热带海洋是大尺度海-气相互作用最显著的区域，在全球气候变化中起着重要作用。年际尺度上，热带印度洋海表温度主要受两种异常模态主导，一种是整个热带印度洋海盆同相的海温异常模态（Indian Ocean basin mode，IOBM），另一种是热带东南印度洋和西印度洋反相的海温异常模态—印度洋偶极子（Indian Ocean dipole，IOD）。研究表明，当前模式对一些个别的强IOD事件可以提前几个季节预测，但是由于强的春季预报障碍，普通IOD事件的有效预报时间只有3到4个月。
本研究评估了CFSv2模式对春季IOD的预测效果，结果表明CFSv2模式对于春季IOD的有效预测时间不到1个月（图1）。因此将观测的前期12月北极拉普捷夫海海冰以及CFSv2模式预测的同期春季南印度洋海表面高度作为预测因子，分别构建了统计-动力相结合的预测模型以及卷积神经网络（convolutional neural network, CNN）模型来改进4–6月IOD指数的预测效果。研究结果表明，构建的统计-动力相结合的预测模型以及卷积神经网络模型都可以很好的改进模式对IOD的预测，改进后的春季IOD指数与观测的相关系数均达到了0.7以上，并且很好地捕捉到春季IOD指数的年际变化（图2）。研究还进一步评估了CFSv2模式对北极海冰和大气环流的预测技巧，以此来探讨CFSv2对4–6月IOD预测效果较差的可能原因。由于前期12月拉普捷夫海冰是引起大气环流产生变化从而在赤道印度洋产生东风导致4–6月IOD事件发生。在观测中，4–6月IOD正位相时，同期赤道中东印度洋近地表东风异常显著。而在模式预测中，这种赤道印度洋东风和4–6月正位相IOD之间的相关关系并没有很好地表现出来。同时CFSv2模式对4–6月赤道印度洋纬向风的预测效果较差。因此，CFSv2模式对12月拉普捷夫海海冰以及4–6月赤道印度洋纬向风场较差的预测技巧可能是CFSv2对4–6月的IOD预测效果较差的一个重要原因。
本研究所提出的物理机制以及构建的统计-动力相结合的预测模型，为今后数值模式预报IOD提供了科技支撑。
图1 1982–2014年期间，（a）CFSv2模式对IOD的预测技巧（相关系数）随起报月和预报时间的变化，（b）CFSv2模式对IOD的预测技巧（相关系数）随预报时间的变化，（c）CFSv2模式3月起报的对IOD的预测技巧（相关系数），打点区域和水平虚线表示通过0.1信度的t检验
图2 在1997–2014年，CNN模型（a）和统计-动力相结合的模型（b）预测的4–6月IOD和观测的时间序列，黑色为预测，红色为观测
相关论文发表情况
Chen P., B. Sun, H. Wang, et al., 2022: Improving the CFSv2 prediction of the Indian Ocean Dipole based on a physical-empirical model and a deep-learning approach. International Journal of Climatology, 42, 9200-9214. (第一资助)