厄尔尼诺的预测结果存在大的不确定性，尤其上世纪九十年代以来，厄尔尼诺的预报水平甚至呈下降趋势。春季预报障碍（SPB）是影响厄尔尼诺预报水平的主要原因之一，另一个重要原因则是九十年代后厄尔尼诺呈现的复杂的时空多样性（即东太平洋型和钟太平洋型厄尔尼诺事件）不能够被大多数数值模式所模拟而导致。如果从空间结构上评估厄尔尼诺的预报水平，国际上绝大多模式并不能准确地预测厄尔尼诺多样性的特征，在回报试验中的预报时效仅为1-4个月，在实时预报中，预报时效甚至为零。毫无疑问，造成这种现象的主要原因是目前的ENSO模式尚不完善，存在大的模式误差。因此，若要改进对厄尔尼诺多样性的预报水平，除了改善模式初始条件外，更应考虑减小模式误差和提高厄尔尼诺多样性模拟能力，从而提高厄尔尼诺多样性的预测水平。
模式误差来源错综复杂，从而大大增加了识别有利于区分厄尔尼诺类型的关键物理过程的难度，在改进模式物理过程时甚至常常出现“按下葫芦起了瓢”的现象。因此，若是逐个减小不同来源的模式误差提高ENSO多样性的模拟和预报水平，不仅在短时间内无法实现，而且不符合科学思维，只会耗费大量人力财力。那么，如何在厄尔尼诺多样性预测中充分考虑不同来源模式误差的影响呢？这是一个具有很大挑战性的难题。
图1 厄尔尼诺预测系统：NFSV-ICM
中科院大气所段晚锁研究员团队利用学科交叉背景的优势，经过多年努力，提出了一种解决该问题的资料同化方法，即非线性强迫奇异向量（NFSV）-同化方法。该方法不考虑模式误差不同来源的微观细节，而是创新地从宏观角度考虑抵消不同来源模式误差的综合影响，从而有效改进预报系统的模拟和预报能力。该同化方法区别于传统的初值同化方法，它不仅能够减小初始误差影响，而且能够最大程度抵消模式误差影响。段晚锁研究员团队将该同化方法应用到厄尔尼诺预报模式-ICM中，发展了一个具有较小模式误差影响的厄尔尼诺预测系统NFSV-ICM（图1）。通过回报试验发现，NFSV-ICM比原模式具有更小的模式系统偏差，有效减弱了春季预报障碍现象，对厄尔尼诺多样性具有更高的预报技巧，尤其对中太平洋型厄尔尼诺的预测水平有显著改善，能够提前至少两个季度识别并预测出厄尔尼诺的空间类型，该预测水平优于国际上关于厄尔尼诺多样性的回报水平。
在近五年的预报实践中，NFSV-ICM对厄尔尼诺的变率以及空间模态的实时预测，也都取得了令人满意的效果（图2和3）。因此，NFSV-ICM是一个能够应对厄尔尼诺多样性挑战且具有更高预报水平的预测平台。
图2. NFSV-ICM对2015-17年Nino3.4海表温度距平（SSTA）变率的预测
图3. NFSV-ICM对2019年中太平洋型厄尔尼诺空间模态的预测
相关论文
1.Duan W., F. Zhou. Nonlinear forcing singular vector of a two-dimensional quasi-geostrophic model.Tellus-A: 2013，65, 18452, http://dx.doi.org/10.3402/tellusa.v65i0.18452.
2.Duan, W. S., and Zhao, P. Revealing the most disturbing tendency error of Zebiak-Cane model associated with El Nino predictions by nonlinear forcing singular vector approach. . Climate Dynamics: 2014, DOI: 10.1007/s00382-014-2369-0.
3.Duan Wansuo, Chaoming Huang, Hui Xui, Nonlinearity modulating intensities and spatial structures of Central Pacific- and Eastern Pacific-El Nino events, Adv. Atmos. Sci.: 2017. 34,737-756.
4.Duan Wansuo, Li Xuquan, Tian Ben. Towards optimal observational array for dealing with challenges of El Nino-Southern Oscillation predictions due to diversities of El Nino. Climate Dynamics: 2018. doi:10.1007/s00382-018-4082-x.
5.Duan Wansuo, Mu Mu, Predictability of El Nino-Southern Oscillation Events. Oxford Research Encyclopedia of Climate Science: 2018. doi:10.1093/acrefore/9780190228620.013.80.
6.Tao Lingjiang, Duan Wansuo Using a Nonlinear Forcing Singular Vector Approach to Reduce Model Error Effects in ENSO Forecasting. Weather and Forecasting, 2019, 34(5): 1321-42.
7.Tao Lingjiang, Duan Wansuo, Vannitsem S. Improving the forecasts of El Ninno diversity: A nonlinear forcing singular vector approach. Climate Dynamics, 2020: 55: 739–754. DOI: 10.1007/s00382-020-05292-5.
附件下载：
