Исследование предсказуемости погоды и климата на временных масштабах от сезона до десятилетия с помощью климатической модели ИВМ РАН тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Воробьева Василиса Васильевна

  • Воробьева Василиса Васильевна
  • кандидат науккандидат наук
  • 2022, ФГАОУ ВО «Московский физико-технический институт (национальный исследовательский университет)»
  • Специальность ВАК РФ05.13.18
  • Количество страниц 184
Воробьева Василиса Васильевна. Исследование предсказуемости погоды и климата на временных масштабах от сезона до десятилетия с помощью климатической модели ИВМ РАН: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. ФГАОУ ВО «Московский физико-технический институт (национальный исследовательский университет)». 2022. 184 с.

Оглавление диссертации кандидат наук Воробьева Василиса Васильевна

Введение

Глава 1. Исследование предсказуемости погоды и климата с помощью климатической модели ИВМ РАН на сезонном временном

масштабе для зимних сезонов Северного полушария

1.1. Ретроспективные прогнозы на зимние сезоны 1980/81-2014/15

годов

1.1.1. Технология составления набора начальных данных

1.1.2. Численные эксперименты

1.1.3. Коэффициенты корреляции аномалий

1.1.4. Квазидвухлетнее колебание

1.1.5. Аномалии полей в зимний сезон 1997-1998 годов

1.1.6. Предсказуемость индекса Тихоокеанско-Североамериканского колебания (ТСА)

1.1.7. О предсказуемости индекса Североатлантического колебания (САК)

1.1.8. Предсказуемость стратосферных аномалий

1.1.9. Парадокс отношения сигнала к шуму

1.2. Ретроспективные прогнозы на зимний сезон 2019-2020 годов

1.2.1. Исключительность зимнего сезона 2019-2020 годов

1.2.2. Составление набора начальных данных для прогнозов на зимний сезон 2019-2020 годов и численные эксперименты

1.2.3. Оценка воспроизведения стратосферных аномалий в модели ШМ-СМ5-0

1.2.4. Исследование факторов, влияющих на воспроизведение индекса Североатлантического колебания (САК) и сезонных аномалий зимнего сезона 2019-2020 годов

1.3. Прогноз на предстоящий зимний сезон 2021-2022 годов

1.4. Выводы главы

Глава 2. Исследование предсказуемости погоды и климата с помощью климатической модели ИВМ РАН на сезонном временном

масштабе для летних сезонов Северного полушария

2.1. Ретроспективные прогнозы на летние сезоны 1980-2014 годов

2.1.1. Технология составления набора начальных данных и численные эксперименты

2.1.2. Коэффициенты корреляции аномалий

2.1.3. ROC-показатель

2.1.4. Показатель MSSS

2.2. Выводы главы

Глава 3. Исследование предсказуемости погоды и климата с помощью климатической модели ИВМ РАН на временном масштабе до

10 лет

3.1. Проблематика

3.2. Модель, технология создания начальных данных и численные эксперименты

3.3. Оценка предсказуемости климатической системы на временном масштабе 10 лет

3.4. Выводы главы

Глава 4. Программный комплекс по созданию прогнозов, оценке их качества и исследованию предсказуемости на сезонном и декадном временном масштабе на базе климатической модели ИВМ РАН

125

4.1. Программный компонент построения набора начальных данных, привязанных к данным наблюдений за определенную дату, и расчета прогнозов

4.2. Программный компонент оценки качества и исследования климатических взаимосвязей в прогнозах сезонного временного масштаба

4.3. Программный компонент составления искусственных начальных состояний модели для декадных прогнозов

4.4. Программный компонент оценки предсказуемости климатической системы на временном масштабе до 10 лет

4.5. Выводы главы

Заключение

Список сокращений и условных обозначений

Список литературы

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Исследование предсказуемости погоды и климата на временных масштабах от сезона до десятилетия с помощью климатической модели ИВМ РАН»

Введение

Актуальность и степень разработанности темы исследования

Прогнозирование погоды и климата является одним из наиболее важных инструментов планирования, представляющим интерес как для населения земного шара, так и для различного вида индустрий, к которым относятся авиация, сельское хозяйство, строительная сфера, туристические и страховые компании, сырьевые рынки и т.д. От качества климатической продукции зависит возможность правильно распределять экономические и человеческие ресурсы, оценивать продуктивность агроэкосистем, заранее предупреждать население об экстремальных погодных явлениях, минимизируя количество жертв и др.

Климатическая система Земли как физический объект обладает рядом специфических особенностей [1]. Поскольку отношение вертикального масштаба к горизонтальному для атмосферы и океана составляет величину порядка 0.001-0.01, система является квазидвумерной, но вертикальная стратификация по плотности очень важна, и крупномасштабные вертикальные движения ответственны за бароклинные преобразования энергии. Кроме того, для системы характерен большой диапазон временных масштабов энергозначимых физических процессов (от 1 часа до десятков и сотен лет), отсутствие возможности поставить опыт над природной климатической системой, наличие лишь коротких рядов данных наблюдений, да и то лишь об отдельных компонентах климатической системы. Вследствие указанных особенностей одним из основных инструментов исследования Земной системы является математическое моделирование.

Сезонный прогноз погоды ответственен за временные масштабы от более, чем двух недель, до срока, немного превышающего один год [2]. На более коротких временных масштабах создаются прогнозы погоды и внутри-сезонные прогнозы (sub-seasonal predictions), а на более продолжительных - декадные прогнозы на срок от одного года до тридцати лет. Еще более длительные климатические прогнозы нацелены на исследование возможных эволюций климата за несколько десятилетий на основе различных сценариев

внешних воздействий на климатическую систему (форсинга) на прошлое и будущее. При этом не существует искусственных границ между климатическими шкалами. Большое количество процессов, происходящих на одном временном масштабе, оказывает влияние и на состояние системы на других временных масштабах.

Возможность сезонного прогнозирования основана на существовании медленной и предсказуемой изменчивости влажности почвы, снежного покрова, морского льда и температуры поверхности океана [3], а также от их взаимодействия с атмосферой. Помимо указанных источников предсказуемости, на сезонный прогноз также влияет низкочастотная изменчивость, исходящая от смены режимов землепользования и изменения концентрации парниковых газов и аэрозолей под воздействием антропогенного фактора, в совокупности с естественной изменчивостью климата, заключающейся, например, в изменениях солнечной активности и концентрации вулканической пыли в воздухе. Зависимость прогноза как от задания начальных условий, внутренней климатической изменчивости, так и от внешнего воздействия на климатическую систему - проблема, свойственная не только сезонному прогнозу, но и остро стоящая в настоящее время при изучении декадных прогнозов [4] и антропогенного изменения климата [5].

Несмотря на широкую распространенность математического моделирования Земной системы, в России, да и в остальном мире, качество прогнозов на сезонном и декадном временном масштабе остается невысоким. Поэтому одной из самых важных и актуальных задач математического моделирования остается увеличение точности климатического прогнозирования. Климатические модели очень чувствительны к небольшим изменениям начальных данных [6], поэтому одной из наиболее важных проблем прогнозирования является задание как можно более точных начальных условий. Ошибка начальных данных обусловлена как вычислительной погрешностью измерений, так и недостаточной пространственно-временной плотностью наблюдений. С целью увеличить пространственно-временную плотность наблюдений создаются реанализы атмосферы/океана, данные которых мы будем использовать в работе, предварительно произведя их подготовку для использования при расчетах в климатической модели. Кроме того, при увеличении срока про-

гнозирования возрастает количество крупномасштабных процессов, которые должны быть учтены при составлении модели, вследствие чего степень хаотичности моделей атмосферы и океана растет. По этой причине будет использоваться ансамблевый подход, заключающийся в проведении ансамбля экспериментов, начинающихся с различных начальных условий, и последующей обработке результатов, включающей определение и вычисление наиболее информативных критериев оценки их качества.

Ключевым шагом для дальнейшего усовершенствования прогностической модели является оценка качества прогноза на сезонном и десятилетнем временном масштабе в целом, а также прогноза отдельных наиболее значимых явлений. Анализ результатов проводимых модельных экспериментов способствует выявлению новых источников прогностической информации, определяющих вероятное развитие климатической картины.

Получение обоснованного вывода о текущей прогностической способности климатической модели ИВМ РАН на временных интервалах от сезона до десятилетия и выявление взаимосвязей между отдельными климатическими процессами несет прикладное значение как для усовершенствования модели ИВМ РАН в частности, так и для климатического моделирования в целом, поскольку содействуют обнаружению критериев для улучшения качества прогнозов погоды и климата на указанных временных масштабах. Кроме того, все большее распространение в мире получают мультимодельные ансамбли, которые, как правило, имеют лучшие показатели качества прогноза, чем показатели отдельных моделей, составляющих ансамбль. В случае получения прогноза климатической модели ИВМ РАН на рассматриваемых временных масштабах удовлетворительного качества, можно использовать ее для создания прогноза по ансамблю моделей.

Обосновав актуальность темы исследования, представленной в диссертации, перейдем к описанию степени ее разработанности.

В современном математическом моделировании климата борются два идейно разных подхода к построению моделей. Оба способа приносят положительные результаты и имеют свой круг сторонников в научном сообществе, однако жаркие дискуссии по целесообразности применения того или иного способа построения климатических моделей не утихают. Существуют

динамический [7,8] и статистическо-эмпирический [9,10] подходы, иногда также используются смешанные методики, поскольку динамический подход требует статистической постобработки результатов [11,12].

Статистические методы зачастую имеют качество прогноза, сопоставимое с динамическими подходами [13,14]. Некоторые статистические методы основаны на использовании данных подповерхностного слоя океана [15], которые содержат информацию о состоянии поверхности океана несколько месяцев спустя. Также в качестве предиктора в статистических моделях часто используется площадь осеннего снежного покрова в Евразии [16,17]. Статистические методы зачастую применяют для предсказания полей во внетропи-ческой части Северного и Южного полушария (экстратропиках) [18-20]. В частности, используя статистический подход, получены хорошие результаты прогноза осадков над Скандинавией и Пиренейским полуостровом, где динамические подходы демонстрируют низкое качество прогноза [21]. Тем не менее, в применении статистических методов имеется проблема, связанная с наличием долгосрочных изменений в нестационарной климатической системе. Например, первые попытки прогноза морского льда в высоких широтах на основе статистических методов [22,23] не увенчались успехом, поскольку из-за быстрых изменений климата в Арктике соотношения, связывающие переменные морского льда, и их предикторы могут не сохраняться [24].

Динамические подходы в свою очередь могут быть поделены на два типа. Первые используют только модель атмосферы с предписанной температурой поверхности океана, которая предварительно прогнозируется с помощью динамической или статистической прогностической системы. Другой тип динамических прогностических систем использует совместную модель, в которой все модули взаимодействуют между собой. Модели второго типа демонстрируют более высокое качество сезонного прогноза, чем динамические системы первого типа [25], а также чем простые статистические модели в тропическом океане [13,26,27]. Плотность и теплоемкость океана примерно в 1000 раз выше, чем у атмосферы [28]. По этой причине вода благодаря океаническим течениям имеет гораздо меньшую скорость, чем потоки воздуха в атмосфере, движимые ветрами. В сочетании с учетом условия большей теплоемкости океаны имеют большую «память» о происходящих явлениях,

чем атмосфера, поскольку изменения, происходящие в них, и которые можно назвать по аналогии океанической «погодой», развиваются гораздо медленнее и живут намного дольше. Отметим сильную аналогию между краткосрочными прогнозами погоды на несколько часов/дней вперед и долгосрочными, например, декадными прогнозами. Когда составляется краткосрочный прогноз, то рассматривается вероятностная эволюция атмосферной циркуляции на протяжении небольшого промежутка времени в будущем. Когда же производится долгосрочный прогноз, то рассматривается уже в большей степени развитие океанической циркуляции в ближайшие несколько лет и её влияние на погоду в атмосфере. Отличие масштабов рассматриваемых временных интервалов отражает отмеченное выше различие плотности и теплоемкости океана и атмосферы. Более того, с каждым годом появляется все больше совместных климатических моделей, имеющих кроме блоков динамики атмосферы и океана ещё и другие блоки, например, блок динамики морского льда, аэрозольный модуль, блок химии атмосферы. Подобное объединение позволяет рассматривать возможность долгосрочного прогнозирования на сезон, а в некоторых случаях и на десятилетие. Важной чертой климатического моделирования путем составления динамических прогностических систем является то, что оно производится исходя из первых принципов, а значит, занимается изучением природы и систематизацией атмосферных и океанических (в случае совместной модели) процессов.

Гидродинамические модели климата используют начальные данные, составленные на основе данных наблюдений. Далее эти данные после определенной обработки, подготавливающей оптимальное начальное состояние с учетом модельного климата, подставляются в нестационарную систему математических уравнений, определяющих изменение ключевых физических переменных во времени. После численного решения дифференциальных уравнений на выходе модели получается приближенное решение системы уравнений. Примером такой модели является и климатическая модель Института вычислительной математики (ИВМ) РАН [29].

Основными проблемами динамических прогностических систем является отсутствие точного знания о начальном состоянии климатической системы и невозможность смоделировать идеальную прогностическую систему [30].

Для учета первого вида неопределенности обычно используется ансамбль из некоторого количества независимых прогнозов, посчитанных с начальных условий, построенных путем внесения небольших возмущений в исходное начальное состояние [31-33]. Подобная техника используется, например, в прогностической системе SEAS5 Европейского центра среднесрочных прогнозов погоды (The European Centre for Medium-Range Weather Forecasts (ECMWF) fifth generation seasonal forecast system (SEAS5)) [34]. Однако составление оптимального набора начальных условий для создания ансамблевого прогноза модели, состоящей из взаимосвязанных компонентов, при ограниченном количестве вычислительных ресурсов является нетривиальной задачей [21]. Другой метод составления ансамбля прогнозов - запаздывающая инициализация (lagged initialization) - заключается в создании серии прогнозов с начальных состояний, отделенных друг от друга временным интервалом (например, в 6 часов/один день/одну неделю и т.д.) или комбинациями временных интервалов для атмосферы или океана [35]. Запаздывающая инициализация применяется в прогностической системе National Centers for Environmental Prediction (NCEP) Climate Forecast System Version 2 (CFSv2) [36]. Ещё один метод состоит в ансамблевом усвоении (ensemble assimilation), использующем циклическую ассимиляцию данных в два этапа. Ансамбль прогнозов используется для оценки статистики ошибок прогноза на этапе ассимиляции данных, а результат ассимиляции представляет собой набор анализов. Затем процесс повторяется: краткосрочные ансамблевые прогнозы из набора анализов снова предоставляют статистику ошибок для следующего цикла ассимиляции. Члены прогностического ансамбля в данном случае получаются из членов техники ансамблевого усвоения. Получаемый результат в виде ансамбля прогнозов помимо ожидаемых значений физических параметров показывает и вероятность их осуществления. В связи с наличием тренда, связанного с несогласованностью начальных данных и модельного климата, прогноз, как правило, составляется в терминах аномалий, т.е. отклонения прогнозируемых величин от модельной климатологии. Для задачи сезонного прогнозирования климатологией обычно служат сезонные прогнозы за прошлые годы. Для наличия возможности регулярного расчета оперативных сезонных прогнозов, например раз в месяц, предварительно

требуется рассчитать климатологии для определенного числа каждого месяца. В данной работе модельной климатологией за 1980-2014 гг. являются данные ансамбля исторических расчетов климатической модели ИВМ РАН. Такой способ вычисления климатологии является универсальным, поскольку пригоден для создания оперативного прогноза с любой даты. Ансамблевые прогнозы зачастую используются национальными и региональными службами для своевременного обнаружения надвигающихся климатических катастроф и оповещения населения о них, поскольку отдельные члены ансамбля могут информировать о возможных экстремальных аномалиях. Осреднение по ансамблю дает более реалистичный (оправдываемый) прогноз погоды, чем единичный (детерминированный) вариант использования начальных данных.

Второй вид неопределенности, называемый систематической ошибкой, исходит из ошибок в модельном климате и климатической изменчивости [21]. В [37] показано, что модели, имеющие большие систематические ошибки, как правило, демонстрируют более низкое качество прогноза. Причины систематических ошибок лежат в упрощении уравнений гидродинамики для их численного решения, ограниченное пространственное и временное разрешение моделей, подразумевающее использование параметризаций подсеточ-ных процессов, а также отсутствие знания всех аспектов физики природной климатической системы [32]. Некоторыми техниками, используемыми для уменьшения систематической ошибки, являются применение мультимодель-ного ансамбля, возмущение параметров в физических параметризациях модели [38] и введение стохастических параметризаций [39], обрабатывающих физические процессы подсеточного масштаба вероятностным способом, добавляя дополнительные слагаемые в модельные уравнения с использованием упрощенных линейных и нелинейных стохастических моделей. Исследования показывают, что прогноз мультимодельных ансамблей, как правило, превосходит по качеству прогноз лучшей прогностической системы, входящей в ансамбль [40-42].

На данный момент в мире существует целый ряд прогностических центров, создающих, модифицирующих и использующих глобальные климатические модели: European Center for Medium-Range Weather Forecasts ECMWF (SEAS5 [43]), Met Office (HadGEM3 [44])), National Center for Atmospheric

Research NCAR (Community Earth System Model 2 - CESM2 [45]), National Environmental Forecasting Centers NCEP (Global Forecast System - GFS), Global Modeling and Assimilation Office GMAO (Goddard Earth Observing System - GEOS5 [46]) и т. д.

Начиная с 1995 года всемирной организацией по исследованию климата (WCRP - World Climate Research Programme) в рамках проектов CMIP (Coupled Model Intercomparison Project) проводится сравнение климатических моделей по качеству предоставляемого ими прогноза для разных сценариев (например, CMIP6 [47]). Результаты подобных проектов подтверждают, что за последние десятилетия ошибки модельного климата уменьшаются, поскольку повышается пространственное разрешение и усовершенствуется параметризация процессов подсеточного масштаба [48]. Климатическая модель ИВМ РАН также участвует в сравнении CMIP, фазы 2, 3, 5, 6, что требует проверки качества модельного прогноза согласно общепринятым методам верификации.

В 2005 году появилась концепция бесшовного прогноза (многомасштабной модели атмосферы [49,50]). Она заключается в том, что в связи с нелинейностью атмосферы в ней не существует искусственного деления на ме-зомасштабные, синоптические, сезонные и межгодовые масштабы. Процессы, происходящие на одном временном масштабе, оказывают влияние и на состояние системы на других временных масштабах. Таким образом, для удовлетворения условиям конкурентоспособности к современным моделям общей циркуляции атмосферы предъявляется требование адекватного воспроизведения процессов всех временных масштабов, независимо от того, для воспроизведения какого временного масштаба модель изначально разрабатывалась. Данное требование приводит к необходимости наличия совместной модели Земной системы, состоящей из различных блоков: общей циркуляции атмосферы, динамики океана, деятельного слоя почвы, морского льда, малых газовых составляющих и т. д. Ранее подобные совместные модели применялись, в основном, при моделировании изменений климата, а сейчас применяются при прогнозировании погоды на различных временных масштабах [51]. Например, в работе [52] отмечена важность применения совместной модели океана и льда для краткосрочного прогноза погоды на восточном побережье

Канады.

Исторически существовали разные пути развития моделей прогноза погоды и климата. Одни модели изначально развивались как единое целое. Примером является UK Met Office Unified Model (MetUM) Метеослужбы Великобритании, используемая с 1990-ых годов для прогнозов различной за-благовременности и пространственного масштаба - от краткосрочных прогнозов с разрешением 1.5 км [53] до прогнозов модели Земной системы на несколько десятилетий [54]. Усовершенствование модели прогноза погоды принималось в оперативную эксплуатацию при обязательном тестировании усовершенствований в рамках протокола AMIP и неухудшении при этом модельного климата. В других моделях развитие сезонного прогноза погоды происходило таким образом, что численные модели, используемые для краткосрочного и среднесрочного прогноза, т.е. на срок от суток до одной-двух недель, начинали применяться и на сезонном временном масштабе. Такова, например, модель ПЛАВ, использующаяся для прогноза на срок от нескольких суток до сезона в ФГБУ «Гидрометцентр России» [55,56]. В настоящей работе представлен другой подход, когда для сезонного прогноза производится и оценивается попытка применения модели, изначально разработанной и используемой только для численных экспериментов по воспроизведению климата.

При верификации долгосрочного прогноза наиболее важным фактором, определяющим качество составленного прогноза, является оценка способности модели воспроизводить характерные для данного временного масштаба периодические процессы, существующие в Земной системе и определяющие тенденцию развития аномалий отдельных метеополей. Первые эксперименты по воспроизведению сезонных аномалий климата относятся ещё к 1970-ым годам [57], но наибольший интерес эта тема вызвала в последние десятилетия, благодаря значительному прогрессу в развитии моделей общей циркуляции океана и атмосферы, а также успехам в области усвоения данных дистанционного зондирования Земли [58]. По сравнению с краткосрочными прогнозами, сезонный прогноз основан на воспроизведении атмосферных мод с низкочастотной изменчивостью, таких как Североатлантическое колебание, Арктическое колебание, явление Эль-Ниньо, осцилляция Маддена-

Джулиана [50]. Поскольку состояние океана меняется медленнее, чем состояние атмосферы, указанные моды зачастую связаны с температурой поверхности океана (ТПО) в определенных регионах. Например, в [59,60] показано, что средняя за зимний сезон температура на большей части Европы имеет отрицательную корреляцию с ТПО в северных морях предыдущей осенью. Температура поверхности тропической части Атлантического и Индийского океана также оказывает большое влияние на климатическую изменчивость прилегающих регионов [61]. Эксперименты показывают, что на приземную температуру воздуха зимой в Европе оказывает влияние стратосферная изменчивость [62]. Известно, что сезонная предсказуемость исходит в том числе от тропосферно-стратосферного взаимодействия, связанного с явлениями квазидвухлетнего колебания (КДК) [63] и внезапных стратосферных потеплений (ВСП) [64,65]. Более близкое к действительности отображение почвенного компонента в модели может повысить качество прогноза осадков и температуры на внутрисезонных и сезонных временных масштабах [21]. Исследования демонстрируют важность правильного отображения влажности почвы и снежного покрова для прогнозов такого временного масштаба [66]. Некоторые исследования, выполненные на основе данных наблюдения и модельных данных, показывают влияние снежного покрова на такие крупномасштабные моды климатической изменчивости, как Североатлантическое колебание (САК) [67,68], Тихоокеанско-Североамериканское колебание (ТСА) [69]. Одним из наименее изученных потенциальных источников предсказуемости является морской лед, в том числе остается открытым вопрос, улучшает ли инициализация морского льда прогноз сезонной климатической изменчивости [21]. В настоящее время прогностические системы задают морской лед различными способами: в одних моделях предписывается климатология морского льда [70], в других используется интерактивный блок термодинамики морского льда, инициализируемый при помощи данных наблюдения [71]. В то время как одни исследования демонстрируют более длительную предсказуемость площади морского льда для льда, обладающего большей, чем в среднем, толщиной в начальном состоянии по сравнению со льдом с меньшей, чем в среднем, толщиной в начальный момент времени [72], другие исследования [73] утверждают, что предсказуемость параметров

Арктического льда на срок, превышающий три года, определяется в большей степени внешним воздействием, чем начальным состоянием. Некоторые исследования высказывают предположения о воздействии аномальной площади морского льда весной на атмосферную циркуляцию в Северном полушарии [74,75]. Показано влияние морского льда на положение шторм-треков в Северной Атлантике [76] и на зимнюю атмосферную циркуляцию [77]. Кроме того, сезонная предсказуемость также может быть обусловлена такими важными источниками нестационарности климатической системы, как долгосрочные изменения состава атмосферного воздуха, в частности, увеличение концентрации парниковых газов и аэрозолей, изменение подстилающей поверхности [21]. Свой вклад в сезонную предсказуемость вносят и извержения вулканов, меняющие состав атмосферного аэрозоля, и, следовательно, радиационный баланс [78], а также изменения солнечной активности, которые способны влиять на атмосферную циркуляцию [79].

Часть указанных явлений, определяющих погоду на сезонном временном масштабе, могут являться источниками предсказуемости и на временных интервалах 1-10 лет, например, Североатлантическое колебание, явления Эль-Ниньо и Ла-Нинья, а так же такие факторы, как стратосферная изменчивость (в основном благодаря изменению концентрации озона и водяного пара), 11-летний цикл солнечной активности. На многолетних же, или климатических, временных масштабах важными составляющими являются изменения температуры поверхности океана в Северной Атлантике (так называемая Атлантическая мультидекадная осцилляция (АМО)), Тихоокеанское декадное колебание (ТДК), медленно меняющийся состав стратосферы и поток солнечной энергии [50]. Изменения температуры поверхности океана в Северной Атлантике связаны с изменчивостью Атлантической меридиональной опрокидывающей циркуляции (АМОЦ), исходящей из вариации внешних воздействий (таких как вулканическая активность и парниковые газы), а также под воздействием внутренней изменчивости. В исследованиях [80,81] показано, что АМО и АМОЦ могут быть потенциально предсказуемы на несколько лет вперед, а также могут быть предсказуемы связанные с ними изменения климата в Европе, Америке и африканском Сахеле, а также интенсивность и положение шторм-треков в Атлантике [82-84]. Тихоокеан-

ское декадное колебание также связано с климатическими воздействиями на территории Азии, Африки, Америки и Австралии на декадных временных масштабах [85,86], однако данная взаимосвязь на данный момент менее изучена и потенциальная предсказуемость ниже, чем для АМО [87]. Диполь Индийского океана (ДИО) отвечает за изменение ветра и осадков в Африке и Индии на временных масштабах нескольких лет [88]. Воздействие изменений солнечной активности на декадную изменчивость невелико и может приводить к изменениям глобальной температуры порядка 0.1 °С [89], а также влиять на температуру в стратосфере и вызывать небольшие изменения в тропической атмосферной циркуляции [90,91], оказывать влияние с трех-четырехлетним запаздыванием на индекс Североатлантического колебания [92]. Вулканический аэрозоль, выбрасываемый в стратосферу, влияет на глобальную и локальную температуру в течение одного-двух лет, а также на атмосферную циркуляцию и гидрологический цикл. Вулканическая активность также может оказывать влияние на океаническую циркуляцию и теплосодержание на временных масштабах от нескольких лет до десятилетий, что имеет важное значение для декадной предсказуемости [93].

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Воробьева Василиса Васильевна, 2022 год

Список литературы

1. Дымников В. П., Лыкосов В. Н., Володин Е. М. Проблемы моделирования климата и его изменений // Изв. РАН, ФАО. — 2006. — Т. 42, № 5.— С. 618-636.

2. Impact of global ocean surface warming on seasonal-to-interannual climate prediction / J.-J. Luo, S. K. Behera, Y. Masumoto, T. Yamagata // J. Clim. — 2011.— Vol. 24.— P. 1626-1646.

3. Shukla J., Kinter J. L. Predictability of seasonal climate variations: a pedagogical review. Predictability of weather and climate. — Cambridge : Cambridge University Press, 2006. — P. 306-341.

4. Improved surface temperature prediction for the coming decade from a global climate model / D. M. Smith, S. Cusack, A. W. Colman et al. // Science. — 2007. — Vol. 317. — P. 796-799.

5. Climate change 2007: the Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Summary for Policymakers / S. Solomon, D. Qin, M. Manning et al. — Cambridge University Press, 2007.

6. Sensitivity of decadal predictions to the initial atmospheric and oceanic perturbations / H. Du, F. J. Doblas-Reyes, J. García-Serrano et al. // Climate Dyn. — 2012. — Vol. 39. — P. 2013-2023.

7. A two-tiered approach to long-range climate forecasting / L. Bengtsson, U. Schlese, E. Roeckner et al. // Science. — 1993. — Vol. 261. — P. 10261029.

8. Global seasonal rainfall forecasts using a coupled ocean-atmosphere model / T. N. Stockdale, D. L. T. Anderson, J. O. S. Alves, M. A. Balmaseda // Nature. — 1998. — Vol. 392. — P. 370-373.

9. Fan K. A prediction model for Atlantic named storm frequency using a year-by-year increment approach // Weather Forecast. — 2010. —

Vol. 25.-P. 1842-1851.

10. Dool H. V. D. Empirical methods in short-term climate prediction. — Oxford, USA : Oxford University Press, 2007.

11. Lang X. M., Wang H. J. Improving extra-seasonal summer rainfall prediction by merging information from GCM and observation // Weather Forecast. —2010.—Vol. 25. — P. 1263-1274.

12. Forecast assimilation: a unified framework for the combination of multimodel weather and climate predictions / D. B. Stephenson, C. A. S. Coelho, F. J. Doblas-Reyes, M. Balmaseda // Tellus A: Dynamic Meteorology and Oceanography. — 2005. — Vol. 57, no. 3. — P. 253-264.

13. Did the ECMWF seasonal forecast model outperform statistical ENSO forecast models over the last 15 years? / G. J. van Oldenborgh, M. A. Balmaseda, L. Ferranti et al. // J. Clim. — 2005. — Vol. 18. — P. 3240-3249.

14. Tippett M. K., Barnston A. G., Li S. Performance of recent multimodel ENSO forecasts // J. Appl. Meteorol. Climatol. — 2012. — Vol. 51.— P. 637-654.

15. Statistical prediction of ENSO from subsurface sea temperature using a nonlinear dimensionality reduction / C. H. R. Lima, U. Lall, T. Jebara, A. G. Barnston // J. Clim. — 2009. — Vol. 22. — P. 4501-4519.

16. Cohen J., Jones J. A new index for more accurate winter predictions // Geophys. Res. Lett. — 2012. — Vol. 38.— P. 1-6.

17. Seasonal predictability of wintertime precipitation in Europe using the snow advance index / S. Brands, R. Manzanas, J. M. Gutierrez, J. Cohen // J. Clim. — 2012. — Vol. 25. — P. 4023-4028.

18. Assessment of the long-lead probabilistic prediction for the Asian summer monsoon precipitation (1983-2011) based on the APCC multimodel system and a statistical model / S.-J. Sohn, Y.-M. Min, J.-Y. Lee et al. // J. Geophys. Res.— 2012.—Vol. 117.— P. 1-12.

19. How predictable is European winter climate a season ahead? / C. K. Folland, A. A. Scaife, J. Lindesay, D. B. Stephenson // Int. J. Climatol.-2012.-Vol. 32. - P. 801-818.

20. Schepen A., Wang Q. J., Robertson D. E. Combining the strengths of statistical and dynamical modeling approaches for forecasting Australian seasonal rainfall // J. Geophys. Res. - 2012. - Vol. 117. - P. 1-9.

21. Seasonal climate predictability and forecasting: status and prospects / F. J. Doblas-Reyes, J. García-Serrano, F. Lienert et al. // WIREs Clim. Change. - 2013. - Vol. 4. - P. 245-268.

22. Drobbot S. D., Maslanik J. A., Fowler C. A long-range forecast of Arctic summer sea-ice minimum extent // Geophys. Res. Lett. -2006. -Vol. 33.-P. 1-4.

23. Seasonal predictions of ice extent in the Arctic Ocean / R. W. Lindsay, J. Zhang, A. J. Schweiger, M. A. Steele // J. Geophys. Res. - 2008. -Vol. 113.-P. 1-11.

24. Holland M. M., Stroeve J. Changing seasonal sea ice predictor relationships in a changing Arctic climate // Geophys. Res. Lett. - 2011. -Vol. 38.-P. 1-6.

25. Kug J. S., Kang I. S., Choi D. H. Seasonal climate predictability with Tierone and Tier-two prediction systems // Clim. Dyn. - 2008. - Vol. 31.-P. 403-416.

26. Evaluation of atmospheric fields from the ECMWF seasonal forecasts over a 15-year period / G. J. van Oldenborgh, M. A. Balmaseda, L. Ferranti et al. // J. Clim. - 2005. - Vol. 18. - P. 3250-3269.

27. Rodrigues L. R. L., Doblas-Reyes F. J., Coelho C. A. S. Multi-model calibration and combination of tropical seasonal sea surface temperature forecasts // Clim. Dyn. - 2013. - Vol. 42, no. 3-4. - P. 597-616.

28. Thangaraj S. Oceans role in global climate // Mod. App. Ocean and Petr. Sci.-2019.-Vol. 3, no. 1.-P. 227-228.

29. Simulation of the present day climate with the climate model INMCM5 /

E. M. Volodin, E. V. Mortikov, S. V. Kostrykin et al. // Clim. Dyn. — 2017.—Vol. 49.— P. 3715-3734.

30. Slingo J., Palmer T. N. Uncertainty in weather and climate prediction // Phil. Trans. Roy. Soc. A. — 2011. — Vol. 369.— P. 4751-4767.

31. Kalnay E. Atmospheric modelling, data assimilation and predictability. — Cambridge, United Kingdom : Cambridge University Press, 2003. — 369 p.

32. Palmer T. N. Predicting uncertainty in forecasts of weather and climate // Rep. Prog. Phys. — 2000. — Vol. 63. —P. 71-116.

33. Gneiting T., Raftery A. E. Weather forecasting with ensemble methods // Science. — 2005. — Vol. 310. — P. 248-249.

34. SEAS5: the new ECMWF seasonal forecast system / S. J. Johnson, T. N. Stockdale, L. Ferranti et al. // Geosci. Model Dev. — 2019. — Vol. 12.— P. 1087-1117.

35. R. N. Hoffman E. Kalnay. Lagged average forecasting, an alternative to Monte Carlo forecasting // Tellus A: Dynamic Meteorology and Oceanography. — 1983.—Vol. 35.— P. 100-118.

36. The NCEP Climate Forecast System Version 2 / S. Saha, S. Moorthi, X. Wu et al. // J. Clim. — 2014. — Vol. 27. — P. 2185-2208.

37. DelSole T., Shukla J. Model fidelity versus skill in seasonal forecasting // J. Clim. — 2010. — Vol. 23. — P. 4794-4806.

38. Addressing model uncertainty in seasonal and annual dynamical seasonal forecasts / F. J. Doblas-Reyes, A. Weisheimer, M. Deque et al. // Q. J. Roy. Meteorol. Soc. — 2009. — Vol. 135.— P. 1538-1559.

39. Impact of a cellular automaton backscatter scheme on the systematic error and seasonal prediction skill of a global climate model / J. Berner,

F. J. Doblas-Reyes, T. N. Palmer et al. // Phil. Trans. Roy. Soc. A. — 2008. — Vol. 366. — P. 2561-2579.

40. Hagedorn R., Doblas-Reyes F. J., Palmer T. N. The rationale behind the success of multi-model ensembles in seasonal forecasting. Part I: Basic concept // Tellus A: Dynamic Meteorology and Oceanography. — 2005. — Vol. 57.— P. 219-233.

41. Weigel A., Liniger M. A., Appenzeller C. Can multimodel combination really enhance the prediction skill of probabilistic ensemble forecasts? // Q. J. Roy. Meteorol. Soc. — 2008. — Vol. 134.— P. 241-260.

42. Batte L., Deque M. Seasonal predictions of precipitation over Africa using coupled ocean-atmosphere general circulation models: skill of the ENSEMBLES project multimodel ensemble forecasts // Tellus A: Dynamic Meteorology and Oceanography. — 2011. — Vol. 63. — P. 283-299.

43. Stockdale T., Johnson S., et al. L. Ferranti. ECMWF's new long-range forecasting system SEAS5 // ECMWF Newslett. — 2018. — no. 154.— P. 15-20.

44. Design and implementation of the infrastructure of HadGEM3: the next-generation Met Office climate modelling system / H. T. Hewitt, D. Copsey, I. D. Culverwell et al. // Geosci. Model Dev. — 2011. — Vol. 4, no. 2. — P. 223-253.

45. The Community Earth System Model Version 2 (CESM2) / G. Danabasoglu, J.-F. Lamarque, J. Bacmeister et al. // Journal of Advances in Modeling Earth Systems. — 2020. — no. 12. — P. 1-35.

46. GEOS-5 seasonal forecast system / A. Borovikov, R. I. Cullather, R. M. Kovach et al. // Clim. Dyn. — 2019. — Vol. 53, no. 1-2. — P. 127.

47. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization / V. Eyring, S. Bony, G. A. Meehl et al. // Geosci. Model Dev. — 2016. — Vol. 9, no. 5. — P. 1937-1958.

48. Толстых М.А. Глобальные модели атмосферы: современное состояние и перспективы развития // Труды Гидрометцентра России. — 2016. — Т.

359.-С. 5-32.

49. Climate model fidelity and projections of climate change / J. Shukla, T. DelSole, M. J. Fennessy et al. // Geophys. Res. Lett. - 2006. -Vol. 33.-P. 1-4.

50. Hoskins B. The potential for skill across the range of the seamless weather-climate prediction problem: a stimulus for our science // Quart. J. Roy. Meteorol. Soc. - 2013. - Vol. 139.-P. 573-584.

51. Параллельная реализация совместной модели атмосферы и океана для бесшовного прогноза погоды и моделирования изменений климата / Р. Ю. Фадеев, К. В. Ушаков, М. А. Толстых и др. // "Суперкомпьютерные дни в России" // Труды международной конференции. 2016. -М.: Изд-во: Московский государственный университет им. М.В. Ломоносова, 2016. - С. 398-406.

52. Impact of a two-way coupling between an atmospheric and an ocean-ice model over the Gulf of St. Lawrence / P. Pellerin, H. Ritchie, F. J. Saucier et al. // Mon. Weather Rev. - 2004. - Vol. 132, no. 6. - P. 1379-1398.

53. COLPEX: field and numerical studies over a region of small hills / J. D. Price, S. Vosper, A. Brown et al. // B. Am. Meteorol. Soc. -2011. -no. 92.-P. 1636-1650.

54. Development and evaluation of an Earth-System model - HadGEM2 / W. J. Collins, N. Bellouin, M. Doutriaux-Boucher et al. // Geosci. Model Dev.-2011.-no. 4.-P. 1051-1075.

55. Система моделирования атмосферы для бесшовного прогноза / М. А. Толстых, В. В. Шашкин, Р. Ю. Фадеев и др. - М. : Триада лтд, 2017. - 166 с.

56. Развитие глобальной полулагранжевой модели атмосферы ПЛАВ в 2009-2019гг. / М. А. Толстых, Р. Ю. Фадеев, В. В. Шашкин et al. // Гидрометеорологические исследования и прогнозы. -2019. - Vol. 4, no. 374.-P. 77-91.

57. The physical basis of climate and climate modelling // Report of the International Study Conference in Stockholm GARP Publications Series no. 16.— Geneva: World Meteorological Organization, 1975.

58. IPCC Fourth Assessment Report // Intergovernmental Panel on Climate Change / Eds: Solomon S.D., Qin D., Manning M. et al. — Cambridge : Cambridge University Press, 2007. — 996 p.

59. Improved teleconnection-based dynamical seasonal predictions of boreal winter / M. Dobrynin, D. Domeisen, W. Muller et al. // Geophys. Res. Lett. — 2018. — Vol. 45, no. 8. — P. 3605-3614.

o

60. Kolstad E. W., Arthun M. Seasonal prediction from Arctic sea surface temperatures: Opportunities and pitfalls // J. Climate. — 2018. — Vol. 31, no. 20.— P. 8197-8210.

61. Current approaches to seasonal-to-interannual climate predictions / L. Goddard, S. J. Mason, S. E. Zebiak et al. // Int. J. Climatol. — 2001. — Vol. 21. —P. 1111-1152.

62. Ineson S., Scaife A. A. The role of the stratosphere in the European climate response to El Nino // Nat. Geosci. — 2009. — Vol. 2. — P. 32-36.

63. Marshall A. G., Scaife A. A. Impact of the QBO on surface winter climate //J. Geophys. Res. — 2009. — Vol. 114.— P. 1-6.

64. Marshall A. G., Scaife A. A. Improved predictability of stratospheric sudden warming events in an atmospheric general circulation model with enhanced stratospheric resolution // J. Geophys. Res. — 2010. — Vol. 115. —P. 1-7.

65. Orsolini Y. J., Kindem I. T., Kvamsto N. G. On the potential impact of the stratosphere upon seasonal dynamical hindcasts of the North Atlantic Oscillation: a pilot study // Clim. Dyn. — 2011. — Vol. 36. — P. 579-588.

66. Walsh J. E., Ross B. Sensitivity of 30-day dynamical forecasts to continental snow cover // J. Clim. — 1988. — Vol. 1. — P. 739-754.

67. Gong G., Entekhabi D., Cohen J. A large-ensemble model study of the

wintertime AO-NAO and the role of interannual snow perturbations // J. Clim.-2002.-Vol. 16.-P. 3917-3931.

68. Stratosphere-troposphere coupling and link with Eurasian land-surface variability / J. Cohen, M. Barlow, P. J. Kushner, K. Saito // J. Clim. — 2007. — Vol. 20. — P. 5335-5343.

69. Peings Y., Saint-Martin D., Douville H. A numerical sensitivity study of the influence of Siberian snow on the Northern Annular Mode //J. Clim. — 2012. —Vol. 25. —P. 592-607.

70. ECMWF seasonal forecast System 3 and its prediction of sea surface temperature / T. N. Stockdale, D. L. T. Anderson, M. A. Balmaseda et al. // Clim. Dyn. — 2011. — Vol. 37. — P. 455-471.

71. The GloSea4 ensemble prediction system for seasonal forecasting / A. Arribas, S. Cusack, M. Glover et al. // Mon. Weather Rev. — 2011. — Vol. 139. —P. 1891-1910.

72. Holland M. M., Serreze M. C., Stroeve J. The sea ice mass budget of the Arctic and its future change as simulated by coupled climate models // Clim. Dyn.— 2010.—Vol. 34. — P. 185-200.

73. Blanchard-Wrigglesworth E., Blitz C. M., Holland M. M. Influence of initial conditions and climate forcing on predicting Arctic sea ice // Geophys. Res. Lett. — 2011. — Vol. 38.— P. 1-5.

74. Chevallier M., Salas-Melia D. The role of sea ice thickness distribution in the Arctic sea ice potential predictability: a diagnostic approach with a coupled GCM // J. Clim. — 2012. — Vol. 25. — P. 3025-3038.

75. Autumn atmospheric response to the 2007 low Arctic sea ice extent in coupled ocean-atmosphere hindcasts / Y. J. Orsolini, R. Senan, R. Benestad, A. Melsom // Clim. Dyn. — 2012. — Vol. 38. — P. 2437-2448.

76. Impact of 2007 and 2008 Arctic ice anomalies on the atmospheric circulation: implications for long-range predictions / M. A. Balmaseda, L. Ferranti, F. Molteni, T. N. Palmer // Q. J. Meteorol. Soc. — 2010. —

Vol. 136.-P. 1655-1664.

77. Winter Northern Hemisphere weather patterns remember summer Arctic sea-ice extent / J. A. Francis, W. Chan, D. J. Leathers et al. // Geophys. Res. Lett.-2009.-Vol. 36.-P. 1-5.

78. Robock A. Stratospheric forcing needed for dynamical seasonal prediction // Bull. Am. Meteorol. Soc. - 2001. - Vol. 82. - P. 2189-2192.

79. Solar forcing of winter climate variability in the Northern Hemisphere / S. Ineson, A. A. Scaife, J. R. Knight et al. // Nat. Geosci. - 2011. -Vol. 4. - P. 753-757.

80. Griffes S. M., Bryan K. Predictability of North Atlantic multidecadal climate variability // Science. - 1997. - Vol. 275, no. 5297. - P. 181-184.

81. Dunstone N. J., Smith D. M. Impact of atmosphere and sub-surface ocean data on decadal climate prediction // Geophys. Res. Lett. -2010. -Vol. 37.-P. 1-5.

82. Knight J. R., Folland C. K., Scaife A. A. Climate impacts of the Atlantic Multidecadal Oscillation // Geophys. Res. Lett. - 2006. - Vol. 33. - P. 14.

83. Sutton R., Hodson D. Climate response to basin-scale warming and cooling of the North Atlantic Ocean //J. Clim. - 2007. - Vol. 20, no. 5.-P. 891907.

84. Sutton R., Dong B. Atlantic Ocean influence on a shift in European climate in the 1990s // Nature Geoscience. - 2012. - Vol. 5. - P. 788-792.

85. Inter-decadal modulation of the impact of ENSO on Australia / S. Power, T. Casey, C. Folland et al. // Clim. Dyn. - 1999. - Vol. 15. - P. 319-324.

86. Deser C., Phillips A. S., Hurrell J. W. Pacific interdecadal climate variability: linkages between the tropics and the North Pacific during boreal winter since 1900 // J. Clim. - 2004. - Vol. 17. - P. 3109-3124.

87. Suckling E. Seasonal-to-decadal climate forecasting. In: Weather and

climate services for the energy industry. — Springer International Publishing, 2018.— P. 123-137.

88. Coupled ocean-atmosphere dynamics in the Indian Ocean during 1997-98 / P. J. Webster, A. M. Moore, J. P. Loschnigg, R. Leben // Nature. — 1999. —Vol. 401. —P. 356-360.

89. Lean J. L., Rind D. H. How natural and anthropogenic influences alter global and regional surface temperatures: 1889 to 2006 // Geophys. Res. Lett. — 2008. — Vol. 35. — P. 1-6.

90. Solar influences on climate / L. J. Gray, J. Beer, M. Geller et al. // Rev. Geophys.— 2010.—Vol. 48.— P. 1-53.

91. Are cold winters in Europe associated with low solar activity? / M. Lockwood, R. G. Harrison, T. Woollings, S. K. Solanki // Environ. Res. Lett.— 2010. —Vol. 5.— P. 1-7.

92. Eleven-year solar cycle signal in the NAO and Atlantic/European blocking / L. J. Gray, T. J. Woollings, M. Andrewscand, J. Knight // Q. J. R. Meteorol. Soc. — 2016. — Vol. 142. —P. 1890-1903.

93. Marshall A. G., Scaife A. A., Ineson S. Enhanced seasonal prediction of European winter warming following volcanic eruptions // J. Clim. — 2009. —Vol. 22. —P. 6168-6180.

94. The ERA-Interim reanalysis: configuration and performance of the data assimilation system / D. P. Dee, S. M. Uppala, A. J. Simmons et al. // Q.J.R. Meteorol. Soc. — 2011. — Vol. 137.— P. 553-597.

95. ERA-Interim daily data on pressure levels from 1979 to 2019. — URL: https://apps.ecmwf.int/datasets/data/interim-full-daily/levtype=pl/ (online; accessed: 19.04.2019).

96. ERA-Interim daily data on single levels from 1979 to 2019. — URL: https://apps.ecmwf.int/datasets/data/interim-full-daily/levtype=sfc/ (online; accessed: 19.04.2019).

97. Carton J. A., Chepurin G. A., Chen L. SODA3: A New Ocean Climate Reanalysis //J. Clim. - 2018. - Vol. 31, no. 17.-P. 6967-6983.

98. SODA3.4.2 download page. — URL: https://www2.atmos.umd.edu/ ^ocean/index_files/soda3.4.2_mn_download_b.htm (online; accessed: 22.12.2019).

99. The ERA5 global reanalysis / H. Hersbach, B. Bell, P. Berrisford, S. Hirahara // Q.J.R. Meteorol. Soc. — 2020. — Vol. 146. — P. 1999-2049.

100. ERA5 hourly data on pressure levels from 1979 to present. — URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-pressure-levels?tab=form (online; accessed: 19.05.2020).

101. ERA5 hourly data on single levels from 1979 to present. — URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels?tab=form (online; accessed: 19.05.2020).

102. Крупномасштабная циркуляция океана и характеристики ледового покрова по данным численных экспериментов с использованием модели NEMO / В.Н. Степанов, Ю.Д. Реснянский, Б.С. Струков, А.А. Зелень-ко // Метеорология и гидрология. — 2019. — № 1. —С. 50-66.

103. Full-field and anomaly initialization using a low-order climate model: a comparison and proposals for advanced formulations / A. Carrassi, R. J. T. Weber, V. Guemas et al. // Nonlin. Processes Geophys. — 2014. — Vol. 21. —P. 521-537.

104. Scaife A. A., Smith D. A signal-to-noise paradox in climate science // npj Clim. Atmos. Sci. — 2018. — Vol. 1. —P. 1-8.

105. The ECMWF operational ensemble reanalysis-analysis system for ocean and sea ice: a description of the system and assessment / H. Zuo, M. A. Balmaseda, S. Tietsche et al. // Ocean Sci. — 2019. — Vol. 15.— P. 779-808.

106. Standardised Verification System (SVS) for Long-Range Forecasts (LRF) // New Attachment II-9 to the Manual on the GDPS (WMO-No.

485). - Version 3.0 - August 12 2002. - Vol. I.

107. Свидетельство о государственной регистрации программы для ЭВМ №2022611762 от 1 февраля 2022 г. «Информационно-вычислительная система построения начального состояния для климатической модели ИВМ РАН» / В. В. Воробьева, Е. М. Володин. - 2022.

108. Simulation of the modern climate using the INM-CM48 climate model / E. Volodin, E. Mortikov, S. Kostrykin et al. // Russ. J. Numer. Anal. Math. Modelling. - 2018. - Vol. 33, no. 6. - P. 367-374.

109. Воробьева В. В., Володин Е. М. Исследование структуры и предсказуемости первой моды изменчивости в стратосфере на основе климатической модели ИВМ РАН // Метеорология и гидрология. - 2018. -№ 11.-С. 41-48.

110. Vorobyeva V. V., Volodin E. M. Investigation of the structure and predictability of the first mode of stratospheric variability based on the INM RAS climate model // Russian Meteorology and Hydrology. — 2018. — Vol. 43, no. 11.-P. 737-742.

111. Воробьева В. В., Володин Е. М. Исследование главных мод естественной изменчивости в климатической модели ИВМ РАН // Сборник трудов CITES-2017.-2017.-С. 128-131.

112. Воробьева В. В., Володин Е. М. Исследование главных мод естественной изменчивости в климатической модели ИВМ РАН // Климатические процессы: XXI Всероссийская школа-конференция молодых ученых, Бо-рок 6-10 июня 2017г.: тезисы докладов/[отв.ред. С. В. Анисимов]. -Ярославль: Филигрань, 2017. - 88 c.

113. Воробьева В. В., Володин Е. М. Анализ предсказуемости погоды на сезонном временном масштабе для климатической модели ИВМ РАН // Состав атмосферы. Атмосферное электричество. Климатические процессы : тезисы докладов XXIII Всероссийской школы-конференции молодых ученых / Геофизическая обсерватория «Борок» - филиал Института физики Земли им. О.Ю. Шмидта. - Ярославль: Филигрань, 2020. - 124 c.

114. Воробьева В. В., Володин Е. М. Сезонные ретроспективные прогнозы, выполненные на основе климатической модели ИВМ РАН // Математическое моделирование и суперкомпьютерные технологии. Труды XX Международной конференции (Н. Новгород, 23-27 ноября 2020 г.) / Под ред. проф. В.П. Гергеля. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2020. - 438 c.

115. Воробьева В. В., Володин Е. М. Экспериментальные исследования сезонной предсказуемости погоды, выполненные на основе климатической модели ИВМ РАН // Матем. моделирование. - 2020. - Т. 32, № 11. -С. 47-58.

116. Vorobyeva V. V., Volodin E. M. Experimental studies of seasonal weather predictability based on the INM RAS climate model // Mathematical Models and Computer Simulations. - 2021. - Vol. 13, no. 4. - P. 571578.

117. Vorobyeva V. V., Volodin E. M. Analysis of the predictability of stratospheric variability and climate indices based on seasonal retrospective forecasts of the INM RAS climate model // Russ. J. Numer. Anal. Math. Modelling.-2021.-Vol. 36, no. 2.-P. 117-126.

118. Vorobyeva V. V., Volodin E. M. 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.-P. 1-12.

119. Воробьева В. В., Володин Е. М. Исследование качества летних сезонных ретроспективных прогнозов, выполненных на основе климатической модели ИВМ РАН // Сборник трудов CITES-2021. - 2021. - С. 10-14.

120. Влияние начального состояния океана на воспроизведение сезонных аномалий для зимы 2019-2020гг. в ретроспективных прогнозах климатической модели ИВМ РАН / М. А. Тарасевич, В. В. Воробьева, А. Ю. Черненков и др. // Математическое моделирование и суперкомпьютерные технологии. Труды XXI Международной конференции (Н.

Новгород, 22-26 ноября 2021 г.) / Под ред. проф. Д.В. Баландина. -Нижний Новгород: Изд-во Нижегородского госуниверситета, 2021. -423 c.

121. Vorobyeva V. V., Volodin E. M. «On the multi-annual to decadal potential predictability of the Arctic Ocean state in the INM RAS climate model» in Proceedings of the Workshop: Multi-annual to Decadal Climate Predictability in the North Atlantic-Arctic Sector. - Blue-Action project office, 2021.- 100 p.

122. Volodin E. M., Vorobyeva V. V. On the multi-annual potential predictability of the Arctic Ocean climate state in the INM RAS climate model // Russ. J. Numer. Anal. Math. Modelling. - 2022. - Vol. 37, no. 2.-P. 119-129.

123. Воспроизведение современного климата в новой версии модели климатической системы ИВМ РАН / Е.М. Володин, Е.В. Мортиков, С.В. Ко-стрыкин и др. // Изв. РАН, ФАО. - 2017. - Т. 53, № 2.-С. 164-178.

124. Моделирование современного климата с помощью атмосферной модели ИВМ РАН / В. А. Алексеев, Е. М. Володин, В. Я. Галин и др. - М. : Препринт ИВМ РАН, 1998. - 180 с.

125. Галин В. Я., Володин Е. М., Смышляев С. П. Модель общей циркуляции атмосферы ИВМ РАН с динамикой озона // Метеорология и гидрология. - 2003. - № 5. - С. 13-23.

126. Галин В. Я. Параметризация радиационных процессов в атмосферной модели ИВМ РАН // Изв. РАН, ФАО. - 1998. - Т. 34, № 3. - С. 380389.

127. Betts A. K. A new convective adjustment scheme. Part I: Observational and theoretical basis // Quart. J. Roy. Met. Soc. - 1986. - Vol. 112. -P. 677-691.

128. Palmer T. N., Shutts G. J., Swinbank R. Alleviation of a systematic westerly bias in general circulation and numerical weather prediction models through an orographic gravity wave drag parameterization //

Quart. J. Roy. Met. Soc. - 1986. - Vol. 112.-P. 1001-1031.

129. Hines C. O. Doppler spread parameterization of gravity wave momentum deposition in the middle atmosphere. Part 2. Broad and quasimonochromatic spectra, and implementation // J. Atm. Sol. Terr. Phys. - 1997. - Vol. 59. - P. 387-400.

130. Tiedtke M. Representation of clouds in large-scale models // Monthly Weather Rev. - 1993. - Vol. 121.-P. 3040-3061.

131. Дианский Н.А. Моделирование циркуляции океана и исследование его реакции на короткопериодные и долгопериодные атмосферные воздействия. - М. : Физматлит, 2013. - 272 с.

132. Numerical simulation of large-scale ocean circulation based on the multicomponent splitting method / V. B. Zalesny, G. I. Marchuk, V. I. Agoshkov et al. // Russ. J. Num. Anal. Math. Modelling. -2010. -Vol. 25, no. 6.-P. 581-609.

133. Terekhov K. M., Volodin E. M., Gusev A. V. Methods and efficiency estimation of parallel implementation of the a-model of general ocean circulation // Russ. J. Num. Anal. Math. Modelling. - 2011. - Vol. 26, no. 2.-P. 189-208.

134. Яковлев Н. Г. Восстановление крупномасштабного состояния вод и морского льда Северного Ледовитого океана в 1948-2002 гг. Часть 1: Численная модель и среднее состояние // Изв. РАН. Физика атмосферы и океана. - 2009. - Vol. 45, no. 3. - P. 383-398.

135. Володин Е. М., Кострыкин С. В. Аэрозольный блок в климатической модели ИВМ РАН // Метеорология и гидрология. - 2016. - Т. 8. -С. 5-17.

136. Мортиков Е. В. Повышение масштабируемости программного комплекса модели Земной системы высокого пространственного разрешения // Параллельные вычислительные технологии (ПаВТ'2015): труды международной научной конференции. - Челябинск: ЮУрГу, 2015.-С. 431-

137. Bengtsson L., Shukla J. Integration of space and in situ observations to study global climate change // Bull. Amer. Meteor. Soc. - 1988. -Vol. 69.-P. 1130-1143.

138. Trenberth K. E., Olson J. G. An evaluation and intercomparison of global analyses from the National Meteorological Center and the European Centre for Medium Range Weather Forecasts // Bull. Amer. Meteor. Soc. -1988.-Vol. 69.-P. 1047-1057.

139. Гавриков А. Атмосферные реанализы. - URL: https://ocean.ru/phocadownload/pl_univer/pl_univer_2019_01.pdf (online; accessed: 08.04.2021).

140. The NCEP/NCAR 40-year reanalysis project / E. Kalnay, M. Kanamitsu, R. Kistler et al. // Bulletin of the American Meteorological Society. -1996.-Vol. 77, no. 3.-P. 437-471.

141. Фомин В. В. Использование реанализов для оценки пространственно-временной динамики температуры воздуха на Урале и в Западной Сибири во второй половине XX - начале XXI веков // Леса России и хозяйство в них. - 2020. - Т. 3, № 74. - С. 4-11.

142. ORAS5 global ocean reanalysis monthly data from 1958 to present. -URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-oras5?tab=form (online; accessed: 25.10.2021).

143. ERA-Interim monthly averaged data on pressure levels from 1979 to 2019. - URL: https://apps.ecmwf.int/datasets/data/interim-full-moda/levtype=pl/ (online; accessed: 19.04.2019).

144. ERA-Interim monthly averaged data on single levels from 1979 to 2019. - URL: https://apps.ecmwf.int/datasets/data/interim-full-moda/levtype=sfc/ (online; accessed: 19.04.2019).

145. ERA5 monthly averaged data on pressure levels from 1979 to present. -URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-

pressure-levels-monthly-means?tab=form (online; accessed: 19.05.2020).

146. ERA5 monthly averaged data on single levels from 1979 to present. — URL: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-single-levels-monthly-means?tab=form (online; accessed: 19.05.2020).

147. GPCP Version 2.3 Combined Precipitation Data Set. — URL:https://psl.noaa.gov/data/gridded/data.gpcp.html (online; accessed:

17.11.2021).

148. P. D. Jones T. Jonsson, Wheeler D. Extension to the North Atlantic Oscillation using early instrumental pressure observations from Gibraltar and South-West Iceland // Int. J. Climatol. — 1997. — Vol. 17. — P. 14331450.

149. Climatic Research Unit. Data sets. — URL: https://www.uea.ac.uk/web/groups-and-centres/climatic-research-unit/data (online; accessed: 12.04.2022).

150. North Atlantic Oscillation / National Oceanic and Atmospheric Administration (NOAA). — URL: https://www.cpc.ncep.noaa.gov/products/precip/CWlink/pna/nao.shtml (online; accessed: 02.06.2021).

151. Pacific Decadal Oscillation / National Oceanic and Atmospheric Administration (NOAA). — URL: https://www.ncdc.noaa.gov/teleconnections/pdo/ (online; accessed:

03.02.2022).

152. Japan Meteorological Agency/Meteorological Research Institute-Coupled Prediction System version 2 (JMA/MRI-CPS2): atmosphere-land-ocean-sea ice coupled prediction system for operational seasonal forecasting / Y. Takaya, S. Hirahara, T. Yasuda et al. // Clim. Dyn. — 2018. — Vol. 50, no. 3-4.— P. 751-765.

153. WMO Lead Centre for Long-Range Forecast Multi-Model Ensemble: The verification results for MME and each GPC

over the period 1993-2009. Deterministic forecast. - URL: https://wmolc.org/seasonVrfyHindDmmeUI/plot_VrfyHIND_DMME (online; accessed: 25.10.2021).

154. WMO Lead Centre for Long-Range Forecast Multi-Model Ensemble: The verification results for MME and each GPC over the period 1993-2009. Probabilistic forecast. - URL: https://wmolc.org/seasonVrfyHindPmmeUI/plot_VrfyHIND_PMME (online; accessed: 25.10.2021).

155. APEC Climate Center. Seasonal forecast. Verification. - URL: https://www.apcc21.org/ser/hind.do?lang=en (online; accessed: 10.08.2021).

156. Leathers D. J., Yarnal B., Palecki M. A. The Pacific/North American teleconnection pattern and United States climate. Part I: Regional temperature and precipitation associations //J. Clim. - 1991. - Vol. 4. -P. 517-528.

157. Relationship between the North Atlantic Oscillation, Euro-Asian climate anomalies and Pacific variability / A. B. Polonsky, D. V. Basharin, E. N. Voskresenskaya et al. // Pacific Oceanography. - 2004. - Vol. 2, no. 1-2.-P. 52-66.

158. Tokyo Climate Center. WMO Regional Climate Center in RA II (Asia). Hindcast(JMA/MRI-CPS2). Verification of Deterministic Forecasts. - URL: https://ds.data.jma.go.jp/tcc/tcc/products/model/hindcast/CPS2/svs/ deter.html (online; accessed: 10.11.2021).

159. Совместные испытания технологий глобального сезонного прогноза на основе моделей Гидрометцентра России и ГГО / Д.Б. Киктев, Толстых М.А., Зарипов Р.Б. и др. // Информационный сборник № 38. Результаты испытания новых и усовершенствованных технологий, моделей и методов гидрометеорологических прогнозов. - 2011. - С. 4-13.

160. Oceanic Nino Index / National Oceanic and

Atmospheric Administration (NOAA). - URL:

https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ ONI_v5.php (online; accessed: 05.06.2021).

161. McPhaden M. J. Genesis and evolution of the 1997-98 El Nino // Science. - 1999. - Vol. 283, no. 5404. - P. 950-954.

162. Chen S. C., Trenberth K. E. Orographically forced planetary waves in the Northern Hemisphere winter: steady state model with wave-coupled lower boundary formation // J. Atmos. Sci. - 1988. - Vol. 45. - P. 657-680.

163. Rodionov S., Assel R. A new look at the Pacific/North American Index // Geophys. Res. Lett. - 2001. - Vol. 28, no. 8. - P. 1519-1522.

164. Wallace J. M., Gutzler D. S. Teleconnections in the geopotential height field during the Northern Hemisphere winter // Mon. Wea. Rev. — 1981. — Vol. 109.-P. 784-812.

165. Шанченко Н.И. Эконометрика: лабораторный практикум : учебное пособие. - Ульяновск : УлГТУ, 2011. - 117 с.

166. Shabbar A., Khandekar M. The impact of El Nino-Southern Oscillation on the temperature field over Canada // Atmosphere-Ocean. - 1996. -Vol. 34, no. 2.-P. 401-416.

167. Global warming-induced changes in El Nino teleconnections over the North Pacific and North America / Z. Q. Zhou, S. P. Xie, X. T. Zheng et al. // J. Clim. - 2014. - Vol. 27. - P. 9050-9064.

168. Hurrell J. W. Decadal trends in the North Atlantic Oscillation. Regional temperatures and precipitation // Science. - 1995. - Vol. 269, no. 5224. -P. 676-679.

169. An overview of the North Atlantic Oscillation / J. Hurrell, Y. Kushner, G. Ottersen, M. Visbeck // Geophysical Monograph Series. -2003. - Vol. 134.-P. 1-35.

170. Li J., Wang J. X. A new North Atlantic Oscillation index and its

variability // Advances in Atmospheric Sciences. — 2003. — Vol. 20, no. 5.— P. 661-676.

171. A daily Azores-Iceland North Atlantic Oscillation index back to 1850 / T. Cropper, E. Hanna, M. A. Valente, T. Jonsson // Geoscience Data Journal. —2015. —Vol. 2, no. 1. —P. 12-24.

172. Hurrell J. W., Deser C. North Atlantic climate variability: the role of the North Atlantic Oscillation // J. Mar. Syst. — 2009. — Vol. 78, no. 1. — P. 28-41.

173. Barnston A. G., Livezey R. E. Classification, seasonality and persistence of low-frequency atmospheric circulation patterns // Monthly Weather Review. — 1987.—Vol. 115.— P. 1083-1126.

174. Rogers J. C. Patterns of low-frequency monthly sea level pressure variability (1899-1986) and associated wave cyclone frequencies // J. Climate.— 1990.—Vol. 3, no. 12. —P. 1364-1379.

175. Atmospheric seasonal forecasts of the twentieth century: multi-decadal variability in predictive skill of the winter North Atlantic Oscillation (NAO) and their potential value for extreme event attribution / A. Weisheimer, N. Schaller, C. O'Reilly et al. // Quarterly Journal of the Royal Meteorological Society. — 2017. — Vol. 143, no. 703.— P. 917-926.

176. An intercomparison of skill and overconfidence/underconfidence of the wintertime North Atlantic Oscillation in multimodel seasonal forecasts / L. H. Backer, L. C. Shaffrey, R. T. Sutton et al. // Geophys. Res. Lett. — 2018. —Vol. 45, no. 15.— P. 7808-7817.

177. Global Seasonal forecast system version 5 (GloSea5): a high-resolution seasonal forecast system / C. MacLachlan, A. Arribas, K. A. Peterson et al. // Quarterly Journal of the Royal Meteorological Society. — 2014. — Vol. 141, no. 689.— P. 1072-1084.

178. Skilful long range prediction of European and North American winters / A. A. Scaife, A. Arribas, E. Blockley et al. // Geophys. Res. Lett. —

2014.-Vol. 41.-P. 2514-2519.

179. Improved Atlantic winter blocking in a climate model / A. A. Scaife, D. Copsey, C. Gordon et al. // Geophys. Res. Lett. — 2011. — Vol. 38. — P. 1-6.

180. Кровнин А. С. Сопряженность климатических колебаний между северными частями Атлантического и Тихого океанов // Труды ВНИРО. — 2020.— Т. 180.— С. 23-43.

181. Wu Qigang, Hu Haibo, Zhang Lujun. Observed influences of autumn-early winter Eurasian snow cover anomalies on the hemispheric PNA-like variability in winter //J. Climate. — 2011. — Vol. 24. —P. 2017-2023.

182. On the predictability of the winter Euro-Atlantic climate: lagged influence of autumn Arctic sea ice / J. García-Serrano, C. Frankignoul, G. Gastineau, Alvaro de la Camara // J. Climate. — 2015. — Vol. 28, no. 13. — P. 51955216.

183. Maruyama F. The relation among the solar activity, the total ozone, QBO, NAO, and ENSO by wavelet-based multifractal analysis // Journal of Applied Mathematics and Physics. — 2018. — Vol. 6.— P. 1301-1314.

184. Stratospheric control of the Madden—Julian Oscillation / S.-W. Son, Y. Lim, C. Yoo et al. // J. Climate. — 2017. — Vol. 30. — P. 1909-1922.

185. Robertson A. W., Mechoso C. R., Kim Y.-J. The influence of Atlantic sea surface temperature anomalies on the North Atlantic Oscillation // J. Climate.— 2000.—Vol. 13, no. 1. —P. 122-138.

186. Rodwell M. J., Rowell D. P., Folland C. K. Simulating the winter North Atlantic Oscillation and European climate, 1947-1997 // Research activities in atmospheric and oceanic modelling. — 1999. — Vol. 28. — P. 633-634.

187. Глазунов А. В., А. Дианский Н., П. Дымников В. Локализованный и глобальный отклики атмосферной циркуляции на аномалию ТПО в средних широтах // Изв. РАН, ФАО. — 2001. — Т. 37, № 5. — С. 581-

188. Pinto J. G., Reyers M. The variable link between PNA and NAO in observations and in multi-century CGCM simulations // Climate Dynamics.-2011.-Vol. 36, no. 1-2.-P. 337-354.

189. Lin H., Brunet G., Fontecilla J. S. Impact of the Madden-Julian Oscillation on the intraseasonal forecast skill of the North Atlantic Oscillation // Geophys. Res. Lett. - 2010. - Vol. 37. - P. 1-4.

190. Tropospheric and stratospheric causal pathways between the MJO and NAO / E. A. Barnes, S. M. Samarasinghe, I. Ebert-Uphoff, J. C. Furtado // Journal of Geophysical Research: Atmospheres. - 2019. - Vol. 124. -P. 9356-9371.

191. Нестеров Е. С. Изменчивость характеристик атмосферы и океана в атлантико-европейском регионе в годы событий Эль-Ниньо и Ла-Нинья // Метеорология и гидрология. - 2000. - Т. 8. - С. 74-83.

192. Нестеров Е. С. Североатлантическое колебание: атмосфера и океан. -М. : Триада, 2013. - 144 с.

193. Kumar A., Chen M. Causes of skill in seasonal predictions of the Arctic Oscillation // Clim. Dyn. - 2018. - Vol. 51.-P. 2397-2411.

194. Influence of the Eurasian snow on the negative North Atlantic Oscillation in subseasonal forecasts of the cold winter 2009/2010 / Y. J. Orsolini, R. Senan, F. Vitart et al. // Climate Dyn. - 2016. - Vol. 47. - P. 13251334.

195. Kim Y., Kim K., Kim B. Physical mechanisms of European snow cover variability and its relationship to the NAO // Climate Dyn. - 2013. -Vol. 40.-P. 1657-1669.

196. Eurasian autumn snow link to winter North Atlantic Oscillation is strongest for Arctic warming periods / M. Wegmann, M. Rohrer, M. Santolaria-Otin, G. Lohmann // Earth Syst. Dynam. - 2020. -Vol. 11.-P. 509-524.

197. Stratospheric communication of El Nino teleconnections to European winter / C. J. Bell, L. J. Gray, A. J. Charlton-Perez et al. // J. Clim. — 2009. — Vol. 22. — P. 4083-4096.

198. Vargin P. N., Volodin E. M., Kostrykin S. V. Analysis of simulation stratosphere-troposphere dynamical coupling with the INM-CM5 climate model // Russian Meteorology and Hydrology. — 2018. — Vol. 43, no. 11. — P. 780-786.

199. Dynamical mechanism for the increase in tropical upwelling in the lowermost tropical stratosphere during warm ENSO events / N. Calvo, R. R. Garcia, W. J. Randel, D. R. Marsh // J. Atmos. Sci. — 2010. — Vol. 67, no. 7.— P. 2331-2340.

200. McInturff R. M. Stratospheric warmings: synoptic, dynamic and general-circulation aspects // NASA Reference Publ. — 1978. — Vol. 1017. — P. 1174.

201. Stockdale T. N., Molteni F., Ferranti L. Atmospheric initial conditions and the predictability of the Arctic Oscillation // Geophys. Res. Lett. — 2015. — Vol. 42.— P. 1173-1179.

202. Do seasonal to decadal climate predictions underestimate the predictability of the real world? / R. Eade, D. Smith, A. A. Scaife et al. // Geophys. Res. Lett.— 2014.— Vol. 41. —P. 5620-5628.

203. Latif M., Arpe K., Roeckner E. Oceanic control of decadal North Atlantic sea level pressure variability in winter // Geophys. Res. Lett. — 2000. — Vol. 27. — P. 727-730.

204. Twentieth century North Atlantic climate change. Part II: Understanding the effect of Indian Ocean warming / M. P. Hoerling, J. W. Hurrell, T. Xu et al. // Clim. Dyn. — 2004. — Vol. 23. — P. 391-405.

205. Detection of human influence on sea-level pressure / N. P. Gillett, F. W. Zwiers, A. J. Weaver, P. A. Stott // Nature. — 2003. — Vol. 422. — P. 292-294.

206. A Bayesian framework for verification and recalibration of ensemble forecasts: how uncertain is NAO predictability? / S. Siegert, D. B. Stephenson, P. G. Sansom et al. // J. Clim. -2016. - Vol. 29. -P. 995-1012.

207. Тарасевич М.А., Е.М. Володин. Исследование причин предсказуемости индекса северо-атлантического колебания по данным ретроспективных сезонных прогнозов климатической модели ИВМ РАН для зимы 2009-2010 // Сборник трудов CITES-2021. - 2021. - С. 25-27.

208. Interrelationship between the North Atlantic Oscillation and Solar cycle / M.A.Wahab, M.M.Shaltoot, S. Youssef, M.M.Hussein // International Journal of Advanced Research. - 2016. - Vol. 4, no. 1.-P. 261-266.

209. Seasonal forecasts of the exceptional Northern Hemisphere winter of 2020 / S. H. Lee, Z. D. Lawrence, A. H. Butler, A. Y. Karpechko // Geophys. Res. Lett. - 2020. - Vol. 47. - P. 1-9.

210. The remarkably strong Arctic stratospheric polar vortex of winter 2020: links to record-breaking Arctic Oscillation and ozone loss / Z. D. Lawrence, J. Perlwitz, A. H. Butler et al. // J. Geophys. Res. Atmos. - 2020. - Vol. 125, no. 22.-P. 1-21.

211. Record-low Arctic stratospheric ozone in 2020: MLS observations of chemical processes and comparisons with previous extreme winters / G. L. Manney, N. J. Livesey, M. L. Santee et al. // Geophys. Res. Lett. -2020.-Vol. 47, no. 16.

212. Groofi J. U., Muller R. Simulation of record Arctic stratospheric ozone depletion in 2020 // J. Geophys. Res. Atmos. - 2021. - Vol. 126. - P. 117.

213. Smyshlyaev S. P., Vargin P. N., Motsakov M. A. Numerical modeling of ozone loss in the exceptional Arctic stratosphere winter-spring of 2020 // Atmosphere.-2021.-Vol. 12, no. 11.-P. 1-31.

214. Doi T., Behera S. K., Yamagata T. Predictability of the super IOD event in

2019 and its link with El Nino Modoki // Geophys. Res. Lett. - 2020. -Vol. 47, no. 7.-P. 1-9.

215. Predictability of European winter 2019/20: Indian Ocean dipole impacts on the NAO / S. C. Hardiman, N. J. Dunstone, A. A. Scaife et al. // Atmospheric Science Letters. - 2020. - Vol. 21.-P. 1-10.

216. The impact of strong El Nino and La Nina events on the North Atlantic / S. C. Hardiman, N. J. Dunstone, A. A. Scaife et al. // Geophys. Res. Lett. - 2019. - Vol. 46. - P. 2874-2883.

217. Итоговое консенсусное решение 21-ой сессии Северо-Евразийского климатического форума (СЕАКОФ-21) / Северо-Евразийский Климатический Центр (СЕАКЦ). - URL: http://seakc.meteoinfo.ru/-neacof/368-neacof21 (online; accessed: 22.12.2021).

218. Progress during TOGA in understanding and modeling global teleconnections associated with tropical sea surface temperatures / K. E. Trenberth, W. B. Branstator, D. Karoly et al. // J.Geophys.Res. -1998.-Vol. 103.-P. 14291-14324.

219. Cassou C., Terray L., Phillips A. Tropical Atlantic influence on European heat waves//J. Clim. - 2005. - Vol. 18.-P. 2805-2811.

220. Ferranti L., Viterbo P. The European summer of 2003: sensitivity to soil water initial conditions // J. Clim. - 2006. - Vol. 19, no. 15. - P. 36593680.

221. North Atlantic climate variability: phenomena, impacts and mechanisms / J. Marshall, Y. Kushnir, D. Battisti et al. // Int. J. Climatol. - 2001.-Vol. 21, no. 15.-P. 1863-1898.

222. Kang I., Lee J., Park C. Potential predictability of summer mean precipitation in a dynamical seasonal prediction system with systematic error correction // J. Clim. - 2004. - Vol. 17, no. 4. - P. 834-844.

223. Palmer T. N., Anderson D. L. The prospects for seasonal forecasting - a review paper // Q. J. R. Meteorol. Soc. — 1994. — Vol. 120, no. 518. —

P. 755-793.

224. Bjerknes J. A possible response of the atmospheric Hadley circulation to equatorial anomalies of ocean temperature // Tellus. — 1966. — Vol. 18, no. 4. — P. 820-829.

225. Hoskins B. J., Ambrizzi T. Rossby wave propagation on a realistic longitudinally varying flow // J. Atmos. Sci. — 1993. — Vol. 50, no. 12. — P. 1661-1671.

226. Gastineau G., Frankignoul C. Influence of the North Atlantic SST variability on the atmospheric circulation during the twentieth century // J. Clim. — 2015. — Vol. 28, no. 4. — P. 1396-1416.

227. Hoskins B. J., Karoly D. J. The steady linear response of a spherical atmosphere to thermal and orographic forcing // J. Atmos. Sci. — 1981. — Vol. 38, no. 6. —P. 1179-1196.

228. Branstator G. Circumglobal teleconnections, the jet stream waveguide, and the North Atlantic Oscillation // J. Clim. — 2002. — Vol. 15, no. 14.— P. 1893-1910.

229. Ding Q., Wang B. Circumglobal teleconnection in the Northern Hemisphere summer // J. Clim. — 2005. — Vol. 18, no. 17. — P. 3483-3505.

230. Seasonal predictability of European summer climate re-assessed / NC. Neddermann, W. A. Muller, M. Dobrynin et al. // Clim. Dyn. — 2019. — Vol. 53. — P. 3039-3056.

231. Influence of the circumglobal wave-train on European summer precipitation / S. Saeed, N. Van Lipzig, W. A. Müller et al. // Clim. Dyn.— 2014.—Vol. 43, no. 1-2. —P. 503-515.

232. Tropical forcing of the Summer East Atlantic pattern / C. O. Wulff, R. J. Greatbatch, D. I. Domeisen et al. // Geophys. Res. Lett.— 2017. — Vol. 44.— P. 11166-11173.

233. Madden R. A., Julian P. R. Description of global-scale circulation cells in

the tropics with a 40-50 day period // J. Atmos. Sci. — 1972. — Vol. 29. — P. 1109-1123.

234. Lau K.-M., Yang G. J., Shen S. H. Seasonal and intraseasonal climatology of summer monsoon rainfall over East Asia // Mon. Wea. Rev. — 1988. — Vol. 116. —P. 18-37.

235. Hsu H.-H., Weng C.-H. Northwestward propagation of the intraseasonal oscillation in the western North Pacific during the boreal summer: Structure and mechanism // J. Climate. — 2001. — Vol. 14. — P. 38343850.

236. Impact of the intraseasonal variability of the western North Pacific large-scale circulation on tropical cyclone tracks / T.-C. Chen, S.-U. Wang, M.-C. Yen, A. J. Clark // Wea. Forecasting. — 2009. — Vol. 24. — P. 646666.

237. Mao J., Sun Z., Wu G. 20-50-day oscillation of summer Yangtze rainfall in response to intraseasonal variations in the subtropical high over the western North Pacific and South China Sea // Climate Dyn. — 2010. — Vol. 34.— P. 747-761.

238. Hsu P.-C., Lee J.-Y., Ha K. J. Influence of boreal summer intraseasonal oscillation on rainfall extremes in southern China // Int. J. Climatol. — 2016. —Vol. 36. —P. 1403-1412.

239. Robust skill of decadal climate predictions / D. M. Smith, R. Eade, A. A. Scaife et al. // npj Climate and Atmospheric Science. — 2019. — Vol. 2.— P. 1-10.

240. Seasonal to decadal predictions of regional Arctic sea ice by assimilating sea surface temperature in the Norwegian Climate Prediction Model / P. Dai, Y. Gao, F. Counillon et al. // Climate Dynamics. — 2020. — Vol. 54.— P. 3863-3878.

241. Interannual predictability of Arctic sea ice in the global climate model: regional contrasts and temporal evolution / A. Germe, M. Chevallier,

D. Salas et al. // Climate Dynamics. - 2014. - Vol. 43. - P. 2519-2538.

o

242. Arthun M., Eldevik T. On anomalous heat content transport toward the Arctic and associated climate predictability // J. Climate. — 2016. — Vol. 9.— P. 689-704.

o

243. Skillful prediction of northern climate provided by the ocean / M. Arthun, T. Eldevik, E. Viste et al. // Nature Communications. — 2017. — Vol. 8. — P. 1-11.

244. Grid Analysis and Display System (GrADS). — URL: http://cola.gmu.edu/grads/ (online; accessed: 15.06.2021).

245. MagicPlot Software for nonlinear fitting, plotting and data analysis. — URL: https://magicplot.com/ (online; accessed: 15.06.2021).

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.