顾及分类与定量误差订正的数值预报降水统计后处理方法

采用统计后处理方法的数值预报降水是延长水文预报有效预见期的重要途径,已有统计后处理方法不能同时订正预报降水的分类和定量误差,且对预报降水有效预见期的影响关注不足。提出耦合经验分位数映射模型(EQM)和伯努利-元高斯模型(BMGD)的统计后处理方法EQM-BMGD,建立用于有效预见期评价的综合精度指标,应用于汉江流域。研究结果表明:EQM-BMGD集成了2种单一方法的优势,并输出了更高精度的预报降水;订正后面平均预报降水各预见期晴雨预报准确率(O P)和绝对平均误差(E MA)的增益均超过了10%,预见期222~228 h的O P仍接近0.7且E MA低于0.7 mm/(6 h),有效预见期延长18~66 h;在栅格尺度上,所有栅格在预见期96~102 h的O P和E MA增益分别超过10%和20%,除西南少数栅格外,O P超过0.8同时E MA控制在1.0 mm/(6 h)以下,北部部分栅格有效预见期延长了18~54 h。EQM-BMGD被证实能够兼顾分类和定量误差的削减,丰富了数值预报降水统计后处理方法的选择。

集合模式定量降水预报的统计后处理技术研究综述

集合数值模式预报已在定量降水预报业务中广泛应用,以获得预报不确定性、最可能预报结果以及极端天气预警。由于集合系统的数值模式不完善,且不能提供所有的不确定性信息,常表现出系统性偏差以及欠离散或过离散(如对于多模式集合)。为此,需要发展统计后处理技术,在尽量保持集合预报解析度的条件下,提高预报的技巧和可靠性。近年来,各种集合预报统计后处理技术得到快速发展。针对定量降水预报,依据技术方法的途径和成熟度将后处理研究归纳为3方面进行总结,包括:(1)不基于统计模型的非参数化后处理,包括集合定量降水预报偏差订正、多成员或模式信息集成以及基于空间分析的对流尺度模式后处理;(2)基于概率分布统计模型的参数化后处理,包括集合模式输出统计和贝叶斯模型平均两种方法框架;(3)考虑预报量的时间、空间和多变量间依赖关系或结构的处理方法,包括参数化和经验连接概率法。最后,讨论发展统计后处理技术需要关注的问题,包括考虑不同来源、不同尺度的多模式信息集成;提供高质量、高分辨率的降水分析资料;发展再预报技术扩充训练样本;基于不同的订正目的和应用场景来使用不同的后处理技术;发展面向海量预报数据、捕捉极端降水以及考虑预报量结构的新技术。

集合预报统计学后处理技术研究进展

近年来,随着集合预报的广泛应用,大量新颖的集合预报统计学后处理方法层出不穷,因此有必要对其进行系统地回顾。首先,对单变量集合预报统计后处理方法进行分类介绍,包括基于特定数学分布的参数化方法:逻辑回归、非均匀回归、贝叶斯模型平均、集合敷料法,以及灵活的非参数化方法:排序直方图订正、可靠性曲线订正、衰减平均偏差订正、分位数映射、分位数回归、概率匹配、频率匹配、最优百分位、最优评分法、逐成员订正、相似法、邻域法、基于对象的概率预报方法和虚拟降水法。其次,拓展到须考虑变量依赖性结构的多变量集合预报统计后处理方法,包括参数化的连接方法,以及非参数化的集合连接耦合和Schaake洗牌法。再次,介绍多模式集合和机器学习方法。最后,总结并讨论了常用的集合预报统计后处理方法使用中需要注意的问题。

数值集合降雨预测的校正后处理方法研究

利用2017年4月1日-9月30日全球集合预测系统的降雨预测数据和雅砻江流域气象站点的降雨观测数据,采用基于左删失广义极值分布的集合模式输出统计方法对流域内降雨预测进行校正,对比分析该方法两种建模形式在校正结果上的差异。结果表明:采用集合成员均值校正的方式可以有效改善原始预测对于降雨过分高估的问题,其预测结果明显优于采用集合成员校正方式的预测结果,后者由于模型参数增加而出现过度拟合问题,限制了其在雅砻江流域中的应用。另外采用集合成员均值校正方式的预测结果的准确性在不同流域范围存在明显差异并倾向低估流域内较大降雨量,因此在后续的研究中需要进一步针对该方法无法对极值降雨量进行准确预测的问题进行改进。

网格降水预报客观检验订正方法研究进展

降水在网格要素预报中最为关键和重要,降水的预报表现直接体现了网格化要素的预报能力和水平。首先回顾了数值天气预报中针对降水的各种检验方法,主要包括:基于二分法列联表的经典检验,基于属性和尺度特征的空间检验,集合预报检验以及针对极端稀有事件的检验技术。其次归纳了降水统计后处理订正技术:一是基于模式输出降水产品的直接统计后处理和在模式输出各种要素基础上客观诊断的间接后处理;二是针对集合预报的参数化和非参数化降水以及和预报变量结构相关联的后处理订正方法;三是气象工作者基于人工智能和大数据技术对降水订正的探索和尝试。最后,讨论了各种检验方法的优缺点、客观性、适用性和业务使用中需要关注的问题,对网格降水后处理的订正方法进行了总结和讨论。

贝叶斯模型平均及其在北京降雨预报中的一个应用

贝叶斯模型平均(Bayesian Model Averaging:BMA)是动态建模中融合集合预报信息的一种重要统计后处理方法.本文首先系统论述了BMA的建模分析过程,包括模型架构、参数估计方法、训练期的选择准则以及典型预报分布的抽样原理.然后,结合北京市2011年5—8月份逐日累积降雨量实例,我们详细描述了BMA的实现过程.实例分析结果表明,BMA统计后处理,无论是精度还是校准度,相对于原始集合预报都有优势.

中国东南地区复杂地形下降水概率预报的订正研究

使用TIGGE (the THORPEX interactive grand global ensemble)资料集下欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts, ECMWF)逐日起报的预报时效为24~168 h的日降水量集合预报资料,集合预报共包括51个成员,利用左删失的非齐次Logistic回归方法(left-Censored Non-homogeneous Logistic Regression, CNLR)和标准化的模式后处理方法(Standardized Anomaly Model Output Statistics, SAMOS)对具有复杂地形的中国东南部地区降水预报进行统计后处理。结果表明:采用CNLR方法能够有效改进原始集合预报的平均绝对误差(Mean Absolute Error, MAE)和连续分级概率评分(Continuous Ranked Probability Score, CRPS),提升了降水的定量预报和概率预报的预报技巧。而使用SAMOS方法对数据进行预处理,考虑地形等因素的影响,能在CNLR方法的基础上进一步订正由于地形影响造成的预报误差,并得到更加准确的全概率的降水概率预报。

考虑降水预报的三峡入库洪水集合概率预报方法比较

为了考虑预见期内降水预报的不确定性对洪水预报的影响,采用中国气象局、美国环境预测中心和欧洲中期天气预报中心的TIGGE(THORPEX Interactive Grand Global Ensemble)降水预报数据驱动GR4J水文模型,开展三峡入库洪水集合概率预报,分析比较BMA、Copula-BMA、EMOS、M-BMA 4种统计后处理方法的有效性。结果表明:4种统计后处理方法均能提供一个合理可靠的预报置信区间;其期望值预报精度相较于确定性预报有所提高,尤其是水量误差显著减小;M-BMA方法概率预报效果最佳,它能够考虑预报分布的异方差性,不需要进行正态变换,结构简单,应用灵活。

定量降水预报技术进展

对21世纪以来定量降水预报技术流程中的数值模式预报、统计后处理、检验评估和预报员作用4个方面的研究工作进行了归纳,主要进展包括:业务全球模式对于降水的预报能力持续提升,而发展高分辨率模式(尤其是对流尺度模式)和集合预报是提高定量降水预报精准化水平的主要途径,且将两者相结合以促进短期降水预报是发展趋势;统计后处理技术已发展到应用数据挖掘方法对海量预报数据中有效信息进行提取和集成,而再预报资料的出现将进一步促进统计后处理技术的发展;为解决评估精细化定量降水预报面临的新问题,多种新的检验技术得到发展和应用,如极端降水检验评分、空间检验技术及概率检验方法等;预报员在模式和后处理方法上能够提供的附加值越来越有限,但在预报流程中仍将处于核心地位,其角色将逐渐向帮助用户进行决策方向转变。文章指出,定量降水预报技术的发展所面临的挑战包括大气水汽观测及同化技术改进、暖区和复杂地形下暴雨预报等科学问题的解决。

陆水水库洪水集合概率预报方法与应用研究

为探讨预见期内模型结构的不确定性对洪水预报精度的影响,分别选用陆水水库流域资料和欧洲中期天气预报中心(ECMWF)的降水预报数据,驱动API、新安江、GR4J三个水文模型。通过对期望值预报精度和概率预报整体性能的分析,比较贝叶斯模型平均(BMA)和改进的BMA (M-BMA)两种统计后处理方法的有效性。结果表明:两种方法的期望值预报在一定程度上提高了原始预报精度;两种方法均能提供可靠的预报区间;通过连续概率排位分数(CRPS)等多个指标分析,M-BMA方法的概率预报性能优于BMA方法。

深度学习技术在智能网格天气预报中的应用进展与挑战

中国智能网格天气预报已初步建立0-30 d涵盖基本气象要素的无缝隙气象预报业务体系。近年深度学习技术兴起,给不同领域带来前所未有的变革。同样,深度学习的非线性映射能力、海量信息提取能力、时空建模能力等优势为进一步提升智能网格预报的准确性和精细化水平提供了新的思路和方法。越来越多的研究将深度学习技术应用于智能网格预报的各个方面,包括数值预报订正和解释应用、集合天气预报、相似集合、统计降尺度、纯数据驱动的预报模型和极端天气预报等,并展示出良好的应用潜力。然而,目前深度学习技术在天气预报领域的应用仍处于起步阶段,将其引入智能网格预报业务体系还面临诸多挑战,主要包括算法的选择、算法的数据基础、多源数据融合以及模型的可解释性、可信度、可用性和工程化等。通过回顾近年来深度学习技术在智能网格预报中的应用进展和前景,同时对面临的挑战与应对进行探讨,将有利于促进深度学习技术在天气客观预报领域更好、更稳定的发展。

GEFSv12降水再预报数据在淮河流域的适用性评估

新一代全球集合预报(global ensemble forecast system version 12,GEFSv12)是美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)发布的最新的再预报数据集,对该数据集中的降水数据在淮河流域的适用性进行评估。由于原始预报存在系统偏差,所以应用贝叶斯联合概率模型(Bayesian joint probability,BJP),对原始GEFSv12再预报数据进行统计后处理。预报验证的评价指标包括均方根误差(E)、Brier技巧评分(E)、连续等级概率技巧评分(E)、α指数及可靠性框图,注重从预报偏差、精度以及可靠性3方面评价原始预报及经过后处理的预报。结果表明:GEFSv12降水再预报数据对淮河流域具有较好的适用性,在预见期1~7 d具有预报技能;BJP统计后处理方法能有效降低预报系统性偏差,增加预报精度以及预报可靠性,经过后处理的降水集合预报将有利于进一步的水文集合预报应用。

基于CMA模式体系的京津冀地区复杂地形下冬季的精细化地面要素多模式集成预报研究

基于CMA模式体系的四个模式(CMA-GFS、CMA-REPS、CMA-MESO 3 km、CMA-MESO 1 km)和2020年12月1日至2021年3月15日的近地面要素2 m温度、10 m风速、2 m相对湿度预报,对京津冀地区复杂地形下冬季误差订正后的各要素进行基于贝叶斯模型平均(BMA)方法的多模式集成试验。结果表明,每个模式各要素误差订正后的均方根误差都有明显的减小。BMA方法多模式集成后预报效果优于每一个参加模式,2 m温度BMA预报较几个模式原始误差的改进在0.5~1.4℃,均方根误差减少了20%~40%,10 m风速和2 m相对湿度的均方根误差分别减少了12%~45%和25%~35%。各要素均方根误差水平分布表明不同要素在不同地形高度的地区误差分布明显不同,此方法使得京津冀地区的误差显著减小。此外,BMA预报的概率分布情况可定量地预测各要素的不确定性。

基于BMA-QM的福建区域降水预报订正及暴雨检验研究

以全球交互式大集合预报系统提供的六种模式模拟的福建省及其周边区域2019年至2020年的4月至6月的日降水数据结果作为降水预报资料,以国家气象信息中心多源融合降水格点产品作为降水观测资料。对降水预报资料进行贝叶斯模型平均(简称BMA)方法订正后,对BMA方法订正结果使用分位数映射法(简称QM)进行再订正。结果表明:1) BMA方法订正后,提升模式在晴雨和小雨的预报技巧,但在中雨和大雨中未体现出优势。2) BMA-QM方法订正后,保持晴雨处的预报技巧之余,提升了小雨处的预报技巧,尤其提高了大雨处的预报技巧。3) BMA-QM方法订正之下,暴雨TS (0.163)和暴雨ETS (0.147)的提升率分别为98.30%、108.16%。BMA-QM方法订正可以提升模式对强降水的预报技巧,这将对做出更为准确的暴雨预警有着重要的意义。

基于改进的贝叶斯模型平均的方法和应用研究

基于交互式全球大集合预报系统TIGGE的ECMWF、JMA和UKMO集合预报数据,运用概率统计中的贝叶斯模型平均对东北地区24小时累积降水量的预报技术进行后处理.已有研究发现,BMA预报对弱降水事件是准确的,但对中等、强降水事件的能力有限.因此,提出基于模糊C均值聚类的分类贝叶斯模型平均(Categorized Bayesian Model Averaging,CBMA).结果表明,CBMA基于FCM算法,考虑BMA在不同量级降水的参数不确定性,提高BMA在中等、强降水的适用性,具有较好的预报效果.