基于再分析尺度化因子的集合預報初值擾動對臺風煙花(2106)預報的影響*

岳 健 董 林 陳 靜 王婧卓 李紅祺

1 中國氣象局地球系統數值預報中心,北京 100081 2 國家氣象中心,北京 100081 3 災害天氣國家重點實驗室,北京 100081

提 要：為考察基于再分析尺度化因子的集合變換卡爾曼濾波(ETKF_R)初值擾動方案對臺風預報的影響,利用中國氣象局區域集合預報系統(CMA-REPS)開展了2021年7月18—29日的回算試驗,分析了初值擾動結構對登陸臺風煙花路徑和強度預報的影響,并與ECMWF和NCEP全球集合預報進行對比。結果顯示:ETKF_R方法改善了初始三維風場的擾動幅度和結構,但臺風初始位置和強度的離散度偏小;ETKF_R方法能合理降低對臺風路徑預報起關鍵作用的天氣系統的集合離散度,從而限制臺風移速和移向的過度發散,提高“煙花”全生命史的路徑集合平均預報技巧,并改善臺風路徑集合平均誤差與離散度關系;ETKF_R預報前24 h臺風結構和強度的離散度能快速增長,其24 h后臺風強度集合平均預報效果與ETKF方案基本相當;與國際先進的全球集合預報相比,ETKF_R對“煙花”登陸的預報效果最優,其統計平均的0～2 d路徑預報誤差與ECMWF集合相當,而NCEP集合的0～2 d路徑預報誤差最小,但過發散特征明顯;同時,ECMWF集合對“煙花”的強度預報總體嚴重偏弱,而NCEP集合對預報臺風最大強度的準確性較高,但預報的臺風增強速度比ETKF_R慢。上述研究結果表明,CMA-REPS的臺風路徑和強度預報具有業務參考價值。

引 言

提高臺風路徑和強度預報水平是防御臺風災害的關鍵,準確的預報能有效降低登陸臺風給沿海地區帶來的暴雨、大風以及風暴潮等災害損失(Yue et al,2017;吳影等,2017;王秀榮等,2018)。國內外熱帶氣旋預報水平的提高在很大程度上得益于計算機技術的發展和數值模式理論及方法的進步(Yue and Meng,2017;Leroux et al,2018;麻素紅等,2021)。近30年來,西北太平洋和南海臺風路徑預報能力明顯提高,當前的72 h預報準確率已達到20世紀90年代初的24 h預報準確率(Yu et al,2022)。相比之下,全球熱帶氣旋強度預報水平在過去幾十年卻進步緩慢(Emanuel and Zhang,2016;Cangialosi et al,2020;呂心艷等,2021;陳國民等,2022;周冠博等,2022)。

初值不確定性對熱帶氣旋路徑和強度預報技巧有較大影響。Yamaguchi et al(2012)用預報性能高的模式的初始場替換掉預報性能低的模式的初始場,發現初值誤差對熱帶氣旋1～5 d路徑預報誤差的貢獻分別為20%、29%、29%、38%和68%。Zhou et al(2016)考察了兩種初始分析誤差對西北太平洋熱帶氣旋預報誤差的影響,發現路徑和強度預報技巧對熱帶氣旋中心及附近的位勢高度場和風場初值非常敏感,尤其在熱帶氣旋加強階段,初始強度的不確定性估計對預報至關重要。由于觀測儀器以及資料同化、渦旋初始化等技術方法會引入誤差,模式初始場很難準確描述熱帶氣旋的真實結構。即便是歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts,ECMWF)等國際先進模式,其單一確定性預報有時也會出現較大的臺風路徑和強度預報偏差(沈越婷等,2015)。

集合預報是描述數值模式初值不確定性的重要技術方法,也是提高熱帶氣旋預報準確度及提供預報不確定性信息的重要手段(王晨稀,2013;Bauer et al,2015)。集合預報通過積分多個略有差異的初值或者略有差異的模式,獲得對未來大氣運動狀態演變的不確定性估計。近30年來,全球各大業務數值預報中心相繼建立起集合預報業務系統,發展了多種集合預報擾動技術,并廣泛應用于中、短期天氣預報(Molteni et al,1996;麻巨慧等,2011;陳靜和李曉莉,2020)。其中,初值擾動技術主要包括奇異向量法(Lorenz,1965)、繁殖向量法(Toth and Kalnay,1997)、擾動觀測法(Houtekamer et al,1996)、集合變換卡爾曼濾波(ensemble transform Kalman filter,ETKF)法(Wang and Bishop,2003)、正交條件非線性最優擾動法(Duan and Huo,2016)等。熱帶氣旋的集合預報研究從20世紀90年代中期開始(Zhang and Krishnamurti,1997;黃小剛等,2007),包括集合初始擾動幅度和三維結構對熱帶氣旋路徑離散度的影響機制(Yamaguchi and Majumdar,2010),以及如何基于集合預報偏差修正改善熱帶氣旋強度預報(黃小剛等,2010)等。

2008年以來,基于自主研發的GRAPES(Global/Regional Assimilation and Prediction System)數值天氣預報模式(Chen et al,2008)和ETKF初值擾動方法發展了中國氣象局區域集合預報系統(China Meteorological Administration-Regional Ensemble Prediction System,CMA-REPS)。CMA-REPS(原GRAPES-REPS)不僅著眼于我國暴雨、強對流等災害天氣預報,也提供西北太平洋和南海熱帶氣旋集合預報,在熱帶氣旋業務預報中發揮著重要作用(王靜等,2017;鐘有亮等,2017;王婧卓等,2021)。對于區域集合預報關注的1～3 d短期天氣預報而言,初值不確定性的準確描述比模式不確定性更加重要(Raynaud and Bouttier,2016;王婧卓等,2018)。本文針對基于再分析尺度化因子的CMA-REPS初值擾動改進方案,考察了初值擾動結構對2021年登陸臺風煙花路徑和強度預報的影響,并與ECMWF和美國國家環境預報中心(National Centers for Environmental Prediction,NCEP)全球集合預報性能進行對比,分析了CMA-REPS對我國臺風預報的價值,對明確改進方向及推動業務應用有重要意義。

1 方法與資料

1.1 再分析尺度化因子方法及試驗設計

ETKF方法是基于卡爾曼濾波理論和集合變換法發展而來,由集合預報擾動方差和觀測誤差方差快速估計分析誤差,反映觀測資料對初值不確定性的影響(Wang and Bishop,2003)。

Za=ZfT

(1)

Za=ZfTΠ

(2)

由式(1)可見,利用變換矩陣T將當前時刻的預報擾動向量Zf進行線性組合更新為當前時刻的分析擾動向量Za。由于集合成員數遠小于模式預報相空間的自由度,故式(1)得到的分析擾動方差小于真實的分析誤差方差。為保證控制預報誤差與集合預報離散度相吻合,Bowler et al(2008)在式(2)中引入放大因子Π。但是,ETKF方法未充分考慮初始擾動分布特征(結構和振幅)與分析誤差一致性的問題,在分析不確定性較小的區域也可能出現局地擾動幅度過大,不能合理地表征觀測密度波動對預報誤差方差的影響。為解決這一問題,Wang et al(2021)參考約束的集合變換法(ensemble transform with rescaling,ETR)和地理掩膜(mask)增長模繁殖法,在ETKF中引入調整因子,建立了基于再分析尺度化因子的ETKF_R初值擾動方案。

(3)

(4)

(5)

Za=ZfTΠr

(6)

在本文中,初值擾動改進方案ETKF_R采用ECMWF再分析資料(水平分辨率為0.25°)與CMA-REPS控制預報初始場(水平分辨率為0.1°)風場的差異計算分析誤差。如式(3)所示,UEC和VEC分別表示ECMWF再分析場插值到CMA-REPS模式面的緯向風和經向風,其與CMA-REPS控制預報初始風場UCMA_ctl和VCMA_ctl的差異的動能平方根定義為表征分析場不確定性的分析誤差mask。考慮到ECMWF再分析資料的時效性,并盡可能保留歷史分析誤差的特征,分析場不確定性采用起報時次前40 d到前10 d的31 d分析誤差統計平均得到。式(4)將集合成員擾動風場Uperb和Vperb與控制預報初始風場UCMA_ctl和VCMA_ctl的差異的動能平方根定義為初值擾動K,則再分析尺度化因子r,如式(5)所示,用以解決初始時刻局地擾動量過大的問題。將ETKF方案產生的分析擾動乘以調整因子,形成改進后的初值擾動,如式(6)所示。

通過與ETKF方案對比分析,本文旨在研究基于再分析尺度化因子的ETKF_R初值擾動改進方案對2021年臺風煙花路徑和強度預報效果的影響。開展了兩組回算試驗,一組是采用式(2)產生初值擾動(即ETKF),另一組是采用式(6)產生初值擾動(即ETKF_R)。CMA-REPS區域集合預報系統參數配置如表1所示。模式水平分辨率為0.1°,垂直方向采用地形追隨高度坐標,層次為50層(模式層頂為10 hPa),預報區域為中國區域(15°～65°N、70°～145°E),集合成員數15個(包含1個控制預報和14個擾動成員),預報時效為72 h,控制預報初值和側邊界來源于NCEP-GFS全球模式分析場和預報場。通過從2021年業務升級的垂直87層中國氣象局全球集合預報系統提取擾動背景場,再與控制預報背景場相加以獲得混合側邊界擾動。每個集合預報成員采用相同的物理過程,包括Kain-Fritsch(new Eta)對流參數化方案(Kain,2004)、WSM6云微物理方案(Hong and Lim,2006)、MRF邊界層方案(Hong and Pan,1996)、Monin-Obukhov近地面層方案(Noilhan and Planton,1989)、RRTM長波輻射方案(Mlawer et al,1997)、Dudhia短波輻射方案(Dudhia,1989)、Noah陸面過程方案(Chen and Dudhia,2001)等。模式擾動采用單一物理過程參數化傾向隨機擾動方案(袁月等,2016)。試驗時段為2021年7月18—29日(每日世界時12時起報,共計12次預報)。需要說明的是,為考察ETKF_R初值擾動改進方案對臺風預報的影響,回算試驗關閉了條件性臺風渦旋重定位技術(吳政秋等,2020)。

表1 CMA-REPS區域集合預報系統參數配置Table 1 Parameter configuration of CMA-REPS regional ensemble prediction system

1.2 檢驗評估資料及方法

除了上述基于CMA-REPS的改進前和改進后的兩組回算試驗,還通過全球通信系統(Global Tele- communication System,GTS)獲取了與回算試驗相同起報時次的ECMWF(51個成員;Palmer,2019)和NCEP(31個成員;Zhou et al,2022)全球集合預報的臺風路徑和強度資料。需說明的是,ECMWF和NCEP集合分別缺少29日12時和27日12時起報的數據。為對比分析,本文對三個集合預報系統均只考察0～3 d的臺風路徑和強度預報性能。檢驗評估采用中國氣象局上海臺風研究所整編的熱帶氣旋最佳路徑數據集(https:∥tcdata.typhoon.org.cn/;Ying et al,2014;Lu et al,2021)。降水實況和檢驗采用中國自動氣象站的降水量數據。

本文采用的檢驗評估方法主要包括集合平均誤差和離散度。誤差計算方法采用國家標準《天氣預報檢驗 臺風預報》(國家市場監督管理總局和國家標準化管理委員會,2019)。其中,臺風路徑的集合平均誤差是指路徑集合平均預報與觀測之間的地球表面距離,臺風強度的集合平均誤差是指臺風中心附近近地面最大風速集合平均預報與觀測之間的絕對誤差。離散度是表征集合樣本發散程度的物理量,計算如下:

(7)

式中:N表示集合成員數。

本文插圖中所涉及的中國國界和行政區域界線基于審圖號為GS(2019)1786號標準地圖制作,底圖無修改。

2 結果分析

2.1 臺風“煙花”概況

2021年7月17日18時(世界時,下同),6號臺風煙花在我國臺灣島以東48 h警戒線附近生成并向西北方向移動(圖1a)。19日00時加強為強熱帶風暴級并轉向偏西方向移動。21日00時,“煙花”增強為強臺風級(42 m·s-1),隨后進入24 h警戒區,并緩慢由西行轉為西北行;23日00時減弱為臺風級并逐漸向浙江沿海靠近。“煙花”于25日04:30 前后登陸浙江省舟山普陀沿海。登陸后,“煙花”長時間滯留在浙北和蘇南,28日00時在安徽境內減弱為熱帶低壓,之后一路北上,于30日12時在渤海減弱變性為溫帶氣旋。

注:圖a中,彩色線:臺風強度,所標數字表示日期(00時),黑色實折線和虛線分別表示24 h和48 h警戒線。圖1 2021年7月(a)17日18時到30日06時臺風煙花路徑,(b)22日00時到30日00時8 d累計觀測降水Fig.1 (a) Best track of Typhoon In-Fa from 18 UTC 17 to 06 UTC 30 July, (b) observed 8 d accumulated precipitation from 00 UTC 22 to 00 UTC 30 July 2021

“煙花”是一個致災性很強的臺風,其本體降水從7月22日開始在浙江出現并逐漸加強,登陸后其強降水逐漸向上海、江蘇、安徽、山東、河南以及京津冀等地區擴展(圖1b)。“煙花”突破了浙江省登陸臺風降雨量紀錄,也是有記錄以來影響江蘇過程雨量最大的臺風。此外,“煙花”在臺灣以東洋面上緩慢西行的過程中,與北側的副熱帶高壓和西南側的7號臺風查帕卡共同作用,將大量水汽輸送至我國內陸地區(Nie and Sun,2022),可能與“21·7”河南極端暴雨的發生有密切聯系。

2.2 路徑強度及風場

利用歷史分析誤差的統計平均能較好地估計分析不確定性。由圖2可見,在觀測稀少的青藏高原等地區的分析誤差較大,而觀測相對稠密的平原地區和洋面上的分析誤差較小;分析誤差不僅隨經度和緯度變化,也隨高度變化。總的來說,高層大氣的分析不確定性通常大于低層大氣。當“煙花”位于臺灣島以東洋面上,臺風低層環流區(約850 hPa)的分析誤差明顯小于臺風高層環流區(約200 hPa)的分析誤差,因而ETKF_R對臺風低層風場擾動振幅的調整更顯著。

注:臺風符號表示2021年7月22日12時的臺風觀測位置。圖2 2021年6月12日到7月12日的統計平均分析誤差的水平分布(a)模式面第13層(約850 hPa),(b)第24層(約500 hPa),(c)第36層(約200 hPa)Fig.2 Horizontal distributions of analysis errors statistically averaged from 12 June to 12 July 2021 (a) the 13th model level (approximately at 850 hPa), (b) the 24th model level (approximately at 500 hPa), (c) the 36th model level (approximately at 200 hPa)

利用分析誤差對初始擾動進行調整,洋面上臺風環流區及附近的初始風場擾動結構有改進(圖3)。與ETKF對比發現,一方面,ETKF_R方法能對低、中、高層的初始風場局地幅度過大(超過6 m·s-1)的擾動大值區有合理限制;另一方面,ETKF_R的初始風場擾動振幅在臺風高層環流區大于低層,與分析不確定性特征一致。此外,模式的臺風中心利用850 hPa環流中心判定(Ryglicki and Hart,2015),ETKF在臺風中心附近的低層風場局地擾動幅度過大,導致集合成員的臺風中心發生明顯偏離。

注:臺風符號表示臺風觀測位置,十字符號表示模式初始場臺風位置。圖3 2021年7月22日12時風場初始擾動的水平分布(a,c,e)ETKF方法,(b,d,f)ETKF_R方法(a,b)成員4的第13層模式面(約850 hPa)緯向風擾動,(c,d)成員4的第24層模式面(約500 hPa)緯向風擾動,(e,f)成員13的第36層模式面(約200 hPa)經向風擾動Fig.3 Horizontal distributions of initial wind field perturbations at 12 UTC 22 July 2021 with (a, c, e) ETKF and (b, d, f) ETKF_R(a-d) the zonal wind perturbation (a, b) at the 13th model level (approximately at 850 hPa) and (c, d) at the 24th model level (approximately at 500 hPa) of ensemble member 4, (e, f) the meridional wind perturbation at 36th model level (approximately at 200 hPa) of ensemble member 13

基于再分析尺度化因子的ETKF_R初值擾動方法對臺風路徑集合平均預報效果比ETKF方法有改進。從“煙花”全生命史的每日12時起報結果來看(圖4a,4b),臺風初生階段,ETKF_R集合平均臺風路徑更接近觀測;在臺風從西行緩慢轉為西北行的預報難點階段,ETKF_R集合平均臺風路徑與觀測路徑的方向偏離更小,但48 h后移速偏快;臺風向東海和浙江沿海靠近階段(7月22—24日起報),ETKF_R集合平均臺風路徑預報優于ETKF,尤其對預報臺風登陸位置及登陸后移速更有優勢;但是,在臺風登陸后,ETKF_R和ETKF預報臺風移速均比觀測偏慢,這可能與控制預報移速偏慢有關(圖略)。12次起報的統計平均表明,ETKF_R的臺風路徑集合平均誤差在0～66 h與ETKF相當或略小,最大減小幅度為6.8%,而72 h誤差略有增大(圖5)。

注:黑線表示觀測路徑,所標數字表示日期(00時)。圖4 2021年7月18—29日每日12時起報的臺風煙花全生命史的集合平均0～72 h路徑預報(彩色線)Fig.4 Ensemble mean 0-72 h track forecast (colored line) of Typhoon In-Fa initialized at 12 UTC from 18 to 29 July 2021

圖5 臺風煙花統計平均的0～72 h路徑預報集合平均誤差(實線)和離散度(虛線)Fig.5 Statistically averaged 0-72 h track forecast ensemble mean error (solid line) and ensemble spread (dashed line) of Typhoon In-Fa

受控制預報初始強度誤差大和初始集合離散度偏小的影響,ETKF_R方法對臺風強度集合平均預報效果在前期比ETKF方法差,24 h后二者基本相當。從臺風煙花全生命史的預報結果來看(圖6),ETKF方法通常會產生比控制預報偏強的初值,而ETKF_R的集合平均初值與控制預報初值接近。由于從全球模式分析場動力降尺度的控制預報初始強度一般比觀測偏弱,且初值對臺風強度預報前期效果影響明顯,因此ETKF_R的臺風強度集合平均預報誤差在前期比ETKF大。12次起報的統計平均表明,ETKF_R在初始時刻臺風強度集合平均誤差比ETKF偏大1.5 m·s-1,之后差距縮小,二者預報的24～60 h誤差基本相當(圖7)。

注:黑線表示觀測強度,空心圈表示各起報時次的控制預報初始臺風強度。圖6 2021年7月18—29日每日12時起報的臺風煙花全生命史的集合平均0～72 h強度預報(彩色線)Fig.6 Ensemble mean 0-72 h intensity forecast (colored line) of Tyhoon In-Fa initialized 12 UTC from 18 to 29 July 2021

圖7 臺風煙花統計平均的0～72 h強度預報集合平均誤差(實線)和離散度(虛線)Fig.7 Statistically averaged 0-72 h typhoon intensity forecast ensemble mean error (solid line) and ensemble spread (dashed line) of Typhoon In-Fa

2.3 離散度

ETKF_R方法對洋面上風場擾動幅度的限制,使臺風初始位置離散度偏小,但與ETKF的初值過度發散相比對路徑預報有改善。無論是定位誤差較大的臺風初生階段(圖8),還是定位誤差較小的臺風成熟階段(圖9),ETKF_R方法產生的臺風初始位置均比ETKF更加集中,體現了集合預報的初始小擾動特征。7月22日12時,ETKF的臺風初始位置誤差最大,成員4為62.5 km、成員13為61.3 km,而ETKF_R方法能使集合成員最大初始位置誤差降為12.9 km。

注:紅、紫、黑色粗線上空心圈標注間隔24 h的臺風位置。圖8 2021年7月18日12時起報的臺風煙花0～72 h路徑預報Fig.8 0-72 h track forecast of Typhoon In-Fa initialized at 12 UTC 18 July 2021

注:紅、紫、黑色粗線上空心圈標注間隔24 h的臺風位置。圖9 2021年7月22日12時起報的臺風煙花0～72 h路徑預報Fig.9 0-72 h track forecast of Typhoon In-Fa initialized at 12 UTC 22 July 2021

ETKF_R方法能合理降低對臺風路徑預報起重要作用的西北太平洋副熱帶高壓的集合離散度,從而限制臺風預報路徑過度發散,改進臺風路徑集合平均預報效果。以7月18日12時起報的“煙花”初生階段為例,在12 h預報時效,ETKF_R的500 hPa位勢高度離散度比ETKF小,差別主要位于副熱帶高壓5880 gpm等值線以西(圖10a,10b);到72 h預報時效,ETKF_R的副熱帶高壓西伸范圍和強度的離散度依然比ETKF小(圖10c,10d)。對應地,ETKF_R預報的臺風移速和移向的離散度比ETKF有改善,從而使集合平均路徑與觀測更加接近(圖8)。

注:臺風符號表示臺風觀測位置,十字符號表示集合平均臺風預報位置。圖10 2021年7月18日12時起報的(a,b)12 h,(c,d)72 h 500 hPa位勢高度離散度(填色)以及集合平均5860 gpm和5880 gpm等值線水平分布(a,c)ETKF方法,(b,d)ETKF_R方法Fig.10 Horizontal distributions of ensemble spread of geopotential height (colored) of (a, c) ETKF and (b, d) ETKF_R at 500 hPa and ensemble mean 5860 gpm and 5880 gpm (contour) initialized at 12 UTC 18 July 2021(a, b) 12 h forecast, (c, d) 72 h forecast

統計結果表明,ETKF_R方法能改善臺風路徑集合平均誤差與離散度的一致性關系。ETKF的0～72 h臺風路徑離散度始終大于集合平均誤差,表現為過發散特征;而ETKF_R方法雖然使臺風初始位置離散度偏小,但路徑離散度的增長速度快,24 h 和48 h臺風路徑集合平均誤差與離散度更加靠近(圖5)。需要注意的是,ETKF_R預報的48 h后臺風路徑欠發散特征比較明顯,有待改進。

除了臺風路徑,ETKF_R方法相比于ETKF也能改善臺風強度初始擾動結構和離散度。初值對前24 h臺風強度預報效果影響明顯,對控制預報初始強度誤差最小(圖11)和最大(圖12)的兩個起報時次分析發現,ETKF的擾動初值過度發散,以至于集合成員包含了熱帶風暴、強熱帶風暴、臺風等若干個等級的強度初值;而ETKF_R方法對洋面上擾動幅度的限制使集合成員初值的強度等級相同,離散度得以改善。另外,ETKF的大多數集合成員通過疊加偏向控制預報一側的擾動來減小初值與觀測的誤差,但這種不合理的擾動結構可能引起動力和熱力條件不協調,導致集合成員前6 h預報出現與控制預報演變特征不同的spin-down過程;而ETKF_R的擾動較均勻地分布在控制預報兩側,且集合成員的演變特征與控制預報一致。需要注意的是,可以通過渦旋強度調整以減小控制預報初始誤差,或者通過集合預報與資料同化緊密結合以引入更多中小尺度擾動(馬旭林等,2018;潘賢等,2021),來進一步改善ETKF_R的臺風強度預報。

圖11 2021年7月19日12時起報的臺風煙花中心附近近地面最大風速0～72 h預報Fig.11 Maximum 10 m wind speed 0-72 h forecast of Typhoon In-Fa initialized at 12 UTC 19 July 2021

圖12 2021年7月21日12時起報的臺風煙花中心附近近地面最大風速0～72 h預報Fig.12 Maximum 10 m wind speed 0-72 h forecast of Typhoon In-Fa initialized at 12 UTC 21 July 2021

除了表征臺風強度的近地面風場,ETKF_R方法對臺風三維風場的初始擾動結構和離散度也有改進。以7月19日12時起報為例,分析過臺風中心的切向風垂直剖面可以發現,ETKF的初始三維風場離散度過大,擾動集合成員的臺風眼大小、臺風發展高度、低層最強風速以及非對稱結構等都有很大不同,且與控制預報差別很大(圖13)。計算過臺風中心的切向風垂直剖面離散度可以發現,ETKF_R的初始三維風場離散度相比于ETKF有改善,且差別主要集中在臺風內核區(圖14a,14b)。

圖13 2021年7月19日12時ETKF方法的初始時刻過臺風中心緯度的切向風垂直剖面(a)控制預報,(b～o)擾動集合成員1～14,(p)集合平均Fig.13 West-east vertical cross-section of the initial tangential wind of Typhoon In-Fa at 12 UTC 19 July 2021 with ETKF(a) control forecast, (b-o) ensemble members 1 to 14, (p) ensemble mean

圖14 2021年7月19日12時起報的(a,b)初始時刻過臺風中心緯度的切向風離散度(填色)和集合平均(等值線,單位:m·s-1),(c,d)積分24 h的過臺風中心緯度的溫度距平離散度(填色)和集合平均(等值線,單位:K)(a,c)ETKF方法,(b,d)ETKF_R方法Fig.14 Ensemble spread (colored) and ensemble mean (contour) of the west-east vertical cross-sections of (a, b) initial tangential wind (unit: m·s-1) and (c, d) the 24 h temperature anomoly (unit: K) forecast of Typhoon In-Fa initialized at 12 UTC 19 July 2021 with (a, c) ETKF and (b, d) ETKF_R

ETKF_R方法雖然使臺風強度預報離散度偏小,但預報前24 h臺風結構和強度的離散度能快速增長。統計結果表明,ETKF_R和ETKF方法在預報前24 h均表現為集合平均誤差明顯大于離散度,這是由控制預報初始強度誤差過大造成的(圖7)。暖心結構對臺風強度變化有重要作用(王尚宏等,2018)。通過計算和對比臺風暖心離散度可以發現,ETKF_R預報至24 h的臺風結構離散度與ETKF的差距比初始時刻明顯縮小(圖14),其離散度的快速增長有助于提高集合成員包含臺風觀測強度的能力(圖11和圖12)。

相較ETKF,ETKF_R還能改善臺風降水預報的集合離散度和預報技巧。以“煙花”登陸初期在浙北和蘇南等地的強降水(圖15a)為例,對比ETKF和ETKF_R的7月24日12時起報的12～36 h預報時效的24 h累計降水可以發現,雖然二者的集合平均相似(圖15b,15c),但ETKF_R中降水落區和量級與觀測更接近的集合成員比例有所提高。暴雨(≥50 mm·d-1)TS評分(圖15d)顯示,ETKF_R中有71.4%的擾動集合成員TS評分比ETKF更高,所有集合成員的TS評分均值提高了10.4%,而方差降低了40%。進一步分析(圖15e,15f)發現,ETKF_R的降水離散度分布與降水實況落區更吻合,其值隨著降水量級的增加而增大,能更合理地表征臺風降水的預報不確定性,對于集合預報技巧的提高有重要作用。

圖15 2021年7月24日12時起報的12～36 h預報時效的24 h累計降水的(a)實況,(b,c)集合平均,(d)暴雨(≥50 mm·d-1)TS評分,(e,f)離散度Fig.15 The 24 h accumulated precipitation at 12-36 h forecast lead time initialized from 12 UTC 24 July 2021(a) observation, (b, c) ensemble mean forecast, (d) threat score of precipitation (≥50 mm·d-1), (e, f) ensemble spread

2.4 多中心比較

與國際先進的全球集合預報相比,我國區域集合預報系統的臺風路徑預報具有業務參考價值。ECMWF集合在“煙花”登陸前的路徑預報總體差于ETKF_R,但對臺風陸上滯留期間(7月25日以后)的移速和移向預報準確性更高;而NCEP集合對“煙花”從西行緩慢轉為西北行階段的移速和移向預報準確性高,但對7月22—25日起報的臺風登陸預報效果比ETKF_R差(圖4)。在對“煙花”登陸時間和地點的首次預報中,ETKF_R的路徑集合預報技巧明顯高于ECMWF和NCEP集合,說明合理的初值擾動方法可以在一定程度上彌補集合成員數較少的不足(圖9)。從統計平均來看,ETKF_R的臺風路徑預報誤差在0～2 d與ECMWF集合相當,NCEP集合的0～2 d路徑預報誤差最小,但48 h后誤差增長最快;ECMWF和NCEP集合的路徑預報均呈現過度發散特征,尤其是NCEP集合的臺風路徑一致性關系明顯比ETKF_R差(圖5)。

除了路徑預報,我國區域集合預報系統的臺風強度預報也具有業務參考價值。ECMWF集合對“煙花”的強度預報總體嚴重偏弱,無法預報出臺風加強的過程;而NCEP集合對預報臺風最大強度的準確性較高,但預報的臺風增強速度比ETKF_R慢(圖6)。ECMWF和NCEP集合的臺風強度初始擾動幅度和離散度過大,且大多數集合成員的擾動初值比控制預報偏強,容易引起預報前6 h的不合理spin-down現象(圖11和圖12)。從統計平均來看(圖7),ETKF_R的0～3 d臺風強度預報明顯優于ECMWF集合,而NCEP集合的0～2 d臺風強度預報誤差與ETKF_R相當,48 h后其誤差雖有所下降,但一致性關系隨預報時效變差。

3 結論及討論

集合預報是提高臺風預報水平的重要技術方法,合理地表征初值不確定性對提高集合預報技巧至關重要。本文針對基于歷史統計ECMWF再分析尺度化因子的ETKF_R初值擾動改進方案,利用2021年7月18—29日的CMA-REPS回算對比試驗,考察初值擾動結構對登陸我國并造成嚴重災害的臺風煙花路徑和強度預報的影響,并與ECMWF和NCEP全球集合預報進行對比分析。得出以下結論:

(1)與ETKF過度發散的擾動初值相比,ETKF_R方法改善了初始三維風場的擾動幅度和結構,但臺風初始位置和強度的離散度偏小。

(2)ETKF_R方法能合理降低西北太平洋副熱帶高壓的集合離散度,從而限制臺風移速和移向的過度發散。與ETKF相比,ETKF_R方法對“煙花”全生命史的路徑集合平均預報有改進,并改善臺風路徑集合平均誤差與離散度關系,也能更合理地表征臺風降水的預報不確定性。

(3)CMA-REPS控制預報的臺風初始強度通常偏弱,而得益于ETKF_R預報前24 h臺風結構和強度離散度的快速增長,其24 h后臺風強度集合平均預報效果與ETKF基本相當。

(4)與國際先進的全球集合預報相比,CMA-REPS的臺風路徑和強度預報具有業務參考價值。ETKF_R對“煙花”登陸的預報效果最優,其統計平均的0～2 d路徑預報誤差與ECMWF集合相當,而NCEP集合的0～2 d路徑預報誤差最小,但一致性關系明顯比ETKF_R差;同時,ETKF_R的0～2 d 臺風強度預報誤差與NCEP集合相當,而ECMWF 集合對“煙花”的強度預報總體嚴重偏弱。

盡管ETKF_R方法能有效提高臺風預報技巧,但預報的臺風路徑和強度欠發散特征較明顯,有待改進。以上結論基于臺風煙花單個例得到,未來還需對突變臺風、弱臺風等更多臺風個例檢驗評估。本研究可為集合預報系統研發改進提供參考,并推動集合預報技術的業務應用。需要說明的是,基于再分析尺度化因子的初值擾動技術已于2022年應用于CMA-REPS V3.2業務升級版本中,并采用了我國自主研發的CMA-RA再分析資料來估計分析誤差。