CMA全球集合预报系统误差增长及预报性能的尺度依赖特征诊断分析

利用CMA全球集合预报(CMA-GEPS)业务系统2020年6月1日至2021年5月31日一整年的500 hPa位势高度场(H_(500))预报数据,诊断评估了CMA-GEPS在北半球地区误差增长及预报性能的尺度依赖特征。使用谱滤波方法实现H_(500)不同尺度(包括行星尺度、天气尺度与次天气尺度)分量的分离。从集合平均均方根误差(简称集合平均误差)-离散度关系来看,在预报前期(108 h之前),CMA-GEPS集合平均误差小于集合离散度,存在过度发散的问题,主要是由天气尺度分量离散度过大导致;在预报后期(108 h之后),CMA-GEPS集合平均误差大于集合离散度,离散度偏小,是由行星尺度与天气尺度分量离散度不足共同引起。采用Dalcher等1987年修订的误差增长模型对H_(500)集合平均预报误差增长特征进行诊断分析,发现CMA-GEPS误差增长过程合理,初始误差在次天气尺度上增长最快,行星尺度上增长最慢;就绝对(相对)误差而言,模式误差对预报误差的影响随空间尺度的增大而增大(减小)。此外,将使用1989至2018年共计30 a的ERA-Interim再分析逐日数据得到的气候态分布作为参考预报,通过连续分级概率预报技巧评分(Continuously Ranked Probability Skill Score,CRPSS)检验了CMA-GEPS H_(500)及其不同尺度分量的概率预报技巧。结果表明,行星尺度分量概率预报技巧最高,次天气尺度分量最小,未经滤波的H_(500)预报技巧位于行星尺度与天气尺度分量预报技巧之间。上述诊断结果可为CMA-GEPS改进方向提供一定的客观依据。