Experiments with the Improved Dynamical-Statistical-Analog Ensemble Forecast Model for Landfalling Typhoon Precipitation over South China

In recent work, three physical factors of the Dynamical-Statistical-Analog Ensemble Forecast Model for Landfalling Typhoon Precipitation (DSAEF_LTP model) have been introduced, namely, tropical cyclone (TC) track, TC landfall season, and TC intensity. In the present study, we set out to test the forecasting performance of the improved model with new similarity regions and ensemble forecast schemes added. Four experiments associated with the prediction of accumulated precipitation were conducted based on 47 landfalling TCs that occurred over South China during 2004-2018. The first experiment was designed as the DSAEF_LTP model with TC track, TC landfall season, and intensity (DSAEF_LTP-1). The other three experiments were based on the first experiment, but with new ensemble forecast schemes added (DSAEF_LTP-2), new similarity regions added (DSAEF_LTP-3), and both added (DSAEF_LTP- 4), respectively. Results showed that, after new similarity regions added into the model (DSAEF_LTP-3), the forecasting performance of the DSAEF_LTP model for heavy rainfall (accumulated precipitation ≥250 mm and ≥100 mm) improved, and the sum of the threat score (TS250 + TS100) increased by 4.44%. Although the forecasting performance of DSAEF_LTP-2 was the same as that of DSAEF_LTP-1, the forecasting performance was significantly improved and better than that of DSAEF_LTP-3 when the new ensemble schemes and similarity regions were added simultaneously (DSAEF_LTP-4), with the TS increasing by 25.36%. Moreover, the forecasting performance of the four experiments was compared with four operational numerical weather prediction models, and the comparison indicated that the DSAEF_LTP model showed advantages in predicting heavy rainfall. Finally, some issues associated with the experimental results and future improvements of the DSAEF_LTP model were discussed.     

亚洲热带气候态夏季风涌传播特征及其对中国降水的影响

基于1979—2020年逐日的NOAA向外长波辐射资料、NCEP/NCAR再分析风场资料,以及全球CMAP再分析降水资料,探讨了气候态亚洲热带夏季风涌的传播过程及与我国夏季相应的降水联系。分析结果表明,主汛期亚洲热带气候态夏季风季节内振荡(CISO)活动是亚洲夏季风活动的主要特征,随时间北传的亚洲热带夏季风CISO称为亚洲热带夏季风涌,主要有南亚夏季风涌和南海夏季风涌。亚洲热带夏季风涌的传播可分为四个阶段。在亚洲热带夏季风涌的发展阶段,印度洋区域低频气旋与对流活跃,孟加拉湾和南海热带区域被低频东风控制,我国大部分地区无降水发生,降水中心位于两广地区。当进入亚洲热带夏季风涌活跃阶段,孟加拉湾和南海热带地区低频气旋和对流活跃,东亚低频“PJ”波列显著,我国降水中心北移到长江以南的附近区域。亚洲热带夏季风涌减弱阶段,孟加拉湾与南海低频气旋消亡,对流减弱,低频西风加强,日本南部附近为低频反气旋控制,我国长江中下游低频南风活跃,降水中心也北移到长江中下游地区,而华南地区已基本无降水,此阶段的大气低频环流场与亚洲热带夏季风涌发展阶段基本相反。进入亚洲热带夏季风涌间歇阶段时,孟加拉湾和南海热带地区低频反气旋活跃,对流不显著,日本南部附近的低频反气旋北移减弱,我国东部基本在低频南风的控制下,降水中心也逐步北移到华北-朝鲜半岛一带,此时的大气低频环流场与亚洲季风涌活跃阶段基本相反。      

一次模态变异中尺度对流系统的模拟与分析

利用NCEP FNL分析资料及南京多普勒雷达观测,借助WRF模式,对2017年8月19日发生在长江中下游地区的一次中尺度对流系统(MCS)进行模拟和诊断分析。此次MCS组织模态PS(Parallel Stratiform)型和TS(Trailing Stratiform)型共存,开始为带状结构,最后演变为强弓状飑线。气旋切变和低空急流是此次过程的重要影响系统,而午后强烈发展的地面锋触发了此次强对流。在垂直风切变和冷池共同作用下,西侧初始对流发展为PS型模态,东侧发展为TS型模态。由于PS型模态的中低层垂直风切变发生转向,导致其消散。TS型模态附近冷池和垂直风切变相配合,且在后向入流(Rear Inflow Jets,RIJ)作用下发展成为强弓状飑线;RIJ受中低层涡旋对影响而发展增强,其中气旋式涡旋主要由涡度方程中拉伸项决定,而反气旋式涡旋则主要由倾侧项决定。      

台风大风预报研究回顾

大风是台风引发的三大灾害之一,考虑到现有的台风大风研究相对较少、预报经验也比较不足,因此对其预报方法进行回顾总结具有十分重要的意义。从经验预报、统计预报、数值模式预报及数值预报产品释用等4个方向梳理了台风大风预报技术的研究与应用现状:天气图、卫星云图和雷达图是经验预报中非常重要的工具;统计预报根据方法的不同可细分为回归预报、客观相似预报和气候持续性预报;数值模式预报方面,国内外多家机构都研发了相应的台风大风预报产品;数值预报产品的释用目前则包含了动力释用、统计释用和人工智能释用。同时总结了上述4类预报方法各自的优势和不足。最后,讨论了未来研究与实际业务中进一步提高台风大风预报能力的可能发展方向。     

三江源地区降雪量演变特征及其对径流的影响

利用1961-2019年三江源地区19个气象台站逐日气温、降水量等气象观测数据,分析了三江源地区降雪量、降雪日数和雪雨比的时空演变特征及其对径流量的影响。结果表明：（1）1961-2019年三江源地区平均降雪量为146.5 mm,降雪量以14.8 mm·（10a）^-1的速率在减少,1985-1999年为降雪量偏多期,2000年以来为降雪量偏少期;（2）三江源地区年平均雪雨比以4.0%·（10a）-1的速率在减少,长江源区西部及黄河源区西部是雪雨比减少最为明显的区域,其余地区减少速率相对缓慢;（3）三江源地区年平均降雪日数为91天,曲麻莱、五道梁、沱沱河一带以及黄河源区中西部是降雪日数的大值区,降雪日数以14 d·（10a）^-1的速率在减少,黄河源区西部是降雪日数减少最为明显的区域;（4）三江源地区各月降雪量及降雪日数均呈双峰型分布,降雪量和降雪日数最多出现在5月,小雪易出现在3月或4月,中雪和大雪以上量级在秋末、春季出现的概率最高;（5）随着海拔的抬升,降雪量和降雪日数增加,随经度的增加而减少;冷季降雪量多的年份,径流量也随之增大,且径流量相...     

三江源区域夏季降水异常的水汽输送及源地特征的研究

三江源作为中国长江、黄河、澜沧江三条大河的发源地,其水汽来源和输送对于下游地区的天气和气候具有重要影响。根据1994-2019年三江源地区的夏季降水数据表明,三江源地区的夏季7月降水量表现为多次的正负异常交换特征,正异常最强的为2012年（+1290 mm）,负异常最强的为2015年（-802 mm）。本研究在此异常时段采用基于拉格朗日方法的FLEXPART模式进行模拟,后向追踪在研究时段内所有到达三江源区域的气块,着重分析了三江源在降水异常时段的水汽输送特征和水汽源地并评估了不同水汽源地对三江源区域内降水的贡献率。结果表明：三江源的水汽输送通道主要为南北两支,在降水正异常时段通过南支输送从青藏高原北侧、西侧和南侧进入三江源为主,在降水负异常时段通过北支输送从青藏高原北侧进入三江源为主,三江源的降水量越小,南支输送越弱,北支输送越强。三江源的潜在水汽源地对三江源区域内降水贡献最为重要的是青藏高原北侧,其次是青藏高原西侧和三江源本地,还有部分源地为青藏高原南侧、阿拉伯海和孟加拉湾。青藏高原北侧在三江源降水负异常期间对三江源降水的贡献率有所增加,而其他水汽源地的贡献率减小。     

中国60城市站1901—2019年日降水数据集的构建

近年来中国区域降水的极端化问题得到学术界的广泛关注,有关研究也获得了大量成果。但是,目前国内外常用的高分辨率降水资料序列多从1951年左右开始,普遍缺少20世纪早期中国的逐日降水资料,对于近一百多年中国极端降水变化特征及其机理,目前还不清楚。基于多来源的1901—1950年原始观测报表数字化逐日降水资料,补充先前未录入的“无降水”和缺测数据,研发质量控制方案并开展质量控制,补充录入检出的缺失和错误数据并再次质控,结合1951年以来的现代降水日值资料,建立中国60个城市站1901—2019年降水日值数据集。数据集评估结果显示,早期中国东部地区的台站较为密集,数据完整性和正确性较好,但中国西部的台站数量少且完整性和正确性偏低。本数据集构建的年总降水量累积值序列与已有的月降水量数据基本一致。基于该数据集,研究发现重庆站近百年来的降水未出现显著的趋势性变化。该数据集使后续分析研究中国极端降水的百年尺度长期变化特征成为可能。     

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。