一次“雙谷”型ENSO冷事件的成功預測

李進，丁婷，單曉龍，錢維宏

（1.北京大學大氣與海洋科學系,北京 100871;2.中國人民解放軍91867部隊,浙江義烏 322000;3.國家氣候中心,北京 100081）

1 引言

19世紀末南美洲太平洋沿岸漁民發現了El Nino現象，接著1928年Walker發現南方濤動現象，20世紀50年代Bjerknes發現二者相關，在1985年世界氣象組織發起了為期十年的熱帶海洋-全球大氣（TOGA）計劃,得到ENSO事件物理機制方面的許多新認識[1]，隨后由于大量海洋衛星觀測及次表層浮標資料的應用使得人們對ENSO事件的認識越來越深入，發現ENSO是年際尺度全球大氣-海洋耦合的最強信號，與全球特別是太平洋沿岸國家的洪澇、干旱、雨雪冰凍等災害事件有聯系[2-5]，因此ENSO事件越來越受到全世界的廣泛關注。

ENSO事件是短期氣候變化最重要的外強迫之一?，F在的季和年尺度上ENSO預測主要有三種方法：數理統計方法建立模型、氣候動力學模式以及統計與動力相結合的方法[6]。周廣慶等[7-8]利用中科院大氣所IAP熱帶太平洋和全球大氣耦合環流模式，設計了“氣候異?！背跏蓟桨?，進行ENSO預測的系統性實驗，預測結果表明中東太平洋Nino3和Nino3.4距平序列預報相關技巧高于0.52的預測可持續18個月。張祖強等[9]通過對CZ簡化海氣耦合模式中的混合層厚度進行加深從而顯著提高模式對ENSO事件的預測能力。江志紅等[10]提出一種基于主分量典型相關分析的廣義典型混合回歸模式，試驗表明,該模式方案性能穩定，其總體預報技術水平已達到美國CPC氣候診斷公報所用同類模式水平，而此模式方案預報同類產品所需因子數遠少于CPC方法。蔣國榮等[11]利用EOF展開和神經網絡方法進行ENSO預測，研究結果表明兩種方法結合對預測ENSO有較好的效果。劉科峰等[12]采用小波分解和最小二乘支持向量機結合的方法建立ENSO的預測模型，實驗結果顯示此模型可有效提高ENSO預測的預報精度。

雖然國內外在ENSO預測研究和業務方面投入了大量工作,并取得不少成果，但是,目前科學家對ENSO的形成機制以及ENSO的發生發展物理過程仍存在多種不同理論，使得目前ENSO的預測仍存在眾多不足，迄今為止沒有一個模式能單獨準確預測出所有ENSO事件的發生、發展和消亡，而且不同模式對同一時期ENSO事件的預報結果經常相差較大。Barnston及He計算了各種模式預測1996年6月—1998年3月的SST及觀測值的相關系數,將他們的結果進行歸類[13]，發現其中動力模式的平均相關系數為0.49，而統計模式的相關系數平均為0.66,顯示這段時間內SST預測的模式中統計模式的平均分相對稍高一些。Sardeshmukh[14]和Peng[15]對比多個利用SSTA影響進行季度預報的模式，結果發現統計模式相對或有更好的預報技巧。Oldenborgh[16]比較歐洲ECMWF動力模式與統計模式在1981—2001年間ENSO預測后報中的預報技巧，發現動力模式在ENSO預測“春季屏障”方面要好于統計模式，但是一旦ENSO事件在北半球夏季形成后，則統計模式在后續的ENSO預測中要好于動力模式，特別是在提前較長月份時?，F在雖然隨著越來越多海洋觀測資料的應用及動力學模式的不斷完善，動力學模式的ENSO預測已取得很大改進，但ENSO事件的時間點和強度預測對所有動力模式仍是個嚴峻的挑戰。從而說明在ENSO預測時當動力模式的預測水平未有長足改進時，只要在充分考慮物理機制或氣候系統某些方面的整體特征基礎上,采用適當的數理統計預測模式和方案,仍不失為一種有效的途徑。

2011年3月14日北京大學受邀參加了國家海洋環境預報中心的“2011年春季ENSO預測會商”會議，這次會商是在前冬（2010/2011年冬季）中東太平洋已呈現La Nina狀態的形勢下開展的，會商中多個模式包括美國CPC的某些模式[17]對2011年春季ENSO事件未來3—6個月的預測結果較好，但在夏季以后ENSO指數的發展趨勢上分歧嚴重，其中北京大學利用自己的預測方法成功預測出在2011年秋季ENSO將重新進入冷位相，Nino3.4指數將呈現出一個“雙谷”型的結構。

2 資料及方法

本文所分析資料為美國NOAA的全球高分辨率（0.25×0.25）日平均 OI SST[18]和次表層月平均GODAS數據（http://www.cpc.ncep.noaa.gov/products/GODAS/），以及CPC 1980—2011年月平均的ERSST.V3B Nino3.4指數。

ENSO事件的發生發展和強度通常使用中東太平洋的Nino指數來描述。Trenberth[19]認為在中東太平洋的Nino區域選取上，Nino3.4區SSTA指數比以往慣用的Nino3區的SSTA指數更適合，因為Nino3.4區涵蓋了較多往西的范圍，而在這些區域海氣交互作用甚為活躍，對ENSO發展過程具有重要意義。進入21世紀以來由于ENSO事件出現一些新的變化，即：東太平洋的增溫或降溫中心不斷在向中太平洋移動，人們對假El Nino事件[20]的研究越來越多，并越來越多地采用Nino3.4指數。例如，美國CPC的ENSO每周預測簡報便開始用Nino3.4指數監測預測ENSO事件的發展狀態。

本文采用基于小波分析的余弦函數疊加法，此方法是在序列子波分解趨勢法[21]基礎上進行改進后的一種方法，中國科學院青島海洋所曾用序列子波分解趨勢法成功提前預報出了21世紀初的第一次ENSO事件[22]。文中通過對Nino 3.4指數時間序列做Morlet小波分析[23]，選取若干個顯著周期生成余弦函數，進而對Nino3.4指數序列進行最大化滿足原序列的擬合，使得擬合的偏差平方最小化。每個函數分量的時間演變具有規律性，根據這一規律變化的特性，對各函數分量做外推預測。每個函數分量的外推疊加就是要預報的未來Nino 3.4指數的發展變化。

圖1 2010年4月—2011年2月赤道太平洋（5oS—5oN）SSTA時間經度圖

3 赤道太平洋的現狀

3.1 2011年春季赤道太平洋La Nina狀態的演變過程

圖1中可看出2011年春季的La Nina事件起于2010年5—6月份，首先在赤道中東太平洋（150°—110°W）出現負的海洋表面溫度異常（Sea Surface Temperature Anomalies，SSTA），接著負的SSTA區開始不斷向東向西擴展，至2010年10—12月這次La Nina事件逐漸發展到最強時期，負的SSTA區擴展到150oE以東的大片赤道太平洋，2011年1月開始赤道中東太平洋的負SSTA強度逐漸開始減弱，到2011年2月為止赤道中東太平洋仍維持負的La Nina狀態。

3.2 赤道太平洋海平面溫度異常分布

2011年2月中低緯度太平洋SSTA的分布（見圖2），表明赤道中東太平洋仍受負的SSTA控制，負的SSTA中心值低于-2.0℃，中低緯度太平洋的正SSTA呈現出明顯的“馬鞍”型，從赤道西太平洋“暖池”區向南北緯伸展。

3.3 赤道太平洋次表層溫度異常分布

2011年2月赤道太平洋次表層溫度異常（Subsurface Temperature Anomalies，STA）分布（見圖3）可看出在中東太平洋負的STA的中心向上移動，已快接近海洋表面；而西太平洋“暖池”底層的正STA中心已向東伸展通過了日界線。

圖2 2011年2月中低緯度（30oS—30oN）太平洋的SSTA分布

圖3 2011年2月赤道太平洋（5oS—5oN）STA分布

4 2011年春季ENSO事件的預測

4.1 Nino3.4指數的Morlet小波分析和余弦函數分解

通過對1980年1月—2011年2月Nino3.4指數的Morlet小波分析，表明1980年1月—2011年2月間Nino3.4指數在年際尺度上存在2—8年左右的顯著性周期。2005年之前顯著主要在3—6年范圍內，而2005年以來Nino3.4指數的顯著周期主要集中在2—4年（見圖4）。

圖4 1980年1月—2011年2月Nino3.4指數基于小波分析的6個余弦函數

圖5 1980年1月—2011年2月Nino3.4指數原序列與6條余弦函數線性疊加的擬合序列

根據1980年以來Nino3.4指數的小波分析結果及最大化滿足原序列的原則可將Nino3.4序列分解為圖5當中的6條余弦函數，其周期分別為1.2年、1.5年、2.2年、3.1年、3.8年和8.0年。

對比由這6條余弦函數疊加擬合的Nino3.4指數序列和原序列（見圖5），發現擬合序列共出現10次El Nino過程，其中有8次El Nino過程擬合正確，1990—1991年和2005—2006年兩次過程是虛假的，而2004年—2005年的過程未擬合出；擬合序列中共出現5次La Nina過程，其中擬合出4次La Nina過程，1993—1994年為虛假過程，而1984—1985年和1988—1989年的兩次過程未擬合出，這主要是因為2000年以來ENSO事件周期發生變化，而在選取余弦函數擬合周期時要重點反映最近5—10年的周期。Nino3.4指數原序列與擬合序列的相關系數為0.68。

圖6 2010年4月—2011年11月Nino3.4指數的原序列與6條余弦函數線性疊加的擬合及向后預測的序列

4.2 2011年春季ENSO預測與后期檢驗

圖6為2010年4月—2011年11月Nino3.4指數的原序列與6條余弦函數疊加的擬合和預測序列，圖中La Nina狀態于2010年11—12月已發展到最強階段，之后Nino3.4指數開始上升，2011年2月份已處于La Nina狀態的快速衰退期。2011年2月時由6條余弦函數向后預測Nino3.4指數的線性疊加序列表明到5—6月份時指數將要上升至0℃附近，接下來Nino3.4指數又開始下降，到2011年秋季時開始又進入新的La Nina狀態。

通過對比2011年2月開始的Nino3.4指數原序列和經余弦函數疊加法預測的序列，發現由6條余弦函數線性疊加的預測序列成功地預測出了ENSO事件未來的發展趨勢，揭示出Nino3.4指數將再次下降，未來將會進入“雙谷”型的第二個谷值。而在2011年3月份時美國CPC大多數模式結果存在較大分歧，許多模式并未預測出這次ENSO事件會發展為“雙谷”型，部分模式預測未來將進入El Nino狀態，部分預測未來進入中性狀態。但余弦函數疊加預測法在ENSO事件發生結束的具體時間點上仍存在一定誤差。

表1 2000—2011年ENSO事件預測評估

5 ENSO事件的歷史預測檢驗

2000—2011年間中東太平洋發生了4次El Nino事件和3次La Nina事件，通過計算這些事件發生后1年內Nino3.4指數的預測和觀測值的相關系數（R）和預報技巧得分（SS）[24]，表1給出基于小波分析的余弦函數疊加法在不同預報時效下對這些ENSO事件的預測結果，其中計算預報技巧得分時規定預報誤差在0.5℃以內視為正確。結果表明提前3、6、9和12個月時Nino3.4指數的平均預報相關系數分別為0.79，0.81，0.83和0.64，平均預報技巧得分（SS）分別為0.87，0.80，0.80和0.27。可見此方法在提前9個月以內對ENSO事件的預測時效是穩定的，而提前12個月時的預測效果衰減很快，但是對Nino3.4指數的發展趨勢仍有一定的參考意義。

6 討論

（1）基于小波分析的余弦函數疊加法具有操作簡便，易于運行，預報時效穩定的特點，特別在提前6—9個月時對ENSO的預測仍有較好效果。在多次參加國家海洋環境預報中心一年春秋兩季組織的ENSO會商實踐中，此方法已表現出對ENSO未來趨勢較好的預測能力；

（2）利用余弦函數疊加法對1980年1月—2011年2月Nino3.4指數進行擬合，擬合序列與原序列的相關系數為0.68。2000—2011年間7次ENSO事件的預測結果檢驗發現提前3、6、9和12個月時Nino3.4指數的平均預報相關系數分別為0.79，0.81，0.83和0.64，平均預報技巧得分（SS）分別為0.87，0.80，0.80和0.27。說明此方法在提前9個月以內對ENSO事件的預測時效是穩定的，而提前12個月時的預測效果衰減很快，但對Nino3.4指數的發展趨勢仍有一定的參考意義；

（3）基于小波變換對Nino3.4指數的分析，選取顯著周期時要重點關注最近5—10年ENSO事件的顯著周期，這是因為ENSO事件的顯著周期存在有年代際的變化趨勢；在最大化滿足原序列擬合的原則下要增加最近5—10年ENSO顯著周期余弦函數的個數，這樣擬合出的時間序列便會在最近幾年與原序列的擬合度達到較高的一致性，從而保證向后預測的Nino3.4指數能準確地表現出ENSO事件的發展；

（4）對比Nino3.4指數的原序列與擬合或預測序列發現由6條余弦函數線性疊加的序列總體在強度上要比原序列弱，因此今后需對所擬合或預測出的序列進行人工訂正，從而提高ENSO強度和發生發展時間點上的預報水平。

[1]王紹武.現代氣候學研究進展[M].北京:氣象出版社,2001：458.

[2]Rasmusson E M,Wallace J M.Meteorological aspect s of El Nino/Southern Oscillation[J].Science,1983,222:1195-1202.

[3]臧恒范,王紹武.赤道東太平洋水溫對低緯大氣環流的影響[J].海洋學報,1984,6:16-24.

[4]陳烈庭.東太平洋赤道地區海水溫度異常對熱帶大氣環流及我國汛期降水的影響[J].大氣科學,1997,1:1-12.

[5]何金海,宇婧婧,沈新勇等.有關東亞季風的形成及其變率的研究[J].熱帶氣象學報,2004,20(5):449-459.

[6]陳奕德，張韌，蔣國榮.近年來國內ENSO研究概述[J].熱帶氣象學報，2005,21(6)：634-641.

[7]周廣慶,李旭,曾慶存.一個可供ENSO預測的海氣耦合環流模式及1997/1998 ENSO的預測[J].氣候與環境研究,1998,3(4):349-357.

[8]Zhou G,Zeng Q.Predictions of ENSO with a Coupled GCM[J].Adv Atmos Sci,2001,18(4):587-603.

[9]張祖強，趙宗慈，于占江.簡化ENSO預測模式的改進試驗.熱帶氣象學報[J]，2004，20(4):337-345.

[10]江志紅，丁裕國，周琴芳.用于ENSO預測的一種廣義典型混合回歸模式及其預報試驗[J].熱帶氣象學報，1999,15(4):322-329.

[11]蔣國榮，張韌，沙文鈺.用EOF展開和人工神經網絡方法預測ENSO的研究[J].海洋預報，2001,18(3):1-11.

[12]劉科峰，張軍，陳奕德等.基于小波分解和支持向量機的ENSO預測試驗[J].解放軍理工大學學報，2011,12(5):531-535.

[13]王紹武.美國第23屆氣候診斷與預測年會[J].氣象科技,1999,3:1-10.

[14]Sardeshmukh P D,Compo G P and Penland C.Changes of probability associated with El Ni?o[J].J Climate,2000,13:4268-4286.

[15]Peng P,Kumar A,Barnston A G and et al.Simulation skills of the SST-forced global climate variability of the NCEP-MRF9 and Scripps-MPI ECHAM3 models[J].J Climate,2000,13:3657-3679.

[16]Oldenborgh G J,Balmaseda M A,Ferranti L and et al.Did the ECMWF Seasonal Forecast Model Outperform Statistical ENSO Forecast Models over the Last 15 Years?[J].J Climate,2005,18:3240-3249.

[17]Climate Prediction Center.ENSO Cycle:Recent Evolution,Current Status and Predictions[R].2011[2011-2-28].http://www.cpc.ncep.noaa.gov/products/precip/CWlink/MJO/enso.shtml

[18]Reynolds R W,Smith T M,Liu C,et al.Daily High-resolution Blended Analyses for Sea Surface Temperature[J].J Climate,2007,20:5473-5496,(DOI:10.1175/2007JCLI1824.1).

[19]Trenberth K E,The definition of El Nino[J],Bull Amer Mete Soc,1997,78(12):2771-2777.

[20]Ashok K,Behera S K,Rao S A,et al.El Ni?o Modoki and itspossible teleconnection[J].J Geophys Res,2007,112:C11007,doi:10.1029/2006JC003798.

[21]錢維宏,朱亞芬,葉謙.赤道東太平洋海溫異常的年際和年代際變率[J].科學通報,1998,43(10):1098-1102.

[22]錢維宏.全球氣候系統[M].北京:北京大學出版社,2009：201.

[23]Torrence C,Gilbert P C,A practical guide to wavelet analysis[J].Bull Amer Meteor Soc,1998,79:61-78.

[24]王紹武,朱錦紅.短期氣候預測的評估問題[J].應用氣象學報,2000,11(S):1-10.