Study of the PDO index predictability for 1 to 5 years with INMCM5

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The Pacific Decadal Oscillation (PDO) index has been calculated using the INMCM5 climate model developed by the Marchuk Institute of Numerical Mathematics, Russian Academy of Sciences. The PDO index correlation with the reanalysis data decreases from about 1.0 in November of the starting year to 0.355 in October of the following year. The model forecast for the PDO index is reliable for the first 2 years, but correlation coefficients decline significantly after that. The inertial forecast is more accurate in the first 2 years and becomes less reliable onward. The correlation coefficient for the model ensemble forecast of the PDO index with its components in the ensemble is greater than the correlation between the ensemble average and the actual PDO index. The INMCM5 climate model is suggested to have potential for considerable improvement in forecasting the PDO.

Full Text

Restricted Access

About the authors

M. S. Aleksandrov

Lomonosov Moscow State University

Author for correspondence.
Email: aleksandrovms@my.msu.ru
Russian Federation, Moscow

E. M. Volodin

Marchuk Institute of Numerical Mathematics of the Russian Academy of Sciences

Email: volodinev@gmail.com
Russian Federation

V. V. Vorobyeva

Marchuk Institute of Numerical Mathematics of the Russian Academy of Sciences

Email: VVorobyeva@yandex.ru
Russian Federation

References

  1. Володин Е.М. Воспроизведение современного климата моделью климатической системы INMCM60 // Известия РАН. Физика атмосферы и океана. 2023. T. 59. № 1. С. 19–26.
  2. 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.
  3. Blagodatskikh D. Comparison of computational efficiency of two versions of a terrain-following ocean climate model // Numerical methods and programming. 2023. V. 24. № 4. P. 440–449.
  4. Blagodatskikh D., Iakovlev N., Volodin E., Gritsun A. Non-local discretization of the isoneutral diffusion operator in a terrain-following climate ocean model // Russian Journal of Numerical Analysis and Mathematical Modelling. 2023. V. 38. № 6. P. 353–360.
  5. Bock L., Lauer A., Schlund M. et al. Quantifying progress across different CMIP phases with the ESMValTool // Journal of Geophysical Research: Atmospheres. 2020. V. 125. № 21. P. e2019JD032321.
  6. Boer G.J., Smith D.M., Cassou C. et al. The Decadal Climate Prediction Project (DCPP) contribution to CMIP6 // Geosci. Model Dev. 2016. V. 9. № 10. P. 3751–3777.
  7. Carton J.A., Chepurin G.A., Chen L. SODA3: A new ocean climate reanalysis // J. Clim. 2018. V. 31. № 17. P. 6967–6983.
  8. Dee D.P., Uppala S.M., Simmons A.J. et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system // Q.J.R. Meteorol. Soc. 2011. V. 137. № 656. P. 553–597.
  9. Deser C., Alexande M., Xie S., Phillips A. Sea surface temperature variability: patterns and mechanisms // Annual review of marine science. 2010. V. 2. P. 115–143.
  10. 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. V. 9. № 5. P. 1937–1958.
  11. Hersbach H., Bell B., Berrisford P., Hirahara S. The ERA5 global reanalysis // Q.J.R. Meteorol. Soc. 2020. V. 146. № 730. P. 1999–2049.
  12. Mantua N., Hare S., Zhang Y. et al. A Pacific Interdecadal Climate Oscillation with impacts on salmon production // Bull. Am. Meteorol. Soc. 1997. V. 78. № 6. P. 1069–1080.
  13. Meehl G., Goddard L., Murphy J. et al. Decadal prediction: can it be skillful? // Bull. Am. Meteorol. Soc. 2009. V. 90. № 10. P. 1467–1485.
  14. O’Neill B., Tebaldi C., Vuuren D. et al. The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6 // Geoscientific Model Development Discussions. 2016. V. 9. № 9. P. 3461–3482.
  15. Taylor K.E., Stouffer R.J., Meehl G.A. An Overview of CMIP5 and the experiment design // Bull. Am. Meteorol. Soc. 2012. V. 93. № 4. P. 485–498.
  16. Volodin E.M., Mortikov E.V., Kostrykin S.V. et al. Simulation of the present day climate with the climate model INMCM5 // Clim. Dyn. 2017. V. 49. № 11. P. 3715–3734.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. The first EOF of SST in the North Pacific Ocean based on ERA-Interim data.

Download (289KB)
Indexing metadata
3. Fig. 2. TDC index based on ERA-Interim data.

Download (197KB)
Indexing metadata
4. Fig. 3. Graph of the correlation between the real and predicted TDC indices during the first year of the forecast.

Download (136KB)
Indexing metadata
5. Fig. 4. TDC index, average per month during the first year of the forecast.

Download (214KB)
Indexing metadata
6. Fig. 5. Average TDC index for 5 years.

Download (260KB)
Indexing metadata
7. Fig. 6. Dependence of the correlation coefficient of the inertial forecast on its lead time.

Download (109KB)
Indexing metadata
8. Fig. 7. Dependence of the correlation coefficient of the model ensemble forecast of the TDK index with its own individual realizations in the ensemble on the month: average – in black, minimum – in blue, maximum – in orange for different members of the ensemble during the first year of the forecast. In green – the correlation coefficient between the ensemble average and the actual TDK index.

Download (174KB)
Indexing metadata

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».