CFSv2在湖北省梅雨特征量延伸期预报中的应用

利用NCEP的气候预报系统第二版(CFSv2)提供的逐日降水模式资料,采用集合预报方法开展区域性夏季降水预报,使用出入梅日期均方根误差(RMSE)、准确率(ACCU),梅雨期长度均方根误差(RMSE)及梅雨雨强距平符号一致率(Pc)等3种方法评估模式资料对湖北省梅雨特征量的预报能力。结果表明:入梅预报提前13 d的ACCU可达0.5以上、RMSE小于3 d,出梅预报提前14 d的ACCU可达0.5以上、RMSE小于3 d,梅雨期长度预报提前14天的RMSE小于5 d,梅雨雨强预报提前14 d的Pc可达0.5以上。梅雨特征量总体预报时效为14 d左右,CFSv2模式资料对区域性夏季降水在梅雨延伸期时段表现出一定的预报技巧。     

贵州望谟河流域径流量的延伸期预报试验

由于极端天气事件导致灾害频发,为延长洪水预见期,以望谟河流域为例,利用DEM数字高程资料、土地利用数据、土壤数据、气象数据等驱动SWAT水文模型,对流域水文循环过程进行了模拟,并采用2016～2018年逐日和2010～2018年逐月望谟水文监测站实测径流数据进行了率定和验证。同时基于CFSv2模式,采用双线性插值法得到延伸期时段望谟站2019年6月1日起报的未来45d的降水预报产品,与实况数据作对比分析,并与SWAT模型耦合进行了延伸期时段的径流量耦合预报。结果表明:(1)望谟河流域日尺度模拟中,率定期确定系数R2和Nash-Sutcliffe系数NSE均为0.75,验证期R2=0.61,NSE=0.55,月尺度模拟中,率定期R2=0.85,NSE=0.81,验证期R2=0.80,NSE=0.74,无论日尺度或月尺度,百分比偏差PBIAS的绝对值均在5%以内,模拟效果较好,可满足应用要求;(2)以2019年6月1日为起报日得到的CFSv2未来10～45d降水数据,CFSv2降水预报过程与实况趋势总体一致,强降水过程时段偏差在1～3d左右,但日降水量级的预报值偏小,说明需对CFSv2模式产品进行系统误差订正。基于SWAT模型与CFSv2降水预报产品的径流量耦合预报在未来10～15d内的变化趋势与实测值一致,尤其在未来10d左右模拟趋势效果最好;(3)对比6月10～13日不同起报日的降水数据,4个起报时刻对于未来10d强降雨过程均有稳定的预报信号,以6月10日作为起报日的径流量耦合预报于提前10～20d效果较为稳定,但由于降水预报量级偏小,致使径流量的模拟量级也偏小。研究成果为延伸期时段水文气象耦合模式的洪水预报试验研究提供了参考。      

CFSv2模式产品对贵州一次区域暴雨过程的预报能力分析

基于美国国家环境预报中心提供的CFSv2未来45 d的气候模式产品资料、NCEP/NCAR再分析逐日资料和贵州省85个地面气象观测站的逐日降水资料,评估了CFSv2延伸期时段降水量预报产品对贵州省2019年6月5—9日区域暴雨过程的预报能力。结果表明,CFSv2在提前15～10 d时段对贵州区域暴雨过程的预报能力较好,对6月8日最大降水日的预报信号稳定、持续。通过500 hPa环流形势的预报场与实况场的对比分析,发现影响暴雨过程预报量级偏小的原因主要在于西太平洋副热带高压预报的强度偏小、位置偏南。     

基于CFSv2.0西南地区机场10-30天延伸期预报产品设计与实现

延伸期逐日预报对于民航属于新兴气象业务。针对民航运行服务需求,根据CFSv2.0气候模式预报产品,运用双线性站点插值技术,基于5天集合滑动平均和实况报文订正方案生成10-30天西南地区各机场延伸期逐日最高温度、最低温度、降水量和风向风速的时序柱状曲线预报产品。选取2020年冬季双流机场和贵阳机场明显的降温和降水过程进行预报效果检验,结果表明：机场延伸期逐日预报产品表现出较好的预报性能,能平均提前16天预报降温过程,提前20天预报降水过程。与实况数据相比,降温和降水预报的时段、强度略有偏差,但预报的变化趋势基本一致。     

基于CFSv2.0西南地区机场10～30 d延伸期预报产品设计与实现

延伸期逐日预报对于民航属于新兴气象业务。针对民航运行服务需求,根据CFSv2.0气候模式预报产品,运用双线性站点插值技术,基于5 d集合滑动平均和实况报文订正方案生成10～30 d西南地区各机场延伸期逐日最高温度、最低温度、降水量和风向风速的时序柱状曲线预报产品。选取2020年冬季双流机场和贵阳机场强降温和持续性降水过程进行预报效果检验,结果表明：机场延伸期逐日预报产品在强降温与持续性降水预报方面表现出较好的预报性能,能平均提前16 d预报强降温过程,提前20 d预报持续性降水过程。与实况数据相比,强降温和持续性降水预报的时段、强度略有偏差,但预报的变化趋势基本一致。     

NCEP CFSv2模式对川渝夏季降水次季节预测技巧评估及预报偏差分析

利用NCEP的第二代气候预测系统(CFSv2)提供的2000-2009年降水场历史回报试验资料以及川渝182个测站的降水实况资料。采用时间相关系数、均方根误差、距平相关系数、距平符号一致率以及PS评分等方法,对模式在川渝地区夏季降水以及夏季降水异常的次季节尺度预测技巧进行检验,并进一步分析了模式在概率密度和降水频次方面的预报偏差特征。结果表明：该模式对川渝夏季降水的可用预报时效为3候左右,能够较好地模拟出夏季降水的高值中心,但量级偏大。预报技巧高值区主要位于四川盆地西北部及渝东北地区,对攀西地区南部及川西高原部分地区也有一定的预报技巧。该模式也能够较好地把握川渝地区夏季降水异常偏少的趋势,有效预报技巧为2候以内。模式各时效预报与观测的降水概率密度主要集中在10 mm以下量级;模式预报各量级降水频次与实况相比均偏高得较为明显,且随着预报时效延长,偏差越大,其中偏高最为明显的是小雨频次。     

CFSv2模式延伸期逐日预报对强降温过程的预测能力评估

利用CFSv2模式的延伸期逐日预报,分析了CFSv2模式对2017年冬季黑龙江省发生的三次强降温过程预测能力。结果发现CFSv2可以提前10 d以上预报出黑龙江省冬季的强降温过程,发现模式对第一次的强降温过程的预测效果要好于第二次和第三次的预测效果。针对CFSv2延伸期逐日预报来说,需要综合分析连续几日的预报时段内的逐日信息,才能确定是否发生强降温过程。CFSv2逐日预报对黑龙江省冬季的强降温过程的预报能力有一定的技巧,但预报能力还是有限,为了有效提升预报准确率,还必须提高CFSv2模式对北半球中高纬环流的预测技巧和研发与之相适应的解释应用技术。     

基于DERF2.0模式产品对单站旬、月极端降水日数的预测

该文利用1951—2013年贵阳站逐日降水量观测资料分析其极端降水日数的气候特征,结合DERF2.0月动力延伸预测模式输出的500 h Pa高度场格点资料,将高度距平场与该站极端降水日数距平值利用线性回归及逐步回归的方法建立5月26日起报1~40 d的预测模型,并对预测效果进行检验。结果表明:贵阳站20世纪80年代中期至90年代中期是极端降水日数偏多的时段,其余时段呈现偏少特征,在21世纪10年代之后极端降水日数呈增加趋势;影响贵阳站各旬极端降水日数的天气系统在月内具有阶段性的调整和变动,相比月尺度大气环流信号的稳定性较弱;对比固定时段建模和滑动时段建模下极端降水日数的预测结果,发现固定时段建模的预测结果与实况较为一致,尤其是月尺度预测值与实况值的相关系数较稳定,旬尺度预测值与实况值的稳定性较弱。     

基于集合成员订正的强降水多模式集成预报

基于TIGGE资料集下欧洲中期天气预报中心（ECMWF）、日本气象厅（JMA）、英国气象局（UKMO）、美国国家环境预报中心（NCEP）和中国气象局（CMA）5个气象预报中心2016年5月1日—8月31日中国地区逐日起报预报时效为24~168 h的24 h累积降水量集合预报的结果,对各个集合预报成员进行了频率匹配法的订正,并对订正前后的多模式集成预报效果进行评估。结果表明:采用频率匹配法订正后的降水预报,有效改善了集合平均预报中强降水（日降水量25 mm以上）预报由平滑作用产生的量级偏小现象,使预报的降水量级更接近实况,但对降水落区预报改进不明显。基于卡尔曼滤波技术的集成预报效果优于基于线性回归的超级集合预报和消除偏差集合平均预报,对强降水落区的预报较单模式更优。基于集合成员订正的降水多模式集成预报在强降水的落区预报和降水中心的量级预报更接近实况,效果优于原始多模式集成预报与单模式结果。     

月动力延伸预报500hPa高度场检验及其在重庆月气候预测中降尺度应用

根据2015年国家气候中心实时下发的第二代月动力延伸模式(DERF2.0)逐日资料和历史回算资料,统计构建不同时间起报的月500hPa高度场格点数据序列,针对重庆2月气温和8月降水量方差和预测难度较大的事实,分别分析2010-2014年逐年1月和7月16日、21日、26日、31日起报的2月和8月500hPa高度场预报场与同期NCEP资料实况场的分布型,结果表明：预测效果低纬好于中高纬,8月总体好于2月;基于上述滚动的500hPa预报场,试验了4个关键区和5种统计降尺度方法,对重庆2010-2015年2月气温和2010-2014年8月降水量进行回报预测和检验结果表明,16日起报的模式场对2月气温有较好的参考价值,配合最好的关键区为本区上空,而降尺度方案中Lamb方法效果最佳,二者结合的预测效果最好;8月降水回报检验表明,虽然8月降水预测效果不如2月气温,但在预测关键区取自定义关键区时,车氏方法的降尺度方案预测效果相对较好。     

Evaluation of summer temperature and precipitation predictions from NCEP CFSv2 retrospective forecast over China

National Centers for Environmental Prediction recently upgraded its operational seasonal forecast system to the fully coupled climate modeling system referred to as CFSv2. CFSv2 has been used to make seasonal climate forecast retrospectively between 1982 and 2009 before it became operational. In this study, we evaluate the model’s ability to predict the summer temperature and precipitation over China using the 120 9-month reforecast runs initialized between January 1 and May 26 during each year of the reforecast period. These 120 reforecast runs are evaluated as an ensemble forecast using both deterministic and probabilistic metrics. The overall forecast skill for summer temperature is high while that for summer precipitation is much lower. The ensemble mean reforecasts have reduced spatial variability of the climatology. For temperature, the reforecast bias is lead time-dependent, i.e., reforecast JJA temperature become warmer when lead time is shorter. The lead time dependent bias suggests that the initial condition of temperature is somehow biased towards a warmer condition. CFSv2 is able to predict the summer temperature anomaly in China, although there is an obvious upward trend in both the observation and the reforecast. Forecasts of summer precipitation with dynamical models like CFSv2 at the seasonal time scale and a catchment scale still remain challenge, so it is necessary to improve the model physics and parameterizations for better prediction of Asian monsoon rainfall. The probabilistic skills of temperature and precipitation are quite limited. Only the spatially averaged quantities such as averaged summer temperature over the Northeast China of CFSv2 show higher forecast skill, of which is able to discriminate between event and non-event for three categorical forecasts. The potential forecast skill shows that the above and below normal events can be better forecasted than normal events. Although the shorter the forecast lead time is, the higher deterministic prediction skill appears, the probabilistic prediction skill does not increase with decreased lead time. The ensemble size does not play a significant role in affecting the overall probabilistic forecast skill although adding more members improves the probabilistic forecast skill slightly.     

时空投影法在上海地区梅汛期降水延伸期预报中的应用

本文基于2001—2010年上海市11个基本气象站的逐日降水量和澳大利亚气象局的逐日大气低频振荡(MaddenJulian Oscillation,MJO)指数(包括RMM1和RMM2)资料,选取MJO指数作为预报因子,上海地区梅汛期降水量作为预报对象,建立了基于时空投影法(spatial-temporal projection model,STPM)的上海地区梅汛期降水延伸期预报模型。利用该模型对近6年(2011—2016年)的梅汛期降水进行回报试验,其预报技巧评估结果表明:该模型对未来10～25 d的降水具有较好预报效果,可较准确地预报出梅汛期3/4左右的降水量级和降水发生时段。其中,预报时效为10～20 d的预报技巧较高,而提前21～25 d的预报技巧略有下降。总体而言,基于MJO活动的STPM预报模型在上海地区梅汛期延伸期降水预报中具有较好的参考价值。     

Comparison of intra-seasonal forecast of Indian summer monsoon between two versions of NCEP coupled models

The real-time forecasting of monsoon activity over India on extended range time scale (about 3 weeks) is analyzed for the monsoon season of 2012 during June to September (JJAS) by using the outputs from latest (CFSv2 [Climate Forecast System version 2]) and previous version (CFSv1 [Climate Forecast System version 1]) of NCEP coupled modeling system. The skill of monsoon rainfall forecast is found to be much better in CFSv2 than CFSv1. For the country as a whole the correlation coefficient (CC) between weekly observed and forecast rainfall departure was found to be statistically significant (99 % level) at least for 2 weeks (up to 18 days) and also having positive CC during week 3 (days 19–25) in CFSv2. The other skill scores like the mean absolute error (MAE) and the root mean square error (RMSE) also had better performance in CFSv2 compared to that of CFSv1. Over the four homogeneous regions of India the forecast skill is found to be better in CFSv2 with almost all four regions with CC significant at 95 % level up to 2 weeks, whereas the CFSv1 forecast had significant CC only over northwest India during week 1 (days 5–11) forecast. The improvement in CFSv2 was very prominent over central India and northwest India compared to other two regions. On the meteorological subdivision level (India is divided into 36 meteorological subdivisions) the percentage of correct category forecast was found to be much higher than the climatology normal forecast in CFSv2 as well as in CFSv1, with CFSv2 being 8–10 % higher in the category of correct to partially correct (one category out) forecast compared to that in CFSv1. Thus, it is concluded that the latest version of CFS coupled model has higher skill in predicting Indian monsoon rainfall on extended range time scale up to about 25 days.     

NCEP CFSv2对中国2015年夏季月尺度降水和环流预报分析

利用美国环境预报中心的第二代气候预报系统(NCEP CFSv2)提供的1982~2010年历史回报资料和2015年6~8月预报产品、NCEP CFSR再分析资料及中国地面观测降水资料,评估了NCEP CFSv2对2015年(厄尔尼诺发展年)中国夏季月降水和环流形势的预报能力,并分析了影响模式预报技巧高低的可能因子。结果表明:1)模式对降水的预报技巧较低且表现出明显的月变化(7月最高,8月次之,6月最低),但总体水平都不高。预报技巧明显依赖于提前时间的长短。2)CFSv2对影响我国夏季降水的500h Pa关键区环流异常空间模态表现出较高的预报技巧。对全东亚区域,模式基本都可提前5~9天(7月9天,6月6天,8月5天)较为准确的预报出未来一个月高度异常空间模态。3)通过对比分析发现,CFSv2环流预报中选取12个集合成员(滑动3天)可以得到较稳定的预报结果。4)在2015年夏季月尺度环流异常模态预报中,东亚全区的环流预报水平很大程度上取决于中高纬地区的预报。CFSv2对中高纬环流月预报技巧(6~8月都能从提前4天开始就基本稳定维持在较高水平)比热带地区更高更稳定。      

2017年梅雨期浙江中部连续暴雨过程的环流特征

利用常规气象观测资料、NCEP 1°×1°的FNL再分析资料和FY-2E卫星云图资料对2017年梅汛期前后浙江中部大尺度环流背景进行分析,同时对梅汛期三次强降水过程的梅雨锋结构、对流层低层风场对中尺度对流系统发展的影响以及中尺度云团特征等进行了诊断分析。结果表明：1） 进入梅汛期,贝加尔湖长波脊发展及长久维持,带状分布的西太平洋副热带高压较常年偏强,有利于冷暖空气交汇于浙江一带,形成范围大、持续时间长的强降水;2） 在垂直方向上,高空西风急流的入口区右侧与低空急流核左前方相叠加,高低空急流耦合作用明显,为中尺度对流系统维持提供了必备的不稳定机制;3） 三次强降水过程均具有正涡度带随时间东移的现象,揭示了梅雨锋区低值系统沿切变线东移的特点。其中,第三次暴雨过程正涡度东移特点最明显,对流层低层的有利动力条件导致中尺度对流系统的发展及强降水的出现;第二次过程的副热带西风急流中心风速明显较第一次和第三次小,但西风急流中心位置南移至30°—35°N,正好位于梅雨锋区上空,补偿了因急流风速减小对高层辐散的影响。     

2020年超长梅汛期降水概率预报应用与检验

基于欧洲中期天气预报中心（European Center for Medium-range Weather Forecasts,ECMWF）集合预报资料及浙江全省自动站降水观测资料,采用贝叶斯模型平均（Bayesian Model Average, BMA）方法对2020年浙江超长梅汛期开展降水概率预报订正试验。采用平均绝对误差、连续等级概率评分、布莱尔评分B_S、Talagrand、概率积分变换(Probability Integral Transform, PIT)直方图及属性图检验方法对本次过程BMA订正前后的概率预报进行对比分析,结果表明：①50 d为适用于浙江梅汛期ECMWF集合预报订正的BMA最优训练期,经最优训练期的BMA订正后,预报离散度有所增加,预报误差有所下降;②BMA对0.1 mm、10.0 mm和25.0 mm阈值降水的订正效果显著,经BMA订正后3个阈值的降水预报B_S下降率分别为25.92%、19.29%、4.76%,但对超过50.0 mm的降水订正效果不明显,且随着降水阈值增加,BMA的订正效果减弱;③在强降水个例中,BMA能有效减少各阈值降水预报概率大值落区偏差,使订正后的降水预报概率大值区与观测落区更一致。     

Predictions of Nino3.4 SST in CFSv1 and CFSv2: a diagnostic comparison

Diagnostic evaluations of the relative performances of CFSv1 and CFSv2 in prediction of monthly anomalies of the ENSO-related Nino3.4 SST index are conducted using the common hindcast period of 1982–2009 for lead times of up to 9 months. CFSv2 outperforms CFSv1 in temporal correlation skill for predictions at moderate to long lead times that traverse the northern spring ENSO predictability barrier (e.g., a forecast for July made in February). However, for predictions during less challenging times of the year (e.g., a forecast for January made in August), CFSv1 has higher correlations than CFSv2. This seeming retrogression is caused by a cold bias in CFSv2 predictions for Nino3.4 SST during 1982–1998, and a warm bias during 1999–2009. Work by others has related this time-conditional bias to changes in the observing system in late 1998 that affected the ocean reanalysis serving as initial conditions for CFSv2. A posteriori correction of these differing biases, and of a similar (but lesser) situation affecting CFSv1, allows for a more realistic evaluation of the relative performances of the two CFS versions. After the dual bias corrections, CFSv2 has slightly better correlation skill than CFSv1 for most months and lead times, with approximately equal skills for forecasts not traversing the ENSO predictability barrier and better skills for most (particularly long-lead) predictions traversing the barrier. The overall difference in correlation skill is not statistically field significant. However, CFSv2 has statistically significantly improved amplitude bias, and visibly better probabilistic reliability, and lacks target month slippage as compared with CFSv1. Together, all of the above improvements result in a highly significantly reduced overall RMSE—the metric most indicative of final accuracy.     

2018年我国梅雨特征及梅雨期降水异常成因分析

2018年我国梅雨特征及梅雨期降水异常成因分析