Гидрометеорологические исследования и прогнозы. 2024. № 4 (394). С. 6-38

6

DOI: https://doi.org/10.37162/2618-9631-2024-4-6-38

УДК 551.509+551.468

Верификация сезонных прогнозов

температуры поверхности океана

и ледовых характеристик

на основе модели Земной системы ИВМ РАН

Ю.Д. Реснянский¹, А.А. Зеленько¹, В.Н. Степанов¹,

Б.С. Струков¹, В.М. Хан^1,2, Е.М. Володин^2,1, А.С. Грицун²,

М.А. Тарасевич^2,1, В.В. Брагина^2,1

¹Гидрометеорологический научно-исследовательский центр

Российской Федерации, г. Москва, Россия;

²Институт вычислительной математики имени Г.И. Марчука РАН,

г. Москва, Россия

resny@mail.ru

Оценена успешность сезонных прогнозов температуры поверхности океана

(ТПО) и характеристик морских льдов. Оценки качества прогнозов рассчитаны для

двух версий модели Земной системы ИВМ РАН: INM-CM5 и INM-CM6, различаю-

щихся горизонтальным разрешением атмосферного и аэрозольного блоков и некото-

рыми параметризациями физических процессов: облачности, непрямого эффекта

аэрозолей, эволюции снежного покрова.

Показано, что оценки качества прогнозов ТПО и ледовых характеристик по вер-

сии INM-CM6 в большинстве случаев оказываются выше, чем по INM-CM5. Полу-

ченные оценки сопоставимы с оценками прогнозов зарубежных центров, подтвер-

ждая соответствие построенной на модели ИВМ прогностической системы мировому

уровню успешности сезонных прогнозов.

Ключевые слова: модель Земной системы, температура поверхности океана, мор-

ской лед, сезонные прогнозы, верификация

Verification of seasonal forecasts of

sea surface temperature

and sea ice characteristics based

on the INM RAS Earth system model

Yu.D. Resnyanskii¹, А.А. Zelenko¹, V.N. Stepanov¹,

B.S. Strukov¹, V.M. Khan^1,2, Е.М. Volodin^2,1, А.S. Gritsun²,

М.А. Tarasevich^2,1, V.V. Bragina^2,1

¹Hydrometeorological Research Center of Russian Federation,

Moscow, Russia;

²Marchuk Institute of Numerical Mathematics RAS, Moscow, Russia

resny@mail.ru

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

7

The accuracy of seasonal forecasts of sea surface temperature (SST) and sea ice char-

acteristics is assessed. Forecast skill scores are calculated for two versions of the INM RAS

Earth system model (INM-CM5 and INM-CM6) differing in the horizontal resolution of

the atmospheric and aerosol modules and in some parameterizations of physical processes:

cloudiness, indirect aerosol effects, snow cover evolution.

It is shown that in most cases the skill scores of SST and ice characteristics forecasts

based on the INM-CM6 version are higher than those for the INM-CM5. The scores

are comparable with those in foreign centers, confirming the compliance of the forecasting

system based on the INM RAS model with the world level of accuracy of seasonal

forecasts.

Keywords: Earth system model, sea surface temperature, sea ice, seasonal forecasts,

verification

Введение

Океан, наряду с атмосферой, является важнейшим звеном климатиче-

ской системы, изменчивость которой обусловлена как собственной дина-

микой этих двух сред, так и процессами их взаимодействия. Причем роль

океана вследствие его существенно большей, чем у атмосферы, тепловой

инерции возрастает по мере увеличения временных масштабов, в том числе

и на масштабах сезонных прогнозов. Описание механизмов формирования

такой изменчивости является основополагающим для совершенствования

методов долгосрочных гидрометеорологических прогнозов, понимания

причин наблюдаемых изменений климата, для оценки его возможных из-

менений в будущем и принятия решений о введении ограничений на про-

мышленную деятельность, оказывающую воздействие на состояние клима-

тической системы.

Температура поверхности океана (ТПО) и характеристики морского

льда относятся к числу наиболее важных параметров состояния климати-

ческой системы. От успешности воспроизведения глобальных полей ТПО

и ледового покрова в совместных моделях атмосферы и океана в значитель-

ной степени зависит точность прогнозов всех параметров состояния кли-

матической системы. Поэтому в практику климатических центров, выпус-

кающих регулярную прогностическую продукцию, входят задачи

верификации прогнозов ТПО и морского льда, получаемых в рамках сов-

местных моделей Земной системы.

Такие оценки качества прогнозов, координируемые ВМО [13], прово-

дятся в первую очередь на данных многолетних ретроспективных прогно-

зов, охватывающих период, близкий к периоду обновления климатических

норм. Помимо этого, для поддержания и развития прогностических систем

необходим регулярный мониторинг точности текущих прогнозов, оцени-

ваемых по мере поступления фактических данных наблюдений для соот-

ветствующего прогностического интервала.

В данной статье описывается метод сезонных прогнозов на основе

модели Земной системы ИВМ РАН и системы подготовки данных

Гидрометцентра России, разработанный в рамках реализации Важнейшего

8

Гидрометеорологические прогнозы, математическое моделирование

инновационного проекта государственного значения (ВИПГЗ), и представ-

ляются результаты верификация ретроспективных и квазиоперативных

прогнозов ТПО и морских льдов, выпускаемых прогностической системой

на базе двух версий модели: INM-CM5 и INM-CM6.

Прогностическая технология

Прогностическая технология, обеспечивающая составление сезонных

прогнозов, построена на базе глобальной модели Земной системы ИВМ РАН

[14, 15], участвующей в международном проекте по сравнению моделей

CMIP6 [8], и системы генерации ансамбля начальных состояний [16]. Ан-

самбль начальных состояний, формируемый из 10–30 членов, получается

путем внесения случайного гладкого длинноволнового возмущения с ам-

плитудой 0,1 К в температуру воздуха на всех уровнях атмосферного блока

модели в каждой точке модельной сетки.

Объектом прогнозирования служит обширный комплекс метеорологи-

ческих и океанографических переменных, прогнозируемых на сроки до

6–9 месяцев.

Основными блоками модели являются: блок динамики атмосферы,

включающий воспроизведение процессов в верхнем слое почвы, аэрозоль-

ный блок, блок динамики океана и блок динамики и термодинамики мор-

ского льда. В настоящее время для прогностических приложений исполь-

зуются две версии модели Земной системы ИВМ РАН: INM-CM5 и INM-

CM6. В версии INM-CM5 горизонтальное разрешение модели в атмосфер-

ном и аэрозольном блоках составляет 2°×1,5° по долготе и широте с

73 сигма-уровнями по вертикали до высоты около 60 км, а в океанском

блоке – 0,5°×0,25° по долготе и широте с 40 сигма-уровнями. Для сезонных

прогнозов в этой версии начальные состояния атмосферы, океана и суши

задаются в виде аномалий "климатология модели + аномалия реанализа

или текущего анализа на момент старта прогноза".

В версии INM-CM6 горизонтальное разрешение модели в атмосфер-

ном блоке повышено до 1,25°×1° с сохранением 73 сигма-уровней и моди-

фикацией некоторых параметризаций (облачности, непрямого эффекта

аэрозолей, эволюции снежного покрова). Параметры сеточной области

океанского и ледового блоков не претерпели изменений в сравнении с

INM-CM5. Начальное состояние в INM-CM6 задается в виде полных полей

для атмосферы, океана и морского льда и в виде аномалий для почвы и по-

верхностных характеристик. Размер ансамбля составляет 10 реализаций в

ретроспективных расчетах (1991–2020 гг.) и 30 реализаций в квазиопера-

тивных прогнозах (2022–2024 гг.).

Исходными для определения начальных состояний являются данные

реанализа ERA5 [9] для атмосферы и деятельного слоя суши, а также

данные SODA3.4.2 [5] (ретроспективные прогнозы) и Системы усвоения

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

9

океанографических данных (СУОД) Гидрометцентра России [1–3] (квазио-

перативные прогнозы) для океана и морского льда. Усваиваемыми дан-

ными в СУОД Гидрометцентра России являются вертикальные распреде-

ления температуры и солености воды T(z)

и

S(z), измеряемые

профилирующими буями Арго, а также сеточные данные анализов ТПО

(по спутниковым и контактным измерениям) и сплоченности морского

льда (спутниковые данные).

Ежедневная выходная продукция СУОД в формате NetCDF размеща-

ется на дисковых массивах ЭВМ CRAY, а также в форме ежедневно обнов-

ляемого архива на общедоступном ftp-сервере. Эти данные являются ис-

ходными для определения начальных условий в океанском и ледовом

блоках модели Земной системы ИВМ РАН, используемой при составлении

квазиоперативных прогнозов.

Прогностическая технология составления сезонных прогнозов обеспе-

чивает возможность расчета сезонных прогнозов на вычислительном ком-

плексе ФГБУ «ГВЦ Росгидромета» Cray ХС40-LC для двух разновидно-

стей прогнозов: ретроспективных и квазиоперативных. В обоих случаях

реализуется ансамблевый подход. Расчет ансамбля прогнозов осуществля-

ется в несколько этапов, выполняемых последовательно: создание набора

начальных состояний для модели Земной системы ИВМ РАН на требуе-

мую начальную дату, запуск ансамбля прогностических расчетов, подго-

товка их результатов для последующей обработки и использования в про-

гностической практике Гидрометцентра России.

Испытания метода

Результаты оценки качества прогнозов метеорологических перемен-

ных (давление на уровне моря, высота геопотенциала Н500, температура

воздуха на уровне 850 гПа и у земной поверхности, атмосферные осадки)

по модели Земной системы ИВМ РАН в версии INM-CM5 были представ-

лены на заседании Центральной методической комиссии по гидрометеоро-

логическим и гелиогеофизическим прогнозам (ЦМКП) Росгидромета

22.11.2023. На основе этого представления принято решение о внедрении

в прогностическую работу ФГБУ «Гидрометцентр России» и Северо-

Евразийского климатического центра «Системы сезонного метеорологиче-

ского прогноза на базе модели INM-CM5» наряду с использованием ранее

внедренных отечественных технологий глобальных сезонных прогнозов

ФГБУ «Гидрометцентр России» и ФГБУ «ГГО» [4].

В число прогностических переменных, сезонные прогнозы которых

рассматривались ЦМКП в ноябре 2023 г., не вошли океанографические пе-

ременные. Целью представляемых здесь работ является оценка качества

сезонных (на сроки до 6–9 месяцев) ретроспективных и квазиоперативных

прогнозов океанографических переменных (ТПО, характеристики морских

10

Гидрометеорологические прогнозы, математическое моделирование

льдов) с использованием двух версий модели Земной системы INM-CM5 и

INM-CM6.

В соответствии с Программой испытаний рассматриваемого метода,

утвержденной директором ФГБУ «Гидрометцентр России» 08.02.2022,

оценивались показатели качества ретроспективных прогнозов по модели

INM-CM5 за период 1991–2019 гг. и составленных в квазиоперативном ре-

жиме прогнозов за период 2021–2023 гг. В качестве объекта прогнозирова-

ния рассматривались среднемесячные аномалии ТПО и характеристик мор-

ского льда на сроки до 6–9 месяцев. В дополнение к задачам, указанным в

Программе испытаний от 08.02.2022, оценивались также прогнозы по об-

новленной версии модели INM-CM6 (прогнозы на сроки до 4 месяцев) и

проводилось сопоставление оценок по этим двум версиям.

Расчеты показателей точности выполнялись для прогнозов океаноло-

гических параметров (ТПО, сплоченность и толщина морского льда) из ар-

хива прогностической системы, включающих:

‒

ретроспективные ансамблевые 6-месячные прогнозы (англ.

hindcasts), полученные на базе модели INM-CM5 за период 1991–2019 гг.

для восьми стартовых месяцев – с января по май и с сентября по декабрь

для каждого года указанного интервала;

‒

ретроспективные ансамблевые 4-месячные прогнозы, получен-

ные на базе модели INM-CM6 за период 1991–2020 гг., стартующие каж-

дый календарный месяц указанного интервала лет;

‒

квазиоперативные ансамблевые 6-месячные прогнозы, получен-

ные на базе модели INM-CM5 для нескольких стартовых месяцев 2021–

2023 гг.;

‒

квазиоперативные ансамблевые 4-месячные прогнозы, получен-

ные на базе модели INM-CM6 для стартовых месяцев с января 2022 г. по

февраль 2024 года.

Следует иметь в виду, что как для ретроспективных, так и для квазио-

перативных прогнозов на разных этапах использовались два варианта

начальной даты прогностического интегрирования модели: первое число

стартового месяца прогноза (StartMon) или 22-е число предшествующего

месяца. Поэтому при рассмотрении результатов оценок и в соответствую-

щих таблицах прогнозы маркируются указателем Day0 на стартовую дату

прогнозов.

Для оценки качества воспроизведения совместной моделью гидрофи-

зических полей и успешности получаемых с помощью этой модели прогно-

зов использовались следующие контрольные данные.

Данные по температуре поверхности океана NOAA OI SST

v2.1 (NOAA High-resolution Blended Analysis of Daily SST and Ice. Data on

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

11

a 1/4° global grid). Подготовлены в NOAA (https://psl.noaa.gov/data/grid-

ded/data.noaa.oisst.v2.highres.html). Представляют собой результаты объек-

тивного анализа ТПО с использованием данных судовых и буйковых

наблюдений и измерений Арго [10]. Имеются среднемесячные поля с сен-

тября 1981 г. по настоящее время на сетке 0,25°×0,25°.

Данные по сплоченности морских льдов NSIDC. Подготовлены в

Национальном центре данных США по снегу и льду (NSIDC – National

Snow and Ice Data Center, https://nsidc.org/home ) путем обработки микро-

волновых спутниковых измерений SSM/I для северных и южных полярных

регионов [6]. Представлены для обеих полярных областей на стереографи-

ческих сетках с шагом 25 км за период с 1978 г. по настоящее время.

Данные по толщине

и

сплоченности морских льдов

PIOMAS/GIOMAS (Pan-Arctic Ice Ocean Modeling and Assimilation System /

Globle Ice-Ocean Modeling and Assimilation System ) в северном и южном

полушариях

(https://psc.apl.uw.edu/data/global-sea-ice-giomas-data-sets/;

https://psc.apl.uw.edu/research/projects/arctic-sea-ice-volume-anomaly/). Под-

готовлены в Polar Science Center (PSC), University of Washington [12, 17].

В этой системе в число усваиваемых включались данные NSIDC по спло-

ченности льда за период с 1979 г. по настоящее время.

Основная часть выполненных оценок относится к детерминирован-

ным прогнозам, определяемым как среднее по прогностическому ан-

самблю. Успешность этих прогнозов в значительной степени определяет и

качество вероятностных прогнозов.

Верификация прогнозов выполнялась не для собственно оцениваемых

характеристик, а в терминах их аномалий – отклонений от соответствую-

щих (модельных и контрольных) норм. Прогностические аномалии рассчи-

тывались в отклонениях от модельного климата, получаемого осреднением

ретроспективных прогнозов соответствующих величин.

Площадь ледяного покрова (sea ice area) по выбранной области опре-

делялась как сумма произведений сплоченности в каждой из ячеек сеточ-

ной области со сплоченностью не менее 0,15 на площадь этой ячейки [7].

Рассчитываемую таким образом площадь ледяного покрова не следует пу-

тать с другой часто рассматриваемой характеристикой – протяженностью

ледяного покрова (sea ice extent), элементы суммы которой по ячейкам со

сплоченностью более 0,15 не включают умножение на сплоченность [7].

Пороговое ограничение по сплоченности 0,15 применялось и при оценке

объема льда в соответствующей приполярной географической области.

При оценке прогнозов в терминах аномалий, отсчитываемых от сред-

них по времени норм, следует иметь в виду возможное влияние эволюции

таких норм со временем вследствие наблюдающихся в настоящее время

изменений климата. Поэтому оценки коэффициента корреляции аномалий

ACC для ледовых характеристик, в изменениях которых прослеживаются

12

Гидрометеорологические прогнозы, математическое моделирование

наиболее выраженные многолетние тренды, рассчитывались для аномалий

с исключенным трендом.

Используемые в работе оценки являются сеточными по определению

и рассчитываются по данным в узлах регулярных географических сеток.

Модельные сетки, в которых заданы прогностические поля, не совпадают

с сетками контрольных данных, поэтому поля прогнозируемых аномалий

ТПО интерполируются (билинейная интерполяция) на сетку 0,25°×0,25°, в

которой заданы наблюдаемые аномалии ТПО. При оценивании прогнозов

сплоченности и толщины морского льда наблюдаемые поля, заданные на

стереографической сетке, переводятся на модельную сетку.

В качестве критериев качества рассматривались средние ошибки (сме-

щения) BIAS, средние квадраты ошибки MSE, среднеквадратичные ошибки

MSE

RMSE =

, коэффициенты корреляции аномалий прогностических и

фактических полей ACC, показатель качества по среднему квадрату

ошибки для сравнения с климатическим прогнозом MSSS, показатель каче-

ства вероятностных прогнозов ROC для трех градаций (ниже нормы,

норма, выше нормы) [13]. Оценки рассчитывались как средние по всему

Мировому океану, так и для его отдельных частей: тропики (20° ю. ш. –

20° с. ш.), северные экстра-тропики (20–90° с. ш.), южные экстра-тропики

(20–90° ю. ш.), район Nino-3.4 (120–170° з. д., 5° ю. ш. – 5° с. ш.), Арктика,

Антарктика.

Ретроспективные прогнозы

Температура поверхности океана

Дадим вначале краткую сводку оценок BIAS и RMSE, полученных для

ретроспективных прогнозов (1991–2019 гг.) аномалий ТПО по модели

INM-CM5 для разных стартовых месяцев. В целом, по большинству реги-

онов преобладающие значения смещений чаще всего находились в диапа-

зоне 0,00–0,02, что служило указанием на некоторое завышение прогности-

ческих аномалий ТПО по сравнению с наблюдаемыми. Обратная ситуация

с отдельными отрицательными смещениями прогнозов разной заблаговре-

менности, вплоть до значений BIAS = -0,04, отмечалась в регионе Эль-Ни-

ньо. Такие значения смещений не должны, однако, привести к значитель-

ным искажениям других показателей. Так, согласно разложению Мерфи

[11], для критерия MSSS отрицательный вклад смещения выборки равен от-

ношению разности средних значений прогностических и наблюдаемых

аномалий ( f − a) к выборочной дисперсии наблюдаемых аномалий s_a²

,

которое для полученных здесь значений смещений можно оценить величи-

нами порядка 10^–4– 10^–3.

Среднеквадратические ошибки прогнозов аномалий ТПО заметно

менялись в зависимости от региона и стартового месяца прогноза.

Обобщенная картина для океана в целом и его внетропических регионов

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

13

характеризуется в первые прогностические месяцы значениями RMSE ≈

0,6 °С с плавным нарастанием ошибок до примерно 0,7–0,8 °С к концу ин-

тервала прогноза. Ситуация в тропиках резко отличается: для всех старто-

вых месяцев изменчивость ошибок на интервале прогноза незначительна и

находится в диапазоне 0,4–0,5 °С. В отличие от этого, среднеквадратиче-

ские ошибки в регионе Nino-3.4 превышают тропические и для весенних и

осенних прогнозов достигают 0,8–0,9 °С.

В целом, полученные значения RMSE сопоставимы с изменчивостью

наблюдаемых аномалий ТПО. Эта ситуация может приводить к снижению

оправдываемости прогнозов, оцениваемой в терминах показателя MSSS. В

уже указанном разложении Мерфи соответствующий отрицательный вклад

в MSSS равен отношению дисперсий s²_f/ s_a², и при близости амплитуд из-

менчивости прогнозируемых s²_fи наблюдаемых s_a²аномалий ТПО этот

член разложения может существенно влиять на среднюю оценку MSSS.

Коэффициенты корреляции аномалий ACC и показатели качества

по среднему квадрату ошибки MSSS рассчитывались для наборов ретро-

спективных прогнозов ТПО, составленных по двум версиям прогностиче-

ской модели: INM-CM5 (1991–2019 гг.) и INM-CM6 (1991–2020 гг.). В

табл. 1–3 представлены выборки результатов пересекающихся прогнозов

по трем регионам для удобства их сопоставления.

Таблица 1. Средние по Мировому океану оценки ACC/MSSS ретроспектив-

ных прогнозов ТПО за период 1991–2019 (2020) гг. для двух версий прогно-

стической модели INM-CM5 и INM-CM6

Table 1. World Ocean average ACC/MSSS estimates for the 1991–2019 (2020)

SST hindcasts with two versions of the forecast model INM-CM5 and INM-CM6

Модель

StartMon

Day0

Прогностический месяц (LeadMon)

1

2

3

4

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

0,56 / 0,20

0,58 / 0,19

0,56 / 0,17

0,59 / 0,19

0,59 / 0,22

0,60 / 0,22

0,56 / 0,15

0,58 / 0,16

0,56 / 0,19

0,58 / 0,21

0,53 / 0,21

0,56 / 0,23

0,58 / 0,25

0,46 / 0,02

0,47 / -0,03

0,46 / 0,00

0,48 / -0,02

0,46 / -0,03

0,48 / -0,04

0,44 / -0,02

0,45 / -0,05

0,44 / -0,01

0,45 / -0,02

0,43 / 0,06

0,45 / 0,07

0,45 / 0,05

0,47 / 0,04

0,41 / -0,06

0,42 / -0,12

0,41 / -0,09

0,42 / -0,14

0,38 / -0,11

0,38 / -0,16

0,37 / -0,09

0,38 / -0,13

0,37 / -0,08

0,38 / -0,11

0,37 / -0,02

0,40 / -0,03

0,39 / -0,05

0,40 / -0,10

0,37 / -0,10

0,39 / -0,17

0,34 / -0,14

0,36 / -0,20

0,34 / -0,12

0,35 / -0,17

0,33 / -0,12

0,34 / -0,16

0,32 / -0,11

0,35 / -0,15

0,34 / -0,08

0,36 / -0,12

0,36 / -0,09

0,37 / -0,17

01

22dec

02

22jan

03

22feb

04

22mar

05

22apr

11

22oct

12

22nov

14

Гидрометеорологические прогнозы, математическое моделирование

Таблица 2. Средние по тропической зоне океанов оценки ACC/MSSS ретро-

спективных прогнозов ТПО за период 1991–2019 (2020) гг. для двух версий

прогностической модели INM-CM5 и INM-CM6

Table 2. Tropical ocean average ACC/MSSS estimates for the 1991–2019 (2020)

SST hindcasts with two versions of the forecast model INM-CM5 and INM-CM6

Модель

StartMon

(Day0)

Прогностический месяц (LeadMon)

1

2

3

4

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

0,68 / 0,51

0,71 / 0,57

0,67 / 0,45

0,70 / 0,53

0,70 / 0,47

0,72 / 0,54

0,67 / 0,38

0,69 / 0,48

0,66 / 0,42

0,69 / 0,48

0,66 / 0,52

0,70 / 0,61

0,69 / 0,56

0,71 / 0,62

0,58 / 0,35

0,59 / 0,35

0,59 / 0,33

0,61 / 0,34

0,59 / 0,29

0,61 / 0,34

0,57 / 0,27

0,57 / 0,28

0,57 / 0,25

0,58 / 0,30

0,58 / 0,40

0,62 / 0,50

0,59 / 0,39

0,62 / 0,46

0,55 / 0,30

0,56 / 0,28

0,55 / 0,27

0,56 / 0,26

0,51 / 0,20

0,51 / 0,19

0,51 / 0,18

0,50 / 0,19

0,50 / 0,18

0,51 / 0,21

0,51 / 0,29

0,58 / 0,41

0,52 / 0,26

0,53 / 0,27

0,52 / 0,23

0,53 / 0,23

0,47 / 0,15

0,47 / 0,14

0,47 / 0,15

0,48 / 0,15

0,46 / 0,12

0,47 / 0,14

0,44 / 0,14

0,48 / 0,17

0,46 / 0,20

0,50 / 0,24

0,49 / 0,22

0,51 / 0,20

01

22dec

02

22jan

03

22feb

04

22mar

05

22apr

11

22oct

12

22nov

Таблица 3. Средние по району Nino-3.4 оценки ACC/MSSS ретроспективных

прогнозов ТПО за период 1991–2019 (2020) гг. для двух версий прогностиче-

ской модели INM-CM5 и INM-CM6

Table 3. Niño-3.4 region average ACC/MSSS estimates for the 1991–2019 (2020)

SST hindcasts with two versions of the forecast model INM-CM5 and INM-CM6

Модель

StartMon

(Day0)

Прогностический месяц (LeadMon)

1

2

3

4

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

CM5

CM6

0,86 / 0,75

0,91 / 0,89

0,83 / 0,66

0,90 / 0,85

0,83 / 0,64

0,87 / 0,80

0,73 / 0,15

0,83 / 0,69

0,73 / 0,23

0,78 / 0,61

0,87 / 0,78

0,92 / 0,90

0,86 / 0,75

0,91 / 0,88

0,80 / 0,67

0,84 / 0,74

0,73 / 0,51

0,81 / 0,68

0,73 / 0,31

0,79 / 0,66

0,66 / 0,05

0,64 / 0,39

0,57 / -0,01

0,59 / 0,31

0,76 / 0,56

0,86 / 0,79

0,79 / 0,64

0,87 / 0,81

0,72 / 0,53

0,76 / 0,61

0,70 / 0,41

0,74 / 0,56

0,62 / 0,18

0,61 / 0,35

0,53 / 0,07

0,52 / 0,25

0,49 / 0,08

0,56 / 0,32

0,70 / 0,50

0,84 / 0,71

0,71 / 0,52

0,79 / 0,62

0,69 / 0,48

0,67 / 0,45

0,56 / 0,19

0,54 / 0,26

0,53 / 0,21

0,61 / 0,37

0,45 / 0,07

0,47 / 0,24

0,40 / 0,09

0,55 / 0,35

0,66 / 0,44

0,74 / 0,51

0,62 / 0,41

0,62 / 0,37

01

22dec

02

22jan

03

22feb

04

22mar

05

22apr

11

22oct

12

22nov

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

15

Как видно из таблиц, значимые с вероятностью 95 % величины АСС

(> 0,38 при длине выборки 29 лет) получились для всех представленных в

таблицах областей (Мировой океан, тропический пояс, район Nino-3.4) на

прогностические сроки не менее 3–4 месяцев. Для Мирового океана АСС

меняется от 0,53–0,60 на первый месяц до 0,32–0,39 на четвертый. Для тро-

пической зоны — от 0,66–0,72 на первый месяц до 0,44–0,53 на четвертый.

И наиболее высокие значения АСС имеют место для района Nino-3.4: от

0,73–0,92 на первый месяц до 0,4–0,74 на четвертый. Показатель MSSS для

Мирового океана получился положительным (преимущество методиче-

ского прогноза над климатическим) только для первого месяца, тогда как в

тропической зоне и в районе Nino-3.4 вплоть до четырех месяцев. Наиболь-

шие значения MSSS, как и в случае АСС, отмечаются в районе Nino-3.4.

Особо следует отметить, что во всех трех районах за редкими исклю-

чениями имеют место более высокие показатели АСС и MSSS для прогно-

зов по модели INM-CM6 в сравнении с прогнозами по предшествующей

версии INM-CM5.

Сравнение уровня успешности сентябрьских ретроспективных про-

гнозов ТПО за период 1993–2016 гг. с успешностью аналогичных прогно-

зов зарубежных прогностических систем, участвующих в проекте C3S, в

терминах показателей АСС и MSSS представлено в табл. 4–6.

Таблица 4. Оценки ACC/MSSS для сентябрьских ретроспективных прогнозов

ТПО по моделям проекта C3S и двум версиям модели ИВМ РАН, осреднен-

ные для Мирового океана за период 1993–2016 гг.

Table 4. ACC/MSSS estimates for September SST hindcasts with the C3S project

models and two versions of the INM model, averaged over the World Ocean for the

period 1993–2016

Прогностический месяц (LeadMon)

Модель

1

2

3

4

5

6

CMCC_35 0,67 / 0,56 0,53 / 0,35 0,46 / 0,28 0,44 / 0,26 0,43 / 0,22 0,39 / 0,16

DWD_21 0,62 / 0,49 0,50 / 0,28 0,44 / 0,21 0,40 / 0,17 0,39 / 0,13 0,36 / 0,06

ECCC_2 0,65 / 0,53 0,50 / 0,29 0,42 / 0,20 0,37 / 0,13 0,35 / 0,06 0,33 / -0,04

ECCC_3 0,62 / 0,57 0,53 / 0,34 0,45 / 0,26 0,43 / 0,23 0,39 / 0,16 0,37 / 0.11

ECMWF_51 0,67 / 0,58 0,55 / 0,37 0,48 / 0,29 0,46 / 0,25 0,44 / 0,20 0,40 / 0,13

METEO

0,62 / 0,43 0,52 / 0,28 0,44 / 0,23 0,41 / 0,19 0,39 / 0,15 0,36 / 0,10

FRANCE_8

UKMO_602 0,63 / 0,48 0,52 / 0,26 0,45 / 0,17 0,42 / 0,14 0,40 / 0,10 0,36 / 0,03

JMA_3

0,64 / 0,52 0,52 / 0,32 0,46 / 0,25 0,43 / 0,20 0,40 / 0,14 0,38 / 0,08

INM_CM5 0,58 / 0,31 0,44 / 0,06 0,36 / 0,00 0,32 / -0,01 0,29 / -0,05 0,26 / -0,10

INM_CM6 0,53 / -0,15 0,42 / -0,03 0,35 / -0,09 0,32 / -0,09

16

Гидрометеорологические прогнозы, математическое моделирование

Таблица 5. Оценки ACC/MSSS для сентябрьских ретроспективных прогнозов

ТПО по моделям проекта C3S и двум версиям модели ИВМ РАН, осреднен-

ные для тропической зоны океанов за период 1993–2016 гг.

Table 5. ACC/MSSS estimates for September SST hindcasts with the C3S project

models and two versions of the INM model, averaged over the tropical oceans for

the period 1993–2016

Прогностический месяц (LeadMon)

Модель

1

2

3

4

5

6

CMCC_35 0,77 / 0,68 0,68 / 0,59 0,62 / 0,57 0,61 / 0,53 0,58 / 0,49 0,53 / 0,36

DWD_21 0,71 / 0,62 0,63 / 0,53 0,57 / 0,51 0,54 / 0,48 0,55 / 0,46 0,51 / 0,32

ECCC_2 0,75 / 0,65 0,63 / 0,45 0,57 / 0,40 0,53 / 0,33 0,50 / 0,26 0,44 / -0,02

ECCC_3 0,76 / 0,67 0,67 / 0,53 0,59 / 0,53 0,58 / 0,51 0,55 / 0,47 0,51 / 0,34

ECMWF_51 0,76 / 0,68 0,68 / 0,60 0,64 / 0,57 0,61 / 0,53 0,59 / 0,50 0,55 / 0,35

METEO

0,70 / 0,58 0,64 / 0,53 0,59 / 0,51 0,57 / 0,48 0,58 / 0,46 0,51 / 0,31

FRANCE_8

UKMO_602 0,75 / 0,66 0,69 / 0,60 0,63 / 0,58 0,60 / 0,53 0,60 / 0,50 0,55 / 0,36

JMA_3

0,74 / 0,65 0,67 / 0,56 0,62 / 0,54 0,60 / 0,50 0,56 / 0,43 0,52 / 0,31

INM_CM5 0,70 / 0,56 0,55 / 0,41 0,48 / 0,37 0,45 / 0,33 0,41 / 0,23 0,37 / 0,15

INM_CM6 0,66 / 0,55 0,55 / 0,42 0,51 / 0,37 0,48 / 0,34

Таблица 6. Оценки ACC/MSSS для сентябрьских ретроспективных прогнозов

ТПО по моделям проекта C3S и двум версиям модели ИВМ РАН, осреднен-

ные для региона Nino-3.4 за период 1993–2016 гг.

Table 6. ACC/MSSS estimates for September SST hindcasts with the C3S project

models and two versions of the INM model, averaged for the Nino-3.4 region for

the period 1993–2016

Прогностический месяц (LeadMon)

Модель

1

2

3

4

5

6

CMCC_35 0,91 / 0,78 0,91 / 0,81 0,90 / 0,85 0,87 / 0,78 0,88 / 0,80 0,86 / 0,73

DWD_21 0,90 / 0,86 0,88 / 0,83 0,88 / 0,82 0,84 / 0,76 0,86 / 0,79 0,81 / 0,67

ECCC_2 0,90 / 0,76 0,89 / 0,60 0,87 / 0,62 0,83 / 0,47 0,84 / 0,41 0,80 / -0,11

ECCC_3 0,91 / 0,71 0,89 / 0,58 0,89 / 0,74 0,87 / 0,75 0,88 / 0,78 0,84 / 0,64

ECMWF_51 0,92 / 0,84 0,90 / 0,84 0,89 / 0,84 0,86 / 0,77 0,87 / 0,78 0,83 / 0,64

METEO

0,90 / 0,77 0,89 / 0,76 0,88 / 0,79 0,85 / 0,71 0,86 / 0,75 0,82 / 0,66

FRANCE_8

UKMO_602 0,91 / 0,85 0,90 / 0,83 0,89 / 0,84 0,86 / 0,78 0,87 / 0,78 0,83 / 0,67

JMA_3

0,91 / 0,86 0,89 / 0,85 0,89 / 0,84 0,85 / 0,75 0,85 / 0,76 0,83 / 0,66

INM_CM5 0,87 / 0,78 0,79 / 0,67 0,76 / 0,62 0,72 / 0,57 0.69 / 0,48 0,66 / 0,40

INM_CM6 0,89 / 0,83 0,84 / 0,74 0,82 / 0,70 0,76 / 0,60

Из общих особенностей полученных результатов следует отметить за-

ранее неочевидный, сравнительно небольшой диапазон разброса оценок

для набора моделей C3S. Характерные величины отличий составляют

~0,05 для АСС и ~0,1 для MSSS.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

17

Как и выше, применительно к ретроспективным прогнозам ИВМ РАН,

отмечается существенное улучшение оценок прогнозов пула C3S при пе-

реходе от глобальной области к тропикам и далее к региону Эль-Ниньо.

Аналогичные особенности отмечаются и для прогнозов с мартовскими

стартовыми датами. Сравнение результатов оценок двух версии модели

ИВМ РАН с остальными показывает, что в большинстве случаев коэффи-

циенты корреляции аномалий ТПО для обеих версий модели оказываются

примерно на 0,10–0,15 пунктов ниже. В терминах показателя MSSS вели-

чины занижения могут достигать 0,2–0,3 при осреднении по всему океану

или по внетропическим широтам. Это отставание заметно уменьшается

при переходе к тропикам, а в регионе Эль-Ниньо значения MSSS становятся

сопоставимыми с оценками для остальных моделей.

Возможной причиной занижения оценок MSSS может быть предостав-

ление прогностических полей в моделях C3S на загрубленной сетке, кото-

рое приводит к сглаживанию этих полей и, следовательно, к более благо-

приятному отношению амплитуд изменчивости прогнозируемых и

наблюдаемых аномалий ТПО.

В целом, подводя итоги сравнения ретроспективных прогнозов ТПО,

можно констатировать, что полученные результаты оценок указывают на

соответствие модели ИВМ РАН мировому уровню успешности сезонных

прогнозов.

Ледовые характеристики

Оценки качества ретроспективных ледовых прогнозов начнем с рас-

смотрения прогнозов интегральных ледовых характеристик, таких как пло-

щадь (sea ice area) и объем (sea ice volume) арктических и антарктических

морских льдов.

Временные изменения аномалий площади и объема арктических мор-

ских льдов для одного из начальных сроков (1 сентября каждого года) по-

казаны на рис. 1. Наряду со случаями успешного воспроизведения измене-

ний площади и объема льдов на протяжении отдельных прогностических

отрезков времени отчетливо просматривается и наблюдавшийся в 1991–

2019 гг. междесятилетний тренд, воспроизводимый в модельных прогно-

зах.

Видно также, что модельный прогноз чаще всего занижает объем арк-

тического морского льда в периоды с повышенной ледовитостью Арктики

(до 1999 г.), а с 1999 и до 2013 г. преимущественно систематически завы-

шает этот объем.

Аналогичные изменения площади и объема антарктических льдов по-

казаны на рис. 2. Как видно из рисунка, качество воспроизведения инте-

гральных характеристик антарктических льдов уступает таковому для арк-

тических льдов. Особенно заметно это для площади льдов, прогнозы

18

Гидрометеорологические прогнозы, математическое моделирование

которой на последнем отрезке рассматриваемого периода ретроспектив-

ных прогнозов (2016–2020 гг.) по знаку аномалий оказываются в противо-

фазе с контрольными данными.

(а)

(б)

Рис. 1. Аномалии площади (км²) (а) и объема (км³) (б) арктических морских

льдов в период 1991–2019 гг. по данным NSIDC (а) и PIOMAS (б) (черные

линии) и по данным модельных прогнозов по модели INM-CM5 с начальными

сроками 1 сентября каждого года (9-месячные отрезки красной линии).

Fig. 1. Anomalies of Arctic sea ice area (km²) (a) and volume (km³) (б) for the

period 1991–2019 from NSIDC (a) and PIOMAS (б) data (black lines) and from

INM-CM5 model forecasts with initial dates of September 1 of each year (9-month

segments of the red line).

В табл. 7 представлены коэффициенты корреляции аномалий ACC

между прогностическими значениями площади морского льда в Арктике

по модели INM-CM5, полученные для разных начальных сроков в период

1991–2019 гг., и контрольными данными NSIDC и PIOMAS. Как видно из

таблицы, значения ACC близки для обоих типов контрольных данных

NSIDC и PIOMAS, используемых для оценки прогнозов.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

19

(а)

(б)

Рис. 2. Аномалии площади (км²) (а) и объема (км³) (б) антарктических морских

льдов в период 1991–2019 гг. по данным PIOMAS (черные линии) и по данным

модельных прогнозов по модели INM-CM5 с начальными сроками 1 сентября

каждого года (9-месячные отрезки красной линии).

Fig. 2. Anomalies of Antarctic sea ice area (km²) (a) and volume (km³) (б) for the

period 1991–2019 from PIOMAS data (black lines) and from INM-CM5 model fore-

casts with initial dates of September 1 of each year (9-month segments of the red

line).

Как и следовало ожидать, в большинстве прогнозов прослеживается

одинаковая тенденция: статистически значимые с вероятностью 95 % зна-

чения ACC получаются максимальными для первого-второго месяцев про-

гноза, затем уменьшаются с ростом заблаговременности. Значимые АСС

получаются для прогнозов на первые 3–5 месяцев с осенними (сентябрь–

декабрь) и весенними (февраль–май) стартовыми датами. Наибольший ин-

тервал заблаговременностей с успешными прогнозами (вплоть до 7 меся-

цев) получается для сентябрьских стартовых дат с наименьшей ледовито-

стью в момент старта прогноза.

20

Гидрометеорологические прогнозы, математическое моделирование

Таблица 7. Коэффициенты корреляции ACC между наблюденными средне-

месячными аномалиями площади морского льда в Арктике по данным NSIDC

(верхние числа в ячейках таблицы) и по данным PIOMAS (нижние числа в

ячейках таблицы) и прогностическими аномалиями по модели INM-CM5 для

разных исходных сроков ретроспективных прогнозов в период 1991–2019 гг.

Table 7. Correlation coefficients ACC between observed monthly mean Arctic sea

ice area anomalies from NSIDC (upper numbers in table cells) and PIOMAS (lower

numbers in table cells) and INM-CM5 forecasted anomalies for different initial

hindcast dates over the period 1991–2019.

Прогностический месяц (LeadMon)

StartMon

Day0

1

2

3

4

5

6

01

22dec

02

22jan

03

22feb

03

01mar

04

22mar

05

22apr

05

01may

0,52

0,32

0,47

0,43

0,51

0,41

0,65

0,53

0,33

0,42

0,40

0,38

0,33

0,45

0,37

0,35

0,11

0,27

0,28

0,21

0,19

0,35

0,21

0,17

0,04

0,12

-0,01

0,37

0,14

0,49

0,37

0,44

0,43

0,62

0,60

0,72

0,61

0,75

0,60

0,78

0,62

0,36

0,42

0,50

0,34

0,52

0,33

0,49

0,29

0,25

0,20

0,40

0,27

0,35

0,23

0,29

0,20

0,19

0,23

0,18

0,29

0,17

0,23

0,12

0,01

-0,10

-0,03

-0,12

0,03

0,16

0,31

0,24

0,12

0,05

0,17

0,07

0,04

-0,06

0,26

0,22

0,15

0,10

09

01sep

10

01oct

11

22oct

11

01nov

12

22nov

0,56

0,52

0,86

0,87

0,58

0,62

0,77

0,84

0,77

0,79

0,61

0,62

0,43

0,51

0,62

0,71

0,74

0,49

0,62

0,53

0,57

0,59

0,57

0,45

0,57

0,46

0,66

0,36

0,39

0,73

0,71

0,39

0,54

0,22

0,30

0,25

0,30

0,40

0,52

0,39

0,55

0,19

0,29

0,23

0,33

0,31

0,40

0,39

0,40

0,23

0,31

0,29

0,37

0,43

0,39

0,48

0,51

0,11

0,04

Примечание. Статистически значимые с вероятностью 95 % значения ACC

(≥ 0,38) выделены жирным шрифтом. Statistically significant ACC values (≥0,38)

with 95% probability are highlighted in bold.

В табл. 8 представлены коэффициенты корреляции ACC между про-

гностическими значениями объема морских льдов в Арктике по модели

INM-CM5, соответствующими разным исходным срокам прогнозов в пе-

риод 1991–2019 гг., и данными реанализа PIOMAS. Как видно из таблицы,

значения ACC для объема морского льда заметно ниже, чем для площади

морских льдов, что, очевидно, обусловлено различным воспроизведением

толщин морского льда по модели INM-CM5 и в реанализе PIOMAS. Наиме-

нее удачными получились прогнозы объема морского льда (все ACC стати-

стически не значимы) для начальных сроков в период с января по май.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

21

В прогнозах с начальными сроками с октября по декабрь получаются ста-

тистически значимые корреляции, по крайней мере для первых трех меся-

цев прогноза.

Таблица 8. Коэффициенты корреляции ACC между прогностическими и

наблюденными (данные PIOMAS) среднемесячными аномалиями объема

морских льдов в Арктике для разных исходных сроков ретроспективных про-

гнозов по модели INM-CM5 в период 1991–2019 гг.

Table 8. Correlation coefficients ACC between predicted and observed (PIOMAS

data) monthly mean Arctic sea ice area anomalies for different INM-CM5 hindcast

start dates for the period 1991–2019

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

03 (01mar)

04 (22mar)

05 (22apr)

05 (01may)

-0,05

0,03

0,10

0,03

0,10

-0,08

0,15

-0,19

0,04

0,16

0,17

0,19

0,04

0,08

0,09

0,20

0,17

-0,07

-0,01

0,06

0,38

0,32

-0,10

-0,03

0,18

0,31

0,33

0,18

0,09

0,28

-0,06

-0,04

0,20

0,11

-0,02

-0,08

-0,21

-0,04

-0,12

-0,03

-0,18

-0,16

09 (01sep)

10 (01oct)

11 (22oct)

11 (01nov)

12 (22nov)

0,57

0,54

0,39

0,58

0,46

0,63

0,30

0,33

0,42

0,54

0,39

0,27

0,32

0,45

0,51

0,29

0,62

0,66

0,69

0,60

0,37

0,62

0,59

0,65

0,54

0,31

0,32

0,25

0,45

0,25

Примечание. Статистически значимые с вероятностью 95 % значения ACC

(≥0,38) выделены жирным шрифтом.Statistically significant ACC values (≥0,38)

with 95% probability are highlighted in bold.

Стоит отметить, что прогнозы от 1 ноября дают наилучший результат

для объема морского льда: коэффициенты ACC статистически значимы для

всех шести месяцев прогноза, хотя начиная с четвертого месяца прогноз

воспроизводит только около 20 % изменчивости PIOMAS.

Оценкой качества прогнозов, характеризующей их эффективность в

сравнении с прогнозами по климату, является показатель по среднему

квадрату ошибки MSSS (Mean Squared Skill Score). Значения этого показа-

теля для модельных прогнозов площади морского льда в Арктике приве-

дены в табл. 9, а для прогнозов объема – в табл. 10.

22

Гидрометеорологические прогнозы, математическое моделирование

Таблица 9. Значения критерия качества MSSS для ретроспективных прогно-

зов аномалий площади морских льдов в Арктике по модели INM-CM5 в сопо-

ставлении с данными NSIDC для разных исходных сроков в период 1991–

2019 гг.

Table 9. MSSS quality criterion values for retrospective forecasts of Arctic sea ice

area anomalies using the INM-CM5 model compared with NSIDC data for different

initial dates within the period 1991–2019

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

03 (01ma)r

04 (22mar)

05 (22apr)

05 (01may)

0,41

0,35

0,19

0,37

0,64

0,36

0,35

0,03

0,39

0,58

0,57

0,34

-0,05

0,04

0,35

0,37

0,44

0,36

0,18

0,02

0,45

0,19

0,32

0,17

0,41

0,02

-0,26

0,13

0,32

0,36

0,38

0,23

-0,05

-0,34

0,14

0,59

0,33

0,34

0,12

0,21

-0,04

09 (01sep)

10 (01oct)

11 (22oct)

11 (01nov)

12 (22nov)

0,56

0,91

0,81

0,87

0,81

0,71

0,69

0,82

0,84

0,59

0,82

0,81

0,65

0,61

0,27

0,84

0,61

0,38

0,44

0,35

0,62

0,34

0,25

0,32

0,54

0,48

0,21

0,48

0,36

0,22

Таблица 10. Значения критерия качества MSSS для ретроспективных прогно-

зов аномалий объема морских льдов в Арктике по модели INM-CM5 в сопо-

ставлении с данными PIOMAS для разных исходных сроков в период 1991–

2019 гг.

Table 10. MSSS quality criterion values for retrospective forecasts of Arctic sea ice

volume anomalies using the INM-CM5 model compared with PIOMAS data for dif-

ferent initial dates within the period 1991–2019

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

03 (01mar)

04 (22mar)

05 (22apr)

05 (01may)

0,21

0,20

0,16

0,15

0,14

0,13

0,24

0,21

0,20

0,17

0,14

0,13

0,09

0,27

0,20

0,18

0,15

0,11

0,21

0,18

0,28

0,16

0,14

0,07

0,22

0,20

0,14

0,24

0,16

0,20

0,18

0,22

0,17

0,11

0,20

0,22

0,21

0,19

0,16

0,08

09 (01sep)

10 (01oct)

11 (22oct)

11 (01nov)

0,46

0,34

0,32

0,35

0,33

0,29

0,27

0,30

0,26

0,25

0,28

0,26

0,28

0,26

0,24

0,29

0,33

0,27

0,35

0,34

0,35

12 (22nov)

0,27

0,25

0,27

0,33

0,35

0,28

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

23

Величины MSSS, близкие к единице, соответствуют высокому каче-

ству модельного прогноза по отношению к климатическому прогнозу. По-

чти все приведенные в табл. 9 и 10 значения MSSS оказываются положи-

тельными, свидетельствуя о более высоком качестве методических

прогнозов в сравнении с климатическим. По сезонным особенностям отме-

чается сходство с картиной АСС. Наиболее успешными получились про-

гнозы для сентябрьских стартовых дат. Аналогичные особенности MSSS

имеют место и для объема арктических льдов

В табл. 11 и 12 приведены коэффициенты корреляции ACC между кон-

трольными аномалиями сплоченности (данные NSIDC) и толщины (дан-

ные PIOMAS) арктических морских льдов, с одной стороны, и прогности-

ческими аномалиями по двум версиям прогностической модели: INM-CM6

(верхние числа в ячейках таблиц, помечены синим) и INM-CM5 (нижние

числа в ячейках таблиц), с другой стороны, для разных исходных сроков

ретроспективных прогнозов в период 1991–2019 гг.

Таблица 11. Средние по Арктической области коэффициенты корреляции

ACC между наблюденными (данные NSIDC) среднемесячными аномалиями

сплоченности морского льда и прогностическими аномалиями по моделям

INM-CM6 (помечены синим) и INM-CM5 (нижние числа в ячейках таблицы) для

разных исходных сроков ретроспективных прогнозов в период 1991–2019 гг.

Table 11. Arctic-averaged correlation coefficients ACC between observed (NSIDC

data) monthly mean sea ice concentration anomalies and forecast anomalies from

the INM-CM6 (marked in blue) and INM-CM5 (lower numbers in the table cells)

models for different initial hindcast dates within the period 1991–2019

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

0,19

0,11

0,30

0,13

0,30

0,10

0,32

0,14

0,29

0,12

0,37

–

0,48

–

0,48

–

0,53

0,38

0,46

0,47

0,36

0,37

0,34

0,27

0,18

0,13

0,20

0,10

0,24

0,08

0,25

0,11

0,27

0,10

0,43

–

0,40

–

0,38

–

0,39

0,30

0,28

0,29

0,27

0,21

0,24

0,20

0,16

0,10

0,18

0,08

0,16

0,08

0,26

0,07

0,32

0,13

0,43

–

0,38

–

0,36

–

0,24

0,22

0,20

0,18

0,17

0,15

0,08

0,19

0,08

0,19

0,09

0,27

0,09

0,30

0,11

0,38

–

0,32

–

0,23

–

0,23

0,19

0,18

0,15

0,14

0,15

–

0,08

–

0,09

–

0,08

–

0,06

–

0,17

–

0,09

–

0,08

–

0,07

–

0,15

–

0,15

–

08 (22jul)

–

0,18

–

0,10

–

0,14

–

0,14

–

0,12

–

0,11

–

0,11

–

0,09

09 (22aug)

09 (01sep)

10 (22sep)

10 (01oct)

11 (22oct)

11 (01nov)

12 (22nov)

24

Гидрометеорологические прогнозы, математическое моделирование

Таблица 12. Средние по Арктической области коэффициенты корреляции

ACC между наблюденными (данные PIOMAS) среднемесячными аномалиями

толщины морского льда и прогностическими аномалиями по моделям

INM-CM6 (помечены синим) и INM-CM5 (нижние числа в ячейках таблицы) для

разных исходных сроков ретроспективных прогнозов в период 1991–2019 гг.

Table 12. Arctic-averaged correlation coefficients ACC between observed (PIO-

MAS data) monthly mean sea ice thickness anomalies and forecast anomalies from

the INM-CM6 (upper numbers in the table cells, marked in blue) and INM-CM5

(lower numbers in the table cells) models for different initial hindcast dates within

the period 1991–2019

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

0,28

0,50

0,56

0,26

0,53

0,26

0,55

0,30

0,56

0,31

0,52

–

0,32

0,48

0,52

0,28

0,49

0,28

0,53

0,33

0,48

0,29

0,45

–

0,34

0,46

0,49

0,28

0,48

0,32

0,48

0,31

0,41

0,28

0,47

–

0,36

0,47

0,48

0,33

0,44

0,31

0,39

0,30

0,38

0,28

0,45

–

0,48

–

0,31

–

0,31

–

0,30

–

0,30

–

0,45

–

0,33

–

0,31

–

0,30

–

0,21

–

0,54

–

0,56

–

0,50

–

0,53

–

0,50

–

0,44

–

0,41

–

0,38

–

08 (22jul)

–

09 (22aug)

09 (01sep)

10 (22sep)

10 (01oct)

11 (22oct)

11 (01nov)

12 (22nov)

0,57

0,27

0,23

0,54

0,53

0,55

0,53

0,47

0,20

0,48

0,49

0,47

0,48

0,52

0,49

0,44

0,43

0,44

0,43

0,45

0,49

0,46

0,42

0,40

0,43

0,42

0,44

0,45

0,44

–

0,42

–

0,38

–

0,40

–

0,44

–

0,39

–

0,37

–

0,40

–

0,45

Примечание. Статистически значимые с вероятностью 95 % значения ACC

(≥0,38) выделены жирным шрифтом. Statistically significant ACC values (≥0,38)

with 95% probability are highlighted in bold.

В табл. 11 и 12 отчетливо просматривается повышение качества про-

гнозов как сплоченности, так и толщины арктических льдов в версии INM-

CM6 в сравнении с INM-CM5. Прогнозы сплоченности оказываются ин-

формативными (со статистически значимыми АСС) для стартовых сроков

с июня по октябрь, а прогнозы толщины – для всех стартовых сроков.

Оценки качества ретроспективных вероятностных прогнозов сплочен-

ности и толщины арктических льдов по модели INM-CM5 приведены в

табл. 13 и 14. Приведенные в таблицах числа представляют собой инте-

гральную оценку точности вероятностных прогнозов (вычисляемую как

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

25

площадь, ограниченная ROC-кривой и осью доли ложных положительных

классификаций) с осреднением по всей Арктике для одной из серий про-

гнозов, стартовавших 1 сентября каждого года в период 1991–2019 гг.

Таблица 13. Оценки качества ретроспективных вероятностных прогнозов

сплоченности морских льдов в Арктике по модели INM-CM5 в терминах пока-

зателя ROC для прогнозов с начальными сроками 1 сентября каждого года в

период 1991–2019 гг.

Table 13. Quality assessments of retrospective probabilistic forecasts of Arctic sea

ice concentration using the INM-CM5 model in terms of the ROC index for forecasts

with initial dates of 1 September each year within the period 1991–2019

Прогностический месяц

IX

X

XI

XII

I

II

III

IV

V

Ниже

нормы

0,50

0,54

0,57

0,50

0,56

0,49

0,50

0,56

0,50

0,53

0,57

0,50

0,55

0,50

0,55

0,51

0,55

0,50

0,51

0,55

0,50

0,56

Норма

Выше

нормы

Таблица 14. Оценки качества ретроспективных вероятностных прогнозов

толщины морских льдов в Арктике по модели INM-CM5 в терминах показателя

ROC для прогнозов с начальными сроками 1 сентября каждого года в период

1991–2019 гг.

Table 14. Quality assessments of retrospective probabilistic forecasts of Arctic sea

ice thickness using the INM-CM5 model in terms of the ROC index for forecasts

with initial dates of 1 September each year within the period 1991–2019

Прогностический месяц

IX

X

XI

XII

I

II

III

IV

V

Ниже

нормы

0,53

0,50

0,54

0,49

0,50

0,54

0,50

0,54

0,50

0,49

0,54

0,50

0,54

0,52

0,51

0,55

0,52

0,51

0,54

0,52

0,51

0,54

0,52

0,51

Норма

Выше

нормы

Из таблиц видно, что показатели ROC как для сплоченности льдов, так

и для их толщины чаще всего близки к пороговому значению информатив-

ности, равному 0,5. Для сплоченности более высокие показатели ROC от-

мечаются в градации «выше нормы», а для толщины – в градации «ниже

нормы».

Географические особенности оценок качества прогнозов сплоченно-

сти и толщины морских льдов по модели INM-CM5 рассмотрим на примере

прогнозов со стартовой датой 1 сентября, которой соответствует мини-

мальная в сезонном ходе ледовитость морей Северного полушария.

26

Гидрометеорологические прогнозы, математическое моделирование

На рис. 3 показаны коэффициенты ACC между прогностическими и

контрольными по данным NSIDC среднемесячными аномалиями сплочен-

ности морских льдов, а на рис. 4 – между прогностическими и контроль-

ными по данным PIOMAS аномалиями толщины льдов.

а)

б)

в)

Рис. 3. Коэффициенты корреляции аномалий ACC (величины ≥ 0,38 статисти-

чески значимы с вероятностью 95 %) между прогностическими и наблюден-

ными (данные NSIDC) среднемесячными аномалиями сплоченности морских

льдов для ретроспективных прогнозов по модели INM-CM5 с начальной датой

1 сентября каждого года в период 1991–2019 гг. на сентябрь (а), январь (б) и

март (в) месяцы.

Fig. 3. Anomaly correlation coefficients ACC (values ≥ 0,38 are statistically signifi-

cant with a probability of 95 %) between predicted and observed (NSIDC data)

monthly mean sea ice concentration anomalies for INM-CM5 hindcasts with a start-

ing date of September 1 of each year within the period 1991–2019 for the months

of September (a), January (б), and March (в).

Как видно из этих рисунков, высокие значения АСС для сплоченности

получаются в периферийной зоне арктических льдов. С ростом заблаговре-

менности площади областей с высокими величинами АСС сокращаются,

оставаясь значимыми только в Беринговом и Охотском морях, а также в

Северной Атлантике, Гренландском море и Девисовом проливе.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

27

Такие же географические особенности отмечаются и для толщины

морских льдов с тенденцией к повышению АСС в периферийной зоне. Но,

в отличие от сплоченности, с ростом заблаговременности площади с высо-

кими величинами АСС не уменьшаются до января. С февраля месяца пло-

щади с высокими величинами АСС уменьшаются, оставаясь значитель-

ными в прибрежных регионах (рис. 4в).

а)

б)

в)

Рис. 4. Коэффициенты корреляции ACC (величины ≥0,38 статистически зна-

чимы с вероятностью 95 %) между прогностическими и наблюдаемыми (дан-

ные PIOMAS) аномалиями толщины морских льдов для ретроспективных про-

гнозов по модели INM-CM5 с начальной датой 1 сентября каждого года в

период 1991–2019 гг. на сентябрь (а), январь (б) и март (в) месяцы.

Fig. 4. Anomaly correlation coefficients ACC (values ≥ 0,38 are statistically signifi-

cant with a probability of 95 %) between predicted and observed (PIOMAS data)

monthly mean sea ice thickness anomalies for INM-CM5 hindcasts with a starting

date of September 1 of each year within the period 1991–2019 for the months of

September (a), January (б), and March (в).

28

Гидрометеорологические прогнозы, математическое моделирование

В табл. 15 и 16 приведены коэффициенты корреляции аномалий ACC

между прогностическими и наблюденными (данные NSIDC) среднемесяч-

ными аномалиями площади и сплоченности морских льдов в Арктике для

двух исходных сроков (март и сентябрь) сезонных ретроспективных про-

гнозов в период 1993–2016 гг. для различных прогностических моделей,

участвующих в проекте C3S, включая модель INM-CM5 (площадь и спло-

ченность) и INM-CM6 (сплоченность).

Таблица 15. Коэффициенты корреляции ACC между прогностическими и

наблюденными (данные NSIDC) среднемесячными аномалиями площади

морских льдов в Арктике для двух исходных сроков (март и сентябрь) сезон-

ных ретроспективных прогнозов в период 1993–2016 гг. для различных про-

гностических моделей, участвующих в проекте C3S, включая модель

INM-CM5

Table 15. Correlation coefficients (ACC) between predicted and observed (NSIDC

data) monthly mean Arctic sea ice area anomalies for two initial dates (March and

September) of seasonal hindcasts for the period 1993–2016 for different forecast

models participating in the C3S project, including the INM-CM5 model

Прогностический месяц

Модель

IX

X

XI

XII

I

II

III

IV

V

VI

VII VIII

0,62 0,65 0,49 0,21 0,29 0,17

INM-CM5

CMCC

ECMWF

JMA

0,56 0,61 0,53 0,73 0,38 0,23

0,92 0,82 0,35 0,36 0,41 0,42

0,90 0,83 0,35 0,45 0,34 0,36

0,88 0,75 -0,0 0,12 0,17 0,38

0,77 0,88 0,45 0,59 0,56 0,27

0,95 0,87 0,48 0,72 0,34 0,27

0,92 0,82 0,41 0,19 0,18 0,25

0,89 0,86 0,40 0,48 0,20 0,32

0,87 0,86 0,41 0,62 0,41 0,31

0,71 0,80 0,70 0,46 0,16

-0,04

0,76 0,74 0,69 0,40 0,31 0,44

0,56 0,59 0,48 0,42 0,28 0,36

0,66 0,62 0,64 0,57 0,38 0,14

0,87 0,83 0,69 0,35 0,14 0,39

0,73 0,63 0,29 0,40 0,25 0,23

0,78 0,75 0,58 0,07 -0,09 0,06

0,61 0,77 0,69 0,22 -0,11 -0,13

METEO

France

ECCC_3

ECCC

DWD

UKMO

Примечание. Статистически значимые с вероятностью 95 % значения ACC

(> 0,40) выделены жирным шрифтом. Красным помечены прогнозы по мо-

дели INM-CM5, превосходящие соответствующие прогнозы всех прочих мо-

делей. Statistically significant ACC values (>0,40) with a 95 % probability are high-

lighted in bold. INM-CM5 forecasts that are superior to all other models are marked

in red.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

29

Таблица 16. Средние по Арктической области коэффициенты корреляции

ACC между наблюденными (данные NSIDC) и прогностическими среднеме-

сячными аномалиями сплоченности морских льдов от двух начальных сроков

(сентябрь и март) сезонных ретроспективных прогнозов 1993–2016 гг. для

различных прогностических моделей, участвующих в проекте C3S, включая

модели INM-CM5 и INM-CM6 (помечено синим)

Table 16. Arctic-averaged correlation coefficients ACC between observed (NSIDC

data) and predicted monthly mean sea ice concentration anomalies from two initial

dates (September and March) of the 1993–2016 seasonal hindcasts for different

forecast models participating in the C3S project, including INM-CM5 and INM-CM6

(marked in blue)

Прогностический месяц

Модель

IX

X

XI

XII

I

II

III

IV

V

VI

VII VIII

0,37 0,32 0,21 0,18 0,19 0,10

INM-CM5

INM-CM6

CMCC

0,10 0,09 0,09 0,06 0,07 0,07

0,30 0,24 0,16 0,19

0,53

0,39 0,24 0,23

0,68 0,42

0,67 0,49

0,60 0,46

0,54 0,48

0,24 0,19 0,12 0,12

0,24 0,21 0,10 0,10

0,17 0,13 0,08 0,11

0,28 0,24 0,12 0,13

0,32 0,23 0,22 0,19 0,26 0,26

0,37 0,24 0,20 0,24 0,24 0,24

0,25 0,25 0,20 0,14 0,10 0,11

0,28 0,23 0,22 0,18 0,30 0,03

ECMWF

JMA

METEO

France

Примечание. Статистически значимые с вероятностью 95 % значения ACC

(> 0,40) выделены жирным шрифтом. Statistically significant ACC values (>0.40)

with a 95 % probability are highlighted in bold.

Из этих таблиц следует, что АСС большинства представленных в таб-

лицах прогнозов по модели ИВМ РАН находятся внутри диапазона раз-

броса оценок зарубежных моделей. А прогнозы площади по INM-CM5 с

мартовскими стартовыми датами на третий (май) и четвертый (июнь) ме-

сяцы превосходят прогнозы всех прочих моделей.

Из сопоставления первых двух строк табл. 16 с очевидностью также

следует повышение качества прогнозов с переходом от версии INM-CM5 к

версии INM-CM6.

Сопоставимость оценок АСС по модели ИВМ РАН с таковыми зару-

бежных моделей можно рассматривать как подтверждение наличия у этой

модели эффективного прогностического потенциала в отношении ледовых

характеристик на сезонных масштабах времени и соответствия мировому

уровню построенной на модели ИВМ РАН системы прогнозирования.

30

Гидрометеорологические прогнозы, математическое моделирование

Квазиоперативные прогнозы

Температура поверхности океана

Оценки этого типа прогнозов проводились для отдельных прогности-

ческих расчетов, выполняемых в 2021–2024 гг. по двум версиям модели

ИВМ РАН. Более высокие показатели АСС для ТПО по модели INM-СМ6

в сравнении с INM-СМ5 получились и в квазиоперативных прогнозах,

представленных в табл. 17–19 за 2023 г. с осреднением по трем районам:

Мировому океану (табл. 17), тропической зоне океанов (табл. 18) и району

Nino-3.4 (табл. 19). Типичные в этот период значения АСС получились

даже выше, чем в ретроспективных прогнозах, в ряде случаев достигая 0,8–

0,9.

Для Мирового океана зависимость оценок от приуроченности старто-

вого месяца к тому или иному сезону не особенно выражена, в то время как

в районе Nino-3.4 менее успешными получаются прогнозы от стартовых

месяцев с ноября по февраль вследствие, вероятно, попадания прогности-

ческого интервала в диапазон так называемого весеннего прогностиче-

ского барьера.

Таблица 17. Средние по Мировому океану оценки ACC квазиоперативных

прогнозов ТПО за 2023 г. по двум версиям прогностической модели

INM-CM5/INM-CM6

Table 17. World Ocean average ACC estimates of 2023 quasi-operational SST

forecasts with two versions of the INM-CM5/INM-CM6 forecast model

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

/0,56

/0,46

/0,35

/0,28

0,39/0,52 0.23/0,35 0,16/0,24 0,16/0,18

0,42/0,54 0.32/0,42 0,25/0,35 0,19/0,24

0,09/

0,17/

0,15/

0,27/

/0,54

/0,53

/0,51

/0,54

/0,52

/0,41

/0,29

/0,27

/0,45

/0,54

/0,24

/0,12

/0,27

/0,45

/0,48

/0,14

/0,16

/0,30

/0,41

/0,45

09 (22aug) 0,51/0,56 0,43/0,49 0,39/0,49 0,36/0,48

0,25/

0,26/

0,17/

0,26/

0,22/

0,18/

0,13/

0,19/

10 (22sep)

11 (22oct)

12 (22nov)

0,56/0,59 0,47/0,50 0,40/0,46 0,25/0,34

0,49/0,57 0,40/0,46 0,29/0,33 0,22/0,29

0,53/0,61 0,38/0,48 0,30/0,39 0,28/0,35

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

31

Таблица 18. Средние по тропической зоне океанов оценки ACC квазиопера-

тивных прогнозов ТПО за 2023 г. по двум версиям прогностической модели

INM-CM5/INM-CM6

Table 18. Tropical Ocean average ACC estimates of 2023 quasi-operational SST

forecasts with two versions of the INM-CM5/INM-CM6 forecast model

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

/0,66

/0,44

/0,31

/0,14

0,39/0,53 0,21/0,23 0,20/0,11 0,28/0,18 0,20/

0,42/0,51 0,35/0,36 0,44/0,40 0,45/0,35 0,41/

0,34/

0,44/

/0,47

/0,69

/0,68

/0,83

/0,84

/0,36

/0,56

/0,61

/0,77

/0,80

/0,36

/0,52

/0,64

/0,76

/0,68

/0,41

/0,51

/0,66

/0,63

/0,62

09 (22aug)

10 (22sep)

11 (22oct)

12 (22nov)

0,80/0,85 0,65/0,71 0,61/0,72 0,52/0,68 0,42/

0,81/0,81 0,67/0,75 0,55/0,63 0,43/0,48 0,30/

0,76/0,83 0,61/0,69 0,49/0,51 0,38/0,36 0,24/

0,76/0,80 0,59/0,63 0,48/0,57 0,35/0,42 0,28/

0,30/

0,18/

0,15/

0,14/

Таблица 19. Средние по району Nino-3.4 оценки ACC квазиоперативных

прогнозов ТПО за 2023 г. по двум версиям прогностической модели

INM-CM5/INM-CM6

Table 19. Nino-3.4 average ACC estimates of 2023 quasi-operational SST fore-

casts with two versions of the INM-CM5/INM-CM6 forecast model

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

/0,48

/0,22

/0,45

/0,16

-0,02 /0,31 0,40/0,47 -0,21/0,22 0,69/0,41 0,41/

0,70/0,80 0,03/0,55 0,66/0,67 0,79/0,71 0,72/

0,69/

0,63/

/0,13

/0,79

/0,90

/0,80

/0,60

/0,87

/0,93

/0,82

/0,79

/0,28

/0,69

/0,75

/0,34

/0,72

/0,58

/0,74

/0,20

/0,02

09 (22aug) 0,74/0,86

0,14/0,53 -0,04/0,32 0,08/0,17 0,01/

0,11/0,41 0,35/0,55 0,31/0,53 0,19/

0,30/0,52 0,24/0,43 0,06/0,15 0,21/

0,30/0,56 0,20/0,57 0,41/-0,11 0,41/

0,07/

0,20/

0,33/

0,03/

10 (22sep) 0,59/0,56

11 (22oct)

0,20/0,36

12 (22nov) 0,42/0,63

32

Гидрометеорологические прогнозы, математическое моделирование

Ледовые характеристики

Значения площадей арктических льдов в серии квазиоперативных про-

гнозов с моделью INM-CM5 за 2022–2023 гг. получились преимуще-

ственно завышенными (на 10–15 %) в сравнении с данными NSIDC. Отли-

чия прогнозируемых значений от данных NSIDC оказались наибольшими

для зимних месяцев с января по апрель (более 10 %) и наименьшие для мая

2022 г. (0–8 %) и сентября 2023 г. (2–10 %). Преимущественно завышен-

ными оказались и прогнозы площадей в Антарктике с еще большими

в сравнении с Арктикой типичными отклонениями от данных NSIDC

в 15–30 %.

Коэффициенты корреляции АСС между наблюденными аномалиями

сплоченности морского льда в Арктике (данные NSIDC) и прогностиче-

скими аномалиями для разных исходных сроков квазиоперативных про-

гнозов за 2022–2023 гг. с двумя версиями модели ИВМ РАН представлены

в табл. 20, а между аналогичными аномалиями толщины льдов (данные

PIOMAS) – в табл. 21.

Как видно из табл. 20, показатели качества АСС для сплоченности

льдов в Арктике испытывают большие колебания от срока к сроку и не-

редко оказываются отрицательными. Вместе с тем отчетливо просматрива-

ется повышение качества прогнозов по модели INM-CM6 в сравнении с

INM-CM5. Число прогнозов сплоченности со значимыми положительными

АСС по модели INM-CM6 за этот период превышает 20, тогда как ни один

из прогнозов по модели INM-CM5 таких значимых оценок не имеет.

Обращают на себя внимание заметные отличия рассматриваемых

здесь оценок АСС в квазиоперативных прогнозах от подобных оценок в ре-

троспективных прогнозах (см. табл. 11), где они было всюду положитель-

ными и заметно превышали значения из табл. 20. Дело в том, что АСС ре-

троспективных прогнозов, представленные в табл. 11, характеризуют

структуру временной изменчивости аномалий сплоченности, в то время

как АСС квазиоперативных прогнозов, представленные в табл. 20, характе-

ризуют пространственную структуру аномалий.

Как видим, сходные по названию показатели ретроспективных и ква-

зиоперативных прогнозов заметно различаются как по смыслу оценивае-

мых характеристик, так и по их цифровым оценкам.

Еще больше отрицательных значений АСС встречаются в прогнозах

толщины арктических льдов (табл. 21). Типичные значения АСС здесь за-

метно ниже, нежели для сплоченности, и значимые положительные АСС

встречаются в совсем небольшом числе случаев.

Вероятностные оценки квазиоперативных прогнозов сплоченности

льдов в Арктике в терминах показателя ROC характеризуются значениями

ROC = 0,50–0,59 для градации «ниже нормы», ROC = 0,55–0,71 для града-

ции «норма» и ROC = 0,55–0,75 для градации «выше нормы». Таким обра-

зом, оценки прогнозов всех трех градациях оказываются выше случайных

с наилучшими результатами для градации «выше нормы».

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

33

Таблица 20. Коэффициенты корреляции ACC между прогностическими и кон-

трольными (данные NSIDC) среднемесячными аномалиями сплоченности

морского льда в Арктике для разных исходных сроков квазиоперативных про-

гнозов по моделям INM-CM5 (первые числа в каждой из табличных ячеек) и

INM-CM6 (выделенные синим вторые числа в ячейках) в период 2022–2023 гг.

Table 20. Сorrelation coefficients ACC between forecast and control (NSIDC data)

monthly mean Arctic sea ice concentration anomalies for different initial dates

of quasi-operational forecasts with INM-CM5 (first numbers in table cells) and

INM CM6 (second numbers in cells highlighted in blue) models during the period

2022–2023

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

2022 г.

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

09 (22aug)

10 (22sep)

11 (22oct)

12 (22nov)

0,13/-0,12

0,02/0,14

0,02/0,04

-0,01/0,24 0,05/-0,07 0,10/

0,03/

0,14/-0,28 0,05/-0,22 0,14/-0,46 0,15/

-0,01/

-0,09/

0,11/

0,07/

0,04 /0,04 0,08/-0,01 0,15/-0,19 0,15/

0,03/

-0,01/

0,10/

0,05/-0,17 0,12/-0,05 0,14/

0,12/-0,61 0,18/ -0,08/

-0,02/

0,01/

/-0,12

/0,17

/-0,14

/0,11

/-0,05

/-0,57

/0,10

/0,23

/0,01

/0,24

/0,25

/0,29

/-0,17

/0,44

-0,09/0,08

0,08/0,18

0,03/0,26

0,11/0,29

0,13/0,54

0,18/-0,16 0,15/

0,10/0,06 0,10/

0,08/0,31 0,07/

0,11/

0,09/

0,05/

0,11/0,00

-0,04/0,04 0,05 -0,11 0,09/-0,56

2023 г.

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

/0,12

/0,52

/-0,06

/-0,41

0,00/0,12

0,02/0,12

0,08/0,43

0,07/0,38 -0,02/

-0,06/

-0,09/

0,02/-0,07 0,06 /-0,21 -0,03/0,00 -0,01/ -0,01 -0,01/

/0,08

/-0,22

/0,09

/0,38

/-0,18

/0,82

/-0,57

/0,18

/-0,00

/-0,39

/0,31

/0,11

/-0,00

/-0,04

/-0,01

09 (22aug)

10 (22sep)

11 (22oct)

12 (22nov)

-0,09/0,64 -0,10/0,39 -0,09/-0,10 -0,07/-0,19 016/

-0,09/0,20 -0,12/0,06 -0,10/0,35 0,20/-0,02

0,09/-0,34 -0,04/-0,04 -0,08/-0,12

-0,01/0,00 -011/-0,08 /0,07

/ 0,05

/ 0,15

Примечание. Статистически значимые с вероятностью 95 % значения коэф-

фициентов корреляции (> 0,14 по Z-критерию Фишера) выделены жирным

шрифтом. Statistically significant with a probability of 95 % values of correlation

coefficients (> 0,14 according to Fisher's Z-criterion) are highlighted in bold.

34

Гидрометеорологические прогнозы, математическое моделирование

Таблица 21. Коэффициенты корреляции ACC между прогностическими и

наблюденными (данные PIOMAS) среднемесячными аномалиями толщины

морских льдов в Арктике для разных исходных сроков квазиоперативных

прогнозов по моделям INM-CM5 (первые числа в каждой из табличных

ячеек) и INM-CM6 (выделенные синим вторые числа в ячейках) в период

2022–2023 гг.

Table 21. Correlation coefficients ACC between forecast and control (PIOMAS

data) monthly mean Arctic sea ice thickness anomalies for different initial dates of

quasi-operational forecasts with INM-CM5 (first numbers in table cells) and

INM-CM6 (second numbers in cells highlighted in blue) models during the period

2022–2023

Прогностический месяц (LeadMon)

StartMon

(Day0)

1

2

3

4

5

6

2022 г.

0,09/-0,03 -0,02/-0,06 -0,24/-0,13 -0,24/-0,15 -0,14/

0,02/0.01 -0,06/-0,02 -0,06/-0,03 -0,03/0,01 0,07/

-0,18/

-0,08/

-0,17/

-0,22/

-0,26

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

0,13/-0,02 0,02/-0,05 0,05/-0,01

0,03/0,01 -0,12/

0,05/-0,10 0,09/-0,07 0,06/-0,11 -0,07/-0,10 -0,15/

0,00/-0,02 -0,08/-0,07 -0,17/-0,09 -0,23/-0,18 -0,29/

/-0,02

/-0,13

/-0,22

/-0,14

/-0,13

/-0,29

/-0,30

/-0,18

/-0,17

/-0,36

/-0,33

/-0,16

/-0,25

/-0,37

/-0,29

/-0,18

09 (22aug)

10 (22sep) -0,13/-0,17 -0,20/-0,15 -0,06/-0,19 -0,09/-0,14 -0,18/

-0,16/

-0,08/

-0,04/

11 (22oct)

-0,15/-0,20 -0,06/-0,07 -0,07/-0,03 -0,16/-0,11 -0,13/

-0,02/-0,09 -0,01/-0,03 -0,10/-0,09 -0,10/-0,07 -0,06/

2023 г.

12 (22nov)

/-0,01

/-0,08

/-0,07

/-0,08

01 (22dec)

02 (22jan)

03 (22feb)

04 (22mar)

05 (22apr)

06 (22may)

07 (22jun)

08 (22jul)

0,02/-0,09 0,01/-0,07 -0,02/-0.09 -0,07/-0,09 -0,11/

-0,13/

-0,17/

0,10/0,08

/0,01

0,08/0,01

/-0,03

0,01/-0,05 -0,06/-0,09 -0,09/

/-0,09

/-0,01

/-0,06

/-0,04

/-0,11

/0,01

/-0,05

/-0,01

/-0,04

/-0,10

/-0,06

/0,04

/0,13

/0,17

/0,24

/0,16

09 (22aug)

10 (22sep)

11 (22oct)

12 (22nov)

0,23/0,13

0,27/0,20

0,15/0,19

0,19/0,18

0,00/0,07

0,27/0,10

0,09/0,01

-0,14/0,09 -0,05/0,07

-0,02/0,20

Примечание. Статистически значимые с вероятностью 95 % значения коэффи-

циентов корреляции (> 0,14 по Z-критерию Фишера) выделены жирным шриф-

том. Statistically significant with a probability of 95 % values of correlation coeffi-

cients (> 0,14 according to Fisher's Z-criterion) are highlighted in bold.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

35

Заключение

В ходе выполнения проекта ВИПГЗ функционирующая в Гидромет-

центре России система усвоения океанографических данных адаптирована

для задания начальных условий в прогностических приложениях модели

Земной системы ИВМ РАН. Система обеспечивает подготовку диагности-

ческой информации о текущем состоянии океана и морских льдов в виде

наборов данных, размещаемых на дисковых массивах ЭВМ Cray XC40-LC

и пригодных для задания начальных условий в модели Земной системы

ИВМ РАН в ее приложениях к сезонным прогнозам на сроки до 6–9 меся-

цев.

Ретроспективные прогнозы ТПО, составлявшиеся по двум версиям

модели Земной системы ИВМ РАН, INM-CM5 и INM-CM6, оказались

успешными (значимые коэффициенты корреляции аномалий ACC > 0,37)

для заблаговременностей до 3 месяцев для Мирового океана и до 4 месяцев

для тропической зоны и района Эль-Ниньо. Значения ACC слабо зависели

от стартовой даты прогнозов и уменьшались с ростом заблаговременности.

Средние для акватории Мирового океана значения ACC для прогнозов по

модели INM-CM5 уменьшались от 0,53–0,56 для прогнозов на первый ме-

сяц до 0,32–0,37 для прогнозов на четвертый месяц. Наиболее успешными

оказались прогнозы по району “Эль-Ниньо-3..4” с ACC 0,73–0,86 для про-

гнозов на первый месяц и 0,40–0,69 для прогнозов на четвертый месяц.

Прогнозы по INM-CM6 систематически обыгрывали прогнозы по INM-

CM5 на 0,1–0,3 единиц ACC.

Значения показателя MSSS для ретроспективных прогнозов ТПО в тро-

пической зоне океанов и в районе Эль-Ниньо были преимущественно по-

ложительными (0,2–0,5 в тропиках и до 0,8–0,9 в районе Эль-Ниньо), сви-

детельствуя о преимуществе методических прогнозов в сравнении с

прогнозами по климату. Как и для ACC, успешность прогнозов в терминах

ACC и MSSS по INM-CM6 была выше в сравнении с INM-CM5.

Среди ретроспективных прогнозов ледовых условий наиболее успеш-

ными были прогнозы интегральных характеристик – площади и объема

льда в Арктике. В этих прогнозах удовлетворительно воспроизводились

многолетние тренды аномалий площади и объема арктических льдов, в зна-

чительной степени благодаря заданию начальных условий в виде фактиче-

ских аномалий, накладываемых на модельный климат. Для антарктических

льдов качество воспроизведения площади и объема было ниже.

Степень успешности ретроспективных прогнозов ледовых условий,

оцениваемая по показателям ACC и MSSS, существенно зависела от началь-

ных сроков прогнозирования. Корреляции аномалий площади арктических

льдов получились значимыми для прогнозов на первые 3–5 месяцев с осен-

ними (сентябрь–декабрь) и весенними (март–май) стартовыми датами. По

этому показателю наибольший интервал заблаговременностей с успеш-

ными прогнозами получился для сентябрьских стартовых дат с наимень-

шей ледовитостью в момент старта прогноза. Успешными можно считать

и прогнозы площади арктических льдов, если их оценивать по показателю

36

Гидрометеорологические прогнозы, математическое моделирование

мастерства по отношению к климату MSSS. Для объема арктических льдов

более успешные по АСС и MSSS ретроспективные прогнозы получились

только для осенних стартовых дат (сентябрь–декабрь).

Средние по Мировому океану оценки ACC квазиоперативных прогно-

зов ТПО по INM-CM5 ожидаемо снижались с ростом заблаговременности,

изменяясь от 0,38–0,61 для первого прогностического месяца до 0,13–0,30

для шестого прогностического месяца. Для тропической зоны

(20° ю. ш. – 20° с. ш.) от 0,39–0,81 для первого прогностического месяца до

0,10–0,50 для шестого прогностического месяца. Такие прогнозы можно

считать успешными (значимые пространственные ACC > 0,27) для забла-

говременностей до 4 месяцев для Мирового океана и до 5 месяцев для тро-

пической зоны.

Квазиоперативные прогнозы ледовых условий чаcто завышали пло-

щадь арктических и антарктических льдов. Величина завышения менялась

в диапазоне 1–50 %. Оценки АСС сплоченности в квазиоперативных про-

гнозах арктических льдов преимущественно положительные. Для сплочен-

ности антарктических льдов число положительных и отрицательных АСС

примерно одинаково.

Показатели ROC ансамблевых квазиоперативных прогнозов сплочен-

ности льдов в Арктике во всех случаях превышали значение 0,5, что ука-

зывает на превосходство методических прогнозов над случайными.

Наибольшие значения ROC получились для градации «выше нормы» (0,55–

0,74), наименьшие – для градации «ниже нормы» (0,50–0,59).

Качество прогнозов ТПО и ледовых характеристик по INM-CM6 в

большинстве случаев превосходило качество прогнозов по INM-CM5.

Сравнение оценок прогнозов ТПО и ледовых условий с оценками зарубеж-

ных центров свидетельствует о том, что оценки качества прогнозов по мо-

дели INM-CM6 сопоставимы с таковыми по зарубежным моделям, тем са-

мым подтверждая соответствие построенной на этой модели

прогностической системы мировому уровню.

Рассмотренная в данной статье прогностическая продукция представ-

ляется полезной для информационного обслуживания широкого круга по-

требителей: органов управления и организаций, связанных с морской дея-

тельностью. Высокое качество диагноза и прогноза океанографических

полей является также залогом эффективного решения экологических задач,

таких как расчет дальнего переноса примесей в океане, оценка последствий

аварийных выбросов в морскую среду, проектные оценки воздействий на

окружающую среду.

Особую значимость продукция прогностической системы имеет для

Арктического региона с развитым ледяным покровом, оказывающим суще-

ственное влияние на социально-экономический сектор в этом регионе и на

судоходство по Северному морскому пути. Долгосрочные ледовые про-

гнозы на сезонных масштабах времени необходимы, в частности, для пла-

нирования морских операций на российских морях в ледовый период, в

первую очередь, для решений по расстановке ледокольного флота.

Реснянский Ю.Д., Зеленько А.А., Степанов В.Н. и др.

37

Представленная в данной статье прогностическая система может стать

эффективным инструментом для информационного обеспечения такого

рода практических задач.

Список литературы

1. Вильфанд Р.М., Зеленько А.А., Реснянский Ю.Д., Струков Б.С., Цырульников М.Д.

Усвоение океанографических данных как одна из ключевых задач оперативной океаноло-

гии // Гидроакустика. 2023. № 53(1). С. 107-117.

2. Думанская И.О., Зеленько А.А., Мысленков С.А., Нестеров Е.С., Попов С.К., Реснян-

ский Ю.Д., Струков Б.С. Морские гидрологические прогнозы и оперативная океанология в

Гидрометцентре России // Гидрометеорологические исследования и прогнозы. 2019. № 4

(374). С. 149-183.

3. Струков Б.С., Реснянский Ю.Д., Зеленько А.А. Релаксационный метод усвоения

данных по сплоченности морского льда в модели NEMO–LIM3 с несколькими категориями

ледяного покрова // Метеорология и гидрология. 2020. № 2. С. 65-77.

4. Хан В.М., Тищенко В.А., Круглова Е.Н., Субботин А.В., Реснянский Ю.Д., Володин

Е.М., Грицун А.С., Воробьева В.В., Тарасевич М.А. Система сезонного метеорологического

прогноза на базе модели INM-CM5 // Результаты испытания новых и усовершенствованных

технологий, моделей и методов гидрометеорологических прогнозов. 2024. Информацион-

ный сборник № 51. С. 21-36.

5. Carton J.A., Chepurin G.A., Chen L. SODA3: A New Ocean Climate Reanalysis // J. Clim.

2018. Vol. 31. P. 6967-6983. DOI: 10.1175/JCLI-D-18-0149.1

6. Cavalieri D.J., Parkinson C.L., Gloersen P., Comiso J.C., Zwally H.J. Deriving long-term

time series of sea ice cover from satellite passive-microwave multisensor data sets // Journal of

Geophysical Research. 1999. Vol. 104, no. C7. P. 15803-15814.

7. Comiso J.C., Bliss A.C., Gersten R., Parkinson C.L., Markus T. Current State of Sea Ice

Cover. 2024. https://earth.gsfc.nasa.gov/cryo/data/current-state-sea-ice-cover, last access: 08-02-

2024.

8. Eyring V., Bony S., Meehl G.A. et al. Overview of the Coupled Model Intercomparison

Project Phase 6 (CMIP6) experimental design and organization // Geosci. Model Dev. 2016.

Vol. 9, no. 5. P. 1937-1958.

9. Hersbach H., Bell B., Berrisford P., Hirahara S. The ERA5 global reanalysis // Q.J.R.

Meteorol. Soc. 2020. Vol. 146. P. 1999-2049

10. Huang B., Liu С., Banzon V., Freeman E., Graham G., Hankins B., Smith T., Zhang H.-

M. Improvements of the Daily Optimum Interpolation Sea Surface Temperature (DOISST) Ver-

sion 2.1 // Journal of Climate. 2021. Vol. 34. P. 2923-2939. DOI: 10.1175/JCLI-D-20-0166.1

11. Murphy A.H. Skill scores based on the mean square error and their relationships to the

correlation coefficient // Monthly Weather Review. 1988. Vol. 116. P. 2417-2424.

12. Schneiger A., Lindsay R., Zhang J., Steele M., Stern H. Uncertainty in modeled Arctic

sea ice volume // J. Geophys. Res. 2011. Vol. 116. C00D06. DOI: 10.1029/2011JC007084.

13. Standardized Verification System (SVS) for Long-Range Forecasts (LRF). New Attach-

ment II-9 to the Manual on the GDPS. Vol. I // WMO-No. 485. Geneva, WMO, 2002. 21 p.

14. Volodin E.M., Gritsun A.S. Simulation of Possible Future Climate Changes in the 21st

Century in the INM-CM5 Climate Model // Izvestiya. Atmospheric and Ocean Physics. 2020.

Vol. 56, no. 3. P. 218-228. DOI: 10.1134/S0001433820030123.

15. Volodin E.M., Mortikov E. ., Kostrykin S.V. et al. Simulation of the present-day climate

with the climate model INMCM5 // Climate Dynamics. 2017. Vol. 49, no. 11. P. 3715-3734.

16. Vorobyeva V., Volodin E. Evaluation of the INM RAS climate model skill in climate

indices and stratospheric anomalies on seasonal timescale // Tellus A: Dynamic Meteorology and

Oceanography. 2021. Vol. 73, no. 1. Р. 1-12.

17. Zhang J. Rothrock D.A. Modeling global sea ice with a thickness and enthalpy distribu-

tion model in generalized curvilinear coordinates // Mon. Wea. Rev. 2003. Vol. 131 (5). P. 681-

697.

38

Гидрометеорологические прогнозы, математическое моделирование

References

1. Vilfand R.M., Zelenko A.A., Resnyanskii Yu.D., Strukov B.S., Tsyrulnikov M.D. Ocean data

assimilation as one of the key tasks of operational oceanology. Gidroakustica [Hydroacoustics],

2023, vol. 53, no. 1, pp. 107–117 [in Russ.]

2. Dumanskaya I.O., Zelenko A.A., Myslenkov S.A., Nesterov E.S., Popov S.K., Resnyansky

Yu.D., Strukov B.S. Marine hydrological forecasts and operational oceanology in the Hydromete-

orological Center of Russia. Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeoro-

logical Research and Forecasting], 2019, vol. 374, no.4, pp. 149-183 [in Russ.].

3. Strukov B.S., Resnyanskii Y.D., Zelenko A.A. Relaxation Method for Assimilation of Sea

Ice Concentration Data in the NEMO-LIM3 Multicategory Sea Ice Model. Russ. Meteorol.

Hydrol., 2020, vol. 45, no. 2, pp. 96-104. DOI: 10.3103/S1068373920020053.

4. Khan V.M., Tischenko V.A., Kruglova E.N., Subbotin A.V., Resnyanskii Yu.D., Volodin

E.M., Gritsun A.S., Vorob'eva V.V., Tarasevich M.A. Seasonal meteorological forecast system

based on the INM-CM5 model. Rezul’tati ispitaniya novikh i usovershenstvovanikh tekhnologiy,

modeley i metodov gidrometeorologicheskikh prognozov [Results of testing new and improved

technologies, models and methods of hydrometeorological forecasting. Information collection].

Informatsionniy sbornik No. 51. 2024. pp. 21-36 [in Russ.].

5. Carton J.A., Chepurin G.A., Chen L. SODA3: A New Ocean Climate Reanalysis. J. Clim.,

2018, vol. 31, pp. 6967-6983. DOI: 10.1175/JCLI-D-18-0149.1

6. Cavalieri D.J., Parkinson C.L., Gloersen P., Comiso J.C., Zwally H.J. Deriving long-term

time series of sea ice cover from satellite passive-microwave multisensor data sets. Journal of

Geophysical Research, 1999, vol. 104, no. C7, pp. 15803-15814.

7. Comiso J.C., Bliss A.C., Gersten R., Parkinson C.L., Markus T. Current State of Sea Ice

Cover. 2024. Available at: https://earth.gsfc.nasa.gov/cryo/data/current-state-sea-ice-cover, last

access: 08-02-2024.

8. Eyring V., Bony S., Meehl G.A. et al. Overview of the Coupled Model Intercomparison

Project Phase 6 (CMIP6) experimental design and organization. Geosci. Model Dev., 2016, vol. 9,

no. 5, pp. 1937-1958.

9. Hersbach H., Bell B., Berrisford P., Hirahara S. The ERA5 global reanalysis. Q.J.R. Me-

teorol. Soc., 2020, vol. 146, pp. 1999-2049

10. Huang B., Liu С., Banzon V., Freeman E., Graham G., Hankins B., Smith T., Zhang H.-

M. Improvements of the Daily Optimum Interpolation Sea Surface Temperature (DOISST) Ver-

sion 2.1. Journal of Climate, 2021, vol. 34, pp. 2923-2939. DOI: 10.1175/JCLI-D-20-0166.1

11. Murphy A.H. Skill scores based on the mean square error and their relationships to the

correlation coefficient. Monthly Weather Review, 1988, vol. 116, pp. 2417-2424.

12. Schneiger A., Lindsay R., Zhang J., Steele M., Stern H. Uncertainty in modeled Arctic

sea ice volume. J. Geophys. Res., 2011, vol. 116, C00D06. DOI: 10.1029/2011JC007084.

13. Standardized Verification System (SVS) for Long-Range Forecasts (LRF). New Attach-

ment II-9 to the Manual on the GDPS. Vol. I. WMO-No. 485., Geneva, WMO, 2002, 21 p.

14. Volodin E.M., Gritsun A.S. Simulation of Possible Future Climate Changes in the 21st

Century in the INM-CM5 Climate Model. Izvestiya. Atmospheric and Ocean Physics. 2020, vol.

56, no. 3, pp. 218-228. DOI: 10.1134/S0001433820030123.

15. Volodin E.M., Mortikov E. ., Kostrykin S.V. et al. Simulation of the present-day climate

with the climate model INMCM5. Climate Dynamics, 2017, vol. 49, no. 11, pp. 3715-3734.

16. Vorobyeva V., Volodin E. Evaluation of the INM RAS climate model skill in climate

indices and stratospheric anomalies on seasonal timescale. Tellus A: Dynamic Meteorology and

Oceanography, 2021, vol. 73, no. 1, pp. 1-12.

17. Zhang J. Rothrock D.A. Modeling global sea ice with a thickness and enthalpy distribu-

tion model in generalized curvilinear coordinates. Mon. Wea. Rev., 2003. vol. 131, no. 5, pp. 681-

697.

Поступила 10.11.2024; одобрена после рецензирования 02.12.2024;

принята в печать 10.12.2024.

Submitted 10.11.2024; approved after reviewing 02.12.2024;

accepted for publication 10.12.2024.