单一值预报向概率预报转变的基础: 谈谈集合预报及其带来的变革

基于大气系统的非线性和复杂性,加上初值和模式等本身无法避免的一些不确定性,天气预报从单一值的确定论向多值的概率论转变不但符合气象科学的实际也是更好地服务社会之必需。但是这种转变的理性思考对很多用户,甚至气象工作者自己都不是很清楚。为了帮助人们理解和加速这一转变,本文就这种转变所面临的一些普遍困惑谈一些想法。集合预报是促成这种转变的中心技术,为什么要做集合预报?集合预报的根本目的是什么?人们对集合预报有哪些误解?集合预报对整个数值预报系统将带来什么样的变革?以及预报员的新使命是什么?作者针对这些问题进行了讨论。     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。     

基于局部线性嵌入的人工智能台风强度集合预报模型

利用局部线性嵌入算法通过学习挖掘高维数据集的内在几何结构,高效地实现维数约简和特征提取的能力,论文以2001—2012年共12年6—9月西北太平洋海域内生成的台风样本为基础,将气候持续因子作为台风强度的基本预报因子,采用局部线性嵌入的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的粒子群算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风强度预报模型的建模研究。在建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行预报试验。试验对比结果表明,前者较后者在6、7、8和9月24 h台风强度预报中,平均绝对误差分别下降了23.34%、24.46%、19.41%和27.45%,4个月的平均绝对误差下降了23.10%;48 h台风强度预报中,6—9月平均绝对误差分别下降了44.82%、16.73%、0.89%和49.26%,4个月的平均绝对误差下降了25.54%。进一步研究发现,在变动局部线性嵌入算法忌近邻个数的情况下,建立的台风强度集合预报模型,其预报结果稳定可靠,相对于气候持续法均为正的预报技巧水平,为台风强度客观预报提供了新的预报工具和预报建模方法。     

一种新型的中尺度暴雨集合预报初值扰动方法研究

提出一种针对对流不稳定构造具有中尺度运动特征的集合预报扰动初值的新方法--异物理模态法, 介绍了异物理模态法产生初值扰动区域和扰动振幅的数学处理方案, 即由不同对流参数化方案预报离差获得集合预报初值扰动区域、扰动结构和扰动振幅的数学处理过程. 利用美国PSU/NCAR的MM5中尺度模式, 对一次典型暴雨进行异物理模态法初值扰动集合预报试验, 详细分析了扰动初值的结构和集合预报结果. 结果表明, 该方法产生的初值扰动场具有合理的中尺度环流结构, 可以反映对流敏感区域的对流不稳定的预报不确定性, 集合预报结果可以明显改善控制预报.     

A Comparison of Three Kinds of Multimodel Ensemble Forecast Techniques Based on the TIGGE Data

Based on the ensemble mean outputs of the ensemble forecasts from the ECMWF (European Centre for Medium-Range Weather Forecasts),JMA (Japan Meteorological Agency),NCEP (National Centers for Environment...     

基于BGM与ETKF的台风"苏拉"(1209)集合预报的对比试验Ⅰ:路径预报

采用FNL再分析资料和美国联合台风警报中心(Joint Typhoon Warning Center,JTWC)资料,运用中尺度WRF(Weather Research and Forecasting)模式,分别使用增长模繁殖法(Breeding of Growing Mode,BGM)和集合卡尔曼变换方法(Ensemble Transform Kalman Filter,ETKF),对1209号台风"苏拉"进行了台风路径的集合预报试验,并对预报效果进行对比分析。结果表明:采用BGM或ETKF初始扰动的集合预报系统,集合平均预报对风场、温度场、位势高度场的预报效果均优于控制预报;ETKF方法的预报改进程度较BGM方法更大,且对风场和温度场预报技巧的优势尤为明显。BGM方法所得到的集合成员离散度小于ETKF方法,对大气真实状态的表征能力不及后者;两种扰动方法的集合平均都明显改善了台风"苏拉"的路径预报结果,尤其是控制预报在福建沿海第二次登陆后移速过快的问题,但对台风登陆位置预报的改进不明显;此外,采用ETKF方法的集合平均对台风"苏拉"路径预报的改进效果远优于采用BGM方法的集合平均预报。     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

利用MaxEnt研究印度中部秃鹫栖息地适宜性及气候变化的影响

秃鹫提供了宝贵的生态系统服务,在生态系统平衡中发挥着重要作用,但印度本土秃鹫数量在过去几年有所下降。掌握秃鹫栖息地的分布现状对于管理和防止秃鹫数量继续下降至关重要。可以预见,目前的气候危机可能会进一步导致秃鹫生境适宜性的变化,并影响现存的秃鹫种群。因此,本研究利用物种分布模型,对印度中部一个秃鹫栖息地的短期和长期变化进行预测,并以统计和图形的方式呈现数据。选择MaxEnt软件进行预测,是因为它与其他模型相比具有一定的优势,如只使用现有数据,在数据不完整、样本量小、样本间隙小等情况下表现良好。采用全球气候模式集成学习算法(CCSM4、Had GEM2AO和MIROC5)以获得更好的预测结果。14个稳健模型(AUC 0.864–0.892)是利用7个秃鹫种群(长喙、白臀、红头、银灰色、埃及秃鹫、喜马拉雅和欧亚狮鹫)在两个季节共1000多个地点的数据建立的。选定的气候(温度和降水)和环境变量(NDVI、海拔和土地利用/土地覆盖)被用于预测当前栖息地,未来的预测只基于气候变量。影响秃鹫栖息地分布的最重要变量是降水量(bio 15,bio 18,bio19)和温度(bio 3,bio 5)。在目前的预测中,森林和水体是影响土地利用的主要因素。在较小尺度上,随着时间的推移,极端适宜的栖息地面积减少,高度适宜的栖息地面积增加,总适宜栖息地面积在2050年略有增加,但到2070年有所减少。在更大的尺度上考虑,2050年适宜栖息地的净损失为5%,2070年为7.17%(RCP4.5)。相似的,在RCP8.5下,2050年适宜栖息地的净损失为6%,2070年为7.3%。研究结果可用于制定秃鹫的保护规划和管理,从而保护其免受未来的气候变化等威胁。     

集合预报方法的全局研究

应用一个最大简化的６变量非线性模式,引入胞映射全局分析方法,研究初值误差范围内不同扰动对预报结果的影响。在获得对其全局认识的基础上,再通过理论研究与预报实践证明,集合预报方法确能改进预报。理论研究表明,可以求出最佳集合样本数,而且由模式预报试验得到的最佳集合样本数与理论结果是一致的。另外,观测精度、预报精度以及模式状态变量的个数对最佳集合样本数有着不同的影响。     

集合滤波和三维变分混合数据同化方法研究

发展了一种新的混合数据同化方法——基于集合滤波和三维变分的混合数据同化方法。该方法将集合调整卡尔曼滤波(ensemble adjustment Kalman filter,EAKF)得到的集合样本扰动通过一个转换矩阵的形式直接作用到背景场上,利用顺序滤波的思想得到分析场的一个扰动;然后在三维变分(three dimensional variational analysis,3D-Var)的框架下与观测数据进行拟合,从而给出分析场的最优估计。文中以Lorenz63模型为例,开展了理想数据同化试验,结果表明,相比于集合调整卡尔曼滤波,这种新的混合同化方法可以给出更好的同化结果。