团队近期在数值模式发展和气候预测方面的新进展
2024-03-12
团队坚持在大气数值模式发展，气候预测方面的研究，坚持以问题为导向，坚持在专业期刊发表研究成果。兹介绍近期发表的关于模式发展及气候预测方面的工作，欢迎批评指正。
一. 揭示了边界层水、热垂直扩散在土壤湿度与降水互馈中存在竞争性作用
目前边界层方案一般把水、热垂直扩散视为一个整体，二者未加以区分处理，这与观测和大涡模拟的结果不符，是导致陆气相互作用模拟偏差的主要因素之一。团队在揭示陆地和海洋边界层动量垂直扩散对登陆和洋面热带气旋预报性能的影响存在差异的基础上，把动量垂直扩散推进到了水、热垂直扩散的研究，发现土壤偏湿对应的弱边界层垂直扩散通过加强边界层热力强迫和动力抬升，促进边界层顶部水汽饱和以抑制环境干冷空气的侵蚀，从而有利于对流降水的发生发展；揭示出了土壤湿度异常对应的水、热垂直扩散异常通过影响边界层水汽垂直输送和大气稳定性的相对重要性，二者在降水模拟中具有竞争性作用；通过区分刻画水、热垂直扩散，边界层水热结构和降水的模拟误差可减小10% 以上（图1.1-1.2）。
图1.1 不同水、热垂直扩散试验的边界层水汽混合比、位温和云混合比的时间-高度截面（单位：%）。填充颜色代表水汽混合比，黑色线条代表位温，红色线条代表云混合比。实（虚）线表示正（负）值。
图1.2 不同水、热垂直扩散试验对累积降水的模拟相对误差（单位：%）。正（负）值表示相对于控制试验模拟误差（增大）减小。
该成果发表在美国气象学会的专业期刊Monthly Weather Review.
Zhang, F., K. Bi, S. Wei, and C. Wang, 2024: The Response of Precipitation to Initial Soil Moisture over the Tibetan Plateau: Respective Effects of Boundary Layer Vertical Heat and Vapor Diffusions. Monthly Weather Review, 152, 589–605, https://doi.org/10.1175/MWR-D-23-0025.1.
二．将发展的冻融参数化方案植入了Noah-MP，并在全球的寒区进行了检验。
冻土中的水热传输影响着陆-气之间的能量和水分交换。目前，陆面模式对冻土水热传输过程的模拟仍存在偏差，是导致气候模式模拟和预估存在不确定性的原因之一。针对上述问题，团队基于陆面模式Noah-MP，分析了Noah-MP对冻融过程中土壤水热传输的模拟偏差，结果表明，Noah-MP中现有的冻融参数化方案对完全冻结和融化过程中的土壤温、湿度模拟存在较大偏差（图2.1），Noah-MP模拟的土壤水-热耦合关系与观测存在差别。在此基础上，将陆面模式CLM中发展的冻融参数化方案YW18（Yang & Wang et al., 2018）移植到了Noah-MP，并加入砾石和有机质的影响，优化了Noah-MP的土壤水力和热特性参数化，有效提高了完全冻结和融化期间土壤温、湿度模拟效果（图2.2），使土壤水热模拟偏差减少了20%-50%，改进后的冻融参数化方案能较好地再现土壤水-热耦合关系，加入全球模式后的模拟试验，进一步检验了改进的冻融参数化的模拟效果。
图 2.1 Noah-MP中现有的冻融参数化方案对完全冻结（CF）和融化（T）过程中的土壤温、湿度模拟的Taylor评分
图2.2 改进的方案（SP5-8）、原方案（SP1、SP2）模拟的土壤温度（ST）、湿度（SM）与观测（obs）对比。
该成果发表在美国地球物理协会（AGU）旗下的Nature Index期刊Journal of Geophysical Research: Atmospheres.
Yang, K., Yang, J., Zhaoye, P., Zhang, F., Zhang, G., Wang, C. (2023). Optimization and validation of soil frozen-thawing parameterizations in Noah-MP. Journal of Geophysical Research: Atmospheres, 128, e2022JD038217. https://doi.org/10.1029/2022JD03821.
三. 研建了使用次表层海水温度和盐度预测海表温度的机器学习模型，提高了海表温度的预测能力
月、季甚至更长时间尺度上的大气运动高度依赖于外部强迫。海表温度是大气的重要外强迫条件，其变化直接影响海洋与大气的相互作用，并在不同时间尺度上对区域和全球气候具有重要影响。然而，作为次季节到季节气候预测基础的海温预测是一个挑战性问题。团队近期的研究表明，1981-2020年海水温度的年平均变化率随着海水深度的增加而逐渐减小；海表温度对不同深度的海水温度和盐度存在较长的记忆性，全球大部分海盆的记忆性可持续6-8个月（图3.1）；基于此，团队建立了以次表层海水温度和盐度为预测因子的卷积神经网络，从而来预测未来6个月的月平均海表面温度。结果表明，使用本研建的方法预测的海温在全球范围内的平均偏差在0.8 ℃ 内，在远离海岸的海洋地区，预测偏差在0.5 ℃ 以内（图3.2）。研究结果表明，利用次表层海水温度和盐度的持续性，建立基于卷积神经网络的海表温度预测方法具有较好的预测性，预测的海表温度可作为气候模式的下边界条件，这项研究也为预测尼诺指数等提供了一种新的方法。
图3.1 海表温度的记忆性（单位：月）。填色表示海表温度滞后自相关系数通过0.01显著性检验的最大月份。
图3.2 不同月份预测和观测海表温度之间的偏差（单位：℃ ）。（a）3月（提前1个月预测）、（b）4月（提前2个月预测）、（c）5月（提前3个月预测）、（d）6月（提前4个月预测）、（e）7月（提前5个月预测）和（f）8月（提前6个月预测）。
该成果发表在国际气候学期刊International Journal of Climatology.
Wei, S., C. Wang, F. Zhang, and K. Yang, 2024: Prediction of seasonal sea surface temperature based on temperature and salinity of subsurface ocean using machine learning. International Journal of Climatology, 1-13. https://doi.org/10.1002/joc.8384.
四．基于土壤湿度的记忆性，研建了多层土壤温、湿度预测未来时刻的土壤湿度的机器学习模型，为提供气候模式的下边界条件探索了新途径
目前气候模式初始场中的土壤温、 湿度多以多年平均值作为参考值，而边界场在大气场的强迫迭代下形成，需要较长的模式平衡 时 间 （spin-up）并高度依赖于陆面过程模式和大气模式的耦合过程，往往偏差较大。利用土壤温、湿度自身变化规律，建立土壤温、湿度变化的预测模型，预测未来时刻的土壤温、湿度变化，然后将其作为模式的下边界条件，对提高模式的预报准确性具有积极意义。
团队根据土壤湿度的记忆性特点，采用卷积神经网络算法（Convolutional Neural Networks，CNN），选取 ERA5 0~7、7~28、28~100、100~289 cm 深度层土壤温、湿度作为预测因子，构建了对月、季尺度上土壤湿度变化进行预测的模型（图4.1）。使用该模型能提前6 个月对土壤湿度进行可靠有效地预测；预测的浅层（0~28 cm） 与 深 层（28~289 cm）土壤湿度平均偏差分别小0.05、0.02m3·m-3；在湿润区，平均偏差基本在0.03m3·m-3 以内，表现出较好的效果（图4.2）。该研究提供了一种利用土壤温、湿度预测土壤湿度的方法，延长了预测的前置时间，既可用于土壤干旱的预测，也可作为数值模式的初边界场。
图 4.1 土壤湿度卷积神经网络预测模型示意图
图 4.2 2021 年 7-12 月不同代表区域平均土壤湿度预测值与真实值变化 （a）中国北部及蒙古，（b）南美南部，（c）北美东部，（d）南非高原
该成果发表在核心期刊《干旱气象》。
魏森涛, 王澄海, 张飞民, 杨凯. (2023). 基于土壤温、湿度记忆性的土壤湿度预测方法研究. 干旱气象, 41(5), 783–791. https://doi.org/10.11755/j.issn.1006-7639(2023)-05-0783.
Copyright © 甘肃省气候资源及防灾减灾重点实验室 All rights reserved. 联系地址：甘肃省兰州市天水南路222号 邮编：730000
团队近期在数值模式发展和气候预测方面的新进展
2024-03-12
团队坚持在大气数值模式发展，气候预测方面的研究，坚持以问题为导向，坚持在专业期刊发表研究成果。兹介绍近期发表的关于模式发展及气候预测方面的工作，欢迎批评指正。
一. 揭示了边界层水、热垂直扩散在土壤湿度与降水互馈中存在竞争性作用
目前边界层方案一般把水、热垂直扩散视为一个整体，二者未加以区分处理，这与观测和大涡模拟的结果不符，是导致陆气相互作用模拟偏差的主要因素之一。团队在揭示陆地和海洋边界层动量垂直扩散对登陆和洋面热带气旋预报性能的影响存在差异的基础上，把动量垂直扩散推进到了水、热垂直扩散的研究，发现土壤偏湿对应的弱边界层垂直扩散通过加强边界层热力强迫和动力抬升，促进边界层顶部水汽饱和以抑制环境干冷空气的侵蚀，从而有利于对流降水的发生发展；揭示出了土壤湿度异常对应的水、热垂直扩散异常通过影响边界层水汽垂直输送和大气稳定性的相对重要性，二者在降水模拟中具有竞争性作用；通过区分刻画水、热垂直扩散，边界层水热结构和降水的模拟误差可减小10% 以上（图1.1-1.2）。
图1.1 不同水、热垂直扩散试验的边界层水汽混合比、位温和云混合比的时间-高度截面（单位：%）。填充颜色代表水汽混合比，黑色线条代表位温，红色线条代表云混合比。实（虚）线表示正（负）值。
图1.2 不同水、热垂直扩散试验对累积降水的模拟相对误差（单位：%）。正（负）值表示相对于控制试验模拟误差（增大）减小。
该成果发表在美国气象学会的专业期刊Monthly Weather Review.
Zhang, F., K. Bi, S. Wei, and C. Wang, 2024: The Response of Precipitation to Initial Soil Moisture over the Tibetan Plateau: Respective Effects of Boundary Layer Vertical Heat and Vapor Diffusions. Monthly Weather Review, 152, 589–605, https://doi.org/10.1175/MWR-D-23-0025.1.
二．将发展的冻融参数化方案植入了Noah-MP，并在全球的寒区进行了检验。
冻土中的水热传输影响着陆-气之间的能量和水分交换。目前，陆面模式对冻土水热传输过程的模拟仍存在偏差，是导致气候模式模拟和预估存在不确定性的原因之一。针对上述问题，团队基于陆面模式Noah-MP，分析了Noah-MP对冻融过程中土壤水热传输的模拟偏差，结果表明，Noah-MP中现有的冻融参数化方案对完全冻结和融化过程中的土壤温、湿度模拟存在较大偏差（图2.1），Noah-MP模拟的土壤水-热耦合关系与观测存在差别。在此基础上，将陆面模式CLM中发展的冻融参数化方案YW18（Yang & Wang et al., 2018）移植到了Noah-MP，并加入砾石和有机质的影响，优化了Noah-MP的土壤水力和热特性参数化，有效提高了完全冻结和融化期间土壤温、湿度模拟效果（图2.2），使土壤水热模拟偏差减少了20%-50%，改进后的冻融参数化方案能较好地再现土壤水-热耦合关系，加入全球模式后的模拟试验，进一步检验了改进的冻融参数化的模拟效果。
图 2.1 Noah-MP中现有的冻融参数化方案对完全冻结（CF）和融化（T）过程中的土壤温、湿度模拟的Taylor评分
图2.2 改进的方案（SP5-8）、原方案（SP1、SP2）模拟的土壤温度（ST）、湿度（SM）与观测（obs）对比。
该成果发表在美国地球物理协会（AGU）旗下的Nature Index期刊Journal of Geophysical Research: Atmospheres.
Yang, K., Yang, J., Zhaoye, P., Zhang, F., Zhang, G., Wang, C. (2023). Optimization and validation of soil frozen-thawing parameterizations in Noah-MP. Journal of Geophysical Research: Atmospheres, 128, e2022JD038217. https://doi.org/10.1029/2022JD03821.
三. 研建了使用次表层海水温度和盐度预测海表温度的机器学习模型，提高了海表温度的预测能力
月、季甚至更长时间尺度上的大气运动高度依赖于外部强迫。海表温度是大气的重要外强迫条件，其变化直接影响海洋与大气的相互作用，并在不同时间尺度上对区域和全球气候具有重要影响。然而，作为次季节到季节气候预测基础的海温预测是一个挑战性问题。团队近期的研究表明，1981-2020年海水温度的年平均变化率随着海水深度的增加而逐渐减小；海表温度对不同深度的海水温度和盐度存在较长的记忆性，全球大部分海盆的记忆性可持续6-8个月（图3.1）；基于此，团队建立了以次表层海水温度和盐度为预测因子的卷积神经网络，从而来预测未来6个月的月平均海表面温度。结果表明，使用本研建的方法预测的海温在全球范围内的平均偏差在0.8 ℃ 内，在远离海岸的海洋地区，预测偏差在0.5 ℃ 以内（图3.2）。研究结果表明，利用次表层海水温度和盐度的持续性，建立基于卷积神经网络的海表温度预测方法具有较好的预测性，预测的海表温度可作为气候模式的下边界条件，这项研究也为预测尼诺指数等提供了一种新的方法。
图3.1 海表温度的记忆性（单位：月）。填色表示海表温度滞后自相关系数通过0.01显著性检验的最大月份。
图3.2 不同月份预测和观测海表温度之间的偏差（单位：℃ ）。（a）3月（提前1个月预测）、（b）4月（提前2个月预测）、（c）5月（提前3个月预测）、（d）6月（提前4个月预测）、（e）7月（提前5个月预测）和（f）8月（提前6个月预测）。
该成果发表在国际气候学期刊International Journal of Climatology.
Wei, S., C. Wang, F. Zhang, and K. Yang, 2024: Prediction of seasonal sea surface temperature based on temperature and salinity of subsurface ocean using machine learning. International Journal of Climatology, 1-13. https://doi.org/10.1002/joc.8384.
四．基于土壤湿度的记忆性，研建了多层土壤温、湿度预测未来时刻的土壤湿度的机器学习模型，为提供气候模式的下边界条件探索了新途径
目前气候模式初始场中的土壤温、 湿度多以多年平均值作为参考值，而边界场在大气场的强迫迭代下形成，需要较长的模式平衡 时 间 （spin-up）并高度依赖于陆面过程模式和大气模式的耦合过程，往往偏差较大。利用土壤温、湿度自身变化规律，建立土壤温、湿度变化的预测模型，预测未来时刻的土壤温、湿度变化，然后将其作为模式的下边界条件，对提高模式的预报准确性具有积极意义。
团队根据土壤湿度的记忆性特点，采用卷积神经网络算法（Convolutional Neural Networks，CNN），选取 ERA5 0~7、7~28、28~100、100~289 cm 深度层土壤温、湿度作为预测因子，构建了对月、季尺度上土壤湿度变化进行预测的模型（图4.1）。使用该模型能提前6 个月对土壤湿度进行可靠有效地预测；预测的浅层（0~28 cm） 与 深 层（28~289 cm）土壤湿度平均偏差分别小0.05、0.02m3·m-3；在湿润区，平均偏差基本在0.03m3·m-3 以内，表现出较好的效果（图4.2）。该研究提供了一种利用土壤温、湿度预测土壤湿度的方法，延长了预测的前置时间，既可用于土壤干旱的预测，也可作为数值模式的初边界场。
图 4.1 土壤湿度卷积神经网络预测模型示意图
图 4.2 2021 年 7-12 月不同代表区域平均土壤湿度预测值与真实值变化 （a）中国北部及蒙古，（b）南美南部，（c）北美东部，（d）南非高原
该成果发表在核心期刊《干旱气象》。
魏森涛, 王澄海, 张飞民, 杨凯. (2023). 基于土壤温、湿度记忆性的土壤湿度预测方法研究. 干旱气象, 41(5), 783–791. https://doi.org/10.11755/j.issn.1006-7639(2023)-05-0783.
Copyright © 甘肃省气候资源及防灾减灾重点实验室
All rights reserved.
联系地址：甘肃省兰州市天水南路222号 邮编：730000
