利用WRF模式制作东北地区冬季降水相态预报

利用WRFV3.1.1中尺度数值模式,对东北地区冬季降水相态进行预报尝试。在模式预报输出场中,通过对近地面大气层中冻结部分降水混合比在可凝结成降水的水汽混合比中的比例,来判断雨雪分界线及雨夹雪区或雨、雪过渡区。结果表明：该方法可较准确预报出降水过程中雨区、雪区和雨夹雪区的分布特征以及降水相态随时间的演变情况。降水相态数值预报产品的应用能够明显提高冬季气象预报服务水平。     

降水预报-观测概率匹配动态订正法在江西降水集中期的应用与检验

为提高数值预报降水预报的准确率,本文利用欧洲中期天气预报中心的高分辨率数值预报（ECMWF）降水预报资料和江西省国家级气象观测站实况降水资料进行概率匹配,选取Gamma累积概率分布函数用于拟合预报与观测的降水累积概率,通过在2017年江西省一次降水集中期的应用试验,得到以下结论：基于ECMWF的降水预报-观测概率匹配动态订正法由于把最新的预报与实况结果带入概率匹配中,并根据近期模式预报调整及误差不断自动更新各量级降水修正值,可实时动态订正模式降水预报;检验发现ECMWF模式降水产品对于24 h内12 h间隔的10 mm及以下量级的预报普遍偏大,25 mm及以上量级的预报普遍偏小,在江西区域九江沿江地区和景德镇的各量级降水预报较为接近实况、预报效果较好.本降水预报订正法能提高小雨和暴雨的TS评分、降低暴雨的漏报率且提升其命中率,但对大雨及部分中雨的订正效果不佳,在实践中应权衡利弊使用.     

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

深度学习网络在降水相态判识和预报中的应用

利用1996—2015年中国的高空探测资料和地面观测数据,挑选发生降水的数十万个样本将其分为降雨和降雪两类事件,抽象为二分类问题,采用深度学习网络技术构建降水相态判识模型,并用2016—2017年的数据进行测试检验,针对2018年1月下旬中国一次大范围雨雪天气过程进行个例检验,在此基础上探讨了深度学习网络在降水相态判识和预报中的应用。主要结论如下:基于深度学习网络判识模型的判识准确率为98.2%,雨、雪的TS评分分别为97.4%和94.4%,相应空报率为1.7%和2.0%,漏报率为1.0%和3.7%,较传统指标阈值法的判识准确率有较大提高;个例检验显示,基于实况探空数据的模型判识结果与降水相态实况在全国基本保持一致,欧洲中期数值预报中心(ECMWF)的降水相态预报产品和模型的预报结果对全国的降水相态都表现出较好的预报能力,而对雨雪分界线的预报,模型的预报结果较ECMWF总体上更接近实况。测试结果表明,模型较好地提取了雨、雪降水相态的结构特征,深度学习网络在降水相态判识和预报中的应用具有可行性和一定的优势,可为降水相态的客观判识和预报提供重要技术支撑。     

概率匹配订正法在湖北襄阳地区降水预报中的应用

数值预报产品在天气预报预警中有着重要的作用。2016—2020年汛期ECMWF模式预报降水与湖北襄阳区域站观测降水的对比分析表明：ECMWF对中雨及以上降雨的预报，第1、2天预报偏小，而第3天预报偏大；三个预报时段强降雨中心位置偏差无规律。为了更好地对ECMWF产品进行释用，提高汛期降水预报准确率，从概率匹配角度研究了不同降水量级订正值，并对2021年汛期ECMWF降水预报进行逐日检验。结果显示：概率匹配订正法可有效地改善模式预报性能，对中雨及以上降雨预报均有良好的订正效果，尤其对第1天暴雨预报改进最为明显。228站平均的TS评分提高了6个百分点，由11.1%增加到17.1%，漏报情况改良了13.5个百分点，由85.0%降为71.5%。采用该订正法开展定量降水预报，由于增加了当地降雨概率分布的背景信息，能表现出比原模式更高的参考价值。     

基于数值产品的乡镇天气预报方法研究与应用

通过对数值预报模式产品的对比分析,应用MM5和T213数值模式产品,对乡镇天气预报的降水和温度预报进行研究。将2005年8—10月模式预报结果分别进行效果检验和分析,得到主客观预报订正规律,可以有效地提高乡镇天气预报准确率,由此形成基于数值模式预报产品的乡镇天气预报方法。     

数值预报产品效果检验及在降水预报中的应用

通过对目前天气预报业务中使用的Ｔ１０６、ＨＬＡＦＳ和日本模式三种数值预报产品对烟台市降水预报效果的检验、对比和分析,发现：数值预报产品在暴雨和一般降水预报中有一定指导作用;暴雨和一般降水预报效果都是日本模式好于ＨＬＡＦＳ,ＨＬＡＦＳ好于Ｔ１０６;三种预报产品对低压或倒槽型的降水预报准确率普遍较高;当三种预报产品均预报有降水时,其出现降水的准确率为７５．９％。     

基于ECMWF集合预报产品的降水相态客观预报方法

基于欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）集合预报系统的降水相态产品（precipitation type,PTYPE）,分别以HSS评分最优、TS评分最优和频率偏差最优为标准,运用最优概率阈值法,生成雨、雨夹雪、雪和冻雨4类降水相态的确定性预报产品,并与ECMWF集合预报系统控制成员及细网格模式确定性预报进行对比。最优概率阈值显示:3种最优标准下,不同相态降水最优概率阈值不同,但冻雨和降雪最优概率阈值均最大,为40%~80%,雨夹雪最优概率阈值最小,约为10%,三者最优概率阈值均随预报时效延长而减小;降雨最优概率阈值为7%~25%,随预报时效延长而增大。对比检验结果显示:最优概率阈值法明显提高了降水相态预报能力,且以HSS评分最优时预报效果最佳;最优概率阈值法有效减小冻雨空报,同时显著改善降雨和降雪预报的频率偏差和TS评分,对雨夹雪预报改进效果有限。     

WRF模式不同微物理过程对东北降水相态预报的影响

为了研究不同微物理过程对中尺度模式降水相态预报的影响,利用中尺度模式WRF（V3.1）和NCEP再分析资料,采用WSM 6方案、Goddard方案和New Thompson方案等3种不同微物理过程参数化方案,对2006-2008年东北地区存在降水相变的11次降水过程进行了敏感性试验。通过对降水和云微物理特征影响的分析,了解不同方案间的预报差异。结果表明：不同微物理方案对降水落区和强度预报影响不明显,而降水相态对微物理参数化方案较为敏感,主要表现在对雨区和雨夹雪区预报影响显著。从总体预报效果来看Goddard方案表现较好。选用不同微物理参数化方案模拟的底层大气云微物理特征存在较大的差别,正是这种差别直接导致了降水相态预报间的差异。     

精细数值预报在60周年国庆天气服务中的应用

在60周年国庆天气服务中,使用ARPS实时分析预报系统,将地面观测、探空、自动站、雷达基数据和风云2卫星TBB等多种观测资料同化,使用较多的观测数据调整模式初始场,对天安门地区未来3天的天气逐日进行精细化数值预报。对ARPS系统的降水落区和量级预报能力及单点降水预报准确率检验结果表明:对于秋季低槽东移造成的华北地区的大范围降水,ARPS系统有较好的预报能力,12-36 h预报的1 mm降水落区与实况十分吻合,降水量预报通常略大于实况;对单点的1 h的累积降水预报,预报降水的开始时间较实际降水时间提前1-3 h,1h累积降水随时间增大或减小的变化趋势预报比较准确。综合看来,使用ARPS实时分析预报系统进行精细化天气预报是可行的,数值预报的结果对于精细化天气预报决策具有较好的参考价值。     

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。     

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。     

人工智能技术在数值天气预报中的应用

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机。已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计算速度大幅提升,展示出良好的应用前景,一些神经网络模型也表现出纯数据驱动预报的可能性,在短时强对流天气、降水以及气候预测中已有较为理想的应用实例。然而,人工智能技术在数值天气预报中的应用与发展仍面临一些挑战,主要包括深度学习的弱解释性、不确定性分析以及两者的耦合等,除了应对这些挑战,未来两者的深度结合还需要在理论指导下的人工智能模型设计、高时空分辨率人工智能预报模型设计以及使用更多新型人工智能技术等方面深入探索。     

2010年国内外3种数值预报在东北地区的预报检验

对中国国家气象中心T639数值预报、德国降水预报和欧洲中心（ECMWF）数值预报中对中国东北地区的降水、温度和环流模式的预报结果,分别进行检验。结果表明：降水预报中,德国降水预报对中国东北地区的晴雨预报、一般性降水预报效果较好,但T639数值预报的漏报率明显低于德国降水预报,而T639数值预报中24-120 h暴雨预报的TS评分明显高于德国降水预报。温度预报中,T639数值预报对中国东北地区温度预报72 h内基本可用;欧洲中心（ECMWF）数值预报在96 h内效果较好。对于24 h的温度预报准确率,T639数值预报稍高于ECMWF数值预报结果。环流模式方面：48h内T639预报效果好于ECMWF,72 h以后ECMWF预报效果好于T639。     

辽宁省春季透雨集合预报误差分析

利用2016—2018年4月1日至6月30日三个全球数值预报业务中心（CMA、ECMWF和NCEP）的24 h降水集合预报资料和辽宁省降水观测资料,采用TS评分、预报偏差B、Talagrand分布以及BS评分等方法对辽宁省春季透雨（4—6月）CMA、ECMWF和NCEP三套全球集合预报结果进行对比分析。结果表明：三个集合预报中心的集合预报系统的离散度均具有偏小的特征,Talagrand都呈U型分布,即各集合预报系统对量级较小的降水预报值偏大,空报率高;对量级较大的降水预报能力不足,极值偏小,容易产生降水预报偏差。将各中心的确定性检验结果和概率性检验结果进行对比后发现,ECMWF相比CMA和NCEP的TS评分值更高,预报偏差B值更接近于1,也就是说另外两个预报中心对辽宁省春季透雨预报漏报更为明显。从BS评分值和其分解评分值结果来看,ECMWF优于另外两个预报中心。ECMWF对辽宁省春季透雨预报的结果与实况最为接近,检验结果最好,可在日后的预报服务工作中作为主要参考。     

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。     

Experiments of DSAEF_LTP Model with Two Improved Parameters for Accumulated Precipitation of Landfalling Tropical Cyclones over Southeast China

The Dynamical-Statistical-Analog Ensemble Forecast model for landfalling tropical cyclones (TCs) precipitation (DSAEF_LTP) utilises an operational numerical weather prediction (NWP) model for the forecast track, while the precipitation forecast is obtained by finding analog cyclones, and making a precipitation forecast from an ensemble of the analogs. This study addresses TCs that occurred from 2004 to 2019 in Southeast China with 47 TCs as training samples and 18 TCs for independent forecast experiments. Experiments use four model versions. The control experiment DSAEF_LTP_1 includes three factors including TC track, landfall season, and TC intensity to determine analogs. Versions DSAEF_LTP_2, DSAEF_LTP_3, and DSAEF_LTP_4 respectively integrate improved similarity region, improved ensemble method, and improvements in both parameters. Results show that the DSAEF_LTP model with new values of similarity region and ensemble method (DSAEF_LTP_4) performs best in the simulation experiment, while the DSAEF_LTP model with new values only of ensemble method (DSAEF_LTP_3) performs best in the forecast experiment. The reason for the difference between simulation (training sample) and forecast (independent sample) may be that the proportion of TC with typical tracks (southeast to northwest movement or landfall over Southeast China) has changed significantly between samples. Forecast performance is compared with that of three global dynamical models (ECMWF, GRAPES, and GFS) and a regional dynamical model (SMS-WARMS). The DSAEF_LTP model performs better than the dynamical models and tends to produce more false alarms in accumulated forecast precipitation above 250 mm and 100 mm. Compared with TCs without heavy precipitation or typical tracks, TCs with these characteristics are better forecasted by the DSAEF_LTP model.     

集合数值预报在洪水预报中的应用进展

水文集合预报是近几年正在形成和发展的水文预报分支,其发展大致可分为两个阶段:第1阶段是1970年至20世纪末进行的长期径流预报,第2阶段从21世纪开始,主要学习气象数值预报中集合预报的概念在短期水文集合预报中的应用。目前,除了单一预报中心的集合预报系统在水文集合预报中应用外,多个预报中心的集合预报大集合也逐渐被应用于流域水文预报,甚至一些小流域的洪水预报。如利用TIGGE(THORPEX Interactive Grand Global Ensemble)集合预报驱动形成的大气-水文-水力的串联系统进行早期的洪水预警研究,将全球集合预报作为洪水模型输入的有限区域模式的初始条件和侧边界条件的研究。这些均表明,基于水文集合预报的洪水预报增加了预报附加值,并能够延长预警提前时间。以欧洲中期天气预报中心的欧洲洪水预警系统(EFAS)和美国NOAA的先进水文预报系统(AHPS)为代表,实现了集合预报在洪水中的实时业务预报,但仍存在数据处理和计算量大,以及如何基于集合水文预报做决策等问题。对于水文集合预报的前处理和后处理的各种技术已处于探索和验证阶段,如何更好地理解基于概率预报的洪水预警决策仍存在许多困难和挑战。     

Evaluation of TIGGE Ensemble Forecasts of Precipitation in Distinct Climate Regions in Iran

The application of numerical weather prediction(NWP) products is increasing dramatically. Existing reports indicate that ensemble predictions have better skill than deterministic forecasts. In this study, numerical ensemble precipitation forecasts in the TIGGE database were evaluated using deterministic, dichotomous(yes/no), and probabilistic techniques over Iran for the period 2008–16. Thirteen rain gauges spread over eight homogeneous precipitation regimes were selected for evaluation.The Inverse Distance Weighting and Kriging methods were adopted for interpolation of the prediction values, downscaled to the stations at lead times of one to three days. To enhance the forecast quality, NWP values were post-processed via Bayesian Model Averaging. The results showed that ECMWF had better scores than other products. However, products of all centers underestimated precipitation in high precipitation regions while overestimating precipitation in other regions. This points to a systematic bias in forecasts and demands application of bias correction techniques. Based on dichotomous evaluation,NCEP did better at most stations, although all centers overpredicted the number of precipitation events. Compared to those of ECMWF and NCEP, UKMO yielded higher scores in mountainous regions, but performed poorly at other selected stations.Furthermore, the evaluations showed that all centers had better skill in wet than in dry seasons. The quality of post-processed predictions was better than those of the raw predictions. In conclusion, the accuracy of the NWP predictions made by the selected centers could be classified as medium over Iran, while post-processing of predictions is recommended to improve the quality.