<address id="japib"><nav id="japib"></nav></address>

<cite id="japib"></cite>

        多模式解釋集成方法在云南降水預測中的應用

        姚愚 晏紅明

        引用本文:
        Citation:

        多模式解釋集成方法在云南降水預測中的應用

          作者簡介: 姚 愚(1973?),男,云南人,碩士,高級工程師,主要從事短期氣候預測和氣候變化研究. E-mail:569187261@qq.com;
          通訊作者: 晏紅明, y-hm@netease.com
        • 中圖分類號: P435

        Application of multi-mode interpretation and integration methods in precipitation prediction in Yunnan

          Corresponding author: YAN Hong-ming, y-hm@netease.com
        • CLC number: P435

        • 摘要: 發展數值預報模式、增強模式產品的解釋應用能力,是提高短期氣候預測準確率的重要途徑. 文章基于國家氣候中心提供的3種氣候模式產品,開展云南3—9月降水和夏季(6—8月)各月降水的降尺度釋用和集成技術方法研究,并利用距平符號一致率(PC)、趨勢異常綜合(PS)和距平相關系數(ACC)3項指標,對比分析了不同模式和方法對云南降水的預測性能. 結果表明:對模式直接輸出結果,各月平均的PC和PS評分NCEP模式最高,EC次之,NCC最低;ACC評分EC最高,NCEP次之,NCC最低;對夏季降水,EC模式PC和PS評分最高,NCC模式則ACC評分最高. 模式降尺度釋用結果的PC評分較同一模式直接輸出結果以負訂正為主,PS和ACC以正訂正為主,表明降尺度釋用方法對云南月降水距平符號的預測能力不如模式直接輸出結果,但對降水空間分布形態和異常級降水的預測與實況更接近. 不同集成方案的預測性能不盡相同,模式集成的PC評分最高,這與模式直接輸出結果對降水的PC評分較釋用結果偏高有關;優選集成的PS評分和ACC評分最高,且各月評分值較為穩定,表明同時引入模式直接輸出與降尺度釋用結果的優選集成可發揮二者的優勢,改進預測性能.
        • 圖 1  3月起報的EC模式6種環流要素對昆明5月降水的關鍵區格點空間分布

          Figure 1.  Spatial distribution to the key area between six circulation elements of EC model with starting forecast month in March and precipitation in May of Kunming

          圖 2  3種模式對云南3—9月各月及夏季降水的預測評分

          Figure 2.  Prediction scores of three models to precipitation of Yunnan in each month from March to September and summer season

          圖 3  3種模式降尺度釋用結果與模式直接輸出結果對云南3—9月及夏季降水預測評分差值

          Figure 3.  Difference of precipitation prediction scores between downscaling interpretation result and direct output of three models in each month from March to September and summer season in Yunnan

          圖 4  3種模式集成預測結果與模式直接輸出結果平均評分的差值

          Figure 4.  Difference of precipitation prediction scores between integrated prediction result of three models and average score of direct output of the three models

          表 1  3種氣候模式產品的信息說明

          Table 1.  Information of three climate model products

          模式種類要素種類預測月數回報起始年份
          EC t2m,t850,u850,v850,u200,v200,precsfc,slp,h500,h200 7 1981
          NCEP t2m,t850,u850,v850,u200,v200,precsfc,slp,h500,h200 10 1982
          NCC t2m,u850,v850,u200,v200,precsfc,slp,h500,h200 13 1991
          下載: 導出CSV

          表 2  各月代表各模式參與集成的預測結果種類

          Table 2.  Types of forecast results representing each mode participating the integration in each month

          模式種類3月4月5月6月7月8月9月6—8月
          EC釋用  釋用  直接輸出釋用直接輸出直接輸出釋用直接輸出
          NCEP直接輸出釋用  直接輸出釋用直接輸出釋用  釋用釋用  
          NCC釋用  直接輸出釋用  釋用直接輸出直接輸出釋用直接輸出
          下載: 導出CSV
          幸运快三
        • [1] 解明恩, 程建剛, 范菠. 云南氣象災害的時空分布規律[J]. 自然災害學報, 2004, 13(5): 40-47. DOI:  10.13577/J.JND.2004.0507. Xie M E, Cheng J G, Fan B. Spatiotemporal distribution features of meteorological disasters in Yunnan[J]. Journal of Natural Disasters, 2004, 13(5): 40-47.
          [2] 云南省氣象局. 云南省氣候圖集[M]. 北京: 氣象出版社, 2017.

          Yunnan Meteorology Administration. Climatological atlas of Yunnan Province[M]. Beijing: China Meteorological Press, 2017.
          [3] 宋連春, 肖風勁, 李威. 我國現代氣候業務現狀及未來發展趨勢[J]. 應用氣象學報, 2013, 24(5): 513-520. DOI:  10.3969/j.issn.1001-7313.2013.05.001. Song L C, Xiao F J, Li W. The current status and future development of modern climate operation in China[J]. Journal of Applied Meteorological Science, 2013, 24(5): 513-520.
          [4] 吳統文, 宋連春, 劉向文, 等. 國家氣候中心短期氣候預測模式系統業務化進展[J]. 應用氣象學報, 2013, 24(5): 533-543. DOI:  10.3969/j.issn.1001-7313.2013.05.003. Wu T W, Song L C, Liu X W, et al. Progress in developing the short-range operational climate prediction system of China National Climate Center[J]. Journal of Applied Meteorological Science, 2013, 24(5): 533-543.
          [5] 何慧根, 李巧萍, 吳統文, 等. 月動力延伸預測模式業務系統DERF2.0 對中國氣溫和降水的預測性能評估[J]. 大氣科學, 2014, 38(5): 950-964. DOI:  10.3878/j.issn.1006-9895.1401.13166. He H G, Li Q P, Wu T W, et al. Temperature and precipitation evaluation of monthly dynamic extended range forecast operational system DERF2.0 in China[J]. Chinese Journal of Atmospheric Sciences, 2014, 38(5): 950-964.
          [6] 劉長征, 杜良敏, 柯宗建, 等. 國家氣候中心多模式解釋應用集成預測[J]. 應用氣象學報, 2013, 24(6): 677-685. DOI:  10.3969/j.issn.1001-7313.2013.06.004. Liu C Z, Du L M, Ke Z J, et al. Multi-model downscaling ensemble prediction in National Climate Center[J]. Journal of Applied Meteorological Science, 2013, 24(6): 677-685.
          [7] 白慧, 陳早陽, 吳戰平, 等. 貴州主汛期季節內振蕩特征[J]. 云南大學學報: 自然科學版, 2018, 40(3): 513-520. DOI:  10.7540/j.ynu.20170627. Bai H, Chen Z Y, Wu Z P, et al. On characteristics of intra-seasonal oscillation in main rainy season over Guizhou Province[J]. Journal of Yunnan University: Natural Sciences Edition, 2018, 40(3): 513-520.
          [8] 邢峰, 韓榮青, 李維京. 夏季黃河流域降水氣候特征及其與大氣環流的關系[J]. 氣象, 2018, 44(10): 1 295-1 305. DOI:  10.7519/j.issn.1000-0526.2018.10.006. Xing F, Han R Q, Li W J. Spatial-temporal variation of summer rainfall over Yellow River Valley and its association with atmospheric circulation[J]. Meteorological Monthly, 2018, 44(10): 1 295-1 305.
          [9] 張天圣, 尤衛紅. 我國春季降水的分布特征及其與環流異常的關系[J]. 云南大學學報: 自然科學版, 2010, 32(5): 553-560. Zhang T S, You W H. The distribution feature of spring rainfall and its relation to circulation anomaly in China[J]. Journal of Yunnan University: Natural Sciences Edition, 2010, 32(5): 553-560.
          [10] 趙俊虎, 楊柳, 曾星宇, 等. 夏季長江中下游和華南兩類雨型的環流特征及預測信號[J]. 大氣科學, 2016, 40(6): 1 182-1 198. DOI:  10.3878/j.issn.1006-9895.1601.15249. Zhao J H, Yang L, Zeng X Y, et al. Analysis of atmospheric circulation and prediction signals for summer rainfall patterns in southern China[J]. Chinese Journal of Atmospheric Sciences, 2016, 40(6): 1 182-1 198.
          [11] 周浩, 程炳巖, 葉釗. 重慶汛期降水與西太平洋副熱帶高壓的關系[J]. 云南大學學報: 自然科學版, 2010, 32(1): 63-67. Zhou H, Cheng B Y, Ye Z. Relationship between the rainfall in flood season in Chongqing and West Pacific Subtropical High[J]. Journal of Yunnan University: Natural Sciences Edition, 2010, 32(1): 63-67.
          [12] 封國林, 趙俊虎, 支蓉, 等. 動力-統計客觀定量化汛期降水預測研究新進展[J]. 應用氣象學報, 2013, 24(6): 656-665. DOI:  10.3969/j.issn.1001-7313.2013.06.002. Feng G L, Zhao J H, Zhi R, et al. Recent progress on the objective and quantifiable forecast of summer precipitation based on dynamical-statistical method[J]. Journal of Applied Meteorological Science, 2013, 24(6): 656-665.
          [13] 賈小龍, 陳麗娟, 高輝, 等. 我國短期氣候預測技術進展[J]. 應用氣象學報, 2013, 24(6): 641-655. DOI:  10.3969/j.issn.1001-7313.2013.06.001. Jia X L, Chen L J, Gao H, et al. Advances of the short-range climate prediction in China[J]. Journal of Applied Meteorological Science, 2013, 24(6): 641-655.
          [14] 李維京, 陳麗娟. 動力延伸預報產品釋用方法的研究[J]. 氣象學報, 1999, 57(3): 338-345. Li W J, Chen L J. Research on re-explanation and reanalysis method of dynamical extended range forecast products[J]. Acta Meteorologica Sinica, 1999, 57(3): 338-345.
          [15] 陳麗娟, 李維京, 張培群, 等. 降尺度技術在月降水預報中的應用[J]. 應用氣象學報, 2003, 14(6): 648-655. DOI:  10.3969/j.issn.1001-7313.2003.06.002. Chen L J, Li W J, Zhang P Q, et al. Application of a new downscaling model to monthly precipitation forecast[J]. Journal of Applied Meteorological Science, 2003, 14(6): 648-655.
          [16] 顧偉宗, 陳麗娟, 李維京, 等. 降尺度方法在中國不同區域夏季降水預測中的應用[J]. 氣象學報, 2012, 70(2): 202-212. Gu W Z, Chen L J, Li W J, et al. Development of a downscaling method in China regional summer precipitation prediction[J]. Acta Meteorologica Sinica, 2012, 70(2): 202-212.
          [17] 黃瑋, 程建剛, 王學鋒, 等. 基于氣候模式的動力-統計降尺度技術在云南降水預測中的應用[J]. 云南大學學報: 自然科學版, 2013, 35(6): 782-790. DOI:  10.7540/j.ynu.20120078. Huang W, Cheng J G, Wang X F, et al. An application of a dynamical-statistical downscaling method based on climate model to precipitation forecast over Yunnan[J]. Journal of Yunnan University: Natural Sciences Edition, 2013, 35(6): 782-790.
          [18] Liu Y, Fan K. Prediction of spring precipitation in China using a downscaling approach[J]. Meteorology and Atmospheric Physics, 2012, 118(1/2): 79-93. DOI:  10.1007/s00703-012-0202-z.
          [19] 程智, 朱保林, 羅連升, 等. 多層次降尺度方法對安徽省月降水量預測的研究[J]. 云南大學學報: 自然科學版, 2011, 33(5): 563-568. Cheng Z, Zhu B L, Luo L S, et al. A research on multi-level downscaling techniques in prediction of monthly precipitation in Anhui province[J]. Journal of Yunnan University: Natural Sciences Edition, 2011, 33(5): 563-568.
          [20] Ke Z J, Zhang P Q, Chen L J, et al. An experiment of a statistical downscaling forecast model for summer precipitation over China[J]. Atmospheric and Oceanic Science Letters, 2011, 4(5): 270-275. DOI:  10.1080/16742834.2011.11446941.
          [21] 王娜, 方建剛. 月動力延伸預報產品在陜西月降水預測中的釋用[J]. 氣象科技, 2009, 37(5): 520-522. DOI:  10.19517/j.1671-6345.2009.05.002. Wang N, Fang J G. Interpretation and application of monthly dynamical extended range forecast products in Shaanxi Province[J]. Meteorological Science and Technology, 2009, 37(5): 520-522.
          [22] 程智, 段春鋒, 鄧淑梅. 多模式集合優選方案在淮河流域夏季降水預測中的應用[J]. 熱帶氣象學報, 2017, 33(2): 241-249. DOI:  10.16032/j.issn.1004-4965.2017.02.010. Cheng Z, Duan C F, Deng S M. Application of optimization scheme of multi-model ensemble in prediction of the Huaihe River Basin summer precipitation[J]. Journal of Tropical Meteorology, 2017, 33(2): 241-249.
          [23] 李芳. 基于多模式集合方案的中國東部夏季降水概率季度預測[J]. 氣象學報, 2012, 70(2): 183-191. Li F. Probabilistic seasonal prediction of summer rainfall over East China based on multi-model ensemble schemes[J]. Acta Meteorologica Sinica, 2012, 70(2): 183-191.
          [24] 康紅文, 祝從文, 左志燕, 等. 多模式集合預報及其降尺度技術在東亞夏季降水預測中的應用[J]. 氣象學報, 2012, 70(2): 192-201. Kang H W, Zhu C W, Zuo Z Y, et al. Statistical downscaling of pattern projection using multi-model output variables as predictors[J]. Acta Meteorologica Sinica, 2012, 70(2): 192-201.
          [25] 張玲, 智協飛. 2008年初中國南方冰凍雨雪天氣的多模式集成預報[J]. 熱帶氣象學報, 2013, 29(3): 393-402. DOI:  10.3969/j.issn.1004-4965.2013.03.005. Zhang L, Zhi X F. Multi-model ensemble forecasting of low temperature and icy weather over central and southern China during early 2008[J]. Journal of Tropical Meteorology, 2013, 29(3): 393-402.
          [26] Ke Z J, Dong W J, Zhang P Q, et al. An analysis of the difference between the multiple linear regression approach and the multi-model ensemble mean[J]. Advances in Atmospheric Sciences, 2009, 26(6): 1 157-1 168. DOI:  10.1007/s00376-009-8024-8.
          [27] 晏紅明, 李清泉, 王東阡. 云南雨季的時空特征及與大氣環流變化的關系[J]. 熱帶氣象學報, 2018, 34(1): 12-22. DOI:  10.16032/j.issn.1004-4965.2018.01.002. Yan H M, Li Q Q, Wang D Q. Studies on spatial-temporal characteristics of Yunnan rainy season and its relationship with atmospheric circulation[J]. Journal of Tropical Meteorology, 2018, 34(1): 12-22.
          [28] 邢冬, 陶云, 何華. AO與ENSO對云南冬春季降水分布的影響[J]. 云南大學學報: 自然科學版, 2016, 38(2): 267-276. DOI:  10.7540/j.ynu.20150531. Xing D, Tao Y, He H. The influence of AO and ENSO on distribution of Yunnan winter and spring precipitation[J]. Journal of Yunnan University: Natural Sciences Edition, 2016, 38(2): 267-276.
          [29] 萬云霞, 朱保林, 張萬誠, 等. 云南秋季降水的變化特征及其成因分析[J]. 云南大學學報: 自然科學版, 2016, 38(1): 62-71. DOI:  10.7540/j.ynu.20150296. Wan Y X, Zhu B L, Zhang W C, et al. The variation characteristic and its causes of precipitation in autumn over Yunnan[J]. Journal of Yunnan University: Natural Sciences Edition, 2016, 38(1): 62-71.
          [30] 黃嘉佑. 氣象統計分析與預報方法[M]. 北京: 氣象出版社, 2004.

          Huang J Y. Meteorological statistical analysis and forecast method[M]. Beijing: China Meteorological Press, 2004.
          [31] 吳洪寶, 吳蕾. 氣候變率診斷和預測方法[M]. 北京: 氣象出版社, 2005.

          Wu H B, Wu L. Methods for diagnosing and forecasting climate variability[M]. Beijing: China Meteorological Press, 2005.
          [32] 范可, 林美靜, 高煜中. 用年際增量方法預測華北汛期降水[J]. 中國科學D輯: 地球科學, 2008, 38(11): 1 452-1 459. Fan K, Lin M J, Gao Y Z. Forecasting the summer rainfall in North China using the year-to-year increment approach[J]. Science in China Series D: Earth Sciences, 2008, 38(11): 1 452-1 459.
        • [1] 程智朱保林羅連升丁小俊 . 多層次降尺度方法對安徽省月降水量預測的研究. 云南大學學報(自然科學版), 2011, 33(5): 563-568.
          [2] 牛法寶李汀陶詩言琚建華 . 對云南2011年冬季降水的延伸期天氣預測試驗. 云南大學學報(自然科學版), 2012, 34(1): 62-65.
          [3] 姬紅利周文君張一平沙麗清 . 云南土壤色度與海拔及氣候的關系研究. 云南大學學報(自然科學版), 2013, 35(S2): 352-. doi: 10.7540/j.ynu.20130801
          [4] 彭貴芬趙爾旭周國蓮 . 云南春夏連旱氣候變化趨勢及致災成因分析. 云南大學學報(自然科學版), 2010, 32(4): 443-448 .
          [5] 陶云張萬誠段長春陳艷任菊章邢冬何群 . 云南2009—2012年4年連旱的氣候成因研究. 云南大學學報(自然科學版), 2014, 36(6): 866-874. doi: 10.7540/j.ynu.20140312
          [6] 羅燕田永麗戴敏陳新梅 . 云南近50年極端氣溫及降水事件變化特征與區域氣候變暖的關系. 云南大學學報(自然科學版), 2015, 37(6): 870-877. doi: 10.7540/j.ynu.20140395
          [7] 劉錢威王金亮玉院和 . 基于遙感數據的北回歸線云南段旅游氣候適宜性評價研究. 云南大學學報(自然科學版), 2020, 42(5): 906-915. doi: 10.7540/j.ynu.20190701
          [8] 王曉霞魏杰劉勁蕓陰耕云徐世濤 . 云南食用玫瑰精油化學成分的GC/MS分析及其應用研究. 云南大學學報(自然科學版), 2011, 33(S2): 414-417.
          [9] 徐世濤王曉霞陰耕云劉勁蕓李忠高則睿魏杰 . 云南食用玫瑰在卷煙配方中的初步應用研究. 云南大學學報(自然科學版), 2011, 33(S2): 418-421.
          [10] 黃瑋程建剛王學鋒周建琴晏紅明 . 基于氣候模式的動力-統計降尺度技術在云南降水預測中的應用. 云南大學學報(自然科學版), 2013, 35(6): 782-790. doi: 10.7540/j.ynu.20120078
          [11] 徐慧黨立志楊根華王明鋒夏建軍李青青段焰青 . 煙堿降解菌的篩選、鑒定及其降解性能的初步研究. 云南大學學報(自然科學版), 2013, 35(4): 580-586. doi: 10.7540/j.ynu.20120414
          [12] 張中旭李智蓉 . 小波分析方法在定點形變日常跟蹤中的應用研究. 云南大學學報(自然科學版), 2020, 42(6): 1121-1128. doi: 10.7540/j.ynu.20200011
          [13] 瞿夢茹徐曉雅 . 云南地震活動的時序特征. 云南大學學報(自然科學版), 2012, 34(S2): 40-42.
          [14] 馬志敏楊素雨王治國牛法寶連鈺朱莉 . 云南局地暴雨分型研究. 云南大學學報(自然科學版), 2020, 42(1): 108-118. doi: 10.7540/j.ynu.20190031
          [15] 張滋第和兆榮 . 云南蓮座蕨科植物葉表皮形態特征研究. 云南大學學報(自然科學版), 2009, 31(3): 302-303, .
          [16] 李維賢卯衛寧盧宗民陶進能 . 云南鯉科魚類二新種記述. 云南大學學報(自然科學版), 2002, 24(5): 385-387.
          [17] 鐘愛華李慶紅黃慧君周泓 . 2012.8.6云南省大雨過程診斷分析. 云南大學學報(自然科學版), 2013, 35(S1): 261-269. doi: 10.7540/j.ynu.20120746
          [18] 陶云段旭段長春段瑋任菊章 . 云南近50a霧的變化特征. 云南大學學報(自然科學版), 2011, 33(3): 308-316 .
          [19] 楊明陶云 . 亞洲夏季風對云南暴雨空間分布特征的影響. 云南大學學報(自然科學版), 2004, 26(3): 227-232.
          [20] 姚啟倫楊克誠潘光堂榮廷昭 . 云南和貴州玉米地方品種遺傳多樣性的比較分析. 云南大學學報(自然科學版), 2008, 30(4): 408-414.
        • 加載中
        圖(4)表(2)
        計量
        • 文章訪問數:  412
        • HTML全文瀏覽量:  430
        • PDF下載量:  12
        • 被引次數: 0
        出版歷程
        • 收稿日期:  2019-12-02
        • 錄用日期:  2020-03-30
        • 網絡出版日期:  2020-07-29
        • 刊出日期:  2020-09-22

        多模式解釋集成方法在云南降水預測中的應用

          作者簡介:姚 愚(1973?),男,云南人,碩士,高級工程師,主要從事短期氣候預測和氣候變化研究. E-mail:569187261@qq.com
          通訊作者: 晏紅明, y-hm@netease.com
        • 云南省氣候中心,云南 昆明 650034

        摘要: 發展數值預報模式、增強模式產品的解釋應用能力,是提高短期氣候預測準確率的重要途徑. 文章基于國家氣候中心提供的3種氣候模式產品,開展云南3—9月降水和夏季(6—8月)各月降水的降尺度釋用和集成技術方法研究,并利用距平符號一致率(PC)、趨勢異常綜合(PS)和距平相關系數(ACC)3項指標,對比分析了不同模式和方法對云南降水的預測性能. 結果表明:對模式直接輸出結果,各月平均的PC和PS評分NCEP模式最高,EC次之,NCC最低;ACC評分EC最高,NCEP次之,NCC最低;對夏季降水,EC模式PC和PS評分最高,NCC模式則ACC評分最高. 模式降尺度釋用結果的PC評分較同一模式直接輸出結果以負訂正為主,PS和ACC以正訂正為主,表明降尺度釋用方法對云南月降水距平符號的預測能力不如模式直接輸出結果,但對降水空間分布形態和異常級降水的預測與實況更接近. 不同集成方案的預測性能不盡相同,模式集成的PC評分最高,這與模式直接輸出結果對降水的PC評分較釋用結果偏高有關;優選集成的PS評分和ACC評分最高,且各月評分值較為穩定,表明同時引入模式直接輸出與降尺度釋用結果的優選集成可發揮二者的優勢,改進預測性能.

        English Abstract

        • 云南地處低緯高原季風氣候區,自然地理環境復雜多樣,氣候資源種類豐富,地域差異大,氣象災害易發多發. 旱澇災害是云南最主要的氣象災害[1],據統計2005—2014年云南各類氣象災害所占比例中,旱災占37.6%,洪澇災害占26.1%[2]. 隨著經濟的快速發展,旱澇災害對社會生產和人們日常生活的影響日益加劇. 加強對氣象災害形成機理的研究,發展精細化客觀化的氣候預測技術,提高短期氣候預測特別是降水量預測的準確率,為國民經濟發展、防范重大氣象災害和應對氣候變化等方面提供科學依據,已成為現代氣候業務的核心要求[3].

          近年來,氣候動力模式發展迅速,模式時空分辨率逐步提升,在資料同化處理和內部物理過程描述上不斷完善,對降水、氣溫和環流等要素的預測技巧不斷提高[4-5]. 氣候動力模式普遍對大尺度大氣環流的模擬和預測能力較高,但在對氣溫和降水等氣象要素作預測時,引入了云輻射、對流性降水等參數化方案作近似描述,使得模式對氣象要素模擬和預測能力較差[6]. 我國地域遼闊,各區域氣候變化差異顯著,以往很多研究表明大氣環流場對區域降水量分布有很好的預測指示意義[7-11],利用歷史資料建立可靠的環流場與氣象要素場的統計關系,再代入模式輸出的預測技巧較高的環流場信息得到要素場的預報,較模式直接輸出的預測結果往往具有更高的準確率[12-13]. 目前,這種基于氣候模式產品的動力和統計相結合的降尺度釋用預測技術已得到廣泛運用和推廣[14-21],一些研究還利用不同模式結果進行集成預測,以減少模式和釋用方法本身的不確定性[22-26]. 云南月度降水與季風活動、中高緯冷空氣、副熱帶高壓和南亞高壓等環流系統有密切聯系[27-29],但目前利用模式提供的環流信息,對云南月度降水開展客觀定量的降尺度釋用和集成預測的研究還相對較少.

          MODES多模式數據集是國家氣候中心統一規格整理下發的多個全球先進氣候動力模式資料集. 本文基于MODES數據集中的氣候模式產品,開展云南區域月度降水和夏季(6—8月)降水的降尺度釋用和集成預測技術研究,對比不同模式和方法對云南降水的預測性能,以增強氣候模式產品對云南降水預測的解釋應用能力,提高云南氣候預測準確率和防范旱澇災害的能力.

          • 本文使用的模式資料來自國家氣候中心MODES多模式數據集第一代產品[6],包括NCC_CSM11、NCEP_CFS2和ECMWF_SYSTEM4共3種模式(以下分別簡稱NCC、NCEP和EC). 3種模式空間分辨率均為2.5°×2.5°,要素種類涵蓋常用等壓面層次的位勢高度、風場等大氣環流特征量,以及地面氣溫和降水等氣象要素,每月每個模式的資料分別存儲在一個nc格式文件中,具體信息見表1.

            模式種類要素種類預測月數回報起始年份
            EC t2m,t850,u850,v850,u200,v200,precsfc,slp,h500,h200 7 1981
            NCEP t2m,t850,u850,v850,u200,v200,precsfc,slp,h500,h200 10 1982
            NCC t2m,u850,v850,u200,v200,precsfc,slp,h500,h200 13 1991

            表 1  3種氣候模式產品的信息說明

            Table 1.  Information of three climate model products

            表1中,t2m為距地面2 m氣溫,h200和h500分別為200 hPa和850 hPa的位勢高度場,u200、v200、u850和v850分別為200 hPa和850 hPa的緯向風場和經向風場,slp為海平面氣壓場,precsfc為日降水率. 做降尺度釋用時,使用模式預測的h200、h500、u200、v200、u850和v850共計6個大氣環流要素,模式對測站降水的預測值由prescfc插值到站點上得到. 大氣環流實況資料為NCEP再分析資料,分辨率為2.5°×2.5°.

            預報對象為云南125個測站的月降水量. 由于目前汛期氣候預測會商一般在每年3月底舉行,4月上旬發布夏季氣候趨勢預測,3種模式中EC模式的預測月數最短為7個月,NCC模式回報資料起始年份最短從1991年開始,故本文采用1991—2018年3種模式3月起報的資料,對未來7個月(3—9月)逐月降水量開展預測研究,其中夏季降水由3個月(6—8月)的降水量累加得到.

          • 由于云南汛期強降水過程局地性較強,降水量空間分布形態復雜,本文采用“有預測技巧的高影響關鍵區+逐步回歸的降尺度釋用建?!狈桨?,對選定的某預報月云南逐站降水作預測. 以計算M月第S個站點的降水為例,計算步驟如下:

            (1)利用MS站點的月降水實況資料與M月NCEP再分析資料6個環流實況場分別計算空間相關場,查找成片的通過95%信度檢驗的高相關區,記為R1. 實際計算中,“成片”是指區域所含格點數不少于6個.

            (2)計算某一氣候模式3月起報的M月某環流場與M月NCEP再分析資料對應環流實況場的空間相關場,查找成片通過95%信度檢驗的正相關區,記為R2.

            (3)挑取R1與R2成片的交集,計算該環流要素在交集區域的平均值進入待選因子庫,該交集即為該模式“有預測技巧的高影響關鍵區”[22](以下簡稱“關鍵區”). 關鍵區的環流因子對S站點M月降水有高相關,同時又能被模式較好地模擬. 圖1給出了3月起報的EC模式6種環流要素對昆明5月降水量的關鍵區格點空間分布.

            圖  1  3月起報的EC模式6種環流要素對昆明5月降水的關鍵區格點空間分布

            Figure 1.  Spatial distribution to the key area between six circulation elements of EC model with starting forecast month in March and precipitation in May of Kunming

            圖1可知,h500場對昆明5月降水量的關鍵區有4個,分別位于赤道印度洋至西太平洋、中東太平洋、北美洲西南部和赤道大西洋;h200場關鍵區有7個;u200場關鍵區有8個,v200場關鍵區有9個;u850場關鍵區有4個;v850場關鍵區有7個,不再一一列舉.

            (4)對同一模式6個環流要素進入待選因子庫的資料,利用逐步回歸和交叉檢驗的計算原則,與S站點M月降水實況資料建立預報關系,得到該模式的降尺度釋用結果. 逐步回歸可從大批量的預報因子庫中選擇擬合最好的因子組合建立預報方程[30]. 交叉檢驗即在建模的1991—2018年(共計28 a),對每一年份均用剩余年份資料建立預報關系,輪流對全部年份做預測,以確保每一年份的預測值都是獨立樣本檢驗,從而使得到的預報技巧與實際使用該方法時相接近[31].

            (5)重復以上步驟,得到3種模式對云南125個測站M月降水的降尺度釋用結果. 若某種模式對某個測站某月的降水無關鍵區存在(即無預報因子),或在逐步回歸時無因子入選預報方程,則釋用預測結果為缺測值.

          • 本文選取3種集成方案,分別是模式直接輸出結果平均(以下簡稱“模式集成”)、模式降尺度釋用結果的平均(以下簡稱“釋用集成”)和模式優選預測結果的平均(以下簡稱“優選集成”),對3—9月各月降水和夏季降水分別生成3種集成預測結果. 優選集成是預先對同一模式的直接輸出和降尺度釋用結果,選擇預測性能較好的一項,作為該模式參與集成的成員. 評價預測性能優劣的標準采用投票法,即若預測結果A在本文選用的3種預測評分中有2種較預測結果B高,則認為A預測性能較B好. 表2給出了3—9月3種模式進行優選集成時所選用的成員.

            模式種類3月4月5月6月7月8月9月6—8月
            EC釋用  釋用  直接輸出釋用直接輸出直接輸出釋用直接輸出
            NCEP直接輸出釋用  直接輸出釋用直接輸出釋用  釋用釋用  
            NCC釋用  直接輸出釋用  釋用直接輸出直接輸出釋用直接輸出

            表 2  各月代表各模式參與集成的預測結果種類

            Table 2.  Types of forecast results representing each mode participating the integration in each month

            若某模式參與集成的成員是模式直接輸出結果,考慮到各模式直接輸出結果來自不同總體,與實況的均值和方差存在差異,在集成前將模式直接輸出結果做向實況總體的均值和方差的訂正處理,計算公式如下:

            $ {x'}=\frac{x-{\bar x}}{{\sigma }_{x}}\times{\sigma }_{y}+{\bar y}, $

            其中 $ {x'} $ 為訂正值,$ x $ 為模式直接輸出結果,$ {\bar x} $$ {\sigma }_{x} $ 分別為模式輸出結果的多年平均值和標準差,${\bar y}$$ {\sigma }_{y} $ 為站點月降水量實況的平均值和標準差,求取模式和實況多年平均值和標準差的時段均為1991—2017年.

          • 本文采用距平符號一致率(PC)、趨勢異常綜合(PS)和距平相關系數(ACC)3種評分方法. 以往研究結果表明[5, 22],3種評分從不同側面反映預報產品的預測性能,PC評分反映預報與實況距平符號一致的程度,PS評分反映預報對實況異常量級的把握能力,ACC主要體現預報與實況空間分布型的符合程度. 若某測站釋用結果為缺測值,在計算預測評分時將該測站數據剔除,不參與評分計算.

          • 圖2給出了1991—2018年3月起報的3種模式直接預測結果,對云南3—9月各月及夏季降水的平均PC、PS和ACC評分. EC模式PC評分最高為3月的63.6%,最低為4月的42.9%;NCEP模式最高為3月的65.9%,最低為6月的42.3%;NCC模式最高為3月的56.8%,最低為9月的46.0%. 各月PC評分平均值NCEP模式最高達54.3%,EC模式次之為53.6%,NCC模式最低為51.5%. 對夏季降水PC評分,EC模式最高達54.7%,NCC模式次之為52.3%,NCEP模式最低為49.4%.

            圖  2  3種模式對云南3—9月各月及夏季降水的預測評分

            Figure 2.  Prediction scores of three models to precipitation of Yunnan in each month from March to September and summer season

            PS評分EC模式最高為3月的74.1%,最低為4月的55.2%;NCEP模式最高為3月的77.0%,最低為6月的57.4%;NCC模式最高為8月的68.2%,最低為9月的60.2%. 各月PS評分平均值NCEP模式最高達68.2%,EC模式次之為66.6%,NCC模式最低為64.5%. 對夏季降水,EC模式評分最高達69.5%,NCC模式次之為67.4%,NCEP模式最低為64.7%.

            對距平相關系數ACC,EC模式最高為3月的0.21,最低為9月的?0.01;NCEP模式最高為3月的0.21,最低為8月的?0.05;NCC模式最高為4月的0.07,最低為5月的?0.08. 各月ACC平均EC模式最高達0.06,NCEP模式次之為0.03,NCC模式最低為0.02. 對夏季降水,NCC模式最高達0.03,EC模式次之為0.02,NCEP模式最低為?0.01.

          • 圖3給出了3種模式降尺度釋用結果對云南逐月降水預測的平均PC、PS和ACC評分與模式直接輸出結果對應評分的差值.

            圖  3  3種模式降尺度釋用結果與模式直接輸出結果對云南3—9月及夏季降水預測評分差值

            Figure 3.  Difference of precipitation prediction scores between downscaling interpretation result and direct output of three models in each month from March to September and summer season in Yunnan

            圖3可知,3種模式降尺度釋用結果對3—9月逐月降水預測的PC評分以負訂正為主,訂正效果最好的是NCEP模式對6月降水的預測,較模式直接輸出結果的評分提高了10.1%. 其次是EC模式對4月降水的預測,提高了8.4%. 對比各月平均的PC評分,EC模式釋用結果較模式直接輸出結果降低了2.5%,NCEP模式降低了0.6%,NCC模式提高了0.6%. 釋用方法的PC評分多數情形下較低,表明釋用方法對云南月降水距平符號的預測能力不如模式直接輸出結果. 對夏季降水,EC模式釋用結果PC評分較模式直接輸出降低了6.7%,NCEP模式提高了1.5%,NCC模式降低了4.2%.

            釋用方法PS評分以正訂正為主,訂正效果最好的是EC模式對4月降水的預測,較模式直接輸出結果提高了16.5%,其次是NCC模式對3月降水的預測,提高了14.5%. 對各月PS評分平均,3種模式釋用結果均為正訂正,EC模式提高了4.3%,NCEP模式提高了4.5%,NCC模式提高了6.9%. 釋用方法PS評分多數情形下有所提高,反映了模式釋用方法對云南月度降水異常量級的把握能力較模式直接輸出結果優異. 對夏季降水,EC模式釋用結果PS評分較模式直接輸出降低了3.8%,NCEP模式提高了3.2%,NCC模式降低了1.8%.

            釋用方法ACC以正訂正為主,訂正效果最好的是NCC模式對5月降水的預測,較模式直接輸出結果提高了0.15,其次是NCEP模式對8月降水的預測,提高了0.14. 對各月ACC的平均,EC模式釋用結果較模式直接輸出結果降低了0.01,NCEP模式提高了0.05,NCC模式提高了0.04. 這表明釋用方法對實況空間分布型的把握較模式直接輸出有所改進. 對夏季降水,EC模式釋用結果較模式直接輸出降低了0.03,NCEP模式提高了0.04,NCC模式降低了0.03.

          • 圖4給出了逐月3種降水集成方案的預測評分與3種模式直接輸出結果相應評分平均值(以下簡稱“模式評分平均值”)之間的差值.

            圖  4  3種模式集成預測結果與模式直接輸出結果平均評分的差值

            Figure 4.  Difference of precipitation prediction scores between integrated prediction result of three models and average score of direct output of the three models

            3種集成預測結果的PC評分與相應模式評分平均值互有高低(圖4(a)). 不同集成方案中,模式集成PC評分最高,除6月和9月偏低外,其余各月及夏季降水均偏高,各月平均偏高1.7%,5月偏高幅度最大達4.9%. 優選集成PC評分次之,各月平均與模式評分平均值接近. 釋用集成最低,各月平均較模式評分平均值偏低2.6%,8月偏低幅度最大達7.9%,這與前述討論中模式降尺度釋用結果對降水PC評分以負訂正為主的結論相一致. 因此,在實際預測業務中,可利用多個模式對降水直接輸出結果的平均值,從而預估降水距平符號的空間分布.

            3種集成預測結果的PS評分在絕大多數情形下高于相應模式評分平均值(圖4(b)). 不同集成方案中,優選集成的PS評分最高,各月及夏季降水均超過了模式評分平均值,平均偏高2.4%,4月偏高幅度最大達3.9%. 釋用集成PS評分次之,各月PS評分較模式評分平均值偏高1.6%,4月偏高幅度最大達6.0%. 模式集成PS評分最低,各月PS評分較模式評分平均值高0.8%. 這表明由于模式降尺度釋用對云南降水的PS評分以正訂為主,故在有釋用結果參與的集成方案中,PS評分較高. 在實際預測業務中,可利用優選集成的預測結果,來預估降水異常量級的空間分布.

            3種集成預測結果的ACC評分在多數情形下高于相應模式評分平均值(圖4(c)). 不同集成方案中,優選集成的ACC最高,除9月外其余各月及夏季降水ACC均高于模式評分平均值,各月ACC平均偏高0.03,夏季降水ACC偏高幅度最大達0.07. 模式集成次之,各月ACC平均偏高0.01,3月偏高幅度最大接近0.10. 釋用集成最低,各月ACC平均與模式評分平均值持平. 這反映了優選集成方案對云南月降水和夏季降水的空間分布形態把握最好,值得重點參考.

          • 本文使用國家氣候中心MODES多模式數據集中EC、NCEP和NCC共3種氣候模式1991—2018年3月起報的產品,客觀定量地分析比較了3種模式對云南3—9月逐月及夏季(6—8月)降水的直接輸出、降尺度釋用及集成結果的預測性能,得到以下主要結論.

            (1)對模式直接輸出結果,各月平均的PC和PS評分均為NCEP模式最高,EC次之,NCC最低. ACC評分EC最高,NCEP次之,NCC最低. 對夏季6—8月降水,PC和PS評分均為EC模式最高,ACC評分NCC模式最高.

            (2)與同一模式的直接輸出結果相比,3種模式降尺度釋用結果對各月降水的PC評分以負訂正為主,PS和ACC評分則以正訂正為主. 表明降尺度釋用方法對云南月降水距平符號的預測能力不比模式直接輸出結果好,但對降水的異常量級和空間分布形態的預測與實況更接近. 對夏季降水,EC和NCC釋用結果3種評分均較模式直接輸出結果降低,NCEP模式則均有提高.

            (3)不同集成方案的預測結果在評分上具有不同的表現. 模式集成的PC評分最高,這與模式直接輸出結果對降水的PC評分較釋用結果偏高有關. 優選集成的PS評分和ACC評分最高,且各月評分值較為穩定,絕大多數情形下評分高于模式評分平均值,表明同時引入模式直接輸出與降尺度釋用結果的優選集成可發揮二者的優勢,此方法改進了預測性能,為多模式產品在云南月度降水預測中的應用提供參考.

            提高降水預測的準確率是短期氣候預測工作的重要目標. 本文研究發現模式降尺度釋用結果的PS和ACC評分較模式直接輸出結果以正訂正為主,但PC評分效果不比模式直接輸出好,這可能與本文采用的建模方案是對降水逐站預測后再匯總,未考慮降水場本身存在的空間聯系有關. 下一步可考慮改進釋用方法建模方案,采用增量法[32]和場預報方法,以期提高降水預測的PC評分. 開展多模式集成預測被認為是提高預報技巧的有效途徑[13],但各模式間預測性能存在差異,對氣象要素和關鍵區環流的預測能力不盡相同,充分發揮各個模式的有效信息,對提高模式產品的解釋應用能力十分必要. 本文研究發現優選集成的PS和ACC評分在3種集成方案中最高,且高于模式評分平均值,表明優選集成方案具有較好的應用價值. 未來可考慮引入更多模式成員,并采用超級集合平均等較新穎的集成方法,以提高模式集成對云南降水的預測性能,增強云南月度降水的預測能力.

        參考文獻 (32)

        目錄

          /

          返回文章
          返回