（气象学专业论文）北半球500hpa环流形势超级集合预报研究.pdf

摘要 本文利用t i g g e 资料和n c e p n c a r 再分析资料，对欧洲中期天气预报中心 ( e c m l 】f ) 、日本气象厅( j m a ) 、英国气象局( u i ( m 0 ) 和中国气象局( c m a ) 四个 中心模式北半球5 0 0 h p a 温度场和水平风场的集合预报资料的集合平均结果进 行评估，并对北半球5 0 0 h p a 温度场和水平风场的2 4 h 一1 6 8 h 预报进行多模式集 成试验。此外，还讨论了各种多模式预报集成方法对5 0 0 h p a 欧亚地区高度场的 预报效果，以及乌拉尔山一次阻塞过程的预报技巧。最后，对西太平洋副热带 高压进行超级集合预报试验，评估了其预报技巧。 结果表明，c m a 在对位势高度场、温度场和水平风场的预报中，预报效果 最差。固定训练期超级集合与滑动训练期超级集合明显降低了预报的均方根误 差，预报效果比最优的单个模式和简单多模式集合平均好。滑动训练期超级集 合预报效果优于固定训练期超级集合。在低纬度地区，各个中心模式与各种预 报集成方法误差都比北半球平均的均方根误差小。为了分析c m a 模式预报结果 对超级集合预报的影响，进行了两种不同集成方案的对比分析。试验结果表明， 无c m a 模式参加的超级集合预报效果优于有c m a 模式参加的超级集合预报。 通过对2 0 0 7 年8 月乌拉尔山一次阻塞高压过程进行预报分析，发现滑动 训练期的超级集合预报明显优于其它集成方法及单个模式的预报效果。尤其对 于长时效( 1 4 4 h 一1 6 8 h ) 预报，滑动训练期超级集合预报能较好地预报阻塞过程 的环流形势及阻塞高压强度。超级集合预报在对2 0 0 7 年8 月西太平洋副高月平 均形势的预报中预报效果明显改善。2 4 h 一7 2 h 预报中，超级集合预报与观测场的 副高面积指数最为接近。 关键词：t i g g e ；多模式超级集合；集合平均；乌拉尔山阻高；西太平洋 副高 i i i a b s t r a c t b a s e do nt h et i g g ea n dn c e p n c a rr e a n a l y s i sd a t a s e t s t h ee n s e m b l em e a n o u t c o m e so ft h ee n s e m b l ef o r e c a s t sf o rt h e5 0 0h p at e m p e r a t u r e ，t h ew i n df i e l d si n t h en o r t h e r nh e m i s p h e r ep r o v i d e db y e u r o p e a nc e n t r e f o rm e d i u mw e a t h e r f o r e c a s t s ( e c m w f ) ，j a p a nm e t e o r o l o g i c a la g e n c y ( j m a ) ，u n i t e dk i n g d o m m e t e o r o l o g i c a lo f f i c ef u k m o ) a n dc h i n am e t e o r o l o g i c a la d m i n i s t r a t i o n ( c m a ) w e r ev e r i f i e db ye x a m i n i n gt h er o o t m e a n s q u a r ee r r o r s ( r m s e ) n l em u l t i m o d e l e n s e m b l ef o r e c a s te x p e r i m e n t so ft h e5 0 0h p at e m p e r a t u r e ，t h ew i n df o rt h ef o r e c a s t t i m eo f2 4 16 8h r sh a v eb e e nc o n d u c t e d i na d d i t i o n ，t h ef o r e c a s ts k i l l so ft h e m 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 e5 0 0h p ag e o p o t e n t i a lh e i g h to v e re u r a s i aa s w e l la sa b l o c k i n go v e ru r a lm o u n t a i n sh a v eb e e nd i s c u s s e d f i n a l l y , t h em u l t i m o d e l s u p e r e n s e m b l ee x p e r i m e n t so ft h ew e s t e r np a c i f i cs u b t r o p i c a lh i g hh a v eb e e n c o n d u c t e da n dt h ef o r e c a s ts k i l l so ft h es u p e r e n s e m b l ef o r e c a s tw e r ev e r i f i e d t h er e s u l t ss h o wt h a tt h ee n s e m b l em e a no u t c o m eo ft h ec m am o d e lh a st h e l a r g e s tr m s ea m o n g f o u rm o d e l si nt h ef o r e c a s t so f t h e5 0 0 h p ag e o p o t e n t i a lh e i g h t ， t e m p e r a t u r ea n dw i n df i e l d s 1 1 1 em u l t i m o d e ls u p e r e n s e m b l ef o r e c a s t s 、啊mb o t h f i x e da n dr u n n i n gt r a i n i n gp e r i o d sr e d u c e dt h er m s eo ft h ef o r e c a s tc o n s i d e r a b l y 1 1 1 ef o r e c a s ts k i l l so ft h em u l t i m o d e ls u p e r e n s e m b l ea r em u c hh i g h e rt h a nt h o s eo f t h eb e s ts i n g l em o d e la sw e l la st h o s eo ft h em u l t i m o d e le n s e m b l em e a n t h e s u p e r e n s e m b l ef o r e c a s tw i t hn m n i n gt r a i n i n gp e r i o dh a sh i g h e rf o r e c a s ts k i l lt h a n t h a tw i t hf i x e dt r a i n i n gp e r i o d 1 h er m s eo ff o u rs i n g l em o d e l sa n dm u l t i m o d e l e n s e m b l ef o r e c a s t si nl o wl a t i t u d e s ( 10 。n 一3 0 0 n ) a r es m a l l e rt h a nt h o s ei nt h e n o r t h e r nh e m i s p h e r ei nt e r m so ft h em e a nv a l u e so ft h ef o r e c a s te r r o r s i no r d e rt o a n a l y z et h ei m p a c to ft h ec m a e n s e m b l ef o r e c a s to nt h em u l t i m o d e ls u p e r e n s e m b l e f o r e c a s t s ，t w od i f f e r e n te n s e m b l es c h e m e sh a v eb e e nu t i l i z e d e x p e r i m e n t ss h o wt h a t t h em u l t i m o d e l s u p e r e n s e m b l e f o r e c a s t sw i t h o u tt h ec m am o d e lh a v e h i g h e r f o r e c a s ts k i l lt h a nt h o s ew i t ht h ec m am o d e l i tw a sf o u n dt h a tt h es u p e r e n s e m b l ef o r e c a s t sw i t hn m n i n gt r a i n i n gp e r i o do fa b l o c k i n gp r o c e s s ，w h i c ho c c u r r e do v e ru r a lm o u n t a i n si na u g u s t2 0 0 7 ，a r es u p e r i o r t oo t h e rm u l t i m o d e le n s e m b l ef o r e c a s t sa sw e l la st h es i n g l em o d e l si nt h ec o n t e x to f f o r e c a s ts k i l l p a r t i c u l a r l yf o rt h e1 4 4 - 16 8h r sf o r e c a s to ft h e5 0 0h p aw e a t h e r r e g i m e sa n dt h ei n t e n s i t y o ft h eb l o c k i n gh i g hd u r i n gt h e b l o c k i n gp h a s e ，t h e m u l t i m o d e ls u p e r e n s e m b l e 、撕t hr u n n i n gt r a i n i n gp e r i o dh a sm u c hh i g hf o r e c a s ts k i l l t h a no t h e rm u l t i m o d e le n s e m b l ef o r e c a s tm e t h o d sa sw e l la ss i n g l em o d e l s t h e m u l t i m o d e ls u p e r e n s e m b l ef o r e c a s th a ss i g n i f i c a n ti m p r o v e m e n to ft h ef o r e c a s ts k i l l o v e rt h em u l t i m o d e le n s e m b l em e a na sw e l la ss i n g l em o d e l sf o rt h em o n t h l ym e a n o ft h ew e s t e r np a c i f i cs u b t r o p i c a lh i g hd u r i n ga u g u s t2 0 0 7 f o rt h ef o r e c a s to f2 4 7 2 h r s ，t h es u p e r e n s e m b l ef o r e c a s to ft h ea r e ai n d e xo ft h ew e s t e r np a c i f i cs u b t r o p i c a l m g h i sc l o s e s tt ot h eo b s e r v a t i o n a ld a t a k e yw o r d s ：t i g g e ，m u l t i m o d e ls u p e r e n s e m b l e ，e n s e m b l em e a n ，b l o c k i n go v e r u r a lm o u n t a i n s ，w e s t e r np a c i f i cs u b t r o p i c a lh i g h v 学位论文独创性声明 本人郑重声明： 1 、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： 鞋起】 日期： 塑玛：【，l k 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：垄塾彪 日 期：鹚：r f 五 第一章绪论 1 1 超级集合预报思想简介 众所周知，数值预报的准确性取决于数值预报模式及其初始场的准确性。由于数值预 报所需的大气初始状态只能近似地确定，数值模式本身也存在误差，而大气又是一个非线性 动力系统，对初值误差具有较强的敏感性，因此数值预报的误差不可避免地存在，而且会随 着预报时间的延伸快速增长n 。8 1 。为减小初始场和预报模式误差对预报结果的影响，科学家 们提出了集合预报思想。集合预报通过对初始状态中误差范围的估计，给出一个初始状态 集合，再从这个初始状态集合( 包含若干初始状态) 出发，通过一个数值模式，得到相应的、 包含多个预报结果的集合，或从单个初始状态出发，通过多模式或单模式的控制参数变化， 得到预报结果的集合，然后通过对预报结果集合的分析，得到最终的预报产品睁1 5 1 。集合预 报这种为解决数值模式的非线性问题而提出的方法代表了数值天气预报未来发展的方向， 它和资料同化、耦合模式、高分辨率模式已被i t i v i o 明确列为未来数值预报领域的四个发展 战略方向m 廿1 5 1 。 1 9 9 8 年进行的“风暴尺度和中尺度集合预报试验”( s t o r ma n dm e s o s c a l ee n s e m b l e e x p e r i m e n t ，简称s a m e x ) 的结果表明，多个模式的集合预报较任何单一模式的子集合预报 更优。经验表明，如在合并各模式的子集合预报之前，能把各个模式预报中的系统性误差先 去掉( 或改进模式、或对预报作合理的订正等) ，那么所得的多模式超级集合预报就能提供更 准确、更有用的信息n 4 1 。值得一提的是，s t e n s r u d 等n 6 1 通过对中尺度对流系统预报，对初 值的误差和模式的不确定性对集合预报影响的相对重要性进行了比较研究。他们发现当环 境中大尺度的强迫作用比较强时，初值的误差对预报有较重大的影响而模式物理的不确定 性不起主导作用，结果是基于初值不确定性的集合预报效果较好。反之，当大尺度强迫作用 很弱时，初值的不确定性不起主导作用，而物理的不确定性具有重大的影响，因而基于物理 不确定性的集合预报有较好的效果。这个结果可以指导我们如何来对不同的预报对象合理 地设计我们的集合预报系统。 早期的集合预报主要基于蒙特卡罗法的概念，从一组初值出发，得到一个预报值的集 1 合。这其中大致有三类问题：如何设计初值扰动、如何运用数值模式、如何从预报集合中 提取有用信息。随着计算机条件的改善和数值模式的发展，集合预报概念从单纯的初值问题 延伸到模式的物理过程。为了避免由于调整模式参数而影响模式的最佳状态，国际上进行了 “多模式集合预报”试验( 超级集合) 。这一方法既考虑了初值误差的影响( 因为每个模式都 有自己的分析资料作为初值) ，又考虑了模式物理过程不确定性的影响( 因为不同的模式都 有自己的物理过程处理方法) 。研究结果表明，无论从概率意义( 如概率密度分布) 还是从决 定论意义( 如集合平均预报) ，多模式集合预报所提供的信息均比单个模式集合预报更准确。 k r i s h n a m u r t i 等1 最早提出了一种多模式集合方法，即超级集合预报方法。超级集合预报 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，权重用到预报期进行超级集合预报。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n h 州。 1 2 超级集合预报研究进展 1 9 9 9 年开始，e c m w f 的集合预报模式与英国气象局的统一模式( u m ) 共同组成一个多模 式多分析集合预报系统。结果表明多模式多分析系统在3 6 h - - 2 4 0 h 预报技巧较e c m w f 集合 预报系统增加了5 - - 一1 0 n 别。k r i s h n a m u r t i 等“7 。2 做了大量的多模式天气预报和季节预报 的超级集合预报检验，发现超级集合预报更有效地降低了预报误差，使误差最小且最稳定。 k u m a r 等口2 1 利用超级集合方法对飓风的路径、强度进行预报试验，发现超级集合预报效果 也好于单个模式、集合平均和消除偏差的集合平均的预报效果。 近年来，超级集合预报在我国也有了一些研究与应用。陈丽娟等乜踟曾借用超级集合思 想对参与汛期预测的几家单位的预报进行了集成试验。试验结果表明集成结果与单个预报 相比具有一定的优势，拟合和预报结果均比较稳定。周兵等幢刚基于国家气象中心天气预报业 务平台，对德国、日本、欧洲中心数值预报模式和我国t 2 1 3 模式的夏季预报产品进行检验， 在此基础上，通过不同模式对目标区域预报能力的分析，分别应用神经元预报技术和基于 t s 评分的客观多模式权重系数法( m e ) ，建立了4 个模式的集合预报方法，并应用于2 0 0 5 2 年汛期业务运行。结果表明，艇对短期降水预报技巧高于简单集合平均，具有一定的业务 应用前景，但不同尺度模式之间的协调是一个重要的问题，尤其是中尺度模式与全球模式 进行集合存在一定困难。赵声蓉训基于中国国家气象中心t 2 1 3 模式、德国气象局业务模式 和日本气象厅业务模式2 m 高温度预报，利用神经网络方法中的b p 网络建立了我国6 0 0 多 个站的温度集成预报系统。对2 0 0 4 年1 - 5 月的预报试验表明，集成的温度预报结果明显优 于3 个模式单独的预报结果，达到了一定的预报精度。智协飞等阳卜3 引和林春泽等凹4 1 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，基于线性回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 本文的主要工作 近年来，世界气象组织( w m 0 ) 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。如图1 1 所示，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。 智协飞等晤卜制和林春泽等船引利用t i g g e 资料对北半球地面气象要素场一气温进行了多 模式超级集合预报试验，本文在他们工作的基础上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 ) 、中国气象局( c 姒) 和英国气象局( u k m o ) 四个中心的t i g g e 资料，对各 中心的高空要素场5 0 0 h p a 的高度场、温度场和风场的预报结果进行评估并进行超级集合 预报试验，比较各种集合方法与单个中心的预报效果，期望能改善对流层中层大气环流的 3 形势预报。 图1lt i g g e 资料的三个交挠中心示意图 第二章资料和方法 2 1 资料 本文选取欧洲中期天气预报中心( e c m w f ) 、英国气象局( u k m 0 ) 、日本气象厅( j m a ) 以及中国气象局( c m a ) 四个中心全球集合预报模式2 0 0 7 年6 月1 日8 月3 1 日每天1 2 时( 世界时，下同) 起报的5 0 0 h p a 等压面上高度场、温度场、风场的各自集合平均资料。 所选区域为1 0 。n 8 7 5 。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 h 1 6 8 h ，间隔为2 4 h 。为方便评估各个中心集合预报的预报效果，选取2 0 0 7 年 6 月1 日q 月7 日逐日1 2 时5 0 0 h p a 高度场、温度场、风场的n c e p n c a r 再分析资料，资 料区域选取为1 0 。n 8 7 5 。n ，o 。3 5 7 5 。，分辨率为2 5 。2 5 。经纬网格，作为 “观测值”，用于评估预报效果。 2 2 方法 2 2 1 均方根误差 本文采用均方根误差( i 诅l s e ) ，绝对误差( a e ) 对预报技巧进行检验评估。 r m s e 2 畴丢( f 一0 j ) 2 】j ( ) ( 1 1 ) 绝对误差： a e = 专l e - o , i ( j 1 ) ( 1 2 ) t 忙l 式中e 为第i 个样本的预报值，d 为第i 个样本的观测值。 2 2 2 简单的集合平均 多模式集合方法有简单的集合平均( e m n ) ，由( 1 3 ) 式给出 五5 二1 百 f i ( 1 3 ) 2 2 3 超级集合预报方法 多模式超级集合是项统计技术，使用训练期中预报和观测( 分析) 的数据进行训练， 使训练期中预报误差最小，确定不同模式的权重系数。由k r i s h n a m u r t i 等【1 7 3 最早提出的 5 一种超级集合预报方法，即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n 7 胆驯。 超级集合预报模型由方程( 1 4 ) 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： 墨= 否+ 呸( 只，一亏) ( 1 4 ) 墨为超级集合预报值，历为训练期观测值的平均，正，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，口j 为回归系数( 权重) ，n 为参与超级集合的模式总数，t 为时间。回归系数皿由( 1 5 ) 中的误差项g 最小化计算而得： n t m i n g = - q ) 2 ( 1 5 ) ( 1 5 ) 中。为观测值，n t r a i n 为训练期时间样本总数。将确定的回归系数q 带入到( 1 4 ) 中，即可在预报期进行超级集合预报。 2 2 4 滑动训练期的超级集合预报 滑动训练期的超级集合预报是考虑到固定训练期得到的权重系数随预报期时间延长会 失效，导致预报误差快速增长 3 0 3 而提出来的一种改进的超级集合预报方法。参照文献 1 5 ， 1 7 ，本文中选取2 0 0 7 年6 月8 日至8 月7 日共6 1 天为训练期，对8 月8 日至8 月3 1 日 2 4 天的预报期进行超级集合预报。对于固定训练期的超级集合预报，某个格点上在6 月8 日至8 月7 日6 1 天训练期中确定的权重系数适用于8 月8 日至8 月3 1 日2 4 天预报期中每 一天的预报，即权重系数随时间不变。滑动训练期则要求预报期中每一天的超级集合预报 所用到的权重系数都是其前6 1 天训练期确定的，即训练期的选取是随时间滑动的，超级集 合预报所用的权重系数随时间变化。智协飞等【3 3 3 研究指出，热带外地区2 4 h - 7 2 h 的多模式 超级集合预报，选取3 0 天左右的训练期较合适，而对于较长的预报时效9 6 h - 1 6 8 h 的预报， 选用6 0 天左右的训练期可得到较好的预报效果。本文中对太平洋副高的预报，则选取2 0 0 7 年6 月8 日至7 月3 1 日共5 4 天为训练期，对8 月1 日至8 月3 1 日3 1 天的预报期进行固 定训练期超级集合预报试验。 6 第三章北半球5 0 0 h p a 温度与风场的超级集合预报试验 3 1 北半球温度、风场超级集合预报 本章利用欧洲中期天气预报中心( e c m l f ) 、英国气象局( u 酬o ) 、日本气象厅( j m a ) 以及中国气象局( c m a ) 四个模式的集合预报资料，选取2 0 0 7 年6 月8 日至8 月7 日共6 l 天作为训练期，对8 月8 日至8 月3 1 日2 4 天的预报期进行固定训练期与滑动训练期超级 集合预报试验，采用均方根误差( r m s e ) ，对各个模式、简单多模式集合平均，超级集合预 报方法的预报技巧进行检验评估。 图3 1 是四个模式北半球5 0 0 h p a 温度场( t ) ，纬向风场( u ) 和经向风场( v ) 在6 月 1 臼至8 月3 1 日9 2 天预报结果的平均均方根误差。从中可以看出，所有模式所有气象要 素的预报误差都随预报时效延长而增长。不难看出，在所有四个模式中c m a 模式对t ，u ， v 的2 4 h - 1 6 8 h 预报误差均为最大。相比其它三个预报中心的模式，c m a 模式预报效果不理 想。e c m w f 模式对t ，u ，v 的预报误差除在2 4 h 预报误差略大外，其它预报时效的预报误 差均为最小，预报效果最好。 7 图3 1 北半球四个模式在6 月1 日8 月3 1 日9 2 天温度场t ( a ) ，纬向风u ( b ) ，经向风v ( c ) 预报的平 均均方根误差 由以上分析可知，c m a 模式对2 0 0 7 年6 月1 日8 月3 1 日9 2 天温度场和风场的平均 预报误差最大，而其它三个模式的误差却相差不大。因此，选用e c m w f 、j m a 和u k m o 三个 模式的北半球5 0 0 h p at ，u ，v 的集合预报资料，对其做简单的多模式集合平均、固定训练 期超级集合和滑动训练期超级集合，然后对其预报误差进行检验评估。 图3 2 给出了各个模式及各种集成预报方法对北半球5 0 0 h p at ，u ，v2 4 h - 1 6 8 h 预报 在8 月8 日q 月3 1 日2 4 天预报期的平均均方根误差。从图中可以看出，各个中心与各 种多模式集合预报方法对t ，u ，v 的预报误差都随预报时效延长而增大。 由温度平均均方根误差( 图3 2 a ) 可以看出，三个模式中，除了2 4 h 预报中j m a 最 优，其它时效的预报都是e c m w f 预报效果最优，j m a 预报效果次之，u k m o 预报误差最大。 三种集成预报方法中简单集合平均均方根误差最大，其在2 4 h - 9 6 h 时效预报中误差略小于 8 最优单个模式，在1 2 0 h - 1 6 8 h 预报中误差偏大，预报效果还不及最优模式。在2 4 h 一1 6 8 h 预报中，固定训练期超级集合与滑动训练期超级集合预报均方根误差均小于简单集合平均， 预报效果比简单集合平均好。固定训练期超级集合在2 4 h 一1 4 4 h 预报中，误差比最优单个模 式小，预报效果较好，但在1 6 8 h 时效预报中误差与最优单个模式误差相当，对长时效的预 报效果改善不明显。滑动训练期超级集合预报在2 4 h 一1 6 8 h 所有预报时效的均方根误差均略 小于固定训练期超级集合。其在2 4 h - 1 6 8 h 时效预报中，误差均比最优单个模式以及简单多 模式集合平均小，表现出比固定训练期超级集合更好的预报技巧，进一步改善了预报效果。 图3 2 b 给出了各个模式、简单集合平均、固定训练期超级集合和滑动训练期超级集合 对北半球5 0 0 h p au 场2 4 h - 1 6 8 h 预报的平均均方根误差。从中可以看出，三个模式，j m a 在2 4 h 预报最优，其它时效预报误差最大，e c m y f 预报误差相对最小。三种集成预报方法 中，简单集合平均除在2 4h - - 4 8h 预报中误差略小于最优的单个模式，其它时效预报误差 与最优单个模式相当，长时效预报中误差比最优模式偏大，对预报没有明显改善。在2 4 h 一9 6 h 时效预报中，固定训练期超级集合误差均小于简单集合平均，小于最优单个模式，提高了 预报技巧，但在1 2 0 h - 1 6 8 h 时效预报中其误差比最优单个模式略偏大。滑动训练期超级集 合预报在2 4 h - 1 6 8 h 各个时效的预报中，误差比固定训练期超级集合与最优单个模式以及简 单多模式集合平均都小，进一步改善了预报效果。 图3 2 c 为各个模式、简单集合平均、固定训练期超级集合和滑动训练期超级集合对v 场的平均均方根误差图。由图可见，各个模式对v 场的预报效果对于不同时效有不同的特 点。总体看来，e c m w f 在2 4 h 预报中，误差偏大，其它预报时效误差都最小。简单集合平 均预报误差在2 4 h - 4 8 h 预报中，小于最优的单个模式，但在7 2 h - 1 6 8 h 预报中，简单集合平 均均方根误差与最优的单个模式e c m w f 误差相当，无明显改善预报效果。固定训练期超级 集合和滑动训练期超级集合在2 4 h - 9 6 h 预报中，误差大小相当，预报误差都小于最优单个 模式，显示出较高的预报技巧。但在1 2 0 h - 1 6 8 h 时效预报中，固定训练期超级集合误差略 大于e c m w f ，较长时效的预报效果不理想。滑动训练期超级集合在1 2 0 h 一1 6 8 h 时效预报中 的误差略小于固定训练期超级集合，与e c m w f 预报误差相当。 9 图3 2 三个模式及各种集合预报方法在北半球对t ( a ) ，u ( b ) ，v ( c ) 场的预报在8 月8 日8 月3 1 日2 4 天预报期的平均均方根误差其中，e m n 表示简单集合平均，s u p 表示固定训练期的多模式超级 集合预报，r - s u p 表示滑动训练期的超级集合预报 1 0 综上所述，各个模式与三种集成预报方法的预报误差都随预报时效延长而增大。各个 模式对于不同气象要素的预报效果略有差异。三种预报集成方法对t ，u ，v 的预报误差也 有差异。超级集合方法对5 0 0 h p a 温度的预报效果比较好，在2 4 h 一1 6 8 h 的预报中都表现出 比最好的单个中心的预报效果更优，而对u 场、v 场较长时效( 1 4 4 h 一1 6 8 h ) 的预报效果改 善不明显，甚至比单个最优模式还要差一些。 图3 3 给出了e c m w f ，j m a 和u k m o 对北半球5 0 0 h p a 等压面上t ，u ，v2 4 h 预报在2 4 天预报期的平均均方根误差的地理分布。从中可以看出，不同模式在不同地区的预报效果 也不尽一样，如在青藏高原上空5 0 0 h p ae c m w f ，u k m o 模式的温度预报误差较大，j m a 模式 的预报误差相对较小。而在北非大陆上空5 0 0 h p aj m a 模式的温度预报误差明显大于e c m w f 和u k m o 模式的温度预报误差。在格陵兰岛上空5 0 0 h p a ，u k i v i o 的温度预报误差明显大于 e c m w f ，j m a 模式的温度预报误差。 圈332 0 0 7 年8 月8 日8 月3 1e o 肝j l i a u 肼05 0 0 h p at ( a ) ，o ( b ) ，v ( c ) 2 4 h 预报均方根误 差地理分布 对于5 0 0 h p au v 的预报，不同模式在不同地区也有不同的表现。如e 叫w f 在北 极地区的预报误差就比j m a 和i j i o 模式的预报误差大。u k m o 模式对于u 场的预报误 差的大值区( 均方根误差超过4 m s ) 比e c 岍f 和j m a 模式误差大值区面积小。在青藏 高原上空5 0 0 h p a ，j m 模式对于v 场的预报误差大值区明显比e c l 册f ，u 酬o 模式的预 报误差大值区面积小，但在北美和格陵兰岛上空，u 蛐0 模式的预报误差要比e c m w f ， j i i a 模式的预报误差小。这些都表明，e c 1 w f ，j m 和u 删。三个模式对于t ，u ，v 的 2 4 h 预报投有哪一个模式比其它模式占绝对优势在不同地区，不同要素场的预报中 各有优势。如何利用这些优势，取睦补短，充分利用多模式集成预报的优点正是多模 式集成预报要解决的问题。下面将利用不同的集成方案，对5 0 0 h p at u ，v 预报进 行试验。 图34 给出了北半球地区j 姒模式、简单多模式集合平均，固定训练期超级集合及滑 动训练期超级集合5 0 0 h p a 等压面上温度场、u 场2 4 h 预报在预报期2 4 天平均均方根误差 的地理分布。从图3 4 a 中可见，相对j m a 的温度场预报，简单集合平均降低了误差，但效 果并不明显。两种超级集合预报方法使得均方根误差大于1 0 c 的区域明显减少。1 5 0 c 以上 的误差区域在两种超级集合预报误差分布图上已消失，进一步提高了预报技巧。对于4 8 h 预报( 图略) ，固定训练期超级集合及滑动训练期超级集合改善了预报效果，优于最好的单 个中心预报以及简单模式集合平均。 由图3 4 b 可见，与肌预报相比，简单多模式集合平均、固定训练期超级集合及滑动 训练期超级集合都降低了u 场2 4 h 预报误差分布。其中，固定训练期超级集合和滑动训练 期超级集合对消除大于3 m s 的均方根误差有一定效果。v 场2 4 h 均方根误差分布图与u 场 情况类似，这里不再赘述。 1 4 囝342 0 0 7 年8 月8 3 1 日日本气象厅( j 姒) 、简单集台平均( e m n ) 、固定训练期超级集合( s u p ) 和滑动训 练期超级集台( r j s 【】p ) 5 0 0 h p at ( a ) ，u 场( b ) 2 4 h 预报均方根误差地理分布t ，u 均方报误差肋单位分别 为t m s 3 2 北半球低纬度地区超级集合预报试验 图3 5 给出了e c m w f 、j m a 、u k m o 、简单集合平均、固定训练期超级集合、滑动训练期 超级集合预报方法对低纬度地区( 1 0 0 n - 3 0 0 n ) 5 0 0 h p a 等压面上t ，u ，v 场在预报期2 4 天 的平均均方根误差。 从图3 5 a 中可见，在低纬度地区三个模式2 4 h 一4 8 h 预报中，e w f 的温度预报误差相 对最小，对于超过4 8 h 的预报时效，j m a 的预报误差最小，u k m o 预报误差在各个预报时效 中一直最大。简单集合平均在所有预报时效中预报误差略小于最优单个模式。在各个时效 的预报中，固定训练期超级集合预报的均方根误差均小于简单集合平均和最优单个模式， 明显改善了预报。滑动训练期超级集合预报在2 4 h 一1 6 8 h 预报中，比起固定训练期超级集合 误差有所降低，进一步改善了预报技巧。 图3 5 b 显示，各个模式中，e c m w f 的u 场预报误差一直最小，j m a 误差一直处于最大。 三种预报集成方法在每个预报时效都降低了预报误差，但简单集合平均误差在三者中最大。 滑动训练期超级集合预报误差最小，进一步提高了u 场的预报技巧。 由图3 5 c 可见，三个模式中，e c m l i i r f 模式预报效果最优，u k m o 效果最差。简单集合平 均在每个时效的预报误差均略小于最优单个模式。固定训练期超级集合预报误差比简单集 合平均误差要小，对降低预报误差的效果明显。滑动训练期超级集合误差一直处于最小， 预报效果比固定训练期超级集合效果进一步改善。 1 7 图3 5 三个模式及各种集成预报方法在i o o n 一3 0 0 n 对温度场( a ) ，u 场( b ) ，v 场( c ) 预报在2 0 0 7 年8 月8 3 1 日2 4 天预报期的平均均方根误差 通过对图3 2 、图3 5 三个模式及各种集成预报方法在预报期8 月8 日一8 月3 1 日2 4 天的平均均方根误差分析，可以看出各个模式及各种预报集成方法对于不同的气象要素预 报效果各有差异。其次，各个模式与三种预报集成方法对于不同预报区域，预报误差大小 不同，对低纬度预报效果更优越些。对于较长时效预报，每个模式和各种预报集成方法对 t ，u ，v 在低纬度的预报的最大平均误差均比在北半球要小。前面的分析发现，7 5 0 n 以北的 极地地区预报误差较其它地区明显偏大，这样就导致了北半球平均的预报效果不及低纬度 区域预报效果好。 1 8 3 3 两种不同集成预报方案预报效果分析 在前面的误差分析中，发现四个模式中c m a 预报误差最大。为了进一步分析c m a 模式 预报结果对各种集成预报方法预报效果的影响，本节采用两种不同的集成方案来分析c m a 预报对多模式集成预报的作用。 方案一：集成预报中包括c m a 模式预报。 方案二：集成预报中去除c m a 模式预报。 图3 6 分别给出了两种方案对北半球5 0 0 h p a 温度、u 场、v 场在2 4 天预报期的平均均 方根误差对比。由图可知，对不同气象要素两种集成方案中不同的预报集成方法，预报误 差有相同的变化趋势。总体来看，随着预报时效延长，预报误差增大。对于所有预报时效， 简单多模式集合平均、固定训练期超级集合及滑动训练期超级集合在去除c m a 预报结果的 情况下( 集成方案- - ) ，预报误差都小于包括c m a 模式的情况( 集成方案一) 。这表明，预 报集成过程中，并非参与集成的模式越多越好。对于预报误差明显比其它模式都大的模式， 集成方案中去除该模式，预报效果会更好。低纬度地区，也有类似的结果( 见图3 7 ) 。 1 9 图3 62 0 0 7 年8 月8 3 1 日5 0 0 h p a 温度场t ( a ) 、u 场( b ) 、v 场( c ) 预报的两种不同方案北半球区域平均 均方根误差( 3 一表示去除c m a 模式，4 一表示包括c m a 模式) 以上分析表明，各种预报集成方法对单个模式的预报性能有较高要求，参与集成的单 个模式的预报性能越高，超级集合预报效果越好。因此，在进行各种集成时，有必要对参 加集合的各个模式的预报进行预报效果评估。选取预报效果较好的单个模式的预报参加超 级集合。 2 0 图3 72 0 0 7 年8 月8 3 1 日5 0 0 h p a 温度场t ( a ) 、u 场( b ) 、v 场( c ) 预报的两种不同方案在北半球低纬度区 域平均均方根误差( 3 一表示去除c m a 模式，4 一表示包括c 姒模式) 2 1 3 4 本章小结 本章对e c m w f 、j 姒、u 1 ( 1 0 和c m a 四个模式在2 0 0 7 年8 月8 3 1 日2 4 天预报期的2 4 h 一1 6 8 h 集合预报资料中的北半球5 0 0 h p a 温度，u 场和v 场的集合平均结果进行了评估，并利用 e c m w f 、j m a 、u k m o 三个中心集合预报资料进行多模式集成预报试验，比较多模式超级集合、 多模式集合平均与单个模式的预报效果。为了进一步讨论c m a 模式预报结果对各种预报集 成方法效果的影响，采用两种不同的集成方案来分析c m a 预报结果的作用。得到以下几点 结论。 ( 1 ) 对于北半球5 0 0 h p a 温度场、u 场和v 场的预报，在所有四个模式中c m a 模式对t ， u ，v 的2 4 h - 1 6 8 h 预报误差均为最大。相比其它三个预报中心的模式，c