降水落区多模式超级集合预报系统

利用多个数值模式的雨量预报集合为站点雨量预报初值,遵循预报员对降水预报分析的思路,将其以系统、能量、水汽、地形等因子对降水所作的定性预报分析结论转换为因子信度,利用因子信度对站点雨量预报初值作增减的强迫运算,并将地面站点上的相关要素转换为强迫系数,再次对站点雨量预报值作增减的强迫运算,由此得出包含多模式集合预报值、人对诸多定性因子分析信息、站点地面要素差异等综合因素的站点雨量定时定量预报值,从而实现降水客观、定点、定量预报.     

多模式短期集合降水概率预报试验

利用AREM、MM5和WRF3个中尺度数值模式,通过积云参数化和边界层方案组合构成15个集合成员,对中国2003年7月汛期降水分别采用平均法、相关法、Rank法开展多模式短期集合降水概率预报试验。结果表明：用上述3种方法制作的多模式短期集合概率预报都能对降水落区及中心做出较准确的预报,但平均法和相关法易使降水落区虚假放大,Rank法则能较好地刻画降水落区边界及强度,其概率预报效果优于平均法和相关法结果。采用BS（Brier score）、RPS（ranked probability score）评分和ROC（relative operating characteristic）曲线对3种方法的降水概率预报效果评价时发现,对某一临界值等级的概率预报,3种方法结果差异较小;但对某一天降水概率预报结果的综合评价表明,Rank法显著优于前两种方法;降水强度大、范围广的降水的RPS评分和各级的BS评分较高,表明多模式降水概率预报也具艰巨性。     

基于多模式短期集合预报技术的热带气旋降水预报试验

利用中尺度AREM和WRF模式为试验模式,由对降水预报结果影响颇大的积云和边界层参数化方案构成的10个集合预报成员,开展有限区域多模式短期集合预报在热带气旋降水预报中的应用与研究.分别研究了单个模式集合预报和多模式集合预报在热带气旋"天鹅"(0907)降水预报中的应用.试验结果表明:(1) WRF模式集合预报效果整体上...     

AREM模式两种初值扰动方案的集合降水预报试验及检验

基于我国科学家自主开发的AREM区域中尺度模式,考虑模式初值的不确定性,初步建立起11个成员37 km分辨率覆盖全国大部地区的短期集合预报系统。采用两套初值扰动试验方案(降尺度方案和BGM方案)分别进行了批量试验,试验结果表明:(1)通过对集合预报离散度和概率预报的检验,表明采用区域模式自身孵化循环产生的初始扰动明显优于直接使用全球集合预报提供的初始扰动。(2)无论采用哪种初值扰动方案,基于集合预报方法的集合平均预报、概率预报等均优于单一的确定性预报和业务预报。(3)离散度与集合平均预报误差的面平均有较好的对应关系;离散度与预报误差的空间相关系数平均为40%～45%。(4)目前集合预报系统离散度与预报误差相比偏小,其部分原因在于没有考虑模式物理过程的不确定性,这将在下一步的工作中逐步改进。     

成都区域气象中心高低分辨率η模式降水预报检验分析

利用成都区域气象中心η坐标模式，对2002年汛期及主要降水过程进行了η坐标模式降水预报检验，对典型个例进行了详细的分析。结果表明：模式对夏季区域性过程有较强的预报能力，模式预报雨量中心强度有50％与实况相差小于25毫米。模式对晴雨预报有较好的指导意义，对降水强度的预报通常偏弱，对落区的预报位置易偏西、偏北。模式易漏报不易空报，当模式预报有较大量级的降水时，实况出现的概率很大，但要注意落区的位置。高分辨率模式在降水中心强度的预报较低分辨率模式接近实况，低分辨率模式在降水落区和中心位置预报上较接近实况。     

2003年江淮汛期多模式短期集合预报方法研究

利用AREM、MM5和WRF模式为试验模式,由对短期天气预报结果影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,开展有限区域多模式短期集合预报在我国汛期时段的应用与研究.分别研究了单个模式集合预报和多模式集合预报在2003年汛期(7月)预报中的应用,预报对象主要包括降水、500 hPa位势高度和700 hPa相对湿度.试验结果表明:(1) 由AREM、MM5和WRF模式构成的多模式集合对以上要素的集合预报总体效果比其任一单个模式的集合预报效果好;(2) 对于降水的集合预报,单个模式的集合平均结果对多模式集合预报效果有影响.且对于不同的降水临界值影响不同;当降水临界值较小时,单模式集合平均结果对多模式集合效果影响较小;当降水临界值较大时,影响较大,甚至可以影响多模式集合的集合平均预报成败;(3) 对于降水、500 hPa位势高度和700 hPa相对湿度,其单个模式以及多模式的48 h集合预报对确定性预报的改善度都比24 h的显著.(4) 对于形势预报和相对湿度预报,多模式集合预报效果明显比同期T213模式的预报水平高.     

Multi-model ensemble forecasting of 10-m wind speed over eastern China based on machine learning optimization

风对人类活动和电力运行有重大影响,准确预报短期风速具有深远的社会和经济意义.基于中国东部100个站点,本研究首先评估了5个业务模式对10米风速的预报能力,日本气象厅JMA模式在减少预报误差方面表现最好.进一步,利用5种数值模式和多种机器学习方法,将动力和统计相结合,对每个站点分别进行了特征工程和机器学习算法优选,建立了10米风速多模式集成预报模型.针对24至96小时预报时长,将该方法的预报性能与基于岭回归的多模式集成和JMA单模式进行比较.结果表明,基于机器学习优选的多模型集成方法可以将JMA模式的预报误差降低39%以上,预报效果的提升在11月最明显.此外,该方法优于基于岭回归的多模式集成方法.     

Dynamic analogue initialization for ensemble forecasting

This paper introduces a new approach for the initialization of ensemble numerical forecasting: Dynamic Analogue Initialization (DAI). DAI assumes that the best model state trajectories for the past provide the initial conditions for the best forecasts in the future. As such, DAI performs the ensemble forecast using the best analogues from a full size ensemble. As a pilot study, the Lorenz63 and Lorenz96 models were used to test DAI’s effectiveness independently. Results showed that DAI can improve the forecast significantly. Especially in lower-dimensional systems, DAI can reduce the forecast RMSE by ～50% compared to the Monte Carlo forecast (MC). This improvement is because DAI is able to recognize the direction of the analysis error through the embedding process and therefore selects those good trajectories with reduced initial error. Meanwhile, a potential improvement of DAI is also proposed, and that is to find the optimal range of embedding time based on the error’s growing speed.     

长江上游流域面雨量预报系统

以T213数值预报产品降水格点为基础,采用权重方法和逐次订正法计算,然后根据统计、经验、模式等方法订正来预报单站降水,采用泰森多边形法计算长江上游流域面雨量的"四川省气象台长江上游流域面雨量预报系统".     

长江上游流域面雨量预报系统

以T213数值预报产品降水格点为基础，采用权重方法和逐次订正法计算，然后根据统计、经验、模式等方法订正来预报单站降水，采用泰森多边形法计算长江上游流域面雨量的“四川省气象台长江上游流域面雨量预报系统”。     

ECMWF集合预报产品在重庆暴雨预报中的检验与应用北大核心

利用重庆地区34个国家气象站降水资料和ECMWF集合预报降水资料,系统检验和评估了集合预报统计量产品及后处理技术产品对2014—2016年5—9月重庆暴雨的预报性能。结果表明:集合统计量产品中最大值、90%分位数、融合产品、概率匹配平均、75%分位数对暴雨预报有一定参考性,其中90%分位数和融合产品对暴雨落区预报较好,最大值对暴雨强度预报有一定指示意义,但表现为明显的湿偏差。集合预报后处理技术产品的暴雨TS评分较控制预报和集合平均有明显提高,其中概率预报、最优百分位、融合—概率匹配、频率匹配法的暴雨TS评分超过最大值,对暴雨强度预报具有较好的指导意义,其预报偏差均表现为湿偏差,融合—概率匹配和频率匹配法对暴雨落区预报较好,概率匹配—融合对降低暴雨空报率较好。     

Multi-model MJO forecasting during DYNAMO/CINDY period

The present study assesses the forecast skill of the Madden–Julian Oscillation (MJO) observed during the period of DYNAMO (Dynamics of the MJO)/CINDY (Cooperative Indian Ocean Experiment on Intraseasonal Variability in Year 2011) field campaign in the GFS (NCEP Global Forecast System), CFSv2 (NCEP Climate Forecast System version 2) and UH (University of Hawaii) models, and revealed their strength and weakness in forecasting initiation and propagation of the MJO. Overall, the models forecast better the successive MJO which follows the preceding event than that with no preceding event (primary MJO). The common modeling problems include too slow eastward propagation, the Maritime Continent barrier and weak intensity. The forecasting skills of MJO major modes reach 13, 25 and 28 days, respectively, in the GFS atmosphere-only model, the CFSv2 and UH coupled models. An equal-weighted multi-model ensemble with the CFSv2 and UH models reaches 36 days. Air–sea coupling plays an important role for initiation and propagation of the MJO and largely accounts for the skill difference between the GFS and CFSv2. A series of forecasting experiments by forcing UH model with persistent, forecasted and observed daily SST further demonstrate that: (1) air–sea coupling extends MJO skill by about 1 week; (2) atmosphere-only forecasts driven by forecasted daily SST have a similar skill as the coupled forecasts, which suggests that if the high-resolution GFS is forced with CFSv2 forecasted daily SST, its forecast skill can be much higher than its current level as forced with persistent SST; (3) atmosphere-only forecasts driven by observed daily SST reaches beyond 40 days. It is also found that the MJO–TC (Tropical Cyclone) interactions have been much better represented in the UH and CFSv2 models than that in the GFS model. Both the CFSv2 and UH coupled models reasonably well capture the development of westerly wind bursts associated with November 2011 MJO and the cyclogenesis of TC05A in the Indian Ocean with a lead time of 2 weeks. However, the high-resolution GFS atmosphere-only model fails to reproduce the November MJO and the genesis of TC05A at 2 weeks’ lead. This result highlights the necessity to get MJO right in order to ensure skillful extended-range TC forecasting.     

国家气象中心集合数值预报业务系统的发展及应用

利用ECMWF集合预报对2016年6月11—12日发生在长三角地区的一次暴雨过程进行了分析,并对集合“好” “坏”两类成员的预报结果进行了对比。分析表明：集合预报对本次暴雨过程具有比较好的预报能力,集合平均预报效果要优于确定性预报,其雨量预报的增大趋势对暴雨的预报具有一定的指示意义;高分位数集合成员对于暴雨预报有比较好的参考价值,尤其是在预报时效还较长的时候,如果连续多起报时次高分位数集合成员都预报出暴雨,以及低分位数集合成员的雨量预报呈现逐渐增大趋势,预示着暴雨的可能性在增大,有助于暴雨预报的决策;对天气系统和气象要素的预报差异是造成“好”“坏”两类集合成员对本次暴雨过程模拟效果差异的主要原因,对500 hPa高空槽、850 hPa低涡及其切变线、西南气流和偏东气流的模拟是决定“好”“坏”两类集合成员模拟效果的关键因素。

     

提高月预报业务水平的动力相似集合方法

针对基于大气环流模式的月预报问题,提出了一种能有效减小预报误差并提高预报技巧的动力相似集合预报新方法。该方法着眼于动力模式与统计经验的内在结合,在模式积分过程中通过提取大气环流历史相似性信息,对模式误差进行参数化处理,形成多个时变的相似强迫量来扰动生成预报的集合成员。将这一集合新方法应用到中国国家气候中心业务大气环流模式(BCC AGCM1.0),一组10 a准业务环境下回报试验结果显示,相比于业务集合预报,动力相似集合预报方法能有效改进模式对于大气环流的纬向平均、超长波和长波预报,从而有效提高了月平均环流预报技巧(几乎达到业务可用标准)和逐日环流预报技巧,并显著降低了预报误差,合理增加集合离散度,使二者配置关系得以改善,有望在业务预报中应用。