能见度集合预报及后处理技术应用

基于污染物情况、环流系统和时空分布特征分析,利用神经网络对历史数据进行建模,生成了能见度集合预报产品。在2022年冬季的TS评分检验中,预报产品优于欧洲中期数值预报中心模式(ECMWF)的能见度预报产品。利用概率匹配、最优百分位和神经网络三种后处理方法生成后处理产品,这些产品的TS评分优于集合预报产品。预报输入的ECMWF模式2 m湿度与实况的偏差是误差的主要来源。利用集成方法对三种后处理产品进行集成,其TS评分结果在低能见度区间总体接近或略优于原始产品。生成的能见度集合预报后处理最优集成预报产品成功提高了对中期延伸期能见度天气的预测准确性。     

多积云参数化方案热带气旋路径集合预报试验

利用MM5模式采用5种积云参数化方案选项研究了2004～2006年共8个热带气旋路径的集合预报。结果表明,热带气旋路径预报对积云参数化方案的选取是敏感的,积云参数化方案之间优劣互补,而选择无积云参数化方案选项对热带气旋路径的预报有积极的贡献。采用3种路径集合预报方案研究的结果表明,集合方法对热带气旋路径预报有明显的改善,其中无积云参数化Grell、Betts—Miller和Kain—Fritsch4种积云参数化方案选项组合的集合预报效果最好,平均路径误差最小。     

基于CMIP5多模式集合资料的中国气温和降水预估及概率分析

选用国际耦合模式比较计划第五阶段（CMIP5）提供的30个全球大气-海洋耦合模式（AOGCMs）在典型浓度路径（RCPs）情景下气温和降水量的预估结果,采用扰动法,用站点观测资料作为气候背景场替代AOGCM模拟的气候平均,尝试校正气候预估结果的系统性偏差。通过集合方法,用概率的形式给出中国平均气温升高1 ℃,2 ℃和3 ℃以及降水量增加10%,20%和30%概率的空间分布,讨论了中国未来平均气温和降水量可能的变化。结果表明：经过扰动法处理后的气温和降水量预估集合保留了当前气候的局地信息。预估平均气温在中国均有上升,北方地区尤其是青藏高原地区变暖的程度大于南方地区,北方大部分地区平均气温升高的趋势为0.28 ℃/10a。在21世纪初,中国北方地区年平均气温升高1 ℃的可能性超过50%。到了21世纪末期,中国大部分地区平均气温升高2 ℃的可能性超过60%,新疆北部以及青藏高原南部地区气温升高3 ℃的可能性超过50%。预估中国降水量普遍增多,中国北方地区降水量增多的程度要明显大于江淮流域及其以南地区,尤其是西北地区降水量增多非常显著,降水量增多30%的可能性超过70%以上。     

基于BGM的暴雨集合预报初始扰动发展分析

基于增长模繁殖法（BGM）思想,采用AREM（新一代区域η坐标模式）,研究了暴雨过程中,初始随机扰动在繁殖循环中随时间的演变特征和发展机理。结果表明,初始扰动的演变决定于环流背景场的结构和大气中的湿物理过程。背景场不仅影响扰动的演变规律,而且决定了扰动发展的敏感区域。初始扰动随时间演变存在两个敏感区,一是背景场的大风速区,二是降水区附近。对流层高层,大风速区附近扰动得到最优发展;对流层中低层,扰动不仅沿大风速区发展,且与降水区配合较好。初始扰动发展的机理也有两种,一是大气湿物理过程引起的位势不稳定或第二类条件不稳定（CISK）;二是由风切变引起的大气动力不稳定。高层扰动的增长,以干大气的动力不稳定占优,中低层扰动的发展主要是湿物理过程的贡献,初始扰动在模式中的发展与降水的发展是同“源”的,有利于降水发展的环境也有利于初始扰动的发展,从而影响了降水的可预报性。所以利用暴雨预报模式制作集合预报时,BGM仍是可用的方法。     

集合卡尔曼滤波同化中雷达位置的敏感性研究

针对对流尺度集合卡尔曼滤波（EnKF）雷达资料同化中雷达位置对同化的影响进行研究。为了考察强对流出现在雷达不同方位时集合卡尔曼滤波同化雷达资料的能力,以一个理想风暴为例,设计了8个均匀分布在模拟区域周围的模拟雷达进行试验。单雷达同化试验中,初期同化对雷达位置较敏感,而十几个循环后对雷达方位的敏感性降低。造成初期同化效果较差的雷达观测位于模拟区域正南和正北方向,这两部雷达与模拟区域中心的连线垂直于风暴移动方向（即环境气流的方向）。双雷达试验的结果表明,正东、正南、正西和正北方向的雷达组合观测会使同化初期误差较大,这说明并不是所有与风暴连线成90°的雷达组合都能在短时同化中得到合理的分析结果,还需要都处于模拟区域对角线上（即与环境气流成45°夹角）,同化效果才较好。短时同化后的确定性预报结果表明,较大分析误差也会导致较大预报误差。这些分析误差主要是由于同化初期不准确的集合平均场驱动出的不合理的背景误差协方差造成的。当背景场随着同化循环得到改进后,驱动出的合理的背景误差协方差使得不同位置雷达同化造成的差异逐步减小。基于上述结果,引入迭代集合均方根滤波（iEnSRF）算法,结果显示使用该算法后,雷达位置对同化效果的影响减小,同化不同位置的雷达资料均能有效降低分析和预报误差。      

青藏高原东侧"2003.8.28"暴雨的集合预报试验

利用MM5模式和国家气象中心的T213模式的预报资料,通过研究非绝热物理过程参数化方案对高原东侧"2003.8.28"暴雨数值预报的影响特征,进行了多物理模式集合预报试验,为开展青藏高原东侧集合预报扰动技术研究进行了试验.试验结果表明,模式物理参数化方案对中尺度降水预报结果有明显影响,包括局地降水强度、空间分布型态、时间演变特征等.随着模式分辨率的提高,积云对流参数化方案将增加小雨量级降水区域,产生一些虚假降水,就现阶段模式水平而言,高分辨率集合预报应重点发展考虑强降水预报不确定性的集合预报模式系统.多物理模式集合预报的初步试验结果表明,高分辨率集合预报可以改进单一确定性预报结果不稳定的缺点,为强降水灾害性天气预报提供有价值的预报信息.     

CMIP5多模式集合对南亚大河气候变化模拟评估及未来情景预估

利用英国东英格利亚大学CRU(Climatic Research Unit)逐月气温、日本高分辨率亚洲陆地降水数据集APHRODITE(Asian Precipitation-Highly-Resolved Observational Data IntegrationTowards Evaluation)逐日降水资料以及耦合模式比较计划CMIP5(Coupled Model Intercomparison Project phase 5)多模式集合逐月气温、降水格点数据,评估了CMIP5多模式集合对包括印度河、恒河、湄公河、萨尔温江、伊洛瓦底江和布拉马普特拉河全区域(简称南亚大河流域)气候变化的模拟能力,并对流域2016—2035、2046—2065和2081—2100年气候变化可能趋势进行了预估。结果表明:CMIP5多模式集合对流域年平均气温的时间变化和空间分布特征有较强的模拟能力,时间空间相关系数都达到0.01的显著性水平,尤其对夏季气温的模拟要优于其他季节;对降水而言,模式对其也有较好的模拟能力,尤其是降水的季节性波动。预估结果表明:RCP2.6、4.5、8.5情景下,相对于基准期(1986—2005年),21世纪前期(2016—2035年)、中期(2046—2065年)和末期(2081—2100年)全流域年平均气温都有上升,且上升增幅随排放情景增大而增大,流域高海拔地区增幅较大;降水除21世纪前期RCP4.5、8.5情景下的增长趋势较小外,全流域年降水量都将增大;未来上述三段时期夏季持续升温将引起北部高海拔地区冰川的进一步消融;春季降水未来将持续增加,对全区水资源的贡献将增加;流域冬季降水的少量增加有助冰川累积和高海拔地区水资源的增加;三段时期夏季降水都有增长,洪涝发生的风险加大,极端降水事件可能增多。     

联合VMD和Bi-LSTM的GNSS坐标时序降噪

针对GNSS坐标时间序列中的噪声难以有效去除等问题,构建了一种联合变分模态分解和双向长短期记忆模型的方法用以去除GNSS坐标时间序列中的噪声。将GNSS坐标时间序列分解为k个本征模态函数分量,并根据样本熵选择出有效的模态分量,分别通过双向长短期记忆网络处理,最后将信号进行合成。以BJFS等12个具有较长时间序列且数据完整性较好的GNSS站点坐标数据为例,对坐标时间序列进行降噪。将该方法与传统的分解方法进行对比分析,发现在E、N、U方向上,相比于单一变分模态分解,速度不确定度改正率分别提高了11.03%、4.60%、7.39%,相比于经验模态分解分别提高了31.70%、27.70%、24.42%。结果表明该方法能够更好地去除信号中的噪声,且优于传统分解方法,可提高信号可靠性。     

一个ENSO多模式集合预报系统介绍

厄尔尼诺-南方涛动(El Ni?o and Southern Oscillation,简称ENSO)是短期气候预测的主要可预报性来源.为提高ENSO的预报水平,我们构建了一个包含5个动力耦合模式的多模式集合预报系统,其中各个模式具有不同的复杂程度、参数化方案、分辨率、初始化和集合扰动生成方案,以尽可能全面地考虑各种不确定性对预报结果的影响.回报试验结果表明:多模式集合的预报效果明显好于任何一个单一模式,其显著降低了均方根误差,并提高了异常相关性技巧.该多模式集合的预报效果可以比肩甚至优于同期北美多模式比较计划中的ENSO多模式集合预报技巧.此外,多模式集合预报能够削弱“春季预报障碍”的影响,提供更为可靠的概率预报.实时预报能够提前六个月准确地捕捉到近期连续两年的拉尼娜事件,并且该系统从2022年4月开始的预报也显示出连续三年拉尼娜事件的可能性.总体来说,这一多模式集合预报系统能够提供比任何模式成员更加准确的确定性预报和概率预报.这些改进主要得益于:一方面不同模式之间的优势互补增加了可预报信息,另一方面该系统集合成员规模较大有助于更为合理地刻画预报不确定性的分布.