中国降水的多模式集合预报研究

论文总字数：15060字

目 录

1引言······················································1

2试验所用资料和方法········································2

2.1资料···································································2

2.2 方法···································································3

2.2.1多模式集合方法···················································3

2.2.2检验方法·························································4

3对逐日累积降水的多模式集合预报试验························4

3.1训练期的选取····························································4

3.2多模式集合结果评估······················································5

4对多模式集成后的结果应用频率匹配法订正···················10

5结论与讨论···············································12

参考文献··················································12

致谢······················································14

中国降水的多模式集合预报研究

张海鹏

，China

Abstract: Based on the ensemble forecasting data of 24h precipitation of European Centre for Medium Range Weather Forecasts (ECMWF), Japan Meteorological Agency (JMA), and U.S. National Centers for Environmental Prediction (NCEP), and United Kingdom Met Office (UKMO) in the TIGGE datasets, the results have been evaluated by using the anomaly correlation coefficient and root mean square error of prediction. The ensemble forecasts of the surface precipitation of four center have been conducted by using EMN, BREM and SUP and the forecast effect have been analyzed meanwhile. The correction is improved by applying frequency matching method to the results of integration. The results show that three kinds of multimodal ensemble mean can reduce the prediction error and improve the prediction accuracy. The forecast effect of BREM is better than the best individual center forecast. For longer forecast time, BREM shows better performance. After the frequency matching method is used to revise the precipitation, it is obvious that the forecast effect of three multimodel ensemble mean on whether it will rain is improved.

Key words: TIGGE; precipitation; ensemble mean; bias-removed ensemble mean; frequency matching method

1 引言

数值预报技术数十年前只是通过传统的单个模式来进行预报，而近几十年来预报技术不断地向多种模式的集合预报发展，取得了很大的成就，在天气预报中所占的比例越来越高^[1]。即使数值预报技术发展较快，但是因为不同模式有不同的初始场，不同系统的系统偏差也不尽相同，预报结果与实际情况在很多情况下存在不小的误差。为了在研究和工作中不断改善集合预报的预报效果，世界气象组织（WMO）提出基于此目的的战略，即THORPEX计划，该计划主要研究全球范围以及不同区域内对气候有很大影响的天气系统，涉及到系统的发生、发展和消亡过程，并且对这些系统的可预报性进行研究。该计划的另一个目的是致力于使预报资料在全球范围内达到共享，让全球各地的研究者有充足的资料研究本地区和其他各地的天气情况。在THORPEX中，TIGGE资料占据着举足轻重的地位，当前的TIGGE资料中心共有3个，收集来自全球范围内十数个中心的预报资料^[2]。

不同的预报模式在预报能力上存在系统差异，原因是不同模式的系统框架、分辨率、初始场不尽相同，与此同时对于物理参数化方案的选择以及资料同化技术等方面有较大的差别，研究结果显示，基于此原理的多模式集成方法可以综合考虑各模式的预报资料，对于系统误差的减小起到很大的作用 ^[3]。在数值预报发展的过程中Krishnamurti第一个使用超级集合来对预报结果进行集成，在做了大量试验后发现，对于短期气候和短时预报超级集合方法的预报结果有很好的效果，预报误差也较单中心预报小^[4-7]。在天气预报和气候预测中有很多气象要素需要进行预报，而多模式集成技术成功改善了对气象要素的预报效果。Cartwright et al. ^[8]通过对2003年美国东南部中尺度降水进行超级集合预报，发现在某些区域对12~60h不同强度降水进行超级集合预报，预报结果相比单中心预报更精确。Goers利用多模式集合平均，试验对象为1995~1996年大西洋飓风，多模式集合平均了多个中心的结果，发现对于平均距离的预报误差，集合结果比最好单中心可降低20%左右 ^[9]。Kumar et al.等^[10]通过超级集合方法对太平洋1998、1999、2000年的台风路径和强度进行预报试验，结果表明超级集合预报对台风路径和强度的预报准确率最高。Ross和Krishnamurti^[11]选择海平面气压、高度场以及风场作为试验研究的对象，通过对24~120h预报时效的海平面、高度和风场进行预报，发现预报效果最佳的单中心和多模式集合平均的预报误差较超级集合大很多，而且总体上在南半球的预报误差较北半球低，对于春季和秋季的高度场和风场预报误差较夏冬季更低。 Cane和Milelli^[12]将多模式超级集合技术应用于皮埃蒙特地区的定量降水预测，对于用标准后处理方法很难处理的降水，多模式超级集合也能给出很好的结果。

超级集合预报在集合预报方法中原理更为科学，每个集合成员通过不等权进行集成。随着我国数值预报技术的发展，国内近年来也有许多学者开始利用多模式集合方法来进行预报试验，在降水、温度、台风路径强度等方面都取得了很好的效果。陈丽娟等对我国汛期降水的预报应用超级集合方法，研究显示超级集合相比于各中心在很大程度上改善了预报效果 ^[13]。马清等^[14]选择来源不同的温度资料，采用多模式集合的思想对其进行预报，结果表明集合结果预报效果比单中心好，明显降低了系统误差。周文友和智协飞^[15]选取西太平洋台风路径和中心气压（强度）进行预报试验，预报时效为1~3d，预报期为31天，研究发现消除偏差集合平均与超级集合方法明显提高了预报准确率。卞赟等^[16]利用TIGGE资料中的4个中心全球集合预报模式对逐日累计降水进行多模式集成预报试验，发现多模式集合方法对逐日累计降水240~360h延伸期预报优于单个中心模式，将逐日降水的预报时效提高了72~168h。林春泽等^[17]基于TIGGE资料中的五个中心的中国地区逐日累计降水集合预报资料进行集成，结果表明对于12~156h逐24h累计降水量概率预报，多模式集成预报效果优于单模式预报效果。

智协飞等^[18]在进行对北半球中纬度地区地面气温的预报试验中发现固定训练期长度后，在预报期后期预报效果较差，从而创新性地在超级集合方法中将固定训练期改为滑动训练期，最优训练期的长度通过对不同长度训练期对应的预报期参数大小比较进行提取，确定训练期天数后，不断向后滑动确定多组权重系数，从预报期第一天开始，每天的训练期都是离当天最近的61d，这样做的好处在于对于预报期每一天的预报，权重系数均由新的训练期计算得到，可以改善固定训练期权重在预报期后期失效的情况，研究发现将训练期改为滑动形式后超级集合可进一步提高预报的性能。特别地，对于168h的预报，多模式集合平均的预报效果优于固定训练期超级集合，而滑动训练期超级集合不仅降低了预报误差，同时预报效果比简单集合平均好很多。

与集合预报相联系的概率预报近年来也得到了发展，概率天气预报的概念由Hallenbeck在上个世纪20年代首次提出。在之后的探索中，对于概率预报准确率的评估也逐渐发展起来。以这些工作为基石，Sander提出了相应的技巧评分标准(BS评分)。20世纪60年代以后，天气预报的形式开始发生变化，数值方法和统计手段相结合的形式逐渐运用到研究工作中，在之后数十年内西方国家以美国为首最先开始对日常气象业务运用概率预报的思想，并且在对降水、强风暴、最高最低气温等要素的预报中也相继加入概率预报的概念^[19]。从本质来看，集合预报和概率预报在某种层面上是等同的，其最后的目标就是对未来天气变化进行完全概率预报。集合预报和概率预报两者对未来天气的预报都有很大的可变性，但集合预报可以给出好于任何单中心的确定性预报，概率预报则是在对未来天气的预报中添加不同的可能性。对于概率预报，保证其能有多值预报结果的关键基础就是集合预报 ^[20]。

本文主要对TIGGE资料中不同中心24h地面降水资料进行收集，评估各中心的预报性能，并对不同中心的地面降水预报进行多模式集成，分析3种多模式集成方法对于预报结果的改善效果。对多模式集成后的降水预报采用频率匹配法进行订正，并分析订正前后多模式集合方法的预报结果。

1. 试验所用资料和方法
   1. 资料

本次试验所用资料来自TIGGE资料，分别收集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）4个中心每天在世界时12 时起报的24h地面降水资料。资料时间长度为2013年6月1日—8月31日共92天，预报区域为15°N~59°N，70°E~140°E，精度为1°×1°，预报时效为 24 ~168h，间隔 24 h。并采用中国降水融合产品作为实况值，与4个中心的预报资料做多模式集成。资料时间长度为2013年6月2日—9月7日共98天，观测区域15°N~59°N，70°E~140°E，精度为0.1°×0.1°。

剩余内容已隐藏，请支付后下载全文，论文总字数：15060字