S2S气候模式产品在黄河流域径流预测中的应用

次季节气候和径流预测是主动减灾的一个关键。基于国家气候中心第三代气候模式系统的次季节到季节模式(CMA-CPS v3 S2S)的气候预测信息和HBV水文模型,应用集合预测技术研发了未来40 d时段平均径流量和时段内极端干旱概率预测模型,应用平均方差技巧评分、距平相关系数、相对操作特征曲线面积、布赖尔技巧评分开展了回报检验,并检验了2021年黄河流域径流异常预测效果。结果表明,所建模型能够以较高技巧预测黄河流域未来40 d时段平均的径流量,且表现出枯季预测技巧高、湿季技巧低的季节差异;对秋末11月和冬季3个月(12月、1月、2月)的极端干旱概率预测也有较高技巧。对于2021年5—8月黄河上中游干旱和9—10月的秋汛,该方法正确预测了除6月、9月外的其他4个月的径流异常方向,但异常程度与实况存在差异。对径流预测水平影响因素的进一步分析表明,S2S降水预测能力影响径流预测水平,特别是丰水期的径流预测,但还有降水之外的其他因素影响径流预测技巧。     

基于改进版NUIST CFS1.1的热带大气季节内信号及其对中国气温降水影响的预测评估

基于南京信息工程大学次季节气候预测系统(NUIST CFS1.1),通过调整成员的大气初始化方案并优化了集合预测方案,构建了性能更优、计算成本更低的9成员NUIST CFS1.1 Pro系统。进一步基于实时多变量Madden-Julian Oscillation(MJO)指数和两类北半球夏季季节内振荡(Boreal Summer Intraseasonal Oscillation,BSISO)指数BSISO1和BSISO2,评估了该预测系统对热带不同季节的大气季节内振荡(ISO)的预测技巧。结果表明,NUIST CFS1.1 Pro能分别提前26、17、12 d有效预测(距平相关高于0.5)MJO、BSISO1、BSISO2,对强事件(振幅>1)的有效预测时长能分别延长到30、21、13 d。此预测性能对比国内其他最新次季节动力模式如BCC_CSM2和FGOALS-f2有一定优势,同时在与国际S2S计划的8个主要业务预测系统的技巧对比中,NUIST CFS1.1 Pro在冬季MJO和夏季BSISO1预测上处于较为领先的水平,BSISO2的预测则处于中等水平;对不同位相的计算技巧显示,冬季MJO和夏季BSISO1的2、3、6、7位相较其他位相技巧更高。进一步的分析表明,NUIST CFS1.1 Pro能提前5候准确把握冬季MJO的东传特征,并能在一定程度上预测出其对我国气温异常的影响,尤其是对位相2、3时候的冷异常预测;而在夏季,则能提前4候正确预测BSISO1的北传、西北传特征,尤其能较好地预测西北太平洋上的对流和低层环流异常,从而成功预测出BSISO1造成的我国东部地区降水异常的空间形态。然而预测的强度较观测偏弱,这需要进一步的工作来改进。     

中国沿海风能年际变化的区域性特征成因及其预测

基于ERA5的逐小时100 m风场数据,利用时间序列K-means聚类方法,将中国沿海冬季风能年际变化划分为四个区域,分别为北中国海(North China Sea,NCS)、东海(East China Sea,ECS)、南海北部(Northern South China Sea,NSCS)及南海南部(Southern South China Sea,SSCS)。四个区域风能的年际变化受不同气候模态的影响,其中NCS风能的年际变化与北极涛动(Arctic Oscillation,AO)有关;ECS风能的年际变化与中部型ENSO及西伯利亚高压有关;SSCS和NSCS的年际变化则和东部型ENSO及大陆高压的南北位置存在联系。鉴于影响各区域风能年际变化的气候模态具有较高的可预测性,进一步评估了多个气候模式对中国沿海风能年际变化的预测技巧。结果表明,气候模式对南中国海的风能年际变化预测技巧更高,这与气候模式对ENSO的高预测技巧有关。气候模式对北方海域风能年际变化的预测技巧较差,这和气候模式不能较好地预测AO和西伯利亚高压有关。     

西北太平洋台风在S2S时间尺度预报效果评估

使用世界气象组织季节内至季节尺度（Subseasonal to Seasonal, S2S）预测项目数据库评估了多个集合预报系统在S2S时间尺度对台风的预报能力。评估的时间段为1999—2010年期间每年5月1日—10月31日。为评估S2S时间尺度台风的预报技巧,使用了台风密集度来描述台风的生成及移动状况。台风密集度定义为一段时间内500 km范围内台风出现的概率。台风密集度由6个S2S集合预报系统后报结果计算得出,它们分别由BoM、CMA、ECMWF、JMA、CNRM和NCEP开发使用。这6个预报系统台风密集度的预报技巧评分表明,当预报时效为11~30天时,ECMWF预报系统的评分为正值,比基于气候状态的参考预报能略好地预报台风。      

JMA/MRI-CPS2模式对东亚夏季风系统预测能力的评估

基于东京气候中心提供的新一代气候预测业务模式(JMA/MRI-CPS2)回报数据,综合多种评估方法,评估了其对于东亚夏季风的预测技巧,结果表明该模式能够模拟出气候场上主要降水中心和夏季风主要成员的位置,但存在明显的系统性偏差。对于年际变率的预测,泰勒图分析结果表明,该模式对夏季风指数预测效果总体较好,对于副热带高压指数中的面积、强度和西伸脊点指数预测能力较好,但对于脊线南北位置指数的预测效果较差;分月来看,4和5月起报结果的技巧相对更高。MV-EOF分析的结果表明模式较为准确地把握住了东亚夏季风主要模态的空间分布,滞后相关分析的结果表明其第一模态反映出了厄尔尼诺衰减的影响,第二模态反映出了厄尔尼诺发展的影响,合成分析的结果也显示,模式能够反映出厄尔尼诺发展的不同位相下东亚季风环流响应的差异。这些分析表明该模式对于东亚季风区的预测具有一定技巧,可以作为每年汛期气候预测的有益参考。     

北京气候中心次季节-季节预测系统对西南地区夏季降水次季节预报技巧评估及误差订正

利用北京气候中心(BCC)次季节-季节(Sub-seasonal to Seasonal,S2S)预测系统20年(1994-2013年)回报试验数据,在评估BCC S2S预测系统对中国西南地区夏季降水次季节预报性能基础上,进而采用基于奇异值分解(Singular Value Decomposition,SVD)的误差订正方案对预测结果进行订正。结果表明:BCC S2S预测系统对西南地区夏季降水的次季节预报技巧随起报时间的提前不断下降,在起报时间提前10天以内具有一定预报技巧,而在起报时间提前10天以上基本无技巧,同时存在明显的区域性和年际差异。采用SVD误差订正方案能够较好改善BCC S2S系统对西南地区夏季降水的次季节预测水平,起报时间提前0～10、11～20、21～30天原始预测结果与观测间的异常相关系数分别为0.50,0.31和0.25,订正后分别提高至0.70,0.75和0.70,同时订正后的预测结果与观测间的空间相关系数在起报时间提前0～10天提高了0.3左右,尤其对起报时间提前11～30天的预测结果改进更加明显,空间相关系数提高了0.6左右。     

BCC_CSM模式夏季关键区海温回报评估

利用国家气候中心气候系统模式(Beijing Climate Center Climate System Model, BCC_CSM)的汛期回报试验数据集, 评估了夏季中低纬度海表面温度(Sea Surface Temperature, SST)的预测能力。结果表明:该模式对夏季中低纬海温具有一定的预测能力, 且在低纬地区的预测技巧尤为出色。对太平洋、热带印度洋和北大西洋这三个关键区进一步分析发现, 该模式对不同海区海温的预测能力有所不同。其中, 模式对夏季北太平洋海温及Ni?o 3.4指数表现出显著的预测技巧, 对热带印度洋、北大西洋海温及热带印度洋全区一致海温模态(Indian Ocean Basin-wide Warming, IOBW)也表现出一定的预测技巧, 而对北大西洋海温三极子模态(North Atlantic Tripole, NAT)的技巧相对较低。研究发现, 预测技巧与前冬的ENSO状态密切相关, 当前冬位于ENSO异常位相时, BCC_CSM模式对于三大海区夏季海温的预测技巧要高于前冬位于ENSO正常位相时, 且对NAT指数也具有更高的预测技巧。前冬ENSO所处的位相对于该模式对夏季Ni?o 3.4指数及IOBW指数的预测技巧影响不明显。此外, 该模式对夏季海温的预测技巧依赖于超前时间, 预测技巧在大部分情形下超前1个月的预测技巧相对更高。     

短期气候预测的评估问题

该文系统地介绍了国内外评估月、季尺度短期气候预测结果的方法 ,比较了相关系数(R)、预报技巧分 (S)和准确率 (P)的特点 ,并对当前国内外气候预测业务水平进行了分析 ,着重对大气环流、气温、降水及 ENSO的预测水平进行了评估 ,指出国内外月、季尺度的降水预报的水平目前在 55%～ 60 %左右 ,对 ENSO的发生、结束和强度的预报水平有限 .文中探讨了短期气候预测的可预报性问题 ,提出月、季尺度气候预测的可预报性的理论上限可能为 6～ 1 2月 ,准确率在 80 %～ 85%之间 .     

梅雨降水季节预测的多方法比较

基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°～123°E,27°～33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。     

S2S模式对四川汛期极端降水的预测技巧分析

基于1995—2010年四川气象台站降水资料和世界气象组织次季节—季节(S2S)预测计划中8个模式的回报数据,采用命中率、误警率、Heidke技巧评分、误差和偏差5个指标评估分析了各模式对四川汛期极端降水事件的预测能力。结果表明,S2S各模式对四川极端降水的预测技巧整体较低,表现为"低命中率,高误警率,预测值远小于实际值,偏差较大"的特征。各模式的预测技巧随着起报时间的临近而提高,在天气尺度高于次季节尺度。各模式的最高定性预测技巧出现在川西高原南部,最低出现在盆地东部或攀西地区。预测偏差基本呈现出"盆地大,攀西地区次大,川西高原小"的分布特征,最大值均位于盆地西部沿山地区。各模式在汛期各月的预测技巧不同,定性预测技巧在主汛期尤其是盛夏高于其他时段,但定量预测技巧却在盛夏最低。综合定性和定量预测技巧,英国气象局(UKMO)和意大利国家研究委员会大气科学与气候研究所(CNR-ISAC)的模式分别在天气尺度和次季节尺度中对四川极端降水的预测能力较高。分区来看,对于盆地—攀西地区预测能力较高的模式与全省一致。而在川西高原,韩国气象局(KMA)的模式在天气尺度中预测能力较高,澳大利亚气象局(BoM)和CNR-ISAC的模式则在次季节尺度中预测能力较高。     

新疆15个地州首府城市最高最低温度预报检验

利用客观统计方法,对2009—2012年新疆15个地州首府城市最高最低温度预报进行检验。结果表明:(1)15个站最高温度预报准确率高于最低温度,最高最低温度的预报准确率均呈逐年上升趋势。(2)最高最低温度预报准确率随预报时效的延长而降低,克拉玛依、吐鲁番、和田、阿图什、喀什和哈密6个站24、48、72 h预报准确率都高于平均值。(3)温度预报夏秋季好于冬春季,其中最高温度预报夏季最好,冬季最差;最低温度预报秋季最好,春季最差。(4)2012年冬季,15个站预报员主观预报与中央台指导预报的最高最低温度SST平均值基本相同,正负技巧的站点数持平,但站点差异比较大。克拉玛依、阿图什温度预报准确率高于中央台指导预报,且正技巧较高;阿勒泰、阿克苏预报准确率低于中央台指导预报,且负技巧较大。     

安徽省2021年梅雨期降水预报检验分析

检验梅雨期降水的预报效果,对于提升梅雨期降水预报能力、减少梅雨期降水带来的人员伤亡和经济财产损失有着重要的意义。文章对安徽省2021年梅雨期（6月10日—7月10日）六个客观模式和一个主观订正预报产品进行了检验分析,其中包含了三个区域模式数值预报（中国气象局中尺度天气数值预报系统（简称CMA-MESO）、中国气象局上海数值预报模式系统（简称CMA-SH9）、安徽WRF）、三个全球模式数值预报（中国气象局全球同化预报系统（简称CMA-GFS）、欧洲中期天气预报中心确定性预报模式（简称ECMWF）、美国国家环境预报中心全球预报系统（简称NCEP-GFS））和安徽智能网格主观订正预报的降水产品,进行了检验分析,结果表明：传统检验中安徽智能网格和区域模式对晴雨准确率的预报效果优于全球模式,又以CMA-MESO最优;在暴雨及以上量级的强降水预报中,传统检验表明安徽智能网格预报的得分最高（23.83）,ECMWF模式则是客观模式预报中效果最好的（20.12）,CMA-SH9次之（19.34）;通过对除安徽智能网格以外的各个客观数值模式进行的MODE空间检验可知,不同数值模式间暴雨预报误差原因不尽相同,ECMWF与各区域数值模式主要是由雨区位置的预报偏差,尤其是纬度偏差导致的,NCEP-GFS全球模式对降水强度和雨区面积的预报偏弱偏小比较明显,CMA-GFS在强降水方面的预报可参考性较差;各个主客观预报暴雨及以上量级预报,整体表现出较明显的日变化特征,在午夜前后、上午时段TS评分较高,而午后到傍晚评分较低,这个现象或许是梅雨期的午后降水多以地表太阳加热引起的短历时热对流降水为主造成的。     

安徽省2021年梅雨期降水预报检验分析

检验梅雨期降水的预报效果,对于提升梅雨期降水预报能力、减少梅雨期降水带来的人员伤亡和经济财产损失有着重要的意义。文章对安徽省2021年梅雨期（6月10日—7月10日）六个客观模式和一个主观订正预报产品进行了检验分析,其中包含了三个区域模式数值预报（中国气象局中尺度天气数值预报系统（简称CMA-MESO）、中国气象局上海数值预报模式系统（简称CMA-SH9）、安徽WRF）、三个全球模式数值预报（中国气象局全球同化预报系统（简称CMA-GFS）、欧洲中期天气预报中心确定性预报模式（简称ECMWF）、美国国家环境预报中心全球预报系统（简称NCEP-GFS））和安徽智能网格主观订正预报的降水产品,进行了检验分析,结果表明：传统检验中安徽智能网格和区域模式对晴雨准确率的预报效果优于全球模式,又以CMA-MESO最优;在暴雨及以上量级的强降水预报中,传统检验表明安徽智能网格预报的得分最高（23.83）,ECMWF模式则是客观模式预报中效果最好的（20.12）,CMA-SH9次之（19.34）;通过对除安徽智能网格以外的各个客观数值模式进行的MODE空间检验可知,不同数值模式间暴雨预报误差原因不尽相同,ECMWF与各区域数值模式主要是由雨区位置的预报偏差,尤其是纬度偏差导致的,NCEP-GFS全球模式对降水强度和雨区面积的预报偏弱偏小比较明显,CMA-GFS在强降水方面的预报可参考性较差;各个主客观预报暴雨及以上量级预报,整体表现出较明显的日变化特征,在午夜前后、上午时段TS评分较高,而午后到傍晚评分较低,这个现象或许是梅雨期的午后降水多以地表太阳加热引起的短历时热对流降水为主造成的。     

卡尔曼滤波在沿海冬半年风力预报中的应用

应用卡尔曼滤波方法,制作１９９５年１１月和１９９６年１月防城港市逐日最大风力３６￣１３２小时预报,预报结果精度高,表明该方法在沿海冬半年风力的预报上很有实用价值。     

成都区域气象中心短期气候预测业务评估

采用预报评分（P）、技巧评分（S）、距平相关系数（Acc）三种参数，对10年来成都中心气象台月降水距平百分率和月平均气温距平预测、汛期（6－8月）降水距平百分率预测、以及年度降水距平百分率和年平均气温距平预测进行了评估，并对评估结果作了分析。     

舟山市汛期降水量预报方法

利用基于预测误差平方和 ( PRESS)准则的逐步回归分析和基于残差平方和( RSS)准则的逐步回归分析建立了舟山市 3个县区站汛期 ( 5～ 9月 )降水量的预报模型 ,并对两种方法的预测结果进行预报集成 ,经试报和预报检验表明 ,该模型的预测效果较好     

Meta-heuristic ant colony optimization technique to forecast the amount of summer monsoon rainfall: skill comparison with Markov chain model

Forecasting summer monsoon rainfall with precision becomes crucial for the farmers to plan for harvesting in a country like India where the national economy is mostly based on regional agriculture. The forecast of monsoon rainfall based on artificial neural network is a well-researched problem. In the present study, the meta-heuristic ant colony optimization (ACO) technique is implemented to forecast the amount of summer monsoon rainfall for the next day over Kolkata (22.6°N, 88.4°E), India. The ACO technique belongs to swarm intelligence and simulates the decision-making processes of ant colony similar to other adaptive learning techniques. ACO technique takes inspiration from the foraging behaviour of some ant species. The ants deposit pheromone on the ground in order to mark a favourable path that should be followed by other members of the colony. A range of rainfall amount replicating the pheromone concentration is evaluated during the summer monsoon season. The maximum amount of rainfall during summer monsoon season (June—September) is observed to be within the range of 7.5–35 mm during the period from 1998 to 2007, which is in the range 4 category set by the India Meteorological Department (IMD). The result reveals that the accuracy in forecasting the amount of rainfall for the next day during the summer monsoon season using ACO technique is 95 % where as the forecast accuracy is 83 % with Markov chain model (MCM). The forecast through ACO and MCM are compared with other existing models and validated with IMD observations from 2008 to 2012.     

Skill of western North Pacific tropical cyclone intensity forecast guidance relative to Weighted-Analog technique

The accuracy of the western North Pacific tropical cyclone intensity forecast guidance products available at the Joint Typhoon Warning Center (JTWC) is evaluated relative to a new skill metric called Weighted Analog Intensity Pacific (WAIP) that includes knowledge of the JTWC official track forecast and the current intensity, which is information that is available at the time the intensity forecast is generated. An intensity consensus technique called S5XX that includes statistical-dynamic intensity forecasts plus other dynamic and thermodynamic prediction techniques has statistically significant smaller errors than WAIP at 24 h and 48 h and has similar accuracy through 120 h. While the track consensus CONW is a critical input to the JTWC official track forecast, it has no skill relative to WAIP as an intensity forecast. Three regional numerical models also have no skill relative to WAIP, and especially at forecast intervals beyond 72 h because their mean absolute errors are statistically significantly larger than for WAIP. Furthermore, these regional models have statistically significant positive or negative intensity biases relative to the verifying intensities. However, an experimental consensus technique called CMES that includes these three regional models has small accuracy relative to WAIP in the 24 h to 72 h forecast intervals. Geographical-based comparisons of the intensity guidance products with the WAIP indicate almost all of the products are more accurate than WAIP over the South China Sea region. The statistical-dynamic consensus technique S5XX does have skill through 72 h for landfalling situations along the coasts of China and Southeast Asia. At 120 h, the WAIP has superior performance over the guidance products over most areas of the western North Pacific, but again the S5XX is more accurate than WAIP for landfalling tropical cyclones on the Philippine Islands, Southeast Asia, South China, and northeastern Japan. This information will be useful to the forecaster in deciding when and where (or how much) to rely on each guidance product in preparing the five-day intensity forecast once the official track forecast has been established.     

分县降水概率指导预报业务系统及其应用

本文以T106数值预报产品为基础，应用相似天气下概率最大法制作降水概率预报，然后根据其它数值预报指导产品，最新天然资料、卫星云图和预报员主观经验知识等订正概率值为思路，建立起我市分县降水概率指导预报业务系统，并运用B、Bs和Bias评分法对其进行评价。     

上海沿岸海域风场质量控制与预报检验

利用2016年上海沿岸海域19个站点的风场资料,进行了风场质量控制,包括完整性检查、内部一致性检查、持续性检查和高度订正。同时挑选10个站点作为实况对2016年风场模式预报进行检验,包括风速预报误差、风速预报准确率和风向预报检验,对比了风场观测资料质量控制前后的检验结果,最后对两次大风过程进行了检验。结果表明:预报检验结果均随着预报时效的增加而变差;整体误差秋季和冬季较小,6月和7月误差较大;分级检验0～5级风速准确率在0.9～1之间,预报值比实况偏大,6级以上风速预报准确率逐渐降低,且预报值比实况偏小;风向检验呈现明显的季节性,冬季12月、1月误差小,准确率最高,夏季6月误差最大,准确率最低;质量控制后检验结果都得到正面提升;两次大风过程预报准确率均在70%以上。