BCC-CSM1.1m對歐亞積雪覆蓋的預(yù)測評估

成 菲 李巧萍 沈新勇3)* 柳艷菊 汪 靖

1)(南京信息工程大學(xué)氣象災(zāi)害教育部重點實驗室/氣候與環(huán)境變化國際合作聯(lián)合實驗室/氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心，南京 210044) 2)(國家氣候中心，北京 100081) 3)(南方海洋科學(xué)與工程廣東省實驗室(珠海)，珠海 519082) 4)(天津市氣象科學(xué)研究所，天津 300074)

引 言

積雪作為氣候系統(tǒng)中的一個重要因子，在陸氣相互作用中起舉足輕重的作用。Blanford[1]首次將積雪異常和氣候變化相聯(lián)系，隨后大量研究工作豐富了人們對積雪與氣候關(guān)系的認知。研究表明：積雪的輻射特性、熱力性質(zhì)及水文效應(yīng)通過改變地表輻射收支、熱量平衡及水分平衡過程，從而影響地氣系統(tǒng)的多個物理過程[2-3]；地表積雪異常改變局地大氣狀況并通過大氣環(huán)流響應(yīng)影響更大范圍乃至全球氣候[2-5]。

歐亞大陸積雪覆蓋面積占北半球積雪面積的60%以上，其對亞洲季風(fēng)和中國氣候的影響及相關(guān)物理機制一直是氣候研究的焦點[6-7]。歐亞大陸上不同區(qū)域、不同季節(jié)的積雪在年際和年代際尺度上與東亞夏季風(fēng)和中國氣候均存在緊密聯(lián)系[7-8]。年代際尺度上，春季歐亞積雪的變化顯著影響同期中國降水的空間分布[9]，與東亞夏季風(fēng)強度及中國夏季主雨帶位置關(guān)系也十分緊密[10]。研究指出，20世紀(jì)80年代后期開始的歐亞積雪年代際減少現(xiàn)象可能是造成中國夏季降水由“北多南少”型向“北少南多”型轉(zhuǎn)變的主要因子[11-12]。冬春季青藏高原積雪與太平洋海溫對東亞夏季風(fēng)的年代際尺度協(xié)同強迫作用導(dǎo)致中國東部夏季主雨帶的年代際變化[13]。在年際尺度上，歐亞大陸冷季積雪(特別是青藏高原積雪)已成為我國短期氣候預(yù)測的重要信號。冬季歐亞大陸積雪異常與同期大氣環(huán)流存在耦合關(guān)系，通過大氣遙相關(guān)作用影響東亞冬季風(fēng)活動，進而影響中國冬季的天氣氣候[14]。前冬春季積雪異常對中國春夏季降水也有重要影響，冬季歐亞積雪偏多時，中國東北、華北東部以及西南地區(qū)夏季降水偏多[15-16]；春季西西伯利亞地區(qū)積雪偏多時，中國春季南方降水偏少[17]。由此可見，冬春季歐亞積雪異常對中國氣候具有十分重要的影響，歐亞大陸積雪作為重要的陸面強迫因子一直是我國短期氣候預(yù)測的重要物理基礎(chǔ)，在短期氣候預(yù)測中發(fā)揮重要作用[18-21]，1998年夏季長江流域洪澇成功預(yù)測，重要依據(jù)之一就是前期青藏高原積雪異常[16]。

當(dāng)前，在觀測分析的基礎(chǔ)上，許多研究依賴數(shù)值模式理解積雪的氣候效應(yīng)[22-25]，氣候系統(tǒng)模式已經(jīng)成為研究氣候變化和預(yù)測未來氣候變化的重要工具。中國氣象局國家氣候中心研發(fā)的包括全球碳循環(huán)和動態(tài)植被在內(nèi)的海-陸-氣-冰多圈層耦合的中等分辨率氣候系統(tǒng)模式BCC-CSM1.1m參加了第5次耦合模式比較計劃(CMIP5)，該模式能夠較好地模擬歷史氣候變化并預(yù)測未來100年的氣候變化[26]，對于氣溫、降水、通量場及亞洲季風(fēng)等都具有一定的模擬能力[27-29]?；谠撃Ｊ桨姹狙邪l(fā)的國家氣候中心第2代季節(jié)預(yù)測模式業(yè)務(wù)系統(tǒng)[30]于2016年1月1日正式業(yè)務(wù)運行至今，在氣候預(yù)測業(yè)務(wù)和服務(wù)中發(fā)揮了重要作用。已有不少研究從氣溫、降水、環(huán)流及對遙相關(guān)和外強迫如海表溫度等的響應(yīng)角度評估該模式的季節(jié)預(yù)測能力[31-32]。積雪作為重要的外強迫源，既是預(yù)報因子，也是評估模式預(yù)測能力的診斷量，因為它與氣溫和降水緊密聯(lián)系，準(zhǔn)確的積雪預(yù)測依賴準(zhǔn)確的氣溫和降水預(yù)測[5,33]。因此，評估模式對積雪的模擬和預(yù)測水平對模式的改進和應(yīng)用十分重要。宋敏紅等[34]客觀評估BCC-CSM1.1m模式對青藏高原積雪的模擬能力，表明該模式能夠較好地再現(xiàn)青藏高原雪深的時空變化特征。汪芋君等[35]評估該模式對以青藏高原為主體的第三極地區(qū)氣溫和積雪的預(yù)測能力，指出在季節(jié)-年際尺度上，BCC-CSM1.1m模式對青藏高原及周邊地區(qū)冬季雪深具有一定預(yù)測能力。但該模式對歐亞大陸尺度積雪預(yù)測能力的評估工作尚未開展。

因此，鑒于歐亞積雪對天氣氣候的顯著影響以及積雪的模式預(yù)測能力評估工作的重要性，本文將客觀評估BCC-CSM1.1m模式對冬春季歐亞大陸積雪的預(yù)測技巧和預(yù)測能力，并分析模式預(yù)測偏差產(chǎn)生的可能原因。一方面為該模式在預(yù)測業(yè)務(wù)和服務(wù)中的應(yīng)用提供參考，另一方面也可為模式發(fā)展及預(yù)測性能改進提供參考。

1 資料與方法

模式預(yù)測的積雪覆蓋率、氣溫和降水資料來自國家氣候中心第2代季節(jié)氣候預(yù)測模式系統(tǒng)的歷史回報試驗，資料時段為1984—2019年。該系統(tǒng)基于氣候系統(tǒng)模式BCC-CSM1.1m建立，模式的詳細介紹可參照文獻[30]。第2代季節(jié)氣候預(yù)測模式系統(tǒng)每月初運行1次，采用集合預(yù)測方法，包含分別由滯后平均預(yù)報和奇異向量擾動方法產(chǎn)生的24個集合樣本，對未來13個月進行預(yù)報[31]。本文在對回報試驗結(jié)果進行評估時，將24個集合樣本進行算術(shù)平均以減少預(yù)報結(jié)果的不確定性。在評估模式對冬春季積雪可預(yù)報性時，分析不同預(yù)報超前月(lead month，LM)的結(jié)果。

積雪觀測資料來自美國國家冰雪數(shù)據(jù)中心(NSIDC)1967—2019年北半球逐周雪蓋資料，并已處理成月平均的積雪覆蓋率(snow cover fraction,SCF)數(shù)據(jù)[36]。氣溫數(shù)據(jù)來自美國環(huán)境預(yù)測中心第2代再分析數(shù)據(jù)集NCEP/DOE AMIP-II Reanalysis (Reanalysis-Ⅱ)中的全球2 m氣溫月平均數(shù)據(jù)，降水?dāng)?shù)據(jù)選取美國氣候預(yù)測中心融合降水(CMAP)的全球月平均降水。在評估分析中所有使用的觀測數(shù)據(jù)均插值為與模式格點相一致。在此基礎(chǔ)上，本文還使用BCC-CSM1.1m參加CMIP5以及BCC-CSM2-MR參加CMIP6的歷史模擬試驗數(shù)據(jù)，均為不同初值樣本求平均得到。

歐亞積雪具有明顯的季節(jié)變化和年際變化，考慮到積雪季節(jié)平均尺度的年際變化略小，為了突出模式對不同季節(jié)積雪年際變化的預(yù)測能力和技巧，本文以不同季節(jié)典型月尺度的積雪變化代替季節(jié)尺度。分析歐亞大陸SCF氣候態(tài)的逐月變化(圖略)可知，SCF一般在1月達到最大，4月開始減少，因此本文將以1月和4月分別代表冬季和春季。文中使用EOF分解、相關(guān)分析等統(tǒng)計方法。

2 模式對SCF的預(yù)測能力和技巧

2.1 氣候態(tài)

圖1a和圖2a給出觀測的1月和4月歐亞大陸多年平均SCF分布情況，除青藏高原外，歐亞大陸SCF從北至南呈減少趨勢，從西至東分布不均，存在明顯的緯向梯度以及經(jīng)向不對稱性。此外，積雪分布存在明顯季節(jié)差異。1月的歐亞大陸，除歐洲西部50°N以北地區(qū)SCF基本在99%以上和青藏高原50°N以南地區(qū)積雪明顯偏少外，40°～60°N,10°～130°E范圍內(nèi)SCF空間梯度最大。4月SCF大值區(qū)向東北方向收縮，65°N以北積雪覆蓋超過99%，50°N以南(除青藏高原外)積雪覆蓋低于25%，最大的空間梯度出現(xiàn)在45°～65°N,30°～140°E區(qū)域。

與觀測相比，不同起報時間模式基本能夠預(yù)測1月和4月氣候平均積雪覆蓋的空間分布特征(圖略)，但存在明顯的系統(tǒng)偏差。模式預(yù)測的1月歐亞大陸SCF分布在大部分地區(qū)表現(xiàn)為負偏差，在青藏高原、里海附近以及中國東部等零星地區(qū)表現(xiàn)為正偏差，青藏高原地區(qū)預(yù)測偏差最大(圖1c、圖1e)。值得注意的是，上述預(yù)測偏差隨著模式起報時間的增長無明顯變化。LM0預(yù)測的4月SCF在歐洲零星地區(qū)、蒙古以及中國大部分地區(qū)表現(xiàn)為正偏差，高值區(qū)同樣出現(xiàn)在青藏高原(圖2c)。隨著模式起報時間增長，45°～65°N，30°～140°E內(nèi)的部分地區(qū)，模式預(yù)測偏差由負轉(zhuǎn)正并逐漸增加(圖2e)。綜合分析可知，即使在積雪覆蓋接近100%的高緯度地區(qū)，模式預(yù)測SCF的氣候平均值仍存在10%～30%偏差，并且隨著LM增長變化不明顯。這種現(xiàn)象在BCC模式對其他要素的預(yù)測時也有體現(xiàn)，表明模式系統(tǒng)性偏差在模式積分初期快速穩(wěn)定形成，對預(yù)測超前時間依賴較小[27,37]。

圖1 1月SCF的觀測與預(yù)測(圖中黑色虛線框是定義的冬季關(guān)鍵區(qū))(a)觀測的氣候平均值,(b)觀測的標(biāo)準(zhǔn)差,(c)LM0的預(yù)測偏差,(d)LM0的標(biāo)準(zhǔn)差,(e)LM2的預(yù)測偏差,(f)LM2的標(biāo)準(zhǔn)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

由觀測和不同LM模式預(yù)測的SCF標(biāo)準(zhǔn)差 (圖1b、圖1d、圖1f和圖2b、圖2 d、圖2f)可見，1月觀測的SCF年際變率最顯著的地區(qū)分布在40°～60°N,10°～130°E區(qū)域內(nèi)，基本超過25%。60°N以北SCF的標(biāo)準(zhǔn)差均接近0，對應(yīng)圖1a中積雪覆蓋達99%以上的地區(qū)(圖1b)，表明這些地區(qū)1月常年覆蓋積雪，年際變率微弱。相比之下，模式預(yù)測明顯高估了這些地區(qū)的年際變率。LM0時模式能夠預(yù)測40°～60°N,10°～130°E范圍內(nèi)存在年際變率最大的模態(tài)，但預(yù)測的SCF年際變率幅度明顯小于觀測值，隨著起報時間增長，模式預(yù)測值越來越小(圖1d、圖1f)。這一現(xiàn)象，除模式預(yù)測誤差外，在一定程度上與評估直接采用24個樣本集合平均有關(guān)，在降水預(yù)測評估中也存在相似現(xiàn)象[37]。4月SCF標(biāo)準(zhǔn)差大值區(qū)位于45°～65°N,30°～140°E(圖2b)，模式預(yù)測能力稍高于1月，LM0，LM1和LM2預(yù)測出歐亞大陸SCF年際變化的空間分布特征 (圖2d、圖2f)。由此可見，40°～60°N,10°～130°E以及45°～65°N,30°～140°E區(qū)域既存在最顯著的時空變化，也包含除青藏高原外最明顯預(yù)測偏差的地區(qū)。因此選擇這兩個區(qū)域分別為冬季關(guān)鍵區(qū)及春季關(guān)鍵區(qū)。

圖2 與圖1相同，但是為4月(黑色虛線框是定義的春季關(guān)鍵區(qū))Fig.2 The same as in Fig.1,but for Apr(the black dashed rectangle represent spring key area(SKA))

2.2 年際變化

模式預(yù)測結(jié)果是否準(zhǔn)確，不僅與模式氣候態(tài)有關(guān)，還與模式對要素年際變率的預(yù)測能力有關(guān)。圖3給出不同LM模式預(yù)測SCF的時間距平相關(guān)系數(shù)(TCC)技巧空間分布。結(jié)果表明：LM0時模式預(yù)報的1月SCF與觀測的時間相關(guān)系數(shù)在歐洲西部、里海東側(cè)以及中國中高緯度部分地區(qū)均通過顯著性檢驗，具有較高的預(yù)報技巧(圖3a)，其余起報時間下模式幾乎不具備預(yù)測SCF的技巧(圖3c、圖3e)。結(jié)合圖3a與圖1a、圖1c，可以發(fā)現(xiàn)，1月歐洲西部SCF南北梯度大，模式預(yù)測偏差大且偏差隨著起報時間增長無明顯變化，但LM0時模式的TCC預(yù)報技巧較高，表明LM0時模式對歐洲地區(qū)1月SCF的年際變化預(yù)測技巧較好。模式對4月SCF的預(yù)測技巧明顯高于1月。LM0時，模式預(yù)測結(jié)果在關(guān)鍵區(qū)內(nèi)及附近地區(qū)與對應(yīng)觀測值顯著相關(guān)(圖3b)。隨著起報時間的增長，預(yù)測技巧逐漸下降。LM1和LM2相關(guān)系數(shù)通過顯著性檢驗的區(qū)域縮小至關(guān)鍵區(qū)東西兩部分(圖3d、圖3e)，超前起報5個月及以上，模式對積雪的預(yù)報幾乎無技巧(圖略)。

圖4a和圖4c給出關(guān)鍵區(qū)內(nèi)觀測和不同LM模式預(yù)測的1月和4月SCF的距平序列。LM0時，模式低估SCF異常變化幅度但還能夠預(yù)測出1月SCF的年際變化特征，與觀測的相關(guān)系數(shù)達0.41；LM不低于1時，模式不具備預(yù)測能力(圖4a)。相應(yīng)地，模式在LM0和LM1時都能較好地預(yù)測4月SCF的異常變化，與對應(yīng)的觀測值距平序列擬合較好(圖4c)，相關(guān)系數(shù)分別為0.74和0.37。圖4b和圖4d給出關(guān)鍵區(qū)不同LM模式預(yù)測SCF異常與對應(yīng)觀測的空間相關(guān)系數(shù)。分析可知，模式對4月關(guān)鍵區(qū)SCF異常的空間分布具有一定預(yù)測能力，LM0的相關(guān)系數(shù)基本在0.4附近，部分年份可達0.7，超前1個月及以上模式的預(yù)測技巧下降明顯。此外，不同年份模式的預(yù)測技巧差異較大，2005—2015年預(yù)測技巧明顯高于其他年份，LM0，LM1，LM2和LM3的平均值分別為0.48，0.29，0.31和0.23，明顯高于整個時間段的平均值。與4月相比，模式對1月SCF異?？臻g分布的預(yù)測技巧明顯偏低，除LM0以外，其余起報時間的空間相關(guān)系數(shù)多年平均值低于0.1。

圖3 SCF的TCC預(yù)測技巧空間分布(黑色打點區(qū)域表示相關(guān)系數(shù)達到0.05顯著性水平)(a)LM0預(yù)測1月,(b)LM0預(yù)測4月,(c)LM1預(yù)測1月,(d)LM1預(yù)測4月,(e)LM2預(yù)測1月,(f)LM2預(yù)測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

圖4 關(guān)鍵區(qū)觀測和預(yù)測的SCF距平值以及二者的空間相關(guān)系數(shù)(a)1月距平值,(b)1月空間相關(guān)系數(shù),(c)4月距平值,(d)4月空間相關(guān)系數(shù)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 積雪時空變率的主模態(tài)

為了檢驗?zāi)Ｊ綄Χ杭練W亞大陸SCF時空變率的預(yù)測能力，本文使用EOF方法對歐亞大陸積雪覆蓋率的觀測值和不同LM的預(yù)測值分別進行時空分離。1月(圖5)歐亞大陸SCF觀測值第1模態(tài)的主要特征是歐洲地區(qū)與里海東部及蒙古地區(qū)存在明顯的反位相變化，又以歐洲西部地區(qū)年際變率更為顯著；模式在LM0時可以預(yù)測出這種空間型，并且兩者對應(yīng)的時間系數(shù)序列之間的相關(guān)性達0.50；超前1個月及以上(圖略)起報時，模式預(yù)測的年際變化空間型在積雪覆蓋區(qū)域為一致的負異常，對應(yīng)的時間系數(shù)序列與觀測值對應(yīng)的序列相關(guān)性較差。這表明僅LM0時，模式能夠較好地預(yù)測出1月歐亞大陸SCF年際異常變化的時空特征。4月(圖6)，觀測的SCF主模態(tài)表現(xiàn)為西西伯利亞地區(qū)和東西伯利亞地區(qū)呈反位相變化，該模態(tài)對應(yīng)的時間系數(shù)呈顯著的上升趨勢，與He等[33]的結(jié)論一致；與觀測相比，模式在LM0，LM1和LM2時的預(yù)測均能較好地刻畫SCF的主要特征，且對應(yīng)的時間系數(shù)與觀測的相關(guān)系數(shù)分別為0.48，0.65和0.63(LM2略)。可見模式可提前2個月預(yù)測出歐亞大陸SCF年際變化的典型時空特征。值得注意地是，模式僅在LM0時再現(xiàn)1月SCF的主模態(tài)(圖5)，TCC技巧也同樣表現(xiàn)為超前1個月及以上迅速下降(圖3)，這一現(xiàn)象同樣存在于該模式對于氣溫、降水及低層風(fēng)場的預(yù)測技巧評估結(jié)果中[27,31]，而該模式的氣候模擬效果相對較好。因此，上述現(xiàn)象可能由模式初值信息衰減較快導(dǎo)致。

圖5 觀測和模式不同LM時預(yù)測的1月SCF的EOF特征向量及其對應(yīng)的時間系數(shù)序列(PC)Fig.5 EOF modes and corresponding principal components(PCs)of observed and forecasted Eurasian SCF for different LM in Jan

圖6 與圖5相同，但為4月Fig.6 The same as in Fig.5,but for Apr

2.4 不同區(qū)域的技巧比較

由以上分析可見，模式對歐亞大陸SCF氣候態(tài)和年際異常變化的預(yù)測能力在不同地區(qū)差異顯著。因此，為了更加直觀地比較模式對各區(qū)域積雪覆蓋率預(yù)測水平，本文劃分8個區(qū)域進行探討(區(qū)域范圍見圖7)。比較觀測和不同LM模式預(yù)測的冬春季SCF在不同地區(qū)不同月份的氣候平均值(圖7)可知，在除青藏高原以外的其他地區(qū)，模式預(yù)測的SCF主要表現(xiàn)為系統(tǒng)性偏少，偏差在12月—次年3月最為明顯，且1月誤差普遍大于4月，其中又以歐洲地區(qū)1月預(yù)測的SCF氣候平均值誤差最大(約30%)。西伯利亞尤其是西西伯利亞地區(qū)積雪覆蓋廣，在11月—次年3月積雪覆蓋率接近100%，模式預(yù)測誤差高達20%，4月高緯度地區(qū)存在同樣現(xiàn)象，這在圖1和圖2中也能夠清楚看到。

此外，不同LM模式預(yù)測的SCF在歐洲地區(qū)非常接近，但在其他區(qū)域差異較大，且隨LM增長，模式預(yù)測的SCF有所增加，反而使預(yù)測與觀測值更加接近，甚至在歐洲東部出現(xiàn)隨LM增長，預(yù)測偏差在4月由負轉(zhuǎn)正的情況。青藏高原地區(qū)的情況非常獨特，模式偏差在該區(qū)表現(xiàn)為一致正偏差，且LM0的預(yù)測非常接近觀測值，但隨LM增長，模式誤差增長幅度比其他區(qū)域迅速，明顯高估了高原地區(qū)的SCF。

圖7 12月—次年5月觀測和模式預(yù)測的SCF在不同地區(qū)的氣候平均值Fig.7 Climatological semi-annual(Dec to next May)cycle of SCF for observation and forecasts averaged over eight selected regions

圖8給出不同LM模式預(yù)測的1月和4月歐亞大陸不同區(qū)域SCF的TCC預(yù)報技巧。結(jié)合圖3可知，無論從起報時間還是TCC顯著區(qū)域角度，模式對歐亞大陸4月SCF年際變化的預(yù)測技巧均高于1月。但由于冬季歐亞高緯度地區(qū)積雪覆蓋100%，如西伯利亞、歐洲北部和歐洲東部等，年際變化微弱，因此對于1月SCF的預(yù)測更應(yīng)關(guān)注歐洲西部等年際變化顯著的區(qū)域。4月西西伯利亞地區(qū)LM0預(yù)報技巧最高，TCC達到0.01顯著性水平，歐洲東部和東西伯利亞地區(qū)技巧也較高，LM1時上述區(qū)域預(yù)測技巧迅速下降至不顯著。此外，4月東西伯利亞SCF的預(yù)測技巧明顯低于西西伯利亞地區(qū)?？紤]到東西伯利亞積雪的年際變化明顯低于西西伯利亞地區(qū)(圖6)，推斷模式對積雪年際變化預(yù)測能力的區(qū)域差異性與積雪本身年際變化的幅度密切相關(guān)，模式更易捕捉積雪異常年際變化大的特征。

圖8 SCF的TCC預(yù)測技巧區(qū)域平均(圖中上下兩條虛線分別表示相關(guān)系數(shù)達到0.01和0.05顯著性水平，區(qū)域范圍同圖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 模式預(yù)測誤差的可能原因

3.1 氣溫和降水

由第2章可知，模式能夠提前2個月預(yù)測4月SCF的年際變化，但僅能在LM0時預(yù)測出1月SCF的年際變化。為了探討模式預(yù)測SCF偏差產(chǎn)生的可能原因，考慮到氣溫和降水對積雪累積和消融過程的影響[5,33]，圖9給出LM0時SCF預(yù)測偏差分別與降水和氣溫預(yù)測偏差的相關(guān)系數(shù)分布。1月，SCF預(yù)測偏差與氣溫預(yù)測偏差存在顯著負相關(guān)，高相關(guān)區(qū)域主要分布在冬季關(guān)鍵區(qū)以及中國中高緯度地區(qū)；與降水預(yù)測偏差存在顯著的正相關(guān)，相關(guān)區(qū)域與氣溫相比縮小至里海東部的中亞及中國地區(qū)。4月，SCF預(yù)測偏差與氣溫預(yù)測偏差的相關(guān)區(qū)域主要分布在春季關(guān)鍵區(qū)和青藏高原地區(qū)，但與降水偏差的相關(guān)區(qū)域比較零散，其他起報時間具有相似特征(圖略)。這與He等[33]的結(jié)論一致?；谏鲜鰵鉁仡A(yù)測與SCF預(yù)測的緊密聯(lián)系，本文還計算不同LM時1月和4月關(guān)鍵區(qū)平均2 m氣溫的模式TCC預(yù)測技巧(圖表略)。模式能夠提前1個月預(yù)測4月的2 m氣溫，相關(guān)系數(shù)分別為0.8和0.6，但僅能在LM0時預(yù)測1月的2 m氣溫，相關(guān)系數(shù)為0.6。這與模式預(yù)測1月和4月SCF年際變化的水平一致。因此，模式對2 m氣溫的預(yù)測技巧的季節(jié)差異也許是導(dǎo)致SCF年際變化預(yù)測水平在4月明顯高于1月的主要原因。

圖9 LM0時SCF的預(yù)測偏差分別與同期降水和氣溫的預(yù)測偏差之間的相關(guān)系數(shù)(黑色實線表示相關(guān)系數(shù)達到0.05顯著性水平)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時1月關(guān)鍵區(qū)內(nèi)2 m氣溫預(yù)測偏差在50°N 以北總體為冷偏差，50°N以南為暖偏差(圖略)；而模式預(yù)測1月SCF最大負偏差也位于關(guān)鍵區(qū)50°N以南(圖1c)，兩者對應(yīng)很好。4月關(guān)鍵區(qū)內(nèi)2 m氣溫的預(yù)測值表現(xiàn)為一致的冷偏差，區(qū)域平均后，該偏差隨起報時間增長逐漸增大(圖略)，對應(yīng)4月關(guān)鍵區(qū)SCF隨著起報時間的增長誤差由負轉(zhuǎn)正的趨勢。由此可見，近地面氣溫的預(yù)測水平顯著影響SCF的預(yù)測水平。需要指出的是，模式中積雪、氣溫和降水是緊密相關(guān)的，它們相互影響、互為因果，本研究僅反映模式中這3個要素的相關(guān)關(guān)系，模式對積雪預(yù)報誤差的原因還要從模式中環(huán)流及物理過程的角度進行深入分析。

3.2 模式的系統(tǒng)性誤差

3.1節(jié)展現(xiàn)關(guān)鍵區(qū)內(nèi)SCF預(yù)測偏差與近地面氣溫預(yù)測偏差緊密聯(lián)系。然而，綜合模式對SCF氣候態(tài)預(yù)測的偏差特征，可以發(fā)現(xiàn)，即使在積雪覆蓋率接近100%的地區(qū)，模式預(yù)測偏差仍然高達10%～30%。為了探究這一偏差是否為模式的系統(tǒng)性偏差，本文給出BCC-CSM1.1m模擬的1985—2012年SCF偏差分布(圖10a、圖10b)。分析可知，模擬的SCF偏差與預(yù)測的SCF偏差整體分布是一致的，在積雪覆蓋率接近100%的區(qū)域，模擬的SCF偏差為10%～30%。可以推測，SCF預(yù)測值系統(tǒng)性偏低，部分源于模式本身的性能，如物理過程參數(shù)化方案、模式分辨率等因素。進一步地，本文還分析了BCC-CSM1.1m的升級版本BCC-CSM2-MR的歷史模擬結(jié)果(圖10c、圖10d)?？梢钥吹剑M的SCF的誤差大值區(qū)分布基本與BCC-CSM 1.1m一致，但是在積雪覆蓋率接近100%的高緯度地區(qū)，SCF偏差接近0，改進效果明顯。BCC-CSM2-MR和 BCC-CSM1.1m具有相同的海洋和海冰分量，但前者在大氣分量和陸面分量上有不同程度的改進，如大氣分量垂直層次的提高，輻射過程考慮了氣溶膠間接效應(yīng)等等[38]。具體是模式哪方面造成SCF預(yù)測值系統(tǒng)性偏低，還需要進一步研究。

圖10 模式模擬的SCF偏差分布(模擬值與觀測值之差)(黑色虛線框分別表示冬季關(guān)鍵區(qū)和春季關(guān)鍵區(qū)) (a)BCC-CSM1.1m模擬的1月，(b)BCC-CSM1.1m模擬的4月，(c)BCC-CSM2-MR模擬的1月，(d)BCC-CSM2-MR模擬的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 結(jié)論與討論

本文使用國家氣候中心基于BCC-CSM1.1m模式建立的第2代季節(jié)氣候預(yù)測模式系統(tǒng)1984—2019年的歷史回算數(shù)據(jù)，客觀評估模式對1月和4月歐亞大陸SCF氣候態(tài)和年際變化的預(yù)測技巧，探討SCF預(yù)測偏差產(chǎn)生的可能原因，得到以下主要結(jié)論：

1)不同起報時間模式對歐亞大陸SCF的預(yù)測存在較明顯的系統(tǒng)性偏差。不同起報時間預(yù)測的1月SCF在青藏高原、里海附近以及中國東部表現(xiàn)為一致正偏差，其余地區(qū)為負偏差。模式對4月SCF的預(yù)測偏差在LM0時與1月接近，隨起報時間增長，春季關(guān)鍵區(qū)域內(nèi)偏差由負轉(zhuǎn)正并逐漸增大。

2)與觀測相比，模式明顯低估了年際變率的幅度，但模式能夠提前2個月預(yù)測出4月SCF年際變化的主要時空特征，僅能在LM0時預(yù)測出1月的年際變化。

3)模式預(yù)測技巧存在顯著的空間差異。1月SCF的預(yù)測技巧在歐洲西部地區(qū)最高；4月的預(yù)測技巧在西西伯利亞地區(qū)最高，且明顯高于SCF氣候平均值相當(dāng)?shù)臇|西伯利亞地區(qū)。

4)模式對1月和4月SCF的預(yù)測偏差與同期近地面氣溫的預(yù)測偏差存在顯著負相關(guān)，與降水偏差存在顯著正相關(guān)，且對氣溫的預(yù)測技巧與SCF非常一致，體現(xiàn)了氣溫預(yù)測技巧對SCF預(yù)測的重要影響。

5)模式對SCF的預(yù)測誤差部分源于模式本身的系統(tǒng)性偏差。模式分辨率以及參數(shù)化方案可能是造成1月和4月SCF接近100%的高緯度地區(qū)預(yù)測結(jié)果明顯偏低的原因。

總體而言，基于BCC-CSM1.1m研發(fā)的第2代季節(jié)預(yù)測模式系統(tǒng)，對冬春季歐亞積雪覆蓋率的空間分布以及年際變化在超前0～2個月具有一定的預(yù)測技巧，但也存在明顯不足。導(dǎo)致模式系統(tǒng)性偏差的原因，除了模式本身的動力框架、物理過程參數(shù)化方案等原因外，預(yù)測技巧隨起報時間增加而快速下降，與模式初值信息衰減較快有很大關(guān)系。目前BCC已經(jīng)研發(fā)了改進的中等分辨率氣候系統(tǒng)模式BCC-CSM2-MR以及高分辨率模式BCC-CSM2-HR。未來可以通過比較這3個模式對歐亞積雪的預(yù)測水平，從模式本身的物理參數(shù)化方案、模式初始化方案等的角度分析造成預(yù)測偏差的可能原因。此外，鑒于模式初值對預(yù)測的重要性[39]，未來將進一步研究模式初值及初始化方案對積雪預(yù)測的影響。模式對歐亞大陸SCF的預(yù)測誤差對東亞地區(qū)，特別是中國春、夏季降水預(yù)測能力的影響，也值得深入研究。