新疆夏季降水和冬季氣溫預測方法及效果評估

劉長征，江遠安，毛煒嶧，陳穎，白素琴

（1.國家氣候中心，北京 100081；2.新疆氣候中心，新疆烏魯木齊 830002；3.中國氣象局烏魯木齊沙漠氣象研究所，新疆烏魯木齊 830002）

新疆夏季降水和冬季氣溫預測方法及效果評估

劉長征1，江遠安2，毛煒嶧3，陳穎2，白素琴2

（1.國家氣候中心，北京 100081；2.新疆氣候中心，新疆烏魯木齊 830002；3.中國氣象局烏魯木齊沙漠氣象研究所，新疆烏魯木齊 830002）

利用4個國內外先進的氣候模式（國家氣候中心、ECMWF、NCEP和JMA）業務預測數據,采用2種多模式集合方法（等權平均和超級集合）、3種降尺度方法（BP-CCA、EOF迭代、高相關回歸集成）和3種統計方法（CCA、最優氣候值、高相關回歸集成）以及降尺度集成和降尺度—統計方法集成，分析了目前季節模式、多模式集合、降尺度、統計方法、降尺度—統計集合等目前常用氣候預測技術對新疆夏季降水和冬季氣溫的業務預測能力。研究表明,以上技術方法對新疆夏季降水和冬季氣溫的預測能力有較大差別。目前先進的氣候業務模式的預測技巧普遍很低,多模式超級集合和降尺度方法的技巧常高于單個模式,并且最佳的降尺度方法通常技巧高于最佳多模式集合方法。同時,統計方法和降尺度方法的預測技巧通常較為接近,而對二者進行超級集合可以具有相對很高的預測技巧。此外,現有常用氣候預測技術方法對新疆夏季降水和冬季氣溫的趨勢有一定的預測能力，但對氣候異常的空間分布基本無預測能力。建議新疆氣候預測技術圍繞統計和降尺度方法集合發展。

新疆氣候；氣候預測；集合預測；季節模式；降尺度；統計方法

新疆位于干旱半干旱區，降水很少，氣溫變率很大，當地社會生活和經濟生產（尤其農牧業）對氣溫降水異常相當敏感，對短期氣候服務一向有重大需求，從而新疆具體氣候相關的研究有重要價值[1-3]。夏季降水和冬季氣溫是短期氣候最有應用價值的預測對象，也是氣候預測業務的核心。從氣候預測技術的歷史和現狀來看，動力模式、降尺度解釋應用、統計模型以及集合預報是主要的預測工具[4]。

動力模式是目前國際上短期氣候預測業務和技術的核心[4]。由于大氣的混沌性質，初值不確定性引起的誤差是數值模擬誤差的主要來源，多樣本集合預測能夠減少初值不確定性帶來的誤差，從而被廣泛應用。此外，模式的預測能力主要取決于模式的性能，包括模式的物理過程和參數化方案等,模式自身的誤差是氣候預測的另一個模擬不準確的來源[5]。多模式集合預測理論上能夠減少模式誤差，從而減少天氣預報和氣候預測的不確定性。研究表明對不同業務中心的預測數據進行等權平均的效果要優于單個模式的預報結果，使得多模式集合的發展成為了一種潮流[6-12]。在等權平均方法的基礎上，Krishnamurti等[13]提出利用模式回報和觀測數據進行多元線性回歸方法進行誤差訂正的方法，即超級集合，理論上超級集合可以明顯減小單模式和集合平均的均方根誤差，這個發現受到極大的關注，多模式超級集合迅速成為大氣科學領域的研究熱點，并引起較多的爭議[14-16]。

由于季節模式對大氣環流的模擬和預測能力通常遠高于對降水的模擬和預測，而且降水和大尺度環流形勢往往有密切的動力學和統計學上的關系，從而利用模式預測的環流間接預測降水是動力模式后處理的重要應用手段。統計降尺度方法對計算條件要求低，易于實現，從而被廣泛研究和業務應用[17-29]。國家氣候中心（NCC）發展或開發了BP-CCA[28]、EOF迭代[26]、最優子集回歸（OSR）方法[27]、HCRE方法[29]并在預測業務中應用。在國外，康紅文為亞太經合組織氣候中心開發了一種針對臺站的最佳匹配域投影方法[24]，并在韓國氣象局用于氣候預測業務應用，其技術方案并被日本、馬來西亞等國采用。

統計預測方法是氣候預測長期使用的經典工具，其本質上和統計降尺度方法類似，只是采用前期觀測的氣候信息進行統計建模[4]。至今，統計預測方法仍然是美國NCEP氣候預測中心季節預測重要的工具之一，CCA方法、最優氣候值方法（OCN）、相似法在NCEP氣候預測中心業務中至今仍應用廣泛[30]。在國家氣候中心，CCA、OCN等方法也得到較多的業務應用[4]。

出于氣候預測的復雜性,在不同國家和地區，各氣候預測技術方法的適用性也并不相同，從而相應氣候模式、多模式集合、降尺度方法、統計方法和降尺度—統計集合等具體技術發展和應用的重點也有很大區別。對新疆地區開展預測業務和技術研發而言，對當前國內外主要的具體預測技術進行回報試驗和評估是非常重要的基礎性工作。本文以夏季降水和冬季氣溫為例，利用美國環境預報中心（NCEP）、歐洲中期天氣預報中心（ECMWF）、日本氣象局（JMA）和國家氣候中心用于實時預測業務的季節模式數據和新疆99站月平均觀測數據，研究了氣候模式、多模式集合、降尺度方法、統計方法和降尺度—統計集合等目前國內外氣候預測業務常用方法對新疆季節氣候的預測能力，并討論了新疆氣候預測技術發展的方向。

1 數據和方法介紹

1.1 觀測數據和模式數據

新疆99站月平均歷史觀測數據在本文中被用來檢驗各模式、集合、降尺度和統計預測等方法的預測能力，以及用于降尺度方法和部分集合方法的建模工作。該數據由新疆氣候中心提供，包含氣溫和降水兩個氣象要素，時間長度為1971年1月—2013年11月。

歐洲ECMWF、美國NCEP、日本JMA和國家氣候中心NCC為世界氣象組織4個長期預報全球產品中心，基本代表了目前短期氣候預測國內外最高水平，其氣候預測業務模式數據信息見表1。本文采用國家氣候中心多模式解釋應用集成預測系統制作和下發的這4個業務中心的氣候預測模式數據，模式數據分辨率統一處理為2.5°×2.5°[29]。為了進行統一評估，采用雙線性插值方法將各模式數據插值到新疆99個站點上代表模式對新疆的預測。本文采用各模式5月起報的夏季降水和11月起報的冬季月平均氣溫作為研究對象。

此外，本文采用了NCEP/NCAR再分析數據第一版用于新疆季節氣候的統計預測建模。

1.2 多模式集合方法

本文采用氣候預測業務和科研常用的等權平均（EE）和超級集合（SE）兩種集合方法進行多模式集合、降尺度集合、降尺度—統計集合預測。

超級集合方法利用多元線性回歸技術，將集合結果看作各個模式模擬結果的線性組合，依據最小二乘法原理使集合結果的均方根誤差達到最小值確定各個模式的回歸系數，而此回歸系數就是預報階段各個模式的權重，利用獲得的權重以及各個模式的預報得到最后的集合預報[13]。

對于每一個空間網格點，設第i個模式在t時刻的模擬結果為：Mit，（i=1，2，…，N），N為模式總數，則t時刻去除偏差的模式集合結果可表示為：

根據最小二乘法求得各模式權重ai，利用公式（1）求取每個空間網格點上預報階段的集合結果。

等權平均法一般也稱為算術平均，也就是通常所說的簡單集合平均，即公式（1）中ai=1/N的特殊情形。

1.3 降尺度和統計預測方法

本文采用了國家氣候中心發展制作的降尺度和統計預測方法[4，29]。

1.3.1 EOF迭代方法

EOF迭代方法通過建立一個同時包含歷史和實時預報場和預報對象場的矩陣，將其分解為空間函數場和時間函數，空間函數場反映預報場和預報對象場之間自然協調的多重關系，而時間系數反映年代際和年際變化，經過EOF分析，選取主要模態進行重構和迭代，使預報場和預報對象場之間多重信息進行交融，就可得到包涵了復雜關系在內的預報[26]。

1.3.2 BP-CCA降尺度和統計預測方法

BP-CCA方法是一種基于主分量分析的“變形”的典型相關分析方法。利用模式回報的特定范圍500 hPa環流場和新疆99站歷史觀測數據分別進行主分量分解，提取主要模態的時間序列進行CCA建模，并利用模式預測場主要模態系數進行預測[29]。

CCA在早期是一種統計預測方法并在氣候預測中應用[31-32]。在本文中，類似美國氣候預測中心的做法，采用起報時間前1～3個月的NCEP/NCAR再分析數據平均500 hPa環流場數據作為預報信息，此時該方法就成為一種統計預測方法。

1.3.3 HCRE降尺度和統計預測方法

高相關回歸集成（HCRE）方法是國家氣候中心劉長征制作的一種降尺度方法[29]。首先，利用國家氣候中心的環流特征量計算程序對模式歷史同期和當前預測的500 hPa環流場計算71項大氣環流特征量，而后挑選高相關的單個特征量因子和臺站預報對象分別進行一元回歸建模和預測。在選取預報因子時，兼顧相關系數和異常信號一致率，以保證因子具有足夠高的預報價值。而后利用各因子分別進行回歸預測，并對預測降水偏多/偏少進行分組，選取更可靠的一組，對多因子預測結果進行集成。

在本文中，采用起報時間前1～3個月的NCEP/ NCAR再分析數據平均500 hPa環流場數據作為預報信息時，HCRE就變成一種統計方法用于預測新疆季節氣溫和降水。

1.3.4 OCN統計預測方法

氣候變化具有某些內在規律，如階段性和周期性，簡單地用多年（如30 a）周期的氣候平均值作為來年氣溫或降水估計值的方法有明顯的不足。因此，應力求從歷史資料中去獲取最優的氣候值，為統計預報方法的建立提供依據，美國為此發展了“最優”氣候值（Optimal climate normal，OCN）做地面氣溫的季度預報[30]。

根據國外研究成果，國家氣候中心在1998年建立了最優氣候值方法來制作我國的月、季、年度的氣候趨勢預測[4]。由于資料長度的限制，通過依次計算前25 a的平均作為來年的預測值，以預測值與實況最接近為標準統計出各區（站）每年“最優”的平均年數，然后取“最優”平均年數頻率最高的年數作為計算該地區（站）“最優”氣候平均值應取的年數。這樣，最接近預報時間的同樣年數年份的相應要素值的平均為該要素的預報值。經檢驗，OCN方法對溫度、降水的預測效果較好，且溫度預測好于降水預測。

1.4 建模和檢驗方法

為了模式之間具有可比較性，研究了各模式1982—2008年的后報/預測技巧。對于集合方法，等權平均方法EE采用與模式同樣的時間范圍進行建模；超級集合方法采用1982—2008年“leave-oneout”的方法建模并得到1982—2008年的預測結果。各降尺度方法和統計方法采用3月和10月起報的模式數據和上一年12月至當年2月、7—9月的NCEP/NCAR再分析數據進行建模，為了盡可能接近新疆氣候中心氣候預測業務實況，采用實時后報的方式得到2002—2011年的預測結果并進行檢驗。

本文用時間檢驗和空間檢驗兩種方式評估各預測方法對新疆季節氣候的預測效果。我們采用PS評分和ACC評估每次預測的效果。PS評分為國內短期氣候預測檢驗業務的常用方法[4]，在距平符號預報準確百分率的基礎上增加異常級加權得分，能夠較好地反映整體趨勢預測能力。ACC則反映氣溫和降水空間異常分布預測的技巧，對于99個臺站而言，ACC分別在0.20時達到0.05的信度水平。對于各方法每年預測技巧的變化，對各模式、降尺度、統計方法、集合方法，分別采用后報時間內PS和ACC技巧的平均代表該模式/方法的預測能力。由于各模式和方法對新疆夏季降水和冬季氣溫的各臺站預測技巧通常達不到0.05的信度，并且降尺度和統計方法評估的年份為10 a從而樣本太少，本文將各臺站歷史預測的ACC空間分布圖略去。

2 新疆夏季降水預測

利用5月起報的模式數據，評估了目前國內外先進的氣候模式對新疆夏季降水的預測能力，表2給出了單模式和兩種多模式集合方法對1983—2008年新疆夏季回報平均PS評分。NCEP、ECMWF、JMA和NCC的季節模式對新疆99站的平均PS評分在53.9～61.5之間；多模式集合方法表現出了高于單個模式的技巧，其中等權平均63.2分，略高于最佳模式（NCEP）；超級集合方法的平均PS評分為70.0分，明顯高于4個模式和等權平均集合。

為和我國汛期預測業務保持一致，基于單個模式3月起報的數據，利用EOF迭代、BP-CCA、HCRE3種降尺度方法對2002—2011年新疆夏季99站降水預測進行了獨立后報試驗，其平均技巧見表3。4種模式和3種降尺度方法組合對新疆99站夏季降水的平均PS評分在60.4～72.6之間；EOF迭代、BP-CCA、HCRE降尺度方法的平均PS評分分別為64.3、64.8、67.2，HCRE方法不僅平均技巧最高，而且在不同模式中表現都較穩定，但最佳的模式—降尺度方法組合卻是基于ECMWF模式的EOF迭代方法，平均PS評分為72.6分。總體而言，對降尺度結果進行集合預測并未體現出明顯的優勢，等權平均集合的平均技巧普遍低于單個模式—降尺度方法，而超級集合類似于最佳單模式—降尺度方法。

統計預測方法是我國夏季降水預測最常用的工具，CCA、OCN和HCRE3種統計預測方法對2002—2011年夏季降水進行后報的平均PS評分分別為63.6、64.0、70.7分，其技巧和上文3種降尺度方法基本一致。為了同時利用模式預報信息與前期信息，利用12個模式—降尺度方法組合和3種統計方法進行集合預測應用。表4表明，等權平均集合EE的技巧低于大部分的降尺度方法和全部的統計方法，但超級集合SE的平均技巧為PS73.8分，高于各降尺度方法和統計方法。

從表2～4可以看出，在本文各方法中，對降尺度—統計方法進行超級集合平均是新疆夏季降水最有技巧的方法，圖1～2給出了該方法2002—2011年后報的具體評估。在10 a后報檢驗中，該方法PS評分在62～82之間，80%的年份中高于70分，體現了較高的技巧。但從空間ACC來看，該方法對新疆夏季降水空間分布的把握能力很低，這種特征在各模式、多模式集合、降尺度、降尺度集合等方法中也很明顯，這類方法平均值都達不到0.05。可以看出，以上方法對新疆夏季降水的趨勢預測有部分技巧，但對降水異常的空間分布技巧很低。

3 新疆冬季氣溫預測

利用11月起報的模式數據，評估了目前國內外先進的氣候模式對新疆冬季氣溫的預測能力，表5給出了單模式和兩種多模式集合方法1982—2008年后報的平均PS評分。NCEP、ECMWF、JMA和NCC的季節模式對新疆99站的平均PS評分在48.0～67.5之間，其中NCEP模式技巧最高，為67.5；多模式集合方法表現出了模式中等與偏上的技巧，其中等權平均為60.8分，處于4個模式的中等水平；超級集合方法的平均PS評分為65.2分，僅次于NCEP模式。

為和我國年度預測業務保持一致，基于模式10月起報的數據，利用EOF迭代、BP-CCA、HCRE 3種降尺度方法對2002—2011年新疆冬季99站氣溫預測進行了獨立后報，平均技巧見表6。4種模式和4種降尺度方法組合的平均PS評分在49.1～74.0之間；EOF迭代、BP-CCA、HCRE降尺度方法的平均PS評分分別為60.4～65.2之間。與夏季降水不同，對冬季氣溫預測中，3種降尺度方法中EOF迭代技巧最高，而HCRE方法技巧最低。最佳的模式—降尺度方法組合為基于NCEP模式的BP-CCA方法，平均PS評分為74.0分。對降尺度結果進行集合預測與夏季降水類似，等權平均集合的平均技巧普遍低于單個模式—降尺度方法，而超級集合略高于最佳單模式—降尺度方法。

統計預測方法是我國冬季氣溫預測常用的工具，CCA、OCN和HCRE3種統計預測方法對2002—2011年冬季氣溫預測的平均PS評分在52.1～82.9之間，其中HCRE統計方法表現出遠高于其他方法的預測技巧。為了同時利用模式預報信息與前期信息，利用12種模式—降尺度方法和3種統計方法進行集合預測應用。表7表明，等權平均集合低于大部分的降尺度方法和全部的統計方法，但超級集合SE的平均技巧為PS72.2分，高于各降尺度方法和統計方法中的絕大多數。

從表5～7可以看出，在新疆冬季氣溫預測中，HCRE統計方法在本文各方法中平均技巧最高，圖2給出了該方法2002—2011年后報的具體評估。在10 a后報檢驗中，該方法PS評分在70～96之間，50%的年份中高于85分，體現了較高的技巧。從空間ACC來看，該方法對新疆冬季氣溫ACC平均為0.08，雖然明顯高于新疆夏季降水預測，但仍遠遠達不到0.05的信度水平（注：此時ACC臨界值為0.20），說明該方法對新疆冬季氣溫空間分布的把握能力仍然較低。

4 結論

季節預測一向是氣候預測業務和科研的要點和難點。針對新疆夏季降水和冬季氣溫，本文利用國內外4家先進氣候預測業務單位（ECMWF、NCEP、JMA、NCC）的季節模式數據、等權平均和超級集合兩種常用的集合方法、國家氣候中心BP-CCA、EOF迭代、HCRE3種統計降尺度方法和CCA、最優氣候值（OCN）、高相關回歸集成（HCRE）3種統計方法，采用后報這一接近氣候業務的方式，研究了模式、多模式集合、降尺度解釋應用、統計方法、降尺度—統計集合技術對新疆季節氣候的預測能力。

對新疆夏季降水預測，4個國內外頂尖的氣候業務模式的預測技巧都很低；多模式集合中等權平均并未提高模式預測的技巧，而超級集合則較大改進了模式預測的技巧；降尺度的技巧隨模式和降尺度方法變化，基于ECMWF模式數據的EOF迭代方法技巧最高，強于最佳的多模式集合；對降尺度方法進行集合的技巧和最佳降尺度方法類似；統計方法表現的技巧和降尺度方法近似；對降尺度方法和統計方法進行超級集合具有最高的預測技巧。

對新疆冬季氣溫預測，4個國內外頂尖的氣候業務模式的預測技巧都很低；多模式集合的技巧與模式預測接近；降尺度的技巧隨模式和降尺度方法變化，基于NCEP模式數據的EOF迭代方法技巧最高，強于最佳的多模式集合；對降尺度方法進行超級集合的技巧高于最佳降尺度方法；3種統計方法表現的技巧差異很大，和降尺度方法近似；最佳的統計方法HCRE具有最高的預測技巧。

本文中的最佳方法對新疆99站夏季降水和冬季氣溫的平均預測技巧為PS評分73.8和82.9，而平均ACC都不高于0.1，遠遠達不到90%的信度，說明對新疆短期氣候的趨勢有一定的預測技巧，但對氣候異常的空間分布基本無預測技巧。本文采用了目前氣候預測業務中的多種常用技術手段和與實際業務一致的獨立后報方式，研究結果基本體現了目前國內外業務技術對新疆季節氣候預測的真實水平，即趨勢預測有部分預測能力，但氣候異常的空間分布預測能力很低。

新疆降水預測的難度較大，主要在于以下幾個原因：第一，降水局地性較強，尤其南疆降水常為南亞氣流向北越過青藏高原所致，這種天氣過程主導的降水與氣候尺度大氣和海洋環流的關系較弱，從而本質上可預測性較低，這也是國內外先進模式預測技巧都很低的原因；第二，新疆作為干旱半干旱區，大部分臺站降水為非正態分布，而常用的氣候預測降尺度方法、統計方法則采用適用于正態分布變量的回歸建模方法進行預測，從而二者本質上有矛盾。新疆冬季氣溫本質上呈正態分布或準正態分布，因此在回歸方法進行預測建模時不存在變量正態性不匹配的問題，但主要受歐亞中高緯環流控制，比如烏拉爾山和貝加爾湖阻塞形勢等，而歐亞中高緯環流本質上是天氣尺度現象，在季節尺度上可預測性很低，目前國際領先的模式表現的相關預測基本無技巧。

從本文各種方法的表現以及氣候預測難度偏低的原因來看，對新疆季節預測，發展和改進降尺度方法和統計方法，并進行有效集合的技術發展方向最為可行。關于新疆降水的非正態性，根據作者經驗，構建預測信息相似方法[30]比進行正態轉換（如Cox-Box變換）可能效果更好。

[1]張家寶，陳曉梅.新疆短期氣候預測研究的回顧[J].新疆氣象，2001，24（4）：1-6.

[2]白莉，藺波，江新安，等.伊寧市終霜氣候特征及霜凍最低溫度預報方法研究[J].沙漠與綠洲氣象，2007，1（2）：19-22.

[3]孫東霞，謝小紅，郭曉靜.克拉瑪依特強大風的氣候特征及天氣分析與預報[J].沙漠與綠洲氣象，2008，2（4）：18-21.

[4]李維京.現代氣候業務[M].第一版.北京：氣象出版社，2012.

[5]Stockdale T N,Alves O，Boer G，et al.Understanding and predicting seasonal and inter-annual climate variabilitythe producer perspective[J].White Paper for WCC-3，2009.

[6]Atger F.The skill of ensemble prediction systems.Mon Wea Rev，1999，127：1941-1953.

[7]杜鈞.集合預報的現狀和前景[J].應用氣象學報，2002，13（1）：16-28.

[8]Stephenson D B，Coehlo C A S，Doblas-Reyes F J,et al. Forecast assimilation：a unified framework for the combination of multi-model weather and climate predictions[J].Tellus A，2005，57（3）：253-264.

[9]Wang B，Jug J S，Kyung J，et al.Advance and prospectus of seasonal prediction:assessment of the APCC/CliPAS 14-model ensemble retrospective seasonal prediction（1980-2004）[J].Climate Dynamics，2009，33（1）：93-117

[10]陳超輝，李崇銀，譚言科，等.基于交叉驗證的多模式超級集合預報方法研究[J].氣象學報，2010，68（4）：464-476.

[11]Feng J M，Lee D K,Fu C B，et al.Comparison of four ensemble methods combining regional climate simulations over Asia[J].Meteorol Atmos Phys，2011，111：41-53.

[12]Palmer T，Andersen U，Cantelaube P，et al.Development of a European Multi-Model Ensemble System for Seasonal to Inter-Annual Prediction（DEMETER）[J]. Bulletin of the American Meteorological Society，2002，85（6）：853-872.

[13]Krishnamurti T N，Kishtawal C M，LaRow T E,et al. Improved skills for weather and seasonal climate forecasts from multimodel superensemble[J].Science，1999，285：1548-1550.

[14]Pavan V，Doblas-Reyes J.Multi-model seasonal hindcasts over the Euro-Atlantic：skill scores and dynamic features[J].Climate Dynamics，2000，16：611-625.

[15]Doblas-Reyes F J，Hagedorn R，Palmer T N.The rationale behind the success of multi-model ensembles in seasonal forecasting-II.Calibration and combination[J]. Tellus，2005，57A：234-252.

[16]Ke Z J，Dong W J，Zhang P Q，et al.An analysis of the difference between the multiple linear regression approach and the multimodel ensemble mean[J]. Advances in Atmospheric Sciences，2009，26（6）：1157-1168.

[17]Wilby R L.Downscaling general circulation model output: a review of methods and limitations[J].Journal of the American Water Resources Association，2000，36（2）：387-397.

[18]范麗軍，符淙斌，陳德亮.統計降尺度法對華北地區未來區域氣溫變化情景的預估[J].大氣科學，2007，31（5）：887-897.

[19]覃志年，陳麗娟，唐紅玉，等.月尺度動力模式產品解釋應用系統及預測技巧[J].應用氣象學報，2010，21（5）：614-620

[20]李江萍，王式功.統計降尺度法在數值預報產品釋用中的應用[J].氣象，2008，34（6）：41-45.

[21]Zhu C W，Park C K，Lee W S，et al.Statistical downscaling for multi-model ensemble prediction of summer monsoon rainfall in the Asia-pacific region using geopotential height field[J].Advances in Atmospheric Sciences，2008，25（5）：867-884.

[22]陳學君，蘇仲岳，李仲龍，等.年降水量數據的正態變換方法對比分析[J].干旱氣象，2012，30（3）：460-465.

[23]魏鳳英，黃嘉佑.我國東部夏季降水量統計降尺度的可預測性研究.熱帶氣象學報，2010，26（4）：483-48.

[24]康紅文，祝從文，左志燕，等.多模式集合預報及其降尺度技術在東亞夏季降水預測中的應用.氣象學報，2012，70（2）：192-201.

[25]陳麗娟，李維京，張培群，等.降尺度技術在月降水預報中的應用.應用氣象學報，2003，14（6）：648-655.

[26]艾孑兌秀，董文杰，張培群.一種基于EOF分析的迭代方法在業務預報中的應用.熱帶氣象學報，2008，24（4）：320-326.

[27]柯宗建，張培群，董文杰，等.最優子集回歸方法在季節氣候預測中的應用.大氣科學，2009，33（5）：994-1002.

[28]賈小龍，陳麗娟，李維京，等.BP-CCA方法用于中國冬季溫度和降水的可預報性研究和降尺度季節預測.氣象學報，2010，68（3）：398-410.

[29]劉長征，杜良敏，柯宗建，等.國家氣候中心多模式解釋應用集成預測.應用氣象學報，2013，24（6）：677-685

[30]Huug van Den Dool著，張勤，肖子牛，江志紅譯.短期氣候預報的經驗（統計）方法.北京：氣象出版社，2011.

[31]毛恒青，李小泉.典型相關分析（CCA）對我國冬季氣溫的短期氣候預測試驗.應用氣象學報，1997，8（4）：385-392.

[32]黃茂怡，黃嘉佑.近年來CCA在氣候分析與氣候預測中的應用.北京大學學報（自然科學版），2000，37（1）：128-135.

The Prediction of Summer Precipitation and Winter Temperature over Xinjiang

LIU Changzheng1，JIANG Yuan’an2，MAO Weiyi3，CHEN Ying2，BAI Suqin2
（1.National Climate Center，Beijing 100081，China；2.Xinjiang Climate Center，Urumqi 830002，China；3.Institute of Desert Meteorology，CMA，Urumqi 830002，China）

The operational prediction ability of summer precipitation and winter temperature over Xinjiang is studied with the common techniques including seasonal models，multi-model ensemble，statistical downscaling，statistical methods，ensemble of both downscaling and statistical methods. The operational seasonal models from National Climate Center，ECMWF，NCEP，JMA，two mulitimodel ensemble methods（the average and super-ensemble）,three downscaling methods（BPCCA，EOF-ITE，HCRE）and three statistical methods（BP-CCA，OCN，HCRE）used in National Climate Center are employed in this paper.Our study shows that the above techniques and methods have much different prediction abilities on the summer precipitation and winter temperature over Xinjiang.The skill scores of the leading operational seasonal models are very low.Meanwhile,the super-ensemble of models and downscaling methods are often better than single model while the best downscaling method shows higher score than the best multi-model ensemble method.Besides，the skills of statistical methods are similar to the downscaling ones.The super-ensemble of both downscaling and statistical methods often holds quite higher prediction accuracy.What is more,it is indicated that the common methods used in present operation are of certain ability on the prediction of the trend but of few ability on the spatial distribution of the climate anomalies over Xinjiang.It is suggested that the technique on seasonal prediction over Xinjiang should be developed focusing on the ensemble of statistical and downscaling methods.

Xinjiang climate;climate prediction;ensemble prediction;seasonal model; downscaling;statistical methods

P456

B

1002-0799（2015）02-0001-08

劉長征，江遠安，毛煒嶧，等.新疆夏季降水和冬季氣溫預測方法及效果評估[J].沙漠與綠洲氣象，2015，9（2）：1-8.

10.3969/j.issn.1002-0799.2015.02. 001

2014-11-20；

2015-01-16

中國沙漠氣象科學研究基金（Sqj2011012）；國家重點基礎研究發展計劃（2013CB430203）；公益性行業（氣象）科研專項（GYHY201306024）共同資助。

劉長征（1978-），男，高級工程師，從事短期氣候預測業務和科研工作。E-mail：czliu@cma.gov.cn

江遠安（1969-），女，高級工程師，從事新疆氣候預測業務和科研工作。E-mail：jya_69@163.com