基于风暴尺度模式产品的暴雨最优升尺度概率预报方法研究

基于ARPS3DVAR+WRF (Advanced Regional Prediction and 3-dimensional variational System)快速同化模式对西南地区近几年发生的4次强降水过程进行模拟试验,对12 h降水预报结果采用升尺度方法,计算邻域平均预报、站点概率预报,最终形成邻域概率预报,并细致分析了这三种预报的特点与效果,讨论了升尺度窗区尺度给不同量级降水带来的影响,最后结合AROC评分与邻域空间检验FSS讨论业务概率预报应用的最佳尺度。结果表明:升尺度邻域平均预报在小雨与大暴雨量级降水上表现不稳定,对中雨的预报提高不明显,但是对大雨与暴雨预报有较好的改善效果;站点概率预报具有一定的误导性,而邻域概率预报可以弥补其缺憾,越高分辨率的模式有更多的降水样本,在降水不确定性上能给出更好的概率分级信息;相对邻域平均的升尺度预报TS检验结果,基于邻域概率的FSS和AROC分析有更好的预报技巧指导意义;36 km升尺度窗区既能消除一定程度的强降水预报不确定性,同时也可以保留适当的对流尺度特征,为最佳升尺度窗区。     

基于集合预报的中国极端强降水预报方法研究

极端强降水天气属于小概率事件,其发生具有很多不确定的因素,预报难度很大。根据Anderson-Darling检验原理研究基于集合预报资料的极端强降水天气预报方法,利用2007—2010年中国T213集合预报资料和2001—2010年6—8月中国降水观测资料,分析观测与集合预报累积概率密度分布函数的特征,建立基于集合预报与模式历史预报累积概率密度分布函数连续差异的数学模型——极端降水天气预报指数(EPFI),并对2011年7月中国极端强降水天气进行预报试验。结果表明,极端降水天气预报指数可以充分利用集合降水累积概率密度分布的尾端信息,为极端强降水提供科学合理的预报,基于中国气象局(CMA) T213集合预报的极端降水天气预报指数可提前3—7 d发出极端强降水预警信号,随着预报时效的延长,预报技巧逐渐降低。研究还表明,模式气候累积概率分布的合理性将直接影响极端强降水天气识别能力。     

WRF模式边界层参数化方案对川渝盆地西南涡降水模拟的影响

应用WRF v4.0模式五种边界层参数化方案（YSU、MYJ、MYNN2、ACM2和SH）,对2016 年汛期（5～9月）在川渝盆地东部造成暴雨的所有西南涡过程进行了数值模拟,检验评估了它们对各量级降水的预报能力,并基于加密的L波段秒级探空资料对比分析了模拟与实况边界层结构的差异,结合各方案对湍流运动的算法特点探讨了其差异的原因,最后对ACM2方案进行了湍流强度调整,由此改善其对于川渝盆地边界层与西南涡降水的模拟能力。结果表明:ACM2和YSU方案TS评分表现较好,相对其它方案ACM2空报较少,这种可以根据周围环境的稳定性切换局地或非局地算法的方案更适合于盆地西南涡降水模拟,但边界层方案对西南涡降水的空报都较普遍,尤以大量级降水更明显;精细的探空资料进一步表明,所有方案模拟的白天边界层高度都偏高,湍流混合强度都偏强。通过参数调整而降低混合强度的ACM2方案,模拟的边界层温湿结构则更符合实际观测,其边界层下部温度更低、湿度更高,减少了大量级降水的空报,使盆地西南涡降水模拟有一定改善;边界层参数化方案对西南涡模拟的差别主要体现为不同的西南涡位置与降水强度,但归根到底都源于方案的局地或非局地特性、不同的混合强度这两方面原因。因此,根据不同特定区域下垫面环境与气候状况合理选择方案的特性和混合强度是准确模拟边界层结构及其降水过程的关键。     

区域集合预报扰动方法研究进展综述

集合预报方法是解决单一数值预报不确定性问题的有效手段,而针对强天气预报的中尺度区域集合预报技术已逐渐受到国内外的重视。对于区域集合预报而言,由于其不确定性来源较为复杂,如何发展有效的扰动方法是研究的热点和难点。本文根据国内外区域集合预报的研究进展,从初值扰动、模式扰动以及侧边界扰动三个方面进行了总结和回顾,并对扰动方法的发展趋势进行了介绍。对于初值扰动,较为主流的方法有动力降尺度,沿用传统的由全球集合扰动方法发展而来的技术为区域集合产生初值,以及专门为区域集合设计的扰动方法。鉴于这些方法各有利弊,目前对于初值扰动方法的研究已经开始发展充分包含大尺度和小尺度不确定性信息的混合扰动方法。区域集合预报模式扰动的研究以物理过程扰动为主,典型方法为多物理过程组合以及随机物理过程扰动,其中多物理过程组合方法简单有效,而随机物理过程扰动方法的物理意义更为明确,是物理过程扰动的趋势。通过多模式组合进行模式扰动的方法也开展了一些相关研究,且对于台风等强天气预报均显示出相对于单模式集合较好的效果。侧边界扰动的主流方法是由大尺度集合预报场来为区域集合提供不同的侧边界,研究结果表明此种侧边界扰动方法简便易行,且有助于提高区域集合预报较长预报时效离散度和预报技巧。     

基于Xgboost算法的短时强降水预报方法

基于EC细网格模式的再分析场计算诊断参量,并结合重庆地区2011—2014年5—9月间短时强降水个例建立训练集,进而根据箱线图差异指数提出的阈值法对样本初步消空,然后通过K均值聚类和Relief算法分别重建了类别平衡的训练集,并优选了平均权重较大的参量进入模型,建立了一个以Xgboost算法为核心的重庆地区短时强降水预报模型。结果表明:(1)模型可输出概率预报或用户自定义概率阈值生成确定性预报。(2)2015年独立样本测试表明,当概率阈值取0.1时,模型的AUC为0.92,总体分类效果较好,全体样本的短时强降水TS评分可达0.3,高于EC再分析场;对其中两次个例分析表明,Xgboost方法的短时强降水客观概率预报能更好描述强降水发生的概率和落区,逐时次的预报效果仍优于EC,TS评分在0.2～0.4之间。(3)模型对近年来短时强降水过程的回报TS在0.1以上,仍然高于EC并与常规业务水平持平,具有一定参考意义。     

大黄鱼肝脏免疫保护蛋白的鉴定

本研究以大黄鱼(Larimichthys crocea)肝脏为研究对象,采用比较蛋白质组学技术分析大黄鱼免疫保护后蛋白表达水平的变化。结果发现,对照组和免疫保护组中共有20个表达水平差异显著的蛋白点,经MALDI-TOF-MS分析,获得18个差异蛋白点肽质量指纹图谱(peptide mass fingerprint,PMF),通过数据库查询,与免疫型受体、新型抗原受体等蛋白具有高度同源性。在此基础之上,进一步选取4个蛋白差异点(1、10、14和18号)进行Westen blot验证。结果表明,该4个蛋白差异点可以与所制备的抗体发生特异性的结合,且变化趋势与蛋白质组学分析结果一致。由此推测,免疫型受体等18个蛋白应该与大黄鱼免疫保护密切相关,所获研究结果为揭示大黄鱼免疫保护机理奠定了良好的基础。     

A COMBINED VERIFICATION METHOD FOR PREDICTABILITY OF PERSISTENT HEAVY RAINFALL EVENTS OVER EAST ASIA BASED ON ENSEMBLE FORECAST

Persistent Heavy Rainfall (PHR) is the most influential extreme weather event in Asian summer, which has attracted intensive interests of many scientists. By use of operational global ensemble forecasts from China Meteorological Administration(CMA), a new verification method applied to evaluate the predictability of PHR is investigated. A metrics called Index of Composite Predictability (ICP) established on very basic verification indicators, in this paper, Equitable Threat Score(ETS) of 24h accumulated precipitation and Root Mean Square Error(RMSE) of Height at 500hPa is Selected to distinguish “good” and “poor” prediction from all ensemble members. Using the metrics of ICP, the predictability of two typical PHR events in June 2010 and June 2011 is estimated. The results show that the “good member” and “poor member” can be identified by ICP and present an obvious discrepancy in predicting the key weather system which impact on PHR. The different performance of “Good member” and “Poor member” reveals the higher predictability both in synoptic scale and mesoscale weather system in their location, duration and the movement by “Good member”. The source of growth errors for “Poor” member is mainly from errors of initial conditions in northern polar region. The growth of perturbation errors and the reason to cause the better or worse performance of ensemble member also have great value for future model improvement and further research.     

基于集合预报的持续性强降水可预报性评估方法研究

利用集合预报成员初值误差在大气相空间中增长方向不同的特点,结合模式检验方法,构建持续性强降水可预报性评估指数(Index of Composite Predictability,ICP),为持续性强降水可预报性及数值预报误差增长机理研究提供科学方法。ICP综合评估指数包括三个数学模型:集合预报成员单一评估指数定义、集合预报成员综合评估指数定义和集合预报成员预报能力定义。利用中国国家气象中心T213全球集合预报资料,选取江淮流域2010年6月17—25日和2011年6月4—12日2次持续性强降水过程,进行ICP综合评估指数应用试验,其中,单一评估指数选取中雨公平成功指数ETS、500 hPa高度场均方根误差分别代表模式降水预报能力和环流形势预报能力。结果显示:可预报性评估指数ICP可有效挑选出预报最好和最差的集合预报成员,两者对持续性强降水过程的大尺度环流系统、中尺度影响系统、降水过程预报差异显著,预报最好成员对影响持续性强降水的大尺度环流形势(阻塞高压、西太平洋副热带高压和东亚大槽)的位置和强度及演变过程、低层中尺度影响系统(如切变线和西南低涡)发生发展过程预报,以及降水发生时间和落区预报与实况更接近,预报更成功,持续性强降水可预报性综合评估指数ICP合理可靠。