论文部分内容阅读
过去20多年，ENSO(El Ni(n)o-南方涛动)研究取得了长足的进步，ENSO预测是目前短期气候预测中最为成功的。目前一些预报系统已经开始了实时的ENSO预报，并且其预报水平可以达到6～12个月的可信度，其中包括了经验性模式和物理耦合模式。这些物理耦合模式在复杂程度上差异很大，从中等复杂程度耦合模式(ICM)到混合型耦合模式(HCM)，以及复杂的耦合环流模式(GCM)。同时，这些模式的确定性预报结果存在着很明显的差异，说明确定性的模式预报结果有着很大的不确定性。实际上，由于气候变化的不规则性和噪音的存在，即使很短时间的ENSO预报也存在着很明显的不确定性。为了尽可能的降低ENSO预测的不确定性，我们应该采取集合概率预测的方法。
集合预报在数值天气预报中已经有了很好的研究和应用，但是在ENSO概率预测方面仍然处于起步阶段，目前大部分的研究都着重于初始扰动(不确定性)对ENSO预报的影响，但是模式物理过程的不确定性也是影响集合预报水平的另一个重要因素，目前研究中考虑较少。在本文，我们尝试利用一个中等复杂程度耦合模式(ICM)来探讨ENSO集合预测的方法，同时综合考虑和分析初值的精确性，初始不确定性(初始误差)，以及预报过程的不确定性(模式误差)对ENSO集合预报的影响和作用。
1.通过合理的考虑模式误差的作用，有效的防止了集合Kalman滤波(EnKF)同化中常见的“滤波发散”现象的发生。相比目前其它一些简单的假设背景误差是固定的、不随时间变化的资料同化方法，EnKF通过提供“流型”和“局地”依赖的背景误差的估计，EnKF能够最优的使背景场逼近新的观测信息，得到更加精确合理的分析场和预报场。但是由于EnKF是利用一组预报样本来统计背景误差协方差矩阵，如果没有模式扰动或预报样本的膨胀，预报样本的离散度会迅速缩小，导致集合同化方案不起作用(亦即“滤波发散”现象)。
在本文，我们采用“将随机误差直接加入到模式方程右端”的方法，利用一阶马尔科夫随机模式来模拟模式误差。该方法对于模拟无外强迫的(海-气)耦合模式非常有效。在模式误差主要来源于耦合模式的不完美所导致的假设下，定义模式误差为预报结果对观测的偏离(不考虑观测误差)。我们首先考虑了ICM中对海气耦合过程起关键作用的变量——海表温度异常(SSTA)，利用马尔科夫随机模型将随机模式误差组分加入到SSTA模式中来随机的扰动模拟的SST异常场。通过验证，该随机模式通过合理的保持模式变量的集合样本之间的离散度，可以有效的防止“滤波发散”，提高EnKF的同化效果。
2.对于集合预报，我们利用了一种新的方法来生成初始的集合样本和模拟预报过程中的模式不确定性。首先，利用EnKF资料同化系统为ICM提供100个样本的集合初始场。初始的各变量间的背景误差协方差矩阵在一系列同化循环之后能够与观测误差协方差矩阵适应并协调起来。而且初始集合样本的标准差空间分布特征与观测误差的空间分布比较一致，说明每个初始样本都可以代表一种观测出现的可能性。同时初始的集合状态变量与模式和观测都是动力协调的。
其次，利用经验正交函数(EOF)方法，在同化过程中使用的线性、一阶马尔科夫随机模型被进一步的修改和扩展成预报12个月的模型。该模型同样被嵌入到ICM的SSTA模式中来模拟12个月集合预报过程中的模式不确定性。因此我们将这种综合考虑初始误差和模式误差的集合方法应用到ICM中预报热带太平洋的SSTA变化。后报试验从1975～2004年共30年的每个月都开始预报12个月，同时把预报结果与相应的观测资料和原始的确定性预报结果相比较。
最后，对于集合预报结果的检验包括了确定性预报检验和概率预报检验。确定性预报检验包括了相关系数和均方根误差。在概率预报检验方面，包括Talagrand概率分布检验、高斯分布检验、离散度检验、Brier评分检验、相对作用特征(ROC)检验的统计检验。检验结果表明，该集合预报方法是合理可行的，通过该集合方法提高了ICM的确定性预报水平，集合预报系统也有较高的概率预报技巧，对确定性预报是一个完善和补充。
3.基于30年的集合后报结果，我们针对ENSO预报领域两个比较热门的研究问题，即“春季预报障碍”和预报误差对ENSO预报的影响。进一步探讨了该集合预报系统在不同季节的预报性能，以及集合预报系统中所采用的预报误差(初始误差和模式误差)方案对ENSO预报水平的影响。对于季节可预报性而言，确定性的样本均值预报存在明显的季节变化，而对于概率预报而言，集合预报系统的预报性能无明显的季节变化，从概率预报角度消除了“春季预报障碍”。
关于预报误差的影响，EnKF同化结果提供的作为确定性初始场的样本均值是一个最优估计，并且初始扰动对确定性预报水平的改进几乎无作用；EnKF同化方法相比原始的初始化方法能够提供更加协调的初始场，提高预报技巧；预报过程的模式误差扰动能使样本均值平滑掉一些不可预报的噪音，进一步提高样本均值的预报技巧；如不考虑预报过程的模式误差，EnKF提供的初始不确定性会在较短的预报时间内迅速减小，样本的分布不能够表征预报均值的误差；考虑预报过程的模式误差可克服这一点，从而大大提高集合预报系统的概率预报技巧。
4.为了检验我们的集合预报系统在更长的时期(更大的自由度)的可预报性，我们将只用SSTA观测资料做初始化的集合预报方法应用到过去120年的集合后报试验中，同时分析其预报性能的年代际变化。检验结果表明：预报样本均值的确定性预报水平仍明显高于确定性预报，样本均值能够提前12个月对强度较大的ENSO事件做出正确的预测；确定性分析(相关系数和均方根误差)和概率预报分析(Talagrand分布和ROC面积)表明集合预报性能存在着较为明显的年代际变化；集合预报系统的概率预报性能随季节没有明显的变化。
5.为了进一步能将更多种观测信息同化入模式，为模式提供更加精确的初始场，在前面工作的基础上，我们扩展和改进了集合同化过程中的随机误差模型，将其从单变量(SSTA)模型拓展到双变量(SSTA和海表高度异常(SLA))模型，资料同化方案同样也扩展到能够同时同化SSTA和SLA观测资料。为了能够得到随机误差模型中两个变量协调、平衡的系数，我们采用多变量的经验正交函数(MEOF)方法来分析变量SSTA和SLA的模式误差属性，并将改进的马尔科夫多变量模型嵌入到ICM的动力海洋模式中来模拟模式的不确定性。
我们利用发展的集合同化方法为集合预报系统提供了更加精确且动力协调的100个样本的集合初始场。13年的后报结果与原始的集合后报结果相比，通过改进SL的初始条件来更好的参数化模拟次表层热力影响，新的集合预报水平到预报12个月均被很显著的提高了。这种改进表明，相比随机强迫，ENSO的可预报性在很大程度上是受初值精确性的限制。同时预报水平的大幅度改进可以期待通过更加完善的集合资料同化方法来改进模式初始条件的精确性和协调性。