1、第 35 卷第 1 期 极地研究 Vol.35,No.1 2023 年 3 月 CHINESE JOURNAL OF POLAR RESEARCH March 2023 收稿日期 2021 年 11 月收到来稿,2022 年 1 月收到修改稿 基金项目 中国科学院战略性先导专项子任务(XDA19070402)资助 作者简介 王惠,女,1998 年生。博士研究生,主要从事南极海冰预测研究。E-mail: 通信作者 李双林,E-mail: 基于统计与动力相结合的南极夏季海冰跨季节预测 王惠1 李双林2,1 刘娜2(1中国地质大学环境学院大气科学系,湖北 武汉 430074;2中国科学院大气物理研究
2、所,中国科学院气候变化研究中心,北京 l00029)摘要 选取美国国家环境预测中心气候预测系统(CFS)第二版预测的南大洋(40oS80oS)夏季海温、海洋性大陆地区(100oE130oE,10oN15oS)春季海温以及南半球热带外(20oS90oS)春季海平面气压 3 个预测因子,利用奇异值分析的方法提取相关信息,采用回归模型对南极夏季海冰场进行预测。从该模式对19832018 年南极夏季海冰密集度异常值的回报效果看,模型的预测技巧较 CFS 原始预测有显著的提高。对单格点上预测与实测的时间相关系数提高到 0.76;从交叉检验的结果来看,预测技巧较 CFS 同样有显著提高;从对南极海冰范围的
3、预测来看,该模型的预测效果最好,明显优于 CFS 原始预测和持续性预测。这些结果表明,该模型具有较高的预测性能。关键词 南极夏季海冰 降尺度预测模型 气候预测系统 持续性预测 doi:10.13679/j.jdyj.20210080 0 引言 南极海冰是全球气候系统重要的组成部分,是气候变化最为敏感的要素之一,它不仅影响大气和海洋界面的动量、热量、水汽、碳等通量交换,还参与南大洋复杂的大气-海洋-海冰相互作用过程,对全球气候系统有重要影响1-2。作为近地面大气与海水之间的一个隔板,海冰隔绝了大气与海水之间的感热、潜热和水汽交换,影响南半球高纬度的天气和气候系统3。此外,海冰还对南极辐射平衡、全
4、球热盐环流存在影响4。认识南极海冰的变化规律对了解全球气候系统的整体行为有十分重要的科学意义。南极海冰存在显著的季节性变化,冬季的覆盖范围几乎是夏季的 6 倍。海冰范围在南半球秋季和冬季(即 39 月)呈季节性扩张,在 9 月达到极大值;在春季和夏季(10 月至次年 2 月)呈季节性收缩,在 2 月达到极小值4。南极科考活动一般选择在相对较暖、海冰最少的南半球夏季(12月至次年 2 月)进行。但即使在夏季,南大洋依然频繁发生大风、暴风雪等灾害性天气,在如此恶劣天气气候环境下,海冰对科考船只的航行安全有重要影响。例如,2019 年 1 月,“雪龙”号科考船在阿蒙森海域航行时,突发大雾天气,因无法
5、准确分辨出冰山和海冰而与冰山相撞,致使船只局部受损,并严重影响到后续科考任务的执行2。该事件反映了目前人们对南极海冰的高精度和实时(准实时)预报、预测能力仍非常有限。目前,我国已在南极建立了5个科考站。开展南极海冰,尤其是科考活动活跃的夏季海冰跨季节预测,可为国内外科考计划的制定和船只航行窗口期的规划提供参考依据。因此,提高南极海冰的预测水平已成为一项迫切的需求。第 1 期 王惠等:基于统计与动力相结合的南极夏季海冰跨季节预测 35 目前,包括跨季节预测在内的短期预测方法包括统计、动力以及统计-动力相结合的方法等5。统计方法主要通过主成分分析、奇异值分解和多元线性回归等建立预测模型6-9。动力
6、方法是利用全球动力气候预测系统模式直接预测,或在全球模式系统中嵌套高分辨率区域模式,利用区域模式的输出结果开展区域短期气候预测10。在预测区域尺度的气象要素时,常使用降尺度模型:利用大尺度气象要素和区域气象要素之间的关系来构建预测模型。统计-动力相结合的降尺度预测方法有效利用了动力模式对大尺度变量的高预测技巧,同时又结合观测中大尺度预测因子与预测变量的统计关系,建立预测模型8。该方法综合考虑了统计和动力两种方法的优势,极大地改进了季节气候预测效果,弥补了区域预测不确定性较大的问题,具有一定的优越性。该方法在东亚夏季风11、我国夏季降水12、台风等一系列预测工作中均取得了很好的效果。在对南极海冰
7、的预测中,人们较早使用的是统计预测方法。例如,Chen 和 Yuan13构建了一个统计线性马尔可夫模型,该模型对冬季海冰具有较高的预测技巧。随后,越来越多的动力方法被应用于南极海冰的预测。Guemas 等14的研究表明,模式从 5 月到 11 月间起报时能够有效预测 2 个月后的南极海冰分布,但预测技巧低于持续性预测。Marchi 等15在单个模式预测的基础上,首次对南极海冰的可预测性进行了多模式评估。他们发现南极海冰的可预测性具有强季节依赖性:冬季的预测技巧高,而夏季低。Bushuk 等10评估了由普林斯顿大学地球物理流体 动 力 学 实 验 室(Geophysical Fluid Dyna
8、mic Laboratory,GFDL)开发的不同版本的动力学预测模型对 19922018 年期间南极海冰的回报效果。结果表明,不同版本的模型对南极冬季大部分区域海冰的预测表现出一定的技巧,但对夏季海冰而言,预测技巧明显降低。综上,无论是统计预测模型,还是动力预测模型,对南极夏季海冰的预测技巧均较低,且存在不同地区预测技巧差异较大的问题。因此,本文拟使用一种统计-动力相结合的预测方法,从而提高对南极夏季海冰的预测水平。1 资料和方法 本文的预测对象是南极(55S90S)夏季(12月至次年 2 月)海冰密集度,预测因子从前期观测的大气和海洋数据以及同期的模式预测结果中获得。筛选的因子满足以下 3
9、 个条件:因子与预测对象的关系密切,因子本身具有清晰的物理意义且因子间相互独立。逐月海冰密集度(sea ice concentration,SIC)来源于美国国家冰雪数据中心(NSIDC),水平分辨率为 25 km25 km16。逐月海平面气压(sea level pressure,SLP)来自 NCEP-DOE AMIP-II 提供的再分析数据,水平分辨率为 2.52.517。逐月 海 表 温 度(sea surface temperature,SST)为NOAA 提供的最优插值 SST 数据(optimum in-terpolation SST V2),分辨率为 1118。除观测资料外,还
10、利用了 NCEP 气候预测系统第二版(Climate Forecast System version 2,下文简称 CFS)提供的预测数据19。CFS 每月输出 24 个预测成员对未来 19 个月进行预测,数据的水平分辨率为 11,时间分辨率为月。本文采用场信息耦合的方法建立统计-动力相结合的降尺度预测模型20。首先,利用奇异值分解(singular value decomposition,SVD)提取因子场与预测对象场之间最相关的成分;其次,利用二者主成分的时间序列建立回归模型;最后,利用预测的主成分时间序列与空间模态对预测场进行还原与预测。详细计算公式如下:1(,)()()niiiY t
11、xR xK t=(1)1(,)()()niiiX t xU xS t=(2)()()ijiijijKtSt=+(3)11(,)()()mniijjiSIC tt xR xKtt=+=+(4)此方法的优点在于,能够提取预测因子场和预测量场的最优耦合变化型。具体步骤为:(1)将数据进行去气候态、去趋势、滤波处理,将变量场中多余的噪音去除。(2)通过相关分析挑选出关键区。(3)将滤波之后的对象场 Y(海冰场)和预测因 36 极地研究 第 35 卷 子场 X(海温场、海平面气压场)进行SVD分析,其中 R 和 K 分别为海冰场的模态场和时间序列,U 和 S 分别为预测因子场的模态场和时间序列。i,j
12、分别对应SVD分解的不同模态以及不同预测因子,n 和 m 分别为模态和预测因子的个数。(4)利用各个因子场分解得到的时间序列 S 与海冰场的时间序列 K 构建多元回归模型,其中,为对应的回归系数和截距。预测出 t+t 对应的海冰场的时间序列 K。(5)将 t+t 时刻的 K与对应模态场 R 相乘,得到 t+t 时刻的海冰场 SIC(t+t,x)。此外,为评估统计-动力降尺度预测模型(后文简称为降尺度模型)的预测效果,本文对南极夏季海冰覆盖范围进行了持续性预测,以提供对比参考。这里持续性预测指春季海冰异常变化率能持续到夏季,即海冰异常的百分率(海冰异常与气候态海冰覆盖范围的比值)不随季节变化。计
13、算春季海冰异常百分率(ASON/SSON),将其作为夏季海冰异常百分率值,进一步计算南极夏季的海冰面积 SDJF。()DJFSONSONDJFDJFSASSS=+(5)其中,ASON为当年春季海冰异常,SSON为气候态的春季海冰面积,SDJF为气候态的夏季海冰面积,SDJF为持续性预测得到的南极夏季海冰面积。2 预测因子选取 2.1 相关性分析 以往的研究表明,南大洋同期SST对南极海冰有着重要影响21-22,本文首先分析南极海冰与同期SST的相关关系,将南极(55oS90oS)夏季(12月至次年2月)SIC异常的区域平均值定义为南极夏季海冰密集度指数(Antarctic sea ice co
14、ncentration index,ASI),该指数的时间序列可表征南极海冰密集度均值的年际变化情况。图1表明南极夏季海冰与同期(12月)SST异常密切相关,大部分通过了95%的信度检验(图1中打点区域均代表通过95%信度检验),尤其在印度洋扇区、威德尔海以及罗斯海部分区域相关系数的绝对值达到了0.5以上,这与前人研究结果一致。因此,可将南大洋(40oS80oS)同期SST异常作为1个待选预测因子。由于在对海冰进行实际业务预测时,无法得到同期观测的SST数据,因此可以选用CFS预测的夏季SST作为替代,达到了利用动力模式的结 图 1 19832018 年南极夏季(12 月至次年 2 月)ASI
15、 与同期(12 月)SST 异常的相关系数分布图。打点区域表示通过 95%信度检验的区域 Fig.1.Temporal correlation coefficients between the ASI in austral summer from December to February and SST anomaly from January to February,19832018.Dot-ted areas indicate that the results are statistically sig-nificant at the 95%confidence level 果预测同期海冰
16、的目的。为什么不直接利用CFS预测的夏季海冰作为预测因子呢？前人研究23表明,CFS在对海冰平均态及海冰异常分布的预测存在显著偏差,而预测的SST数据较为可靠。最终选用10月起报的SST作为预测因子。除了同期南大洋SST,前期热带SST对夏季海冰也有重要影响24-25。如图2a所示,ASI与前期春季(910月)海洋性大陆SST呈显著负相关关系,相关系数小于0.54,通过99%的信度检验。这说明当该区域海温偏高时,南极海冰总量会减少。图2a显示,热带印度洋海温与南极海冰同样关系密切,但却没有将其作为预测因子。其主要原因是热带印度洋海温与海洋性大陆地区海温高度相关,二者不独立,而海洋性大陆地区与ASI的相关系数更高,因此选择海洋性大陆地区的SST作为预测因子。物理上,海洋性大陆地区SST可作为有效罗斯贝波波源,在对流层中上层激发向南极传播的罗斯贝波列26-27。这些罗斯贝波列可改变南极上空的大气环流,一方面通过风应力作用改变海冰分布,另一方面通过经向冷暖平流输送而导致海冰融化或增长22,28-29。由此可见,热带海温对南极海冰也有重要预测意义。因此,将前期海洋性大陆(100oE130oE,
