort850）、200 hPa散度（Div200）、200 hPa和850 hPa之间全风速的垂直风切变（VWS）、p坐标下500 hPa垂直速度（ω500）、700 hPa比湿（q700）、海表面温度（SST）。所有变量的水平分辨率为1°×1°。资料的时间段为1979—2021年，台风季的定义为6—10月。台风数据来自IBTrACS最佳路径数据集（Knapp et al.，2010），包括每6 h的TC中心最大风速、中心所在经度和纬度。本研究的预报对象是强度为热带气旋及以上（中心风速大于34 kn）的TC个例。

动力-统计预报模型中采用的动力模式数据为由ECMWF发布的S2S预报产品（Vitart et al.，2017），变量包括850 hPa和200 hPa的纬向（u）和经向风（v）、500 hPa垂直速度（ω500）、700 hPa比湿（q700）、海表面温度（SST）和OLR。ECMWF每周一和周四发布一次动力预报数据，包含往后46 d的逐日数据，共有51个集合成员。实时预报数据时间段为2016—2021年，回报数据时间段为2000—2019年。

1.2 西北太平洋台风延伸期预报模型

本研究构建并评估了两类西北太平洋台风频次延伸期预报模型（图1），分别是动力-统计结合的预报模型（Qian et al.，2020）和单纯基于统计方法的统计预报模型。由于台风活动是非连续且小概率的事件，并且具有显著的季节循环特征（图2i柱状图），所以预报对象为台风季逐周TC个数异常值（相对于气候平均的逐周TC个数）Y（t），即图1中两个预报方程。定义逐周TC个数为每周活跃于WNP的TC个数，若某一个TC从第一周一直活跃至第二周，则这两周均统计该TC。模型訓练的时段为1979—2015年，预报阶段为2016—2021年。以下将详细介绍西北太平洋台风延伸期预报模型的主要构建步骤（图1中（1）、（2）和（3））和预报产品（图1中（4））。

1.2.1 步骤1：对历史台风轨迹进行模糊聚类分析

WNP是TC最活跃的海域，TC个例具有不同的生成位置和轨迹类型，ISO对不同类型的TC调制作用存在差异（Camargo et al.，2009;Qian et al.，2020）。为了更准确地挑选出预报因子，并利用TC的气候统计特征预报出TC频次分布，这里首先对历史TC轨迹数据（1979—2015年）进行c-means模糊聚类分析。整个WNP的TC轨迹可以客观地分成7类，分别用C1—C7表示（图2b—h），WNP上所有的TC称为“TCall”（图2a、2i），该分类结果与前人的研究一致（Camargo et al.，2009;Kim et al.，2011）。每类TC都具有其独特的生成位置和轨迹类型，其中占比最多的是生成于菲律宾海东部后向西北方向移动，侵袭我国东南沿海、台湾等地的C3类TC，占所有TC个数的22.9％，其次是北上影响日本韩国的C6类TC，占所有TC个数的20.2％，生成于WNP偏东的C2和C4类台风较少，分别占总数的近6.0％和6.8％。除了生成位置和轨迹，不同类型TC的季节循环信号也存在一定的差异，C5类TC个数在10月较少，更多发生在7—9月及11月（图2f柱状图），而C7类TC个数在整个TC季均比较平稳，在10月开始略微有所上升（图2h柱状图）。不同类型TC的基本特征差异可能反映了不同类型TC低频变化的物理机制有所不同，即大尺度动力和热力过程对不同类型TC的调控过程存在差异，因此通过分类建模预报，能够更加准确地抓住影响不同类型TC的关键信号，并且通过比较不同类型TC的预报技巧及其可预报性来源差异，为进一步提高延伸期预报技巧提供了物理基础。

1.2.2 步骤2：基于同期和超前相关分析挑选潜在预报因子

考虑了与TC生成有关的大尺度动力和热力条件（Camargo et al.2009;Qian et al.2020），本文采用的潜在预报因子包括Vort850、Div200、VWS、ω500、q700、SST和OLR。为了在延伸期尺度上挑选与每类TC生成密切相关的潜在预报因子，本研究在训练阶段对每类TC逐周个数距平值与各个预报因子的低频分量进行相关分析（图3），其中，TC逐周个数距平值定义为每周原始的TC个数与其平滑的气候态季节循环（图2中的黑色曲线）之间的差值，潜在预报因子的低频ISO分量定义为逐日数据减去前三个谐波的逐日气候平均得到的异常分量再进行周平均。同期相关的最大值位于各类TC生成位置附近（图3a和3h），因此以每类TC的生成区域为范围（图3中的黑色方框），选择该区域内达到95％置信水平的格点［r（i，j）］进行平均后作为动力-统计结合预报的潜在预报因子（图1绿框）。

而统计预报模型则是以每类TC个数距平值与低频大尺度场之间的超前相关关系来确定潜在预报因子。以C6为例，在TC生成当周（Lead w0），OLR负异常的大值区位于C6类TC生成区（图3a中的黑色方框），在TC生成前一周（Lead w1）时，OLR负异常位于C6类TC生成的主要区域的南侧，强度有所减弱，但随着分析时间的进一步提前，影响C6生成的前兆信号消失得非常快，在提前两周（Lead w2）时OLR负异常范围变得很小，而在TC生成之前三周（Lead w3）以上几乎看不出调控信号（图3d—g）。与C6类TC不同，C7类TC的前兆信号来自于热带印度洋，在TC生成五周之前（Lead w5）可以观测到位于热带印度洋的OLR对流向东北方向移动，逐渐传播至中国南海和菲律宾海地区，有利该区TC生成（图3h—n）。为了有效地提取这些伴随ISO传播的前兆信号，统计预报模型的潜在预报因子的选择范围与混合预报的（黑色方框）有所不同，本文将其扩大至更大范围的整个亚洲季风区（40°E～180°～60°W，20°S～40°N），以不同提前时间l相关分析图中达到95％置信水平的格点［r（i，j，l）］进行平均后，作为统计预报的潜在预报因子（图1蓝框内的预报方程）。

为了验证置信水平挑选潜在预报因子对预报结果的影响，本文也基于99％的置信水平来挑选潜在预报因子，进行建模预报，结果显示不管是混合预报模型还是统计预报模型的预报技巧，都没有太大的区别（图略），说明基于95％置信水平挑选的预报因子已经包含了大部分重要的信号，能够提供有效的预报信息。

1.2.3 步骤3：建立各类TC的逐步回归预报模型

在确定了每类TC的潜在预报因子之后，通过训练时期的数据建立多元逐步回归方程，确定最终的预报因子和预报模型。多元逐步回归方法是以赤池信息量（AIC；Akaike，1974）为准则，通过选择最小的AIC进行预报因子的引入和剔除交替进行，直到没有新的预报因子可以引入或剔除为止，AIC的大小取决于预报模型的拟合能力以及模型的复杂程度（预报因子个数）。以AIC为依据选择的预报因子往往能够反映各潜在预报因子对该类TC单独的影响程度。其中Vort850、Div200、SST和OLR是选择最多的4个预报因子，而ω500和q700相对来说被选择的频次较少。动力-统计结合的预报流程是将动力模式预报的未来数周ISO大尺度场状态代入统计预报方程（图1绿框中的方程），可以得到未来数周的各类TC个数。统计预报则是以前兆信号为预报因子，直接代入统计预报方程（图1蓝框中的方程），以得到未来数周的各类TC个数。

1.2.4 步骤4：预报和得到最终TC预报产品

不管是动力-统计预报模型还是统计预报模型，预报得到的均是每类TC每周个数的距平值，将它们加上TC气候季节循环分量（图2中的黑色曲线），即可得到每类TC的总个数。最后通过将每类TC的总个数与对应气候态轨迹分布概率相乘后再加总，即可得到西北太平洋TC的轨迹分布概率（图1最下方的两个流程）。西北太平洋TC的轨迹分布概率［P（lat，lon）］定义为：

Plat，lon=TCF（lat，lon）TCN×100%。（1）

其中“lat”和“lon”分别为纬度和经度;TCF（lat，lon）代表每个5°×5°格点上的TC频次;TCN代表整个西北太平洋上观测的TC个数。值得注意的是，当TCF（lat，lon）大于TCN时，P（lat，lon）可能会超过100％。例如，如果当整个WNP上只有1个TC，而其在某个格点上停留超过12 h［TCF（lat，lon）=2］，那么P（lat，lon）就等于200％。

2 预报检验及可预报性讨论

2.1 预报技巧检验

这部分将比较两套模型对独立预报时期（2016—2021年6—10月）WNP TC个数和频次分布的预报技巧，TC个数预报以时间相关系数（TCC）和均方根误差（RMSE）进行评估，而TC频次分布的预报技巧以空间相关系数（PCC）来进行评估。图4显示，不管是混合预报模型还是统计预报模型，随着提前预报时间的增加，预报技巧均下降;此外，不管是混合预报模型还是统计预报模型，对C1—C7类每类TC分类预报之后加总得到WNP所有台风的个数，由此得到的预报技巧（深绿和深蓝色柱状）均高于对所有TC直接预报（浅绿和浅蓝色柱状），这表明分类预报能够更好地提取有效的可预报性来源，从而提高了TC延伸期预报技巧。

两套模型相比，混合预报模型的预报技巧的下降速度慢于统计预报模型。在提前1周（Lead w1）预报时，混合预报的TCC和RMSE均与预报上限技巧（Lead w0的技巧，以觀测的大尺度场对TC进行预报）相当（图4a、b），随着动力模式积分时间的增加，动力模式对低频大尺度预报因子的预报技巧下降，影响了TC预报技巧，但是在提前5～6周依然显示出有效的预报技巧（TCC通过95％置信水平检验），因此混合预报模型对逐周TC个数的预报技巧为5～6周（图4a），而TC个数的预报误差为0.7～0.8个TC（图4b）。相较于混合动力-统计预报模型，依赖于前兆信号建模的统计预报模型的预报技巧下降比较快（图4d、e），在提前1周时，TCC从0.61～0.62下降至0.52～0.53（图4d），在提前2周预报时，模式已无法提供有技巧的预报结果（TCC不显著，预报偏差约为1个TC），这一结果说明了低频大尺度场与TC个数的前兆信号较为不稳定，无法有效提供可预报性来源。为了检验评估阈值（0.45）的敏感性，这里也采用气候态预测技巧（0.46）作为评估有效预测的标准，由于此两个阈值（0.45、0.46）非常相近，并不影响有效预报时效的相关结论。

根据图1流程介绍，该预报模型预报得到每类TC的个数后，乘以每类TC的气候态轨迹分布概率后进行加总，即可得到WNP海盆上TC轨迹的空间概率分布。图5为基于动力-统计预报模型预报的4个TC轨迹空间分布，可见该模型不仅能够预报出诸如单个超强台风天鹅（图5a）、台风沙德尔（图5c）、超强台风莎莉嘉（图5d）的西行轨迹，而且能预报出群发台风个例，如发生于2018年8月10—16日的“贝碧嘉”“温比亚”和“丽琵”台风（图5b）。对于这4个个例，提前4周预报的TC频次分布与观测的空间相关系数仍有0.6左右。然而模型可能出现空报或漏报，因此所有预报时次的平均PCC技巧约为0.3（图4c），但依旧通过了95％置信水平检验。由于统计预报模型对各类TC个数的预报技巧（图4d中的深蓝色柱状）低于混合预报（图4a中的深绿色柱状），因此造成统计预报对TC频次分布的预报技巧（图4c中的深绿色柱状）也低于混合预报（图4f中的深蓝色柱状）。

2.2 WNP TC延伸期预报的可预报性来源分析

为了进一步探讨TC延伸期预报的可预报性来源，这里以TCC评估结果为例，比较了混合预报和统计预报对不同类型TC个数距平值的预报技巧（图6），以了解TC延伸期预报误差的可能来源。结果显示，与TC总数（距平值加上气候年循环）的预报技巧（图4d）相似，混合预报模型对TC个数距平值的预报技巧也高于统计预报模型的技巧（图6h），混合预报模型在提前4周预报时，预报技巧依然达到0.27，通过了95％置信水平检验。而统计预报模型的预报技巧下降非常迅速，提前1周预报的预报技巧为0.28，提前2周预报时已没有预报技巧，因此接下来主要以混合预报模型为例，探讨各类TC的预报误差和可预报性来源。

通过比较不同类型TC的预报技巧（图6a—g），本文发现不同类型的TC存在较大的差异：C1、C3、C5—C7类TC的TCC技巧随着预报时效的增加，下降得比较缓慢，预报能力较为稳定，但是另外两类TC的TCC技巧偏低，C2类台风即使基于同期的观测场进行预报，也无法预报出TC个数（图6b中w0），而C4类台风的预报技巧下降非常迅速，在提前3周以上的预报中，两个模型都显现出对该类TC无预报技巧。

为了探寻模型无法预报C2类TC的原因，这里分析训练阶段（1979—2015年）和独立预报阶段（2016—2021年）的预报因子与C2类TC之间的相关关系（图7a—d）。通过比较这两个阶段的相关分布可以看到，模式训练阶段C2类TC与热带WNP东北部的正涡度异常和东南部的负涡度异常存在显著的相关性（图7a1），这些信号被选为预报因子，然而，在独立预报阶段，这些信号消失了（图7a2）。换句话说，独立预报阶段C2类TC生成与涡度异常无关，无法以涡度异常信号对该类TC进行预报;相似地，其他预报因子在训练和预报阶段也出现相异的特征（图7b—d），在训练阶段，C2类TC生成与WNP SST的相关图中呈现负-正-负的三极子形态（图7c1），而在独立预报阶段则呈现北冷南暖的偶极子模态（图7c2）。這些相关关系的变化说明C2类TC活动及其与大尺度预报因子的关系存在年代际变化，建模时期挑选的预报因子在独立预报阶段已无法提供可预报源，因而导致预报模型失效。

动力-统计模型对C4类TC的预报技巧下降十分迅速（图6d），为了分析原因，这里分析观测数据（w0）与动力模式在提前1周至3周（w1—w3）起报的预报因子与C4类TC个数的相关系数分布（图8a—d）。结果显示，C4类TC的信号在WNP关键信号区域（图8a中的黑色方框）的东北部，可能与一些中纬度信号有关（如急流或罗斯贝波破碎等）。这一中纬度信号在动力模式提前1周的预报中基本能够被准确预报（图8b），但是在动力模式提前2周的预报中，动力模式预报的Vort850、Div200、ω500、q700和SST信号减弱，VWS几乎没有信号（图8c），且在提前3周的预报中，动力模式无法预报出这些预报因子在C4关键信号区域（图8d中的黑色方框）东北部的异常，从而导致C4类TC在提前3周预报时，预报技巧完全消失（图6d）。

以上讨论分析了混合动力-统计预报模型和统计预报模型的预报技巧，并以混合预报模型的预报技巧（TCC）为例，讨论了预报较差的两类TC（C2和C4类）的误差产生原因，如年代际变化和中纬度信号对TC次季节变化的影响，为下一步改进模型提供了物理基础和思路。

3 讨论与展望

本文介绍了基于台风聚类的WNP TC频次的延伸期预报方法，分别从动力-统计相结合的方法和传统统计方法进行建模和预报（图1—3）。预报技巧评估显示，现有的预报模型仍然有较大的提升空间，其中动力-统计预报模型由于依赖现有动力模式对低频大尺度场的预报技巧，以及ISO与TC生成个数之间的同期相关关系，所以预报技巧较高且较为稳定;而统计预报模型依赖ISO前兆信号，由于前兆信号的稳定性和持续性较低，所以统计预报的技巧低于现有的动力-统计预报模型（图4—6）。通过对不同类型TC的预报技巧进行分析后，探讨了TC延伸期预报的误差来源（图7—8），结果显示目前构建的TC频次延伸期预报模型还存在着以下几方面的局限，有待进一步提升突破。

1）不同年际-年代际背景下ISO-TC的影响作用

本文的研究表明ISO（预报因子）与C2类TC（预报量）的关系可能存在着年代际转变（图7），导致了C2类TC预报技巧偏低。而现有模型尚未考虑预报因子和预报量关联性的年际-年代际变化，这可能是预报误差来源的重要原因之一。例如，前人的研究表明，在不同的年际信号影响下，ISO对TC的次季节调控机制可能存在差异，即在不同的ENSO位相下，MJO和QBWO对TC次季节活动的调控作用显示出不同的特征（Li et al.，2012;Han et al.，2020）。本文首先尝试考虑ENSO位相对WNP TC延伸期预报的影响，为了有更充分的分析样本量，利用动力模式回报阶段（2000—2019年）的大尺度场，以及基于1979—2015年的统计关系建立的统计预报模型进行混合预报。El Nio（La Nia）年定义为1979—2015年台风季的Nio 3.4指数>0.65σ（<-0.65σ）的年份，其余年份定义为中性年，σ为1979—2015年每年台风季Nio 3.4指数的标准差。通过比较回报阶段（2000—2019年）每年的预报技巧（图9a）发现，在不同的ENSO位相背景态下，模式回报的TCC技巧也存在着显著的年际变化（图9a）。进一步合成不同ENSO位相下的预报技巧发现，C4（图9e）和C5类（图9f）这两类生成于WNP东南象限的TC在El Nio年的预报技巧明显高于其余年份，而C3（图9d）和C7类（图9h）生成于WNP西侧的两类TC在La Nia年的预报技巧则高于其余年份。这一结果表明，利用不同年际背景态下预报因子（ISO）为不同类型TC提供的可预报源存在差异，充分考虑年际信号（如ENSO）对预报因子-预报量关联性的影响，可能是提高预报技巧的途径之一。

基于这一推论，本文将动力模式回报阶段（2000—2019年）的El Nio年、La Nia年和中性年分别建立预报模型，依ENSO位相分别预报TC活动后，再进行评分。本文将这一方法预报得到的结果称为“ENSO-FCST”，并将这一结果与原本的预报结果（不区分ENSO位相，称为“clim-FCST”）进行比较（图10）。结果显示“ENSO-FCST”的预报技巧高于“clim-FCST”，说明ENSO也是WNP TC延伸期预报的重要可预报性来源，引入ENSO信号及其对ISO-TC关系的调制作用能够有效地提高预报技巧。未来可在此基础上，进一步把ENSO和其他年代际模态的作用考虑进TC延伸期预报模型中。

2）热带外信号对TC次季节变化的影响

前人的研究更多关注热带信号（如热带ISO）对WNP TC次季节变化的影响（Zhao et al.，2016），目前构建的模型中仅以热带ISO信号为预报因子。Camargo et al.（2019）总结了影响TC次季节变化的关键信号和物理机制，除了最重要的MJO之外，赤道波动、热带外的罗斯贝波破碎等对TC次季节变化也有重要影响（Li et al.，2018）。Schreck et al.（2023）更新了自Camargo et al.（2019）之后、2019—2022年TC次季节变化机制的最新研究进展，

并且指出除了热带信号ISO之外，热带和热带外相互作用对提高台风次季节预报具有重要性，模式对ISO预报具有重要性。

本文初步探索中纬度信号对不同类型台风频次的影响（图11），尤其关注对登陆我国的台风（C1、C3、C6）活动的作用。首先将TC频次的空间分布在反气旋性罗斯贝波破碎（AWB）的正负位相进行合成，AWB的正／负位相定义为周平均的AWB频次（130°E～180°～150°W、10°～30°N区域平均）超过一个标准差／小于一个负标准差。结果显示AWB对WNP TC的次季节变化存在显著的调控作用，其不利于WNP开放海域的TC活动（图11a、c），但有利于中国南海地区的TC活动（图11d）。此外，本文比较了东亚西风急流強度对WNP TC活动的影响（图11e—h），发现增强的急流有利于150°E以西的TC活动，特别是有利于登陆TC的活动，其主要是通过增强季风槽和东南风引导气流来影响的。如何有效地提取这些中纬度影响TC次季节活动的关键信号，并引入到现有的延伸期预报模型中，是未来进一步完善和提高目前WNP TC延伸期预报模型的关键。

近些年有关TC次季节变化特征和物理机制的理论研究不断涌现，TC的延伸期预报技术和方法发展越来越成熟。更加全面且深入地挖掘TC延伸期预报的可预报性来源，诊断动力模式对ISO及TC次季节活动模拟的误差来源、构建订正模型，应用最新的统计方法（如机器学习）进行建模等，将是我们今后研究工作的方向和重点。

致谢：本文的数值计算得到了南京信息工程大学高性能计算中心的计算支持和帮助。

参考文献（References）

Akaike H，1974.A new look at the statistical model identification［J］.IEEE Trans Autom Contr，19（6）：716-723.doi：10.1109／TAC.1974.1100705.

Camargo S J，Wheeler M C，Sobel A H，2009.Diagnosis of the MJO modulation of tropical cyclogenesis using an empirical index［J］.J Atmos Sci，66（10）：3061.doi：10.1175／2009JAS3101.1.

Camargo S J，Camp J，Elsberry R L，et al.，2019.Tropical cyclone prediction on subseasonal time-scales［J］.Trop Cyclone Res Rev，8（3）：150-165.doi：10.1016／j.tcrr.2019.10.004.

陈春，陶丽，2023.热带气旋潜在生成指数的对比分析及其在西北太平洋的改进［J］.大气科学学报，46（4）：615-629. Chen C，Tao L，2023.A comparison of tropical cyclone Genesis Potential Indices （GPIs） and a modified version for the western North Pacific［J］.Trans Atmos Sci，46（4）：615-629.doi：10.13878／j.cnki.dqkxxb.20210130001.（in Chinese）.

陈官军，魏凤英，姚文清，等，2017.基于低频振荡信号的中国南方冬半年持续性低温指数延伸期预报试验［J］.气象学报，75（3）：400-414. Chen G J，Wei F Y，Yao W Q，et al.，2017.Extended range forecast experiments of persistent winter low temperature indexes based on intra-seasonal oscillation over southern China［J］.Acta Meteorol Sin，75（3）：400-414.doi：10.11676／qxxb2017.024.（in Chinese）.

Han X，Zhao H K，Li X，et al.，2020.Modulation of boreal extended summer tropical cyclogenesis over the northwest Pacific by the quasi-biweekly oscillation under different El Nio-Southern Oscillation phases［J］.Int J Climatol，40（2）：858-873.doi：10.1002／joc.6244.

Henderson S A，Maloney E D，2013.An intraseasonal prediction model of Atlantic and East Pacific tropical cyclone genesis［J］.Mon Wea Rev，141（6）：1925-1942.doi：10.1175／mwr-d-12-00268.1.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Royal Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Jiang X N，Xiang B Q，Zhao M，et al.，2018.Intraseasonal tropical cyclogenesis prediction in a global coupled model system［J］.J Climate，31（15）：6209-6227.doi：10.1175／jcli-d-17-0454.1.

金蕊，余晖，吴志伟，等，2020.次季节-季节尺度热带气旋活动研究和预测技术进展［J］.大气科学学报，43（1）：238-254. Jin R，Yu H，Wu Z W，et al.，2020.Sub-seasonal to seasonal prediction of tropical cyclone activity in the western North Pacific：a review［J］.Trans Atmos Sci，43（1）：238-254.doi：10.13878／j.cnki.dqkxxb.20191025006.（in Chinese）.

Kim H S，Kim J H，Ho C H，et al.，2011.Pattern classification of typhoon tracks using the fuzzy c-means clustering method［J］.J Climate，24（2）：488-508.doi：10.1175／2010jcli3751.1.

Knapp K R，Kruk M C，Levinson D H，et al.，2010.The international best track archive for climate stewardship （IBTrACS）［J］.Bull Amer Meteor Soc，91（3）：363-376.doi：10.1175／2009bams2755.1.

Lee C Y，Camargo S J，Vitart F，et al.，2018.Subseasonal tropical cyclone genesis prediction and MJO in the S2S dataset［J］.Wea Forecasting，33（4）：967-988.doi：10.1175／waf-d-17-0165.1.

Lee C Y，Camargo S J，Vitart F，et al.，2020.Subseasonal predictions of tropical cyclone occurrence and ACE in the S2S dataset［J］.Wea Forecasting，35（3）：921-938.doi：10.1175／waf-d-19-0217.1.

雷蕾，徐邦琪，高慶九，等，2022.基于卷积神经网络的长江流域夏季日最高温度延伸期预报方法研究［J］.大气科学学报，45（6）：835-849. Lei L，Hsu P C，Gao Q J，et al.，2022.Extended-range forecasting method of summer daily maximum temperature in the Yangtze River Basin based on convolutional neural network［J］ Trans Atmos Sci，45（6）：835-849.doi：10.13878／j.cnki.dqkxxb.20211101001.（in Chinese）.

Leroy A，Wheeler M C，2008.Statistical prediction of weekly tropical cyclone activity in the Southern Hemisphere［J］.Mon Wea Rev，136（10）：3637-3654.doi：10.1175／2008mwr2426.1.

李丽平，付佳丽，梁阔，等，2022.大气低频振荡对2015年冬季华北强降温事件的影响［J］.大气科学学报，45（5）：778-790. Li L P，Fu J L，Liang K，et al.，2022.The influences of atmospheric low-frequency oscillation on extreme cold events in northern China in the winter of 2015［J］.Trans Atmos Sci，45（5）：778-790.doi：10.13878／j.cnki.dqkxxb.20200914003.（in Chinese）.

Li R C Y，Zhou W，Chan J C L，et al.，2012.Asymmetric modulation of western North Pacific cyclogenesis by the Madden-Julian Oscillation under ENSO conditions［J］.J Climate，25（15）：5374-5385.doi：10.1175／JCLI-D-11-00337.1.

Li W W，Wang Z，Zhang G，et al.，2018.Subseasonal variability of Rossby wave breaking and impacts on tropical cyclones during the North Atlantic warm season［J］.J Climate，31（23）：9679-9695.doi：10.1175／JCLI-D-17-0880.1.

Madden R A，Julian P R，1972.Description of global-scale circulation cells in the tropics with a 40—50 day period［J］.J Atmos Sci，29（6）：1109-1123.doi：10.1175／1520-0469（1972）029<1109：dogscc>2.0.co;2.

Qian Y T，Hsu P C，Murakami H，et al.，2020.A hybrid dynamical-statistical model for advancing subseasonal tropical cyclone prediction over the western North Pacific［J］.Geophys Res Lett，47（20）：e2020GL090095.doi：10.1029／2020gl090095.

Schreck C J，Vitart F，Camargo S J，et al.，2023.Advances in tropical cyclone prediction on subseasonal time scales during 2019—2022［J］.Trop Cyclone Res Rev，12（2）：136-150.doi：10.1016／j.tcrr.2023.06.004.

Vitart F，Ardilouze C，Bonet A，et al.，2017.The subseasonal to seasonal （S2S） prediction project database［J］.Bull Amer Meteor Soc，98（1）：163-173.doi：10.1175／bams-d-16-0017.1.

Wei X W，Yang Y，Chen L，2021.The extended-range forecast of tropical cyclogenesis over the South China Sea based on the intraseasonal oscillation［J］.Meteor Atmos Phys，133（5）：1577-1589.doi：10.1007／s00703-021-00830-0.

Xiang B Q，Zhao M，Jiang X N，et al.，2015.The 3—4-week MJO prediction skill in a GFDL coupled model［J］.J Climate，28（13）：5351-5364.doi：10.1175／jcli-d-15-0102.1.

徐邦琪，臧鈺歆，朱志伟，等，2020.时空投影模型（STPM）的次季节至季节（S2S）预测应用进展［J］.大气科学学报，43（1）：212-224. Hsu P C，Zang Y X，Zhu Z W，et al.，2020.Subseasonal-to-seasonal （S2S） prediction using the spatial-temporal projection model（STPM）［J］.Trans Atmos Sci，43（1）：212-224.doi：10.13878／j.cnki.dqkxxb.20191028002.（in Chinese）.

杨秋明，2018.长江下游夏季低频温度和高温天气的延伸期预报研究［J］.地球科学进展，33（4）：385-395. Yang Q M，2018.A study of the extended-range forecast for the low frequency temperature and high temperature weather over the lower reaches of Yangtze River valley in summer［J］.Adv Earth Sci，33（4）：385-395.doi：10.11867／j.issn.1001-8166.2018.04.0385.（in Chinese）.

章大全，郑志海，陈丽娟，等，2019.10～30 d延伸期可预报性与预报方法研究进展［J］.应用气象学报，30（4）：416-430. Zhang D Q，Zheng Z H，Chen L J，et al.，2019.Advances on the predictability and prediction methods of 10—30 d extended range forecast［J］.J Appl Meteor Sci，30（4）：416-430.doi：10.11898／1001-7313.20190403.（in Chinese）.

Zhao H K，Wang C Z，Yoshida R，2016.Modulation of tropical cyclogenesis in the western North Pacific by the quasi-biweekly oscillation［J］.Adv Atmos Sci，33（12）：1361-1375.doi：10.1007／s00376-016-5267-z.

Zhao H K，Lu Y，Jiang X N，et al.，2022.A statistical intraseasonal prediction model of extended boreal summer western North Pacific tropical cyclone genesis［J］.J Climate，35（8）：2459-2478.doi：10.1175／JCLI-D-21-0110.1.

Zhu Z W，Li T，Bai L，et al.，2017.Extended-range forecast for the temporal distribution of clustering tropical cyclogenesis over the western North Pacific［J］.Theor Appl Climatol，130（3）：865-877.doi：10.1007／s00704-016-1925-4.

·ARTICLE·

A hybrid dynamic-statistical prediction model for tropical cyclone frequency over the western North Pacific and its evaluation

HSU Pangchi1，WEI Peng1，QIAN Yitian1，YOU Lijun2，3

1 Key Laboratory of Meteorological Disaster，Ministry of Education（KLME）／Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disaster（CIC-FEMD），Nanjing University of Information Science ＆ Technology，Nanjing 210044，China;

2Fujian Key Laboratory of Severe Weather／Key Laboratory of Straits Severe Weather，China Meteorological Administration，Fuzhou 350028，China;

3Fujian Meteorological Information Center，Fuzhou 350028，China

Abstract Prediction of tropical cyclone （TC） genesis at the extended-range to subseasonal timescale （a week to several weeks） is a gap between weather and climate predictions，which is a challenge for TC forecast.This study presents an extended-range hybrid dynamical-statistical prediction model and a statistical prediction model for TC frequency over the western North Pacific.The models are based on tropical intraseasonal oscillation signals and the TC clustering method.The fuzzy c-mean clustering method categorizes TCs over the western North Pacific into seven track patterns.Predicting anomalous TC counts in each week involves adding the observed climatological mean of weekly TC counts to obtain total genesis counts for each cluster.The probability of TC track distributions each week is derived by involving the climatology of each track probability.This model could not only predict TC number for each cluster but also the TC track distribution pattern each week.The hybrid dynamical-statistical model relies on contemporaneous statistical relationships between low-frequency variabilities and the output of the ECMWF dynamical model from the S2S dataset.The predictand is the TC genesis number over the western North Pacific during each week.Evaluation of prediction results indicates that the forecast skill of the hybrid dynamic-statistical forecast surpasses that of the statistical forecast model.The precursor signals associated with sub-seasonal TC changes dissipate rapidly，making stable forecasts challenging.In contrast，the dynamic model simulates the low-frequency background field （predictors） effectively，enhancing the hybrid models forecast skill.While，the current forecast skill of the hybrid dynamic-statistical forecast model extends to six weeks，further improvement is possible.Evaluation of prediction skills and error analysis of different TC clusters reveal that interannual and interdecadal variabilities of background fields on the modulations of intraseasonal oscillations on TC activity cannot be ignored.Statistical relationships between TC counts and low-frequency variabilities differ in distinct ENSO phases，suggesting potential improvement by developing forecast models based on different ENSO phases.Additionally，extratropical intraseasonal signals （e.g.，Rossby wave breaking and westerly jet intensity） significantly impact TC frequency and trajectory，which may provide more source of predictability for TC extended-range prediction.

Keywords tropical cyclone;intraseasonal oscillation;extended-range prediction;predictability source;extra-tropical signal

doi：10.13878／j.cnki.dqkxxb.20230922001

（責任编辑：刘菲）