基于贝叶斯模式平均方法的东亚地区地面2m气温预报改进

针对2007年6月—9月全球集合预报系统(THORPEX Interactive Grand Global Ensemble,TIGGE)多模式中的欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)、英国气象局(United Kingdom Meteorological Office,UKMO)及日本气象厅(Japan Meteorological Agency,JMA)这4个集合预报模式产品资料,对东亚地区地面2 m气温进行了贝叶斯模式平均(Bayesian model averaging,BMA)方法的概率预报研究,并与简单集合平均(ensemble mean,EMN)方法的概率预报进行对比,最终采用(continuous ranked probability score,CRPS)评分与均方根误差(root of mean square error,RMSE)评估BMA方法在概率预报和确定性预报方面的预报效果。研究表明,BMA方法可有效将单一的确定性预报向连续概率预报转化,并全面准确地描述大气的多种可能运动状态,同时提供概率预报和确定性预报。BMA方法在量化不确定性信息方面优于EMN方法,在一定程度上减小了预报的不确定性。就确定性预报效果而言,BMA方法的预报效果优于所有的单模式预报以及EMN方法,但会受到训练期长度和选取模式性能优劣的影响,其预报效果也会发生改变。

基于统一高度Cressman方法的地面2 m气温客观分析

针对离散站点资料格点化的业务需求及Cressman方法在地形复杂区域客观分析存在的问题,利用山东及周边省自动气象站观测的2 m气温和ECMWF预报的海上2 m气温,结合山东省中尺度数值预报位温递减率、90 m分辨率SRTM高程数据,采用统一高度Cressman方法对山东省地面2 m气温进行客观分析,生成了逐1 h、0.01°×0.01°高分辨率的地面2 m气温格点产品。结果表明,统一高度Cressman方法的客观分析格点产品在地形复杂区域的分析更合理,月平均误差基本在±1℃以内,鲁中山区地形高度较高区域月平均误差略大于鲁西北、鲁西南、鲁东南和山东半岛等地的平原地区,气温偏低的10、11、12月温度准确率均略低于5、6、7、8、9月;2020年5-12月平均误差为-0.0039℃,平均绝对误差为0.1469℃,均方根误差为0.3597℃,2℃以内准确率为99.64%,1℃以内准确率为98.24%,各项检验指标均较优。总体上统一高度Cressman客观分析格点产品质量接近中国气象局陆面数据同化系统(HRCLDAS)高分辨率格点实况产品。

基于机器学习的华北气温多模式集合预报的订正方法

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归(Ridge)、随机森林(Random Forest,RF)和深度学习(Deep Learning,DL)的3种后处理模型,基于中国气象局(CMA)的BABJ模式、欧洲中期天气预报中心(ECMWF)的ECMF模式、日本气象厅(JMA)的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月(训练期)近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月(预报期)华北地区(38°N～43°N,113°E～119°E)的逐日地面2m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均(Ensemble Mean,EMN)的预报效果的对比表明:1)随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2)华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24～1.26°C之间,而EMN的误差达1.69°C。3)夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15～2.18°C之间,而EMN的平均均方根误差达2.45°C。