多模式集合预报及其降尺度技术在东亚夏季降水预测中的应用

利用动力季节模式输出的匹配域投影技术和多模式集合预报技术对多个国家和城市的站点月平均降水进行预报。预报变量是北京1个站、韩国60个站和曼谷地区8个站点的月平均降水,预报因子是从多个业务动力季节预报模式输出的多个大尺度变量。模式回报数据和站点观测降水数据时段是1983—2003年。降尺度预报降水的技巧是在交叉验证的框架下进行的。匹配域投影方法是设定一个可以活动的窗口在全球范围内大尺度场上进行扫描,寻求与目标站点降水最优化的因子和最相关的区域,目标站点的降水变率就是由该匹配域上大尺度环流场信息决定的。最终预报是用多个降尺度模式预报结果的集合预报(DMME)。多个降尺度模式预报结果的集合预报能显著地提高站点降水的预报技巧。北京站,多个降尺度模式预报结果的集合预报的预报和观测降水的相关系数可以提高到0.71;韩国地区,多个降尺度模式预报结果的集合预报平均技巧提高到0.75;泰国,多个降尺度模式预报结果的集合预报技巧是0.61。     

不同海温强迫的月动力延伸集合预报试验

利用全球谱模式T106L19和增长模繁殖法（BGM）建立了月动力延伸集合预报系统,基于气候海表面温度（SST）和预测海表面温度,设计了三组集合预报试验,一组为气候SST作为模式下边界条件的集合预报试验（CSST试验）,另一组为预测SST作为模式的下边界条件的集合预报试验（FSST试验）,第三组为前两组试验的集合预报结果之和（AVE30试验）,对两种海温强迫分别进行了48个月的试验,并对预报结果进行了检验和分析。结果表明：相对于单一的控制预报,不管是CSST试验还是FSST试验,利用BGM方法制作的初值集合预报能显著提高月平均环流的预报技巧,集合预报对PNA区域的预报技巧改进显著,特别是预测SST强迫有正的贡献;同时考虑初值和边值不确定性影响的集合预报试验（AVE30试验）,其全球预报技巧不仅高于控制预报,也分别高于FSST试验和CSST试验,这说明要提高月延伸预报技巧,必须同时考虑初值和边值的影响;大气对SST强迫的响应在模式积分10天开始显著,SST对第二旬和第三旬的作用直接影响月平均环流的预报效果,而SST对第二旬和第三旬预报的影响不仅与SST本身变化有关,还与初值有关,不同的初值其作用不同;集合预报对我国夏季月平均温度分布具有较强预报能力,采用预报海温强迫的预报结果,总体上优于气候海温强迫的结果。     

集合预报产品释用方法的研究

提出一种动力与统计相结合的集合预报产品的动力统计释用方法，该方法从大尺度大气动力学方程组出发，考虑中期旬尺度的大气环流特征，采用简单的斜压模式，推导出旬降水距平百分率与旬环流形势场的关系，从而建立了旬降水距平百分率预报方程，与相当正压的月降水距平百分率预报方程相比，更符合常规天气预报业务中对实际大气的动力学和天气学意义的考虑，试报结果表明，动力与统计相结合的方法对旬尺度动力延伸集合预报产品的释用具有明显的效果。     

月动力延伸预报产品的评估和解释应用

该文用3种客观评分方法对国家气候中心的月动力延伸预报结果（500 hPa位势高度场）进行了全面评估。结果表明,延伸预报环流的旬和月平均场预报准确率明显高于持续性预报,有一定的预报技巧和业务参考价值,但仍未达到可用于实际业务预报的技巧。对形势预报进一步分析发现,500 hPa的部分环流特征量模拟效果好,其预报技巧高于整个形势场的预报。根据已有的经验和研究成果,这些环流特征量和要素预报有较好的相关,可以直接在业务中应用。该方法为动力产品的解释应用提供了又一条途径。     

GRAPES-GEPS环流集合预报的分类释用方法研究与检验

集合预报在数值天气预报体系中具有重要地位，因此如何有效提取集合样本信息以提高集合预报技巧一直是一个重要课题。基于中国全球集合预报业务系统（GRAPES-GEPS）的500 hPa高度场集合资料开展对环流集合预报的分类释用方法研究，并对集合聚类预报结果进行了检验分析。通过在传统Ward聚类法中引入动态聚类的“手肘法”方案，发展了环流集合预报分类释用方法。针对该方法的个例分析表明，对于中国中东部地区环流集合预报的聚类释用方法能够有效地划分出最有可能发生的环流形势类型并提供发生概率。确定性预报综合检验结果显示，集合预报聚类结果中发生概率最高的集合大类相对于集合平均的预报技巧有明显提升，并随着预报时效的延长提升更明显。总体来看，通过集合预报的分类释用方法划分环流形势类型可以为天气预报提供参考依据，具有实际应用价值。      

GRAPES全球集合预报初始条件及模式物理过程不确定性方法研究

为描述GRAPES全球模式初始条件的不确定性,基于适合集合预报应用的GRAPES全球奇异向量技术,依据大气初始误差符合正态分布的特征,采用高斯取样奇异向量来构造全球集合预报初始扰动,在此基础上建立了GRAPES全球集合预报系统(GRAPES-GEPS)。利用GRAPES全球同化分析场,对采用初始扰动的GRAPES-GEPS连续试验预报结果进行检验和分析。结果表明:GRAPES-GEPS中高度场、风场及温度场预报的集合离散度能有效快速增加,集合平均均方根误差与集合离散度的关系合理;相对控制预报的均方根误差,集合平均的预报优势在预报中期非常显著。为进一步体现GRAPES-GEPS中模式物理过程的不确定性,发展了模式物理过程倾向随机扰动技术(SPPT)。试验结果表明:SPPT方案的应用有效提高了GRAPES-GEPS在南、北半球和热带地区等压面要素预报的集合离散度,同时一定程度减小了集合平均误差,进而改进了集合平均误差与集合离散度的关系,其中SPPT方案在热带地区的改进最为显著。本文发展的基于奇异向量的初始扰动方法和模式扰动SPPT方案在中国气象局2018年12月业务化运行的GRAPES-GEPS中得到了应用。     

利用海洋强迫的大气主模态提高大气动力季节预报

数值模式的季节预报技巧主要与大气外强迫的变率密切相关。当前的大气环流模式（general circulation models,GCMs）通常不能准确地模拟出与大气外强迫有关的响应模态和响应强度,从而导致了预报误差的产生。本文给出了一种后处理方法,有助于降低模式的系统性误差,并提高季节预报技巧。     

统计-动力相结合的相似误差订正法

根据大气相似性原理,提出了利用历史资料的相似信息估计模式误差的反问题,并发展了一种相似误差订正(ACE)方法。该方法将统计和动力两种方法有机结合,在不改变现有数值预报模式的前提下,既充分利用了动力学发展的成就,又能够有效提取大量历史资料中的相似信息,达到减小模式误差、改进当前预报的目的。而且,ACE方法能够针对当前预报的特殊性来区分所利用过去资料的特殊性,提取历史相似信息间接求解反问题。定性分析表明,ACE方法与以往相似-动力模式原理是等价的,但无需重新建立复杂的相似离差预报模式,更具可行性和业务应用前景。在理想化的极限情形下,当数值模式或历史相似完全准确时,ACE方法的预报结果将分别蜕变为动力或统计学方法的预报结果。     

最优多因子动态配置的东北汛期降水相似动力预报试验

基于中国气象局国家气候中心季节预报业务模式27a(1983—2009年)预报结果和同期美国气候预报中心组合降水分析(CMAP)资料及国家气候中心气候系统诊断预报室74项环流指数和NOAA40个气候指数(1951—2009年),提出了客观定量化的最优多因子动态配置汛期降水相似-动力预测新技术,并对中国东北地区汛期降水进行了预报试验。利用历史资料有用信息估算模式预报误差原理,选取4个历史相似年对应模式误差来估算当前模式预报误差。通过单因子交叉检验距平相关系数确定主导因子及演化相似因子,结合当前及前期优化多因子组合配置确定预报因子集,最后利用历史相似年对应模式误差来估算当前模式预报误差并订正国家气候中心季节预报业务模式的预报结果,得到预报的汛期降水。对2005—2009年进行独立样本检验的结果表明,此技术对中国东北地区汛期降水有一定预报技巧。证实了利用历史资料估计业务模式预报误差的另类途径是可行的,显示了在业务预报应用中的潜在能力。     

在动力相似预报中引入多个参考态的更新

针对如何更有效地利用历史资料中的相似信息提高预报水平的问题,在已有相似-动力模式研究基础上,进一步探讨了相似误差订正方法(ACE)的若干理论和技术问题,分析表明,ACE是对以相似离差方程和相似误差订正方程为理论依据的方法的再发展。在此基础上,提出了相似的更新问题和多个参考态的引入,并进而发展出一种考虑多参考态更新的动力相似预报新方法(MRSU)。这一方法通过引入相似更新周期的新概念,在预报进行到相似更新周期时重新选取多个参考态,并采用超平面近似法将相似-动力模式产生的多个预报估计成最佳预报向量,这样的“选取-估计”过程循环往复,从而完成整个时段的预报。Lorenz模式试验显示,相比于以往的相似-动力模式预报,MRSU能更有效减小预报误差,提高预报技巧,并且,ACE的理论优势应用前景也被初步证实。综合诸多研究结果,给出了MRSU的概念流程,这里针对复杂数值模式采用了ACE,能够等价实现相似-动力模式预报过程,无需重建模式,更易于推广。     

一种新的集合预报权重平均方法

提出了一种新的考虑权重的集合预报成员平均方法。使用气候等概率区间来对集合成员进行分组, 并根据气候等概率区间的大小及其中的成员数, 对集合成员的权重进行调整, 得到了一种改进的集合平均预报结果。检验表明, 它可以进一步提高集合平均预报的效果。相对于提高模式分辨率或发展庞大的集合预报系统, 这种方法的效果是显著的。     

集合方法在月动力预报信息提取中的应用

本工作将集合方法应用于提取月动力预报有用信息。利用中国气象局国家气候中心Ｔ６３Ｌ１６全球谱模式的５００百帕高度场月集合预报产品（集合成员数为８个，初始场的选取采用滞后方法（ＬＡＦ），即相邻两天的００００，０６００，１２００和１８００ＧＭＴ的初始化资料），就１９９７年１月至５月共１５次预报，分析了集合预报成员间的离散度与预报评分（距平相关系数和均方根误差）的关系，研究了用集合各成员预报离散度作为各个成员逐日预报的权重对月预报效果的影响。结果表明集合预报成员的离散度与预报评分有显著的相关，是有效预报长度Ｎ的一个很好估计；用离散度作为权重平均的月预报高度距平相关系数明显高于算术平均和线性权重，此外个例分析表明月平均环流及其异常的预报得到明显的提高。     

Predictability of Ensemble Forecasting Estimated Using the Kullback–Leibler Divergence in the Lorenz Model

A new method to quantify the predictability limit of ensemble forecasting is presented using the Kullback–Leibler(KL)divergence(also called the relative entropy), which provides a measure of the difference between the probability distributions of ensemble forecasts and local reference(true) states. The KL divergence is applicable to a non-normal distribution of ensemble forecasts, which is a substantial improvement over the previous method using the ensemble spread. An example from the three-variable Lorenz model illustrates the effectiveness of the KL divergence, which can effectively quantify the predictability limit of ensemble forecasting. On this basis, the KL divergence is used to investigate the dependence of the predictability limit of ensemble forecasting on the initial states and the magnitude of initial errors. The local predictability limit of ensemble forecasting varies considerably with the initial states, as well as with the magnitude of initial errors. Further research is needed to examine the real-world applications of the KL divergence in measuring the predictability of ensemble weather forecasts.     

上海区域降水集合预报系统改进的对比试验

以2005年8月开始运行的、8个成员的上海区域降水集合预报系统为基础,设计2个对比试验方案,进行了3个月(2005年9—11月)的平行对比试验。对比试验将成员从8个增加至12个,系统的8个成员与试验一增加的成员都从预报模式的不确定性出发形成,试验二增加的成员考虑了模式初始条件的不确定性。对试验结果进行了检验与分析,并与控制试验结果进行比较。结果显示:增加集合成员数可以增大系统发散度,但对比试验仍存在系统发散度偏小的问题;同时考虑预报模式与初始条件不确定性的试验二的降水集合平均预报效果与降水概率预报效果都好于只考虑预报模式不确定性的试验一,也好于控制试验,试验一的降水集合平均预报效果总体上则比控制试验差,降水概率预报效果也不理想。采用试验二方案对系统进行改进后的整体预报效果较改进前有提高。     

A study on the systematic errors of the tropical forecasts: Influence of physical processes

Summary In this paper, an attempt is made to examine the influence of the physical forcings of an atmospheric general circulation model (AGCM) in the reduction of the systematic errors of the tropical forecasts. A number of major modifications in the parameterization of physical processes were carried out in the operational forecasting system of the European Centre for Medium Range Weather Forecasts (ECMWF) during the period 1984–88 largely in an attempt to reduce the conceptual weaknesses in their formulation. A large number of studies (Slingo et al., 1988; Tiedtke et al., 1988; etc) have demonstrated the positive impact on the reduction of tropical forecast errors to various changes in the treatment of physical processes in the ECMWF model.Keeping in view of these facts, the evaluation of the systematic errors of the ECMWF tropical forecasts is carried out for a period prior to the incorporation of major modifications in the parameterization of physical processes (1984) and corresponding period after such major changes are implemented in the operational AGCM of ECMWF (1988). The paper describes a detailed comparison of the tropical forecast errors for summer monsoon seasons (June-August [JJA]) of 1984 and 1988 in order to bring out the impact on tropical simulation of various improvements in the treatment of physical processes.The results demonstrate a dramatic reduction in the systematic errors of the tropical circulation together with an enhancement of the hydrological cycle to a realistic climatological level with the incorporation of major changes in the treatment of physical processes. Similar improvements are also observed in the winter simulation. In spite of major improvements in the simulation of tropical circulation, the nature of the tropical systematic errors of the ECMWF AGCM, however, remains unchanged. Thus, the inference of the study indicates the requirement of a new approach to the problem of parameterization of physical processes particularly, convection, radiation, boundary layer and their interactions for further reduction of the tropical forecast errors.With 14 Figures     

Improved reliability of ENSO hindcasts with multi-ocean analyses ensemble initialization

Currently, ensemble seasonal forecasts using a single model with multiple perturbed initial conditions generally suffer from an “overconfidence” problem, i.e., the ensemble evolves such that the spread among members is small, compared to the magnitude of the mean error. This has motivated the use of a multi-model ensemble (MME), a technique that aims at sampling the structural uncertainty in the forecasting system. Here we investigate how the structural uncertainty in the ocean initial conditions impacts the reliability in seasonal forecasts, by using a new ensemble generation method to be referred to as the multiple-ocean analysis ensemble (MAE) initialization. In the MAE method, multiple ocean analyses are used to build an ensemble of ocean initial states, thus sampling structural uncertainties in oceanic initial conditions (OIC) originating from errors in the ocean model, the forcing flux, and the measurements, especially in areas and times of insufficient observations, as well as from the dependence on data assimilation methods. The merit of MAE initialization is demonstrated by the improved El Niño and the Southern Oscillation (ENSO) forecasting reliability. In particular, compared with the atmospheric perturbation or lagged ensemble approaches, the MAE initialization more effectively enhances ensemble dispersion in ENSO forecasting. A quantitative probabilistic measure of reliability also indicates that the MAE method performs better in forecasting all three (warm, neutral and cold) categories of ENSO events. In addition to improving seasonal forecasts, the MAE strategy may be used to identify the characteristics of the current structural uncertainty and as guidance for improving the observational network and assimilation strategy. Moreover, although the MAE method is not expected to totally correct the overconfidence of seasonal forecasts, our results demonstrate that OIC uncertainty is one of the major sources of forecast overconfidence, and suggest that the MAE is an essential component of an MME system.     

Ensemble mean forecast skill and applications with the T213 ensemble prediction system

Ensemble forecasting has become the prevailing method in current operational weather forecasting. Although ensemble mean forecast skill has been studied for many ensemble prediction systems(EPSs) and different cases, theoretical analysis regarding ensemble mean forecast skill has rarely been investigated, especially quantitative analysis without any assumptions of ensemble members. This paper investigates fundamental questions about the ensemble mean, such as the advantage of the ensemble mean over individual members, the potential skill of the ensemble mean, and the skill gain of the ensemble mean with increasing ensemble size. The average error coefficient between each pair of ensemble members is the most important factor in ensemble mean forecast skill, which determines the mean-square error of ensemble mean forecasts and the skill gain with increasing ensemble size. More members are useful if the errors of the members have lower correlations with each other, and vice versa. The theoretical investigation in this study is verified by application with the T213 EPS. A typical EPS has an average error coefficient of between 0.5 and 0.8; the 15-member T213 EPS used here reaches a saturation degree of 95%(i.e., maximum 5% skill gain by adding new members with similar skill to the existing members) for 1–10-day lead time predictions, as far as the mean-square error is concerned.