Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

467

DOI:10.21513/2410-8758-2025-4-467-505 УДК 551.509.313

Сезонное климатическое прогнозирование:

от научных основ к практическим решениям

В.М. Хан1), 2)*, Р.М. Вильфанд1)

1) Гидрометцентр России,

Россия, 123376, г. Москва, Большой Предтеченский переулок, д. 13, с. 1

2) Институт физики атмосферы им. А.М. Обухова РАН,

Россия, 119017, Москва, Пыжевский пер., 3

*Адрес для переписки: khan@mecom.ru

Реферат. Представлен обзор методов сезонного климатического про-

гнозирования. Прослежена эволюция прогностических методов  от ранних

эмпирико-статистических подходов, основанных на выявлении устойчивых

связей в климатической системе, до современных сложных динамических и

динамико-статистических моделей, включая методы искусственного интел-

лекта. Особое внимание уделяется роли ключевых климатических процес-

сов, таких как Эль-Ниньо  Южное колебание, колебание Маддена–

Джулиана, состояние влажности почвы и арктических морских льдов, как

основных источников предсказуемости на сезонных масштабах. Рассмо-

трена концепция «окон возможностей»  периодов, когда влияние этих фак-

торов на региональную циркуляцию максимально, что позволяет повысить

точность прогнозов. Описаны компоненты современной системы сезонного

прогнозирования, включая генерацию ансамблей оперативных и ретроспек-

тивных прогнозов, использование мультимодельных подходов для оценки и

снижения неопределенности, а также методы верификации. Освещена

инфраструктура Всемирной метеорологической организации, в частности,

роль глобальных центров долгосрочных прогнозов и региональных клима-

тических центров, таких как Северо-Евразийский климатический центр, в

адаптации глобальных прогностических продуктов к региональным усло-

виям. Отдельно обсуждаются вопросы разработки специализированных

прогностических продуктов для ключевых секторов экономики, а также

перспективные направления развития, включая прогнозирование на основе

воздействий (impact-based forecasting).

Ключевые слова. Сезонное прогнозирование, климатические модели,

Эль-Ниньо, источники предсказуемости, окна возможностей, мультимодель-

ные прогнозы, Северо-Евразийский климатический центр, верификация про-

гнозов, прогнозирование на основе воздействий.

СОБЫТИЯ И ПАМЯТНЫЕ ДАТЫ

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

468

Seasonal climate forecasting:

from scientific foundations to practical solutions

V.M. Khan1), 2)*, R.M. Vilfand1)

1) Hydrometcentre of Russia,

13, b.1, Bolshoy Predtechensky lane, 123376, Moscow, Russian Federation

2)A.M. Obukhov Institute of Atmospheric Physics, Russian Academy of Sciences,

13, Pyzhevsky lane, 19017, Moscow, Russian Federation

*Correspondence address: khan@mecom.ru

Abstract. This article provides a review of methods of seasonal climate

forecasting. The evolution of forecasting techniques is traced  from early

empirical-statistical approaches, based on identifying stable relationships within

the climate system, to modern complex dynamic and hybrid models, including

artificial intelligence methods. Special emphasis is placed on the role of key

climate processes, such as El Niño–Southern Oscillation (ENSO), the Madden–

Julian Oscillation, the state of the soil moisture, and Arctic sea ice, as primary

sources of predictability on seasonal timescales. The concept of "windows of

opportunity"  periods when the influence of these factors on regional circulation

is maximized, thereby enhancing forecast accuracy  is considered. The

components of a modern seasonal forecasting system are described, including the

generation of ensembles of operational and retrospective (hindcast) forecasts, the

use of multi-model approaches to assess and reduce uncertainty, and methods for

objective verification. The infrastructure of the World Meteorological Organization

is outlined, particularly the role of Global Producing Centres and Regional Climate

Centres, such as the North Eurasian Climate Centre, in adapting global forecast

products to regional and national conditions. The development of specialized

forecast products for key economic sectors is discussed separately. Promising

development directions, including impact-based forecasting, are also examined.

Keywords. Seasonal forecasting, climate models, ENSO, sources of

predictability, windows of opportunity, multi-model forecasts, North Eurasian

Climate Centre, forecast verification, impact-based forecasting.

Введение

Сезонные прогнозы стали неотъемлемой частью современной климати-

ческой науки и представляют ценную практическую информацию для управ-

ления адаптационными мерами в условиях изменяющегося климата и

участившихся экстремальных погодных явлений (Gettelman et al., 2023;

Hewitt, Moufouma-Okia, 2023). Их развитие стало возможным благодаря зна-

чительному прогрессу в системах сбора информации, развитии климатиче-

ского моделирования, более глубоком понимании физических процессов

климатической системы и совершенствовании вычислительных технологий

(Doblas-Reyes et al., 2013; Vitart et al., 2017).

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

469

Истоки сезонного прогнозирования относятся к концу XIX века, когда, в

ответ на разрушительный голод в Индии, были предприняты первые попытки

оценки муссонных осадков на предстоящий сезон. Эти ранние методы долго-

срочных прогнозов в большинстве случаев основывались на выявлении кор-

реляционных зависимостей между различными климатическими

параметрами (например, снежный покров в Гималаях и количество осадков

на равнинных территориях).

Научный прорыв в исследуемой области ознаменовался работами Гил-

берта Уокера (Walker, 1923, 1924). В начале XX века, в 1923 и 1924 годах,

Уокер внедрил и усовершенствовал статистические методы анализа гидроме-

теорологических данных, благодаря которым удалось выявить ключевые кли-

матические явления, включая Южное колебание. Развитие численного

прогноза погоды, начатое в 1950-х годах (Charney et al., 1950), заложило

основу для динамического прогнозирования метеорологических условий раз-

личной заблаговременности. Ключевым прорывом стало углубление понима-

ния связи между океаном и атмосферой, во многом благодаря работам Якоба

Бьеркнеса (Bjerknes, 1969). Обнаруженная им тесная взаимосвязь между

Южным колебанием и явлением Эль-Ниньо впоследствии привела к форми-

рованию целостной концепции ЭНЮК (Эль-Ниньо  Южное колебание).

Данная концепция, подтвержденная и развитая в дальнейших исследованиях

(McPhaden et al., 1998; Philander, 1986; Rasmusson, Carpenter, 1982), продол-

жает считаться одним из важнейших факторов глобальной климатической

предсказуемости.

Гидрометцентр России и Главная геофизическая обсерватория им. А.И. Во-

ейкова на протяжении десятилетий являются ведущими научными организа-

циями Росгидромета в области изучения погоды и климата, играя ключевую

роль в развитии методов сезонного прогнозирования в стране. Исторически

становление этих методов опиралось на несколько научных школ. Основы

были заложены выдающимися учёными Б.П. Мультановским и С.Т. Пагавой

(Пагава и др., 1966), предложившими новые подходы к макросиноптическому

анализу. Важный вклад внесли Г.Я. Вангенгейм (1952) и А.А. Гирс (1974),

разработавшие макроциркуляционный метод долгосрочного прогноза на

основе классификации крупномасштабных атмосферных процессов. Парал-

лельно формировалось синоптико-статистическое направление, основопо-

ложниками которого выступили Н.А. Багров, Д.А. Педь (Багров и др., 1985),

М.И. Юдин, А.В. Мещерская, Ш.А. Мусаелян, А.И. Угрюмов (2006),

Р.М. Вильфанд и др. (Батырева и др., 1995). Их последователи значительно

углубили понимание статистических закономерностей региональных атмос-

ферных процессов. Вероятностные методы были выведены на новый уровень

трудами Г. В. Грузы и Э.Я. Раньковой (1981). Их вклад заключался не только в

разработке новых прогностических подходов, но и в создании формализован-

ной системы оценки их эффективности.

Зарождение динамического направления в метеорологии было положено

фундаментальными работами А.А. Фридмана в начале XX века. Значитель-

ный прорыв в его развитии осуществил И. А. Кибель, предложивший методо-

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

470

логию, основанную на гипотезе геострофичности. Этот формализм позволил

адаптировать уравнения гидротермодинамики для задач прогноза погоды и

заложить теоретический фундамент для перехода к более сложным негео-

строфическим моделям. Принципиальный прорыв произошёл в конце 1950-х

годов, когда Е.Н. Блинова разработала первую полную теоретическую модель

общей циркуляции атмосферы, доказав возможность долгосрочного прогно-

зирования гидродинамическими методами (Блинова, 1976). Этот успех стал

отправной точкой для исследований С.Л. Белоусова, А. Л. Каца и других учё-

ных. Особое место в развитии динамических методов занимают работы

В.П. Дымникова, В.Н. Лыкосова (Дымников и др., 2022), Е.М. Володина

(2017), В.П. Мелешко (Мирвис, Мелешко, 2008, 2020), М.А. Толстых и др.

(Толстых и др., 2015, 2017). Их исследования позволили принципиально усо-

вершенствовать и развить современные прогностические модели.

Методы сезонного прогнозирования можно разделить на три основные

категории. Эмпирические (синоптико-статистические) методы, основанные

на корреляциях между различными климатическими параметрами на истори-

ческих данных предикторов и предиктантов (например, Багров и др., 1985;

Угрюмов, 2006, Батырева и др., 1995), остающимися популярными до настоя-

щего времени благодаря своей относительной простоте и низким вычисли-

тельным требованиям. Однако они имеют существенные ограничения,

особенно при работе с нелинейными процессами и новыми климатическими

режимами на фоне происходящих климатических изменений. Динамические

методы, использующие сложные численные модели климатической системы,

позволяют учитывать взаимодействие между атмосферой, океаном и другими

компонентами системы через систему физико-математических уравнений

(например, Мирвис, Мелешко, 2008, 2020; Толстых и др., 2015, 2017; Воло-

дин, 2017). Третье направление  динамико-статистические подходы, сочета-

ющие преимущества первых двух методов посредством статистической

интерпретации выходных данных динамических моделей (например, Виль-

фанд и др., 2010, 2017, 2024; Хан и др., 2011).

В рамках деятельности Гидрометцентра России/Северо-Евразийского

климатического центра (СЕАКЦ), в ходе работы создаются и внедряются в

оперативную практику динамические (Киктев и др., 2015; Толстых и др.,

2015, 2017; Фадеев и др., 2021), статистические и комбинированные гидроди-

намико-статистические методы (Муравьев и др., 1999; Вильфанд и др., 2017;

Хан и др., 2011), позволяющие выпускать прогнозы на сроки от месяца и

более.

Благодаря этому наследию и постоянному развитию методологий кли-

матического прогнозирования, Гидрометцентр России/Северо-Евразийский

климатический центр сохранет позиции на мировом уровне ВМО (Всемирная

метеорологическая организация) в качестве глобального центра по долго-

срочным прогнозам (ГЦДП) и регионального климатического центра (РКЦ)

(Крыжов, 2012; Киктев и др., 2015).

Одной из основных проблем сезонного прогнозирования остается огра-

ниченная предсказуемость, обусловленная хаотичностью атмосферных про-

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

471

цессов (Anderson, 2008; Hoskins, Schopf, 2008; Крыжов, 2012; Вильфанд и

соавт., 2010, 2017; Цепелев, Хан, 2015, Киктев, Куликова, Круглова, 2015a,b).

Для учета этой неопределенности используются ансамблевые прогнозы, в

основе которых заложен многократный прогон модели с небольшими вариа-

циями начальных условий. Разброс между отдельными членами ансамбля

дает оценку вероятности различных сценариев развития климатической ситу-

ации (Anderson, 2008; Hoskins, Schopf, 2008).

В последние годы бурное развитие получили методы машинного обуче-

ния и нейронных сетей в методах метеорологического кратко- и среднесроч-

ного прогнозирования (Bi et al., 2023; Chen et al., 2024; de Burgh-Day,

Leeuwenburg, 2023). Интеграция методов искусственного интеллекта в прогно-

стические схемы способствует улучшению качества и детализации прогнозов.

Новые технологии позволяют моделям учитывать большее количество пере-

менных и лучше справляться с неопределенностью прогнозов. Исследование

Кента и его коллег (Kent et al., 2025) показало, что модель машинного обучения

ACE2, изначально созданная для краткосрочных прогнозов, успешно конкури-

рует с ведущими климатическими динамическими моделями в задаче сезон-

ного прогнозирования. Показано, что ACE2, будучи обученной исключительно

на данных реанализа ERA5 и используя простые граничные условия  инерци-

онные аномалии температуры поверхности океана, демонстрирует успешность,

сопоставимую с ведущей динамической моделью Метофиса GloSea. Модель не

только успешно воспроизводит влияние на глобальную циркуляцию основного

источника сезонной предсказуемости  Эль-Ниньо, но и демонстрирует стати-

стически значимый сигнал в прогнозировании Северо-Атлантического колеба-

ния (САК). Перспективы моделей машинного обучения типа ACE2 связаны с

их высокой вычислительной эффективностью. Это не только открывает воз-

можность создания сверхбольших ансамблей для успешной оценки вероятно-

сти рисков экстремальных явлений, но и сулит прорыв в прогнозировании

климата за счёт синергии с традиционными динамическими моделями и навер-

няка приведёт к созданию более продвинутых гибридных систем (Chen et al.,

2024; de Burgh-Day, Leeuwburg, 2023).

Источники предсказуемости

на сезонных интервалах времени

Методы прогнозирования на базе моделей общей циркуляции атмос-

феры часто оказываются неэффективными на сезонных и более масштабах

времени из-за принципиально иных физических механизмов предсказуемо-

сти. В отличие от краткосрочных прогнозов, где качество прогнозов во мно-

гом определяется начальными условиями, климатические прогнозы требуют

учёта медленно меняющихся компонентов системы, таких как температура

поверхности океана (например, Полонский, 2001), состояние деятельного

слоя суши, криосферы, океанических течений, стратосферных и вулканиче-

ских явлений (Maher et al., 2015; Shindell et al., 2003), и других низкочастот-

ных взаимодействий между сушей, океаном и атмосферой.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

472

Значительный прорыв в понимании механизмов сезонной предсказуемо-

сти произошел в 1970-х годах с открытием тесной связи между Южным коле-

банием и феноменом Эль-Ниньо (Bjerknes, 1969). Было установлено, что эти

явления представляют собой единую систему, проявляющуюся через тесную

связь между океаном и атмосферой в тропической зоне Тихого океана

(McPhaden et al., 1998; Philander, 1986; Rasmusson, Carpenter, 1982). Данное

открытие продемонстрировало, что аномалии температуры поверхности оке-

ана в тропической зоне способны оказывать влияние на климат в удалённых

регионах на сезонных масштабах (Давыдов, Полонский, 1996; Полосин, 1975;

Полонский, Башарин, 2002; Дианский, 2023). Мощный эпизод Эль-Ниньо

1982-83 гг. с его глобальными атмосферными телесвязями вывел это явление

на первый план в мировой климатологии (Воскресенская и др., 1992; Harrison

et al., 2008; Vitart et al., 2003; Wirtky et al., 1976). С этого момента начала фор-

мироваться новая «индустрия» сезонного прогнозирования от физических

основ до практического использования, включая политические аспекты

(Harrison et al., 2008; Jansen et al., 2009).

Несмотря на прогресс, многие фундаментальные вопросы, связанные с

ЭНЮК, остаются открытыми. Хотя основные физические механизмы в целом

поняты и описаны теоретическими моделями (например, затухающий осцил-

лятор и осциллятор перезарядки), до сих пор не ясно, что именно определяет

зарождение Эль-Ниньо (Burgers et al., 2005; Jin et al., 2008; Suarez, Schopf,

1988; Wang, 2001). Доказано, что предвестниками являются положительная

аномалия теплосодержания в западной части Тихого океана и эпизоды запад-

ных ветров (Gebbie et al., 2007; Tan et al., 2019), порождающие волны

Кельвина, которые переносят энергию на восток. Однако сохраняется фунда-

ментальная неопределённость, какая комбинация условий приводит к разви-

тию полномасштабного Эль-Ниньо. Также остаются нерешенными вопросы о

периодичности явления, его взаимодействии с годовым циклом, а также о

причинах разнообразия сценариев развития эпизодов Эль-Ниньо и Ла-Ниньи.

Российские исследования последних лет (Железнова и Гущина, 2015;

Гущина, Калиновская, Матвеева, 2020; Осипова и Гущина, 2021) вносят вклад

в комплексную картину механизмов формирования двух типов Эль-Ниньо.

Авторами проанализированы различия в динамике океанических процессов,

ответственных за рост аномалий ТПО при каноническом Эль-Ниньо и Эль-

Ниньо Модоки. Показано, что их эволюция и интенсивность модулируются

низкочастотной (десятилетней) изменчивостью в Тихом океане и тесно свя-

заны с внутрисезонной активностью тропической конвекции (Железнова и

др., 2024) Однако климатические модели с трудом адекватно воспроизводят

эти связи. Работа (Matveeva et al., 2018) продемонстрировала, что лишь огра-

ниченное число моделей проекта CMIP5 способно реалистично воспроизво-

дить одновременно оба типа Эль-Ниньо и ключевые характеристики

тропической внутрисезонной изменчивости.

Оперативное прогнозирование ЭНЮК является важнейшей практиче-

ской задачей (Luo et al., 2008). На сегодняшний день существует отлаженная

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

473

международная система мониторинга и прогноза, координируемая ВМО и

ведущими центрами, такими как Национальный центр прогнозирования

окружающей среды США (NCEP/NOAA) и Международный исследователь-

ский институт климата и общества (IRI). Регулярно публикуемые на сайте

ВМО бюллетени под названием "El Niño/La Niña Update" служат основным

международным инструментом, обеспечивающим пользователей надежной и

своевременной информацией о состоянии и ожидаемой эволюции ЭНЮК на

основе консенсус-прогнозов по ансамблю из нескольких десятков динамиче-

ских и статистических моделей. Предшественником "El Niño/La Niña Update"

можно считать бюллетень "Climate Diagnostic Bulletin", который выпускается

Национальным центром прогнозирования окружающей среды США (NCEP/

NOAA) более 20 лет.

Оценка прогностического потенциала российской модели INM-CM5

демонстрирует её конкурентоспособность в прогнозах ЭНЮК (Реснянский и

др., 2024). Прогнозы аномалий ТПО в области NINO3-4 характеризуются

высокими значениями коэффициента корреляции (0.9-0.75) для заблаговре-

менностей 2-6 месяцев, которые снижаются до 0.6-0.4 для 7-8 месяцев. Такие

показатели соответствуют уровню ведущих мировых моделей.

Цикл работ Лубкова и др. (2017, 2020) представляет альтернативный

подход с использованием гибридной модели на основе искусственных ней-

ронных сетей (ИНС), обеспечивающей прогноз с заблаговременностью до 21-

22 месяцев.

Однако ЭНЮК  не единственный источник сезонной предсказуемости

(Frankignoul, Sennechael, 2007). Тропические зоны Индийского и Атлантиче-

ского океанов (Зеленько и др., 1983), также генерируют предсказуемые сиг-

налы (Schott et al., 2009; Wu et al., 2007). При этом ключевая проблема

заключается в том, что предсказуемость на этих масштабах носит фрагмен-

тарный характер (например, Воробьева, Володин, 2020; Муравьев и др., 1999

a,б; Тищенко и др., 2019)  она существенно усиливается в определённые

периоды и в определённых регионах, когда в климатической системе возни-

кают особые благоприятные условия, получившие название «окон возможно-

стей» (Mariotti et al., 2020).

В формировании погодно-климатических условий средних широт клю-

чевую роль играет крупномасштабная атмосферная циркуляция (например,

Киктев и др., 2015a,b), модулируемая такими факторами, как блокирующие

антициклоны, САК, Арктическое колебание (АК) и др. В ряде работ (напри-

мер, Hurrell et al., 2003; Lamb, Peppler, 1987) показано, что отрицательная фаза

САК создаёт условия для повышенной предсказуемости. Исследование Бар-

дина (2015) частично объясняет наблюдаемую в прошлом смену знака тренда

зимних температур на территории России совместным влиянием глобального

потепления и естественной изменчивости, связанной с ключевыми атмосфер-

ными модами, такими как САК, Восточно-Атлантическая мода (ВАМ), Скан-

динавская мода (СКА) и Восточно-Атлантическая/Западно-Российская мода

(ВА/ЗР). Эти моды либо усиливали, либо ослабляли фоновое глобальное

потепление в различных регионах России.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

474

Особое значение при анализе масштабных экстремальных явлений уде-

ляется квазистационарным волнам Россби. Нарушая зональную циркуляцию,

они могут вызывать волны жары с тяжёлыми последствиями, как это было в

Европе и России в 2003 и 2010 гг. (Schubert et al., 2011), или приводить к

затяжным засухам или наводнениям (Киктев и др., 2015).

В тропиках, наряду с Эль-Ниньо, важнейшим источником предсказуемо-

сти выступает колебание Маддена-Джулиана (КМЖ). Оно связано с переме-

щением зон интенсивной конвекции с периодом 30-60 дней и оказывает

существенное влияние на погодные условия в Северной Америке, Австралии

и Азии. Современные модели демонстрируют прогресс в прогнозировании

КМЖ с заблаговременностью до 30 дней, хотя точность прогноза сильно

зависит от фазы колебания (Cassou, 2008). В работе Куликовой и соавт. (2023)

рассматривается влияние КМЖ на атмосферные процессы в умеренных

широтах Северного полушария. На основе дисперсионного анализа авторы

делают вывод о существовании дальних связей между погодными режимами

в тропиках и в умеренных широтах с заблаговременностью около 5-7 суток,

наиболее чётко выраженных в Тихоокеанско-Североамериканском регионе и

Азии. При этом влияние КМЖ на циркуляцию в Атлантико-Европейском сек-

торе носит сложный характер и требует учёта дополнительных факторов,

таких как стратосферная циркуляция и явление Эль-Ниньо.

Дополнительные возможности для прогнозирования открывают стратос-

ферные процессы, в частности, внезапные стратосферные потепления (ВСП) и

квазидвухлетнее колебание (КДК). ВСП способны спровоцировать экстремаль-

ные похолодания в Евразии и Северной Америке с откликом в несколько

недель, тогда как КДК модулирует влияние MJO, формируя сложные каскады

климатических взаимодействий (Baggett et al., 2017). В исследовании Варгина и

соавт. (2024) успешность ансамблевых сезонных прогнозов модели ИВМ РАН

оценивалась по способности воспроизводить скорость зонального ветра в

арктической стратосфере. Результаты показали, что наиболее холодные зимние

сезоны (2010/2011 и 2019/2020 гг.), характеризовавшиеся устойчивым и холод-

ным полярным вихрем, прогнозируются значительно лучше, чем сезоны с его

ослаблением в результате ВСП (Сумерова и др., 2023).

Значимым источником предсказуемости являются также процессы взаи-

модействия суши и атмосферы. Аномалии почвенной влаги и снежного

покрова влияют на температурный режим и атмосферную циркуляцию,

потенциально усиливая засушливые условия и волны жары. Тем не менее,

точные механизмы этих связей требуют дальнейшего углублённого изучения.

(Guo et al., 2011; Hsu, Dirmeyer, 2021).

Морской лёд выступает важным компонентом климатической системы

(например, Семенов и др., 2023; Kim et al., 2025). Его присутствие ограничи-

вает потоки тепла и влаги на границе океан-атмосфера, формирует резервуар

пресной воды и благодаря высокому альбедо регулирует поступление солнеч-

ной радиации. Через механизмы связи с атмосферой состояние морского льда

влияет на траектории штормов и океаническую циркуляцию. В последние

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

475

годы активно исследуется степень влияния аномалий морского льда в

Арктике на погодные условия в средних широтах. Один из предполагаемых

сценариев показывает, что в периоды аномально высокой температуры аркти-

ческой поверхности вторжения холодного арктического воздуха в средние

широты могут становиться более продолжительными из-за ослабления мери-

диональных градиентов температуры и изменения характеристик струйного

течения и циклонической активности (Семенов и др., 2017). Однако слож-

ность и многофакторность процессов, влияющих на струйные течения,

затрудняет получение однозначных доказательств этой связи, а сами меха-

низмы пока ещё недостаточно адекватно воспроизводятся современными кли-

матическими моделями.

Практическое использование «окон возможностей» в прогнозировании

требует применения инновационных подходов. Поскольку динамические

модели не всегда адекватно воспроизводят ключевые физические процессы,

широкое распространение получают статистические и гибридные методы,

которые используются в дополнение к динамическим. Результаты исследова-

ний показывают, что комбинация таких предикторов, как индексы ЭНЮК и

КМЖ (Luo et al., 2016), позволяет значительно улучшить прогнозы темпера-

туры и осадков в ряде регионов с заблаговременностью до 3-4 недель.

Особенно перспективным это направление является в области прогнози-

рования экстремальных явлений. Например, эмпирические модели, учитыва-

ющие фазы КМЖ и КДК, уже сегодня позволяют прогнозировать условия,

благоприятные для формирования атмосферных рек на западном побережье

США, с заблаговременностью до 5 недель. Анализ циркуляционных режимов,

в свою очередь, помогает уточнить оценку рисков волн жары и засух за

несколько недель до их наступления.

Яркой иллюстрацией комплексного подхода к прогнозированию служит

исследование Dunstone et al. (2023), посвящённое анализу причин катастро-

фических наводнений в Пакистане в 2022 году. Авторы выявили, что это

событие было вызвано уникальным сочетанием нескольких факторов: ано-

мально интенсивных муссонных осадков, усиленных феноменом Ла-Нинья,

экстремального таяния ледников из-за предшествующих волн тепла и дли-

тельного переувлажнения почвы. В данном контексте авторы выделяют два

ключевых прогностических горизонта: сезонный (1-3 месяца), на котором

возможен прогноз фоновых аномалий осадков на основе состояния океана, и

субсезонный (2-4 недели), позволяющий прогнозировать конкретные экстре-

мальные явления. Так, в сезонных прогнозах модели UK GloSea6 сигнал о

повышенной вероятности экстремальных осадков в регионе был отчётливо

виден уже за два месяца до пика наводнения. Важным выводом работы явля-

ется подтверждение значительной роли антропогенного изменения климата,

которое увеличило влагоёмкость атмосферы и интенсифицировало таяние

ледников, тем самым усугубив масштабы катастрофы.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

476

Компоненты системы сезонного прогнозирования

Современная система сезонного прогнозирования представляет собой

технологически сложный конвейер, обеспечивающий генерацию, обработку и

распространение климатических прогнозов (Куликова и др., 2024а,б). Её

методологический фундамент базируется на двух взаимодополняющих ком-

понентах, связанных с расчетом оперативных и ретроспективных прогнозов.

Оперативное прогнозирование реализуется посредством инициализации гло-

бальных климатических моделей данными наблюдений через системы усвое-

ния разнородных типов данных. Данный процесс характеризуется высокой

вычислительной емкостью и опирается на глобальную инфраструктуру

обмена метеорологической информацией, координируемую Всемирной мете-

орологической организацией. Используя в качестве начальных условий дан-

ные реанализов за прошлые периоды, ретроспективное прогнозирование

выполняет две методологически важные функции: верификацию прогности-

ческой системы через сравнение с архивом наблюдений и создание эмпириче-

ской базы для калибровки оперативных прогнозов и устранения

систематических ошибок моделей. Для обеспечения репрезентативности

выборки, охватывающей различные климатические режимы, рекомендуемый

временной горизонт ретроспективных экспериментов составляет не менее 30

лет. Ключевое значение при анализе ретроспективных прогнозов придается

методам кросс-валидации, которые минимизируют риск переобучения модели

и обеспечивают статистически объективную оценку её прогностического

потенциала.

Одним из наиболее эффективных подходов в современной практике

стало использование мультимодельных ансамблей. Комбинирование прогно-

зов от нескольких независимых моделей позволяет повысить надёжность и

снизить влияние систематических ошибок, присущих каждой из них в отдель-

ности (Doblas-Reyes et al., 2013; Vitart et al., 2017; Kirtman et al., 2014). Показа-

тельно, что простое усреднение результатов зачастую оказывается более

эффективным, чем сложное взвешивание моделей (Крыжов, 2012; Brajard et

al., 2023), особенно при ограниченной длине рядов ретроспективных данных.

Современный этап развития систем сезонного прогнозирования харак-

теризуется переходом к созданию специализированных продуктов, адаптиро-

ванных к отраслевым потребностям. Данное направление предполагает

разработку прогнозов не только стандартных метеорологических параметров,

но и специализированных величин, включая, например, частоту и интенсив-

ность экстремальных гидрометеорологических явлений, повторяемость дней

с превышением пороговых значений параметров, даты наступления агрокли-

матических сезонов, расчет специализированных индексов (засушливости,

пожароопасности) и прочее. Особую практическую значимость в сельскохо-

зяйственном секторе приобретают прогнозы, ориентированные на биоклима-

тические показатели  пороговые суммы осадков за вегетационный период и

эффективные температуры, определяющие фенологическое развитие конкрет-

ных сельскохозяйственных культур.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

477

Зачастую потребители нуждаются в более подробной прогностической

информации. Методологической основой пространственной детализации

прогнозов выступают технологии даунскейлинга, реализуемые через два вза-

имодополняющих подхода. Статистический даунскейлинг, основанный на

установлении устойчивых связей между крупномасштабными предикторами

и локальными климатическими характеристиками (Вильфанд и др., 2024,

Тищенко и др., 2016) сохраняет широкую применимость благодаря своей

вычислительной эффективности, хотя и обладает ограниченной физической

интерпретацией. В отличие от него динамический даунскейлинг, осуществля-

емый через каскадное вложение региональных климатических моделей высо-

кого пространственного разрешения в глобальные модели, позволяет

воспроизводить влияние мезомасштабных физико-географических факторов

орографии, неоднородности подстилающей поверхности и береговых

линий  на формирование региональных климатических условий.

Верификация прогнозов представляет собой обязательный компонент

системы, включающий оценку успешности ретроспективных прогнозов, а

также мониторинг качества оперативных прогнозов. Всемирная метеорологи-

ческая организация разработала методические рекомендации, позволяющие

всесторонне оценивать качество вероятностных и детерминистских прогно-

зов через систему критериев качества (WMO-No. 1246). Главное место в этой

системе занимает концепция "разрешающей способности" прогноза, то есть

его умение различать вероятности в зависимости от ожидаемых климатиче-

ских аномалий. Практическая оценка этого параметра выражается с помощью

построения ROC-кривых, где анализируется соотношение между долей пра-

вильных предупреждений и частотой ложных тревог. Идеальный прогноз

демонстрирует площадь под ROC-кривой, близкую к 1.0, тогда как значение

0.5 соответствует отсутствию прогностического сигнала. В реальных усло-

виях хорошим результатом считается показатель порядка 0.7-0.8, что свиде-

тельствует о превосходстве методического прогноза над климатическим

прогнозом. Особую сложность представляет оценка "надежности" прогнозов,

требующая сравнения прогнозируемых вероятностей с фактической частотой

наступления событий. Для этого в качестве критерия используются специаль-

ные диаграммы надежности, где систематические отклонения от диагонали

указывают на необходимость калибровки прогностической модели. Одновре-

менно анализируется степень отклонения аномалий от климатических значе-

ний, поскольку именно этот параметр определяет практическую полезность

для конечных пользователей. Прогнозы, которые слишком сосредоточены на

средних значениях, хоть и демонстрируют более высокую надежность, могут

быть малоинформативными для принятия решений. Особое внимание уделя-

ется учёту неопределённости, обусловленной ограниченным объёмом стати-

стических данных. Современные методы ресэмплинга, такие как бутстреп

анализ, позволяют построить доверительные интервалы для всех ключевых

показателей качества.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

478

Глобальная прогностическая инфраструктура

в системе сезонного прогнозирования

Всемирная метеорологическая организация создала комплексную

инфраструктуру для поддержки доступа к данным сезонного прогнозирова-

ния, которая представляет собой многоуровневую систему взаимодействую-

щих центров и механизмов обмена данными (WMO-No. 1246, 2020). Основу

этой системы составляют Глобальные центры долгосрочных прогнозов

(ГЦДП), которые в настоящее время включают 15 специализированных

учреждений по всему миру (табл.1).

Таблица 1. Перечень функционирующих Глобальных центров долгосрочных прогнозов

Table 1. List of operational Global Producing Centres for Long-Range Forecasts

• Beijing: China Meteorological

Administration (CMA) / Bejing Climate

Center (BCC)

• Center for Weather Forecasts and

Climate Studies (CPTEC) / National

Institute for Space Research (INPE),

Brazil

• Euro-Mediterranean Center on Climate

Change (CMCC)

• European Centre for Medium-Range

Weather Forecasts (ECMWF)

• Exeter: Met Office, United Kingdom

• Melbourne: Bureau of Meteorology

(BOM), Australia

• Montreal: Meteorological Service of

Canada (MSC)

• Moscow: Hydrometeorological Centre

of Russia (RHMC)

• Offenbach: Deutscher Wetterdienst

(DWD)

• Pretoria: South African Weather

Services (SAWS)

• Pune: India Meteorological

Department (IMD)

• Seoul: Korea Meteorological

Administration (KMA)

• Tokyo: Japan Meteorological Agency

(JMA) / Tokyo Climate Centre (TCC)

• Пекин: Китайское метеорологиче-

ское управление (CMA) / Пекинский

климатический центр (BCC)

• Бразилия: Центр прогнозирования

погоды и климатических исследова-

ний (CPTEC) / Национальный инсти-

тут космических исследований (INPE)

• Италия: Евро-Средиземноморский

центр по изменению климата (CMCC)

• Европа: Европейский центр средне-

срочных прогнозов погоды (ECMWF)

• Эксетер (Великобритания): Метео-

рологическое бюро (Met Office)

• Мельбурн: Бюро метеорологии

(BOM), Австралия

• Монреаль: Метеорологическая

служба Канады (MSC)

• Москва: Гидрометеорологический

научно-исследовательский центр

Российской Федерации (RHMC)

• Оффенбах: Немецкая метеорологи-

ческая служба (DWD)

• Претория: Метеорологическая

служба Южной Африки (SAWS)

• Пуне: Индийская метеорологиче-

ская служба (IMD)

• Сеул: Корейская метеорологиче-

ская администрация (KMA)

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

479

Продолжение таблицы 1

Гидрометцентр России на базе модели ПЛАВ выполняет обязательства

ГЦДП и вносит свой вклад в предоставлении доступа к глобальным сезонным

прогнозам на мировом уровне.

ГЦДП ежемесячно выпускают в оперативном режиме глобальные сезон-

ные прогнозы с использованием современных моделей земной системы и

передают данные в стандартизированных форматах, обеспечивая совмести-

мость и сравнимость результатов. Каждый ГЦДП обязан поддерживать опре-

деленный уровень качества и расчет ретроспективных прогнозов за период не

менее 15 лет, что позволяет оценивать и постоянно улучшать качество про-

гностических систем.

Центральным элементом инфраструктуры является Ведущий центр

мультимодельных ансамблей долгосрочных прогнозов (LC-LRFMME), распо-

ложенный в г. Тэджоне (Республика Корея). Он играет ключевую роль в кон-

солидации данных от различных Глобальных центров долгосрочного

прогнозирования и координируется Корейской метеорологической админи-

страцией и Национальным управлением океанических и атмосферных иссле-

дований США (NOAA).

На основе получаемых прогнозов центр ежемесячно формирует согла-

сованный мультимодельный ансамбль, что существенно повышает надеж-

ность скомплексированного прогноза за счет минимизации систематических

погрешностей отдельных моделей.

Еще одним ключевым элементом деятельности ВМО в области глобаль-

ного сезонного прогнозирования является «Сезонный климатический бюлле-

• Toulouse: Météo-France

• Washington: Climate Prediction Center

(CPC) / National Oceanic and Atmo-

spheric Administration (NOAA), United

States of America

• Seoul: Korea Meteorological

Administration (KMA)

• Tokyo: Japan Meteorological Agency

(JMA) / Tokyo Climate Centre (TCC)

• Toulouse: Météo-France

• Washington: Climate Prediction Center

(CPC) / National Oceanic and Atmo-

spheric Administration (NOAA), United

States of America

• Токио: Метеорологическое управ-

ление Японии (JMA) / Токийский

климатический центр (TCC)

• Тулуза: Météo-France

• Вашингтон: Центр климатических

прогнозов (CPC) / Национальное

управление океанических и атмос-

ферных исследований (NOAA), США

• Пуне: Индийская метеорологиче-

ская служба (IMD)

• Сеул: Корейская метеорологиче-

ская администрация (KMA)

• Токио: Метеорологическое управ-

ление Японии (JMA) / Токийский

климатический центр (TCC)

• Тулуза: Météo-France

• Вашингтон: Центр климатических

прогнозов (CPC) / Национальное

управление океанических и атмос-

ферных исследований (NOAA), США

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

480

тень» (Global Seasonal Climate Update). Этот сводный документ объединяет

прогностические данные и анализ текущего состояния климатической

системы. Бюллетень предоставляет комплексную картину состояния климати-

ческих условий для принятия решений как на глобальном, так и на региональ-

ном уровнях.

На региональном уровне работа Климатической информационной

системы ВМО обеспечивается Региональными климатическими центрами

(РКЦ). РКЦ специализируются на адаптации глобальных прогнозов к мест-

ным условиям, играя центральную роль в «каскадном» прогностическом про-

цессе  последовательной детализации информации от глобальных

масштабов до региональных. Функционал РКЦ выходит далеко за рамки опе-

ративной прогностической деятельности. В их обязанности входит также

укрепление потенциала национальных метеорологических служб, разработка

отраслевых климатических продуктов и проведение сессий региональных

климатических форумов. Наибольшее значение эта работа приобретает в

регионах с ограниченными возможностями, где РКЦ фактически берут на

себя роль центрального узла, обеспечивающего доступ к диагностической и

прогностической информации. Северо-Евразийский климатический центр

выполняет свои международные обязательства как РКЦ WMO для террито-

рии Северной Евразии с 2013 г., обеспечивая метеорологические службы

стран СНГ климатической информацией и услугами (Хан, 2017).

Важнейшим инструментом, который СЕАКЦ и другие РКЦ используют

для укрепления потенциала метеослужб в зоне своей ответственности, явля-

ются Региональные климатические форумы (РКОФ). Эти мероприятия соз-

дают уникальную платформу для продуктивного диалога между

поставщиками и потребителями климатических прогнозов. Сессии РКОФ

проводятся на регулярной основе и приурочены к началу ключевых для поль-

зователей сезонов, обеспечивая продуктивный диалог на одной площадке

ведущих специалистов разного профиля.

Исторически сложилось, что в основе прогностических оценок РКОФ

лежали преимущественно экспертные заключения, формируемые в процессе

консенсусных обсуждений. Однако современный этап развития климатиче-

ской науки диктует новые стандарты: на смену субъективным подходам при-

ходят объективные методы, основанные на мультимодельном ансамблевом

прогнозировании.

Такой эволюционный переход приносит ощутимые преимущества 

повышается объективность и обоснованность прогнозов, обеспечивается про-

зрачность используемых методик, усовершенствуется процесс воспроизводи-

мости результатов и укрепляется доверие со стороны конечных

пользователей.

Северо-Евразийский климатический центр с мая 2011 года регулярно

проводит Региональные климатические форумы для стран СНГ (Хан, 2017),

которые в номенклатуре Всемирной метеорологической организации (ВМО)

получили название NEACOF (СЕАКОФ). СЕАКОФ объединяют усилия уче-

ных и специалистов в области мониторинга и прогнозирования климатиче-

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

481

ской изменчивости, что позволяет не только глубже понимать текущее

состояние климатической системы, но и разрабатывать более надежные

сезонные прогнозы по территории Северной Евразии. СЕАКОФ проводятся

дважды в год в разных форматах: осенью мероприятия проходят в очном

форме, а весной  в виртуальном режиме с использованием интернет-ресур-

сов. Особую ценность СЕАКОФ придает участие не только экспертов, конеч-

ных потребителей климатической информации, но и представителей научного

сообщества. Такой диалог между разработчиками, поставщиками и пользова-

телями консенсусных прогнозов позволяет совместно разрабатывать страте-

гии эффективного применения климатической информации и адаптировать их

под конкретные нужды социально-экономического сектора. Благодаря такому

комплексному подходу СЕАКОФ играет важную роль в развитии региональ-

ного сотрудничества и совершенствовании системы климатического прогно-

зирования на пространстве СНГ, обеспечивая более качественное и

ориентированное использование климатической информации.

Параллельно с официальной инфраструктурой климатического обслу-

живания Всемирной метеорологической организации развивается ряд автори-

тетных альтернативных инициатив по системам сезонного прогнозирования.

Эти инициативы, часто являющиеся результатом научно-практического

сотрудничества, дополняют и обогащают глобальную прогностическую

инфраструктуру. Ярким примером служит Азиатско-Тихоокеанский климати-

ческий центр (АТКЦ) в г. Пусане (Республика Корея), который разработал

уникальную систему мультимодельного ансамблевого прогнозирования на

глобальном и региональном уровнях. Помимо стандартных прогнозов, Центр

предлагает специализированные сервисы в онлайн режиме, такие как оценка

пожарной опасности и расчет климатических экстремальных индексов. Важ-

ной частью миссии АТКЦ является поддержка национальных метеорологиче-

ских служб развивающихся стран путем проведения обучения и оказания

технической помощи. Значительный вклад в работу этого консорциума вносят

и российские учреждения: Гидрометцентр России и Главная геофизическая

обсерватория (ГГО) на регулярной основе предоставляют сезонные прогнозы

в АТКЦ, рассчитываемые по моделям ПЛАВ и ГГО.

В Европе Служба изменения климата Copernicus (C3S) консолидирует

ведущие европейские климатические модели в мультимодельный ансамбль,

выпуская не только стандартные сезонные прогнозы, но и отраслевые клима-

тические продукты для различных секторов экономики, и предоставляя плат-

форму для доступа к климатическим данным и инструментам визуализации.

На американском континенте важную функцию выполняет Североаме-

риканский мультимодельный ансамбль (NMME), объединяющий прогности-

ческие системы США и Канады. Его ключевой особенностью является

использование единого протокола всеми участниками, что обеспечивает

совместимость данных и открывает широкие возможности для сравнитель-

ного анализа эволюции качества различных моделей.

Таким образом, альтернативные системы сезонного прогнозирования не

подменяют, а эффективно дополняют официальную структуру климатиче-

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

482

ского обслуживания ВМО. Их существование стимулирует здоровую конку-

ренцию, обмен передовым опытом и, в конечном итоге, способствует

прогрессу во всей области климатического прогнозирования. Для многих

стран эти ресурсы представляют собой бесценную возможность получить

доступ к современным прогностическим технологиям, минимизируя затраты

на создание собственной вычислительной инфраструктуры.

Продукты сезонного прогнозирования:

форматы представления и интерпретация

Современные системы сезонного прогнозирования предлагают разноо-

бразные форматы представления климатической информации, каждый из

которых имеет свои преимущества и области применения. Основой для всех

видов прогностической продукции служит понятие климатической нормы 

многолетнего среднего состояния атмосферы, относительно которого опреде-

ляются аномалии. Выбор базового периода для вычисления нормы (обычно

30-летнего) имеет принципиальное значение, особенно в условиях меняюще-

гося климата. Уточненные нормы, охватывающие последние годы, лучше

отражают текущие климатические тенденции.

Детерминированные сезонные прогнозы, представляемые в виде анома-

лий ансамблевого среднего, дают общее представление о наиболее вероятном

сценарии развития климатических условий. Однако такой формат не отражает

всей полноты неопределенности, присущей долгосрочным прогнозам. Поэ-

тому в современной практике предпочтение отдается вероятностным формам,

которые количественно оценивают шансы реализации различных сценариев.

Наиболее распространенным подходом является представление вероятностей

для каждой из терцильных категорий, что позволяет пользователям оценить

степень отклонения от климатической нормы.

Однако, по мнению ряда исследователей (Hansen et al., 2022), наряду с

преимуществами данный подход имеет и ряд существенных ограничений.

Ключевым из них является недостаточный учет локальных условий: про-

гнозы, составляемые для крупных регионов, не отвечают потребностям

конечных пользователей, которым необходимы данные с более высоким про-

странственным разрешением. Во-вторых, в нём используются искусственные

границы  деление на терцили (33-й и 67-й процентили) часто не совпадает с

реальными пороговыми значениями для практических задач. Кроме того,

понятие «нормы» пользователи могут трактовать по-разному. И наконец,

такой подход не учитывает успешность прогноза, из-за чего остаётся неяс-

ным, насколько можно доверять данным, что ведёт к принятию неоптималь-

ных решений.

В качестве альтернативы авторы предлагают новый подход под назва-

нием Flexible Forecast («гибкий прогноз»), реализованный в онлайн-плат-

форме. Ключевое его преимущество заключается в отображении полного

распределения вероятностей вместо трёх упрощённых категорий, возможно-

стью выбора любых пороговых значений, значимых для конкретного пользо-

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

483

вателя. Предусмотрена опция сравнения прогноза с историческими данными,

что помогает оценить, насколько текущие крупномасштабные циркуляцион-

ные условия отличаются от обычных.

Особое внимание уделяется визуализации данных  используются инте-

рактивные картографические интерфейсы, позволяющие пользователям полу-

чать информацию для конкретных точек или регионов, сравнивать различные

сценарии и анализировать исторические аналоги.

Современная система представления

сезонных климатических прогнозов на платформе СЕАКЦ

В настоящее время Северо-Евразийский климатический центр предла-

гает комплексную систему доступа к сезонным климатическим прогнозам

через свои вебресурсы (https://seakc.meteoinfo.ru/ru/).

Основу прогностической системы составляют три российские модели:

1. Модель Земной системы ИВМ РАН (INM-CM).

2. Прогностическая модель Гидрометцентра России (ПЛАВ).

3. Прогностическая модель Главной геофизической обсерватории (ГГО).

Мультимодельный подход позволяет пользователям проводить сравни-

тельный анализ прогнозов, оценивать степень согласованности между раз-

ными моделями и формировать более обоснованные выводы во время

анализа.

Технологическая платформа СЕАКЦ реализована на современной веб-

архитектуре, обеспечивающей сбор и актуализацию прогностических дан-

ных, удобный интерактивный интерфейс для работы с прогнозами и хорошую

производительность при обработке запросов.

Ядром системы является регулярный процесс обновления данных.

Пользовательский интерфейс предлагает интуитивно понятную систему

фильтров для выбора нужных параметров прогноза. С помощью выпадающих

меню пользователь может задать географический регион (Евразия, Европа,

Азия, Арктика или глобальный масштаб), метеорологические параметры

(температура воздуха, осадки, геопотенциал и др.), временной диапазон

(текущий месяц, сезонные прогнозы с различной заблаговременностью), а

Техническая реализация системы основана на современных веб-технологиях

динамического формирования запросов и адаптивную верстку для удобного

просмотра на различных устройствах.

Доступ к прогностической информации осуществляется через разделы

веб-сайта СЕАКЦ, включая:

• раздел сезонных прогнозов;

• раздел внутрисезонных прогнозов;

• раздел экстремальных явлений;

• раздел десятилетних прогнозов.

Пользователям также доступны специализированные прогностические

продукты, такие как:

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

484

• индексы атмосферной циркуляции, отражающие крупномасштабные

процессы в атмосфере;

• индекс засушливости Педя и SPI  важные показатели для агроклима-

тического прогнозирования;

• консенсусные прогнозы и др.

Эта система представляет собой важный инструмент для специалистов

метеослужб стран СНГ, представителей сельского хозяйства и других отрас-

лей, чья деятельность зависит от климатических условий. Сайт СЕАКЦ про-

должает активно развиваться. В ближайших планах перед разработчиками

стоит задача включения дополнительных функций обработки информации,

расширения набора рассчитываемых индексов, улучшения алгоритмов визуа-

лизации данных. Дальнейшее развитие платформы СЕАКЦ будет способство-

вать повышению надежности и полезности долгосрочных прогнозов для

различных категорий пользователей.

Научные исследования

в поддержку оперативной деятельности на примере СЕАКЦ

Современные методы сезонного прогнозирования переживают этап

активного развития благодаря внедрению новых технологий и научных под-

ходов, которые существенно повышают их надежность и практическую цен-

ность. Ключевым фактором успеха в этой области стала тесная интеграция

фундаментальных исследований с оперативной деятельностью.

Долгое время в России отсутствовала технология сверхдолгосрочного

динамического прогнозирования за пределами сезонного масштаба. Един-

ственная климатическая модель, разработанная в Институте вычислительной

математики РАН, хотя и позволяла учитывать факторы внутренней и внешней

изменчивости с заданием граничных условий, была ограничена в своих воз-

можностях прогнозированием классических климатических сценариев по

формату CMIP экспериментов. Ситуация изменилась благодаря поддержке

важнейшего инновационного проекта государственного значения «Единая

национальная система мониторинга климатически активных веществ», в рам-

ках которого была поставлена задача по адаптации этой модели для оператив-

ного долгосрочного и сверхдолгосрочного прогнозирования метеорологи-

ческих параметров.

Реализация этого проекта потребовала решения целого комплекса науч-

ных и технических задач. Особое значение имела разработка технологии

выпуска гидрометеорологических прогнозов на периоды от сезона до

нескольких лет  эта наукоемкая задача имеет стратегическое значение для

многих отраслей национальной экономики. Знаковым достижением стало

создание в 2023 году системы глобального ансамблевого сезонного прогноза

на базе климатической модели INM-CM5, разработанной совместно Гидро-

метцентром России и ИВМ РАН. После успешных испытаний эта система

была рекомендована к внедрению в оперативную практику (Хан и др., 2023,

2024).

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

485

Параллельно велась работа по созданию более совершенной версии

модели  INM-CM6, которая отличается повышенным пространственным

разрешением, улучшенным описанием физических процессов и оптимизиро-

ванной вычислительной эффективностью. Сравнительный анализ двух вер-

сий моделей показывает заметный прогресс: INM-CM6 демонстрирует более

высокую точность прогнозов по ключевым параметрам, хотя и сохраняет

некоторые проблемы, особенно в прогнозировании давления на уровне моря

и экстремальных осадков.

Проведенные испытания в 2022-2024 годах, включая ретроспективный

анализ за 30-летний период, подтвердили перспективность нового подхода.

Однако для полного раскрытия потенциала системы предстоит решить ряд

задач по минимизации систематических ошибок и дальнейшему совершен-

ствованию параметризаций. Развитие этих технологий открывает новые воз-

можности для повышения качества прогнозов, что особенно важно в

условиях наблюдаемых климатических изменений.

Прогнозирование климатических воздействий:

интеграция методологии ESCAP

и данных Северо-Евразийского климатического центра

Особое внимание уделяется оценке экономической и социальной полез-

ности сезонных прогнозов, которая зависит также от способности пользовате-

лей эффективно использовать предоставляемую информацию (Емелина и др.

2023). Исследования показывают, что даже прогнозы с умеренным качеством

могут приносить значительную пользу, если они своевременно поступают и

правильно интерпретируются. В этом контексте важную роль играют про-

граммы обучения пользователей, которые помогают преодолеть разрыв

между поставщиками климатической информации и конечными потребите-

лями.

Перспективные направления развития сезонного прогнозирования

включают интеграцию методов искусственного интеллекта для улучшения

прогностических моделей и постобработки, разработку систем "прогнозиро-

вания на основе воздействий" (impact-based forecasting), которые напрямую

оценивают вероятные последствия климатических аномалий. Эти инновации

постепенно трансформируют сезонное прогнозирование из чисто научной

дисциплины в важнейший инструмент адаптации к изменению климата и

управления климатическими рисками.

Экономическая и социальная комиссия ООН для Азии и Тихого океана

(ESCAP) разработала систему прогнозирования на основе воздействий

(Impact-Based Forecasting) (ESCAP & WMO, 2021), которая кардинально

меняет парадигму от простого прогноза климатических условий на сезон к

комплексной оценке их социально-экономических последствий.

Особую значимость этой системе придает стратегическое партнерство

ESCAP с Северо-Евразийским климатическим центром, позволяющее созда-

вать прикладные прогностические продукты для обширного региона Север-

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

486

ной Евразии. В основе сотрудничества лежит интеграция данных Северо-

Евразийского климатического форума в аналитическую платформу ESCAP.

Этот опыт наглядно показывает, как партнерство между международ-

ными организациями и региональными климатическими центрами позволяет

создавать принципиально новые инструменты для адаптации к изменению

климата.

Заключение

Современное развитие сезонного климатического прогнозирования

переживает период качественной трансформации, обусловленной стреми-

тельным научно-технологическим прогрессом. В результате комплексного

анализа можно констатировать, что ключевым вектором развития стало углу-

бленное понимание физических процессов климатической системы, достиг-

нутое благодаря совершенствованию описания физических процессов в

моделях и внедрению принципиально новых вычислительных подходов. Осо-

бое значение приобретает интеграция передовых технологий обработки дан-

ных, где сочетание традиционных численных методов с алгоритмами

машинного обучения позволяет существенно повысить уровень прогностиче-

ских оценок.

Важнейшим достижением последнего десятилетия стало формирование

мультимодельных ансамблей, объединяющих прогностические продукты

ведущих мировых центров. Такой подход не только снижает неопределен-

ность прогнозов, но и создает основу для разработки специализированных

климатических сервисов, ориентированных на конкретные сектора эконо-

мики. Примечательно, что особую роль в этом процессе играют региональные

центры, такие как Северо  Евразийский климатический центр, которые

адаптируют глобальные прогностические продукты к местным условиям,

учитывая специфику региональных климатических процессов.

Перспективы дальнейшего развития тесно связаны с расширением вре-

менных горизонтов прогнозирования, где особый интерес представляют суб-

сезонные (2-6 недель) и межгодовые (1-10 лет) масштабы. Реализация этого

потенциала требует углубленного изучения долгопериодных климатических

колебаний и их региональных проявлений, а также разработки новых методов

комбинирования прогнозов разной заблаговременности. Особую актуаль-

ность приобретает совершенствование систем верификации, позволяющих

объективно оценивать качество прогностической продукции и выявлять

направления для дальнейшего улучшения.

Международное сотрудничество остается краеугольным камнем разви-

тия климатического прогнозирования. Укрепление партнерских связей между

глобальными и региональными центрами, обмен данными и методиками,

совместные исследовательские инициативы  все это создает основу для фор-

мирования единого мирового прогностического пространства.

В контексте наблюдаемых климатических изменений особую ценность

приобретает практическая направленность прогностических разработок и

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

487

создание специализированных продуктов для сельского хозяйства, энерге-

тики, водного хозяйства и других уязвимых секторов.

Благодарности

Работа выполнена при финансовой поддержке гранта Российского

научного фонда (Проект № 25-77-31009).

Список литературы

Багров, Н.А., Кондратович, К.В., Педь, Д.А., Угрюмов, А.И. (1985) Дол-

госрочные метеорологические прогнозы, Л., Гидрометеоиздат, 248 с.

Бардин, М.Ю., Платова, Т.В., Самохина, О.Ф. (2015) Особенности

наблюдаемых изменений климата на территории Северной Евразии по дан-

ным регулярного мониторинга и возможные их факторы, Труды Гидромет-

центра России, вып. 358, с. 13-35.

Батырева, О.В., Вильфанд, Р.М., Лукиянова, Л.Е. (1995) Метод сверхдол-

госрочного прогноза аномалии средней месячной температуры воздуха по

территории СНГ с использованием оптимальной комплексации и результаты

его испытания, Результаты испытания новых и усовершенствованных мето-

дов краткосрочных и долгосрочных прогнозов погоды, Информационный

сборник № 23, с. 126-129.

Блинова, Е.Н. (1976) Динамика атмосферных движений планетарного

масштаба и гидродинамический долгосрочный прогноз погоды, М., Гидроме-

теоиздат, 78 с.

Вангенгейм, Г.Я. (1952) Основы макроциркуляционного метода долго-

срочных метеорологических прогнозов для Арктики, Труды ААНИИ, т. 23,

314 с.

Варгин, П.Н., Брагина, В.В., Володин, Е.М., Хан, В.М., Тарасевич, М.А.

(2024) Исследование предсказуемости изменчивости стратосферного поляр-

ного вихря в Арктике в сезонных прогнозах климатической модели ИВМ

РАН, Метеорология и гидрология, № 8, с. 60-72.

Вильфанд, Р.М., Васильев, А.А., Шестакова, Н.А. (2010) 80 лет Гидро-

метцентру России (1930-2010 сборник статей), М., Триада ЛТД, 454 с., элек-

тронный ресурс, URL: https://method.meteorf.ru/publ/books/80_years/vilfand.pdf.

Вильфанд, Р.М., Емелина, С.В., Тищенко, В.А., Толстых, М.А., Хан,

В.М. (2024) Статистическая коррекция долгосрочных прогнозов приземной

температуры воздуха по модели ПЛАВ для территории Северной Евразии,

Метеорология и гидрология, № 5, с. 5-16.

Вильфанд, Р.М., Мартазинова, В.Ф., Цепелев, В.Ю., Хан, В.М., Мирони-

чева, Н.П., Елисеев, Г.В., Иванова, Е.К., Тищенко, В.А., Уткузова, Д.Н. (2017)

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

488

Опыт комплексирования синоптико-статистических и гидродинамических

прогностических систем, Метеорология и гидрология, № 8, с. 5-17.

Володин, Е.М., Мортиков, Е.В., Кострыкин, С.В. и др. (2017) Воспроиз-

ведение современного климата в новой версии модели климатической

системы ИВМ РАН, Известия РАН. Физика атмосферы и океана, т. 53, № 2,

с. 164-178.

Воробьева, В.В., Володин, Е.М. (2020) Экспериментальные исследования

сезонной предсказуемости погоды, выполненные на основе климатической

модели ИВМ РАН, Математическое моделирование, т. 32, № 11, с. 47-58.

Воскресенская, Е.Н., Зеленько, А.А., Полонский, А.Б. (1992) Эль-Ниньо

1991-1992 годов и его проявления в тропической Атлантике, Морской гидро-

физический журнал, № 6, с. 62-70.

Гирс, А.А. (1974) Макроциркуляционный метод долгосрочных метеоро-

логических прогнозов, Л., Гидрометеоиздат, 485 с.

Груза, Г.В., Ранькова, Э.Я. (1981) О долгосрочных метеорологических

прогнозах с использованием группы аналогов и оценке предсказуемости

метеорологических процессов, Труды ВНИИГМИ-МЦД, вып. 77, с. 3-13.

Гущина, Д.Ю., Калиновская, М.В., Матвеева, Т.А. (2020) Влияние тихо-

океанского десятилетнего колебания на характеристики Эль-Ниньо двух

типов при возможных изменениях климата, Метеорология и гидрология,

№ 10, с. 14-28.

Давыдов, Г.И., Полонский, А.Б. (1996) Изменчивость системы океан-

атмосфера в Австрало-Азиатском регионе в связи с Эль-Ниньо-Южное коле-

бание, Известия РАН. Физика атмосферы и океана, т. 32, № 3.

Дианский, Н.А. (2013) Моделирование циркуляции океана и исследова-

ние его реакции на короткопериодные и долгопериодные атмосферные воз-

действия, М., Физматлит, 272 с.

Дымников, В.П., Залесный, В.Б., Глазунов, А.В., Степаненко, В.М.

(2022) Модели климата, геофизических пограничных слоев и деятельного

слоя суши: памяти В.Н. Лыкосова, Известия Российской академии наук.

Физика атмосферы и океана, т. 58, № 4, с. 375-383.

Емелина, С.В., Хан, В.М., Семенов, В.А., Воробьева, В.В., Тарасевич,

М.А., Володин, Е.М. (2023) Использование сезонных гидродинамических

прогнозов модели INM-CM5 для оценки сроков начала пыления березы, Изве-

стия РАН. Физика атмосферы и океана, т. 59, № 4, с. 407-416.

Железнова, И.В., Гущина, Д.Ю. (2015) Отклик глобальной циркуляции

атмосферы на два типа Эль-Ниньо, Метеорология и гидрология, № 3, с. 36-50.

Железнова, И.В., Котляревская, А.Д., Гущина, Д.Ю. (2024) Воспроизве-

дение фазы и амплитуды Колебания Маддена-Джулиана в различных версиях

климатической модели ИВМ РАН, Метеорология и гидрология, № 9, с. 82-92.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

489

Зеленько, А.А., Михайлова, Э.Н., Полонский, А.Б., Шапиро, Н.Б. (1983)

Моделирование циркуляции и поля температуры в экваториальной зоне

Атлантического океана, в кн.: Гидрофизические исследования в Центральной

Атлантике, Севастополь, Изд. МГИ АН УССР, с. 31-40.

Киктев, Д.Б., Толстых, М.А., Мирвис, В.М. (2014) О предсказуемости

экстремальных метеорологических явлений на временных масштабах до

сезона. Экстремальные паводки в бассейне р. Амур: причины, прогнозы, реко-

мендации (сб. докладов), М., с. 54-66.

Киктев, Д.Б., Хан, В.М., Крыжов, В.Н. и др. (2015) Технология выпуска

долгосрочных прогнозов Северо-Евразийского климатического центра

(СЕАКЦ), Труды Гидрометцентра России, вып. 358, с. 36-58.

Киктев, Д.Б., Круглова, Е.Н., Куликова, И.А. (2015) Крупномасштабные

моды атмосферной изменчивости. Часть I. Статистический анализ и гидроди-

намическое моделирование, Метеорология и гидрология, № 3, с. 5-22.

Киктев, Д.Б., Круглова, Е.Н., Куликова, И.А. (2015) Крупномасштабные

моды атмосферной изменчивости. Часть II. Их влияние на пространственное

распределение температуры и осадков на территории Северной Евразии,

Метеорология и гидрология, № 4, с. 5-14.

Крыжов, В.Н. (2012) Вероятностный сезонный прогноз температуры

воздуха на основе статистических связей метеорологических величин. Дис.

… д-ра геогр. наук, М., 297 с.

Куликова, И.А., Вильфанд, Р.М., Хан, В.М., Круглова, Е.Н., Тищенко,

В.А., Емелина, С.В., Каверина, Е.С., Набокова, Е.В., Субботин, А.В., Суме-

рова, К.А., Толстых, М.А. (2024) Климатические прогнозы. Часть I. Совре-

менное состояние и перспективы развития, Метеорология и гидрология,

№ 7, с. 5-24.

Куликова, И.А., Вильфанд, Р.М., Хан, В.М., Круглова, Е.Н., Тищенко,

В.А., Емелина, С.В., Каверина, Е.С., Набокова, Е.В., Субботин, А.В., Суме-

рова, К.А., Толстых, М.А. (2024) Климатические прогнозы. Часть II. Вероят-

ностные подходы, Метеорология и гидрология, № 8, с. 5-19.

Куликова, И.А., Набокова, Е.В., Хан, В.М., Володин, Е.М., Тарасевич,

М.А. (2023) Колебание Маддена-Джулиана в контексте внутрисезонной

изменчивости, дальних связей и предсказуемости, Метеорология и гидроло-

гия, № 8, с. 5-23.

Лубков, А.С., Воскресенская, Е.Н., Марчукова, О.В. (2017) Прогнозиро-

вание индекса Южного колебания, Вестник Санкт-Петербургского универси-

тета, Науки о Земле, т. 62, № 4, с. 370-388.

Лубков, А.С., Воскресенская, Е.Н., Марчукова, О.В. (2020) Применение

нейронных сетей для модельного прогноза Эль-Ниньо и Ла-Нинья, включая

их типы, Метеорология и гидрология, № 11, с. 111-121.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

490

Мирвис, В.М., Мелешко, В.П. (2008) Современное состояние и перспек-

тивы развития метеорологических прогнозов на месяц и сезон, Труды ГГО,

вып. 558, с. 3-40.

Мирвис, В.М., Мелешко, В.П., Львова, Т.Ю., Матюгин, В.А., Байдин,

А.В. (2020) О предсказуемости крупных аномалий приземной температуры

воздуха по данным исторических сезонных прогнозов, рассчитанных с

использованием МОЦАО ГГО (T63L25/ИВМ РАН), Труды Главной геофизи-

ческой обсерватории им. А.И. Воейкова, № 598, с. 137-154.

Муравьев, А.В., Казначеева, В.Д., Круглова, Е.Н., Куликова, И.А. (1999)

Долгосрочное прогнозирование аномальных синоптических ситуаций. I.

Основные конструктивные и технические характеристики динамико-стати-

стической схемы долгосрочного прогноза погоды, Метеорология и гидроло-

гия, № 3, с. 28-36.

Муравьев, А.В., Казначеева, В.Д., Круглова, Е.Н., Куликова, И.А. (1999)

Долгосрочное прогнозирование аномальных синоптических ситуаций. II.

Условия эксперимента и результаты прогноза, Метеорология и гидрология,

№ 4, с. 5-15.

Осипов, А.М., Гущина, Д.Ю. (2021) Механизм формирования двух

типов Эль-Ниньо в современном климате, Вестник Московского универси-

тета. Серия 5. География, № 1, с. 128-134.

Пагава, С.Т., Аристов, Н.А., Блюмина, Л.И., Туркетти, З.Л. (1966)

Основы синоптического метода сезонных прогнозов погоды, Л., Гидрометео-

издат, 363 с.

Полонский, А.Б. (2001) Роль океана в современных изменениях кли-

мата, Морской гидрофизический журнал, № 6, с. 32-54.

Полонский, А.Б., Башарин, Д.В. (2002) О влиянии Североатлантиче-

ского и Южного колебаний на изменчивость приземной температуры в Евро-

пейско-Средиземноморском регионе, Известия РАН. Физика атмосферы и

океана, т. 38, № 1, с. 135-145.

Полосин, А.С. (1975) Проблемы Эль-Ниньо, М., Наука, 136 с.

Реснянский, Ю.Д., Зеленько, А.А., Струков, Б.С., Степанов, В.Н., Хан,

В.М., Воробьева, В.В., Тарасевич, М.А., Грицун, А.С., Володин, Е.М. (2024)

Оценка успешности воспроизведения океанографических полей в ретроспек-

тивных прогнозах по модели Земной системы INM-CM5, Метеорология и

гидрология, № 3, с. 5-20.

Семенов, В.А., Мартин, Т., Беренс, Л.К., Латиф, М., Астафьева, Е.С.

(2017) Изменения площади арктических морских льдов в ансамблях климати-

ческих моделей CMIP3 и CMIP5, Лёд и Снег, т. 57, № 1, с. 77-107.

Семенов, В.А., Черенкова, Е.А., Алдонина, Т.А. (2023) Современные и

ожидаемые характеристики сезонного хода ледового покрова в морях Россий-

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

491

ской Арктики, Доклады Российской академии наук. Науки о Земле, т. 511, № 1,

с. 112-118.

Сумерова, К.А., Варгин, П.Н., Лукьянов, А.Н., Хан, В.М. (2023) Анализ

циркуляционных условий в тропосфере и стратосфере, способствующих фор-

мированию волн холода на северо-западе и в центре Европейской территории

России в декабре 2021 г., Метеорология и гидрология, № 11, с. 20-38.

Тищенко, В.А., Хан, В.М., Круглова, Е.Н., Куликова, И.А. (2019) Про-

гнозирование осадков и температуры в бассейне реки Амур на месячных и

сезонных интервалах времени, Метеорология и гидрология, № 3, с. 24-39.

Тищенко, В.А., Хан, В.М., Круглова, Е.Н., Куликова, И.А. (2016) Приме-

нение статистической коррекции детерминистских прогнозов температуры

воздуха и осадков по модели ПЛАВ для Арктического региона, Труды Гидро-

метцентра России, вып. 361, с. 47-65.

Толстых, М.А., Желен, Ж.Ф., Володин, Е.М. и др. (2015) Разработка

многомасштабной версии глобальной модели атмосферы ПЛАВ, Метеороло-

гия и гидрология, № 6, с. 25-35.

Толстых, М.А., Шашкин, В.В., Фадеев, Р.Ю. и др. (2017) Система моде-

лирования атмосферы для бесшовного прогноза, М., Триада ЛТД, 167 с.

Угрюмов, А.И. (2006) Долгосрочные метеорологические прогнозы, СПб.,

ЗАО «НПП Система», 317 с.

Фадеев, Р.Ю., Шашкин, В.В., Толстых, М.А., Травова, С.В., Мизяк, В.Г.,

Рогутов, В.С., Алипова, К.А. (2021) Развитие системы долгосрочного про-

гноза Гидрометцентра России в 2020 году, Гидрометеорологические исследо-

вания и прогнозы, № 1(379), с. 58-72.

Хан, В.М. (2017) Концепция региональных климатических форумов

ВМО и вклад Северо-Евразийских климатических форумов в ее реализацию,

Труды Гидрометцентра России, вып. 366, с. 5-13.

Хан, В.М., Вильфанд, Р.М., Крыжов, В.Н. и др. (2011) Мультимодельный

подход при составлении прогнозов погоды на сезон, Метеорология и гидроло-

гия, № 1, с. 19-29.

Хан, В.М., Вильфанд, Р.М., Тищенко, В.А., Емелина, С.В., Грицун, А.С.,

Володин, Е.М., Воробьева, В.В., Тарасевич, М.А. (2023) Оценка изменений

температурного режима по Северной Евразии на предстоящее пятилетие по

прогнозам модели Земной системы ИВМ РАН и их возможных последствий

для сельского хозяйства, Метеорология и гидрология, № 9, с. 14-28.

Хан, В.М., Круглова, Е.Н., Тищенко, В.А., Куликова, И.А., Субботин,

А.В., Грицун, А.С., Володин, Е.М., Тарасевич, М.А., Брагина, В.В. (2024)

Верификация сезонных ансамблевых прогнозов на базе модели Земной

системы INM-CM5, Метеорология и гидрология, № 7, с. 40-55.

Цепелев, В.Ю., Хан, В.М. (2015) Вероятностное представление долго-

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

492

срочных метеорологических прогнозов, разработанных синоптическими

методами, Метеорология и гидрология, № 4, с. 17-31.

Anderson, D.L.T. (2008) Overview of seasonal forecasting, in: Seasonal

Climate: Forecasting and Managing Risk, Troccoli, A., Harrison, M., Anderson,

D.L.T and Mason, S.J. (eds.), NATO Science Series, Springer Academic

Publishers, pp. 45-66.

Baggett, C.F., Barnes, E.A., Maloney, E.D., Mundhenk, B.D. (2017)

Advancing atmospheric river forecasts into subseasonal-to-seasonal time scales,

Geophysical Research Letters, vol. 44, no. 14, pp. 7528-7536.

Baldwin, M.P., Stephenson, D.B., Thompson, D.W.J., Dunkerton, T.J.,

Charlton, A.J., O'Neill, A. (2003) Stratospheric memory and skill of extended-

range weather forecasts, Science, vol. 301, no. 5633, pp. 636-640.

Bi, K., et al. (2023) Accurate medium-range global weather forecasting with

3d neural networks, Nature, vol. 619, pp. 533-538.

Bjerknes, J. (1969) Atmospheric teleconnections from the equatorial Pacific,

Monthly Weather Review, vol. 97, no. 3, pp. 163-172.

Brajard, J., Counillon, F., Wang, Y., Kimmritz, M. (2023) Enhancing

Seasonal Forecast Skills by Optimally Weighting the Ensemble from Fresh Data,

Weather and Forecasting, vol. 38, pp. 2691-2705.

Burgers, G., Jin, F.F., van Oldenborgh, G.J. (2005) The simplest ENSO

recharge oscillator, Geophysical Research Letters, vol. 32, no. 13, L13706.

Cassou, C. (2008) Intraseasonal interaction between the Madden–Julian

Oscillation and the North Atlantic Oscillation, Nature, vol. 455, no. 7212, pp. 523-527.

Charney, J.G., Fjørtoft, R., von Neumann, J. (1950) Numerical integration of

the barotropic vorticity equation, Tellus, vol. 2, no. 4, pp. 237-254.

Chen, L., et al. (2024) A machine learning model that outperforms

conventional global subseasonal forecast models, Nature Communications, vol. 15,

6425.

de Burgh-Day, C.O., Leeuwenburg, T. (2023) Machine learning for numerical

weather and climate modelling: a review, Geoscientific Model Development, vol.

16, pp. 6433-6477.

Doblas-Reyes, F.J., García-Serrano, J., Lienert, F., Biescas, A.P., Rodrigues,

L.R.L. (2013) Seasonal climate predictability and forecasting: status and prospects,

WIREs Climate Change, vol. 4, no. 4, pp. 245-268.

Dunstone, N., Smith, D.M., Hardiman, S.C., et al. (2023) Windows of

opportunity for predicting seasonal climate extremes highlighted by the Pakistan

floods of 2022, Nature Communications, vol. 14, 6544.

ESCAP & WMO (2021) Manual for Operationalizing Impact-based

Forecasting and Warning Services (IBFWS), United Nations.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

493

Frankignoul, C., Sennéchael, N. (2007) Observed influence of North Pacific

SST anomalies on the atmospheric circulation, Journal of Climate, vol. 20, no. 3,

pp. 592-606.

Gebbie, G., Eisenman, I., Wittenberg, A., Tziperman, E. (2007) Modulation

of westerly wind bursts by sea surface temperature. A semistochastic feedback for

ENSO, Journal of the Atmospheric Sciences, vol. 64, no. 9, pp. 3281-3295.

Gettelman, A., Fox-Kemper, B., Flato, G., et al. (2023) Kilometre-Scale

Modelling of the Earth System: A New Paradigm for Climate Prediction, WMO

Bulletin, vol. 72, no. 2, pp. 14-18.

Guo, Z., Dirmeyer, P.A., DelSole, T. (2011) Land surface impacts on subseasonal

and seasonal predictability, Geophysical Research Letters, vol. 38, L24812.

Hansen, J.W., Dinku, T., Robertson, A.W., Cousin, R., Trzaska, S., Mason,

S.J. (2022) Flexible forecast presentation overcomes longstanding obstacles to

using probabilistic seasonal forecasts, Frontiers in Climate, vol. 4, 908661.

Harrison, M., Troccoli, A., Williams, J.B., Coughlan, M. (2008) Seasonal

Forecasts in Decision Making. In: Troccoli A., Harrison M., Anderson D.L.T.,

Mason S.J. (eds) Seasonal Climate: Forecasting and Managing Risk, Springer, pp.

13-42.

Hewitt, C., Moufouma-Okia, W. (2023) Climate Services Based on Climate

Predictions and Projections, WMO Bulletin, vol. 72, no. 2, pp. 19-24.

Hoskins, B., Schopf P.S. (2008) Ocean-Atmosphere basis for seasonal

climate forecasting, in: Seasonal Climate: Forecasting and Managing Risk,

Troccoli A., Harrison M., Anderson, D.L.T and Mason S.J. (eds,), NATO Science

Series, Springer Academic Publishers, pp. 67-90.

Hsu, H., Dirmeyer, P.A. (2021) Nonlinearity and multivariate dependencies in

land-atmosphere coupling, Water Resources Research, vol. 57, e2020WR028179.

Hurrell, J.W., Kushnir, Y., Ottersen, G., Visbeck, M. (Eds.). (2003) The North

Atlantic Oscillation: Climatic Significance and Environmental Impact, American

Geophysical Union.

Jansen, M.F., Dommenget, D., Keenlyside, N. (2009) Tropical Atmosphere–

Ocean Interactions in a Conceptual Framework, Journal of Climate, vol. 22, no. 3,

pp. 550-567.

Jin, E.K., Kinter, J.L., Wang, B., Park, C.-K., Kang, I.-S., Kirtman, B.P., Kug,

J.-S., Kumar, A., Luo, J.-J., Schemm, J., Shukla, J., Yamagata, T. (2008) Current

status of ENSO prediction skill in coupled ocean-atmosphere models, Climate

Dynamics, vol. 31, no. 6, pp. 647-664.

Kent, C., Scaife, A.A., Dunstone, N.J., Smith, D., Hardiman, S.C., Dunstan,

T., Watt-Meyer, O. (2025) Skilful global seasonal predictions from a machine

learning weather model trained on reanalysis data, Climate and Atmospheric

Science, vol. 8, no. 1, p. 314.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

494

Kim, J.H., Kim, B.M., Lee, J.G., Lim, Y.K., Sim, J.H., Kim, J.H. (2025) Sea

ice initialization and its impact on winter seasonal prediction skill over the

Northern Hemisphere in coupled forecast system, Journal of Climate, vol. 38, no.

15, pp. 3989-4001.

Kirtman, B.P., and Coauthors (2014) The North American Multi-Model

Ensemble (NMME): Phase-1 seasonal to interannual prediction, phase-2 toward

developing intra-seasonal prediction, Bulletin of the American Meteorological

Society, vol. 95, no. 4, pp. 585-601.

Lamb, P.J., Peppler, R.A. (1987) North Atlantic Oscillation. Concept and an

application, Bulletin of the American Meteorological Society, vol. 68, no. 10, pp.

1218-1225.

Luo, J.-J., Masson, S., Behera, S., Yamagata, T. (2008) Extended ENSO

predictions using a fully coupled ocean-atmosphere model, Journal of Climate, vol.

21, no. 1, pp. 84-93.

Luo, J.-J., Yuan, C.X., Sasaki, W., Behera, S.K., Masson, S. (2016) Current

status of intraseasonal-seasonal-to-interannual prediction of the Indo-Pacific

climate. In: Indo-Pacific Climate Variability and Predictability, World Scientific,

pp. 63-107.

Maher, N., McGregor, S., England, M.H., Sen Gupta, A. (2015) Effects of

volcanism on tropical variability, Geophysical Research Letters, vol. 42, no. 14, pp.

6024-6033.

Mariotti, A., Baggett, C., Barnes, E.A., et al. (2020) Windows of opportunity

for skillful forecasts subseasonal to seasonal and beyond, Bulletin of the American

Meteorological Society, vol. 101, no. 5, pp. E608-E625.

Matveeva, T., Gushchina, D., Dewitte, B. (2018) The seasonal relationship

between intraseasonal tropical variability and ENSO in CMIP5, Geoscientific

Model Development, vol. 11, no. 6, pp. 2373-2392.

McPhaden, M.J., Busalacchi, A.J., Cheney, R., Donguy, J.R., Gage, K.S.,

Halpern, D., Ji M., Julian, P., Meyers,, G., Mitchum, G.T., Niiler, P.P., Picaut, J.,

Reynolds, R.W., Smith, N., Takeuchi, K. (1998) The Tropical Ocean-Global

Atmosphere observing system. A decade of progress, Journal of Geophysical

Research: Oceans, vol. 103, no. C7, pp. 14169-14240.

Philander, S. (1986) Oceanography. Predictability of El Niño, Nature, vol.

321, pp. 810-811.

Rasmusson, E.M., Carpenter, T.H. (1982) Variations in tropical sea surface

temperature and surface wind fields associated with the Southern Oscillation/El

Niño, Monthly Weather Review, vol. 110, no. 5, pp. 354-384.

Schott, F.A., Xie, S.-P., McCreary, J.P. (2009) Indian Ocean circulation and

climate variability, Reviews of Geophysics, vol. 47, no. 1, RG1002.

Schubert, S., Wang, H., Suarez, M. (2011) Warm season subseasonal ariavbi-

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

495

lity and climate extremes in the Northern Hemisphere: The role of stationary

Rossby waves, Journal of Climate, vol. 24, no. 18, pp. 4773-4792.

Shindell, D., Schmidt, G.A., Miller, R.L., Mann, M.E. (2003) Volcanic and

solar forcing of climate change during the preindustrial era, Journal of Climate,

vol. 16, no. 24, pp. 4094-4107.

Suarez, M.J., Schopf, P.S. (1988) A delayed action oscillator for ENSO,

Journal of the Atmospheric Sciences, vol. 45, no. 21, pp. 3283-3287.

Tan, X.X., Tang, Y.M., Lian,T., Yao, Z.X., Li ,X.J., Chen, D. (2019) A study

of the effects of westerly wind bursts on ENSO based on CESM, Climate

Dynamics, vol. 54, no. 1, pp. 885-899.

Vitart, F., Bonet, A., Brookshaw, A., et. al. (2017) The subseasonal to

seasonal (S2S) prediction project database, Bulletin of the American

Meteorological Society, vol. 98, no. 1, pp. 163-173.

Vitart, F., Balmaseda, M.A., Ferranti, L., Anderson, D. (2003) Westerly wind

events and the 1997/98 El Niño event in the ECMWF seasonal forecasting system:

A case study, Journal of Climate, vol. 16, no. 16, pp. 3153-3170.

Walker, G.T. (1923) Correlation in seasonal variations of weather. VIII. A

preliminary study of world-weather, Memoirs of the Indian Meteorological

Department, vol. 24, no. 4, pp. 75-131.

Walker, G.T. (1924) Correlation in seasonal variations of weather. IX. A

further study of world-weather, Memoirs of the Indian Meteorological Department,

vol. 24, no. 9, pp. 275-332.

Wang, C. (2001) A unified oscillator model for the El Niño-Southern

Oscillation, Journal of Climate, vol. 14, no. 1, pp. 98-115.

World Meteorological Organization (WMO) (2020) Guidance on Operational

Practices for Objective Seasonal Forecasting (WMO-No. 1246), Geneva.

Wu, L., He, F., Liu, Z., Li, C. (2007) Atmospheric teleconnections of tropical

Atlantic variability: Interhemispheric, tropical-extratropical, and cross-basin

interactions, Journal of Climate, vol. 20, no. 5, pp. 856-870.

Wyrtki, K., Stroup, E., Patzert, W., Williams, R., Quinn, W. (1976) Predicting

and observing El Niño, Science, vol. 191, no. 4225, pp. 343-346.

References

Bagrov, N.A., Kondratovich, K.V., Ped', D.A., Ugryumov, A.I. (1985)

Dolgosrochnye meteorologicheskie prognozy [Long-Term Weather Forecasts],

Gidrometeoizdat, Leningrad, Russia, 248 p.

Bardin, М.Yu, Platova, T.V., Samokhina, O.F. (2015) Osobennosti

nablyudaemykh izmenenii klimata na territorii Severnoi Evrazii po dannym

regulyarnogo monitoringa i vozmozhnye ikh faktory [Features of observed climate

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

496

changes in Northern Eurasia according to regular monitoring data and their

possible factors], Trudy Gidromettsentra Rossii [Proceedings of the

Hydrometeorological Center of Russia], no. 358, pp. 13-35.

Batyreva, O.V., Vil'fand, R.M., Lukiyanova, L.E. (1995) Metod

sverkhdolgosrochnogo prognoza anomalii srednei mesyachnoi temperatury

vozdukha po territorii SNG s ispol'zovaniem optimal'noi kompleksatsii i rezul'taty

ego ispytaniya [A method for very long-range forecasting of mean monthly air

temperature anomalies over the CIS territory using optimal combination and results

of its testing], Rezul'taty ispytaniya novykh i usovershenstvovannykh metodov

kratkosrochnykh i dolgosrochnykh prognozov pogody. Informatsionnyi sbornik

no. 23 [Results of testing new and improved methods for short-range and long-

range weather forecasts. Information collection no. 23], pp. 126-129.

Blinova, E.N. (1976) Dinamika atmosfernykh dvizhenii planetarnogo

masshtaba i gidrodinamicheskii dolgosrochnyi prognoz pogody [Dynamics of

planetary-scale atmospheric motions and hydrodynamic long-range weather

forecasting], Gidrometeoizdat, Moscow, Russia, 78 p.

Vangengeim, G.Ya. (1952) Osnovy makrotsirkulyatsionnogo metoda

dolgosrochnykh meteorologicheskikh prognozov dlya Arktiki [Fundamentals of

the macrocirculation method for long-term meteorological forecasts for the Arctic],

Trudy AANII [Proceedings of the Arctic and Antarctic Research Institute], vol. 23,

314 p.

Vargin, P.N., Bragina, V.V., Volodin, E.M., Khan, V.M., Tarasevich, M.A.

(2024) Issledovanie predskazuemosti izmenchivosti stratosfernogo polyarnogo

vikhrya v Arktike v sezonnykh prognozakh klimaticheskoi modeli IVM RAN

[Study of the predictability of stratospheric polar vortex variability in the Arctic in

seasonal forecasts of the INM RAS climate model], Meteorologiya i gidrologiya,

no. 8, pp. 60-72.

Vil'fand, R.M., Vasil'ev, A.A., Shestakova, N.A. (2010) 80 let

Gidromettsentru Rossii: 1930-2010, sbornik statei [80 years to the

Hydrometeorological Center of Russia: 1930-2010, collection of articles], Triada

LTD, Moscow, Russia, 454 p. URL: https://method.meteorf.ru/publ/books/

80_years/vilfand.pdf.

Vil'fand, R.M., Emelina, S.V., Tishchenko, V.A., Tolstykh, M.A., Khan, V.M.

(2024) Statisticheskaya korrektsiya dolgosrochnykh prognozov prizemnoi

temperatury vozdukha po modeli PLAV dlya territorii Severnoi Evrazii [Statistical

correction of long-range forecasts of surface air temperature using the SLAV model

for Northern Eurasia], Meteorologiya i gidrologiya, no. 5, pp. 5-16.

Vil'fand, R.M., Martazinova, V.F., Tsepelev, V.Yu., Khan, V.M., Mironicheva,

N.P., Eliseev, G.V., Ivanova, E.K., Tishchenko, V.A., Utkuzova, D.N. (2017) Opyt

kompleksirovaniya sinoptiko-statisticheskikh i gidrodinamicheskikh prog-

nosticheskikh sistem [Experience in combining synoptic-statistical and

hydrodynamic forecasting systems], Meteorologiya i gidrologiya, no. 8, pp. 5-17.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

497

Volodin, E.M., Mortikov, E.V., Kostrykin, S.V., et al. (2017) Vosproizvedenie

sovremennogo klimata v novoi versii modeli klimaticheskoi sistemy IVM RAN

[Reproduction of the modern climate in the new version of the INM RAS climate

system model], Izvestiya RAN. Fizika atmosfery i okeana, vol. 53, no. 2, pp. 164-

178.

Vorob'eva, V.V., Volodin, E.M. (2020) Eksperimental'nye issledovaniya

sezonnoi predskazuemosti pogody, vypolnennye na osnove klimaticheskoi modeli

IVM RAN [Experimental studies of seasonal weather predictability performed

using the INM RAS climate model], Matematicheskoe modelirovanie, vol. 32, no.

11, pp. 47-58.

Voskresenskaya, E.N., Zel'enko, A.A., Polonskii, A.B. (1992) El'-Nino' 1991-

1992 godov i ego proyavleniya v tropicheskoi Atlantike [The 1991-1992 El Niño

and its manifestations in the tropical Atlantic], Morskoi gidrofizicheskii zhurnal,

no. 6, pp. 62-70.

Girs, A.A. (1974) Makrotsirkulyatsionnyi metod dolgosrochnykh

meteorologicheskikh prognozov [Macrocirculation Method of Long-Range Weather

Forecasts], Gidrometeoizdat, Leningrad, Russia, 485 p.

Gruza, G.V., Ran'kova, E.Ya. (1981) O dolgosrochnykh meteorologicheskikh

prognozakh s ispol'zovaniem gruppy analogov i otsenke predskazuemosti

meteorologicheskikh protsessov [On long-range meteorological forecasts using a

group of analogs and assessment of the predictability of meteorological processes,

Trudy VNIIGMI-MTsD [Proceedings of the All-Russian Research Institute of

Hydrometeorological Information ‒ World Data Center], no. 77, pp. 3-13.

Gushchina, D.Yu., Kalinovskaya, M.V., Matveeva, T.A. (2020) Vliyanie

tikhookeanskogo desyatiletnego kolebaniya na kharakteristiki El'-Nino' dvukh

tipov pri vozmozhnykh izmeneniyakh klimata [Influence of the Pacific Decadal

Oscillation on the characteristics of two types of El Niño under possible climate

changes, Meteorologiya i gidrologiya, no. 10, pp. 14-28.

Davydov G.I., Polonskii A.B. 1996. Izmenchivost' sistemy okean-atmosfera v

Avstralo-Aziatskom regione v svyazi s El'-Nino'-Yuzhnoe kolebanie [Variability of

the ocean-atmosphere system in the Austral-Asian region in connection with El Niño-

Southern Oscillation], Izvestiya RAN. Fizika atmosfery i okeana, vol. 32, no. 3.

Dianskii, N.A. (2013) Modelirovanie tsirkulyatsii okeana i issledovanie ego

reaktsii na kratkoperiodnye i dolgoperiodnye atmosfernye vozdeistviya [Modeling

Ocean Circulation and Studying its Response to Short-Period and Long-Period

Atmospheric Impacts], Fizmatlit, Moscow, Russia, 272 p.

Dymnikov, V.P., Zalesnyi, V.B., Glazunov, A.V., Stepanenko, V.M. (2022)

Modeli klimata, geofizicheskikh pogranichnykh sloev i deyatel'nogo sloya sushi:

pamyati V.N. Lykosova [Models of climate, geophysical boundary layers, and land

surface layer: in memory of V.N. Lykosov], Izvestiya Rossiiskoi akademii nauk.

Fizika atmosfery i okeana, vol. 58, no. 4, pp. 375-383.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

498

Emelina, S.V., Khan, V.M., Semenov, V.A., Vorob'eva, V.V., Tarasevich,

M.A., Volodin, E.M. (2023) Ispol'zovanie sezonnykh gidrodinamicheskikh

prognozov modeli INM-CM5 dlya otsenki srokov nachala pyleniya berezy [Using

seasonal hydrodynamic forecasts of the INM-CM5 model to estimate the start dates

of birch pollen season], Izvestiya RAN. Fizika atmosfery i okeana, vol. 59, no. 4,

pp. 407-416.

Zheleznova, I.V., Gushchina, D.Yu. (2015) Otklik global'noi tsirkulyatsii

atmosfery na dva tipa El'-Nino' [Response of the global atmospheric circulation to

two types of El Niño], Meteorologiya i gidrologiya, no. 3, pp. 36-50.

Zheleznova, I.V., Kotlyarevskaya, A.D., Gushchina, D.Yu. (2024)

Vosproizvedenie fazy i amplitudy Kolebaniya Maddena-Dzhuliana v razlichnykh

versiyakh klimaticheskoi modeli IVM RAN [Reproduction of the phase and

amplitude of the Madden-Julian Oscillation in different versions of the INM RAS

climate model], Meteorologiya i gidrologiya, no. 9, pp. 82-92.

Zel'enko, A.A., Mikhailova, E.N., Polonskii, A.B., Shapiro, N.B. (1983)

Modelirovanie tsirkulyatsii i polya temperatury v ekvatorial'noi zone

Atlanticheskogo okeana [Modeling circulation and temperature fields in the

equatorial zone of the Atlantic Ocean], Gidrofizicheskie issledovaniya v

Tsentral'noi Atlantike [Hydrophysical Research in the Central Atlantic], Izd. MGI

AN USSR, Sevastopol, Moscow, Russia, pp. 31-40.

Kiktev, D.B., Tolstykh, M.A., Mirvis, V.M. (2014) O predskazuemosti

ekstremal'nykh meteorologicheskikh yavlenii na vremennykh masshtabakh do

sezona [On the predictability of extreme meteorological phenomena on time scales

up to a season], Ekstremal'nye pavodki v basseine r. Amur: prichiny, prognozy,

rekomendatsii (sb. dokladov) [Extreme floods in the Amur River basin: causes,

forecasts, recommendations (collection of reports), Moscow, Russia, pp. 54-66.

Kiktev, D.B., Khan, V.M., Kryzhov, V.N. et al. (2015) Tekhnologiya vypuska

dolgosrochnykh prognozov Severo-Evraziiskogo klimaticheskogo tsentra

(SEAKTs) [Technology for issuing long-range forecasts of the North Eurasian

Climate Centre (NEACC)], Trudy Gidromettsentra Rossii [Proceedings of the

Hydrometeorological Center of Russia], no. 358, pp. 36-58.

Kiktev, D.B., Kruglova, E.N., Kulikova, I.A. (2015) Krupnomasshtabnye

mody atmosfernoi izmenchivosti. Chast' I. Statisticheskii analiz i

gidrodinamicheskoe modelirovanie [Large-scale modes of atmospheric variability.

Part I. Statistical analysis and hydrodynamic modeling], Meteorologiya i

gidrologiya, no. 3, pp. 5-22.

Kiktev, D.B., Kruglova, E.N., Kulikova, I.A. (2015) Krupnomasshtabnye

mody atmosfernoi izmenchivosti. Chast' II. Ikh vliyanie na prostranstvennoe

raspredelenie temperatury i osadkov na territorii Severnoi Evrazii [Large-scale

modes of atmospheric variability. Part II. Their influence on the spatial distribution

of temperature and precipitation over Northern Eurasia], Meteorologiya i

gidrologiya, no. 4, pp. 5-14.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

499

Kryzhov, V.N. (2012) Veroyatnostnyi sezonnyi prognoz temperatury

vozdukha na osnove statisticheskikh svyazei meteorologicheskikh velichin

[Probabilistic seasonal air temperature forecast based on statistical relationships of

meteorological quantities], Doctor’s thesis, Moscow, Russia, 297 p.

Kulikova, I.A., Vil'fand, R.M., Khan, V.M., Kruglova, E.N., Tishchenko,

V.A., Emelina, S.V., Kaverina, E.S., Nabokova, E.V., Subbotin, A.V., Sumerova,

K.A., Tolstykh, M.A. (2024) Klimaticheskie prognozy. Chast' I. Sovremennoe

sostoyanie i perspektivy razvitiya [Climate forecasts. Part I. Current state and

development prospects], Meteorologiya i gidrologiya, no. 7, pp. 5-24.

Kulikova, I.A., Vil'fand, R.M., Khan, V.M., Kruglova, E.N., Tishchenko,

V.A., Emelina, S.V., Kaverina, E.S., Nabokova, E.V., Subbotin, A.V., Sumerova,

K.A., Tolstykh, M.A. (2024) Klimaticheskie prognozy. Chast' II. Veroyatnostnye

podkhody [Climate forecasts. Part II. Probabilistic approaches], Meteorologiya i

gidrologiya, no. 8, pp. 5-19.

Kulikova, I.A., Nabokova, E.V., Khan, V.M., Volodin, E.M., Tarasevich,

M.A. (2023) Kolebanie Maddena-Dzhuliana v kontekste vnutrisezonnoi

izmenchivosti, dal'nikh svyazei i predskazuemosti [The Madden-Julian Oscillation

in the context of intraseasonal variability, teleconnections, and predictability],

Meteorology i gidrologiya, no. 8, pp. 5-23.

Lubkov, A.S., Voskresenskaya, E.N., Marchukova, O.V. (2017)

Prognozirovanie indeksa Yuzhnogo kolebaniya [Forecasting the Southern

Oscillation Index], Vestnik Sankt-Peterburgskogo universiteta. Nauki o Zemle

[Vestnik of Saint Petersburg University. Earth Sciences], vol. 62, no. 4, pp. 370-

388.

Lubkov, A.S., Voskresenskaya, E.N., Marchukova, O.V. (2020) Primenenie

neironnykh setei dlya model'nogo prognoza El'-Nino' i La-Nin'ya, vklyuchaya ikh

tipy [Application of neural networks for model forecasting of El Niño and La Niña,

including their types], Meteorologiya i gidrologiya, no. 11, pp. 111-121.

Mirvis, V.M., Meleshko, V.P. (2008) Sovremennoe sostoyanie i perspektivy

razvitiya meteorologicheskikh prognozov na mesyats i sezon [Current state and

prospects for the development of monthly and seasonal meteorological forecasts],

Trudy GGO, no. 558, pp. 3-40.

Mirvis, V.M., Meleshko, V.P., L'vova, T.Yu., Matyugin, V.A., Baidin, A.V.

(2020) O predskazuemosti krupnykh anomalii prizemnoi temperatury vozdukha po

dannym istoricheskikh sezonnykh prognozov, rasschitannykh s ispol'zovaniem

MOTsAO GGO (T63L25/IVM RAN) [On the predictability of large surface air

temperature anomalies based on historical seasonal forecasts calculated using the

GGO AOGCM (T63L25/INM RAS)], Trudy Glavnoi geofizicheskoi observatorii

im. A.I. Voeikova, no. 598, pp. 137-154.

Murav'ev, A.V., Kaznacheeva, V.D., Kruglova, E.N., Kulikova, I.A. (1999)

Dolgosrochnoe prognozirovanie anomal'nykh sinopticheskikh situatsii. I.

Osnovnye konstruktivnye i tekhnicheskie kharakteristiki dinamiko-statisticheskoi

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

500

skhemy dolgosrochnogo prognoza pogody [Long-range forecasting of anomalous

synoptic situations. I. Main design and technical characteristics of the dynamic-

statistical scheme for long-range weather forecasting], Meteorologiya i gidrologiya,

no. 3, pp. 28-36.

Murav'ev, A.V., Kaznacheeva, V.D., Kruglova, E.N., Kulikova, I.A. (1999)

Dolgosrochnoe prognozirovanie anomal'nykh sinopticheskikh situatsii. II.

Usloviya eksperimenta i rezul'taty prognoza [Long-range forecasting of anomalous

synoptic situations. II. Experimental conditions and forecast results],

Meteorologiya i gidrologiya, no. 4, pp. 5-15.

Osipov, A.M., Gushchina, D.Yu. (2021) Mekhanizm formirovaniya dvukh

tipov El'-Nino' v sovremennom climate [Formation mechanism of two types of El

Niño in the modern climate], Vestnik Moskovskogo universiteta. Seriya 5:

Geografiya, no. 1, pp. 128-134.

Pagava, S.T., Aristov, N.A., Blyumina, L.I., Turketi, Z.L. (1966) Osnovy

sinopticheskogo metoda sezonnykh prognozov pogody [Fundamentals of the

Synoptic Method for Seasonal Weather Forecasts], Gidrometeoizdat, Leningrad,

Russia, 363 p.

Polonskii, A.B. (2001) Rol' okeana v sovremennykh izmeneniyakh klimata

[The role of the ocean in modern climate changes], Morskoi gidrofizicheskii

zhurnal, no. 6, pp. 32-54.

Polonskii, A.B., Basharin, D.V. (2002) O vliyanii Severoatlanticheskogo i

Yuzhnogo kolebanii na izmenchivost' prizemnoi temperatury v Evropeisko-

Sredizemnomorskom regione [On the influence of the North Atlantic and Southern

Oscillations on surface temperature variability in the European-Mediterranean

region], Izvestiya RAN. Fizika atmosfery i okeana, vol. 38, no. 1, pp. 135-145.

Polosin, A.S. (1975) Problemy El'-Nino' [Problems of El Niño], Moscow,

Russia.

Resnyanskii, Yu.D., Zel'enko, A.A., Strukov, B.S., Stepanov, V.N., Khan,

V.M., Vorob'eva, V.V., Tarasevich, M.A., Gritsun, A.S., Volodin, E.M. (2024)

Otsenka uspeshnosti vosproizvedeniya okeanograficheskikh polei v

retrospektivnykh prognozakh po modeli Zemnoi sistemy INM-CM5 [Assessment

of the success in reproducing oceanographic fields in retrospective forecasts using

the INM-CM5 Earth System Model], Meteorologiya i gidrologiya, no. 3, pp. 5-20.

Semenov, V.A., Martin, T., Berens, L.K., Latif, M., Astaf'eva, E.S. (2017)

Izmeneniya ploshchadi arkticheskikh morskikh l'dov v ansamblyakh klimaticheskikh

modelei CMIP3 i CMIP5 [Changes in the area of Arctic sea ice in ensembles of

CMIP3 and CMIP5 climate models], Led i Sneg, vol. 57, no. 1, pp. 77-107.

Semenov, V.A., Cherenkova, E.A., Aldonina, T.A. (2023) Sovremennye i

ozhidaemye kharakteristiki sezonnogo khoda ledovogo pokrova v moryakh

Rossiiskoi Arktiki [Current and expected characteristics of the seasonal cycle of ice

cover in the seas of the Russian Arctic]. Doklady Rossiiskoi akademii nauk. Nauki

o Zemle, vol. 511, no. 1, pp. 112-118.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

501

Sumerova, K.A., Vargin, P.N., Luk'yanov, A.N., Khan, V.M. (2023) Analiz

tsirkulyatsionnykh uslovii v troposfere i stratosfere, sposobstvuyushchikh

formirovaniyu voln kholoda na severo-zapade i v tsentre Evropeiskoi territorii

Rossii v dekabre 2021 g. [Analysis of circulation conditions in the troposphere and

stratosphere contributing to the formation of cold waves in the northwest and center

of European Russia in December 2021], Meteorologiya i gidrologiya, no. 11,

pp. 20-38.

Tishchenko, V.A., Khan, V.M., Kruglova, E.N., Kulikova, I.A. (2019)

Prognozirovanie osadkov i temperatury v basseine reki Amur na mesyachnykh i

sezonnykh intervalakh vremeni [Forecasting precipitation and temperature in the

Amur River basin on monthly and seasonal time scales], Meteorologiya i

gidrologiya, no. 3, pp. 24-39.

Tishchenko, V.A., Khan, V.M., Kruglova, E.N., Kulikova, I.A. (2016)

Primenenie statisticheskoi korrektsii deterministovskikh prognozov temperatury

vozdukha i osadkov po modeli PLAV dlya Arkticheskogo regiona [Application of

statistical correction of deterministic forecasts of air temperature and precipitation

using the SLAV model for the Arctic region], Trudy Gidromettsentra Rossii, no.

361, pp. 47-65.

Tolstykh, M.A., Zhelen, Zh.F., Volodin, E.M., et al. (2015) Razrabotka

mnogomasshtabnoi versii global'noi modeli atmosfery PLAV [Development of a

multiscale version of the SLAV global atmosphere model], Meteorologiya i

gidrologiya, no. 6, pp. 25-35.

Tolstykh, M.A., Shashkin, V.V., Fadeev, R.Yu., et al. (2017) Sistema

modelirovaniya atmosfery dlya beshovnogo prognoza [Atmosphere Modeling

System for Seamless Prediction], Triada LTD, Moscow, Russia, 167 p.

Ugryumov, A.I. (2006) Dolgosrochnye meteorologicheskie prognozy [Long-

Term Weather Forecasts], ZAO «NPP Sistema», St. Petersburg, Russia.

Anderson, D.L.T. (2008) Overview of seasonal forecasting, in: Seasonal

Climate: Forecasting and Managing Risk, in Troccoli, A, Harrison, M, Anderson,

D.L.T and Mason S.J. (eds.), NATO Science Series, Springer Academic Publishers,

pp. 45-66.

Baggett, C.F., Barnes, E.A., Maloney, E.D., Mundhenk, B.D. (2017)

Advancing atmospheric river forecasts into subseasonal-to-seasonal time scales,

Geophysical Research Letters, vol. 44, no. 14, pp. 7528-7536.

Baldwin, M.P., Stephenson, D.B., Thompson, D.W.J., Dunkerton, T.J.,

Charlton, A.J., O'Neill, A. (2003) Stratospheric memory and skill of extended-

range weather forecasts, Science, vol. 301, no. 5633, pp. 636-640.

Bi, K., et al. (2023) Accurate medium-range global weather forecasting with

3d neural networks, Nature, vol. 619, pp. 533-538.

Bjerknes, J. (1969) Atmospheric teleconnections from the equatorial Pacific,

Monthly Weather Review, vol. 97, no. 3, pp. 163-172.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

502

Brajard, J., Counillon, F., Wang, Y., Kimmritz, M. (2023) Enhancing

Seasonal Forecast Skills by Optimally Weighting the Ensemble from Fresh Data,

Weather and Forecasting, vol. 38, pp. 2691-2705.

Burgers, G., Jin, F.F., van Oldenborgh, G.J. (2005) The simplest ENSO

recharge oscillator, Geophysical Research Letters, vol. 32, no. 13, L13706.

Cassou, C. (2008) Intraseasonal interaction between the Madden-Julian

Oscillation and the North Atlantic Oscillation, Nature, vol. 455, no. 7212, pp. 523-

527.

Charney, J.G., Fjørtoft, R., von Neumann, J. (1950) Numerical integration of

the barotropic vorticity equation, Tellus, vol. 2, no. 4, pp. 237-254.

Chen, L., et al. (2024) A machine learning model that outperforms

conventional global subseasonal forecast models, Nature Communications, vol. 15,

р. 6425.

de Burgh-Day, C.O., Leeuwenburg, T. (2023) Machine learning for numerical

weather and climate modelling: a review, Geoscientific Model Development, vol.

16, pp. 6433-6477.

Doblas-Reyes, F.J., García-Serrano, J., Lienert, F., Biescas, A.P., Rodrigues,

L.R.L. (2013) Seasonal climate predictability and forecasting: status and prospects,

WIREs Climate Change, vol. 4, no. 4, pp. 245-268.

Dunstone, N., Smith, D.M., Hardiman, S.C., et al. (2023) Windows of

opportunity for predicting seasonal climate extremes highlighted by the Pakistan

floods of 2022, Nature Communications, vol. 14, р. 6544.

ESCAP & WMO (2021) Manual for Operationalizing Impact-based

Forecasting and Warning Services (IBFWS), United Nations.

Frankignoul, C., Sennéchael, N. (2007) Observed influence of North Pacific

SST anomalies on the atmospheric circulation, Journal of Climate, vol. 20, no. 3,

pp. 592-606.

Gebbie, G., Eisenman, I., Wittenberg, A., Tziperman, E. (2007) Modulation

of westerly wind bursts by sea surface temperature. A semistochastic feedback for

ENSO, Journal of the Atmospheric Sciences, vol. 64, no. 9, pp. 3281-3295.

Gettelman, A., Fox-Kemper, B., Flato, G., et al. (2023) Kilometre-Scale

Modelling of the Earth System: A New Paradigm for Climate Prediction, WMO

Bulletin, vol. 72, no. 2, pp. 14-18.

Guo, Z., Dirmeyer, P.A., DelSole, T. (2011) Land surface impacts on

subseasonal and seasonal predictability, Geophysical Research Letters, vol. 38,

L24812.

Hansen, J.W., Dinku, T., Robertson, A.W., Cousin, R., Trzaska, S., Mason,

S.J. (2022) Flexible forecast presentation overcomes longstanding obstacles to

using probabilistic seasonal forecasts, Frontiers in Climate, vol. 4, 908661.

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

503

Harrison, M., Troccoli, A., Williams, J.B., Coughlan, M. (2008) Seasonal

Forecasts in Decision Making, in Troccoli A., Harrison M., Anderson D.L.T.,

Mason S.J. (eds.), Seasonal Climate: Forecasting and Managing Risk, Springer,

pp. 13-42.

Hewitt, C., Moufouma-Okia, W. (2023) Climate Services Based on Climate

Predictions and Projections, WMO Bulletin, vol. 72, no. 2, pp. 19-24.

Hoskins B., Schopf P.S. (2008) Ocean-Atmosphere basis for seasonal climate

forecasting, Seasonal Climate: Forecasting and Managing Risk, in Troccoli A,

Harrison M, Anderson D.L.T and Mason S.J. (eds.), NATO Science Series,

Springer Academic Publishers, pp. 67-90.

Hsu, H., Dirmeyer, P.A. (2021) Nonlinearity and multivariate dependencies

in land-atmosphere coupling, Water Resources Research, vol. 57,

e2020WR028179.

Hurrell, J.W., Kushnir, Y., Ottersen, G., Visbeck, M. (Eeds.) (2003) The North

Atlantic Oscillation: Climatic Significance and Environmental Impact, American

Geophysical Union.

Jansen, M.F., Dommenget, D., Keenlyside, N. (2009) Tropical Atmosphere-

Interactions in a Conceptual Framework, Journal of Climate, vol. 22, no. 3,

pp. 550-567.

Jin, E.K., Kinter, J.L., Wang, B., Park, C.-K., Kang, I.-S., Kirtman, B.P., Kug,

J.-S., Kumar, A., Luo, J.-J., Schemm, J., Shukla, J., Yamagata, T. (2008) Current

status of ENSO prediction skill in coupled ocean-atmosphere models, Climate

Dynamics, vol. 31, no. 6, pp. 647-664.

Kent, C., Scaife, A.A., Dunstone, N.J., Smith, D., Hardiman, S.C., Dunstan,

T., Watt-Meyer, O. (2025) Skilful global seasonal predictions from a machine

learning weather model trained on reanalysis data, Climate and Atmospheric

Science, vol. 8, no. 1, p. 314.

Kim, J.H., Kim, B.M., Lee, J.G., Lim, Y.K., Sim, J.H., Kim, J.H. (2025) Sea

ice initialization and its impact on winter seasonal prediction skill over the

Northern Hemisphere in coupled forecast system, Journal of Climate, vol. 38, no.

15, pp. 3989-4001.

Kirtman, B.P., and Coauthors (2014) The North American Multi-Model

Ensemble (NMME): Phase-1 seasonal to interannual prediction, phase-2 toward

developing intra-seasonal prediction, Bulletin of the American Meteorological

Society, vol. 95, no. 4, pp. 585-601.

Lamb, P.J., Peppler, R.A. (1987) North Atlantic Oscillation. Concept and an

application, Bulletin of the American Meteorological Society, vol. 68, no. 10, pp.

1218-1225.

Luo, J.-J., Masson, S., Behera, S., Yamagata, T. (2008) Extended ENSO

predictions using a fully coupled ocean-atmosphere model, Journal of Climate, vol.

21, no. 1, pp. 84-93.

Хан В.М., Вильфанд Р.М.

Khan V.M., Vilfand R.M.

504

Luo, J.-J., Yuan, C.X., Sasaki, W., Behera, S.K., Masson, S. (2016) Current

status of intraseasonal-seasonal-to-interannual prediction of the Indo-Pacific

climate, Indo-Pacific Climate Variability and Predictability, World Scientific,

pp. 63-107.

Maher, N., McGregor, S., England, M.H., Sen Gupta, A. (2015) Effects of

volcanism on tropical variability, Geophysical Research Letters, vol. 42, no. 14,

pp. 6024-6033.

Mariotti, A., Baggett, C., Barnes, E.A., et al. (2020) Windows of opportunity

for skillful forecasts subseasonal to seasonal and beyond, Bulletin of the American

Meteorological Society, vol. 101, no. 5, pp. E608-E625.

Matveeva, T., Gushchina, D., Dewitte, B. (2018) The seasonal relationship

between intraseasonal tropical variability and ENSO in CMIP5, Geoscientific

Model Development, vol. 11, no. 6, pp. 2373-2392.

McPhaden, M.J., Busalacchi, A.J., Cheney, R., Donguy, J.R., Gage, K.S.,

Halpern, D., Ji M., Julian, P., Meyers, G., Mitchum, G.T., Niiler, P.P., Picaut, J.,

Reynolds, R.W., Smith, N., Takeuchi, K. (1998) The Tropical Ocean-Global

Atmosphere observing system. A decade of progress, Journal of Geophysical

Research: Oceans, vol. 103, no. C7, pp. 14169-14240.

Philander, S. (1986) Oceanography. Predictability of El Niño, Nature, vol.

321, pp. 810-811.

Rasmusson, E.M., Carpenter, T.H. (1982) Variations in tropical sea surface

temperature and surface wind fields associated with the Southern Oscillation/El

Niño, Monthly Weather Review, vol. 110, no. 5, pp. 354-384.

Schott, F.A., Xie, S.-P., McCreary, J.P. (2009) Indian Ocean circulation and

climate variability, Reviews of Geophysics, vol. 47, no. 1, RG1002.

Schubert, S., Wang, H., Suarez, M. (2011) Warm season subseasonal

variability and climate extremes in the Northern Hemisphere: The role of stationary

Rossby waves, Journal of Climate, vol. 24, no. 18, pp. 4773-4792.

Shindell, D., Schmidt, G.A., Miller, R.L., Mann, M.E. (2003) Volcanic and

solar forcing of climate change during the preindustrial era, Journal of Climate,

vol. 16, no. 24, pp. 4094-4107.

Suarez, M.J., Schopf, P.S. (1988) A delayed action oscillator for ENSO,

Journal of the Atmospheric Sciences, vol. 45, no. 21, pp. 3283-3287.

Tan, X.X., Tang, Y.M., Lian, T., Yao, Z.X., Li, X.J., Chen, D. (2019) A study

of the effects of westerly wind bursts on ENSO based on CESM, Climate

Dynamics, vol. 54, no. 1, pp. 885-899.

Vitart, F., Bonet, A., Brookshaw, A., et. al. (2017) The subseasonal to

seasonal (S2S) prediction project database, Bulletin of the American

Meteorological Society, vol. 98, no. 1, pp. 163-173.

Vitart, F., Balmaseda, M.A., Ferranti, L., Anderson, D. (2003) Westerly wind

Фундаментальная и прикладная климатология, т. 11, № 4, 2025

Fundamental and Applied Climatology, v. 11, no. 4, 2025

505

events and the 1997/98 El Niño event in the ECMWF seasonal forecasting system:

A case study, Journal of Climate, vol. 16, no. 16, pp. 3153-3170.

Walker, G.T. (1923) Correlation in seasonal variations of weather. VIII. A

preliminary study of world-weather, Memoirs of the Indian Meteorological

Department, vol. 24, no. 4, pp. 75-131.

Walker, G.T. (1924) Correlation in seasonal variations of weather. IX. A

further study of world-weather, Memoirs of the Indian Meteorological Department,

vol. 24, no. 9, pp. 275-332.

Wang, C. (2001) A unified oscillator model for the El Niño–Southern

Oscillation, Journal of Climate, vol. 14, no. 1, pp. 98-115.

World Meteorological Organization (WMO) (2020) Guidance on

Operational Practices for Objective Seasonal Forecasting (WMO-No. 1246),

Geneva.

Wu, L., He, F., Liu, Z., Li, C. (2007) Atmospheric teleconnections of tropical

Atlantic variability: Interhemispheric, tropical-extratropical, and cross-basin

interactions, Journal of Climate, vol. 20, no. 5, pp. 856-870.

Wyrtki, K., Stroup, E., Patzert, W., Williams, R., Quinn, W. (1976) Predicting

and observing El Niño, Science, vol. 191, no. 4225, pp. 343-346.

Статья поступила в редакцию (Received): 08.09.2025.

Статья доработана после рецензирования (Revised): 16.10.2025.

Принята к публикации (Accepted): 23.10.2025.

Для цитирования / For citation

Хан, В.М., Вильфанд, Р.М. (2025) Сезонное климатическое прогнозиро-

вание: от научных основ к практическим решениям, Фундаментальная и при-

кладная климатология, т. 11, № 4, doi:10.21513/2410-8758-2025-4-467-505,

стр. 467-505.

Khan, V.M, Vilfand, R.M. (2025) Seasonal climate forecasting: from

scientific foundations to practical solutions, Fundamental and Applied

Climatology, vol. 11, № 4, pp. 467-505, doi:10.21513/2410-8758-2025-4-467-505.