基于TIGGE資料的集合成員優(yōu)選方法

畢瀟瀟,智協(xié)飛,林春澤

(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.吉林省氣象臺,吉林 長春 130062;

3.中國氣象局 武漢暴雨研究所 暴雨監(jiān)測預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430074)

?

基于TIGGE資料的集合成員優(yōu)選方法

畢瀟瀟1,2,智協(xié)飛1,林春澤3

(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.吉林省氣象臺,吉林 長春 130062;

3.中國氣象局 武漢暴雨研究所 暴雨監(jiān)測預(yù)警湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 武漢 430074)

摘要：利用2007年6月8日—8月31日東亞地區(qū)TIGGE集合預(yù)報(bào)資料中歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-range Weather Forecasts,ECMWF)和英國氣象局(United Kingdom Met Office,UKMO)兩個(gè)中心的地面2 m氣溫資料進(jìn)行集合成員優(yōu)選研究。結(jié)果表明,對于24～96 h預(yù)報(bào),集合成員優(yōu)選方法能夠較好地選出預(yù)報(bào)技巧較高和預(yù)報(bào)技巧較低的集合成員。個(gè)例分析表明,在極端天氣出現(xiàn)的地區(qū),優(yōu)選集合平均的預(yù)報(bào)優(yōu)勢較為明顯。對比ECMWF和UKMO的集合成員優(yōu)選結(jié)果發(fā)現(xiàn),ECMWF的預(yù)報(bào)效果優(yōu)于UKMO的預(yù)報(bào)效果。

關(guān)鍵詞：TIGGE資料;集合平均;最優(yōu)集合成員;均方根誤差

0引言

集合預(yù)報(bào)方法是一種使用多個(gè)初始場或多個(gè)數(shù)值模式來描述大氣狀態(tài)不確定性的方法。即從單個(gè)初始狀態(tài)出發(fā),通過多模式或單模式的控制參數(shù)變化,得到預(yù)報(bào)結(jié)果的集合,或者給出從初始狀態(tài)的誤差范圍估計(jì)中得到的一個(gè)初始狀態(tài)的集合,再從這個(gè)包含若干初始狀態(tài)的集合出發(fā),通過一個(gè)或多個(gè)數(shù)值模式,得到相應(yīng)的、包含多個(gè)預(yù)報(bào)結(jié)果的集合,再通過對預(yù)報(bào)結(jié)果集合的分析,得到最終的集合預(yù)報(bào)產(chǎn)品(段明鏗和王盤興,2004)。研究表明,集合預(yù)報(bào)效果普遍優(yōu)于單一確定性預(yù)報(bào),是數(shù)值天氣預(yù)報(bào)的發(fā)展方向(林春澤等,2009;智協(xié)飛等,2009)。目前,集合預(yù)報(bào)在國內(nèi)越來越受到重視,許多研究表明經(jīng)過集成的預(yù)報(bào)結(jié)果無論是季節(jié)預(yù)測、延伸期預(yù)報(bào)還是中短期天氣預(yù)報(bào)均明顯地優(yōu)于單模式預(yù)報(bào)(智協(xié)飛和陳雯,2010;崔慧慧和智協(xié)飛,2013)。

然而,如何快速、準(zhǔn)確地從大量集合產(chǎn)品中提煉出我們所需要的信息,目前的集合預(yù)報(bào)水平還有待提高。在集合預(yù)報(bào)系統(tǒng)的應(yīng)用中,集合平均是最簡單也是最有效地處理集合成員的方法,但是它平滑了很多可能出現(xiàn)的極端天氣。如集合平均經(jīng)常在小雨量級的降水中出現(xiàn)空報(bào),在大雨量級的降水中出現(xiàn)漏報(bào)(王亞男和智協(xié)飛,2012)。針對這種情況,通常先對資料進(jìn)行訂正處理,再進(jìn)行集合預(yù)報(bào)研究(李佰平和智協(xié)飛,2012)。由于受到資料時(shí)間長度、地形等因素的影響,每種訂正方法都有其局限性。就集合預(yù)報(bào)的基本原理而言,所有集合成員的預(yù)報(bào)結(jié)果應(yīng)當(dāng)是等權(quán)重的。然而由于各種因素的影響(如下墊面、海洋等),在實(shí)際的集合預(yù)報(bào)過程中,還是會(huì)發(fā)現(xiàn)一個(gè)或幾個(gè)集合成員的預(yù)報(bào)技巧優(yōu)于其他成員,而這個(gè)預(yù)報(bào)技巧較高的集合成員是不固定的。我們期望在每次預(yù)報(bào)過程中都能找出那一個(gè)或幾個(gè)對該次預(yù)報(bào)預(yù)報(bào)技巧較高的集合成員,以便在進(jìn)行模式后處理和訂正的時(shí)候,能夠使集合預(yù)報(bào)系統(tǒng)更精確(Toth and Kalney,1993,1997;Eckel and Walters,1998;Stensrud and Yussouf,2003;Raftery et al.,2005;Hamill et al.,2006;Greybush et al.,2008;Pena and Van den Dool,2008)。通常某些集合成員對東亞區(qū)域的降水預(yù)報(bào)相對其他成員準(zhǔn)確,那么在考慮東亞區(qū)域的降水時(shí),便將其賦予更多的權(quán)重。由于天氣系統(tǒng)的復(fù)雜性,通過歷史統(tǒng)計(jì)方法很難捕捉到短期預(yù)報(bào)的共性。例如,歷史上同一天可能不會(huì)出現(xiàn)降水天氣,但是對于要預(yù)報(bào)的那一天可能出現(xiàn)強(qiáng)降水。另外,歷史資料的處理和存放需要消耗較多的人力物力,費(fèi)用巨大。本文采用美國國家海洋大氣局Du and Zhou(2010)提出的一種方法來選擇集合預(yù)報(bào)系統(tǒng)中預(yù)報(bào)技巧較高的成員,該方法使用實(shí)時(shí)預(yù)報(bào)資料,簡便易行,成本低廉,對較低一級的暫時(shí)不具備資料共享和高性能計(jì)算機(jī)等條件的臺站尤為適用。

1資料和方法

1.1　資料

所用的資料為世界氣象組織THROPEX計(jì)劃下的TIGGE集合預(yù)報(bào)資料和美國FNL再分析資料(智協(xié)飛和陳雯,2010)。

1)TIGGE集合預(yù)報(bào)資料:由于2個(gè)集合預(yù)報(bào)系統(tǒng)成員個(gè)數(shù)不同(歐洲中期天氣預(yù)報(bào)中心51個(gè),英國氣象局24個(gè)),為方便比較,選取TIGGE集合預(yù)報(bào)資料下歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-range Weather Forecasts,ECMWF)前21個(gè)集合成員和英國氣象局(United Kingdom Met Office,UKMO)前21個(gè)成員2007年6月8日—8月31日每日12時(shí)(世界時(shí),下同)起報(bào)的地面氣溫資料,預(yù)報(bào)區(qū)域取為東亞(10～45°E,85～145°N),分辨率為1.25°×1.25°,預(yù)報(bào)時(shí)效為24～120 h,間隔為24 h。

2)FNL逐日再分析資料:選取FNL逐日再分析資料作為觀測值,用于檢驗(yàn)預(yù)報(bào)效果。時(shí)間、區(qū)域同預(yù)報(bào)資料,分辨率為1°×1°。采用雙線性插值方法,將預(yù)報(bào)資料的分辨率降為1°×1°。

1.2　方法

圖1給出了集合預(yù)報(bào)系統(tǒng)誤差漂移圖。由圖1a可以看出,積分一段時(shí)間之后,各個(gè)集合成員離實(shí)況值越來越遠(yuǎn),而且與實(shí)況值差距較大,結(jié)果導(dǎo)致集合平均值也遠(yuǎn)離了真實(shí)值,這說明系統(tǒng)誤差偏大。相反,如果各個(gè)集合成員的預(yù)報(bào)結(jié)果是包含真值的一個(gè)集合(圖1b),那么集合平均值就會(huì)相對接近實(shí)況值。一個(gè)良好的集合預(yù)報(bào)系統(tǒng)是要盡可能地包含真實(shí)值的。因此,圖1b所示的集合預(yù)報(bào)系統(tǒng)要優(yōu)于圖1a所示的集合預(yù)報(bào)系統(tǒng)。由此可見,一個(gè)良好的集合預(yù)報(bào)系統(tǒng)應(yīng)該是如圖1b所示的情況。那么相對于其他集合成員來說,集合平均預(yù)報(bào)可能更接近實(shí)況值。而在實(shí)際應(yīng)用中發(fā)現(xiàn),集合平均只是在區(qū)域平均中表現(xiàn)較好,如果某地出現(xiàn)強(qiáng)對流天氣等極端天氣過程,集合平均的結(jié)果又過度平滑,可能會(huì)造成此類天氣的漏報(bào),而這類天氣恰恰是會(huì)造成嚴(yán)重?fù)p失的。因此,在預(yù)報(bào)某一時(shí)刻天氣時(shí),有必要找出集合預(yù)報(bào)系統(tǒng)中對該時(shí)刻的預(yù)報(bào)技巧較高的某幾個(gè)集合成員來避免集合平均的過度平滑問題。

圖1　集合預(yù)報(bào)系統(tǒng)誤差漂移圖(杜鈞和陳靜,2010;水平實(shí)線表示真值;虛線表示隨機(jī)分布的預(yù)報(bào)不確定性范圍;實(shí)線表示集合平均預(yù)報(bào);t0是初始預(yù)報(bào)時(shí)刻;t是最終預(yù)報(bào)時(shí)刻)　　a.系統(tǒng)性誤差大;b.系統(tǒng)性誤差小Fig.1　Schematic diagram of the ensemble forecast system bias(Du and Chen,2010;the abscissa represents the true value;the dashed curves denote the uncertainty range of random distribution forecast;the solid curve represents the ensemble mean forecast;t0is the initial forecast time and t is the final forecast time)a.with large systematic bias;b.with small systematic bias

理論上,既然集合預(yù)報(bào)系統(tǒng)中所有的初始條件和物理過程都是有依據(jù)的,那么模式輸出的結(jié)果也應(yīng)該是可信的,也就是說,每個(gè)集合成員的預(yù)報(bào)效果是等權(quán)重的。但是在實(shí)際應(yīng)用中發(fā)現(xiàn),不同集合成員對不同天氣狀況的預(yù)報(bào)能力是不同的。由圖1可知,有辦法在沒有獲知實(shí)況的前提下找出對特定時(shí)次預(yù)報(bào)技巧較高的那些集合成員。本文研究的對象是85 d區(qū)域平均,將每天每個(gè)格點(diǎn)上的集合成員預(yù)報(bào)值與集合平均預(yù)報(bào)值之間的絕對值定義為距離DA。為了使得結(jié)果更能反映真實(shí)情況,排除因個(gè)別格點(diǎn)誤差較大而影響結(jié)果,令:

集合成員的預(yù)報(bào)結(jié)果與總成員集合平均的預(yù)報(bào)結(jié)果之差的絕對值DA越小,表示兩者之間的差距越小,也就是說,這個(gè)集合成員的預(yù)報(bào)結(jié)果相對較好。RSP表示集合離散度,一個(gè)良好的集合預(yù)報(bào)系統(tǒng)應(yīng)該盡可能地包含真實(shí)值,具有合適的離散度。SDI值越小表示預(yù)報(bào)效果越好。

2效果評估

2.1　ECMWF集合預(yù)報(bào)

由于本文只研究一個(gè)要素(溫度),為使結(jié)果更加可信,這里選取前5個(gè)SDI值最小的集合成員平均作為最優(yōu)成員(以下簡稱最優(yōu)成員),后5個(gè)SDI值最大的集合成員平均作為最差成員(以下簡稱最差成員)。研究最優(yōu)成員和最差成員排名的平均位置(圖2)。

從圖2中可以看出,對于24 h預(yù)報(bào),最優(yōu)成員在絕大多數(shù)情況下表現(xiàn)效果要優(yōu)于最差成員,最差成員好于最優(yōu)成員的情況只有12 d,而且最優(yōu)成員的平均排名也表現(xiàn)得較好,最差成員的平均排名相對靠后。對于48～72 h預(yù)報(bào),最差成員好于最優(yōu)成員的情況為20 d左右,預(yù)報(bào)能力有所下降。相對于24 h預(yù)報(bào),最優(yōu)成員的平均排名也有所下降,最差成員的平均排名有所上升,但最優(yōu)成員仍然表現(xiàn)得較好。對于96 h預(yù)報(bào),最差成員好于最優(yōu)成員的情況超過了20 d。對于120 h預(yù)報(bào),最差成員好于最優(yōu)成員的情況超過了40 d,可認(rèn)為對于歐洲中心5 d及以上的預(yù)報(bào),該方法已經(jīng)不具備參考價(jià)值。

圖3給出了2007年6月8日—8月31日ECMWF在東亞區(qū)域24～120 h預(yù)報(bào)的平均均方根誤差,可以看出,隨著預(yù)報(bào)時(shí)效的延長,預(yù)報(bào)誤差增大。對于24～120 h預(yù)報(bào),選出的最優(yōu)成員的均方根誤差小于總成員平均的均方根誤差。對于24～96 h預(yù)報(bào),總成員平均的均方根誤差小于選出的最差成員。對于120 h預(yù)報(bào),選出的最差成員的均方根誤差小于總成員平均。另外,實(shí)際最差成員均方根誤差與選出的最差成員之間有很大差距,說明該方法選擇最優(yōu)成員的能力要明顯好于選擇最差成員的能力。

圖2　ECMWF 24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)預(yù)報(bào)時(shí)效預(yù)測中表現(xiàn)最優(yōu)和最差的5個(gè)成員在實(shí)況中的平均排名位置Fig.2　Mean ranks of the predicted two extreme ends of ECMWF ensemble system, the “better”(solid curve) and the “worse”(dashed curve) members at various forecast lengths　　a.24 h;b.48 h;c.72 h;d.96 h;e.120 h

圖3　2007年6月8日—8月31日ECMWF在東亞區(qū)域24～120 h預(yù)報(bào)的平均均方根誤差(單位:℃)Fig.3　Mean RMS error of ECMWF in East Asia area at various forecast lengths of 24—120 h from June 8 to August 31,2007(units:℃)

2.2　個(gè)例分析

圖4給出了選取的3個(gè)個(gè)例。對比圖4a、b、c可以看出,6月17日實(shí)況中青藏高原上出現(xiàn)了溫度低于0 ℃以下的區(qū)域,選出的最優(yōu)集合成員和集合平均都體現(xiàn)了較好的預(yù)報(bào)效果,但選出的最優(yōu)集合成員預(yù)報(bào)出來的溫度低于0 ℃以下的區(qū)域明顯比集合平均預(yù)報(bào)出來的范圍更大,更接近實(shí)況。對比圖4d、e、f可以得出類似的結(jié)論。此外,在東南亞、朝鮮半島等地,選出的最優(yōu)集合成員相對于集合平均,預(yù)報(bào)結(jié)果更加準(zhǔn)確。對比圖4g、h、i可以看到,6月28日在新疆東部出現(xiàn)了小范圍高溫天氣,而集合平均的預(yù)報(bào)結(jié)果將這個(gè)范圍擴(kuò)大了,并且強(qiáng)度達(dá)到了38 ℃以上。選出的最優(yōu)集合成員的預(yù)報(bào)結(jié)果中,高溫范圍明顯減小,更接近實(shí)況。在我國河南、河北等地出現(xiàn)了30 ℃以上高溫天氣,集合平均將其過度平滑掉了,選出的最優(yōu)集合成員在位置和強(qiáng)度上更接近實(shí)況,但范圍較實(shí)況仍然較小。

圖4　ECMWF在東亞地區(qū)的溫度分布(單位:℃)　　a.6月17日選出的最優(yōu)集合成員24 h預(yù)報(bào);b.6月17日集合平均的24 h預(yù)報(bào);c.6月17日實(shí)況;d.6月18日選出的最優(yōu)集合成員24 h預(yù)報(bào);e.6月18日集合平均的24 h預(yù)報(bào);f.6月18日實(shí)況;g.6月28日選出的最優(yōu)集合成員24 h預(yù)報(bào);h.6月28日集合平均的24 h預(yù)報(bào);i.6月28日實(shí)況Fig.4　ECMWF temperature geographical distribution in East Asia(units:℃)　　a.Predicted better members’ mean on June 17;b.Ensemble mean on June 17;c.Predicted better members’ mean on June 18;d.Ensemble mean on June 18;e.Predicted better members’ mean on June 28;f.Ensemble mean on June 28

32個(gè)集合預(yù)報(bào)系統(tǒng)的預(yù)報(bào)結(jié)果對比

圖5給出了2007年6月8日—8月31日UKMO和ECMWF 24 h預(yù)報(bào)結(jié)果在東亞區(qū)域的最優(yōu)(最差)成員排名情況?？梢钥闯?ECMWF的預(yù)報(bào)效果要優(yōu)于UKMO。圖6給出了ECMWF和UKMO總體平均的均方根誤差對比。從中可以看出,無論是實(shí)際最優(yōu)的5個(gè)成員的集合平均,還是選出來的5個(gè)最優(yōu)集合成員的集合平均和總成員的集合平均,ECMWF的預(yù)報(bào)效果均好于UKMO的預(yù)報(bào)效果。為了進(jìn)一步說明問題,圖7給出了ECMWF和UKMO利用集合成員優(yōu)選方法預(yù)報(bào)效果最好和最差時(shí)刻的溫度差值地理分布。對比圖7a、b可以看出,ECMWF的預(yù)報(bào)結(jié)果偏差小,優(yōu)于UKMO。對比圖7c、d,盡管ECMWF的預(yù)報(bào)結(jié)果在我國新疆出現(xiàn)了8 ℃以上的偏差,但是總體上ECMWF的預(yù)報(bào)偏差小于UKMO的結(jié)果。這也進(jìn)一步證明了在本文所選取的時(shí)間與區(qū)域內(nèi),ECMWF的系統(tǒng)偏差小于UKMO。

圖6　2007年6月8日—8月31日UKMO和ECMWF東亞區(qū)域24 h預(yù)報(bào)的均方根誤差(單位:℃)Fig.6　The root mean square error of UK Met Office and ECMWF at forecast length of 24 h in East Asia from June 8 to August 31,2007(units:℃)

圖7　ECMWF和UKMO最優(yōu)和最差成員在東亞區(qū)域24 h預(yù)報(bào)的溫度偏差個(gè)例(單位:℃)　　a.2007年8月23日ECMWF最優(yōu)成員;b.2007年7月18日UKMO最優(yōu)成員;c.2007年6月16日ECMWF最差成員;d.2007年6月12日UKMO最差成員Fig.7　The temperature deviation of predicted better members’ and worse members’ mean of ECMWF and UKMO in East Asia for 24 h length forecast(units:℃)　　a.Predicted better members’ mean of ECMWF on August 23,2007;b.Predicted better members’ mean of UKMO on July 18,2007;c.Predicted worse members’ mean of ECMWF on June 16,2007;d.Predicted worse members’ mean of UKMO on June 12,2007

4結(jié)論與討論

1)最優(yōu)集合成員的預(yù)報(bào)技巧多數(shù)都優(yōu)于集合預(yù)報(bào)系統(tǒng)的總成員平均和最差成員。隨著預(yù)報(bào)時(shí)效的延長,該方法的性能有所降低。預(yù)報(bào)均方根誤差顯示,最優(yōu)集合成員的預(yù)報(bào)技巧優(yōu)于最差成員和總成員平均。

2)對比最優(yōu)集合成員、集合平均和天氣實(shí)況的地理分布,發(fā)現(xiàn)最優(yōu)集合成員相對于集合平均更接近天氣實(shí)況,這是由于集合平均平滑了許多可能出現(xiàn)的極端天氣,最優(yōu)集合成員更有利于預(yù)報(bào)災(zāi)害性天氣。

3)對比ECMWF和UKMO的預(yù)報(bào)結(jié)果,發(fā)現(xiàn)ECMWF表現(xiàn)更好。而均方根誤差的地理分布顯示ECMWF的集合預(yù)報(bào)系統(tǒng)要優(yōu)于UKMO。此外,集合預(yù)報(bào)的系統(tǒng)誤差越小,選出最優(yōu)(最差)成員的效果越好。

通過以上分析,在做短期預(yù)報(bào)(尤其是夏季等強(qiáng)對流天氣旺盛的季節(jié))的時(shí)候可以挑選出幾個(gè)預(yù)報(bào)技巧較高的集合成員做,這對災(zāi)害性天氣的預(yù)警及防災(zāi)減災(zāi)都具有積極的意義。該方法也適用于其他連續(xù)性要素,如高度場、風(fēng)場等。

參考文獻(xiàn)(References)：

崔慧慧,智協(xié)飛.2013.基于TIGGE資料的地面氣溫延伸期多模式集成預(yù)報(bào)[J].大氣科學(xué)學(xué)報(bào),36(2):165-173.Cui Huihui,Zhi Xiefei.2013.Multi-model ensemble forecasts of surface air temperature in the extended range using the TIGGE dataset[J].Trans Atmos Sci,36(2):165-173.

杜鈞,陳靜.2010.單一值預(yù)報(bào)向概率預(yù)報(bào)轉(zhuǎn)變的基礎(chǔ):談?wù)劶项A(yù)報(bào)及其帶來的變革[J].氣象,36(11):1-11.Du Jun,Chen Jing.2010.The corner stone in facilitating the transition from deterministic to probabilistic forecasts:Ensemble forecasting and its impact on numerical weather prediction[J].Meteor Mon,36(11):1-11.

Du J,Zhou B B.2010.A dynamical performance-ranking method for predicting individual ensemble member performance and its application to ensemble averaging[J].Mon Wea Rev,139:3284-3303.

段明鏗,王盤興.2004.集合預(yù)報(bào)方法研究及應(yīng)用進(jìn)展綜述[J].南京氣象學(xué)院學(xué)報(bào),27(2):279-288.Duan Mingkeng,Wang Panxing.2004.Advances in Researches and Applications of Ensemble Prediction[J].J Nanjing Inst Meteor,27(2):279-288.

Eckel F A,Walters M K.1998.Calibrated probabilistic quantitative precipitation forecasts based on the MRF ensemble[J].Wea Forecasting,13:1132-1147.

Greybush S J,Haupt S E,Young G S.2008.The regime dependence of optimally weighted ensemble model consensus forecasts of surface temperature[J].Wea Forecasting,23:1146-1161.

Hamill T M,Whitaker J S,Mullen S L.2006.Reforecasts:An important dataset for improving weather predictions[J].Bull Amer Meteor Soc,87:33-46.

李佰平,智協(xié)飛.2012.ECMWF模式地面氣溫預(yù)報(bào)的四種誤差訂正方法的比較研究[J].氣象,38(8):897-902.Li Baiping,Zhi Xiefei.2012.Comparative study of four correction schemes of the ECMWF surface temperature forecasts[J].Meteor Mon,38(8):897-902.

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集合預(yù)報(bào)[J].應(yīng)用氣象學(xué)報(bào),20(6):706-712.Lin Chunze,Zhi Xiefei,Han Yan,et al.2009.Multi-model superensemble forecasts of the surface temperature using the TIGGE data[J].J Appl Meteor Sci,20(6):706-712.

Pena M,Van den Dool H.2008.Consolidation of multi-model forecasts by ridge regression:Application to Pacific sea surface temperature[J].J Climate,21:6521-6538.

Raftery A E T,Balabdaoui F,Polakowski M.2005.Using Bayesian model averaging to calibrate forecast ensembles[J].Mon Wea Rev,133:1155-1174.

Stensrud D J,Yussouf N.2003.Short-range ensemble predictions of 2 m temperature and dewpoint temperature over New England[J].Mon Wea Rev,131:2510-2524.

Toth Z,Kalney E.1993.Ensemble forecasting at NMC:The generation of perturbations[J].Bull Amer Meteor Soc,74(12):2317-2330.

Toth Z,Kalney E.1997.Ensemble forecasting at NCEP and the breed method[J].Mon Wea Rev,125(12):3297-3319.

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):1-7.Wang Yanan,Zhi Xiefei.2012.Statistical downscaling of the precipiation multimodel ensemble forecast[J].Torrential Rain and Disasters,31(1):1-7.

智協(xié)飛,陳雯.2010.THORPEX國際科學(xué)研究新進(jìn)展[J].大氣科學(xué)學(xué)報(bào),33(4):504-511.Zhi Xiefei,Chen Wen.2010.New achievements of international atmospheric research in THORPEX program[J].Trans Atmos Sci,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)地面氣溫的超級集合預(yù)報(bào)[J].氣象科學(xué),29(5):569-574.Zhi Xiefei,Lin Chunze,Bai Yongqing,et al.2009.Super ensemble forecasts of the surface temperature in Northern Hemisphere middle latitudes[J]. Scientia Meteorologica Sinica,29(5):569-574.

(責(zé)任編輯：張福穎)

A ranking method for selecting good and bad ensemble forecast members based on TIGGE dataset

BI Xiao-xiao1,2,ZHI Xie-fei1,LIN Chun-ze3

(1.Key Laboratory of Meteorological Disaster(NUIST),Ministry of Education,NUIST,Nanjing 210044,China; 2.JiLin Meteorological Observatory,Changchun 130062,China; 3.Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research,WHIHR,CMA,Wuhan 430074,China)

Abstract:This study uses a ranking method to select some good and bad ensemble members from ensemble forecasts of the 2 m temperature above the ground in East Asia provided by European Centre for Medium-range Weather Forecasts(ECMWF) and United Kingdom Met Office(UKMO).The ensemble forecast products are taken from TIGGE archive for the period from June 8, 2007 to August 31,2007.The results show that the optimal selection method may reasonably select the ensemble members with higher and lower forecast skills for 24—96 h forecasts.Case study shows that the ensemble mean forecast of the optimally selected ensemble members may predict the extreme temperature quite well,and it performs better than the ensemble mean of all ensemble members.The forecast skill of the ECMWF ensemble forecast is higher than that of UKMO forecast in terms of the root-mean-square errors of the surface air temperature forecasts.

Key words:TIGGE dataset;ensemble mean;optimally selected ensemble members;root-mean-square error

doi：10.13878/j.cnki.dqkxxb.20130314004

文章編號：1674-7097(2015)03-0414-07

中圖分類號：P456.7

文獻(xiàn)標(biāo)志碼：A

通信作者：智協(xié)飛,博士,教授,博士生導(dǎo)師,研究方向?yàn)榧撅L(fēng)動(dòng)力學(xué)、短期氣候預(yù)測,zhi@nuist.edu.cn.

基金項(xiàng)目:公益性行業(yè)(氣象)科研專項(xiàng)(GYHY200906009);江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目(PAPD)

收稿日期：2013-03-14；改回日期：2013-05-10

畢瀟瀟,智協(xié)飛,林春澤.2015.基于TIGGE資料的集合成員優(yōu)選方法[J].大氣科學(xué)學(xué)報(bào),38(3):414-420.doi：10.13878/j.cnki.dqkxxb.20130314004.

Bi Xiao-xiao,Zhi Xie-fei,Lin Chun-ze.2015.A ranking method for selecting good and bad ensemble forecast members based on TIGGE dataset[J].Trans Atmos Sci,38(3):414-420.(in Chinese).