基于贝叶斯理论的集合降水概率预报方法研究

将贝叶斯理论应用到集合降水概率预报方法研究中.采用集合预报资料和历史观测资料,通过建立贝叶斯产品处理技术(Bayesian Processor of output,BPO)降水概率预报模型,将一组集合成员降水确定预报值修订为一组贝叶斯降水概率分布或概率密度的预报,并获得表征每个集合成员预报能力有效信息评分(Informativeness Score,IS).基于IS值对集合成员概率预报信息融合,得到集成贝叶斯降水概率预报,并采用连续等级概率评分(Continuous Ranked Probablity Score,CRPS)方法检验试验结果.结果表明,基于BPO方法得到的集成贝叶斯降水概率预报可靠性高于由集合预报得到的直接概率预报.     

区域业务模式6 h降水预报检验方案比较

对我国华东、华南、华北区域气象中心和中国气象局数值预报中心业务运行的区域模式2011年5—9月的6 h降水预报, 采用不同检验结果平均方案进行对比检验。对比结果表明:不同的检验结果平均方案基本不影响与中国气象局数值预报中心模式 (NMC-GRA) 在相同区域关于TS评分比较的相对检验结论,即当两个模式评分差距较大时,评分高的模式在两个方案中是一样的,但评分比较接近时,若有一个模式对该区大尺度降水预报较好时,则可能在新方案中有较高的TS评分,而此模式原方案评分则可能略低于局地小尺度降水预报较好的模式。但对于较少发生的强降水预报的预报偏差的评价有很大不同,当新方案的结果显示多数模式对强降水的预报偏少,原方案则可能显示偏多,说明模式对大尺度的强降水预报较实况偏少,但对小尺度局地降水的预报则可能偏多。     

一种温度集合预报产品释用方法的初步研究

数值天气预报技术与能力在不断地发展与提高,集合预报是数值预报发展中的一个热点.集合预报产品所提供的大量预报信息,需要通过合适的产品释用处理来传递给用户,因此对集合预报产品进行解释与应用是实现其实用价值的一个重要环节.选取武汉站00:00 UTC地面气温(T2m)作为预报量,利用其历史观测资料及2008年1月份TIGGE...     

基于评分最优化的模式降水预报订正算法对比

使用2013年1月1日-2016年1月7日全国气象站观测资料,应用准对称混合滑动训练期,不改变雨带预报位置和形态,基于模式降水预报订正结果的TS评分最优化及ETS评分最优化,分别设计最优TS评分订正法（OTS）和最优ETS评分订正法（OETS）确定预报日各级降水订正系数,对2014-2015年降水数值预报进行分级订正,并与频率匹配法（FM）对比。结果表明:在24 h累积降水的多个预报时效订正中,无论是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中国气象局的全球模式降水预报,还是对4个模式的简单多模式平均,OTS和OETS较FM在TS评分和ETS评分等传统降水检验指标上均更优秀,其中OTS在所有时效均能提高模式降水预报质量,为三者最优。在概率空间的稳定公平误差评分方面,OTS在各时效、各单模式及多模式平均等方面优势明显。在预报员对应参考时效上,OTS在24~168 h的24 h累积降水预报中的TS评分也优于主观预报。     

2013年汛期ECMWF集合统计量产品的降水预报检验与分析

基于TIGGE中欧洲中期天气预报中心和美国国家环境预报中心全球集合预报系统（EC_GEPS和NCEP_GEPS）的2016年1月1日-2017年12月31日连续2 a的预报资料,对两套系统在西南地区10 d以内的2 m温度和24 h定量降水预报进行检验评估和综合分析。2 m温度预报检验结果表明：EC_GEPS和NCEP_GEPS的2 m温度控制预报和集合平均预报的均方根误差均普遍偏高且NCEP_GEPS总体而言优于EC_GEPS;两套系统集合平均均方根误差相对于控制预报改进不明显;集合离散度均明显偏低;Talagrand分布均呈现出非常明显的\     

CMA高分辨区域集合预报系统支撑北京冬奥会气象服务保障的评估分析

冰雪运动项目与气象条件关系密切,气象条件是冬奥会赛事顺利进行的关键因素之一.中国气象局地球系统数值预报中心根据2022年北京冬奥会比赛气象保障需求,基于多尺度混合初值扰动方法和侧边界扰动方法,初步建立了高分辨率区域集合预报试验系统,针对北京冬奥会比赛同期时段开展了连续试验.初步试验统计结果表明:主要预报变量高、中、低层...     

一种基于可预报性的暴雨预报评分新方法Ⅱ:暴雨检验评分模型及评估试验

针对当前暴雨预报检验采用二分类事件检验方法存在较严重的“空报”“漏报”双重惩罚,没有考虑暴雨时空分布不均和预报评分可比性不够等问题,在分析预报员对暴雨预报评分期望值基础上,设计了一种基于可预报性的暴雨预报检验评分新方法和计算模型,分析了理想评分,并对2015-2016年4-10月中国中央气象台5 km×5 km定量降水格点预报和降水落区等级暴雨预报进行评分试验,获得了以下结果和结论:（1）预报员对暴雨预报评分期望值呈现梯级下降特征,与传统的TS评分存在显著差异;（2）设计了一种基于可预报性的暴雨预报检验新方法,通过引入e指数函数构建暴雨预报评分基函数,进而构建暴雨评分模型,该模型可以较好地拟合预报员对暴雨预报评分的期望值,同时改善了评分在不同量级阈值处的断崖式突变情况;（3）提出了预报与观测的邻域匹配方法,即一个预报点与所定义邻域中的一组观测相匹配,并利用距离加权最大值法确定暴雨评分值权重系数,预报与观测距离越近,距离权重系数越大,评分值权重越大,提高了评分的合理性,避免了距离较远的匹配站点得高分不利于鼓励预报员提高预报精度的问题;（4）对中国中央气象台逐日5 km×5 km水平分辨率的定量降水格点预报产品和中央气象台定量降水落区等级预报产品进行了评分试验,暴雨预报准确率全国平均值大于60分。基于可预报性的暴雨预报检验新评分与传统暴雨预报TS评分逐日演变特征相似,但可以较好地解析TS为0的预报评分,解析后的新评分与预报员和公众的心理预期更为接近。      

一种温度集合预报产品释用方法的初步研究

利用海河流域逐日降水历史观测资料、ECMWF集合预报降水预报数据,通过贝叶斯产品处理技术（Bayesian Processor of Output,BPO）对海河流域内289个格点进行BPO建模,将ECMWF集合成员确定性降水预报修订为贝叶斯降水概率预报,结果显示概率密度峰值较确定性预报更加接近实况;再以51个成员的有效信息得分（Informativeness Score,IS）衡量各集合成员的预报能力,融合各成员的概率预报结果,得到代表ECMWF集合预报不确定性的贝叶斯集成降水概率预报。采用RPS和BS评分方法对海河流域2018年6—8月降水概率预报进行检验,结果表明,在海河流域降水预报中基于BPO方法的贝叶斯集成概率预报评分结果优于集合预报的直接概率预报结果,为海河流域降水概率预报业务奠定了基础。

     

GRAPES区域集合预报对2019年中国汛期降水预报评估

2019年,数值预报中心开发了以GRAPES全球模式为驱动场,集合变换卡尔曼滤波为初值扰动方法,随机物理过程倾向项为模式扰动方法的10km水平分辨率GRAPES-REPS V3.0区域集合预报模式,并投入业务运行.基于该模式,作者开展了2019年7～9月夏季降水不确定性的集合预报实时试验,并从统计检验和个例分析角度,与...     

A COMBINED VERIFICATION METHOD FOR PREDICTABILITY OF PERSISTENT HEAVY RAINFALL EVENTS OVER EAST ASIA BASED ON ENSEMBLE FORECAST

Persistent Heavy Rainfall (PHR) is the most influential extreme weather event in Asian summer, which has attracted intensive interests of many scientists. By use of operational global ensemble forecasts from China Meteorological Administration(CMA), a new verification method applied to evaluate the predictability of PHR is investigated. A metrics called Index of Composite Predictability (ICP) established on very basic verification indicators, in this paper, Equitable Threat Score(ETS) of 24h accumulated precipitation and Root Mean Square Error(RMSE) of Height at 500hPa is Selected to distinguish “good” and “poor” prediction from all ensemble members. Using the metrics of ICP, the predictability of two typical PHR events in June 2010 and June 2011 is estimated. The results show that the “good member” and “poor member” can be identified by ICP and present an obvious discrepancy in predicting the key weather system which impact on PHR. The different performance of “Good member” and “Poor member” reveals the higher predictability both in synoptic scale and mesoscale weather system in their location, duration and the movement by “Good member”. The source of growth errors for “Poor” member is mainly from errors of initial conditions in northern polar region. The growth of perturbation errors and the reason to cause the better or worse performance of ensemble member also have great value for future model improvement and further research.