陕西汛期降水年际增量预测新技术研究

应用年际增量预测方法,通过分析影响陕西汛期降水的物理机制,建立了具有较高预测效能的陕西汛期降水年际增量预测模型。研究表明,赤道太平洋中东部海温年际增量、500 hPa高度年际增量与陕西汛期降水具有很好的相关性。当前一年秋、冬季赤道太平洋中东部海温增量在南北方向上表现为“－＋－”分布型时,陕西当年汛期降水偏多,反之,陕西当年汛期降水偏少。当前一年秋、冬季500 hPa高度年际增量在赤道附近呈带状正值分布时,陕西当年汛期降水偏多;呈带状负值分布时,陕西当年汛期降水偏少。国家气候中心提供的74项环流特征量、陕西省0 cm地温增量因子与陕西汛期降水也有很好的相关关系。在对预测因子物理意义分析的基础上,用逐步回归方法引入因子,建立陕西10个气候区域的汛期（6—8月）降水总量和各分月（6、7、8月）的降水年际增量预测模型（共40个）,汛期降水总量预测模型交叉检验距平同号率达78.4%。对2010—2013年汛期降水总量和各分月降水量进行试报,其准确率PS评分分别达到75.8和66分。增量预测方法具有较强的预测能力,能够在一定程度上提高陕西汛期降水预测水平,可作为有效方法投入实际业务应用。     

基于年际增量法的青藏高原南部汛期降水预测研究

针对青藏高原南部汛期降水预测研究少和预测难度大的问题,通过分析1981-2010年青藏高原南部汛期降水与国家气候中心发布的88项大气环流指数、26项海温指数和16项其他指数年际增量的相关性,采用逐步回归法筛选出与降水相关的最优预测因子组合,在此基础上建立了高原南部汛期降水年际增量与预测因子的物理统计预测模型,并对2011-2019年的汛期降水进行了独立样本回报检验。结果表明,该模型的预测准确率很高,降水年际增量和距平同号率均达到7/9,距平百分率均方根误差为13%,降水相对误差在±15%以内的年份占比高达8/9。可见,该模型能够提高高原南部汛期降水预测能力。最后,利用NCEP/NCAR再分析月平均资料和NOAA海表温度月平均资料研究了预测因子影响高原南部汛期降水的物理机制。     

基于年际增量和EOF迭代法的长江流域汛期降水预测

基于国家气候中心气候系统模式（Beijing Climate Center Climate System Model,BCC_CSM1.1m）和美国NCEP/NCAR的气候预测模式（The NCEP Climate Forecast System Version 2,CFSv2）分别建立针对长江流域汛期降水的动力与统计相结合的降尺度预测模型,并比较两模式对应模型的预报技巧和差异来源。分别选择两模式2月起报的500 hPa及200 hPa全球位势高度场为预报因子,结合年际增量及经验正交分解（EOF）迭代法建立降尺度模型（分别简称DY_CSM1.1m和DY_CFSv2）,研究发现：（1） EOF迭代法中截断解释方差的递增增加了预报因子的协同性和稳定性,从而显著提高预报技巧,并由此确定98%的截断解释方差为模型的最优参数。（2）两模型基于最优参数的预测效果均优于模式原始的降水预测,其中DY_CSM1.1m预测技巧更高,对应29 a距平相关系数（ACC）平均评分可达0.43,尤其在长江干流区域预报效果显著提高。将两模型预测的降水年际增量百分率转换为降水距平百分率时,ACC多年平均评分降为0.27和0.22,仍高于模式原始预测。（3） DY_CSM1.1m的ACC历年评分和长江流域汛期降水年际增量均与西太平洋副热带高压的一系列指数具有高相关性（以西太平洋副高脊线位置指数为例,DY_CFSv2则无此关系）,因此BCC_CSM1.1m在西太平洋地区模拟性能优于CFSv2是导致该模式降尺度后预报技巧更高的重要原因,这一点在典型洪涝年1998和2020年中得以佐证。     

基于年际增量法的中国西部山区夏季降水统计预测研究

利用中国756个站点观测数据、Nio3区海温指数和74项环流指数等资料,应用EOF分析和相关分析等方法,对中国西部山区夏季(6—8月)降水的时空分布特征及其与ENSO和大尺度环流的相关关系进行分析。结果表明,中国西部山区夏季降水与冬季(上年12月—2月)Nio3区海温具有显著的正相关关系,且两者的相关关系与月份、海拔高度关系密切,并具有年代际变化特征。西部山区降水还与春季(3—5月)西太平洋副热带高压的强度具有显著的正相关关系。将西部山区夏季平均降水作为预测量,前期冬季Nio3区海温和春季西太平洋副热带高压强度作为预测因子,分别对秦岭、巫山山区降水建立预测模型,并利用该预测模型对2009—2018年夏季降水进行独立样本回报检验,发现预测模型对秦岭、巫山山区的预测成功率分别为70%和80%,相对误差绝对值通常小于10%,预测效果良好。     

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子,建立基于卷积神经网络(Convolutional Neural Network, CNN)的非线性预测模型,对中国160个测站夏季降水展开预测研究,并与基于线性奇异值分解(Singular Value Decomposition, SVD)的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数(ACC)分别为74.33和0.12,比SVD高2.15和0.06,说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中,CNN对SVD预测较好年份的预测效果提升较为明显,对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差,订正后CNN对拉尼娜年的降水预测改进较大。结果表明,基于年际增量法的CNN预测模型展示出较好的潜在应用价值。     

人工神经网络用于我国东部汛期降水预测的研究

采用人工神经网络ＢＰ模式对我国东部６垮的１９９１年和１９９４年的汛期降水进行预测，模式预测的旱渤总体趋势与实况相符。并预测了１９９５年的夏季降水。     

中国西北东部汛期降水主模态的年代际差异及其大气环流特征

利用1961—2012年中国西北东部156站降水和NCEP/NCAR再分析资料,分析该地区汛期(5—9月)降水特征的变化,构造综合相似指数,将历年汛期降水量场划分为全区一致偏多型、一致偏少型、南多北少型、南少北多型共4类降水类型,其中以全区一致偏少型所占比例最多。在全球气候变暖背景下,全区降水虽仍以一致偏少型为主,但其比例明显减小,而全区一致偏多型比例明显增加。全区一致偏多(少)的降水异常敏感区的中心位置随时间逐渐向东南方向移动,而南多(少)北少(多)型的降水异常敏感区中心位置则随时间逐渐向西北方向移动,两个模态所反映的降水异常敏感区的范围和强度在各年代均有较大差异。夏季西部型南亚高压、乌拉尔山脊显著增强,蒙古气旋加强、西太平洋副热带高压加强,南海、孟加拉湾的暖湿气流深入到中国西北东部地区,是西北东部降水一致偏多的主要大气环流特征。     

年际增量方法在西南夏季降水预测中的应用

利用中国西南地区80站逐月降水资料及NCEP/NCAR再分析资料等,采用降水预测新方法——年际增量法,考察影响中国西南地区夏季降水年际增量的前期冬、春季大气环流年际增量状况,并选取5个关键影响因子,采用多元回归法建立中国西南夏季降水年际增量预测模型。对降水年际增量进行预测,在1971—2010年的建模阶段,预测模型的拟合率为0.78,在2011—2017的后报检验7年中,有6年与实况值同位相。后报检验2011—2017年的降水距平百分率,均方根误差为16%。为考察对降水异常分布型的预报效果,逐站建立回归方程,并进行趋势预报检验,近5年的趋势异常综合评分高于发布预测,预报效果较好。因此,该方法的应用及模型的建立对提高西南地区夏季降水预测水平有重要意义。      

第二松花江流域夏季降水年际增量预测模型研究

利用1980—2016年第二松花江流域(SSR)夏季(6—8月)平均降水量资料、NCEP/NCAR再分析月平均环流场资料、NOAA的月平均海温场资料,采用年际增量预测方法,通过分析与SSR夏季降水年际增量相关的环流及海温,确定了超前12个月内的6个预测因子,包括:11月东亚200 hPa纬向风、12月西藏高原-2指数、12月赤道中东太平洋200 hPa纬向风、2月印度洋海温、10月西太平洋暖池海温、4月东亚100 hPa经向风。在此基础上利用这6个预测因子,利用1980—2010资料建立SSR夏季降水年际增量的统计预测模型,最后根据年际增量给出SSR夏季降水的预测结果。经检验,1981—2010年SSR夏季降水年际增量的预测拟合系数是0.83,SSR夏季降水预测结果拟合系数为0.67,SSR夏季降水预测结果相对均方根误差为15%,均通过了显著性检验;对2011—2016年进行试报实验,该模型也很好地预测出降水的年际增量变化趋势,除2014年以外,SSR夏季降水预测结果相对均方根误差绝对值都控制在23%以内,2016年仅为-9.9%。因此,通过预测降水的年际增量,进而再预测降水的方法,具...     

利用气象卫星资料定量测量黄河流域汛期降水

根据 Ｇ Ｍ Ｓ－ ５ 静止气象卫星数字化卫星云图的灰度分布,计算灰度共生矩阵,抽取云的纹理特征量,组成云自动分类方程,进而滤去地表和非降水云信息,实现云的自动分类,然后针对黄河流域不同类型云建立云顶温度与地面实测降水关系曲线,并选取订正因子,建立地面降水估算方程进行降水估算。使用结果表明,该方法对黄河流域汛期降水估算效果较好。     

基于土壤湿度和年际增量方法的我国夏季降水预测试验

选取欧亚大陆9个关键区的土壤湿度年际增量作为预测因子,采用变形的典型相关分析(BP-CCA)结合集合典型相关分析(ECC)方法建立集合预测模型,对我国东部夏季降水的年际增量进行预测,进而预测夏季降水。其中,1980~2004年的资料用于历史预测试验,而2005~2014年的资料用于独立样本预测试验。首先利用BP-CCA方法对9个因子分别建立单因子预测模型,然后采用ECC方法对9个预测因子按照不同的组合方式建立集合预测模型,并且对独立样本检验的效果进行了评估。结果表明,不同预测因子的组合对我国夏季降水均表现出一定的预测能力:东欧平原、贝加尔湖以北、我国河套地区及长江以南地区的土壤湿度对华北夏季降水预测效果较好;而巴尔喀什湖以北地区、我国西北地区、河套地区以及长江以南地区的土壤湿度对江淮夏季降水有较好预测效果;东欧平原、巴尔喀什湖以北地区以及我国河套地区的土壤湿度对华南降水预测技巧较高。这三组模型预测出的降水变化趋势与相应区域的观测结果较为一致,且预测评分(PS)均超过70分,距平相关系数(ACC)均为正值。研究表明土壤湿度因子中包含了对我国夏季降水有用的预测信号,可以考虑将土壤湿度应用于夏季降水的预测业务中。     

用统计集合方法制作全国汛期降水滚动预测试验

以全国160站汛期(6-8月)降水量为预测量,以最新得到的74项环流特征量指数为因子,尝试制作全国160站汛期降水滚动预测.建立模型时考虑了预测量与环流特征量因子序列的显著线性变化趋势,以及预测量与环流因子之间的相关不稳定性,用"滑动相关-逐步回归-集合分析"预测方法,分别建立了2009年全国160站汛期降水量的物理统计集合分析预测模型,并进行了近10年独立样本预测试验分析.结果显示:(1)用物理统计集合分析预测方法,以最新得到的74项环流特征量指数为因子,实现了全国160站汛期降水逐月滚动预测,2009年以在5月份制作的滚动预测效果最好.(2)近10年预测试验的空间距平相关系数Acc、业务评分PS和异常级评分TS均高于国家气候中心近年汛期预测业务平均水平.经过不断改进思路和优化具体建模方案,该方法具有较高的业务应用潜力.     

A Seasonal Prediction Model for the Summer Rainfall in Northeast China Using the Year-To-Year Increment Approach

Using the year-to-year increment approach, this study investigated the relationship of selected climatic elements with the increment time series of the summer rainfall between successive years in Northeast China, including the soil moisture content, sea surface temperature, 500 hPa geopotential height, and sea level pressure in the preceding spring for the period 1981–2008. Two spring predictors were used to construct the seasonal prediction model: the area mean soil moisture content in Northwest Eurasia and the 500 hPa geopotential height over Northeast China. Both the cross-validation and comparison with previous studies showed that the above two predictors have good predicting ability for the summer rainfall in Northeast China.     

天文准19年周期与西北降水

从天体运行周期角度分析发现,月亮等天体运行存在显著的准１９年周期。相应对年际气候变化有重要影响的厄尔尼诺事件也有准１９年周期,每１９年出现４～５个厄尔尼诺事件。在月赤纬最大值谷点年附近,西北区容易出现春旱;在月赤纬最大值峰点年附近,西北区春雨正常偏多     

2007年主汛期武汉区域四种数值模式定量降水预报评估

利用武汉中心气象台研发的“武汉区域气象中心天气轨道业务产品检验与评估平台”,对武汉区域气象中心在业务中使用的T213、AREM、日本数值预报模式和德国数值预报模式在2007年主汛期的降水预报进行了分级降水检验以及时空分布演变综合评估。结果表明,日本数值预报模式的综合预报性能最好,AREM次好,各模式均存在对强降水预报漏报率偏大的问题;AREM模式对降水带分布和中心强度的预报与实况最接近,表现出对降水带分布较强的预报能力,其它模式对强降水中心位置及强度的预报均有一定偏差;四种数值模式对区域强降水过程的发展趋势具有较强的预报能力,但降水量预报与实况有一定的差距。     

西北地区东部夏季极端降水量非均匀性特征

利用极端降水量集中度和集中期讨论西北地区东部夏季极端降水量的非均匀性分布特征。结果表明:西北地区东部夏季极端降水量集中度与集中期的空间差异并不大; 西北地区东部夏季极端降水量的季节内分配状况同夏季极端降水量存在较好的相关性, 极端降水量越集中、集中期越早, 则极端降水量越少, 反之亦然; 东亚夏季风同西北地区东部夏季极端降水量、极端降水量集中期存在负相关, 与极端降水量集中度存在正相关。     

超级集合思想在汛期降水预测集成中的应用

借用数值预报中超级集合的思想对参加中国汛期降水预测的各大单位预报结果进行集成，以期得到较好的预测结果。利用线性反演技术进行正反拟合和预报试验．结果表明集合预报效果比较稳定，多数情况下优于单个成员预报。体现了集合的优势，在气候预测业务中有一定的应用价值。     

越赤道气流与西北地区东部夏季降水的联系

利用1951-2002年NCEP／NCAR再分析月平均气候资料和西北地区东部夏季降水资料，研究了越赤道气流的年际变化及其对西北地区东部夏季降水的影响。结果表明，自1951年以来，越赤道气流总量呈增强趋势，且持续性好；索马里急流是最主要的越赤道气流，且比较稳定，它是影响西北地区东部夏季降水的重要环流因素。     

华南前汛期降水异常的时空变化特征

利用国家气候中心整编的1951—2000年中国160个站的月降水资料,选出华南地区16个代表站。重点分析了华南前汛期降水的年际、年代际变化的时空特征。结果表明:华南地区的降水主要集中在前汛期,而且降水偏多现象易发生在华南东部地区,降水偏少现象易发生在华南北部地区;20世纪50年代前期、60年代中期到80年代初为相对多雨期,而1950年代中期到1960年代中期及1980年代前期到90年代初为相对少雨期,90年代为波动期,但华南前汛期近50年的降水变化的总趋势不明显。华南前汛期降水具有明显的周期性。年际变化的主周期有三个:3,5和7年,年代际变化的主周期为14年。华南前汛期多雨年同期,淮河及黄河下游等地区少雨;而华南前汛期少雨年同期,大致相反。     

Seasonal Prediction of Summer Precipitation over East Africa Using NUIST-CFS1.0

East Africa is particularly vulnerable to precipitation variability, as the livelihood of much of the population depends on rainfed agriculture. Seasonal forecasts of the precipitation anomalies, when skillful, can therefore improve implementation of coping mechanisms with respect to food security and water management. This study assesses the performance of Nanjing University of Information Science and Technology Climate Forecast System version 1.0(NUISTCFS1.0) on forecasting June–September(JJAS) seasonal precipitation anomalies over East Africa. The skill in predicting the JJAS mean precipitation initiated from 1 May for the period of 1982–2019 is evaluated using both deterministic and probabilistic verification metrics on grid cell and over six distinct clusters. The results show that NUIST-CFS1.0 captures the spatial pattern of observed seasonal precipitation climatology, albeit with dry and wet biases in a few parts of the region. The model has positive skill across a majority of Ethiopia, Kenya, Uganda, and Tanzania, whereas it doesn’t exceed the skill of climatological forecasts in parts of Sudan and southeastern Ethiopia. Positive forecast skill is found over regions where the model shows better performance in reproducing teleconnections related to oceanic SST. The prediction performance of NUIST-CFS1.0 is found to be on a level that is potentially useful over a majority of East Africa.