多源降水预报集成技术应用研究

基于欧洲中期天气预报中心全球高分辨率预报模式ECMWF、中国自主研发的新一代业务化区域数值模式GRAPES_Meso和WRF中国全国区域预报模式的降水预报结果进行未来3 d降水集成预报。以中国地面-卫星-雷达三源融合逐时降水格点产品(CMPA-Hourly,V2.0)作为"观测值"进行建模,采用消除偏差多模式平均法和基于无偏平均绝对误差集成法对中国大陆地区进行降水集成预报,同时采用2800个国家自动气象站降水观测数据对降水集成预报效果进行检验。结果表明：基于无偏平均绝对误差的降水集成方法能够综合每个模式成员降水预报场的优势,提供一种更为稳定可靠且具有更高分辨率的优质精细化降水预报产品;其在试验期间对中国大陆地区汛期的降水预报ETS评分,优于消除偏差多模式平均降水集成预报和最优单模式降水预报,BIAS评分更接近于1,与"实况"的距平相关系数也明显提高,是对降水大值捕捉能力较优的一种集成方法,尤其对中雨到暴雨量级预报的改进较好。     

ECMWF、日本高分辨率模式降水预报能力的对比分析

利用2012年4月1日至2013年3月31日ECMWF、日本高分辨率模式降水预报资料,全国2419个台站逐6 h降水量观测、CMORPH(NOAA Climate Prediction Center Morphing Method)卫星与全国3万余个自动站逐小时降水融合资料,基于列联表预报评分、泰勒图等统计方法,客观对比分析ECMWF、日本高分辨率模式对中国逐6、12和24 h分段降水的预报能力,主要结论如下:(1)整体来说,ECMWF对降水的预报优于日本模式,日本模式预报离散度偏大,而ECMWF预报相对平稳,与观测更加一致;(2)两个模式晴雨预报中降水发生频率较实际偏高,暴雨预报频率较实际偏低,随着分段间隔的增加,这一情况有所改善;(3)ECMWF模式6 h分段降水晴雨预报评分低于日本模式,暴雨预报评分整体高于日本模式,12和24 h分段ECMWF模式晴雨、暴雨预报评分一致高于日本模式;(4)通过调整阈值改变预报偏差能够在一定程度上提高预报技巧;(5)就空间分布来看,模式在东南地区Bias、CSI技巧评分整体优于西北地区。     

集成方法在高原降水预报中的应用研究

本文对1991～2000年各月西宁等站的降水和气温预报进行了评分，并根据它们的评分结果，选取了最优子集回归、高次多项式、均生函数等7种预报方法作为集成预报的预报因子。通过降水试报得出，一元回归集成、权重集成、最优子集集成的趋势评分均超过了82％，降水预报集成后的趋势评分比单个预报方法的平均评分至少提高了15～25个百分点。     

黄淮地区夏季日降水分区概率预报方法研究

利用我国黄淮地区1961—2010年50年6—8月的日降水资料,采用REOF和t检验的方法,将中国黄淮地区夏季降水分成Ⅰ—Ⅴ区。5个区域进行差异性t检验表明5个区域之间（彼此）差异显著,说明了区域划分的正确性。在此基础上利用1999—2007年6—8月站点日降水资料以及CFSv2模式后预报的日降水资料建立了5个区域内共5个代表站点的夏季日降水概率预报方程,并进行了确定性、概率性预报检验和业务试用检验。对各区域内5个代表站日降水量的确定性预报检验表明：Logistic回归降水概率预报方程的TS评分要高于CFSv2模式预报和T213的集合预报平均,空报率也低于CFSv2模式预报和T213集合预报平均,但是漏报率却略高。各区域代表站日降水量的概率预报Brier评分检验表明：Brier评分均不超过0.2,大大低于T213集合预报所得概率预报的Brier评分分值,说明本文Logistic回归方程的概率预报较为可靠。Brier技巧评分表明：Logistic回归降水概率预报方程各站的BSS技巧评分都大于0.0,说明各站的预报技巧高于检验样本气候概率的预报技巧,且高于T213集合预报的Brier技巧评分,说明在分区基础上建立Logistic回归降水概率预报方程的方法是有预报意义的。     

日本高分辨率模式对中国降水预报能力的客观检验

利用2012年4月1日-8月31日中国2419个台站逐6 h降水资料、CMORPH(NOAA Climate Prediction Center Morphing Method)卫星与中国3万余个自动站逐时降水融合资料,基于客观统计方法,分别检验了日本高分辨率模式对中国逐6 h、12 h和24 h分段站点、格点降水的预报能力。结果表明:(1)模式晴雨预报技巧随分段间隔的增加整体增加,暴雨预报技巧在12 h分段表现相对较好;(2)就站点检验来说,模式晴雨预报的降水频数高于观测,6 h和12 h分段暴雨预报低于观测频数,24 h分段则与观测基本一致,通过计算调整阈值可以明显改善技巧评分;(3)6 h分段降水标准差比值1,出现预报为中雨,而观测为暴雨或小雨的概率增大,24 h分段则相反;(4)整体而言,模式对东南地区的预报技巧高于西北地区,但沿海地区降水的偶然性更大;(5)模式预报与高分辨率卫星、自动站融合降水产品有更好的一致性,阈值调整的空间相对有限;(6)东南地区预报与观测的相关性大于西北地区,模式对东部沿海地区降水量级的预报比西部地区更为合理。     

沈阳市降水概率预报服务系统

沈阳市降水概率预报服务系统是在日本数值预报的基础上应用多种统计方法建立MOS预报方程,对其预报结果应用概率回归集成制作降水概率预报。TS评分结果表明:MOS预报的降水确率高于日本数值预报,MOS集成预报的结果在各种MOS预报结果平均偏上的水平。概率预报的Brier评分结果表明:在MOS综合基础上的概率回归(REEP)方法得出的概率预报结果较为理想。     

东北冷涡背景下EC-HR数值预报产品对吉林省降水预报的检验分析

利用自动站逐时降水资料和EC-HR数值模式预报结果,检验了2019年5-8月6次东北冷涡背景下该模式对吉林省降水的预报效果.结果表明:EC-HR模式结果对冷涡天气过程的累计降水、降水阶段性和降水强度都有一定的参考价值;模式逐3小时晴雨准确率在吉林省的6个代表站均达到了70％以上,西部较高,东部和中部较低;大多数情况下模式降水起始时间提前于实况,误差多在6h以内;空报率高于漏报率,且漏报和空报的多为持续时间较短的降水阶段;模式对区域平均降水预报能力较强,比较有参考价值,模式对最大降水量的预报整体偏小.     

深圳市中长期降水分片预报系统及二级资料库

介绍使用自动气象站资料,采用权重插值方法,得到深圳市5个片22个代表站的逐日气象要素资料文件,将其转换成逐候、逐旬、逐月、逐季等资料文件,并建立深圳市“二级资料库”。利用“二级资料库”,使用“周期预报”方法制作深圳市“精细化”的中长期分片降水预报。用客观定量的评分办法对其进行预报检验,结果表明,分片预报效果比单站预报效果好,特别是降水分片预报比单站预报准确率有明显的提高。     

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.     

降水集合预报集成方法研究

基于TIGGE(the THORPEX Interactive Grand Global Ensemble)资料,对中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的集合数值预报结果进行降水集成.采用算术平均法、TS评分集成法和BS评分集成法在我国东南地区进行降水集成,对比分析结果表明:基于TS评分的多模式降水集成无论在分区降水评分中,还是在东南地区的台风型降水和非台风型降水实例中,都有效地改进了大雨以上的降水预报效果;基于BS评分的集成方法和算数平均集成法预报效果次之.东南地区5个子区域的降水集成试验结果表明:各子区域基于TS评分集成后降水的平均绝对误差普遍小于基于BS评分后的降水平均绝对误差.广东东南和浙江北部区域基于TS集成后的降水TS评分值最优,浙闽沿海和广东西北部区域基于TS集成后的降水TS评分次之,处于中上水平.基于算术平均集成和BS集成的降水的TS评分值只有在广东东南区域表现出较好的效果.     

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。     

深圳对流尺度集合预报系统对台风降水预报的检验评估

目前数值模式对台风降水预报的准确率仍有待提高。为了评估深圳对流尺度集合预报系统对台风降水预报能力,选取了2015—2018年共14个影响广东台风个例,利用广东省2 300多个自动气象观测站的24小时累计降水观测资料,检验该系统的集合预报方法(含集合平均方法和概率匹配平均方法)和控制预报方法的24小时降水预报结果。(1)系统对台风24小时降水预报具有较好参考价值,三种方法的暴雨等级预报TS评分均达到0.39以上。(2)集合预报方法总体上优于控制预报方法,可改善珠江口两侧暴雨中心降水预报。其中集合平均方法总体预报效果最好,其降水预报均方根误差为38.1 mm,比控制预报方法减少18.8%,对暴雨等级预报TS评分为0.469比控制,预报方法提升20.1%,但是对特大暴雨等级预报能力不足;而概率匹配平均方法改善了小雨和特大暴雨的预报能力。(3)系统对较强台风的降水预报能力优于弱台风。在较强台风情形下,系统对粤东暴雨中心降水预报明显偏小且控制预报方法偏差最大,其他地方降水预报偏大为主;在弱台风情形下,系统对降水预报存在明显系统性偏大,但对粤西暴雨中心降水预报明显偏小且控制预报偏差最大。      

ECMWF集合预报产品在广西暴雨预报中的释用

基于最大相关最小冗余度算法和随机森林回归算法,该文提出一种对欧洲中期天气预报中心（ECMWF）集合预报产品进行暴雨预报的释用方法。该方法采用最大相关最小冗余度算法,对ECMWF集合预报的51个成员进行筛选,选取若干个与预报对象相关性最大、相互间冗余度最小的成员作为随机森林回归算法的输入因子。利用ECMWF集合预报降水量平均值对建模样本进行分类,使预报模型的建模样本更具有针对性。通过2012年4月—2015年12月的交叉独立样本试验预报和2016年1—9月的业务预报试验的统计结果表明:该释用方法的暴雨预报TS和ETS评分,均比采用ECMWF集合预报产品51个成员降水量预报进行插值后取平均值的释用方法分别提高了0.07和0.05以上,显示了较好的数值预报产品释用效果。     

阜新地区东北冷涡多模式降水预报检验

为了评估欧洲数值中心全球模式（ECMWF）、中国全球模式（GRAPES）和美国全球模式（NCEP_GFS）对东北冷涡降水的24 h预报性能,提高数值模式在阜新的预报能力,为模式物理参数方案的选择和调整提供客观依据,利用2019年5—8月降水产品对阜新市两个国家级观测站阜蒙县站和彰武县站进行晴雨、一般性降水和分量级降水检验,以及平均绝对误差和平均误差检验。结果表明：ECMWF模式降水预报要好于其他两种模式,冷涡发展期和成熟期ECMWF产品TS评分较高,衰减期则较低。从平均绝对误差来看,阜蒙县站5—8月ECMWF误差最小,GRAPES和NCEP_GFS预报效果不稳定;彰武县站ECMWF并无明显优势,5—6月GRAPES预报能力最强,7—8月NCEP_GFS预报能力最强。分析平均误差可知,三种模式对阜蒙县的降水预报偏弱,对彰武县的降水预报只在6月偏强。在大雨及以上量级的降水预报上三种模式均偏小,其中ECMWF的TS评分最高为40.2%。三种模式针对阜蒙县的降水TS评分均高于彰武县。     

成都区域气象中心业务数值预报产品检验分析

依据国家气象中心T213、T639全球模式、成都区域中心实时运行的AREM、GRAPES和MM5中尺度数值模式预报结果,对2008年5~9月进行了日降水量和2m温度检验。结果表明:(1)模式对昆明、南京、广州、长沙、北京和郑州温度预报优于温江、兰州和拉萨站,其中拉萨站温度预报与实况偏差最大,即模式对我国中部及南部地区温度预报与实况近似程度高于西部地区。(2)东部地区中雨及以上量级降水评分高于西部,西部4个城市中以昆明站评分最高,反映模式对我国西部城市降雨预报能力偏弱。      

基于ECMWF产品的站点气温预报集成学习误差订正

提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。     

Comparison of Statistical Post-Processing Methods for Probabilistic Wind Speed Forecasting

In this study, the statistical post-processing methods that include bias-corrected and probabilistic forecasts of wind speed measured in PyeongChang, which is scheduled to host the 2018 Winter Olympics, are compared and analyzed to provide more accurate weather information. The six post-processing methods used in this study are as follows: mean bias-corrected forecast, mean and variance bias-corrected forecast, decaying averaging forecast, mean absolute bias-corrected forecast, and the alternative implementations of ensemble model output statistics (EMOS) and Bayesian model averaging (BMA) models, which are EMOS and BMA exchangeable models by assuming exchangeable ensemble members and simplified version of EMOS and BMA models. Observations for wind speed were obtained from the 26 stations in PyeongChang and 51 ensemble member forecasts derived from the European Centre for Medium-Range Weather Forecasts (ECMWF Directorate, 2012) that were obtained between 1 May 2013 and 18 March 2016. Prior to applying the post-processing methods, reliability analysis was conducted by using rank histograms to identify the statistical consistency of ensemble forecast and corresponding observations. Based on the results of our study, we found that the prediction skills of probabilistic forecasts of EMOS and BMA models were superior to the biascorrected forecasts in terms of deterministic prediction, whereas in probabilistic prediction, BMA models showed better prediction skill than EMOS. Even though the simplified version of BMA model exhibited best prediction skill among the mentioned six methods, the results showed that the differences of prediction skills between the versions of EMOS and BMA were negligible.     

数值降水预报定量集成方法的业务应用

利用相似权重集成预报法对辽宁区域12个数值模式预报的降水量进行集成,并投入业务化应用。结果表明：通过对2009年5月1日至10月20日的24 h降水量预报进行TS评分,发现降水集成方法要优于12个集合成员的单个预报,同时也要优于简单的集合平均。试验表明,滞后时间和扩大圈数对集成预报效果影响很大,而单个的集合成员对集成预报效果影响较小。根据试验结果修改集成方法应用方案,按照不同降水量级和预报时效选择扩大的圈数,预报效果好于原方案,对大量级、长时效预报改进更明显,其中25 mm量级预报时效72 h的TS评分增加了20%或以上,具有实际应用价值。     

Statistical Downscaling of Pattern Projection Using Multi-Model Output Variables as Predictors

A pattern projection downscaling method is employed to predict monthly station precipitation. The predictand is the monthly precipitation at 1 station in China, 60 stations in Korea, and 8 stations in Thailand. The predictors are multiple variables from the output of operational dynamical models. The hindcast datasets span a period of 21 yr from 1983 to 2003. A downscaled prediction is made for each model separately within a leave-one-out cross-validation framework. The pattern projection method uses a moving window, which scans globally, in order to seek the most optimal predictor for each station. The final forecast is the average of the model downscaled precipitation forecasts using the best predictors and is referred to as DMME. It is found that DMME significantly improves the prediction skill by correcting the erroneous signs of the rainfall anomalies in coarse resolution predictions of general circulation models. The correlation coefficient between the prediction of DMME and the observation in Beijing of China reaches 0.71; the skill is improved to 0.75 for Korea and 0.61 for Thailand. The improvement of the prediction skills for the first two cases is attributed to three steps: coupled pattern selection, optimal predictor selection, and multi-model downscaled precipitation ensemble. For Thailand, we use the single-predictor prediction, which results in a lower prediction skill than the other two cases. This study indicates that the large-scale circulation variables, which are predicted by the current operational dynamical models, if selected well, can be used to make skillful predictions of local precipitation by means of appropriate statistical downscaling.     

DERF2.0模式对贵州延伸期、月预测质量对比分析

利用2014—2016年第二代月动力延伸预测模式业务系统(DERF2. 0)直接输出及预报员预报的贵州省气温和降水预报数据、贵州省84站观测数据,采用Ps、Cs和Zs 3种评分方法评估了DERF2. 0对贵州月气温、降水和月内强降水过程的预测性能,并与预报员业务值班发布的预报质量进行对比分析,系统性地对DERF2. 0产品在延伸期/月尺度的预测效果进行检验评估。结果表明:DERF2. 0月预测产品总体上对贵州气温的预测性能优于降水,气温偏高预测的可参考性高于其对气温偏低的预测。DERF2. 0预报月气温的Ps评分较预报员略高,月降水较预报员略低,总体来看DERF2. 0月预测效果较预报员综合预报略差且预报性能较不稳定。预报员预测数据的Zs和Cs评分总体高于DERF2. 0预测数据,但DERF2. 0预测数据的Zs和Cs评分较预报员逐年提高,尤其在整个雨季时段较为明显。DERF2. 0对主汛期(6—8月)的预报准确率较整个雨季期(4—10月)略高。