中国夏季月际—季节平均降水动力和统计结合实时预测模型

范可 田宝强 戴海霞

1 中山大学大气科学学院/南方海洋科学与工程广东省实验室(珠海), 珠海 519082

2 中国科学院大气物理研究所竺可桢—南森国际研究中心, 北京 100029

3 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044

4 国防科技大学气象海洋学院, 长沙 410073

1 引言

随着极端天气气候事件造成的气象灾害日益严重，对其科学预测是国际气候预测研究面临的挑战。近些年，我国出现大幅度的月际间气候异常，如冬季不同月份之间极端冷暖事件交替和转折、夏季不同月份或不同阶段极端干旱和洪涝交替和转折等，造成严重气象灾害，同时也影响季节尺度气候预测准确率。由于月际气候异常往往被季节平均气候掩盖，因此亟需考虑月际尺度气候异常，提升月际—季节尺度气候预测。

国内外气候动力模式对月际—季节尺度气候预测效能仍需要提升。中国第二代月动力延伸预测模式系统（DERF2.0）对中国月际气温的预测效能总体高于月际降水，但仍有待改进（吴统文等, 2013;何慧根等, 2014）。美国国家环境预报中心（NCEP）的第二代气候预测系统（CFSv2）对中国夏季月际尺度降水的预测效能存在显著月际和区域差异。如图1 所示，1983～2022 年CFSv2 预测系统2 月起报的中国6 月降水距平百分率具有显著预测效能的区域主要集中在长江以南部分地区，CFSv2 预测的6 月降水距平百分率与观测之间的时间相关系数（TCC）仅有6.3%（11/160）的站点通过95%置信水平的显著性检验；对7 月和8 月降水百分率预测TCC 通过95%置信水平的显著性检验的站点占比分别为4.4%（7/160）和2.5%（4/160）。但相对于降水距平百分率的预测，CFSv2 对中国夏季6、7、8 月降水年际增量（当年降水量减去前一年降水量）预测准确率略高，6～8 月逐月TCC 通过95%置信水平的站点占比分别为8.1%（13/160）、7.5%（12/160）和5.0%（8/160）。

图1 1983～2022 年观测与CFSv2（2 月起报）预测的（a、d）6 月、（b、e）7 月和（c，f）8 月降水距平百分率（PAP，第一行）、降水距平百分率年际增量（PAP-DYs，第二行）之间的时间相关系数（TCC），黑点表示TCC 通过95%置信水平显著性检验的站点。Fig.1 Time correlation coefficients (TCCs) of precipitation anomaly percentage (PAP, top line) and its interannual increments (DYs, bottom line is PAP-DYs) in (a, d) June, (b, e) July, and (c, f) August between observations and CFSv2 outputs released in February from 1983 to 2022.The black dots represent stations which TCCs reach 95% confidence level.

虽然大多数全球气候模式AGCMs/OGCMs 对区域降水预测效能有限，但对一些大尺度环流和系统具有较好的预测效能。由此，通过统计降尺度方法将气候模式的大尺度环流信息与区域降水建立统计降尺度模型，可有效提高区域尺度降水气候预测（von Storch et al., 1993; Feddersen and Andersen,2005; Wang and Fan, 2009）。统计降尺度的方法被有效应用于中国月际—季节尺度气候预测（顾伟宗等, 2009; 魏凤英和黄嘉佑, 2010; Martin et al., 2020），其中，基于大尺度环流和缓变的下垫面因子（如海温、海冰等）发展的中国月际尺度统计降尺度模型在业务应用中取得较好的预测效果（陈丽娟等,2003; Zhang and Yan, 2015; Su et al., 2019; Liu et al.,2021; Ma and Sun, 2021）。研究结果表明最优子集回归和随机天气发生器两种统计降尺度方法（刘绿柳等, 2011）、基于历史相似误差订正的相似—动力月际尺度预测方法（李维京等, 2013）能够提高中国月际尺度降水的预测准确率。

此外，大多数气候动力模式预测效能主要在热带，对中高纬气候预测效能总体较弱。如何将中高纬过程应用到气候预测中？一方面需要提高中高纬气候可预测性，另一方面需要考虑将中高纬与热带过程结合应用于气候预测中。年际增量的气候预测方法（Fan et al., 2008）将气候量的年际增量（气候量当年值减去前一年值）作为预测对象，基于气候量的年际增量变化规律进行预测，可以有效放大气候量和预测因子的信号包括中高纬系统，进而提高气候预测效能；此外，基于气候预测量的年际变异机制，选取来自观测信息的预测因子和来自较高预测效能动力模式的预测结果，建立动力和统计结合预测模型，可以有效提高东亚夏季风和季节降水预测准确率（Fan et al., 2012; Liu and Fan, 2014; 王会军等, 2020）。目前，基于年际增量的动力和统计相结合预测方法已经广泛地应用于中国站点夏季季节平均降水、冬季月际—季节尺度气温、我国登陆台风频数和冬季北大西洋涛动等气候预测，并在实时业务预测中取得较好预测效果（刘颖等, 2013;Fan et al., 2016; Tian and Fan, 2019; Dai and Fan,2020, 2021; Liu et al., 2021）。最近，Ma et al.（2022）利用多个气候动力模式集合平均，研制了中国东北地区夏季月际尺度降水动力和统计结合实时预测模型，也显示较好预测效能。

基于此，本文采用年际增量和场信息耦合型预测方法，基于中国夏季（6、7、8 月）逐月降水变化规律和机制，结合CFSv2 高预测效能和前期具有物理机制的预测因子，首先研制中国夏季月际尺度站点降水（2 月份起报）动力和统计结合实时预测模型；之后，结合月际尺度预测，开展中国夏季季节尺度降水的预测，期望能进一步改进中国夏季月际—季节尺度降水的预测准确度。

2 数据与方法

2.1 数据

本文所使用的中国夏季（6、7、8 月）降水观测资料来源于中国气象局国家气候中心公开并能实时更新的160 站月平均降水数据集。月平均海表面温度数据来源于美国国家海洋大气局（NOAA）气候诊断中心提供的海温扩展重建资料，水平分辨率为2.0°×2.0°（Huang et al., 2017）。海冰密集度（SIC）数据来自NOAA 发布的最优内插海表海冰数据集，其分辨率为1.0°×1.0°（Reynolds et al.,2002）。CFSv2 预测的月平均海表面温度资料分辨率为1.0°×1.0°的经纬度格点。CFSv2 月平均数据自1982 年更新至今，其中1982～2010 年为回报试验结果，2011 年之后的数据为实时预测结果（Saha et al., 2014）。考 虑 每 年3 月 初 需 要 提 交6～8 月实时汛期预测结果，本文选取CFSv2 2 月起报的预测结果和2 月及之前的观测数据。

2.2 方法

本文的研究时段为1983～2022 年夏季。首先分别针对中国夏季月际尺度（6、7、8 月）降水距平百分率，在选取具有明确物理机制预测因子的基础上，基于年际增量的场信息耦合型降尺度预测方法，构建中国夏季不同月份降水单因子预测模型，并进行误差订正，提高单因子模型预测准确率。之后，采用多因子择优集合，进而构建动力和统计结合预测模型并检验。具体实施方法介绍如下：

2.2.1 年际增量预测方法

本文所建立模型的预测量为降水距平百分率的年际增量，其定义为当年的距平百分率与前一年值之差。基于降水量的年际增量建立的中国夏季降水预测模型在中国汛期业务预测显示较好预测效能（Dai and Fan, 2021），但考虑到通过降水量的年际增量预测值回算降水距平百分率会产生误差，而降水距平百分率的年际增量与降水量的年际增量具有一致的年际变化（如公式1 所示），因此，本文采用降水距平百分率的年际增量作为预测量建立预测模型。

其中， Δ(yPA)i表示第i年降水距平百分率的年际增量， Δyi表示第i年降水量的年际增量，y¯表示降水量多年平均值。

2.2.2 场信息耦合型降尺度预测方法

场信息耦合型降尺度预测方法主要分为以下三个步骤：（1）利用经验正交函数（EOF）分解保留预测因子和预测量前90%解释方差的模态进行场重建以达到滤波的目的；（2）利用奇异值分解（SVD）方法提取预测因子和预测量空间场的最优耦合变化型；（3）针对提取的最优耦合变化型所对应的时间系数，利用线性回归方法建立降尺度预测模型（Chu et al., 2008; 刘颖等, 2013）。这样的降尺度预测方法可以获得大尺度环流系统与局地气象要素间稳定的统计关系，使建立的降尺度预测模型更稳定。目前，场信息耦合型降尺度预测方法已经被应用到我国季节尺度的气温、降水、干旱和春季欧亚植被的预测中，并取得较好的预测效果（Liu and Fan, 2014; Liu and Ren, 2015; Ji and Fan,2019a; Dai and Fan, 2020, 2021; Tian and Fan,2022）。

2.2.3 预测因子关键区选取方法

为获得预测场和预测因子更多耦合信息，本文基于中国夏季月际尺度降水距平百分率年际增量EOF 分析前90%解释方差的模态选取预测因子的关键区，具体方法如下：

（1）计算月降水距平百分率年际增量EOF前90%解释方差的N个模态中第i个时间系数（PCi）与预测因子各个格点之间时间相关系数（TCC）；

（2）将TCC 通过90%置信水平显著性检验的格点赋值为第i个EOF 模态对应的解释方差，未通过90%置信水平的格点赋值为0，获得第i个模态对应的解释方差空间场；

（3）将预测因子前N个模态对应的解释方差场累积求和，选取累积解释方差的高值区域作为预测因子的关键区。累积解释方差高值区表示预测因子对中国月际尺度降水多个主模态影响最为显著的区域。

2.2.4 模型的误差订正

本文采用了SVD 订正方法来订正所构建预测模型的偏差。SVD 订正方法利用观测场和预测场的协同关系，针对不同模态及其对应的时间系数来进行订正，且直接利用观测模态代替预测模态的订正 效 果 最 佳（Feddersen et al., 1999; Kharin and Zwiers, 2001）。由于本文构建的降尺度预测模型保留了场重建后的降水场前99%的模态。因此，本文主要针对降尺度模型预测的降水场前99%的模态，利用SVD 订正方法进行订正。

2.2.5 多因子模型择优集合方案和模型的检验

由于不同站点的影响因子存在差异，本文在集合多因子预测结果时，针对逐个站点进行择优。利用各站点单因子预测模型误差订正后回报结果的TCC，选取通过显著性检验的模型预测结果的均值作为该站点的回报结果。若无通过显著性检验的单因子模型，则以所有单因子模型的等权重结果作为该站点的最终回报结果。本文采用剔除一年的交叉检验方法来检验预测模型的回报效能（Michaelsen,1987）。针对不同因子构建的预测模型的预测结果，通过计算空间距平相关系数（ACC）、TCC，并利用Student’ st-检验判别相关系数的显著性来检验降水场的回报效果。此外，趋势异常综合检验（PS）评分也被应用于检验本文所构建模型对中国夏季月际尺度降水的实时预测水平。

3 预测因子

本文研制的中国夏季月际尺度降水动力和统计结合预测模型选取前期观测的12 月南太平洋中高纬关键区海温、1 月北极关键区海冰和CFSv2 预测系统2 月起报的6、7、8 月关键区海温作为预测因子。

3.1 12 月南太平洋中高纬关键海温区

南半球大气环流包括南极涛动、澳大利亚高压、马斯克林高压、越赤道气流等是亚洲季风系统的重要成员，对东亚气候和气候预测有重要影响（Gao et al., 2003; Nan and Li, 2003; Fan and Wang, 2004;薛峰, 2005; Wang and Fan, 2005, 2007; 范可, 2006;Fan et al., 2008; 刘舸等, 2008; Sun et al., 2009; 孙丹等, 2013; 等等）。图2 为夏季不同月份降水距平百分率年际增量EOF 分析前90%解释方差的模态对应的时间系数与12 月海温年际增量之间TCC 的累积解释方差（通过90%置信水平显著性检验）。结果显示，12 月南太平洋中高纬关键区海温分别与中国6、7、8 月的降水均存在显著关系。其中，影响6 月和7 月中国降水的海温关键区为（30°S～70°S，120°E～60°W），影响8 月降水的海温关键区为（20°S～70°S，150°W～60°W；图2）。当12 月（30°S～70°S，120°E～60°W）海温年际增量呈南北“偶极子”型分布时，中国6 月降水华南、西南地区较前一年偏少，北方地区较前一年偏多（图3a、b），且偶极型的海温年际增量分布与6 月南极涛动相关（图3c）。进一步分析显示，该区域海温年际增量偶极型分布，通过引起热带海洋性大陆对流，激发类东亚—太平洋遥相关，从而影响中国6月降水（图3d、e）。南太平洋中高纬关键区海温异常可以从12 月持续到次年2 月，具有较好季节持续性。因此，本研究选取以上12 月观测海温场分别作为中国夏季6、7、8 月降水的预测因子之一（P1-SST-Dec）。

图2 1983～2022 年夏季（a）6 月、（b）7 月和（c）8 月降水距平百分率的年际增量的经验正交函数（EOF）分析前90%解释方差的模态对应的时间系数与12 月海表温度年际增量之间TCC 的累积解释方差（通过90%置信水平的显著性检验），蓝色框为6、7、8 月降水距平百分率年际增量预测因子1（P1-SST-Dec）定义区域。Fig.2 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of SST (Sea Surface Temperature) in previous December and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis during 1983-2022: (a) June; (b) July; (c) August.The blue boxes indicate the domains of the first predictor (P1-SST-Dec).

图3 1983～2022 年（a）6 月中国降水距平百分率的年际增量SVD 第一模态的空间场；（b）前期12 月南太平洋中高纬地区海温年际增量空间分布；（c）12 月南极涛动指数（AAOI）年际增量与12 月海温年际增量之间的TCC；12 月南太平洋中高纬地区海温年际增量SVD 第一模态时间系数回归的（d）6 月对外长波辐射（单位：W m-2）和（e）500 hPa 位势高度场（单位：m）的空间分布。打点区域代表通过90%置信水平显著性检验的区域。Fig.3 Spatial patterns of (a) the first SVD modes for the PAP-DYs over China in June and (b) the DYs of SST over the extratropical South Pacific in preceding December during 1983-2022.(c) TCCs between DYs of SST and the DYs of AAO (Antarctic oscillation) indices (AAOI) in December.Also shown are regression maps of (d) outgoing longwave radiations (units: W m-2) and (e) geopotential height at 500 hPa (units: m) in June onto the expansion coefficients corresponding to the first SVD mode for SST in December over the mid-high latitudes of the South Pacific.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted.

3.2 1 月北极关键海冰区

近些年北极海冰快速减少，北极海冰年际变率强度显著增强（Fan et al., 2018），北极海冰对东亚气候的影响也越来越显著，北极海冰是东亚气候预测的重要预测因子之一（Li and Zeng, 2008; Wu et al., 2009; Gao et al., 2015; Fan et al., 2018; Ji and Fan, 2019b; Tian and Fan, 2022; 等等）。已有研究表明，前期冬春季巴伦支海海冰负（正）异常可激发类欧亚EU 型遥相关波列，造成夏季我国长江流域及其以北大部分地区降水偏少（多），南方地区降水偏多（少）（Wang and Guo, 2004; Lin and Li,2018）。Han et al.（2023）研究表明东西伯利亚海海冰年际变率在20 世纪90 年代之后增强，增强的海冰异常通过影响局地表面热通量使得经向温度梯度增加，进一步引起北太平洋地区波—流相互作用增强，使得北太平洋中部异常环流的增强和西伸，有利于夏季中国东北地区的水汽输送和垂直运动。因此，东北夏季降水与同期东西伯利亚海冰的正相关关系也显著增强。此外，2020 年春末夏初西伯利亚沿岸海冰偏少也是6～7 月的“暴力超级梅雨”发生的原因之一（Chen et al., 2021）。该地区海冰偏少引起局地对流层增温，使得西伯利亚地区经向温度梯度、纬向风和涡动动量通量减弱，有利于东西伯利亚地区阻高的维持和发展，进而有利于高纬冷空气南下，使得梅雨锋维持并产生极强的降水。前期秋季喀拉海—拉普捷夫海海冰与东亚夏季降水的关系在90 年代之后也呈现年代际增强。该地区海冰异常通过影响欧亚地区的土壤湿度和雪深，使海冰异常信号从前期秋季持续到春季，并影响夏季中国东北地区降水（Liu et al., 2020）。而春季波弗特海海冰异常通过引起夏季北极偶极子异常模态，影响东亚夏季西风急流和欧亚遥相关型，进而影响长江中下游极端降水频次，该区域海冰已被应用于长江中下游夏季极端降水频次的预测，并取得较好预测效果（Tian and Fan, 2020）。

基于以上研究，本文对中国6、7、8 月降水距平百分率的年际增量EOF 分析的前90%模态与前期1 月SIC 相关的累积解释方差空间场（图4）进行分析，结果显示前期1 月北极海冰对中国夏季月际尺度降水影响最显著，且1 月北极海冰与中国6、7、8 月降水的累积解释方差高值区分别位于巴伦支海—喀拉海（69.5°～88.5°N，30.5°～100.5°E）、拉普捷夫海—东西伯利亚海（72.5°～85.5°N，80.5°～179.5°E）和波弗特海（69.5°～86.5°N，111.5°～150.5°W）三个关键区。因此，本研究拟将上述三个北极关键区SIC 年际增量分别作为中国6、7、8月降水距平百分率年际增量的预测因子（P2-SICJan）。

3.3 CFSv2 预测的夏季逐月关键海温区

根据中国夏季不同月份降水距平百分率年际增量EOF 分析前90%解释方差的模态对应的时间系数与观测、CFSv2 预测（2 月起报）同期海温年际增量之间TCC 的累积解释方差（通过90%置信水平显著性检验，图5），本文选取了CFSv2 预测（2 月起报）的6 月北太平洋中高纬地区（40°～60°N，150°E～150°W），7 月赤道中东太平洋地区（5°S～5°N，180°～80°W）和8 月热带西太平洋地区（10°S～30°N，80°～160°E）的海温分别作为中国夏季不同月份降水的同期预测因子（P3-SST-CFSv2）。此外，本文评估了CFSv2 对夏季逐月海温的预测效能（图6）。结果表明，CFSv2 预测系统2 月起报的夏季逐月海温与观测之间的TCC，在所选择的北太平洋中高纬、赤道中东太平洋以及热带西太平洋等区域，均通过了90%的置信水平。因此，选取CFSv2 预测系统2月起报的6～8 月关键区海温作为中国夏季月际尺度降水的预测因子具有较好的预测效能。

图5 1983～2022 年夏季（a、b）6 月、（c、d）7 月和（e、f）8 月降水距平百分率的年际增量EOF 分析前90%解释方差的模态对应的时间系数与观测（左列）、CFSv2 预测（右列，2 月起报）同期海温年际增量之间TCC 的累积解释方差（通过90%置信水平显著性检验），蓝色框为6、7、8 月降水距平百分率年际增量预测因子3（P3-SST-CFSv2）定义区域。Fig.5 The cumulative explained variance derived from the significant correlations larger than the 90% significant level calculated by the DYs of simultaneous SST and the leading 90% modes of monthly PAP-DYs over China from the EOF analysis from 1983 to 2022: Observations (left column);CFSv2 (outputs released in February, right column).Panels (a, b), (c, d), and (e, f) represent June, July, and August, respectively.The blue boxes indicate the domains of third predictor (P3-SST-CFSv2).

图6 1983～2022 年观测与CFSv2（2 月起报）预测的（a）6 月、（b）7 月和（c）8 月海表温度年际增量之间的TCC，打点区域表示通过90%置信水平显著性检验的区域。Fig.6 TCCs of DYs of SST in June (a), July (b), and August (c)between observations and CFSv2 outputs in February from 1983 to 2022.Dotted areas indicate statistical significance at the 90% level.

观测与CFSv2 预测的6 月海温影响中国6 月降水最显著的共同区域为北太平洋中高纬地区（40°N～60°N，150°E～150°W）。当该地区海温年际增量呈南北向偶极型分布时（图7a），一方面通过影响北太平洋中高纬地区的低槽和西太平洋副热带高压（图7e、f），另一方面通过影响ENSO（图7d），使得中国东北地区6 月降水较去年偏少，华南及江淮大部分地区降水较前一年偏多（图7b）。当该地区海温年际增量呈全场一致型分布时，通过局地高压异常和西太平洋副热带高压异常影响我国的水汽输送，使得中国6 月降水除华南地区和东北东部地区外，其余地区较前一年偏多（图略）。这与已有研究一致，当北太平洋地区夏季的表层海温偏低时，阿留申地区的大槽加深，西北太平洋副热带高压西伸加强，有利于将西南暖湿气流输送到我国长江流域，造成长江流域降水偏多，华南、华北降水偏少（李丽平等, 2010）。而夏季北太平洋中纬度西风漂流区的海温暖（冷）异常也可通过激发欧亚—太平洋型遥相关（影响鄂霍次克海地区阻高的建立和维持），使江淮流域、西南及华南地区降水偏少（偏多），华北北部及东北西部降水偏多（偏少）（朱乾根等, 2000）。

图7 1983～2022 年（a）6 月北太平洋中高纬地区海温年际增量与（b）6 月中国降水距平百分率的年际增量SVD 第一模态的空间场及其（c）对应的时间系数；6 月北太平洋中高纬地区海温SVD 第一模态时间系数回归的6 月异常（d）海表温度场（单位：°C）、（e）500 hPa位势高度场（单位：m）和（f）850 hPa 水汽通量场（填色；单位：kg m-1 s-1）叠加水平辐散场（矢量箭头；单位：10-5 kg m-2 s-1）的空间分布。（d-f）中打点代表通过90%置信水平显著性检验的区域，（f）中矢量场为达到0.1 显著性水平的部分。Fig.7 Spatial patterns of (a) the first SVD modes for the DYs of SST over the mid-high latitudes of North Pacific in June and (b) the simultaneous PAP-DYs over China during 1983-2022, (c) also shown are the corresponding normalized expansion coefficients.The regression maps of anomalous(d) SST, (e) geopotential height at 500 hPa, and (f) water vapor transport flux (shading; units: kg m-1 s-1) and horizontal divergence (vectors; units:10-5 kg m-2 s-1) at 850 hPa in June onto the expansion coefficients corresponding to the first SVD mode for SST.Statistically significant values at the 90% confidence level (Student’s t-test) are dotted in (d-f), vectors below the 90% confidence level are not shown in (f).

图5c-d 显示，中国7 月降水的主要影响区域为热带中东太平洋地区（5°S～5°N，180°～80°W）。已有研究指出，ENSO 可通过影响赤道太平洋上空的沃克环流，引起热带西太平洋海洋性大陆区对流活动异常，并激发菲律宾异常反气旋，引起西北太平洋副热带高压的位置与强度的变化，进而影响我国夏季降水（Zhang et al., 1999; Wang et al., 2000）。在ENSO 的发展阶段，我国江淮地区多雨，华南少雨（Huang and Wu, 1989; 金祖辉和陶诗言, 1999）。本文选取CFSv2 预测系统2 月起报的7 月热带中东太平洋地区（5°S～5°N，180°～80°W）的海温作为中国7 月降水的预测因子。

与8 月中国降水相关的海温累积解释方差高值区（10°S～30°N，80°～160°E）包含了热带西太平洋暖池、海洋性大陆区域（图5e-f）。热带西太平洋暖池海温偏高（低），菲律宾附近对流活动增强（减弱），并激发东亚—太平洋遥相关，使得西北太平洋副热带高压位置偏北偏东，江淮流域降水偏少，华北、黄河流域降水偏多（Huang and Sun,1992; Lu, 2001）。海洋性大陆区域是南北半球相互作用的重要区域，也是联系热带和亚澳季风区的重要地区。海洋性大陆地区的海温异常与澳大利亚高压或前期澳洲东侧的海温异常有关，该地区的海温异常可引起局地的对流活动异常，并通过激发东亚—太平洋遥相关，影响中国夏季雨带的分布（Zhou, 2011）。

基于以上分析本文选取CFSv2 预测的6 月北太平洋中高纬地区（40°N～60°N，150°E～150°W）、7 月热带中东太平洋地区（5°S～5°N，80°～180°W）以及8 月热带西太平洋暖池、海洋性大陆区域（10°S～30°N，80°～160°E）海温作为预测因子。

4 预测模型的建立及实时预测检验

本文针对中国夏季不同月份降水，分别选取了前期12 月南太平洋中高纬海温、前期1 月北极关键区海冰和同期CFSv2 预测关键区海温作为预测因子。首先，为了确定不同因子对中国夏季月际尺度降水的预测效能及主要作用区域，本文分别建立中国6、7、8 月降水距平百分率的单因子预测模型（M-SST-Dec，M-SIC-Jan 和M-SST-CFSv2），并对1983～2022 年进行交叉回报检验（图8）。其次，采用SVD 误差订正方法对以上单因子模型进行误差订正，并采取择优集合方案对单因子预测模型进行集合，进而建立合理权重的多因子动力和统计结合预测模型并检验其预测效能（图9），并开展2020～2022 年中国6、7、8 月和夏季平均降水的实时预测检验（图10、图11）。

图8 基于单个因子建立的降尺度预测模型（a-c）M-SST-Dec、（d-f）M-SIC-Jan 和（g-i）M-SST-CFS 回报的1983～2022 年6 月（第一行）、7 月（第二行）和8 月（第三行）站点降水距平百分率的年际增量与观测值之间TCC 通过的置信水平，填色站点由浅至深分别代表通过90%、95%和99%置信水平检验的站点Fig.8 Confidence levels approved by TCCs of PAP-DYs at stations in June (top line), July (second line), and August (bottom line) between observations and the outputs of single-predictor models from 1983 to 2022: (a-c) M-SST-Dec model; (d-f) M-SIC-Jan model; (g-i) M-SST-CFS model.The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

图9 （a-d）等权重集合方案（MME1）和（e-h）择优集合方案（MME2）回报的1983～2022 年（a、e）6 月、（b、f）7 月、（c、g）8月和（d、h）夏季平均的站点降水距平百分率与观测值之间TCC 通过的置信水平，填色站点由浅至深分别代表通过90%、95%和99%置信水平检验的站点。Fig.9 Confidence levels approved by TCCs of PAP-DYs at stations in (a, e) June, (b, f) July, (c, g) August, and (d, h) JJA (June-July-August)between observations and the outputs of different ensemble schemes from 1983 to 2022: Equal-weight ensemble scheme (MME1, left column);optimized ensemble scheme (MME2, right column).The shaded stations represent, from light to dark, those with a confidence level of 90%, 95%, and 99%, respectively.

图10 2020～2022 年中国夏季月际尺度降水动力和统计结合实时预测模型对夏季月际和季节尺度降水的PS 评分。Fig.10 PS scores of real-time predictions for monthly precipitation in June, July, August and seasonal precipitation averaged with predictions on monthly scale over China during 2020-2022.

图11 2022 年（a-c）6 月、（d-f）7 月、（g-i）8 月和（j-l）夏季平均的中国降水距平百分率的空间分布：观测结果（左列）；CFSv2 预测结果（2 月起报预测，中间列）；降尺度模型预测（右列）。PS 表示预测技巧评分。Fig.11 The spatial distributions of PAP in (a-c) June, (d-f) July, (g-i) August, and (j-l) JJA 2022 over China: Observations (left column), CFSv2 forecasts initialized from February (middle column), and downscaling model forecasts (right column).PS stands for the prediction skill score.

4.1 交叉检验回报结果

4.1.1 单因子模型

为检验本文提出的中国夏季不同月份降水预测模型的预测效能，首先评估了针对每个月降水距平百分率年际增量建立的单因子模型的交叉检验回报结果（图8）。模型预测效能对比的主要指标是1983～2022 年模型交叉检验回报的降水距平百分率的年际增量的TCC 通过90%置信水平的站点数百分比和1983～2022 年平均的空间距平相关系数（MACC）。计算结果显示，基于不同预测因子建立的夏季月际尺度预测模型对中国降水的预测效能存在空间区域和月际的差异。单因子模型M-SSTDec 预测的6、7、8 月中国160 站降水距平百分率年际增量TCC 通过90%置信水平显著性检验的站点数占比分别为33%、36%和40%（表1），且站点主要集中在我国中东部地区（图8a-c）；MACC为0.16、0.21 和0.22，均通过95%置信水平显著性检验。且M-SST-Dec 模型对中国夏季不同月份降水预测效果均优于基于1、2 月同关键区海温建立的夏季月际尺度降水模型（表略）。M-SIC-Jan预测结果的TCC 通过90%置信水平检验的站点数占比为37%（6 月）、42%（7 月）和36%（8 月），主要集中在长江流域（图8d-f），逐月的MACC均通过95%置信水平检验。相比于M-SST-Dec 和M-SIC-Jan 的预测效能，M-SST-CFSv2 的预测效能略低（图8g-i），TCC 通过90%置信水平检验的站点数占比仅有25%左右，6～8 月的MACC 为0.15、0.16 和0.13，仅通过90%置信水平检验。

表1 基于单个预测因子建立的降尺度预测模型回报的1983～2022 年中国夏季月际尺度降水距平百分率年际增量的交叉检验结果Table 1 Cross-validation results of different single-predictor models in summer months during period 1983-2022

为了进一步提升中国北方和中部地区降水预测准确度，考虑每个因子的预测效能的区域差异性，本文采用了SVD 误差订正方法对单因子模型预测的降水距平百分率年际增量进行订正。1983～2022 年交叉检验的TCC 和MACC 结果显示：订正后，MSST-Dec 预测的TCC 超过90%置信水平的站点数占比从35%左右提升至超过75%，且6～8 月MACC分别从0.16、0.21 和0.22 提升到0.43、0.42 和0.54，均通过99%置信水平检验（表1）。订正后的MSIC-Jan 预测模型可进一步的提升我国北方降水的预测准确度，TCC 通过90%置信水平检验的站点数占比从40%左右提升至50%以上，逐月MACC也分别从0.19、0.22 和0.22 提升到0.26、0.27 和0.28，均通过95%置信水平检验。SVD 误差订正方法对M-SST-CFSv2 预测的中国6、7 月份降水距平百分率的年际增量改善效果显著，TCC 通过90%置信水平检验的站点数百分比由25%左右提升到了80%以上，且MACC 由0.15 也提升到0.50 以上。

4.1.2 多因子择优集合方案

为提高预测模型的稳定性，本文基于以上订正后的单因子预测模型，进一步开展多因子集合预测，建立中国夏季160 站点月际尺度降水动力和统计结合预测模型。本文对比了两种多因子集合方案，一种是传统的等权重集合方案（MME1），另一种是择优集合方案（MME2）。MME2 针对160 站逐个站点，选取其TCC 通过显著性检验的单因子模型结果的均值作为该站点的回报结果；若无通过显著性检验的单因子模型，则以三个单因子模型的等权重结果作为该站点的最终回报结果。图9 所示为两种集合方案下，1983～2022 年观测与多因子模型交叉检验回报的中国夏季月际—季节尺度160 站降水距平百分率之间的TCC。结果表明，MME1 方案对夏季逐月降水预测效能整体较好，6 月和7 月TCC 通过显著性检验的站点数百分比分别为76%和73%，MACC 也均达到了0.34，通过99%置信水平检验，但对8 月降水的预测TCC 通过90%置信水平检验的站点数占比仅占57%，MACC 为0.32（表2）。与MME1 方案相比，MME2 方案对中国夏季逐月降水的预测准确率有所提升，TCC通过显著性检验的站点数占比在6、7 月增加了15%，8 月增加了25%，逐月MACC 均提升到0.39 以上。MME2 方案对夏季季节平均降水预测效能也优于MME1，TCC 通过显著性检验的站点数百分比从73%提升到88%，MACC 从0.35 提升到0.41。由此可见，MME2 集合方案对我国夏季月际—季节尺度降水的预测能力优于MME1。

表2 两种集合方案回报的1983～2022 年中国夏季月际—季节尺度降水距平百分率的交叉检验结果Table 2 Cross-validation results of PAP in different summer months and seasonal averaged PAP from 1983 to 2022 for two ensemble averaging schemes

4.2 实时预测检验

2020～2022 年连续三年处于拉尼娜背景下，但海气过程复杂，三年间我国月际和夏季平均降水形势差异极大，给汛期降水的预测带来新的挑战。如2020 年6～7 月“超级暴力梅”、2021 年7 月河南特大暴雨、2022 年长江流域“汛期反枯”等。因此，本文针对2020～2022 年夏季月际—季节尺度降水开展了实时预测，进一步检验中国夏季月际—季节尺度降水动力和统计结合实时预测模型的效能。

图10 为2020～2022 年中国夏季月际尺度降水动力和统计结合实时预测模型预测夏季逐月和季节平均降水的PS 评分。模型对近三年夏季逐月降水总体上展现了较好的预测效果，相对于1997～2016年我国夏季降水业务预测平均分66 分，2020 年夏季逐月降水PS 评分分别为76、72 和80 分；2021年7 月评分达到了78 分；2022 年6 月评分超过了80 分，7 月评分为76 分；2020～2022 年6、7、8月逐月降水Ps 平均分为75、75 和70 分。根据以上月际尺度降水预测结果计算的2020～2022 年夏季平均降水PS 评分分别为72、76 和73 分，均高于业务预测多年平均分。

2022 年中国夏季降水出现显著月际变化和极端异常降水。如图11 显示，2022 年夏季中国降水整体呈现“北多南少”的分布，多雨区位于我国北方地区，少雨区位于长江及以南流域。2022 年夏季降水的月际差异非常显著：6 月我国东北、华北和华南部分地区降水偏多，长江流域和中西部地区降水均偏少（图11a）；7 月多雨区在华北和东北部分地区（图11b）；8 月少雨区在西部、江淮、华南、西南地区，且长江流域的旱情严重，多雨区位于我国北方地区（图11c）。CFSv2（2 月起报）虽然基本预测出了2022 年我国西部地区降水偏少的状况，但未能再现我国中东部地区“北涝南旱”的降水异常形势（图11b、e、h、l）。相比CFSv2，MME2 方案不仅能较好地预测出2022 年夏季我国西部降水偏少的情况，而且对6、7 月我国中东部地区降水异常分布的预测与实况基本吻合（图11c、f），Ps 评分分别可达80 和76 分。根据月际尺度降水预测结果，2022 年夏季平均降水PS 评分也达到73 分左右。8 月的预测结果也在一定程度上把握了我国北方地区降水偏多的异常情况（图11i）。

5 结论和讨论

极端气候事件频发给次季节—季节尺度气候预测带来了新的挑战，其中大幅度月际尺度变化或转折往往被季节平均尺度掩盖，也影响季节尺度预测准确度。因此，亟需考虑月际尺度气候异常，开展季节尺度气候预测，进而提升月际—季节平均气候预测准确度。

本文采用年际增量和场信息耦合型预测方法，基于前期观测信息和美国第二代气候预测系统（CFSv2）预测结果，选取前期12 月观测的南太平洋中高纬关键区海温、1 月北极关键区SIC 以及CFSv2 预测系统2 月起报的夏季同期关键区海温作为月际尺度降水预测因子。通过对单子因子预测模型的改进，明确不同因子预测效能的区域差异性，之后采用多因子择优集合方案，研制了中国夏季月际尺度降水动力和统计结合的实时预测模型，开展系统回报检验和实时预测检验。研究结果表明，多因子择优集合的动力和统计结合预测模型对中国80%以上站点的夏季月际尺度降水具有较高预测准确率，且6、7、8 月逐月MACC 均超过了0.39，通过99%置信水平检验。之后，根据6、7、8 月际尺度降水预测，获得6～8 月季节平均预测，结果表明中国88%站点的夏季季节平均降水具有较高预测准确率，并在2020～2022 年连续三年拉尼娜背景下中国区域差异迥异的降水预测中显示较好效果。由此，考虑月际尺度预测开展季节平均预测，是有效提升月际—季节平均气候预测的途径之一。然而，中国月际尺度气候预测非常困难，未来还需要深入理解关键海—陆—气过程和系统的影响机制及其可预测性。