B08RDP區(qū)域集合預(yù)報溫度場質(zhì)量評估與綜合偏差訂正

馬旭林,周勃旸,時洋②,計燕霞,和杰

?

B08RDP區(qū)域集合預(yù)報溫度場質(zhì)量評估與綜合偏差訂正

馬旭林①*,周勃旸①,時洋①②,計燕霞①,和杰①

① 南京信息工程大學(xué) 氣象災(zāi)害教育部重點實驗室,江蘇 南京 210044;

② 廣東省氣象臺,廣東 廣州 510080

2014-11-24收稿，2015-06-21接受

國家自然科學(xué)基金資助項目(41275111;91437113);公益性行業(yè)(氣象)科研專項(GYHY201506005)

針對B08RDP(The Beijing 2008 Olympics Research and Development Project)5套區(qū)域集合預(yù)報資料,系統(tǒng)分析了各套集合預(yù)報溫度場的預(yù)報質(zhì)量。在此基礎(chǔ)上運用集合預(yù)報的綜合偏差訂正方法對溫度場進行偏差訂正,并對其效果進行了分析討論。結(jié)果顯示:5套B08RDP區(qū)域集合預(yù)報中,美國國家環(huán)境預(yù)報中心(NCEP)區(qū)域集合預(yù)報溫度場的整體預(yù)報質(zhì)量最高,平均預(yù)報誤差最小,離散度也最為合理,預(yù)報可信度和可辨識度均較優(yōu);而中國氣象科學(xué)研究院(CAMS)的溫度預(yù)報誤差過大,預(yù)報質(zhì)量最差。整體上看,除NCEP之外的4套集合預(yù)報的溫度場均存在集合離散度偏小的問題;綜合偏差訂正能有效減小各集合預(yù)報溫度場的集合平均均方根誤差,改善集合離散度的質(zhì)量,顯示出綜合偏差訂正方案對集合預(yù)報溫度場偏差訂正的良好能力。

數(shù)值預(yù)報

集合預(yù)報

偏差訂正

質(zhì)量評估

B08RDP

數(shù)值預(yù)報模式及其初始場的不確定性,導(dǎo)致非線性運動大氣的確定性預(yù)報技巧受到限制。集合預(yù)報能夠較好地反映實際大氣運動不確定性特征,有效彌補了確定性預(yù)報的不足,已成為提高預(yù)報準(zhǔn)確性的有效方式,既是概率預(yù)報的基礎(chǔ)(智協(xié)飛等,2014a),也是目前集合——變分混合資料同化的前提(馬旭林等,2014)。集合預(yù)報的關(guān)鍵問題之一是集合初始擾動的構(gòu)造,主要包括基于初值或模式不確定性的構(gòu)造方案。前者主要有歐洲中期天氣預(yù)報中心(ECMWF)的集合同化——奇異向量法、美國環(huán)境預(yù)報中心(NCEP)的重新尺度化集合變換法(ETR,Ensemble Transform with Rescaling)和加拿大氣象中心的集合卡爾曼濾波法(EnKF),以及基于集合卡爾曼理論發(fā)展的集合卡爾曼變換(ETKF)初始擾動方法(Wang and Bishop,2003;馬旭林等,2008;Ma et al.,2009)等;后者通?？煞譃閱文Ｊ蕉辔锢磉^程、多模式單物理過程以及多模式多物理過程(超級集合預(yù)報)等,其中超級集合預(yù)報方法的預(yù)報效果多優(yōu)于單模式和多模式的集合平均(Krishnamurti et al.,2007;智協(xié)飛等,2013;崔慧慧和智協(xié)飛,2013)。

由于全球集合預(yù)報分辨率較低,難以有效捕獲中小尺度天氣系統(tǒng)的信息,從而具有較高分辨率的區(qū)域集合預(yù)報得到了快速發(fā)展(Bowler et al.,2009),并在數(shù)值天氣預(yù)報業(yè)務(wù)中得到廣泛應(yīng)用。如NCEP早期采用增長模繁殖法構(gòu)造初始擾動的短時區(qū)域集合預(yù)報系統(tǒng)(Du et al.,2003),目前由基于ETR方法的NCEP全球集合預(yù)報提供邊界條件(麻巨慧等,2011),并考慮了模式不確定性(Du et al.,2006)。由ECMWF全球集合預(yù)報降尺度構(gòu)造的COSMO-LEPS區(qū)域集合預(yù)報系統(tǒng)也具有較好的預(yù)報性能(Marsigli et al.,2008)。加拿大采用集合卡爾曼濾波(EnKF)方法發(fā)展了區(qū)域集合預(yù)報系統(tǒng),并對不同的對流凝結(jié)參數(shù)和次網(wǎng)格尺度物理傾向進行隨機擾動(Li et al.,2008;Charron et al.,2010)。英國氣象局則由ETKF初始擾動的全球集合預(yù)報降尺度形成了區(qū)域集合預(yù)報系統(tǒng)MOGREPS(The Met Office Global and Regional Ensemble Prediction System),同時使用隨機對流渦度考慮次網(wǎng)格不確定性(Bowler et al.,2009)?；诔叨然旌戏椒?Wang et al.,2010,2014)構(gòu)造的奧地利區(qū)域集合預(yù)報系統(tǒng)(Wang et al.,2011),將全球集合預(yù)報大尺度擾動信息與區(qū)域集合預(yù)報的中小尺度信息相結(jié)合,較好地反映了實際大氣多尺度的不確定性特征,也有效改善了預(yù)報性能。日本氣象廳則在非靜力模式的基礎(chǔ)上利用奇異向量法作為初始擾動方案建立了區(qū)域集合預(yù)報系統(tǒng)(Saito et al.,2006),也表現(xiàn)出良好的效果。

2008年為北京奧運會提供支撐的B08RDP(The Beijing 2008 Olympics Research and Development Project)項目(Duan et al.,2012)集中了6個預(yù)報中心的區(qū)域集合預(yù)報系統(tǒng)制作同一時間、相同區(qū)域的中尺度集合預(yù)報,其中客觀評估各中心區(qū)域集合預(yù)報的整體預(yù)報質(zhì)量和比較其預(yù)報性能是B08RDP項目的主要目標(biāo)之一(Duan et al.,2012)。集合預(yù)報質(zhì)量評估已開展了諸多研究(智協(xié)飛等,2014b),但評估物理量多選取海平面氣壓、500 hPa高度場或2 m溫度等(Johnson and Swinbank,2009;Alexander et al.,2009),較少關(guān)注對流層低層的集合預(yù)報質(zhì)量。對于區(qū)域集合預(yù)報,對流層低層的溫度、位勢高度以及濕度等對中小尺度天氣系統(tǒng)的發(fā)生發(fā)展通常起著關(guān)鍵作用,也是反映區(qū)域集合預(yù)報性能的重要方面。因此,本文利用B08RDP項目的區(qū)域集合預(yù)報資料,首先對反映集合預(yù)報整體質(zhì)量的對流層低層(850 hPa)溫度預(yù)報質(zhì)量進行多角度評估分析。然后,運用基于自適應(yīng)卡爾曼濾波的遞減平均方法(Du et al.,2007;Cui et al.,2012;馬旭林等,2015),分別對各套集合預(yù)報的溫度變量進行綜合偏差訂正,合理調(diào)整集合平均預(yù)報誤差和集合離散度,進一步改善區(qū)域集合預(yù)報的整體質(zhì)量,為實際預(yù)報業(yè)務(wù)中更好的應(yīng)用區(qū)域集合預(yù)報產(chǎn)品提供參考。

1　B08RDP區(qū)域集合預(yù)報資料

B08RDP項目是中國氣象局為2008年北京奧運會的成功舉辦提供天氣預(yù)報支持,充分發(fā)揮多個集合預(yù)報中心的區(qū)域集合預(yù)報的優(yōu)勢,提高天氣預(yù)報準(zhǔn)確性而建立的聯(lián)合項目。該項目共有國家氣象中心(NMC)、中國氣象科學(xué)院(CAMS)、美國國家環(huán)境預(yù)報中心(NCEP)、日本氣象廳(JMA)氣象研究所、奧地利氣象局(ZAMG)、加拿大環(huán)境部數(shù)值預(yù)報研究中心等6家單位組成。其中,CAMS使用我國自行研發(fā)的非靜力中尺度全球/區(qū)域同化預(yù)報系統(tǒng)GRAPES(陳德輝等,2008;馬旭林等,2009)作為集合預(yù)報的預(yù)報模式,而NMC使用WRF作為區(qū)域集合預(yù)報模式,二者的初始擾動構(gòu)造方案同為增長模繁殖法,邊界條件均由NCEP全球ETR初始擾動集合預(yù)報提供,同時采用多積云對流參數(shù)、邊界層及陸面過程方案構(gòu)造模式擾動。其他中心的區(qū)域集合預(yù)報系統(tǒng)的配置參考文獻Duan et al.(2012)。

因加拿大環(huán)境部數(shù)值預(yù)報中心的資料不完整,研究中只選取B08RDP項目中其余5套區(qū)域集合預(yù)報850 hPa溫度場資料進行預(yù)報質(zhì)量的評估分析和綜合偏差訂正,并考察偏差訂正后各集合預(yù)報質(zhì)量的改善程度。NMC的集合擾動成員數(shù)為15個,CAMS為9個,NCEP、JMA和ZAMG分別為15、11和17個集合擾動成員。共同的預(yù)報區(qū)域為(90～140°E,25～50°N),模式分辨率為15 km,預(yù)報時效為36 h,時間間隔為6 h。資料的時間長度為2008年6月24日—8月24日,共62 d。檢驗分析資料為ECMWF高分辨率再分析資料,其分辨率與資料區(qū)域均與集合預(yù)報資料一致。

2　質(zhì)量評估

集合預(yù)報的質(zhì)量主要可以從預(yù)報可靠性及預(yù)報可辨識度兩個方面衡量。預(yù)報可靠性用來評價集合預(yù)報對不同預(yù)報概率對應(yīng)的觀測頻率無偏估計的能力,主要反映集合預(yù)報與相應(yīng)觀測在統(tǒng)計學(xué)上的一致性(Wilks,2006),可用集合平均均方根誤差(RMSE)、可信度曲線以及Talagrand分布等評價;而集合預(yù)報可辨識度是指集合預(yù)報區(qū)分未來不同天氣事件的能力,一般采用可信度曲線、ROC(Relative Operating Characteristic)曲線等進行評價。

圖1　850 hPa溫度集合預(yù)報的RMSE(a)和r比值(b)Fig.1　The (a)RMSE and (b)r scores of temperature at 850 hPa for the five sets of ensemble forecasts

2.1集合預(yù)報可信度

RMSE可以用來對比各集合預(yù)報的預(yù)報準(zhǔn)確性,即衡量集合平均的預(yù)報可靠性。圖1a為5套集合預(yù)報資料的850 hPa溫度場集合平均均方誤差在36 h預(yù)報時效內(nèi)的分布?？梢钥闯?CAMS與NMC兩套資料的RMSE較大,而JMA、NCEP、ZAMG三套資料則相對較小,其中CAMS的6 h集合平均預(yù)報偏差約為ZAMG的5倍,說明不同中心的集合平均預(yù)報的可靠性具有明顯的差異。另外,CAMS的RMSE幾乎是NMC近兩倍,而CAMS與NMC兩套集合預(yù)報除預(yù)報模式不同、集合成員數(shù)略有差異之外,其余集合預(yù)報系統(tǒng)特征均一致,可以說明集合預(yù)報中預(yù)報模式和集合成員數(shù)對集合預(yù)報平均的可靠性具有重要影響。

本次研究得出，在條件允許的情況下盡量應(yīng)用多種方法聯(lián)用進行診斷，以減少偽影干擾及患者個人病癥發(fā)展?fàn)顩r對診斷的影響，而MRI結(jié)合MRA的篩查方案價格可能對于部分患者來說，存在一定的經(jīng)濟負(fù)擔(dān)，此外，患者圖像的判斷也需要醫(yī)師的經(jīng)驗，所以應(yīng)盡可能選擇經(jīng)驗較為豐富的醫(yī)師進行圖像分析，以保證診斷的準(zhǔn)確性。

集合離散度主要反映集合成員描述實際大氣運動狀態(tài)不確定性的能力,理論上其量值應(yīng)與集合平均預(yù)報誤差相當(dāng)。r是集合平均的預(yù)報誤差(RMSE)與集合離散度(spread)的比值,可用來衡量集合離散度相對于集合平均預(yù)報誤差的合理程度,理想情況下r為1。比較5套集合預(yù)報資料的850 hPa溫度場r評分(圖1b)可知,NCEP的集合離散度最為合理,6～36 h預(yù)報的r均位于1附近,而其余集合預(yù)報均明顯大于1,尤其CAMS更為顯著。這說明,除NCEP的集合預(yù)報外,其余集合預(yù)報的集合離散度均顯著偏小。另外,CAMS、NMC和JMA集合預(yù)報的r值隨著預(yù)報時間的增加有明顯減小的趨勢,而RMSE(圖1a)并未有相應(yīng)的顯著增長或下降,說明這三套集合預(yù)報的集合離散度隨預(yù)報時間的增加有增大趨勢,顯示出集合預(yù)報的不確定性越來越大,但仍未能反映實際大氣運動的不確定性特征大小的程度。另外也反映出,這三個中心的集合預(yù)報平均預(yù)報偏差過大,可能主要與預(yù)報模式性能或模式初值的質(zhì)量相關(guān)。

Talagrand圖主要用來評價集合離散度代表觀測不確定性的程度,即評估集合成員與觀測之間的一致性(Wilks,2006)。Talagrand通過統(tǒng)計觀測落在由大到小排列的集合成員區(qū)間內(nèi)的頻率而獲得,理想的集合預(yù)報各集合成員與觀測滿足一致性條件,所有次序統(tǒng)計值相同(圖中橫直線),呈水平均一形態(tài)。圖2為5套集合預(yù)報資料的Talagrand分布,圖中橫坐標(biāo)的區(qū)間數(shù)與各自不同的集合成員數(shù)相對應(yīng)。由圖可知,NCEP集合預(yù)報各成員之間基本呈水平分布,相對為最優(yōu);ZAMG與JMA各集合成員間過于相似且不同于觀測值,呈明顯的U型分布,說明集合離散度偏小,不能代表實際觀測的不確定性特征;而CAMS則呈L型,表明預(yù)報值偏大,使得觀測值時常處于最小次序的位置,同時離散度偏小,在預(yù)報質(zhì)量上則具有顯著的高溫預(yù)報偏差,即空報較多;NMC的U型分布也有一定的高溫預(yù)報偏差。

圖2　5組集合預(yù)報的850 hPa溫度24 h預(yù)報的 Talagrand分布　　a.NCEP;b.ZAMG;c.JMA;d.CAMS;e.NMCFig.2　Talagrand distribution for the 850-hPa 24-h temperature forecast of the five sets of ensemble forecasts:(a)NCEP;(b)ZAMG;(c)JMA;(d)CAMS;(e)NMC

2.2預(yù)報可辨識度

ROC曲線是不同檢驗閾值的命中率與誤報率對應(yīng)各點的連線,該曲線以下覆蓋的面積稱為ROC面積,代表集合預(yù)報區(qū)分未來不同天氣事件能力的大小。理想集合預(yù)報的ROC曲線由x=0和y=1組成,對應(yīng)的面積為1。對于實際的集合預(yù)報,ROC面積愈接近于1,說明該集合預(yù)報區(qū)分天氣事件的能力就越好。通過對比12 h預(yù)報的850 hPa溫度的ROC曲線的形態(tài)和ROC面積(圖3a)可見,NCEP與ZAMG的ROC面積較大,分別達到0.94和0.95,說明二者對未來不同天氣事件的區(qū)分能力較優(yōu);而JMA與NMC的ROC面積分別僅為0.89和0.80,CAMS的ROC面積更低至0.65,反映了這些集合預(yù)報相對較低的區(qū)分未來不同天氣事件的能力。對于24 h預(yù)報(圖3b)而言,ZAMG、NCEP和JMA的ROC面積均在0.90以上,具有同12 h預(yù)報接近的質(zhì)量。NMC的則為0.83,比12 h預(yù)報略有升高,而CAMS的預(yù)報能力依然最差。從ROC面積指標(biāo)來看,無論12 h還是24 h的區(qū)域集合預(yù)報,NMC和CAMS對未來不同天氣事件的區(qū)分能力相對于其他三者都明顯偏低。

2.3綜合評分

圖3　850 hPa溫度集合預(yù)報的ROC評分　　a.12 h預(yù)報;b.24 h預(yù)報Fig.3　ROC curves for the 850-hPa temperature forecasts of five sets of ensemble forecasts:(a)12 h;(b)24 h

圖4　850 hPa溫度集合預(yù)報的可信度　　a.12 h預(yù)報;b.24 h預(yù)報Fig.4　Reliability diagram for the 850-hPa temperature forecasts of five sets of ensemble forecasts:(a)12 h;(b)24 h

可信度曲線為綜合評價集合預(yù)報可信度(reliability)和可辨識度(resolution)的綜合反映,是通過對不同檢驗閾值的預(yù)報概率分類中觀測事件發(fā)生的相對頻率進行統(tǒng)計而得到的結(jié)果(Hartmann et al.,2002)。理想的預(yù)報概率與觀測事件的頻率相同,此時可信度曲線為x=y的對角線。從5個中心集合預(yù)報溫度降溫2 ℃預(yù)報的可信度曲線(圖4)來看,無論12 h(圖4a)還是24 h(圖4b)預(yù)報,NCEP集合預(yù)報的可信度曲線總體上穩(wěn)定處于對角線附近兩側(cè),顯示出較高質(zhì)量的預(yù)報可信度與可辨識度,只是24 h預(yù)報中在低預(yù)報概率(0～0.4)區(qū)間的預(yù)報概率略大于觀測頻率,導(dǎo)致可辨識度略低;從JMA的可信度曲線可以發(fā)現(xiàn),其24 h預(yù)報的可信度曲線分布優(yōu)于12 h預(yù)報,基本上與NCEP的預(yù)報可信度和可辨識度相當(dāng)。說明隨著預(yù)報時間的延長,集合預(yù)報的可信度和可辨識度的變化與預(yù)報模式的性能具有重要的關(guān)系;ZAMG的可信度曲線顯示,在兩個預(yù)報時效內(nèi)其在中高預(yù)報概率區(qū)間的預(yù)報值均偏大,且可信度曲線中間部分斜率偏小,可辨識度偏低;CAMS的可信度曲線分布明顯偏離x=y的對角線,說明其在整個預(yù)報概率分布區(qū)間內(nèi)的預(yù)報可辨識度均較差。尤其在24 h預(yù)報中都呈現(xiàn)預(yù)報概率遠低于觀測頻率,說明其預(yù)報值顯著小于實際觀測值,類似的情形也出現(xiàn)在NMC的中低預(yù)報概率(0～0.5)區(qū)間。

3　綜合偏差訂正

理想集合預(yù)報的集合平均預(yù)報誤差為零,集合離散度能夠合理表征實際大氣運動的不確定性特征。由于數(shù)值預(yù)報模式存在預(yù)報偏差,很大程度上導(dǎo)致了集合預(yù)報的偏差;另外,初始擾動構(gòu)造方案的不盡合理也通常會造成集合離散度偏低,這都會限制集合預(yù)報的整體性能。因此,在業(yè)務(wù)應(yīng)用前,一般都會對集合預(yù)報進行偏差訂正和離散度的合理調(diào)整。本文采用基于卡爾曼濾波的遞減平均后驗訂正的綜合偏差訂正方法(馬旭林等,2015),對5套集合預(yù)報進行偏差訂正,以改善其整體質(zhì)量,提高應(yīng)用能力。

3.1綜合偏差訂正方案

集合預(yù)報的綜合偏差訂正包括一階矩及二階矩訂正,其中一階矩偏差訂正是訂正集合平均預(yù)報偏差以增加預(yù)報可靠性,二階矩訂正通過改善集合預(yù)報概率密度函數(shù)與觀測值的概率分布一致性,實現(xiàn)集合離散度的調(diào)整。綜合偏差訂正則是在一階矩訂正的基礎(chǔ)上加入二階矩訂正,先后調(diào)整集合預(yù)報偏差和集合離散度,以改善集合預(yù)報質(zhì)量。因綜合偏差訂正方案中的一階矩與二階矩偏差訂正相互獨立并先后進行,故單獨試驗的最優(yōu)權(quán)重系數(shù)適用于綜合偏差訂正。

由于B08RDP項目資料時長的限制,試驗中選取20 d的集合預(yù)報作為一階矩和二階矩訂正的訓(xùn)練資料。綜合偏差訂正共分為兩步:首先進行一階矩偏差訂正以去除集合平均預(yù)報偏差;然后使用一階矩偏差訂正后的集合平均預(yù)報誤差調(diào)整集合離散度。綜合偏差訂正方案的詳細(xì)說明請參見馬旭林等(2015)文獻。

圖5　850 hPa溫度集合預(yù)報訂正前(虛線)、后(實線)的RMSE(a)和r比值(b)Fig.5　The (a)RMSE and (b)r scores for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC

3.2綜合偏差訂正效果

圖6　850 hPa溫度24 h集合預(yù)報偏差訂正前(灰色)、后(黑色)的Talagrand分布a.NCEP;b.ZAMG;c.JMA;d.CAMS;e.NMCFig.6　Talagrand distribution for the 850-hPa temperature at 24 h of five sets of ensemble forecasts without(gray bars) and with(black bars) BC:(a)NCEP;(b)ZAMG;(c)JMA;(d)CAMS;(e)NMC

圖5為各中心集合預(yù)報綜合訂正前后850 hPa溫度預(yù)報的RMSE和r的分布。各中心集合預(yù)報訂正后(實線)的RMSE評分均較訂正前(虛線)評分更優(yōu)(圖5a),說明綜合偏差訂正能夠有效減小集合平均預(yù)報偏差。特別是,訂正前集合平均預(yù)報偏差越大,其訂正效果更加顯著。其中,CAMS集合預(yù)報平均偏差減小134.3%,而偏差較小的NCEP集合預(yù)報也減小了8.2%。綜合偏差訂正后的CAMS集合平均預(yù)報偏差仍明顯大于其他集合預(yù)報,這也說明若集合預(yù)報平均偏差過大,綜合偏差訂正也僅能起到一定程度的改善,并不能完全去除。訂正后各集合預(yù)報的r曲線均位于1附近(圖5b),表明綜合偏差訂正對集合離散度的調(diào)整效果較為明顯。進一步分析可知,綜合偏差訂正對NCEP的集合離散度調(diào)整幅度最小,而對CAMS的調(diào)整幅度最大,這也顯示出NCEP的集合預(yù)報相對于CAMS而言具有更高的質(zhì)量。

由Talagrand分布(圖6)可以看出,訂正后各中心集合預(yù)報更趨于水平均勻分布,各次序統(tǒng)計值也與理想Talagrand評分(圖中橫直線)更加接近。ZAMG與JMA的集合預(yù)報訂正前的U型分布消失,兩邊次序統(tǒng)計值減小而中間各次序統(tǒng)計值增加,更接近于理想Talagrand分布;CAMS的高溫預(yù)報偏差基本去除,NMC的U型也消失,高溫預(yù)報偏差也基本去除。由于NCEP集合預(yù)報訂正前的Talagrand分布較較為合理,訂正后的調(diào)整并不顯著。綜上,綜合偏差訂正對于集合預(yù)報離散度的調(diào)整以及預(yù)報偏差的消除都具有較為明顯的效果。

對比綜合偏差訂正前(虛線)后(實線)各中心850 hPa溫度預(yù)報降溫2 ℃時的ROC評分(圖7)可以看出,綜合偏差訂正后,各集合預(yù)報的ROC面積均有不同程度的增加,表明綜合偏差訂正對于集合預(yù)報可辨識度的正向調(diào)整作用顯著。盡管訂正后各中心集合預(yù)報的ROC面積仍然差異較大,這很大程度上與訂正前集合預(yù)報的質(zhì)量不同有直接關(guān)系。其中訂正效果最明顯的為CAMS的集合預(yù)報,其12 h和24 h降溫預(yù)報的ROC面積增長幅度分別達到33.8%(圖7a)與29.4%(圖7b),而對于訂正前ROC面積較優(yōu)的JMA、NCEP與ZAMG,訂正后的ROC面積增長幅度則相對較小。也就是說,對于質(zhì)量較差的集合預(yù)報,綜合偏差訂正的效果尤佳。

圖8顯示,12 h(圖8a)和24 h(圖8b)的CAMS和NMC的集合預(yù)報訂正后的可信度曲線明顯更接近對角線,較訂正前預(yù)報值偏小的情況得到了明顯改善,其中24 h的NMC集合預(yù)報,訂正前中低預(yù)報概率(0～0.6)事件的預(yù)報值偏大的情況在訂正后也得到了一定得緩解;同樣地,訂正后的NCEP、ZAMG與JMA集合預(yù)報的可信度曲線均更靠近對角線,其預(yù)報可信度和可辨識度均有不同程度的提高。

圖7　850 hPa溫度集合預(yù)報偏差訂正前(虛線)后(實線)的ROC評分　　a.12 h預(yù)報;b.24 h預(yù)報Fig.7　ROC curves for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC:(a)12 h;(b)24 h

圖8　850 hPa溫度集合預(yù)報偏差訂正前(虛線)后(實線)的可信度評分　　a.12 h預(yù)報;b.24 h預(yù)報Fig.8　Reliability diagrams for the 850-hPa temperature of five sets of ensemble forecasts without(dashed line) and with(solid line) BC:(a)12 h;(b)24 h

綜上,綜合偏差訂正不僅可以減小集合平均預(yù)報偏差,而且還能有效地調(diào)整集合離散度,進而改善集合預(yù)報的可信度與可辨識度,綜合提高了集合預(yù)報的整體質(zhì)量。值得注意的是,綜合偏差訂正對于質(zhì)量較好的NCEP區(qū)域集合預(yù)報的訂正效果較小(特別是離散度的調(diào)整),而對預(yù)報質(zhì)量欠佳的CAMS和NMC集合預(yù)報的訂正效果則較為明顯,尤其是集合平均預(yù)報偏差的訂正更加有效;對于ZAMG與JMA兩套資料而言,綜合偏差訂正對其集合離散度和預(yù)報可辨識度的調(diào)整效果均較顯著。

4　結(jié)論

本文從多個角度評估分析了B08RDP項目中5套集合預(yù)報的質(zhì)量,在此基礎(chǔ)上采用綜合偏差訂正方法進行綜合偏差訂正,并對其效果進行了討論。

1)5套B08RDP集合預(yù)報資料中,NCEP集合預(yù)報的平均預(yù)報偏差最小,離散度最為合理,預(yù)報可信度以及可辨識度均較好,整體預(yù)報質(zhì)量為最高;CAMS集合預(yù)報存在的預(yù)報偏差明顯偏大,整體性能最弱,這應(yīng)該與數(shù)值預(yù)報模式的性能有一定的關(guān)系;

2)從整體上看,集合離散度偏小是除NCEP之外的4套集合預(yù)報普遍存在的問題;

3)綜合偏差訂正方法能夠有效地減小各集合預(yù)報的集合平均偏差,集合離散度的質(zhì)量也有明顯提高,較好地改善了離散度普遍偏小的問題,顯示出綜合偏差訂正方法具有改善集合預(yù)報整體質(zhì)量的良好能力。

References)

Alexander K,Christoph W,Yong W,et al.,2009.Calibrating 2-m temperature of limited-area ensemble forecasts using high-resolution analysis[J].Mon Wea Rev,137(10):3373-3387.

Bakhshaii A,Stull R,2009.Deterministic ensemble forecasts using gene-expression programming[J].Wea Forecasting,24(5):1431-1451.

Bowler N E,Mylne K R,Robertson K B,et al.,2009.The MOGREPS short-range ensemble prediction system[J].Quart J Roy Meteor Soc,134(632):703-722.

Charron M,Pellerin G,Spacek L,et al.,2010.Toward random sampling of model error in the Canadian ensemble prediction system[J].Mon Wea Rev,138(5):1877-1901.

陳德輝,薛紀(jì)善,楊學(xué)勝,等,2008.GRAPES新一代全球/區(qū)域多尺度統(tǒng)一數(shù)值預(yù)報模式總體設(shè)計研究[J].科學(xué)通報,53(20):2396-2407.Chen D H,Xue J S,Yang X S,et al.,2008.New generation of multi-scale NWP system GRAPES:General scientific design[J].Chinese Science Bulletin,53(20):2396-2407.(in Chinese).

Cui B,Toth Z,Zhu Y,et al.,2006.The trade-off in bias correction between using the latest analysis/modeling system with a short,versus an older system with a long archive[C]//The First THORPEX International Science Symposium.Montreal,Canada,World Meteorological Organization:281-284.

Cui B,Toth Z,Zhu Y,et al.,2012.Bias correction for global ensemble forecast[J].Wea Forecasting,27(2):396-410.

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[J].大氣科學(xué)學(xué)報,36(2):165-173.Cui H H,Zhi X F,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.(in Chinese).

杜鈞,2002.集合預(yù)報的現(xiàn)狀和前景[J].應(yīng)用氣象學(xué)報,13(1):16-28.Du J,2002.Present situation and prospects of ensemble numerical prediction[J].J Appl Meteor Sci,13(1):16-28.(in Chinese).

Du J,Dimego G,Tracton M S,et al.,2003.NCEP short-range ensemble forecasting(SREF) system:Multi-IC,multi-model and multi-physics approach[C]//Research Activities in Atmospheric and Oceanic Modeling.Washington:NCEP.

Du J,McQueen J,DiMego G,et al.,2006.New dimension of NCEP SREF system:Inclusion of WRF members[R]//Report to WMO Export Team Meeting on Ensemble Prediction System.Exeter,UK:WMO.

Du J,Dimego G,Toth Z,2007.Bias correction for the SREF at NCEP and beyond[C]//A discussion at the EMC Predictability Meeting.Washington:EMC.

Duan Y,Gong J,Du J,et al.,2012.An overview of the Beijing 2008 Olympics research and development project(B08RDP)[J].Bull Amer Meteor Soc,93(3):381-403.

Gneiting T,Raftery A E,Westyeld A H,et al.,2005.Calibrated probabilistic forecasting using ensemble model output statistics and minimum CRPS estimation[J].Mon Wea Rev,133(5):1098-1118.

Hartmann H C,Pagano T C,Sorooshiam S,et al.,2002.Confidence builder:Evaluating seasonal climate forecasts from user perspectives[J].Bull Amer Met Soc,83(5):683-698.

Johnson C,Swinbank R,2009.Medium-range multi-model ensemble combination and calibration[J].Quart J Roy Meteor Soc,135(640):777-794.

Krishnamurti T N,Gnanaseelan C,Chakraborty A,2007.Prediction of the diurnal change using a multimodel superensemble.Part I:Precipitation[J].Mon Wea Rev,135(10):3613-3632.

李莉,李應(yīng)林,田華,等,2011.T213全球集合預(yù)報系統(tǒng)性誤差訂正研究[J].氣象,37(1):31-38.Li L,Li Y L,T H,et al.,2011.Study of bias-correction in T213 global ensemble forecast[J].Meteor Mon,37(1):31-38.(in Chinese).

Li X,Charron M,Spacek L,et al.,2008.A regional ensemble prediction system based on moist targeted singular vectors and stochastic parameter perturbations[J].Mon Wea Rev,136(2):443-462.

麻巨慧,朱躍建,王盤興,等,2011.NCEP、ECMWF及CMC全球集合預(yù)報業(yè)務(wù)系統(tǒng)發(fā)展綜述[J].大氣科學(xué)學(xué)報,34(3):370-380.Ma J H,Zhu Y J,Wang P X,et al.,2011.A review on the developments of NCEP,ECMWF and CMC global ensemble forecast system[J].Trans Atmos Sci,34(3):370-380.(in Chinese).

馬旭林,薛紀(jì)善,陸維松,2008.GRAPES全球集合預(yù)報的集合卡爾曼變換初始擾動方案初步研究[J].氣象學(xué)報,66(4):526-536.Ma X L,Xue J S,Lu W S,2008.Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction[J].Acta Meteorologica Sinica,66(4):526-536.(in Chinese).

馬旭林,莊照榮,薛紀(jì)善,等,2009.GRAPES非靜力數(shù)值預(yù)報模式的三維變分資料同化系統(tǒng)的發(fā)展[J].氣象學(xué)報,67(1):50-60.Ma X L,Zhuang Z R,Xue J S,et al.,2009.Development of 3D Variational data assimilation system for the nonhydrostatic numerical weather prediction model-GRAPES[J].Acta Meteorologica Sinica,67(1):50-60.(in Chinese).

Ma X,Xue J,Lu W,2009.Study on ETKF-based initial perturbation scheme for GRAPES global ensemble prediction[J].Acta Meteorologica Sinica,23(5):562-574.

馬旭林,陸續(xù),于月明,等,2014.數(shù)值天氣預(yù)報中集合-變分混合資料同化及其研究進展[J].熱帶氣象學(xué)報,30(6):1188-1195.Ma X L,Lu X,Yu Y M,et al.,2014.Progress on hybrid ensemble-variational data assimilation in numerical weather prediction[J].J Trop Meteor,30(6):1188-1195.(in Chinese).

馬旭林,時洋,和杰,等,2015.基于卡爾曼濾波遞減平均算法的集合預(yù)報綜合偏差訂正[J].氣象學(xué)報,73(5):952-964.Ma X L,Shi Y,He J,et al.,2015.The combined descending averaging bias correction based on the Kalman filter ensemble forecast[J].Acta Meteorologica Sinica,73(5):952-964.(in Chinese).

Marsigli C,Montani A,Paccagnella T,2008.A spatial verification method applied to the evaluation of high-resolution ensemble forecasts[J].Meteorol Appl,15(1):125-143.

Raftery A E,Gneiting T,Balabdaoui F,et al.,2005.Using Bayesian model averaging to calibrate forecast ensembles[J].Mon Wea Rev,133(5):1155-1174.

Saito K,Fujita T,Yamada Y,et al.,2006.The operational JMA nonhydrostatic mesoscale model[J].Mon Wea Rev,134(4):1266-1298.

Toth Z,Talagrand O,Candille G,et al.,2003.Probability and ensemble forecasts.Forecast verification:A practitioner’s guide in atmospheric science[R]//John Wiley and Sons.

Wang X,Bishop C H,2003.A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes[J].J Atmos Sci,60(9):1140-1158.

Wang Y,Bellus M,Geleyn J,et al.,2014.A new method for generating initial condition perturbations in a regional ensemble prediction system:Blending[J].Mon Wea Rev,142(5):2043-2059.

Wang Y,Bellus M,Wittmann C,et al.,2011.The central European limited-area ensemble forecasting system:ALADIN-LAEF[J].Quart J Roy Meteor Soc,137(655):483-502.

Wang Y,Kann A,Bellus M,et al.,2010.A strategy for perturbing surface initial conditions in LAMEPS[J].Atmos Sci Lett,11(2):108-113.

Wilks D S,2006.Statistical methods in the atmospheric sciences[M].San Diego:Academic Press of Elsevier:255-336.

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[J].大氣科學(xué)學(xué)報,36(3):257-266.Zhi X F,Ji X D,Zhang J,et al.,2013.Multimodel ensemble forecasts of surface air temperature and precipitation using TIGGE datasets[J].Trans Atmos Sci,36(3):257-266.(in Chinese).

智協(xié)飛,李剛,彭婷,2014a.基于貝葉斯理論的單站地面氣溫的概率預(yù)報研究[J].大氣科學(xué)學(xué)報,37(6):740-748.Zhi X F,Li G,Peng T,2014a.On the probabilistic forecast of 2 meter temperature of a single station based on Bayesian theory [J].Trans Atmos Sci,37(6):740-748.(in Chinese).

智協(xié)飛,彭婷,李剛,等,2014b.多模式集成的概率天氣預(yù)報和氣候預(yù)測研究進展[J].大氣科學(xué)學(xué)報,37(2):248-256.Zhi X F,Peng T,Li G,et al.,2014b.Advances in multi-model ensemble probabilistic prediction[J].Trans Atmos Sci,37(2):248-256.(in Chinese).

Five sets of regional ensemble forecasts with lead times of 36 h over two months from 24 June 2008 to 24 August 2008 from the Beijing 2008 Olympics Research and Development Project(B08RDP) are evaluated and analyzed.This is firstly done by means of standard probabilistic verification scores,including root-mean-square error(RMSE),ensemble spread,talagrand diagrams,reliability,and ROC(Relative Operating Characteristic) curves.Then,to improve the forecast quality,a combined decaying averaging bias correction scheme(BC) is applied to the ensemble forecasts of B08RDP to reduce the bias in the ensemble mean and to adjust the improper spread of ensembles with sufficient performance evaluation.The BC scheme is designed based on the original Kalman filter.It contains the first moment bias correction,mainly for correcting the bias in the ensemble mean to improve the reliability of the ensemble forecasts,and the second moment bias correction mainly for adjusting the ensemble spread to make the ensemble forecasts fully representative of the uncertainties in the observations.Lastly,the BC scheme’s capacity is evaluated and discussed by means of the verification scores mentioned above.Temperatures at 850 hPa are corrected and verified in this study,wherein ECMWF reanalysis data are used as the reference for the verification.

The results show that,among the five sets of regional ensemble forecasts in B08RDP,the regional ensemble forecasts from NCEP possess the best forecast quality,with minimal bias,the most appropriate spread,and the best performance in terms of reliability,resolution and talagrand distributions.Meanwhile,the regional ensemble forecast from CAMS demonstrates the worst forecast quality,due to its largest forecast bias.On the whole,a relatively small spread is a common problem for several of the ensemble forecasts,except those from NCEP.In general,the combined bias correction scheme is proven to be efficient in reducing the RMSE of the ensemble mean,and in generating a more appropriate ensemble spread,for the five sets of ensemble forecasts,revealing its ability to improve the quality of ensemble forecasts,especially for ensemble forecasts of an already low quality.

numerical weather prediction;ensemble weather forecast;combined bias correction;performance evaluation;B08RDP

(責(zé)任編輯：孫寧)

Evaluation and combined bias correction on temperature forecast of regional ensemble prediction system of B08RDP

MA Xulin1,ZHOU Boyang1,SHI Yang1,2,JI Yanxia1,He Jie1

1KeyLaboratoryofMeteorologicalDisaster,MinistryofEducation(KLME),NanjingUniversityofInformationScience&Technology,Nanjing210044,China;2GuangdongMeteorologicalObservatory,Guangzhou510080,China

10.13878/j.cnki.dqkxxb.20141124003

引用格式：馬旭林,周勃旸,時洋,等,2016.B08RDP區(qū)域集合預(yù)報溫度場質(zhì)量評估與綜合偏差訂正[J].大氣科學(xué)學(xué)報,39(5):643-652.

Ma X L,Zhou B Y,Shi Y,et al.,2016.Evaluation and combined bias correction on temperature forecast of regional ensemble prediction system of B08RDP[J].Trans Atmos Sci,39(5):643-652.doi：10.13878/j.cnki.dqkxxb.20141124003.(in Chinese).

*聯(lián)系人，E-mail:xulinma@nuist.edu.cn