统计降尺度法在数值预报产品释用中的应用

目前数值模式输出的空间分辨率较低,缺少区域信息,很难对区域气候做精确的预测.降尺度方法通过把大尺度、低分辨率的数值模式输出信息转化为区域尺度的地面气候变化信息(如气温、降水),从而达到弥补数值模式预测区域未来气候变化不足的目的.这种做法的基础在于区域气候变化是以大尺度(如大陆尺度甚至行星尺度)气候为条件的.统计降尺度法以大尺度数值预报产品为预报因子,利用历史资料建立区域预报量与大尺度预报因子之间的统计模型,实现对数值预报产品的释用.在系统论述统计降尺度法的基本原理、一般步骤的基础上,初步探讨统计降尺度法在中期天气预报方面的应用.     

中国区域高分辨率多源降水观测产品的融合方法试验

高质量、高分辨率降水产品研制对于数值天气模式检验、水文陆面模拟、山洪地质灾害监测有着重要意义。利用中国近4万自动气象站逐时降水资料、中国雷达定量降水估计和CMORPH卫星反演降水产品,开展0.05°×0.05°和0.01°×0.01°两种高分辨率下的三源降水融合方法研究试验,探讨如何有效引入雷达高分辨率信息来提高降水产品质量。一方面,在0.05°分辨率上,先以自动气象站观测降水数据为基准,采用概率密度函数（PDF）匹配法订正雷达和卫星估测降水产品的系统偏差,将雷达降水产品的偏差从-0.05 mm/h降至-0.008 mm/h;再采用贝叶斯模型平均（BMA）方法融合雷达和卫星降水产品,形成0.05°分辨率的中国区域覆盖完整且最优的联合降水背景场。此外,在0.01°分辨率上,以0.05°分辨率的卫星-雷达贝叶斯模型平均联合降水产品为背景,采用1 km雷达估测降水的空间结构信息进行降尺度,亦能有效提高0.01°分辨率背景场的质量。然后,分别以不同分辨率的卫星-雷达联合降水产品为背景,采用统计方法量化误差估计,再采用最优插值方法融入地面观测。通过2419个中国国家级气象台站的独立样本检验,评估了多种类型的降水资料及融合试验产品在中国地区的质量。结果表明,两种分辨率的三源融合试验产品的精度均优于任何单一来源的降水产品,特别是在站点稀疏地区,降水精度均较融合前有显著提高,达到了较好的融合效果,其中在0.05°分辨率上采用“概率密度函数+贝叶斯模型平均+最优插值”方法的三源融合降水产品整体质量最好,而0.01°分辨率上基于“概率密度函数+贝叶斯模型平均+降尺度+最优插值”方法的三源融合降水产品在强降水监测上更有优势。      

基于PLS的面雨量统计学降尺度

基于GIS的面雨量估算方法和基于模式输出的雨量产品都无法解决分辨率过低的问题,并且都不同程度地忽略了中小尺度地形对降水的影响.回顾了各种统计学降尺度方法,使用NCEP/NCAR提供的2011年4—9月的6 h一次的再分析资料,以及江苏省气象台提供的全省20多个常规站降水实况观测资料,结合高分辨率DEM数据,利用偏最小二乘法(PLS)设计了一套考虑地形因子动力作用的面雨量降尺度方案.通过合理选择和构造大尺度预报因子,地形因子动力作用参数化,回归分析与空间插值相结合的面雨量降尺度方案,成功还原了研究区域内代表站的实况降水序列,并绘制出研究区域内高分辨率的面雨量空间分布图.     

动力模式产品在河南省夏季降水预测中的降尺度应用

利用NCEP/NCAR再分析资料和河南省106个站点夏季降水资料,建立了河南省夏季降水降尺度预测模型。该模型利用模式产品的500 h Pa高度场信息,通过统计降尺度方法,对河南省106个站点的夏季降水进行降尺度预测,实现了气候模式产品在河南省夏季降水预测中的降尺度解释应用,弥补了气候模式空间分辨率较低的缺陷。对该模型的历史回报检验表明,该降尺度模型对河南省夏季降水预测效果较好且较为稳定,尤其对北部、西部和豫南南部地区的效果最好。利用BCC-CGCM1和ECMWF-SYSTEM4模式资料,进行了独立样本的检验,结果表明,两种模式在5月起报的预测效果要优于3月起报的预测效果,BCC-CGCM1模式3月的预测效果要好于ECMWF-SYSTEM4的,两种模式在5月的预测效果相当。目前,此方法实现了可视化开发,并集成了检验方法,已应用于河南省气候预测业务中。     

渭河流域秋雨统计降尺度预估的试验研究

在比较不同大尺度预报因子联合场、空间范围和数据预处理方法对统计降尺度模型预测能力影响的基础上,基于HadCM3和CCSM3两种分辨率大气环流模式(GCM)输出资料,采用主成分分析和多元线性回归相结合的降尺度方法,建立了渭河流域秋雨的统计降尺度模型,并根据分析两种GCM基准期内降尺度预测效果,对未来不同情景进行预估。结果表明,对降水量的3次方根正态化处理并不能改善模型的预测性能,而去趋势处理可提高模型对于9月的预测能力。850 hPa经向风和相对湿度组合是渭河流域秋雨的最佳预测因子。低分辨率的HadCM3模式降尺度预测效果优于高分辨率的CCSM3模式,具体表现在前者对整个流域的预测能力较高,后者只对中下游流域附近的预测效果较好。以基准期内可预报性较好的站点对渭河流域秋雨进行预测,两种模式的不同情景预估结果均表明,渭河流域2000—2099年9月降水量呈增加趋势,10月降水量呈下降趋势,降尺度模型成功预测了21世纪前10年的秋雨增加趋势。      

一种分离时间尺度的统计降尺度模型的建立和应用——以华北汛期降水为例

针对预报量变化中存在受不同物理因子控制的不同时间尺度变率特征, 本文提出了分离时间尺度的统计降尺度模型。应用滤波方法, 将不同尺度的变率分量分开, 在各自对应的时间尺度上利用不同的大尺度气候因子分别建立降尺度模型。华北汛期 (7～8月) 降水具有年际变率和年代际变率, 本文以华北汛期降水为例利用分离时间尺度的统计降尺度模型进行预测研究。采用的预报因子来自海平面气压场、 500 hPa位势高度场、 850 hPa经向风场和海表温度场以及一些已知的大尺度气候指数。利用基于交叉检验的逐步回归法建立模型。结果表明, 年际尺度上, 华北汛期降水与前期6月赤道中东太平洋海温以及同期中国东部的低层经向风密切相关; 年代际尺度上, 在东印度洋—西太平洋暖池海温的作用下, 华北降水与前期6月西南印度洋海平面气压有同步变化关系。年际模型和年代际模型的结果相加得到对总降水量的降尺度结果。1991～2008年的独立检验中, 模型估计的降水和观测降水的相关系数是0.82, 平均均方根误差是14.8%。结合模式的回报资料, 利用降尺度模型对1991～2001年的华北汛期降水进行回报试验。相比于模式直接预测的降水, 降尺度模型预测的结果有明显改进。改进了模式预测中年际变率过小的问题, 与观测降水的相关系数由0.12提高到0.45。     

BP-CCA方法用于四川盆地夏季日降水量的可预报性研究

基于BP-CCA方法,首先讨论了多个因子对四川盆地夏季降水降尺度模型的可预报性,然后选取最佳预报因子并进行集合,最终基于T639模式建立最优多因子降尺度预报模型.结果表明,分别以东亚夏季10m纬向风、700hPa纬向风和700hPa相对湿度为预报因子的降尺度模型对四川盆地夏季降水的预报技巧较高,而将三个因子集合的多因子降尺度预报模型具有更好的预报能力.进一步将该方法应用于T639模式预报的预报因子场,发现多因子降尺度模型对降水的预报效果要优于T639模式直接输出的结果.     

多尺度残差金字塔网络模型三维气象要素降尺度研究

本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型（Multi-Scale Residual Laplacian Pyramid Network,MSRLapN）。具体地,构造一种多尺度残差模块（Multi-Scale Resolution Block,MSRB）,用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。     

利用深度学习预报美国东北部日降水分布

现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响,基于数值模式的降水预报还存在非常大的不确定性。近年来,深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布,探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC,0.25°)的能力,并比较3种主流网络框架(VGG,ResNet, GoogleNet)在该任务中的表现。结果表明,3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优),但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报,且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。     

Evaluation of CMP AS precipitation products over Sichuan,China

高质量和高分辨率的降水产品在天气预报,数值模式模拟和气象防灾减灾方面起着重要的作用.本文利用四川地区高密度的地面降水传感器观测数据,比较CMPAS四种不同时空尺度的降水实况分析产品,评估CMPAS的融合准确性与在四川地区的适用性.研究表明:四种CMPAS降水产品都在四川盆地内精度较高,攀西地区和川西高原次之.随着降水量...     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

Quantitative Precipitation Forecast Experiment Based on Basic NWP Variables Using Deep Learning

The quantitative precipitation forecast (QPF) performance by numerical weather prediction (NWP) methods depends fundamentally on the adopted physical parameterization schemes (PS). However, due to the complexity of the physical mechanisms of precipitation processes, the uncertainties of PSs result in a lower QPF performance than their prediction of the basic meteorological variables such as air temperature, wind, geopotential height, and humidity. This study proposes a deep learning model named QPFNet, which uses basic meteorological variables in the ERA5 dataset by fitting a non-linear mapping relationship between the basic variables and precipitation. Basic variables forecasted by the highest-resolution model (HRES) of the European Centre for Medium-Range Weather Forecasts (ECMWF) were fed into QPFNet to forecast precipitation. Evaluation results show that QPFNet achieved better QPF performance than ECMWF HRES itself. The threat score for 3-h accumulated precipitation with depths of 0.1, 3, 10, and 20 mm increased by 19.7%, 15.2%, 43.2%, and 87.1%, respectively, indicating the proposed performance QPFNet improved with increasing levels of precipitation. The sensitivities of these meteorological variables for QPF in different pressure layers were analyzed based on the output of the QPFNet, and its performance limitations are also discussed. Using DL to extract features from basic meteorological variables can provide an important reference for QPF, and avoid some uncertainties of PSs.     

我国地面降水的分级回归统计降尺度预报研究

利用TIGGE资料中欧洲中期天气预报中心(ECMWF,the European Centre for Medium-Range Weather Forecasts)、日本气象厅(JMA,the Japan Meteorological Agency)、美国国家环境预报中心(NCEP,the National Centers for Environmental Prediction)以及英国气象局(UKMO,the UK Met Office)4个中心1~7 d预报的日降水量集合预报资料,并以中国降水融合产品作为"观测值",对我国地面降水量预报进行统计降尺度处理。采用空间滑动窗口增加中雨和大雨雨量样本,建立分级雨量的回归方程,并与未分级雨量的统计降尺度预报进行对比。结果表明,对于不同模式、不同预报时效以及不同降水量级,统计降尺度的预报技巧改进程度不尽相同。统计降尺度的预报技巧依赖于模式本身的预报效果。相比雨量未分级回归,雨量分级回归的统计降尺度预报与观测值的距平相关系数更高,均方根误差更小,不同量级降水的ETS评分明显提高。对雨量分级回归统计降尺度预报结果进行二次订正,可大大减少小雨的空报。     

长江中下游6—7月降水的降尺度模型

基于偏相关的强迫因子选取方法,以长江中下游6—7月降水为例,进行了降水变率的归因分析,并建立了相应的统计降尺度模型。结果表明,影响长江中下游6—7月降水的强迫因子主要有两个:西太平洋850 h Pa的位势高度(W_(PH8))和黑潮延伸区的海表温度(K_(SST))。W_(PH8)反映的是西太平洋副热带高压对长江中下游降水的影响;K_(SST)反映了黑潮延伸区的变率。基于这两个因子的线性降尺度模型能较好地拟合长江中下游6—7月的降水,在独立检验和模式检验阶段,模型体现出了可靠性,因而可用于长江中下游降水的季节预测。     

WRF模式对中国夏季降水的动力降尺度模拟研究

采用NCEP的FNL再分析资料驱动WRF模式,对中国10 a(2000—2009年)夏季降水进行双重动力降尺度(双重嵌套)模拟,将子、母区域模拟结果和观测进行对比,以检验双重动力降尺度对中国夏季降水模拟的"增值"能力。结果表明:单重动力降尺度(单重嵌套)方法能较好模拟出中国10 a夏季平均降水的空间分布,对季风雨带"北跳"特征模拟较好,但模拟降水具有系统性正偏差。在母区域的强迫下,双重动力降尺度模拟的降水分布与单重动力降尺度相比,没有发生根本性变化。但由于子区域的分辨率要高于母区域,双重动力降尺度比单重动力降尺度能提供更多有价值的降水细节。双重动力降尺度的这种"增值"能力存在地域依赖性,在华南地区和江淮地区,双重动力降尺度模拟出的降水分布、量值和逐日演变都要好于单重动力降尺度。但在华北地区,双重动力降尺度没有表现出明显的"增值"。     

A Model Output Machine Learning Method for Grid Temperature Forecasts in the Beijing Area

In this paper, the model output machine learning (MOML) method is proposed for simulating weather consultation, which can improve the forecast results of numerical weather prediction (NWP). During weather consultation, the forecasters obtain the final results by combining the observations with the NWP results and giving opinions based on their experience. It is obvious that using a suitable post-processing algorithm for simulating weather consultation is an interesting and important topic. MOML is a post-processing method based on machine learning, which matches NWP forecasts against observations through a regression function. By adopting different feature engineering of datasets and training periods, the observational and model data can be processed into the corresponding training set and test set. The MOML regression function uses an existing machine learning algorithm with the processed dataset to revise the output of NWP models combined with the observations, so as to improve the results of weather forecasts. To test the new approach for grid temperature forecasts, the 2-m surface air temperature in the Beijing area from the ECMWF model is used. MOML with different feature engineering is compared against the ECMWF model and modified model output statistics (MOS) method. MOML shows a better numerical performance than the ECMWF model and MOS, especially for winter. The results of MOML with a linear algorithm, running training period, and dataset using spatial interpolation ideas, are better than others when the forecast time is within a few days. The results of MOML with the Random Forest algorithm, year-round training period, and dataset containing surrounding gridpoint information, are better when the forecast time is longer.     

用不确定度指数实时评价模式预报场业务性能

引入不确定度概念,结合“马赛克化”方法,定义不确定度指数和不稳定度指数,开发了实时业务系统,对ECMWF、JMA和T213的数值预报场进行了实时的性能评价;通过一段时间的资料统计,对3个模式的总体性能进行了对比。结果显示,该方法可为实时评价数值预报产品的性能提供一种客观依据,为预报员在日常预报工作中对数值预报模式性能的了解和科学选用数值预报产品提供科学定量的参考。     

聚类分析在暴雨预报和环流形势分型中的应用

数值预报投入业务运行以来，高空形势预报具有较高的准确率，要素预报的准确率也在不断提高，对数值预报产品的释用是近年来人们极为关注的问题，作者早用数值预报５００ｈＰａ高度场及降水实况资料，采用聚类分析法，研究暴雨落区预报和我国暴雨环流形势特征，所得结果在暴雨预报业务中有一定参考价值，同时也给出我国暴雨环流型。     

Seasonal Predictions of Summer Precipitation in the Middle-lower Reaches of the Yangtze River with Global and Regional Models Based on NUIST-CFS1.0

Accurate prediction of the summer precipitation over the middle and lower reaches of the Yangtze River(MLYR) is of urgent demand for the local economic and societal development. This study assesses the seasonal forecast skill in predicting summer precipitation over the MLYR region based on the global Climate Forecast System of Nanjing University of Information Science and Technology(NUIST-CFS1.0, previously SINTEX-F). The results show that the model can provide moderate skill in predicting the i...