新疆夏季降水和冬季气温预测方法及效果评估

本文利用4个国内外先进的气候模式（国家气候中心、ECMWF、NCEP和JMA）业务预测数据,采用2种多模式集合方法（等权平均和超级集合）、3种降尺度方法（BP-CCA、EOF迭代、高相关回归集成）和3种统计方法（CCA、最优气候值、高相关回归集成）以及降尺度集成和降尺度-统计方法集成,分析了目前季节模式、多模式集合、降尺度、统计方法、降尺度-统计集合等目前常用气候预测技术对新疆夏季降水和冬季气温的业务预测能力。 研究表明,以上技术方法对新疆夏季降水和冬季气温的预测预测能力有较大差别。目前先进的气候业务模式的预测技巧普遍很低,多模式超级集合和降尺度方法的技巧常高于单个模式,并且最佳的降尺度方法通常技巧高于最佳多模式集合方法。同时,统计方法和降尺度方法的预测技巧通常较为接近,而对二者进行超级集合可以具有相对很高的预测技巧。此外,现有常用气候预测技术方法对新疆夏季降水和冬季气温的趋势有一定的预测能力,但对气候异常的空间分布基本无预测能力。建议新疆气候预测技术围绕统计和降尺度方法集合发展。     

基于时空统计降尺度的淮河流域夏季分月降水概率预测

针对淮河流域水资源短缺、洪涝、干旱并存的问题,基于国家气候中心第二代季节气候模式的集合回报数据集(1991—2014年),建立时空相结合的统计降尺度模型,提前1—3个月预测该流域夏季分月降水,应用ROC(relative operating characteristics)评分评估比较了不同集合预测方案的预测技巧。交叉检验结果表明,样本数取18、20、22、28时,集合预测方案对3、4、5月三个起报时次预测的夏季各月降水技巧预测均高于模式预测技巧。2015—2017年的独立样本检验进一步表明该统计降尺度模型能够明显降低3月、5月起报的6月和8月的降水预测偏差。认为可尝试将该降尺度方法应用于淮河流域夏季降水预测及进一步的流域水文预测。     

青海省月降水、气温的动力模式解释应用及其效果检验

利用月动力延伸预报500hPa高度场资料、青海省36站实况降水、气温等资料,研究对不同月份及不同季节降水分别有重大影响的大尺度预测因子。并选取稳定高相关、物理意义明确、彼此间独立的影响因子,通过多次试验选择适合的统计降尺度方法,建立青海省月降水、气温的动力降尺度解释应用预测模型。按国家气候中心业务评分标准,用独立样本对模型预测效果进行检验,通过与近6年实际预报评分比较,模式降尺度应用后预测评分大部分超过业务评分,其中降水预测评分最高达84％,最低为67％。月平均气温降尺度解释应用评分最高达84％,最低也达到67％,平均评分虽不及业务评分高,仍是比较客观的预报方法,在短期气候预测中有实用价值。     

多模式集合优选方案在淮河流域夏季降水预测中的应用

基于国家气候中心提供的1981—2010年4种季节气候预测模式的资料,将两种互为补充的降尺度因子挑选方案应用于淮河流域夏季降水预测,利用距平符号一致率ASCR、等级评定PG、距平相关系数ACC方法,评定了每种模式及其所采用的两种降尺度方法对淮河流域夏季降水的预测效果,并采用了一种优选方案进行多模式集合。结果表明,从4种模式的降水预测效果来看,NCEP_CFSv2和TCC_CPS1模式的评分较高,NCC_CGCM1和ECMWF_SYSTEM4模式相对较低;采用2种基于最优子集回归的降尺度方法后,NCC_CGCM1、TCC_CPS1和ECMWF_SYSTEM4模式的降尺度方法相对于模式降水预测为正订正,NCEP_CFSv2模式为负订正;将模式和降尺度预测方案进行优选,其集合平均的评分不仅高于模式降水预测的集合平均,也优于降尺度方法的集合平均,该方法发挥了不同模式的区域性优势,改进了原始集合平均的效果,为提高多模式解释应用水平提供了一种参考性方案。      

RegCM4.4对中国夏季气候的回报和2014年预测

利用区域气候模式对全球气候模式季节预测产品进行动力降尺度,是获取未来高分辨率季节气候预测结果的重要途径。使用区域气候模式RegCM4.4单向嵌套国家气候中心气候系统模式BCC_CSM1.1(m)输出结果,进行东亚19912013年逐年3月1日—9月1日的气候回报试验及2014年3月1日9月1日的气候预测试验。分析模式对中国地区夏季（6-8月）地面气温和降水的回报结果表明:RegCM4.4对夏季气候态的回报优于驱动场模式BCC_CSM1.1(m),并能提供更详细可靠的局地信息;RegCM4.4回报和观测的多年平均气温、降水的空间距平相关系数（ACCs）分别为-0.04和0.01,空间距平符号一致率（PCs）分别为51.1%和50.6%,趋势异常综合评分（PS）分别为64.2和70.3,均方差误差（MSE）分别为1.09 ℃和0.30 mm/d。RegCM4.4对中国地区2014年夏季气候预测结果表明,模式对夏季气温、降水距平整体分布的预测较好,但在次区域尺度上预测结果和观测存在差别。本研究只进行了一个区域气候模式RegCM4.4嵌套一个全球模式BCC_CSM1.1(m)单样本回报和预测试验的动力降尺度试验研究,未来在改进驱动场模式和区域气候模式模拟预测性能、订正驱动场模式输出系统误差及提高运算能力的基础上,进行多模式多样本的集合试验研究,有助于提高精细化短期气候预测产品的质量。     

重庆市动力气候模式产品降尺度应用检验评估分析

应用多种动力气候模式降尺度解释应用技术,经过2004~2008年的回算检验和2009年以来的业务应用,结果表明其对重庆市区域的月平均气温和降水量有较好的预测能力,MOS和PP两大类方法中,分别用逐步回归、相似离度和最短距离相似等建模方法,用车比雪夫多项式,涡度,动态区域,EOF和R方程等5种不同构建因子方案得出的预测结果Ps评分(中国气象局预测业务定量评分标准)显示,重庆市动力气候模式解释应用方法的预测能力超过了中国气象局的目标考核要求(降水≥60%,温度≥65%)。月降水量预测最佳方案是PP-回归-涡度和PP-回归-区域,月气温预测最佳方案是MOS-回归-涡度和MOS-回归-车氏。降水和气温预测效果最好月和最差月平均Ps评分差值分别达到14.5%和21.8%,表明预测效果存在明显的月际差异。由2006年3月个例分析可见,降尺度解释应用技术对月尺度气温降水正负距平空间分布形态有较好的预测能力。      

基于DERF的SD方法预测月降水和极端降水日数

针对动力气候模式对区域或更小空间尺度内的日降水预测技巧偏低的问题,应用最优子集回归 (OSR) 方法对国家气候中心业务化的月动力气候模式 (DERF) 输出的高度场、风场和海平面气压场进行降尺度处理用于降水预测,旨在提高预测准确率。1982—2006年交叉检验结果表明:OSR方法能显著提高降水预测技巧,其中11~40 d改善效果最为显著。在此基础上,应用一步法和两步法两种统计降尺度方法预测极端降水日数,交叉检验结果表明:两种方法均优于随机预测,冬季两步法预测技巧略高于一步法,夏季一步法略优于两步法。综合认为OSR,OSR结合随机天气发生器 (WG) 两种统计降尺度方法对月尺度降水或极端降水日数的预测均具有较高的技巧,可作为短期气候预测的重要参考信息。     

中国夏季降水的组合统计降尺度模型预测研究

现阶段的动力气候模式尚不能满足东亚区域气候预测的实际需求,这就需要动力和统计相结合的方法,将动力模式中具有较高预测技巧的大尺度环流信息应用到降水等气象要素的统计预测模型当中,以改善后者预测效果。本文中所介绍的组合统计降尺度模型,可将动力气候模式预测的大尺度环流变量和前期观测的外强迫信号作为预测因子来预测中国夏季降水异常。交叉检验结果显示,组合统计降尺度预测模型的距平相关系数较原始模式结果有较大提高。在实时夏季降水预测中,2013～2018年平均的预测技巧相对较高,趋势异常综合检验（PS）评分平均为71.5分,特别是2015～2018年平均的PS评分预测技巧达到72.7分,总体上高于业务模式原始预测和业务发布预测的技巧。该组合统计降尺度模型预测性能稳定,为我国季节预测业务提供了一种有效参考。     

FODAS在新疆夏季降水预测中的应用与检验

利用国家气候中心海气耦合模式（BCC—CGCM）季节预测结果资料（2008--2012年）、降水实况资料CMAP（1983--2012年）,采用PS评分对近5年动力与统计集成的季节气候预测系统（FODAsl．0）不同方法的夏季预测产品进行回报检验,并与业务评分进行对比,从而检验FODASl．0对于新疆夏季降水的预测效果。结果表明：熊开国一固定因子一动力统计订正方法、熊开国一异常因子一动力统计订正方法、系统误差订正、熊开国一固定因子和异常因子的集成方法得分较高,高于新疆夏季降水预测业务评分。总体来看,熊开国方法（方法I）的预测效果比杨杰方法（方法II）的预测效果稳定。     

成都区域中心动力气候模式产品降尺度应用业务系统

利用动力气候模式(T63)产品进行降尺度解释应用,是目前以及未来开展气候预测的主要手段。本系统基于国家气候中心下发的气候模式产品、NCEP/NCAR 500 hPa高度场、西南区域84个代表站温度降水历年资料,采用动力统计相结合的技术方法,建立了“成都区域气象中心动力气候模式解释应用系统”,该系统以统计降尺度方法在西南区短期气候预测中的业务化应用为目的,实现了统计方法与动力模式相结合的业务化,经过5年业务回报试验和近2年的预测业务运行,结果表明:该系统对西南区域的月尺度温度和降水有较好的预报能力,已成为西南区域气候中心日常业务的主要参考依据。本文主要介绍该系统平台的各子系统性能及采用的技术方法。      

我国短期气候预测技术进展

经过近60年的发展,我国短期气候预测技术和方法也有了长足进步。近年来,一些新的预报技术和机理认识不断应用于短期气候预测业务。ARGO海洋观测资料的使用大大提高了业务模式的预测技巧,新一代气候预测模式系统已经投入准业务化运行,研发了多种模式降尺度释用技术,多模式气候预测产品解释应用集成系统(MODES)和动力-统计结合的季节预测系统(FODAS)逐渐应用于业务中,大气季节内振荡(MJO)逐步在延伸期预报中得到应用。近年来,对全球海洋、北极海冰、欧亚积雪、南半球环流系统对东亚季风影响的新认识也不断引入到短期气候预测业务中。这些新技术和新认识的应用极大提高了我国短期气候预测的业务能力。     

MODES系统对贵州月气温、降水预测初步评估

通过对2013年1月—2015年6月(MODES)发布的最优月预测产品在贵州省月平均气温距平和降水距平百分率的预测检验评估,发现MODES对全省平均气温有较好的预报,分析时段内预测与实况的相关系数为0.24,距平同号率为65.5%,且对气温偏高预测的可参考性高于其对气温偏低的预测。相比于气温,MODES对降水预测能力较弱,参考性也相对较低,其中对贵州全省平均降水偏多趋势的预测技巧要优于对全省平均偏少趋势的预报技巧。逐站分析显示,MODES对贵州气温预测效果较好的地区在西部、北部和东部,对降水偏多的预测效果较好的地区位于除西北部和北部边缘地区外的其余大部地区。通过对MODES与预报员综合预报的结果评估发现,MODES月预测总体效果较预报员好,且稳定性高于预报员,可为预报员提供参考信息。     

Evaluation of summer temperature and precipitation predictions from NCEP CFSv2 retrospective forecast over China

National Centers for Environmental Prediction recently upgraded its operational seasonal forecast system to the fully coupled climate modeling system referred to as CFSv2. CFSv2 has been used to make seasonal climate forecast retrospectively between 1982 and 2009 before it became operational. In this study, we evaluate the model’s ability to predict the summer temperature and precipitation over China using the 120 9-month reforecast runs initialized between January 1 and May 26 during each year of the reforecast period. These 120 reforecast runs are evaluated as an ensemble forecast using both deterministic and probabilistic metrics. The overall forecast skill for summer temperature is high while that for summer precipitation is much lower. The ensemble mean reforecasts have reduced spatial variability of the climatology. For temperature, the reforecast bias is lead time-dependent, i.e., reforecast JJA temperature become warmer when lead time is shorter. The lead time dependent bias suggests that the initial condition of temperature is somehow biased towards a warmer condition. CFSv2 is able to predict the summer temperature anomaly in China, although there is an obvious upward trend in both the observation and the reforecast. Forecasts of summer precipitation with dynamical models like CFSv2 at the seasonal time scale and a catchment scale still remain challenge, so it is necessary to improve the model physics and parameterizations for better prediction of Asian monsoon rainfall. The probabilistic skills of temperature and precipitation are quite limited. Only the spatially averaged quantities such as averaged summer temperature over the Northeast China of CFSv2 show higher forecast skill, of which is able to discriminate between event and non-event for three categorical forecasts. The potential forecast skill shows that the above and below normal events can be better forecasted than normal events. Although the shorter the forecast lead time is, the higher deterministic prediction skill appears, the probabilistic prediction skill does not increase with decreased lead time. The ensemble size does not play a significant role in affecting the overall probabilistic forecast skill although adding more members improves the probabilistic forecast skill slightly.     

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。     

A statistical downscaling scheme to improve global precipitation forecasting

Based on hindcasts obtained from the “Development of a European Multimodel Ensemble system for seasonal to inTERannual prediction” (DEMETER) project, this study proposes a statistical downscaling (SD) scheme suitable for global precipitation forecasting. The key idea of this SD scheme is to select the optimal predictors that are best forecast by coupled general circulation models (CGCMs) and that have the most stable relationships with observed precipitation. Developing the prediction model and further making predictions using these predictors can extract useful information from the CGCMs. Cross-validation and independent sample tests indicate that this SD scheme can significantly improve the prediction capability of CGCMs during the boreal summer (June–August), even over polar regions. The predicted and observed precipitations are significantly correlated, and the root-mean-square-error of the SD scheme-predicted precipitation is largely decreased compared with the raw CGCM predictions. An inter-model comparison shows that the multi-model ensemble provides the best prediction performance. This study suggests that combining a multi-model ensemble with the SD scheme can improve the prediction skill for precipitation globally, which is valuable for current operational precipitation prediction.     

Statistical Downscaling Prediction of Summer Precipitation in Southeastern China

A statistical downscaling approach based on multiple-linear-regression (MLR) for the prediction of summer precipitation anomaly in southeastern China was established, which was based on the outputs of seven operational dynamical models of Development of a European Multi-model Ensemble System for Seasonal to Interannual Prediction (DEMETER) and observed data. It was found that the anomaly correlation coefficients (ACCs) spatial pattern of June-July-August (JJA) precipitation over southeastern China between the seven models and the observation were increased significantly; especially in the central and the northeastern areas, the ACCs were all larger than 0.42 (above 95% level) and 0.53 (above 99% level). Meanwhile, the root-mean-square errors (RMSE) were reduced in each model along with the multi-model ensemble (MME) for some of the stations in the northeastern area; additionally, the value of RMSE difference between before and after downscaling at some stations were larger than 1 mm d-1. Regionally averaged JJA rainfall anomaly temporal series of the downscaling scheme can capture the main characteristics of observation, while the correlation coefficients (CCs) between the temporal variations of the observation and downscaling results varied from 0.52 to 0.69 with corresponding variations from -0.27 to 0.22 for CCs between the observation and outputs of the models.