Evaluation of Multi-model Integrated Forecast Method for Precipitation in Rainy Seasons of Guangdong-Hong Kong-Macao Greater Bay Area
-
摘要: 基于欧洲中期天气预报中心(ECMWF)、中国气象局(CMA)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)、英国气象局(UKMO)五个模式集成的交互式全球大集合预报系统(THORPEX Interactive Grand Global Ensemble,简称TIGGE)资料集的确定性预报、集合预报以及地面降水观测数据,采用多模式集成平均(EMN)、消除偏差集成平均(BREM)、滑动训练期超级集合方法(R_SUP)对2018年华南汛期(4—9月)粤港澳大湾区的降水预报开展了评估检验。总体而言,多模式集成预报方法在大湾区前汛期降水预报的均方根误差平均比后汛期高2 mm;多模式集成预报方法的预报能力在前汛期随着预报时效的延长而呈持续下降趋势,后汛期则表现为短期(24~72 h)下降、中期(72~168 h)持续平稳的变化特点。与预先的假设差异主要表现在:对前、后汛期的降水预报综合表现最好的均是数学原理相对简单的EMN,而BREM和R_SUP的空间平均评分指标则稍差,但其在降水落区预报中仍有较好的预报技巧。Abstract: This study evaluated the precipitation forecasts in the Guangdong-Hong Kong-Macao Greater Bay Area during the 2018 South China rainy seasons (April to September) using data from the THORPEX Interactive Grand Global Ensemble dataset. The dataset comprised deterministic forecasts, ensemble forecasts, and ground precipitation observations from models of five organizations: the European Centre for Medium-Range Weather Forecasts, the China Meteorological Administration, the Japan Meteorological Agency, the National Centers for Environmental Prediction of the United States, and the UK Meteorological Office. Three multi-model integrated forecast methods, namely the multi-model ensemble average (EMN), the bias-removed ensemble average (BREM), and the sliding training period superensemble method (R_SUP), were employed for the evaluation. The results showed that, in general, the root mean square error of precipitation forecasts in the first rainy season of the Guangdong-Hong KongMacao Greater Bay Area was higher than that in the second rainy season, with an average difference of 2 mm. The forecasting ability of the multi-mode integrated forecasting method showed a continuous and stable decline trend in the first rainy season as the forecast lead time increased. In contrast, in the second rainy season, it showed a stable decline in the short term (24~72 hours) and remained stable in the medium term (72~168 hours). EMN, which has a relatively simple mathematical principle, showed the best comprehensive performance in the precipitation forecast of the two rainy seasons. BREM and R_SUP achieved slightly lower spatial average scores, but they still demonstrated good forecasting skills in predicting precipitation areas.
-
表 1 三种多模式集成预报方法汇总表
方法 原理 特点 公式 多模式集成平均(EMN) 通过将多个模式的结果求平均转化为新的预报结果,即多模式集成平均 简单、直观的多模式多模式集成预报结果 $ \mathrm{EMN}=\frac{1}{N} \sum\limits_{i=1}^N F_i$ 消除偏差集成平均(BREM) 通过引入观测平均态,可以根据训练期的模式表现得到该模式的偏差信息,在此基础上叠加模式预报距平,并在预报期予以消除 消除偏差 $ \operatorname{BREM}=\bar{O}+\frac{1}{N} \sum\limits_{i=1}^N\left(F_i-\bar{F}_i\right)$ 滑动训练期超级集合(R_SUP) 从预报日期往前最佳训练长度作为训练期,在对应的训练期获取各个模式的权重系数、观测平均值和模式距平,同时考虑模式的不等权重和消除偏差 预报时间的推移具有动态的权重配比 $ \begin{gathered} \text { R_SUP }=\bar{O}+\sum\limits_{i=1}^N a_i\left(F_i-\bar{F}_i\right) \\ a_i=E_i / \sum\limits_{i=1}^N E_i \end{gathered}$ 表 2 四种评估方法汇总表
方法 原理及特点 取值 公式 TS评分 在一定预报时段内预报模式对预报对象超过某一临界值的预报技巧,是气象领域广泛使用的降雨预报评价方法 0≤TS≤1 $ \mathrm{TS}=\frac{N_A}{N_A+N_B+N_C} \times 100 \%$ TS=1:理想预报 TS=0:无预报技巧 BS评分 有降水的次数和观测有降水的次数之比,综合考虑了不确定性因素的可靠性分析,也是对某事件发生的概率预报结果进行评价的一个重要指标 BS < 1:存在漏报 $ \mathrm{BS}=\frac{N_A+N_B}{N_A+N_c} \times 100 \%$ BS=1:预报没有偏差 BS>1:存在空报 1≤BS≤2:合理 均方根误差RMSE 能够很好地反映出预报的准确度,同时避免出现正负误差互相抵消的情况,RMSE能够反映降水预报场和观测场的整体误差大小 RMSE数值越小越好 $ \text { RMSE }=\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(P_i-P_i^{\prime}\right)^2}$ 相关系数(R) 衡量预报场和观测场数据之间相关程度的一个比较直观的指标,数值越大相关性越好 0≤R≤1 $ R=\frac{\sum\limits_{i=1}^n\left(P_i-\bar{P}\right)\left(P_i^{\prime}-\overline{P^{\prime}}\right)}{\sqrt{\sum\limits_{i=1}^n\left(P_i-\bar{P}\right)^2 \sum\limits_{i=1}^n\left(P_i^{\prime}-\overline{P^{\prime}}\right)^2}}$ 表 3 2018年前、后汛期粤港澳大湾区地面降水的TS评分、BS评分、均方根误差、相关系数以及落区评估指标最优汇总表
时间 小雨TS 中雨TS 大雨TS 暴雨以上TS 小雨BS 中雨BS 大雨BS 暴雨以上BS 均方根误差 相关系数 落区分布 前汛期 CTRL-Ens CTRL-Ens UKMO UKMO NCEP NCEP ECMWF CMA UKMO UKMO UKMO 后汛期 ECMWF JMA JMA UKMO NCEP NCEP JMA UKMO ECMWF ECMWF CTRL-Ens 分值 1 1 1 1 1 1 1 1 2 2 2 表 4 2018年前、后汛期粤港澳大湾区地面降水的多模式集成预报方法EMN、BREM和R_SUP在TS评分、BS评分、均方根误差、相关系数以及落区评估指标最优汇总表
时间 小雨TS 中雨TS 大雨TS 暴雨以上TS 小雨BS 中雨BS 大雨BS 暴雨以上BS 均方根误差 相关系数 落区分布 前汛期 EMN EMN EMN EMN R_SUP 后汛期 EMN EMN EMN EMN BREM 分值 1 1 1 1 1 1 1 1 2 2 2 -
[1] 杜钧. 集合预报的现状和前景[J]. 应用气象学报, 2002, 13(1): 16-28. [2] 王东海, 杜钧, 柳崇健. 正确认识和对待天气气候预报的不确定性[J]. 气象, 2011, 37(4): 385-391. [3] 王太微, 陈德辉. 数值预报发展的新方向——集合数值预报[J]. 气象研究与应用, 2007, 28(1): 6-12. [4] FENG Y, MIN J, ZHUANG X, et al. Ensemble sensitivity analysis-based ensemble transform with 3D rescaling initialization method for storm-scale ensemble forecast[J]. Atmosphere, 2019, 10(1): 24. [5] 智协飞, 黄闻. 基于卡尔曼滤波的中国区域气温和降水的多模式集成预报[J]. 大气科学学报, 2019, 42(2): 39-48. [6] DANARD M B, HOLL M M, CLARK J R. Fields by correlation assembly---A numerical analysis technique[J]. Mon Wea Rev, 2013, 96(1): 141-149. [7] KRISHNAMURTI T N, KISHTAWAL C M, LAROW T E. Improved weather and seasonal climate forecasts from multi-model superensemble[J]. Science, 1999, 285(5433): 1 548-1 550. [8] 杨学胜. 业务集合预报系统的现状及展望[J]. 气象, 2001, 27(6): 3-9. [9] KRISHNAMURTI T N, MISHRA A K, RAJEEVAN M. Improving global model precipitation forecasts over india using downscaling and the FSU Superensemble. Part Ⅰ: 1-5-Day forecasts[J]. Mon Wea Rev, 2009, 137(9): 2 713-2 735. [10] CARTWRIGHT T J, KRISHNAMURTI T N. Warm Season mesoscale superensemble precipitation forecasts in the southeastern United States[J]. Wea Forecasting, 2010, 22(4): 873-886. [11] 吴政谦, 徐海明, 王东海, 等. 中尺度多模式超级集合预报对2010年6月19—20日中国南方大暴雨过程的分析[J]. 热带气象学报, 2012, 28 (5): 653-663. [12] 林春泽, 祁海霞, 智协飞, 等. 中国夏季降水多模式集成概率预报研究[J]. 暴雨灾害, 2013, 32(4): 354-359. [13] 卞赟, 智协飞, 李佰平. 多模式集成预报方法对延伸期降水预报的改进[J]. 中国科技论文, 2015(15): 82-86. [14] 吴振玲, 张楠, 徐姝, 等. 多模式集成分级降水概率及落区预报试验[J]. 灾害学, 2019, 34 (04): 100-106. [15] 冯慧敏, 智协飞, 崔慧慧, 等. 基于多模式集成技术的地面气温精细化预报[J]. 气象与环境科学, 2016, 39 (4): 73-79. [16] 智协飞, 林春泽, 白永清, 等. 北半球中纬度地区地面气温的超级集合预报[J]. 气象科学, 2009, 29(5): 569-574. [17] 智协飞, 彭婷, 李刚, 等. 多模式集成的概率天气预报和气候预测研究进展[J]. 大气科学学报, 2014, 37 (2): 248-256. [18] 智协飞, 张璟, 段晚锁. ENSO预测的目标观测敏感区在热带太平洋海温的多模式集合预报中的应用[J]. 大气科学, 2015, 39(4): 767-776. [19] 智协飞, 孙晶, 周文友. 2009年夏季西太平洋台风的集合预报和多模式集成预报试验[J]. 大气科学学报, 2015, 38 (5): 633-640. [20] 智协飞, 赵欢, 朱寿鹏, 等. 基于CMIP5多模式回报资料的地面气温超级集合研究[J]. 大气科学学报, 2016, 39 (1): 64-71. [21] 智协飞, 赵忱. 基于集合成员订正的强降水多模式集成预报[J]. 应用气象学报, 2020, 031(3): 303-314. [22] 智协飞, 陈雯. THORPEX国际科学研究新进展[J]. 大气科学学报, 2010(4): 504-511. [23] 林春泽, 智协飞, 韩艳, 王靖宇. 基于TIGGE资料的地面气温多模式超级集合预报[J]. 应用气象学报, 2009, 20 (6): 706-712. [24] 赵琳娜, 吴昊, 田付友, 等. 基于TIGGE资料的流域概率性降水预报评估[J]. 气象, 2010, 36(7): 133-142. [25] 康志明, 金荣花, 鲍媛媛, 等. 基于TIGGE数据的我国寒潮自动识别预报方法[J]. 应用气象学报, 2010, 21(3): 298-306. [26] 纪永明, 陈静, 矫梅燕, 陈朝平. 基于多中心TIGGE资料的区域GRAPES集合预报初步试验[J]. 气象, 2011, 37(4): 392-402. [27] JI L Y, LUO Q X, JI Y, et al. Probabilistic forecasting of the 500 hPa geopotential height over the northern hemisphere using TIGGE multimodel ensemble forecasts[J]. Atmosphere, 2021, 12(2): 253-253. [28] ZHI X F, QI H X, BAI Y Q, et al. A comparison of three kinds of multimodel ensemble forecast techniques based on the TIGGE data[J]. Acta Meteorologica Sinica, 2012(01): 41-51. [29] 崔慧慧, 智协飞. 基于TIGGE资料的地面气温延伸期多模式集成预报[J]. 大气科学学报, 2013, 36(2): 165-173. [30] BAO H J, ZHAO L N. Flood forecast of Huaihe River based on TIGGE Ensemble Predictions[J]. Shuili Xuebao/Journal of Hydraulic Engineering, 2012, 43(2): 216-224. [31] 智协飞, 季晓东, 张璟, 等. 基于TIGGE资料的地面气温和降水的多模式集成预报[J]. 大气科学学报, 2013, 36(3): 257-266. [32] 陈晓龙, 智协飞. 基于TIGGE资料的北半球地面气温预报的统计降尺度研究[J]. 大气科学学报, 2014, 37(3): 268-275. [33] 张涵斌, 智协飞, 王亚男, 等. 基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较[J]. 气象, 2015, 41(9): 1 058-1 067. [34] 王海霞, 智协飞. 基于TIGGE多模式降水量预报的统计降尺度研究[J]. 气象科学, 2015, 35(4): 430-437. [35] 杜雅玲, 陆桂华, 吴志勇, 等. 基于TIGGE数据的中期降水预报在江苏省的应用效果评估[J]. 南水北调与水利科技, 2017, 15(6): 17-25+44. [36] 伍红雨, 郭尧, 吴遥. 1961—2018年广东高温的气候变率及其与大气环流和海温异常的关系[J]. 热带气象学报, 2020, 36(4): 455-463. [37] 伍红雨, 翟志宏, 张羽. 1961—2018年粤港澳大湾区气候变化分析[J]. 暴雨灾害, 2019, 38(4): 303-310. [38] 包庆, 吴小飞, 李矜霄, 等. 2018-2019年秋冬季厄尔尼诺和印度洋偶极子的预测[J]. 科学通报, 2019, 64(1): 79-84. [39] 姚雪峰, 吴剑斌, 葛宝珠, 等. 改进的超级多模式集成预报方法在长江三角洲地区O3预报中的应用[J]. 大气科学, 2018, 42(6): 1 273-1 285. [40] 林良勋. 广东省天气预报技术手册[M]. 气象出版社, 2006. [41] 颜妍, 周任君, 柯宗建, 等. 基于TIGGE数据的西太平洋副热带高压多模式集成预报及检验[J]. 中国科学技术大学学报, 2017, 47(5): 392-402. [42] 汪瑛, 胡胜, 涂静, 等. 2016—2020年广东省定量降水预报检验评估[J]. 热带气象学报, 2021, 37(2): 154-165. [43] PAVAN V, DOBLAS-REYES F J. Multi-model seasonal hindcasts over the Euro-Atlantic: skill scores and dynamic features[J]. Climate Dyna, 2000, 16(8): 611-625. [44] PENG P. An analysis of multimodel ensemble predictions for seasonal climate anomalies[J]. J Geophysi Res Atmos, 2002, 107(D23): ACL 18-1-ACL 18-12. [45] KANG I S, JIN K, LAU K M, et al. Intercomparison of atmospheric GCM simulated anomalies associated with the 1997/98 El Niño[J]. J Climate, 2002, 15(19): 2 791-2 805. [46] GRAHAM R J, EVANS A, MYLNE K R, et al. An assessment of seasonal predictability using atmospheric general circulation models[J]. Quart J Roy Meteor Soc, 2000, 126(567): 2 211-2 240. [47] KANG I S, JIN H Y. Examination of multi-model ensemble seasonal prediction methods using a simple climate system[J]. Climate Dyn, 2006, 26(2/3): 285-294.