我国气候环境复杂多样，人口众多，且多集中在旱涝灾害频发的季风区域中（黄荣辉，2006）。随着人类活动导致的气候变暖的加剧，极端天气和气候事件发生风险和强度加大（Chen and Sun，2015; Wang et al.，2020），并随着经济社会的发展，气象灾害造成的生命财产损失也逐年上升（史培军和应卓蓉，2016），因此及时准确的气象预测极为重要。在传统天气预报和气候预测之上，当前国际上的潮流是发展天气-气候的一体化无缝隙预测（Merryfield et al.，2020; 孙照渤和陈海山，2020），而这其中的一个阻碍是，连接天气预报和短期气候预测的次季节预测仍处于技巧荒漠中（White et al.，2017）。这一时间尺度通常在两周以上、季节以下，其初值的影响已衰竭，而边界值的影响还不够显著，因而理解次季节的可预测性来源和实现有效的预测均面临着巨大的挑战。为此，世界天气研究计划、世界气候研究计划（WWRP/WCRP）专门启动了次季节到季节（S2S）预测项目（Vitart et al.，2017）。

热带大气季节内振荡（ISO）被认为是最重要的全球次季节预测信号来源（Lau and Waliser，2011）。最早观测到的ISO主要表现为沿着赤道从印度洋向东传播的对流（Madden and Julian，1971，1972），被称为Madden-Julian Oscillation（MJO）。随着观测数据的不断增加，热带ISO的季节性开始被关注。相较于在北半球冬季较为单一的东传，北半球夏季的ISO呈现出更为复杂的传播特征（Kikuchi，2021），除东传之外，还在印度季风区表现为北传（Yasunari，1979）、在西北太平洋表现为向西北传的特征（Chen and Murakami，1988），这在后来的研究中被学者称为北半球夏季季节内振荡（Boreal Summer Intraseasonal Oscillation，BSISO）（Wang and Xie，1997）。随着相关机理研究的不断深入以及技术的日益进步，过去二十年来热带ISO的动力预测取得了蓬勃的发展。各个国家的业务和研究中心相继开发出次季节预测系统（Vitart et al.，2007; Lin et al.，2008; Rashid et al.，2011; Wang et al.，2014; Liu et al.，2017），它们中大多数能提前20 d以上有效预测冬季MJO（Kim et al.，2018，2019），其中较先进的模式可以延长MJO技巧到30 d以上，并能准确预测其遥相关（Vitart，2017; Xiang et al.，2021）。比较而言，我国的动力模式对MJO的预测虽然取得了长足进步，但目前与国际领先水平仍有一定差距（Liu et al.，2017）。同时，较多的文章主要关注冬季MJO的预测，而对夏季的BSISO则关注相对较少，同时BSISO复杂的传播特征为其带来了更大的预测难度（Lee et al.，2015）。

而MJO和BSISO不仅会影响局部的热带地区，而且会通过遥相关波列影响到中高纬广大区域（Cassou 2008; Riddle et al.，2013）。对东亚来说，冬季MJO不同位相可造成不同区域显著的冷暖异常（Jeong et al.，2005; Zhang，2013; Kim et al.，2020）; 而夏季的MJO则被证明与我国的降水（Jia et al.，2011）密切相关。此外，MJO和BSISO也被认为是引起我国数次极端天气气候事件的重要成因，如2008年南方冰冻雨雪灾害（Hong and Li，2009）、2020年长江中下游超强梅雨（Zhang et al.，2021）以及2021年郑州“721”特大暴雨（Hsu et al.，2023）。因此，准确预测热带大气季节内活动，并能成功把握其对我国气温和降水的影响，对提升我国次季节预测具有深远意义（梁萍等，2013; 梅双丽等，2021）。

Wu et al.（2023）在南京信息工程大学初代的季节-年际气候预测系统（NUIST CFS1.0; 贺嘉樱等，2020）的基础上，进一步发展了大气初始化和集合方案，构建了一套次季节预测系统NUIST CFS1.1，其对北半球冬季MJO的预测技巧已经达到国际先进水平。然而，其距离理论的可预测性还有较大差距（Wu et al.，2023）。此外，该系统对北半球夏季更为复杂的BSISO的预测能力仍不清楚，其对MJO和BSISO的有效预测能否更进一步作用到我国冬夏季的气温降水次季节预测上仍未可知。本文基于NUIST CFS1.1，拟进一步改进相应的预测方案，综合评估其对热带多个季节内信号及其对东亚气候影响的预测。

1 资料和方法

1.1 观测数据

1）美国国家海洋和大气管理局（NOAA）提供的1983—2021年逐日对外长波辐射（Outgoing Longwave Radiation，OLR）资料（Liebmann and Smith，1996）和最优插值海温数据OISST v2（Reynolds et al.，2002）。2）日本气象厅JRA-55再分析资料中1983—2021年风场、温度场、地表气压场、降水场以及2 m气温场数据（Kobayashi et al.，2015）。

1.2 热带大气季节内信号提取

观测中通常使用带通滤波来提取季节内信号，但实时监测与预测时，数据的时间长度没法满足做带通滤波的要求，因此一些替代方案被提出来，比较常见的是用向前120 d滑动平均的方式来提取季节尺度以上信号，再去除这一低频信号以保留高频的信号（Wheeler and Hendon，2004）。在此基础上，Wheeler and Hendon（2004）进一步用多变量EOF的方法来提取热带地区东传的MJO信号，Lee et al.（2013）采用类似的方案提取北半球夏季BSISO的信号。这里首先基于所选的时间范围内观测OLR资料和JRA-55的风场（保持和大气同化资料同源），用同样方法表征本研究关注的MJO、BSISO信号。用Wheeler and Hendon（2004）中方法做多变量EOF分解，得到的前两个特征向量EOF1和EOF2形态及其解释方差与Wheeler and Hendon（2004）中的近似一致（图略），相应的特征值PC1和PC2标准化后便是实时多变量MJO指数RMM1和RMM2。而提取BSISO信号则按照Lee et al.（2013）的方法，对亚洲夏季风区（40°~160°E，10°S~40°N）去120 d滑动平均并对标准化后的OLR和U850距平做多变量EOF分解，得到的结果与Lee et al.（2013）的近似一致（图略）。EOF1和EOF2表示典型季风区北传和西北传的BSISO信号，周期为30~60 d，称为BSISO1; 而EOF3和EOF4则表示季风爆发前后北传和西北传的BSISO信号，周期为10~30 d，称为BSISO2。同理，PC1和PC2标准化后为观测中实时BSISO1的指数，PC3和PC4标准化后为实时BSISO2的指数。进一步根据RMM1和RMM2以及BSISO的PC1和PC2、PC3和PC4在二维空间上的分布，分别将MJO、BSISO1和BSISO2各自分成8个位相。而这些信号的强度（振幅）则表示为:

$\begin{array}{c}{\mathrm{A}\mathrm{M}\mathrm{P}}_{\mathrm{M}\mathrm{J}\mathrm{O}}=\sqrt[2]{\mathrm{R}\mathrm{M}\mathrm{M}{1}^2+\mathrm{R}\mathrm{M}\mathrm{M}{2}^2}\\ {\mathrm{A}\mathrm{M}\mathrm{P}}_{\mathrm{B}\mathrm{S}\mathrm{I}\mathrm{S}\mathrm{O}1}=\sqrt[2]{\mathrm{P}\mathrm{C}{1}^2+\mathrm{P}\mathrm{C}{2}^2}\\ {\mathrm{A}\mathrm{M}\mathrm{P}}_{\mathrm{B}\mathrm{S}\mathrm{I}\mathrm{S}\mathrm{O}2}=\sqrt[2]{\mathrm{P}\mathrm{C}{3}^2+\mathrm{P}\mathrm{C}{4}^2}\end{array}$

对于预测的数据，我们采用国际上通用的步骤（Gottschalck et al.，2010；Lee et al.，2015）来提取：1）对预测的OLR、U850和U200算出逐日的距平A（t，τ），其中t表示起报时间，τ表示预测时长。2）借助于观测的数据求120 d滑动平均，假设预测的时长为n，120 d滑动平均A_m（t，τ）用预测中的第1—n天和起报时间前的（120-n）d观测数据O（t）共同计算得到：$A_{\mathrm{m}}（t，\tau ）=\frac{1}{120}\left[\sum _{i=1}^{n}A（t，i）+\right.\left.\sum _{i=1}^{120-n}O（t-i）\right]$。3）原始距平做120 d滑动平均以去除低频信号：$A_{\mathrm{s}}（t，\tau ）=A（t，\tau ）-A_{\mathrm{m}}（t，\tau ）$。求得的距平场再按照观测中对应变量的标准差进行标准化后，投影到观测中的特征向量中，得到的PC值作为预测的MJO、BSISO1和BSISO2的指数（基于对应观测中PC值的标准差进行标准化）。

1.3 技巧评估指标

在常规的单变量距平相关系数（ACC）和均方根误差（RMSE）之外，第1.2节所述的MJO和BSISO的指数均用EOF的两个特征值来共同表示，因此这里采用前人研究中的双变量ACC和RMSE来作为热带季节内信号预测的技巧指标（Rashid et al.，2011），计算公式如下:

$\begin{array}{c}ACC\left(\tau \right)=\frac{\sum _{t=1}^n\left[a_1\left(t\right)b_1\left(t_0,\tau \right)+a_2\left(t\right)b_2\left(t_0,\tau \right)\right]}{\sqrt{\sum _{t=1}^n\left[a_1^2\left(t\right)+a_2^2\left(t\right)\right]}\sqrt{\sum _{t=1}^n\left[b_1^2\left(t_0,\tau \right)+b_2^2\left(t_0,\tau \right)\right]}}\\ RMSE\left(\tau \right)=\sqrt{\frac{1}{n}\sum _{t=1}^n\left\{{\left[a_1\left(t\right)-b_1\left(t_0,\tau \right)\right]}^2+{\left[a_2\left(t\right)-b_2\left(t_0,\tau \right)\right]}^2\right\}}\end{array}$

式中：$a_1（t）$和$a_2（t）$表示观测中时刻t的MJO（或BSISO1或BSISO2）指数中的两个特征值；$b_1\left(t_0，\tau \right)$和$b_2\left(t_0，\tau \right)$表示对应于观测t时刻、t₀起报预测第τ天的值。通常ACC越高，RMSE越低，预测技巧越高。

1.4 非传统带通滤波

为了尽可能提炼季节内信号，我们对相关的变量一方面做了如第1.2节所述的120 d滑动平均以滤除低频信号，另一方面在此基础上做了5 d滑动平均以滤除高频信号，该方法被称为“非传统带通滤波”（参照徐邦琪等（2020））。文中相关变量的季节内异常均采用该方法得到。

2 预测系统简介

这里的预测系统的基本框架遵照前期的NUIST CFS1.0和1.1版本（贺嘉樱等，2020; Wu et al.，2023），气候模式采用全球海气耦合模式SINTEX-F（Luo et al.，2003，2005）。其中:大气模块为ECHAM v4.6（Roeckner et al.，1996）; 海洋模块为OPA v8（Madec et al.，1998）; 大气和海洋模块用OASIS v2.4耦合器（Valcke et al.，2000）每2 h交换一次通量。大气模块在垂直方向上为19层的混合σ-p坐标系，水平方向上为T106的谱格点（约为1.1°×1.1°）；海洋模块采用ORCA 2的设置，即垂直方向上为31层，水平方向上为2°（纬度）×2°（经度），赤道附近的分辨率增加到0.5°，一些物理参数化方案和更具体的模式介绍参考Luo et al.（2005）和贺嘉樱等（2020）。在这一耦合模式的基础上，采用牛顿张弛逼近（nudging）方案，将JRA-55的由逐6 h风场换算的涡度和散度以及温度和地表气压资料、逐周的OISST v2的海温资料耦合同化得到预测所需的初始场，其基本原理（Jeuken et al.，1996）为：

$\frac{\partial X}{\partial t}=F_{\mathrm{m}}\left(X\right)+G\left(X_{\text{obs}}-X\right)$

式中：X表示某一变量模式自身运行得到的值；F_m（X）表示控制X演变的模式动力学方程；X_obs为X对应的观测值；G为逼近系数（单位：s^-1），等于恢复系数（restoring timescale）的倒数。

原先的NUIST CFS1.1系统中包含有18个集合成员，充足的成员数量可以方便实现概率预测。但从确定性预测的角度看，过量的成员可能会带来计算资源的浪费。为了进一步提升预测效率和准确性，这里对NUIST CFS1.1的集合方案进行了细微的调整。集合方案借鉴了Wu et al.（2023）中的第2类9成员集合方案，包含9个不同的大气nudging系数组合、3个不同的海温nudging系数和3个不同的耦合方案CPL1、CPL2、CPL3（同Luo et al.（2005）中的CTL、FCPL和semi-CPL）。该方案可增大集合离散度并获得更高技巧。在此基础上，考虑到原版本中第1个集合成员采用了过低的散度同化强度，预测技巧明显低于其他成员，这里对其做了调整，从而构建了一套改进版NUIST CFS1.1（本文统称为NUIST CFS1.1 Pro），其总体框架如图1所示，每个成员具体的大气海洋nudging系数设置列举在表1中。同时，为了更好地适应次季节实时预测的需求，起报频次也从旧的每月起报1次（每月1日起报）增加为每5 d起报1次（即每月1、6、11、16、21、26日起报），每次向前预测60 d。

3 MJO和BSISO技巧评估及多模式对比

基于NUIST CFS1.1 Pro的1983年1月—2021年12月的回报数据集，我们评估了其对不同季节热带季节内信号的预测能力。首先我们计算了预测和观测的热带区域各个格点上OLR和U850的ACC技巧。

考虑到热带季节内振荡特征存在季节性差异，这里首先对比北半球冬季（11月—次年4月）和夏季（5—10月）预测的前5候热带地区OLR和U850季节内异常候平均的ACC技巧（图2）。由图2可以看到，对OLR和U850同一预测时长的技巧，冬季都要高于夏季，且从预测的第2候开始，有技巧的区域在冬、夏季的位置移动，冬季主要集中在赤道两侧，夏季则更偏于赤道以北，这与热带季节内变率的季节性特征较为一致（Li and Hsu，2018）; 此外，模式对风场的预测技巧略微高于对流（OLR）的预测技巧，对热带大多数区域U850的预测ACC能提前5候保持在0.3以上，对OLR的预测ACC都能保持在0.1以上（图2e、j），这可能与初值中对OLR的模拟技巧有限有关（Wu et al.，2021），对此尚需进一步改进。

在此基础上，我们进一步评估了NUIST CFS1.1 Pro的9个成员和集合平均对MJO、BSISO1和BSISO2指数在不同起报时间的ACC和RMSE（图3）。由图3可以看到，集合平均相比于单个成员可以较大程度地提高ACC和减小RMSE，尤其是对冬季的MJO和夏季的BSISO1，集合平均能延长有效预测（ACC＞0.5）4~5 d（图3a、b、d、e）。对比不同季节内信号的预测可以看到，模式对冬季MJO的预测能力最强，有效预测技巧可以保持到26 d（图3a），这相比原来版本的NUIST CFS1.1有所提高（Wu et al.，2023）; 其次是BSISO1，可以提前17 d以上有效预测（图3b），最低的为BSISO2，可以提前12 d有效预测（图3c）。这与前面提到的模式对对流和环流的冬夏季技巧差异，以及已有研究这3类季节内信号的强度和周期差异是对应的。值得一提的是，东传的MJO信号在夏季仍然存在，且夏季MJO的预测技巧基本能与冬季持平（图3a、d中黑虚曲线），明显高于BSISO1，反映了模式对赤道纬向过程的预测比对季风区经向传播的预测更好。

从有效预测时长来说，NUIST CFS1.1 Pro对冬季MJO的预测略微领先其他几个国内的次季节动力模式，如BCC-CSM2（24 d; Yao et al.，2023）和FGOALS-f2（23 d; Zeng et al.，2023）; 而对BSISO1的预测也领先于BCC-CSM2（14 d; Fang and Liu，2019）。为进一步衡量NUIST CFS1.1 Pro在国际上的水准，我们挑选了S2S计划中8个国际最主要业务中心的模式回报数据，包括欧洲中长期天气预报中心（ECMWF）、法国气象局（CNRM）、英国气象局（UKMO）、澳洲气象局（BOM）、美国国家环境预报中心（NCEP）、中国气象局（CMA）、日本气象局（JMA）和韩国气象局（KMA）。由于NCEP的回报年份只有1999—2010年，所以为保证一致性，这里也选取NUIST CFS1.1 Pro和S2S多模式1999—2010年的回报数据（数据信息见表2），并用前述同样的方法评估它们对MJO、BSISO1和BSISO2的预测技巧（图4）。

相比于前面基于1983—2021年回报数据计算的技巧（图3），图4中NUIST CFS1.1 Pro的技巧没有发生太大变化。对比这9个预测系统，ECMWF模式在预测冬季MJO、夏季BSISO1和BSISO2均表现出最优的性能（图4a—c）。同Vitart（2017）的结果，ECMWF模式可提前约33 d有效预测冬季MJO，剩余模式中除CMA的模式只能提前约15 d有效预测之外，其他中心的模式的预测性能都比较接近，能提前21~23 d有效预测。相比之下，NUIST CFS1.1 Pro中的技巧可以保持得更好，在这里选取的9模式中仅次于ECMWF系统（图4a）。各模式对BSISO1的预测技巧都明显低于MJO，最好的ECMWF系统可提前约25 d有效预测，NUIST CFS1.1 Pro和UKMO模式处于第2梯队，之后的是BOM、JMA、KMA和CRNM的模式，有效预测时间为13~15 d，CMA模式最低，约为10 d（图4b）。NUIST CFS1.1 Pro对BSISO2的预测水平在9个模式中处于中等水平，低于ECMWF、UKMO、JMA和KMA的模式（图4c）。值得一提的是，在这里的9个模式中，仅有NUIST CFS1.1 Pro和ECMWF的模式可以提前20（15）d以上保持对MJO（BSISO1）的较高技巧（ACC＞0.6; 图4d）。

一般说来，强的热带ISO比弱的更易引起其他地区的响应，也更易被预测。为此，我们根据振幅大于（小于）1挑选了强（弱）的冬季MJO、BSISO1和BSISO2事件，并分别计算了NUIST CFS1.1 Pro对它们的预测技巧（图5a）。由图5a可以看到，模式对强、弱事件预测的差异十分显著，对强的冬季MJO甚至能提前近30 d有效预测，对强BSISO1也能提前21 d有效预测，对强BSISO2的有效预测时长提至13 d; 从预测时效来看，强与弱MJO、BSISO1和BSISO2的差异分别达20、13、8 d。除受到强度影响外，ISO的位相也会对预测技巧产生影响。对强事件，我们细分8个位相，分别计算其技巧（图5b—d）。

在冬季MJO的预测中，位相2、3、6、7技巧较高，位相1、5、8偏低（图5b），这与一些其他预测系统如NCEP CFSv2（Wang et al.，2014）以及GFDL模式（Xiang et al.，2015）的结果类似。位相1为MJO发生的起始阶段，较难预测; 位相3为MJO在印度洋上达到强盛状态，信号很强，因而预测技巧最高; 之后的位相4和5为MJO东传过海洋性大陆（Maritime Continent，MC），存在一个MC障碍，因而技巧降低; 之后的6、7位相，MJO对流在西太平洋达到旺盛，预测技巧也较高。BSISO1预测随位相的变化和冬季MJO类似，位相2、3、6、7的预测相对更好，其中位相7最好（图5c）。相比之下，BSISO2预测技巧受位相的影响较小，各个位相的技巧分布比较均衡，对位相1和3的技巧略高于其他位相（图5d）。

考虑到模式对冬季MJO在提前5候（21~25 d）和对BSISO1在提前4候（16~20 d）的时候，各个位相都保持着相当的技巧（图5b、c），我们进一步分别对比了观测和模式提前5候预测冬季MJO和提前4候预测BSISO1的对流和低层风场异常8个位相的演变图（图6和图7）。可以看到，NUIST CFS1.1 Pro可基本预测出冬季MJO和夏季BSISO1的主要特征，如冬季MJO对流在赤道上的东传及其相应的Gill-Matsuno环流响应（图6），以及夏季BSISO1在印度洋上的北传和在西北太平洋的西北传（图7）。而一个很大的不足表现在对强度的预测普遍偏弱，尤其是在BSISO1的预测上，在位相1—4时，在东印度洋上的对流活跃位相，预测的强度相对观测低很多（对比图7的a—d和i—l）; 相比之下，对位相1—4时的西北太平洋对流抑制位相和反气旋环流，以及位相5—8时的对流活跃位相和气旋性环流，NUIST CFS1.1 Pro能有相对更好的预测（图7），但强度仍较为偏弱。

4 MJO和BSISO1对中国区域影响的预测初步评估

前面的分析论证了NUIST CFS1.1 Pro在次季节尺度上（提前10~30 d）对热带不同季节主导的ISO信号的预测能力，这些信号进一步会影响到处于位于中纬度的中国区域。冬季MJO由于自身的对流和环流主要位于赤道上，所以主要通过激发罗斯贝波列和经向热力环流（Kim et al.，2020）影响我国，而夏季BSISO则由于自身的对流异常可以直接传到西北太平洋，所以其对应的环流异常能直接影响我国区域（图7a—h）。因此，我们进一步探究了NUIST CFS1.1 Pro能否正确预测热带ISO对我国气温降水的影响。

在冬季，极端天气气候事件更多地与冷空气有关，因此这里先初步检验对MJO相关的温度异常的预测能力。图8反映了观测（JRA-55）和模式提前5候预测的1983—2021年冬季强MJO不同位相合成的2 m温度季节内异常。观测中总体的冷暖形势与前人研究结果（Jeong et al.，2005; Kim et al.，2020）较为一致，在MJO位相1的时候，全国东部沿海区域暖异常（图8a），之后在位相2和3时转为大面积较强的冷异常（图8b、c），再到位相6、7、8时转为暖异常。模式的预测可大体预报出位相2、3时的中国区域的冷异常响应，但强度偏弱且位相3时冷异常区域相对观测偏北（图8f、g）。虽然模式对MJO位相6、7的热带对流有着较好的预测技巧，但其对我国大范围的暖异常遥相关却没有预测准确，仅仅部分预测出中部的暖异常（图8n、o），反而对位相8时的全国暖异常有一定预测能力（图8l、p），但预测的暖中心出现在我国东部，与观测中出现在西北和东北的事实不符。这些结果表明，一方面NUIST CFS1.1 Pro能一定程度上预测出MJO活动造成的冷暖空气活动，另一方面对MJO遥相关的预测技巧并不能与MJO自身的预测技巧相对应，说明模式对热带-中高纬的相互作用的复现能力还需进一步提高。

在夏季，季节内活动被认为与极端降水（Zhang et al.，2021）以及夏季风的爆发相关联（Wang et al.，2018），因此这里进一步对比了观测（JRA-55）和模式提前4候预测的1983—2021年夏季强BSISO1不同位相合成的降水季节内异常（图9）。在观测中，位相1和5时，我国东部降水异常呈现南北偶极子型，在位相1时为南多北少（图9a），而在位相5时则为南少北多（图9i）。位相2、3、4都分别对应着我国南方地区降水异常偏多，其中异常的中心位于长江中下游，容易引起该地区洪涝（图9b—d），而位相6、7、8则对应着南方地区降水异常偏少，其中位相6、7时异常较大，容易引发干旱（图9j—l）。NUIST CFS1.1 Pro可以一定程度上复现这些降水异常的正负以及所在位置，尤其是对位相2、3、4的降水异常偏多形态有不错的预测效果，但强度较观测偏弱很多（图9f—h）。同样地，位相6、7时，南方的干旱形势也能被模式预测出来，但强度也偏弱（图9n、o）。这些观测和预测中的降水异常可能和BSISO1中西北太平洋对流异常造成的环流异常有关，在位相2、3、4时，我国位于BSISO相关的西北太平洋反气旋性异常的西侧（图7b—d），因而南方地区为西南风异常，通过输送水汽可引起多雨; 反过来，在位相6、7、8时，西北太平洋为气旋性异常（图7f、g），我国南方地区为东北风异常，不利于水汽输送从而导致少雨。NUIST CFS1.1 Pro能较好地预测出这些反气旋、气旋异常，尤其在位相2、3和6、7的时候（图7j、k、n、o），因此它对我国东部季节内旱涝形势可以做出不错的预测。

5 结论与讨论

本研究在包含18个集合成员的南京信息工程大学次季节预测系统NUIST CFS1.1基础上，调整了集合方案并增加了起报频次，从而重构了一套9成员的集合预测系统NUIST CFS1.1 Pro，以实现更高性能、更小计算资源消耗和加密的预测信息发布。为评估其对热带多个ISO信号的技巧，我们基于NOAA的OLR资料和与大气同化数据同源的JRA-55风场资料，参照Wheeler and Hendon（2004）和Lee et al.（2013）的多变量EOF方法，计算了热带的几类大气季节内振荡MJO、BSISO1和BSISO2的指数，从而进一步评估了NUIST CFS1.1 Pro对这些ISO信号及其对我国气温降水影响的预测能力，得到以下主要结论:

1）NUIST CFS1.1 Pro对冬夏季热带东传的MJO都有着不错的预测技巧，均能提前约26 d有效预测; 相比之下，对夏季北传和西北传的BSISO1的预测难度更大，有效预测可以维持17 d; 而对BSISO2，由于其本身的周期较短，仅可以提前12 d左右有效预测。这些技巧对比国内其他最新的次季节动力模式有一定的优势，而与国际上8个主要的S2S动力模型一起评比发现，该预测系统在预测冬季MJO和夏季BSISO1落后于ECMWF模式，但领先于其他多数模式，对BSISO2的预测水平则处于中等水平。

2）预测技巧受振幅的影响较大，强弱事件的预测差异较大，NUIST CFS1.1 Pro对强的冬季MJO、夏季BSISO1和BSISO2的有效预测时长能分别延长到30 d、21 d和13 d。进一步对强的事件分位相1—8进行评估发现，对冬季MJO和夏季BSISO1的位相2、3、6、7的技巧高于其他位相，其中对冬季强MJO位相3的有效预测能达到37 d，对强BSISO1位相7的预测能接近30 d。

3）在冬季，NUIST CFS1.1 Pro能提前5候准确预测MJO的东传特征，且能在一定程度上预测出MJO的不同位相对我国气温的影响; 相比之下，对位相2、3时我国冷异常的预测比对位相6、7时我国暖异常的效果更佳。在夏季，模式能提前4候较大程度上预测出BSISO1在印度洋的北传和西北太平洋的西北传，特别是对西北太平洋上对流和低层气旋反气旋式环流异常的预测效果较好，因而能相对准确预测出我国东部降水异常的主要形势。

综上所述，NUIST CFS1.1 Pro具备了对不同季节的多个热带ISO信号可观的预测能力，且能在延伸期尺度（2周以上）复现这些ISO的演变特征及对我国气温降水的影响，可为我国次季节预测提供有价值的参考信息。然而，其不足之处在于，模式对这些ISO信号及其造成的我国气温降水异常的振幅预测偏弱，且对一些区域遥相关响应的预测容易出现符号相反的情况，且异常中心相对观测有偏移。这些急需进一步完善NUIST CFS1.1 Pro对热带-中高纬相互作用过程的复现能力。

致谢:南京信息工程大学超算中心提供了计算资源和技术支持; 杨萌洲博士协助整理了部分再分析数据; 江苏省研究生科研与实践创新项目（KYCX22_1142）和国家留学基金委（CXXM2101180001）提供了资助; NOAA提供了OLR（https://psl.noaa.gov/data/gridded/data.uninterp_OLR.html）和OISST v2（https://www.ncei.noaa.gov/products/climate-data-records/sea-surface-temperature-optimum-interpolation）在线下载服务，NCAR RDA提供了JRA-55再分析资料（https://rda.ucar.edu/datasets/ds628.0/）的下载服务，ECMWF提供了S2S多模式回报数据（https://apps.ecmwf.int/datasets/data/s2s-reforecasts-instantaneous-accum-ecmf/）的在线下载服务。谨致谢忱!

参考文献