基于TIGGE资料的集合成员优选方法

毕潇潇,智协飞,林春泽

(1.气象灾害教育部重点实验室(南京信息工程大学),江苏 南京 210044;2.吉林省气象台,吉林 长春 130062;

3.中国气象局 武汉暴雨研究所 暴雨监测预警湖北省重点实验室,湖北 武汉 430074)



基于TIGGE资料的集合成员优选方法

毕潇潇1,2,智协飞1,林春泽3

(1.气象灾害教育部重点实验室(南京信息工程大学),江苏 南京 210044;2.吉林省气象台,吉林 长春 130062;

3.中国气象局 武汉暴雨研究所 暴雨监测预警湖北省重点实验室,湖北 武汉 430074)

摘要：利用2007年6月8日—8月31日东亚地区TIGGE集合预报资料中欧洲中期天气预报中心(European Centre for Medium-range Weather Forecasts,ECMWF)和英国气象局(United Kingdom Met Office,UKMO)两个中心的地面2 m气温资料进行集合成员优选研究。结果表明,对于24～96 h预报,集合成员优选方法能够较好地选出预报技巧较高和预报技巧较低的集合成员。个例分析表明,在极端天气出现的地区,优选集合平均的预报优势较为明显。对比ECMWF和UKMO的集合成员优选结果发现,ECMWF的预报效果优于UKMO的预报效果。

关键词：TIGGE资料;集合平均;最优集合成员;均方根误差

0引言

集合预报方法是一种使用多个初始场或多个数值模式来描述大气状态不确定性的方法。即从单个初始状态出发,通过多模式或单模式的控制参数变化,得到预报结果的集合,或者给出从初始状态的误差范围估计中得到的一个初始状态的集合,再从这个包含若干初始状态的集合出发,通过一个或多个数值模式,得到相应的、包含多个预报结果的集合,再通过对预报结果集合的分析,得到最终的集合预报产品(段明铿和王盘兴,2004)。研究表明,集合预报效果普遍优于单一确定性预报,是数值天气预报的发展方向(林春泽等,2009;智协飞等,2009)。目前,集合预报在国内越来越受到重视,许多研究表明经过集成的预报结果无论是季节预测、延伸期预报还是中短期天气预报均明显地优于单模式预报(智协飞和陈雯,2010;崔慧慧和智协飞,2013)。

然而,如何快速、准确地从大量集合产品中提炼出我们所需要的信息,目前的集合预报水平还有待提高。在集合预报系统的应用中,集合平均是最简单也是最有效地处理集合成员的方法,但是它平滑了很多可能出现的极端天气。如集合平均经常在小雨量级的降水中出现空报,在大雨量级的降水中出现漏报(王亚男和智协飞,2012)。针对这种情况,通常先对资料进行订正处理,再进行集合预报研究(李佰平和智协飞,2012)。由于受到资料时间长度、地形等因素的影响,每种订正方法都有其局限性。就集合预报的基本原理而言,所有集合成员的预报结果应当是等权重的。然而由于各种因素的影响(如下垫面、海洋等),在实际的集合预报过程中,还是会发现一个或几个集合成员的预报技巧优于其他成员,而这个预报技巧较高的集合成员是不固定的。我们期望在每次预报过程中都能找出那一个或几个对该次预报预报技巧较高的集合成员,以便在进行模式后处理和订正的时候,能够使集合预报系统更精确(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)。通常某些集合成员对东亚区域的降水预报相对其他成员准确,那么在考虑东亚区域的降水时,便将其赋予更多的权重。由于天气系统的复杂性,通过历史统计方法很难捕捉到短期预报的共性。例如,历史上同一天可能不会出现降水天气,但是对于要预报的那一天可能出现强降水。另外,历史资料的处理和存放需要消耗较多的人力物力,费用巨大。本文采用美国国家海洋大气局Du and Zhou(2010)提出的一种方法来选择集合预报系统中预报技巧较高的成员,该方法使用实时预报资料,简便易行,成本低廉,对较低一级的暂时不具备资料共享和高性能计算机等条件的台站尤为适用。

1资料和方法

1.1　资料

所用的资料为世界气象组织THROPEX计划下的TIGGE集合预报资料和美国FNL再分析资料(智协飞和陈雯,2010)。

1)TIGGE集合预报资料:由于2个集合预报系统成员个数不同(欧洲中期天气预报中心51个,英国气象局24个),为方便比较,选取TIGGE集合预报资料下欧洲中期天气预报中心(European Centre for Medium-range Weather Forecasts,ECMWF)前21个集合成员和英国气象局(United Kingdom Met Office,UKMO)前21个成员2007年6月8日—8月31日每日12时(世界时,下同)起报的地面气温资料,预报区域取为东亚(10～45°E,85～145°N),分辨率为1.25°×1.25°,预报时效为24～120 h,间隔为24 h。

2)FNL逐日再分析资料:选取FNL逐日再分析资料作为观测值,用于检验预报效果。时间、区域同预报资料,分辨率为1°×1°。采用双线性插值方法,将预报资料的分辨率降为1°×1°。

1.2　方法

图1给出了集合预报系统误差漂移图。由图1a可以看出,积分一段时间之后,各个集合成员离实况值越来越远,而且与实况值差距较大,结果导致集合平均值也远离了真实值,这说明系统误差偏大。相反,如果各个集合成员的预报结果是包含真值的一个集合(图1b),那么集合平均值就会相对接近实况值。一个良好的集合预报系统是要尽可能地包含真实值的。因此,图1b所示的集合预报系统要优于图1a所示的集合预报系统。由此可见,一个良好的集合预报系统应该是如图1b所示的情况。那么相对于其他集合成员来说,集合平均预报可能更接近实况值。而在实际应用中发现,集合平均只是在区域平均中表现较好,如果某地出现强对流天气等极端天气过程,集合平均的结果又过度平滑,可能会造成此类天气的漏报,而这类天气恰恰是会造成严重损失的。因此,在预报某一时刻天气时,有必要找出集合预报系统中对该时刻的预报技巧较高的某几个集合成员来避免集合平均的过度平滑问题。

图1　集合预报系统误差漂移图(杜钧和陈静,2010;水平实线表示真值;虚线表示随机分布的预报不确定性范围;实线表示集合平均预报;t0是初始预报时刻;t是最终预报时刻)　　a.系统性误差大;b.系统性误差小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

理论上,既然集合预报系统中所有的初始条件和物理过程都是有依据的,那么模式输出的结果也应该是可信的,也就是说,每个集合成员的预报效果是等权重的。但是在实际应用中发现,不同集合成员对不同天气状况的预报能力是不同的。由图1可知,有办法在没有获知实况的前提下找出对特定时次预报技巧较高的那些集合成员。本文研究的对象是85 d区域平均,将每天每个格点上的集合成员预报值与集合平均预报值之间的绝对值定义为距离DA。为了使得结果更能反映真实情况,排除因个别格点误差较大而影响结果,令:

集合成员的预报结果与总成员集合平均的预报结果之差的绝对值DA越小,表示两者之间的差距越小,也就是说,这个集合成员的预报结果相对较好。RSP表示集合离散度,一个良好的集合预报系统应该尽可能地包含真实值,具有合适的离散度。SDI值越小表示预报效果越好。

2效果评估

2.1　ECMWF集合预报

由于本文只研究一个要素(温度),为使结果更加可信,这里选取前5个SDI值最小的集合成员平均作为最优成员(以下简称最优成员),后5个SDI值最大的集合成员平均作为最差成员(以下简称最差成员)。研究最优成员和最差成员排名的平均位置(图2)。

从图2中可以看出,对于24 h预报,最优成员在绝大多数情况下表现效果要优于最差成员,最差成员好于最优成员的情况只有12 d,而且最优成员的平均排名也表现得较好,最差成员的平均排名相对靠后。对于48～72 h预报,最差成员好于最优成员的情况为20 d左右,预报能力有所下降。相对于24 h预报,最优成员的平均排名也有所下降,最差成员的平均排名有所上升,但最优成员仍然表现得较好。对于96 h预报,最差成员好于最优成员的情况超过了20 d。对于120 h预报,最差成员好于最优成员的情况超过了40 d,可认为对于欧洲中心5 d及以上的预报,该方法已经不具备参考价值。

图3给出了2007年6月8日—8月31日ECMWF在东亚区域24～120 h预报的平均均方根误差,可以看出,随着预报时效的延长,预报误差增大。对于24～120 h预报,选出的最优成员的均方根误差小于总成员平均的均方根误差。对于24～96 h预报,总成员平均的均方根误差小于选出的最差成员。对于120 h预报,选出的最差成员的均方根误差小于总成员平均。另外,实际最差成员均方根误差与选出的最差成员之间有很大差距,说明该方法选择最优成员的能力要明显好于选择最差成员的能力。

图2　ECMWF 24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)预报时效预测中表现最优和最差的5个成员在实况中的平均排名位置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

图3　2007年6月8日—8月31日ECMWF在东亚区域24～120 h预报的平均均方根误差(单位:℃)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　个例分析

图4给出了选取的3个个例。对比图4a、b、c可以看出,6月17日实况中青藏高原上出现了温度低于0 ℃以下的区域,选出的最优集合成员和集合平均都体现了较好的预报效果,但选出的最优集合成员预报出来的温度低于0 ℃以下的区域明显比集合平均预报出来的范围更大,更接近实况。对比图4d、e、f可以得出类似的结论。此外,在东南亚、朝鲜半岛等地,选出的最优集合成员相对于集合平均,预报结果更加准确。对比图4g、h、i可以看到,6月28日在新疆东部出现了小范围高温天气,而集合平均的预报结果将这个范围扩大了,并且强度达到了38 ℃以上。选出的最优集合成员的预报结果中,高温范围明显减小,更接近实况。在我国河南、河北等地出现了30 ℃以上高温天气,集合平均将其过度平滑掉了,选出的最优集合成员在位置和强度上更接近实况,但范围较实况仍然较小。

图4　ECMWF在东亚地区的温度分布(单位:℃)　　a.6月17日选出的最优集合成员24 h预报;b.6月17日集合平均的24 h预报;c.6月17日实况;d.6月18日选出的最优集合成员24 h预报;e.6月18日集合平均的24 h预报;f.6月18日实况;g.6月28日选出的最优集合成员24 h预报;h.6月28日集合平均的24 h预报;i.6月28日实况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个集合预报系统的预报结果对比

图5给出了2007年6月8日—8月31日UKMO和ECMWF 24 h预报结果在东亚区域的最优(最差)成员排名情况。可以看出,ECMWF的预报效果要优于UKMO。图6给出了ECMWF和UKMO总体平均的均方根误差对比。从中可以看出,无论是实际最优的5个成员的集合平均,还是选出来的5个最优集合成员的集合平均和总成员的集合平均,ECMWF的预报效果均好于UKMO的预报效果。为了进一步说明问题,图7给出了ECMWF和UKMO利用集合成员优选方法预报效果最好和最差时刻的温度差值地理分布。对比图7a、b可以看出,ECMWF的预报结果偏差小,优于UKMO。对比图7c、d,尽管ECMWF的预报结果在我国新疆出现了8 ℃以上的偏差,但是总体上ECMWF的预报偏差小于UKMO的结果。这也进一步证明了在本文所选取的时间与区域内,ECMWF的系统偏差小于UKMO。

图6　2007年6月8日—8月31日UKMO和ECMWF东亚区域24 h预报的均方根误差(单位:℃)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:℃)

图7　ECMWF和UKMO最优和最差成员在东亚区域24 h预报的温度偏差个例(单位:℃)　　a.2007年8月23日ECMWF最优成员;b.2007年7月18日UKMO最优成员;c.2007年6月16日ECMWF最差成员;d.2007年6月12日UKMO最差成员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结论与讨论

1)最优集合成员的预报技巧多数都优于集合预报系统的总成员平均和最差成员。随着预报时效的延长,该方法的性能有所降低。预报均方根误差显示,最优集合成员的预报技巧优于最差成员和总成员平均。

2)对比最优集合成员、集合平均和天气实况的地理分布,发现最优集合成员相对于集合平均更接近天气实况,这是由于集合平均平滑了许多可能出现的极端天气,最优集合成员更有利于预报灾害性天气。

3)对比ECMWF和UKMO的预报结果,发现ECMWF表现更好。而均方根误差的地理分布显示ECMWF的集合预报系统要优于UKMO。此外,集合预报的系统误差越小,选出最优(最差)成员的效果越好。

通过以上分析,在做短期预报(尤其是夏季等强对流天气旺盛的季节)的时候可以挑选出几个预报技巧较高的集合成员做,这对灾害性天气的预警及防灾减灾都具有积极的意义。该方法也适用于其他连续性要素,如高度场、风场等。

参考文献(References)：

崔慧慧,智协飞.2013.基于TIGGE资料的地面气温延伸期多模式集成预报[J].大气科学学报,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.

杜钧,陈静.2010.单一值预报向概率预报转变的基础:谈谈集合预报及其带来的变革[J].气象,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.

段明铿,王盘兴.2004.集合预报方法研究及应用进展综述[J].南京气象学院学报,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,智协飞.2012.ECMWF模式地面气温预报的四种误差订正方法的比较研究[J].气象,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.

林春泽,智协飞,韩艳,等.2009.基于TIGGE资料的地面气温多模式超级集合预报[J].应用气象学报,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.

王亚男,智协飞.2012.多模式降水集合预报的统计降尺度研究[J].暴雨灾害,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.

智协飞,陈雯.2010.THORPEX国际科学研究新进展[J].大气科学学报,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.

智协飞,林春泽,白永清,等.2009.北半球中纬度地区地面气温的超级集合预报[J].气象科学,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.

(责任编辑：张福颖)

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

文章编号：1674-7097(2015)03-0414-07

中图分类号：P456.7

文献标志码：A

通信作者：智协飞,博士,教授,博士生导师,研究方向为季风动力学、短期气候预测,zhi@nuist.edu.cn.

基金项目:公益性行业(气象)科研专项(GYHY200906009);江苏高校优势学科建设工程资助项目(PAPD)

收稿日期：2013-03-14；改回日期：2013-05-10

毕潇潇,智协飞,林春泽.2015.基于TIGGE资料的集合成员优选方法[J].大气科学学报,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).