基于TIGGE资料的三种多模式集合预报技术比较外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于TIGGE资料的三种多模式集合预报技术比较

智协飞¹，祁海霞¹，白永清¹，林春泽²

1教育部气象灾害重点实验室，南京信息工程大学，南京210044

2中国气象局武汉暴雨研究所，武汉430074

（2010年11月23日收稿，2011年12月12日最终稿）

摘要

基于THORPEX（观测系统研究和可预测性试验）交互式全球大集合（TIGGE）数据集下ECMWF（欧洲中期天气预报中心），JMA（日本气象厅），NCEP（美国国家环境预测中心）和UKMO（英国气象局），对2007年6月1日至2007年8月31日在北半球（10°-87.5°N，0°-360°）表面温度与500hPa位势高度场进行多模式集合预报。通过消除偏差集合平均（BREM），多元线性回归的超级集合（LRSUP）和基于神经网络的超级集合（NNSUP）技术可得出168h内的温度和风场预报，预测期为2007年8月8日至31日。

通过使用均方根误差（RMSE）对预测技能进行检验。对分别使用BREM，LRSUP和NNSUP的预测结果进行对比分析表明，在预报时效为24-168h时，超级集合技术（LRSUP和NNSUP）比最佳单一模式具有更高的技能。在对500 hPa位势高度的24-120小时预报中，超级集合技术（LRSUP和NNSUP）比最佳单一模式的RMSE改善约16％，而BREM仅改进8％。对于24-120小时的预报，NNSUP和LRSUP比BREM技巧更好。但对于144-168小时的预报，BREM，LRSUP和NNSUP预测误差大致相等。此外，不包括UKMO模型的BREM预测比包括UKMO模型在内的预测效果更好，而两种情况下的LRSUP预测效果大致相同。

BREM和LRSUP集合预报技术中采用训练期，发现BREM和LRSUP在每个网格点训练期的最佳长度不同。一般来说，在大多数地区，BREM的最佳训练期不到30天，而LRSUP则为45天左右。

关键词：多模式超集，偏移去除集合平均，多元线性回归，神经网络，运行训练周期，TIGGE

引用本文：智协飞，祁海霞，白永清，等。2012：基于TIGGE数据的三种多模式集合预报技术比较。

Acta Meteor. Sinica, 26(1), 41–51,

doi: 10.1007/s13351-012-0104-5.

1.引言

由于大气是一个非线性耗散系统，数值天气预报受到模型物理参数化，初始误差，边界问题等的限制。因此，改进成熟单一模型的天气预报技巧可能需要相当长的时间， 这就是为什么科学家早就提出集合预报的想法的原因（Lorenz，1969; Leith，1974; Toth和Kalnay，1993）。

目前，数值天气预报正在从传统的确定性预报发展到集合概率预报。随着通信，网络和计算机以及其他技术的快速发展，天气预报方面的国际合作变得更加紧密，特别是在观测系统研究和可预测性实验（THORPEX）交互式全球大集合（TIGGE）数据可用时。TIGGE是THORPEX的关键组成部分，后者载于WMO（世界气象组织）世界天气研究计划。 THORPEX旨在加速提高1天至2周高影响天气预报的准确性。TIGGE项目已经启动，可以进行先进的多模式集成概念的研究和演示，并为在国际层面上实施这种系统铺平道路（Park等人，2008; Bougeault等人，2010）。

Krishnamurti等人（1999）提出了一种所谓的多模式超集预测方法，它是一种能够减少直接模型输出误差的非常有效的后处理技术。在他随后进行的850hPa风，降水，热带气旋路径和强度的多模式超集合预报实验中发现，单个模式和多模式集合均值相比，超集合预报显著降低了误差（Krishnamurti等， 2000a，b，2003，2007a）。对500 hPa位势高度的24〜144 h超级集合预报表明，超级集合的ACC（Anomaly Correlation Coefficient，异常相关系数）技能比最佳单一模式预报高。 Rixen和Ferreira-Coelho（2006）利用线性回归和非线性神经网络技术进行了多重大气和海洋模式的超级集合，对葡萄牙西海岸的海面漂移进行了短期预报。结果表明，大气和海洋模式的超级集合显着降低了12-48小时海面漂移预报的误差。 Cartwright和Krishnamurti（2007）指出，美国东南部2003年夏季降水的12-60小时超集预报比单个模型更准确。在南海季风爆发期间降水的超集预报中，Krishnamurti等（2009a）发现，登陆台风期间的降水和极端降水超级集合预报比最佳单一模式预报具有更高的预报技巧。 Zhi等人进一步研究。 （2009a，b）表明，2007年夏季北半球中纬度地表温度预报中，具有运行训练期多模式超集合预报的预报能力高于传统超集预报。经过各种预报实验，证明了超级集合方法可以显著提高天气和气候预测技能（Stefanova和Krishnamurti，2002; Mishra和Krishnamurti，2007; Krishnamurti等，2007,2009; Rixen等，2009; 智协飞等，2010 ）。然而，单个模型集合可能会超越包含差模型的多模型集合（Buizza 等，2003）。因此，多模式集合预报技术及其应用需要进一步研究。有必要比较研究不同多模式集合预报方案的特点。

然而，单个模型集合可能会超越包含差模型的多模型集合（Buizza等，2003）。 因此，多模式集合预报技术及其应用需要进一步研究，比较研究不同多模式集合预报方案的特点很有必要。

2.数据和方法

2.1数据

本研究中使用的数据是TIGGE数据集下欧洲中期天气预报中心（ECMWF），日本气象厅（JMA），美国国家环境预测中心（NCEP）和英国气象局（UKMO）的地面温度，500 hPa位势高度，温度，协调世界时为1200时的风场（UTC）的每日集合预报数据输出。包含于多模式集合预报中的四个模式的特征根据Park等人的研究在表1中列出。（2008年）。每个模式的预报数据的时间长度为2007年6月1日至8月31日，范围为北半球（10°-87.5°N，0°-360°），水平分辨率为2.5°times;2.5°，预报时效为24-168小时。 NCEP / NCAR再分析数据用于相应的气象变量作为“观测值”。注意NCEP / NCAR再分析数据的面积和水平分辨率与TIGGE数据的一致。

2.2.1基于超集预报的线性回归

Krishnamurti等人制定了多模式超集预报。 （2000a，2003）。在给定的网格点上，对于一定的预报时间和气象要素，超集预报模型可以被构建为：

（1）

其中St表示实时超集预测值，O训练期间的平均观测值，Fi，t第i个模型预测值，Fi训练期间第i个模型预测值的均值，ai第i模型的权重，n参与超集的模型的数量，t是时间。

权重ai可以用最小二乘法通过下面的方程（2）最小化函数G来计算。

获得的回归系数ai将用于式（1），它在预测期间创建了超集预报。

（2）

应该指出的是，传统的超级集合体采用固定的训练周期，而Zhi等人提出了一种改进的超级集合体。（2009a）它采用一个运行训练期，在预测日之前选择训练期内一定长度的最新数据。基于超集预报的线性回归使用运行训练期将被缩写为LRSUP。

2.2.2基于超集预报的非线性神经网络

除了线性回归方法外，非线性神经网络技术（Geman等，1992; Warner和Misra，1996）三层反向传播（BP）也运用于超集预报（以下简称为NNSUP）实施非线性神经网络。在训练期间，每个模型的输出被作为神经网络学习矩阵的输入。在预测期间，将训练好的网络参数纳入预测模型，以获得多模式超集预报（Stefanova and Krishnamurti，2002; Zhi et al。，2009b）。

2.2.3偏移去除的集合平均和多模式集合均值

偏移去除的集合均值（以下简称BREM）定义为

（3）

其中BREM是偏移去除的集合平均预测值，N是参与BREM模型的数量。 BREM技术也采用运行训练期。

此外，多模式集合均值（以下简称EMN）被执行并用作超集合预测的交叉参考。

（4）

在验证单模型预报和评估多模式集合预报时，采用了均方根误差（RMSE）。

（5）

Fi是第i个样本预测值，Oi是第i个样本观测值。

3.结果

3.1线性和非线性超集合预报的比较分析

根据ECMWF，JMA，NCEP和UKMO在北半球24-168小时地表温度的集合预报的集合平均输出，在2007年8月8日至31日（24天）期间进行了多模式超集预报。运行训练期的长度设定为61天。

如图1所示，对于整个预测期的24-168小时预报，与单一模式预报相比，超级集合预报（LRSUP和NNSUP）以及多模式EMN和BREM通过一些手段降低了RMSE。随着预测提前时间的延长，预测技能的改善减少。对于24-120小时的预报，LRSUP和NNSUP的RMSE比单一模式预报的RMSE要小得多，BREM也在一定程度上提高了预报技巧。当预报提前时间较长时，例如144 -168 h，BREM预测技术在RMSE方面赶上了LRSUP和NNSUP。因此，对于夏季北半球地表温度，多模式集合预报的表现要好于单一模式预报。尽管预测的改善随着预测时间的延长而下降，但预测结果保持稳定。 NNSUP在24-120小时的预测中表现出色，并且胜过BREM和LRSUP。但对于144-168小时的预报，BREM，LRSUP和NNSUP的误差大致相等。

另外，上述分析表明，NNSUP方案比其他预测方案合理得多，因为NNSUP方案可能降低了各种模型之间非线性效应造成的预测误差。然而，必须重复调整神经网络参数才能获得最佳的网络结构，从而降低了运行效率。同时，BREM和LRSUP的优点是计算简单，精度合理;这使预报员在日常运营中更容易实施。以下，将采用BREM和LRSUP（以下简称SUP）的多模式集合预报方案，对500 hPa位势高度和温度以及纬向和经向风场进行多模式共识预测，以便进行比较分析。

图1 ECMWF，JMA，NCEP和UKMO的表面温度预报值与多模式集合平均值（EMN），去偏移集合均值（BREM），基于超集合的线性回归（LRSUP）和神经网络（NNSUP）在（a）24小时，（b）48小时，（c）72小时，（d）96小时，（e）120小时，（f）144小时，和（g）168小时 时间从2007年8月31日，地点为北半球（10°-80°N，0°-360°）。

3.2 SUP和BREM预报500 hPa位势高度

对于500 hPa位势高度的24小时72小时预报，SUP方法具有较高的预报技巧。尤其是，对于24小时预测，它比单一模型的最优预测好得多（图略）。图2a显示，96小时SUP预报的平均RMSE非常接近最佳单一模式ECMWF预报的平均RMSE，而BREM的预报技巧大部分时间都低于ECMWF预报。对于更长的预测时间，情况也是如此（图略）。

SUP和BREM在96小时以上的预测时间内总体预测能力较低，可能是由于不同纬度模式的预测能力存在差异以及模型的系统误差造成的。此外，SUP和BREM的所有格点的训练时间长度固定为61天是不合理的。以下，在进行SUP和BREM预测之前，将在每个网格点检查运行训练期的最佳长度。

如图2所示，具有优化训练的超集合（O-SUP）的RMSE在一定程度上小于没有经过优化训练的超集集合（SUP）。最佳BREM（OBREM）预测也比BREM预测好。

图2（a）欧洲中期天预报中心（ECMWF）的500hPa高度场96h预测的均方根误差（RMSEs）是通过优化训练的超级集合（O-SUP）和无优化训练的超级集（SUP）以及（b）偏置去除的集合平均值（O-BREM）和无偏置去除的集合平均值（BREM）在10°-60°N，0°-360°范围内的每个网格点上进行优化训练。纵坐标表示RMSE，横坐标表示预测日期。

综上所述，北半球500 hPa位势高度的24〜72 h预报实验表明，SUP各个模型的改进更为明显，而BREM的预报技巧略逊于SUP。但是，对于超过96小时的预测时间，SUP和BREM预测方案可能不会很好地减少该地区的整体误差。然而，在每个网格点优化运行训练时间后，预测误差在一定程度上有所下降。

智协飞等人（2009b）指出，对于北半球地表温度的24-168小时超集预报，培训期的最佳长度大约为两个月。由于BREM预测的训练周期较长时，预测技能会降低，对于24-72小时，因为较短的预测前导时间，所以最适合的训练周期约为半个月。对于96-168小时的预测，选择大约一个月作为培训期的最佳长度是合适的。这表明选择训练期的长度对于SUP和BREM预测是必不可少的。只有选择了适当的长度，预测误差才能降到最低。训练周期过长或过短均可能会影响预测技能。对于不同时间的预测，SUP和BREM预测也需要不同的最佳训练周期。

为了获得最好的预测技能，应该为SUP预测确定训练期的最佳长度。 由于多模式集合中涉及的模型对不同预测区域的贡献不同，因此应调整每个网格点训练周期的长度。 如图3所示，对于北半球大部分地区来说，BREM训练周期的最佳长度要少于SUP训练周期的最佳长度。 一般而言，对于BREM和SUP两种方案，训练周期的长度从一个区域到另一个区域会有显著变化，这可能是由不同地理区域内的集合所涉及的每个模型的不同预测系统误差造成的。 目前，由于缺乏数据，很难分析

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21692]，资料为PDF文档或Word文档，PDF文档可免费转换为Word