（气象学专业论文）中尺度集合预报的偏差订正与多模式集成研究.pdf

摘要 集合预报作为新发展起来的一代动力随机预报，已经在当今的数值天气预报中 占据了越来越重要的地位，多模式、多分析的超级集合预报能弥补初始场的不确切 性、模式的不完善性，更是现今研究的热点。但是，因为所选取的模式、物理过程 参数化方案的不同，多模式超级集合预报中的每个成员系统性偏差的差别很大，必 须先用系统性偏差订正的方法扣除自身的系统性偏差，才能有效的集成。论文基于 n m c c m a 、m r i j m a 、n c e p 、m s c 和m e t e o f z a m g 五个数值预报中心的 中尺度集合预报结果，对2 m 温度预报进行了偏差订正( 包括修正系统偏差和调整 集合离散度) ，再对偏差订正后的预报进行了多模式超级集合预报试验。 首先采用岛适应卡尔曼滤波偏差订正方法，通过递减平均来降低偏差尺度，并 对订正结果进行分析。对集合平均预报和概率预报的检验结果表明，一阶矩订正后， 系统偏差明显减小，预报和观测的相关程度提高。另外由于物理过程配置不同引起 集合成员分组的现象也得到改善。二阶矩订正后2 m 温度的集合离散度得到合理放 大，无论是集合概率预报的可靠性还是分辨能力都得到提高。 然后，用经过系统偏差订正的五个中尺度集合预报结果构造了两个多模式超级 集合预报试验，集合成员数分别为7 0 和1 1 ，并与单一集合预报中表现最好的 m r f j i a 模式预报结果进行比较，结果表明，即使在集合成员数不占优势的情况下， 多模式集合预报的效果仍是优于m r f j 姒模式的。对超级集合预报最优集合成员数 的研究发现，在集合成员数较少时。各时效预报所能代表的不确定性随集台成员数 增加而增大的关系比较明显，当集合成员数达到4 0 左右后，预报所能解释的不确 定性几乎都达到饱和，再提高的空间不大。另外，对五个集合平均预报结果采用算 术平均、多元回归和b p 神经元网络三种方法进行集成研究，结果显示，加权集成 的集合平均预报效果最好，m e m 7 0 集合平均预报次之，单一模式集合平均预报效 果最差。而在三种集成预报中，多元回归方法集成的集合平均预报效果略好，b p 网络集成的居中，算术平均集成的稍差。 关键词：中尺度集合预报，偏差订正，多模式集合预报 i a 。b s t r a c t a san e wd e v e l o p m e n td y n a m i c ss t o c h a s t i cf o r e c a s t t e c h n i q u e ， e n s e m b l ef b r e c a s t e s p e c i a l l yt h es u p e r - e n s e m b l ef o r e c a s t , b e c o m em o r ea n d m o r ei m p o r t a n ti nt h en u m e r i c a lf b r e c a s tf i e l d b u tb e c a u s eo ft h ed i f f e r e n t m o d e la n dp a r a m e t e r i z a t i o ns c h e m e so fp h y s i c a lp r o c e s s e su s e di nt 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 ts y s t e m ，t h es y s t e m i cb i a so f e n s e m b l em e m b e r o fa r eq u i t ed i f f e r e n tw i t he a c ho t h e r , w h i c hi sa g a i n s tw i t ht h ep r i n c i p l eo f e q u a l l i k e l i h o o d ”b i a s - c o r r e c t i o n s h o u l db ed o w nb e f o r e t h e y a r e c o m b i n e d b a s e do n2 mt e m p e r a t u r ef o r e c a s tp r o d u c t sf r o mt h em e s o s c a l e e n s e m b l ef o r e c a s tm o d e l so fn m c c m a 、m r i j m a 、n c e p 、m s ca n d m e t e o - f r & z a m g as t u d yo f t h eb i a s c o r r e c t i o n ( b o t ho f s y s t e me r r o ra n d e n s e m b l es p r e a dc o r r e c t i o n ) a n dm 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 ti s c o n d u c t e d f i r s to fa l l ，r e m o v et h ef o r e c a s t b i a sb yt h ew a yo ft h ea d a p t i v e 0 ( a h n a nf i l t e rt y p e la l g o r i t h m t h er e s u l ts h o w st h a ta l lt h ef o r e c a s ts k i l lo f t h e s ev a r i o u sc o u l db ei m p r o v e d , e i t h e rt h em e a no fe n s e m b l ef o r e c a s to r p r o b a b i l i s t i ef o r e c a s t n l ep d fo fe a c hf o r e c a s tm e m b e ra r em u c hm o r e s i m i l a rw i t ht h eo t h e r s t h ec r p so ft h ec o r r e c t e df o r e c a s ti ss m a l l e rt h a nt h e r a wf o r e c a s t t h es p r e a do ff o r e c a s ts y s t e mi si n c r e a s e dr e a s o n a b l y , a n d c l o s e rt ot h er n l s w h i c hm e a k st h a tt h ef o r e c a s t sa r em u c hm o r er e l i a b i e w h a t sm o r e t h et a l a g r a n dd i a g r a mr e p r e s e n t i n gf o rt h er e l i a b i l i t yo ft h e e n s e m b l ep r o b a b i l i s t i cf o r e c a s t ，t h er o ca n de vr e p r e s e n t i n gf o rt h e r e s o l u t i o no ft h ee n s e m b l ep r o b a b i l i s t i cf o r e c a s ta n dt h es c o r e so ft h e e n s e m b l ep r o b a b i l i s t i cf o r e c a s ts u c ha sb s b s s ，a l lo f t h e s ei n d e x e sp r o v et h e i m p r o v e m e n to f t h ec o r r e c t e de n s e m b l ef o r e c a s t t h e n , t w om u l t i - m o d e le n s e m b l ef o r e c a s tw i t ht h ee n s e m b l em e m b e r n a r i e7 0a n d11r e s p e c t i v e l ya r ec o n s t r u c t e d b yc o n t r a s t i n gt h er e s u l tw i t ht h e m r i j m a ，t h em o s te x c e l l e n to ft h ef i v es i n g l ee n s e m b l ef o r e c a s ts y s t e m s ， w ef o u n dt h a te v e nw i t ht h es a m en u m b e ro fe n s e m b l em e m b e r , m u l t i m o d e l e n s e m b l ef o r e c a s ts t i l lo v e r m a t c ht h es i n g l ee n s e m b l ef o r e c a s t t h es y s t e m c i y o ri sr e d u c e d ，a n de n s e m b l es p r e a di sr e a s o n a b l ya d j u s t e d i tp r o v e st h a t m u l t i - t o o d e le n s e m b l ef o r e c a s tc o n s t r u c t e dw i t ht h ef o r e c a s tr e s u l to f d i f f e r e n tn u m e r i c a lf o r e c a s tc e n t e rc a l lm a k eu pf o rt h eu n c e r t a i n t yo ft h e i u l t i a ld i s t u r b a n c ea n dn u m e r i c a lf o r e c a s tm o d e l s o ，i st h e r eao p t i r e a l a m o u n to fe n s e m b l en u m b e re x i s t ? t h er e s u l ts h o w st h a tt h ef o r e c a s ta b i l i t y i se n h a n c e dw i t ht h ei n c r e m e n to ft h ee n s e m b l em e m b e ro b v i o u s l ya tt h e b e g i n n i n g ，a n dt h e nt h ei n c r e a s em t es l o wd o w n , s om u c h a sn oi m p r o v e m e n t a n y m o r e f o rt h es a k eo fe c o n o m i z i n gc o m p u t er e s o u r c e ，w es e tt h eo p t i m a l a m o u n to f e n s e m b l en u m b e rt ob e4 0i nt h em u l t i - m o d i em e s o s e a l ee n s e m b l e f o r e c a s t f o rt h ee n s e m b l em e a nf o r e c a s to f 血em u l t i m o d l ee n s e m b l e s y s t e m , t h r e ek i n d so fm a t h e m a t i cm e t h o da r eu s e dt oc o m b i n et h es i n g l e m o d e le n s e m b l em e a nf o r e c a s t ，w h i c ha r et h ea r i t h m e t i ca v e r a g e ，m u l t i p l e l i n e a rr e g r e s s i o na n db pa r t i f i c i a ln e u r a ln e t w o r km e t h o d t h er e s u l ts h o w s t h a t 也ec o l l s c n s u se n s e m b l em e a nf o r e c a s t sh a v et h eb e s tp e r f o r m ，t h eo n eo f m u l t i m o d e lt a k et h es e c o n dp l a c e ，a n dt h eo l l c so fs i n g l em o d e la l et h e w o r s t a n da m o n ga l lo ft h ec o n s e n s u se n s e m b l em e a nf o r e c a s t s ，t h e c o n s e n s u sf o r e c a s tb ym u l t i p l el i n e a rr e g r e s s i o na n db pa l t i f i c i mn e u r a l n e t w o r ka r em u c hm o r ep r e c i s et h a nt h eo l l eb ya r i t h m e t i ca v e r a g e k e yw o r d ：m e s o s c a l ee n s e m b l ef o r e c a s t ，b i a s c o r r e c t i o n ，m u l t i m o d e l e n s e m b l ef o r e c a s n i 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：墨痦 日期： 互且生旦 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：至请 日期：旦鱼 第一章绪论 1 i 引言 数值预报是提高突发性灾害天气预报准确率的最重要途径之一，但具体到定 点、定时、定量方面，数值预报的可用性比较低。主要原因是由于模式初始场与真 实大气之间有误差，离散化模式与大气运动方程组之间有误差，另一个重要原因是 数值模式不能准确描述中尺度系统发生发展( 如积云对流过程) 的物理过程、动力 过程和降水机制。这些因素使得预报存在不确定性。因此，从科学和实际业务应用 角度看，除发展提高确定性预报结果的数值预报方法如资料同化、物理过程、模式 分辨率外，还有必要开展中尺度集合预报的研究，提供中尺度天气过程的可信度指 标。因此，世界气象组织( w m o ) 将集合预报与提高模式分辨率、发展四维同化和 改善物理过程一起列为未来数值预报的四大发展方向。 1 2 集合预报的基本理论 1 2 1 为什么要开展集合预报研究 所谓数值预报就是在给定初始条件和边界条件下，求一组描述大气运动变化 不规律的方程的数值积分解。其求解过程的一整套技术、方法，称为“数值天气预 报模式”。如果给定的初边条件是充分的、数值预报模式是无偏差的，那么其数值 积分值就是完全精确的，可以认为这种预报值是唯一确定且正确的结果，即“确定 性”预报。但是，数值预报经过一个世纪的发展，人们发现，提高这种单一的“确 定性”预报越来越困难，尤其是对一些局地发生的突发性、转折性天气过程的预报 结果往往失败，并且对于较长时效的天气预报结果也总是不理想。而且许多理论和 数值研究表明，大气存在着内在的可预报性。1 9 6 3 年l o r e n z 通过试验发现，即使 以最完美的模式和最完善的观测资料，混沌特性也会使得天气过程的可预报性受限 于2 周左右【1 1 a 导致数值天气预报存在不确定性的因素有3 个f 2 】：一是模式误差，大气模式是 一个离散化的数值模型，它存在物理意义和数学意义上的近似：并且预报模式中考 虑和表示的物理过程与发生在大气中的实际物理过程不一致；另外，无论是格点大 气模式或谱模式，其空间分辨率都受到计算能力的限制。二是初始误差，观测的不 准确( 包括仪器误差，观测点在空间上，时间上的不够密集引起的插值误差) 和资 料分析、同化处理中导入的误差，所得到的数值模式的初始场总含有不确定性，所 以，我们得到的气象分析资料永远只是实际大气的一个近视值。三是大气的混沌特 性，大气是高度的非线性的动力系统，所以大气模式对初值误差具有高度的敏感性， 当积分一定时间后，大气的非线性就会使初始场中的微小差异在相空间呈现明显的 差异。 由于上述大气系统本身的混沌特性、大气初始资料误差以及模式误差的存在。 使得数值预报存在不确定性，也就是说，确定性的唯一解只是其中一种可能。e p s t e i n ( 1 9 6 9 ) 【3 】和l e i t h ( 1 9 7 4 ) 【4 1 首先提出了集合预报的思想。由于数值预报所需要的 大气初始状态只能近似地确定，因而对天气预报问题的完全描述应该题为在大气运 动相空间中大气状态的概率密度函数( p d f ) 随时间的演变。上述问题在理论上可 表述为概率的连续方程，即l i o u v i l l e 方程。但是，即使在只有几个自由度的非线 性系统内，要实际求解该方程是非常困难的。于是，人们退而求其次，试图得到上 述相空间中大气状态的概率密度函数( p d f ) 的一阶矩( 均值) 和二阶矩( 方差) 随时间的演变。尽管如此，对天气预报来说，实际求解一阶矩和二阶矩的时间演变 方程也几乎是不可能的。因此，人们寻找了一种可以在实际应用中变通解决这个问 题的方法，这就是集合预报翻。 1 2 2 什么是集合预报 集合预报的基本方法( 图1 1 ) 是通过一定的数学方法。获得在一定初值误差 范围内具有某种概率密度分布特征的初值集合，其中每个初值都有可能代表大气的 真实状况。然后用数值模式对每个初值积分，从而得到一组预报结果的集合，再由 这一组预报集合推断大气状态的概率密度函数( p d f ) 随时间的演变，这种数值预 2 报方法就称为集合数值预报，简称集合预报。因为得到这组数值预报所用的初值和 模式过程彼此之间有一定的差别，所以就反映了前面提到的大气的不确定性。从而 把过去传统意义上单一的确定性天气预报，变成不确定性预报。 o 一一_ ：骱i 巾妇i # n h h d b _ - f ：- - ： 伸日m 图1 1 集台预报系统示意图 t i m e 集合预报的目的就是尽可能使得到的这组不确定性预报包含未来大气可能出 现的所有状态，从而达到提高预报水平的目的。如上所述，我们可以看到，得到一 组能够反映初始误差的扰动初值是集合预报成功的第一步。目前，世界上各大气象 中心采用的办法是通过某种方法产生一组小扰动，然后将得到的这组小扰动叠加到 初始场上。但是，怎样的小扰动才符合做集合预报的要求呢? 简单来说，就是扰动 必须与我们对分析误差结构的估计相一致。分析误差主要分为两类：一类是有组织 的、快速增长的扰动：一类是随机的、缓慢变化的。而集合扰动所要模拟的正是那 些有组织的、快速增长的扰动，因为相比较来看，对于那些缓慢变化的随机误差自 由度很高，不可能用有限的扰动去把它们的特征完全的描述出来。如果满足下列两 个条件，集合预报统计量( 一阶矩和二阶矩) 就能够大致估计出大气状态概率密度 函数p d f 【6 l ：1 ) 初始状态的样本能够真实地估计分析误差的概率分布；2 ) 数值模 式积分的相空间轨线能够比较好地逼近真实大气轨线( 即要求大气模式相当精确) 。 1 2 3 集合预报的评价标准 集合预报并不是随便把几个数值预报放在一起。所以，不管是考虑初值不确定 3 性或考虑物理过程不确定性或二者同时考虑，一个集合预报系统建立后，必须鉴定 它是否合理。一般来说，一个理想的集合预报系统应该具备以下3 个条件1 7 ： ( 1 ) 从平均统计意义上看，集合预报中的每个成员的准确率应大致相同。也就 是说，某个或某些预报成员不应该总是比其它一些成员准确。否则，集合预报方法 就失去意义了。这可称为“成员等同性( o q u a l - l i k e l i h o o d ) ”。“成员等同性”可用 所谓的t a l a g r a n d 分布来度量。 ( 2 ) 从统计平均的意义上看，一个具有n 个成员的预报集合应该有务吾 1 0 0 的可能性包含大气的实际情况。因此，当成员足够多时，大气的真实状态在 大多数情况下应该被包含在预报的集合中了。要做到这一点，预报集合中成员间的 “离散度”( 可定义为预报成员对集合平均值的标准差) 必须适宜：既要有正确的 方向( 模式没有系统性的误差) 也不能太大( 否则就可能是虚假的) 或太小( 导致 漏报太多) 。这可称为“离散度合宜性”。它也可用t a l a g r a n d 分布来度量。另一个 度量离散度是否适宜，以确保大多数情况下预报集合能包含大气真值的方法就是比 较离散度和集合平均预报的预报误差大小。一个好的集合预报系统，其成员间的离 散度同均值预报误差大小大体上相当。但一般说来，现有的一些集合预报系统，它 们的离散度均偏小。 ( 3 ) 集合预报中成员间的离散度应该反映真实大气的可预报性或预报的可信度。 离散度愈小，可预报性愈高，预报可信度愈大：反之，可预报性愈低，预报可信度 愈小。所以在一个理想的集合预报系统中，离散度同成员预报的平均准确率之间应 该有一种反比例关系。这可称为“离散度一准确率关系”，它可用相关系数来度量。 这一关系不太容易实现。在现有的集合预报系统中有些好些、有些差些、甚至有些 系统中关系不明显p ，”。 那么，当一个集合预报系统建立后，我们可以期待得到什么样的信息呢? 从本 质上讲，集合预报有三个主要目的，首先它提供了一个比单一的预报更为准确的预 报。确定性预报可以给出一个比较好的结果，但是从扰动过的初始场出发，可能会 得到一些相对较好的预报场。这是因为对于确定性预报，是从一个对大气状态最好 估计的初始条件开始的，丽对于每个集合成员，却是从扰动后的分析场开始的。在 积分的最初时刻，确定性预报的结果可能会稍好，但是随着积分时间的增长，集合 平均预报的结果就会超过确定性预报。这是因为集合平均预报滤掉了预报中的不确 定成分，保留了成员中一致部分的倾向。从集合平均预报的各项评分也可以看到， 单一预报的结果稍差。但是平均预报仅提供了未来大气状态的一种可能性，而没有 包括所有的可能性，所以仍然没有跳出决定论预报的范畴。其次，集合预报可以给 预报员提供一个预报可靠性的估计，由于大气的可预报性的变化是随着时间和区域 而变化的，因此集合预报就为每个预报的不确定性提供了指导。最后，集合预报还 可以为概率预报提供定量基础，如用聚类法，将集合成员归类，并确定每组成员发 生的概率，从而得到该类事件发生的概率，使预报员和用户对可能的各类天气事件 做好相应的预警措施。其中，后两种信息是“单一”的决定论预报所不能提供的。 这也就是为何集合预报需要发展推广以至于最终可能取代目前“单一”决定论式的 预报的主要原因。 1 2 4 集合预报的基本问题和分类 集合预报主要涉及3 大类问题1 1 0 1 ：如何生成扰动，如何运用数值模式以及集 合预报产品的释用。其中，如何生成扰动是集合预报研究的核心问题，根据数值预 报的不确定性，集合预报的扰动方法可以分成三种： 1 ) 对初值的扰动：主要有蒙特卡罗方法( m o n t ec a r l o ) 、时间滞后法( l a f ) 、 奇异向量法( s v s ) 、增长模繁殖法( b g m ) 、观测扰动法( p o ) 和集合转换卡尔 曼滤波方法( e t k f ) 等。其中b g m 和e t k f 法程序设计简单，比较容易实现， 且计算时间相对较少；加拿大的p o 法的优势在于保留了初始误差中不增长的部分： s v s 法虽原理清楚，比较容易增加集合数量，但采用伴睫模式，计算耗时长，程序 上不容易实现。 2 ) 从模式的不确定性考虑：对于模式不确定性的研究目前还不是很成熟，目 前主要的办法还是停留在物理参数化方案的扰动上。主要通过扰动物理参数化方案 中的敏感因子，或者将不同的物理参数化方案组合在一起，包括水平扩散，深对流， 辐射，重力波拖曳和地形，还可以选取不同的动力框架。 3 ) 多初值、多模式法：即将不同预报系统的初值交叉应用，将不同预报系统 的结果集合。在集合预报的具体实现中，为更完备地体现预报中的各种不确定性， 可以同时使用初值集合、物理集合和多模式集合中的一种或几种。例如s t e n s n l d i l l l 等采用初值集合和物理集合相结合，对两个中尺度对流系统个例进行了模拟： w 龃d i s h m l l 2 】等采用初值、物理混合集合的方法进行了降水预报：再如把世界上主 要的中期数值预报中心的预报结果进行集合的“p 0 0 r i n 柚”方法；另外，n c e p 的 短期集合预报由1 5 个成员组成，其中l o 个成员来自e t a 模式，5 个来自区域谱模 式。对于来自e m 模式的1 0 个成员，其中5 个成员的初值由n c e p 的5 种分析资 料内插而得，而其余来自e m 模式的5 个成员和来自区域谱模式的5 个成员的初值 由增长模繁殖法产生的用于中期预报的初值内插而得到。 集合预报有多种分类方式”j ，从给数值预报结果带来不确定性的来源划分， 可把集合预报分为初值集合、物理集合和多模式集合；按照目前集合预报研究的时 间尺度来划分，可把集合预报分为短期、中期、月动力延伸和气候集合预报；而按 照集合预报研究的空间尺度分，则有全球集台预报和区域集合预报( 中小尺度集合 预报) 。 目前，全球中期集合预报的研究已比较成熟，计算机的计算能力也不断加强。 但是，我们现在仍然不能使全球的集合预报的分辨率很精确的描述地形及较小尺度 的天气状况，这就很大程度上限制了预报的准确性，尤其是对于一些灾害性天气的 预报，不能给予准确的预警信息。而区域集合预报由于缩小了计算的区域，节省了 计算资源，与全球集合预报相比，可以用很高的分辨率的模式来预报天气，最大限 度的减小中尺度灾害天气带来的损失，具有重要的科学价值和社会价值。 1 3 中尺度集合预报研究的意义和现状 1 3 1 中尺度集合预报研究的意义 6 数值预报是提高突发性灾害天气预报准确率的最重要途径之一，但具体到定 点、定时、定量方面数值预报的可用性比较低。主要原因是由于模式初始场与真 实大气之间有误差，离散化模式与大气运动方程组之间有误差，另一个重要原因是 数值模式不能准确描述中尺度系统发生发展( 如积云对流过程) 的物理过程、动力 过程和降水机制。以暴雨预报为例，暴雨通常与强对流活动有关，现有数值模式通 常采用积云对流参数化方案描述积云对流活动。积云对流参数化方案中的对流触发 机制、闭合假设、降水效率和对大尺度的反馈过程都是人为确定的，造成不同对流 参数化方案的对流发生时间、对流地点、对流强度存在很大差别。即使是同一参数 化方案，由于对流激发函数中的各种参数取值不同，也可造成强降水预报的差异。 这些因素使定量降水预报结果具有不确定性。因此，从科学和实际业务应用角度看， 除发展提高确定性预报结果的数值预报方法如资料同化、物理过程、模式分辨率外， 还有必要开展中尺度集合预报的研究，提供中尺度天气过程的可信度指标。 中尺度集合预报的发展相对于全球中期的集合预报的发展要滞后很多，因为设 计一个能捕捉短期预报中不确定性因素的中尺度集合预报更加困难一些，同时短期 预报多针对中尺度天气系统，还涉及到中尺度的可预报性问题，而中尺度集合预报 潜在的价值和能力至今仍然是一个有争议的话题i l4 j 。 在有限区域的预报中，可以简要的把预报的不确定性归纳为3 个方面【”1 ：与初 值相关的不确定性、与侧边界相关的不确定性和与模式相关的不确定性。其中的与 初值相关的不确定性研究在全球集合预报中，研究得比较广，但是对于区域预报， 对于高分辨率模式，还有待进一步探索。有关侧边界的问题只在有限区域模式中涉 及到，由于侧边界影响在模式积分中引入的误差也是不客忽视的，这方面的工作还 有待进一步开展。主要有两种方法可以考虑，一种方法是用蒙特卡罗方法直接将随 机扰动加在侧边界上i 另一种方法是用全球集合预报结果作为侧边界，但是要注意 全球集合预报与区域集合预报的耦合问题。对于模式不确定性来说，任何一个模式 都不是完美的，模式结构上、参数设定上，或者在截断、数值计算上都存在或多或 少的误差，这些误差特别对中小尺度的影响很大i ，但怎么在中尺度集合预报中 7 合理的表达出这些误差尚不很清楚【”1 。相对于全球中期集合预报，由于一些小尺 度的以及地面参数的可预报性还比较低：而且这些参数对我们还无法确定的模式误 差又相对敏感。另外，在中长期的预报中，误差是呈非线性增长的所以全球中期 的集合预报可以用大量有效的方法来构造初始的扰动，从而允许初始的差异来反映 大的离散。但在短期预报中，初始状态的误差增长主要是线性的，怎样设计适合中 尺度集合预报的初始扰动还不是很清楚i ”j ，中尺度集合预报还存在较多困难。 1 3 2 中尺度集合预报研究的现状 目前，国际上已经开展了很多相关的试验。例如：1 9 9 8 年s e , x 试验就是 一项针对中尺度风暴和对流系统展开的科学研究试验；在美国的w r f 模式的发展 计划中，中尺度集合预报构造方案是一项近期重要的研究内容：2 0 0 2 年9 月在 e c m w f 召开的“天气和气候的可预报性”学术研讨会上，包括h o s k i n s 在内的许 多知名科学家也讨论了针对严重天气的中尺度集合预报问题；2 0 0 4 年1 0 月在英国 e x e t e r 召开的集合方法研讨会上也再次强调了中尺度集合预报问题。分别于2 0 0 2 年1 0 月在西班牙马德里和2 0 0 5 年4 月在意大利博罗尼亚举办了两届世界短期集合 预报专题研讨会。在t h o r p e x 研究原文中，对于t h o r p e x 交互式全球大集合 ( t i g g e ) 的建立也明确的提出要为区域中尺度集合预报系统服务。2 0 0 7 年8 月 3 0 日至9 月1 日，北京2 0 0 8 奥运会天气预报示范计划科学指导委员会第二次国际 研讨会召开，会上中外专家专门对北京2 0 0 8 年奥运会国际天气预报示范计划研究 计划( b 0 8 f d p r d p ) 实施情况与有关业务技术问题进行研讨并确定今后的任务， 项目的实施不仅可为2 0 0 8 年奥运会提供优质的气象服务，也提供了了解世界上最 先进的中尺度集合预报技术的机会。各主要数值预报中心都建立了自己的中尺度集 合预报系统，也取得了一些成果但是以下几个问题仍值得深入探讨研究，这将有利 于系统的进一步优化和持久发展1 目： ( 1 ) s r e f 的结构( 组成) ，初始扰动和模式扰动对于s r e f 而言，哪个的影响 大? 模式物理过程的不确定性，需要考虑行星边界层，陆面过程( 土壤湿度) 和与 8 降水有关的物理过程。集合成员与分辨率的平衡考虑。 ( 2 ) 改善初始扰动场的质量，可以考虑用b g m ，s v s ，e t k f 或者多分析等多 种方法来构造初始扰动场。 ( 3 ) 对于有限区域模式，侧边界条件的影响。有研究表明，这种影响对于构造 一个有效的s r e f 是不能忽视的。 ( 4 ) 考虑是发展单模式的集合预报还是发展多模式的超级集合预报。 ( 5 ) 改善后处理( 包括偏差修正，离散度校准等) 和集合系统的检验。 1 4 本文研究的对象和意义 本文主要进行中尺度集合预报的偏差订正( 包括系统偏差订正和集合离散度调 整) 以及多模式超级集合预报研究。 大量数值预报产品的应用表明，尽管许多数值预报产品的参考价值很高，但预 报的结果总存在一些误差。造成这种偏差的原因是多方面的。其一，预报模式描述 的毕竟是模式大气，而非真实大气；其二，有些物理过程在模式中即使有所考虑， 但要定量地真实反映出这些过程还存在具体困难；其三，在对预报方程组进行数值 求解时，无论采用的是哪种方法，都很难避免计算误差的出现。另外，还有可预报 性的问题等等。集合预报思想就是针对数值预报的不确定性提出的。除了全球中期 集合预报中必须考虑的初值、模式的不确定性之外，中尺度集合预报特有的，由于 侧边界影响在模式积分中引入的误差也是不客忽视的。 由于上面的方法只是针对一个模式的，改变其中的某些参数化方案可能会对模 式的整体有负面的影响。为了避免这个问题，人们想到了另一个提高预报技巧的方 法，就是充分考虑初值误差和模式误差，用多个模式和多个分析初值构造超级集合 预报系统，增加集合成员的离散度。在t i g g e 等项目的推动下，各国家之间的交 流更加密切，个中心往往也能收集到其他中心的预报结果，为多模式超级集合预 报的研究创造了条件。多模式超级集合预报充分考虑了初值误差和模式误差，采用 多个模式多个分析初值来构造集合预报系统。因此，进行多模式集合研究存在的最 9 主要问题就是，因为所选取的模式、物理过程参数化方案的不同，使得每个集合成 员的系统性偏差的差别很大。我们知道，一个合理的集合预报系统，从平均统计意 义上看，集合预报中的每个成员的准确率应大致相同，否则，集合预报方法就失去 意义了。因此，出于“成员等同性”原则。我们需要先对多模式，多初值，多物理 过程参数化方案的超级集合预报结果采用系统性偏差订正的方法扣除自身的系统 性偏差，然后才能有效的进行集成。 因此，本文利用五个数值预报中心为期一个月的中尺度集合预报结果，在现有 模式的基础上进行了以下几个方面预报策略和方法的初步研究： ( 1 ) 对中尺度集合预报系统进行一阶矩系统偏差订正 ( 2 ) 对中尺度集合预报系统进行二阶矩离散度订正 ( 3 ) 构造多模式超级集合预报试验 通过以上内容的研究，希望能够改善现存的中尺度集合系统预报偏差偏大， 集合离散度偏小的问题，提高预报质量，并评价多模式超级集合预报的预报效果。 主要选取了预报员比较关注的2 m 温度，8 5 0 h p a 温度和5 0 0 h p a 位势高度三个物理 量进行研究( 降水由于受地形、气候等因素影响较大，是预报中的难点，降水订正 的原理和方法也还不明确，本文未对降水进行研究) 。由于篇幅的关系，本文只给 出了2 m 温度的研究结果。 1 5 本文各章节安捧 本文共分5 章，具体安排如下： 第一章绪论 介绍集合预报的基本概念、中尺度集合预报研究状况，并引出本文所要研究的 问题。 第二章资料和检验方法 简要介绍本文所用资料情况以及检验分析中采用的方法。 第三章偏差订正分析 1 0 对2 m 温度进行一阶矩系统偏差订正和二阶矩离散度订正研究，并对订正后的 确定性预报结果、概率预报结果的可靠性和分辨能力进行了全面的检验评价。 第四章多模式超级集合预报试验 构造集合成员数分别为7 0 和1 1 的多模式超级集合预报试验，评价多模式超级 集合预报的优势，另外还进行了最佳集合成员数以及加权集合平均预报的研究。 第五章全文总结 第二章资料和检验方法 2 1 引言 国际上，各大气象研究中心都在其全球集合预报的基础上研发了中尺度区域集 合预报。在交互式全球大集合( t i g g e ) 等项目的推动下，各国家之间的交流更加 密切，一个中心往往也能收集到其他中心的预报结果。例如，现在我们就随时可以 在网上免费下载实时更新的8 个国家( e c m w f ，n c e p ，b o m ，c m c ，c m a ，j m a ， m e t e r o f r a n e e ，u k m o ) 的全球数值预报结果。北京2 0 0 8 奥运会天气预报示范计 划b 0 8 r d p 子项目的实施大力推动了中尺度集合预报的研究，不仅可为2 0 0 8 年奥 运会提供优质的气象服务，也提供了了解世界上最先进的中尺度集合预报技术的机 会，为中尺度集合预报的发展创造了良好的平台。 2 2 资料介绍 2 2 i 预报资料介绍 本文使用了中国国家气象中心、日本气象厅、美国国家环境预报中心、加拿大 气象中心和奥地利法国气象局5 个数值预报中心2 0 0 7 年7 月2 4 日至8 月2 4 日的 中尺度集合预报结果，分别记为n m c c m a 、m r i j m a 、n c e p 、m s c 以及z a m g 。 这五个模式输出结果的预报区域均为1 0 5 。- 1 2 5 。e ，3 0 。, - 4 5 哨，模式分辨率为 0 1 5 。0 1 5 。，3 6 小时预报时效内每3 小时存档一次。相同格式的预报结果为构 造多模式，多初值，多物理过程参数化方案的超级集合预报试验提供了便利条件， 也能避免因资料格式不一致进行插值而引起的误差。 表2 1 给出了这五个数值预报中心的中尺度集合预报系统基本配置情况，基本 上代表了目前中尺度集合预报最新的研究状况。 表2 i 五个中尺度集合预报系统的基本配置 参与方模式资料初始扰动侧边界云微物成 系统同化扰动理扰动员 n c e pw r f 廿n n 3 d v a rb g mg l o b a l e p si n c l u d e1 0 m t f a r w m r i ，n 1 d o w n s e a l i n g 4 d 、，a rb g m r e g i o n a l - n o t1 1 j m a j n h mn 0 1 1 1 0 a l i z e de p si n e l u d e m s c d o w n s c a l i n g 3 d v a rm o i s t u r eg i n b a l e p s i n e l u d e 1 6 g e ms v s z a m ga l a d f n4 d v l rs v sg l o b a l e p si n c l u d e1 s n m c ，c m aw r f3 d ，a rb g mg l o b a l e p si n c l u d e1 5 根据数值预报的不确定性，我们可咀把集合预报扰动方法分为三类：初值扰动、 模式扰动和多初值多模式组合。本文使用的五个中尺度集合预报系统除了n c e p 为多初值多模式组合外其他均为单一模式系统。采用的初值扰动方法主要为s v s ( 奇异向量法) 和b g m ( 增长模繁殖法) 。它们均是从数值预报误差分析中产生的， 考虑相空间误差增长方向形成初始扰动，与m o n t e c a r l o 预报形成鲜明对照。这种 方法的特点是在初始扰动中包含了依赖于基本大气运动演变的增长误差。数值预报 误差的研究结果表明误差由快速增长的低能误差和增长速度较慢的高能误差组成， 通常高能误差与斜压不稳定区有联系，而低能误差对应于对流模态：从可预报性角 度考虑，高能误差对分析误差的影响比低能误差大。因此，从理论上说，沿着预报 系统相空间中最不稳定的方向扰动初始条件应可以描述初始场不确定性的统计特 征。 另外，集合转换卡尔曼滤波法( e t k f ) 也是各中心颇为关注且正在研究中的 初始扰动方法，其理论基于集合变换和卡尔曼滤波理论，最早是作为一种适应性观 测算法提出的，后来被用于集合预报的初始扰动。e t k f 是一种次优的卡尔曼滤波 方法，它不同于其它卡尔曼滤波方法的地方在于，通过集合转化和标准化，可以很 快得到与观测资料的详细分布相联系的预报误差协方差矩阵。 下表给出了上述三种初值扰动方法的优缺点比较 1 9 】。 表2 2 三种常用的集合预报初值扰动方法比较 方法优点缺点 l 较好处理资料同化中许多 1 计算量大 不定量的假设 2 忽略误差短期不增长部分 2 容易增加集合预报成员数3 扰动结构受同化分析中切线 奇异向量法3 中高纬扰动结构与物理意模处理过程影响，热带地区的 ( s v s )义明确 扰动效果较差 4 容易捕获分析误差 4 扰动结果与模式大气分析误差 5 可以确定最快扰动发展方结构不一致 向，发散度好 1 计算量小 1 忽略误差增长率及误差中短期 增长模繁殖法2 容易捕获分析误差不增长的部分 ( b g m ) 3 扰动结果与模式大气结构2 扰动振幅影响集合预报技巧 协调性较好3 真实的误差概率密度函数分布 是不可知的 1 计算量相对较小1 与动力模式不相协调 卡尔曼滤波法2 容易捕获分析误差2 真实的误差概率密度函数不可知 ( e t k f ) 3 动力因子明晰 3 难以确定最优扰动增长方向 4 物理意义清楚 4 难以确定最优的物理方案组合 集合预报的初衷是解决模式初始条件的不确定性对预报的影响。