Validation of the effects of temperature simulated by multi-model ensemble and prediction of mean temperature changes for the next three decades in China

Using series of daily average temperature observations over the period of 1961–1999 of 701 meteorological stations in China, and simulated results of 20 global climate models (such as BCCR_BCM2.0, CGCM3T47) during the same period as the observation, we validate and analyze the simulated results of the models by using three factor statistical method, achieve the results of multi- model ensemble, test and verify the results of multi-model ensemble by using the observation data during the period of 1991–1999. Finally, we analyze changes of the annual mean temperature result of multi-mode ensemble prediction for the period of 2011–2040 under the emission scenarios A2, A1B and B1. Analyzed results show that: (1) Global climate models can reproduce Chinese regional spatial distribution of annual mean temperature, especially in low latitudes and eastern China. (2) With the factor of the trend of annual mean temperature changes in reference period, there is an obvious bias between the model and the observation. (3) Testing the result of multi-model ensemble during the period of 1991–1999, we can simulate the trend of temperature increase. Compared to observation, the result of different weighing multi-model ensemble prediction is better than the same weighing ensemble. (4) For the period of 2011–2040, the growth of the annual mean temperature in China, which results from multi-mode ensemble prediction, is above 1 °C. In the spatial distribution of annual mean temperature, under the emission scenarios of A2, A1B and B1, the trend of growth in South China region is the smallest, the increment is less than or equals to 0.8 °C; the trends in the northwestern region and south of the Qinghai-Tibet Plateau are the largest, the increment is more than 1 °C.     

多模式集合预估21世纪淮河流域气候变化情景

利用政府间气候变化委员会第四次评估报告(the Fourth Assessment Report of the Intergov-ernmental Panel on Climate Change,IPCC AR4)的14个全球气候耦合模式对中国淮河流域气温和降水的模拟能力进行了评估,预估了该地区21世纪的降水和气温变化。同时,还分析了14个气候模式对1961-1999年气温和降水的模拟能力,并且根据Taylor方法选取具有较好模拟能力的模式做集合分析。结果表明,不同的气候模式对淮河流域的气温和降水都具有一定的模拟能力,但大多数模式模拟的气温偏低、降水偏多;选取的模式集合可以明显改善模式的模拟能力,但是没有表现出明显的优势。对淮河流域降水和气温未来情景的预估表明,各模式给出的情景结果尽管存在一定的差异,但模拟的21世纪气候变化的趋势基本一致,即气温持续增加,降水出现区域性增加;还重点分析了14个模式集合的结果在2010-2039年、2040-2069年和2070-2099年3个时段的年平均、季节平均降水和气温变化及其时空变化特征,结果表明,3个时段的气温和降水在不同情景下都是逐渐增加的,A2情景下增幅最显著,B1情景下增幅最小。     

区域集合预报系统2 m温度预报的校准技术

采用非齐次高斯回归 (NGR) 技术对国家气象中心区域集合预报系统的2 m温度预报结果开展了一阶偏差和二阶离散度的校准研究。对预报结果比较详尽的检验分析表明:校准后的2 m温度预报可靠性和预报技巧均显著提高,表现为校准后集合预报成员的均方根误差与离散度更为接近;原Talagrand直方图中的“L”形分布现象得到有效改善;Brier评分、最小连续分级概率评分 (CRPS) 明显减小,相对作用特征 (ROC) 面积增大,说明校准后的2 m温度预报表现出更好的预报技能。此外,NGR技术与自适应误差订正技术的对比试验表明,NGR在消除集合平均偏差和提高集合离散度两个方面均有优势。     

最优子集回归方法在季节气候预测中的应用

利用DEMETER计划多个模式的模拟资料研究1959～2001年多模式集合预报的季节降水在中国区域的表现, 并结合最优子集回归(OSR)方法对中国区域的季节降水进行降尺度预报, 比较其与多模式集合预报的技巧。研究表明: 多个单模式在中国区域对季节降水的模拟性能普遍较差, 多元线性回归(MLR)集合的预报技巧不如集合平均(EM)。利用OSR方法进行降尺度预报可以极大改善中国区域季节降水的预报技巧。夏季, 降水距平相关系数(ACC)在长江以南、西藏以及内蒙古中部等地区提高很显著, ACC在中国区域的平均达到0.29, 明显高于多模式集合平均与多元线性回归集合。冬季, OSR方法可以改善多模式集合在中国北方地区较低的预报技巧。概率Brier技巧评分(BSS)也表明了OSR方法对季节降水预报的改善。需要说明的是, 虽然OSR方法在中国区域能明显提高季节降水的预报技巧, 但是其选取的预报因子与中国区域季节降水的物理机制问题仍有待于进一步的研究。     

基于BGM的暴雨集合预报初始扰动发展分析

基于增长模繁殖法（BGM）思想,采用AREM（新一代区域η坐标模式）,研究了暴雨过程中,初始随机扰动在繁殖循环中随时间的演变特征和发展机理。结果表明,初始扰动的演变决定于环流背景场的结构和大气中的湿物理过程。背景场不仅影响扰动的演变规律,而且决定了扰动发展的敏感区域。初始扰动随时间演变存在两个敏感区,一是背景场的大风速区,二是降水区附近。对流层高层,大风速区附近扰动得到最优发展;对流层中低层,扰动不仅沿大风速区发展,且与降水区配合较好。初始扰动发展的机理也有两种,一是大气湿物理过程引起的位势不稳定或第二类条件不稳定（CISK）;二是由风切变引起的大气动力不稳定。高层扰动的增长,以干大气的动力不稳定占优,中低层扰动的发展主要是湿物理过程的贡献,初始扰动在模式中的发展与降水的发展是同“源”的,有利于降水发展的环境也有利于初始扰动的发展,从而影响了降水的可预报性。所以利用暴雨预报模式制作集合预报时,BGM仍是可用的方法。     

基于TIGGE资料的地面气温多模式超级集合预报

基于TIGGE资料, 采用均方根误差分别对欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心和英国气象局4个中心集合预报的地面气温场集合平均结果进行检验评估, 比较各中心地面气温的预报效果。并利用超级集合、多模式集合平均和消除偏差集合平均3种方法对4个中心的地面气温预报进行集成, 同时对预报结果进行分析。结果表明: 2007年夏季日本气象厅与欧洲中期天气预报中心在北半球大部分地区预报效果最好, 各中心在不同地区预报效果不同。超级集合与消除偏差集合平均降低了预报误差, 预报效果优于最好的单个中心预报和多模式集合平均。对于较长的预报时效, 消除偏差集合平均表现出了更好的预报性能。     

集合预报产品在台风麦莎预报中的应用

为了提高集合预报效果,利用T106L19全球谱模式和增长模繁殖法对台风麦莎制作了13个成员的集合预报,并对其结果进行集合预报产品解释应用研究。首先在离散距离分簇法中,引入方差分析的方法确定分簇基础,然后对集合预报的形势场进行了分簇,相对于以往采用96小时样本为分簇基础进行分簇的方法,分簇效果提高明显,分簇结果能给出台风移动的几种可能路径及其概率;其次对要素随时间的演变利用系统聚类法进行了分类,根据分簇平均图可以确定几个可能的台风登陆地点,制作了这些特殊点要素分类烟羽图,通过分析要素随时间的演变特征,提高对台风登陆地点和时间的预报精度;最后制作了盒须图,通过盒须图中数据组主体以外的数据点,确认出值得注意的一些特殊集合成员的预报结果,减少了小概率事件的漏报率。研究结果表明,将方差分析引入离散距离分簇法,要素烟羽聚类法以及盒须图的应用有利于提高和改善集合预报效果,集合预报产品解释应用效果得到改进。     

基于TIGGE数据的我国寒潮自动识别预报方法

利用1951—2006年中央气象台寒潮天气过程数据以及NCEP/NCAR 500 hPa高度场等逐日再分析资料,通过客观聚类方法与主观对比分析确定寒潮爆发的典型形势场,结合寒潮过程特征量阈值,建立了基于TIGGE集合预报产品的寒潮自动识别客观预报方法,并利用TIGGE集合预报数据对2008年1月和2009年1月两次寒潮天气过程进行预报试验。结果表明:利用500 hPa高度距平场进行聚类分析,一方面可以消除环流季节特征对划分结果的影响,另一方面也突出了寒潮这种强天气的异常扰动表现;基于集合预报产品的寒潮自动识别预报方法浓缩了集合预报产品信息,可直接为预报员提供寒潮发生的概率预报,从而在集合预报产品与我国实际灾害性天气之间建立了直接联系。     

Current status of ENSO prediction skill in coupled ocean–atmosphere models

The overall skill of ENSO prediction in retrospective forecasts made with ten different coupled GCMs is investigated. The coupled GCM datasets of the APCC/CliPAS and DEMETER projects are used for four seasons in the common 22 years from 1980 to 2001. As a baseline, a dynamic-statistical SST forecast and persistence are compared. Our study focuses on the tropical Pacific SST, especially by analyzing the NINO34 index. In coupled models, the accuracy of the simulated variability is related to the accuracy of the simulated mean state. Almost all models have problems in simulating the mean and mean annual cycle of SST, in spite of the positive influence of realistic initial conditions. As a result, the simulation of the interannual SST variability is also far from perfect in most coupled models. With increasing lead time, this discrepancy gets worse. As one measure of forecast skill, the tier-1 multi-model ensemble (MME) forecasts of NINO3.4 SST have an anomaly correlation coefficient of 0.86 at the month 6. This is higher than that of any individual model as well as both forecasts based on persistence and those made with the dynamic-statistical model. The forecast skill of individual models and the MME depends strongly on season, ENSO phase, and ENSO intensity. A stronger El Niño is better predicted. The growth phases of both the warm and cold events are better predicted than the corresponding decaying phases. ENSO-neutral periods are far worse predicted than warm or cold events. The skill of forecasts that start in February or May drops faster than that of forecasts that start in August or November. This behavior, often termed the spring predictability barrier, is in part because predictions starting from February or May contain more events in the decaying phase of ENSO.     

风暴尺度天气下利用集合卡尔曼滤波模拟多普勒雷达资料同化试验I.不考虑模式误差的情形

本文在假定模式无偏差的情况下, 利用一次风暴过程的模拟多普勒雷达资料进行一系列风暴天气尺度的集合卡尔曼滤波资料同化试验, 检验集合卡尔曼滤波在风暴天气尺度资料同化方面的效果, 并验证各集合卡尔曼滤波参数对同化效果的影响。试验结果表明, 集合卡尔曼滤波能有效地应用于风暴尺度的资料同化; 40个集合成员以及6 km的局地化尺度能较好地滤除采样误差造成的虚假相关, 同时可以将观测信息传递到无观测的模式格点; 利用背景场加上空间平滑的高斯型随机扰动生成初始成员的方式较未经过平滑的方式有更好的分析效果; 背景场扰动方法能够提高样本的离散度; 只同化反射率的同化试验表明, 反射率的同化效果较明显, 也证明了集合卡尔曼滤波在非常规资料同化中的作用; 增加径向风资料同化的效果优于只进行反射率同化的结果。