集合预报最优ETKF初始扰动方法设计及其在暴雨中的应用

为改进集合转换卡尔曼滤波方法(Ensemble Transform Kalman Filter,ETKF)在初始扰动中离散度偏小的问题,考虑引入物理不确定性。使用初始时刻离散度检验两种ETKF初始扰动方案改进的程度,通过动力和水汽条件分析探求改进机制。利用WRF模式构建更新预报系统,选取2014年5月一次暴雨个例进行集合降水预报试验,通过ETKF方法设计两种不同的初始扰动方案。结果表明:在分析循环中引入多物理扰动的初始扰动方案(multi)相比单一物理过程的初始扰动方案(mono)在初始时刻离散度和模拟动力水汽条件以及降水评分上均有较大改进。初始扰动中multi的离散度相比mono整体更优,显然添加了多物理扰动方案的试验对结果有改进作用;在对两种方案的机理分析中,multi对于降水位置的明显改善主要取决于散度及水汽通量散度模拟能力的提高;在离散度分析中,multi方案在强对流区域的改进效果比在整个区域中的更好,而对各变量的离散度和均方根误差之比相当,说明集合预报系统的合理性;对各量级预报结果评分显示,multi方案均呈现较好表现能力。     

GRAPES区域集合预报尺度混合初始扰动构造的新方案

集合预报初始扰动能否准确反映预报误差的结构特征是决定区域集合预报质量的关键因素之一。本文针对GRAPES区域数值预报模式,发展设计了一种基于资料同化思想的混合尺度初始扰动构造新方案。该方案以全球大尺度信息为背景场,区域模式预报作为观测资料,借助GRAPES三维变分同化系统,将高质量的全球大尺度信息与区域模式预报中质量较高的中小尺度信息有效融合,构造混合尺度区域集合预报初始扰动,并通过个例试验和批量试验,比较分析了新方案和原区域集合预报的性能。试验结果表明,基于资料同化构造的初始扰动能够有效融合全球大尺度信息和中小尺度天气系统的信息,其降水概率预报更具参考价值。总体上看,区域集合预报混合初始扰动新方案能够较好地改进区域集合预报质量,尤其是对高度场和温度场效果更为显著,但对风场的集合预报性能影响略小。     

随机物理倾向扰动在风暴尺度集合预报中的影响研究

为深入探究随机物理倾向扰动（Stochastically Perturbed Parameterization Tendencies,SPPT）方案在风暴尺度集合预报中的影响,基于WRF模式利用FNL资料对SPPT方案中的3个参量分别进行敏感性试验,得到SPPT方案的最佳参数配置,并在此基础上分析SPPT方案模拟的降水分布特征。结果表明:SPPT方案敏感性试验中,去相关时间选择6 h时构造的集合成员可信度更高,逐时降水评分效果在积分中后期较高,对于暴雨及以上量级的评分技巧最优;造成降水主要天气系统的维持时间对该变量的选取有较大的影响。去相关空间尺度选择100 km的集合试验更为可靠,对降水预报技巧较高;同时该变量的选取与天气过程中的大尺度信息、中小尺度系统的活跃以及模式的空间分辨率有密切联系。通过对离散度和离群值分析认为扰动振幅选择0.525最为合理。SPPT方案集合成员在局部地区可以较大幅度地改变降水量,对降水落区的准确模拟存在一定的局限性。      

风暴尺度集合预报最优侧边界条件扰动方法设计:个例分析

考虑到全球预报模式与风暴尺度预报模式在分辨率上的显著差异,在构造风暴尺度集合预报系统的时候需要用一个中间分辨率的中尺度区域模式为风暴尺度模式提供侧边界条件扰动,但如何构造侧边界扰动才能更为有效地提高风暴尺度集合预报系统的预报能力目前仍然未知。本文基于WRF模式,通过一次个例试验设计了风暴尺度集合预报中的3种不同侧边界扰动方案,结果表明:直接通过0.5°水平分辨率全球集合预报扰动插值所得到的侧边界扰动(LBC_DOWN)在预报中可以获得较高的大尺度扰动能量,而在中尺度区域模式(本文中为模式外层)中通过ETKF循环所构造的侧边界条件扰动(LBC_CYCLE)包含较高的中小尺度能量,而将LBC_CYCLE中的中尺度扰动信息与LBC_DOWN中的大尺度扰动信息相混合所得到的混合侧边界扰动(LBC_BLEND)在大尺度能量上更接近于LBC_DOWN,在中小尺度能量上更接近于LBC_CYCLE;LBC_BLEND较前两种方案有着更好的离散度技巧表现;在降水概率预报技巧方面LBC_BLEND与LBC_CYCLE较为接近,且均优于LBC_DOWN。     

不同模式扰动方案在风暴尺度集合预报中的对比试验研究

由于适用于中长期集合预报的模式扰动技术在风暴尺度集合预报系统中的影响并不明确,为探究不同模式扰动方案在风暴尺度集合预报中的效果,基于WRF模式设计了3组模式扰动方案:多物理扰动（MP）方案、随机物理倾向扰动（Stochastically Perturbed Parameterization Tendencies,SPPT）方案以及由MP方案与SPPT方案组合构建的一种新混合扰动（SPMP）方案。对2013年7月5—6日发生在江淮流域的一次强对流天气过程进行了数值模拟。结果表明:MP方案在积分前期的降水概率评分较高,对高层大气的扰动效果更为合理;SPPT方案主要作用于积分中后期,对大气低层及近地面的扰动效果最为理想,尤其是对于地面水汽场的模拟;SPMP方案能显著提高大气中高层各预报变量的离散度,降低均方根误差,提升集合成员的可信度,有效弥补降水预报评分在单独使用MP方案和SPPT方案不同积分时段的不足。在扰动水平传播方向上,SPMP方案的扰动形态主要受MP方案主导;垂直方向上,SPMP方案在低层的扰动形态与SPPT方案一致,在高层受MP方案控制。波谱能量分析表明3组方案的扰动能量随积分时间均有向大尺度传播的趋势,SPMP方案能有效补偿两种方案能量在各尺度的耗散。      

中尺度暴雨集合预报系统研发中的初值扰动试验

针对2006年5月24～25日一次暴雨过程, 通过一系列初值扰动试验探讨实际业务中建立集合预报系统的方法。运用45 km的WRF模式构建一个11个成员的集合预报系统来比较分析不同的扰动方案、 扰动的空间结构和扰动振幅对集合预报的影响, 结果表明： （1）初值扰动的空间结构对暴雨集合预报的离散度影响很关键, 而扰动振幅的影响却居次要地位。具有动力学结构的孵化扰动明显优于随机扰动。（2）集合预报比单一控制预报提供了更有价值的预报信息。例如在该个例控制预报中漏报的湖北监利强降水中心, 在集合预报中有20%的概率, 并且实况被包含在集合预报的预报范围之中。集合平均预报也明显优于控制预报\.例如矫正了在控制预报中明显虚报的鄂东北的大暴雨中心, 且集合平均预报的暴雨中心落在实际观测暴雨中心的附近。（3）集合离散度较好地反映了实际降水过程的可预报性。例如应用孵化扰动, 其离散度的空间结构同降水预报误差的空间分布大致对应。     

动力协调的扰动场在风暴尺度集合预报中的效果改进试验

利用WRF模式,对1977年5月20日发生在美国俄克拉荷马州的超级单体风暴进行理想化的集合预报试验。基于具有明确统计意义的蒙特卡洛扰动法和扰动变量动力协调性的考虑,构造了两个集合预报系统（EPS）,一个是由包含多时次扰动误差信息并能够使各个扰动变量与动力模式相协调的初始扰动场生成集合成员;一个是由蒙特卡洛扰动法生成集合成员。对比检验了两个EPS的性能,结果表明：与动力模式相协调的扰动场形成初始扰动的EPS预报效果要好于蒙特卡洛扰动法产生的EPS;Talagrand分布和离散度情况表明前者可以获得更适宜的离散度,模式对初始扰动的平滑作用更小,比后者更为合理。     

不同大尺度强迫条件下考虑初始场与侧边界条件不确定性的对流尺度集合预报试验

研究了不同大尺度强迫条件下的暴雨个例中,考虑不同尺度特征的初始扰动与侧边界扰动相互作用构造对流尺度集合预报的可行性,为进一步构建“自适应”于不同强对流天气的对流尺度集合预报系统提供依据。结果表明,在大尺度强迫显著的个例1中,以大尺度扰动信息为主的动力降尺度的增长趋势较集合转换卡尔曼滤波(ETKF)更为显著,且总扰动能量在预报中后期超过集合转换卡尔曼滤波,而在大尺度强迫较弱的个例2中,集合转换卡尔曼滤波扰动能量始终高于动力降尺度。此外,当大尺度强迫显著时,初始扰动与侧边界扰动相匹配会产生相互促进的作用,而不匹配时初始扰动会在预报中后期抑制侧边界扰动的发展,当大尺度强迫较弱时,即使是互相间不匹配的初始扰动与侧边界扰动也能在大部分预报时段起到相互促进的作用,说明初始扰动与侧边界扰动的相互作用机制不仅与天气形势相关,也与二者是否匹配挂钩,另外,扰动的发展特征同样依赖于天气形势;从集合离散度的角度来看,当大尺度强迫明显时,侧边界扰动的作用会在更短的时间内取代初始扰动,从而对离散度起到主导地位;两种初始扰动方法相比,集合转换卡尔曼滤波在多数情况下对总离散度的贡献均大于动力降尺度;从降水量预报及概率预报情况来看,大尺度强迫明显的个例可预报性更高,且各集合成员间的差异较小,大尺度强迫较弱的个例则相反,且当两种初始扰动方案与侧边界扰动相结合时,较仅侧边界扰动均有一定提高。      

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。     

风暴尺度集合成员数对预报技巧的影响

利用WRFV2.2模式,对1977年5月20日发生在美国Oklahoma的典型超级单体风暴进行集合预报试验。采用蒙特卡洛法对不同区域初值扰动,对比分析成员个数的变化对预报技巧的影响,检验集合技术应用于风暴尺度系统的可行性及应用价值。结果显示,基于WRFV2.2模式的风暴尺度集合预报（storm-scale ensemble forecasting,SSEF）能够从热力场和动力场上改善单一确定性预报,并成功预报极端降水,表明SSEF具有较高的应用和研究价值;总体上预报技巧随成员数增加而增加,当集合成员数达到5-13时,预报技巧呈饱和特征,不同变量、不同扰动区域时的饱和成员数略有差异。     

多物理ETKF在暴雨集合预报中的初步应用

基于集合转换卡尔曼滤波（ETKF）的初值扰动方法是目前集合预报领域热点方法之一,但应用在短期集合预报中仍存在离散度不够、误差较大等问题。考虑到在区域短期集合预报中,模式不确定性和边界不确定性的影响不能忽略,本文尝试在ETKF生成分析扰动的过程中,同时考虑初值不确定性、物理不确定性与边界不确定性,进而构建多初值、多物理、多边界ETKF集合,并以2010年9月30日到10月8日海南岛特大暴雨作为研究个例,对其在暴雨集合预报中的应用展开初步研究,重点分析多种物理参数化过程对预报结果的影响。结果表明,多物理过程的ETKF（多物理ETKF）和单物理过程的ETKF（单一ETKF）均优于对照预报,多物理ETKF优势更加明显,其均方根误差、离散度等指标均得到很好的改善;对于降水采用SAL方法进行检验,发现多物理ETKF对于降水位置的预报有明显的改善,对于特大暴雨的强度预报也略有改善。研究表明,在ETKF初值扰动中加入多种物理过程,可以有效改善短期集合的离散度,提高预报准确率,有良好的发展前景和应用潜力。     

Study on ETKF-Based Initial Perturbation Scheme for GRAPES Global Ensemble Prediction

Initial perturbation scheme is one of the important problems for ensemble prediction. In this paper, ensemble initial perturbation scheme for Global/Regional Assimilation and PrEdiction System (GRAPES) global ensemble prediction is developed in terms of the ensemble transform Kalman filter (ETKF) method.A new GRAPES global ensemble prediction system (GEPS) is also constructed. The spherical simplex 14-member ensemble prediction experiments, using the simulated observation network and error characteristics of simulated observations and innovation-based in ation, are carried out for about two months. The structure characters and perturbation amplitudes of the ETKF initial perturbations and the perturbation growth characters are analyzed, and their qualities and abilities for the ensemble initial perturbations are given. The preliminary experimental results indicate that the ETKF-based GRAPES ensemble initial perturbations could identify main normal structures of analysis error variance and reflect the perturbation amplitudes.The initial perturbations and the spread are reasonable. The initial perturbation variance, which is approximately equal to the forecast error variance, is found to respond to changes in the observational spatial variations with simulated observational network density. The perturbations generated through the simplex method are also shown to exhibit a very high degree of consistency between initial analysis and short-range forecast perturbations. The appropriate growth and spread of ensemble perturbations can be maintained up to 96-h lead time. The statistical results for 52-day ensemble forecasts show that the forecast scores ofensemble average for the Northern Hemisphere are higher than that of the control forecast. Provided that using more ensemble members, a real-time observational network and a more appropriate inflation factor,better effects of the ETKF-based initial scheme should be shown.     

基于动力降尺度的区域集合预报初值扰动构建方法研究

利用全球集合预报系统资料(Global Ensemble Forecast System,GEFS),基于WRF中尺度模式构建了区域集合预报系统,区域集合初值的构建采用两种方案,一种是GEFS全球集合预报初值场直接动力降尺度(称为DOWN集合),另一种是提取GEFS全球集合降尺度后的扰动场,并叠加到区域数值预报系统(北京快速更新循环数值预报系统:Beijing Rapid Update Cycle System,BJ-RUC)分析场上构建集合初值场(称为D-RUC集合)。进行了批量试验,通过对比发现D-RUC集合的中小尺度扰动增长优于DOWN集合,而大尺度扰动分量的增长两者相当,说明与高分辨率分析场叠加可以促进动力降尺度扰动的中小尺度扰动分量的增长。集合预报扰动准确性检验结果显示,短预报时效内DOWN集合扰动明显低估了预报误差,在预报误差较大的位置扰动较小,而D-RUC集合能够更好地识别预报场中哪些位置预报误差较大,而哪些位置预报误差较小。集合预报检验结果表明,D-RUC方法能显著改善短时效预报效果,集合离散度有所增加、均方根误差有所减少,概率预报评分显示D-RUC集合比DOWN集合在短预报时效占优。降水个例分析结果表明D-RUC方法能显著改善短时效内的降水概率预报效果。     

ETKF初值扰动方法中真实观测及扰动调节因子研究

目前国家气象中心业务GRAPES区域集合预报系统中集合变换卡尔曼滤波（ETKF）方法采用的是模拟观测信息，为进一步完善ETKF方法，拟对ETKF初值扰动通过引入真实探空观测资料，使扰动场能够代表真实观测的不确定信息，改善区域集合预报技巧。真实观测资料的引入会使得每日的观测数目和分布发生变化，这对ETKF方法而言可能会引起扰动振幅的不稳定，因此在引入真实观测资料的基础上设计了新的扰动振幅调节因子，通过格点空间中离散度和均方根误差关系来对初值扰动振幅进行自适应调整。从初值扰动结构、概率预报技巧以及降水预报效果等方面对比分析了基于模拟观测、真实观测以及真实观测结合新型调节因子的ETKF方案的差异，结果表明:真实探空资料能够有效应用于GRAPES区域集合预报系统中，真实观测资料与模拟观测资料相比较为稀疏，可以获得更大量级的初值扰动振幅；真实观测资料有助于提高区域集合的离散度，但对集合预报准确度以及概率预报结果的提高有限，对于降水预报效果提高也有限；新型的扰动振幅调节因子可以有效获得稳定的初值扰动振幅，并保持ETKF扰动结构，真实观测资料与扰动振幅自适应调节因子相结合，可以有效提高区域集合的概率预报结果，并有效提高降水预报效果。     

Key Deviation Analysis of Initial Fields on Ensemble Forecast in South Chinaduring the Rainfall Event on May 21, 2020

Extreme rainfall is common from May to October in south China. This study investigates the key deviation ofinitial fields on ensemble forecast of a persistent heavy rainfall event from May 20 to 22, 2020 in Guangdong Province, south China by comparing ensemble members with different performances. Based on the rainfall distribution and pattern, two types are selected for analysis compared with the observed precipitation. Through the comparison of the thermal and dynamic fields in the middle and lower layers, it can be found that the thermal difference between the middle and lower layers was an important factor which led to the deviation of precipitation distribution. The dynamic factors also have some effects on the precipitation area although they were not as important as the thermal factors in this case. Correlating accumulated precipitation with atmospheric state variables further corroborates the above conclusion. This study suggests that the uncertainty of the thermal and dynamic factors in the numerical model can have a strong impact on the quantitative skills of heavy rainfall forecasts.     

基于LAF思想的一种初始扰动生成方法及集合预报试验

在时间滞后平均法(LAF)思想的基础上,提出了一种改进的LAF方法,这种方法的思路是将不同的初始扰动叠加到模式初始场上进行不同的扰动预报,形成集合预报的成员;而不同的扰动场是通过在滞后不同时次上求取不同资料分析场之差获得。这种扰动不仅体现了不同分析场的差异,而且不同的滞后时间也体现了LAF方法的思路。然后利用经典的LAF方法及改进的LAF方法和AREM模式,分别对2004年6月14~15日安徽入梅首场暴雨过程进行了集合预报试验。结果表明,无论是雨带还是雨团位置和强度的预报,改进的LAF方法都优于经典的LAF方法。进一步研究发现,对于同一个扰动,加扰预报结果比减扰结果要好,若只选择加扰预报作集合平均,其预报结果更接近实况。     

GRAPES区域集合预报系统应用研究

为发展GRAPES(Global and Regional Assimilation and Prediction System)区域集合预报系统(GRAPES Regional Ensemble Prediction System,GRAPES-REPS),采用集合变换卡尔曼滤波(ETKF)初值扰动方法以及多物理过程组合的模式扰动方法,基于业务区域模式GRAPES_MesoV3.3.2.4构建了区域集合预报系统,进行了连续40 d的批量试验,重点分析了ETKF初值扰动的结构及其演变特征,并通过概率预报检验方法对GRAPES-REPS进行了集合预报系统性能检验和降水预报检验,分析了该系统对强降水个例的预报效果。试验结果表明,GRAPES-REPS能产生较合理的集合预报初值扰动,扰动结构随流型依赖并对观测有较好的响应,且扰动成员相互正交。扰动总能量分析表明集合扰动能够随预报时效保持合理增长状态。集合预报检验表明集合预报结果优于控制预报,集合成员间在72 h预报时效内能保持合理的集合离散度。将该区域集合预报系统与业务上基于WRF模式的区域集合预报系统WRF-REPS进行了降水预报对比,表明GRAPES-REPS的降水预报能力表现要优于业务WRF-REPS。强降水个例分析表明集合预报能较好预报出强降水中心,预报效果明显优于控制预报。     

卡尔曼滤波方法在动力延伸预报产品释用中的应用

根据月时间尺度上的降水与大气环注之间的关系,利用国家气候中心Ｔ６３模式动力延伸预报产品,应用卡尔曼波波方法对月时间尺度上降水进行了预测试验。结果表明该种模式动力产品释用方案在气候预测中具有较好的应用前景。     

The China Multi-Model Ensemble Prediction System and Its Application to Flood-Season Prediction in 2018

Multi-model ensemble prediction is an effective approach for improving the prediction skill short-term climate prediction and evaluating related uncertainties. Based on a combination of localized operation outputs of Chinese climate models and imported forecast data of some international operational models, the National Climate Center of the China Meteorological Administration has established the China multi-model ensemble prediction system version 1.0 (CMMEv1.0) for monthly-seasonal prediction of primary climate variability modes and climate elements. We verified the real-time forecasts of CMMEv1.0 for the 2018 flood season (June-August) starting from March 2018 and evaluated the 1991-2016 hindcasts of CMMEv1.0. The results show that CMMEv1.0 has a significantly high prediction skill for global sea surface temperature (SST) anomalies, especially for the El Nino-Southern Oscillation (ENSO) in the tropical central-eastern Pacific. Additionally, its prediction skill for the North Atlantic SST triple (NAST) mode is high, but is relatively low for the Indian Ocean Dipole (IOD) mode. Moreover, CMMEv1.0 has high skills in predicting the western Pacific subtropical high (WPSH) and East Asian summer monsoon (EASM) in the June-July-August (JJA) season. The JJA air temperature in the CMMEv1.0 is predicted with a fairly high skill in most regions of China, while the JJA precipitation exhibits some skills only in northwestern and eastern China. For real-time forecasts in March-August 2018, CMMEv1.0 has accurately predicted the ENSO phase transition from cold to neutral in the tropical central-eastern Pacific and captures evolutions of the NAST and IOD indices in general. The system has also captured the main features of the summer WPSH and EASM indices in 2018, except that the predicted EASM is slightly weaker than the observed. Furthermore, CMMEv1.0 has also successfully predicted warmer air temperatures in northern China and captured the primary rainbelt over northern China, except that it predicted much more precipitation in the middle and lower reaches of the Yangtze River than observation.