B08RDP區域集合預報溫度場質量評估與綜合偏差訂正

馬旭林,周勃旸,時洋②,計燕霞,和杰

?

B08RDP區域集合預報溫度場質量評估與綜合偏差訂正

馬旭林①*,周勃旸①,時洋①②,計燕霞①,和杰①

① 南京信息工程大學 氣象災害教育部重點實驗室,江蘇 南京 210044;

② 廣東省氣象臺,廣東 廣州 510080

2014-11-24收稿，2015-06-21接受

國家自然科學基金資助項目(41275111;91437113);公益性行業(氣象)科研專項(GYHY201506005)

針對B08RDP(The Beijing 2008 Olympics Research and Development Project)5套區域集合預報資料,系統分析了各套集合預報溫度場的預報質量。在此基礎上運用集合預報的綜合偏差訂正方法對溫度場進行偏差訂正,并對其效果進行了分析討論。結果顯示:5套B08RDP區域集合預報中,美國國家環境預報中心(NCEP)區域集合預報溫度場的整體預報質量最高,平均預報誤差最小,離散度也最為合理,預報可信度和可辨識度均較優;而中國氣象科學研究院(CAMS)的溫度預報誤差過大,預報質量最差。整體上看,除NCEP之外的4套集合預報的溫度場均存在集合離散度偏小的問題;綜合偏差訂正能有效減小各集合預報溫度場的集合平均均方根誤差,改善集合離散度的質量,顯示出綜合偏差訂正方案對集合預報溫度場偏差訂正的良好能力。

數值預報

集合預報

偏差訂正

質量評估

B08RDP

數值預報模式及其初始場的不確定性,導致非線性運動大氣的確定性預報技巧受到限制。集合預報能夠較好地反映實際大氣運動不確定性特征,有效彌補了確定性預報的不足,已成為提高預報準確性的有效方式,既是概率預報的基礎(智協飛等,2014a),也是目前集合——變分混合資料同化的前提(馬旭林等,2014)。集合預報的關鍵問題之一是集合初始擾動的構造,主要包括基于初值或模式不確定性的構造方案。前者主要有歐洲中期天氣預報中心(ECMWF)的集合同化——奇異向量法、美國環境預報中心(NCEP)的重新尺度化集合變換法(ETR,Ensemble Transform with Rescaling)和加拿大氣象中心的集合卡爾曼濾波法(EnKF),以及基于集合卡爾曼理論發展的集合卡爾曼變換(ETKF)初始擾動方法(Wang and Bishop,2003;馬旭林等,2008;Ma et al.,2009)等;后者通?？煞譃閱文Ｊ蕉辔锢磉^程、多模式單物理過程以及多模式多物理過程(超級集合預報)等,其中超級集合預報方法的預報效果多優于單模式和多模式的集合平均(Krishnamurti et al.,2007;智協飛等,2013;崔慧慧和智協飛,2013)。

由于全球集合預報分辨率較低,難以有效捕獲中小尺度天氣系統的信息,從而具有較高分辨率的區域集合預報得到了快速發展(Bowler et al.,2009),并在數值天氣預報業務中得到廣泛應用。如NCEP早期采用增長模繁殖法構造初始擾動的短時區域集合預報系統(Du et al.,2003),目前由基于ETR方法的NCEP全球集合預報提供邊界條件(麻巨慧等,2011),并考慮了模式不確定性(Du et al.,2006)。由ECMWF全球集合預報降尺度構造的COSMO-LEPS區域集合預報系統也具有較好的預報性能(Marsigli et al.,2008)。加拿大采用集合卡爾曼濾波(EnKF)方法發展了區域集合預報系統,并對不同的對流凝結參數和次網格尺度物理傾向進行隨機擾動(Li et al.,2008;Charron et al.,2010)。英國氣象局則由ETKF初始擾動的全球集合預報降尺度形成了區域集合預報系統MOGREPS(The Met Office Global and Regional Ensemble Prediction System),同時使用隨機對流渦度考慮次網格不確定性(Bowler et al.,2009)?；诔叨然旌戏椒?Wang et al.,2010,2014)構造的奧地利區域集合預報系統(Wang et al.,2011),將全球集合預報大尺度擾動信息與區域集合預報的中小尺度信息相結合,較好地反映了實際大氣多尺度的不確定性特征,也有效改善了預報性能。日本氣象廳則在非靜力模式的基礎上利用奇異向量法作為初始擾動方案建立了區域集合預報系統(Saito et al.,2006),也表現出良好的效果。

2008年為北京奧運會提供支撐的B08RDP(The Beijing 2008 Olympics Research and Development Project)項目(Duan et al.,2012)集中了6個預報中心的區域集合預報系統制作同一時間、相同區域的中尺度集合預報,其中客觀評估各中心區域集合預報的整體預報質量和比較其預報性能是B08RDP項目的主要目標之一(Duan et al.,2012)。集合預報質量評估已開展了諸多研究(智協飛等,2014b),但評估物理量多選取海平面氣壓、500 hPa高度場或2 m溫度等(Johnson and Swinbank,2009;Alexander et al.,2009),較少關注對流層低層的集合預報質量。對于區域集合預報,對流層低層的溫度、位勢高度以及濕度等對中小尺度天氣系統的發生發展通常起著關鍵作用,也是反映區域集合預報性能的重要方面。因此,本文利用B08RDP項目的區域集合預報資料,首先對反映集合預報整體質量的對流層低層(850 hPa)溫度預報質量進行多角度評估分析。然后,運用基于自適應卡爾曼濾波的遞減平均方法(Du et al.,2007;Cui et al.,2012;馬旭林等,2015),分別對各套集合預報的溫度變量進行綜合偏差訂正,合理調整集合平均預報誤差和集合離散度,進一步改善區域集合預報的整體質量,為實際預報業務中更好的應用區域集合預報產品提供參考。

1　B08RDP區域集合預報資料

B08RDP項目是中國氣象局為2008年北京奧運會的成功舉辦提供天氣預報支持,充分發揮多個集合預報中心的區域集合預報的優勢,提高天氣預報準確性而建立的聯合項目。該項目共有國家氣象中心(NMC)、中國氣象科學院(CAMS)、美國國家環境預報中心(NCEP)、日本氣象廳(JMA)氣象研究所、奧地利氣象局(ZAMG)、加拿大環境部數值預報研究中心等6家單位組成。其中,CAMS使用我國自行研發的非靜力中尺度全球/區域同化預報系統GRAPES(陳德輝等,2008;馬旭林等,2009)作為集合預報的預報模式,而NMC使用WRF作為區域集合預報模式,二者的初始擾動構造方案同為增長模繁殖法,邊界條件均由NCEP全球ETR初始擾動集合預報提供,同時采用多積云對流參數、邊界層及陸面過程方案構造模式擾動。其他中心的區域集合預報系統的配置參考文獻Duan et al.(2012)。

因加拿大環境部數值預報中心的資料不完整,研究中只選取B08RDP項目中其余5套區域集合預報850 hPa溫度場資料進行預報質量的評估分析和綜合偏差訂正,并考察偏差訂正后各集合預報質量的改善程度。NMC的集合擾動成員數為15個,CAMS為9個,NCEP、JMA和ZAMG分別為15、11和17個集合擾動成員。共同的預報區域為(90～140°E,25～50°N),模式分辨率為15 km,預報時效為36 h,時間間隔為6 h。資料的時間長度為2008年6月24日—8月24日,共62 d。檢驗分析資料為ECMWF高分辨率再分析資料,其分辨率與資料區域均與集合預報資料一致。

2　質量評估

集合預報的質量主要可以從預報可靠性及預報可辨識度兩個方面衡量。預報可靠性用來評價集合預報對不同預報概率對應的觀測頻率無偏估計的能力,主要反映集合預報與相應觀測在統計學上的一致性(Wilks,2006),可用集合平均均方根誤差(RMSE)、可信度曲線以及Talagrand分布等評價;而集合預報可辨識度是指集合預報區分未來不同天氣事件的能力,一般采用可信度曲線、ROC(Relative Operating Characteristic)曲線等進行評價。

圖1　850 hPa溫度集合預報的RMSE(a)和r比值(b)Fig.1　The (a)RMSE and (b)r scores of temperature at 850 hPa for the five sets of ensemble forecasts

2.1集合預報可信度

RMSE可以用來對比各集合預報的預報準確性,即衡量集合平均的預報可靠性。圖1a為5套集合預報資料的850 hPa溫度場集合平均均方誤差在36 h預報時效內的分布?？梢钥闯?CAMS與NMC兩套資料的RMSE較大,而JMA、NCEP、ZAMG三套資料則相對較小,其中CAMS的6 h集合平均預報偏差約為ZAMG的5倍,說明不同中心的集合平均預報的可靠性具有明顯的差異。另外,CAMS的RMSE幾乎是NMC近兩倍,而CAMS與NMC兩套集合預報除預報模式不同、集合成員數略有差異之外,其余集合預報系統特征均一致,可以說明集合預報中預報模式和集合成員數對集合預報平均的可靠性具有重要影響。

本次研究得出，在條件允許的情況下盡量應用多種方法聯用進行診斷，以減少偽影干擾及患者個人病癥發展狀況對診斷的影響，而MRI結合MRA的篩查方案價格可能對于部分患者來說，存在一定的經濟負擔，此外，患者圖像的判斷也需要醫師的經驗，所以應盡可能選擇經驗較為豐富的醫師進行圖像分析，以保證診斷的準確性。

集合離散度主要反映集合成員描述實際大氣運動狀態不確定性的能力,理論上其量值應與集合平均預報誤差相當。r是集合平均的預報誤差(RMSE)與集合離散度(spread)的比值,可用來衡量集合離散度相對于集合平均預報誤差的合理程度,理想情況下r為1。比較5套集合預報資料的850 hPa溫度場r評分(圖1b)可知,NCEP的集合離散度最為合理,6～36 h預報的r均位于1附近,而其余集合預報均明顯大于1,尤其CAMS更為顯著。這說明,除NCEP的集合預報外,其余集合預報的集合離散度均顯著偏小。另外,CAMS、NMC和JMA集合預報的r值隨著預報時間的增加有明顯減小的趨勢,而RMSE(圖1a)并未有相應的顯著增長或下降,說明這三套集合預報的集合離散度隨預報時間的增加有增大趨勢,顯示出集合預報的不確定性越來越大,但仍未能反映實際大氣運動的不確定性特征大小的程度。另外也反映出,這三個中心的集合預報平均預報偏差過大,可能主要與預報模式性能或模式初值的質量相關。

Talagrand圖主要用來評價集合離散度代表觀測不確定性的程度,即評估集合成員與觀測之間的一致性(Wilks,2006)。Talagrand通過統計觀測落在由大到小排列的集合成員區間內的頻率而獲得,理想的集合預報各集合成員與觀測滿足一致性條件,所有次序統計值相同(圖中橫直線),呈水平均一形態。圖2為5套集合預報資料的Talagrand分布,圖中橫坐標的區間數與各自不同的集合成員數相對應。由圖可知,NCEP集合預報各成員之間基本呈水平分布,相對為最優;ZAMG與JMA各集合成員間過于相似且不同于觀測值,呈明顯的U型分布,說明集合離散度偏小,不能代表實際觀測的不確定性特征;而CAMS則呈L型,表明預報值偏大,使得觀測值時常處于最小次序的位置,同時離散度偏小,在預報質量上則具有顯著的高溫預報偏差,即空報較多;NMC的U型分布也有一定的高溫預報偏差。

圖2　5組集合預報的850 hPa溫度24 h預報的 Talagrand分布　　a.NCEP;b.ZAMG;c.JMA;d.CAMS;e.NMCFig.2　Talagrand distribution for the 850-hPa 24-h temperature forecast of the five sets of ensemble forecasts:(a)NCEP;(b)ZAMG;(c)JMA;(d)CAMS;(e)NMC

2.2預報可辨識度

ROC曲線是不同檢驗閾值的命中率與誤報率對應各點的連線,該曲線以下覆蓋的面積稱為ROC面積,代表集合預報區分未來不同天氣事件能力的大小。理想集合預報的ROC曲線由x=0和y=1組成,對應的面積為1。對于實際的集合預報,ROC面積愈接近于1,說明該集合預報區分天氣事件的能力就越好。通過對比12 h預報的850 hPa溫度的ROC曲線的形態和ROC面積(圖3a)可見,NCEP與ZAMG的ROC面積較大,分別達到0.94和0.95,說明二者對未來不同天氣事件的區分能力較優;而JMA與NMC的ROC面積分別僅為0.89和0.80,CAMS的ROC面積更低至0.65,反映了這些集合預報相對較低的區分未來不同天氣事件的能力。對于24 h預報(圖3b)而言,ZAMG、NCEP和JMA的ROC面積均在0.90以上,具有同12 h預報接近的質量。NMC的則為0.83,比12 h預報略有升高,而CAMS的預報能力依然最差。從ROC面積指標來看,無論12 h還是24 h的區域集合預報,NMC和CAMS對未來不同天氣事件的區分能力相對于其他三者都明顯偏低。

2.3綜合評分

圖3　850 hPa溫度集合預報的ROC評分　　a.12 h預報;b.24 h預報Fig.3　ROC curves for the 850-hPa temperature forecasts of five sets of ensemble forecasts:(a)12 h;(b)24 h

圖4　850 hPa溫度集合預報的可信度　　a.12 h預報;b.24 h預報Fig.4　Reliability diagram for the 850-hPa temperature forecasts of five sets of ensemble forecasts:(a)12 h;(b)24 h

可信度曲線為綜合評價集合預報可信度(reliability)和可辨識度(resolution)的綜合反映,是通過對不同檢驗閾值的預報概率分類中觀測事件發生的相對頻率進行統計而得到的結果(Hartmann et al.,2002)。理想的預報概率與觀測事件的頻率相同,此時可信度曲線為x=y的對角線。從5個中心集合預報溫度降溫2 ℃預報的可信度曲線(圖4)來看,無論12 h(圖4a)還是24 h(圖4b)預報,NCEP集合預報的可信度曲線總體上穩定處于對角線附近兩側,顯示出較高質量的預報可信度與可辨識度,只是24 h預報中在低預報概率(0～0.4)區間的預報概率略大于觀測頻率,導致可辨識度略低;從JMA的可信度曲線可以發現,其24 h預報的可信度曲線分布優于12 h預報,基本上與NCEP的預報可信度和可辨識度相當。說明隨著預報時間的延長,集合預報的可信度和可辨識度的變化與預報模式的性能具有重要的關系;ZAMG的可信度曲線顯示,在兩個預報時效內其在中高預報概率區間的預報值均偏大,且可信度曲線中間部分斜率偏小,可辨識度偏低;CAMS的可信度曲線分布明顯偏離x=y的對角線,說明其在整個預報概率分布區間內的預報可辨識度均較差。尤其在24 h預報中都呈現預報概率遠低于觀測頻率,說明其預報值顯著小于實際觀測值,類似的情形也出現在NMC的中低預報概率(0～0.5)區間。

3　綜合偏差訂正

理想集合預報的集合平均預報誤差為零,集合離散度能夠合理表征實際大氣運動的不確定性特征。由于數值預報模式存在預報偏差,很大程度上導致了集合預報的偏差;另外,初始擾動構造方案的不盡合理也通常會造成集合離散度偏低,這都會限制集合預報的整體性能。因此,在業務應用前,一般都會對集合預報進行偏差訂正和離散度的合理調整。本文采用基于卡爾曼濾波的遞減平均后驗訂正的綜合偏差訂正方法(馬旭林等,2015),對5套集合預報進行偏差訂正,以改善其整體質量,提高應用能力。

3.1綜合偏差訂正方案

集合預報的綜合偏差訂正包括一階矩及二階矩訂正,其中一階矩偏差訂正是訂正集合平均預報偏差以增加預報可靠性,二階矩訂正通過改善集合預報概率密度函數與觀測值的概率分布一致性,實現集合離散度的調整。綜合偏差訂正則是在一階矩訂正的基礎上加入二階矩訂正,先后調整集合預報偏差和集合離散度,以改善集合預報質量。因綜合偏差訂正方案中的一階矩與二階矩偏差訂正相互獨立并先后進行,故單獨試驗的最優權重系數適用于綜合偏差訂正。

由于B08RDP項目資料時長的限制,試驗中選取20 d的集合預報作為一階矩和二階矩訂正的訓練資料。綜合偏差訂正共分為兩步:首先進行一階矩偏差訂正以去除集合平均預報偏差;然后使用一階矩偏差訂正后的集合平均預報誤差調整集合離散度。綜合偏差訂正方案的詳細說明請參見馬旭林等(2015)文獻。

圖5　850 hPa溫度集合預報訂正前(虛線)、后(實線)的RMSE(a)和r比值(b)Fig.5　The (a)RMSE and (b)r scores for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC

3.2綜合偏差訂正效果

圖6　850 hPa溫度24 h集合預報偏差訂正前(灰色)、后(黑色)的Talagrand分布a.NCEP;b.ZAMG;c.JMA;d.CAMS;e.NMCFig.6　Talagrand distribution for the 850-hPa temperature at 24 h of five sets of ensemble forecasts without(gray bars) and with(black bars) BC:(a)NCEP;(b)ZAMG;(c)JMA;(d)CAMS;(e)NMC

圖5為各中心集合預報綜合訂正前后850 hPa溫度預報的RMSE和r的分布。各中心集合預報訂正后(實線)的RMSE評分均較訂正前(虛線)評分更優(圖5a),說明綜合偏差訂正能夠有效減小集合平均預報偏差。特別是,訂正前集合平均預報偏差越大,其訂正效果更加顯著。其中,CAMS集合預報平均偏差減小134.3%,而偏差較小的NCEP集合預報也減小了8.2%。綜合偏差訂正后的CAMS集合平均預報偏差仍明顯大于其他集合預報,這也說明若集合預報平均偏差過大,綜合偏差訂正也僅能起到一定程度的改善,并不能完全去除。訂正后各集合預報的r曲線均位于1附近(圖5b),表明綜合偏差訂正對集合離散度的調整效果較為明顯。進一步分析可知,綜合偏差訂正對NCEP的集合離散度調整幅度最小,而對CAMS的調整幅度最大,這也顯示出NCEP的集合預報相對于CAMS而言具有更高的質量。

由Talagrand分布(圖6)可以看出,訂正后各中心集合預報更趨于水平均勻分布,各次序統計值也與理想Talagrand評分(圖中橫直線)更加接近。ZAMG與JMA的集合預報訂正前的U型分布消失,兩邊次序統計值減小而中間各次序統計值增加,更接近于理想Talagrand分布;CAMS的高溫預報偏差基本去除,NMC的U型也消失,高溫預報偏差也基本去除。由于NCEP集合預報訂正前的Talagrand分布較較為合理,訂正后的調整并不顯著。綜上,綜合偏差訂正對于集合預報離散度的調整以及預報偏差的消除都具有較為明顯的效果。

對比綜合偏差訂正前(虛線)后(實線)各中心850 hPa溫度預報降溫2 ℃時的ROC評分(圖7)可以看出,綜合偏差訂正后,各集合預報的ROC面積均有不同程度的增加,表明綜合偏差訂正對于集合預報可辨識度的正向調整作用顯著。盡管訂正后各中心集合預報的ROC面積仍然差異較大,這很大程度上與訂正前集合預報的質量不同有直接關系。其中訂正效果最明顯的為CAMS的集合預報,其12 h和24 h降溫預報的ROC面積增長幅度分別達到33.8%(圖7a)與29.4%(圖7b),而對于訂正前ROC面積較優的JMA、NCEP與ZAMG,訂正后的ROC面積增長幅度則相對較小。也就是說,對于質量較差的集合預報,綜合偏差訂正的效果尤佳。

圖8顯示,12 h(圖8a)和24 h(圖8b)的CAMS和NMC的集合預報訂正后的可信度曲線明顯更接近對角線,較訂正前預報值偏小的情況得到了明顯改善,其中24 h的NMC集合預報,訂正前中低預報概率(0～0.6)事件的預報值偏大的情況在訂正后也得到了一定得緩解;同樣地,訂正后的NCEP、ZAMG與JMA集合預報的可信度曲線均更靠近對角線,其預報可信度和可辨識度均有不同程度的提高。

圖7　850 hPa溫度集合預報偏差訂正前(虛線)后(實線)的ROC評分　　a.12 h預報;b.24 h預報Fig.7　ROC curves for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC:(a)12 h;(b)24 h

圖8　850 hPa溫度集合預報偏差訂正前(虛線)后(實線)的可信度評分　　a.12 h預報;b.24 h預報Fig.8　Reliability diagrams for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC:(a)12 h;(b)24 h

綜上,綜合偏差訂正不僅可以減小集合平均預報偏差,而且還能有效地調整集合離散度,進而改善集合預報的可信度與可辨識度,綜合提高了集合預報的整體質量。值得注意的是,綜合偏差訂正對于質量較好的NCEP區域集合預報的訂正效果較小(特別是離散度的調整),而對預報質量欠佳的CAMS和NMC集合預報的訂正效果則較為明顯,尤其是集合平均預報偏差的訂正更加有效;對于ZAMG與JMA兩套資料而言,綜合偏差訂正對其集合離散度和預報可辨識度的調整效果均較顯著。

4　結論

本文從多個角度評估分析了B08RDP項目中5套集合預報的質量,在此基礎上采用綜合偏差訂正方法進行綜合偏差訂正,并對其效果進行了討論。

1)5套B08RDP集合預報資料中,NCEP集合預報的平均預報偏差最小,離散度最為合理,預報可信度以及可辨識度均較好,整體預報質量為最高;CAMS集合預報存在的預報偏差明顯偏大,整體性能最弱,這應該與數值預報模式的性能有一定的關系;

2)從整體上看,集合離散度偏小是除NCEP之外的4套集合預報普遍存在的問題;

3)綜合偏差訂正方法能夠有效地減小各集合預報的集合平均偏差,集合離散度的質量也有明顯提高,較好地改善了離散度普遍偏小的問題,顯示出綜合偏差訂正方法具有改善集合預報整體質量的良好能力。

References)

Alexander K,Christoph W,Yong W,et al.,2009.Calibrating 2-m temperature of limited-area ensemble forecasts using high-resolution analysis[J].Mon Wea Rev,137(10):3373-3387.

Bakhshaii A,Stull R,2009.Deterministic ensemble forecasts using gene-expression programming[J].Wea Forecasting,24(5):1431-1451.

Bowler N E,Mylne K R,Robertson K B,et al.,2009.The MOGREPS short-range ensemble prediction system[J].Quart J Roy Meteor Soc,134(632):703-722.

Charron M,Pellerin G,Spacek L,et al.,2010.Toward random sampling of model error in the Canadian ensemble prediction system[J].Mon Wea Rev,138(5):1877-1901.

陳德輝,薛紀善,楊學勝,等,2008.GRAPES新一代全球/區域多尺度統一數值預報模式總體設計研究[J].科學通報,53(20):2396-2407.Chen D H,Xue J S,Yang X S,et al.,2008.New generation of multi-scale NWP system GRAPES:General scientific design[J].Chinese Science Bulletin,53(20):2396-2407.(in Chinese).

Cui B,Toth Z,Zhu Y,et al.,2006.The trade-off in bias correction between using the latest analysis/modeling system with a short,versus an older system with a long archive[C]//The First THORPEX International Science Symposium.Montreal,Canada,World Meteorological Organization:281-284.

Cui B,Toth Z,Zhu Y,et al.,2012.Bias correction for global ensemble forecast[J].Wea Forecasting,27(2):396-410.

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 H H,Zhi X F,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.(in Chinese).

杜鈞,2002.集合預報的現狀和前景[J].應用氣象學報,13(1):16-28.Du J,2002.Present situation and prospects of ensemble numerical prediction[J].J Appl Meteor Sci,13(1):16-28.(in Chinese).

Du J,Dimego G,Tracton M S,et al.,2003.NCEP short-range ensemble forecasting(SREF) system:Multi-IC,multi-model and multi-physics approach[C]//Research Activities in Atmospheric and Oceanic Modeling.Washington:NCEP.

Du J,McQueen J,DiMego G,et al.,2006.New dimension of NCEP SREF system:Inclusion of WRF members[R]//Report to WMO Export Team Meeting on Ensemble Prediction System.Exeter,UK:WMO.

Du J,Dimego G,Toth Z,2007.Bias correction for the SREF at NCEP and beyond[C]//A discussion at the EMC Predictability Meeting.Washington:EMC.

Duan Y,Gong J,Du J,et al.,2012.An overview of the Beijing 2008 Olympics research and development project(B08RDP)[J].Bull Amer Meteor Soc,93(3):381-403.

Gneiting T,Raftery A E,Westyeld A H,et al.,2005.Calibrated probabilistic forecasting using ensemble model output statistics and minimum CRPS estimation[J].Mon Wea Rev,133(5):1098-1118.

Hartmann H C,Pagano T C,Sorooshiam S,et al.,2002.Confidence builder:Evaluating seasonal climate forecasts from user perspectives[J].Bull Amer Met Soc,83(5):683-698.

Johnson C,Swinbank R,2009.Medium-range multi-model ensemble combination and calibration[J].Quart J Roy Meteor Soc,135(640):777-794.

Krishnamurti T N,Gnanaseelan C,Chakraborty A,2007.Prediction of the diurnal change using a multimodel superensemble.Part I:Precipitation[J].Mon Wea Rev,135(10):3613-3632.

李莉,李應林,田華,等,2011.T213全球集合預報系統性誤差訂正研究[J].氣象,37(1):31-38.Li L,Li Y L,T H,et al.,2011.Study of bias-correction in T213 global ensemble forecast[J].Meteor Mon,37(1):31-38.(in Chinese).

Li X,Charron M,Spacek L,et al.,2008.A regional ensemble prediction system based on moist targeted singular vectors and stochastic parameter perturbations[J].Mon Wea Rev,136(2):443-462.

麻巨慧,朱躍建,王盤興,等,2011.NCEP、ECMWF及CMC全球集合預報業務系統發展綜述[J].大氣科學學報,34(3):370-380.Ma J H,Zhu Y J,Wang P X,et al.,2011.A review on the developments of NCEP,ECMWF and CMC global ensemble forecast system[J].Trans Atmos Sci,34(3):370-380.(in Chinese).

馬旭林,薛紀善,陸維松,2008.GRAPES全球集合預報的集合卡爾曼變換初始擾動方案初步研究[J].氣象學報,66(4):526-536.Ma X L,Xue J S,Lu W S,2008.Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction[J].Acta Meteorologica Sinica,66(4):526-536.(in Chinese).

馬旭林,莊照榮,薛紀善,等,2009.GRAPES非靜力數值預報模式的三維變分資料同化系統的發展[J].氣象學報,67(1):50-60.Ma X L,Zhuang Z R,Xue J S,et al.,2009.Development of 3D Variational data assimilation system for the nonhydrostatic numerical weather prediction model-GRAPES[J].Acta Meteorologica Sinica,67(1):50-60.(in Chinese).

Ma X,Xue J,Lu W,2009.Study on ETKF-based initial perturbation scheme for GRAPES global ensemble prediction[J].Acta Meteorologica Sinica,23(5):562-574.

馬旭林,陸續,于月明,等,2014.數值天氣預報中集合-變分混合資料同化及其研究進展[J].熱帶氣象學報,30(6):1188-1195.Ma X L,Lu X,Yu Y M,et al.,2014.Progress on hybrid ensemble-variational data assimilation in numerical weather prediction[J].J Trop Meteor,30(6):1188-1195.(in Chinese).

馬旭林,時洋,和杰,等,2015.基于卡爾曼濾波遞減平均算法的集合預報綜合偏差訂正[J].氣象學報,73(5):952-964.Ma X L,Shi Y,He J,et al.,2015.The combined descending averaging bias correction based on the Kalman filter ensemble forecast[J].Acta Meteorologica Sinica,73(5):952-964.(in Chinese).

Marsigli C,Montani A,Paccagnella T,2008.A spatial verification method applied to the evaluation of high-resolution ensemble forecasts[J].Meteorol Appl,15(1):125-143.

Raftery A E,Gneiting T,Balabdaoui F,et al.,2005.Using Bayesian model averaging to calibrate forecast ensembles[J].Mon Wea Rev,133(5):1155-1174.

Saito K,Fujita T,Yamada Y,et al.,2006.The operational JMA nonhydrostatic mesoscale model[J].Mon Wea Rev,134(4):1266-1298.

Toth Z,Talagrand O,Candille G,et al.,2003.Probability and ensemble forecasts.Forecast verification:A practitioner’s guide in atmospheric science[R]//John Wiley and Sons.

Wang X,Bishop C H,2003.A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes[J].J Atmos Sci,60(9):1140-1158.

Wang Y,Bellus M,Geleyn J,et al.,2014.A new method for generating initial condition perturbations in a regional ensemble prediction system:Blending[J].Mon Wea Rev,142(5):2043-2059.

Wang Y,Bellus M,Wittmann C,et al.,2011.The central European limited-area ensemble forecasting system:ALADIN-LAEF[J].Quart J Roy Meteor Soc,137(655):483-502.

Wang Y,Kann A,Bellus M,et al.,2010.A strategy for perturbing surface initial conditions in LAMEPS[J].Atmos Sci Lett,11(2):108-113.

Wilks D S,2006.Statistical methods in the atmospheric sciences[M].San Diego:Academic Press of Elsevier:255-336.

智協飛,季曉東,張璟,等,2013.基于TIGGE資料的地面氣溫和降水的多模式集成預報[J].大氣科學學報,36(3):257-266.Zhi X F,Ji X D,Zhang J,et al.,2013.Multimodel ensemble forecasts of surface air temperature and precipitation using TIGGE datasets[J].Trans Atmos Sci,36(3):257-266.(in Chinese).

智協飛,李剛,彭婷,2014a.基于貝葉斯理論的單站地面氣溫的概率預報研究[J].大氣科學學報,37(6):740-748.Zhi X F,Li G,Peng T,2014a.On the probabilistic forecast of 2 meter temperature of a single station based on Bayesian theory [J].Trans Atmos Sci,37(6):740-748.(in Chinese).

智協飛,彭婷,李剛,等,2014b.多模式集成的概率天氣預報和氣候預測研究進展[J].大氣科學學報,37(2):248-256.Zhi X F,Peng T,Li G,et al.,2014b.Advances in multi-model ensemble probabilistic prediction[J].Trans Atmos Sci,37(2):248-256.(in Chinese).

Five sets of regional ensemble forecasts with lead times of 36 h over two months from 24 June 2008 to 24 August 2008 from the Beijing 2008 Olympics Research and Development Project(B08RDP) are evaluated and analyzed.This is firstly done by means of standard probabilistic verification scores,including root-mean-square error(RMSE),ensemble spread,talagrand diagrams,reliability,and ROC(Relative Operating Characteristic) curves.Then,to improve the forecast quality,a combined decaying averaging bias correction scheme(BC) is applied to the ensemble forecasts of B08RDP to reduce the bias in the ensemble mean and to adjust the improper spread of ensembles with sufficient performance evaluation.The BC scheme is designed based on the original Kalman filter.It contains the first moment bias correction,mainly for correcting the bias in the ensemble mean to improve the reliability of the ensemble forecasts,and the second moment bias correction mainly for adjusting the ensemble spread to make the ensemble forecasts fully representative of the uncertainties in the observations.Lastly,the BC scheme’s capacity is evaluated and discussed by means of the verification scores mentioned above.Temperatures at 850 hPa are corrected and verified in this study,wherein ECMWF reanalysis data are used as the reference for the verification.

The results show that,among the five sets of regional ensemble forecasts in B08RDP,the regional ensemble forecasts from NCEP possess the best forecast quality,with minimal bias,the most appropriate spread,and the best performance in terms of reliability,resolution and talagrand distributions.Meanwhile,the regional ensemble forecast from CAMS demonstrates the worst forecast quality,due to its largest forecast bias.On the whole,a relatively small spread is a common problem for several of the ensemble forecasts,except those from NCEP.In general,the combined bias correction scheme is proven to be efficient in reducing the RMSE of the ensemble mean,and in generating a more appropriate ensemble spread,for the five sets of ensemble forecasts,revealing its ability to improve the quality of ensemble forecasts,especially for ensemble forecasts of an already low quality.

numerical weather prediction;ensemble weather forecast;combined bias correction;performance evaluation;B08RDP

(責任編輯：孫寧)

Evaluation and combined bias correction on temperature forecast of regional ensemble prediction system of B08RDP

MA Xulin1,ZHOU Boyang1,SHI Yang1,2,JI Yanxia1,He Jie1

1KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME),NanjingUniversityofInformationScience&Technology,Nanjing210044,China;2GuangdongMeteorologicalObservatory,Guangzhou510080,China

10.13878/j.cnki.dqkxxb.20141124003

引用格式：馬旭林,周勃旸,時洋,等,2016.B08RDP區域集合預報溫度場質量評估與綜合偏差訂正[J].大氣科學學報,39(5):643-652.

Ma X L,Zhou B Y,Shi Y,et al.,2016.Evaluation and combined bias correction on temperature forecast of regional ensemble prediction system of B08RDP[J].Trans Atmos Sci,39(5):643-652.doi：10.13878/j.cnki.dqkxxb.20141124003.(in Chinese).

*聯系人，E-mail:xulinma@nuist.edu.cn