（气象学专业论文）多模式集成预报及概率预报研究.pdf

摘要 本文基于t i g g e 资料中的欧洲中期天气预报中心( e c m w f ) 、美国国家环境预 报中心( n c e p ) 、中国气象局( c m a ) 、日本气象厅( j m a ) 和英国气象局( u i ( m 0 ) 五个中心的全球集合预报模式资料，对比研究了几种多模式集成预报方案的优 劣以及各自特点。并且针对多模式集成预报产品，进行了概率预报试验。 结果表明，对于地面气温的2 4 - 1 2 0 h 预报，线性回归的超级集合预报( l r s u p ) 以及消除偏差集合平均预报( b r e m ) 效果不如非线性神经网络超级集合预报 ( n n s u p ) 。但是当预报时效延长至1 4 4 - 1 6 8 h 时，b r e m 和l r s u p 与n n s u p 预报效果 相当。采用每个格点最优滑动训练期长度对5 0 0 h p a 位势高度、温度以及风场进 行多模式超级集合( s u p ) 和消除偏差集合平均预报( b r e m ) ，结果发现对于 2 4 1 2 0 h 预报，s u p 较最优单中心预报效果改进约1 6 ，而b r e m 只提高了8 。但是， 当预报时效延长至u 1 4 4 - 1 6 8 h 时，b r e m 预报技巧已接近s u p 的预报技巧。 超级集合预报方法对阻塞过程中特征等高线形势的预报，对阻塞区域高压 强度的预报，以及对阻塞高压中心位置、中心强度的预报，均优于单个中心预 报和多模式简单集合平均预报。 利用多个模式的集合预报产品，在建立传统的“p o o rm a n 集合预报的基 础上，对多模式概率预报结果进行订正，进一步消除预报的系统性偏差。采用 b s 、r p s 检验方法对地面温度和累积降水的概率预报结果进行评估。结果表明， “p o o rm a n ”集合预报( p o o l ) 及多模式消除偏差集合预报( b r e m ) 明显地改 进了单中心模式的概率预报效果，并且b r e m 预报技巧高于p o o l 方案。 关键词：t i g g e ，多模式集成预报，对比研究，概率预报 i a b s t r a c t b a s e do nt h ee c m w f , j m a ，n c e pa n du k m oe n s e m b l em e a no u t c o m e s t a k e nf r o mt h et i g g e a r c h i v e ，m u l t i m o d e lc o n s e n s u sf o r e c a s t sh a v e b e e nc o n d u c t e d a n dv e r i f i e di nt h i ss t u d y i na d d i t i o n ，t h ep r o b a b i l i s t i cp r e d i c t i o ne x p e r i m e n t sw e r e c o n d u c t e db yu s i n gt h em u l t i m o d e le n s e m b l ef o r e c a s tp r o d u c t s t h er e s u l t ss h o wt h a tt h el i n e a rr e g r e s s i o nb a s e dm u l t i m o d e ls u p e r e n s e m b l e ( l r s u p ) a n db i a s - r e m o v e de n s e m b l em e a n ( b e d 三m ) t e c h n i q u e sh a v el o w e rf o r e c a s t s k i l lt h a nt h en o n l i n e a rn e u r a ln e t w o r k sb a s e dm u l t i m o d e ls u p e r e n s e m b l ef r 州s u p ) f o rt h e2 4 - 12 0 hf 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 e h o w e v e r , w h e nt h ef o r e c a s t t i m ee x t e n d st o14 4 16 8 h ，t h ef o r e c a s ts k i l lo ft h eb r e mi sa p p r o a c h i n gt h a to ft h e l r s u pa n dn n s u p f o rt h e2 4 - 12 0 hf o r e c a s t so ft 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 ，t h em u l t i m o d e ls u p e r e n s e m b l e ( s u p ) a n db i a s - r e m o v e d e n s e m b l em e a n ( b p 也m ) f o r e c a s t sw i t ho 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 dr e d u c e d t h er o o t - m e a n - s q u a r ee r r o r s ( r m s e s ) o ft h ef o r e c a s t sb y16 a n d8 r e l a t i v et ot h e r m s e so ft h eb e s t s i n g l em o d e l h o w e v e r , w h e nt h ef o r e c a s tt i m ee x t e n d st o 14 4 16 8 h ，t h ef o r e c a s ts k i l lo ft h eb r e m t e c h n i q u ei sa p p r o a c h i n gt h a to ft h es u p t e c h n i q u e t h 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 sf o rt h ec h a r a c t e r i s t i cl i n e so ft h e b l o c k i n g s ，t h ea v e r a g eg e o p o t e n t i a lh e i g h t si nt h eb l o c k i n g s ，t h el o c a t i o no ft h e b l o c k i n gh i g ha sw e l la st h ei n t e n s i t yo ft h eb l o c k i n gh i g hc e n t e rp e r f o r mb e r e rt h a n t h ef o r e c a s t so ft h eb e s ts i n g l em o d e la n dm u l t i m o d e le n s e m b l em e a n b a s e do nt h et r a d i t i o n a l p o o rm a n ”e n s e m b l ef o r e c a s t s ，t h ec o r r e c t i o n so ft h e p r o b a b i l i s t i cf o r e c a s t sh a v eb e e np e r f o r m e db yu s i n gm u l t i m o d e le n s e m b l ef o r e c a s t p r o d u c t si no r d e rt or e d u c et h es y s t e m a t i ce r r o r so fm u l t i m o d e lf o r e c a s t s t h e p r o b a b i l i s t i cf 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 ea n da c c u m u l a t e dp r e c i p i t a t i o nh a v e b e e nv e r i f i e db yc a l c u l a t i n gt h eb r i e rs c o r e ( b s ) a n dt h er a n kp r o b a b i l i t ys c o r e ( r p s ) i ti sf o u n dt h a tt h e “p o o rm a n ”e n s e m b l ef o r e c a s t s ( p o o l ) a n db i a s r e m o v e d e n s e m b l em e a n ( b r e m ) i m p r o v e dt h ep r o b a b i l i s t i cf o r e c a s t so ft h es i n g l em o d e l s c o n s i d e r a b l y f u r t h e r m o r e ，t h eb r e mt e c h n i q u eh a sh i g h e rf o r e c a s ts k i l lt h ep o o l i v k e yw o r d s ：t i g g e ，m u l t i m o d e lc o n s e n s u s ，c o m p a r a t i v es t u d i e s ，p r o b a b i l i s t i e f o r e c a s t v 学位论文独创性声明 本人郑重声明： 1 、坚持以“求实、创新一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，不包含其它人或其它机构 已经发表或撰写过的研究成果。 5 、其它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：三奄蚺 日 期：z 4 乒一 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： 日期： 第一章绪论 1 1 多模式集成预报研究意义 由于大气是一个高度非线性系统，而且对应的高度非线性的数值模式对初始条件的微 小误差非常敏感。在目前的短期数值预报实践中，模式的物理表达已相当不错，以致于 一般要素预报的误差中有相当大部分源自于初值的误差而不是模式本身的误差。e p s t e i n 拉1 为解决初值问题提出了动力随机预报理论，提供了一个处理不确定事件的方法，首先引入 了集合预报思想。后来，l e i t h 啼1 提出了一个比较适合于实际应用的所谓“蒙特卡罗”预 报( m o n t e c a r l of o r e c a s t i n g ) 。经典的集合预报主要就是基于蒙特卡罗预报思想建立的， 即首先估算出初值中误差分布的范围，根据这一范围给出一个初值的集合。在此集合中的 每一个初始场都有同样的可能性代表实际大气的真实状态。从这一初值的集合出发，我们 就可相应得到一个预报值的集合，也就是所谓的“初值集合”。近年来，集合预报概念已 从单纯的初值集合问题延伸到了模式物理的随机过程集合。考虑物理不确定性的集合预报 系统大致有两大类。第一类是用单一模式，对该模式物理过程中的一些不确定、但对预报 结果很敏感的部分h 酗，如云的参数化、下垫面的作用等在模式积分过程中可以把它们当作 随机过程来处理阻1 ，或者任意选用不同的参数化方案口圳。但是由于此方法是基于一个模式， 某些参数或者参数化方案可能已被调到了所谓的“最优状态”，所以改变这些参数或方案是 否会负面地影响模式整体的最优性能还是一个问题。此外，由于科学发展的阶段性，目前 要想从单一模式着手来提高预报准确率已经非常困难。为了避免这些问题，很多学者进行 了多模式集成预报的试验。这一方法就是使用两个或两个以上模式，每个模式都有其自身 的子集合预报系统，然后把这几个子集合预报集成在一起成为总集合预报( 也称为“超级集 合预报”，s u p e r e n s e m b l e ) 。这一方法既考虑了初值误差的影响，又考虑了模式物理过程的 不确定性的影响，使预报结果更加稳定和可靠阻0 1 。 1 2 多模式集成预报国内外研究进展 由于大气是一个非线性的耗散系统，数值模式受到物理参数化方案、初始误差、边界 问题以及模式运算的约束，因此对一个成熟的单模式来说，要提高天气预报技巧也许需要 相当长的时间。目前，数值天气预报已由传统的单一模式预报向多模式集成数值预报方向 发展。随着通信、网络、计算机等技术飞速发展，各国气象合作日益密切。近年来w m o 发 起的t h o r p e x 计划，使得数值模式的实时预报、气候预测产品更加丰富。如何充分有效地 1 利用如此庞大的资源，也成为集合数值预报研究的一个重要问题。2 0 0 2 年1 0 月在马德里 召开的短期集合预报的研讨会上，科学家们非常重视使用多个模式构造集合n 1 _ 1 2 1 的思想。 k r i s h n a m u r t i 等u 羽在集成预报基础上最早提出了多模式超级集合预报的思想。它是对多 个不同模式预报结果进行统计处理获得最优的组合后进行的集合预报。目前，这种方法已 成为研究模式离散误差、分析单模式预报误差、提高预报技巧、降低高度动力随机预报不 确定性的重要方法。k r i s h n a m u r t i 等n 卜1 7 1 还对全球不同区域8 5 0 h p a 经向与纬向风、降水 以及台风路径和强度等进行超级集合预报试验，发现超级集合方法能有效地减小预报误差， 与实际观测场更接近。r i x e n 等引在m r e a 0 4 项目试验中，将多个大气和海洋模式应用线性 回归和非线性神经网络技术进行超级集合，并对葡萄牙西海岸的洋面漂流进行短时预测， 发现结合了大气和海洋模式的超级集合预报显著降低1 2 - 4 8 h 预报时效的洋面漂流预报误 差，该方法能够改进现有大气和海洋模式的预报技巧，对未来预报提供了较为可靠的信息。 c a r t w r i g h t 等h 钉应用超级集合预报技术对2 0 0 3 年美国东南部夏季中尺度降水进行研究指 出，对于特定区域的1 2 - 6 0 h 不同强度降水的超级集合预报结果较各个单模式预报更精确。 最近k r i s h n a m u r t i 珏叫等对中国季风区南海季风爆发时降水、梅雨期降水以及台风登陆强降 水进行超级集合预报研究，他们发现对于1 - 3 天预报，超级集合方法较最好的单个模式预 报能获得更高的预报技巧评分。对于4 - 1 0 天预报，超级集合方法预报的均方根误差仍然较 小。 随着国内外合作的加强，数值预报产品越来越丰富，国内学者也开始利用多模式集成 预报技术进行实时天气预报试验。陈丽娟等口妇基于超级集合的思想对参加中国汛期降水预 测的各单位预报结果进行集成，发现超级集合预报效果稳定，多数情况下优于单成员预报。 赵声蓉强副基于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的2m 温度预报资 料，利用神经网络技术建立了我国6 0 0 多个站的温度集成预报系统指出，经过集成的预报 结果明显优于单模式预报。马清等曙踟针对全球五个气象中心的区域集合模式的地面温度预 报，进行了超级集合预报研究，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 筠1 基于t i g g e 资料对北半球地面温度进行线性回归和神经 网络技术超级集合预报试验也指出，多模式超级集合技术下的预报误差远小于单模式以及 多模式集成平均预报。并提出了滑动训练期的多模式超级集合预报方法，发现其预报效果 要优于传统的固定训练期的预报。在实际业务运用方面，目前在很多国家的气象预报中心 也已经成功地采用了多模式集成预报技术。 多模式集成概率预报也有很好的预报效果。s a n d e r s 幢 经过研究单模式特性指出，多模 2 式概率预报集合平均较单个最优模式预报水平要高。他的这一发现在1 9 7 0 年代以后陆续被 证实引用乜8 捌。r i c h a r d s o n 口指出一个模式的集合预报系统( e p s ) 下的概率预报结果要优 于确定性预报结果，而且对于很多用户来说，概率预报要比中短期确定性预报更有价值。 h a g e d o r n u 叫基于多模式集成预报思想，利用d e m e t e r 多模式集成预报系统资料对确定性预 报和概率预报进行分析研究，发现多模式集成预报确实能优化预报结果。并对多模式集成 预报的基本原理进行讨论，指出多模式集成预报方法能使各模式误差相互补偿，而且更加 稳定可靠。经过大量的预报试验证明，集合预报方法确实能够提高天气、气候以及年际预 报技巧，并具有简便实用等优点，在国际上得到广泛研究与应用m q 刀。 1 i3 本文拟研究问题的目的和意义 本文研究主要有两个方面目的，一方面是对目前出现较多的几种多模式数值集合预报 方法进行对比研究，找出各预报方案的特点，为预报员在实际业务中更高效、更精确地释 用数值产品提供依据。 另一方面多模式消除偏差概率预报方法( b r e 5 i ) 在我国的研究与应用还很空缺，本文 利用多模式消除偏差概率预报方法( b r e m ) 对t i g g e 资料的适用性进行预报试验研究，以 期今后能更好地利用t i g g e 资料下丰富的数值产品来提高概率预报技巧，并对我国多模式 概率预报研究和业务使用等工作提供参考。 1 4 本文各章节主要内容 第一章阐述了多模式集成预报的研究意义，回顾了其在国内外的研究进展。 第二章介绍本文所用资料、多模式集成方法以及预报结果的检验方法。 第三章主要对多模式集成预报的结果进行对比研究。 第四章对一次乌拉尔山阻塞个例进行多模式集成预报试验。 第五章主要进行地面气温和降水的多模式概率预报试验。 第六章对全文进行总结和讨论。 3 第二章多模式集成预报资料及方法 2 1 资料 本文所用资料取自t b o r p e x 计划下的t i g g e ( t h o r p e xi n t e r a c t i v eg r a n dg l o b a l e n s e m b l e ) 多中心预报资料，包括欧洲中期天气预报中心( e c m 盯) 、日本气象厅( j m a ) 、 美国国家环境预报中心( n c e p ) 、英国气象局( 删0 ) 以及中国气象局( c 姒) 五个数值预 报中心全球集合预报模式每天1 2 时( 世界时) 起报的地面温度以及5 0 0 h p a 位势高度、温 度和风场的集合平均资料。各中心模式资料长度为2 0 0 7 年6 月1 日一8 月3 1 日，预报区域 为i 0 。n - 8 7 5 。n ，0 。- 3 5 7 5 。，分辨率为2 5 。2 5 。，预报时效为2 4 - 1 6 8 h ，每间隔 2 4 h 。 采用n c e p n c a r 再分析资料作为“观测值”检验多模式集成预报效果。由于模式预报 资料涉及到了最长1 6 8 h 即7 天时间长的预报，因此检验资料长度为2 0 0 7 年6 月1 日一9 月 7 日，预报区域为1 0 。n 一8 7 5 。n ，0 。- 3 5 7 5 。，分辨率为2 5 。2 5 。 2 2 多模式超级集合预报方法 多模式超级集合预报方法实质是一项统计技术，即使用过去预报和观测( 分析) 的数 据集进行统计分析，确定不同模式的权重系数。这里可以是线性的回归技术，也可以是非 线性神经元网络技术对模式进行处理。 2 2 1 线性回归技术超级集合预报 k r i s h n a m u r t i 等n 3 1 提出的多模式超级集合预报方法是分析各模式在训练期阶段的预 报效果，利用多元线性回归方法得到各模式合适的权重系数。到预报期阶段，在消除各模 式系统误差的基础上，将训练好的权重系数带入超级集合公式进行预报。图1 为超级集合 预报的流程。 在一个给定的格点上，对于某一预报时效某一气象要素，超级集合预报模型由方程( 2 1 ) 构建， 墨= 万+ 口f ( e ，一霉) ( 2 1 ) i = l s 为超级集合预报值，历为训练期观测值平均，死为第i 个模式的预报值，霉为第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 4 间。 在训练期建立回归方程： q = 石+ 口f ( 只，一霉) ( 2 2 ) f i l 回归系数口f 由( 2 3 ) 中的误差项6 最小化计算而得： n t r a i n g = 一d ，) 2 ( 2 3 ) f - l ( 2 2 ) 、( 2 3 ) 中d ，为观测值，n t r a i n 为训练期的时间样本总数。将确定的回归系数a 。带 入到( 2 1 ) 中，即可在预报期进行超级集合预报。 本文采用的是智协飞等他盯提出的针对每日实时预报资料进行的滑动训练期的超级集合 预报，即固定训练期长度，每次滑动去掉模式最老一天资料并加入最新一天资料以确定每 天各模式权重系数的方法。 图1 超级集合预报流程 2 2 2 非线性神经网络技术超级集合预报 本文采用3 层b p 非线性神经网络技术啪q 们进行超级集合预报( n n s u p ) 。主要是指在训 练期阶段，将各个中心模式输出结果作为神经网络学习矩阵的输入端。预报期阶段，将学 习训练好的网络参数代入到预报模型中即可获得超级集合预报结果。 2 2 3 消除偏差集合平均预报 消除偏差集合平均( b r e m ) 由方程( 2 4 ) 定义。 5 一弭专姜( 辱国眩4 ， ( 2 4 ) 式中引咂m 为消除偏差集合平均预报值，e 为第i 个模式的预报值，丘为第i 个模式预报值平均， 石为观测值平均，n 为参与集合的模式个数。对于b r e m 预报，本文 也用上述滑动计算方法。 2 2 4 简单的集合平均预报 集合平均预报方法是集合预报成员的数学平均，代表集合预报产品的第一级信息。一 般情况下，由于计算平均过程中可以过滤掉每个成员的随机不可预报的信息，因此可以给 出总体的预报趋势，可以分析预报区域的状态。多模式集合平均( e 心) 方法主要用作超级 集合预报效果的对比参照，见( 2 5 ) 式。 1 e m 7 v = 二y 只 ( 2 5 ) n 怎i 2 3 预报效果检验方法 采用均方根误差( i b l s e ) 对预报效果进行检验评估。 r a 4 s e = 己i 窆i = 1 ( e d i ) 2 声 ( 2 6 ) ( 2 6 ) 式中f i 为预报值，q 为观测值，n 为资料长度。 6 第三章多模式集成预报对比研究 面对多个模式预报结果以及目前常用的几种多模式集成预报方法，有必要对比研究各 预报方案的优缺点，为预报员在实际业务中更有效、更精确地释用数值产品提供依据。 3 1 线性与非线性技术超级集合预报对比分析 3 2 5 2 ：i5 。1 = 05 ，、2 p = ：i ； 星0 毒蠢；誊影澎造 81 0i2141 6j82 0 2 22 4 2 6 2 8 3 0 d a y so ft h em o n t ho fa u g u s t l0 7 函谊毒毯建 。暑= 自 弋；i 澎 2 5 7一一7 二= 一 2 降蔑痦若孓影蠢定试毒 1 。5 瓷一每尹。气；二；5 l 05l ( b ) 一2 p ： ：1 ： 星0 a ；2 ，：5 誊豢露营i 。： 连3 蘸葛螽苦彩i ， 曼o5 l | e 1 五o 81 0 1 2 1 4 1 6 1 8z 0 2 2 2 4 2 6 2 8 3 0 3 广_ 业业坐堕业生生业堕里、 f 一 亭交鼯影交乒专顿 ： d 龟芦 81 0 12 1 4 1 6 1 82 0 2 22 42 62 83 0 d a y so ft h em o n t ho fa u g u s t 。0 7 81 0 1 2 1 4 1 6 1 82 0 2 22 42 62 83 0 d a y so ft h em o n t ho fa u g u s t 0 7 j 毗 n c e p 图2 2 0 0 7 年8 月8 3 1 日预报期内2 4 h ( a ) ，4 8 h ( b ) ，7 2 b ( c ) ，9 6 h ( d ) 1 2 0 h ( e ) 1 4 4 h ( f ) 和1 6 8 h ( g ) 在北半球区域( 0 。3 6 0 。，1 0 。n - 8 0 。n ) 地面温度预报平均均方根误差( 单位：) 基于t i g g e 赘抖中的e c m w f 、j l i a 、n c e p 以及u k m o 四个中心北半球地面温度场的集合 平均结果，对每天2 4 1 6 8 h 预报进行多中心超级集合预报。预报期为2 0 0 7 年8 月8 3 1 日 共2 4 天。 图2 给出了四个中心模式、简单集合平均( e k n ) 、消除偏差集合平均( b r e m ) 、线性回 归( l r s u p ) 以及非线性神经网络( n n s u p ) 超级集合预报方案对预报期内每天地面温度预 报的北半球区域平均均方根误差。由图可见，对于整个预报期内2 41 6 8 h 预报来说多模 式集成的e m n 、b r e i l 、l r s u p 以及n n s u p 预报的均方根误差相对最优单模式预报的均方根误 差都有不同程度的降低。随着预报时效的延长，改善幅度降低，但是预报效果仍然持续稳 定。对于2 4 - 1 2 0 h 预报，l r s u p 与n n s u p 方案的预报均方根误差相对最优单个中心预报平 均可降低05 c - 07 左右， b r e m 预报方案也有一定改善。当预报时效较长达1 4 4 1 6 8 h 时，b 舾h 方案的预报技巧却已与l r s u p 与n n s u p 预报相当，但是这三种预报误差改善幅度 也很快下降到0 2 c 左右。 因此，对北半球夏季地面温度预报而言，多模式集成预报方法较单中心预报具有更高 的预报技巧。预报误差减小幅度虽然随着预报时效延长而不断降低，但是预报结果仍然持 续稳定。对于2 4 1 2 0 h 预报，线性回归的超级集合预报( l r s u p ) 咀及消除偏差集合平均( b r e m ) 预报效果不如非线性神经网络超级集合预报( n n s u p ) 。但是当预报时间延长至1 4 4 1 6 8 h 时， b r e m 和l r s u p 与非线性n n s u p 预报效果相当。 前面的分析表明，非线性神经网络超级集合预报较其它预报方案效果要好。不过要想 得到最优的网络结构，做出最优的预报结果，就得对网络参数进行多次调试，运行效率较 低。而线性回归超级集合( l r s u p ) 以及消除偏差集合平均( b r e m ) 预报方法却具有计算简 8 一：熹 便、效果优良的特性更有利于向地方台站预报业务上推广使用。下文将利用l r s u p ( 下 文简记为s u p ) 以及b r e m 多模式集成平均预报方法对5 0 0 h p a 位势高度场、温度场以厦风 场进行集成预报试验，并对比分析两者的预报效果以及各自特性。 3 2s u p 与b r 叫对5 0 0 h p a 位势高度预报对比分析 3 0 一 ：2 5 2 0 ： ：1 5 * 1 0 量 5 3 0 盆2 7 ：2 d ；2 1 ：1 8 = 1 5 81 52 2 2 93 64 3 5 0 5 7 6 47 l7 8 8 5 y e r i f lc a t i o nd a t e 135791 l131 5 l357g1 11 31 5 f o r e c a s td a t ef o r e c a s t3 a t e 图32 0 0 7 年6 月8 日一8 月3 1 日在中低纬地区( 0 。一3 6 0 。1 0 。n _ 6 0 。n ) 5 0 0 h p a 位势高度预报的 平均均方根误差( a ) 及2 0 0 7 年8 月1 7 - - 3 1 日预报期内逐日5 0 0 h p a 位势高度预报区域平均均方 根误差( b ) ( 竖实线左侧为训练期阶段右侧为预报期阶段) 图3 a 给出了预报技巧最差的中心c i i a ，最优的预报中心e c i 唧f ，消除偏差集台平均 ( b r e m ) 以及线性回归超级集合预报( s u p ) 对北半球中低纬区域( 0 。一3 6 0 。，1 0 。n - 6 0 。n ) 5 0 0 h p a 位势高度预报的平均均方根误差。其中多模式集成预报方法在每个格点上均 统一选取预报日期的前7 0 天为滑动训练期长度。预报时效分别为2 4 h 和9 6 h 。 由图3 a 看出，简单的多模式集合平均方法( e 删) 对2 4 h 和9 6 h 预报效果已经与最好 的单中心e c 晰f 预报效果相当，其它时效的预报也有类似结果( 图略) 。简单多模式集合平 均方法对于北半球区域5 0 0 h p a 位势高度预报的改善并不理想。这可能是由于参与集成预报 9 窜心 的模式不止一个，将包括预报效果较差的模式做等权平均，而导致了预报误差的增长引。 而线性回归超级集合预报( s u p ) 方法对于2 4 7 2 h 短时效的预报水平较高( 4 8 h 和7 2 h 图 略) 。尤其对于2 4 h 预报，其预报效果较最优单中心预报平均可提高2 0 左右。相对最差模 式预报的均方根误差，s u p 可以降低8 9 p m 。而消除偏差集合平均( b r e m ) 预报效果较s u p 稍差。由图3 a 还发现，对于9 6 h 以上预报，s u p 预报的均方根误差与最优中心e 伽w f 预报 结果已经很接近，而b r e m 的预报效果已经不如e c m w f 预报效果( 1 2 0 1 6 8 h 预报图略) 。因 此，对于9 6 h 以上预报，s u p 和b r e m 预报方法已经不能很好地降低预报区域内的平均误 差了。 针对图3 a 中出现的s u p 以及b r e m 多模式集成预报方法对于4 天以上总体预报水平不 高的情况，可能是由于各个中心模式在不同的格点具有不同的预报能力和系统误差造成的。 图3 a 中各个格点均以7 0 天为多模式集成预报的训练期长度显然不够合理，从而导致多模 式集成预报方法不能针对各个点的情况改善预报技巧，因此区域平均的总体误差较大，预 报技巧不高。接下来将对每个格点先选取最优的滑动训练期长度，然后进行集成预报试验。 图3 b 是8 月1 7 3 1 日1 5 天预报期内每个格点均在最优滑动训练期长度下5 0 0 h p a 位 势高度集成预报的区域平均均方根误差。从中可以看到，预报期内最优的超级集合预报 ( o - s u p ) 区域平均误差较之前的s u p 预报有一定程度的降低，而且较最优单模式预报效果 改善了9 左右。最优的消除偏差集合平均( 嗍i u 、m ) 较之前的b r e m 预报效果也有所改进。 综上所述，对北半球区域5 0 0 h p a 位势高度进行预报分析发现，对于卜3 天预报，超级 集合预报技术( s u p ) 改善效果较明显，b r e m 预报技巧稍逊于s u p 。但是对于4 天以上预 报，s u p 与b r e m 预报方案都不能很好地降低区域总体误差。但是当每个格点都选用最优滑 动训练期长度，然后再进行9 6 h 多模式集成预报，预报期内预报误差较之前有所降低。 3 3s u p 与b r e m 预报方法的最优滑动训练期长度地理分布 智协飞等口卜拍1 研究指出，超级集合预报方法对北半球夏季2 4 - 1 6 8 h 地面温度的预报， 其最优的训练期长度宜取2 个月左右。而消除偏差集合平均方法，对于2 4 7 2 h 短期预报， 如取较长的训练期长度，其预报效果反而变差，半个月左右的训练期长度最为合适。对于 9 6 1 6 8 h 较长时效的预报，1 个月左右的训练期长度最优。因此，线性回归的超级集合及消 除偏差集合平均预报方法对训练期长度的选取是有要求的。只有当其选取到合适的长度时， 预报误差才能达到最小。训练期长度过长或过短都将影响预报技巧评分。并且超级集合与 消除偏差集合平均这两种不同的集成预报方法对于不同时效的预报，也具有不同的训练期 1 0 长度。 舶n 舳n 0 l l 2 0 n b r e m d a y 4 s u pd 舸- 6 o6 0 e12 ef 跚1 2 0 w删00艇 1 2 0 侣01 2 呻州0 = 工二二二二二二【二= 卜 71 53 04 56 0 匿4b r 删、s u p 对北半球区域( 0 。3 6 0 。，1 0 。n8 75 。n ) 5 0 0 h p a 位势高度j 4 4 h 预报的最优滑动 训练期长度的地理分布( 单位：天) 为了获得最优的预报效果，在超级集合预报训练期就得确定出最优的训练期长度。义 因为参与集合的模式对于不同的预报区域有不同的贡献，因此为了了解不同格点训练期长 度的分却状况，我们将对每个格点进行训练期长度的调试。图4 给出了北半球区域( 03 6 0 ， 1 0 、一8 75n ) 消除偏差集合平均预报b r e m 与超级集合预报s u p 对5 0 0 h p a 位势高度预报的 最优滑动训练期长度的地理分布( 预报期同图2 ) ，选取热型预报时效1 4 4 h 。由图4 可以看 出，在北半球太部分地区b r e m 的训练期长度以3 0 天以下为土，而s u p 的训练期长度偏长， 咀4 5 天以上为主。并且从总体上看，无论是b r e 还是s u p ，从海洋到陆地以及高原地区 i t i 练期长度的变化也比较大。这种现象可能是由于参与集台的各个模式在不同的地理区域 具有不同的预报系统误差引起的。目前由于资料长度有限还不能分析不同区域内不同季 节的最优训练期长度。 34s u p 与b r e m 各格点最优滑动训练期下预报效果对比 口b e s te o d e l 曰硼f b r e i s u p 5 0 0 h p ag e o p o t e n t i a lh e l g h t 5 0 0 h p az o n a lw i n d 5 0 星4 0 o 。3 0 ：2 0 m1 0 2 0 6 之5 4 ：3 ；2 i 1 0 2 4 h4 3 h7 2 h9 6 h 1 2 0 h1 4 4 h1 6 8 h t i m e ( h o u r s ) 5 0 0 h p ai d e r i d i o h a l - 1 n d 2 4 h4 8 h7 3 h9 6 h 1 2 0 h 1 4 4 hl6 8 b 7 l m e ( h o u r s ) 2 4 h4 8 h7 2 h9 铀1 2 0 h1 4 4 h 1 6 8 h t i r e ( h o u r s ) 5 0 0 h p at e m p e r a t u r e 2 4 h4 8 h7 2 h9 6 h1 2 0 h “4 h1 6 8 h t e e ( h o u r s ) 圈52 0 0 7 年8 月1 7 - - 3 1 日预报效果最好的单个中心、集合平均以厦b r 叫和s u p 对北半球中低纬度区域 ( 0 。一3 6 0 。1 0 。 卜6 0 。n ) 5 0 0 h p a 位势高度( a ) ，纬向风( b ) ，经向风( c ) 及温度( d ) 预报的平均 均方根误差 图5 是预报期内最优单模式、简单集合平均( e m n ) 、消除偏差集合平均( b r e m ) 和超级 集台( s u p ) 各方案对北半球中低纬区域( 0 。一3 6 0 。，1 0 。n - 6 0 。n ) 的5 0 0 h p a 位势高度、纬 向风和经向风以及温度预报的平均均方根误差。多模式消除偏差集合平均和超级集合预报 在每个格点上均采用了最优滑动训练期长度。由图5 a 结果表明，最优单模式的2 4 1 6 8 h 预 报的平均均方根误差在1 04 9 p m 至3 7 7 9 p m 之间。而超级集合预报的均方根误差一直是最 小的。尤其是2 4 h 预报的误差改进最大达到2 5 。总体上来看，对于2 4 1 2 0 h 预报平均 误差在1 5 9 湘左右，较最优单中心预报效果改进约1 6 。b r i s m 较s u p 预报技巧低只提高 了约8 9 6 左右。但是当预报时效延长至1 4 4 1 6 8 h 时，b r b l 的预报效果已经与s u p 相当了。 由图5 b 一5 d 看出，对于5 0 0 h p a 其它要素的预报效果也有类似的结果。对图5 d 分析发现，对 5 0 0 h p a 温度的1 4 4 1 6 8 h 预报，s u p 和b r 嘣的预报误差较堆优单模式预报仍可分别改善蹦 ikil - ll_一i 一i一曩i p一-o-i5q 一i一、i瞳匾k l_ _ 阻两h rlrlrlrhinii0 和1 0 左右，改善幅度大于同时效的高度场与风场预报。 综上分析发现，超级集合预报方法( s u p ) 能有效提高5 0 0 h p a 要素场的预报技巧。对 于2 4 1 2 0 h 预报，超级集合预报方法要优于消除偏差集台平均、简单的多模式集合平均以 及最优单中心的预报。尤其是2 4 1 2 0 h 的5 0 0 h p a 位势高度预报误差较最优单中心预报改善 约1 6 左右，而b i i e m 只能改善8 9 6 左右。对于1 4 4 1 6 8 h 预报，s u p 与职跏预报效果相当。 两种多模式集成预报方案均随着预报时效延长，预报改善百分比均降低。 | i | 翩煅汹袖 5 o4 1 3 ；2 ：i 口 2 4 h4 8 h7 2 h9 6 h 】2 0 h 】4 4 hl b 8 h t i l e ( h o u r s ) 5 0 0 h p am e r i d i o n a l - in d 2 4 h 4 8 h 7 2 h9 6 h1 2 0 h1 4 4 h i6 8 h t i m e ( h o r r $ ) s o o h p at e m p e r a t u r e | l 痢 2 4 1 4 8 h7 2 h9 6 h1 2 0 h 1 4 4 h1 6 8 h 2 4 h4 8 h7 2 h9 6 h1 2 0 h1 4 4 h 1 6 8 h timehours)time(hours) 口t - 1 3 7 也i i 圄3 既h 4 - s u p 3 - s p 图6 包含0 4 a 模式的超级集合( 4 - s u p ) 和消除偏差集合平均( 4 f b r 蛐) 与去除c “模式的超级集台( 3 - s u p ) 和消除偏差集合平均( 3b r 叫预报的平均均方根误差( 预报要素同图4 ) k r i s h n a m u r t i 等“”针对他们所采用的模式，对5 0 0 h p a 位势高度场进行多模式超级集 合预报试验，指出参与集合的最好模式对多模式集成预报的贡献大约在i - 2 左右，但是 经过多模式超级集合方法即在训练期阶段选择性分配各模式权重后，预报效果较最优单模 式预报可以提高1 0 眭右。也就是各模式权重的分配对超级集合预报技巧的提高是有很大 影响的。那么效果较差的模式对超级集合以及消除偏差集合平均预报方法又有怎样的影响 呢? 由图4 的预报误差分析已经发现，4 个参与集合的模式中，c m a 中心模式预报误差最大。 因此本文设计了下面两种方案进行预报对比试验，来具体分析模式质量的好坏对s u p 和 b r e m 各自预报效果的影响。 方案一：多模式集成预报中包含c m a 中心预报。 方案二：多模式集成预报中去除c m a 中心预报。 在此试验中两种预报方案均选取上文所用的训练期以及预报期阶段，并且仍然是对每 个格点采用最优滑动训练期长度后做出的集成预报。图6 中分别利用原有四个中心预报结 果进行超级集合预报( 4 一s u p ) 和消除偏差集合平均预报( 4 一b r 脚) 以及去除c m a 预报结果 后进行的超级集合预报( 3 一s u p ) 和消除偏差集合平均预报( 3 一b r e m ) 。预报的要素包括北 半球中低纬区域( o 。一3 6 0 。，1 0 。n - 6 0 。n ) 5 0 0 h p a 位势高度、纬向风和经向风以及温度 四个要素。并对比分析去除最差模式前后预报误差的改变情况。 从图6 中可以看出，消除偏差集合平均( b r 雕) 对于所有要素预报，无c m a 的3 - b r e m 预