广东省ECMWF降水集合预报统计量的检验与分析

利用欧洲中期天气预报中心(ECMWF)的降水集合预报历史资料,对广东省86个地面气象站进行分级统计检验,分析集合统计量产品的预报效果。评分结果表明,降水量级越大,确定性预报与集合产品TS越低,对应最优分位数越高;对于冬季暴雨与前汛期晴雨,集合预报产品效果较好,TS分别达到0.50和0.66,对于前汛期暴雨效果则较差,TS在0.10左右。随着预报时效增加,集合预报TS逐渐减小,预报时效72 h,前汛期集合TS下降幅度较大;预报时效72 h,后汛期集合TS下降幅度较大。对于冬季和后汛期暴雨,集合预报相对于确定性预报有明显优势,并且预报时效越长,集合TS增幅越大。对于站点降水,在广东省东部和西南部沿海地区,确定性预报对暴雨的预报能力比较欠缺,而集合预报能显著改善这些地区的暴雨预报,部分站点的TS增幅能够达到0.20以上。     

改进的ECMWF集合预报融合产品在海河流域的检验与分析

利用2012—2015年5—8月欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)集合预报在海河流域的17个降水统计量产品与对应降水实况的TS评分检验结果,设计了适合该地区的多种统计量融合技术改进方案,并对新方案进行试验评估。4个月(2016年5—8月)的逐日试验分析结果显示:对于36 h预报时效,与国家气象中心下发的产品相比,改进后的融合产品在5个降水量级的TS评分上均有一定程度提高,降低了暴雨以下量级降水的漏报率,同时消除了大暴雨的虚报区;对于60 h和84 h预报时效,改进后的产品对大雨及以下量级降水的TS评分均有所提高,降低了大雨及以下量级降水的漏报率。新方案更符合海河流域夏季降水特点,提高了该地区降水预报准确率。     

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。     

ECMWF集合预报在安徽大别山区降水预报中的检验

利用2015年6月1日至8月31日ECMWF集合预报系统(EPS)51个成员的降水预报结果,基于安徽省大别山区12个代表站点1～3 d的逐12 h降水观测资料,采用TS评分、箱须图、泰勒图等方法,研究ECMWF集合预报降水结果在安徽省大别山区降水分级预报中的应用效果。主要结论如下:ECMWF集合降水预报中,08时起报的24 h降水量和20时起报的48 h降水量可参考性较大;降水分级检验中,晴雨预报正确率在70%以上,小雨和中雨的空报率较高,对大雨以上量级的预报能力相对较差;大型降水过程中,暴雨以上量级的预报需关注不同预报时效下降水量预报的变化趋势,个别成员对极端降水的表现也值得关注。     

WRF集合预报对济南暴雨过程的检验与分析

为了将WRF集合预报更好地应用于济南大城市精细化预报,提高暴雨预报准确率,利用2013—2014年汛期济南龟山观测站和市区及历城区36个区域自动观测站的降水资料,检验WRF集合预报24h确定性降水量对暴雨的TS评分、空报率、漏报率以及平均绝对误差和均方根误差,并且检验24h暴雨概率的可信度。2013年和2014年的空报率和漏报率均较高,2013年暴雨预报TS评分明显好于2014年。确定性预报24h降水量达到30mm以上,且天气形势和各物理量满足产生暴雨的条件时,可考虑预报暴雨;低层湿度大时确定性降水最易出现暴雨空报;24h暴雨概率预报对济南局地性较强的暴雨有较好的指示意义。     

多模式降水分级最优化权重集成预报技术

为综合不同模式对不同量级降水的预报优势,设计一种全球模式与区域模式结合的降水分级最优化权重集成预报算法,集成经最优TS评分订正法（optimal threat score,OTS）订正后的欧洲中期天气预报中心降水预报产品（以下简称EC-OTS）和华东区域中尺度模式降水预报产品（以下简称SMS-OTS）。以泛长江区域（23°~39°N,101°~123°E）为研究范围,基于2018年不同降水量级的TS评分最优化确定SMS-OTS和EC-OTS在不同降水量级时的最优权重系数以及最优集成方案,并以2019年降水数据为独立样本进行预报试验。结果表明:对于最优权重系数,EC-OTS在低降水量级权重较大,随着降水量级的加大,SMS-OTS的权重也逐渐加大;最优集成方案为初始集成降水量预报取SMS-OTS,集成运算迭代3次;集成预报在几乎所有预报时效、所有降水量级的TS评分均高于EC-OTS和SMS-OTS,其平均绝对误差略小于EC-OTS,显著小于SMS-OTS;集成预报12 h累积降水预报的TS评分较省级预报员主观预报高-0.009~0.041,24 h累积降水预报的TS评分较国家气象中心预报员主观预报高0.009~0.023。     

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。     

基于多模式的巢湖降水集成预报检验及应用

利用2014年2月—2015年9月中尺度模式预报(INCA、WRF)、全球模式(ECMWF、JMA)数据,结合巢湖湖泊周边区域站降水实况,应用自适应最小二乘集成法(简称统计集成)和加权平均集成法(简称加权集成)开展多模式集成预报试验,并对统计集成和加权集成效果进行检验与分析。研究表明:1)2种集成预报比单一模式预报的误差明显降低;2)在6~24 h时效内统计集成误差比加权集成误差大,在48~72 h时效内低于加权集成;3)在小雨级别,统计集成TS评分最高,中雨以上级别,统计集成TS评分低于加权集成,加权集成正确率始终高于统计集成。     

频率匹配法在海河流域ECMWF集合预报融合产品中的应用研究

针对ECMWF(European Centre for Medium-range Weather Forecasts)集合预报,融合降水产品在海河流域的偏差特征,进行基于频率匹配法的降水偏差订正,并对订正前后降水评分结果进行了系统检验。结果表明:经过2016年5—8月逐日试验分析表明,改进后的ECMWF集合预报融合产品显著改善了原产品降水量和雨区范围偏大的特征,订正后降水预报的平均强度与实况更接近,且预报时效越长、降水量级越大、预报偏差越大改进效果越明显;改进后ECMWF的集合预报融合产品降水预报的TS评分均有一定程度的提高,降水预报的Bias评分更接近1,特别是对于小雨和暴雨、大暴雨量级的改进尤其明显,消除了大片降水虚报区;降水预报的空报率明显减小,但漏报率有所增加。     

基于三大全球集合预报系统对内蒙古降水预报能力评估

利用ECMWF、NCEP和CMC中心的1~3天7种降水集合预报产品,同时结合内蒙古119个气象站同期降水观测资料,对降水预报效果基于晴雨、降水等级划分(包括小雨、中雨、大雨以及暴雨)确定性TS评分以及空间分布特点进行了归纳总结,评估了三大全球集合预报系统在内蒙古地区的降水预报能力,为进一步开发模式预报及应用提供技术支撑。研究结果表明,ECMWF集合预报产品对内蒙古降水预报能力明显优于NEPC和CMC中心的产品。ECMWF集合预报产品24h时效下的晴雨及小雨、中雨、大雨以及暴雨预报都具有良好的预报能力,但是随着预报时效的延长至48h、72h,ECMWF集合预报产品预报能力明显降低,预报能力与NCEP和CMC中心的产品接近。24h的ECMWF集合预报产品在呼伦贝尔市、兴安盟、锡林郭勒盟、巴彦淖尔市西部、阿拉善盟地区预报效果明显较好,三大集合预报系统对内蒙古东部地区的预报能力总体偏高。      

集合预报方法在山西暴雨预报中的应用试验

利用ECMWF高分辨率确定性预报和大气模式集合预报产品,采用本地统计量融合方法和联合概率方法,对2014年山西省9次暴雨天气过程的降水预报进行检验分析。结果表明:(1)2014年山西省9次暴雨过程影响系统差异较大,强降水多集中在山西中南部地区,暴雨落区表现为区域性、局地性或大范围分散性特征;(2)本地统计量融合方法对于大雨落区的预报与实况较为接近,而联合概率预报方法的大概率范围对于暴雨落区预报具有较好的指示意义;(3)TS评分检验表明,对于区域性或局地性暴雨天气过程,可更多参考本地统计量融合方法,而对于大范围分散性的暴雨天气过程,本地统计量融合方法空报较多,ECMWF确定性预报更具参考价值。     

多模式降水资料在贵州的检验分析

本文检验了2020年3月至2021年2月ECMWF和GRAPES以及中央台格点产品（以下简称SCMOC）和省台格点产品（以下简称SPCC）4家降水预报产品逐24h未来5天在贵州的预报质量,结论如下：（1）ECMWF和SCMOC与实况的相关系数最高,SCMOC和SPCC预报降水的变化幅度较观测偏大,而GRAPES预报降水的变化幅度较观测则是明显偏小。（2）SCMOC的晴雨准确率最高,除在72h预报时效SPCC的准确率略高于SCMOC外,其余预报时效SPCC准确率均低于SCMOC,表明SPCC的订正能力需要进一步提升。（3）在小雨量级,4种降水预报产品的TS评分相差不大,ECMWF和GRAPES的ETS评分明显低于SCMOC和SPCC,其中GRAPES的TS评分在5个预报时效内均高于ECMWF。在中雨量级,前3个预报时效内ECMWF的TS和ETS评分均高于其他三家,ECMWF在5个预报时效内预报有降水的次数大于实况出现的降水次数,但空报次数并不是最多的,在后2个预报时效内,SCMOC的TS和ETS评分均是最高的,但与其他家相差不大。在大雨量级,24h和96h预报时效ECMWF的TS和ETS评分均是最高的,而在48h、72h、120h预报时效SCMOC的TS和ETS评分是最高的。在暴雨及以上量级,前3个时效内SPCC 的TS和ETS评分均是最高,且48h的TS评分空间分布也是最优的,表明SPCC对暴雨及以上量级在前3个预报时效内订正能力较好。     

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%。     

三种数值模式对山西降水预报性能的对比检验

利用MM5、T213和Grapes3种数值模式的降水预报产品和山西省108个标准测站的降水实况资料,采用客观统计检验方法,对2008年7月各模式在山西省的累加降水预报进行了对比检验。结果表明：24h中雨以下预报1、213优于MM5,中雨以上MM5则略优于T213,48h预报各级降水MM5都优于T213,T213和MM5对暴雨都有一定的预报能力。无论哪个预报时效和降水量级,Grapes均无明显优势。Grapes预报降水量级和降水范围都偏小,空报较少,漏报严重,尤其48h和72h10mm以上降水基本都漏报。MM5预报降水量级和预报范围都偏大,10mm以上降水TS评分较其它模式高,但同时空报也比较严重。3种模式TS评分均随降水量级的增大而减小,T213和Grapes的TS评分随预报时效的增加而减小,MM5的TS评分随预报时效的增加变化不大。     

基于ECMWF模式的四川夏季强降水订正试验

利用2016—2018年6—8月四川地面观测降水资料(含加密自动站)及同时段ECMWF模式各要素预报场资料,根据基于"配料法"计算所得出的3 h间隔短时强降水概率预报,统计各格点各个转换概率阈值的次数,探索了一种针对模式24 h累计降水预报的强降水订正方法,并运用该方法对2018年6—8月降水集中时段24—72 h时效ECMWF模式降水预报进行逐日试验检验。试验结果表明:(1)从大雨、暴雨降水量级综合检验指标来看,各时效订正后命中率、漏报率、TS评分均有明显改善,且随着预报时效的延长,各指标数值提高的幅度愈大。空报率虽然0—24 h、24—48 h时效预报有所增加,但空报率增加幅度远小于漏报率减小幅度;(2)从个例检验结果来看,订正后的模式预报相比订正前的预报而言,降水量级明显增加,50 mm以上降水落区预报效果有较大程度提升,尤其是0—24 h时效预报,订正后降水落区分布与实况基本一致。     

我国近海洋面10 m风速集合预报客观订正方法

利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。     

我国近海洋面10 m风速集合预报客观订正方

利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。     

安徽省ECMWF数值模式降水预报性能的检验

为了了解欧洲中期天气预报中心(European Centre for Medium-range Weather Forecasts,ECMWF)数值模式对安徽地区降水预报的性能,提高订正技巧,本文应用风险评分(Threat Score,TS)、预报偏差(BIAS)和去除随机事件后的公平T评分(Equitable Threat Score,ETS)及真实技巧评分(True Skill Statistic,TSS)等方法,对2012年1月至2015年3月安徽省ECMWF数值模式降水场预报资料进行检验。结果表明:ECMWF模式对安徽地区降水的预报性能总体较稳定,年际变化幅度较小。安徽省降水预报的ETS评分总体呈南高北低的空间分布特征,所有气象站降水均存在预报过度的现象。降水预报分级检验表明,小雨量级降水预报评分明显高于其他量级降水,但预报偏差较大,预报过度现象严重;ECMWF模式对72 h时效内的暴雨量级降水预报技巧较小,对于72 h时效后的暴雨量级降水基本没有预报能力。季节降水预报的检验表明,春季、秋季和冬季的48 h时效内晴雨预报的准确率为88%以上,订正空间较小;夏季各时效及春季、秋季和冬季168 h时效以上降水预报的空报率超过60%,可以适度订正;秋季较其他季节降水预报的漏报率略高,尤其是120 h时效以上降水的预报需关注。四季均存在降水预报过度的现象,尤以夏季最突出。ECMWF模式对安徽省降水量为0.1—0.7 mm的格点降水预报空报率较高,订正后可以明显提升预报技巧,但增加了一定漏报风险。     

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。     

2013年汛期华中区域业务数值模式降水预报检验

为充分了解华中区域中尺度业务数值预报模式更新为WRF后的预报性能,对该模式2013年汛期24 h和48 h的累积降水预报产品,采用TS评分、预报正确率、漏报率、空报率、偏差及ETS评分等统计量对其进行了较详细的评估。结果表明：从日平均降水率分布来看,24 h预报的降水中心位置和强度与实况更接近,48 h的预报明显偏大、偏强;汛期总体降水检验表明,该模式的降水预报以偏大为主,随着降水量级的增大,TS和ETS评分逐渐减小,且ETS评分逐渐靠近TS;逐月降水检验结果发现,该区域汛期月晴雨预报正确率与雨日率呈正相关;通过梅雨期WRF与GRAPES_Meso的预报对比检验可见,两个模式都表现出了较好的预报性能。值得指出的是,随着降水量级的增大,WRF模式降水预报优势逐渐显现。总的来说,该模式的降水预报产品具有一定的参考价值。