梅雨降水季節預測的多方法比較

李琳菲 楊穎 朱志偉 王蔚

摘要 基于1961—2000年逐月降水觀測資料和全球大氣再分析資料，分析了6—7月長江中下游（108°～123°E，27°～33°N）梅雨的時空分布特征。通過觀測診斷和數值試驗確定了影響梅雨異常偏多的3個前期因子：4—5月平均的西北太平洋海平面氣壓正異常;3月至5月北大西洋海平面氣壓負變壓傾向;1月至4月西伯利亞的2 m溫度負傾向。利用這3個具有物理意義的影響因子構建了梅雨季節預測模型，該模型在訓練期（1961—2000年）和獨立預測期（2001—2022年）均具有顯著的預測技巧（相關系數分別為0.79和0.77，均方根誤差分別為0.59和0.68）。同時，基于相似的潛在預測因子，對比了利用偏最小二乘回歸方法和5種機器學習方法（隨機森林、輕量級梯度提升機、自適應提升、類別型特征提升、極端梯度提升）建立的預測模型的技巧。雖然訓練期（1961—2000年）偏最小二乘回歸和機器學習建模擬合效果更高，但在獨立預測期（2001—2022年）上述模型的預測技巧顯著降低（相關系數均低于0.44，均方根誤差均大于0.93），出現了明顯的過擬合問題。本研究強調梅雨的短期氣候預測應建立在物理機制基礎之上，而使用機器學習方法需謹慎。

關鍵詞梅雨;季節預測;物理經驗預測模型;機器學習

梅雨期是東亞夏季風雨帶由南向北推進過程中的重要階段（Ding，1992;Ding et al.，2020）。梅雨降水多寡直接影響長江流域的旱澇狀況，尤其是梅雨異常帶來的旱澇災害嚴重影響長江流域經濟發展和人民生產生活。例如：1998年梅雨異常偏多導致長江中下游大洪水，造成3 000余人死亡，直接經濟損失將近2 500億元（陶詩言等，1998;Lu，2000）;2020年超級暴力梅打破了1961年以來長江流域梅雨季降水紀錄，3 800余萬人受洪澇影響（劉蕓蕓和丁一匯，2020;Ding et al.，2021）;2022年梅雨歷史性極端偏少，長江流域出現大范圍干旱（張強，2022;孫博等，2023），導致64萬hm2耕地受災、83萬人供水困難。因此，揭示梅雨變異規律、理解其物理成因、進而提升梅雨季節預測水平，是國家防災減災的迫切需求。

作為熱帶暖濕空氣和中高緯度冷干氣流匯合的鋒面系統，梅雨降水多寡受到熱帶和中高緯度環流系統共同控制（Ding，1992;Wang and Lin，2002）。夏季對流層低層太平洋副熱帶高壓西北側的西南風將水汽向北輸送至長江流域，提供梅雨主要水汽來源（張慶云和陶詩言，2003）;對流層高層南亞高壓的東伸通過抽吸作用增強梅雨降水（Ren et al.，2015）;歐亞大陸上阻塞高壓（張慶云和陶詩言，1998）和東北冷渦（王麗娟等，2010）引導干冷空氣南下，與北上的暖濕空氣在長江中下游交匯，形成梅雨環流形勢;此外，絲綢之路型遙相關（Lu et al.，2002）和太平洋-日本／東亞-太平洋型遙相關（Nitta，1986）均可通過影響東亞局地環流，進而影響梅雨降水（Guan et al.，2019;陶麗等，2020）。調控梅雨降水的局地環流異常是更大尺度海陸氣相互作用的結果：ENSO作為全球最顯著的熱帶年際氣候模態，通過西北太平洋風-蒸發-海溫反饋機制（Wang et al.，2000;Wu et al.，2017）、印度洋“電容器”效應（Xie et al.，2016）影響西北太平洋反氣旋異常，進而調控梅雨降水;而不同類型的ENSO事件也會對梅雨造成差異性影響（陳文等，2018;Zhou et al.，2019）;北大西洋海溫異常可以通過熱帶和熱帶外兩條路徑調控東亞環流形勢，進而影響梅雨降水（Yang et al.，2023;Zhu et al.，2023）;而北極海冰（Guo et al.，2014）、歐亞大陸積雪（Zhang et al.，2021）、局地土壤濕度（Zuo and Zhang，2016）等陸面因子也能直接或間接調控東亞環流，最終影響梅雨降水。

除梅雨變異機理研究，準確預測梅雨也是國家防災減災的迫切需求（宋進波等，2018）。范可等（2007）通過考察與梅雨年際增幅相關的環流異常，建立了統計預測模型，其在獨立預報時段平均均方根誤差控制在20％以內;Xing et al.（2016）結合經驗正交分解和偏最小二乘回歸方法建立了中國夏季降水統計預測模型，其提前4個月預測結果遠優于動力模式提前1個月的預報技巧。除統計模型外，英國氣象局數值預報業務模式（GloSea5）由于準確預測海洋性大陸對流活動及其向中國南方和長江流域的水汽輸送，所以對梅雨降水的回報技巧高于歐盟ENSEMBLES多模式集合系統（Li et al.，2016）;中國國家氣候中心全球海氣耦合模式第2代氣候預測模式相比第1代模式對環流和物理量場的預報性能明顯提升，但仍低估了中國東部夏季降水（張丹琦等，2019），其原因在于低估了西太平洋及印度洋海表溫度，導致預測的西太平洋副熱帶高壓及水汽輻合偏弱。綜上所述，統計模型預測和動力模式在梅雨預測中均存在顯著不足。

近年來，基于物理機制的經驗預測模型（Physical-based Empirical Model，PE模型）被證明優于傳統統計模型以及大部分數值預報模式。PE模型強調預測因子與預報量間的物理聯系以及預測因子間的相互獨立性，保證了預測的穩定性，同時避免了過擬合問題。比如：在印度夏季風全區平均降水的季節預測中，PE模型在92 a（1921—2012年）回報中具有顯著的技巧（相關系數為0.64），獨立預測期技巧優于動力模式（Wang et al.，2015）和業務預測（Li et al.，2017）;針對中國東北夏季降水季節預測，PE模型獨立預測的2003—2019年降水序列與觀測的相關系數為0.70，顯著高于5個動力模式集合平均的結果（0.24）（Zhao et al.，2022）;在中國南方夏季降水（Yim et al.，2014;Li et al.，2023）、東亞初夏副熱帶鋒面（Xing et al.，2017）的預測中，PE模型也具有穩定而出色的獨立預測技巧。

隨著人工智能的興起，機器學習在天氣預報和氣候預測領域得到越來越多的運用（楊淑賢，2022）。沈皓俊等（2020）利用長短期記憶網絡對中國夏季降水進行了回報實驗，所得PS評分高于同期全國會商和業務模式;苗春生等（2017）通過C4.5算法，基于前期春季因子建立了長江中下游地區夏季降水預測模型，其預測準確率可達80％以上;Fan et al.（2023）基于自動編碼器確定了中國東部夏季降水預測因子，并利用隨機森林（Random Forest）和梯度回歸算法建立了降水預測模型，其在華南地區的預測結果優于主流模式10％以上。相比于動力模式和傳統統計模型，在大樣本訓練下的機器學習模型處理非線性問題具有更大優勢。然而，由于過擬合問題，機器學習在獨立預報以及測試數據集中的技巧急速下降，實際業務預測中的表現常常不盡如人意。因此，機器學習方法能否應用于梅雨季節預測還有待進一步驗證。

為了進一步厘清梅雨異常機理、提升梅雨季節預測技巧，本文主要解決2個關鍵科學問題：影響梅雨降水的物理機制是什么？基于物理機制的經驗預測模型、傳統統計模型和機器學習模型3者對梅雨的季節預測水平究竟孰優孰劣？本文將利用降水站點觀測資料和全球再分析數據，揭示6—7月長江中下游梅雨的相關物理機制，建立PE預測模型，并對比傳統統計模型和機器學習模型對梅雨的預測技巧，以期提升6—7月梅雨降水的季節預測水平，為業務部門預測提供參考。

1 資料、方法和模式

1.1 資料

1）國家氣象信息中心格點化數據集（CN05.1）中的逐月降水資料（吳佳和高學杰，2013），空間分辨率為0.25°×0.25°;2）歐洲中期天氣預報中心（ECMWF）第5代大氣再分析數據集（ERA5），空間分辨率為1.0°×1.0°（Hersbach et al.，2020）;3）美國國家海洋和大氣管理局第5套全球逐月海表溫度（SST）重構資料（ERSSTv5），空間分辨率為2.0°×2.0°（Huang et al.，2017）;4）日本氣象臺逐月再分析降水數據，水平分辨率為1.25°×1.25°（Kobayashi et al.，2015）。本文將1961—2000年作為訓練期，用于統計診斷分析以及預測模型建模;將2001—2022年作為獨立預測期，用于預測模型的獨立預測檢驗。

1.2 方法

1）物理經驗預測模型。PE模型有別于傳統的統計模型，更注重預測因子與預測量之間的物理機制聯系，在東亞氣候季節預測中表現出良好技巧（Yim et al.，2014;Wang et al.，2015）。PE模型的建立有2個關鍵步驟：1）通過梅雨指數與前期下墊面異常進行超前滯后相關分析，普查潛在的預測因子。下墊面異常包括海表溫度（SST）、2 m溫度（T2M）、海平面氣壓（SLP）、土壤濕度（SM）和積雪深度（SD）。考慮到前期下墊面異常存在持續和變化2種態勢，我們將潛在預測因子分為2類：持續信號（如4—5月平均的下墊面異常）和趨勢信號（如5月減4月的下墊面異常或4—5月平均減前1年12月—當年1月平均的下墊面異常）;2）逐步回歸篩選出最優預測因子并建立統計預測模型方程。將所有潛在預測因子與預測量（梅雨指數）進行逐步回歸分析，挑選出最顯著相關且相互獨立的預測因子，建立起PE預測模型。相比于多元回歸方法，逐步回歸方法同時兼顧預測因子與預測對象的顯著相關性和預測因子間的相對獨立性。

2）偏最小二乘回歸預測模型。基于偏最小二乘（Partial Least Square，PLS）回歸方法（Wold et al.，1984;Wu and Yu，2016）的預測模型建立步驟如下：首先對所有預測因子X和預報量Y進行相關分析，將預測因子X投影到相關系數上得到特征向量Z1，同時計算Z1對預報量Y的解釋方差。PLS方法的核心思想是提高對預報量Y的解釋方差，考慮到Z1只包含了預測場X的部分信息，因此對X和Y進行殘差估計并提取新一輪的特征向量Z2，直到最終的Zk（k為特征向量的個數）能夠使對Y的解釋方差及X、Y之間的相關性最大化。最后，對Z1、Z2、…、Zk與預報量Y進行多元回歸分析，建立起PLS預測模型。PLS預測模型中預測因子X包括了前期下墊面異常場中的所有統計相關區域，即包含了更多前期下墊面異常的可預測信息（Li et al.，2017）。

3）機器學習預測模型。為了對比不同機器學習預測模型對長江流域梅雨季節預測的技巧，本文采用了5種機器學習模型：基于Bagging方法的Random Forest模型和基于Boosting方法的LightGBM、Adaboost、Catboost、XGboost模型。在機器學習模型建模中，我們使用貝葉斯優化來確定各個模型的最優參數，以提高機器學習方法的預測性能（崔佳旭和楊博，2018）。

Bagging方法類似于多模式集合平均，即通過計算模型中所有學習器的預測結果平均值來減小模型的方差，在一定程度上能克服過擬合問題，但其缺點在于易被學習能力較差的模型影響。隨機森林（Random Forest）模型是典型的Bagging集成模型之一，通過對變量和數據的使用隨機化，生成很多分類樹，再匯總分類樹的結果（Breiman，2001）。

Boosting方法的核心思想是通過迭代訓練多個“弱”學習器組裝成“強”學習器來改進模型的預測能力。Boosting方法的眾多子算法區別在于在組合弱學習器的不同策略，例如：輕量級梯度提升機算法（light gradient boosting machine，LightGBM）使用直方圖分割方法（Ke et al.，2017）;自適應提升算法（adaptive boosting，Adaboost）通過調整概率分布改變權重（Freund and Schapire，1997）;類別型特征提升算法（categorical boosting，Catboost）通過添加先驗分布項來處理類別特征（Dorogush et al.，2018）;極端梯度提升算法（eXtreme gradient boosting，XGboost）采用前向分布方法且兼顧線性求解器和樹算法的特性（Chen and Guestrin，2016）。

4）評估指標。為了定量評估模型的預測技巧，本文使用了以下指標：平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、時間相關系數（Temporal Correlation Coefficient，TCC）、距平符號一致率（Predictive Consistent，PC）以及均方技巧得分（Mean Square Skill Score，MSSS）。MAE、RMSE、MSSS的計算公式如下：

其中：n代表序列長度；x代表觀測值；代表氣候態平均；f代表模型預測結果；MSE為預測序列的均方誤差；MSEc為氣候態預測的均方誤差。

1.3 數值模式

本文利用線性斜壓模式（Linear Baroclinic Model，LBM）（Watanabe and Kimoto，2000）來揭示長江中下游梅雨機理。LBM模式的水平分辨率為T42，垂直方向上從地面到10 hPa共分21層。文中加入觀測對應的大氣異常熱源強迫或渦度強迫來驅動模式積分35 d，取第21—25天平均代表大氣環流異常對給定外強迫的穩定響應（Huang et al.，2024）。

2 梅雨的時空特征及相關環流異常場

2.1 梅雨的時空分布特征

圖1a表明中國降水呈現南多北少的分布形勢，長江及以南地區降水偏多，最大值位于長江中下游（117.75°E，29.5°N）。降水標準差的大值區同樣位于長江中下游（圖1b），最大值點（117.5°E，30°N）的變率可達3 mm·d-1。對氣候態降水最大值點、標準差最大值點與每個格點做相關分析，結果顯示長江中下游降水變率具有區域一致性（圖1c、d）。因此，定義變率一致的長江中下游（108°～123°E，27°～33°N）平均降水標準化序列為梅雨指數（Meiyu Index，MYI）（圖1e）。

2.2 長江中下游梅雨相關的環流異常

梅雨偏多時，東亞沿岸的環流形勢表現為準正壓的太平洋-日本型遙相關負位相（圖2）。對流層低層西太平洋反氣旋環流異常西側的西南風將水汽向北輸送至長江流域（圖2c），而正壓的東北亞氣旋性環流異常西側的北風阻止了水汽進一步北傳，導致水汽在長江流域輻合、梅雨偏多。正壓的西太平洋反氣旋性環流異常同時帶來下沉運動，導致西太平洋降水偏少（圖2a）。此外，在中緯度存在位勢高度異常正負交替的顯著信號：俄羅斯中東部的反氣旋異常、青藏高原以西和白海上空的氣旋異常、法國以西的反氣旋異常、北大西洋的氣旋異常和加拿大東部的反氣旋異常（圖2a）。從對流層中層也能看到上述顯著的中緯度正負交替位勢高度異常（圖2b），表明梅雨與中高緯遙相關波列顯著相關。

梅雨異常偏多時，印度洋-西太平洋暖池地區、赤道東太平洋、熱帶大西洋海溫均顯著偏暖（圖2b）。印太暖池顯著的正海溫異常有利于局地蒸發及對流發展，產生的開爾文波響應及東風異常增強了西太平洋反氣旋異常，進而激發東亞沿岸的太平洋-日本型遙相關（Xie et al.，2016）。赤道東太平洋正海溫異常也可通過風-蒸發-海溫反饋機制增強西北太平洋反氣旋異常，進而調控梅雨降水（Wu et al.，2017;Wang et al.，2000）。同時，活躍的熱帶大西洋對流活動一方面通過開爾文波響應增強西北太平洋反氣旋異常，另一方面抑制東太平洋對流并導致對流層低層輻散，增強了西北太平洋反氣旋異常;此外，熱帶大西洋正對流還能影響局地環流異常，擾動歐亞大陸上空中緯度波列，增強長江流域以北的氣旋性環流異常，導致梅雨正異常（Yang et al.，2023;Zhu et al.，2023）。

3 梅雨季節預測模型

3.1 梅雨物理經驗預測模型

上述海表溫度異常及中緯度波列與梅雨之間的物理聯系具體如何？能否作為預測因子，建立6—7月長江流域梅雨的季節預測模型？下文將揭示預測因子調控梅雨的物理機制并建立預測梅雨的PE模型。

首先普查了訓練期（1961—2000年）MYI與前期下墊面異常（SST、T2M、SLP、SD、SM）的超前滯后相關關系，并根據潛在的梅雨相關物理機制劃分顯著區域，通過相關系數加權計算出21個持續信號和64個趨勢信號，其中12—1月表示梅雨的前1年12月和當年1月的平均。85個潛在預測因子的具體定義如表1所示，所有預測因子皆與梅雨指數顯著相關（通過90％置信度的顯著性檢驗）。

通過逐步回歸分析篩選出3個預測因子：X17，4—5月平均的副熱帶西太平洋海平面氣壓正異常（positive SLP anomalies over subtropical western Pacific，SWP）;X54，3月至5月北大西洋海平面氣壓負變壓傾向（SLP negative tendency over North Atlantic，NAP）;X75，1月至4月西伯利亞的地表溫度負傾向（cooling tendency of T2M over East Siberian，EST）。

圖3給出了MYI與SWP、NAP、EST的相關性空間分布。MYI與SWP、NAP、EST的相關系數分別為0.67、0.43、0.47，通過置信度為99％的顯著性檢驗（表2）。此外，上述3個預測因子之間的相關系數（0.04、-0.10、0.34）均未通過置信度為99％的顯著性檢驗，說明3個預測因子均代表不同的物理過程。

3.1.1 梅雨相關機理

SWP、NAP和EST究竟如何影響梅雨？我們使用超前滯后回歸分析預測因子相關的物理過程，并利用LBM設計相應的敏感性試驗驗證相關機理。

與西太平洋持續的海平面氣壓正異常（SWP）對應的是局地持續的負降水異常（圖4a、d）和赤道東太平洋、印度洋持續的正海溫異常（圖4b、e）。春季印度洋顯著的正海溫異常增強局地對流活動，通過吉爾響應產生東傳的開爾文波，東風異常增強了西北太平洋反氣旋，導致中國南方正降水異常。夏季，印度洋夏季風爆發，西南風強盛導致正降水異常向北至長江流域。同時，熱帶東太平洋活躍的對流（上升運動）導致菲律賓海及西太平洋的對流受到抑制（下沉運動），沃克環流增強使西太平洋反氣旋增強，其西側的南風持續將水汽向北輸送至長江中下游地區，增加了6—7月的梅雨降水。綜上所述，SWP反映的是由春到夏持續的熱帶海氣耦合模態，即印度洋正海溫異常及對流一方面通過開爾文波產生東風異常，另一方面增強沃克環流，影響菲律賓和西太平洋的下沉運動，進一步增強西太平洋反氣旋，最終增加6—7月梅雨降水。

為了驗證上述機理，我們設計了LBM敏感性試驗（圖5）。在6—7月背景態下，給定SWP對應的非絕熱加熱時（圖5a），對流層低層印度洋上有顯著的東風異常，即開爾文波響應;熱帶東太平洋出現輻合而西太平洋呈現顯著輻散，即沃克環流（圖5c）;二者的共同作用增強了西太平洋反氣旋異常。反氣旋異常西側的西南風將熱帶水汽向北輸送（圖5b），由于東北亞氣旋異常阻攔水汽的進一步向北輸送（圖5a），導致梅雨降水增多。因此，觀測診斷和數值試驗都證明：SWP代表從春到夏持續的熱帶海氣耦合模態能影響東亞沿岸的經向環流異常，進而增強梅雨降水。

圖6給出了NAP相關的超前滯后相關空間分布。2—3月大西洋上空位勢高度場表現為北大西洋濤動（North Atlantic Oscillation，NAO）的正位相（圖6a—c）。中高緯度還存在顯著的位勢高度異常正負交替的形勢：北大西洋正壓氣旋異常、西歐反氣旋異常、俄羅斯中部氣旋異常和中國北方反氣旋異常。波活動通量清晰地顯示能量從北大西洋向下游傳播至中國北方（圖6a），表明該中緯度準正壓羅斯貝波列顯著影響東亞環流形勢。4—5月，NAO由正位相轉變為負位相（圖6d—f），北半球中高緯度波列環流中心轉變為：北大西洋和歐亞大陸北部的反氣旋異常，位于歐洲西北部和中國北部的氣旋異常。6—7月上述波列向下游略微移動（圖6g—i），東北亞氣旋異常西側北風（圖6i）將中高緯干冷空氣向南輸送，干冷空氣與南方暖濕空氣在長江流域相遇，導致梅雨偏多。因此，NAP代表3月至5月NAO相關中緯度遙相關波列的變化，即NAO相關中緯度遙相關波列增強東北亞氣旋進而增強長江中下游梅雨。

給定NAP對應的北大西洋渦度強迫時，歐亞大陸上空大氣環流響應表現為顯著的波列（圖7），且環流中心與觀測基本一致。長江流域北側為氣旋異常（圖7c），西側北風將高緯冷空氣輸送至長江流域，持續影響梅雨。因此，NAP代表NAO相關的中緯度準正壓羅斯貝波列的變化，波列位相轉變增強了東北亞氣旋異常，最終增加梅雨降水。

圖8給出了EST相關的超前滯后空間分布。1—2月準正壓的北太平洋氣旋異常控制東亞地區，而太平洋反氣旋異常則占據熱帶太平洋（圖8a—c）。3—4月西伯利亞地表溫度迅速降低，對應局地低壓異常（EST）。西伯利亞與熱帶增大的溫度梯度增強副熱帶緯向西風急流（圖8d—f），維持了東亞和太平洋上空的經向環流形勢。東亞沿岸40°N以北受北太平洋氣旋異常控制，40°N以南受熱帶太平洋反氣旋異常控制。在5—6月，上述經向偶極型環流異常仍然控制東亞地區（圖8g—i），反氣旋異常西側的北風異常和氣旋異常西側的南風異常導致水汽在長江流域輻合，增加了5—6月梅雨。綜上所述，EST代表了西風急流增強的影響，即通過維持東亞沿岸經向偶極型環流異常，導致水汽在長江流域輻合、梅雨增多。

在5—6月氣候態背景下，給定EST對應的負非絕熱加熱強迫，中國北方大氣環流響應表現為氣旋異常（圖9），40°N以南則為反氣旋異常，與觀測結果一致。盡管敏感性試驗中的北太平洋氣旋異常相比于觀測偏西偏北，但東亞至太平洋的經向偶極型環流形勢模擬效果較好，說明EST對東亞上空環流有顯著影響。綜上所述，觀測診斷和模式試驗結果表明，1月至4月EST影響東亞沿岸大氣經向溫度梯度，增強西風急流，影響東亞沿岸經向偶極型環流異常，最終增強梅雨降水。

3.1.2 梅雨的物理經驗預測模型

前文通過觀測診斷和數值試驗分別驗證了SWP、NAP和EST影響6—7月梅雨的機理，據此，6—7月梅雨PE模型方程建立如下：MYI=0.42×SWP+0.42×NAP+0.34×EST，PE模型在訓練期和獨立預測期的預測結果如圖10所示。預測因子的系數能夠反映其貢獻率，因此熱帶強迫（SWP）與副熱帶強迫（NAP、EST）貢獻相當，進一步驗證梅雨是熱帶和中高緯度強迫同時作用的結果。

在訓練期（1961—2000年）和獨立預測期（2001—2022年），PE模型均展現了優秀的預測技巧（圖10）。訓練期PE模型回報的時間序列與觀測MYI的TCC為0.79，通過了置信度為95％的顯著性檢驗;MSSS達到0.62說明PE模型的預測結果接近于觀測。此外，PE模型對觀測中降水多寡的預測準確率（PC）達到85％;RMSE和MAE分別為0.59和0.48，進一步說明PE模型預測結果與觀測的誤差較小。在獨立預測期，PE模型TCC達到0.77，幾乎與訓練期持平且通過了置信度為95％的顯著性檢驗;MSSS為0.57，表示PE模型在獨立預測期能準確地預測梅雨降水多寡;PC雖然略有降低（72％），但PE模型準確預報出了2013年的干旱、2016年的洪澇和2020年的超強梅雨事件;RMSE和MAE分別為0.68和0.50，略有提高。綜上所述，從訓練期到獨立預測期，本文建立的PE模型對6—7月梅雨具有顯著且穩定的預測技巧，能夠準確預測出梅雨極端異常。

3.2 梅雨的偏最小二乘回歸預測模型

PE模型相比于傳統統計模型的優勢究竟如何？本文選用PLS方法，基于相似的預測因子，即4—5月平均的海平面氣壓場、5月減3月的海平面氣壓場以及4月減1月的2 m氣溫場（SWP、NAP、EST同期的同類氣候要素場）進行建模。相比于PE模型，PLS模型相對囊括了更多的預測信息，那么PLS模型在訓練期和獨立預測期的預報技巧是否也優于PE模型呢？

PLS模型在訓練期技巧更高，但獨立預測的技巧不如PE模型（圖11）。在訓練期PLS模型回報長江流域的降水多寡準確率為90％，高于PE模型的85％;序列相關性為0.86，MSSS評分為0.74，均略高于PE模型;回報的誤差相比于PE模型更小（RMSE=0.49，MAE=0.35）。上述結果證實，在包含更多預測信息的情況下，PLS模型的預測技巧確實更高。但在獨立預測期，PLS模型的技巧顯著降低（TCC=0.43，MSSS=0.18，PC=59％）且誤差更大（RMSE=0.94，MAE=0.73）;說明在PLS模型的建立中，為提高對預報量的解釋率忽視了過擬合問題。尤其是對極端事件（2016年洪澇、2020年超強梅雨）的預測中，PLS預測模型幾乎沒有預測技巧。在不考慮物理機制的情況下，傳統統計模型雖然在訓練期具有較高的回報技巧，但在獨立預報中并不能提供可靠的預報結果。

3.3 梅雨的機器學習預測模型

為了保證模型技巧對比的公平性，本文根據挑選的85個潛在預測因子對5種機器學習方法進行訓練和建模。基于5種機器學習方法的季節預測模型在訓練期和獨立預測期的預測技巧如圖12所示。

在訓練期，5種機器學習模型均具有極高的回報技巧（TCC分別為0.99、1.00、0.99、1.00、1.00），基本達到“完美擬合”的效果。根據機器學習模型的建立過程可知，數據量越大則誤差越低（RMSE分別為0.24、0.03、0.16、0.05、0.07）。受到學習能力差模型的影響，Random Forest模型的誤差相比于其他機器學習模型更高。雖然機器學習模型在訓練期的預測技巧極高，但由于過擬合問題，在獨立預測期的預測技巧則顯著降低。5種機器學習模型預測的序列與觀測的TCC分別是0.18、0.06、0.25、0.12、0.24，均未通過置信度為90％的顯著性檢驗;MSSS最高只有0.21，最低為0，說明與觀測中梅雨降水的誤差巨大。機器學習模型在2001—2022年的同號命中率均不超過50％，表明22 a的獨立預測中，有10 a的旱澇情況預測失準。機器學習模型預測的RMSE均大于1.00，MAE均大于0.70，2013、2017年的異常負降水和2015、2020年的異常正降水在5種機器學習模型的獨立預測中均未得到體現。值得注意是，2003—2006年長江流域均為負降水異常，但所有機器學習模型均預測為正降水異常;2015—2020年梅雨降水變率異常增加，所有機器學習模型預測的梅雨降水變率均偏低，說明5種機器學習模型由于不考慮梅雨形成的物理機制，產生了相同的預測誤差。綜上所述，即使在多種集成方法的支持下，機器學習模型也不能獨立、準確地預測梅雨期降水，機器學習在實際業務預報中的應用仍需慎重考慮。

綜上所述，本文建立的PE模型雖然在訓練期的技巧不如傳統統計模型和機器學習模型，但在獨立預測期表現出更加優越、可靠的預測技巧（時間相關系數和均方技巧得分分別是0.77和0.57），同時對梅雨極端異常也保持一定的預測水平，可以為業務部門預測提供參考。

4 結論與討論

本文分析了1961—2000年6—7月長江中下游梅雨的時空變化特征，通過觀測診斷和數值模式試驗驗證3個預測因子影響梅雨的機理，并據此建立了梅雨的物理經驗預測模型，得到以下主要結論：

1）6—7月中國降水的氣候態大值區和變率大值區均集中在長江中下游（108°～123°E，27°～33°N），且長江中下游整體的降水變率一致。太平洋-日本型遙相關是影響梅雨降水的主要環流系統，同時赤道東太平洋、印度洋、赤道大西洋正海溫異常和中緯度遙相關波列也與梅雨降水顯著相關。

2）本文確定了3個影響梅雨的預測因子：4—5月平均的西北太平洋海平面氣壓正異常（SWP）、3月至5月的北大西洋海平面氣壓負變壓傾向（NAP）、1月至4月的西伯利亞2 m溫度負傾向（EST）。SWP代表持續的熱帶海氣耦合模態：印度洋和赤道東太平洋的正海溫異常影響局地的正對流活動，并通過開爾文波響應和沃克環流增強西北太平洋反氣旋異常，而反氣旋西側的西南風將熱帶水汽向北輸送至長江中下游地區，最終增加梅雨降水;3月至5月的北大西洋海平面氣壓負變壓傾向（NAP）反映了春季至夏季北大西洋濤動（NAO）位相轉換對東亞環流形勢的影響，NAO位相轉換影響了從北大西洋向下游傳播至中國的中緯度遙相關波列，最終增強江淮上空的氣旋異常，有助于梅雨鋒面的形成;1月至4月的西伯利亞2 m溫度負傾向（EST）增大了西伯利亞與熱帶的溫度梯度，導致東亞上空西風急流增強，維持了東亞沿岸正壓的經向偶極型環流（北太平洋氣旋異常和熱帶太平洋反氣旋異常），長江流域上空南風異常和北風異常帶來冷暖空氣相遇，導致梅雨偏多。

3）基于上述具有物理意義且相互獨立的預測因子，本文建立了6—7月梅雨PE預測模型。在1961—2000年訓練期和2001—2022年獨立預測期間，TCC（MSSS）技巧分別達到了顯著的0.79（0.62）和0.77（0.57）;對梅雨極端異常也具有一定的預測水平。相對地，PLS預測模型和5種機器學習預測模型雖然在訓練期具有極高的預測技巧，機器學習算法甚至能達到“完美擬合”效果，但在獨立預測期PLS預測模型和5種機器學習預測模型的預測技巧顯著降低（相關系數最高為0.43），且對梅雨極端異常幾乎沒有預測技巧。因此，相較于傳統的統計模型以及機器學習方法，強調物理機制的PE模型具有更穩定、可靠的預測技巧，在業務應用中具有更可靠的應用前景。

本文建立的梅雨物理經驗預測模型雖然對6—7月長江中下游梅雨具有很高的預測技巧，但對于梅雨極端異常的預測水平偏低，如在2016和2020年，雖能預報出旱澇形勢，但預報不出超強梅雨異常，因此有待進一步考慮次季節變率影響。本文雖然探討了3個預測因子影響梅雨的物理機制，但梅雨可預報性來源仍需進一步探究，如NAO位相轉換的外強迫源及西伯利亞地表溫度負變壓傾向的來源。此外，近年來梅雨變率增強，而調控東亞夏季降水的熱帶海溫也存在年代際變化，因此預測因子和預報量之間的關系是否穩定也是統計預測中需要考慮的重要問題。

參考文獻（References）

Breiman L，2001.Random forests［J］.Mach Learn，45（1）：5-32.

陳文，丁碩毅，馮娟，等，2018.不同類型ENSO對東亞季風的影響和機理研究進展［J］.大氣科學，42（3）：640-655. Chen W，Ding S Y，Feng J，et al.，2018.Progress in the study of impacts of different types of ENSO on the East Asian monsoon and their mechanisms［J］.Chin J Atmos Sci，42（3）：640-655.doi：10.3878／j.issn.1006-9895.1801.17248.（in Chinese）.

Chen T Q，Guestrin C，2016.XGBoost：a scalable tree boosting system［J］.arXiv：1603.02754.doi：10.48550／arXiv.1603.02754.

崔佳旭，楊博，2018.貝葉斯優化方法和應用綜述［J］.軟件學報，29（10）：3068-3090. Cui J X，Yang B，2018.Survey on Bayesian optimization methodology and applications［J］.J Softw，29（10）：3068-3090.doi：10.13328／j.cnki.jos.005607.（in Chinese）.

Ding Y H，1992.Summer monsoon rainfalls in China［J］.J Meteor Soc Jpn，70（1B）：373-396.doi：10.2151／jmsj1965.70.1b-373.

Ding Y H，Liang P，Liu Y J，et al.，2020.Multiscale variability of Meiyu and its prediction：a new review［J］.J Geophys Res：Atmos，125（7）：e2019jd031496.doi：10.1029／2019jd031496.

Ding Y H，Liu Y Y，Hu Z Z，2021.The record-breaking Mei-yu in 2020 and associated atmospheric circulation and tropical SST anomalies［J］.Adv Atmos Sci，38（12）：1980-1993.doi：10.1007／s00376-021-0361-2.

Dorogush A V，Ershov V，Gulin A，2018.CatBoost：gradient boosting with categorical features support［J］.arXiv：1810.11363.doi：10.48550／arXiv.1810.11363.

范可，王會軍，Choi Y J，2007.一個長江中下游夏季降水的物理統計預測模型［J］.科學通報，52（24）：2900-2905. Fan K，Wang H J，Choi Y J，2007.A physically-based statistical forecast model for summer rainfall in the middle-lower reaches of the Yangtze River［J］.Chin Sci Bull，52（24）：2900-2905.（in Chinese）.

Fan P Y，Yang J，Zhang Z P，et al.，2023.Summer precipitation prediction in eastern China based on machine learning［J］.Climate Dyn，60（9）：2645-2663.doi：10.1007／s00382-022-06464-1.

Freund Y，Schapire R E，1997.A decision-theoretic generalization of on-line learning and an application to boosting［J］.J Comput Syst Sci，55（1）：119-139.doi：10.1006／jcss.1997.1504.

Guan W N，Ren X J，Shang W，et al.，2018.Subseasonal zonal oscillation of the western Pacific subtropical high during early summer［J］.J Meteor Res，32（5）：768-780.doi：10.1007／s13351-018-8061-2.

Guo D，Gao Y Q，Bethke I，et al.，2014.Mechanism on how the spring Arctic sea ice impacts the East Asian summer monsoon［J］.Theor Appl Climatol，115（1／2）：107-119.doi：10.1007／s00704-013-0872-6.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Roy Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Huang B Y，Thorne P W，Banzon V F，et al.，2017.Extended reconstructed sea surface temperature，version 5 （ERSSTv5）：upgrades，validations，and intercomparisons［J］.J Climate，30（20）：8179-8205.doi：10.1175／JCLI-D-16-0836.1.

Huang H J，Zhu Z W，Li J，2024.Disentangling the unprecedented Yangtze River Basin extreme high temperatures in summer 2022：combined impacts of the reintensified La Nia and strong positive NAO［J］.J Climate，37（3）：927-942.doi：10.1175／jcli-d-23-0466.1.

Ke G L，Meng Q，Finley T，et al.，2017.LightGBM：a highly efficient gradient boosting decision tree［C］／／Proceedings of the 31st international conference on neural information processing systems，December 4—9，2017，Long Beach，California，USA.ACM：3149-3157.doi：10.5555／3294996.3295074.

Kobayashi S，Ota Y，Harada Y，et al.，2015.The JRA-55 reanalysis：general specifications and basic characteristics［J］.J Meteor Soc Jpn，93（1）：5-48.doi：10.2151／jmsj.2015-001.

Li C F，Scaife A A，Lu R Y，et al.，2016.Skillful seasonal prediction of Yangtze River valley summer rainfall［J］.Environ Res Lett，11（9）：094002.doi：10.1088／1748-9326／11／9／094002.

Li J，Wang B，Yang Y M，2017.Retrospective seasonal prediction of summer monsoon rainfall over West Central and Peninsular India in the past 142 years［J］.Climate Dyn，48（7）：2581-2596.doi：10.1007／s00382-016-3225-1.

Li J，Zheng C S，Yang Y，et al.，2023.Predictability of spatial distribution of pre-summer extreme precipitation days over southern China revealed by the physical-based empirical model［J］.Climate Dyn，61（5）：2299-2316.doi：10.1007／s00382-023-06681-2.

劉蕓蕓，丁一匯，2020.2020年超強梅雨特征及其成因分析［J］.氣象，46（11）：1393-1404. Liu Y Y，Ding Y H，2020.Characteristics and possible causes for the extreme Meiyu in 2020［J］.Meteor Mon，46（11）：1393-1404.doi：10.7519／j.issn.1000-0526.2020.11.001.（in Chinese）.

Lu R Y，2000.Anomalies in the tropics associated with the heavy rainfall in East Asia during the summer of 1998［J］.Adv Atmos Sci，17（2）：205-220.doi：10.1007／s00376-000-0004-y.

Lu R Y，Oh J H，Kim B J，2002.A teleconnection pattern in upper-level meridional wind over the North African and Eurasian continent in summer［J］.Tellus：Ser A，54（1）：44-55.doi：10.3402／tellusa.v54i1.12122.

苗春生，何東坡，王堅紅，等，2017.基于C4.5算法的長江中下游地區夏季降水預測模型研究及應用［J］.氣象科學，37（2）：256-264. Miao C S，He D P，Wang J H，et al.，2017.Research and application of summer rainfall prediction model in the middle and lower reaches of the Yangtze River based on C4.5 algorithm［J］.J Meteor Sci，37（2）：256-264.doi：10.3969／2016jms.0052.（in Chinese）.

Nitta T，1986.Long-term variations of cloud amount in the western Pacific region［J］.J Meteor Soc Jpn，64（3）：373-390.doi：10.2151／jmsj1965.64.3-373.

Ren X J，Yang D J，Yang X Q，2015.Characteristics and mechanisms of the subseasonal eastward extension of the South Asian high［J］.J Climate，28（17）：6799-6822.doi：10.1175／JCLI-D-14-00682.1.

沈皓俊，羅勇，趙宗慈，等，2020.基于LSTM網絡的中國夏季降水預測研究［J］.氣候變化研究進展，16（3）：263-275. Shen H J，Luo Y，Zhao Z C，et al.，2020.Prediction of summer precipitation in China based on LSTM network［J］.Clim Change Res，16（3）：263-275.doi：10.12006／j.issn.1673-1719.2019.067.（in Chinese）.

宋進波，陸爾，屠菊青，等，2018.長江中下游6—7月降水的降尺度模型［J］.大氣科學學報，41（1）：85-92. Song J B，Lu E，Tu J Q，et al.，2018.A statistical downscaling model for the summer rainfall over the middle and lower reaches of the Yangtze River Basin［J］.Trans Atmos Sci，41（1）：85-92.doi：10.13878／j.cnki.dqkxxb.20160120001.（in Chinese）.

孫博，王會軍，黃艷艷，等，2023.2022年夏季中國高溫干旱氣候特征及成因探討［J］.大氣科學學報，46（1）：1-8. Sun B，Wang H J，Huang Y Y，et al.，2023.Characteristics and causes of the hot-dry climate anomalies in China during summer of 2022［J］.Trans Atmos Sci，46（1）：1-8.（in Chinese）.

陶麗，于國強，王學兵，2020.PJ遙相關型對長江中下游夏季降水影響的不對稱性［J］.大氣科學學報，43（2）：299-309. Tao L，Yu G Q，Wang X B，2020.Asymmetric effect of Pacific-Japan teleconnection pattern on summer precipitation in middle and lower reaches of Yangtze River［J］.Trans Atmos Sci，43（2）：299-309.doi：10.13878／j.cnki.dqkxxb.20180315001.（in Chinese）.

陶詩言，張慶云，張順利，1998.1998年長江流域洪澇災害的氣候背景和大尺度環流條件［J］.氣候與環境研究，3（4）：290-299. Tao S Y，Zhang Q Y，Zhang S L，1998.The great floods in the Changjiang River Valley in 1998［J］.Clim Environ Res，3（4）：290-299.doi：10.3878／j.issn.1006-9585.1998.04.01.（in Chinese）.

Wang B，Lin H，2002.Rainy season of the Asian—Pacific summer monsoon［J］.J Climate，15（4）：386-398.doi：10.1175／1520-0442（2002）015<0386：rsotap>2.0.co;2.

Wang B，Wu R G，Fu X H，2000.Pacific-East Asian teleconnection：how does ENSO affect East Asian climate？［J］.J Climate，13（9）：1517-1536.doi：10.1175／1520-0442（2000）0131517：PEATHD>2.0.CO;2.

Wang B，Xiang B Q，Li J，et al.，2015.Rethinking Indian monsoon rainfall prediction in the context of recent global warming［J］.Nat Commun，6：7154.doi：10.1038／ncomms8154.

王麗娟，何金海，司東，等，2010.東北冷渦過程對江淮梅雨期降水的影響機制［J］.大氣科學學報，33（1）：89-97. Wang L J，He J H，Si D，et al.，2010.Analysis of impacts of northeast cold vortex processes on Meiyu rainfall period over Yangtze-Huaihe River basin［J］.Trans Atmos Sci，33（1）：89-97.doi：10.13878／j.cnki.dqkxxb.2010.01.013.（in Chinese）.

Watanabe M，Kimoto M，2000.Atmosphere-ocean thermal coupling in the North Atlantic：a positive feedback［J］.Quart J Roy Meteor Soc，126（570）：3343-3369.doi：10.1002／qj.49712657017.

Wold S，Ruhe A，Wold H，et al.，1984.The collinearity problem in linear regression：the partial least squares （PLS） approach to generalized inverses［J］.SIAM J Sci Stat Comput，5（3）：735-743.doi：10.1137／0905052.

Wu B，Zhou T J，Li T，2017.Atmospheric dynamic and thermodynamic processes driving the western North Pacific anomalous anticyclone during El Nio.Part Ⅱ：formation processes［J］.J Climate，30（23）：9637-9650.doi：10.1175／jcli-d-16-0495.1.

吳佳，高學杰，2013.一套格點化的中國區域逐日觀測資料及與其它資料的對比［J］.地球物理學報，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu Z W，Yu L L，2016.Seasonal prediction of the East Asian summer monsoon with a partial-least square model［J］.Climate Dyn，46（9）：3067-3078.doi：10.1007／s00382-015-2753-4.

Xie S P，Kosaka Y，Du Y，et al.，2016.Indo-western Pacific Ocean capacitor and coherent climate anomalies in post-ENSO summer：a review［J］.Adv Atmos Sci，33（4）：411-432.doi：10.1007／s00376-015-5192-6.

Xing W，Wang B，Yim S Y，2016.Long-lead seasonal prediction of China summer rainfall using an EOF-PLS regression-based methodology［J］.J Climate，29（5）：1783-1796.doi：10.1175／jcli-d-15-0016.1.

Xing W，Wang B，Yim S Y，et al.，2017.Predictable patterns of the May—June rainfall anomaly over East Asia［J］.J Geophys Res：Atmos，122（4）：2203-2217.doi：10.1002／2016jd025856.

楊淑賢，零豐華，應武杉，等，2022.人工智能技術氣候預測應用簡介［J］.大氣科學學報，45（5）：641-659. Yang S X，Ling F H，Ying W S，et al.，2022.A brief overview of the application of artificial intelligence to climate prediction［J］.Trans Atmos Sci，45（5）：641-659.doi：10.13878／j.cnki.dqkxxb.20210623003.（in Chinese）.

Yang Y，Zhu Z W，Shen X Y，et al.，2023.The influences of Atlantic sea surface temperature anomalies on the ENSO-independent interannual variability of East Asian summer monsoon rainfall［J］.J Climate，36（2）：677-692.doi：10.1175／JCLI-D-22-0061.1.

Yim S Y，Wang B，Xing W，2014.Prediction of early summer rainfall over South China by a physical-empirical model［J］.Climate Dyn，43（7）：1883-1891.doi：10.1007／s00382-013-2014-3.

Zhang C，Jia X J，Wen Z P，2021.Increased impact of the Tibetan Plateau spring snow cover to the Mei-yu rainfall over the Yangtze River Valley after the 1990s［J］.J Climate，34（14）：5985-5997.doi：10.1175／jcli-d-21-0009.1.

張丹琦，孫鳳華，張耀存，2019.基于BCC第二代短期氣候預測模式系統的中國夏季降水季節預測評估［J］.高原氣象，38（6）：1229-1240. Zhang D Q，Sun F H，Zhang Y C，2019.Evaluation of seasonal prediction for summer rainfall in China based on BCC second-generation short-range climate forecast systerm［J］.Plateau Meteor，38（6）：1229-1240.doi：10.7522／j.issn.1000-0534.2018.00149.（in Chinese）.

張強，2022.科學解讀“2022年長江流域重大干旱”［J］.干旱氣象，40（4）：545-548. Zhang Q，2022.Scientific interpretation of severe drought in the Yangtze River Basin［J］.J Arid Meteor，40（4）：545-548.doi：10.11755／j.issn.1006-7639（2022）-04-0545.（in Chinese）.

張慶云，陶詩言，1998.亞洲中高緯度環流對東亞夏季降水的影響［J］.氣象學報，56（2）：199-211. Zhang Q Y，Tao S Y，1998.Influence of Asian mid-high latitude circulation on East Asian summer rainfall［J］.Acta Meteor Sin，56（2）：199-211.（in Chinese）.

張慶云，陶詩言，2003.夏季西太平洋副熱帶高壓異常時的東亞大氣環流特征［J］.大氣科學，27（3）：369-380. Zhang Q Y，Tao S Y，2003.The anomalous subtropical anticyclone in western Pacific and their association with circulation over East Asia during summer［J］.Chin J Atmos Sci，27（3）：369-380.（in Chinese）.

Zhao J H，Zhang H，Zuo J Q，et al.，2022.Oceanic drivers and empirical prediction of interannual rainfall variability in late summer over Northeast China［J］.Climate Dyn，58（3）：861-878.doi：10.1007／s00382-021-05945-z.

Zhou X Y，Liu F，Wang B，et al.，2019.Different responses of East Asian summer rainfall to El Nio decays［J］.Climate Dyn，53（3）：1497-1515.doi：10.1007／s00382-019-04684-6.

Zhu Z W，Feng Y N，Jiang W，et al.，2023.The compound impacts of sea surface temperature modes in the Indian and North Atlantic Oceans on the extreme precipitation days in the Yangtze River Basin［J］.Climate Dyn，61（7）：3327-3341.doi：10.1007／s00382-023-06733-7.

Zuo Z Y，Zhang R H，2016.Influence of soil moisture in eastern China on the East Asian summer monsoon［J］.Adv Atmos Sci，33（2）：151-163.doi：10.1007／s00376-015-5024-8.