（气象学专业论文）北半球地面气温的多模式超级集合预报研究.pdf

中文摘要 基于t i g g e 资料，采用均方根误差分别对e c m w f 、j m a 、n c e p 和u k m o 四个 中心的地面气温集合预报资料的集合平均结果进行评估，比较各中心预报效果。 然后利用多模式集合平均、超级集合与消除偏差集合平均三种方法对四个中心 的地面温度预报进行集成，比较三种集成方法的预报效果。基于此前的研究结 果，利用滑动训练期对传统的超级集合预报方法进行改进，并对滑动训练期超 级集合和消除偏差集合平均的训练期长度进行调试，最后采用最优滑动训练期 长度进行超级集合与消除偏差集合平均的对比试验。 结果表明，2 0 0 7 年夏季j m a 与e c l d w f 的北半球大部分地区预报效果较好， 各中心在中国地区的预报效果较差，在美国地区较好。超级集合与消除偏差集 合平均明显降低了预报的均方根误差，预报效果远优于最好的单个中心预报和 多模式集合平均。采用滑动训练期的超级集合迸一步改善了预报效果。对于2 0 0 7 年8 月8 日一3 1 日北半球中纬度陆地地面气温预报，进行滑动训练期超级集合预 报时，训练期的长度不能太短，较长的训练期长度对预报效果较为有利。对于 消除偏差集合平均的预报，要得到最优预报滑动训练期的长度不能太长也不能 太短，半个月至一个月左右的长度较为合适。最优滑动训练期的超级集合与消 除偏差集合平均两种方法对短期预报的改善效果相当，对于较长预报时效，消 除偏差集合平均表现出了更好的预报性能。随着各中心预报效果的改善、参与 集合的模式数量增加以及在超级集合预报中引入非线性回归、神经网络等方法， 有望进一步改进超级集合预报效果。 关键词：t i g g e ，多模式集合平均，超级集合，消除偏差集合平均，多元线性回 归分析 1 1 1 a b s t r a c t b a s e do nt h et i g g ed a t a , t h ee n s e m b l em e a no u t c o m e so ft h e2 4 16 8 h e n s e m b l ef o r e c a s t sf o rt h eg l o b a ls u r f a c et e m p e r a t u r ep r o v i d e db ye c m w ej m a ， n c e pa n du k m ow e r ev e r i f i e db ye x a m i n i n gt h er o o tm e a ns q u a r ee l r o r s ( r m s e ) t h em u l t i m o d e le n s e m b l ef o r e c a s t so ft h es u r f a c et e m p e r a t u r ef o rt h ef o r e c a s tp e r i o d f r o m8t o31a u g u s t2 0 0 7h a v eb e e nc o n d u c t e db yu t i l i z i n gt h em u l t i m o d e le n s e m b l e m e a n ，t h es u p e r e n s e m b l e ，a n dt h eb i a s - r e m o v e de n s e m b l em e a n t h ef o r e c a s ts k i l lo f t h e s em u l t i m o d e le n s e m b l em e t h o d sw a si n v e s t i g a t e d am u l t i m o d e ls u p e r e n s e m b l e a p p r o a c h w i t ht h e r u n n i n gt r a i n i n gp e r i o d w a s p r o p o s e d t o i m p r o v e t h e s u p e r e n s e m b l ef o r e c a s ts k i l l t oa c h i e v et h eo p t i m a lf o r e c a s t ，t h el e n g t ho ft h e r t m n i n gt r a i n i n gp e r i o dw a st e s t e df o rt h es u p e r e n s e m b l ea n dt h eb i a s - r e m o v e d e n s e m b l em e a n ，r e s p e c t i v e l y f i n a l l y , t h ec o m p a r a t i v et e s tw a su n d e r t a k e nt o e v a l u a t et h ef o r e c a s ts k i l lo ft h em u l t i m o d e ls u p e r e n s e m b l ea n dt h eb i a s r e m o v e d e n s e m b l em e a n 、肮t ht h eo p t i m a ll e n g t ho ft h et r a i n i n gp e r i o d t h er e s u l t ss h o wt h a tt h ej m aa n dt h ee c m w fe n s e m b l ef o r e c a s t sh a dt h eb e s t s k i l ld u r i n gt h es u m m e r2 0 0 7i nt h en o r t h e r nh e m i s p h e r e a l lf o u rm o d e l sh a dt h e b e s tf o r e c a s ts k i ui nt h eu n i t e ds t a t e sa n dr e l a t i v e l yb a ds k i l li nc h i n a t h e s u p e r e n s e m b l ea n dt h eb i a s r e m o v e de n s e m b l em e a nr e d u c e dt h ef o r e c a s tr m s e e v i d e n t l y b o t hm e t h o d ss h o wac o n s i d e r a b l ei m p r o v e m e n to nf o r e c a s ts k i l lo v e rt h e b e s ts i n g l em o d e lf o r e c a s ta n dt h ee n s e m b l em e a n t h es u p e r e n s e m b l ew i t ht h e n m n i n gt r a i n i n gp e r i o df u r t h e ri m p r o v e st h ef o r e c a s ts k i l l f o rt h es u r f a c e t e m p e r a t u r ef o r e c a s to v e rt h el a n da r e ao f3 0 n - 6 0 nf r o m8t o31a u g u s t2 0 0 7 ，a l o n g e rr u n n i n gt r a i n i n gp e r i o ds h o w sb e a e rf o r e c a s ts k i l lf o rt h es u p e r e n s e m b l e h o w e v e r ，t h i si sn o tt h ec a s ef o rt h eb i a s - r e m o v e de n s e m b l em e a nw h o s eo p t i m a l t r a i n i n gp e r i o dl e n g t hl i e sb e t w e e nah a l fm o n t ht oo n em o n t h t h ef o r e c a s ts k i l lo f t h es u p e r e n s e m b l ew i t ht h eo p t i m a ll e n g t ho ft h et r a i n i n gp e r i o di se q u i v a l e n tt ot h e b i a s 。r e m o v e de n s e m b l em e a nw i t ht h e o p t i m a ll e n g t ho ft h et r a i n i n gp e r i o df o r i v s h o r t - t e r mw e a t h e rf o r e c a s t s b u tf o rl o n g e rf o r e c a s t t i m e ，t h eb i a s r e m o v e d e n s e m b l em e a nh a sh i g h e rf o r e c a s ts k i l lt h a nt h es u p e r e n s e m b l e 、析t 1 1t h eo p t i m a l l e n g t ho ft h et r a i n i n gp e r i o d f u r t h e rs t u d ys h o u l db ec o n d u c t e dt oi m p r o v et h e f o r e c a s tk i l lo ft h em u l t i m o d e ls u p e r e n s e m b l eb yi n c l u d i n gm o r em o d e l sa sw e l la s m a k i n gu s eo fn o n l i n e a rr e g r e s s i o na n dn e u r a ln e t w o r kt r a i n i n g k e yw o r d s ：t i g g e ，e n s e m b l em e a n ，m u l t i m o d e ls u p e r e n s e m b l e ，b i a s - r e m o v e d e n s e m b l em e a n ， m u l t i p l el i n e a rr e g r e s s i o n s v 学位论文独创性声明 本人郑重声明： l 、坚持以“求实、创新的科学精神从事研究工作。 2 、本论文是我个人在导师指导下进行的研究工作和取得的研究 成果。 3 、本论文中除引文外，所有实验、数据和有关材料均是真实的。 4 、本论文中除引文和致谢的内容外，不包含其他人或其它机构 已经发表或撰写过的研究成果。 5 、其他同志对本研究所做的贡献均已在论文中作了声明并表示 了谢意。 作者签名： 日期： 学位论文使用授权声明 本人完全了解南京信息工程大学有关保留、使用学位论文的规 定，学校有权保留学位论文并向国家主管部门或其指定机构送交论 文的电子版和纸质版；有权将学位论文用于非赢利目的的少量复制 并允许论文进入学校图书馆被查阅；有权将学位论文的内容编入有 关数据库进行检索；有权将学位论文的标题和摘要汇编出版。保密 的学位论文在解密后适用本规定。 作者签名：燧! 圣 日 期：趔年蛸g 旦 第一章绪论 1 1 多模式超级集合预报的研究意义 经过将近一个世纪的发展，数值天气预报已取得了巨大的进步，预报准确率有了很大 提高，并且由传统的单一确定性预报向集合数值预报方向发展。l o r e n z 硷最早提出集合数 值预报的思想，l e i t h 曲1 将l o r e n z 的非线性理论与e p s t e i n h l 的动力随机预报理论方法相结 合，提出了比较适合于实际应用的蒙特卡罗方法。从此。集合数值天气预报开始由理论研 究向实际应用迈进。进入2 0 世纪9 0 年代，集合预报技术在许多国家气象中心相继投入业 务使用。近年来，集合预报技术取得了许多重大进展，其中最显著的是发展了多模式一多 分析集合预报技术幅1 。多模式集合技术是一个充分利用各中心模式预报结果以减小模式系 统性偏差的有效途径，而作为一种多模式集合技术的超级集合预报技术又是目前预报效果 最好的方法之一。k r is h n a m u r t i 等6 1 最早提出了超级集合预报方法，它是种对多个模 式的数值预报结果进行后处理加工获得最优预报的方法。对于某一气象要素预报，在每一 个格点上，超级集合方法根据参与集合的各个模式在该格点上训练期的表现分配不同的权 重川，权重用到预报期进行超级集合预报。通常，预报效果好的模式分配的权重多，差的 模式分配的权重少，从而降低了单个模式偏差，提高了预报准确率。该方法具有有效改进 季节气候预测技巧、提高中短期预报准确率和简便实用等优点，因此在国际上得到了广泛 研究与应用陋1 6 1 。 由于观测资料的获取范围、初始场同化方案、数值模式性能等方面的差异，各国气象 中心全球数值预报模式在全球不同的区域有不同的预报效果。随着计算机与通信技术的发 展，各国气象合作日趋紧密，越来越多国家气象中心的数值预报资料相互共享。多模式超 级集合预报技术可充分利用各国气象中心的全球数值预报资料以提高预报准确率成为各大 气象中心的研究热点。我国的数值预报技术与气象合作处于快速发展阶段，多模式超级集 合预报技术由于其算法灵活、简便实用等特性在我国数值预报研究与业务应用等方面有着 广泛的应用前景。 1 2 超级集合预报方法的研究现状 1 2 1 超级集合预报在国外的研究现状 k r i s h n a m u r t i 等哺一1 伽在提出超级集合预报方法的同时做了大量的试验对该方法进行 检验。研究发现，超级集合预报有效地减小了季节气候预测和天气预报的误差，预报效果 远优于单个模式和多模式集合平均。为了验证超级集合预报对中短期天气预报的能力，他 们集合七个不同的全球数值天气预报模式，选取1 9 9 8 年6 月、7 月共6 1 天作为训练期，8 月的3 1 天作为预报期，应用e c i 棚f 的分析资料作为对比分析的“观测值”，分别对模式预 报时效1 - 3 天的8 5 0 h p a 风场预报做超级集合，在热带地区、亚洲季风区、美国地区、欧洲 地区、整个北半球和南半球等不同区域对预报效果进行检验。与各个模式和集合平均相比， 超级集合更有效地降低了预报误差阳1 。k u m a r 等”利用超级集合方法对飓风的路径和强度进 行预报试验，发现超级集合预报效果也优于单个模式和多模式集合平均。 前期的火量试验证明了多模式超级集合预报方法的可靠性和稳定性，而该方法的好坏 主要取决于参与集合的单个模式性能。目前数值模式在长期预报方面还处于比较低的水平， 虽然超级集合预报较单个模式有所改善，但与实况相比长期预报还存在比较大的误差。近 年来随着人们对大气运动规律的进一步探索和计算机技术的发展，中短期数值预报技术有 了长足的进步，同时也促进了中短期超级集合预报技术准确率的提高。r o s s u 副等应用超级 集合预报技术，集合全球五个业务预报中心模式( b m r c 、j m a 、n c e p 、n r l 和r p n ) 和f s u ( f l o r i d as t a t eu n i v e r s i t y ) 的全球谱模式，利用这六个模式的全球数值预报逐日资料， 分别对平均海平面气压、5 0 0 h p a 高度场、2 0 0 h p a 和8 5 0 h p a 的风场做超级集合预报，预报 时效为卜5 天，针对全球不同的区域进行预报误差分析。通过大量的试验比较分析，超级 集合预报效果优于最好的单个模式和集合平均，并且总体上南半球比北半球预报效果更好， 春秋两季比冬夏两季预报效果更好。其中，对平均海平面气压预报效果最好，其次是5 0 0 h p a 高度场、8 5 0 h p a 风场和2 0 0 h p a 风场。c a r t w r i g h t ”副集合九个模式成员，其中五个成员来 自美国业务与研究中心的中尺度模式，四个成员来自应用不同初始条件的f s u ( f l o r i d a s t a t eu n i v e r s i t y ) 的区域谱模式。通过超级集合预报方法对美国东南部夏季降水进行定 量预报，预报时效为1 2 、2 4 、3 6 、4 8 和6 0 小时。应用e t s 评分与f a r 评分对降水量预报 效果进行检验，超级集合预报对降水的定量预报评分优于最好的模式成员，也优于简单的 集合平均和消除偏差的集合平均。 近几年来，超级集合预报技术在实际应用与研究中不断得到改进。y u n 等( 1 4 j 设计了一 种用奇异值分解( s v d ) 求解回归系数的超级集合方法，在对回归方程进行求解时该方法 可解决协方差矩阵的奇异性问题，得到更好的回归系数。y u n 等又提出了利用e o f 改进 超级集合预报的季节气候预测技巧，在构建超级集合预报之前先对资料进行e o f 滤波，这 样的超级集合预报方法优于常规的超级集合预报方法。s t c f a n o v a 6 1 在传统的超级集合预报 方法中引入了概率预报观点，用于改进季节降水概率预报，并使用b r i e r 技巧评分( b s s ) 对概率预报效果进行检验，超级集合预报方法提供的概率预报优于多模式集合和气候预报。 2 1 2 2 超级集合预报在我国的研究现状 数值预报的误差主要来源于初始场的不确定性与预报模式的不确定性_ 8 1 ，按数值预 报的误差来源，可以将集合预报分为两种，一种是初值扰动集合预报，一种是模式扰动集 合预报。模式扰动集合预报又分为单一模式集合预报和多模式集合预报两大类。在我国对 于初值扰动集合预报与单一模式集合预报研究较多n 7 ，但对于多模式集合预报研究还较 少，作为一种多模式集合预报技术的超级集合预报的研究更是处于起步阶段。陈丽娟等曙引 借用超级集合思想对我国汛期降水预测的各大单位预报结果进行集成，结果表明集成预报 效果比较稳定，多数情况下优于单个成员预报。马清等晗引针对全球五个气象中心的区域集 合预报模式的2 m 温度预报，做了超级集合预报的集成研究，发现集成预报的平均绝对误差 小于单一模式预报，并且不存在明显的系统误差。智协飞等心4 - 矧和林春泽等幢”利用t i g g e 资料对北半球地面气温所做的多模式超级集合预报试验表明，对于1 - 3 天短期预报而言， 基于线性同归和神经网络技术的超级集合预报误差远小于单个模式，多模式集合平均以及 消除偏差集合平均的预报误差。使用滑动训练期的多模式超级集合预报效果明显优于使用 固定训练期的超级集合预报效果。对于4 - 7 天预报而言，滑动训练期的多模式超级集合预 报效果优于单个模式，多模式集合平均以及消除偏差集合平均的预报误差。 1 3 本文主要工作介绍 近年来，世界气象组织( 删o ) 发起的t h o r p e x ( t h eo b s e r v i n gs y s t e mr e s e a r c ha n d p r e d i c t a b i l i t ye x p e r i m e n t ，全球观测系统研究和可预报性试验) 科学计划中的t i g g e 计 划提出了建立全球交互式大集合预报，以改进1 - 1 4 天天气预报准确率。中国气象局( c m a ) 、 欧洲中期天气预报中心( e c m w f ) 以及美国国家大气研究中心( n c a r ) 一起作为t i g g e 资料 交换的三个全球中心，每天接收欧洲中期天气预报中心、美国国家环境预报中心( n c e p ) 等数十个国家气象中心的集合预报资料，预报时效达到1 - 1 6 天。比较各中心的预报效果和 如何充分利用各中心数值模式集合预报资料提高预报准确率已成为各气象中心的研究热 点。本文选取欧洲中期天气预报中心( e c m w f ) 、日本气象厅( j m a ) 、美国国家环境预报中 心( n c e p ) 和英国气象局( u k m o ) 四个中心的t i g g e 资料，对各中心的全球集合预报资料做 集合平均处理并对各中心集合平均预报效果进行评估，然后利用超级集合预报技术对四个 中心的集合平均资料进行集成并对超级集合预报结果进行分析。由于资料的限制，本文只 选取各中心地面气温预报资料进行超级集合预报试验，主要是对超级集合预报方法的实际 应用进行探讨。由于该方法在我国的研究与应用还较少，希望能给我国超级集合预报方法 的研究和构建我国业务使用的多模式超级集合预报系统等工作提供参考。 3 第二章资料和方法 2 1 资料说明 本文所用资料包括欧洲中期天气预报中心( e c m w f ) 、日本气象厅( j m a ) 、美国国家环 境预报中心( n c e p ) 以及英国气象局( u i ( 1 1 0 ) 四个中心集合数值预报资料的集合平均资料 以及n c e p n c a r 再分析资料。 ( 1 ) t i g g e 资料：选取四个中心全球集合预报模式2 0 0 7 年6 月1 日q 月3 1 日每天 1 2 时( 世界时，下同) 起报的地面气温的各自集合平均资料，预报区域为北半球大部地区 ( 1 0 。8 7 5 。n ，0 9 3 5 7 5 。) 和北半球中纬度地区( 3 0 。6 0 。n ，0 。 - 3 5 7 5 。) ， 分辨率为1 2 5 。1 2 5 。经纬网格，预报时效为2 4 1 6 8 小时，间隔为2 4 小时。 ( 2 ) n c e p n c a r 再分析资料：选取2 0 0 7 年6 月1 日9 月7 日逐日1 2 时地面气温资 料，区域为北半球大部地区( 1 0 。8 7 5 。n ，0 。3 5 7 5 。) 和北半球中纬度地区( 3 0 。 - - 6 0 。n ，0 。 3 5 7 5 。) ，分辨率为2 5 。2 5 。经纬网格，作为“观测值”，用于检 验预报效果。 2 2 方法说明 2 2 1 误差分析 均方根误差：r m s e = 【吉1 i i ；1 ( 鼻一q ) 2 】- ( f = l ) ( 2 1 ) 绝对误差：彳e 。专萋l e o , i ( f = 1 ) ( 2 2 ) 系统误差：髓2 专萋( c q ) ( f = 1 ) ( 2 3 ) ( 2 1 ) 、( 2 2 ) 与( 2 3 ) 中e 为第i 个样本的预报值，q 为第i 个样本的观测值，n 为 总样本数。 2 2 2 多模式集合平均 e m n = 三巧 ( 2 4 ) 疗智 ( 2 。4 ) 中f 为第i 个模式的预报值，疗为参与集合的模式总数。 2 2 3 超级集合预报方法 从超级集合预报流程上看( 图2 1 ) ，超级集合预报方法把选取的时间序列分为两部分， 即训练期和预报期。在训练期使用超级集合预报值与观测值做多元线性回归分析，确定参 4 与超级集合的各个模式的回归( 权重) 系数，权重随空间变化但是随时间不变，相应的权 重系数用于预报期的超级集合预报嵋呻1 。 超级集合预报模型由方程( 2 5 ) 构建，在一个给定的格点上，对于某一预报时效某一气 象要素： s = 乃+ q ( c ，一霉) ( 2 5 ) i = 1 墨为超级集合预报值，否为训练期观测值平均，c ，为第i 个模式的预报值，亏为第i 个模 式在训练期的预报值平均，q 为回归系数( 权重) ，n 为参与超级集合的模式总数，t 为时间。 在训练期，回归系数q 由( 2 6 ) 中的误差项g 最小化计算而得引： ，n 坍 g = 一q ) 2 ( 2 6 ) ，# i ( 2 6 ) 中d ，为观测值，n t r a i n 为训练期时间样本总数。在用超级集合预报值与观测值 做多元线性回归分析时，要使g 最小在计算中应用最& - - 乘法原理仉1 4 1 ，误差协方差矩阵 c 为 n t r a l n c = 哆，j = 【曩：，】( f ，_ ，= l ，2 力 ( 2 7 ) - l ( 2 7 ) 中e 和e ，分别是第i 个模式和第j 个模式的预报值距平。 建立线性代数方程： 【e j 【q 】= 【q 】 ( 2 8 ) n t 阳i n 其中曰= o ：g ，研为观测值距平，e 。，】为( n n ) 的矩阵，【q 】为( n x l ) 的矩 ，= l 阵，【谚1 为( n x1 ) 的矩阵。应用g a u s s j o r d a n 消除法求解( 2 8 ) 中的【g 】，得到鳞代入 到( 2 5 ) 中。对其他格点也做同样的计算，在预报期即可利用求得的饵进行超级集合预报。 5 t 时间 训练期 j 预报期 。 图2 1 超级集合预报流程示意图 2 2 3 消除偏差集合平均 相对于超级集合预报方法，提出了一种在预报期给予参与集合的各个模式等权重的集 合方法一消除偏差集合平均( b r e ) 1 1 3 消除偏差集合平均可由方程( 2 9 ) 定义： b r e = 否+ 二( z 一亏) ( 2 9 ) 一。 ，# i ( 2 9 ) 中否为训练期观测值平均，f 为第i 个模式的预报值，亏为第i 个模式在训练 期的预报值平均，n 为参与超级集合的模式总数。 比较方程( 2 5 ) 与( 2 9 ) ，两个式子中否都为训练期观测值平均，声都为第i 个模式 在训练期的预报值平均，它们都是利用训练期的历史资料处理预报期的预报，唯一的不同 是超级集合预报是一种非等权重加权，珥是通过训练期进行回归分析得到的，而消除偏差 集合平均是一种等权重加权，在整个预报期都给予参与集合的n 个模式相同的权重即1 n 。 消除偏差集合平均给予参与集合的每个模式相同的权重，好的模式与差的模式对预报的贡 献是相同的，而超级集合通过各个模式在训练期的表现给予不同的权重来量化它们对集合 预报的贡献。进行超级集合预报试验时常用消除偏差集合平均做对比分析，以评价超级集 合预报技巧。 6 第三章北半球地面气温的超级集合预报 3 1 各个中心地面气温集合预报误差评估 以温度预报的均方根误差作为衡量预报效果的指标，计算2 0 0 7 年6 月1 日一8 月3 1 日四个中心地面气温预报在北半球大部地区( 1 0 。8 7 5 。n ，0 。3 5 7 5 。) 的区域平 均均方根误差。如图3 1 所示，对于北半球大部地区四个中心预报的均方根误差随预报时 效增长而增大，但增幅并不大，从2 4 小时到1 6 8 小时均方根误差增加了0 。5 左右，u k m o 误差最大，n c e p 的次之，e c m w f 与j 姒的误差最小。j m a 的2 4 小时、4 8 小时预报效果最好， 误差为2 0 7 和2 1 6 。u l ( m o 的2 4 小时、4 8 小时预报效果最差，误差达到2 6 和2 6 5 。j m a 与e c m w f 的7 2 小时预报误差相当，1 2 0 小时、1 4 4 小时、1 6 8 小时e c m w f 的预报误 差略小于j m a ，预报效果最好。 图3 12 0 0 7 年6 月1 日8 月3 1 日地面温度北半球区域平均均方根误差( 单位：) 分别计算2 0 0 7 年6 月1 日q 月3 1 日中国( 1 5 。 - 5 5 。n ，7 0 。 1 3 5 。e ) 、美国( 2 5 。5 5 。n ，1 2 5 。7 0 。w ) 和欧洲( 3 0 。5 5 。n ，0 。 4 0 。e ) 三个地区各中心地面 气温预报的区域平均均方根误差。从图3 2 可以看出，e c m w f 、j m a 和n c e p 三个中心的地 面气温预报在中国地区效果都比较差，在美国地f x z - _ n 报效果最好，u i o d o 的预报在中国地区 与美国地区效果相当，在欧洲地区较差。在中国地区，u k m o 预报的均方根误差略小于其它 三个中心，e c m w f 与j - m a 比较接近，n c e p 误筹最大；在美国地区，j m a 的预报效果最好， 7 咄0 最差，2 4 小时至1 6 8 小时预报均方根误差比小04 左右；在欧洲地区 j m a 的预报效果最好，其扶是e c m w f ，u 酬0 的预报均方根误著最大。 图322 0 0 7 年6 月l 口8 月3 lue c 岍f ( a ) ，j i i a ( b ) 、h 脚( c ) 和u 蹦0 ( d ) 预报的 地面温度区域平均均方根误差( 单位：) 图33 给出6 月一8 ，e j 共9 2 天的四个中心2 4 小时地面气温预报均方根误差在北半球大 部地区的地理分布。从中可见，每个中心的地面气温预报均方根误差在亚洲大陆地医都较 大，特别是在亚洲丈陆的高原地区尤为突出，在北美地区较小。均方根误差在2 以f 的 区域e c m v f 最大，均方根误差在3 以下的区域皿 最大。比较四个中心的均方根误差分 布图，总体上看e c i w f 和j l i a 的地面气温预报的均方根误差较其它中心小，4 8 小时、7 2 小 时的均方根误差的地理分布( 图略) 与2 4 小时比较一致。对于1 4 4 h 与1 6 8 h 的预报( 圈略) ， 各中心在高纬度地区均方根谡差增长很快预报效果较差。表3l 为6 月8 月共9 2 天的四 个中心2 4 小时地面气温预报均方根误差分别小于2 c 和3 c 的区域占整个预报区域的百分 比。娜均方根误差在2 c 以下的区域i 整个预报区域的6 6 ，高于其它三个中心。j l i a 均方根误差在3 以下的区域占整个预报区域的8 76 ，高于其它三个中心。 删删删栅硎皿 旄惟雌皿础舢 剿l 麟 雾囔 目332 0 0 7 年6 月1 日8 月3 1 日e o l l l f ( a ) 、j 姒c b ) 、n 旺p ( c ) 和u ( d ) 地面温度2 4 h 预报均方根误差地理分布( 单位：) 表3l2 0 0 7 年6 月1 日- 8 月3 1 日各中心地面温度2 4 h 预报均方根误差 分别在z 和3 c 咀下的区域占整个预报区域的百分比( 单位；) 、箜中心 e c m w fj m an c e pu k m 0 区域 小丁2 c 的区域 6 6 6 4 26 145 57 小于3 c 的区域 8 768 9 58 2 98 0 3 倒3 4 为2 0 0 7 年6 月1 日一8 月3 1 日四个中心2 4 h 至1 6 8 h 地面温度预报均方根误差 大于3 的r 域占整个预报区域的百分比。从图中可以看出，2 4 h 一1 6 8 h 的预报，四个中心 均方根误差犬于3 c 的区域所占预报区域的百分比呈增加的趋势。4 8 h 一1 6 8 h 的预报，e c f 均方根误差大于3 c 的区域最小。特别是对于较长的预报时效1 2 0 h 的预报其他三个中心 均方根误差大于3 c 的区域占到】睁 个预报区域的2 2 以上而娜只有1 83 。e 0 胛f 较 其他三个中心预报更为稳定。 锰 图342 0 0 7 年6 月1 日8 月3 l 口2 4 h 1 6 8 h 地面温度预报均方根误差 大干3 的区域占整个预报竖域的百分比( 单位：) 3 2 超级集合预报试验结果 通过对四个中心的地面气温预报效果检验，可以了解到各个中心在北半球不同的区域 预报效果不同，各个中心的数值预报模式都有一些系统性偏差。针对e a 帆? 、n c e p 和 u 删0 四个数值中心2 0 0 7 年6 月i 日8 月3 1 日在北半球大部地区的地面气温预报，预报时 效为2 4 h 至1 6 8 h 时( 间隔2 4 h ) ，分别选取6 月7 日至8 月6 日、6 月6 日至8 月5 日、6 月5 日至8 月4 日、6 月4 日至8 月3 日、6 月3 日至8 月2 日、6 月2 日至8 月1 日和6 月1 日至7 月3 1 日各6 1 天作为固定训练期，都咀8 月8 日3 1 日2 4 天作为预报期，以同 期的n c e p n c a r 再分析资料作为“观澜i 值”，进行超级集合预报试验。同时，应用多模式集 合平均( 聃) 和消除偏差集台平均( b r e ) 两种方法对四个中心的预报进行集成，比较这二 种多模式集合方法的预报效果，并对超级集合预报结果进行分析。 圉5 分别给出了北半球大部地区( 1 0 。8 75 。n ，0 。3 5 75 。) 0 月1 日8 月 3 1 目，预报时效为2 4 小时至1 6 8 小时四个中心和三种集合方法地面温度预报每天的区域 平均均方根误差。从中可见，2 4 小时、4 8 小时的预报，三种集合方法都降低了预报误差， 超级集台与消除偏差集合平均预报效果明显好于各个中心的预报。在预报期，超级集合与 消除偏差集合平均预报均方根误差随预报期增加有递增的趋势，两种方法预报效果相当， 预报期的前几天超级集合预报效果略好于消除偏差的集合平均，但差异不太明显。两种方 法在预报期2 4 天的均方根误差比多模式集合平均的误差降低了05 左右，明显优于多模 1 0 式集合平均的预报。对于7 2 小时、9 6 小时预报，在预报期前1 0 天超级集合与消除偏差集 合平均效果相当，1 0 天以后超级集合预报的均方根误差超过了消除偏差集合平均，在预报 期后期超过了多模式集合平均。1 2 0 小时至1 6 8 小时的预报，在整个预报期，消除偏差集 合平均预报效果最好，在预报期的前半段超级集合预报好于单个最好的中心模式和四个中 心的集合平均，但随着预报期的增长，超级集合预报的均方根误差增长得很快，在预报期 的后期超过了集合平均和单个中心的预报。 综上所述，超级集合与消除偏差集合平均两种方法对2 4 h 、4 8 h 预报改善的效果相当， 在预报期前期，超级集合预报的均方根误差小于消除偏差集合平均的误差，但后期超级集 合预报的均方根误差超过了消除偏差集合平均的误差。对于7 2 h 、9 6 h 预报，在预报期前期 超级集合预报的均方根误差和消除偏差集合平均的误差相当，在后期超过了消除偏差集合 平均和多模式集合平均。对于1 2 0 h 一1 6 8 h 的预报，在整个预报期消除偏差集合平均预报效 果最好，在预报期的前半段超级集合预报好于单个最好的中心模式和四个中心的集合平均。 但到预报期的后期，超级集合预报的均方根误差增长得很快，甚至超过了单个中心预报的 均方根误差。 4 。 薹z 娄t 三三三妄三二乒弓三 、一。 8 月8 日1 5 口2 2 u2 9 u 艉限期 4 0 3 妻z 晕 娄t ( b ) 8 月8 口1 5 u2 2 h 2 9 u 预报期 1 ( c ) d z 量妻耋没iz 善至考靶 一，、。一 g 一一 1 娄1 。 o 8 月8 日 4 ；3 2 晕 主- 预报期 8 月8 h1 5 口2 2 u2 9 u 预报期 ( 引 一4 ( f ) 鼍注堂耋冬客i ：兰孥兰鑫婆 一。，、， i ”o 一 8 月8 u 1 5 口2 2 日2 9 日 预m 颅拙期 4 ( g 圹 i ：善囊毫泰 喜h o 。一 8 月8 日1 5 日2 2 口2 9 u 顾m 圈3 52 0 0 7 年8 月8 日q 1 日逐日2 4 h ，4 8 h ( b ) ，7 2 h ( c ) ，9 6 i l ( d ) ，1 2 0 h ( e ) 1 4 4 h ( 竹和1 6 8 h ( g ) 地面气温预报在预报区域内平均均方根误差( 单位 ) 图36 给山t 2 、n 球大部地区j 舭、多模式集合平均、消除偏差集合平均和超级集合 2 4 h 地面气温预报在预报期2 4 天平均均方根误差的地理分布。从中可见。集台平均对降低 误差效果并不明显。超级集合预报均方根误差大丁二3 的区域明显减少，小于2 c 的区域明 显增多，超级集台有效地减小了预报误差，盯于最好的中心j m a 模式的预报和集合平均。 超级集台与消除偏差集台平均的均方根误差分布较为一致，两种方法预报效果相当。图37 为j i i a 和三种集台方法2 4 h 地面气温预报在预报期2 4 天平均均方根误差小丁2 的区域i i 整个预报区域的百分比。单个中心j i a 的预报，均方根误差在2 c 咀下的区域f 到整个区 域的7 36 而超级集合使其增加到8 6 “，明显改善了预报效果。对丁4 8 小时的预报( | 璺| 略) ，超级集合与消除偏差集台平均改善了预报效果，好丁最好的单个中心预报和四个中心 的集合平均，超级集合的均方根误差大值区域小于消除偏差的集合平均。 馔 鲤 臻 图362 0 0 7 年8 月8r 3 lh 日本气象厅( a ) 、多模式集合甲均( b ) 、消除偏差集合平均( c ) 和超级集 台( d ) 地面温度2 4 h 预撤均方根误差地理分布( 单位：) 图3 72 0 0 7 年8 月8e i - 3 1 日2 4 h 地面温度预报均方根误差 小于2 的区域占整个预报区域的百分比( 单位：) 固定训练期的超级集合预报选取预报期前6 l 天作为训练期计算的权重系数用于整个 预报期2 4 天的预报。不过，值得注意的是权重系数到了预报期后期就会逐渐欠效，尤其当 预报时效比较长时，权重系数会更快地火效。欧洲中期天气预报中心、多模式集合平均、 消除偏差集合平均和超级集合在预报期最后一天8 月3 1 日地面气温1 6 8 h 预报的绝对误差 地理分布如图3 8 所示。由图可知，相对于最好的单个中心模式预报和四个中心集合平均， 超级集合与消除偏差集合平均使绝对误差较大的区域明显减少，改善了预报效果。从整个 北半球区域看，超级集合与消除偏差集合平均效果相当，但在部分区域，超级集合预报绝 对误差较大，特别是在靠近北极附近误差极大。在前面的计算中发现，当预报时效较长时， 到了预报期后期超级集合预报误差增长得很快。对于1 6 8 h 的预报，在预报期的最后一天超 级集合在北半球大部地区区域平均均方根误差已经远远超过了单个最差的中心预报，权重 系数明显失效。对比图3 8 发现，超级集合预报在预报期后期权重系数会失效并不是在预 报区域内所有格点上都是如此，而是在部分区域格点上比较明显，特别是在极地区域更为 严重，从而导致预报误差较大。从整体上看还是改进了预报，效果优于多模式集合平均， 与消除偏差集合平均相当。 1 4 凇i 骖 图382 0 0 7 年b 月3 lu 欧洲中期天气预撤中心( a ) 、多模式集台平均( b ) 、消除偏差嶷台，r 均( c ) 和 超级囊台( d ) 地血温度1 6 8 h 项 i f 绝对误差地理分布( 单位：) 3 3 本章小结 本章对e c m v f 、j 姒、n c e p 和唧0 四个中心2 0 0 7 年6 月1 日至0 月3 1 日的2 4 h1 0 8 h 全球集合预报资料中的地面温度场的集合平均结果进行了评估，并对四个中心地面温度预 报进行超级集合预报试验，然后比较了多模式超级集合与多模式集合平均、消除偏若集合 平均的预报效果得到以下几点结论。 ( i ) 整个2 0 0 7 年夏季，各中心地面温度预报效果明显不同，j m a 与e c m w f 的在北、# 球 大部份地区预报效果最好。再中心在中国地区的预报效果较差，在美国地区较好。对丁2 4 小时至1 6 8 小时预报，e o f 的预报效果最为稳定。 ( 2 ) 四个中心的集合平均在一定程度上减小了各中心预报的均方根误差预报效果优 于最好的单个中心预报，但预报效果的改善不明显。消除偏差集合平均使预报的均方根误 差得到明显降低，预报效果优r 最好的单个中心预报和多模式集合平均。 ( 3 ) 超级集合与消除偏差集合平均两种方法对2 4 h 、4 8 h 预报改善的效果相当。在预报 期前期，超级集合预报的均方根误差小干消除偏差集合平均的误差，中期两者相当，后期 超级集合预报的均方根误差超过了消除偏差集合平均的误差。对丁7 2 h 、9 6 h 预报。在预报 期前期超级集合预报的均方根误差与消除偏差集合平均的误差相当，在后期超过了消除偏 差集合平均和多模式集合平均。1 2 0 h - 1 6 8 h 的预报，在整个预报期，消除偏差集合平均预 报效果最好，在预报期的前半段超级集合预报好于单个最好的中心模式和四个中心的集合 平均，但随着预报期的增长，超级集合预报的均方根误差增长得很快，在预报期的后期甚 至超过了单个中心预报的均方根误差。 由于超级集合与消除偏差集合平均两种方法都是选用前6 1 天的历史资料处理后2 4 天 的预报，在预报期超级集合通过在训练期各个模式的表现给予不同的权重，而消除偏差集 合平均给予各个模式相同的权重，随着预报期的增长，两种方法的预报误差都有增加的趋 势。固定训练期的超级集合预报的权重系数随空间变化，但随时间不变。选取前6 1 天作为 训练期计算权重系数，用于整个预报期2 4 天的预报，预报区域部分格点上的权重系数随着 预报期增长就会逐渐失效，尤其当预报时效比较长时，权重系数失效得更快。针对不同的 预报时效，采用滑动训练期，让权重系数随时间变化，有望进一步改善超级集合预报的预 报效果。 1 6 第四章北半球中纬度地区地面气温的超级集合预报 4 1 引言 超级集合预报方法根据参