西北太平洋熱帶氣旋頻次的延伸期動力餐臣圃けǚ椒ê推攔

徐邦琪 魏澎 錢伊恬 游立軍

摘要 介紹了西北太平洋熱帶氣旋（TC）頻次的延伸期預報方法，比較了新構建的動力-統計和統計預報模型的預測技巧，并探討了預報誤差來源及改進方向。動力-統計預報模型是基于動力模式預測的熱帶季節內振蕩（ISO）信號及ISO-TC生成的同期統計關系來進行預報;統計預報模型則是基于TC生成的前兆ISO信號建模預報。預報評估結果顯示，動力-統計混合預報模型的預報技巧高于統計預報模型，原因在于影響TC次季節變化的前兆信號并不穩定，且隨著預報超前時間迅速消散，無法提供有效且穩定的可預報源;相反地，TC生成與同期的ISO背景場顯著相關，動力模式對ISO（預報因子）有較好的預報能力，因此動力-統計相結合的預報方法為TC延伸期預報提供了有效途徑。雖然目前動力-統計預報模型的預報技巧可達5～6周，但仍有進一步改進和提高的空間。通過對不同類型TC預報技巧檢驗和誤差分析，研究認為年際和年代際背景場對ISO調控TC活動的影響不可忽略，且熱帶外ISO信號（如羅斯貝波破碎和西風急流強度等）對TC頻次和軌跡也有顯著影響，這些因子為TC延伸期預報提供了潛在可預報源。

關鍵詞熱帶氣旋;季節內振蕩;延伸期預報;可預報性來源;熱帶外信號

北半球夏季西北太平洋（WNP）的熱帶氣旋（TC）活動給東亞沿海地區帶來了巨大的影響，熱帶氣旋所引起的狂風、暴雨和風暴潮等災害性天氣給沿海地區的居民生產和生活造成重大的影響，造成了巨大的人員傷亡和財產損失。2023年7月超強臺風“杜蘇芮”在登陸菲律賓卡加延省之后，再次在我國福建省晉江沿海登陸，是有史以來登陸福建省的第二強臺風，其間緊急避險和轉移安置76.8萬人，損毀房屋1.5萬余間，直接經濟損失達147.7億元（https：／／www.mem.gov.cn／xw／yjglbgzdt／202308／t20230804_458461.shtml）。受“杜蘇芮”臺風殘留云系北上和西風槽疊加影響，東北地區多地出現強降雨，黑龍江、吉林部分農田受淹，道路交通、通信電力等基礎設施遭損毀，直接經濟損失達170.9億元。2023年第6號臺風“卡努”以熱帶低壓在我國遼寧省莊河市沿海登陸，東北地區多地再度出現強降雨，遼寧、黑龍江等地共8.8萬人不同程度受災，農作物受災面積達2.15萬hm2，直接經濟損失為9.2億元（https：／／www.mem.gov.cn／xw／yjglbgzdt／202309／t20230906_461707.shtml）。

提高臺風預報準確率以及延長預報時效，是防災減災的重要基礎。近些年隨著延伸期預報方法和技術的發展，許多極端天氣事件的次季節變化機制和延伸期預報方法的研究取得了一定的進展（陳官軍等，2017;楊秋明，2018;章大全等，2019;徐邦琪等，2020;雷蕾等，2022;李麗平等，2022;陳春和陶麗，2023），相對降水和氣溫的延伸期預報方法和技術的快速發展，臺風延伸期預報研究起步較晚，延伸期預報能力還偏低（Jiang et al.，2018;Lee et al.，2018，2020）?，F有的臺風延伸期預報方法主要分為統計預報、動力預報和混合動力-統計預報方法（金蕊等，2020）。統計預報模型是以影響臺風生成的先兆信號為預報因子，利用不同的統計模型對臺風活動進行預測，早期學者利用邏輯回歸預報方程對南半球（Leroy and Wheeler，2008）、東太平洋和北大西洋（Henderson and Maloney，2013）的熱帶氣旋生成概率進行延伸期預報，并確認了Madden-Julian Oscillation（MJO;Madden and Julian，1972）是臺風延伸期預報最重要的可預報性來源之一。Zhao et al.（2022）采用相似的方法對WNP TC生成概率進行延伸期預報，發現MJO和準雙周振蕩（QBWO）對于整個WNP的TC生成概率預報技巧的重要性，而厄爾尼諾-南方濤動（ENSO）則對WNP不同區域TC生成概率的預報技巧具有重要的影響。Zhu et al.（2017）利用時空投影方法對臺風群發指數進行延伸期預報?；貓笤囼灲Y果顯示，該方法能夠提前10（20） d成功地預報出54個臺風群發事件中80％（69％）的臺風群發事件。Wei et al.（2021）也利用該方法來預報MJO和QBWO的主成分，從而根據QBWO／MJO與TC逐日生成率之間的歷史統計關系來預報中國南海的TC生成率。

由于數值模式分辨率不斷提高、資料同化技術和參數化方案快速發展，所以利用動力模式對TC進行延伸期預報成為可能。Xiang et al.（2015）評估了美國地球物理流體動力學實驗室（GFDL）耦合模式對颶風Sandy和超強臺風海燕生成的預報技巧，發現最大的預報技巧可達11 d。在Xiang et al.（2015）對個例評估的基礎上，Jiang et al.（2018）全面評估了GFDL耦合模式對歷史臺風的預報技巧，并發現該動力模式對臺風生成的預報技巧約為一周。Lee et al.（2018，2020）評估了參加世界氣象組織次季節-季節（S2S）預測項目的所有動力模式對TC生成、頻次和累計氣旋能量（ACE）的預報技巧，發現ECMWF對WNP TC頻次的預報技巧達到2～3周，然而，動力模式對TC生成的預報技巧明顯低于對TC頻次的預報技巧。目前，國內外越來越多的氣象業務機構和科研中心嘗試進行臺風延伸期業務預報，但總體而言預報技巧仍然有限。歐洲中心從2010年起逐周發布兩次未來1～4周的TC活動預報，包括各海盆每周TC個數或ACE和TC襲擊概率分布圖，并且在2023年增加模式成員和預報發布頻次，原來51個集合成員已增加至101個，逐日發布未來12 d內每天全球的TC襲擊概率分布圖（https：／／charts.ecmwf.int／products／medium-tc-genesis），為TC活動提供了更加完善和準確的預報產品（Schreck et al.，2023）。美國國家海洋大氣管理局（NOAA）的氣候預報中心（CPC）每周提供一次全球熱帶氣旋災害預報，包括全球熱帶氣旋軌跡概率。美國科羅拉多州立大學從2009年開始每2周預報大西洋的ACE，預報結果為整個北大西洋ACE高于或低于氣候平均以及與氣候平均持平的概率。澳大利亞氣象局對于TC的業務預報產品包括提前2～3周對南太平洋和提前2～4周對WNP TC進行預報。雖然現有的TC延伸期業務預報產品越來越豐富，預報技巧也有所提高，但仍無法滿足現在越來越精細化的防災減災需求。為了進一步滿足防災減災的需求，發展和提高臺風延伸期預報水平，是亟待解決的重要科學問題。

除了統計模型和動力模式預測方法，Qian et al.（2020）在分析ISO對西北太平洋7類TC活動調控作用的基礎上，構建了西北太平洋TC延伸期動力-統計預報模型。該模型利用GFDL模式預報的ISO信號（動力預報）及ISO-TC生成的統計方程（統計預報），實現了對未來40 d逐旬的TC個數和頻次分布（軌跡）的概率預報?；貓笤囼烇@示，該模型的預報技巧達到了25 d，相比于GFDL動力模式對TC僅有10 d的預報技巧有了很大提升。為了更好地將該模型應用于業務預報系統，該模型已在國家氣候中心和福建省氣候中心進行業務轉化，結合歐洲中期預報中心（ECMWF）實時發布的S2S預報產品，目前已完成對未來6周逐周滾動的西北太平洋TC個數和頻次分布（軌跡）延伸期概率預報系統。本文將對該動力-統計模型的實時預報結果進行評估，并與統計模型的預報結果進行比較，通過對預報誤差來源的分析，明確臺風延伸期預報的可預報性來源，為進一步改進和提高現有的預報系統提供一定的物理基礎。

本文第一節介紹資料以及混合動力-統計預報模型和統計預報模型;第二節對預報模型的預報技巧進行評估，并且探討預報誤差和可預報性來源;第三節綜合討論現有預報模型的局限性，以及改進和完善臺風延伸期預報模型的挑戰及展望。

1 資料和方法

1.1 資料

為了分析影響西北太平洋臺風活動的關鍵過程和因子，本文采用歐洲中期天氣預報中心（ECWMF）最新的再分析數據（ERA5;Hersbach et al.，2020）以及美國海洋和大氣管理局（NOAA）的對外長波輻射（OLR）。ERA5的變量包括850 hPa 相對渦度（Vort850）、200 hPa散度（Div200）、200 hPa和850 hPa之間全風速的垂直風切變（VWS）、p坐標下500 hPa垂直速度（ω500）、700 hPa比濕（q700）、海表面溫度（SST）。所有變量的水平分辨率為1°×1°。資料的時間段為1979—2021年，臺風季的定義為6—10月。臺風數據來自IBTrACS最佳路徑數據集（Knapp et al.，2010），包括每6 h的TC中心最大風速、中心所在經度和緯度。本研究的預報對象是強度為熱帶氣旋及以上（中心風速大于34 kn）的TC個例。

動力-統計預報模型中采用的動力模式數據為由ECMWF發布的S2S預報產品（Vitart et al.，2017），變量包括850 hPa和200 hPa的緯向（u）和經向風（v）、500 hPa垂直速度（ω500）、700 hPa比濕（q700）、海表面溫度（SST）和OLR。ECMWF每周一和周四發布一次動力預報數據，包含往后46 d的逐日數據，共有51個集合成員。實時預報數據時間段為2016—2021年，回報數據時間段為2000—2019年。

1.2 西北太平洋臺風延伸期預報模型

本研究構建并評估了兩類西北太平洋臺風頻次延伸期預報模型（圖1），分別是動力-統計結合的預報模型（Qian et al.，2020）和單純基于統計方法的統計預報模型。由于臺風活動是非連續且小概率的事件，并且具有顯著的季節循環特征（圖2i柱狀圖），所以預報對象為臺風季逐周TC個數異常值（相對于氣候平均的逐周TC個數）Y（t），即圖1中兩個預報方程。定義逐周TC個數為每周活躍于WNP的TC個數，若某一個TC從第一周一直活躍至第二周，則這兩周均統計該TC。模型訓練的時段為1979—2015年，預報階段為2016—2021年。以下將詳細介紹西北太平洋臺風延伸期預報模型的主要構建步驟（圖1中（1）、（2）和（3））和預報產品（圖1中（4））。

1.2.1 步驟1：對歷史臺風軌跡進行模糊聚類分析

WNP是TC最活躍的海域，TC個例具有不同的生成位置和軌跡類型，ISO對不同類型的TC調制作用存在差異（Camargo et al.，2009;Qian et al.，2020）。為了更準確地挑選出預報因子，并利用TC的氣候統計特征預報出TC頻次分布，這里首先對歷史TC軌跡數據（1979—2015年）進行c-means模糊聚類分析。整個WNP的TC軌跡可以客觀地分成7類，分別用C1—C7表示（圖2b—h），WNP上所有的TC稱為“TCall”（圖2a、2i），該分類結果與前人的研究一致（Camargo et al.，2009;Kim et al.，2011）。每類TC都具有其獨特的生成位置和軌跡類型，其中占比最多的是生成于菲律賓海東部后向西北方向移動，侵襲我國東南沿海、臺灣等地的C3類TC，占所有TC個數的22.9％，其次是北上影響日本韓國的C6類TC，占所有TC個數的20.2％，生成于WNP偏東的C2和C4類臺風較少，分別占總數的近6.0％和6.8％。除了生成位置和軌跡，不同類型TC的季節循環信號也存在一定的差異，C5類TC個數在10月較少，更多發生在7—9月及11月（圖2f柱狀圖），而C7類TC個數在整個TC季均比較平穩，在10月開始略微有所上升（圖2h柱狀圖）。不同類型TC的基本特征差異可能反映了不同類型TC低頻變化的物理機制有所不同，即大尺度動力和熱力過程對不同類型TC的調控過程存在差異，因此通過分類建模預報，能夠更加準確地抓住影響不同類型TC的關鍵信號，并且通過比較不同類型TC的預報技巧及其可預報性來源差異，為進一步提高延伸期預報技巧提供了物理基礎。

1.2.2 步驟2：基于同期和超前相關分析挑選潛在預報因子

考慮了與TC生成有關的大尺度動力和熱力條件（Camargo et al.2009;Qian et al.2020），本文采用的潛在預報因子包括Vort850、Div200、VWS、ω500、q700、SST和OLR。為了在延伸期尺度上挑選與每類TC生成密切相關的潛在預報因子，本研究在訓練階段對每類TC逐周個數距平值與各個預報因子的低頻分量進行相關分析（圖3），其中，TC逐周個數距平值定義為每周原始的TC個數與其平滑的氣候態季節循環（圖2中的黑色曲線）之間的差值，潛在預報因子的低頻ISO分量定義為逐日數據減去前三個諧波的逐日氣候平均得到的異常分量再進行周平均。同期相關的最大值位于各類TC生成位置附近（圖3a和3h），因此以每類TC的生成區域為范圍（圖3中的黑色方框），選擇該區域內達到95％置信水平的格點［r（i，j）］進行平均后作為動力-統計結合預報的潛在預報因子（圖1綠框）。

而統計預報模型則是以每類TC個數距平值與低頻大尺度場之間的超前相關關系來確定潛在預報因子。以C6為例，在TC生成當周（Lead w0），OLR負異常的大值區位于C6類TC生成區（圖3a中的黑色方框），在TC生成前一周（Lead w1）時，OLR負異常位于C6類TC生成的主要區域的南側，強度有所減弱，但隨著分析時間的進一步提前，影響C6生成的前兆信號消失得非?？?，在提前兩周（Lead w2）時OLR負異常范圍變得很小，而在TC生成之前三周（Lead w3）以上幾乎看不出調控信號（圖3d—g）。與C6類TC不同，C7類TC的前兆信號來自于熱帶印度洋，在TC生成五周之前（Lead w5）可以觀測到位于熱帶印度洋的OLR對流向東北方向移動，逐漸傳播至中國南海和菲律賓海地區，有利該區TC生成（圖3h—n）。為了有效地提取這些伴隨ISO傳播的前兆信號，統計預報模型的潛在預報因子的選擇范圍與混合預報的（黑色方框）有所不同，本文將其擴大至更大范圍的整個亞洲季風區（40°E～180°～60°W，20°S～40°N），以不同提前時間l相關分析圖中達到95％置信水平的格點［r（i，j，l）］進行平均后，作為統計預報的潛在預報因子（圖1藍框內的預報方程）。

為了驗證置信水平挑選潛在預報因子對預報結果的影響，本文也基于99％的置信水平來挑選潛在預報因子，進行建模預報，結果顯示不管是混合預報模型還是統計預報模型的預報技巧，都沒有太大的區別（圖略），說明基于95％置信水平挑選的預報因子已經包含了大部分重要的信號，能夠提供有效的預報信息。

1.2.3 步驟3：建立各類TC的逐步回歸預報模型

在確定了每類TC的潛在預報因子之后，通過訓練時期的數據建立多元逐步回歸方程，確定最終的預報因子和預報模型。多元逐步回歸方法是以赤池信息量（AIC；Akaike，1974）為準則，通過選擇最小的AIC進行預報因子的引入和剔除交替進行，直到沒有新的預報因子可以引入或剔除為止，AIC的大小取決于預報模型的擬合能力以及模型的復雜程度（預報因子個數）。以AIC為依據選擇的預報因子往往能夠反映各潛在預報因子對該類TC單獨的影響程度。其中Vort850、Div200、SST和OLR是選擇最多的4個預報因子，而ω500和q700相對來說被選擇的頻次較少。動力-統計結合的預報流程是將動力模式預報的未來數周ISO大尺度場狀態代入統計預報方程（圖1綠框中的方程），可以得到未來數周的各類TC個數。統計預報則是以前兆信號為預報因子，直接代入統計預報方程（圖1藍框中的方程），以得到未來數周的各類TC個數。

1.2.4 步驟4：預報和得到最終TC預報產品

不管是動力-統計預報模型還是統計預報模型，預報得到的均是每類TC每周個數的距平值，將它們加上TC氣候季節循環分量（圖2中的黑色曲線），即可得到每類TC的總個數。最后通過將每類TC的總個數與對應氣候態軌跡分布概率相乘后再加總，即可得到西北太平洋TC的軌跡分布概率（圖1最下方的兩個流程）。西北太平洋TC的軌跡分布概率［P（lat，lon）］定義為：

Plat，lon=TCF（lat，lon）TCN×100%。（1）

其中“lat”和“lon”分別為緯度和經度;TCF（lat，lon）代表每個5°×5°格點上的TC頻次;TCN代表整個西北太平洋上觀測的TC個數。值得注意的是，當TCF（lat，lon）大于TCN時，P（lat，lon）可能會超過100％。例如，如果當整個WNP上只有1個TC，而其在某個格點上停留超過12 h［TCF（lat，lon）=2］，那么P（lat，lon）就等于200％。

2 預報檢驗及可預報性討論

2.1 預報技巧檢驗

這部分將比較兩套模型對獨立預報時期（2016—2021年6—10月）WNP TC個數和頻次分布的預報技巧，TC個數預報以時間相關系數（TCC）和均方根誤差（RMSE）進行評估，而TC頻次分布的預報技巧以空間相關系數（PCC）來進行評估。圖4顯示，不管是混合預報模型還是統計預報模型，隨著提前預報時間的增加，預報技巧均下降;此外，不管是混合預報模型還是統計預報模型，對C1—C7類每類TC分類預報之后加總得到WNP所有臺風的個數，由此得到的預報技巧（深綠和深藍色柱狀）均高于對所有TC直接預報（淺綠和淺藍色柱狀），這表明分類預報能夠更好地提取有效的可預報性來源，從而提高了TC延伸期預報技巧。

兩套模型相比，混合預報模型的預報技巧的下降速度慢于統計預報模型。在提前1周（Lead w1）預報時，混合預報的TCC和RMSE均與預報上限技巧（Lead w0的技巧，以觀測的大尺度場對TC進行預報）相當（圖4a、b），隨著動力模式積分時間的增加，動力模式對低頻大尺度預報因子的預報技巧下降，影響了TC預報技巧，但是在提前5～6周依然顯示出有效的預報技巧（TCC通過95％置信水平檢驗），因此混合預報模型對逐周TC個數的預報技巧為5～6周（圖4a），而TC個數的預報誤差為0.7～0.8個TC（圖4b）。相較于混合動力-統計預報模型，依賴于前兆信號建模的統計預報模型的預報技巧下降比較快（圖4d、e），在提前1周時，TCC從0.61～0.62下降至0.52～0.53（圖4d），在提前2周預報時，模式已無法提供有技巧的預報結果（TCC不顯著，預報偏差約為1個TC），這一結果說明了低頻大尺度場與TC個數的前兆信號較為不穩定，無法有效提供可預報性來源。為了檢驗評估閾值（0.45）的敏感性，這里也采用氣候態預測技巧（0.46）作為評估有效預測的標準，由于此兩個閾值（0.45、0.46）非常相近，并不影響有效預報時效的相關結論。

根據圖1流程介紹，該預報模型預報得到每類TC的個數后，乘以每類TC的氣候態軌跡分布概率后進行加總，即可得到WNP海盆上TC軌跡的空間概率分布。圖5為基于動力-統計預報模型預報的4個TC軌跡空間分布，可見該模型不僅能夠預報出諸如單個超強臺風天鵝（圖5a）、臺風沙德爾（圖5c）、超強臺風莎莉嘉（圖5d）的西行軌跡，而且能預報出群發臺風個例，如發生于2018年8月10—16日的“貝碧嘉”“溫比亞”和“麗琵”臺風（圖5b）。對于這4個個例，提前4周預報的TC頻次分布與觀測的空間相關系數仍有0.6左右。然而模型可能出現空報或漏報，因此所有預報時次的平均PCC技巧約為0.3（圖4c），但依舊通過了95％置信水平檢驗。由于統計預報模型對各類TC個數的預報技巧（圖4d中的深藍色柱狀）低于混合預報（圖4a中的深綠色柱狀），因此造成統計預報對TC頻次分布的預報技巧（圖4c中的深綠色柱狀）也低于混合預報（圖4f中的深藍色柱狀）。

2.2 WNP TC延伸期預報的可預報性來源分析

為了進一步探討TC延伸期預報的可預報性來源，這里以TCC評估結果為例，比較了混合預報和統計預報對不同類型TC個數距平值的預報技巧（圖6），以了解TC延伸期預報誤差的可能來源。結果顯示，與TC總數（距平值加上氣候年循環）的預報技巧（圖4d）相似，混合預報模型對TC個數距平值的預報技巧也高于統計預報模型的技巧（圖6h），混合預報模型在提前4周預報時，預報技巧依然達到0.27，通過了95％置信水平檢驗。而統計預報模型的預報技巧下降非常迅速，提前1周預報的預報技巧為0.28，提前2周預報時已沒有預報技巧，因此接下來主要以混合預報模型為例，探討各類TC的預報誤差和可預報性來源。

通過比較不同類型TC的預報技巧（圖6a—g），本文發現不同類型的TC存在較大的差異：C1、C3、C5—C7類TC的TCC技巧隨著預報時效的增加，下降得比較緩慢，預報能力較為穩定，但是另外兩類TC的TCC技巧偏低，C2類臺風即使基于同期的觀測場進行預報，也無法預報出TC個數（圖6b中w0），而C4類臺風的預報技巧下降非常迅速，在提前3周以上的預報中，兩個模型都顯現出對該類TC無預報技巧。

為了探尋模型無法預報C2類TC的原因，這里分析訓練階段（1979—2015年）和獨立預報階段（2016—2021年）的預報因子與C2類TC之間的相關關系（圖7a—d）。通過比較這兩個階段的相關分布可以看到，模式訓練階段C2類TC與熱帶WNP東北部的正渦度異常和東南部的負渦度異常存在顯著的相關性（圖7a1），這些信號被選為預報因子，然而，在獨立預報階段，這些信號消失了（圖7a2）。換句話說，獨立預報階段C2類TC生成與渦度異常無關，無法以渦度異常信號對該類TC進行預報;相似地，其他預報因子在訓練和預報階段也出現相異的特征（圖7b—d），在訓練階段，C2類TC生成與WNP SST的相關圖中呈現負-正-負的三極子形態（圖7c1），而在獨立預報階段則呈現北冷南暖的偶極子模態（圖7c2）。這些相關關系的變化說明C2類TC活動及其與大尺度預報因子的關系存在年代際變化，建模時期挑選的預報因子在獨立預報階段已無法提供可預報源，因而導致預報模型失效。

動力-統計模型對C4類TC的預報技巧下降十分迅速（圖6d），為了分析原因，這里分析觀測數據（w0）與動力模式在提前1周至3周（w1—w3）起報的預報因子與C4類TC個數的相關系數分布（圖8a—d）。結果顯示，C4類TC的信號在WNP關鍵信號區域（圖8a中的黑色方框）的東北部，可能與一些中緯度信號有關（如急流或羅斯貝波破碎等）。這一中緯度信號在動力模式提前1周的預報中基本能夠被準確預報（圖8b），但是在動力模式提前2周的預報中，動力模式預報的Vort850、Div200、ω500、q700和SST信號減弱，VWS幾乎沒有信號（圖8c），且在提前3周的預報中，動力模式無法預報出這些預報因子在C4關鍵信號區域（圖8d中的黑色方框）東北部的異常，從而導致C4類TC在提前3周預報時，預報技巧完全消失（圖6d）。

以上討論分析了混合動力-統計預報模型和統計預報模型的預報技巧，并以混合預報模型的預報技巧（TCC）為例，討論了預報較差的兩類TC（C2和C4類）的誤差產生原因，如年代際變化和中緯度信號對TC次季節變化的影響，為下一步改進模型提供了物理基礎和思路。

3 討論與展望

本文介紹了基于臺風聚類的WNP TC頻次的延伸期預報方法，分別從動力-統計相結合的方法和傳統統計方法進行建模和預報（圖1—3）。預報技巧評估顯示，現有的預報模型仍然有較大的提升空間，其中動力-統計預報模型由于依賴現有動力模式對低頻大尺度場的預報技巧，以及ISO與TC生成個數之間的同期相關關系，所以預報技巧較高且較為穩定;而統計預報模型依賴ISO前兆信號，由于前兆信號的穩定性和持續性較低，所以統計預報的技巧低于現有的動力-統計預報模型（圖4—6）。通過對不同類型TC的預報技巧進行分析后，探討了TC延伸期預報的誤差來源（圖7—8），結果顯示目前構建的TC頻次延伸期預報模型還存在著以下幾方面的局限，有待進一步提升突破。

1）不同年際-年代際背景下ISO-TC的影響作用

本文的研究表明ISO（預報因子）與C2類TC（預報量）的關系可能存在著年代際轉變（圖7），導致了C2類TC預報技巧偏低。而現有模型尚未考慮預報因子和預報量關聯性的年際-年代際變化，這可能是預報誤差來源的重要原因之一。例如，前人的研究表明，在不同的年際信號影響下，ISO對TC的次季節調控機制可能存在差異，即在不同的ENSO位相下，MJO和QBWO對TC次季節活動的調控作用顯示出不同的特征（Li et al.，2012;Han et al.，2020）。本文首先嘗試考慮ENSO位相對WNP TC延伸期預報的影響，為了有更充分的分析樣本量，利用動力模式回報階段（2000—2019年）的大尺度場，以及基于1979—2015年的統計關系建立的統計預報模型進行混合預報。El Nio（La Nia）年定義為1979—2015年臺風季的Nio 3.4指數>0.65σ（<-0.65σ）的年份，其余年份定義為中性年，σ為1979—2015年每年臺風季Nio 3.4指數的標準差。通過比較回報階段（2000—2019年）每年的預報技巧（圖9a）發現，在不同的ENSO位相背景態下，模式回報的TCC技巧也存在著顯著的年際變化（圖9a）。進一步合成不同ENSO位相下的預報技巧發現，C4（圖9e）和C5類（圖9f）這兩類生成于WNP東南象限的TC在El Nio年的預報技巧明顯高于其余年份，而C3（圖9d）和C7類（圖9h）生成于WNP西側的兩類TC在La Nia年的預報技巧則高于其余年份。這一結果表明，利用不同年際背景態下預報因子（ISO）為不同類型TC提供的可預報源存在差異，充分考慮年際信號（如ENSO）對預報因子-預報量關聯性的影響，可能是提高預報技巧的途徑之一。

基于這一推論，本文將動力模式回報階段（2000—2019年）的El Nio年、La Nia年和中性年分別建立預報模型，依ENSO位相分別預報TC活動后，再進行評分。本文將這一方法預報得到的結果稱為“ENSO-FCST”，并將這一結果與原本的預報結果（不區分ENSO位相，稱為“clim-FCST”）進行比較（圖10）。結果顯示“ENSO-FCST”的預報技巧高于“clim-FCST”，說明ENSO也是WNP TC延伸期預報的重要可預報性來源，引入ENSO信號及其對ISO-TC關系的調制作用能夠有效地提高預報技巧。未來可在此基礎上，進一步把ENSO和其他年代際模態的作用考慮進TC延伸期預報模型中。

2）熱帶外信號對TC次季節變化的影響

前人的研究更多關注熱帶信號（如熱帶ISO）對WNP TC次季節變化的影響（Zhao et al.，2016），目前構建的模型中僅以熱帶ISO信號為預報因子。Camargo et al.（2019）總結了影響TC次季節變化的關鍵信號和物理機制，除了最重要的MJO之外，赤道波動、熱帶外的羅斯貝波破碎等對TC次季節變化也有重要影響（Li et al.，2018）。Schreck et al.（2023）更新了自Camargo et al.（2019）之后、2019—2022年TC次季節變化機制的最新研究進展，

并且指出除了熱帶信號ISO之外，熱帶和熱帶外相互作用對提高臺風次季節預報具有重要性，模式對ISO預報具有重要性。

本文初步探索中緯度信號對不同類型臺風頻次的影響（圖11），尤其關注對登陸我國的臺風（C1、C3、C6）活動的作用。首先將TC頻次的空間分布在反氣旋性羅斯貝波破碎（AWB）的正負位相進行合成，AWB的正／負位相定義為周平均的AWB頻次（130°E～180°～150°W、10°～30°N區域平均）超過一個標準差／小于一個負標準差。結果顯示AWB對WNP TC的次季節變化存在顯著的調控作用，其不利于WNP開放海域的TC活動（圖11a、c），但有利于中國南海地區的TC活動（圖11d）。此外，本文比較了東亞西風急流強度對WNP TC活動的影響（圖11e—h），發現增強的急流有利于150°E以西的TC活動，特別是有利于登陸TC的活動，其主要是通過增強季風槽和東南風引導氣流來影響的。如何有效地提取這些中緯度影響TC次季節活動的關鍵信號，并引入到現有的延伸期預報模型中，是未來進一步完善和提高目前WNP TC延伸期預報模型的關鍵。

近些年有關TC次季節變化特征和物理機制的理論研究不斷涌現，TC的延伸期預報技術和方法發展越來越成熟。更加全面且深入地挖掘TC延伸期預報的可預報性來源，診斷動力模式對ISO及TC次季節活動模擬的誤差來源、構建訂正模型，應用最新的統計方法（如機器學習）進行建模等，將是我們今后研究工作的方向和重點。

致謝：本文的數值計算得到了南京信息工程大學高性能計算中心的計算支持和幫助。

參考文獻（References）

Akaike H，1974.A new look at the statistical model identification［J］.IEEE Trans Autom Contr，19（6）：716-723.doi：10.1109／TAC.1974.1100705.

Camargo S J，Wheeler M C，Sobel A H，2009.Diagnosis of the MJO modulation of tropical cyclogenesis using an empirical index［J］.J Atmos Sci，66（10）：3061.doi：10.1175／2009JAS3101.1.

Camargo S J，Camp J，Elsberry R L，et al.，2019.Tropical cyclone prediction on subseasonal time-scales［J］.Trop Cyclone Res Rev，8（3）：150-165.doi：10.1016／j.tcrr.2019.10.004.

陳春，陶麗，2023.熱帶氣旋潛在生成指數的對比分析及其在西北太平洋的改進［J］.大氣科學學報，46（4）：615-629. Chen C，Tao L，2023.A comparison of tropical cyclone Genesis Potential Indices （GPIs） and a modified version for the western North Pacific［J］.Trans Atmos Sci，46（4）：615-629.doi：10.13878／j.cnki.dqkxxb.20210130001.（in Chinese）.

陳官軍，魏鳳英，姚文清，等，2017.基于低頻振蕩信號的中國南方冬半年持續性低溫指數延伸期預報試驗［J］.氣象學報，75（3）：400-414. Chen G J，Wei F Y，Yao W Q，et al.，2017.Extended range forecast experiments of persistent winter low temperature indexes based on intra-seasonal oscillation over southern China［J］.Acta Meteorol Sin，75（3）：400-414.doi：10.11676／qxxb2017.024.（in Chinese）.

Han X，Zhao H K，Li X，et al.，2020.Modulation of boreal extended summer tropical cyclogenesis over the northwest Pacific by the quasi-biweekly oscillation under different El Nio-Southern Oscillation phases［J］.Int J Climatol，40（2）：858-873.doi：10.1002／joc.6244.

Henderson S A，Maloney E D，2013.An intraseasonal prediction model of Atlantic and East Pacific tropical cyclone genesis［J］.Mon Wea Rev，141（6）：1925-1942.doi：10.1175／mwr-d-12-00268.1.

Hersbach H，Bell B，Berrisford P，et al.，2020.The ERA5 global reanalysis［J］.Quart J Royal Meteor Soc，146（730）：1999-2049.doi：10.1002／qj.3803.

Jiang X N，Xiang B Q，Zhao M，et al.，2018.Intraseasonal tropical cyclogenesis prediction in a global coupled model system［J］.J Climate，31（15）：6209-6227.doi：10.1175／jcli-d-17-0454.1.

金蕊，余暉，吳志偉，等，2020.次季節-季節尺度熱帶氣旋活動研究和預測技術進展［J］.大氣科學學報，43（1）：238-254. Jin R，Yu H，Wu Z W，et al.，2020.Sub-seasonal to seasonal prediction of tropical cyclone activity in the western North Pacific：a review［J］.Trans Atmos Sci，43（1）：238-254.doi：10.13878／j.cnki.dqkxxb.20191025006.（in Chinese）.

Kim H S，Kim J H，Ho C H，et al.，2011.Pattern classification of typhoon tracks using the fuzzy c-means clustering method［J］.J Climate，24（2）：488-508.doi：10.1175／2010jcli3751.1.

Knapp K R，Kruk M C，Levinson D H，et al.，2010.The international best track archive for climate stewardship （IBTrACS）［J］.Bull Amer Meteor Soc，91（3）：363-376.doi：10.1175／2009bams2755.1.

Lee C Y，Camargo S J，Vitart F，et al.，2018.Subseasonal tropical cyclone genesis prediction and MJO in the S2S dataset［J］.Wea Forecasting，33（4）：967-988.doi：10.1175／waf-d-17-0165.1.

Lee C Y，Camargo S J，Vitart F，et al.，2020.Subseasonal predictions of tropical cyclone occurrence and ACE in the S2S dataset［J］.Wea Forecasting，35（3）：921-938.doi：10.1175／waf-d-19-0217.1.

雷蕾，徐邦琪，高慶九，等，2022.基于卷積神經網絡的長江流域夏季日最高溫度延伸期預報方法研究［J］.大氣科學學報，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）.

Leroy A，Wheeler M C，2008.Statistical prediction of weekly tropical cyclone activity in the Southern Hemisphere［J］.Mon Wea Rev，136（10）：3637-3654.doi：10.1175／2008mwr2426.1.

李麗平，付佳麗，梁闊，等，2022.大氣低頻振蕩對2015年冬季華北強降溫事件的影響［J］.大氣科學學報，45（5）：778-790. Li L P，Fu J L，Liang K，et al.，2022.The influences of atmospheric low-frequency oscillation on extreme cold events in northern China in the winter of 2015［J］.Trans Atmos Sci，45（5）：778-790.doi：10.13878／j.cnki.dqkxxb.20200914003.（in Chinese）.

Li R C Y，Zhou W，Chan J C L，et al.，2012.Asymmetric modulation of western North Pacific cyclogenesis by the Madden-Julian Oscillation under ENSO conditions［J］.J Climate，25（15）：5374-5385.doi：10.1175／JCLI-D-11-00337.1.

Li W W，Wang Z，Zhang G，et al.，2018.Subseasonal variability of Rossby wave breaking and impacts on tropical cyclones during the North Atlantic warm season［J］.J Climate，31（23）：9679-9695.doi：10.1175／JCLI-D-17-0880.1.

Madden R A，Julian P R，1972.Description of global-scale circulation cells in the tropics with a 40—50 day period［J］.J Atmos Sci，29（6）：1109-1123.doi：10.1175／1520-0469（1972）029<1109：dogscc>2.0.co;2.

Qian Y T，Hsu P C，Murakami H，et al.，2020.A hybrid dynamical-statistical model for advancing subseasonal tropical cyclone prediction over the western North Pacific［J］.Geophys Res Lett，47（20）：e2020GL090095.doi：10.1029／2020gl090095.

Schreck C J，Vitart F，Camargo S J，et al.，2023.Advances in tropical cyclone prediction on subseasonal time scales during 2019—2022［J］.Trop Cyclone Res Rev，12（2）：136-150.doi：10.1016／j.tcrr.2023.06.004.

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.

Wei X W，Yang Y，Chen L，2021.The extended-range forecast of tropical cyclogenesis over the South China Sea based on the intraseasonal oscillation［J］.Meteor Atmos Phys，133（5）：1577-1589.doi：10.1007／s00703-021-00830-0.

Xiang B Q，Zhao M，Jiang X N，et al.，2015.The 3—4-week MJO prediction skill in a GFDL coupled model［J］.J Climate，28（13）：5351-5364.doi：10.1175／jcli-d-15-0102.1.

徐邦琪，臧鈺歆，朱志偉，等，2020.時空投影模型（STPM）的次季節至季節（S2S）預測應用進展［J］.大氣科學學報，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）.

楊秋明，2018.長江下游夏季低頻溫度和高溫天氣的延伸期預報研究［J］.地球科學進展，33（4）：385-395. Yang Q M，2018.A study of the extended-range forecast for the low frequency temperature and high temperature weather over the lower reaches of Yangtze River valley in summer［J］.Adv Earth Sci，33（4）：385-395.doi：10.11867／j.issn.1001-8166.2018.04.0385.（in Chinese）.

章大全，鄭志海，陳麗娟，等，2019.10～30 d延伸期可預報性與預報方法研究進展［J］.應用氣象學報，30（4）：416-430. Zhang D Q，Zheng Z H，Chen L J，et al.，2019.Advances on the predictability and prediction methods of 10—30 d extended range forecast［J］.J Appl Meteor Sci，30（4）：416-430.doi：10.11898／1001-7313.20190403.（in Chinese）.

Zhao H K，Wang C Z，Yoshida R，2016.Modulation of tropical cyclogenesis in the western North Pacific by the quasi-biweekly oscillation［J］.Adv Atmos Sci，33（12）：1361-1375.doi：10.1007／s00376-016-5267-z.

Zhao H K，Lu Y，Jiang X N，et al.，2022.A statistical intraseasonal prediction model of extended boreal summer western North Pacific tropical cyclone genesis［J］.J Climate，35（8）：2459-2478.doi：10.1175／JCLI-D-21-0110.1.

Zhu Z W，Li T，Bai L，et al.，2017.Extended-range forecast for the temporal distribution of clustering tropical cyclogenesis over the western North Pacific［J］.Theor Appl Climatol，130（3）：865-877.doi：10.1007／s00704-016-1925-4.

·ARTICLE·

A hybrid dynamic-statistical prediction model for tropical cyclone frequency over the western North Pacific and its evaluation

HSU Pangchi1，WEI Peng1，QIAN Yitian1，YOU Lijun2，3

1 Key Laboratory of Meteorological Disaster，Ministry of Education（KLME）／Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disaster（CIC-FEMD），Nanjing University of Information Science ＆ Technology，Nanjing 210044，China;

2Fujian Key Laboratory of Severe Weather／Key Laboratory of Straits Severe Weather，China Meteorological Administration，Fuzhou 350028，China;

3Fujian Meteorological Information Center，Fuzhou 350028，China

Abstract Prediction of tropical cyclone （TC） genesis at the extended-range to subseasonal timescale （a week to several weeks） is a gap between weather and climate predictions，which is a challenge for TC forecast.This study presents an extended-range hybrid dynamical-statistical prediction model and a statistical prediction model for TC frequency over the western North Pacific.The models are based on tropical intraseasonal oscillation signals and the TC clustering method.The fuzzy c-mean clustering method categorizes TCs over the western North Pacific into seven track patterns.Predicting anomalous TC counts in each week involves adding the observed climatological mean of weekly TC counts to obtain total genesis counts for each cluster.The probability of TC track distributions each week is derived by involving the climatology of each track probability.This model could not only predict TC number for each cluster but also the TC track distribution pattern each week.The hybrid dynamical-statistical model relies on contemporaneous statistical relationships between low-frequency variabilities and the output of the ECMWF dynamical model from the S2S dataset.The predictand is the TC genesis number over the western North Pacific during each week.Evaluation of prediction results indicates that the forecast skill of the hybrid dynamic-statistical forecast surpasses that of the statistical forecast model.The precursor signals associated with sub-seasonal TC changes dissipate rapidly，making stable forecasts challenging.In contrast，the dynamic model simulates the low-frequency background field （predictors） effectively，enhancing the hybrid models forecast skill.While，the current forecast skill of the hybrid dynamic-statistical forecast model extends to six weeks，further improvement is possible.Evaluation of prediction skills and error analysis of different TC clusters reveal that interannual and interdecadal variabilities of background fields on the modulations of intraseasonal oscillations on TC activity cannot be ignored.Statistical relationships between TC counts and low-frequency variabilities differ in distinct ENSO phases，suggesting potential improvement by developing forecast models based on different ENSO phases.Additionally，extratropical intraseasonal signals （e.g.，Rossby wave breaking and westerly jet intensity） significantly impact TC frequency and trajectory，which may provide more source of predictability for TC extended-range prediction.

Keywords tropical cyclone;intraseasonal oscillation;extended-range prediction;predictability source;extra-tropical signal

doi：10.13878／j.cnki.dqkxxb.20230922001

（責任編輯：劉菲）