智協(xié)飛，季曉東，張璟，張玲，白永清，林春澤

(1.氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室(南京信息工程大學(xué))，江蘇南京210044;2.湖北省氣象局氣象科技服務(wù)中心，湖北武漢430074;3.中國氣象局武漢暴雨研究所，湖北武漢430074)

0 引言

近20 a數(shù)值預(yù)報(bào)技術(shù)取得了飛速發(fā)展，在天氣預(yù)報(bào)中所占比重越來越高，并且由傳統(tǒng)的單一確定性預(yù)報(bào)向集合數(shù)值預(yù)報(bào)方向發(fā)展(王太微和陳德輝，2007)。盡管數(shù)值預(yù)報(bào)技術(shù)取得了重大進(jìn)展，但由于模式初始場的不確定性及系統(tǒng)偏差的存在，其預(yù)報(bào)結(jié)果與實(shí)況存在一定的差異。且各個(gè)模式在動(dòng)力框架、分辨率、初始場、資料同化技術(shù)及物理參數(shù)化方案等方面存在差異，從而使得各個(gè)模式在模擬能力上存在地理差異，多模式集成技術(shù)正是在此基礎(chǔ)上合理利用各中心模式預(yù)報(bào)結(jié)果以減小模式系統(tǒng)性偏差的有效途徑(楊學(xué)勝，2001)。

Krishnamurti et al.(1999)最早提出超級(jí)集合預(yù)報(bào)方法并做了大量的試驗(yàn)對該方法進(jìn)行檢驗(yàn)。研究發(fā)現(xiàn)，超級(jí)集合預(yù)報(bào)有效地減小了季節(jié)氣候預(yù)測和天氣預(yù)報(bào)的誤差，預(yù)報(bào)效果遠(yuǎn)優(yōu)于單個(gè)模式和多模式集 合 平 均 (Krishnamurti et al.，1999，2000a，2000b，2007)。Vijaya Kumar et al.(2003)利用超級(jí)集合方法對颶風(fēng)的路徑和強(qiáng)度進(jìn)行預(yù)報(bào)試驗(yàn)，發(fā)現(xiàn)超級(jí)集合預(yù)報(bào)效果也優(yōu)于單個(gè)模式和多模式集合平均。Ross and Krishnamurti(2005)應(yīng)用超級(jí)集合預(yù)報(bào)技術(shù)，利用6個(gè)模式的全球數(shù)值預(yù)報(bào)逐日資料，分別對平均海平面氣壓、500 hPa高度場、200 hPa和850 hPa風(fēng)場進(jìn)行超級(jí)集合預(yù)報(bào)，預(yù)報(bào)時(shí)效為1～5 d，通過大量的試驗(yàn)，發(fā)現(xiàn)超級(jí)集合預(yù)報(bào)效果優(yōu)于最好的單個(gè)模式和多模式簡單集合平均，并且總體上南半球比北半球預(yù)報(bào)效果好，春秋兩季比冬夏兩季預(yù)報(bào)效果更好。其中，對平均海平面氣壓的預(yù)報(bào)效果最好，其次是500 hPa高度場、850 hPa和200 hPa風(fēng)場。最近，Krishnamurti et al.(2009)基于 TIGGE資料中 UKMO、NCEP、ECMWF、BOM、CMA 五個(gè)中心全球模式對中國季風(fēng)區(qū)南海季風(fēng)爆發(fā)時(shí)降水、梅雨期降水以及臺(tái)風(fēng)登陸強(qiáng)降水進(jìn)行超級(jí)集合預(yù)報(bào)研究，并且將預(yù)報(bào)時(shí)效從1～3 d擴(kuò)展到10 d進(jìn)行討論，對于4～10 d預(yù)報(bào)超級(jí)集合均方根誤差仍然最小。多模式集成方法具有有效改進(jìn)季節(jié)氣候預(yù)測技巧、提高中短期預(yù)報(bào)準(zhǔn)確率和簡便實(shí)用等優(yōu)點(diǎn)，在國際上得到廣泛研究與應(yīng)用(Yun et al.，2003;Cartwright and Krishnamurti，2007;Vijaya Kumar et al.，2007)。

超級(jí)集合預(yù)報(bào)技術(shù)在我國的研究與應(yīng)用尚處于起步階段。陳麗娟等(2005)借用超級(jí)集合思想對我國汛期降水預(yù)測的各大單位預(yù)報(bào)結(jié)果進(jìn)行集成，結(jié)果表明集合預(yù)報(bào)效果較穩(wěn)定，多數(shù)情況下優(yōu)于單個(gè)成員預(yù)報(bào)。趙聲蓉(2006)基于國家氣象中心T213模式、德國氣象局業(yè)務(wù)模式和日本氣象廳業(yè)務(wù)模式2 m高溫度預(yù)報(bào)，利用神經(jīng)網(wǎng)絡(luò)方法中的BP網(wǎng)絡(luò)建立了我國600多站的溫度集成預(yù)報(bào)系統(tǒng);對2004年1—5月的預(yù)報(bào)試驗(yàn)表明，集成的溫度預(yù)報(bào)結(jié)果明顯優(yōu)于3個(gè)模式單獨(dú)的預(yù)報(bào)結(jié)果，達(dá)到了一定的預(yù)報(bào)精度。

TIGGE是全球交互式大集合(THORPEX Interactive Grand Global Ensemble)的簡稱。目前在中國氣象局(CMA)、歐洲中期天氣預(yù)報(bào)中心(ECMWF)和美國國家大氣研究中心(NCAR)，TIGGE中心收集了來自全球十多個(gè)預(yù)報(bào)中心的集合預(yù)報(bào)產(chǎn)品(智協(xié)飛和陳雯，2010)。智協(xié)飛等(2009)和林春澤等(2009)利用TIGGE資料對北半球及中緯度地區(qū)地面氣溫進(jìn)行多模式超級(jí)集合預(yù)報(bào)試驗(yàn)，發(fā)現(xiàn)超級(jí)集合預(yù)報(bào)方法能有效地改進(jìn)中短期預(yù)報(bào)的預(yù)報(bào)技巧，其預(yù)報(bào)準(zhǔn)確率高于單個(gè)模式預(yù)報(bào)和多模式集合平均的預(yù)報(bào)準(zhǔn)確率，并且滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)技巧明顯高于傳統(tǒng)的固定訓(xùn)練期超級(jí)集合預(yù)報(bào)技巧(智協(xié)飛等，2009;Zhi et al.，2009)。此外，Zhi et al.(2011)還對降水的定量化預(yù)報(bào)進(jìn)行了多模式集成預(yù)報(bào)試驗(yàn)，其預(yù)報(bào)技巧也高于單個(gè)模式的預(yù)報(bào)技巧。王亞男和智協(xié)飛(2012)則利用多模式集成方法做降水的統(tǒng)計(jì)降尺度預(yù)報(bào)，結(jié)果發(fā)現(xiàn)多模式集成的降尺度預(yù)報(bào)效果明顯優(yōu)于單中心集合平均預(yù)報(bào)場的降尺度預(yù)報(bào)效果。

多模式集成預(yù)報(bào)技巧優(yōu)于單個(gè)模式的預(yù)報(bào)，但各個(gè)集成方法對不同預(yù)報(bào)要素的改進(jìn)效果存在差異。本文主要對2007年夏季北半球中高緯度地區(qū)地面氣溫、中低緯度地區(qū)降水的多模式預(yù)報(bào)資料進(jìn)行集成試驗(yàn)，并討論了2008年初中國南方極端雨雪冰凍過程的多模式集成預(yù)報(bào)技巧，期望對多模式集成技術(shù)在地面氣溫和降水預(yù)報(bào)中的性能進(jìn)行較全面的評(píng)估和試驗(yàn)。

1 資料與方法

1.1 資料

所用資料取自TIGGE資料集下中國氣象局(CMA)、歐洲中期天氣預(yù)報(bào)中心(ECMWF)、日本氣象廳(JMA)、美國國家環(huán)境預(yù)報(bào)中心(NCEP)和英國氣象局(UKMO)5個(gè)中心全球集合預(yù)報(bào)模式每天12時(shí)(世界時(shí))起報(bào)的地面溫度、24 h累積降水的各自集合成員平均。資料時(shí)間長度為2007年6月1日—8月31日及2008年1月1日—2月1日，預(yù)報(bào)時(shí)效為24～216 h，間隔24 h。并采用NCEP/NCAR再分析資料和TRMM 24 h累積降水作為“觀測值”來進(jìn)行多模式集成預(yù)報(bào)和檢驗(yàn)預(yù)報(bào)效果。

1.2 方法

主要采用多模式集合平均(ensemble mean，EMN)、滑動(dòng)訓(xùn)練期消除偏差(running training period bias-removed ensemble mean，R-BREM)、滑動(dòng)訓(xùn)練期超級(jí)集合(running training period multi-model superensemble，R-SUP)等方法來進(jìn)行集成預(yù)報(bào)試驗(yàn)。

多模式集合平均的計(jì)算公式為

其中:Fi為第i個(gè)模式的預(yù)報(bào)值;n為參與集合的模式總數(shù)。

消除偏差集合平均的計(jì)算公式為

其中:VBREM為消除偏差集合預(yù)報(bào)值;Fi為第i個(gè)模式的預(yù)報(bào)值;ˉFi為第i個(gè)模式預(yù)報(bào)值在訓(xùn)練期的平均;ˉO為觀測值在訓(xùn)練期的平均;N為參與集合的模式數(shù)。

多模式超級(jí)集合是一項(xiàng)統(tǒng)計(jì)技術(shù)，通過一段時(shí)間的模式預(yù)報(bào)和觀測(分析)數(shù)據(jù)進(jìn)行訓(xùn)練建模，確定參與集成的模式權(quán)重系數(shù)，在預(yù)報(bào)期進(jìn)行超級(jí)集合預(yù)報(bào)。超級(jí)集合預(yù)報(bào)的建模既可以采用多元回歸技術(shù)也可以采用非線性神經(jīng)網(wǎng)絡(luò)技術(shù)。

超級(jí)集合預(yù)報(bào)模型由方程(3)構(gòu)建，在一個(gè)給定的格點(diǎn)上，對于某一預(yù)報(bào)時(shí)效某一氣象要素:

式中:St為超級(jí)集合預(yù)報(bào)值;O為訓(xùn)練期觀測值平均;Fi，t為第i個(gè)模式的預(yù)報(bào)值;Fi為第i個(gè)模式在訓(xùn)練期的預(yù)報(bào)值平均;ai為回歸系數(shù)(權(quán)重);n為參與超級(jí)集合的模式總數(shù);t為時(shí)間。

在訓(xùn)練期，回歸系數(shù)ai由(4)式中的誤差項(xiàng)G最小化計(jì)算而得(Krishnamurti et al.，2000a):

式中:Ot為觀測值;Ntrain為訓(xùn)練期時(shí)間樣本總數(shù)。在預(yù)報(bào)期，將在訓(xùn)練期得到的ai代入到(3)式中，對其他格點(diǎn)也做同樣的計(jì)算，即可進(jìn)行超級(jí)集合預(yù)報(bào)。

林春澤等(2009)研究指出，當(dāng)訓(xùn)練期窗口固定時(shí)，超級(jí)集合與消除偏差集合平均兩種方法對24 h、48 h預(yù)報(bào)改善的效果相當(dāng)，在預(yù)報(bào)期前期，超級(jí)集合預(yù)報(bào)的均方根誤差小于消除偏差集合平均的誤差，但在后期，超級(jí)集合預(yù)報(bào)的均方根誤差超過消除偏差集合平均的誤差。對于72～168 h預(yù)報(bào)，預(yù)報(bào)期前兩周超級(jí)集合預(yù)報(bào)的均方根誤差和消除偏差集合平均的均方根誤差相當(dāng)，兩周后超級(jí)集合預(yù)報(bào)的均方根誤差增長很快，超過了消除偏差集合平均的均方根誤差。這主要是因?yàn)楣潭ㄓ?xùn)練期的超級(jí)集合預(yù)報(bào)沒有考慮到預(yù)報(bào)時(shí)間遠(yuǎn)離訓(xùn)練期時(shí)，在訓(xùn)練期得到的各模式的權(quán)重系數(shù)有可能失效，導(dǎo)致預(yù)報(bào)期后期預(yù)報(bào)誤差出現(xiàn)增長的趨勢。為此，本文采用滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)方法，即將固定長度的訓(xùn)練期逐日向后滑動(dòng)，每次只對距離訓(xùn)練期臨近的一天進(jìn)行預(yù)報(bào)，這樣每天的預(yù)報(bào)都由新的訓(xùn)練期消除預(yù)報(bào)偏差，訓(xùn)練新的權(quán)重，使預(yù)報(bào)效果更加穩(wěn)定。此外，超級(jí)集合預(yù)報(bào)中各模式的權(quán)重系數(shù)的計(jì)算既可以用線性回歸方法(林春澤等，2009;智協(xié)飛等，2009)，也可用人工神經(jīng)網(wǎng)絡(luò)的方法(Geman et al.，1992;Warner and Misra，1996)來確定。本文基于神經(jīng)網(wǎng)絡(luò)的超級(jí)集合預(yù)報(bào)采用的是3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)包括1個(gè)隱層，隱層節(jié)點(diǎn)數(shù)為4個(gè)，輸入節(jié)點(diǎn)數(shù)為4個(gè)，分別為ECMWF、JMA、NCEP和UKMO中心的集合平均結(jié)果(白永清，2010;Zhi et al.，2012)。

2 地面氣溫的多模式集成預(yù)報(bào)試驗(yàn)

圖1 2007 年8 月8—31 日每天24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)、144 h(f)和168 h(g)地面溫度預(yù)報(bào)的北半球0°～357.5°E、10～87.5°N區(qū)域的平均均方根誤差(單位:℃)Fig.1 Mean root-mean-square errors(RMSEs)of surface air temperature forecasts for(a)24 h，(b)48 h，(c)72 h，(d)96 h，(e)120 h，(f)144 h and(g)168 h averaged over the land area of(10—87.5°N，0°—357.5°E)from 8 to 31 August 2007(units:℃)

圖1給出2007年8月8—31日預(yù)報(bào)期24～168 h時(shí)效的簡單集合平均(EMN)、線性回歸超級(jí)集合(LRSUP)、神經(jīng)網(wǎng)絡(luò)超級(jí)集合(NNSUP)以及滑動(dòng)訓(xùn)練期線性回歸超級(jí)集合(R-LRSUP)、滑動(dòng)訓(xùn)練期神經(jīng)網(wǎng)絡(luò)超級(jí)集合(R-NNSUP)預(yù)報(bào)在北半球區(qū)域的平均均方根誤差。可見，改進(jìn)后的滑動(dòng)訓(xùn)練期的超級(jí)集合在整個(gè)預(yù)報(bào)期內(nèi)效果穩(wěn)定，預(yù)報(bào)后期誤差沒有再出現(xiàn)明顯的增長趨勢，預(yù)報(bào)后期效果得到改善。尤其對于預(yù)報(bào)時(shí)效較長的，滑動(dòng)訓(xùn)練期的超級(jí)集合使得整個(gè)預(yù)報(bào)期內(nèi)誤差均低于EMN，從而進(jìn)一步改善了預(yù)報(bào)效果。其中R-NNSUP預(yù)報(bào)效果要比R-LRSUP更好一些。此外，對北半球各緯度帶預(yù)報(bào)效果進(jìn)行對比分析發(fā)現(xiàn)，滑動(dòng)訓(xùn)練期超級(jí)集合(RSUP)預(yù)報(bào)方法對低緯度地區(qū)的預(yù)報(bào)改善效果最為顯著，中緯度地區(qū)次之，且在中低緯度地區(qū)預(yù)報(bào)效果均明顯優(yōu)于最優(yōu)單個(gè)中心，而對于高緯度地區(qū)的預(yù)報(bào)改善效果并不明顯(白永清，2010)。

3 北半球中低緯度降水的多模式集成試驗(yàn)

R-SUP試驗(yàn)對地面溫度預(yù)報(bào)是成功的，尤其對于中低緯度地區(qū)，超級(jí)集合預(yù)報(bào)效果要遠(yuǎn)好于單模式預(yù)報(bào)及它們的集合平均。而對于24 h累積降水，超級(jí)集合預(yù)報(bào)效果不很理想，預(yù)報(bào)誤差甚至超過單模式預(yù)報(bào)。這可能是因?yàn)榻涤甑陌l(fā)生是不連續(xù)的，降雨量大小的波動(dòng)會(huì)造成訓(xùn)練期內(nèi)樣本距平的急劇波動(dòng)。由多元線性回歸方法或者神經(jīng)網(wǎng)絡(luò)方法在訓(xùn)練期確定權(quán)重時(shí)，過度擬合了某幾個(gè)樣本距平的極大值，這種過擬合現(xiàn)象使得各模式的回歸系數(shù)發(fā)生了扭曲，以至于權(quán)重不能真實(shí)地反映整個(gè)訓(xùn)練期模式的預(yù)報(bào)能力，這可能是造成降水超級(jí)集合預(yù)報(bào)效果不理想的一個(gè)原因。此外，由于各模式的降水量預(yù)報(bào)不穩(wěn)定，預(yù)報(bào)誤差變化幅度很大，因此在預(yù)報(bào)期內(nèi)各個(gè)模式的預(yù)報(bào)結(jié)果很難遵從訓(xùn)練期內(nèi)模式權(quán)重的規(guī)律。前人在做降水的超級(jí)集合試驗(yàn)中，通過使用大量樣本來訓(xùn)練一組較為穩(wěn)定的權(quán)重系數(shù)，充足的樣本包含了各類降雨事件，訓(xùn)練期一般選用120～150 d甚至更長。而本文只有88 d樣本序列，各類降雨樣本也不充足，未能訓(xùn)練出穩(wěn)定的權(quán)重系數(shù)，這可能也是造成超級(jí)集合效果不理想的另一原因?；谝陨戏治?，選用BREM方法對北半球中低緯度地區(qū)的24 h累積降水進(jìn)行回報(bào)試驗(yàn)。

利用5個(gè)集合預(yù)報(bào)中心2007年6月1日—8月27日88個(gè)樣本，對北半球中低緯度地區(qū)1.25～358.75°E、10 ～48.75°N 進(jìn)行各時(shí)效 24 h 累積降水集合預(yù)報(bào)試驗(yàn)。為了充分利用樣本，選用交叉檢驗(yàn)的思想，即從試驗(yàn)資料序列的第一個(gè)樣本開始，每次輪流留出一個(gè)樣本，用余下的樣本建立預(yù)報(bào)方程，并對留出的樣本作回報(bào)試驗(yàn)(Yun et al.，2003)。這樣依次進(jìn)行，直到全部樣本都做完獨(dú)立的回報(bào)試驗(yàn)。

圖2給出了2007年6月1日—8月27日北半球中低緯度地區(qū)各中心預(yù)報(bào)結(jié)果、集成預(yù)報(bào)結(jié)果與“實(shí)況場”TRMM結(jié)果的距平相關(guān)系數(shù)，其中5個(gè)中心模式預(yù)報(bào)結(jié)果與“實(shí)況場”逐日距平相關(guān)系數(shù)用淺色細(xì)線表示，EMN和BREM分別用深色粗線表示?？梢钥吹剑瑢τ?4～168 h預(yù)報(bào)，在所有樣本中多模式集成的結(jié)果均好于單個(gè)模式的結(jié)果，且集成結(jié)果相對任何一個(gè)中心的模式都要穩(wěn)定，其中BREM略好于EMN。對24 h預(yù)報(bào)時(shí)效的降水，各中心模式的相關(guān)系數(shù)均在0.6以下，集成后的相關(guān)平均達(dá)到0.6以上。均方根誤差(RMSE)的檢驗(yàn)結(jié)果(圖略)與距平相關(guān)系數(shù)的檢驗(yàn)結(jié)果一致，與單個(gè)中心模式結(jié)果相比，多模式集成的結(jié)果均方根誤差最小，且BREM的誤差略低于EMN的結(jié)果。

通過距平相關(guān)分析和均方根檢驗(yàn)，從總體上檢驗(yàn)各個(gè)中心及集成結(jié)果對北半球中低緯度地區(qū)24 h累積降水的預(yù)報(bào)能力，下面進(jìn)一步分析各中心對降水場分布的預(yù)報(bào)能力及多模式集成方法對降水場的改進(jìn)情況。

圖3給出了2007年6月1日—8月27日24 h預(yù)報(bào)時(shí)效平均降水場的分布情況，并對各個(gè)中心及多模式集成的結(jié)果進(jìn)行了均方根誤差和距平相關(guān)系數(shù)的分析。從TRMM資料降水分布可見，2007年夏季亞洲至太平洋西部、北美洲至大西洋西部平均有1 mm以上降水，其中印度、孟加拉灣、亞洲東部局部地區(qū)以及沿赤道太平洋東部有較強(qiáng)的降水。此外，ECMWF預(yù)報(bào)誤差最小，為1.77 mm/d，JMA預(yù)報(bào)誤差最大，為2.99 mm/d;而UKMO預(yù)報(bào)的距平相關(guān)系數(shù)最高，達(dá)0.87，CMA預(yù)報(bào)的最低，為0.73。ECMWF與CMA對印度西部及孟加拉灣地區(qū)的強(qiáng)降水中心預(yù)報(bào)偏弱，整體而言，各中心對降水量的預(yù)報(bào)普遍偏強(qiáng)。與單個(gè)中心的結(jié)果相比，多模式集成的結(jié)果更為理想，EMN預(yù)報(bào)誤差為2.01 mm/d，相關(guān)系數(shù)達(dá)到0.89，BREM的結(jié)果與“實(shí)況場”最為接近，其均方根誤差降低至0.69 mm/d，距平相關(guān)系數(shù)高達(dá)0.98。

4 極端事件的多模式集成試驗(yàn)

2008年1月10 日至2月2日，受冷暖空氣共同影響，中國南方出現(xiàn)4次明顯的雨雪天氣過程，南方大部地區(qū)遭受了歷史罕見的低溫、雨雪、冰凍災(zāi)害(Wen et al.，2009)，其中1/3以上地區(qū)出現(xiàn)了50 a一遇的多雨雪天氣(Zhang and Zhi，2009)。持續(xù)的災(zāi)害性天氣過程，給人民生產(chǎn)和生活造成了嚴(yán)重的影響和損失。提高預(yù)報(bào)準(zhǔn)確率、延長預(yù)報(bào)時(shí)效將有利于預(yù)報(bào)持續(xù)性的災(zāi)害性天氣過程，提高防災(zāi)、抗災(zāi)的能力。本文針對此次災(zāi)害性過程，進(jìn)一步討論多模式集成預(yù)報(bào)方法對極端事件預(yù)報(bào)能力的改進(jìn)情況。

綜合2007年夏季的試驗(yàn)結(jié)果，R-SUP預(yù)報(bào)方法對連續(xù)性要素的改進(jìn)效果顯著，而對于降水，R-SUP預(yù)報(bào)的結(jié)果并不理想，BREM的改進(jìn)效果較好。但傳統(tǒng)的BREM方法需要較長時(shí)間的訓(xùn)練期進(jìn)行消除偏差處理以達(dá)到穩(wěn)定結(jié)果的目的，這就對資料的時(shí)間長度和計(jì)算能力提出較高的要求。在本次試驗(yàn)中，利用滑動(dòng)訓(xùn)練期的思想，采用R-BREM方法對此次過程的地面氣溫和24 h累積降水進(jìn)行多模式集成試驗(yàn)，以檢驗(yàn)較短訓(xùn)練期多模式集成方法對預(yù)報(bào)的改進(jìn)能力。

4.1 地面氣溫預(yù)報(bào)

圖2 2007年6月1日—8月27日北半球中低緯度區(qū)域(1.25～358.75°E、10～48.75°N)的24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)、144 h(f)和168 h(g)的24 h累積降水預(yù)報(bào)與 TRMM 資料的距平相關(guān)系數(shù)Fig.2 Anomaly correlation coefficients between TRMM data and 24 h accumulated precipitation forecasts for(a)24 h，(b)48 h，(c)72 h，(d)96 h，(e)120 h，(f)144 h and(g)168 h averaged over the area(10—48.75°N，1.25—358.75°E)from 1 June to 27 August 2007

首先對溫度場進(jìn)行多模式集成預(yù)報(bào)試驗(yàn)，基于ECMWF、JMA、NCEP、CMA 四個(gè)數(shù)值中心 2008 年1月1—31日地面氣溫預(yù)報(bào)(預(yù)報(bào)時(shí)效為24～216 h，間隔24 h)，選取6 d為訓(xùn)練期，各預(yù)報(bào)時(shí)效均以1月16—31日共16 d作為預(yù)報(bào)期，以同期的NCEP/NCAR再分析資料作為“觀測值”，進(jìn)行多模式集成預(yù)報(bào)試驗(yàn)。

圖4 給出了 JMA、ECMWF、NCEP、CMA、EMN、BREM、R-BREM 2008年1月16—31日中國南方地面氣溫預(yù)報(bào)的區(qū)域平均均方根誤差，預(yù)報(bào)時(shí)效為24～216 h，時(shí)效間隔為24 h。可以看出，在4個(gè)中心的預(yù)報(bào)結(jié)果中，CMA的預(yù)報(bào)結(jié)果相對較差，ECMWF的預(yù)報(bào)結(jié)果相對較好。選取模式預(yù)報(bào)能力相對較好的3個(gè)中心(JMA、ECMWF、NCEP)的預(yù)報(bào)資料進(jìn)行多模式集成對比試驗(yàn)。在預(yù)報(bào)期，EMN的均方根誤差略低于3個(gè)中心的單個(gè)誤差，RBREM預(yù)報(bào)的誤差最小，改進(jìn)效果最好。

圖3 2007年6月2日—8月28日“實(shí)況場”TRMM的氣候平均日降水量(a;單位:mm)和各個(gè)中心的24 h預(yù)報(bào)的同時(shí)段平均日降水量及其多模式集成預(yù)報(bào)結(jié)果的比較(b—h;RMSE表示日降水量24 h預(yù)報(bào)的均方根誤差，單位:mm;CORR表示24 h預(yù)報(bào)和TRMM資料的距平相關(guān)系數(shù))Fig.3 The intercomparison of mean 24 h accumulated precipitation among(a)TRMM data and(b—h)24 h forecasts for different single models including CMA，ECMWF，JMA，NCEP and UKMO and their multimodel ensemble forecasts from 2 June to 28 August 2007(RMSE represents root-mean-square error of 24 h accumulated precipitation forecast with the unit of mm，while CORR represents the anomaly correlation coefficients between 24 h precipitation forecast and TRMM data)

圖4 2008年1月16—31日中國南方地面氣溫平均均方根誤差(單位:℃)Fig.4 RMSEs of 24—216 h forecasts of surface air temperature averaged over southern China from 16 to 31 January 2008(units:℃)

為了檢驗(yàn)多模式集成預(yù)報(bào)方法對預(yù)報(bào)時(shí)效改進(jìn)的情況，選取1月25日—2月1日兩次雨雪降溫過程，分析單個(gè)數(shù)值預(yù)報(bào)中心、EMN、R-BREM 在不同預(yù)報(bào)時(shí)效對這兩次降溫過程的預(yù)報(bào)誤差。為了更加直觀地展現(xiàn)多模式集成預(yù)報(bào)方法對預(yù)報(bào)時(shí)效的改進(jìn)效果，選取預(yù)報(bào)效果較好的ECMWF提前96 h對1月25日—2月1日預(yù)報(bào)的均方根誤差，以此誤差為基準(zhǔn)，比較EMN、R-BREM預(yù)報(bào)結(jié)果達(dá)到此誤差時(shí)能夠延長的預(yù)報(bào)時(shí)效。如圖5所示，EMN并沒能改善對中國南方大部分地區(qū)的預(yù)報(bào)效果，R-BREM將中國南方大部分地區(qū)的預(yù)報(bào)時(shí)效延長了96 h，使得預(yù)報(bào)時(shí)效延伸至192 h，但對貴州西部的預(yù)報(bào)效果不如ECMWF。對于中國南方大部分區(qū)域，R-BREM有效降低了預(yù)報(bào)的均方根誤差，延長了預(yù)報(bào)時(shí)效。

4.2 降水預(yù)報(bào)

圖5 2008年1月25日—2月1日地面氣溫的EMN(a)和R-BREM(b)預(yù)報(bào)相對于ECMWF 96 h預(yù)報(bào)的預(yù)報(bào)時(shí)效延長時(shí)間(單位:h)Fig.5 The prolonged forecast lead time of(a)EMN and(b)R-BREM forecasts of surface air temperature against ECMWF 96 h forecast from 25 January to 1 February 2008(units:h)

基于 CMA、JMA、ECMWF、NCEP 四個(gè)中心2008年1月1—31日24 h累積降水預(yù)報(bào)(預(yù)報(bào)時(shí)效為24～216 h，間隔24 h)，選取6 d為訓(xùn)練期，各預(yù)報(bào)時(shí)效均以1月16—31日共16 d作為預(yù)報(bào)期，以同期的TRMM(Tropical Rainfall Measuring Mission)資料作為“觀測值”，進(jìn)行多模式集成試驗(yàn)。圖6給出了2008年1月16—31日CMA、JMA、ECMWF、NCEP、EMN、R-BREM 24 h累積降水 144 h 預(yù)報(bào)，在預(yù)報(bào)期16 d的平均均方根誤差地理分布。可見，CMA(圖6a)在中國南方144 h時(shí)效的24 h累積降水的均方根誤差普遍超過4 mm，誤差的大中心區(qū)域出現(xiàn)在廣西東部和廣東西部，誤差超過21 mm，江南、華南地區(qū)的誤差均超過10 mm。對比JMA(圖6b)、ECMWF(圖 6c)、NCEP(圖 6d)的預(yù)報(bào)結(jié)果可以發(fā)現(xiàn)，誤差的大值中心與CMA的結(jié)果一致，均位于兩廣的交界處，且中心誤差超過21 mm，但各中心的預(yù)報(bào)誤差在華東和華中地區(qū)存在一定差異。由于各單個(gè)中心在此試驗(yàn)期間的誤差分布不存在較為顯著的地理差異，因此多模式集成(圖6e、f)的改進(jìn)效果并不顯著，對誤差大值中心的改進(jìn)效果極差，但對于中國南方大部分區(qū)域的預(yù)報(bào)結(jié)果還是有一定的改進(jìn)，尤其是對安徽南部、浙江西部、江西北部的改進(jìn)效果較為明顯。R-BREM方法對預(yù)報(bào)結(jié)果的改進(jìn)程度要大于EMN的。

為了檢驗(yàn)多模式集成預(yù)報(bào)方法對預(yù)報(bào)時(shí)效改進(jìn)的情況，選取1月25日—2月1日兩次雨雪降溫過程，比較單個(gè)數(shù)值預(yù)報(bào)中心、EMN、R-BREM在不同時(shí)效對這兩次雨雪過程的預(yù)報(bào)誤差。分別對CMA、JMA、ECMWF、NCEP、EMN 和 R-BREM 的預(yù)報(bào)結(jié)果進(jìn)行了分級(jí)TS評(píng)分。圖7給出了CMA、JMA、ECMWF、NCEP、EMN和R-BREM 在不同預(yù)報(bào)時(shí)效對1月25日—2月1日中國南方24 h累積降水各降水量級(jí)的TS評(píng)分。比較四個(gè)數(shù)值中心對中國南方小雨(0.1～10 mm/(24 h))的預(yù)報(bào)結(jié)果，除24 h外，其他時(shí)效JMA的預(yù)報(bào)結(jié)果均好于其他預(yù)報(bào)中心。隨著降水量級(jí)的增加，各個(gè)數(shù)值中心的評(píng)分顯著下降。對于中國南方中雨的預(yù)報(bào)(10～25 mm/(24 h))JMA的預(yù)報(bào)評(píng)分波動(dòng)較大，ECMWF的預(yù)報(bào)結(jié)果相對穩(wěn)定，CMA的預(yù)報(bào)技巧相對較低。選用預(yù)報(bào)能力相對較好的三個(gè)中心(JMA、ECMWF、NCEP)的預(yù)報(bào)結(jié)果進(jìn)行多模式集成試驗(yàn)，對于小雨的預(yù)報(bào)除72 h、216 h外，大部分時(shí)效滑動(dòng)訓(xùn)練期消除偏差集合平均的預(yù)報(bào)結(jié)果優(yōu)于單個(gè)中心的結(jié)果，提高了降水的TS評(píng)分。而對于中雨的預(yù)報(bào)滑動(dòng)訓(xùn)練期消除偏差集合平均從24 h至192 h預(yù)報(bào)結(jié)果的TS評(píng)分均高于單個(gè)數(shù)值中心的預(yù)報(bào)結(jié)果。

5 結(jié)論與討論

基于TIGGE資料集下 CMA、JMA、ECMWF、NCEP、UKMO五個(gè)中心的集合預(yù)報(bào)結(jié)果，對北半球中高緯度地區(qū)的地面氣溫、中低緯度地區(qū)24 h累積降水以及2008年初中國南方極端雨雪冰凍過程進(jìn)行多模式集成試驗(yàn)，進(jìn)一步討論各種多模式集成方法的適用性，得到以下幾點(diǎn)結(jié)論:

1)對于地面氣溫預(yù)報(bào)，滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)方法明顯優(yōu)于其他多模式集成方法，其預(yù)報(bào)誤差最小，且在較長預(yù)報(bào)期內(nèi)預(yù)報(bào)結(jié)果保持穩(wěn)定?；谏窠?jīng)網(wǎng)絡(luò)的滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)效果略優(yōu)于基于線性回歸的滑動(dòng)訓(xùn)練期超級(jí)集合預(yù)報(bào)。

2)對于24 h累積降水預(yù)報(bào)，超級(jí)集合的效果不甚理想，誤差甚至超過單個(gè)模式結(jié)果。但無論是以均方根誤差還是以距平相關(guān)系數(shù)來評(píng)價(jià)模式的預(yù)報(bào)效果，消除偏差集合平均結(jié)果均好于單個(gè)中心預(yù)報(bào)。

3)對于2008年初中國南方低溫雨雪冰凍災(zāi)害的預(yù)報(bào)，滑動(dòng)訓(xùn)練期消除偏差集合平均方法最優(yōu)。對于地面氣溫的預(yù)報(bào)在固定誤差范圍內(nèi)，該方法能將大部分地區(qū)的預(yù)報(bào)時(shí)效由最優(yōu)數(shù)值預(yù)報(bào)中心的96 h延長至192 h，有利于提高持續(xù)異常天氣過程預(yù)報(bào)的準(zhǔn)確率。對于24 h累積降水的預(yù)報(bào)，除個(gè)別預(yù)報(bào)時(shí)效外，滑動(dòng)訓(xùn)練期消除偏差集合平均方法有效地提高了小雨、中雨的TS評(píng)分。

圖6 2008年1月16—31 日 CMA(a)、JMA(b)、ECMWF(c)、NCEP(d)、EMN(e)、R-BREM(f)24 h累積降水144 h預(yù)報(bào)平均均方根誤差的地理分布(單位:mm)Fig.6 The geographical distributions of mean RMSEs of 24 h accumulated precipitation forecasts with forecast time of 144 h for(a)CMA，(b)JMA，(c)ECMWF，(d)NCEP，(e)EMN and(f)R-BREM from 16 to 31 January 2008(units:mm)

訓(xùn)練期長度的選擇對預(yù)報(bào)效果的影響較為顯著，在使用滑動(dòng)訓(xùn)練期多模式集成方法時(shí)，應(yīng)根據(jù)預(yù)報(bào)要素的特征選擇最優(yōu)訓(xùn)練期以獲得最佳的預(yù)報(bào)效果。

圖7 不同預(yù)報(bào)時(shí)效對1月25日—2月1日中國南方24 h累積降水的小雨(a)、中雨(b)的TS評(píng)分Fig.7 TS scores of(a)light and(b)moderate rains for 24 h accumulated precipitation with different forecast times from 24 h to 216 h over southern China from 25 January to 1 February 2008

白永清.2010.基于TIGGE資料多模式地面要素的超級(jí)集合預(yù)報(bào)［D］.南京:南京信息工程大學(xué).

陳麗娟，許力，王永光.2005.超級(jí)集合思想在汛期降水預(yù)測集成中的應(yīng)用［J］.氣象，31(5):52-54.

林春澤，智協(xié)飛，韓艷，等.2009.基于TIGGE資料的地面氣溫多模式超級(jí)集合預(yù)報(bào)［J］.應(yīng)用氣象學(xué)報(bào)，20(6):706-712.

王太微，陳德輝.2007.數(shù)值預(yù)報(bào)發(fā)展的新方向——集合數(shù)值預(yù)報(bào)［J］.氣象研究與應(yīng)用，28(1):6-12.

王亞男，智協(xié)飛.2012.多模式降水集合預(yù)報(bào)的統(tǒng)計(jì)降尺度研究［J］.暴雨災(zāi)害，31(1):1-7

楊學(xué)勝.2001.業(yè)務(wù)集合預(yù)報(bào)系統(tǒng)的現(xiàn)狀及展望［J］.氣象，27(6):3-9.

趙聲蓉.2006.多模式溫度集成預(yù)報(bào)［J］.應(yīng)用氣象學(xué)報(bào)，17(1):52-58.

智協(xié)飛，陳雯.2010.THORPEX國際科學(xué)研究新進(jìn)展［J］.大氣科學(xué)學(xué)報(bào)，33(4):504-508.

智協(xié)飛，林春澤，白永清，等.2009.北半球中緯度地區(qū)地面氣溫的超級(jí)集合預(yù)報(bào)［J］.氣象科學(xué)，29(5):569-574.

Cartwright T J，Krishnamurti T N.2007.Warm season mesoscale superensemble precipitation forecasts in the southeastern United States［J］.Wea Forecasting，22:873-886.

Geman S，Biensenstock E，Doursat R.1992.Neural networks and the bias/variance dilemma［J］.Neural Computation，4:1-58.

Krishnamurti T N，Kishtawal C M，LaRow T E，et al.1999.Improved weather and seasonal climate forecasts from multimodel superensemble［J］.Science，285:1548-1550.

Krishnamurti T N，Kishtawal C M，Zhang Z，et al.2000a.Multimodel ensemble forecasts for weather and seasonal climate［J］.J Climate，13:4197-4216.

Krishnamurti T N，Kishtawal C M，Shin D W，et al.2000b.Improving tropical precipitation forecasts from multianalysis superensemble［J］.J Climate，13:4217-4227.

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

Krishnamurti T N，Sagadevan A D，Chakraborty A，et al.2009.Improving multimodel forecast of monsoon rain over China using FSU superensemble［J］.Adv Atmos Sci，26(5):819-839.

Ross R S，Krishnamurti T N.2005.Reduction of forecast error for global numerical weather prediction by the Florida State University Superensemble［J］.Meteor Atmos Phys，88:215-235.

Vijaya Kumar T S V，Krishnamurti T N，F(xiàn)iorino M，et al.2003.Multimodel superensemble forecasting of tropical cyclones in the Pacific［J］.Mon Wea Rev，131:574-583.

Vijaya Kumar T S V，Sanjay J，Basu B K，et al.2007.Experimental superensemble forecasts of tropical cyclones over the Bay of Bengal［J］.Natural Hazards，41:471-485.

Warner B，Misra M.1996.Understanding neural networks as statistical tools［J］.Amer Stat，50:284-293.

Wen M，Yang S，Kumar A，et al.2009.An analysis of the large-scale climate anomalies associated with the snowstorms affecting China in January 2008［J］.Mon Wea Rev，137:1111-1131.

Yun W T，Stefanova L，Krishnamurti T N.2003.Improvement of the multimodel superensemble technique for seasonal forecasts［J］.J Climate，16:3834-3840.

Zhang Ling，Zhi Xiefei.2009.The features and possible causes of the extreme event with freezing rain and snow over the southern China in early 2008［C］//Abstracts，Climate change and tropical climatic hazards in Asia Oceania，6th Annual Meeting of Asia Oceania Geosciences Society.Singapore:Asia Oceania Geosciences Society.

Zhi Xiefei，Bai Yongqing，Lin Chunze，et al.2009.Multimodel superensemble forecasts of the surface air temperature in the Northern Hemisphere［C］//Abstract，Third THORPEX International Science Symposium.California，USA:WMO:57.

Zhi Xiefei，Zhang Ling，Bai Yongqing.2011.Application of the Multimodel Ensemble Forecast in the QPF［C］//Proceedings of International Conference on Information Science and Technology.Nanjing，China:IEEE:657-660.doi:10.1109/ICIST.2011.5765333.

Zhi Xiefei，Qi Haixia，Bai Yongqing，et al.2012.A comparison of three kinds of multimodel ensemble forecast techniques based on the TIGGE data［J］.Acta Meteor Sinica，26(1):41-51.doi:10.1007/s13351-012-0104-5.