（氣象學專業(yè)論文）北半球地面氣溫的多模式超級集合預報研究.pdf

中文摘要 基于t i g g e 資料，采用均方根誤差分別對e c m w f 、j m a 、n c e p 和u k m o 四個 中心的地面氣溫集合預報資料的集合平均結果進行評估，比較各中心預報效果。 然后利用多模式集合平均、超級集合與消除偏差集合平均三種方法對四個中心 的地面溫度預報進行集成，比較三種集成方法的預報效果?；诖饲暗难芯拷Y 果，利用滑動訓練期對傳統(tǒng)的超級集合預報方法進行改進，并對滑動訓練期超 級集合和消除偏差集合平均的訓練期長度進行調試，最后采用最優(yōu)滑動訓練期 長度進行超級集合與消除偏差集合平均的對比試驗。 結果表明，2 0 0 7 年夏季j m a 與e c l d w f 的北半球大部分地區(qū)預報效果較好， 各中心在中國地區(qū)的預報效果較差，在美國地區(qū)較好。超級集合與消除偏差集 合平均明顯降低了預報的均方根誤差，預報效果遠優(yōu)于最好的單個中心預報和 多模式集合平均。采用滑動訓練期的超級集合迸一步改善了預報效果。對于2 0 0 7 年8 月8 日一3 1 日北半球中緯度陸地地面氣溫預報，進行滑動訓練期超級集合預 報時，訓練期的長度不能太短，較長的訓練期長度對預報效果較為有利。對于 消除偏差集合平均的預報，要得到最優(yōu)預報滑動訓練期的長度不能太長也不能 太短，半個月至一個月左右的長度較為合適。最優(yōu)滑動訓練期的超級集合與消 除偏差集合平均兩種方法對短期預報的改善效果相當，對于較長預報時效，消 除偏差集合平均表現(xiàn)出了更好的預報性能。隨著各中心預報效果的改善、參與 集合的模式數(shù)量增加以及在超級集合預報中引入非線性回歸、神經網絡等方法， 有望進一步改進超級集合預報效果。 關鍵詞：t i g g e ，多模式集合平均，超級集合，消除偏差集合平均，多元線性回 歸分析 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 、骯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 學位論文獨創(chuàng)性聲明 本人鄭重聲明： l 、堅持以“求實、創(chuàng)新的科學精神從事研究工作。 2 、本論文是我個人在導師指導下進行的研究工作和取得的研究 成果。 3 、本論文中除引文外，所有實驗、數(shù)據(jù)和有關材料均是真實的。 4 、本論文中除引文和致謝的內容外，不包含其他人或其它機構 已經發(fā)表或撰寫過的研究成果。 5 、其他同志對本研究所做的貢獻均已在論文中作了聲明并表示 了謝意。 作者簽名： 日期： 學位論文使用授權聲明 本人完全了解南京信息工程大學有關保留、使用學位論文的規(guī) 定，學校有權保留學位論文并向國家主管部門或其指定機構送交論 文的電子版和紙質版；有權將學位論文用于非贏利目的的少量復制 并允許論文進入學校圖書館被查閱；有權將學位論文的內容編入有 關數(shù)據(jù)庫進行檢索；有權將學位論文的標題和摘要匯編出版。保密 的學位論文在解密后適用本規(guī)定。 作者簽名：燧! 圣 日 期：趔年蛸g 旦 第一章緒論 1 1 多模式超級集合預報的研究意義 經過將近一個世紀的發(fā)展，數(shù)值天氣預報已取得了巨大的進步，預報準確率有了很大 提高，并且由傳統(tǒng)的單一確定性預報向集合數(shù)值預報方向發(fā)展。l o r e n z 鹼最早提出集合數(shù) 值預報的思想，l e i t h 曲1 將l o r e n z 的非線性理論與e p s t e i n h l 的動力隨機預報理論方法相結 合，提出了比較適合于實際應用的蒙特卡羅方法。從此。集合數(shù)值天氣預報開始由理論研 究向實際應用邁進。進入2 0 世紀9 0 年代，集合預報技術在許多國家氣象中心相繼投入業(yè) 務使用。近年來，集合預報技術取得了許多重大進展，其中最顯著的是發(fā)展了多模式一多 分析集合預報技術幅1 。多模式集合技術是一個充分利用各中心模式預報結果以減小模式系 統(tǒng)性偏差的有效途徑，而作為一種多模式集合技術的超級集合預報技術又是目前預報效果 最好的方法之一。k r is h n a m u r t i 等6 1 最早提出了超級集合預報方法，它是種對多個模 式的數(shù)值預報結果進行后處理加工獲得最優(yōu)預報的方法。對于某一氣象要素預報，在每一 個格點上，超級集合方法根據(jù)參與集合的各個模式在該格點上訓練期的表現(xiàn)分配不同的權 重川，權重用到預報期進行超級集合預報。通常，預報效果好的模式分配的權重多，差的 模式分配的權重少，從而降低了單個模式偏差，提高了預報準確率。該方法具有有效改進 季節(jié)氣候預測技巧、提高中短期預報準確率和簡便實用等優(yōu)點，因此在國際上得到了廣泛 研究與應用陋1 6 1 。 由于觀測資料的獲取范圍、初始場同化方案、數(shù)值模式性能等方面的差異，各國氣象 中心全球數(shù)值預報模式在全球不同的區(qū)域有不同的預報效果。隨著計算機與通信技術的發(fā) 展，各國氣象合作日趨緊密，越來越多國家氣象中心的數(shù)值預報資料相互共享。多模式超 級集合預報技術可充分利用各國氣象中心的全球數(shù)值預報資料以提高預報準確率成為各大 氣象中心的研究熱點。我國的數(shù)值預報技術與氣象合作處于快速發(fā)展階段，多模式超級集 合預報技術由于其算法靈活、簡便實用等特性在我國數(shù)值預報研究與業(yè)務應用等方面有著 廣泛的應用前景。 1 2 超級集合預報方法的研究現(xiàn)狀 1 2 1 超級集合預報在國外的研究現(xiàn)狀 k r i s h n a m u r t i 等哺一1 伽在提出超級集合預報方法的同時做了大量的試驗對該方法進行 檢驗。研究發(fā)現(xiàn)，超級集合預報有效地減小了季節(jié)氣候預測和天氣預報的誤差，預報效果 遠優(yōu)于單個模式和多模式集合平均。為了驗證超級集合預報對中短期天氣預報的能力，他 們集合七個不同的全球數(shù)值天氣預報模式，選取1 9 9 8 年6 月、7 月共6 1 天作為訓練期，8 月的3 1 天作為預報期，應用e c i 棚f 的分析資料作為對比分析的“觀測值”，分別對模式預 報時效1 - 3 天的8 5 0 h p a 風場預報做超級集合，在熱帶地區(qū)、亞洲季風區(qū)、美國地區(qū)、歐洲 地區(qū)、整個北半球和南半球等不同區(qū)域對預報效果進行檢驗。與各個模式和集合平均相比， 超級集合更有效地降低了預報誤差陽1 。k u m a r 等”利用超級集合方法對颶風的路徑和強度進 行預報試驗，發(fā)現(xiàn)超級集合預報效果也優(yōu)于單個模式和多模式集合平均。 前期的火量試驗證明了多模式超級集合預報方法的可靠性和穩(wěn)定性，而該方法的好壞 主要取決于參與集合的單個模式性能。目前數(shù)值模式在長期預報方面還處于比較低的水平， 雖然超級集合預報較單個模式有所改善，但與實況相比長期預報還存在比較大的誤差。近 年來隨著人們對大氣運動規(guī)律的進一步探索和計算機技術的發(fā)展，中短期數(shù)值預報技術有 了長足的進步，同時也促進了中短期超級集合預報技術準確率的提高。r o s s u 副等應用超級 集合預報技術，集合全球五個業(yè)務預報中心模式( 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 ) 的全球譜模式，利用這六個模式的全球數(shù)值預報逐日資料， 分別對平均海平面氣壓、5 0 0 h p a 高度場、2 0 0 h p a 和8 5 0 h p a 的風場做超級集合預報，預報 時效為卜5 天，針對全球不同的區(qū)域進行預報誤差分析。通過大量的試驗比較分析，超級 集合預報效果優(yōu)于最好的單個模式和集合平均，并且總體上南半球比北半球預報效果更好， 春秋兩季比冬夏兩季預報效果更好。其中，對平均海平面氣壓預報效果最好，其次是5 0 0 h p a 高度場、8 5 0 h p a 風場和2 0 0 h p a 風場。c a r t w r i g h t ”副集合九個模式成員，其中五個成員來 自美國業(yè)務與研究中心的中尺度模式，四個成員來自應用不同初始條件的f s u ( f l o r i d a s t a t eu n i v e r s i t y ) 的區(qū)域譜模式。通過超級集合預報方法對美國東南部夏季降水進行定 量預報，預報時效為1 2 、2 4 、3 6 、4 8 和6 0 小時。應用e t s 評分與f a r 評分對降水量預報 效果進行檢驗，超級集合預報對降水的定量預報評分優(yōu)于最好的模式成員，也優(yōu)于簡單的 集合平均和消除偏差的集合平均。 近幾年來，超級集合預報技術在實際應用與研究中不斷得到改進。y u n 等( 1 4 j 設計了一 種用奇異值分解( s v d ) 求解回歸系數(shù)的超級集合方法，在對回歸方程進行求解時該方法 可解決協(xié)方差矩陣的奇異性問題，得到更好的回歸系數(shù)。y u n 等又提出了利用e o f 改進 超級集合預報的季節(jié)氣候預測技巧，在構建超級集合預報之前先對資料進行e o f 濾波，這 樣的超級集合預報方法優(yōu)于常規(guī)的超級集合預報方法。s t c f a n o v a 6 1 在傳統(tǒng)的超級集合預報 方法中引入了概率預報觀點，用于改進季節(jié)降水概率預報，并使用b r i e r 技巧評分( b s s ) 對概率預報效果進行檢驗，超級集合預報方法提供的概率預報優(yōu)于多模式集合和氣候預報。 2 1 2 2 超級集合預報在我國的研究現(xiàn)狀 數(shù)值預報的誤差主要來源于初始場的不確定性與預報模式的不確定性_ 8 1 ，按數(shù)值預 報的誤差來源，可以將集合預報分為兩種，一種是初值擾動集合預報，一種是模式擾動集 合預報。模式擾動集合預報又分為單一模式集合預報和多模式集合預報兩大類。在我國對 于初值擾動集合預報與單一模式集合預報研究較多n 7 ，但對于多模式集合預報研究還較 少，作為一種多模式集合預報技術的超級集合預報的研究更是處于起步階段。陳麗娟等曙引 借用超級集合思想對我國汛期降水預測的各大單位預報結果進行集成，結果表明集成預報 效果比較穩(wěn)定，多數(shù)情況下優(yōu)于單個成員預報。馬清等晗引針對全球五個氣象中心的區(qū)域集 合預報模式的2 m 溫度預報，做了超級集合預報的集成研究，發(fā)現(xiàn)集成預報的平均絕對誤差 小于單一模式預報，并且不存在明顯的系統(tǒng)誤差。智協(xié)飛等心4 - 矧和林春澤等幢”利用t i g g e 資料對北半球地面氣溫所做的多模式超級集合預報試驗表明，對于1 - 3 天短期預報而言， 基于線性同歸和神經網絡技術的超級集合預報誤差遠小于單個模式，多模式集合平均以及 消除偏差集合平均的預報誤差。使用滑動訓練期的多模式超級集合預報效果明顯優(yōu)于使用 固定訓練期的超級集合預報效果。對于4 - 7 天預報而言，滑動訓練期的多模式超級集合預 報效果優(yōu)于單個模式，多模式集合平均以及消除偏差集合平均的預報誤差。 1 3 本文主要工作介紹 近年來，世界氣象組織( 刪o ) 發(fā)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 ，全球觀測系統(tǒng)研究和可預報性試驗) 科學計劃中的t i g g e 計 劃提出了建立全球交互式大集合預報，以改進1 - 1 4 天天氣預報準確率。中國氣象局( c m a ) 、 歐洲中期天氣預報中心( e c m w f ) 以及美國國家大氣研究中心( n c a r ) 一起作為t i g g e 資料 交換的三個全球中心，每天接收歐洲中期天氣預報中心、美國國家環(huán)境預報中心( n c e p ) 等數(shù)十個國家氣象中心的集合預報資料，預報時效達到1 - 1 6 天。比較各中心的預報效果和 如何充分利用各中心數(shù)值模式集合預報資料提高預報準確率已成為各氣象中心的研究熱 點。本文選取歐洲中期天氣預報中心( e c m w f ) 、日本氣象廳( j m a ) 、美國國家環(huán)境預報中 心( n c e p ) 和英國氣象局( u k m o ) 四個中心的t i g g e 資料，對各中心的全球集合預報資料做 集合平均處理并對各中心集合平均預報效果進行評估，然后利用超級集合預報技術對四個 中心的集合平均資料進行集成并對超級集合預報結果進行分析。由于資料的限制，本文只 選取各中心地面氣溫預報資料進行超級集合預報試驗，主要是對超級集合預報方法的實際 應用進行探討。由于該方法在我國的研究與應用還較少，希望能給我國超級集合預報方法 的研究和構建我國業(yè)務使用的多模式超級集合預報系統(tǒng)等工作提供參考。 3 第二章資料和方法 2 1 資料說明 本文所用資料包括歐洲中期天氣預報中心( e c m w f ) 、日本氣象廳( j m a ) 、美國國家環(huán) 境預報中心( n c e p ) 以及英國氣象局( u i ( 1 1 0 ) 四個中心集合數(shù)值預報資料的集合平均資料 以及n c e p n c a r 再分析資料。 ( 1 ) t i g g e 資料：選取四個中心全球集合預報模式2 0 0 7 年6 月1 日q 月3 1 日每天 1 2 時( 世界時，下同) 起報的地面氣溫的各自集合平均資料，預報區(qū)域為北半球大部地區(qū) ( 1 0 。8 7 5 。n ，0 9 3 5 7 5 。) 和北半球中緯度地區(qū)( 3 0 。6 0 。n ，0 。 - 3 5 7 5 。) ， 分辨率為1 2 5 。1 2 5 。經緯網格，預報時效為2 4 1 6 8 小時，間隔為2 4 小時。 ( 2 ) n c e p n c a r 再分析資料：選取2 0 0 7 年6 月1 日9 月7 日逐日1 2 時地面氣溫資 料，區(qū)域為北半球大部地區(qū)( 1 0 。8 7 5 。n ，0 。3 5 7 5 。) 和北半球中緯度地區(qū)( 3 0 。 - - 6 0 。n ，0 。 3 5 7 5 。) ，分辨率為2 5 。2 5 。經緯網格，作為“觀測值”，用于檢 驗預報效果。 2 2 方法說明 2 2 1 誤差分析 均方根誤差：r m s e = 【吉1 i i ；1 ( 鼻一q ) 2 】- ( f = l ) ( 2 1 ) 絕對誤差：彳e 。專萋l e o , i ( f = 1 ) ( 2 2 ) 系統(tǒng)誤差：髓2 專萋( c q ) ( f = 1 ) ( 2 3 ) ( 2 1 ) 、( 2 2 ) 與( 2 3 ) 中e 為第i 個樣本的預報值，q 為第i 個樣本的觀測值，n 為 總樣本數(shù)。 2 2 2 多模式集合平均 e m n = 三巧 ( 2 4 ) 療智 ( 2 。4 ) 中f 為第i 個模式的預報值，療為參與集合的模式總數(shù)。 2 2 3 超級集合預報方法 從超級集合預報流程上看( 圖2 1 ) ，超級集合預報方法把選取的時間序列分為兩部分， 即訓練期和預報期。在訓練期使用超級集合預報值與觀測值做多元線性回歸分析，確定參 4 與超級集合的各個模式的回歸( 權重) 系數(shù)，權重隨空間變化但是隨時間不變，相應的權 重系數(shù)用于預報期的超級集合預報嵋呻1 。 超級集合預報模型由方程( 2 5 ) 構建，在一個給定的格點上，對于某一預報時效某一氣 象要素： s = 乃+ q ( c ，一霉) ( 2 5 ) i = 1 墨為超級集合預報值，否為訓練期觀測值平均，c ，為第i 個模式的預報值，虧為第i 個模 式在訓練期的預報值平均，q 為回歸系數(shù)( 權重) ，n 為參與超級集合的模式總數(shù)，t 為時間。 在訓練期，回歸系數(shù)q 由( 2 6 ) 中的誤差項g 最小化計算而得引： ，n 坍 g = 一q ) 2 ( 2 6 ) ，# i ( 2 6 ) 中d ，為觀測值，n t r a i n 為訓練期時間樣本總數(shù)。在用超級集合預報值與觀測值 做多元線性回歸分析時，要使g 最小在計算中應用最& - - 乘法原理仉1 4 1 ，誤差協(xié)方差矩陣 c 為 n t r a l n c = 哆，j = 【曩：，】( f ，_ ，= l ，2 力 ( 2 7 ) - l ( 2 7 ) 中e 和e ，分別是第i 個模式和第j 個模式的預報值距平。 建立線性代數(shù)方程： 【e j 【q 】= 【q 】 ( 2 8 ) n t 陽i n 其中曰= o ：g ，研為觀測值距平，e 。，】為( n n ) 的矩陣，【q 】為( n x l ) 的矩 ，= l 陣，【諺1 為( n x1 ) 的矩陣。應用g a u s s j o r d a n 消除法求解( 2 8 ) 中的【g 】，得到鱗代入 到( 2 5 ) 中。對其他格點也做同樣的計算，在預報期即可利用求得的餌進行超級集合預報。 5 t 時間 訓練期 j 預報期 。 圖2 1 超級集合預報流程示意圖 2 2 3 消除偏差集合平均 相對于超級集合預報方法，提出了一種在預報期給予參與集合的各個模式等權重的集 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 ) 定義： b r e = 否+ 二( z 一虧) ( 2 9 ) 一。 ，# i ( 2 9 ) 中否為訓練期觀測值平均，f 為第i 個模式的預報值，虧為第i 個模式在訓練 期的預報值平均，n 為參與超級集合的模式總數(shù)。 比較方程( 2 5 ) 與( 2 9 ) ，兩個式子中否都為訓練期觀測值平均，聲都為第i 個模式 在訓練期的預報值平均，它們都是利用訓練期的歷史資料處理預報期的預報，唯一的不同 是超級集合預報是一種非等權重加權，珥是通過訓練期進行回歸分析得到的，而消除偏差 集合平均是一種等權重加權，在整個預報期都給予參與集合的n 個模式相同的權重即1 n 。 消除偏差集合平均給予參與集合的每個模式相同的權重，好的模式與差的模式對預報的貢 獻是相同的，而超級集合通過各個模式在訓練期的表現(xiàn)給予不同的權重來量化它們對集合 預報的貢獻。進行超級集合預報試驗時常用消除偏差集合平均做對比分析，以評價超級集 合預報技巧。 6 第三章北半球地面氣溫的超級集合預報 3 1 各個中心地面氣溫集合預報誤差評估 以溫度預報的均方根誤差作為衡量預報效果的指標，計算2 0 0 7 年6 月1 日一8 月3 1 日四個中心地面氣溫預報在北半球大部地區(qū)( 1 0 。8 7 5 。n ，0 。3 5 7 5 。) 的區(qū)域平 均均方根誤差。如圖3 1 所示，對于北半球大部地區(qū)四個中心預報的均方根誤差隨預報時 效增長而增大，但增幅并不大，從2 4 小時到1 6 8 小時均方根誤差增加了0 。5 左右，u k m o 誤差最大，n c e p 的次之，e c m w f 與j 姒的誤差最小。j m a 的2 4 小時、4 8 小時預報效果最好， 誤差為2 0 7 和2 1 6 。u l ( m o 的2 4 小時、4 8 小時預報效果最差，誤差達到2 6 和2 6 5 。j m a 與e c m w f 的7 2 小時預報誤差相當，1 2 0 小時、1 4 4 小時、1 6 8 小時e c m w f 的預報誤 差略小于j m a ，預報效果最好。 圖3 12 0 0 7 年6 月1 日8 月3 1 日地面溫度北半球區(qū)域平均均方根誤差( 單位：) 分別計算2 0 0 7 年6 月1 日q 月3 1 日中國( 1 5 。 - 5 5 。n ，7 0 。 1 3 5 。e ) 、美國( 2 5 。5 5 。n ，1 2 5 。7 0 。w ) 和歐洲( 3 0 。5 5 。n ，0 。 4 0 。e ) 三個地區(qū)各中心地面 氣溫預報的區(qū)域平均均方根誤差。從圖3 2 可以看出，e c m w f 、j m a 和n c e p 三個中心的地 面氣溫預報在中國地區(qū)效果都比較差，在美國地f x z - _ n 報效果最好，u i o d o 的預報在中國地區(qū) 與美國地區(qū)效果相當，在歐洲地區(qū)較差。在中國地區(qū)，u k m o 預報的均方根誤差略小于其它 三個中心，e c m w f 與j - m a 比較接近，n c e p 誤籌最大；在美國地區(qū)，j m a 的預報效果最好， 7 咄0 最差，2 4 小時至1 6 8 小時預報均方根誤差比小04 左右；在歐洲地區(qū) j m a 的預報效果最好，其扶是e c m w f ，u 酬0 的預報均方根誤著最大。 圖322 0 0 7 年6 月l 口8 月3 lue c 岍f ( a ) ，j i i a ( b ) 、h 腳( c ) 和u 蹦0 ( d ) 預報的 地面溫度區(qū)域平均均方根誤差( 單位：) 圖33 給出6 月一8 ，e j 共9 2 天的四個中心2 4 小時地面氣溫預報均方根誤差在北半球大 部地區(qū)的地理分布。從中可見，每個中心的地面氣溫預報均方根誤差在亞洲大陸地醫(yī)都較 大，特別是在亞洲丈陸的高原地區(qū)尤為突出，在北美地區(qū)較小。均方根誤差在2 以f 的 區(qū)域e c m v f 最大，均方根誤差在3 以下的區(qū)域皿 最大。比較四個中心的均方根誤差分 布圖，總體上看e c i w f 和j l i a 的地面氣溫預報的均方根誤差較其它中心小，4 8 小時、7 2 小 時的均方根誤差的地理分布( 圖略) 與2 4 小時比較一致。對于1 4 4 h 與1 6 8 h 的預報( 圈略) ， 各中心在高緯度地區(qū)均方根謖差增長很快預報效果較差。表3l 為6 月8 月共9 2 天的四 個中心2 4 小時地面氣溫預報均方根誤差分別小于2 c 和3 c 的區(qū)域占整個預報區(qū)域的百分 比。娜均方根誤差在2 c 以下的區(qū)域i 整個預報區(qū)域的6 6 ，高于其它三個中心。j l i a 均方根誤差在3 以下的區(qū)域占整個預報區(qū)域的8 76 ，高于其它三個中心。 刪刪刪柵硎皿 旄惟雌皿礎舢 剿l 麟 霧囔 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 ) 地面溫度2 4 h 預報均方根誤差地理分布( 單位：) 表3l2 0 0 7 年6 月1 日- 8 月3 1 日各中心地面溫度2 4 h 預報均方根誤差 分別在z 和3 c 咀下的區(qū)域占整個預報區(qū)域的百分比( 單位；) 、箜中心 e c m w fj m an c e pu k m 0 區(qū)域 小丁2 c 的區(qū)域 6 6 6 4 26 145 57 小于3 c 的區(qū)域 8 768 9 58 2 98 0 3 倒3 4 為2 0 0 7 年6 月1 日一8 月3 1 日四個中心2 4 h 至1 6 8 h 地面溫度預報均方根誤差 大于3 的r 域占整個預報區(qū)域的百分比。從圖中可以看出，2 4 h 一1 6 8 h 的預報，四個中心 均方根誤差犬于3 c 的區(qū)域所占預報區(qū)域的百分比呈增加的趨勢。4 8 h 一1 6 8 h 的預報，e c f 均方根誤差大于3 c 的區(qū)域最小。特別是對于較長的預報時效1 2 0 h 的預報其他三個中心 均方根誤差大于3 c 的區(qū)域占到】睜 個預報區(qū)域的2 2 以上而娜只有1 83 。e 0 胛f 較 其他三個中心預報更為穩(wěn)定。 錳 圖342 0 0 7 年6 月1 日8 月3 l 口2 4 h 1 6 8 h 地面溫度預報均方根誤差 大干3 的區(qū)域占整個預報豎域的百分比( 單位：) 3 2 超級集合預報試驗結果 通過對四個中心的地面氣溫預報效果檢驗，可以了解到各個中心在北半球不同的區(qū)域 預報效果不同，各個中心的數(shù)值預報模式都有一些系統(tǒng)性偏差。針對e a 帆? 、n c e p 和 u 刪0 四個數(shù)值中心2 0 0 7 年6 月i 日8 月3 1 日在北半球大部地區(qū)的地面氣溫預報，預報時 效為2 4 h 至1 6 8 h 時( 間隔2 4 h ) ，分別選取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 天作為固定訓練期，都咀8 月8 日3 1 日2 4 天作為預報期，以同 期的n c e p n c a r 再分析資料作為“觀瀾i 值”，進行超級集合預報試驗。同時，應用多模式集 合平均( 聃) 和消除偏差集臺平均( b r e ) 兩種方法對四個中心的預報進行集成，比較這二 種多模式集合方法的預報效果，并對超級集合預報結果進行分析。 圉5 分別給出了北半球大部地區(qū)( 1 0 。8 75 。n ，0 。3 5 75 。) 0 月1 日8 月 3 1 目，預報時效為2 4 小時至1 6 8 小時四個中心和三種集合方法地面溫度預報每天的區(qū)域 平均均方根誤差。從中可見，2 4 小時、4 8 小時的預報，三種集合方法都降低了預報誤差， 超級集臺與消除偏差集合平均預報效果明顯好于各個中心的預報。在預報期，超級集合與 消除偏差集合平均預報均方根誤差隨預報期增加有遞增的趨勢，兩種方法預報效果相當， 預報期的前幾天超級集合預報效果略好于消除偏差的集合平均，但差異不太明顯。兩種方 法在預報期2 4 天的均方根誤差比多模式集合平均的誤差降低了05 左右，明顯優(yōu)于多模 1 0 式集合平均的預報。對于7 2 小時、9 6 小時預報，在預報期前1 0 天超級集合與消除偏差集 合平均效果相當，1 0 天以后超級集合預報的均方根誤差超過了消除偏差集合平均，在預報 期后期超過了多模式集合平均。1 2 0 小時至1 6 8 小時的預報，在整個預報期，消除偏差集 合平均預報效果最好，在預報期的前半段超級集合預報好于單個最好的中心模式和四個中 心的集合平均，但隨著預報期的增長，超級集合預報的均方根誤差增長得很快，在預報期 的后期超過了集合平均和單個中心的預報。 綜上所述，超級集合與消除偏差集合平均兩種方法對2 4 h 、4 8 h 預報改善的效果相當， 在預報期前期，超級集合預報的均方根誤差小于消除偏差集合平均的誤差，但后期超級集 合預報的均方根誤差超過了消除偏差集合平均的誤差。對于7 2 h 、9 6 h 預報，在預報期前期 超級集合預報的均方根誤差和消除偏差集合平均的誤差相當，在后期超過了消除偏差集合 平均和多模式集合平均。對于1 2 0 h 一1 6 8 h 的預報，在整個預報期消除偏差集合平均預報效 果最好，在預報期的前半段超級集合預報好于單個最好的中心模式和四個中心的集合平均。 但到預報期的后期，超級集合預報的均方根誤差增長得很快，甚至超過了單個中心預報的 均方根誤差。 4 。 薹z 婁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 暈 婁t ( b ) 8 月8 口1 5 u2 2 h 2 9 u 預報期 1 ( c ) d z 量妻耋沒iz 善至考靶 一，、。一 g 一一 1 婁1 。 o 8 月8 日 4 ；3 2 暈 主- 預報期 8 月8 h1 5 口2 2 u2 9 u 預報期 ( 引 一4 ( f ) 鼉注堂耋冬客i ：蘭孥蘭鑫婆 一。，、， i ”o 一 8 月8 u 1 5 口2 2 日2 9 日 預m 顱拙期 4 ( g 壙 i ：善囊毫泰 喜h o 。一 8 月8 日1 5 日2 2 口2 9 u 顧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 ) 地面氣溫預報在預報區(qū)域內平均均方根誤差( 單位 ) 圖36 給山t 2 、n 球大部地區(qū)j 舭、多模式集合平均、消除偏差集合平均和超級集合 2 4 h 地面氣溫預報在預報期2 4 天平均均方根誤差的地理分布。從中可見。集臺平均對降低 誤差效果并不明顯。超級集合預報均方根誤差大丁二3 的區(qū)域明顯減少，小于2 c 的區(qū)域明 顯增多，超級集臺有效地減小了預報誤差，盯于最好的中心j m a 模式的預報和集合平均。 超級集臺與消除偏差集臺平均的均方根誤差分布較為一致，兩種方法預報效果相當。圖37 為j i i a 和三種集臺方法2 4 h 地面氣溫預報在預報期2 4 天平均均方根誤差小丁2 的區(qū)域i i 整個預報區(qū)域的百分比。單個中心j i a 的預報，均方根誤差在2 c 咀下的區(qū)域f 到整個區(qū) 域的7 36 而超級集合使其增加到8 6 “，明顯改善了預報效果。對丁4 8 小時的預報( | 璺| 略) ，超級集合與消除偏差集臺平均改善了預報效果，好丁最好的單個中心預報和四個中心 的集合平均，超級集合的均方根誤差大值區(qū)域小于消除偏差的集合平均。 饌 鯉 臻 圖362 0 0 7 年8 月8r 3 lh 日本氣象廳( a ) 、多模式集合甲均( b ) 、消除偏差集合平均( c ) 和超級集 臺( d ) 地面溫度2 4 h 預撤均方根誤差地理分布( 單位：) 圖3 72 0 0 7 年8 月8e i - 3 1 日2 4 h 地面溫度預報均方根誤差 小于2 的區(qū)域占整個預報區(qū)域的百分比( 單位：) 固定訓練期的超級集合預報選取預報期前6 l 天作為訓練期計算的權重系數(shù)用于整個 預報期2 4 天的預報。不過，值得注意的是權重系數(shù)到了預報期后期就會逐漸欠效，尤其當 預報時效比較長時，權重系數(shù)會更快地火效。歐洲中期天氣預報中心、多模式集合平均、 消除偏差集合平均和超級集合在預報期最后一天8 月3 1 日地面氣溫1 6 8 h 預報的絕對誤差 地理分布如圖3 8 所示。由圖可知，相對于最好的單個中心模式預報和四個中心集合平均， 超級集合與消除偏差集合平均使絕對誤差較大的區(qū)域明顯減少，改善了預報效果。從整個 北半球區(qū)域看，超級集合與消除偏差集合平均效果相當，但在部分區(qū)域，超級集合預報絕 對誤差較大，特別是在靠近北極附近誤差極大。在前面的計算中發(fā)現(xiàn)，當預報時效較長時， 到了預報期后期超級集合預報誤差增長得很快。對于1 6 8 h 的預報，在預報期的最后一天超 級集合在北半球大部地區(qū)區(qū)域平均均方根誤差已經遠遠超過了單個最差的中心預報，權重 系數(shù)明顯失效。對比圖3 8 發(fā)現(xiàn)，超級集合預報在預報期后期權重系數(shù)會失效并不是在預 報區(qū)域內所有格點上都是如此，而是在部分區(qū)域格點上比較明顯，特別是在極地區(qū)域更為 嚴重，從而導致預報誤差較大。從整體上看還是改進了預報，效果優(yōu)于多模式集合平均， 與消除偏差集合平均相當。 1 4 凇i 驂 圖382 0 0 7 年b 月3 lu 歐洲中期天氣預撤中心( a ) 、多模式集臺平均( b ) 、消除偏差嶷臺，r 均( c ) 和 超級囊臺( d ) 地血溫度1 6 8 h 項 i f 絕對誤差地理分布( 單位：) 3 3 本章小結 本章對e c m v f 、j 姒、n c e p 和唧0 四個中心2 0 0 7 年6 月1 日至0 月3 1 日的2 4 h1 0 8 h 全球集合預報資料中的地面溫度場的集合平均結果進行了評估，并對四個中心地面溫度預 報進行超級集合預報試驗，然后比較了多模式超級集合與多模式集合平均、消除偏若集合 平均的預報效果得到以下幾點結論。 ( i ) 整個2 0 0 7 年夏季，各中心地面溫度預報效果明顯不同，j m a 與e c m w f 的在北、# 球 大部份地區(qū)預報效果最好。再中心在中國地區(qū)的預報效果較差，在美國地區(qū)較好。對丁2 4 小時至1 6 8 小時預報，e o f 的預報效果最為穩(wěn)定。 ( 2 ) 四個中心的集合平均在一定程度上減小了各中心預報的均方根誤差預報效果優(yōu) 于最好的單個中心預報，但預報效果的改善不明顯。消除偏差集合平均使預報的均方根誤 差得到明顯降低，預報效果優(yōu)r 最好的單個中心預報和多模式集合平均。 ( 3 ) 超級集合與消除偏差集合平均兩種方法對2 4 h 、4 8 h 預報改善的效果相當。在預報 期前期，超級集合預報的均方根誤差小干消除偏差集合平均的誤差，中期兩者相當，后期 超級集合預報的均方根誤差超過了消除偏差集合平均的誤差。對丁7 2 h 、9 6 h 預報。在預報 期前期超級集合預報的均方根誤差與消除偏差集合平均的誤差相當，在后期超過了消除偏 差集合平均和多模式集合平均。1 2 0 h - 1 6 8 h 的預報，在整個預報期，消除偏差集合平均預 報效果最好，在預報期的前半段超級集合預報好于單個最好的中心模式和四個中心的集合 平均，但隨著預報期的增長，超級集合預報的均方根誤差增長得很快，在預報期的后期甚 至超過了單個中心預報的均方根誤差。 由于超級集合與消除偏差集合平均兩種方法都是選用前6 1 天的歷史資料處理后2 4 天 的預報，在預報期超級集合通過在訓練期各個模式的表現(xiàn)給予不同的權重，而消除偏差集 合平均給予各個模式相同的權重，隨著預報期的增長，兩種方法的預報誤差都有增加的趨 勢。固定訓練期的超級集合預報的權重系數(shù)隨空間變化，但隨時間不變。選取前6 1 天作為 訓練期計算權重系數(shù)，用于整個預報期2 4 天的預報，預報區(qū)域部分格點上的權重系數(shù)隨著 預報期增長就會逐漸失效，尤其當預報時效比較長時，權重系數(shù)失效得更快。針對不同的 預報時效，采用滑動訓練期，讓權重系數(shù)隨時間變化，有望進一步改善超級集合預報的預 報效果。 1 6 第四章北半球中緯度地區(qū)地面氣溫的超級集合預報 4 1 引言 超級集合預報方法根據(jù)參