基于TIGGE资料的北半球地面气温预报的统计降尺度研究

基于TIGGE(THORPEX Interactive Grand Global Ensemble,全球交互式大集合)资料中欧洲中期天气预报中心(European Centre for Medium-Range Weather,ECMWF)、日本气象厅(Japan Meteorological Agency,JMA)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)和英国气象局(United Kingdom Met Office,UKMO)4个中心的北半球地面2 m气温集合平均预报资料,利用插值技术与回归分析,并引入了消除偏差集合平均(bias-removed ensemble mean,BREM)和多模式超级集合(superensemble,SUP)方法进行统计降尺度预报研究。结果表明,在2007年夏季3个月中,4个单中心的降尺度预报明显地改善了预报效果。引入SUP和BREM两种集成预报方法后,预报误差得到进一步减小。对比综合表现最好的单中心ECMWF的预报,1~7 d的降尺度预报误差改进率均达20%以上。研究还发现,引入SUP方法的降尺度预报效果优于引入BREM方法的降尺度预报,利用双线性插值方法在上述两方案中的预报效果优于其他3种插值方法。     

江苏—南黄海地区M≥6强震有序网络结构及其预测研究

基于TIGGE（THORPEX Interactive Grand Global Ensemble,全球交互式大集合）资料中欧洲中期天气预报中心（European Centre for Medium-Range Weather,ECMWF）、日本气象厅（Japan Meteorological Agency,JMA）、美国国家环境预报中心（National Centers for Environmental Prediction,NCEP）和英国气象局（United Kingdom Met Office,UKMO）4个中心的北半球地面2m气温集合平均预报资料,利用插值技术与回归分析,并引入了消除偏差集合平均（bias-removed ensemble mean,BREM）和多模式超级集合（superensemble,SUP）方法进行统计降尺度预报研究.结果表明,在2007年夏季3个月中,4个单中心的降尺度预报明显地改善了预报效果.引入SUP和BREM两种集成预报方法后,预报误差得到进一步减小.对比综合表现最好的单中心ECMWF的预报,1～7d的降尺度预报误差改进率均达20％以上.研究还发现,引入SUP方法的降尺度预报效果优于引入BREM方法的降尺度预报,利用双线性插值方法在上述两方案中的预报效果优于其他3种插值方法.     

基于多模式集成技术的地面气温精细化预报

基于ECMWF、JMA、T639、WRF四个数值模式2012年6月1日—9月30日地面气温3—60 h预报资料和郑州加密自动站资料,利用多模式集合平均(EMN)、消除偏差集合平均(BREM)、加权消除偏差集合(WBREM)及多模式超级集合(SUP)4种方法,对2012年8月29日—9月27日郑州城区11个站点地面逐3 h气温进行多模式集成预报试验,采用绝对误差对预报结果进行检验评估,结果表明:在30天的预报期内,BREM、WBREM及SUP对于大多数站气温预报效果有明显改善,而EMN方案对11个站预报效果改善则不太明显;4种方案中,BREM和WBREM预报效果相对较好且稳定,各个站上3—60 h预报的绝对误差均在2℃附近或以下;SUP方案虽然对个别站预报误差较低,但是其预报效果并不稳定,一些站点的个别预报时效误差大于2℃。对于郑州观测站的气温预报而言,4种集成方案20时起报的气温误差明显小于08时起报的误差,并且20时起报的SUP集成方案绝对误差明显小于其他方案的绝对误差。总体而言,BREM、WBREM及SUP三种集成方案能够给郑州精细化预报业务提供较好的参考。     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。     

基于TIGGE资料的地面气温延伸期多模式集成预报

基于TIGGE资料中心提供的CMC、ECMWF、UKMO及NCEP四个集合预报中心2008年7月1日-9月30日北半球中纬度地区地面气温10 ～ 15 d延伸期集合预报产品,首先采用Tala-grand分布及离散度—误差关系评估了单个预报系统的预报性能,然后分别利用多模式集成平均(Ensemble Mean,EMN)、消除偏差集成平均(Bias-Removed Ensemble Mean,BREM)及多模式超级集合(Multi-model Superensemble,SUP)对地面气温进行多模式集成预报试验.由于逐日的延伸期预报准确率相对较低,因此人们更关注延伸期预报对天气过程的预报准确率.对各个集合预报系统的逐日预报资料以及逐日“观测”资料做滑动平均,并对处理后的资料进行多模式集成,最后对超级集合预报的训练期长度进行调试,以获得最佳训练期长度.结果表明,四个集合预报系统的离散度相对于均方根误差都偏小,ECMWF预报效果最好,NCEP次之,UKMO预报效果最差.EMN、BREM及SUP三种多模式集成方法的预报效果均优于单个系统且SUP对预报效果的改善最明显.滑动平均后,预报误差进一步降低,且滑动步长越长,误差越小.对于SUP的训练期,逐日预报和3d滑动平均10～12 d预报最佳训练期长度为75 d;13 ～ 15 d预报最佳训练期长度为35 d;5 d及7d滑动平均其训练期长度在各个时效均以35 d为宜.     

基于CMIP5多模式回报资料的地面气温超级集合研究

利用CMIP5的15个全球气候系统模式对东亚及周边地区(70~150°E,0°~60°N)地面气温的回报结果进行超级集合(简称SUP)试验,以欧洲中期天气预报中心ERA逐月气温资料作为观测值,并采用均方根误差(RMSE)、距平相关系数(ACC)、绝对误差(MAE)对多模式集合平均(EMN)以及超级集合(SUP)的回报结果进行检验和评估。结果表明,超级集合回报结果一定程度上取决于训练期的长度。随训练期长度的增加,距平相关系数呈增大的趋势,均方根误差呈减小的趋势,但训练期达到一定长度后,误差不再有明显的减小,甚至出现误差增长。15个全球气候系统模式对东亚及周边地区的地面气温具有一定的回报能力,可以较好地回报出地面气温的年际变化和空间分布,海洋上回报的均方根误差小于陆地。但不同模式回报的结果不尽相同,在单模式中CCSM4对地面气温的回报效果最好。多模式集成的回报效果优于单模式的回报效果,SUP的回报效果优于EMN,其区域平均的均方根误差比多模式集合平均小0.43℃,超级集合极大地改善了地面气温的回报效果。     

基于卡尔曼滤波的中国区域气温和降水的多模式集成预报

利用TIGGE资料集下欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)、中国气象局(CMA)和英国气象局(UKMO)5个模式预报的结果,对基于卡尔曼滤波的气温和降水的多模式集成预报进行研究。结果表明,卡尔曼滤波方法的预报效果优于消除偏差集合平均(BREM)和单模式的预报,但是对于地面气温和降水,其预报效果也存在一定的差异。在中国区域2 m气温的预报中,卡尔曼滤波的预报结果最优。而对于24 h累积降水预报,尽管卡尔曼滤波在所有量级下的TS评分均优于BREM,但随着预报时效增加,其在大雨及以上量级的TS评分跟最佳单模式UKMO预报相当,改进效果不明显。卡尔曼滤波在地面气温和24 h累积降水每个预报时效下的均方根误差均最优,预报效果更佳且稳定。     

华东地区地面和高空风场的多模式集成精细化预报研究

基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、中国国家气象中心业务运行的中尺度数值预报系统(Global/Regional Assimilation and Prediction Enhanced System Meso,GRAPES-Meso)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)的全球预报系统(Global Forecast System,GFS)、GRAPES全球预报系统(GRAPES-GFS)4个模式风场预报资料,利用双线性、反距离加权、三次样条、克里格等插值方法对华东及周边地区(110°～130°E,20°～40°N)2020年1—4月逐日地面和高空风0~72 h集合预报资料进行降尺度处理,得到满足机场及终端区气象保障的精细化风场预报。此外,还对精细化风场预报做多模式集成。结果表明,对于风场的精细化格点预报,反距离加权插值方法误差最小,为最优水平插值方法。基于扩展复卡尔曼滤波的多模式集成(Augmented Complex Extended Kalman Filter,ACEKF)可进一步减小风场预报的误差。对华东地区上海、青岛和厦门3个机场地面和高空风的多模式集成风场精细化预报的分析表明,ACEKF多模式集成预报不但均方根误差较BREM、ECMWF和GRAPES-GFS的预报误差小,且随高度变化也不如单模式预报的大,其预报性能更为稳定。     

北半球中纬度地区地面气温的超级集合预报

基于TIGGE资料中的ECMWF、JMA、NCEP和UKMO四个中心2007年6月1日-8月31日北半球中纬度地区地面气温24～168 h集合预报资料,分别利用固定训练期超级集合(SUP, Superensemble)和滑动训练期超级集合(R-SUP, Running Training Period Superensemble )对2007年8月8-31日预报期24 d进行超级集合预报试验.采用均方根误差对预报结果进行检验评估,比较了两种超级集合方法与最好的单个中心模式预报、多模式集合平均的预报效果.结果表明,SUP预报有效降低了预报误差,24～144 h的预报效果优于多模式集合平均(EMN, Ensemble Mean)和最好的单个中心预报,168 h的预报效果略差于EMN.R-SUP预报进一步改善了预报效果.对于24～168 h的预报,R-SUP预报效果都要优于EMN.尤其对于168 h的预报,R-SUP改进了预报效果,优于EMN.     

ENSO预测的目标观测敏感区在热带太平洋海温的多模式集合预报中的应用

本文将ENSO预测的目标观测敏感区与多模式集合预报方法相结合, 提出了一种能够有效提高预报技巧且又具有较小计算成本的多模式集合预报方法。该方法在目标观测敏感区内采用模式不等权的多模式超级集合预报方法(SUP), 而在其他区域采用相对简单的等权的多模式消除偏差集合平均方法(BREM)。利用CMIP5中15个气候系统模式的工业革命前参照试验(pi-Control)数据, 针对热带太平洋海温的长期演变开展了理想预报试验。将新集合预报方法与现有的多模式集合预报方法进行了比较。结果表明, 在所考察的预报期内(即1～20年), 新集合预报方法与整个热带太平洋区域使用SUP方法具有相当的预报技巧, 但前者的计算成本明显小于后者, 计算时间仅为后者的1/4。可见, 新方法是一个具有较高预报技巧且计算成本较小的多模式集合预报方法。同时, 其较高的预报技巧强调了热带太平洋SST预测对ENSO目标观测敏感区内的模式误差也是极端敏感的, 也正因如此, 多模式集合预报方法才能够有效过滤模式误差的影响, 具有较高的预报技巧。     

基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较

基于TIGGE资料中CMA、ECMWF、JMA和NCEP四中心2010、2011和2012年3年的资料,采用集合平均（EMN）、加权集合平均（WEMN）、消除偏差集合平均（BREM）和加权消除偏差集合平均（即超级集合,SUP）四种方法,对西太平洋地区热带气旋路径与中心气压进行时效为24、48、72、96和120 h的多模式集成预报,评估了不同单中心预报结果,并分析了不同多模式集成预报方法的特点,对比了不同多模式集成方法的效果。结果表明,对于热带气旋路径和中心气压预报,各中心预报技巧不同,其中3年的CMA预报效果均较差,2010、2011年的ECMWF预报和2012年的NCEP预报效果最优;总体上几种多模式集成方法在120 h预报时效内均优于单模式预报,其中EMN作为一种最简单的集成预报方法,具有一定的局限性,而WEMN由于给不同单模式预报赋予了权重,因此相对于EMN能够得到更好的多模式集成预报结果;BREM方案由于消除了模式预报中的系统性偏差,因此集成预报效果也优于EMN;由于去除了模式预报偏差,同时给不同模式赋予了权重,SUP方案得到的集成预报效果最优。     

基于多模式降水量预报的浙江省统计降尺度研究

基于欧洲中期天气预报中心(ECMWF)、美国全球集合预报系统(GFS)、日本气象厅(JMA)3个中心3~96 h预报时效的降水量预报资料,以及浙江省1957个高密度的自动站观测资料,对数值模式预报结果进行统计降尺度处理。首先利用线性回归方法对插值后的预报结果进行降尺度订正,然后把3个数值预报的降尺度结果进行消除偏差集合平均,最后得到多模式集成的降水量预报场。结果表明,统计降尺度订正后的预报结果比直接插值更加准确,多模式集成的预报效果优于单模式结果,其改进效果随预报时效的延长减小。     

基于TIGGE资料的地面气温和降水的多模式集成预报

利用TIGGE资料集下中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)和英国气象局(UKMO)5个中心集合预报结果,对多模式集成预报方法进行讨论。结果表明,多模式集成方法的预报效果优于单个中心的预报,但对于不同预报要素多模式集成方法的适用性存在差异。滑动训练期超级集合(R-SUP)对北半球地面气温的改进效果最优,但此方法对降水场的改进效果并不理想。在北半球中低纬24 h累积降水的回报试验中,消除偏差(BREM)的结果优于单个中心的预报,且此方法预报结果稳定。进一步利用滑动训练期消除偏差(R-BREM)集合平均对2008年1月中国南方极端雨雪冰冻过程进行多模式集成预报试验,结果表明,在固定误差范围内,R-BREM将中国南方大部分地区的地面气温预报时效由最优数值预报中心的96 h延长至192 h,且除个别时效外,小雨、中雨的TS评分得到明显提高。     

泰州市气温多模式集成预报系统的建立与评估

基于欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心3个中心的气温模式预报资料,采用多模式简单集合平均(EMN)、滑动训练期消除偏差集合平均(Running Training Period Bias-removed Ensemble Mean,R-BREM)、滑动训练期超级集合预报(Running Training Period Superensemble Forecast,R-SUP)3种多模式集成方法,通过均方根误差(Root Mean Square Error,RMSE)和距平相关系数(Anomaly Correlation Coefficient,ACC)两种检验评估方法,比较了气温的单模式预报和多模式集成预报结果,建立了针对江苏省泰州市的地面气温多模式集成预报系统。结果表明:对于该市08:00和20:00起报的气温预报,R-BREM均是相对最优的多模式集成方法,且基于该方法的多模式集成预报结果明显优于单模式预报结果,其RMSE相对于最优单模式减小了0.5℃左右,ACC增大了约0.16,改进效果显著。同时,将R-BREM方法投入到泰州市的日常气温业务预报中,有效提高了业务预报准确率。     

最优子集回归方法在季节气候预测中的应用

利用DEMETER计划多个模式的模拟资料研究1959～2001年多模式集合预报的季节降水在中国区域的表现, 并结合最优子集回归(OSR)方法对中国区域的季节降水进行降尺度预报, 比较其与多模式集合预报的技巧。研究表明: 多个单模式在中国区域对季节降水的模拟性能普遍较差, 多元线性回归(MLR)集合的预报技巧不如集合平均(EM)。利用OSR方法进行降尺度预报可以极大改善中国区域季节降水的预报技巧。夏季, 降水距平相关系数(ACC)在长江以南、西藏以及内蒙古中部等地区提高很显著, ACC在中国区域的平均达到0.29, 明显高于多模式集合平均与多元线性回归集合。冬季, OSR方法可以改善多模式集合在中国北方地区较低的预报技巧。概率Brier技巧评分(BSS)也表明了OSR方法对季节降水预报的改善。需要说明的是, 虽然OSR方法在中国区域能明显提高季节降水的预报技巧, 但是其选取的预报因子与中国区域季节降水的物理机制问题仍有待于进一步的研究。     

基于TIGGE资料的地面气温多模式超级集合预报

基于TIGGE资料, 采用均方根误差分别对欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心和英国气象局4个中心集合预报的地面气温场集合平均结果进行检验评估, 比较各中心地面气温的预报效果。并利用超级集合、多模式集合平均和消除偏差集合平均3种方法对4个中心的地面气温预报进行集成, 同时对预报结果进行分析。结果表明: 2007年夏季日本气象厅与欧洲中期天气预报中心在北半球大部分地区预报效果最好, 各中心在不同地区预报效果不同。超级集合与消除偏差集合平均降低了预报误差, 预报效果优于最好的单个中心预报和多模式集合平均。对于较长的预报时效, 消除偏差集合平均表现出了更好的预报性能。     

多模式集合预报及其降尺度技术在东亚夏季降水预测中的应用

利用动力季节模式输出的匹配域投影技术和多模式集合预报技术对多个国家和城市的站点月平均降水进行预报。预报变量是北京1个站、韩国60个站和曼谷地区8个站点的月平均降水,预报因子是从多个业务动力季节预报模式输出的多个大尺度变量。模式回报数据和站点观测降水数据时段是1983—2003年。降尺度预报降水的技巧是在交叉验证的框架下进行的。匹配域投影方法是设定一个可以活动的窗口在全球范围内大尺度场上进行扫描,寻求与目标站点降水最优化的因子和最相关的区域,目标站点的降水变率就是由该匹配域上大尺度环流场信息决定的。最终预报是用多个降尺度模式预报结果的集合预报(DMME)。多个降尺度模式预报结果的集合预报能显著地提高站点降水的预报技巧。北京站,多个降尺度模式预报结果的集合预报的预报和观测降水的相关系数可以提高到0.71;韩国地区,多个降尺度模式预报结果的集合预报平均技巧提高到0.75;泰国,多个降尺度模式预报结果的集合预报技巧是0.61。     

东亚地区冬季地面气温延伸期概率预报研究

利用TIGGE资料中的ECMWF、NCEP、UKMO三个中心集合预报系统以及由此构成的多中心集合预报系统所提供的地面2 m气温10~15 d延伸期集合预报产品,建立贝叶斯模式平均(Bayesian Model Averaging,BMA)概率预报模型,对东亚地区冬季地面气温进行延伸期概率预报研究。采用距平相关系数、均方根误差、布莱尔评分、等级概率评分等指标分别对BMA确定性结果与概率预报进行评估。结果表明,BMA方法明显地改进了原始集合预报结果,预报技巧优于原始集合预报,且多中心BMA预报优于单中心BMA预报,最佳滑动训练期取35 d。BMA预报为气温的延伸期概率预报提供了更合理的概率分布,定量描述了预报的不确定性。     

基于多模式集成冬半年气温预报偏差修正

卡尔曼滤波递减平均方法对模式直接输出的气温预报进行订正,能有效提高预报准确率,但有时会造成显著负订正的现象,使订正预报效果反而不及模式直接输出。利用消除偏差集合平均方法(BREM)选择最优滑动训练期对2019年10月至2020年4月ECMWF预报(EC)、经过卡尔曼滤波递减平均法订正的预报(EC_COR)及中央台网格指导预报(SCMOC)等3种气温预报在黑龙江省的结果进行集成,并将BREM方法对EC_COR的修正效果进行评估,结果表明:不同预报结果都表现为冬季和夜间预报的准确率更低,气温偏低的11月至翌年1月更倾向于表现出预报较实况系统性偏高的特点。BREM方法能有效地修正EC_COR对EC负订正的现象,且可显著高于任何一种参与集成的单一预报效果。可在对单一模式进行卡尔曼滤波递减平均订正的基础上,进一步提升预报质量。另外,利用集成方法对高质量预报产品的融合(不局限于模式直接输出预报或是订正预报)可获取较单一预报更优的预报结果。     

基于TIGGE多模式降水量预报的统计降尺度研究

利用TIGGE资料中欧洲中期天气预报中心、美国国家环境预报中心、英国气象局以及日本气象厅4个中心,1~7 d预报时效的降水量预报资料,以TRMM/3B42RT降水量作为"观测值",对东亚地区降水量进行统计降尺度处理。首先利用逻辑回归方法将天气分为有雨和无雨,再对有雨的情况,利用线性回归方法对插值后的预报结果进行降尺度订正,最后将4个中心的预报值进行消除偏差集合平均,得到多模式集成的降水量预报场。结果表明:逻辑回归能够有效地改善预报中小雨的空报情况,统计降尺度订正后的预报结果比直接插值更加准确,多模式集成的预报效果优于单模式结果,其改进效果随预报时效的延长逐渐减小。