GRAPES区域集合预报对2019年中国汛期降水预报评估

2019年,数值预报中心开发了以GRAPES全球模式为驱动场,集合变换卡尔曼滤波为初值扰动方法,随机物理过程倾向项为模式扰动方法的10 km水平分辨率GRAPES-REPS V3.0区域集合预报模式,并投入业务运行。基于该模式,作者开展了2019年7～9月夏季降水不确定性的集合预报实时试验,并从统计检验和个例分析角度,与GRAPES-REPS V2.0和ECMWF全球集合预报模式进行对比,由此对GRAPES-REPS V3.0区域集合预报模式的降水预报能力给予客观评价,并分析了引起中尺度强降水预报不确定性的物理机制,研究结论可为诊断集合预报模式及改进集合预报方法提供依据。结果表明:（1）GRAPES-REPS V3.0区域集合预报系统的降水ETS评分在所有预报时效和量级内均优于GRAPES-REPS V2.0区域集合预报模式,降水成员具有明显等同性,且概率预报技巧FSS评分较高,GRAPES-REPS V3.0区域集合预报模式降水预报效果全面优于GRAPES-REPS V2.0区域集合预报模式。（2）GRAPES-REPS V3.0区域集合预报的集合平均降水BIAS评分及小雨和暴雨ETS评分均明显优于ECMWF全球集合预报系统,降水概率预报与ECMWF降水概率具有一定可比性。（3）个例分析结果表明,不同集合预报模式通过刻画中尺度特征物理量不确定性来捕捉降水预报不确定性,初始时刻,GRAPES-REPS V3.0区域集合预报模式和ECMWF全球集合预报模式环流形势分布较为相似,随预报时效演变,GRAPES-REPS V3.0区域集合预报模式对中尺度动力、热力场捕捉更为准确,相应地对降水落区与量级预报较好,概率预报技巧较优。（4）与ECMWF全球集合预报模式相比,GRAPES区域集合预报模式集合成员能很好地预报降水发生、发展、消亡整个过程,故GRAPES-REPS V3.0区域集合预报系统对中国汛期降水具有较强的预报能力。     

GRAPES区域集合预报对2019年中国汛期降水预报评估

2019年,数值预报中心开发了以GRAPES全球模式为驱动场,集合变换卡尔曼滤波为初值扰动方法,随机物理过程倾向项为模式扰动方法的10 km水平分辨率GRAPES-REPS V3.0区域集合预报模式,并投入业务运行。基于该模式,作者开展了2019年7～9月夏季降水不确定性的集合预报实时试验,并从统计检验和个例分析角度,与GRAPES-REPS V2.0和ECMWF全球集合预报模式进行对比,由此对GRAPES-REPS V3.0区域集合预报模式的降水预报能力给予客观评价,并分析了引起中尺度强降水预报不确定性的物理机制,研究结论可为诊断集合预报模式及改进集合预报方法提供依据。结果表明:(1)GRAPES-REPS V3.0区域集合预报系统的降水ETS评分在所有预报时效和量级内均优于GRAPES-REPS V2.0区域集合预报模式,降水成员具有明显等同性,且概率预报技巧FSS评分较高,GRAPES-REPS V3.0区域集合预报模式降水预报效果全面优于GRAPES-REPS V2.0区域集合预报模式。(2)GRAPES-REPS V3.0区域集合预报的集合平均降水BIAS评分及小雨和暴雨ETS评分均明显优于ECMWF全球集合预报系统,降水概率预报与ECMWF降水概率具有一定可比性。(3)个例分析结果表明,不同集合预报模式通过刻画中尺度特征物理量不确定性来捕捉降水预报不确定性,初始时刻,GRAPES-REPS V3.0区域集合预报模式和ECMWF全球集合预报模式环流形势分布较为相似,随预报时效演变,GRAPES-REPS V3.0区域集合预报模式对中尺度动力、热力场捕捉更为准确,相应地对降水落区与量级预报较好,概率预报技巧较优。(4)与ECMWF全球集合预报模式相比,GRAPES区域集合预报模式集合成员能很好地预报降水发生、发展、消亡整个过程,故GRAPES-REPS V3.0区域集合预报系统对中国汛期降水具有较强的预报能力。     

区域集合预报对华南一次暴雨试验研究

利用增长模繁殖法(BGM),对2012年6月我国长江中下游及华南地区的一次强降水过程进行了不同扰动方案的集合预报试验研究。分别对集合预报中只考虑初值扰动、加入模式物理过程扰动和加入地表参量扰动的三种不同扰动方案进行了对比试验,并对最优试验方案的降水集合预报结果进行检验分析。(1) 同时考虑风场、温度场、湿度场、高度场和地表参量的初值扰动,以及考虑模式物理过程扰动的降水集合预报效果最优,可有效提高灾害性天气的预报效果。(2) 初值扰动和模式物理过程扰动对降水预报都有着重要的影响,相同的模式物理过程扰动会由于不同的初值扰动而产生较大差异,并且扰动的集合平均预报对降水有较好的指导意义 。(3) 对于位势高度场预报检验 ,集合预报平均要好于控制预报,并且随着预报时效延长,这种优势更加明显。(4) 对此次强降水过程在长江中下游、华南地区和全国区域的各量级降水预报TS评分检验可知,集合预报较单一的决定性预报(控制预报)效果有明显改善;集合平均预报一般都好于控制预报 ,同时集合预报也为预报员提供了天气不确定性的警示作用。      

基于非静力模式物理扰动的中尺度集合预报试验

以GRAPES中尺度有限区模式作为试验模式, 从模式的不确定性方面来构造中尺度的集合预报, 重点考虑物理因子与初始条件的扰动作用。针对2004年7月10日北京城区的突发性暴雨过程进行了36 h的集合预报试验。结果表明:GRAPES模式可有效地捕捉到中尺度过程的信息; 中尺度集合预报是可行的, 可改进中尺度暴雨过程落区、强度的预报; 不同集合方案的预报结果各不相同, 同一方案各个成员的预报结果也有差异, 即存在适宜的离散度; 在离散度分析中发现在北京附近存在一个明显大值区, 且在大气中低层的垂直结构表现出一致性, 表明这一区域的预报不确定性很大。从集合检验结果中得到:单纯考虑模式物理扰动来构造中尺度集合预报系统有一定难度, 当加入初始场不确定信息后, 同时考虑模式的不确定性和初始场的不确定性, 有助于捕捉更多的中尺度系统的不确定信息, 有助于构造更为有效的中尺度集合预报系统。     

MCC降水过程集合预报不同物理过程扰动方案的对比试验研究

利用WRF模式,从模式的不确定性角度来构造中尺度的集合预报,重点对比分析了不同物理参数化方案、物理过程随机扰动方案、积云对流参数化敏感参数扰动方案对中尺度对流复合体降水集合预报的影响。试验结果表明:3种物理过程扰动方法都可以反映中尺度对流复合体降水预报的不确定性特征,其预报效果比控制预报好。物理过程随机扰动方案集合平均的降水落区及强度最接近实况,并且其降水的ETS评分要高于其他2种方案。从均方根误差与离散度的角度来看,3种方案中物理过程随机扰动的均方根误差要小于其他2种方案,而其离散度要大于其他2种方案,物理过程随机扰动方案要优于其他2种方案。     

中尺度集合预报对川渝地区“8.16”暴雨过程的分析

利用ARPS和WRF模式,基于不同的物理过程参数化方案建立了一个多初值、多物理过程的中尺度集合预报系统,并对2015年8月16—18日发生在四川盆地的西南低涡暴雨过程进行试验分析。结果表明:建立的中尺度集合预报系统对此次暴雨过程有较好的预报能力,与确定性预报相比,降水集合平均以及概率预报等产品对暴雨的预报有一定的指示意义。初值扰动的集合预报对暴雨及以下量级的预报较优;物理过程扰动的集合预报对大暴雨及以上量级的预报较好;同时考虑2种扰动的集合预报总体上好于单因子扰动的集合预报,使降水预报效果得到明显改善。对天气系统(高空槽、低涡、切变线)以及气象要素(风场、水汽)的预报差异是造成"好"、"坏"成员预报效果差异的主要原因,且低层形势场(尤其是风场的预报)对初值及物理过程的扰动比高层要敏感。集合预报对大雨及以上量级预报技巧的提高有明显正贡献,但是对特大暴雨的预报不确定性很大,还有较大的改进空间。     

青藏高原东侧"2003.8.28"暴雨的集合预报试验

利用MM5模式和国家气象中心的T213模式的预报资料,通过研究非绝热物理过程参数化方案对高原东侧"2003.8.28"暴雨数值预报的影响特征,进行了多物理模式集合预报试验,为开展青藏高原东侧集合预报扰动技术研究进行了试验.试验结果表明,模式物理参数化方案对中尺度降水预报结果有明显影响,包括局地降水强度、空间分布型态、时间演变特征等.随着模式分辨率的提高,积云对流参数化方案将增加小雨量级降水区域,产生一些虚假降水,就现阶段模式水平而言,高分辨率集合预报应重点发展考虑强降水预报不确定性的集合预报模式系统.多物理模式集合预报的初步试验结果表明,高分辨率集合预报可以改进单一确定性预报结果不稳定的缺点,为强降水灾害性天气预报提供有价值的预报信息.     

基于动力降尺度的区域集合预报初值扰动构建方法研究

利用全球集合预报系统资料(Global Ensemble Forecast System,GEFS),基于WRF中尺度模式构建了区域集合预报系统,区域集合初值的构建采用两种方案,一种是GEFS全球集合预报初值场直接动力降尺度(称为DOWN集合),另一种是提取GEFS全球集合降尺度后的扰动场,并叠加到区域数值预报系统(北京快速更新循环数值预报系统:Beijing Rapid Update Cycle System,BJ-RUC)分析场上构建集合初值场(称为D-RUC集合)。进行了批量试验,通过对比发现D-RUC集合的中小尺度扰动增长优于DOWN集合,而大尺度扰动分量的增长两者相当,说明与高分辨率分析场叠加可以促进动力降尺度扰动的中小尺度扰动分量的增长。集合预报扰动准确性检验结果显示,短预报时效内DOWN集合扰动明显低估了预报误差,在预报误差较大的位置扰动较小,而D-RUC集合能够更好地识别预报场中哪些位置预报误差较大,而哪些位置预报误差较小。集合预报检验结果表明,D-RUC方法能显著改善短时效预报效果,集合离散度有所增加、均方根误差有所减少,概率预报评分显示D-RUC集合比DOWN集合在短预报时效占优。降水个例分析结果表明D-RUC方法能显著改善短时效内的降水概率预报效果。     

随机物理倾向扰动方案在西部山地对流尺度集合预报中的研究

为了研究随机物理倾向扰动(SPPT)方法在复杂地形条件下对对流尺度集合预报中的影响,针对SPPT随机扰动场的时间尺度、空间尺度和格点标准差三个参数进行敏感性试验,分析扰动变化规律,探讨其预报效果。结果表明:空间尺度90 km、时间尺度3 h和格点标准差0.525参数构造的SPPT随机扰动场结构对西部山地对流尺度集合预报整体效果较好,该试验不同层次高空要素(纬向风场、温度场和湿度场)和近地面要素(10 m风和2 m温度)的离散度增长较快,考虑预报误差的离散度/RMSE也好于其他试验。虽然最优配置试验的3 h累积降水的集合平均相对于其他参数试验没有明显在各个量级上都有提高,但在≥10 mm、≥25 mm和≥50 mm的降水等级的ETS评分接近或者高于控制试验,概率预报技巧较好。综合来看,空间尺度参数的选取比时间尺度对离散度的影响更加明显,增加扰动振幅对离散度的增加也起到积极的作用,同时可以提高不同量级降水的概率预报技巧。     

基于随机物理过程扰动的BMJ积云参数化方案对降水集合预报的影响

基于ARPS模式和随机物理过程参数化扰动（stochastically perturbed parameterization）方法,通过10个2018年6—7月间的降水个例,讨论了针对BMJ积云降水参数化方案下不同参数化扰动方式对降水预报的影响。扰动方式包括扰动BMJ方案的温湿倾向和扰动BMJ方案的温湿参考廓线。试验的结果表明BMJ方案在华东区域的降水预报中存在湿偏差,即预报的降水事件多于相应的观测事件。这一偏差在系统性增加参考廓线湿度后仍然存在。BMJ方案对不同扰动方式的响应存在较大差异。扰动BMJ方案的温湿倾向对降水预报的影响较小,且集合离散度低。扰动BMJ方案的温湿参考廓线对降水预报影响显著,能够大幅增加集合离散度,其中对称的BMJ参考廓线扰动对预报技巧评分改进有限,原因是小雨的湿偏差有所增加,而非对称的BMJ参考廓线扰动（扰动均值大于1.0）能够有效提高预报技巧评分并降低湿偏差。此外,非对称扰动大幅改善了BMJ降水预报初期（0～3 h）的空间分布形态,并且改进了夜间降水预报的强度。非对称扰动评分较高的原因是减少了原BMJ方案在降水预报初期的的大范围虚假预报,避免了大气湿度的大范围下降,保障了预报后期的强降水预报能力。而BMJ方案温湿倾向量级较小则是造成倾向扰动方法效果不明显的重要原因。     

基于WRF模式的对流尺度边界层方案参数随机扰动方法研究

边界层参数化方案的准确性会影响模式对近地面变量和大气低层热动力结构的模拟,对雷暴等强对流天气的预报非常重要,但边界层方案内在的不确定性使得单一预报具有局限性。为了提高对流尺度数值模式中边界层方案的预报效果,基于WRF（The Weather Research and Forecasting Model）模式,应用随机参数扰动（SPP）方法对Mellor-Yamada-Nakanishi-Niino（MYNN）边界层方案中重要的3个不确定参数进行扰动,探究了该方法对北京地区一次雷暴过程模拟的影响。同时考虑了对流尺度集合预报系统的特点,调整随机参数扰动方法的3个参量（去相关时间尺度、空间尺度和格点标准差）探究了对流尺度中对MYNN方案参数进行扰动的最优设置。结果显示:随机扰动MYNN边界层方案参数（SPPM）方法可以有效提高近地面变量和700 hPa以下低层变量的离散度,同时提高了短时强降水位置和强度的预报技巧。3个参量的试验说明,去相关时间尺度增大到12 h集合离散度有明显提高;格点标准差增大到0.20,预报技巧也略有提高;去相关空间尺度维持在默认值700 km较好,尺度过小（150 km）预报技巧明显降低。上述结果表明,在对流尺度中SPPM方法可以有效表达边界层参数化方案的不确定性,提高集合预报系统的预报技巧。      

随机物理倾向扰动在风暴尺度集合预报中的影响研究

为深入探究随机物理倾向扰动（Stochastically Perturbed Parameterization Tendencies,SPPT）方案在风暴尺度集合预报中的影响,基于WRF模式利用FNL资料对SPPT方案中的3个参量分别进行敏感性试验,得到SPPT方案的最佳参数配置,并在此基础上分析SPPT方案模拟的降水分布特征。结果表明:SPPT方案敏感性试验中,去相关时间选择6 h时构造的集合成员可信度更高,逐时降水评分效果在积分中后期较高,对于暴雨及以上量级的评分技巧最优;造成降水主要天气系统的维持时间对该变量的选取有较大的影响。去相关空间尺度选择100 km的集合试验更为可靠,对降水预报技巧较高;同时该变量的选取与天气过程中的大尺度信息、中小尺度系统的活跃以及模式的空间分辨率有密切联系。通过对离散度和离群值分析认为扰动振幅选择0.525最为合理。SPPT方案集合成员在局部地区可以较大幅度地改变降水量,对降水落区的准确模拟存在一定的局限性。      

不同扰动方法集合离散度演变的异同性暨地形扰动初探

基于北京“7.21”特大暴雨个例,设计了一种考虑地形不确定性对降水影响的集合预报方案,在对该方案进行初步评估的基础上,重点通过计算相关系数、扰动总能量和尺度分解,对包括地形扰动方案在内的4种集合预报方案（初值、多物理、地形、初值-多物理混合）中离散度演变的异同性进行了分析。结果表明：（1）考虑模式地形不确定性的扰动方案,在不影响集合平均降水预报质量的基础上,对集合降水预报的离散度和概率预报略有正贡献。（2）离散度空间结构的演变与天气形势的演变密切相关。不同扰动方案产生的离散度在初始时刻的空间分布各不相同,但随模式向前积分其离散度的相似度快速增大,其中0-6 h内增长速度最快,离散度场之间的相关系数可以超过0.6。混合方案与单一扰动方案相比,对离散度空间结构的贡献不大。（3）虽然不同方案的离散度空间结构相似,但其幅度却存在明显的差异,如地形扰动方案的离散度幅度明显小于初值扰动和物理过程扰动方案。混合方案可以增加原单一扰动方案的离散度振幅,但这种增加在高层明显,而在近地面层并不明显,因而增加降水和其他近地面大气变量的离散度要比增加上层大气变量的离散度更困难。（4）尺度分离的结果表明,随着空间尺度的增大和积分时间的延长,不同扰动方法产生的离散度结构会逐渐变得相似,但在积分早期（<12 h）和较小的空间尺度（<448 km）上离散度结构的差异仍明显,并且在较小的空间尺度（<448 km）上,不同扰动方法产生的离散度幅度有明显的差异。所以对于小空间尺度系统或甚短期预报,选择扰动方案比大尺度和较长期的预报更重要。以上研究可为集合预报如何合理采用不同扰动方案或不同方案的组合提供科学依据。     

2016-2020年广东省定量降水预报检验评估

对2016-2020年全球模式ECMWF和区域模式GZ_GRAPES、基于模式的解释应用和广东省气象局发布的定量降水预报（QPF）进行检验和评估。结果表明:ECMWF和GZ_GRAPES模式对一般性降水预报技巧在逐年提升,对大雨或以上的降水预报技巧的提升缓慢。GZ_GRAPES对大雨以上降水的预报技巧和定量降水预报的精细时空分布均优于ECMWF,区域模式更易预报出中小尺度降水信息。分类暴雨评定表明,模式对台风暴雨预报最好、锋面暴雨次之、季风暴雨预报最差。模式的暴雨预报落区偏小、低估明显,预报员通过经验订正明显提升了暴雨预报评分,其中季风暴雨的订正量最大,但存在预报范围偏大、空报较高的问题。基于ECMWF集合预报的解释应用与预报员的定量降水预报能力相当,降水越强,解释应用技术的优势越明显,但对季风暴雨也存在严重低估或漏报。目前降水精细时空分布、季风暴雨、极端性暴雨等依然靠预报员的经验订正为主,随着集合预报模式和区域高分辨率模式能力的提升,将预报经验客观化并与数值预报解释应用技术结合是提升QPF的一个方向。      

北京“7.21”特大暴雨不同集合预报方案的对比试验

采用6套扰动方案(初值、多物理、3组随机物理和初值与随机物理的混合)对2012年7月21日(“7.21”)北京特大暴雨过程进行了集合降水预报试验,检验了不同方案的集合平均预报、集合区间预报和概率预报较控制预报改进的相对程度,分析了它们对该过程时空不确定性的预报能力、不同扰动方法的离散度贡献以及不同尺度扰动对预报误差的贡献等。结果表明:(1)所有集合方案特别是初值扰动、多物理和混合扰动的集合预报相对控制预报在暴雨强度和位置上都有较显著的改进,并为用户决策提供了包括预报不确定性在内的更多预报信息。(2)3组随机物理产生的集合预报离散度很相似, 都远小于初值扰动和多物理方案产生的离散度, 并且主要集中在强降水中心附近, 因此在初值扰动的基础上加入随机扰动,可以提高强降水中心的离散度, 但对强降水中心以外的地区作用甚微;尺度分析进一步表明随机物理产生的离散度贡献主要集中在较小尺度上(<320 km),在更小的尺度上(<160 km)它甚至可以与初值和多物理扰动的贡献相当,而初值扰动和多物理过程的贡献可以比随机物理过程多延伸400—500 km直到较大的尺度(如>1000 km), 其中多物理过程在较小尺度上(<100 km)可比初值扰动贡献更大, 并且能部分消除预报系统偏差。(3) 所有集合扰动方案所产生的离散度尺度谱都与实际预报误差尺度谱分布一致, 即随空间尺度增大而减小,但在幅度上都小于预报误差(离散度不够大),并且这种差异随着空间尺度的减小而加速增大,在小尺度上相差甚大。     

动力降尺度和多物理参数化方案组合对华南前汛期降水集合预报的影响研究

针对华南前汛期降水过程,基于全球集合预报系统（GEFS）资料,利用WRF中尺度模式以及GEFS动力降尺度获取的区域集合预报初值场,通过多物理过程参数化方案组合和模式积分方法实现华南前汛期降水的区域集合预报。对2019年5月15日—6月15日共32天的华南前汛期降水过程进行了单一物理过程区域集合预报（REFS_SINGLE）和多物理过程区域集合预报（REFS_MULTI）的数值模拟批量敏感性试验,通过GEFS、REFS_SINGLE和REFS_MULTI的对比分析,探讨多物理过程参数化方案组合对华南前汛期降水的影响,同时利用一次华南前汛期暴雨过程进一步探讨集合预报试验的预报效果。结果表明:（1）REFS集合平均的预报效果明显好于控制性预报。（2）REFS降水集合离散度与预报误差的对应关系好于GEFS。（3）积分48小时后,REFS_MULTI和REFS_SINGLE的扰动能量分别是GEFS的4.7倍和6.3倍。（4）降水级别越大,REFS的TS评分效果就越好于GEFS;REFS_MULTI略微好于REFS_SINGLE。（5）基于32天的批量试验,REFS的AUC值有28天大于GEFS,REFS_MULTI有22天大于REFS_SINGLE,表明REFS的预报技巧好于GEFS,且REFS_MULTI的预报技巧好于REFS_SINGLE。      

混合集合预报法在华南暴雨短期预报中的试验

-WRF多模式集合3组试验,对比分析混合集合预报法与传统方法的降水预报效果。结果表明:ARPS模式集合改善了广东省南部局地强降水预报,该方法在中雨、大雨、暴雨量级改进效果显著。WRF模式集合对广东省北部强降水预报优于ARPS模式集合,但空报、漏报率较大,该方法有一定局限性。ARPS-WRF多模式集合在降水落区和量级预报上均优于传统方法。混合集合预报法利用低分辨率 (36 km) 集合预报和高分辨率 (12 km) 控制预报实现了高分辨率 (12 km) 集合预报,改善了降水预报效果,该方法可为业务高分辨率集合预报提供参考。     

基于时空不确定性的对流尺度集合预报效果评估检验

针对对流尺度天气系统的高度非线性特征和高分辨率模式预报结果存在时、空不确定性现象,以及当前邻域概率法主要考虑高分辨率预报结果的空间位移误差,而不能有效解决预报结果存在时间超前与滞后问题,将时间因素引入到邻域概率法中,结合一次强飑线过程进行对流尺度集合预报试验,并基于改进后的新型邻域概率法与分数技巧评分,对降水预报进行了不同时、空尺度的效果评估检验。结果表明:（1）邻域集合概率法和概率匹配平均法在极端降水的分数技巧评分远高于传统集合平均,弥补了集合平均对极端降水预报能力偏低的缺陷。（2）对于此类飑线过程的对流尺度天气系统而言,邻域半径为15—45 km的空间尺度能够改善降水位移误差的空间不确定性,并使其预报效果达到最优,其中15—30 km的邻域半径对于尺度更小的大量级降水事件预报能力更强。（3）对流尺度降水预报考虑时间尺度与降水强度存在着对应关系,不同时间尺度可以捕获到不同量级降水的时间不确定性。同时,时间尺度与空间尺度对于降水预报效果的影响是相互关联的。（4）改进的邻域概率法能够同时体现高分辨率模式预报结果在对流尺度降水事件上存在的时、空不确定性,实现了对流尺度降水在时、空尺度上的综合评估,并能为不同量级降水提供与其时、空尺度相匹配的概率预报结果。      

热带气旋奇异向量在GRAPES全球集合预报中的初步应用

基于副热带奇异向量的初值扰动方法已应用于GRAPES （Global and Regional Assimilation PrEdiction System）全球集合预报系统,但存在热带气旋预报路径离散度不足的问题。通过分析发现,热带气旋附近区域初值扰动结构不合理导致预报集合不能较好地估计热带气旋预报的不确定性,是路径集合离散度不足的可能原因之一。通过建立热带气旋奇异向量求解方案,将热带气旋奇异向量和副热带奇异向量共同线性组合生成初值扰动,以弥补热带气旋区域初值扰动结构不合理这一缺陷,进而改进热带气旋集合预报效果。利用GRAPES全球奇异向量计算方案,以台风中心10个经纬度区域为目标区构建热带气旋奇异向量求解方案,针对台风“榕树”个例进行集合预报试验,并开展批量试验,利用中国中央气象台最优台风路径和中国国家气象信息中心的降水观测资料进行检验,对比分析热带气旋奇异向量结构特征和初值扰动特征,评估热带气旋奇异向量对热带气旋路径集合预报和中国区域24 h累计降水概率预报技巧的影响。结果表明,热带气旋奇异向量具有局地化特征,使用热带气旋奇异向量之后,热带气旋路径离散度增加,路径集合平均预报误差和离散度的关系得到改善,路径集合平均预报误差有所减小,集合成员更好地描述了热带气旋路径的预报不确定性;中国台风降水的小雨、中雨、大雨、暴雨各量级24 h累计降水概率预报技巧均有一定提高。总之,当在初值扰动的生成中考虑热带气旋奇异向量后,可改进热带气旋初值扰动结果,并有助于改善热带气旋路径集合预报效果。      

Predicting US summer precipitation using NCEP Climate Forecast System version 2 initialized by multiple ocean analyses

This study examines the prediction skill of the contiguous United States (CONUS) precipitation in summer, as well as its potential sources using a set of ensemble hindcasts conducted with the National Centers for Environmental Prediction (NCEP) Climate Forecast System version 2 and initialized from four independent ocean analyses. The multiple ocean ensemble mean (MOCN_ESMEAN) hindcasts start from each April for 26 summers (1982–2007), with each oceanic state paired with four atmosphere-land states. A subset of hindcasts from the NCEP CFS Reanalysis and Reforecast (CFSRR) project for the same period, from the same initial month and with the same total ensemble size, is also analyzed. Compared with CFSRR, MOCN_ESMEAN is distinguished by its oceanic ensemble spread that introduces potentially larger perturbations and better spatial representation of the oceanic uncertainty. The prediction skill of the CONUS precipitation in summer shows a similar spatial pattern in both MOCN_ESMEAN and CFSRR, but the results suggested that initialization from multiple ocean analyses may bring more robust signals and additional skills to the seasonal prediction for both sea surface temperature and precipitation. Among the predictable areas for precipitation, the northwestern CONUS (NWUS) is the most robust. A further analysis shows that the enhanced summer precipitation prediction skill in NWUS is mainly associated with the El Niño/Southern Oscillation, with possible influence also from the Pacific Decadal Oscillation. Through this work, we argue that a large ensemble is necessary for precipitation forecast in mid-latitudes, such as the CONUS, and taking into account of the oceanic initial state uncertainty is an efficient way to build such an ensemble.