预测能力

如前所述在教派。20.2,ENSO是最可预测的大规模现象在季节性年际时间尺度,并可预测性的主要来源。成功与耦合的季节性预测模型预测,因此,通常相关模型的繁殖能力的缓慢耦合动力学ENSO和准确预测其振幅,空间模式和详细时间演化(王et al . 2008年)。预测ENSO根据季节不同的技巧,以及ENSO的相位和强度。例如,通常有更大的能力在预测ENSO事件相比,中性事件,并预测经济增长阶段的温暖与寒冷事件相比,相应的衰减阶段(例如,金et al . 2008年)。的季节,许多季节性预测系统经验技能的下降在北方的春天,通常被称为“春天可预测性屏障”。海温异常在每年的这个时候,尤其变量虽然动态预报模型可能减少技能,他们的最大优势的持久性预测(例如,van Olden-borgh et al . 2005;金et al . 2008;王et al . 2008年)。大型多模型项目,如得墨忒耳(帕默et al . 2004),乐团(Weisheimer et al . 2009年)和“/ CliPAS(王et al . 2008),提供了一个相互比较的基础技能和错误的耦合模型,基准季节性预测技术和评估进展。Weisheimer et al。(2009)报告说,欧洲服装项目的结果(使用5欧洲耦合模型)错误显示显著减少系统的海温(SST漂移在太平洋预测进展)相比前一代项目,得墨忒耳。 For the NINO3 region (5°S-5°N; 150°W-90°W) the SST drift in DEMETER varied between +2°C and -7°C for up to 6 months lead, whereas the drift from the ENSEMBLES models was less than ±1.5°C (Weisheimer et al. 2009). They conclude that since DEMETER, the coupled models have improved significantly in terms of their physical parameterisations, resolution and initialisation. They also show that although probabilistic skill scores suggested increases in SST prediction skill in the 4-6 month forecast range in the ENSEMBLES multi-model ensemble (MME) compared to the DEMETER MME, the increases were not statistically significant, suggesting that substantially better models (perhaps with a higher resolution than available now) are required to improve upon the current skill of forecasting tropical Pacific SSTs. As an example of current skill levels, the anomaly correlation skill in predicting NINO3.4 SST anomalies (an area average over 5°N-5°S, 170°-120°W) from an ensemble of 10 coupled seasonal forecast models (for hindcasts performed over 1980-2001) is 0.86 after 6 months of the forecast (Jin et al. 2008). This level of skill from the MME is greater than from any single model, but at this lead time all models have skill greater than persistence and many of the models have anomaly correlation skills exceeding 0.8 (Jin et al. 2008).

技能在预测印度洋海温异常低于在太平洋。这是明显的从图20.3显示了异常相关技能的海温异常在6个月交货期预测POAMA(预测海洋大气模型对澳大利亚)季节性预测模型。这是非常典型的季节性预报模型。预测的IOD目前仅限于一季,强大北方的冬天春天可预测性屏障(部分原因是6月前IOD不是良好定义的)(例如,罗et al . 2007;Wajsowicz 2007;赵和亨顿2009)。热带大西洋SST异常而言,当前的季节性预测模型显示很少的技能以外的一个或两个月的预测和技能通常不比持久性(例如,斯托克代尔等。2006年,2011年)。

区域表面空气温度和降水的预报技巧异常强烈依赖于季节和地区。技能是最高的热带和减少对中、高纬度地区,和通常的温度高于降水(例如,王et al . 2008;Doblas-Reyes et al . 2009年)。月领导很少有技能在预测季节平均气温和降水量异常在土地extra-tropical地区(例如,王et al . 2008;Doblas-Reyes et al . 2009年)。这些extra-tropical土地区域表现出一些技巧(例如,非洲南部和美国南部降水DJF)通常是由于从ENSO模型捕获大气远程并置对比。因此,模型模拟ENSO的偏见和漂移可能降低全球tele-connections地区降雨和温度。例如,大多数模型表现出感冒偏见在中央赤道太平洋海温变化和向西漂移最大远离东太平洋与增加交货时间(例如,金等。

2008)。POAMA季节性预测模型,关于一个赛季后,这些偏见阻碍模型分辨不同类型的ENSO事件的能力(例如,古典东太平洋与中央太平洋事件)和ENSO和澳大利亚之间的远距离联系气候不利影响(亨顿et al . 2009;raybet雷竞技最新林等。

20.4整体预测:代表不确定性

固有的季节性预测存在极大的不确定性,一些自然和一些由于缺乏预测系统。图20.4显示了1997/1998的90年爆发的预测厄尔尼诺现象。每个预测是使用POAMA-1模型(阿尔维斯et al . 2003年)。系综是生成的

图20.3海温异常相关性在6月交货时间从poama - 1.5预测(左)和持久性(右)。(从王et al . 2008 b)

POAMA Nirio3.4海温异常(Olv2 SST)

POAMA Nirio3.4海温异常(Olv2 SST)

/。颗/
	f

JUL98 9月11月7日战争可能7月9月11月JAN98 1月9日

图20.4预测NINO3.4海温异常的发病期间1997/1998的厄尔尼诺现象。90 - mem -误码率合奏,每个乐团成员是由应用0.001摄氏度随机扰动初始风场。(从史et al . 2009年)

JUL98 9月11月7日战争可能7月9月11月JAN98 1月9日

图20.4预测NINO3.4海温异常的发病期间1997/1998的厄尔尼诺现象。90 - mem -误码率合奏,每个乐团成员是由应用0.001摄氏度随机扰动初始风场。(从史et al . 2009年)

0.001°C初始风场的变化。这些变化是微不足道,但由于气候系统,特别是大气,混乱,乐团成员可以随时间迅速传播。raybet雷竞技最新图显示,在所有的预测厄尔尼诺现象的条件,他们从一个非常弱的厄尔尼诺现象与海温异常NINO3.4约0.5°C到很强的厄尔尼诺现象与NINO3.4异常条件大于2.5°C到8月份。的传播预测表明气候模型的随机分量,即自然的不确定性,因此限制可预测性。raybet雷竞技最新

在季节性预测系统整体传播应该能较量的自然随机过程引起的不确定性,但这并非总是如此由于错误的预测系统。出于实际的原因,引起的不确定性是分为一个不完美的初始状态(初条件的不确定性),因不完美的模型(模型数据抽样的不确定性,模型参数的不确定性,模型结构的不确定性)。动力季节性预测,合奏中用于量化的不确定性(例如,斯蒂芬森2008;Doblas-Reyes et al . 2009年)。初始条件的不确定性考虑通过生成一个稍微不同的大气海洋和/或分析,旨在反映不确定性的差异在这些条件(例如,Vialard et al . 2005年)。不确定性模型制定解决使用合奏中基于随机物理(金et al . 2007;Berner et al . 2008),摄动参数(墨菲et al . 2004;Stainforth et al . 2005;柯林斯et al . 2006年)和多模型方法(帕默et al . 2004;Weisheimer et al . 2009年)。 Doblas-Reyes et al. (2009) assessed the relative merits of these three approaches using sets of seasonal and decadal hindcasts (done under the auspices of the European ENSEMBLES project; see van der Linden and Mitchell 2009). In general, they concluded that the three methods had comparable overall skill (the multi-model was slightly better for lead times up to 4 months, and the perturbed physics slightly better at longer leads). The perturbed physics and stochastic parameter methods are promising methods of sampling model uncertainty within a single model system.

概率预测产生动力季节性预报系统通过使用上述的预测。预测遵循不同的演进,因为他们从模型摄动初始条件或生产配方。第一周后,整体传播和预测需要交付大概率的方式评估。好评的概率预测季节性上下文,包括基本概念、recalibra-tion和验证,提供斯蒂芬森(2008)和梅森和Stephen-son (2008)。乐团成员的分布应该表明不确定性预测:如果乐团成员广泛不同的预测,预测推断概率分布也宽,还不确定,如果乐团成员密切协议可能显示更少的不确定性。然而,在实践中,从动力季节性预测模型预测往往过于自信,即他们的传播的范围太窄匹配观察的结果,经常是小合奏传播和预测的误差之间的关系。的主要原因是认为是模型误差(Vial-ard et al . 2005;斯托克代尔et al . 2010年)。多模型方法,从不同的先进的集合体模型相结合,从而含蓄地平均模型的一些错误,通常产生更多熟练的预测结果比单一模型(帕默et al . 2004;王et al . 2008; Weisheimer et al. 2009). A counter example of the limitation of the multi-model approach is provided by Balmaseda et al. (2010b), showing that for a given SST index, the skill of a single model can be superior to that of the multi-model product. But this is not yet the case for useful atmospheric variables such as precipitation, where reliable seasonal forecasts benefit from the multi-model approach. Multi-model forecast systems are becoming increasingly apparent in operational seasonal forecasting. For example, the APECraybet雷竞技最新气候中心(")产生实时操作气候预测基于一个有效的多模型multi-instituteraybet雷竞技最新整体系统(http://www.apcc21.org)和ECMWF已经与法国和英国生产操作多模型季节性预报系统称为EUROSIP (http://www.ecmwf.int/products/forecasts/seasonal/文档/ eurosip /)。

20.5数据同化和初始化

动力季节性预测本质上是一个初值问题,预测能力从哪里来的信息包含在耦合系统的初始状态:海洋、大气、陆地和海冰。大部分的技巧来自于上层海洋的初始条件,特别是与大规模模式ENSO和IOD等变化。同化的海洋观测海洋初始化在季节性预测已成为一种常见的做法,与世界各地的一些机构生产常规海洋re-analyses预置经营季节性预测。表20.1,从Balmaseda et al。(2009),提供了一个海洋的总结分析用于初始化的操作或quasi-operational季节性预测系统。在这些系统中,海洋和大气的初始化是单独完成的,针对生成的最佳分析大气和海洋通过综合数据同化方案。

预置热带海洋的最简单的方法是运行一个海洋模型被迫与大气通量和强烈的放松模型的SST的观察。热带海洋的年际变化在很大程度上是由变化的表面风场。这种技术将是令人满意的,如果强制字段中的错误和海洋模型小。然而,表面通量产品和海洋模式都有明显的错误。同化的海洋观测用于限制海洋的估计状态。

在海洋海洋同化,地下观测摄取到海洋大气通量模型被规定。重点是上层海洋热结构的初始化,尤其是在热带地区,海温异常对大气环流有强烈的影响。大部分的初始化系统使用地下温度(从XBT的准确性,道/ TRITON PIRATA和阿尔戈)。最近的一些系统也使用盐度(主要来自

表20.1总结不同海洋同化系统用于初始化的操作和quasi-operational季节性预测。(基于Balmaseda et al . 2009年)MRI-JMAhttp://ds.data.jma.go.jp/tcc/tcc/products/elnino/index.html多元三维变分(3 d-var)。臼井仪人et al . 2006

ORA-S3 (ECMWF系统3)http://www.ecmwf.int/products/forecasts/d/charts/ocean/real_time/多变量最优插值(OI)。Balmaseda et al . 2008

POAMA -PEODAS (CAWCR、墨尔本)http://poama.bom.gov.au/research/assim/index.htm多元整体OI。阴et al . 2011

行政总裁(摘要)http://www.cpc.ncep.noaa.gov/products/GODAS/3 d-var。百灵达2007

墨卡托(流星法国)http://bulletin.mercator-ocean.fr/html/welcome_en.jsp多元降阶卡尔曼滤波器。范教授et al . 1998年密苏里州(MetOffice)http://www.metoffice.gov.uk/research/seasonal/多元OI。马丁et al . 2007

GMAO ODAS-1http://gmao.gsfc.nasa.gov/research/oceanassim/ODA_vis.php

GMAO季节性预测:http://gmao.gsfc.nasa.gov/cgi-bin/products/raybet雷竞技最新climateforecasts/index.cgi

OI和集合卡尔曼滤波Keppenne et al . 2008

阿尔戈号)和高度计派生海平面异常。后者通常需要一个外部的处方是动态地形,这可以是一个问题,通常是来自一个模型集成,而不是观察。长期来看,希望它可以间接地来自重力恩典和GOCE卫星等任务。

几项研究已经证明了同化的海洋数据的预测ENSO(例如,阿尔维斯et al . 2004;Dommenget et al . 2004;Cazes-Boezio et al . 2008;斯托克代尔et al . 2011年)。好处是不太清楚在其他领域,如大西洋赤道,模型误差大。Balmaseda和安德森(2009)评价三种不同初始化策略,每一个都使用不同的观测信息。他们表明,海洋初始化意味着状态产生重大影响,可变性和技能的耦合预测季节性的时间尺度。他们还表明,使用他们的模型,初始化策略,提供最全面的观察导致最好的技能。

自海洋同化季节性预测很重要,一个有趣的问题是:如何准确的海洋从海洋同化系统分析吗?图20.5显示了热含量的复合厄尔尼诺进化沿着赤道太平洋和印度洋。复合地块由30个月跨越厄尔尼诺事件温暖的事件之前从9个月(年),12个月(温暖的事件),+ 9个月(年复一年地温暖的事件),这些都是表示作为第一年,0和去年同期分别+ 1。选择标准的厄尔尼诺/拉尼娜事件被定义为每月Nino3海温异常达到或超过±0.5°C连续至少5个月在此期间1982年至2006年。

复合材料从两个先进的国际分析显示,说明其不同,给一个估计的误差分析。同化系统用于生成每个分析有很大的不同,因此迫使字段用于驱动海洋模型在分析阶段。复合厄尔尼诺进化表明厄尔尼诺现象达到今年年底在东太平洋最大热含量异常。同时有热含量异常在西太平洋,形成一个强大的梯度东西方太平洋,这是由异常西风(没有显示)。通常在厄尔尼诺还有的巅峰东风在印度洋,这导致了东西方模式相反的模式在太平洋。复合材料还显示积极的热含量异常的进化从西太平洋在今年年初厄尔尼诺现象的发展,通过对东太平洋赤道的作用开尔文波。两个re-analyses之间有相当大的协议,可能由于一个合理的观测网络,特别是在太平洋与TOGA-TAO数组和阿尔戈这十年。

相同的盐是不正确的内容。图20.6比较含盐量的进化沿着赤道厄尔尼诺复合。有关显示了一个重要的盐异常在整个赤道太平洋厄尔尼诺期间,而另一个显示弱异常。例如,有关显示了强劲淡化中央/第一次在西太平洋的厄尔尼诺现象的峰值超过0.1 ppt,

复合T300 Anom (5 s-5n) EINino PEODAS

复合T300 Anom为行政总裁EINino (5 s-5n)

复合T300 Anom (5 s-5n) EINino PEODAS

复合T300 Anom为行政总裁EINino (5 s-5n)

100 e 60 e 80 e e120e 140 e 160 e 180160 w 140 w120w100w 80 w

i-1-i-1-1“我——“i1™i-1-r

80 e 60 e e 100 e120e 140 e160e 180 160 w 140 w120w 100 w 80 w

100 e 60 e 80 e e120e 140 e 160 e 180160 w 140 w120w100w 80 w

i-1-i-1-1“我——“i1™i-1-r

80 e 60 e e 100 e120e 140 e160e 180 160 w 140 w120w 100 w 80 w

图20.5进化的一个复合厄尔尼诺海洋re-analyses艺术的在两个不同的状态。每个情节显示热含量异常的进化(上300米)沿着赤道复合厄尔尼诺现象。情节涵盖了从今年4月在厄尔尼诺现象发展之前,今年9月在厄尔尼诺现象的发展。相同的厄尔尼诺事件中包括两种复合材料

图20.6图。20.5除了盐含量上300米

复合S300 Anom为行政总裁EINino (5 s-5n)

0 -0.16 -0.14 -0.12 -0.1 -0.08 -0.06 -0.04 -0.02 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16

大概由于向东平流与异常相关的淡水西风带。然而,第二个没有显示如此强大异常的再次通常小于0.04 ppt。这清楚地表明,至少目前,先进的海洋re-analyses如何表示有显著差异的盐度年际变异性。它已被证明(Balmaseda和韦弗2006),在盐度数据缺失的情况下,温度的同化观测可以增加盐度场的不确定性。盐度场能影响季节性预测通过影响屏障层,充当水库的温水(28°C以上),并且可以帮助发展的厄尔尼诺现象当西风向东传播(藤井裕久et al . 2011年)。

有趣的是两个re-analyses显示类似的含盐量模式在印度洋。这可能是由于缺少盐度和温度数据在印度洋,至少在阿尔戈。没有多少温度和盐度数据,re-analyses只是海洋表面模拟受强迫,这可能会导致类似的模式。

有三个主要的方法评估海洋分析产生的数据同化系统:(1)如何分析适合吸收观察,(2)如何分析适合独立观察和(3)分析是否会导致改善预测。方式(3)可能不是一个可靠的方法,因为如果一个更好的初始状态模型有明显的错误可能会导致糟糕的预测。方法(1)也不是完全令人满意,因为它只是反映了观察,分析如何适合大部分是背景和观测误差方差的函数。(2)是最理想的方式,但它是很困难的因为通常都使用温度和盐度观测同化。到目前为止没有同化系统利用海流数据。这是一个独立的数据来源,图20.7说明了洋流的使用数据来评估不同的re-analyses。图20.7显示了re-analyses和pseudo-observed海洋之间的相关性表面电流(电流来源于高度计数据:奥斯卡;邦戎和Lagerloef 2002)。三个re-analyses评估对奥斯卡当前数据。图20.7使用PEODAS有关(阴et al . 2011年)海洋有关当前一代的代表。它使动态平衡修正基于温度和盐度的电流修正。当前的修正是基于cross-covariances源自一次进化合奏,看到阴et al。(2011)为更多的细节。图20.7 b显示了相关的控制有关,即与PEODAS除了不同化观测。这本质上是一个有关表面通量和海洋模型被迫将做一个合理的工作代表的年际变化,至少是在迫使字段。图20.7 c有关从老一代海洋同化系统使用,在这种情况下从POAMA-1季节性预测系统(阿尔维斯et al . 2003年)。典型的这一代,只有温度观测(而不是盐度)吸收。 However, corrections to currents are made based on the temperature corrections by assuming地转平衡,如汉堡et al。(2002)。在所有三个re-analyses没有高度计数据同化。数据显示,有关生产PEODAS最好的相关性与观测数据在热带太平洋和印度人

图20.7区域表面速度之间的相关性从奥斯卡和PEODAS。控制,b和c POAMA-1。注意非线性相关。(从阴et al . 2011年)

海洋。有趣的是最后一代POAMA-1系统产生最坏的比较观察,甚至比控制使用任何数据。这可能有两个原因。首先,POAMA-1盐度数据没有被同化,这可能导致不正确的密度资料由于密度修正只基于温度,进而可能导致错误的当前增量在使用地转的关系。其次,地转的关系可能不合适,特别是对有重大的埃克曼组件的表面电流。而控制结构不使用任何观察,它维护一个表面电流的动态平衡与表面强迫和领域的压力。这些结果说明在过去的十年里进展导致的当前状态的艺术在海洋数据同化。

整体基础数据同化方案,如集合卡尔曼滤波器,提供一个整体的分析。乐团成员代表的传播的不确定性估计海洋国家和乐团的合奏传播的标准差均可以被认为是一个测量的分析误差。整体传播从PEODAS海洋同化方案(阴et al . 2011年)图20.8所示。最高的传播SST(图20.8)发生在赤道东太平洋和沿着西方边界电流,有人可能认为这些地区的最高的可变性。表面盐度最高的传播(图20.8 b)发生在最高地区的降雨量,沿着国际等热带辐合区南太平洋,辐合区和高降雨量的地区西太平洋暖池。图20.8摄氏度的温度整体传播深度沿着赤道。最大传播发生沿温跃层,该地区的最高温度的变化。最大的盐度分布(图20.8 d)发生在表面。

20.6海洋观测的影响

的海洋观测系统在过去的几十年里经历了重大变化。在1990年代早期TOGA-TAO数组在太平洋热带地区。这使得赤道海洋上层热含量的日常监控。在1990年代早期海平面测量卫星高度计成为常规,尽管并不是所有的海洋数据同化系统摄取高度计数据操作。在2000年代Argo浮标介绍了,这也许是海洋观测气候最大的革命。raybet雷竞技最新大面积的海洋,以前没注意到现在覆盖着自治Argo浮标。图20.9显示了温度观测密度前阿尔戈在印度洋。观察主要是采取的主要航道船的机会计划的一部分(SOOP)。在整个印度洋,双方仍存在巨大的分歧。阿尔戈号期间(图20.9摄氏度)温度分布发生了翻天覆地的变化,几乎每一个网格经历至少一个观察。

也许最大的阿尔戈是它还措施盐度的影响。第一次有足够的盐度资料进行同化的盐度数据。

图20.8合奏(同化之前)的传播结构段海温(C)的显示字段。b温度沿赤道部分C 'C)。c海面盐度(事业单位)和d盐度部分沿着赤道(事业单位)。(从阴et al . 2011年)。整体传播计算相对于一个中心的分析。(见阴et al。2011年,全部细节)

图20.8合奏(同化之前)的传播结构段海温(C)的显示字段。b温度沿赤道部分C 'C)。c海面盐度(事业单位)和d盐度部分沿着赤道(事业单位)。(从阴et al . 2011年)。整体传播计算相对于一个中心的分析。(见阴et al。2011年,全部细节)

C 30°E 70 E E 90°E 1 10 se 1乔* E 15问“E

图20.9的密度海洋每年每lxl学位广场地下观测,a和c b和d温度和盐度,a和b是前阿尔戈和c和d是阿尔戈期间

图20.10 t的影响/ TRITON和季节性Argo数据预测能力。酒吧显示的相对均方根误差增加1 - 7月的预测海温异常造成每月预提道/ TRITON和Argo数据初始化的日本气象厅季节性预测不同的海域。(从富士等。2008年,区域定义)

图20.9 b显示了盐度观测密度在阿尔戈在阿尔戈和图20.9 d。变化是戏剧性的。在南印度洋的大部分是未被注意的。在阿尔戈盐度观测密度是温度相似。盐度观测的重要性,讨论了藤井裕久et al。(2011)。臼井仪人et al .(2006)的结果表明,只有当盐度观测同化可能代表了强大的子午盐度梯度西赤道太平洋,低盐度赤道以北的海域。结果还表明,不平衡温度和盐度之间的关系不可能代表南太平洋热带的高盐度的水,最终导致垂直分层的侵蚀和退化的阻挡层。

季节性预测技能也可以用来评估海洋观测系统。藤井裕久et al .(2011),评价道的影响/ TRITON数组和阿尔戈漂浮在日本气象厅季节性预报系统的数据进行数据保留实验。他们的结果(图20.10)表明,陶/特里同数据提高了预测在赤道东太平洋的海温(NINO3 NINO4), Argo浮标观测至关重要的预测海温在热带太平洋和印度洋。取得了类似的结果与欧洲中期天气预报中心(ECMWF)季节性预报系统(2009年Bal-maseda et al . 2007年)。

20.7季节性预测在澳大利亚

澳大利亚气象局了季节性前景自1980年代末。目前季节性降雨澳大利亚生产的前景和温度操作基于统计热带太平洋和当地气候之间的联系(钱伯斯和Drosdowsky 1999)。raybet雷竞技最新然而,认为统计ap -

□			道/ TRITON■阿尔戈
	NINO3外祖母
NINO12		JO34 N	4号NINOW WTIO

图20.10 t的影响/ TRITON和季节性Argo数据预测能力。酒吧显示的相对均方根误差增加1 - 7月的预测海温异常造成每月预提道/ TRITON和Argo数据初始化的日本气象厅季节性预测不同的海域。(从富士等。2008年,区域定义)

图20.11 POAMA月度GBR指数(面积平均海温异常地图所示的红色框插入)2009年12月至2010年5月在2009年12月1日发布的官方的前景,四分位数与分布的整体由过去30日报的预测。覆盖是合奏意味着(黑)。的阴影显示上下气候terciles POAMA v1.5追。(http://www.bom.gov.au/oceanography/oceantemp/GBR_SST.shtml)

图20.11 POAMA月度GBR指数(面积平均海温异常地图所示的红色框插入)2009年12月至2010年5月在2009年12月1日发布的官方的前景,四分位数与分布的整体由过去30日报的预测。覆盖是合奏意味着(黑)。的阴影显示上下气候terciles POAMA v1.5追。(http://www.bom.gov.au/oceanography/oceantemp/GBR_SST.shtml)

针对基本达到他们的预测能力的局限性,尤其是在气候变化是无效的假设静止,是统计方法的基础。raybet雷竞技最新局,与CSIRO合作,发展连续版本的动态耦合模型系统称为POAMA(预测海洋大气模型对澳大利亚;http://poama.bom。gov.au)。第一个版本在2002年在局中实现操作和生成的预测因SST指数。POAMA系统于2007年升级1.5版本和操作产品扩展到包括预测海温在印度洋赤道(赵和亨顿2009)。最近产品已扩展到给警告潜在的大堡礁的珊瑚漂白在未来的赛季(例如,图20.11;斯皮尔曼家的男人和阿尔维斯2009)。poama - 1.5已被证明不仅有高水平的预测ENSO和IOD,也是“ENSO的味道”,即古典与Modoki模式(亨顿et al . 2009;Lim et al . 2009年)。POAMA可以巧妙地预测热带海温异常与ENSO相关提前两到三个赛季(王et al . 2008 b),可以描述此澳大利亚降雨(Lim et al . 2009年)。POAMA可以预测的高峰阶段的发生IOD在南国之春(儿子),大约四个月交货时间(赵和亨顿2009)。

最娴熟的季节POAMA预测降雨量澳大利亚是在春季(儿子),当ENSO和澳大利亚降雨强之间的关系。图20.12显示了上面的技能(正确的)比例预测平均降雨量在澳大利亚东南部高,比在大多数气候学

图20.12乐团成员正确预测的比例高于平均降雨量在LTO (b) (a) POAMA POAMA LT3和(c)与当前操作统计模型(NCC模型)。等高线间距是10%。正确的比例大于60%是阴影。(从Lim et al . 2009年)

全国领先时间0 (LT0,即预测初始化在儿子9月的开始和验证,在此期间,1980 - 2006年)(Lim et al . 2009年)。这个地区的技能就是强降雨和热带海温之间的远程并置对比(Lim et al . 2009年)。然而,操作区域降雨和气温预测局仍基于统计系统而不是POAMA在这个时间点上。降雨实验产品,如概率高于平均降雨量,从POAMA已被证明比这些更娴熟的基于统计系统基于技能等措施中华民国得分和命中率(例如,图20.12),但是天气预报可靠性较低,即预测过于强调(自信)经常出现概率超过90%。工作正在进行中,解决可靠性问题以便POAMA降雨形成季节性气候局的前景的基础,包括一个务实的统计修正和调整在短期内和调查方法来增加整体长期的传播。raybet雷竞技最新

建立一个新版本,POAMA-2是提高物理和一个新的海洋数据同化系统,POAMA合奏的海洋数据同化系统(PEODAS)中提到的教派。20.5。一组全面的追正在生成,系统将操作在2010年底实现。初步结果显示显著增加在太平洋海温技能POAMA-2 poama - 1.5。POAMA-3系统的开发也正在进行,其中包括一个新的耦合模型基于大气模型和GFDL MOM4 UKMO统一,运行在更高的分辨率比当前系统。海洋数据同化系统也被扩展到包括大气和陆地表面,这将导致多元整体耦合的同化系统。

新的海洋资料同化系统,PEODAS(阴et al . 2011年),是一个主要POAMA的新发展。系统是基于多元整体最优插值(好的et al . 2005年)的背景误差协方差计算从一个整体的海洋国家。但是,与好的et al。(2005)使用一个静态的合奏,PEODAS使用一个进化的整体计算时间依赖多元误差协方差矩阵。一是并行运行的主要扰动分析的海洋模式迫使主要分析运行,使用一个方法由阿尔维斯和罗伯特(2005)。海洋再分析了从1977年到2007年,吸收温度和盐度观测从制定/整体项目。同化过程中,温度和盐度放松通过水柱的月度气候学e-folding 2年的时间尺度。海温强烈推动了SST模型产品从NCEP再分析一天时间尺度。

20.5在教派。结果表明:PEODAS海洋再分析是一种改善对前面POAMA版本。初步结果还表明,这些改进导致更好地预测技能的SST在季节性的时间尺度。每个再分析一组追每个月从1980年到2001年开始生产。为PEODAS再分析10系综是使用的主要生成PEODAS再分析。对于旧POAMA再分析一个10合奏也生成,然而这一次海洋通过使用相同的初始条件

图20.13 NINO3.4 SST NINO3.4 Corr 82 - 06

图20.13 NINO3.4 SST NINO3.4 Corr 82 - 06

(因为扰乱国家没有可用),大气初始条件六个小时。

图20.13显示了NINO3.4预测技能与交货时间从每个组再分析和预测基于10合奏的意思。预测使用PEODAS初始条件显示技能明显多于那些使用旧POAMA同化初始条件。而老再分析同样适合观察温度作为新再分析,旧的再分析显示明显更适合盐度和纬向电流。这个结果可以作为一个迹象表明,同化改进预测技巧,重要的是要保持动力和物理变量之间的平衡,因此所有的变量,而不仅仅是那些直接受到观察,应该显示一致的改善。

20.8年代际预测

年代际气候预测是raybet雷竞技最新非常早期的阶段,但有潜力提供信息,从而更好的适应气候变化。人为气候变化信号强烈调制raybet雷竞技最新自然气候变化raybet雷竞技最新,particu拉尔可变性的缓慢过程在年代际时间尺度上的海洋(Hur-rell et al . 2010年)。季节性预测一样,有越来越多的证据表明,年代际预测是一个初值问题,与最近的结果集合体项目(史密斯et al . 2007;范德林登和米切尔2009)显示初始化年代际预测有可能提供改进的信息相比,传统的气候变化预测。raybet雷竞技最新年代际预测主要源自辐射强迫的变化,包括人为温室气体和气溶胶和长寿的海洋的变化。后者的例子包括相关的变化太平洋年代际振荡(PDO;例如,Inter-decadal曼图亚et al . 1997年)太平洋振荡(上市;例如,电力et al . 1999年)和《大西洋数十年震荡(AMO;例如,骑士et al . 2005年)。这些长期的气候变化预测能力取决于因此,部分海洋准确的初始条件。raybet雷竞技最新然而,季节性预测相比,年代际预测依赖于观察到深海。最近的海洋观测系统的改善,特别是Argo数据的出现,提供了潜在的年代际预测增加技能(Balmaseda et al . 2010年)。Argo数据(2003年以来)可能是至关重要的,例如,对于制作巧妙的预测大西洋经向翻转环流(商务部)(Balmaseda et al . 2010年)。但是,年代际预测的主要挑战是如何评估追和预测,特别是针对稀疏历史海洋观测(Balmaseda et al . 2010;Hurrell et al . 2010年)。此外,由于我们的短观测记录,年代际变化的机制并不清楚,这种可变性的表示模型之间明显不同(Hurrell et al . 2010年)。这意味着我们预测的理论上限技能在年代际时间尺度上也还没有很好地建立(Hurrell et al . 2010年)。年代际预测面临的另一个挑战是如何初始化的预测。当前系统(史密斯et al . 2007;Keenlyside et al . 2008;Pohlmann et al . 2009年)使用初始化异常,而不是完整的初始化,这样模型初始化添加到模型与观察到的异常气候。raybet雷竞技最新该方法是一种处理模型偏差和减少初始化冲击。 However, the best approach for initialising decadal forecasts remains unclear (Hurrell et al. 2010).

20.9总结

今天的复杂操作季节性预测系统依赖于一系列相互关联的组件:数据同化和初始化,海气耦合环流模式,整体生成和预测校正。每个组件的海洋起着关键作用。预测技能在季节性预测来自耦合系统的初始状态,尤其是上层海洋。正确初始化的季节和年际变化的重要模式,如ENSO和IOD,是至关重要的。海洋的实时估计初始状态有了很大的改善与改进在过去二十年中,海洋观测网络,特别是从道/ TRITON数组和Argo浮标。

然而,季节性预测需要再分析海洋回到过去为了初始化所需的回顾性预报技能评估预测系统的预测和校准。海洋观测系统的non-stationarity构成了巨大挑战季节性的初始化和验证,以及十年,追和预测。海洋初始化的结果表明,该方法具有重大影响的平均状态,可变性和技能的预测(Balmaseda和安德森2009)。由于耦合模型中的缺陷,生产的目的最好的初始状态,靠近观察,可能不会产生最好的预测。可能会有长期影响的模型向上或初始化冲击当使用观察初始条件。最近的研究表明,初始化方案,使得最使用的观测数据将产生最娴熟的预测,尽管初始耦合中的失衡状态生成(Balmaseda和安德森2009)。显然,然而,初始化方案的影响是非常依赖于耦合模型的质量。目前的研究是解决“耦合同化”的前景,在大气和海洋的数据同化的耦合模型,导致均衡的初始状态。

季节性预测是一个复杂和具有挑战性的研究和应用领域。本文地址动态季节性预测使用海气耦合模型,尤其关注数据同化和初始化。交货、价值和使用季节性预测还没有被讨论。后者,将继续推动未来的进步耦合模型,数据同化,整体技术和海洋观测系统。

Acknowlegements作者要感谢Eun-Pa Lim,克莱尔·斯皮尔曼家的男人,国民王殷和设备提供使用的一些数据。

引用

阿尔维斯O,罗伯特C(2005)热带太平洋从蒙特卡罗模拟模型误差协方差。夸脱J罗伊流星Soc 131:3643 - 3658阿尔维斯啊,王啊,钟,史密斯N, Tseitkin F, Warren G,席勒,戈弗雷JS,迈耶斯克(2003)POAMA:气象局操作耦合模型预测系统。国家干旱论坛、布里斯班(4月15 - 16)阿尔维斯O, Balmaseda M,安德森D,斯托克代尔T(2004)的敏感性动态季节性预测海洋初始条件。夸脱J罗伊流星Soc 130:647 - 668 MP,鲍德温Dunkerton TJ(2001)平流层异常天气政权的先兆。科学294:581。doi: 10.1126 /科学。1063315 Balmaseda马,韦弗(2006)温度、盐度、气候变化和海平面变化:海洋可利用。raybet雷竞技最新论文发表于CLIVAR / GODAE会议上海洋综合评价,2006年8月1日9月31日,ECMWF,阅读,英国。http://www.clivar.org/orga-电离作用/ gsop /合成/团体/ Items3_4.ppt。2009年5月26日访问Balmaseda马,安德森D(2009)初始化策略和观察对季节性的影响预测能力。“Res 36: L01701。doi: 10.1029/2008 gl035561 Balmaseda妈,安德森DLT, Vidard(2007)全球海洋的阿尔戈对分析的影响。“Res 34: L16605。gl030452 doi: 10.1029/2007

Balmaseda马,Vidard,安德森D (2008) ECMWF ORA-S3海洋分析系统。我的

我们牧师136:3018 - 3034 Balmaseda MA,阿尔维斯O, Arribas,淡路市T,百灵达D,渡轮N,藤井裕久Y,李T, Rienecker M, Rosati T,口吃D(2009)海洋季节性预测的初始化。海洋学22:154 - 159

Balmaseda马,藤井裕久Y,阿尔维斯O et al(2010)初始化季节性和年代际预测。:大厅J,哈里森DE,口吃D (eds)诉讼OceanObs的09:持续海洋观测和信息社会,卷2,ESA出版wpp - 306,威尼斯,2009年9月21 - 25日

Balmaseda马,藤井裕久Y,阿尔维斯O et al (2010 b)海洋观测系统的角色在一个端到端的季节性预报系统。全体,OceanObs 09年,威尼斯,2009年9月21 - 25日。http://www.oceanobs09.net/plenary/index.php百灵达DW(2007)在NCEP全球海洋数据同化系统。11日研讨会上对大气综合观测和同化系统,海洋和陆地表面,AMS第87届会议上,圣安东尼奥,页12钟CJ,灰色LJ, Charlton-Perez AJ,斯凯夫AA (2009) ENSO的平流层通信

远程并置对比欧洲的冬天。J爬22:4083 - 4096年伯纳,Doblas-Reyes陆地,帕默TN,茴鱼G, Weisheimer quasi-stochastic(2008)影响的细胞自动机后向散射模式系统误差和季节性的全球气候模型的预测能力。raybet雷竞技最新费罗斯反式R Soc 366:2561 - 2579 Bjerknes J(1969)从赤道太平洋大气远程并置对比。星期一我们牧师97:163 - 172

邦戎F, Lagerloef GSE(2002)诊断模型和分析热带的表面电流

太平洋。J phy Oceanogr 32:2938汉堡- 2954 G, Balmaseda MA Vossepoel FC,凡•奥德博朗表明GJ, van Leeuwen PJ(2002)平衡

赤道附近海洋资料同化。J phy Oceanogr Cagnazzo 32:2509 - 2519 C, Manzini E(2009)的影响在冬季平流层对流层teleconnec -

ENSO与北大西洋和欧洲地区。J Cazes-Boezio爬22:1223 - 1238 G, Menemenlis D, ECCO ocean-state Mechoso CR(2008)的影响估计的初始化季节性气候预测。raybet雷竞技最新J爬21:1929 LE - 1947室,Drosdowsky W(1999)澳大利亚季节性降雨预测全球海洋表面温度附近使用。阿莫斯公牛12 (3):51-55 Chang P,山形T, Schopf P, Behera SK,纸箱J,凯斯勒WS,迈耶斯G, T曲Schott F, Shetye年代,谢S P(2006)气候波动的热带海洋动力学耦合系统的作用。raybet雷竞技最新柯林斯J爬19:5122 - 5174 M,布斯BBB,哈里斯GR,墨菲JM, Sexton DMH,韦伯乔丹(2006)向量化瞬时气候变化的不确定性。raybet雷竞技最新这一达因27:127 - 147 Doblas-Reyes FJ, Weisheimer,双端队列M et al(2009)寻址模型季节性和年度动态整体预估的不确定性。夸脱J R流星Soc Dommenget 135:1538 - 1559 D,口吃D(2004)评估ENSO模拟使用伴随海洋状态估计和预测。J爬17:4301 - 4315 Fennessy MJ,舒克拉J(1999)初始土壤湿度对季节性大气预测的影响。

J爬12(11):3167 - 3180弗莱彻CG,此外,SC,库什纳PJ,科恩J(2009)积雪扰动的动态响应在一个大合奏的大气GCM集成。J爬22:1208 - 1222福兰德CK,科尔曼啊,罗DP,戴维可(2001)可预见性的巴西东北部降雨和实时预报技巧。J爬14:1937 - 1958(1987 - 1998)藤井裕久Y,松本年代,Kamachi M, Ishizaki年代(2011)估计的赤道太平洋海洋盐度场使用数据同化系统。副词Geosci(媒体)戈达德L,格雷厄姆NE(1999)的重要性为模拟降水异常在印度洋东部和南部非洲。J“Res 104:19099 - 19116亨顿HH, Lim E, G,阿尔维斯啊,哈德逊D(2009)前景预测两个口味的厄尔尼诺现象。“Res。gl040100 doi: 10.1029/2009

哈德逊D,阿尔维斯O,亨顿HH,王G(2010)的影响大气季节性预测热带太平洋SST的初始化。爬Dyn. doi: 10.1007 / s00382 - 010 - 0763 - 9 Hurrell J, Delworth TL, Danabasoglu G et al(2010)年代际气候raybet雷竞技最新预测:机遇和挑战。:大厅J,哈里森DE,口吃D (eds)学报0 cean0bs ' 09:持续海洋观测和信息社会,卷2。ESA出版wpp - 306,威尼斯,2009年9月21 - 25日

尹爱森年代,斯凯夫AA(2008)平流层的角色在欧洲气候应对厄尔raybet雷竞技最新

尼诺。林Nat Geosci 2:32-36 Jin f L, Timmermann,赵J (2007) Ensemblemean动力学的ENSO statedependent下充电振荡器随机强迫。“Res 34: L03807。doi: 10.1029/2006 gl027372金EK,肯特杰三世,王B et al(2008)的现状预测ENSO技能在海气耦合模型。这一动力学31:647 - 664。doi: 10.1007 / s00382 - 008 - 0397 - 3 Keenlyside N, Latif M, Jungclaus J, Kornblueh L,鉴于Roeckner E(2008)推进年代际气候预测在北大西洋部门raybet雷竞技最新。自然453:84 - 88 Keppenne CL, Rienecker MM,雅各布·摩根大通Kovach R(2008)误差协方差建模GMAO海洋合奏卡尔曼滤波器。星期一我们牧师136:2964 - 2982。doi: 10.1175/2007 mwr2243.1 Kirtman BP,皮拉尼(2009)的艺术状态的季节性预测:从第一次世界气候研究计划结果和建议研讨会季节性预测。raybet雷竞技最新牛是流星Soc 90:455 - 458小骑士,艾伦•RJ福兰德CK et al(2005)的签名持久自然温盐环流周期观测到气候。raybet雷竞技最新“Res 32: L20708。 doi:1029/2005GL024233 Koster RD, Suarez MJ (2003) Impact of land surface initialisation on seasonal precipitation and temperature prediction. J Hydrometeor 4:408-423 Koster RD, Suarez MJ, Liu P et al (2004) Realistic initialisation of land surface states: impacts on subseasonal forecast skill. J Hydrometeor 5:1049-1063 Koster RD,Guo Z, Dirmeyer PA et al (2006) GLACE: The global land-atmosphere coupling experiment. Part I: overview. J Hydrometeor 7:590-610 Koster RD, Mahanama SPP, Yamada TJ et al (2010) Contribution of land surface initialisation to subseasonal forecast skill: first results from a multi-model experiment. Geophys Res Lett 37:L02402. doi:10.1029/2009GL041677 Kushnir Y, Robinson WA, Chang P, Robertson AW (2006) The physical basis for predicting Atlantic sector seasonal-to-interannual climate variability. J Clim 19:5949-5970 Lim E-P, Hendon HH, Hudson H, Wang G, Alves O (2009) Dynamical forecasts of inter-El Niño variations of tropical SST and Australian spring rainfall. Mon Wea Rev 137:3796-3810 Luo JJ, Masson S, Behera S, Yamagata T (2007) Experimental forecasts of the Indian ocean dipole using a coupled OAGCM. J Clim 20:2178-2190 Mantua NM, Hare SR, Zhang Y, Wallace JM, Francis RC (1997) A Pacific interdecadal climate oscillation with impacts on salmon production. Bull Am Meteor Soc 78:1069-1079 Marshall AG, Scaife AA (2009) Impact of the QBO on surface winter climate. J Geophys Res

114:D18110。doi: 10.1029/2009 jd011737梅森SJ,斯蒂芬森D(2008)我们如何知道是否季节性的气候预报好吗?raybet雷竞技最新哈里森:Troccoli A, M,安德森DLT,梅森SJ (eds)季节性气候:预测和管理风险。raybet雷竞技最新北约科学系列。施普林格,多德雷赫特,页467年马丁•乔丹海因斯,贝尔乔丹(2007)数据同化的泡沫经营短程海洋预报系统:方案的描述及其影响。夸脱J R流星Soc 133:981 - 995

Maycock AC,基利SPE Charlton-Perez AJ, Doblas-Reyes FJ(2009)平流层环流季节预测模型:对季节性预测的影响。爬Dyn. doi: 10.1007 / s00382 - 009 - 0665 - x

墨菲JM, Sexton DMH,巴内特DN,琼斯GS,韦伯MJ DA柯林斯M,斯塔恩弗斯(2004)量化建模不确定性的大合奏气候变化的模拟。raybet雷竞技最新自然430:768 - 772

Neelin D, Battisti DS,赫斯特AC,金f,若田光一Y,山形T, Zebiak年代(1998)ENSO理论。J

“Res 103:14261 - 14290没问题的公关,席勒,格里芬哒,Brassington GB(2005)整体数据同化的艾迪-

解决澳大利亚地区的海洋模型。夸脱J R流星Soc 131:3301 GJ - 3311奥德博朗表明货车Balmaseda MA Ferranti L,斯托克代尔TN,安德森DLT(2005)做了ECMWF季节性预测模型比一个统计模型在过去的15年?J爬18:2960 - 2969

帕默TN, Alessandri,安徒生U et al(2004)发展欧洲multimodel合奏seasonal-to-interannual预测系统(得墨忒耳)。牛是流星Soc 85:853 - 872

范教授DT, Verron J, Roubaud MC(1998)单一发展的扩展卡尔曼滤波器在海洋学数据同化。J 3月系统16:323 - 340调情SG(2004)与厄尔尼诺事件。普林斯顿普林斯顿大学出版社,275页Pohlmann H, Jungclaus J, Marotzke J科尔,口吃D(2009)通过耦合气候模型的初始化提高可预测性与全球海洋再分析。raybet雷竞技最新J爬22:3926 - 3938

年代,凯西T,福兰德C,科尔曼,梅塔V (1999) Inter-decadal调制ENSO对澳大利亚的影响。这一达因15:319 - 324 Rasmusson EM,木匠TH(1983)之间的关系赤道东太平洋太平洋和印度和斯里兰卡的降雨量。星期一我们牧师111:5雷竞技csgo17 - 528·罗德威尔MJ,福兰德CK(2002)大西洋海气相互作用和季节性的可预测性。夸脱J R

流星Soc 128:1413 - 1443 Ropelewski CF, Halpert女士(1987)全球和区域尺度降水模式与厄尔尼诺/南方振荡。星期一我们牧师115:1606 - 1626 Saji NH,山形T(2003)可能影响全球气候的印度洋偶极子模式事件。raybet雷竞技最新爬Res 25:151 - 169 Saji NH,他BN,: Vinayachandran PN,山形T(1999)在热带偶极子模式

印度洋。科斯特自然401:360 - 363 Seneviratne SI, RD,郭Z et al(2006)在agcm模拟土壤水分的记忆:分析全球land-atmosphere耦合实验(糖衣)数据。J水汽现象7:1090施- 1112 L,雷竞技csgo阿尔维斯O,亨顿HH,王G,安德森D(2009)随机的作用迫使1997/98的整体预测厄尔尼诺现象。J爬22:2526史密斯- 2540 D,库萨克,科尔曼,福兰德C,哈里斯G,墨菲J(2007)提高表面温度预测的未来十年全球环流模型。科学317:796 - 799斯皮尔曼家的男人厘米,阿尔维斯O(2009)动力季节性预测的夏天在大堡礁海洋表面温度。珊瑚礁。doi: 10.1007 / s00338 DA - 008 - 0438 - 8斯塔恩弗斯,Aina T,克里斯滕森C,柯林斯M, Faull N帧DJ, Kettleborough是的,骑士,马丁,墨菲JM, Piani C, Sexton D,史密斯,Spicer RA,索普AJ,艾伦先生(2005)的不确定性的预测气候应对不断上升的温室气体的含量。raybet雷竞技最新自然433:403 - 406

斯蒂芬森D(2008)介绍概率预测。哈里森:Troccoli A, M,安德森DLT和梅森SJ (eds)季节性气候:预测和管理风险。raybet雷竞技最新北约科学系列。施普林格,多德雷赫特,页467年斯托克代尔TN(1997)海气耦合预测的气候漂移。raybet雷竞技最新星期一我们牧师125:809 - 818

斯托克代尔TN、马Balmaseda Vidard(2006)热带大西洋SST与海气耦合模型预测。J爬19:6047 - 6061年斯托克代尔TN,阿尔维斯O,波尔克et al(2010)的理解和预测季节性interan-nual气候变数的生产者角度。raybet雷竞技最新WCC3白皮书。汇票。http://www。wcc3.org/sessions.php?session_list = WS-3斯托克代尔TN,安德森DLT, Balmaseda MA Doblas-Reyes F, Ferranti L, Mogensen K,帕默TN, Molteni F, Vitart F (2011)。ECMWF季节性预报系统3和海洋表面温度的预测。这一动力学(新闻)

Ummenhofer CC,英格兰MH,麦金托什电脑,迈耶斯GA,普克MJ, Risbey JS,古普塔,Taschetto为(2009)导致东南澳大利亚最严重的旱灾的原因是什么?“Res。doi: 10.1029/2008 gl036801臼井仪人N, Ishizaki年代,藤井裕久Y, Tsujino H, Yasuda T, Kamachi M(2006)气象研究所海洋变分多元评估系统(移动):一些早期的结果。阿德空间Res 37:806 - 822

范德林登P,米切尔JFB (eds)(2009)集合体:气候变化及其影响:总结研究和乐团项目的结果。raybet雷竞技最新气象局哈德利中心,埃克塞特,页160

Vialard J, Vitart F, Balmaseda M,斯托克代尔T,安德森D(2005)一代季节性预报和海洋大气耦合模式的方法。星期一我们牧师133:441 - 453 Wajsowicz RC (2007) Seasonal-to-interannual预测热带印度洋海表温度异常:潜在的可预测性和障碍。J爬20:3320沃克- 3343 G(1923)相关的季节性变化天气八世。世界天气的初步研究。Mem印度Meteorol部门24(4):75 - 131年沃克GT(1924)关联在第九季节性变化的天气。Mem印度Meteorol部门24日(9):275 - 332

王B,李j y,康is, et al(2008)推进和招股说明书的季节性预测:“评估/ CliPAS 14-model合奏回顾季节性预测(1980 - 2004)。爬Dyn. doi: 10.1007 / s00382王- 008 - 0460 - 0 G,阿尔维斯啊,哈德逊D,亨顿H,刘G, Tseitkin F (2008 b)海温技能评估新的poama - 1.5系统。BMRC Res列托人8:2-6(澳大利亚气象局)韦伯斯特PJ,摩尔,Loschnigg JP,酸奶RR(1999)在印度洋海气耦合动力学在1997 - 1998。自然401:356 - 360 Weisheimer Doblas-Reyes FJ,帕默TN et al(2009)的集合体:新多模型集合seasonal-to-annual predictions-Skill和进步超越得墨忒耳在预测热带太平洋太平洋。“Res列托人36 (21):L21711阴Y,阿尔维斯啊,好的公关(2011)一个海洋数据同化系统季节性预测。星期一我们启doi: 10.1175/2010 mwr3419.1 Zebiak SE,甘蔗MA厄尔尼诺-南方涛动(1987)模型。星期一我们牧师115:2262赵- 2278 M,亨顿HH(2009)表征和预测印度洋偶极子的POAMA季节性预测模型。夸脱J R流星Soc 135 (639): 337 - 352

第七部分评估

继续阅读:海洋动力学评价模型使用墨西哥湾流作为一个例子

这篇文章有用吗?

0 0