基于LPSC算法的逐小时格点气温客观预报及检验评估

刘娜,王勇*,段伯隆,王一丞,段海霞,王基鑫

① 兰州中心气象台,甘肃 兰州 730020;

② 中国气象局 兰州干旱气象研究所,甘肃 兰州 730020

气温作为天气预报中的基本变量,对于人民生活的影响非常显著,高温干旱和寒潮冷害更是会给人民生命财产带来巨大损失,其重要性不言而喻。随着社会经济的发展,政府和公众不仅要求气象部门提供日常的天气预报,还希望获得高精度、逐小时的天气服务信息。精细化的温度预报能更加真实地逼近大气中的物理、化学变化过程,一方面可精准描述高温寒潮等重要天气过程的转折趋势,更好地服务经济民生;另一方面在下垫面模拟、城市大气化学等研究中具有重要的参考价值。

随着数值预报模式和资料同化技术的发展,数值预报在天气预报业务中的作用愈加重要,其要素预报亦成为预报业务的重要参考依据(矫海燕,2010)。目前,从数值预报本身直接来改善要素场预报较为困难,且研发周期较长,而利用数值模式的释用订正技术,能够快速提高数值预报模式输出的气象要素预报水平,是开展精细化预报的重要环节。因此,在模式预报性能基本稳定的前提下,针对温度等具有连续性的要素,采用一些后处理的订正方法(如统计分析、卡尔曼滤波、机器学习、相似预报理论和多模式集成等)来消除或减小模式自身的系统误差、以及特殊地形和下垫面等的影响,有助于提高天气预报准确率(蔡凝昊和俞剑蔚,2019;智协飞和黄闻,2019;刘新伟等,2020a)。

相关气温预报订正研究表明,若将整个气温预报时间序列分成训练期和预报期两部分,训练期长度的变化会影响最终的预报结果(智协飞和陈雯,2010),且滑动训练周期超级集合优于固定训练周期超级集合(智协飞等,2014)。吴启树等(2016)采用多种训练期方案和MOS方法对1～7 d的逐日最高、最低温度进行对比分析发现,准对称滑动周期方案显著提高了ECMWF细网格的最高、最低气温的预报准确率。刘新伟等(2020b)采用小波分析方法建立了西北区239个国家站不同的滑动训练周期,该方法对ECMWF细网格和SCMOC在西北地区的最高、最低气温预报的订正效果显著。

随着预报精细化的不断提高,逐小时甚至更小时间尺度预报的需求越来越大。罗聪等(2012)利用卡尔曼滤波和MOS方法对模式气温预报进行释用,得到的站点逐时滚动气温预报结果表明该方法对气温预报能力的改进很明显,特别在1～6 h内。赵瑞霞和姚莉(2016)利用MEOFIS平台采用MOS建模方法开展了3 h滚动逐小时高密度站点气温预报试验,取得了良好的预报效果。王丹等(2015)利用线性回归方法建立了一种基于日最高气温和最低气温预报以及临近气温实况资料的逐时气温预报模型,该方法可以将24 h日最高(低)气温预报细化到逐时气温预报,同时考虑了气温日变化的地域差异、季节特征及在晴天、多云和阴雨天的不同表现。唐冶等(2021)利用DOGRAFS对新疆105个站点逐小时气温和降水预报的释用时,采用最高、最低气温建模方案,将逐小时气温的预报准确率提高到64%,平均绝对误差减小为1.9 ℃,预报的离散度降低。

业务全球模式预报的时间尺度有时并不能满足小时尺度的预报需求,而基于中尺度模式通过不同的释用方法开展精细客观预报就成为了一种行之有效的解决方法。作为我国自主研发的区域数值模式,CMA-MESO-3km模式于2019年推广至全国,预报性能提高很快,引起国内外相关学者的关注(Shen et al.,2020)。许多学者对其天气预报能力进行了对比检验(许晨璐等,2017;唐文苑等,2018),但主要针对降水、强对流天气以及最高、最低气温等。

以上研究在站点气温预报中均取得了良好的预报效果,特别是最高、最低气温,但对逐小时格点气温的客观预报研究较为少见(赵滨和张博,2018;曾晓青等,2019)。本文在基于CLDAS三维融合实况数据,对ECMWF大尺度模式和CMA-MESO-3km中尺度模式气温预报产品进行检验的基础上,研究建立了一套逐小时格点气温的订正释用方法(低频滑动平均订正算法,简称LPSC),并利用SCMOC对释用结果进行检验评估,以期对今后甘肃省气温精细化客观预报产品的研发提供参考。

1 资料和方法

1.1 研究区域

气温的地理分布及变化特征是受地理纬度、太阳辐射和地形特征共同影响的结果。甘肃省地处黄河中上游黄土高原、内蒙古高原和青藏高原的交汇区,地域辽阔且境内地形地貌复杂多样,高山、盆地、平川、沙漠和戈壁等交错分布(图1),导致气温的空间分布差异较大,全省年平均气温自东南向西北、由盆地、河谷向高原、高山逐渐递减。甘肃省行政边界是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2019)1824的标准地图制作,底图无修改。

图1 甘肃省地形Fig.1 Topography of Gansu Province

1.2 实况与模式资料

实况数据由中国气象局陆面数据同化系统(Land surface Data Assimilation System of China Meteorological Administration,CLDAS)提供的V2.0版本近实时产品数据集中的逐小时2 m气温,空间分辨率为0.05°×0.05°。相关研究表明,该数据集中气温数据在中国区域整体上具有较高的可信度(师春香等,2019;刘莹等,2021)。

预报资料由欧洲中期天气预报中心(the European Center of Medium-range Weather Forecasts,ECMWF)和中国气象局(China Meteorological Administration,CMA)提供。具体如下:1)ECMWF高分辨率模式提供的0～240 h逐3 h间隔2 m气温预报,空间分辨率为0.125°×0.125°;2)CMA-MESO-3km中尺度模式提供的0～36 h逐1 h间隔2 m气温预报,空间分辨率为0.03°×0.03°;3)SCMOC提供的0～72 h逐1 h间隔2 m气温预报,空间分辨率为0.05°×0.05°。为保证预报数据的时空分辨率一致,将ECMWF模式数据分别采用双线性插值和非递减三次样条插值进行空间和时间降尺度,同时采用双线性插值对CMA-MESO-3km模式数据进行稀疏化处理,将其统一处理为空间分辨率为0.05°×0.05°的逐1 h气温预报产品,气温预报产品的起报时间均为08:00和20:00(北京时,下同)。

由于ECMWF和CMA-MESO-3km的预报产品传输至业务系统的时间滞后于起报时间,因此采用前一日20:00和当日08:00起报的13～36 h逐小时气温分别作为当日08:00和20:00起报的1～24 h逐小时气温。以上资料均选取2019年1月1日—12月31日的CLDAS实况数据和相应的ECMWF、CMA-MESO-3km预报数据作为计算两种模式最优滑动训练周期的数据集,而将2020年12月1日—2021年11月30日相应的实况与预报数据作为独立检验的数据集。

1.3 研究方法

1.3.1 LPSC算法

刘新伟等(2020a,2020b)研究表明利用Morlet小波分析方法和邻域法能够显著提高ECMWF模式和SCMOC在西北地区的站点最高、最低气温预报准确率,订正效果明显。因此,本文基于CLDAS三维融合格点实况和不同尺度模式(ECMWF、CMA-MESO-3km)预报的逐小时气温数据,采用低频滑动平均订正算法(Low frequency Periodic Slide average Correction method,LPSC),形成逐小时气温的格点客观预报产品。具体步骤如下:

1)建立最优滑动训练周期。基于2019年逐小时气温的实况与模式预报的误差时间序列(剔除缺测值),利用Morlet小波变换逐时次分析每个格点的周期变化特征,根据前期研究结果从5～30 d内得出最优滑动训练周期t。小波变换公式如下(其中,c为常数,取0.62,i为复数):

φ(t)=eicte-t2/2。

(1)

2)模式的客观订正预报。通过最优滑动训练周期对模式的系统性误差(即预报值-实况值)进行滑动平均,逐时次逐格点获得“动态”订正系数;利用该系数对模式预报产品进行滑动订正,得出最终订正预报结果。

(2)

1.3.2 检验方法

为便于和中国气象局气温预报业务考核办法相统一,采用2005年中国气象局下发的中短期天气预报质量检验办法(试行)(气发[2005]109号)中预报准确率(T2,单位:%)、平均绝对误差(TMAE,单位:℃),并采用了平均误差(TME,单位:℃)和技巧评分(TSS,单位:%)进行预报效果的检验、对比。计算公式如下:

(3)

(4)

(5)

(6)

其中:N2为平均绝对误差不超过2 ℃的样本量;N为样本总量;T2为气温预报平均绝对误差不超过2 ℃的百分率;Fi为第i个格点气温的预报值;Oi为第i个格点气温的实况值;TME和TMAE分别代表了模式预报误差的倾向(偏高或偏低)和偏差幅度。TMAEN为SCMOC逐小时气温的平均绝对误差;TMAEF为订正后ECMWF或CMA-MESO-3km模式逐小时气温的平均绝对误差;TSS为技巧评分。

2 最优滑动训练周期

ECMWF是具有较高预报水平和稳定预报技巧的全球模式产品,一直是我国天气预报业务的重要参考模式之一。图2给出了2019年、2020年ECMWF不同季节逐小时气温的预报准确率和平均误差,可以看出:1)除冬季外,春夏秋三个季节的预报准确率变化幅度均不大,预报效果较为稳定;2)ECMWF对甘肃省逐小时气温的预报效果存在明显的日变化差异,夜间预报准确率明显低于白天,主要表现为夜间预报显著偏高,白天为弱的负偏差;3)冬季ECMWF预报准确率整体偏低,夜间气温的系统性偏高特征变得更加明显。以上研究结论与齐铎等(2020)在中国东北中北部地区的研究结果一致,反映出ECMWF对逐小时气温预报具有相对稳定的系统性误差,便于利用该误差分析最优滑动训练周期的特征。

图2 ECMWF模式08:00(a、c)、20:00(b、d)起报的逐小时气温预报准确率(1)和平均误差(2):(a、b)2019年;(c、d)2020年Fig.2 (1)Average deviation and (2)forecast accuracy of 2 m temperature at (a,c) 08:00 BST and (b,d) 20:00 BST of ECMWF model in (a,b) 2019 and (c,d) 2020

不同地形对气温的影响存在较大差异,根据地势高低及地形地貌特征将甘肃省分为北山中山区、河西走廊平原区、祁连高山区、黄土高原丘陵区、陇南中低山区和甘南高原区等6个区。本文选择以ECMWF模式中不同地形下临近站点(依次为马鬃山、张掖、肃北、靖远、武都、碌曲)的典型格点为例,对最优滑动训练周期(08:00起报13 h)进行分析,如图3所示。由图可知,该时次临近马鬃山、张掖、肃北、靖远、武都、碌曲的典型格点对应的最优滑动训练周期是不同的,分别为20、27、8、13、6和8 d。

图3 不同地形下典型格点的小波周期对应的功率谱随时间变化Fig.3 Corresponding power spectrum change with time to wavelet period of typical grid points in different terrains

因此,利用2019年ECMWF、CMA-MESO-3km模式与CLDAS三维融合实况的逐小时气温产品,逐时次逐格点建立最优滑动训练周期;对2020年12月—2021年11月两种模式订正前、后逐小时气温预报产品进行独立检验,验证LPSC算法是否能够有效订正不同尺度模式系统性误差;同时还对比检验SCMOC与订正后两种模式的逐小时气温预报效果,为不同尺度模式气温预报的释用与改进提供一定的参考。

3 订正效果评估

3.1 ECMWF气温预报检验及订正

图4为ECMWF订正前后逐小时气温预报准确率和平均误差的日变化,可知,订正前,春、夏、秋、冬四个季节预报准确率分别为54.53%、55.99%、55.53%、48.96%,对应的平均误差为-0.84～1.06、-0.17～1.76、-0.88～1.66、-1.01～2.91 ℃,其中冬季预报效果明显低于其他季节。经过LPSC算法订正后,四个季节预报准确率均超过73%,依次提高了19.56%、17.11%、19.86%和24.41%,平均误差依次为-0.19～0.06、-0.06～0.07、-0.10～0.28、-0.06～0.06 ℃。显然,订正后ECMWF逐小时气温的预报准确率明显提高(61%～85%)、平均误差明显减小(±0.3 ℃之内)。从逐时平均误差来看,ECMWF在订正前后均具有明显的日变化特征,春夏季白天(09—20时)为负偏差,夜间(21时—次日08时)为正偏差;而秋冬季午后至傍晚(12—18时)为负偏差,其余时间为正偏差。另外,逐小时气温在各个时刻较模式本身均有一定提升,提升幅度最大为31.68%、最小为11.37%,具有明显的正订正效果,说明LPSC算法能够有效改善ECMWF对甘肃省逐小时气温预报的系统性误差。

图4 订正前、后ECMWF的逐小时气温预报准确率(1)和平均误差(2):(a)春季;(b)夏季;(c)秋季;(d)冬季Fig.4 (1)Forecast accuracy and (2)mean error of ECMWF hourly temperature before and after correction:(a) spring;(b) summer;(c) autumn;(d) winter

图5给出了不同季节订正前、后ECMWF逐小时气温预报的平均误差空间分布可知,春季,订正前ECMWF在甘肃省大部分地区以负误差为主,为-4～0 ℃,其中甘南东南部和陇南南部及祁连山区中东部的平均误差可达-6 ℃以下,而酒泉南部山区和北部均为负误差,其中酒泉南部山区误差可达8～12 ℃,酒泉北部误差低于南部山区,为0～4 ℃(图5a)。经过订正后平均误差明显减小,降低至±2 ℃以内,其中河西地区和甘南西部以负误差为主,其余地区为正误差(图5e)。夏季,位于沙漠边缘地带的河西地区北部从春季的负误差转为正误差,陇东地区为正误差,误差均在0～2 ℃;秋季,预报误差分布与夏季类似,但在陇中地区表现为局部正误差;订正后发现夏秋季甘肃省大部分地区均为弱的正误差(图5b—c、图5f—g)。而冬季甘肃省大部分地区预报偏高,其中酒泉南部山区平均误差可达10～12 ℃以上,仅在甘南东南部、陇南南部和北部、定西南部及祁连山区东部预报偏低,负误差约为-6～-2 ℃;订正后误差也明显降低(图5d和图5h)。总体而言,LPSC算法能够显著提高ECMWF对甘肃省逐小时气温的客观预报能力,降低在甘肃省逐小时气温预报中的系统性误差。

图5 订正前(a—d)、后(e—h)ECMWF逐小时气温平均误差的空间分布(单位:℃):(a、e)春季;(b、f)夏季;(c、g)秋季;(d、h)冬季Fig.5 Spatial distribution of mean error of ECMWF hourly temperature (a—d) before and (e—h) after correction (unit:℃):(a,e) spring;(b,f) summer;(c,g) autumn;(d,h) winter

3.2 CMA-MESO-3km逐小时气温预报检验及订正

目前甘肃省内对于数值预报的检验评估、订正方法研究和成果应用等大多是基于ECMWF等大尺度模式,针对CMA-MESO-3km中尺度模式产品的分析应用仍停留在主观分析方面,对其系统性的检验评估仍为空白;同时,为验证LPSC算法对不同尺度模式的订正效果,很有必要对CMA-MESO-3km逐小时气温进行检验并订正。

图6给出了不同季节订正前后CMA-MESO-3km逐小时气温预报效果的日变化。从预报准确率可以看出,订正前,CMA-MESO-3km对甘肃省逐小时气温的预报准确率整体偏低,约为29%～59%;春、夏、秋、冬季的平均预报准确率依次为51.22%、48.67%、45.07%和41.61%。经过LPSC算法订正后,预报效果较订正前有了明显提升,四个季节的预报准确率依次提高了16.32%、16.54%、23.71%、24.43%,其中预报准确率最高为75.40%、最低为57.02%,分别出现在冬季08时和秋季18时。从平均误差来看,订正前表现为明显的日变化特征,春、秋、冬三个季节在午后至傍晚预报偏低,18时至次日11时预报偏高;而夏季在10—19时为弱的负误差,其他时次为正误差。不同季节的平均误差结果表明,冬季误差最大,为-1.86～3.45 ℃,其次为春、秋季,分别为-0.47～2.73 ℃和-0.55～3.10 ℃,夏季误差相对最小,为-0.07～2.90 ℃;订正后平均误差较订正前整体显著减小,在±0.18 ℃之内。以上分析说明LPSC算法也能够对CMA-MESO-3km逐小时气温的系统性误差进行有效订正,预报准确率较订正前明显提高。

图6 订正前、后CMA-MESO-3km逐小时气温预报准确率(1)和平均误差(2):(a)春季;(b)夏季;(c)秋季;(d)冬季Fig.6 (1)Forecast accuracy and (2)mean error of CMA-MESO-3km hourly temperature before and after correction:(a) spring;(b) summer;(c) autumn;(d) winter

图7为不同季节订正前后CMA-MESO-3km逐小时气温预报的平均误差空间分布。整体来看,不同季节CMA-MESO-3km逐小时气温在河西大部分地方均预报偏高,而在甘岷山区和陇南南部均以负误差为主,说明CMA-MESO-3km逐小时气温预报在甘肃省存在系统性误差。其中春、秋季正误差的范围最大,包括了河西大部分地方、陇中及陇东地区,酒泉南部山区误差最大,可达10～12 ℃以上,其次为酒泉北部,春、秋季误差分别为0～4、2～6 ℃;而负误差主要位于甘南高原、定西南部及陇南南部,误差约为-4～0 ℃,部分地方可达-4 ℃以下,祁连山区为负误差,春季平均误差大于秋季。夏季和冬季的平均误差分布类似,河西大部分地方以正误差为主,河东以负误差为主,最大正误差出现在酒泉南部山区,为8～12 ℃,最大负误差出现在甘南东南部和陇南南部,为-6～-4 ℃。经过LPSC算法订正后,全省平均误差均减小至±2 ℃之内,其中春季除陇南、天水及甘南西部、酒泉西部外均为正误差,夏季全省以负误差为主,秋季除河西中东部、陇东地区外均为正误差,秋季河西大部分地方为负误差,河东整体为正误差。

图7 订正前(a—d)、后(e—h)CMA-MESO-3km逐小时气温平均误差的空间分布(单位:℃):(a、e)春季;(b、f)夏季;(c、g)秋季;(d、h)冬季Fig.7 Spatial distribution of mean error of CMA-MESO-3km hourly temperature (a—d) before and (e—h) after correction (unit:℃):(a,e) spring;(b,f) summer;(c,g) autumn;(d,h) winter

与订正前相比,经过LPSC算法订正后,ECMWF和CMA-MESO-3km逐小时气温预报效果有了显著提升,预报准确率分别提高了20.24%、20.25%,且平均误差明显减小;空间分布亦表明,订正后全省平均误差降低至±2 ℃之内。综上所述,LPSC算法能够对ECMWF和CMA-MESO-3km逐小时气温预报的系统性误差进行有效订正,进一步提高两种模式对甘肃省逐小时气温的预报能力。

3.3 订正后 ECMWF、CMA-MESO-3km与SCMOC逐小时气温预报的对比

SCMOC作为当前业务中主要参考的温度预报产品,其预报效果深受预报员的关注;但其逐小时气温产品在甘肃省的预报能力尚不明晰;同时上述两种本地化逐小时气温订正产品是否能够代替SCMOC,为甘肃省智能网格温度预报提供背景场,均亟需进一步检验评估。

图8给出了不同季节SCMOC逐小时气温预报的平均误差的日变化和空间分布特征。从平均误差的日变化可以看出,SCMOC在春、夏、秋、冬季的平均误差依次为0.57、0.57、0.79、1.02 ℃,整体上预报较实况偏高,冬季预报偏高最多,其次是秋季,春、夏季误差相对较小。另外,SCMOC在夏、秋季各个时次的平均误差均为正值,冬、春季在00—08时、18—23时为正误差、其余时次误差规律不显著。而平均误差的空间分布表明,SCMOC与ECMWF、CMA-MESO-3km两种模式逐小时气温预报误差分布基本相似,在河西以正误差为主,其中酒泉南部山区正误差最大,部分地方可超过10～12 ℃,酒泉北部次之,春、夏季为2～4 ℃,秋冬季误差略大,局部地方达到4-6 ℃。其余地方正误差均在0～2 ℃;负误差主要出现在甘南东南部、陇南南部以及祁连山区,最大负误差不超过-6 ℃。

图8 SCMOC逐小时气温平均误差的日变化(a—d)和空间分布(e—h)(单位:℃):(a、e)春季;(b、f)夏季;(c、g)秋季;(d、h)冬季Fig.8 (a—d) Diurnal variation and (e—h) spatial distribution of mean error of SCMOC hourly temperature (unit:℃):(a,e) spring;(b,f) summer;(c,g) autumn;(d,h) winter

订正后ECMWF、CMA-MESO-3km和SCMOC逐小时气温的预报准确率和平均绝对误差的日变化(图9)表明,订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果均优于SCMOC,其平均预报准确率分别为73.99%、66.89%,较SCMOC高20.65%、13.55%。从预报准确率和平均绝对误差的日变化可以看出,SCMOC逐小时气温的预报准确率在各个时次均明显低于订正后的ECMWF,而订正后CMA-MESO-3km的预报准确率仅在春季08时和夏季07—08时与SCMOC相差较小,其他季节和时次均明显高于SCMOC。另外,SCMOC逐小时气温的平均绝对误差基本在2 ℃以上,尤其在冬季夜间,大部分时次的平均绝对误差可超过3 ℃;而订正后ECMWF、CMA-MESO-3km逐小时气温的平均绝对误差在各个时次均低于2 ℃,且订正后ECMWF的平均绝对误差在各个时次明显低于订正后CMA-MESO-3km。

图9 订正后ECMWF、CMA-MESO-3km和SCMOC逐小时气温的预报准率(a—d)和平均绝对误差(e—h):(a、e)春季;(b、f)夏季;(c、g)秋季;(d、h)冬季Fig.9 (a—d) Forecast accuracy and (e—h) mean absolute error for hourly temperatures of the ECMWF,CMA-MESO-3km after correction and SCMOC:(a,e) spring;(b,f) summer;(c,g) autumn;(d,h) winter

订正后ECMWF和CMA-MESO-3km逐小时气温预报技巧的空间分布(图10)进一步表明,订正后ECMWF在全省基本为正预报技巧,特别是河西西部,其中酒泉南部山区预报技巧可达80%以上;而订正后CMA-MESO-3km逐小时气温预报技巧在各个季节分布存在差异,尤其在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。分季节对比来看,春季,订正后ECMWF预报技巧基本为正值,说明其预报效果是明显优于SCMOC的,而订正后CMA-MESO-3km在河西和陇中的大部分地方为正技巧,而在武威中部、陇东南部分地区和甘南高原为负技巧;夏季,订正后ECMWF除武威中部和陇东南局部地方外基本以正技巧为主,而订正后CMA-MESO-3km除酒泉大部分地方和甘南东南部、陇南南部一带外,全省以负技巧为主。与夏季相比,秋季订正后ECMWF的预报技巧除甘南高原外均为正技巧;订正后CMA-MESO-3km的负技巧范围有所减小。冬季,订正后ECMWF和CMA-MESO-3km逐小时气温的预报效果整体上均优于SCMOC,表现为全省大部分地方均为明显的正技巧,其中前者在甘南高原部分地方为负技巧,而后者还包括了陇东南部分地方。

图10 订正后ECMWF(a—d)、CMA-MESO-3km(e—h)逐小时气温技巧评分的空间分布(单位:%):(a、e)春季;(b、f)夏季;(c、g)秋季;(d、h)冬季Fig.10 Spatial distribution of skill score for hourly temperature of (a—d) ECMWF,(e—h) CMA-MESO-3km after correction (unit:%):(a,e) spring;(b,f) summer;(c,g) autumn;(d,h) winter

综上所述,SCMOC逐小时气温预报在甘肃省整体偏高,主要时段为00—08时和18—23时;其平均误差空间分布与ECMWF、CMA-MESO-3km两种模式的分布基本相似,在河西以正误差为主,负误差主要出现在甘南东南部、陇南南部以及祁连山区。订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果均优于SCMOC,其中订正后ECMWF在全省大部分地方均为正技巧,其中酒泉南部山区可达80%以上;而订正后CMA-MESO-3km的预报效果各个季节分布存在差异,主要体现在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。

4 结论与讨论

本文基于ECMWF大尺度模式、CMA-MESO-3km中尺度模式的气温预报数据,以及中国气象局陆面数据同化系统(CLDAS)V2.0逐小时气温实况融合数据,检验评估了不同尺度模式对甘肃省逐小时气温的预报性能;并利用低频滑动平均订正算法(LPSC)对两种模式的系统性误差进行订正,该算法能够显著改善两种模式的逐小时气温预报效果,为甘肃省精细化智能网格预报业务提供了技术支撑;同时通过对比评估SCMOC和订正后ECMWF、CMA-MESO-3km模式的逐小时气温预报效果,为国产模式的改进和本地化应用提供一定的参考。主要结论如下:

1)ECMWF、CMA-MESO-3km模式对甘肃省逐小时气温的预报具有相对稳定的系统性误差。不同尺度模式的预报效果均存在明显的日变化特征,夜间预报准确率明显低于白天,主要表现为夜间预报显著偏高,白天为弱的负偏差。其次,冬季预报效果不如其他三个季节,主要是因为冬季ECMWF夜间的正误差和CMA-MESO-3km白天的负误差相对较大。

2)LPSC算法能够有效改善ECMWF和CMA-MESO-3km对甘肃省逐小时气温预报的系统性误差,显著提高了两种模式的预报能力。订正前,ECMWF、CMA-MESO-3km平均预报准确率为53.75%、46.64%,订正后分别较模式本身提高了20.24%、20.25%;而平均误差也从订正前的-1.01～2.91 ℃和-1.86～3.45 ℃减小至订正后的±0.3 ℃之内。从空间分布来看,订正前两种模式的逐小时气温在河西大部分地方预报偏高(如酒泉南部山区可达8～10 ℃以上),而在甘岷山区和陇南南部均以负误差为主;经过LPSC算法订正后,全省平均误差降低至±2 ℃之内,说明该算法能够对模式的系统性误差进行有效订正。

3)订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果整体上均优于SCMOC。两种模式的预报准确率分别较SCMOC高20.65%、13.55%;且平均绝对误差在各个时次均明显低于SCMOC。技巧评分的空间分布表明,订正后ECMWF在全省大部分地方均为正技巧,其中酒泉南部山区可达80%以上;而订正后CMA-MESO-3km的预报效果各个季节分布存在差异,主要体现在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。

采用统计方法能够消除和减小的模式系统性误差主要包括两种:一是由于模式地形、降尺度算法和物理过程不确定带来的系统性误差,二是模式对某次转折性天气过程预报的偏差。本文通过对不同尺度模式温度预报产品的检验及订正发现,利用LPSC算法可以消除或减小第1种系统性误差,而由于该算法以误差变化较稳定和连续为前提,订正效果则取决于天气过程的稳定性,目前对第2种系统误差的订正效果并不好。需要指出的是,检验结果和业务应用结果均表明,对于转折性天气过程,该方法存在一定缺陷,使用时需要特别注意。后续相关研究中需要重点关注转折性天气过程中温度的订正预报,从而进一步提高精细化温度的客观预报水平。