编辑推荐：
为解决 APCC MME 预测能力及适用性问题，研究人员开展其预测技能评估研究。结果显示其预测技能有区域和季节差异但整体可提供重要信息。该研究为多领域决策提供依据，推荐科研读者阅读。
在气候研究领域，准确的季节性气候预测对社会经济的多个方面都有着至关重要的作用。想象一下，水电和风能发电企业如果能提前知晓未来季节的气温、降水情况，就能合理安排生产计划；水资源管理者也能根据气候预测，提前规划水资源调配，避免水危机。可是，气候预测并不简单，它面临着诸多挑战。
以前，气候预测主要依赖单个模型，但单个模型存在不少问题。就好比让一个人去完成一项艰巨的任务，他可能会因为自身的局限而无法做到完美。单个气候模型也是如此，由于模型本身的不确定性，很难准确地预测复杂多变的气候。后来，多模型集合（MME）技术出现了，它就像是召集了一群各有所长的人一起完成任务。不同的模型可以相互补充，减少不确定性，提高预测的准确性。
亚太经济合作组织气候中心（APCC）自 2007 年起，就开始利用 MME 技术，为人们提供高质量的气候信息和数据。APCC 的季节性预测是基于 MME 预测的，每个月都会向 APEC 成员发布。目前，有 11 个国家的 15 个运营中心和研究机构参与到 APCC 的 MME 中，他们定期提供全球预测领域的相关数据。
虽然之前对 APCC MME 的评估显示其在确定性和概率性预测方面都有一定的技能，但近年来，参与的模型数量增加了，许多模型也进行了升级或更换。这就好比一支球队，队员有了变动，球队的实力和表现可能也会发生变化。所以，之前的评估结果可能不再适用于现在的情况，有必要重新审视 APCC MME 的预测能力，看看这支 “气候预测球队” 在新成员加入和成员升级后，到底能发挥出怎样的水平。
为了深入了解 APCC MME 的预测能力，研究人员在《Scientific Data》期刊上发表了名为《Skill assessment of the Asia-Pacific Economic Cooperation Climate Center multi-model ensemble seasonal prediction》的论文。通过一系列研究，他们得出了一些重要结论。这些结论对于各个领域合理利用气候预测信息，减少风险，优化资源管理具有重要意义。就像为迷茫的航海者指明了方向，让人们在面对复杂的气候时，能做出更明智的决策。
研究人员在开展这项研究时，用到了几个主要的关键技术方法。首先是多模型集合技术，APCC 每月发布 1 个月和 4 个月提前期的月平均和 3 个月平均（季节性）MME 预测，其预测基于 15 个运营中心和研究机构的气候预测模型输出。模型数据被插值到 2.5°×2.5° 的网格分辨率，并通过减去 1991 - 2010 年的气候平均值来计算集合平均异常值，以校正每个模型的系统误差。其次，研究选取了四个 hindcast 集合（H2019、H2020、H2021、H2022），这些集合代表了近年来可用于分析的 hindcast 数据，用于评估 1991 - 2010 年期间的预测能力。同时，使用相同模型进行 2019 - 2022 年的实时预测，并进行技能验证。最后，研究采用了多种验证指标，如纬度加权面积聚合异常模式相关系数（ACC）、皮尔逊相关系数（用于衡量时间关系）和均方根误差（RMSE），来综合评估预测技能。
下面我们来详细看看研究结果。
1. Hindcast
研究人员对比了四个 hindcast 集合（H2019 - H2022）对 2 米温度（T2M）、降水（PREC）和海表面温度（SST）的预测技能。从图 1 和图 2 可以看出，对于 2 米温度和降水，ACC 总体上从 H2019 到 H2021 呈上升趋势，但存在季节性和区域差异。夏季时，由于厄尔尼诺 - 南方涛动（ENSO）在夏季消散，这两个变量的预测技能相对较低。这就好比夏天时，气候预测的 “得力助手” ENSO 暂时休息了，预测难度也就增加了。不过令人欣喜的是，H2022 的 hindcast 技能相比 H2019 有所提高，2 米温度的技能在秋季提升明显，降水技能也有一定提升，且在夏末和秋季技能增加。
从区域平均的 ACC 来看，大多数子区域从 H2019 到 H2022 呈逐渐上升趋势。在温度方面，南温带和中东地区进步明显；降水方面，技能增加主要出现在南美洲和中东地区。而且，降水的预测技能季节性变化比温度更明显。
在空间分布上，对比 H2019 和 H2022，温度预测在大多数地区的可预测性提高，但中国北方和南美洲南部除外；降水预测在全球平均水平上可预测性变化不明显，不过在非洲、欧洲和亚洲部分地区技能有所提高，而在北太平洋和秘鲁附近的南太平洋地区相关性下降。
对于 SST，1 个月提前期时，H2019 和 H2022 的时间相关性差异不大，技能得分相近或 H2022 更低；4 个月提前期时，H2022 的全球平均 TCC 比 H2019 提高了约 6.7% ，不过在约 45°S 附近仍存在负值。这说明随着气候模型的改进，即使提前期更长，近期 hindcast 集合中的 SST 可预测性仍能保持，但在某些区域仍存在挑战。
研究人员还通过 RMSE 来考察误差情况。一般来说，2 米温度在北半球冬季的 RMSE 值比夏季大，因为冬季温带地区的变率更高；降水则相反，在南半球夏季 RMSE 更高。虽然从 H2019 到 H2022 ACC 有所增加，但 RMSE 并没有显著下降，这表明 MME 更擅长捕捉与平均状态的偏差模式，而在预测具体数值上还有提升空间。
此外，研究人员分析了单个模型和 MME 的技能。对于 2 米温度，单个模型的最高 ACC 自 H2020 起几乎不变，但最低得分增加，平均技能逐渐提高，MME 技能通常优于单个模型的平均技能。对于降水，单个模型的预测技能范围更广，MME 技术对降水的效果比对温度更明显，这主要是因为单个模型在降水预测上的误差相互独立。在 SST 预测中，单个模型的技能范围在 2019 - 2022 年保持稳定，虽然 MME 的效率相对较低，但可预测性在逐渐增加。
2. Real-time forecast
在实时预测方面，研究人员分析了季节性 NINO 3.4 指数（用于定义 ENSO 事件的常用指数），以评估 SST 的实时预测能力。结果发现，APCC MME 总体上能跟随观测趋势，1 个月提前期的相关系数为 0.89，4 个月提前期为 0.72。这表明 APCC MME 在预测 SST 与 ENSO 相关的变化方面表现不错。
对于 2 米温度和降水的季节性平均预测，实时 MME 的预测技能有波动，但平均而言，温度的 ACC 为 0.49，降水为 0.43。降水的预测技能与 ENSO 变率密切相关，其与 NINO 3.4 指数振幅的相关性比 2 米温度更高。这进一步证明了 ENSO 变率可能是季节性降水可预测性的主要来源。
在子区域分析中，对于 2 米温度，相关性和 RMSE 通常呈线性关系，在热带、澳大拉西亚和南太平洋等地区，相关性高且 RMSE 低；而在东亚和北欧亚等地区则相反。但对于降水，这种线性关系并不明显，高相关性的地区可能 RMSE 也高，低相关性的地区 RMSE 反而低。这是因为 RMSE 受与观测值差异的影响，像北欧亚地区年降水量小，RMSE 可能低，但如果 MME 没有捕捉到相对变化和模式，相关性也会低。
综合研究结果和讨论部分，这项研究意义重大。研究表明，APCC MME 在不同区域和季节的预测技能有所差异，但总体上能够提供重要的季节性预测信息。无论是在可预测性较高的地区，还是在可预测性较低的地区，APCC MME 都能发挥一定的作用。对于可预测性高的地区，它能为决策提供更可靠的依据；对于可预测性低的地区，也能帮助人们避免做出不利决策。而且，研究还发现 MME 技术在降水预测方面比温度预测更具优势，这为未来进一步优化气候预测模型提供了方向。此外，研究人员对 hindcast 和实时预测的全面评估，也让我们对 APCC MME 的预测能力有了更清晰的认识，有助于不同领域的人们更好地利用这些气候预测信息，合理规划生产生活，减少因气候变化带来的风险，优化资源管理。就像为各个行业在气候的 “海洋” 中航行提供了精准的导航图，让人们能更加从容地应对气候变化的挑战。
