英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于IPCC-AR5近期气候模拟的东亚地面气温年代际变率概率多模式集成预报

王佳lowast;1,2，智协飞1，陈钰文²

1南京信息工程大学气象灾害教育部重点实验室南京2100442江苏省气候中心南京210008

摘要：基于对IPCC-AR5（第五次评估报告）的近期气候模拟，东亚地表气温年代际变化的概率多模式集成预报（PMME）使用多变量高斯集成核拟合（GED）方法进行（20^◦-50^◦N，100^◦-145^◦E） 该集合体系在后报年代际平均（1981 - 2010年）和相对于1961-90的温度异常趋势上表现出高性能，RPS分别为0.94和0.88。 未来几十年（2006 - 35年）PMME对东亚的解释是基于平均值和趋势的双变量概率密度。结果显示，根据RCP4.5（代表浓度路径4.5 Wm^minus;2）情景中，年平均气温平均上升约1.1-1.2 K，温度趋势达到0.6-0.7 K（30年）^minus;1。 发现这两种数量的模式都是南方的温度增加幅度较小。 温度升高就30年平均数而言，发现30年趋势的结果几乎可以肯定，大概有25％的可能性出现负值。 这表明，使用多模式集成预报显示，即使2006 - 35年东亚地区存在较长期的变暖，温度趋势也可能会产生负值。且发现温度受季节变化的影响更大，东亚地区的温度升高在秋季更为显著（主要），在西部的115^◦E的夏季气温变化更快，115^◦E以东的秋季气温变化更快。

关键词：年代际气候预测，PMME，GED，地表气温，东亚

引言

目前的气候变化研究不再仅仅关注数百年来的全球趋势。相反，十年（10 - 30年）气候预测正在成为新的热点对象（Hurrell等，2009; Latif等，2009; Meehl等，2009）为适应经济社会可持续发展的实际需要，近年来各地区的年代际变化受到了政府和社会的高度重视。

完全耦合的气候模式预测是最靠谱的年代际气候预测方法。 最近，耦合模式比较项目（CMIP5）（Taylor et al，2009）的第五阶段包含了一个测试耦合模式年代际后报/预测的实验，并由主要国际气候模拟机构进行实验（Smith et al，2007; Sugiura等，2009）Yoshimitsu等人（2012）使用气候跨学科研究模型（MIROC），利用大西洋多年代际振荡（AMO）和太平洋年代际振荡（PDO），研究了年代际时间尺度上主要气候变率的可预测性。

Wu和Zhou（2011）使用由大气物理研究所（IAP）大气科学和地球流体力学数值模拟国家重点实验室（LASG）开发的全球海 - 大气 - 陆地系统模型进行对海平面温度年代际变率的预测。 Meehl等人 （2010）使用第三版区域气候系统模型（CCSM3）对太平洋海温进行了年代际预测。Du et al（2012）采用全球大气 - 海洋模式来研究年代际预测对初始大气和海洋扰动的敏感性。 许多实验的结果表明，年代际模式预测中的主要误差来源是各个模式公式和与初始条件有关的误差，后者尤其是由于模式初始化方案之间缺乏统一性。 例如，汉堡麦克斯普朗克气象研究所（MPI）应用了SST微推方法（Keenlyside等，2008），MIROC采用了增量分析更新（IAU）方案（Mochizuki等，2010）因此，如何减少模式预测中的不确定性已成为关于年代际气候预测的关键问题。

已开发集成预测技术来帮助解决气候模型预测中的不确定性问题。 特别是概率集合预测是有用的，因为它可以使用概率定量估计不确定性，因此比气候变化风险分析和决策制定中的确定性预测提供更大的价值（Thompson，1962; Murphy，1973; Krzyszto-fowicz，1983; Min等， 2009）。 迄今为止，单模式概率集合预报已被广泛应用于气候预测中，以减少由初始条件误差引起的预测误差。 然而，多模式集成技术最近也被应用于减少模式制定偏差中的系统误差和随机误差（Fritsch et al。，2000; Stephenson and Doblas-Reyes，2000; Kharin and Zwiers，2002; Peng et al，2002 ; Palmer等，2004; Greene等，2006; Raisaisn和Ruokolainen，2006; Zhi等，2010; Furtado等，2011）研究了三个AGCM在气候预测中的技巧，发现多模式方法在预测方面提供了系统的改进。Tippett和Barnston（2008）基于欧洲多模式集合系统开发季节到年际预测（DEME-TER）项目的七个单独模型的预测数据，讨论了多模式ENSO概率预测的技巧，并指出多模式集成预测通常比单一模型预测具有较高的技能。 Min等人（2009）在亚太经济合作组织（APCC）气候中心（APCC）利用概率多模式集成预报（PMME）系统构建了一个运营季节预报系统。 Zhi et al（2010）对IPCC第四次评估报告（第四次评估报告）情景下8个单独模型的后报技巧进行了研究，发现表面温度的多模式超级集合后报技术高于集合均值以及单个模型，根据2010 - 30年SRES（排放情景特别报告）A1B情景的多模式超集预测表面温度。Hoerling等人（2011年）根据地面气温和降水量诊断出2011-2015年北美年代际气候的可预测性。 然而，年代际的气候预测很大程度上处于发展的早期阶段。 目前很少有研究将多模式集成预报用于年代尺度。 此外，使用PMME进行年代际气候预测，特别是利用PMME来获取和解释年代际气候变化的特征，是一个非常新的研究领域（Frame et al，2007）。

在本文中，我们用来自IPCC-AR5的八个全球气候系统模型（Meehl et al。，2009）的未来30年地表气温最新预测基于高斯集合核拟合的方法（GED），来预测2006 - 35年期间东亚地区地表气温的年代际变率。本研究的目的不仅在于应用GED方法，通过多元拓展来掌握整体成员的时空依赖性，而且还通过线性变换和时空分析来提取未来几十年地表气温异常的平均值和趋势的特点。

数据

数据源

该研究基于IPCC-AR5八个全球气候系统模式的最新近期（30年）后报/预测月平均地面气温。 这八个模式分别来自中国，日本，德国，法国和英国。 每个模式根据至少三种方案，在1960年，1980年和2005年结束时，每个模型都使用气候系统观测资料初始化。 总共有八个模型的45个初始化方案的结果，其中有1961-90，1981-2010和2006-35三个时间段。 外部强迫因素，如大气成分（包括一氧化碳₂）和太阳能强迫，被认为是三个整合。 过去几十年（1961-2010），强迫值使用了观测值。 未来几十年，使用RCP4.5（典型浓度路径4.5 Wmminus;2）方案。 表1显示了研究中使用的模型的基本信息。

为了评估PMME的技能，NCEP（国家环境预测中心）-NCAR（国家大气研究中心）2.5◦2.5◦采用2 m月平均气温再分析资料作为地面气温观测值。

times;

数据预处理

数据的预处理分为三个步骤，如下所示：

• • 1. 提取东亚地区（20°N-50°N，100°—145°E）月平均地面气温的模式预测和实测格点资料。
    2. 利用月平均资料计算年度和季节平均地表气温。然后，对于1961-90年的30年平均温度，处理全年和季节平均值的异常场。 最后，将异常场插入到2.5◦2.5◦网格中。

（3）随着表面气温异常现场数据的建立，每个网格的年度序列建立起来。 时间序列也分为三部分，分别代表训练期，参考期和预测期：1961-90,1981-2010和2006-35。

处理后数据的不确定性

根据Hawkins和Sutton（2009）的观点，在30年的时间内，气候模式中地表气温的预测不确定性的主要来源是单个模式公式和初始条件误差，其中前者是最大误差的来源。 图1（左）显示了1961-90年和1981 - 2010年8个模型的后报分别达到1.5-2.9 K和1.5-3.1 K的东亚年平均气温的平均RMSE。 RMSE的公式

其中F_i是预测值，O_i是观测值，N是样本预测值和观测值的数量。

经过数据预处理后，将地表气温年代际变化预测转化为温度异常预报，避免了由“漂移”引起的相当大的模式误差。 图1（右）显示了平均RMSE。根据1961-1990年和1981-2010年八个模型的后报，1961-90年期间东亚地区的温度异常。 可以看出，这将结果减少到0.8-1.0 K和0.9-1.0 K。 然而，对于温度异常年代际变率的预测，初始化和随机模型误差的不确定性依然存在。 因此，我们将2.1节中所描述的来自不同模型和初始条件的45个结果作为集合成员进行PMME，以减少预测模型误差，特别是估计预测的不确定性。

3 方法

基于不同模式和初始条件预测的温度异常，GED方法用于计算东亚地表气温年代际变率的PMME。 该方法根据8个单独模式预测结果预报之后的年度温度异常。 随机事件由维数m的随机向量X表示，这是整体大小的数量。 该矢量的条目x_m是来自每个集合成员的n年地表面气温异常序列。 向量X的概率信息可以由向量X的m维联合概率密度导出。首先，通过估计列向量X的时间自协方差来确定概率密度。然后，使用线性变换提取年温度异常的平均值和趋势（以下简称“平均值””趋势）。 最后综合分析了地表气温年代际变化的时空特征。

PMME的联合概率密度

随机矢量X的联合概率密度f_x（x，theta;）的确定是PMME的关键。 这里，theta;表示概率密度f的特征参数。 首先，确定性预测的概率密度是实现x₁处的狄拉克delta;函数：

f_x（x）=delta;（x-x₁） (2)

delta;表示狄拉克的delta;函数。

类似地，一组模型预测的概率密度等于在若干可区分实现x_i，i = 1，...处的狄拉克delta;函数的和

然而，集合预测难以区分，特别是对于来自不同初始条件的单模式集合预测。 因此，我们需要将内部噪声分量ε_i作为附加噪声引入“真实”预测x：

x = x_i ε_i， (4)

其中ε_i是期望为0的噪声向量ε的分量。向量ε的密度函数定义为f_ε（ε）。 相应地，集合预测的概率密度f_x（x）被推导为包含噪声的delta;函数的平均值的噪声期望

上述公式推导表明集合预测的f_x（x）是不可区分预测的噪声密度的平均值。 即，用噪声密度f_ε（ε）修整，概率信息集合预测x_i之间的内插插值到点x。 等式5还表明f_x（x）的确定与核密度估计之间存在强烈的联系。 在目前的工作中，我们主要研究年平均气温和季节性地表气温异常，因此噪声向量ε的分布被假设为一个多变量的高斯 分布与协方差矩阵。 相应地，地表空气温度异常的PMME是多元高斯集合核拟合：

集合预测的不确定性反映在时间自协方差矩阵D

然而，作为多模式集合后报/预测是可区分的，我们主要要用表征概率的权重omega;i使x_i作为“最佳”预测。因此，地面气温PMME的联合概率密度包含权重：

联合概率密度的参数估计

包括噪声/修整协方差和权重omega;_i在内的参数估计是决定性的主要方法，

3.2.1 集合协方差

多变量核密度估计方法拟合协方差的确定采用多元核密度估计法

拟合协方差的确定采用多元核密度估计法在等权条件下，拟合协方差正比于误差协方差: 比例系数为h_opt,表达式为

为确定误差协方差,首先定义随机向量中X两个任意成员向量的差，再利用附加噪声模是独立的 经推导，公式为

由上式可知，误差协方差_RAW等于随机向量中任意对不同成员向量差的平均值，具体表达为

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21440]，资料为PDF文档或Word文档，PDF文档可免费转换为Word