引言

联合国政府间气候变化专门委员会(IPCC)第六次评估报告指出，气候变化背景下极端天气气候事件愈加频发、强发、广发、并发，人类面临的气候风险正在日益加剧(IPCC, 2022)。我国处于气候变化敏感区，气候条件复杂，盛夏季节常常受到高温热浪侵袭，不仅对人们的日常生活和健康造成直接影响，还给农业生产、水资源管理、能源供应等多个领域带来巨大压力。因此，提高盛夏气温的预报能力，对于防灾减灾、保障国家安全和促进社会经济的可持续发展具有重要意义。

近年来，基于人工智能技术的气象大模型技术发展迅速(盛杰等, 2025)，如FourcastNet(Pathak et al, 2023)、Pangu-Weather(Bi et al, 2023)、DeepMind推出的GraphCast(Lam et al, 2023)、FengWu(Chen K et al, 2023)、FuXi(Chen L et al, 2023)等。但上述气象大模型多为确定性预报，不适用于气候尺度预测。另外，部分机器学习模型在中期天气预报和季节性预测中已取得显著进步(Ham et al, 2019; Nguyen et al, 2023; Zhang et al, 2023)，但在次季节尺度预测方面仍存在不足(He et al, 2021; Weyn et al, 2021; Kiefer et al, 2023)。这一不足主要源于模型输入变量覆盖范围有限，以及采用的集成生成方法存在缺陷。传统基于机器学习的集合预测方法主要通过在初始条件中引入随机扰动或改变模型结构来构建集合，但这种做法往往忽略了背景环流对预报的制约作用，导致集合离散度快速衰减。同时，现有方法对预报系统复杂性的刻画不足，限制了机器学习次季节预测模型的预报性能。

国家气候中心与复旦大学、上海科学智能研究院开展合作，基于国产自主的CMA-RA再分析数据和FY-3E逐日实时OLR数据，创新性地引入了海气相互作用和基于流依赖的集合扰动智能生成技术，研发了具有集合预测功能的人工智能模型“风顺”(CMA-AIM-S2S-Fengshun)(以下简称风顺模型)，这是国内外首个基于人工智能方法实现次季节至季节全球气候异常预测的大模型系统(胡家晖等, 2025)。与传统数值预报模式相比，风顺模型在预测技巧与计算效率上均表现更优。在对热带大气季节内振荡(MJO)的预测中，风顺模型的预测技巧可达32 d，显著优于传统数值预报模式(胡家晖等, 2025)。这种高精度的MJO预测也有效提升了全球降水的预测技巧，评估结果显示，风顺模型对15 d以上全球候平均降水的预测技巧提升约21%，其中热带地区提升约17%，热带外地区提升约30%(Chen et al, 2024)。此外，风顺模型在次季节尺度上预测极端天气气候事件方面展现出潜力，例如，对热带外地区极端降水事件的概率预测技巧较传统数值预报模式显著提升，在2022年巴基斯坦的强降水事件和2020年长江流域的“暴力梅”事件中该模型均表现出较好的预测技巧(Chen et al, 2024)。然而，现有研究多聚焦于风顺模型在降水、环流场预测能力方面的评估(胡家晖等, 2025)，对其在气温要素预测能力方面的评估尚显不足。本研究旨在利用2017—2021年风顺模型历史回报数据、CMA-RA与NCEP再分析数据以及站点观测数据，检验评估风顺模型对中国盛夏气温候尺度的预测技巧，并与欧洲中期天气预报中心的延伸期至季节尺度预报模式(S2S-ECMWF模式)预测性能进行对比，为风顺模型在中国盛夏气温次季节预测业务服务中的应用提供科技支撑。

1 资料和方法 1.1 资料数据

(1) CMA-RA/SURFACE数据是由国家气象信息中心建立的全球陆面再分析系统生成的中国第一代全球陆面再分析数据集，其中近地面大气驱动分析产品以全球大气再分析降水产品为背景场，融合地面天气报等观测数据制成。数据时段为1979—2025年，数据来源：https://data.cma.cn/ai/#/detail?id=14。

(2) NCEP再分析数据是由美国国家环境预报中心(NCEP)和美国国家大气研究中心(NCAR)等机构联合提供的(罗连升等, 2025)，其利用全球资料同化系统，整合了地面、船舶、无线电探空、卫星等多种观测资料生成的一套覆盖全球、时段长、要素丰富的格点资料(钱奇峰和毛冬艳, 2023)。数据来源：https://psl.noaa.gov/data/gridded/data.ncep.reanalysis2.html。

(3) S2S-ECMWF模式数据是欧洲中期天气预报中心(ECMWF)在S2S国际计划框架下提供的集合预报系统，属于集合预报模式，而非单一的确定性模式(Vitart et al, 2017; 庞轶舒等, 2021)。数据来源：https://cds.climate.copernicus.eu。

(4) 风顺模型是国内外首个基于人工智能方法实现次季节至季节全球气候异常预测的大模型系统，其利用机器学习等人工智能技术，实现生成0~60 d、逐日更新、150 km分辨率的全球气温、降水等7项要素的预测产品。本文所用风顺模型数据来源于气象大数据云平台(天擎)。

风顺模型和S2S-ECMWF模式均选取2017—2021年的回报数据进行评估，气候态为2006—2016年数据平均。风顺模型的预报频率(一周两次)、预报时效(46 d)、集合成员(51个)、分辨率(1.5°×1.5°)的选取均与S2S-ECMWF模式相同，共得到风顺模型和S2S-ECMWF模式520个起报时次的回报数据。在进行确定性预测技巧评估时，对51个成员进行集合平均。站点实况数据来自气象大数据云平台(天擎)，网格实况数据采用CMA-RA1.0再分析数据(Liu et al, 2023)和NCEP再分析数据，实况气候态的计算时段与风顺模型和S2S-ECMWF模式的气候态时段保持一致。中国区域历年盛夏平均气温距平序列数据来自国家气候中心气候监测预测系统(CIPAS)。评估时段为盛夏(7—8月)，评估的预报时效为1~8候。

1.2 检验评估方法

为保证对比检验的网格一致性，采用双线性插值方法将CMA-RA1.0再分析数据重新网格化至风顺模型的分辨率；为进行站点尺度的定量检验评估，将风顺模型和S2S-ECMWF模式预报结果内插至各观测站点位置。采用时间相关系数(TCC)、距平相关系数(ACC)和综合空间评分(IPS)等评分指标对各模式的候气温距平预测技巧进行检验评估分析。

1.2.1 时间相关系数

TCC是比较模式预测在同一格(站)点历史序列与观测的结果，可以表征模式对各格(站)点的预报能力，体现时间序列的位相相似性(Jolliffe and Stephenson, 2003; 张帅等, 2024)。TCC范围为-1~1，越接近于1表明技巧越高，通常取0.5的相关技巧作为有预报意义的标准。

$ \begin{gathered} \mathrm{TCC}=\frac{\sum\limits_{j=1}^N\left[\left(x_{i, j}-\overline{x_i}\right)\left(f_{i, j}-\overline{f_i}\right)\right]}{\sqrt{\sum\limits_{j=1}^N\left(x_{i, j}-\overline{x_i}\right)^2} \times \sqrt{\sum\limits_{j=1}^N\left(f_{i, j}-\overline{f_i}\right)^2}} \\ \overline{x_i}=\frac{1}{N} \sum\limits_{j=1}^N x_{i, j} \\ \overline{f_i}=\frac{1}{N} \sum\limits_{j=1}^N f_{i, j} \end{gathered} $

(1)

式中：x_{i, j}为观测值，f_{i, j}为预测值，i=1, 2, 3, …, M代表评价区域的格点数，j=1, 2, 3, …, N代表时间序列。

1.2.2 距平相关系数

ACC是短期气候预测中最常用的检验方法之一，主要反映预测值与实况值空间型的相似程度，体现模式能否预测要素场空间分布特征的能力，是1996年确定并建议使用的评价指标(WMO, 1996)。

$\begin{gathered} \mathrm{ACC}=\frac{\sum\limits_{i=1}^M\left[\left(\Delta x_{i, j}-\overline{\Delta x_j}\right)\left(\Delta f_{i, j}-\overline{\Delta f_j}\right)\right]}{\sqrt{\sum\limits_{i=1}^M\left(\Delta x_{i, j}-\overline{\Delta x_j}\right)^2} \times \sqrt{\sum\limits_{i=1}^M\left(\Delta f_{i, j}-\overline{\Delta f_j}\right)^2}} \\ \Delta x_{i, j}=x_{i, j}-\overline{x_j} \\ \Delta f_{i, j}=f_{i, j}-\overline{f_j} \end{gathered} $

(2)

式中$\overline{\Delta x_j} $和$\overline{\Delta f_j} $分别为观测和预测所有格点时间距平的空间平均值。

1.2.3 综合空间评分

IPS适用于候尺度的气温距平预测检验，其由ACC和距平符号一致率(AS)组合而成。首先，按照式(2)计算检验对象的ACC。特殊情况下，若观测及预测的检验对象在区域范围内各个格点的数值均完全一致，则ACC=1。

然后，确定检验对象的AS：(f_{i, j}x_{i, j}>0)或(f_{i, j}=0, x_{i, j}>0)或(f_{i, j}>0, x_{i, j}=0)或(f_{i, j}=0, x_{i, j}=0)，则AS_{i, j}=1；(f_{i, j}x_{i, j} < 0)或(f_{i, j}=0, x_{i, j} < 0)或(f_{i, j} < 0, x_{i, j}=0)，则AS_{i, j}=0。按式(3)计算区域平均AS：

$\mathrm{AS}_j=\frac{\sum\limits_{i=1}^M \mathrm{AS}_{i, j}}{\sum\limits_{i=1}^M 1} \times 100 \% $

(3)

式中AS_j为第j候预测的AS评分。

最后，将ACC和AS归一化后进行等权平均，计算IPS：

$ \mathrm{IPS}_j=\frac{\frac{\left(\mathrm{ACC}_j+1\right)}{2}+\mathrm{AS}_j}{2} \times 100 $

(4)

式中IPS_j为第j候预测的综合空间评分。IPS值介于0~100，值越高表示预测技巧越高，完美预测情况下，IPS=100。

2 结果分析 2.1 平均气温检验评估 2.1.1 时间相关系数

TCC能够给出每个格点的预测技巧，帮助预报员进行区域预测时做出更准确的判断。图 1为CMA-RA1.0再分析和站点观测气温数据作为真值，2017—2021年风顺模型与S2S-ECMWF模式中国盛夏气温12个评估候超前1~8候起报的平均TCC及其差值空间分布，可看出，利用CMA-RA1.0再分析和站点观测气温不同数据源计算的TCC评估结果一致，风顺模型和S2S-ECMWF模式对于中国区域盛夏候气温距平的TCC预测技巧均为正技巧，在黄淮、江淮、华中、华南、华东以及新疆等地风顺模型的TCC预测技巧高于S2S-ECMWF模式，而在东北地区、内蒙古、青藏高原及西南地区则低于S2S-ECMWF模式。

图 2为2017—2021年风顺模型和S2S-ECMWF模式不同起报候的中国盛夏气温平均TCC对比，可看出，风顺模型在超前1候和5~8候起报的中国盛夏气温预测技巧均高于S2S-ECMWF模式，其中超前6候领先最多，较S2S-ECMWF模式提高了42%；而超前2~4候与S2S-ECMWF模式相当或略低。风顺模型对于中国盛夏气温候尺度的平均TCC预测技巧为0.36，较S2S-ECMWF模式提高了7.9%。

2.1.2 距平相关系数

ACC是目前短期气候预测中检验的主要手段，反映的是模式的总体预测性能。当ACC＞0时，表示模式预测的气温异常空间分布与实况较为一致，值越大，与实况分布越接近；当ACC=1时，说明预测的空间分布型与实况完全一致。

图 3~图 5给出了2017—2021年风顺模型与S2S-ECMWF模式各评估候不同起报候的中国盛夏气温多年平均ACC及其差值分布。可看出，风顺模型几乎在中国区域盛夏所有候气温距平出现ACC预测正技巧(图 3)，而S2S-ECMWF模式则在超前5~8候起报的较多评估时段出现了ACC预测负技巧(图 4)。风顺模型超前1候和6候起报的预测技巧较S2S-ECMWF模式提升率为正的候数分别占评估候总数的100%和83.3%，超前1~8候平均可达91.7%，在盛夏12个评估候中仅8月第6候(8月26—31日)平均ACC低于S2S-ECMWF模式(图 5)。风顺模型对于中国盛夏候尺度气温的总体平均ACC预测技巧为0.35，较S2S-ECMWF模式提高18.4%，表明风顺模型预测的气温异常空间分布与实况更为一致。

图 6为2017—2021年风顺模型和S2S-ECMWF模式不同起报候的中国盛夏气温平均ACC对比，风顺模型ACC预测技巧显著优于S2S-ECMWF模式。起报时间超前1候和4~8候，风顺模型对盛夏候平均气温的ACC预测技巧均高于S2S-ECMWF模式，超前2~3候的预测技巧与S2S-ECMWF模式相当。随着预报时效延长，两者技巧均显著下降，但在延伸期后期风顺模型仍维持了正技巧(ACC>0.1)，优于S2S-ECMWF模式的无技巧状态。

2.1.3 综合空间评分

IPS评分适用于候尺度的气温距平预测能力检验评估，其由距平相关系数和距平符号一致率组合而成。图 7为2017—2021年风顺模型各评估候不同起报时间的中国盛夏气温多年平均IPS相对于S2S-ECMWF模式的提升率。可看出，与ACC评估结果相似，风顺模型在大多数评估候的IPS预测技巧都高于S2S-ECMWF模式，超前1候和4~7候起报的预测技巧高于S2S-ECMWF模式的评估候数占评估候总数的比例均超过50%，其中超前1候IPS较S2S-ECMWF模式的提升率最高；次季节时段内，超前6候的IPS较S2S-ECMWF模式的提升率最高。风顺模型在盛夏所有评估候中，8月第4候(8月16—20日)预测技巧最高，超前1~8候平均IPS较S2S-ECMWF模式提高了8.5%。盛夏气温12个评估候中仅8月第2、3、6候风顺模型超前1~8候起报的平均IPS预测技巧低于S2S-ECMWF模式。风顺模型对于中国盛夏候尺度气温的总体平均IPS评分为64.6，相较于S2S-ECMWF模式提高了1.5%。

图 8为2017—2021年风顺模型和S2S-ECMWF模式不同起报候的中国盛夏气温多年平均IPS对比，可以看到，风顺模型超前1候和4~8候起报的预测技巧均高于S2S-ECMWF模式，超前2候的平均IPS与S2S-ECMWF模式相当，超前3候低于S2S-ECMWF模式。超前1候和6候起报的IPS较S2S-ECMWF模式分别提升了7.8%和4.5%。

2.2 500 hPa位势高度场检验评估 2.2.1 盛夏气温异常的500 hPa位势高度特征

根据中国区域历年盛夏平均气温距平序列，选取20世纪80年代以来气温距平偏高前5位的年份(2024年、2022年、2013年、2023年、2018年)和偏低前5位的年份(1993年、1986年、1989年、1982年、1983年)进行盛夏气温异常典型年环流特征分析。图 9为20世纪80年代以来中国盛夏气温异常偏高年和偏低年500 hPa位势高度距平合成及差值t检验分布。可看出，气温异常偏高年，中国大部区域受正位势高度距平控制，东北亚地区为正位势高度距平中心；气温异常偏低年，中国北方地区受负位势高度距平控制，东北亚地区为负位势高度距平中心。差值t检验(图 9c)结果表明，差值显著区域位于东亚中纬度地区，特别是东北亚地区500 hPa位势高度距平，是影响中国盛夏气温异常的一个环流关键区。

2.2.2 500 hPa位势高度时间相关系数检验

由平均气温检验评估结果可知，风顺模型超前6候起报的预测效果相对较好，较S2S-ECMWF模式的预测技巧提升率最高。图 10分别给出用CMA-RA1.0和NCEP再分析数据作为真值，2017—2021年风顺模型与S2S-ECMWF模式超前6候起报的欧亚地区500 hPa位势高度距平TCC及其差值空间分布。可看出，利用两个不同数据源计算的500 hPa位势高度距平TCC评估结果一致，在中亚及中西伯利亚地区和我国中东部及东北亚地区，风顺模型500 hPa位势高度的TCC预测技巧高于S2S-ECMWF模式。多年平均ACC预测技巧较S2S-ECMWF模式提高了约21%。同样地，超前1、5、7、8候的500 hPa位势高度距平TCC差值通过了0.05显著性水平检验的区域，主要位于我国新疆至中亚及中西伯利亚地区和东亚中纬度地区(图略)。结合对盛夏气温异常的500 hPa位势高度场特征分析可知，风顺模型对于盛夏候气温距平的次季节预测技巧高于S2S-ECMWF模式，主要得益于其对影响中国盛夏气温异常的亚洲中纬度区域500 hPa位势高度场具有较高的次季节预测技巧。

3 结论和讨论

本文利用风顺模型、S2S-ECMWF模式、CMA-RA1.0和NCEP再分析以及站点气温观测数据，评估了风顺模型对中国盛夏气温候尺度的预测能力，并与S2S-ECMWF模式预测性能进行了对比，研究结果可为次季节气候预测业务应用提供参考，得到如下主要结论。

(1) 不同数据源对比检验显示，使用站点气温观测数据和NCEP再分析数据作为真值，风顺模型气温和环流检验结果与CMA-RA1.0再分析数据作为真值的检验结果一致。

(2) 风顺模型对于中国盛夏候尺度气温的总体预测性能优于S2S-ECMWF模式，其平均TCC、ACC和IPS分别为0.36、0.35和64.6，分别较S2S-ECMWF模式提高了7.9%、18.4%和1.5%。

(3) 风顺模型在黄淮、江淮、华中、华南、华东以及新疆等地风顺模型的TCC预测技巧高于S2S-ECMWF模式，而在东北地区、内蒙古、青藏高原及西南地区则低于S2S-ECMWF模式。

(4) 风顺模型超前1候和4~8候起报的预测技巧高于S2S-ECMWF模式，而超前2~3候的预测技巧低于S2S-ECMWF模式。次季节时段内，超前6候起报的预测技巧最高，TCC、ACC和IPS分别较S2S-ECMWF模式提高了42%、260%和4.5%，表明风顺模型在中国盛夏气温的候尺度预测方面较S2S-ECMWF模式具有更长的预见期。

(5) 亚洲中纬度地区500 hPa位势高度距平是影响中国盛夏气温异常的一个环流关键区。风顺模型对于中国盛夏候气温距平的次季节预测技巧高于S2S-ECMWF模式，主要得益于其对亚洲中纬度地区500 hPa位势高度的次季节预测技巧高于S2S-ECMWF模式，能够较好地把握关键区的环流异常特征。

由检验结果可看出，风顺模型超前1候起报的预测技巧明显高于S2S-ECMWF模式，而超前2~3候的预测技巧却低于S2S-ECMWF模式，超前4~8候预测技巧又高于S2S-ECMWF模式。风顺模型在延伸期时段(10~20 d)的预测技巧比S2S-ECMWF模式低的原因，可能与延伸期时段预报的可预报性来源有关，Vitart(2004)研究指出，延伸期时段，大气初始信息的贡献持续衰减，海温、积雪、土壤湿度等下垫面信号的作用还显现得不够充分，延伸期可预报信号既来自于初始条件，也与下垫面条件有关(章大全等，2019)。Koster et al(2011)对比了大气和陆面初值对模式延伸期要素预测技巧的贡献，结果显示大气初值信号在预报的前2周占主导地位。因此，在超前2~3候起报时，S2S-ECMWF模式的同化性能作用明显，而风顺模型仅加入海温信号，虽然以往评估显示风顺模型对MJO预测技巧较高，但MJO是热带信号，中国盛夏气温对MJO的响应仍需一定时间，延伸期时段(10~20 d)MJO的影响还未充分显现。未来将通过引入上层海水热容量、积雪、海冰、土壤湿度等多圈层下垫面信息以进一步提升风顺模型预测性能。