A multi-model ensemble-based system for seasonal-to-interannual prediction has been developed in a joint European project known as DEMETER (Development of a European Multimodel Ensemble Prediction System for Seasonal to Interannual Prediction). The DEMETER system comprises seven global atmosphere–ocean coupled models, each running from an ensemble of initial conditions. Comprehensive hindcast evaluation demonstrates the enhanced reliability and skill of the multimodel ensemble over a more conventional single-model ensemble approach. In addition, innovative examples of the application of seasonal ensemble forecasts in malaria and crop yield prediction are discussed. The strategy followed in DEMETER deals with important problems such as communication across disciplines, downscaling of climate simulations, and use of probabilistic forecast information in the applications sector, illustrating the economic value of seasonal-to-interannual prediction for society as a whole.

Abstract Advances in simulating atmospheric variability with the ECMWF model are presented that stem from revisions of the convection and diffusion parametrizations. The revisions concern in particular the introduction of a variable convective adjustment time‐scale, a convective entrainment rate proportional to the environmental relative humidity, as well as free tropospheric diffusion coefficients for heat and momentum based on Monin–Obukhov functional dependencies. The forecasting system is evaluated against analyses and observations using high‐resolution medium‐range deterministic and ensemble forecasts, monthly and seasonal integrations, and decadal integrations with coupled atmosphere‐ocean models. The results show a significantly higher and more realistic level of model activity in terms of the amplitude of tropical and extratropical mesoscale, synoptic and planetary perturbations. Importantly, with the higher variability and reduced bias not only the probabilistic scores are improved, but also the midlatitude deterministic scores in the short and medium ranges. Furthermore, for the first time the model is able to represent a realistic spectrum of convectively coupled equatorial Kelvin and Rossby waves, and maintains a realistic amplitude of the Madden–Julian oscillation (MJO) during monthly forecasts. However, the propagation speed of the MJO is slower than observed. The higher tropical tropospheric wave activity also results in better stratospheric temperatures and winds through the deposition of momentum. The partitioning between convective and resolved precipitation is unaffected by the model changes with roughly 62% of the total global precipitation being of the convective type. Finally, the changes in convection and diffusion parametrizations resulted in a larger spread of the ensemble forecasts, which allowed the amplitude of the initial perturbations in the ensemble prediction system to decrease by 30%. Copyright © 2008 Royal Meteorological Society

The scientific basis for two‐tier climate prediction lies in the predictability determined by the ocean and land surface conditions. Here we show that the state‐of‐the‐art atmospheric general circulation models (AGCMs), when forced by observed sea surface temperature (SST), are unable to simulate properly Asian‐Pacific summer monsoon rainfall. All models yield positive SST‐rainfall correlations in the summer monsoon that are at odds with observations. The observed lag correlations between SST and rainfall suggest that treating monsoon as a slave possibly results in the models' failure. We demonstrate that an AGCM, coupled with an ocean model, simulates realistic SST‐rainfall relationships; however, the same AGCM fails when forced by the same SSTs that are generated in its coupled run, suggesting that the coupled ocean‐atmosphere processes are crucial in the monsoon regions where atmospheric feedback on SST is critical. The present finding calls for reshaping of current strategies for monsoon seasonal prediction. The notion that climate can be modeled and predicted by prescribing the lower boundary conditions is inadequate for validating models and predicting summer monsoon rainfall.

The DEMETER multi-model ensemble system is used to investigate the rationale behind the multi-model concept. A comprehensive documentation of the differences in the single and multi-model performance in the DEMETER hindcast data set is given. Both deterministic and probabilistic diagnostics are used and a variety of analyses demonstrate the improvements achieved by using multi-model instead of single-model ensembles. In order to understand the reason behind the multi-model superiority, basic scenarios describing how the multi-model approach can improve over singlemodel skill are discussed. It is demonstrated that multi-model superiority is caused not only by error compensation but in particular by its greater consistency and reliability.

This paper provides an update on research in the relatively new and fast-moving field of decadal climate prediction, and addresses the use of decadal climate predictions not only for potential users of such information but also for improving our understanding of processes in the climate system. External forcing influences the predictions throughout, but their contributions to predictive skill become dominant after most of the improved skill from initialization with observations vanishes after about 6–9 years. Recent multimodel results suggest that there is relatively more decadal predictive skill in the North Atlantic, western Pacific, and Indian Oceans than in other regions of the world oceans. Aspects of decadal variability of SSTs, like the mid-1970s shift in the Pacific, the mid-1990s shift in the northern North Atlantic and western Pacific, and the early-2000s hiatus, are better represented in initialized hindcasts compared to uninitialized simulations. There is evidence of higher skill in initialized multimodel ensemble decadal hindcasts than in single model results, with multimodel initialized predictions for near-term climate showing somewhat less global warming than uninitialized simulations. Some decadal hindcasts have shown statistically reliable predictions of surface temperature over various land and ocean regions for lead times of up to 6–9 years, but this needs to be investigated in a wider set of models. As in the early days of El Niño–Southern Oscillation (ENSO) prediction, improvements to models will reduce the need for bias adjustment, and increase the reliability, and thus usefulness, of decadal climate predictions in the future.

The control of epidemic malaria is a priority for the international health community and specific targets for the early detection and effective control of epidemics have been agreed. Interannual climate variability is an important determinant of epidemics in parts of Africa where climate drives both mosquito vector dynamics and parasite development rates. Hence, skilful seasonal climate forecasts may provide early warning of changes of risk in epidemic-prone regions. Here we discuss the development of a system to forecast probabilities of anomalously high and low malaria incidence with dynamically based, seasonal-timescale, multi-model ensemble predictions of climate, using leading global coupled ocean-atmosphere climate models developed in Europe. This forecast system is successfully applied to the prediction of malaria risk in Botswana, where links between malaria and climate variability are well established, adding up to four months lead time over malaria warnings issued with observed precipitation and having a comparably high level of probabilistic prediction skill. In years in which the forecast probability distribution is different from that of climatology, malaria decision-makers can use this information for improved resource allocation.

The second phase of the Global Land‐Atmosphere Coupling Experiment (GLACE‐2) is aimed at quantifying, with a suite of long‐range forecast systems, the degree to which realistic land surface initialization contributes to the skill of subseasonal precipitation and air temperature forecasts. Results, which focus here on North America, show significant contributions to temperature prediction skill out to two months across large portions of the continent. For precipitation forecasts, contributions to skill are much weaker but are still significant out to 45 days in some locations. Skill levels increase markedly when calculations are conditioned on the magnitude of the initial soil moisture anomaly.

Abstract Seasonal climate forecasts occupy an intermediate zone between weather forecasting and climate projections. They share with the numerical weather prediction the difficulty of initializing the simulations with a realistic state of the atmosphere and the need to periodically verify different aspects of their quality, while additionally are burdened by uncertainties in feedback processes that also play a central role in constraining climate projections. Seasonal predictions have to deal also with the challenge of initializing all the components of the climate system (ocean, sea ice, and land surface). The value of skilful seasonal forecasts is obvious for many societal sectors and is currently being included in the framework of developing climate services. Seasonal forecasts will in addition be valuable by increasing the acceptance of climate projections among the general public. This advanced‐review article presents an overview of the state‐of‐the‐art in global seasonal predictability and forecasting for climate researchers and discusses fundamental advances to increase forecast quality in the near future. The article concludes with a list of challenges where seasonal forecasting is expected to focus on in the near future. WIREs Clim Change 2013, 4:245–268. doi: 10.1002/wcc.217 This article is categorized under: Climate Models and Modeling > Earth System Models Climate Models and Modeling > Knowledge Generation with Models Social Status of Climate Change Knowledge > Climate Science and Decision Making

Abstract The second phase of the Global Land–Atmosphere Coupling Experiment (GLACE-2) is a multi-institutional numerical modeling experiment focused on quantifying, for boreal summer, the subseasonal (out to two months) forecast skill for precipitation and air temperature that can be derived from the realistic initialization of land surface states, notably soil moisture. An overview of the experiment and model behavior at the global scale is described here, along with a determination and characterization of multimodel “consensus” skill. The models show modest but significant skill in predicting air temperatures, especially where the rain gauge network is dense. Given that precipitation is the chief driver of soil moisture, and thereby assuming that rain gauge density is a reasonable proxy for the adequacy of the observational network contributing to soil moisture initialization, this result indeed highlights the potential contribution of enhanced observations to prediction. Land-derived precipitation forecast skill is much weaker than that for air temperature. The skill for predicting air temperature, and to some extent precipitation, increases with the magnitude of the initial soil moisture anomaly. GLACE-2 results are examined further to provide insight into the asymmetric impacts of wet and dry soil moisture initialization on skill.