CFSv2模式对东北地区夏季各月降水的预测性能评估

利用距平相关系数(ACC)、距平符号一致率(Pc)、趋势异常综合检验(Ps)等3种方法,对CFSv2模式在东北地区开展的1983-2010年夏季各月降水回报试验结果、2011-2014年业务应用结果进行综合评估。结果表明,CFSv2模式在东北地区夏季各月降水的效果相对较好。尽管目前应用的业务评分办法的评分都相对较高,但年际差异明显,预测效果不稳定,需要进一步提高模式的预测技巧。     

基于LSTM网络的中国夏季降水预测研究

基于BCC-CSM季节气候预测模式系统历史回报数据和国家气象信息中心提供的中国地面降水月值数据,通过多方法对比并讨论了影响预测结果的因素,利用长短期记忆（Long Short-Term Memory,LSTM）网络预测2014年和2015年中国夏季降水。结果表明:LSTM网络的预测效果较逐步回归、BP神经网络及模式输出结果有一定优势。参数调优对于LSTM网络预测效果影响较大,重要参数有隐含层节点数、训练次数和学习率。选择合适的起报月份数据有助于提升季节预测的准确性,利用4月起报的数据预测夏季降水效果较好。海冰分量因子对降水季节预测有正贡献。在2014年、2015年夏季降水回报试验中,LSTM网络对降水整体形势有一定的预测能力,Ps评分分别为74分、71分,距平符号一致率分别为55.63%、55.25%,Ps评分的均值高于同期全国会商及业务模式。     

基于海气耦合模式的山西省夏季降水统计降尺度预测研究

基于中国气象局国国家气候中心海气耦合模式(CGCM/NCC)预测产品和山西省50站夏季降水资料,利用典型因子回归的方法(CCA),建立了山西省夏季降水的统计降尺度预测模型。该预测模型选取了CGCM/NCC模式夏季500 h Pa高度场和海平面气压作为预测因子,分别选取了长江中下游地区和热带中东太平洋作为预报关键区。统计降尺度模型对2007~2014年山西省夏季降水的回算较模式原始结果有显著提高,除2008年外,空间距平相似系数(ACC)均通过了0.01的显著性检验,时间相关系数(TCC)在山西省大部分地区都有显著提高,最大可达0.6,降水预测(PS)评分在70分以上。检验结果显示,基于CCA降尺度方法建立的预测模型对山西省夏季降水模态预测的准确率较高且比较稳定,其预测效果远高于CGCM/NCC直接输出降水结果。     

西南夏季降水多因子降维客观预测方法研究

本文改进了现有的多模态时间稳定性判别标准,提出一种筛选稳定高相关预测信号的思路,对1981～2016年西南夏季降水距平百分率多模态的时间稳定性、时空特征和可预测模态关键信号等进行了分析研究,在此基础上构建了多因子降维预测模型。结果表明,前9个模态在预测时效为3年和近10年内稳定,累计方差贡献率占70%,是西南夏季降水的主要模态。结合稳定高相关概念和最优子集回归方法得到主模态PC（Principal Component）系数的最优预测信号和预测方程。回报检验结果表明,各方程对PC系数有较好的拟合效果,复相关系数为0.62～0.84,均通过了99.99%的显著性检验,同号率均大于69%。构建的多因子降维预测模型对西南夏季降水的空间分布,正负趋势和异常级有较好的回报效果:距平相关系数（Anomaly Correlation Coefficient,简称ACC）平均值为0.58;时间相关系数（Temporal Correlation Coefficient,简称TCC）在除零星站点外的整个区域通过90%的显著性检验,且大部分区域通过99.9%的显著性检验;趋势异常综合评分（PS）平均分为84,其中区域降水最异常的十年,PS平均分为87.1。经过13年（1971～1980年和2017～2019年）的预报检验,该模型的PS平均分为72。其中2017～2019年的PS均分为77,优于发布预测评分。     

基于土壤湿度和年际增量方法的我国夏季降水预测试验

选取欧亚大陆9个关键区的土壤湿度年际增量作为预测因子,采用变形的典型相关分析(BP-CCA)结合集合典型相关分析(ECC)方法建立集合预测模型,对我国东部夏季降水的年际增量进行预测,进而预测夏季降水。其中,1980~2004年的资料用于历史预测试验,而2005~2014年的资料用于独立样本预测试验。首先利用BP-CCA方法对9个因子分别建立单因子预测模型,然后采用ECC方法对9个预测因子按照不同的组合方式建立集合预测模型,并且对独立样本检验的效果进行了评估。结果表明,不同预测因子的组合对我国夏季降水均表现出一定的预测能力:东欧平原、贝加尔湖以北、我国河套地区及长江以南地区的土壤湿度对华北夏季降水预测效果较好;而巴尔喀什湖以北地区、我国西北地区、河套地区以及长江以南地区的土壤湿度对江淮夏季降水有较好预测效果;东欧平原、巴尔喀什湖以北地区以及我国河套地区的土壤湿度对华南降水预测技巧较高。这三组模型预测出的降水变化趋势与相应区域的观测结果较为一致,且预测评分(PS)均超过70分,距平相关系数(ACC)均为正值。研究表明土壤湿度因子中包含了对我国夏季降水有用的预测信号,可以考虑将土壤湿度应用于夏季降水的预测业务中。     

区域气候模式RegCM3在华东地区夏季的10年回报和2010年业务预报

利用国家气候中心全球海气耦合模式(BCC_CM1.0)嵌套区域气候模式RegCM3进行了近10年(1998-2007年)夏季回报及2010年华东夏季实时业务预报。从10年回报的模拟平均状况来看,模式基本能反映出中国东部夏季的平均状况,模式回报的夏季气温分布与实况较为相似,但回报的夏季降水量分布形态与实况有一定差异。使用国家气候中心六级Ps评分及简化的Ps评分对模式10年回报进行了评估。结果表明,该模式对华东地区夏季气温和降水有一定的跨季度预报能力,温度和降水10年平均Ps评分分别为69.9和60.9;对华东地区南部的气温及其东南部的降水有较好的回报效果。利用该模式进行了2010年夏季实时业务预报,预报检验表明,模式预报的2010年夏季温度距平和降水距平百分率分布与实况较为一致,夏季温度和降水的Ps评分分别为71.4和55.3;对影响较为严重的气候事件如江西降水极端偏多等也进行了准确预报。     

利用高原积雪信号改进我国南方夏季降水预测的新方法及其在2014年降水预测中的应用试验

2014年夏季我国南方出现严重洪涝、北方大部干旱,国内绝大多数预测模型在三月起报的汛期预测中均未能抓住位于南方地区的异常雨带,导致预测准确率明显偏低。基于模式对东亚地区夏季海平面气压场的高预报技巧和青藏高原冬季积雪与南方地区夏季降水的高相关性,本文提出一个针对我国夏季降水异常的组合统计降尺度预测新方法（Hybrid Statistical Downscaling Prediction,简称HSDP）,该方法综合利用了气候模式输出的高可预报性环流信息和前期观测的高原积雪异常信号,从而实现对我国南方夏季降水进行动力-统计相结合的改进预报。据此方法建立了一个基于国家气候中心气候预测模式的统计降尺度模型。对我国南方夏季降水进行跨季节预测的交叉检验结果显示,HSDP方法对于南方地区多年平均空间距平相关系数从模式原始预报的-0.006提高到0.24,且在大多数年份均有改进。基于HSDP方法于三月份制作的2014年夏季降水预测,能够很好地抓住南涝北旱的基本形势和我国南方的降水大值区,空间距平相关系数达到0.43。这表明,该方法对于我国夏季降水预测具有较好业务应用前景。     

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子，建立基于卷积神经网络（Convolutional Neural Network，CNN）的非线性预测模型，对中国160个测站夏季降水展开预测研究，并与基于线性奇异值分解（Singular Value Decomposition，SVD）的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数（ACC）分别为74.33和0.12，比SVD高2.15和0.06，说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中，CNN对SVD预测较好年份的预测效果提升较为明显，对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差，订正后CNN对拉尼娜年的降水预测改进较大。结果表明，基于年际增量法的CNN预测模型展示出较好的潜在应用价值。     

利用深度神经网络和先兆信号的江苏夏季降水客观预测方法

利用1961—2019年江苏省67个站降水量和气候指数数据集等资料,选取大气环流、海温和积雪等先兆信号的不同组合作为预测因子方案,通过对比不同机器学习方法对江苏省夏季降水开展预测试验。结果表明,深度神经网络（Deep Neural Network,DNN）较传统统计方法和其他机器学习方法有一定优势,深度神经网络结合动态权重集合因子方案对江苏省夏季降水的预测技巧最高,其独立样本检验结果稳定,2015—2019年的平均PS评分为76.0,距平符号一致率为0.62,距平相关系数达0.35,尤其对江苏省中南部的预测技巧更高,具有业务应用价值。不同预测因子方案对比分析表明,大气环流因子在江苏省夏季降水预测中做主要贡献,而海温因子和积雪等其他因子也有正贡献,说明使用综合性预测因子以及集合方案有助于提升季节预测准确率。      

CFSv2模式资料在成都市延伸期降水预测中的应用评估

将CFSv2模式的延伸期预测资料应用于成都市14个国家站的延伸期降水预测,采用距平相关系数ACC、趋势异常综合检验Ps及Cs/Zs评分对2016年1月至2020年12月的预测回算进行预测效果评估,通过改进的消除偏差一元线性回归方法对模式预测进行订正和预测再回算、再评估。结果表明,CFSv2的延伸期预测与成都地区实际降水的ACC为0.13,略高于目前省级和国家级发布的月预测平均成绩,对成都西南部和东南部的预报效果较好; Ps评分平均为65.7分;期间主要降水过程的Cs评分为0.48,Zs评分为0.64,空报率为38%,漏报率为34%。经过订正后,预测效果的空间差异无明显变化,ACC提高0.04,Ps评分提高4.3分,Cs评分提高0.05分,Zs评分提高0.14分,空报率降低22%,漏报率降低5%,预测准确率明显提升。