基于集合预报的中国极端强降水预报方法研究

极端强降水天气属于小概率事件,其发生具有很多不确定的因素,预报难度很大。根据Anderson-Darling检验原理研究基于集合预报资料的极端强降水天气预报方法,利用2007—2010年中国T213集合预报资料和2001—2010年6—8月中国降水观测资料,分析观测与集合预报累积概率密度分布函数的特征,建立基于集合预报与模式历史预报累积概率密度分布函数连续差异的数学模型——极端降水天气预报指数(EPFI),并对2011年7月中国极端强降水天气进行预报试验。结果表明,极端降水天气预报指数可以充分利用集合降水累积概率密度分布的尾端信息,为极端强降水提供科学合理的预报,基于中国气象局(CMA) T213集合预报的极端降水天气预报指数可提前3—7 d发出极端强降水预警信号,随着预报时效的延长,预报技巧逐渐降低。研究还表明,模式气候累积概率分布的合理性将直接影响极端强降水天气识别能力。     

基于T639集合预报的持续性强降水中期客观预报技术研究

针对持续性强降水预报困难的问题,根据Anderson-Darling检验原理,构建基于中国气象局T639集合预报系统的持续性强降水中期客观预报方法。对比分析2010-2015年5-9月T639集合预报降水与实况降水的累积概率分布函数差异,在此基础上采用扩展时间序列和空间范围的方法构建3种模式气候累积概率方案,通过批量预报试验和检验,选取最优概率方案纳入预报模型,考察持续性强降水个例的最长预报时间。结果表明,随着预报时效的延长,集合预报模式的降水逐渐集中于小和中雨量级,无降水和暴雨以上量级的降水概率低于观测,168 h以后模式降水概率趋于稳定。通过扩展时间序列和空间范围能弥补模式气候资料年限不足所带来的偏差,根据区域气候特征细分模式气候的方法重点突出了不同区域的降水特征,明显优于简单集合所有区域数据的模式气候方案。基于集合预报的持续性强降水预报模型对持续性强降水个例的预报能力为8-9 d,随着预报时效的延长,降水强度以及雨带位置的预报能力逐渐减弱。      

基于T213集合预报的中国极端温度预报方法研究

基于中国T213集合预报系统资料,根据Anderson-Darling检验原理,研究基于集合预报与模式历史预报累积概率密度(简称模式气候)分布函数连续差异特征的极端温度天气预报方法,建立极端温度天气预报指数(Extreme Temperature Forecast Index, 简称EFI)的数学模型。利用S指数评分方法确定发布极端温度预警信号的阈值,得出:1月的发布极端高温的预警信号的阈值为0.7或0.8,发布极端低温的预警信号的阈值为-0.7或-0.8。基于EFI指数以及该阈值,对2013年1月中国极端温度天气进行预报试验,得出:极端天气预报指数对极端温度天气具有较好的识别能力,可提前3~7 d发出极端温度预警信号,随着预报时效的延长,预报技巧逐渐降低。     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

基于模式先验信息的贝叶斯集合降水概率预报试验

为了更好地利用降水预报历史先验概率分布函数信息修订集合概率预报效果,基于贝叶斯原理和贝叶斯降水概率预报模型,分别使用1952—2007年历史观测资料和2009—2011年6月24~120 h中国T213全球集合预报历史资料作为先验信息,对中国不同气候区代表站（广州、南京、武汉和成都）建立贝叶斯降水概率预报模型,对比不同先验信息下集合成员与集成贝叶斯降水概率预报拟合结果差异,分析先验信息对贝叶斯降水概率预报模型的影响,在此基础上,采用模式先验信息的贝叶斯降水概率预报模型,进行2008年6月降水概率预报试验。试验结果表明,由T213集合预报产生的先验信息较历史观测资料产生的先验信息更优,当先验信息的降水概率分布函数曲率最大处偏向降水大值区时,贝叶斯模型的降水预报结果也偏向降水大值区,反之亦然。结果还显示,先验信息对贝叶斯降水概率预报模型有重要影响,若先验信息偏向更多更大降水量时,贝叶斯降水概率预报对有降水的预报更优,若降水先验信息偏向更少更小降水量时,对无雨或微量降水预报效果越好。     

几种数值预报模式在广西降水预报效果的比较

根据最近5年的降水资料和T213、日本、德国三家数值模式降水预报产品,对三家数值模式在广西晴雨预报和降水分级预报的能力进行分析、比较,结果表明,T213模式的暴雨预报能力最强,日本模式在大雨及以下各级降水预报中预报能力最强,但降水的量级比实况偏小;德国模式对晴雨预报,特别是无雨天气预报能力明显高于日本模式和T213模式。     

集合预报产品在江苏省暴雨预报中的应用评估

利用2011—2015年6—8月TIGGE(THORPEX Interactive Grand Global Ensemble)数据集中欧洲中期天气预报中心(ECMWF,以下简称EC)的集合降水预报数据和江苏省70个基本站逐日24 h(20时至次日20时)降水数据,通过大量暴雨样本系统检验和评估了EC集合预报及多种后处理释用产品对江苏暴雨的预报能力。结果表明:作为集合预报的初级产品,集合平均对暴雨的预报存在明显的漏报率,TS预报评分尚不及EC确定性预报;集合预报不同成员间对暴雨的预报技巧差异大,其最优成员组合的预报能力显著优于EC确定性预报,表明集合预报具有较大的应用潜力;在多种集合预报后处理释用技术中,最大值、最优百分位、降水偏差订正频率匹配法、概率预报、集合异常预报法和杜-周排序法(最大值法)的平均TS评分均较高,超过10%,其次90%分位数、融合、融合-概率匹配和杜-周排序法(集合平均或中位值法)的预报效果也均优于EC确定性预报。集合中位值、概率匹配方法对江苏暴雨的预报评分低于集合平均预报,在暴雨预报上的参考价值相对较低。该评估结果进一步加深了对各集合预报产品区域暴雨预报能力的认识,为预报员更直接快速地选取有效的集合预报产品提供参考。     

Improvement of 6–15 Day Precipitation Forecasts Using a Time-Lagged Ensemble Method简

A time-lagged ensemble method is used to improve 6-15 day precipitation forecasts from the Beijing Climate Center Atmospheric General Circulation Model,version 2.0.1.The approach averages the deterministic predictions of precipitation from the most recent model run and from earlier runs,all at the same forecast valid time.This lagged average forecast （LAF） method assigns equal weight to each ensemble member and produces a forecast by taking the ensemble mean.Our analyses of the Equitable Threat Score,the Hanssen and Kuipers Score,and the frequency bias indicate that the LAF using five members at time-lagged intervals of 6 h improves 6-15 day forecasts of precipitation frequency above 1 mm d-1 and 5 mm d-1 in many regions of China,and is more effective than the LAF method with selection of the time-lagged interval of 12 or 24 h between ensemble members.In particular,significant improvements are seen over regions where the frequencies of rainfall days are higher than about 40％-50％ in the summer season; these regions include northeastern and central to southern China,and the southeastem Tibetan Plateau.     

2004年主汛期各数值预报模式定量降水预报评估

随着数值预报技术的飞速发展, 模式定量降水预报已成为天气预报业务工作中的主要参考依据。本文对目前在国家气象中心应用的3个业务运行模式T213L31, HLAFS0.25, 华北中尺度模式MM5和德国模式及日本模式的降水预报产品进行了季节空间分布、区域时间序列演变及统计检验, 试图从空间、时间及统计方面对降水预报产品的预报性能进行综合评估。检验结果表明:目前的数值预报模式对短期时效内定量降水预报均具有一定的空间预报能力, 但强降水中心位置有一定的偏差; 从时间序列演变检验来看, 模式对区域强降水过程的发展趋势具有较强的预报能力, 但降水量预报与实况有一定的差距; 从累加统计评分检验结果来看, 模式短期时效的预报性能差别不大, 全球模式在小中雨预报方面有一定优势, 其中日本模式的综合预报性能最好, 大雨以上量级的预报则是国内的模式有一定的优势, 其中华北中尺度MM5模式, T213L31模式各有所长, 但均存在预报量和预报区偏大问题。     

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。     

中国东南地区复杂地形下降水概率预报的订正研究

使用TIGGE (the THORPEX interactive grand global ensemble)资料集下欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)逐日起报的预报时效为24～168 h的日降水量集合预报资料,集合预报共包括51个成员,利用左删失的非齐次Logistic回归方法(left-Censored Non-homogeneous Logistic Regression,CNLR)和标准化的模式后处理方法(Standardized Anomaly Model Output Statistics,SAMOS)对具有复杂地形的中国东南部地区降水预报进行统计后处理。结果表明:采用CNLR方法能够有效改进原始集合预报的平均绝对误差(Mean Absolute Error,MAE)和连续分级概率评分(Continuous Ranked Probability Score,CRPS),提升了降水的定量预报和概率预报的预报技巧。而使用SAMOS方法对数据进行预处理,考虑地形等因素的影响,能在CNLR方法的基础上进一步订正由于地形影响造成的预报误差,并得到更加准确的全概率的降水概率预报。     

上海区域数值预报模式集合预报系统的建立与试验

以目前运行的上海区域业务数值预报模式为基础,从预报模式的不确定性出发构造8个预报成员,建立了上海区域数值预报模式集合预报系统的初步模型,并对2004年夏季进行了逐日48 h预报试验。结果表明:集合平均对华东地区城市降水、温度、海平面气压等气象要素的总体预报能力与分辨率高3倍的业务模式相当,其中对雨量较大降水、最低温度、海平面气压(0~24 h)的预报效果好于业务模式;集合预报还能提供客观化、定量化的降水概率预报,对降水的发生、尤其是特大降水的发生有着很好的提示作用。     

中国区域降水偏差订正的初步研究

基于中国气象局公共气象服务中心提供的降水预报资料,利用频率匹配法和阈值法对2015年全年的降水预报进行偏差订正并对订正后的结果进行检验。结果表明:(1)偏差订正可显著减少集成系统降水预报的小雨空报现象,改善"有雨或无雨"的定性预报性能,提高集成系统的晴雨预报准确率。(2)订正后降水量级大小更接近实况降水,并且集成系统预报的平均绝对误差和面积偏差(干偏差或湿偏差)均有所降低。(3)偏差订正对降水预报的改善程度与系统本身预报性能有关,系统本身预报误差越大,订正效果越好。     

2016-2020年广东省定量降水预报检验评估

对2016-2020年全球模式ECMWF和区域模式GZ_GRAPES、基于模式的解释应用和广东省气象局发布的定量降水预报（QPF）进行检验和评估。结果表明:ECMWF和GZ_GRAPES模式对一般性降水预报技巧在逐年提升,对大雨或以上的降水预报技巧的提升缓慢。GZ_GRAPES对大雨以上降水的预报技巧和定量降水预报的精细时空分布均优于ECMWF,区域模式更易预报出中小尺度降水信息。分类暴雨评定表明,模式对台风暴雨预报最好、锋面暴雨次之、季风暴雨预报最差。模式的暴雨预报落区偏小、低估明显,预报员通过经验订正明显提升了暴雨预报评分,其中季风暴雨的订正量最大,但存在预报范围偏大、空报较高的问题。基于ECMWF集合预报的解释应用与预报员的定量降水预报能力相当,降水越强,解释应用技术的优势越明显,但对季风暴雨也存在严重低估或漏报。目前降水精细时空分布、季风暴雨、极端性暴雨等依然靠预报员的经验订正为主,随着集合预报模式和区域高分辨率模式能力的提升,将预报经验客观化并与数值预报解释应用技术结合是提升QPF的一个方向。      

Analysis of a Heavy Rainfall Event over Beijing During 21-22 July 2012 Based on High Resolution Model Analyses and Forecasts

The heaviest rainfall over 61 yr hit Beijing during 21-22 July 2012.Characterized by great rainfall amount and intensity,wide range,and high impact,this record-breaking heavy rainfall caused dozens of deaths and extensive damage.Despite favorable synoptic conditions,operational forecasts underestimated the precipitation amount and were late at predicting the rainfall start time.To gain a better understanding of the performance of mesoscale models,verification of high-resolution forecasts and analyses from the WRFbased BJ-RUCv2.0 model with a horizontal grid spacing of 3 km is carried out.The results show that water vapor is very rich and a quasi-linear precipitation system produces a rather concentrated rain area.Moreover,model forecasts are first verified statistically using equitable threat score and BIAS score.The BJ-RUCv2.0forecasts under-predict the rainfall with southwestward displacement error and time delay of the extreme precipitation.Further quantitative analysis based on the contiguous rain area method indicates that major errors for total precipitation（〉 5 mm h~（-1）） are due to inaccurate precipitation location and pattern,while forecast errors for heavy rainfall（〉 20 mm h~（-1）） mainly come from precipitation intensity.Finally,the possible causes for the poor model performance are discussed through diagnosing large-scale circulation and physical parameters（water vapor flux and instability conditions） of the BJ-RUCv2.0 model output.     

两个集合预报系统对秦岭及周边降水预报性能对比

利用欧洲中期天气预报中心 (ECMWF)、美国大气环境预报中心 (NCEP) 集合预报系统 (EPS) 降水量预报资料,CMORPH (NOAA Climate Prediction Center Morphing Method) 卫星与全国3万个自动气象站降水量融合资料,基于技巧评分、ROC (relative operating characteristic) 分析等方法,对比两个集合预报系统对秦岭及周边地区的降水预报性能。结果表明:两个系统均能较好表现降水量的空间形态,对于不同量级降水,ECMWF集合预报系统0~240 h控制及扰动预报优于NCEP集合预报系统,但NCEP集合预报系统264~360 h预报时效整体表现更好; ECMWF集合预报系统0~120 h大雨集合平均优于NCEP集合预报系统,两个系统集合平均的预报技巧整体低于其控制及扰动成员预报,这种现象ECMWF集合预报系统表现更为显著; ECMWF集合预报系统降水预报概率优于NCEP集合预报系统。ROC分析显示,随着预报概率的增大,ECMWF集合预报系统在命中率略微下降的情况下,显著减小了空报率,NCEP集合预报系统则表现出高空报、高命中率。     

基于快速更新同化数值预报的小时降水量时间滞后集合订正技术

由中小尺度对流系统造成短时强降水天气的发生发展十分迅速,对其落区和时效的预报预警一直都是预报业务中的难点。本文基于快速更新同化的中尺度数值预报系统GRAPES-RAFS 0. 1°×0. 1°分辨率逐小时降水预报,首先通过时间滞后集合预报方法构建了多个集合成员,使用平均TS评分值计算相应预报成员权重系数建立预报方程,然后采用频率匹配订正法进行降水量级订正,从而得到集合订正的逐小时降水量预报。2017年8-9月的逐日试验和典型个例预报结果评估表明效果良好。(1)GRAPES-RAFS最新时次的预报场并不完全代表最好的预报效果,通过时间滞后集合订正方法自动识别优选预报成员,显著提高了预报能力;(2)GRAPES-RAFS预报存在降水量级偏弱的系统性误差,经过频率匹配方法订正后,在量级预报上更接近实况;(3)时间滞后集合预报对我国中东部(包括黄淮、江淮、江南地区)的小时降水量订正效果最好;(4)进一步使用的频率匹配订正方法显著提升了逐时降水量的预报效果,其在降水频率更高、强度更大的江南南部、华南、西南地区效果更为显著;(5)对于中小尺度的强降水过程,经过上述方法订正后,显著提高了模式对强降水系统位置、形态及降水量级的预报水平。     

基于时空不确定性的对流尺度集合预报效果评估检验

针对对流尺度天气系统的高度非线性特征和高分辨率模式预报结果存在时、空不确定性现象,以及当前邻域概率法主要考虑高分辨率预报结果的空间位移误差,而不能有效解决预报结果存在时间超前与滞后问题,将时间因素引入到邻域概率法中,结合一次强飑线过程进行对流尺度集合预报试验,并基于改进后的新型邻域概率法与分数技巧评分,对降水预报进行了不同时、空尺度的效果评估检验。结果表明:（1）邻域集合概率法和概率匹配平均法在极端降水的分数技巧评分远高于传统集合平均,弥补了集合平均对极端降水预报能力偏低的缺陷。（2）对于此类飑线过程的对流尺度天气系统而言,邻域半径为15—45 km的空间尺度能够改善降水位移误差的空间不确定性,并使其预报效果达到最优,其中15—30 km的邻域半径对于尺度更小的大量级降水事件预报能力更强。（3）对流尺度降水预报考虑时间尺度与降水强度存在着对应关系,不同时间尺度可以捕获到不同量级降水的时间不确定性。同时,时间尺度与空间尺度对于降水预报效果的影响是相互关联的。（4）改进的邻域概率法能够同时体现高分辨率模式预报结果在对流尺度降水事件上存在的时、空不确定性,实现了对流尺度降水在时、空尺度上的综合评估,并能为不同量级降水提供与其时、空尺度相匹配的概率预报结果。      

Ensemble mean forecast skill and applications with the T213 ensemble prediction system

Ensemble forecasting has become the prevailing method in current operational weather forecasting. Although ensemble mean forecast skill has been studied for many ensemble prediction systems(EPSs) and different cases, theoretical analysis regarding ensemble mean forecast skill has rarely been investigated, especially quantitative analysis without any assumptions of ensemble members. This paper investigates fundamental questions about the ensemble mean, such as the advantage of the ensemble mean over individual members, the potential skill of the ensemble mean, and the skill gain of the ensemble mean with increasing ensemble size. The average error coefficient between each pair of ensemble members is the most important factor in ensemble mean forecast skill, which determines the mean-square error of ensemble mean forecasts and the skill gain with increasing ensemble size. More members are useful if the errors of the members have lower correlations with each other, and vice versa. The theoretical investigation in this study is verified by application with the T213 EPS. A typical EPS has an average error coefficient of between 0.5 and 0.8; the 15-member T213 EPS used here reaches a saturation degree of 95%(i.e., maximum 5% skill gain by adding new members with similar skill to the existing members) for 1–10-day lead time predictions, as far as the mean-square error is concerned.     

集合模式定量降水预报的统计后处理技术研究综述

集合数值模式预报已在定量降水预报业务中广泛应用,以获得预报不确定性、最可能预报结果以及极端天气预警。由于集合系统的数值模式不完善,且不能提供所有的不确定性信息,常表现出系统性偏差以及欠离散或过离散（如对于多模式集合）。为此,需要发展统计后处理技术,在尽量保持集合预报解析度的条件下,提高预报的技巧和可靠性。近年来,各种集合预报统计后处理技术得到快速发展。针对定量降水预报,依据技术方法的途径和成熟度将后处理研究归纳为3方面进行总结,包括:（1）不基于统计模型的非参数化后处理,包括集合定量降水预报偏差订正、多成员或模式信息集成以及基于空间分析的对流尺度模式后处理;（2）基于概率分布统计模型的参数化后处理,包括集合模式输出统计和贝叶斯模型平均两种方法框架;（3）考虑预报量的时间、空间和多变量间依赖关系或结构的处理方法,包括参数化和经验连接概率法。最后,讨论发展统计后处理技术需要关注的问题,包括考虑不同来源、不同尺度的多模式信息集成;提供高质量、高分辨率的降水分析资料;发展再预报技术扩充训练样本;基于不同的订正目的和应用场景来使用不同的后处理技术;发展面向海量预报数据、捕捉极端降水以及考虑预报量结构的新技术。