基于TIGGE資料的北半球地面氣溫預(yù)報(bào)的統(tǒng)計(jì)降尺度研究

陳曉龍，智協(xié)飛

(1．氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室(南京信息工程大學(xué))，江蘇南京210044;2．南京信息工程大學(xué)大氣科學(xué)學(xué)院，江蘇南京210044)

0 引言

隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，政府和公眾對(duì)于氣象服務(wù)的需求日益增加，不僅要求氣象部門提供常規(guī)天氣預(yù)報(bào)服務(wù)，還希望獲取更高精度的天氣服務(wù)信息。因此，精細(xì)化預(yù)報(bào)是我國(guó)現(xiàn)在和未來(lái)天氣預(yù)報(bào)發(fā)展的一個(gè)重要戰(zhàn)略目標(biāo)，實(shí)現(xiàn)空間尺度的精細(xì)化更是精細(xì)化預(yù)報(bào)的一項(xiàng)重要內(nèi)容。目前有兩種方法可以提供精細(xì)化預(yù)報(bào)，一是發(fā)展更高分辨率的數(shù)值模式，另外就是采用降尺度方法。由于提高數(shù)值模式的空間分辨率不僅計(jì)算量很大，而且技術(shù)也較復(fù)雜，以目前的技術(shù)條件還做不到任意提高區(qū)域模式的分辨率，與之相比降尺度方法具有可操作性較強(qiáng)、計(jì)算量較小、對(duì)于實(shí)際業(yè)務(wù)更為實(shí)用等優(yōu)點(diǎn)，因此開(kāi)展降尺度研究顯得十分重要。

常用的降尺度方法一般可分為兩種:一種是統(tǒng)計(jì)降尺度法(Wilby et al.，1997;范麗軍等，2005)，另一種是動(dòng)力降尺度法(Rebora and Provenzale，2005)。統(tǒng)計(jì)降尺度法是建立大尺度預(yù)報(bào)因子與小尺度預(yù)報(bào)量之間的統(tǒng)計(jì)函數(shù)關(guān)系。該方法的優(yōu)點(diǎn)在于其能將數(shù)值模式輸出的物理意義較好、較準(zhǔn)確的數(shù)值預(yù)報(bào)產(chǎn)品應(yīng)用于統(tǒng)計(jì)模式，從而減少數(shù)值模式的系統(tǒng)誤差，并且不必考慮邊界條件對(duì)預(yù)測(cè)結(jié)果的影響。與動(dòng)力降尺度方法相比，統(tǒng)計(jì)降尺度法還具有計(jì)算量相對(duì)較小以及能夠模擬很多非氣象要素場(chǎng)等優(yōu)點(diǎn)，在實(shí)際業(yè)務(wù)與研究中更具可操作性。近年來(lái)統(tǒng)計(jì)降尺度方法主要集中在降水與氣溫預(yù)報(bào)方面(Kanamaru and Kanamitsu，2007;Brankovi et al.，2008;Yoshimura and Kanamitsu，2008;Ca?ón et al.，2011)。一般可分為以下三類:轉(zhuǎn)換函數(shù)法，環(huán)境分型技術(shù)，天氣發(fā)生器。其中轉(zhuǎn)化函數(shù)法被廣泛使用，后兩種方法常用于時(shí)間尺度較長(zhǎng)的氣候場(chǎng)上。Sailor and Li(1999)用多元線性回歸方法模擬了美國(guó)站點(diǎn)的氣溫，明顯地提高了預(yù)報(bào)準(zhǔn)確率。范麗軍等(2007)采用逐步回歸分析與主分量分析相結(jié)合的多元回歸模型對(duì)華北地區(qū)未來(lái)月平均溫度變化情景進(jìn)行預(yù)估，發(fā)現(xiàn)統(tǒng)計(jì)降尺度得到的溫度預(yù)報(bào)與實(shí)測(cè)值有很好的一致性。近些年來(lái)國(guó)內(nèi)對(duì)于統(tǒng)計(jì)降尺度方法的研究主要集中在對(duì)時(shí)間尺度較長(zhǎng)的未來(lái)區(qū)域氣候情景變化的預(yù)估方面，而將統(tǒng)計(jì)降尺度方法應(yīng)用于中短期預(yù)報(bào)的則不多見(jiàn)。最近，王亞男和智協(xié)飛(2012)利用全球交互式大集合(THORPEX Interactive Grand Global Ensemble，TIGGE)預(yù)報(bào)資料和TRMM/3B42RT合成降雨量資料對(duì)降水的1～7 d預(yù)報(bào)進(jìn)行了統(tǒng)計(jì)降尺度試驗(yàn)，發(fā)現(xiàn)單個(gè)中心降水預(yù)報(bào)經(jīng)過(guò)統(tǒng)計(jì)降尺度后，預(yù)報(bào)誤差明顯減小，與“觀測(cè)場(chǎng)”的距平相關(guān)系數(shù)也明顯提高。

Lorenz(1969)最早提出了集合數(shù)值預(yù)報(bào)的思想。20世紀(jì)90年代開(kāi)始，集合預(yù)報(bào)技術(shù)在許多國(guó)家氣象部門相繼投入業(yè)務(wù)使用。近年來(lái)，世界氣象組織(World Meteorological Organization，WMO)發(fā)起的THORPEX科學(xué)計(jì)劃中的TIGGE計(jì)劃提出了建立全球交互式大集合預(yù)報(bào)，以改進(jìn)預(yù)報(bào)時(shí)效為1～14 d天氣預(yù)報(bào)(智協(xié)飛和陳雯，2010)。WMO在中國(guó)氣象局、歐洲中期天氣預(yù)報(bào)中心和美國(guó)國(guó)家大氣研究中心設(shè)立了3個(gè)TIGGE資料中心，每天接收數(shù)十個(gè)國(guó)家的集合預(yù)報(bào)資料。比較各中心的預(yù)報(bào)效果和如何更好地利用各中心的模式預(yù)報(bào)資料來(lái)提高業(yè)務(wù)預(yù)報(bào)的準(zhǔn)確率也已成為近年來(lái)國(guó)內(nèi)外的研究熱點(diǎn)。Krishnamurti et al.(1999)最早提出了一種多模式集合預(yù)報(bào)方法即超級(jí)集合預(yù)報(bào)。研究發(fā)現(xiàn)，超級(jí)集合預(yù)報(bào)可有效減小預(yù)報(bào)或者預(yù)估誤差，預(yù)報(bào)效果優(yōu)于單個(gè)模式和多模式集合平均(Vijaya Kumar et al.，2007;林春澤等，2009;Krishnamurti et al.，2009;智協(xié)飛等，2009，2013;Zhi et al.，2009，2011)。另外，Zhi et al.(2012)還指出，消除偏差集合平均方法也能顯著提高地面氣溫和降水的1～7 d預(yù)報(bào)技巧，其預(yù)報(bào)誤差比最好的單個(gè)中心預(yù)報(bào)誤差都小。

本文主要對(duì)歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium－Range Weather Forecasts，ECMWF)、日本氣象廳(Japan Meteorological Agency，JMA)、美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(National Centers for Environmental Prediction，NCEP)以及英國(guó)氣象局(United Kingdom Met Office，UKMO)4個(gè)中心的2 m氣溫預(yù)報(bào)資料，采用統(tǒng)計(jì)降尺度法，并結(jié)合多模式超級(jí)集合預(yù)報(bào)思想，生成較高分辨率的北半球地面氣溫預(yù)報(bào)，從而為氣象業(yè)務(wù)部門開(kāi)展精細(xì)化預(yù)報(bào)提供有益的指導(dǎo)。

1 資料和方法

1.1 資料

本文所用資料包括TIGGE中的ECMWF、JMA、NCEP和UKMO集合數(shù)值預(yù)報(bào)資料以及NCEP/NCAR再分析資料。后者被用作“實(shí)況場(chǎng)”來(lái)評(píng)估預(yù)報(bào)效果。

1)TIGGE資料:選取4個(gè)中心的全球集合預(yù)報(bào)模式2007年6月1日—8月31日逐日12:00(世界時(shí)，下同)起報(bào)的地面2 m氣溫的各成員預(yù)報(bào)資料，為了便于分析預(yù)報(bào)效果，分別將4個(gè)中心各自成員的模式預(yù)報(bào)資料進(jìn)行集合算術(shù)平均，預(yù)報(bào)區(qū)域?yàn)楸卑肭蛑饕貐^(qū)(0°～355°E，10 ～85°N)，分辨率為2.5°×2.5°，預(yù)報(bào)時(shí)效為1 ～7 d，間隔為1 d。

2)NCEP/NCAR再分析資料:選取2007年6月2日—9月7日逐日12:00地面2 m氣溫資料，網(wǎng)格分辨率為2.5°×2.5°與1°×1°(其中1°×1°分辨率的FNL再分析資料用來(lái)檢驗(yàn)降尺度后的預(yù)報(bào)效果)。

1.2 統(tǒng)計(jì)降尺度方案

采取三個(gè)步驟對(duì)地面氣溫進(jìn)行統(tǒng)計(jì)降尺度預(yù)報(bào)。

1)采用雙線性插值方法將低分辨率的模式預(yù)報(bào)結(jié)果插值到細(xì)網(wǎng)格上，即在指定的預(yù)報(bào)區(qū)域內(nèi)，將各中心模式預(yù)報(bào)值統(tǒng)一插值到1°×1°經(jīng)緯網(wǎng)格上。

2)降尺度之后的誤差訂正。在每一個(gè)格點(diǎn)上，建立起預(yù)報(bào)值與“實(shí)況值”之間的回歸關(guān)系，訂正模式插值引起的誤差?？紤]到氣溫的連續(xù)性并服從正態(tài)分布，經(jīng)試驗(yàn)采用一元線性回歸方法進(jìn)行降尺度之后的誤差訂正。

其中:Xi是插值后的模式預(yù)報(bào)序列;Yi是相對(duì)應(yīng)的細(xì)網(wǎng)格觀測(cè)值序列;在訓(xùn)練期中確定回歸系數(shù)a、b。在預(yù)報(bào)期中，根據(jù)插值后的數(shù)據(jù)Xi，利用回歸方程(1)可以算得預(yù)報(bào)值Yi。

3)對(duì)于降尺度訂正后的各中心結(jié)果再進(jìn)行多模式集成，集成方案主要采用以下兩種。

第一種:消除偏差集合平均(bias－removed ensemble mean，BREM)。消除偏差集合平均預(yù)報(bào)值BREM由下式獲得:

對(duì)每一個(gè)格點(diǎn)，F(xiàn)i為第i個(gè)模式的預(yù)報(bào)值，ˉFi為第i個(gè)模式預(yù)報(bào)值平均，ˉO為觀測(cè)值平均，N為參與集成的模式個(gè)數(shù)。

第二種:超級(jí)集合預(yù)報(bào)方法。超級(jí)集合方法賦予各個(gè)模式不同的權(quán)重系數(shù)，在訓(xùn)練期中根據(jù)各個(gè)模式的預(yù)報(bào)性能來(lái)確定權(quán)重系數(shù)。通常預(yù)報(bào)誤差越大的模式所賦的權(quán)重越小，反之預(yù)報(bào)誤差越小，所賦權(quán)重越大。在訓(xùn)練期可使用線性回歸方法(林春澤等，2009;智協(xié)飛等，2009;Zhi et al.，2011)或神經(jīng)網(wǎng)絡(luò)方法等(白永清，2010)求出參與多模式集成的各個(gè)模式的權(quán)重系數(shù)。超級(jí)集合預(yù)報(bào)值(superensemble，SUP)由下式獲得:

其中:ˉO為訓(xùn)練期的觀測(cè)值平均;Fi為第i個(gè)模式的預(yù)報(bào)值;ˉFi為第i個(gè)模式在訓(xùn)練期的預(yù)報(bào)值的平均值;ai為回歸系數(shù)(權(quán)重);N為參與超級(jí)集合的模式總數(shù)。參與集成的模式權(quán)重總和為1，權(quán)重系數(shù)可取訓(xùn)練期各模式預(yù)報(bào)的平均誤差的倒數(shù)，也就是說(shuō)模式預(yù)報(bào)誤差越小，或者預(yù)報(bào)評(píng)分越高，在多模式集成中所占的權(quán)重系數(shù)就越大。本文用到的權(quán)重為模式訓(xùn)練期預(yù)報(bào)的均方根誤差的倒數(shù)。

在上述兩種降尺度訂正之后的集合方法中均采用交叉檢驗(yàn)的方案，即從資料序列的第一個(gè)樣本開(kāi)始，每次輪流留出一個(gè)樣本，用余下的樣本建立預(yù)報(bào)方程，并對(duì)留出的樣本作預(yù)報(bào)檢驗(yàn)。這樣依次進(jìn)行，直到全部樣本都作為獨(dú)立的預(yù)報(bào)檢驗(yàn)完畢。這種方法的優(yōu)點(diǎn)就是能充分利用所有的資料。

1.3 誤差檢驗(yàn)標(biāo)準(zhǔn)

本文主要采用均方根誤差(root－mean－square error，RMSE)來(lái)評(píng)價(jià)氣溫預(yù)報(bào)的技巧，均方根誤差由(4)式給出:

其中:Fi為模式輸出的預(yù)報(bào)值;Oi為觀測(cè)的實(shí)況值;N為樣本總數(shù)。

2 北半球地面氣溫單中心預(yù)報(bào)的統(tǒng)計(jì)降尺度

以均方根誤差作為衡量溫度預(yù)報(bào)效果的指標(biāo)，計(jì)算2007年6月1日—8月31日4個(gè)中心地面氣溫預(yù)報(bào)在北半球地區(qū)(0°～355°E，10 ～85°N)的區(qū)域平均均方根誤差。如圖1所示，對(duì)于北半球大部地區(qū)4個(gè)中心預(yù)報(bào)的均方根誤差隨預(yù)報(bào)時(shí)效增加而增大。降尺度前4個(gè)單中心預(yù)報(bào)中綜合表現(xiàn)最好的是ECMWF，其1 d預(yù)報(bào)誤差為2.22℃，7 d預(yù)報(bào)的誤差為2.65℃;綜合表現(xiàn)最差的是UKMO，其1 d預(yù)報(bào)的誤差為2.62℃，7 d預(yù)報(bào)的誤差達(dá)到了3.11℃。

分別對(duì)各中心進(jìn)行統(tǒng)計(jì)降尺度試驗(yàn)，4個(gè)中心的地面氣溫預(yù)報(bào)誤差都有了較為明顯的減小。其中，原來(lái)表現(xiàn)最好的單中心ECMWF的1 d預(yù)報(bào)誤差由原來(lái)的2.22℃降低到1.30℃，7 d預(yù)報(bào)的誤差從2.65℃降低到1.94℃。原來(lái)表現(xiàn)較差的單中心UKMO的1 d預(yù)報(bào)誤差也由2.62℃減小到1.43℃，7 d預(yù)報(bào)的誤差更是從3.11℃降低至2.07℃，預(yù)報(bào)效果的改善更為明顯。對(duì)于4個(gè)單中心7個(gè)預(yù)報(bào)時(shí)效的預(yù)報(bào)在降尺度后誤差都明顯減小，各預(yù)報(bào)時(shí)效的預(yù)報(bào)誤差降幅維持在0.6℃左右，最大的改進(jìn)幅度甚至達(dá)到了1℃以上，預(yù)報(bào)效果得到明顯改進(jìn)。

圖12007年6月1日—8月31日ECMWF(a)、JMA(b)、NCEP(c)和UKMO(d)4個(gè)中心統(tǒng)計(jì)降尺度前后北半球地面氣溫預(yù)報(bào)的區(qū)域平均均方根誤差(單位:℃;－2.5表示降尺度前預(yù)報(bào)的均方根誤差，－D－S表示降尺度后的均方根誤差)Fig.1 The areal average RMS errors of the surface temperature forecast from(a)ECMWF，(b)JMA，(c)NCEP and(d)UKMO in the Northern Hemisphere during the period from 1 June to 31 August 2007(units:℃;－2.5 represents the RMS error of the forecast before the statistical downscaling，while －D －S represents that after the statistical downscaling)

圖2給出了2007年6—8月3個(gè)月內(nèi)單中心預(yù)報(bào)降尺度前后地面氣溫預(yù)報(bào)均方根誤差的地理分布(以ECMWF的1 d預(yù)報(bào)和7 d預(yù)報(bào)為例)。從圖2中可以看出，相對(duì)而言，ECMWF在亞洲大陸的預(yù)報(bào)誤差較大，特別是在青藏高原地區(qū)，1 d預(yù)報(bào)的誤差在個(gè)別地區(qū)甚至超過(guò)5℃。這可解釋為復(fù)雜的高原地形導(dǎo)致數(shù)值預(yù)報(bào)準(zhǔn)確率低。當(dāng)然，高原地區(qū)實(shí)測(cè)資料稀少也可能導(dǎo)致預(yù)報(bào)和實(shí)況值之間較大的偏差。北美地區(qū)預(yù)報(bào)誤差相對(duì)較小。其他3個(gè)中心也有類似的結(jié)果(圖略)。在做了降尺度訂正之后，北半球絕大部分地區(qū)的誤差都有明顯的下降，對(duì)于1 d預(yù)報(bào)而言，誤差基本穩(wěn)定在2.5℃之內(nèi)，原來(lái)誤差較大的青藏高原地區(qū)改善更顯著，誤差降到了3℃以內(nèi)。7 d預(yù)報(bào)的改善效果類似。

3 多模式集成的北半球地面氣溫預(yù)報(bào)的統(tǒng)計(jì)降尺度

通過(guò)對(duì)4個(gè)單個(gè)中心的降尺度預(yù)報(bào)試驗(yàn)，地面氣溫1～7 d的預(yù)報(bào)的均方根誤差均明顯降低。各個(gè)中心的預(yù)報(bào)技巧不一，改進(jìn)的幅度也略有差異。為了進(jìn)一步改進(jìn)降尺度預(yù)報(bào)效果，對(duì)各個(gè)中心降尺度預(yù)報(bào)進(jìn)行多模式集成。多模式集成方案主要選取以下兩種:消除偏差集合平均(BREM)和超級(jí)集合預(yù)報(bào)(SUP)。

圖3給出了最好的單中心ECMWF 1～7 d降尺度預(yù)報(bào)和降尺度后的多模式集成預(yù)報(bào)北半球區(qū)域平均的逐日均方根誤差。圖3顯示，對(duì)于1～7 d 7個(gè)預(yù)報(bào)時(shí)效，降尺度訂正之后的超級(jí)集合預(yù)報(bào)方法(D－SUP)和降尺度訂正之后的消除偏差集合平均方法(D－BREM)都能有效地減小模式的預(yù)報(bào)誤差。引入上述兩種集成方案的統(tǒng)計(jì)降尺度預(yù)報(bào)效果要明顯優(yōu)于ECMWF的預(yù)報(bào)效果。在預(yù)報(bào)期內(nèi)，兩種方法的平均均方根誤差相差不大，D－SUP的誤差略小于D－BREM。

在預(yù)報(bào)期內(nèi)，對(duì)于1 d預(yù)報(bào)，D－SUP和D－BREM的均方根誤差都維持在1.2℃左右，比ECMWF的預(yù)報(bào)誤差減少了近1℃，較之UKMO誤差更是降低了1.4℃左右，預(yù)報(bào)準(zhǔn)確率得到明顯提高。隨著預(yù)報(bào)時(shí)效的延長(zhǎng)，兩種方案的均方根誤差也在增加。對(duì)于7 d預(yù)報(bào)，D－SUP和D－BREM 的均方根誤差在1.6～2.4℃之間波動(dòng)，比UKMO 1 d的預(yù)報(bào)誤差還要小?？梢?jiàn)，這兩種多模式集成方案都能明顯改進(jìn)中短期地面氣溫的預(yù)報(bào)技巧。

圖2 2007年6—8月降尺度前后ECMWF地面氣溫預(yù)報(bào)的均方根誤差的分布(單位:℃) a.原始ECMWF 1 d預(yù)報(bào);b.降尺度訂正后的ECMWF 1 d預(yù)報(bào);c.原始ECMWF 7 d預(yù)報(bào);d.降尺度訂正后的ECMWF 7 d預(yù)報(bào)Fig.2 The geographic distribution of the RMS errors of the ECMWF surface temperature forecast before and after the statistical downscaling during the period from 1 June to 31 August 2007(units:℃) a.the 1 d forecast before the statistical downscaling;b.the 1 d forecast after the statistical downscaling;c.the 7 d forecast before the statistical downscaling;d.the 7 d forecast after the statistical downscaling

圖4是降尺度之后兩種多模式集成方案對(duì)比最好的單中心ECMWF和綜合表現(xiàn)最好的單模式降尺度ECMWF及其統(tǒng)計(jì)降尺度預(yù)報(bào)的均方根誤差改進(jìn)百分率。對(duì)比單中心ECMWF模式預(yù)報(bào)，降尺度后再進(jìn)行多模式集成，7個(gè)預(yù)報(bào)時(shí)效的預(yù)報(bào)誤差均明顯減小，改進(jìn)百分率在22% ～45%之間，1 d預(yù)報(bào)的改進(jìn)百分率達(dá)到了45%左右，誤差改進(jìn)百分率隨著預(yù)報(bào)時(shí)效的延長(zhǎng)而減小，D－SUP較D－BREM 預(yù)報(bào)的改進(jìn)幅度略高。對(duì)比ECMWF降尺度方案，DSUP和D－BREM 1～7 d預(yù)報(bào)均方根誤差的改進(jìn)相對(duì)較小，在2% ～13%之間，這主要是因?yàn)閱沃行慕党叨阮A(yù)報(bào)本身已大大地減小了原始模式的誤差。同時(shí)也可看出，D－SUP方案預(yù)報(bào)效果略優(yōu)于D－BREM方案。

圖32007年 8 月1—31日1 d(a)、2 d(b)、3 d(c)、4 d(d)、5 d(e)、6 d(f)和7 d(g)北半球地面氣溫預(yù)報(bào)的區(qū)域平均均方根誤差(單位:℃)Fig.3 The areal average RMS errors of the surface temperature forecast in the Northern Hemisphere for(a)1 d，(b)2 d，(c)3 d，(d)4 d，(e)5 d，(f)6 d and(g)7 d during the period from 1 to 31 August 2007(units:℃)

4 不同插值方法對(duì)降尺度預(yù)報(bào)效果的影響

在大氣科學(xué)研究中常用的插值方法有很多。姜曉劍等(2010)曾對(duì)幾種不同的逐日氣象要素空間插值方法進(jìn)行了比較。對(duì)地面氣溫而言，常見(jiàn)的有雙線性插值(Bilinear，Bi)、拉格朗日插值(Lagrange，LAR)、樣條函數(shù)插值(Spline，SPL)、克里金插值(Kriging，KRI)和距離反比權(quán)重插值(Inverse Distance Weighted，IDW)等(李偉等，2007;張強(qiáng)等，2009;錢永蘭等，2010)。在上述統(tǒng)計(jì)降尺度研究中，本文采用的插值方法均為雙線性插值。那么，對(duì)于本研究雙線性插值是否為最優(yōu)的插值方法呢?為此，在統(tǒng)計(jì)降尺度方案中首先采用4種不同的插值方法(BI、IDW、SPL、LAR)分別對(duì)4個(gè)中心預(yù)報(bào)進(jìn)行插值。降尺度后再進(jìn)行兩種方案的多模式集成(SUP與BREM)，然后比較各種方案的預(yù)報(bào)技巧。

如圖5所示，就本文研究的區(qū)域和使用的降尺度集成方案而言，四種插值方法對(duì)于降尺度集成預(yù)報(bào)效果的影響并不是很大。效果最好的是雙線性插值方法，除了個(gè)別預(yù)報(bào)時(shí)效外，絕大部分預(yù)報(bào)時(shí)效的預(yù)報(bào)均方根誤差均小于利用其他3種插值方法的降尺度集成方案的結(jié)果。綜合效果最差的是拉格朗日插值(LAR)，預(yù)報(bào)時(shí)效為1～2 d、6～7 d的預(yù)報(bào)誤差都是最大，特別是7 d預(yù)報(bào)時(shí)效的預(yù)報(bào)誤差明顯大于其他3種插值方法的預(yù)報(bào)誤差，達(dá)到2℃以上，而其他三種插值方法的預(yù)報(bào)誤差均不超過(guò)2℃。

圖4 降尺度后兩種多模式集成預(yù)報(bào)方案的均方根誤差改進(jìn)百分率 a.對(duì)比綜合表現(xiàn)最好的單中心ECMWF模式預(yù)報(bào);b.對(duì)比綜合表現(xiàn)最好的單中心ECMWF統(tǒng)計(jì)降尺度預(yù)報(bào)Fig.4 The improvement percentage of the RMS errors of the downscaling with BREM and SUP forecast schemes and multimodel ensemble forecast over(a)the best single model ECMWF forecast and(b)the best single model ECMWF statistical downscaling forecast

圖5 利用4種不同插值方法的降尺度和多模式集成預(yù)報(bào)的均方根誤差對(duì)比Fig.5 Comparison of the RMS errors of the statistical downscaling and multimodel ensemble forecasts by using 4 different interpolation schemes

5 結(jié)論與討論

本文對(duì)ECMWF、JMA、NCEP和UKMO 4個(gè)中心2007年夏季北半球地面2 m氣溫1～7d預(yù)報(bào)的集合平均預(yù)報(bào)資料，利用雙線性插值方法、線性回歸分析和兩種多模式集成預(yù)報(bào)方案(SUP和BREM)進(jìn)行統(tǒng)計(jì)降尺度預(yù)報(bào)研究，得到如下幾點(diǎn)結(jié)論。

1)2007年夏季，4個(gè)中心的北半球地面氣溫預(yù)報(bào)經(jīng)過(guò)統(tǒng)計(jì)降尺度處理后，其預(yù)報(bào)誤差都明顯減小。對(duì)比降尺度前的預(yù)報(bào)，統(tǒng)計(jì)降尺度后各預(yù)報(bào)時(shí)效的預(yù)報(bào)誤差降幅維持在0.6℃左右，最大的改進(jìn)幅度甚至達(dá)到了1℃以上。

2)降尺度后再采用多模式超級(jí)集合和去除偏差集合平均兩種集成預(yù)報(bào)方案，預(yù)報(bào)技巧得到進(jìn)一步提高，兩種集成方案對(duì)預(yù)報(bào)的改進(jìn)效果相當(dāng)。對(duì)比綜合表現(xiàn)最好的單中心ECMWF預(yù)報(bào)，7個(gè)時(shí)效的統(tǒng)計(jì)降尺度及多模式集成預(yù)報(bào)的誤差明顯減小，預(yù)報(bào)誤差減小了20%以上，最高可達(dá)45%。對(duì)比綜合表現(xiàn)最好的單中心ECMWF降尺度方案，均方根誤差減小2% ～13%。其中，基于超級(jí)集合預(yù)報(bào)的降尺度方案(D－SUP)預(yù)報(bào)誤差小于基于消除偏差集合平均的降尺度方案(D－BREM)。

3)綜合比較雙線性插值、拉格朗日插值、樣條函數(shù)插值和距離反比權(quán)重插值4種插值方法，效果最好的是雙線性插值方法，除了個(gè)別預(yù)報(bào)時(shí)效外，絕大部分預(yù)報(bào)時(shí)效的預(yù)報(bào)均方根誤差均小于利用其他三種插值方法的降尺度集成方案的結(jié)果。綜合效果最差的是拉格朗日插值方法，特別是7 d預(yù)報(bào)時(shí)效的預(yù)報(bào)誤差明顯大于其他3種插值方法的預(yù)報(bào)誤差，達(dá)到2℃以上。

由于本文所使用的各個(gè)中心的模式預(yù)報(bào)資料均是在夏季3個(gè)月中，對(duì)于冬季或其他季節(jié)的預(yù)報(bào)效果檢驗(yàn)還有待進(jìn)一步研究。而由于檢驗(yàn)資料精度的限制，本文所用的降尺度預(yù)報(bào)方案均是把原始資料降到了1°×1°的分辨率，當(dāng)然這種方法也同樣適合做更高分辨率的預(yù)報(bào)，這取決于能否獲得更高分辨率的實(shí)測(cè)資料。隨著加密自動(dòng)站資料的質(zhì)量控制技術(shù)的發(fā)展以及各種融合資料的完善，未來(lái)將可利用統(tǒng)計(jì)降尺度方法及多模式集成方法得到更好的精細(xì)化預(yù)報(bào)。

白永清.2010.基于TIGGE資料多模式地面氣溫和降水的集成預(yù)報(bào)［D］.南京:南京信息工程大學(xué).

范麗軍，符淙斌，陳德亮.2005.統(tǒng)計(jì)降尺度法對(duì)未來(lái)區(qū)域氣候情景預(yù)測(cè)的研究進(jìn)展［J］.地球科學(xué)進(jìn)展，20(3):320－329.

范麗軍，符淙斌，陳德亮.2007.統(tǒng)計(jì)降尺度法對(duì)華北地區(qū)未來(lái)區(qū)域氣溫變化情景的預(yù)估［J］.大氣科學(xué)，31(5):887－897.

姜曉劍，劉小軍，黃芬，等.2010.逐日氣象要素空間插值方法的比較［J］.應(yīng)用生態(tài)學(xué)報(bào)，21(3):624－630.

李偉，李慶祥，江志紅.2007.用Kriging方法對(duì)中國(guó)歷史氣溫資料插值可行性討論［J］.南京氣象學(xué)院學(xué)報(bào)，30(2):246－252.

林春澤，智協(xié)飛，韓艷，等.2009.基于TIGGE資料的地面氣溫多模式超級(jí)集合預(yù)報(bào)［J］.應(yīng)用氣象學(xué)報(bào)，20(6):706－712.

錢永蘭，呂厚荃，張艷紅.2010.基于ANUSPLIN軟件的逐日氣象要素插值方法應(yīng)用與評(píng)估［J］.氣象與環(huán)境學(xué)報(bào)，26(2):9－15.

王亞男，智協(xié)飛.2012.多模式降水集合預(yù)報(bào)的統(tǒng)計(jì)降尺度研究［J］.暴雨災(zāi)害，31(1):1－6.

張強(qiáng)，阮新，熊安元.2009.近57年我國(guó)氣溫格點(diǎn)資料集的建立和質(zhì)量評(píng)估［J］.應(yīng)用氣象學(xué)報(bào)，20(4):385－393.

智協(xié)飛，陳雯.2010.THORPEX國(guó)際科學(xué)研究新進(jìn)展［J］.大氣科學(xué)學(xué)報(bào)，33(4):504－511.

智協(xié)飛，林春澤，白永清，等.2009.北半球中緯度地區(qū)地面氣溫的超級(jí)集合預(yù)報(bào)［J］.氣象科學(xué)，32(5):569－574.

智協(xié)飛，季曉東，張璟，等.2013.基于TIGGE資料的地面氣溫和降水的多模式集成預(yù)報(bào)［J］.大氣科學(xué)學(xué)報(bào)，36(3):257－266.

Brankovic C，Matjacic B，Sahdan I.2008.Downscaling of ECMWF ensemble forecasts for cases of severe weather:Ensemble statistics and cluster analysis［J］.Mon Wea Rev，136:3323－3342.

Caňón J，Domínguez F，Valdes J B.2011.Downscaling climate variability associated with quasi－periodic climate signals:A new statistical approach using MSSA［J］.J Hydrol，398:65－75.

Kanamaru H，Kanamitsu M.2007.Fifty－seven－year California reanalysis downscaling at 10 km(CaRD10).PartⅡ:Comparison with North American regional reanalysis［J］.J Climate，20:5572－5592.

Krishnamurti T N，Kishtawal C M，LaRow T，et al.1999.Improved weather and seasonal climate forecasts from multimodel superensemble［J］.Science，285:1548－1550.

Krishnamurti T N，Mishra A K，Chakraborty A.2009.Improving global model precipitation Forecasts over India using downscaling and the FSU superensemble.Part Ⅰ:1—5－Day forecasts［J］.Mon Wea Rev，137:2713－2735.

Lorenz E N.1969.A study of the predictability of 28－variable atmosphere model［J］.Tellus，21:739－759.

Rebora N，Provenzale L.2005.Rain FARM:Rainfall downscaling by a filtered autoregressive model［J］.J Hydrometeorol，7:724－738.

Sailor D J，Li Xiangshang.1999.A semiempirical downscaling approach for predicting regional temperature impacts associated with climatic change［J］.J Climate，12:103－114.

Vijaya Kumar T S V，Sanjay J，Basu B K，et al.2007.Experimental superensemble forecasts of tropical cyclones over the Bay of Bengal［J］.Nat Hazards，41:471－485.

Wilby R L，Wigley T M L，Conway D，et al.1997.Downscaling general circulation model output:A review of methods and limitations［J］.Progress in Physical Geography，21:530－548.

Yoshimura K，Kanamitsu M.2008.Dynamical global downscaling of global reanalysis［J］.Mon Wea Rev，136:2983－2998.

Zhi Xiefei，Bai Yongqing，Lin Chunze，et al.2009.Multi－model superensemble forecasts of the surface temperature in the Northern Hemisphere［C］//Third THORPEX international science symposium.California:14－18.

Zhi Xiefei，Zhang Ling，Bai Yongqing.2011.Application of the multimodel ensemble forecast in the QPF［C］//2011 international conference on information science and technology.Nanjing:657－660.doi:10.1109/ICIST.2011.5765333.

Zhi Xiefei，Qi Haixia，Bai Yongqing，et al.2012.A comparison of three kinds of multimodel ensemble forecast techniques based on the TIGGE data［J］.Acta Meteor Sinica，26(1):41－51.doi:10.1007/s13351－012－0104－5.