基于TIGGE資料的集合成員優選方法

畢瀟瀟,智協飛,林春澤

(1.氣象災害教育部重點實驗室(南京信息工程大學),江蘇 南京 210044;2.吉林省氣象臺,吉林 長春 130062;

3.中國氣象局 武漢暴雨研究所 暴雨監測預警湖北省重點實驗室,湖北 武漢 430074)

?

基于TIGGE資料的集合成員優選方法

畢瀟瀟1,2,智協飛1,林春澤3

(1.氣象災害教育部重點實驗室(南京信息工程大學),江蘇 南京 210044;2.吉林省氣象臺,吉林 長春 130062;

3.中國氣象局 武漢暴雨研究所 暴雨監測預警湖北省重點實驗室,湖北 武漢 430074)

摘要：利用2007年6月8日—8月31日東亞地區TIGGE集合預報資料中歐洲中期天氣預報中心(European Centre for Medium-range Weather Forecasts,ECMWF)和英國氣象局(United Kingdom Met Office,UKMO)兩個中心的地面2 m氣溫資料進行集合成員優選研究。結果表明,對于24～96 h預報,集合成員優選方法能夠較好地選出預報技巧較高和預報技巧較低的集合成員。個例分析表明,在極端天氣出現的地區,優選集合平均的預報優勢較為明顯。對比ECMWF和UKMO的集合成員優選結果發現,ECMWF的預報效果優于UKMO的預報效果。

關鍵詞：TIGGE資料;集合平均;最優集合成員;均方根誤差

0引言

集合預報方法是一種使用多個初始場或多個數值模式來描述大氣狀態不確定性的方法。即從單個初始狀態出發,通過多模式或單模式的控制參數變化,得到預報結果的集合,或者給出從初始狀態的誤差范圍估計中得到的一個初始狀態的集合,再從這個包含若干初始狀態的集合出發,通過一個或多個數值模式,得到相應的、包含多個預報結果的集合,再通過對預報結果集合的分析,得到最終的集合預報產品(段明鏗和王盤興,2004)。研究表明,集合預報效果普遍優于單一確定性預報,是數值天氣預報的發展方向(林春澤等,2009;智協飛等,2009)。目前,集合預報在國內越來越受到重視,許多研究表明經過集成的預報結果無論是季節預測、延伸期預報還是中短期天氣預報均明顯地優于單模式預報(智協飛和陳雯,2010;崔慧慧和智協飛,2013)。

然而,如何快速、準確地從大量集合產品中提煉出我們所需要的信息,目前的集合預報水平還有待提高。在集合預報系統的應用中,集合平均是最簡單也是最有效地處理集合成員的方法,但是它平滑了很多可能出現的極端天氣。如集合平均經常在小雨量級的降水中出現空報,在大雨量級的降水中出現漏報(王亞男和智協飛,2012)。針對這種情況,通常先對資料進行訂正處理,再進行集合預報研究(李佰平和智協飛,2012)。由于受到資料時間長度、地形等因素的影響,每種訂正方法都有其局限性。就集合預報的基本原理而言,所有集合成員的預報結果應當是等權重的。然而由于各種因素的影響(如下墊面、海洋等),在實際的集合預報過程中,還是會發現一個或幾個集合成員的預報技巧優于其他成員,而這個預報技巧較高的集合成員是不固定的。我們期望在每次預報過程中都能找出那一個或幾個對該次預報預報技巧較高的集合成員,以便在進行模式后處理和訂正的時候,能夠使集合預報系統更精確(Toth and Kalney,1993,1997;Eckel and Walters,1998;Stensrud and Yussouf,2003;Raftery et al.,2005;Hamill et al.,2006;Greybush et al.,2008;Pena and Van den Dool,2008)。通常某些集合成員對東亞區域的降水預報相對其他成員準確,那么在考慮東亞區域的降水時,便將其賦予更多的權重。由于天氣系統的復雜性,通過歷史統計方法很難捕捉到短期預報的共性。例如,歷史上同一天可能不會出現降水天氣,但是對于要預報的那一天可能出現強降水。另外,歷史資料的處理和存放需要消耗較多的人力物力,費用巨大。本文采用美國國家海洋大氣局Du and Zhou(2010)提出的一種方法來選擇集合預報系統中預報技巧較高的成員,該方法使用實時預報資料,簡便易行,成本低廉,對較低一級的暫時不具備資料共享和高性能計算機等條件的臺站尤為適用。

1資料和方法

1.1　資料

所用的資料為世界氣象組織THROPEX計劃下的TIGGE集合預報資料和美國FNL再分析資料(智協飛和陳雯,2010)。

1)TIGGE集合預報資料:由于2個集合預報系統成員個數不同(歐洲中期天氣預報中心51個,英國氣象局24個),為方便比較,選取TIGGE集合預報資料下歐洲中期天氣預報中心(European Centre for Medium-range Weather Forecasts,ECMWF)前21個集合成員和英國氣象局(United Kingdom Met Office,UKMO)前21個成員2007年6月8日—8月31日每日12時(世界時,下同)起報的地面氣溫資料,預報區域取為東亞(10～45°E,85～145°N),分辨率為1.25°×1.25°,預報時效為24～120 h,間隔為24 h。

2)FNL逐日再分析資料:選取FNL逐日再分析資料作為觀測值,用于檢驗預報效果。時間、區域同預報資料,分辨率為1°×1°。采用雙線性插值方法,將預報資料的分辨率降為1°×1°。

1.2　方法

圖1給出了集合預報系統誤差漂移圖。由圖1a可以看出,積分一段時間之后,各個集合成員離實況值越來越遠,而且與實況值差距較大,結果導致集合平均值也遠離了真實值,這說明系統誤差偏大。相反,如果各個集合成員的預報結果是包含真值的一個集合(圖1b),那么集合平均值就會相對接近實況值。一個良好的集合預報系統是要盡可能地包含真實值的。因此,圖1b所示的集合預報系統要優于圖1a所示的集合預報系統。由此可見,一個良好的集合預報系統應該是如圖1b所示的情況。那么相對于其他集合成員來說,集合平均預報可能更接近實況值。而在實際應用中發現,集合平均只是在區域平均中表現較好,如果某地出現強對流天氣等極端天氣過程,集合平均的結果又過度平滑,可能會造成此類天氣的漏報,而這類天氣恰恰是會造成嚴重損失的。因此,在預報某一時刻天氣時,有必要找出集合預報系統中對該時刻的預報技巧較高的某幾個集合成員來避免集合平均的過度平滑問題。

圖1　集合預報系統誤差漂移圖(杜鈞和陳靜,2010;水平實線表示真值;虛線表示隨機分布的預報不確定性范圍;實線表示集合平均預報;t0是初始預報時刻;t是最終預報時刻)　　a.系統性誤差大;b.系統性誤差小Fig.1　Schematic diagram of the ensemble forecast system bias(Du and Chen,2010;the abscissa represents the true value;the dashed curves denote the uncertainty range of random distribution forecast;the solid curve represents the ensemble mean forecast;t0is the initial forecast time and t is the final forecast time)a.with large systematic bias;b.with small systematic bias

理論上,既然集合預報系統中所有的初始條件和物理過程都是有依據的,那么模式輸出的結果也應該是可信的,也就是說,每個集合成員的預報效果是等權重的。但是在實際應用中發現,不同集合成員對不同天氣狀況的預報能力是不同的。由圖1可知,有辦法在沒有獲知實況的前提下找出對特定時次預報技巧較高的那些集合成員。本文研究的對象是85 d區域平均,將每天每個格點上的集合成員預報值與集合平均預報值之間的絕對值定義為距離DA。為了使得結果更能反映真實情況,排除因個別格點誤差較大而影響結果,令:

集合成員的預報結果與總成員集合平均的預報結果之差的絕對值DA越小,表示兩者之間的差距越小,也就是說,這個集合成員的預報結果相對較好。RSP表示集合離散度,一個良好的集合預報系統應該盡可能地包含真實值,具有合適的離散度。SDI值越小表示預報效果越好。

2效果評估

2.1　ECMWF集合預報

由于本文只研究一個要素(溫度),為使結果更加可信,這里選取前5個SDI值最小的集合成員平均作為最優成員(以下簡稱最優成員),后5個SDI值最大的集合成員平均作為最差成員(以下簡稱最差成員)。研究最優成員和最差成員排名的平均位置(圖2)。

從圖2中可以看出,對于24 h預報,最優成員在絕大多數情況下表現效果要優于最差成員,最差成員好于最優成員的情況只有12 d,而且最優成員的平均排名也表現得較好,最差成員的平均排名相對靠后。對于48～72 h預報,最差成員好于最優成員的情況為20 d左右,預報能力有所下降。相對于24 h預報,最優成員的平均排名也有所下降,最差成員的平均排名有所上升,但最優成員仍然表現得較好。對于96 h預報,最差成員好于最優成員的情況超過了20 d。對于120 h預報,最差成員好于最優成員的情況超過了40 d,可認為對于歐洲中心5 d及以上的預報,該方法已經不具備參考價值。

圖3給出了2007年6月8日—8月31日ECMWF在東亞區域24～120 h預報的平均均方根誤差,可以看出,隨著預報時效的延長,預報誤差增大。對于24～120 h預報,選出的最優成員的均方根誤差小于總成員平均的均方根誤差。對于24～96 h預報,總成員平均的均方根誤差小于選出的最差成員。對于120 h預報,選出的最差成員的均方根誤差小于總成員平均。另外,實際最差成員均方根誤差與選出的最差成員之間有很大差距,說明該方法選擇最優成員的能力要明顯好于選擇最差成員的能力。

圖2　ECMWF 24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)預報時效預測中表現最優和最差的5個成員在實況中的平均排名位置Fig.2　Mean ranks of the predicted two extreme ends of ECMWF ensemble system, the “better”(solid curve) and the “worse”(dashed curve) members at various forecast lengths　　a.24 h;b.48 h;c.72 h;d.96 h;e.120 h

圖3　2007年6月8日—8月31日ECMWF在東亞區域24～120 h預報的平均均方根誤差(單位:℃)Fig.3　Mean RMS error of ECMWF in East Asia area at various forecast lengths of 24—120 h from June 8 to August 31,2007(units:℃)

2.2　個例分析

圖4給出了選取的3個個例。對比圖4a、b、c可以看出,6月17日實況中青藏高原上出現了溫度低于0 ℃以下的區域,選出的最優集合成員和集合平均都體現了較好的預報效果,但選出的最優集合成員預報出來的溫度低于0 ℃以下的區域明顯比集合平均預報出來的范圍更大,更接近實況。對比圖4d、e、f可以得出類似的結論。此外,在東南亞、朝鮮半島等地,選出的最優集合成員相對于集合平均,預報結果更加準確。對比圖4g、h、i可以看到,6月28日在新疆東部出現了小范圍高溫天氣,而集合平均的預報結果將這個范圍擴大了,并且強度達到了38 ℃以上。選出的最優集合成員的預報結果中,高溫范圍明顯減小,更接近實況。在我國河南、河北等地出現了30 ℃以上高溫天氣,集合平均將其過度平滑掉了,選出的最優集合成員在位置和強度上更接近實況,但范圍較實況仍然較小。

圖4　ECMWF在東亞地區的溫度分布(單位:℃)　　a.6月17日選出的最優集合成員24 h預報;b.6月17日集合平均的24 h預報;c.6月17日實況;d.6月18日選出的最優集合成員24 h預報;e.6月18日集合平均的24 h預報;f.6月18日實況;g.6月28日選出的最優集合成員24 h預報;h.6月28日集合平均的24 h預報;i.6月28日實況Fig.4　ECMWF temperature geographical distribution in East Asia(units:℃)　　a.Predicted better members’ mean on June 17;b.Ensemble mean on June 17;c.Predicted better members’ mean on June 18;d.Ensemble mean on June 18;e.Predicted better members’ mean on June 28;f.Ensemble mean on June 28

32個集合預報系統的預報結果對比

圖5給出了2007年6月8日—8月31日UKMO和ECMWF 24 h預報結果在東亞區域的最優(最差)成員排名情況。可以看出,ECMWF的預報效果要優于UKMO。圖6給出了ECMWF和UKMO總體平均的均方根誤差對比。從中可以看出,無論是實際最優的5個成員的集合平均,還是選出來的5個最優集合成員的集合平均和總成員的集合平均,ECMWF的預報效果均好于UKMO的預報效果。為了進一步說明問題,圖7給出了ECMWF和UKMO利用集合成員優選方法預報效果最好和最差時刻的溫度差值地理分布。對比圖7a、b可以看出,ECMWF的預報結果偏差小,優于UKMO。對比圖7c、d,盡管ECMWF的預報結果在我國新疆出現了8 ℃以上的偏差,但是總體上ECMWF的預報偏差小于UKMO的結果。這也進一步證明了在本文所選取的時間與區域內,ECMWF的系統偏差小于UKMO。

圖6　2007年6月8日—8月31日UKMO和ECMWF東亞區域24 h預報的均方根誤差(單位:℃)Fig.6　The root mean square error of UK Met Office and ECMWF at forecast length of 24 h in East Asia from June 8 to August 31,2007(units:℃)

圖7　ECMWF和UKMO最優和最差成員在東亞區域24 h預報的溫度偏差個例(單位:℃)　　a.2007年8月23日ECMWF最優成員;b.2007年7月18日UKMO最優成員;c.2007年6月16日ECMWF最差成員;d.2007年6月12日UKMO最差成員Fig.7　The temperature deviation of predicted better members’ and worse members’ mean of ECMWF and UKMO in East Asia for 24 h length forecast(units:℃)　　a.Predicted better members’ mean of ECMWF on August 23,2007;b.Predicted better members’ mean of UKMO on July 18,2007;c.Predicted worse members’ mean of ECMWF on June 16,2007;d.Predicted worse members’ mean of UKMO on June 12,2007

4結論與討論

1)最優集合成員的預報技巧多數都優于集合預報系統的總成員平均和最差成員。隨著預報時效的延長,該方法的性能有所降低。預報均方根誤差顯示,最優集合成員的預報技巧優于最差成員和總成員平均。

2)對比最優集合成員、集合平均和天氣實況的地理分布,發現最優集合成員相對于集合平均更接近天氣實況,這是由于集合平均平滑了許多可能出現的極端天氣,最優集合成員更有利于預報災害性天氣。

3)對比ECMWF和UKMO的預報結果,發現ECMWF表現更好。而均方根誤差的地理分布顯示ECMWF的集合預報系統要優于UKMO。此外,集合預報的系統誤差越小,選出最優(最差)成員的效果越好。

通過以上分析,在做短期預報(尤其是夏季等強對流天氣旺盛的季節)的時候可以挑選出幾個預報技巧較高的集合成員做,這對災害性天氣的預警及防災減災都具有積極的意義。該方法也適用于其他連續性要素,如高度場、風場等。

參考文獻(References)：

崔慧慧,智協飛.2013.基于TIGGE資料的地面氣溫延伸期多模式集成預報[J].大氣科學學報,36(2):165-173.Cui Huihui,Zhi Xiefei.2013.Multi-model ensemble forecasts of surface air temperature in the extended range using the TIGGE dataset[J].Trans Atmos Sci,36(2):165-173.

杜鈞,陳靜.2010.單一值預報向概率預報轉變的基礎:談談集合預報及其帶來的變革[J].氣象,36(11):1-11.Du Jun,Chen Jing.2010.The corner stone in facilitating the transition from deterministic to probabilistic forecasts:Ensemble forecasting and its impact on numerical weather prediction[J].Meteor Mon,36(11):1-11.

Du J,Zhou B B.2010.A dynamical performance-ranking method for predicting individual ensemble member performance and its application to ensemble averaging[J].Mon Wea Rev,139:3284-3303.

段明鏗,王盤興.2004.集合預報方法研究及應用進展綜述[J].南京氣象學院學報,27(2):279-288.Duan Mingkeng,Wang Panxing.2004.Advances in Researches and Applications of Ensemble Prediction[J].J Nanjing Inst Meteor,27(2):279-288.

Eckel F A,Walters M K.1998.Calibrated probabilistic quantitative precipitation forecasts based on the MRF ensemble[J].Wea Forecasting,13:1132-1147.

Greybush S J,Haupt S E,Young G S.2008.The regime dependence of optimally weighted ensemble model consensus forecasts of surface temperature[J].Wea Forecasting,23:1146-1161.

Hamill T M,Whitaker J S,Mullen S L.2006.Reforecasts:An important dataset for improving weather predictions[J].Bull Amer Meteor Soc,87:33-46.

李佰平,智協飛.2012.ECMWF模式地面氣溫預報的四種誤差訂正方法的比較研究[J].氣象,38(8):897-902.Li Baiping,Zhi Xiefei.2012.Comparative study of four correction schemes of the ECMWF surface temperature forecasts[J].Meteor Mon,38(8):897-902.

林春澤,智協飛,韓艷,等.2009.基于TIGGE資料的地面氣溫多模式超級集合預報[J].應用氣象學報,20(6):706-712.Lin Chunze,Zhi Xiefei,Han Yan,et al.2009.Multi-model superensemble forecasts of the surface temperature using the TIGGE data[J].J Appl Meteor Sci,20(6):706-712.

Pena M,Van den Dool H.2008.Consolidation of multi-model forecasts by ridge regression:Application to Pacific sea surface temperature[J].J Climate,21:6521-6538.

Raftery A E T,Balabdaoui F,Polakowski M.2005.Using Bayesian model averaging to calibrate forecast ensembles[J].Mon Wea Rev,133:1155-1174.

Stensrud D J,Yussouf N.2003.Short-range ensemble predictions of 2 m temperature and dewpoint temperature over New England[J].Mon Wea Rev,131:2510-2524.

Toth Z,Kalney E.1993.Ensemble forecasting at NMC:The generation of perturbations[J].Bull Amer Meteor Soc,74(12):2317-2330.

Toth Z,Kalney E.1997.Ensemble forecasting at NCEP and the breed method[J].Mon Wea Rev,125(12):3297-3319.

王亞男,智協飛.2012.多模式降水集合預報的統計降尺度研究[J].暴雨災害,31(1):1-7.Wang Yanan,Zhi Xiefei.2012.Statistical downscaling of the precipiation multimodel ensemble forecast[J].Torrential Rain and Disasters,31(1):1-7.

智協飛,陳雯.2010.THORPEX國際科學研究新進展[J].大氣科學學報,33(4):504-511.Zhi Xiefei,Chen Wen.2010.New achievements of international atmospheric research in THORPEX program[J].Trans Atmos Sci,33(4):504-511.

智協飛,林春澤,白永清,等.2009.北半球中緯度地區地面氣溫的超級集合預報[J].氣象科學,29(5):569-574.Zhi Xiefei,Lin Chunze,Bai Yongqing,et al.2009.Super ensemble forecasts of the surface temperature in Northern Hemisphere middle latitudes[J]. Scientia Meteorologica Sinica,29(5):569-574.

(責任編輯：張福穎)

A ranking method for selecting good and bad ensemble forecast members based on TIGGE dataset

BI Xiao-xiao1,2,ZHI Xie-fei1,LIN Chun-ze3

(1.Key Laboratory of Meteorological Disaster(NUIST),Ministry of Education,NUIST,Nanjing 210044,China; 2.JiLin Meteorological Observatory,Changchun 130062,China; 3.Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research,WHIHR,CMA,Wuhan 430074,China)

Abstract:This study uses a ranking method to select some good and bad ensemble members from ensemble forecasts of the 2 m temperature above the ground in East Asia provided by European Centre for Medium-range Weather Forecasts(ECMWF) and United Kingdom Met Office(UKMO).The ensemble forecast products are taken from TIGGE archive for the period from June 8, 2007 to August 31,2007.The results show that the optimal selection method may reasonably select the ensemble members with higher and lower forecast skills for 24—96 h forecasts.Case study shows that the ensemble mean forecast of the optimally selected ensemble members may predict the extreme temperature quite well,and it performs better than the ensemble mean of all ensemble members.The forecast skill of the ECMWF ensemble forecast is higher than that of UKMO forecast in terms of the root-mean-square errors of the surface air temperature forecasts.

Key words:TIGGE dataset;ensemble mean;optimally selected ensemble members;root-mean-square error

doi：10.13878/j.cnki.dqkxxb.20130314004

文章編號：1674-7097(2015)03-0414-07

中圖分類號：P456.7

文獻標志碼：A

通信作者：智協飛,博士,教授,博士生導師,研究方向為季風動力學、短期氣候預測,zhi@nuist.edu.cn.

基金項目:公益性行業(氣象)科研專項(GYHY200906009);江蘇高校優勢學科建設工程資助項目(PAPD)

收稿日期：2013-03-14；改回日期：2013-05-10

畢瀟瀟,智協飛,林春澤.2015.基于TIGGE資料的集合成員優選方法[J].大氣科學學報,38(3):414-420.doi：10.13878/j.cnki.dqkxxb.20130314004.

Bi Xiao-xiao,Zhi Xie-fei,Lin Chun-ze.2015.A ranking method for selecting good and bad ensemble forecast members based on TIGGE dataset[J].Trans Atmos Sci,38(3):414-420.(in Chinese).