2008年初中国南方冰冻雨雪天气的多模式集成预报

利用逐日平均气温和24小时累积降水量资料研究了2008年初中国南方低温雨雪极端天气事件的特征。还利用TIGGE(THORPEX Interactive Grand Global Ensemble)资料中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)以及中国气象局(CMA)提供的集合预报资料进行多模式集成预报试验。结果表明,2008年初中国南方1/3以上测站的降水偏多达50年一遇,50年一遇的低温还出现在贵州和湖南西部。利用滑动训练期消除偏差集合平均(R-BREM)方法对地面气温做24～216 h预报,发现其预报技巧明显高于单个模式预报和其它多模式集成方法的预报技巧。以欧洲中期天气预报中心地面气温96 h预报的均方根误差作为标准,R-BREM方法能将中国东南部地区的气温预报时效延长到192 h。R-BREM方法还能有效地提高降水预报的准确率,24～192 h小雨预报的TS评分明显高于单个模式预报及其它多模式集成预报的评分,但72 h预报例外。对于24～192 h中雨预报,R-BREM方法也较单个模式及其它多模式集成预报方法的预报技巧高。      

泰州市气温多模式集成预报系统的建立与评估

基于欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心3个中心的气温模式预报资料,采用多模式简单集合平均(EMN)、滑动训练期消除偏差集合平均(Running Training Period Bias-removed Ensemble Mean,R-BREM)、滑动训练期超级集合预报(Running Training Period Superensemble Forecast,R-SUP)3种多模式集成方法,通过均方根误差(Root Mean Square Error,RMSE)和距平相关系数(Anomaly Correlation Coefficient,ACC)两种检验评估方法,比较了气温的单模式预报和多模式集成预报结果,建立了针对江苏省泰州市的地面气温多模式集成预报系统。结果表明:对于该市08:00和20:00起报的气温预报,R-BREM均是相对最优的多模式集成方法,且基于该方法的多模式集成预报结果明显优于单模式预报结果,其RMSE相对于最优单模式减小了0.5℃左右,ACC增大了约0.16,改进效果显著。同时,将R-BREM方法投入到泰州市的日常气温业务预报中,有效提高了业务预报准确率。     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。     

基于TIGGE资料的地面气温多模式超级集合预报

基于TIGGE资料, 采用均方根误差分别对欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心和英国气象局4个中心集合预报的地面气温场集合平均结果进行检验评估, 比较各中心地面气温的预报效果。并利用超级集合、多模式集合平均和消除偏差集合平均3种方法对4个中心的地面气温预报进行集成, 同时对预报结果进行分析。结果表明: 2007年夏季日本气象厅与欧洲中期天气预报中心在北半球大部分地区预报效果最好, 各中心在不同地区预报效果不同。超级集合与消除偏差集合平均降低了预报误差, 预报效果优于最好的单个中心预报和多模式集合平均。对于较长的预报时效, 消除偏差集合平均表现出了更好的预报性能。     

基于TIGGE资料的地面气温延伸期多模式集成预报

基于TIGGE资料中心提供的CMC、ECMWF、UKMO及NCEP四个集合预报中心2008年7月1日-9月30日北半球中纬度地区地面气温10 ～ 15 d延伸期集合预报产品,首先采用Tala-grand分布及离散度—误差关系评估了单个预报系统的预报性能,然后分别利用多模式集成平均(Ensemble Mean,EMN)、消除偏差集成平均(Bias-Removed Ensemble Mean,BREM)及多模式超级集合(Multi-model Superensemble,SUP)对地面气温进行多模式集成预报试验.由于逐日的延伸期预报准确率相对较低,因此人们更关注延伸期预报对天气过程的预报准确率.对各个集合预报系统的逐日预报资料以及逐日“观测”资料做滑动平均,并对处理后的资料进行多模式集成,最后对超级集合预报的训练期长度进行调试,以获得最佳训练期长度.结果表明,四个集合预报系统的离散度相对于均方根误差都偏小,ECMWF预报效果最好,NCEP次之,UKMO预报效果最差.EMN、BREM及SUP三种多模式集成方法的预报效果均优于单个系统且SUP对预报效果的改善最明显.滑动平均后,预报误差进一步降低,且滑动步长越长,误差越小.对于SUP的训练期,逐日预报和3d滑动平均10～12 d预报最佳训练期长度为75 d;13 ～ 15 d预报最佳训练期长度为35 d;5 d及7d滑动平均其训练期长度在各个时效均以35 d为宜.     

基于卡尔曼滤波的中国区域气温和降水的多模式集成预报

利用TIGGE资料集下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)、中国气象局(CMA)和英国气象局(UKMO)5个模式预报的结果,对基于卡尔曼滤波的气温和降水的多模式集成预报进行研究。结果表明,卡尔曼滤波方法的预报效果优于消除偏差集合平均(BREM)和单模式的预报,但是对于地面气温和降水,其预报效果也存在一定的差异。在中国区域2 m气温的预报中,卡尔曼滤波的预报结果最优。而对于24 h累积降水预报,尽管卡尔曼滤波在所有量级下的TS评分均优于BREM,但随着预报时效增加,其在大雨及以上量级的TS评分跟最佳单模式UKMO预报相当,改进效果不明显。卡尔曼滤波在地面气温和24 h累积降水每个预报时效下的均方根误差均最优,预报效果更佳且稳定。     

2009年夏季西太平洋台风路径和强度的多模式集成预报

基于TIGGE资料中的中国气象局、欧洲中期天气预报中心、日本气象厅和英国气象局等四个中心的2009年5月1日-8月31日台风预报资料,利用多模式集合平均、消除偏差集合平均和加权消除偏差集合平均等方法,对2009年8月1-31日预报期的西太平洋的台风路径和强度(中心气压)进行24～ 72 h预报时效的多模式集成预报,并对0907号台风“天鹅”和0908号台风“莫拉克”进行个例分析.结果表明:各中心对于不同时效的预报,预报技巧有明显差异.消除偏差集合平均与加权消除偏差集合平均显著地减小了预报误差,预报效果优于最好的单个中心预报和多模式集合平均.对于24 ～ 72 h预报,加权消除偏差集合平均方法始终表现出最好的预报性能.     

基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较

基于TIGGE资料中CMA、ECMWF、JMA和NCEP四中心2010、2011和2012年3年的资料,采用集合平均（EMN）、加权集合平均（WEMN）、消除偏差集合平均（BREM）和加权消除偏差集合平均（即超级集合,SUP）四种方法,对西太平洋地区热带气旋路径与中心气压进行时效为24、48、72、96和120 h的多模式集成预报,评估了不同单中心预报结果,并分析了不同多模式集成预报方法的特点,对比了不同多模式集成方法的效果。结果表明,对于热带气旋路径和中心气压预报,各中心预报技巧不同,其中3年的CMA预报效果均较差,2010、2011年的ECMWF预报和2012年的NCEP预报效果最优;总体上几种多模式集成方法在120 h预报时效内均优于单模式预报,其中EMN作为一种最简单的集成预报方法,具有一定的局限性,而WEMN由于给不同单模式预报赋予了权重,因此相对于EMN能够得到更好的多模式集成预报结果;BREM方案由于消除了模式预报中的系统性偏差,因此集成预报效果也优于EMN;由于去除了模式预报偏差,同时给不同模式赋予了权重,SUP方案得到的集成预报效果最优。     

北半球中纬度地区地面气温的超级集合预报

基于TIGGE资料中的ECMWF、JMA、NCEP和UKMO四个中心2007年6月1日-8月31日北半球中纬度地区地面气温24～168 h集合预报资料,分别利用固定训练期超级集合(SUP, Superensemble)和滑动训练期超级集合(R-SUP, Running Training Period Superensemble )对2007年8月8-31日预报期24 d进行超级集合预报试验.采用均方根误差对预报结果进行检验评估,比较了两种超级集合方法与最好的单个中心模式预报、多模式集合平均的预报效果.结果表明,SUP预报有效降低了预报误差,24～144 h的预报效果优于多模式集合平均(EMN, Ensemble Mean)和最好的单个中心预报,168 h的预报效果略差于EMN.R-SUP预报进一步改善了预报效果.对于24～168 h的预报,R-SUP预报效果都要优于EMN.尤其对于168 h的预报,R-SUP改进了预报效果,优于EMN.     

超级集合预报在湖南地区的试验分析

基于TIGGE集合预报资料分析评估了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)、中国气象局(CMA)4个模式系统在湖南2008年低温雨雪冰冻天气过程中的气温预报技巧,并对湖南地面气温和欧亚地区500 hPa天气形势进行了超级集合预报试验.结果表明,在湖南地区,ECMWF的预报效果最好,CMA的预报效果最差,并且ECMWF的168 h预报误差小于CMA的24 h预报误差.滑动训练期超级集合预报误差比较稳定,预报效果优于最好的单中心模式和固定训练期超级集合预报.对于24～ 72 h预报时效滑动窗口可选取50 d左右,而对于96 ～168 h预报时效的滑动窗口有必要选取2个月以上.此外,滑动训练期超级集合预报各时效对500 hPa天气形势的预报技巧都比单中心的预报技巧高,并且和实况资料相比,其预报效果也比较好.     

MULTIMODEL CONSENSUS FORECASTING OF LOW TEMPERATURE AND ICY WEATHER OVER CENTRAL AND SOUTHERN CHINA IN EARLY 2008

Based on the daily mean temperature and 24-h accumulated total precipitation over central and southern China, the features and the possible causes of the extreme weather events with low temperature and icing conditions,which occurred in the southern part of China during early 2008, are investigated in this study. In addition, multimodel consensus forecasting experiments are conducted by using the ensemble forecasts of ECMWF, JMA, NCEP and CMA taken from the TIGGE archives. Results show that more than a third of the stations in the southern part of China were covered by the extremely abundant precipitation with a 50-a return period, and extremely low temperature with a 50-a return period occurred in the Guizhou and western Hunan province as well. For the 24- to 216-h surface temperature forecasts, the bias-removed multimodel ensemble mean with running training period(R-BREM) has the highest forecast skill of all individual models and multimodel consensus techniques. Taking the RMSEs of the ECMWF 96-h forecasts as the criterion, the forecast time of the surface temperature may be prolonged to 192 h over the southeastern coast of China by using the R-BREM technique. For the sprinkle forecasts over central and southern China, the R-BREM technique has the best performance in terms of threat scores(TS) for the 24- to 192-h forecasts except for the 72-h forecasts among all individual models and multimodel consensus techniques. For the moderate rain, the forecast skill of the R-BREM technique is superior to those of individual models and multimodel ensemble mean.     

A Comparison of Three Kinds of Multimodel Ensemble Forecast Techniques Based on the TIGGE Data

Based on the ensemble mean outputs of the ensemble forecasts from the ECMWF (European Centre for Medium-Range Weather Forecasts),JMA (Japan Meteorological Agency),NCEP (National Centers for Environment...     

基于TIGGE资料的北半球地面气温预报的统计降尺度研究

基于TIGGE(THORPEX Interactive Grand Global Ensemble,全球交互式大集合)资料中欧洲中期天气预报中心(European Centre for Medium-Range Weather,ECMWF)、日本气象厅(Japan Meteorological Agency,JMA)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)和英国气象局(United Kingdom Met Office,UKMO)4个中心的北半球地面2 m气温集合平均预报资料,利用插值技术与回归分析,并引入了消除偏差集合平均(bias-removed ensemble mean,BREM)和多模式超级集合(superensemble,SUP)方法进行统计降尺度预报研究。结果表明,在2007年夏季3个月中,4个单中心的降尺度预报明显地改善了预报效果。引入SUP和BREM两种集成预报方法后,预报误差得到进一步减小。对比综合表现最好的单中心ECMWF的预报,1~7 d的降尺度预报误差改进率均达20%以上。研究还发现,引入SUP方法的降尺度预报效果优于引入BREM方法的降尺度预报,利用双线性插值方法在上述两方案中的预报效果优于其他3种插值方法。     

江苏—南黄海地区M≥6强震有序网络结构及其预测研究

基于TIGGE（THORPEX Interactive Grand Global Ensemble,全球交互式大集合）资料中欧洲中期天气预报中心（European Centre for Medium-Range Weather,ECMWF）、日本气象厅（Japan Meteorological Agency,JMA）、美国国家环境预报中心（National Centers for Environmental Prediction,NCEP）和英国气象局（United Kingdom Met Office,UKMO）4个中心的北半球地面2m气温集合平均预报资料,利用插值技术与回归分析,并引入了消除偏差集合平均（bias-removed ensemble mean,BREM）和多模式超级集合（superensemble,SUP）方法进行统计降尺度预报研究.结果表明,在2007年夏季3个月中,4个单中心的降尺度预报明显地改善了预报效果.引入SUP和BREM两种集成预报方法后,预报误差得到进一步减小.对比综合表现最好的单中心ECMWF的预报,1～7d的降尺度预报误差改进率均达20％以上.研究还发现,引入SUP方法的降尺度预报效果优于引入BREM方法的降尺度预报,利用双线性插值方法在上述两方案中的预报效果优于其他3种插值方法.     

面向台风暴雨的集合预报成员优选订正技术研究及应用试验

本文以2013—2015年主要登陆台风暴雨过程为研究对象,利用ECMWF降水和台风路径集合预报以及中央气象台实时业务台风中心定位资料,在统计分析的基础上,提出一种业务上可用的针对单模式集合预报的台风降水实时订正技术(简称集合成员优选技术)。结果表明,在登陆台风暴雨过程预报中,集合成员优选技术对改进集合统计量降水产品有明显的帮助,并较ECMWF确定性预报产品有一定优势;该方法对改进短期时效预报产品的效果优于中期时效预报,对大暴雨评分的改进高于暴雨和大雨评分。另外,本文基于概率匹配平均(Probability Matching average,PM)和融合(FUSE)产品的计算原理,提出融合匹配平均(Fuse Matching average,FM)产品,结果表明,对36 h时效预报,优选10~15个成员的PM产品TS(Threat Scores)评分可达最优,大暴雨评分较确定性预报提高近10%;对60和84 h时效预报,FM产品大暴雨评分较确定性预报提高超过20%。