CAMS-CSM次季节预报系统的表面气温高技巧预报窗口分析
doi: 10.13878/j.cnki.dqkxxb.20250107002
刘晓蕾1,2,3 ， 苏京志3 ， 彭一豪2 ， 刘欣莉2
1. 南京信息工程大学大气科学学院，江苏 南京 210044
2. 中国气象科学研究院灾害天气科学与技术全国重点实验室，北京 100081
3. 中国气象局地球系统数值预报中心，北京 100081
基金项目: 国家重点研发计划项目（2022YFC3004203） ； 中国气象科学研究院科技发展基金项目（2024KJ013）
Analysis of high forecast skill windows for surface air temperature in the CAMS-CSM sub-seasonal forecast system
LIU Xiaolei1,2,3 ， SU Jingzhi3 ， PENG Yihao2 ， LIU Xinli2
1. School of Atmospheric Sciences,Nanjing University of Information Science and Technology,Nanjing 210044 ,China
2. State Key Laboratory of Severe Weather Meteorological Science and Technology (LaSW),Chinese Academy of Meteorological Sciences,Beijing 100081 ,China
3. Center for Earth System Modeling and Prediction of China Meteofological Administration (CEMC),Beijing 100081 ,China
摘要
基于中国气象科学研究院气候系统模式的次季节-季节预报系统（CAMS-CSM S2S Forecast System）回报试验结果，对全球各大洲表面气温的预报技巧特征进行分析。结果显示，预报技巧存在间歇性提升的现象，即预报技巧窗口。从季节分布来看，全球各大洲表面气温的预报技巧窗口更多出现在北半球冬季，在东亚地区冬季预报技巧窗口累计持续时间超过700 d，约占东亚地区全部窗口持续时间的62%；澳大利亚的预报技巧窗口多出现在北半球夏季，预报技巧窗口累计持续时间为315 d，约占澳大利亚地区全部窗口持续时间的31%，这可能与澳大利亚的地理位置有关。在厄尔尼诺-南方涛动（El Niño-Southern Oscillation,ENSO）不同位相期间，预报技巧窗口发生频次存在差异。当El Niño事件发生时，在北美洲的冬春季（1—4月），CAMS-CSM S2S预测系统的预报技巧窗口出现频次更高，达到50%以上；当La Niña事件发生时，CAMS-CSM S2S预测系统的预报技巧窗口在非洲区域出现频次与其他模式相比更高，预报技巧窗口发生频次超过30%。进一步对预报技巧窗口的形成物理机制进行研究，有助于推广次季节预报的实际应用。
Abstract

Using hindcast experiments from the Chinese Academy of Meteorological Sciences Climate System Model (CAMS-CSM) subseasonal-to-seasonal (S2S) forecasting system,this study evaluates the forecast skill of surface air temperature (SAT) over global land regions during 2000—2020.Subseasonal forecasting,which bridges the gap between weather prediction and seasonal climate outlooks,is increasingly important for early warning of extreme events such as heatwaves,which have substantial societal impacts.However,S2S prediction remains challenging because of limited predictability arising from atmospheric chaos and interactions with slowly varying boundary forcings such as sea surface temperatures (SST).

The CAMS-CSM S2S forecasting system,with a horizontal resolution of 1° × 1°,provides hindcasts issued six times per month (on the 1st,6th,11th,16th,21st,and 26th) with an 8-member ensemble.For comparison,multi-model hindcast data from the S2S database,including 12 operational models (e.g.,ECMWF),were analyzed,and ERA-5 reanalysis data were used as observations.Global land areas were divided into eight regions (Asia,East Asia,Africa,Europe,Australia,North America,South America,and global land as a whole) to assess regional differences in forecast performance.Forecast skill was evaluated using the pattern correlation coefficient (PCC) of the third week (days 15th—21st) mean SAT,representing subseasonal predictability beyond the dominant influence of initial atmospheric conditions.To reduce sampling variability associated with the forecast frequency,a 7-point running mean was applied to the CAMS-CSM results.The CAMS-CSM system exhibits regionally varying skill,with PCC values generally ranging from 0.11 to 0.18.The global land mean PCC reaches 0.18,while Europe shows the lowest skill (PCC ＜ 0.12),likely due in part to limited spatial coverage.Relatively higher skill is found over East Asia and North America.Compared with other models,ECMWF generally demonstrates superior performance,while CAMS-CSM shows intermediate skill,outperforming some systems (e.g.,BoM) over global land and exhibiting competitive performance over East Asia.A key feature identified in this study is the presence of “forecast skill windows”,defined as intermittent periods of enhanced prediction skill.These windows were objectively identified using region-specific PCC thresholds based on the 25th percentile of the skill distribution,periods with seven consecutive forecasts exceeding this threshold were classified as high-skill windows.This approach ensures that skill windows account for approximately 10%—20% of the total time series.For CAMS-CSM S2S,threshold values range from 0.24 (Africa) to 0.28 (East Asia and Australia).Globally,20 skill windows were identified,totaling 1129 days (approximately 15% of the full record).

Seasonal analysis reveals that forecast skill windows occur more frequently during boreal winter in most regions.For example,winter windows account for more than 700 days in East Asia (62% of total window duration),whereas Australia,skill windows are more prevalent during boreal summer (315 days;31%),consistent with its Southern Hemisphere location.These seasonal differences suggest modulation by large-scale circulation anomalies and more stable teleconnection patterns during winter.

Further analysis indicates a clear relationship between skill windows and ENSO phases.During El Niño events,the frequency of skill windows increases substantially over North America in winter and spring (January-April),exceeding 50%.In contrast,during La Niña events,Africa exhibits higher skill-window frequencies (exceeding 30%) compared with other models.These results highlight the role of ENSO-related SST anomalies in enhancing predictability over specific regions.

In summary,the CAMS-CSM S2S system demonstrates meaningful subseasonal forecast skill for SAT,characterized by identifiable high-skill windows that vary seasonally and are modulated by ENSO.These windows provide practical opportunities for targeted forecast applications.Nevertheless,the dynamical mechanisms underlying their occurrence remain complex and warrant further investigation,particularly with respect to large-scale atmospheric oscillations and land-atmosphere coupling processes.

近100多年来，地表气温显著上升，地球气候系统其他圈层要素发生明显变化，全球气候变化引起了社会各界、特别是学术界的广泛关注（任国玉等，2014；Liang et al.，2018）。全球气候变暖已经对生态系统、水文循环、农业生产以及交通运输等造成了不利影响。表面气温的次季节变化对人类健康、能源消耗、水资源或水质有着特别重要的影响（Vitart and Robertson，2018），在灾害日益频发的背景下，对表面气温进行超前预报的需求日益迫切（White et al.，2022；Xie et al.，2024）。
次季节（S2S）预报介于天气预报与气候预测之间，具有两周到一个季度的时间尺度，次季节预报是连接天气预报与气候预测之间的桥梁，同时也是无缝隙预报的关键一环（Vitart et al.，2017；Mouatadid et al.，2023；Peng et al.，2024）。有效的次季节预报对于降低灾害风险和确保公众健康具有重要的意义，且是主动防灾减灾的关键要素（Lin，2015；Peng et al.，2023）。尽管对次季节预报的需求和期望越来越高，但其预报能力仍然有限。有研究（Mariotti et al.，2018）指出，天气预报和气候预测的可预报性来源并不直接适用于S2S预报，次季节预报的难点在于可预报性来源的匮乏（Brunet et al.，2010；White et al.，2017）。天气预报主要依赖于大气的初始状态，但由于大气的混沌效应，在7 d后天气预报的预报技巧就会明显下降（智协飞等，2018）；气候预测则主要取决于气候系统的慢变分量，尤其是海温等外强迫响应。次季节预报介于二者之间，其可预报性来源相对复杂（徐邦琪等，2020；黄超等，2025；梁萍等，2025），包括大气、海洋、陆地的各种过程，大气初始信息的衰减和气候系统中海温、海冰等缓慢变化的响应时间相对较短使得次季节预报面临较大的挑战（Vitart et al.，2012，2017；Mariotti et al.，2018；Pegion et al.，2019）。
尽管次季节预报技巧相对较低，但是在某些特定的气候现象或大尺度环流异常条件下，其预报技巧会表现出间歇性的提升。这种由于特定可预报性来源的存在而使得预报技巧在某段时间内明显高于平均水平的现象，被称为机会窗口。近年来，机会窗口在次季节预报中受到越来越多的关注。尽管次季节预报技巧相对较低，但是在某些特定的气候现象或条件下，S2S预报技巧会表现出间歇性的提升，这就为有效的S2S预报提供了机会窗口。这样的机会窗口通常对应着大尺度大气、海洋、陆地等的持续性异常，其在时间上是不连续的（Mariotti et al.，2020）。Mariotti et al.（2020）指出，包括厄尔尼诺（El Niño）或拉尼娜（La Niña）事件、热带大气季节内振荡（Madden-Julian Oscillation，MJO；Zhou et al.，2024）、平流层准两年周期振荡（quasi-biennial oscillation，QBO）、平流层爆发性增温（sudden stratospheric warming，SSW）、北大西洋涛动（North Atlantic Oscillation，NAO）、陆气相互作用等都可以成为次季节预报的机会窗口（雷蕾等，2022；Liu et al.，2024a）。
有学者对模式的实际预报评估后发现，在模式较长时间的预报序列中存在着预报技巧的间歇性提升，这往往受客观的物理因素驱动，被称为预报技巧窗口（Liu et al.，2024b）。中国气象科学研究院气候系统模式的次季节-季节预测系统（CAMS-CSM S2S Forecast System）作为一个新的耦合气候系统模式，可以很好地捕捉到主要的气候变率模态，如MJO和NAO等（Liu et al.，2021; Yan et al.，2025）。对于CAMS-CSM S2S预测系统而言，其对表面气温（surface air temperature，SAT）的预报是否存在次季节预报技巧窗口？若存在，其预报技巧窗口的时空分布如何？以及这些预报技巧窗口是否会受到大尺度海洋变率ENSO信号的驱动？理解这些问题，将有助于提高模式次季节预报技巧，并有利于推动发展实用可靠的S2S预报产品。因此，本文利用CAMS-CSM S2S预测系统对SAT的预报结果，分析全球不同陆地区域的预报技巧窗口分布特征，并分析其与ENSO的联系。
1 数据和方法
1.1 模式数据
选用中国气象科学研究院气候系统模式的次季节-季节预报系统2000—2020年21 a的回算数据，空间分辨率为1°×1°。该模式从每个月的1、6、11、16、21、26日开始起报，预报时长为3 mon。CAMS-CSM S2S预测系统集合成员由时间滞后法产生，每3 h一次初始场，共构成8个集合成员（Yan et al.，2025）。对照模式数据则采用次季节-季节预测试验（S2S）多模式数据库中的12个模式（表1）结果，由于不同的模式具有不同数量的集合成员，所以本研究均采用了等权集合平均的数值（Liu et al.，2024b）。
表1次季节-季节预测试验（S2S）多模式数据库中各模式的具体信息
Table1Summary of models included in the S2S database
为了弥补天气预报与气候预测之间的预测断层，世界天气研究计划与世界气候研究计划在世界气象组织的主持下联合建立了次季节至季节预报研究项目，该项目致力于提高在次季节时间尺度上对高影响天气事件的预报能力，发布的多模式产品包括来自全球12个主要预测中心的预报产品，有助于了解次季节至季节模式模拟和可预报性来源。由于ECMWF模式采用即时配置更新的动态回算预报方法，每次预报的同时生成过去20 a的回算数据，所以在2016—2022年，共有7组不同的回算数据，在多模式对比中，本文将这7组不同的回算数据视为7个不同的模式版本（Peng et al.，2023）。
1.2 观测数据
所用再分析数据来自欧洲中期天气预报中心（ECMWF）提供的ERA-5全球再分析数据集中的表面气温数据（Hersbach et al.，2020）。再分析数据为逐日分辨率数据集，空间分辨率为1°×1°，时间覆盖范围为1993—2020年，共有28 a数据。
1.3 方法
为了探究不同模式的次季节预报技巧，选择每个模式的第3周（第15—21天）平均气温预报数据。计算面积加权空间相关系数（pattern correlation coefficient，PCC；用CPCC表示），并应用适当的阈值条件来评估表面气温预报技巧窗口是否存在。CPCC表征模式数据与观测数据在空间分布形态上的相似程度，CPCC取值范围为-1~1，一般而言，CPCC越高代表该模式的预报数据与观测数据越相似，预报技巧越高（Cui et al.，2021）。
CPCC=∑i=1T ∑j=1M [(x(i,j)-x-)(y(i,j)-y-)]∑i=1T ∑j=1M [x(i,j)-x-]2∑i=1T ∑j=1M [y(i,j)-y-]2.
(1)
其中：T代表经度方向的格点个数的总和；M代表纬度方向的格点个数的总和；i和j分别代表经度和纬度方向的格点；x表示观测的表面气温数据；y表示模式预报的表面气温数据。显著性检验采用T-检验方法，其有效自由度的计算公式如下：
N*=N1-r1r21+r1r2
(2)
其中：r1和r2分别表示观测数据和预测数据的空间自相关系数；N为非缺测网格点的个数，在不同区域有所不同；N*表示有效自由度。
相邻起报时次计算所得CPCC具有很强的时间前后不一致特征，导致难以直接定义预报技巧窗口。为减少相邻起报时次之间CPCC随机波动的影响，对每个模式计算得到的CPCC进行了一个月的滑动平均处理。考虑到不同模式的预报频次有所差异，对不同的模式设置了不同的滑动平均方案（刘晓蕾，2024）。例如，CAMS-CSM S2S预测系统在每个月的1、6、11、16、21、26日开始起报，因此在一个月的时间内，CAMS-CSM S2S模式有6个预报个例，则对CAMS-CSM S2S预测系统的PCC值采用7点滑动平均以得到平滑数据；ECMWF模式每周一和周四发布预报数据，在30 d内共有8个预报个例，因此，对ECMWF模式的CPCC进行了9点平滑；其他模式也采用同样的方法进行滑动平均处理。
2 表面气温的预报技巧
为了评估表面气温在次季节时间尺度的预报技巧，所有模式均选用第3周的平均预报数据，这里第3周指的是每个预报个例开始预报后的第15—21天，观测数据的时间则与模式数据完全对应。选取第3周的预报结果可以更好地显示模式在次季节尺度上对气温的预报水平，而两周内气温的预报结果则更多的是受到大气初值的影响。由于不同大洲的表面气温预报技巧会存在差异，所以本文将全球陆地基础划分为北美洲、南美洲、非洲、欧洲、亚洲和澳大利亚6个区域（图1）。考虑到亚洲包含东亚，而东亚地区气候特征复杂且具有重要的区域代表性，为了方便本研究更加深入地探讨和重点对比，本文将东亚地区（73°~150°E，4°~53°N）从亚洲中单独提取出来作为独立的分析区域。为了评估CAMS-CSM预测系统对不同区域第3周平均表面气温的预报技巧，本文计算了CAMS-CSM预测系统所有起报个例的第3周的预报技巧的平均值 （图2）。结果显示，在所有区域中，全球陆地的预报技巧最高，面积加权空间相关系数CPCC＞0.18，其次是亚洲和东亚地区，欧洲区域的预报技巧最低，CPCC＜0.12。对图2中结果利用T-检验方法进行显著性检验。以全球陆地为例，CPCC=0.18，通过了置信度为99%的显著性检验，其中r1=0.84，r2=0.86，N=5 338，N*=856，P＜0.001。用同样的方法对其他区域进行显著性检验，除澳大利亚与欧洲外，其他区域的CPCC均通过了99%置信度的显著性检验，澳大利亚区域的CPCC=0.16，通过了90%置信度的显著性检验，而欧洲区域的CPCC未通过显著性检验，这可能与该地区的网格点数量较少有关。
图3将CAMS-CSM S2S预测系统的预报技巧与S2S多模式数据集的结果分区域进行对比。结果显示，在所有模式中，ECMWF模式结果预报技巧较高；在所有区域中，东亚地区的预报技巧则较好，CAMS-CSM预测系统预报结果与其他模式对比处于中间水平。在全球陆地区域，CAMS-CSM S2S预测系统预报结果要优于澳大利亚气象局（Bureau of Meteorology Australia，BoM）、中国气象局（China Meteorological Administration，CMA）、俄罗斯水文气象中心（Hydrometeorological Centre of Russia，HMCR）等多家模式结果；在东亚地区，CAMS-CSM模式预报结果要差于加拿大环境和气候变化中心（Environment and Climate Change Canada，ECCC）、日本气象厅（Japan Meteorological Agency，JMA）、法国国家气象研究中心（Météo-France/Centre National de Recherches Météorologiques，CNRM）等多家模式结果。
图1全球陆地区域划分示意（包含6个基础大洲区域及单独划分的东亚地区：亚洲、东亚、非洲、欧洲、澳大利亚、北美洲、南美洲）
Fig.1Schematic map of global land regions (including six basic continent regions and the separately divided East Asia region:Asia, East Asia, Africa, Europe, Australia, North America, South America)
图2CAMS-CSM S2S预测系统对不同区域第三周（15~21 d）平均表面气温的预报技巧评估
Fig.2Evaluation of third-week (days 15—21) mean surface air temperature forecast skill across different regions using the CAMS-CSM S2S forecasting system
以全球陆地区域为例，分析CAMS-CSM S2S预测系统不同起报个例的第3周平均表面气温的预报技巧（图4），整体而言，加权空间相关系数CPCC为0.05~0.40，夏季的预报技巧会低于冬季。从图2可以看出，在全球陆地区域，所有起报个例的平均预报技巧CPCC约为0.14。图4显示，尽管不同起报个例的预报技巧会存在差异，但存在某一段时间，会出现预报技巧间歇性提高的现象（CPCC≥0.25）。CPCC=0.25为CAMS-CSM S2S预测系统在全球陆地区域预报技巧的第25百分位数，这种预报技巧的间歇性提高为次季节预报提供了窗口。预报窗口的形成主要由客观物理因素驱动，包括大尺度的大气、海洋或陆地系统的异常信号。
3 筛选表面气温高预报技巧窗口
尽管在次季节时间尺度上表面气温的预报技巧相对较低，但受到某些客观物理因素的调节，表面气温的预报技巧会出现间歇性上升的现象（图4），这就为表面气温提供了预报技巧窗口，这些窗口在时间上是不连续的。
为了识别CAMS-CSM S2S预测系统表面气温的次季节预报技巧窗口，将CAMS-CSM S2S预测系统所有起报个例预报的第3周平均表面气温的加权空间系数CPCC进行从大到小排序，选取第25百分位数作为CPCC阈值，若连续7个起报个例的预报技巧均超过该阈值，则将这一段时间定义为CAMS-CSM S2S预测系统的表面气温预报技巧窗口。这里提出一个限定，即：所有统计得到的预报窗口时间总长度应该覆盖整个时间序列的10%~20%，这是一个合理的区间。这种限定是必要的，以避免在筛选过程中获得过多或过少的窗口，10%~20%的区间适合选择预报技巧较高的时期。Toth et al.（2001）以10%~15%的比例确定了低不确定性和高不确定性的预报个例。本文选取第25百分位数作为CPCC阈值，可以使得所有区域筛选出的预报技巧窗口覆盖整个时间序列的10%~20%，这里提到的整个时间序列是指CAMS-CSM S2S预测系统回报的21 a全部天数，即7 665 d。因为CAMS-CSM模式每个月有6个起报时次，即6个预报个例，若连续7个预报个例的预报技巧均超过阈值，则将其视为在一个月的时间内均具有高预报技巧，所以将这至少30 d的时间定义为CAMS-CSM模式的表面气温预报技巧窗口。在图5中，以北美洲为例，预报技巧窗口天数为1 018 d，占全部天数的13%。
图3不同模式对不同地区的第3周平均表面气温的面积加权空间相关系数
Fig.3Area-weighted pattern correlation coefficients of third-week mean surface air temperature forecasts for different models across various regions
图4CAMS-CSM S2S预测系统对全球陆地区域第3周平均表面气温的预报技巧。灰色细线表示每月6次预报的原始结果，粗线表示30 d滑动平均结果。红色虚线代表CPCC=0.25
Fig.4Forecast skill of third-week mean surface air temperature over global land regions from the CAMS-CSM S2S forecasting system.Thin gray lines represent the raw results from six forecasts per month, and the thick line shows the30-day moving average.The red dashed line indicates CPCC=0.25
依据以上识别方法，对包括全球陆地整体、6个大洲区域以及单独提取的东亚地区在内的共8个研究区域，分别识别了CAMS-CSM S2S预测系统表面气温的次季节预报技巧窗口，同时也依据同样的方法对ECMWF模式的表面气温的次季节预报技巧窗口进行识别，结果如图5所示（这里选取的是ECMWF2021年版本的模式数据）。CAMS-CSM S2S预测系统的第25百分位CPCC均超过0.20（为0.24~0.28）在所有区域中，东亚地区与澳大利亚的PCC阈值最高（CPCC=0.28），非洲的CPCC阈值最低（CPCC=0.24）。ECMWF模式的第25百分位CPCC要高于CAMS-CSM S2S预测系统（为0.34~0.44），东亚地区的CPCC阈值最高（CPCC=0.44），澳大利亚的CPCC阈值最低（CPCC=0.34）。以全球陆地为例，CAMS-CSM S2S预测系统以CPCC=0.25为阈值，筛选出了20个预报技巧窗口，共有1 129 d，占全部时间序列的15%；ECMWF模式以CPCC=0.39为阈值，筛选出了25个预报技巧窗口，共有1 319 d，占全部时间序列的17%。
图5CAMS-CSM S2S预测系统与ECMWF模式在不同区域的预报技巧窗口分布对比。对于每个区域给出了PCC阈值和所有窗口数量，括号中显示了窗口的持续时间及其占全部时间序列的百分比
Fig.5Comparison of forecast skill windows between the CAMS-CSM S2S forecasting system and the ECMWF model across different regions.For each region, the PCC threshold and the total number of skill windows are given; the duration of each window and its percentage of the total time series are shown in parentheses
4 表面气温高预报技巧窗口的特征
为分析表面气温高预报技巧窗口在时间上的分布特征，将预报技巧窗口按照季节进行分类（图6）。可见，尽管在不同区域，预报技巧窗口的季节分布存在差异，但是在某些时间段内不同区域会同时存在预报技巧窗口。这表明其受到了大尺度的环流异常的影响。例如，CAMS-CSM S2S预测系统可以较为准确预报出发生在2007/2008年和2009/2010年北半球冬季东亚异常低温事件。研究表明，秋冬季的拉尼娜现象是2007/2008年冬季持续低温雨雪过程的基础（高正旭等，2008），且西太平洋副热带高压的持续偏强对此次异常低温雨雪过程起到非常重要的作用，表明CAMS-CSM S2S预测系统可以较好地预报出这些大尺度的环流异常。
进一步地，图7展示了不同季节的预报技巧窗口持续时间分布特征。CAMS-CSM S2S预测系统在非洲和东亚地区预报技巧窗口持续时间最长；在所有区域中，东亚地区的冬季预报技巧窗口持续时间最长（超过700 d），亚洲排名第二位（超过600 d）。各大洲的预报技巧窗口多出现在北半球冬季，澳大利亚的预报技巧窗口多出现在北半球夏季，这可能与澳大利亚的地理位置有关，其冬季的预报技巧窗口持续时间更长。北美冬季第3周的预报技巧要高于夏季，这可以用大气遥相关进行物理解释，即：中纬度遥相关波列在冬季更为稳定显著，有利于北美冬季表面气温预报的提高（Wang and Robertson，2019）。
大尺度的海表面温度异常，如厄尔尼诺-南方涛动（El Niño-Southern Oscillation，ENSO）等，在次季节预报中起着至关重要的作用，可以为次季节预报提供可预报来源。本文分析了8个不同地区的表面气温预报技巧窗口与Niño3.4指数的关系（图8）。可以看到，全球陆地预报技巧窗口发生在拉尼娜事件期间的天数占该地区全部预报技巧窗口总天数的56.8%；北美洲预报技巧窗口发生在厄尔尼诺事件期间的天数占该地区全部预报技巧窗口总天数的47.5%；在非洲地区，预报技巧窗口发生在拉尼娜事件期间的天数占该地区全部预报技巧窗口总天数的55.6%。这表明，发生在北美洲区域的预报技巧窗口与厄尔尼诺事件相关性较高，而发生在非洲区域的预报技巧窗口则与拉尼娜事件相关性较高，即：某些地区表面气温预报技巧窗口与大尺度的海表面温度异常之间存在相关性，厄尔尼诺或拉尼娜事件可能是导致某地区预报技巧窗口出现的影响因子之一。
图62000—2020年CAMS-CSM S2S预测系统在不同区域的表面气温预报技巧窗口季节分布（蓝色代表冬季，绿色代表春季，红色代表夏季，棕色代表秋季）
Fig.6Seasonal distribution of surface air temperature forecast skill windows from 2000 to 2020 for the CAMS-CSM S2S forecasting system across different regions.Colors represent seasons:blue (winter) , green (spring) , red (summer) , and brown (autumn)
图7CAMS-CSM S2S预测系统在不同区域的各季节表面气温预报技巧窗口持续时间（单位：d；蓝色代表冬季，绿色代表春季，红色代表夏季，橙色代表秋季
Fig.7Duration of surface air temperature forecast skill windows (units:d) for the CAMS-CSM S2S forecasting system across different regions and seasons.Colors represent seasons:blue (winter) , green (spring) , red (summer) , and orange (autumn)
进一步地，为了探究预报技巧窗口与厄尔尼诺或拉尼娜事件的关系，本文计算了在不同月份下，不同区域的ENSO中性、La Niña和El Niño事件期间预报技巧窗口的发生频次，由此可以看出ENSO事件与预报技巧窗口发生频次之间的关系。图9a为CAMS-CSM S2S预测系统计算结果；图9b为CMA模式计算结果；图9c为IAP-CAS模式计算结果；图9d为JMA模式计算结果。尽管不同的模式在ENSO中性、La Niña和El Niño事件期间预报技巧窗口的发生频次不同，但值得注意的是：在北美洲的冬春季（1—4月），当El Niño事件发生时，4个模式的预报技巧窗口出现频次更高，达到50%以上。在非洲区域，当La Niña事件发生时，CAMS-CSM S2S预测系统的预报技巧窗口出现频次与其他模式相比更高，尤其是从秋季到春季，其预报技巧窗口发生频次超过30%，表明当La Niña事件发生时，CAMS-CSM S2S预测系统对非洲地区表面气温的预报技巧是更高的。可以推测，在实时预报中，当La Niña事件发生时，CAMS-CSM S2S预测系统的预报结果是更可信的。有学者发现，ENSO是影响非洲南部夏季最高气温变化的主要因素之一（Manatsa et al.，2018），ENSO可以通过调节云量对夏季最高气温产生显著影响，当El Niño事件发生时，非洲南部的夏季最高气温通常会升高，而La Niña事件时则与之相反。这就为进一步对预报窗口的形成机理研究指明了方向，深入研究预报技巧窗口背后的物理机制有助于提高次季节预报技巧。
5 结论与讨论
利用中国气象科学研究院气候系统模式的次季节-季节预报系统（CAMS-CSM S2S预测系统），选取2000—2020年共21 a的回算数据，将全球陆地划分为6个主要区域，并为了方便对比研究，本文将东亚单独提取，连同全球陆地整体共计形成8个分析区域。本文分区域评估了该模式在次季节时间尺度上对表面气温的预报技巧，即计算了CAMS-CSM S2S预测系统每个起报个例预报的第3周（第15—21天）平均的表面气温数据与同时期观测数据之间的面积加权空间相关系数。通过设定CPCC阈值筛选出CAMS-CSM S2S预测系统的高预报技巧窗口，并对高预报技巧窗口特征进行了研究，得到以下结论：
1）CAMS-CSM S2S预测系统对不同区域的表面气温次季节预报技巧存在差异，整体为0.11~0.18，其中对欧洲区域的预报技巧最低（CPCC＜0.12），在北美洲区域则预报技巧最高（CPCC≥0.18），欧洲区域的预报技巧相对较低，这可能是由于欧洲区域的格点数目较少，而空间相关系数的大小对格点数是敏感的。
2）通过对不同区域设定不同的CPCC阈值，筛选出高预报技巧窗口。这里将不同区域的CPCC数值从大到小排序，选取第25百分位数作为该区域的CPCC阈值，若连续7个起报个例的第3周加权空间相关系数大于该阈值，则将这一段时间定义为高预报技巧窗口。通过这种方法分别对CAMS-CSM S2S预测系统和ECMWF模式识别高预报技巧窗口。结果显示，CAMS-CSM S2S预测系统的第25百分位CPCC均超过0.20，范围为0.24~0.28。在所有区域中，东亚地区与澳大利亚的CPCC阈值最高（CPCC=0.28），非洲的CPCC阈值最低（CPCC=0.24）。在全球陆地区域，以CPCC=0.25为阈值，共识别出20个高预报技巧窗口，累计1 129 d，占全部时间序列的15%。
图8CAMS-CSM S2S预测系统在不同地区的表面气温预报技巧窗口与Niño3.4指数的叠加（打点代表不同地区的预报技巧窗口；红线代表Niño3.4指数大于0.5，蓝线代表Niño3.4指数小于-0.5，黑线表示Niño3.4指数在-0.5~0.5；红色打点代表预报技巧窗口发生在厄尔尼诺事件时期，蓝色打点代表预报技巧窗口发生在拉尼娜事件时期，黑色打点代表预报技巧窗口发生在中性时期；数字代表ENSO不同位相时期发生的预报技巧窗口天数与全部预报技巧窗口天数的比值）：（a）全球陆地；（b）欧洲；（c）澳大利亚；（d）南美洲；（e）北美洲；（f）非洲；（g）亚洲；（h）东亚
Fig.8Overlay of surface air temperature forecast skill windows and the Niño3.4 index for the CAMS-CSM S2S forecasting system across different regions.Dots represent forecast skill windows for various regions.The red line indicates Niño3.4 index ＞0.5, the blue line indicates Niño3.4 index ＜-0.5, and the black line represents-0.5 ≤ Niño3.4 index ≤ 0.5.Red, blue, and black dots indicate skill windows occurring during El Niño, La Niña, and neutral conditions, respectively.Numbers indicate the ratio of skill-window days during different each ENSO phase to the total number of skill-window days： (a) Global land; (b) Europe; (c) Australia; (d) South America; (e) North America; (f) Africa; (g) Asia; (h) East Asia
3）对以上CAMS-CSM S2S预测系统识别出的高预报技巧窗口进行特征分析，结果显示各大洲的预报技巧窗口多出现在北半球冬季，澳大利亚的预报技巧窗口多出现在北半球夏季，这可能与澳大利亚的地理位置有关。尽管在不同区域，预报技巧窗口的季节分布存在差异，但是在某些时间段内不同区域会同时存在预报技巧窗口，表明其受到了大尺度环流异常的影响。进一步分析不同区域在ENSO中性、La Niña和El Niño事件期间预报技巧窗口的发生频次，发现在北美洲的冬春季（1—4月），当El Niño事件发生时，CAMS-CSM S2S预测系统的预报技巧窗口出现频次更高；在非洲区域，当La Niña事件发生时，CAMS-CSM S2S预测系统的预报技巧窗口出现频次与其他模式相比更高。这表明在非洲区域，当La Niña事件发生时，CAMS-CSM S2S预测系统的预报结果具有更高的可信度。
图98个地区3种ENSO状态（ENSO中性、La Niña和El Niño事件）下表面气温预报技巧窗口发生的频率，不同的色块表示预报技巧窗口出现的频率值（沿x轴，数值代表月份，“A”代表年平均值）：（a）CAMS-CSM S2S预测系统结果；（b）CMA模式结果；（c）IAP-CAS结果；（d）JMA模式结果。图序“1”代表北美洲，“2”代表南美洲，“3”代表欧洲，“4”代表非洲，“5”代表全球陆地，“6”代表亚洲，“7”代表东亚，“8”代表澳大利亚
Fig.9Frequency of surface air temperature forecast skill windows under three ENSO phases (neutral, La Niña, and El Niño) across eight regions.Color shading represents the frequency of skill windows.The x-axis shows months, with “A” indicating the annual mean.Panels (a—d) show results from the CAMS-CSM S2S forecasting system, the CMA model, the IAP-CAS model, and the JMA model, respectively.“1”represents North America，“2”represents South America，“3”represents Europe，“4”represents Africa，“5”represents global land，“6”represents Asia，“7”represents East Asia, and “8”represents Australia
总体而言，CAMS-CSM S2S预测系统对不同区域表面气温的超前3周预报存在一定的预报技巧，通过设定PCC阈值可以识别出该模式的高预报技巧窗口，值得注意的是，高预报技巧窗口的识别对定义方法和相应阈值是敏感的。目前确定的高预报技巧窗口仅反映了当前预测系统的实际预测能力，认为其尚未达到理论上限。受益于预报系统的未来发展，可以识别出更多的高预报技巧窗口，从而为S2S预报的实际应用提供更有针对性的指导。高预报技巧窗口形成的物理原因是复杂的，既有时间依赖性，也有空间依赖性，不同的高预报技巧窗口的驱动因素并不一致，对高预报技巧窗口对应的大尺度大气、海洋或陆地的配置因子进行系统分析，将有利于提高次季节预报技巧。
图1全球陆地区域划分示意（包含6个基础大洲区域及单独划分的东亚地区：亚洲、东亚、非洲、欧洲、澳大利亚、北美洲、南美洲）
Fig.1Schematic map of global land regions (including six basic continent regions and the separately divided East Asia region:Asia, East Asia, Africa, Europe, Australia, North America, South America)
图2CAMS-CSM S2S预测系统对不同区域第三周（15~21 d）平均表面气温的预报技巧评估
Fig.2Evaluation of third-week (days 15—21) mean surface air temperature forecast skill across different regions using the CAMS-CSM S2S forecasting system
图3不同模式对不同地区的第3周平均表面气温的面积加权空间相关系数
Fig.3Area-weighted pattern correlation coefficients of third-week mean surface air temperature forecasts for different models across various regions
图4CAMS-CSM S2S预测系统对全球陆地区域第3周平均表面气温的预报技巧。灰色细线表示每月6次预报的原始结果，粗线表示30 d滑动平均结果。红色虚线代表CPCC=0.25
Fig.4Forecast skill of third-week mean surface air temperature over global land regions from the CAMS-CSM S2S forecasting system.Thin gray lines represent the raw results from six forecasts per month, and the thick line shows the30-day moving average.The red dashed line indicates CPCC=0.25
图5CAMS-CSM S2S预测系统与ECMWF模式在不同区域的预报技巧窗口分布对比。对于每个区域给出了PCC阈值和所有窗口数量，括号中显示了窗口的持续时间及其占全部时间序列的百分比
Fig.5Comparison of forecast skill windows between the CAMS-CSM S2S forecasting system and the ECMWF model across different regions.For each region, the PCC threshold and the total number of skill windows are given; the duration of each window and its percentage of the total time series are shown in parentheses
图62000—2020年CAMS-CSM S2S预测系统在不同区域的表面气温预报技巧窗口季节分布（蓝色代表冬季，绿色代表春季，红色代表夏季，棕色代表秋季）
Fig.6Seasonal distribution of surface air temperature forecast skill windows from 2000 to 2020 for the CAMS-CSM S2S forecasting system across different regions.Colors represent seasons:blue (winter) , green (spring) , red (summer) , and brown (autumn)
图7CAMS-CSM S2S预测系统在不同区域的各季节表面气温预报技巧窗口持续时间（单位：d；蓝色代表冬季，绿色代表春季，红色代表夏季，橙色代表秋季
Fig.7Duration of surface air temperature forecast skill windows (units:d) for the CAMS-CSM S2S forecasting system across different regions and seasons.Colors represent seasons:blue (winter) , green (spring) , red (summer) , and orange (autumn)
图8CAMS-CSM S2S预测系统在不同地区的表面气温预报技巧窗口与Niño3.4指数的叠加（打点代表不同地区的预报技巧窗口；红线代表Niño3.4指数大于0.5，蓝线代表Niño3.4指数小于-0.5，黑线表示Niño3.4指数在-0.5~0.5；红色打点代表预报技巧窗口发生在厄尔尼诺事件时期，蓝色打点代表预报技巧窗口发生在拉尼娜事件时期，黑色打点代表预报技巧窗口发生在中性时期；数字代表ENSO不同位相时期发生的预报技巧窗口天数与全部预报技巧窗口天数的比值）：（a）全球陆地；（b）欧洲；（c）澳大利亚；（d）南美洲；（e）北美洲；（f）非洲；（g）亚洲；（h）东亚
Fig.8Overlay of surface air temperature forecast skill windows and the Niño3.4 index for the CAMS-CSM S2S forecasting system across different regions.Dots represent forecast skill windows for various regions.The red line indicates Niño3.4 index ＞0.5, the blue line indicates Niño3.4 index ＜-0.5, and the black line represents-0.5 ≤ Niño3.4 index ≤ 0.5.Red, blue, and black dots indicate skill windows occurring during El Niño, La Niña, and neutral conditions, respectively.Numbers indicate the ratio of skill-window days during different each ENSO phase to the total number of skill-window days： (a) Global land; (b) Europe; (c) Australia; (d) South America; (e) North America; (f) Africa; (g) Asia; (h) East Asia
图98个地区3种ENSO状态（ENSO中性、La Niña和El Niño事件）下表面气温预报技巧窗口发生的频率，不同的色块表示预报技巧窗口出现的频率值（沿x轴，数值代表月份，“A”代表年平均值）：（a）CAMS-CSM S2S预测系统结果；（b）CMA模式结果；（c）IAP-CAS结果；（d）JMA模式结果。图序“1”代表北美洲，“2”代表南美洲，“3”代表欧洲，“4”代表非洲，“5”代表全球陆地，“6”代表亚洲，“7”代表东亚，“8”代表澳大利亚
Fig.9Frequency of surface air temperature forecast skill windows under three ENSO phases (neutral, La Niña, and El Niño) across eight regions.Color shading represents the frequency of skill windows.The x-axis shows months, with “A” indicating the annual mean.Panels (a—d) show results from the CAMS-CSM S2S forecasting system, the CMA model, the IAP-CAS model, and the JMA model, respectively.“1”represents North America，“2”represents South America，“3”represents Europe，“4”represents Africa，“5”represents global land，“6”represents Asia，“7”represents East Asia, and “8”represents Australia
表1次季节-季节预测试验（S2S）多模式数据库中各模式的具体信息
Table1Summary of models included in the S2S database
Brunet G, Shapiro M, Hoskins B, et al., 2010. Collaboration of the weather and climate communities to advance subseasonal-to-seasonal prediction[J]. Bull Amer Meteor Soc, 91(10): 1397-1406. DOI: 10. 1175/2010bams3013. 1.
Cui J, Yang S Y, Li T, 2021. How well do the S2S models predict intraseasonal wintertime surface air temperature over mid-high-latitude Eurasia?[J]. Climate Dyn, 57(1/2): 503-521. DOI: 10. 1007/s00382-021-05725-9.
高正旭, 周月华, 杜良敏, 2008. 2007/2008年湖北省冬季异常低温雨雪过程成因分析[J]. 暴雨灾害, 27(2): 166-171. Gao Z X, Zhou Y H, Du L M, 2008. Causes of the anomaly low temperature rain (snow) weather in winter 2007/2008[J]. Torrential Rain Disasters, 27(2): 166-171. DOI: 10. 3969/j. issn. 1004-9045. 2008. 02. 012. (in Chinese).
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.
黄超, 李巧萍, 谭楚岩, 2025. 深度学习在湖南次季节气温预测业务中的应用[J]. 大气科学学报, 48(3): 438-448. Huang C, Li Q P, Tan C Y, 2025. Application of deep learning for subseasonal air temperature prediction in Hunan Province[J]. Trans Atmos Sci, 48(3): 438-448. DOI: 10. 13878/j. cnki. dqkxxb. 20241231002. (in Chinese).
雷蕾, 徐邦琪, 高庆九, 等, 2022. 基于卷积神经网络的长江流域夏季日最高温度延伸期预报方法研究[J]. 大气科学学报, 45(6): 835-849. Lei L, Hsu P C, Gao Q J, et al., 2022. Extended-range forecasting method of summer daily maximum temperature in the Yangtze River basin based on convolutional neural network[J]. Trans Atmos Sci, 45(6): 835-849. DOI: 10. 13878/j. cnki. dqkxxb. 20211101001. (in Chinese).
Liang P, Lin H, Ding Y H, 2018. Dominant modes of subseasonal variability of East Asian summertime surface air temperature and their predictions[J]. J Climate, 31(7): 2729-2743. DOI: 10. 1175/jcli-d-17-0368. 1.
梁萍, 张志琦, 曹欣沛, 等, 2025. 基于人工智能大模型的上海2024年极端高温事件次季节预测[J]. 大气科学学报, 48(3): 377-388. Liang P, Zhang Z Q, Cao X P, et al., 2025. Sub-seasonal prediction of extreme heatwave events in Shanghai for 2024 using artificial intelligence-driven large models[J]. Trans Atmos Sci, 48(3): 377-388. DOI: 10. 13878/j. cnki. dqkxxb. 20250109002. (in Chinese).
Lin H, 2015. Subseasonal variability of North American wintertime surface air temperature[J]. Climate Dyn, 45(5): 1137-1155. DOI: 10. 1007/s00382-014-2363-6.
Liu B, Su J Z, Ma L B, et al., 2021. Seasonal prediction skills in the CAMS-CSM climate forecast system[J]. Climate Dyn, 57(11): 2953-2970. DOI: 10. 1007/s00382-021-05848-z.
刘晓蕾, 2024. 基于S2S动力模式结果的MJO及气温次季节高预报技巧窗口研究[D]. 北京: 中国气象科学研究院. Liu X L, 2024. Subseasonal high forecast skill windows of MJO and surface air temperature based on S2S dynamical model results[D]. Beijing: Chinese Academy of Meteorological Sciences. (in Chinese).
Liu X L, Peng Y H, Su J Z, et al., 2024a. To identify the forecast skill windows of MJO based on the S2S database[J]. Geophys Res Lett, 51(16): e2024GL109903. DOI: 10. 1029/2024GL109903.
Liu X L, Su J Z, Peng Y H, et al., 2024b. A statistic of the subseasonal forecast skill windows of 2-meter air temperature[J]. Environ Res Commun, 6(8): 085002. DOI: 10. 1088/2515-7620/ad6667.
Manatsa D, Mukwada G, Makaba L, 2018. ENSO shifts and their link to southern Africa surface air temperature in summer[J]. Theor Appl Climatol, 132(3): 727-738. DOI: 10. 1007/s00704-017-2112-y.
Mariotti A, Ruti P M, Rixen M, 2018. Progress in subseasonal to seasonal prediction through a joint weather and climate community effort[J]. npj Climate Atmos Sci, 1: 4. DOI: 10. 1038/s41612-018-0014-z.
Mariotti A, Baggett C, Barnes E A, et al., 2020. Windows of opportunity for skillful forecasts subseasonal to seasonal and beyond[J]. Bull Amer Meteor Soc, 101(5): E608-E625. DOI: 10. 1175/bams-d-18-0326. 1.
Mouatadid S, Orenstein P, Flaspohler G, et al., 2023. Adaptive bias correction for improved subseasonal forecasting[J]. Nat Commun, 14: 3482. DOI: 10. 1038/s41467-023-38874-y.
Pegion K, Kirtman B P, Becker E, et al., 2019. The subseasonal experiment (SubX): a multimodel subseasonal prediction experiment[J]. Bull Amer Meteor Soc, 100(10): 2043-2060. DOI: 10. 1175/bams-d-18-0270. 1.
Peng Y H, Liu X L, Su J Z, et al., 2023. Skill improvement of the yearly updated reforecasts in ECMWF S2S prediction from 2016 to 2022[J]. Atmos Ocean Sci Lett, 16(5): 100357. DOI: 10. 1016/j. aosl. 2023. 100357.
Peng Y H, Liu X L, Su J Z, et al., 2024. Classification analysis of prediction skill among ensemble members in MJO subseasonal predictions: based on the results of the CAMS-CSM subseasonal prediction system[J]. Atmos Ocean Sci Lett, 17(4): 100469. DOI: 10. 1016/j. aosl. 2024. 100469.
任国玉, 任玉玉, 李庆祥, 等, 2014. 全球陆地表面气温变化研究现状、问题和展望[J]. 地球科学进展, 29(8): 934-946. Ren G Y, Ren Y Y, Li Q X, et al., 2014. An overview on global land surface air temperature change[J]. Adv Earth Sci, 29(8): 934-946.. DOI: 10. 11867/j. issn. 1001-8166. 2014. 08. 0934. (in Chinese).
Toth Z, Zhu Y J, Marchok T, 2001. The use of ensembles to identify forecasts with small and large uncertainty[J]. Wea Forecasting, 16(4): 463-477. DOI: 10. 1175/1520-0434(2001)016＜0463: tuoeti＞2. 0. co;2.
Vitart F, Robertson A W, Anderson D L, 2012. Subseasonal to seasonal prediction project: bridging the gap between weather and climate.[2024-12-12]. https://wmo. int/media/magazine-article/subseasonal-seasonal-prediction-project-bridging-gap-between-weather-and-climate.
Vitart F, Ardilouze C, Bonet A, et al., 2017. The subseasonal to seasonal (S2S) prediction project database[J]. Bull Amer Meteor Soc, 98(1): 163-173. DOI: 10. 1175/bams-d-16-0017. 1.
Vitart F, Robertson A W, 2018. The sub-seasonal to seasonal prediction project (S2S) and the prediction of extreme events[J]. npj Climate Atmos Sci, 1: 3. DOI: 10. 1038/s41612-018-0013-0.
Wang L, Robertson A W, 2019. Week 3—4 predictability over the United States assessed from two operational ensemble prediction systems[J]. Climate Dyn, 52(9): 5861-5875. DOI: 10. 1007/s00382-018-4484-9.
White C J, Carlsen H, Robertson A W, et al., 2017. Potential applications of subseasonal-to-seasonal (S2S) predictions[J]. Meteor Appl, 24(3): 315-325. DOI: 10. 1002/met. 1654.
White C J, Domeisen D I V, Acharya N, et al., 2022. Advances in the application and utility of subseasonal-to-seasonal predictions[J]. Bull Amer Meteor Soc, 103(6): E1448-E1472. DOI: 10. 1175/bams-d-20-0224. 1.
Xie J H, Hsu P C, Hu Y M, et al., 2024. Advancing subseasonal surface air temperature and heat wave prediction skill in China by incorporating scale interaction in a deep learning model[J]. Geophys Res Lett, 51(20): e2024GL111076. DOI: 10. 1029/2024GL111076.
徐邦琪, 臧钰歆, 朱志伟, 等, 2020. 时空投影模型(STPM)的次季节至季节(S2S)预测应用进展[J]. 大气科学学报, 43(1): 212-224. Hsu P C, Zang Y X, Zhu Z W, et al., 2020. Subseasonal-to-seasonal (S2S) prediction using the spatial-temporal projection model (STPM)[J]. Trans Atmos Sci, 43(1): 212-224. DOI: 10. 13878/j. cnki. dqkxxb. 20191028002. (in Chinese).
Yan Y H, Su J Z, Liu B Q, et al., 2025. Subseasonal prediction skill in the CAMS-CSM subseasonal-to-seasonal forecast system[J]. Adv Atmos Sci, 42(6): 1212-1229. DOI: 10. 1007/s00376-024-4072-3.
智协飞, 彭婷, 王玉虹, 2018. 基于BMA方法的地面气温的10~15 d延伸期概率预报研究[J]. 大气科学学报, 41(5): 627-636. Zhi X F, Peng T, Wang Y H, 2018. Extended range probabilistic forecast of surface air temperature using Bayesian model averaging[J]. Trans Atmos Sci, 41(5): 627-636. DOI: 10. 13878/j. cnki. dqkxxb. 20160314001. (in Chinese).
Zhou X, Wang L, Hsu P C, et al., 2024. Understanding the factors controlling MJO prediction skill across events[J]. J Climate, 37(20): 5323-5336. DOI: 10. 1175/jcli-d-23-0635. 1.

地址：江苏南京宁六路219号南京信息工程大学    邮编：210044

联系电话：025-58731158    E-mail：xbbjb@nuist.edu.cn    

大气科学学报 ® 2026 版权所有  技术支持：北京勤云科技发展有限公司