基于TIGGE资料的三种多模式集合预报技术的比较外文翻译资料

 2022-12-02 07:12

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于TIGGE资料的三种多模式集合预报技术的比较

智协飞1 祁海霞1 白永清1 林春泽2

1气象灾害教育部重点实验室，南京信息工程大学，南京210044

2武汉暴雨研究所，中国气象局，武汉430074

收稿日期：2010-11-23 改回日期：2011-12-12

摘要

基于ECMWF（欧洲中期天气预报中心）、JMA（日本气象厅）、NCEP（美国国家环境预报中心）、和UKMO（英国气象局）在THORPEX（全球观测系统研究与可预报性试验）交互式全球大集合（TIGGE）数据集，针对从2007年6月1日到8月31日北半球（10°-87.5°N，0°-360°）集合预报的集合平均输出结果，对预报时间从2007年8月8日到31日表面温度和500 hPa高度，温度和风达168 h以消除偏差集合平均（BREM），多元线性回归超级集合（LRSUP），神经网络超级集合（NNSUP）技术进行研究。

预测的技能通过均方根误差（RMSEs）进行验证，利用BREM,LRSUP和NNSUP预报结果的比较分析显示预报前置时间为24-168 h的多模式集合预报技术比最好的单一模式要好。与预报时效为24-120 h的最好的单一模式相比，在500hPa位势高度上超级集合技术（LRSUP和NNSUP）可能在RMSE有大约16%的改进，然而BREM只有8%。当预报时效为24-120 h，NNSUP比BREM和LRSUP预报技术更好。但当预报时效为144-168 h，BREM,NNSUP和LRSUP预报误差大约相同。此外，好像除了UKMO模式的BREM预报比包括UKMO模式的BREM预报效果更好，而LRSUP预报在这两种情况下表现差不多。

一个滑动训练期被用于BREM和LRSUP集合预报技术。研究发现BREM和LRSUP在每个格点有不同的最佳训练周期长度。总的来说，BREM的最佳训练周期长度在大多数区域少于30天，而LRSUP大约45天。

关键词：多模式超级集合，消除偏差集合平均，多元线性回归，神经网络，滑动训练期，TIGGE

  1. 引言

由于大气是一个非线性耗散系统，数值天气预报受到模式物理参数，初始误差，边界问题等限制。因此，对于一个成熟的单一模型来说，提高天气预报技巧可能需要相当长的时间。这就是为什么科学家们很久以前就提出了集合预报的思想(Lorenz, 1969; Leith, 1974; Toth and Kalnay,1993)。

目前，数值天气预报正从传统的确定性预报发展为集合概率预报。随着通信，网络，计算机以及其他技术的迅速发展，在气象预报上国际合作变得更加紧密，特别是当观测系统研究与可预报性试验（THORPEX）交互式全球大集合（TIGGE）数据是可用的。TIGGE是THORPEX的一个重要组成部分,后者也是WMO（世界气象组织）世界天气研究计划(WWRP)的一部分。THORPEX旨在加快改善一天到两周高强度天气预报的准确性。TIGGE计划已经启动，从而能够远景研究和论证多模式集合的概念，有助于使这样一个系统的运作方式达到国际水平(Park et al., 2008; Bougeault et al.，2010)。

Krishnamurti等人（1999）提出了一个所谓的多模式超级集合预报方法，这是一种非常有效的后处理技术能够直接降低模型的输出误差。他在随后的有关850 hPa风、降水、热带气旋的路径和强度的多模式超级集合预报试验，揭示了超级集合预报相对于单一模式和多模式集合平均显著降低误差(Krishnamurti et al., 2000a, b, 2003, 2007a)。24–144 h 500 hPa位势高度超级集合预报表明超级集合与最好的单一预测模型相比取得更高的ACC（异常相关系数）的技术。Rixen 和 Ferreira-Coelho（2006）利用线性回归和非线性神经网络技术对多个大气和海洋模型进行了超级集合，并对沿葡萄牙西海岸的海面漂流做出短期预测。他们的研究结果表明，大气和海洋模式的超级集合使12–48 h海面漂移预测误差明显减少。Cartwright and Krishnamurti (2007)指出，2003年夏季在美国东南部12–60 h降水的超级集合预报比每个单一模型更准确。在南海季风期间对降水的超级集合预报中，Krishnamurti et al. (2009a)发现在台风登陆期间降水和极端降水的超级集合预报表现出比最好的单一模式预报更好的预报能力。智协飞等（2009 a,b）进一步研究表明，在2007年夏季北半球中纬度地面气温预报中滑动训练期超级集合预报技巧明显高于传统的固定训练期超级集合预报技巧。在各种预报的实验中，证明了超级集合方法可以显著提高天气和气候预报技巧(Stefanova and Krishnamurti,

2002; Mishra and Krishnamurti, 2007; Krishnamurti et al., 2007, 2009; Rixen et al., 2009; Zhi et al., 2010)。

但是，单个模式集合可能比一个包含较差模式的多模式集合表现得更好(Buizza et al., 2003)。因此，多模式集合预报技术及其应用需要进一步研究。对比研究不同的多模式集合预报方案的特点是很有必要的。

  1. 资料与方法

2.1 资料

所用资料取自TIGGE 资料集下欧洲中期天气预报中心(ECMWF) 、日本气象厅(JMA) 、美国国家环境预报中心(NCEP) 和英国气象局(UKMO) 4 个中心全球集合预报模式每天12 时(世界时) 起报的地面温度，500hPa高度，温度和风场。根据Park et al. (2008)，参与多模式集合预报的四种模式的特点列在表1中。

每个模式的资料时间长度为2007年6月1日—8月31日，覆盖面积是北半球(10°–87.5°N, 0°–360°),水平分辨率是2.5°times; 2.5°，预报时效为24-168 h。并采用NCEP /NCAR再分析资料作为相应气象变量的“观测值”。注意NCEP/NCAR再分析资料面积和水平分辨率与TIGGE资料一致。

表1 四种TIGGE集合预报模式的特点

中心

初始摄动法（区域）

水平分辨率

预报长度（天）

扰动成员

UKMO

BVs（全球）

T213

10

15

JMA

BVs（NH TR）

T319

9

51

ECMWF

SVs（全球）

TL399/TL255

0-10/10-15

102

NCEP

BVs（全球）

T126

16

84

2.2方法

2.2.1 基于超级集合预报的线性回归

多模式超级集合预报是由Krishnamurti et al. (2000a, 2003)制定的。在一个给定的网格点，对于某一预报时间和气象要素，超级集合预报模型可以构造为：

（1）

公式中：实时超级集合预报值，:训练期的平均观测值，：第i个模式预报值，：第i个模式预报值在训练期的平均值，：第i个模式的权重，n:参与超级集合的模式数量，t：时间。

用最小二乘法将下面公式（2）中的函数G最小化，可以计算出权重。得到的回归系数将代到公式（1）中，创造了在预报期的超级集合预报。

（2）

应该指出的是，传统的超级集合采用一定长度一个固定的训练时间，而由智协飞等（2009a）提出的改进的超级集合适用于滑动训练期，并给预报当天之前的训练期采用一定长度的最新数据。基于滑动训练期的线性回归超级集合以下可以简称为 LRSUP 。

2.2.2 基于非线性神经网络的超级集合预报

除了线性回归的方法，三层反向传播（BP）的非线性神经网络技术(Geman et al., 1992; Warner and Misra, 1996)实现的超级集合预报（以下简称NNSUP）。在训练期间，每个模式的输出结果会输入到神经网络学习矩阵。在预测期内，训练有素的网络参数进行预报模式得到多模式超级集合预报(Stefanova and Krishnamurti, 2002; Zhi et al., 2009b)。

2.2.3 消除偏差集合平均和多模式集合平均

消除偏差集合平均（以下简称为BREM）定义为：

（3）

公式中，BREM:消除偏差集合平均预报值,N:参与BREM的模式数量。滑动训练期也应用于BREM技术中。

此外，多模式集合平均（以下简称EMN）进行用于超级集合预报的交叉引用。

（4）

在单一模式的预测验证和多模式集合预报评估中，采用均方根误差（RMSE）。

（5）

其中为第i个样本预测值，为第i个样本观测值。

  1. 结果

3.1 线性和非线性的超级集合预报的比较分析

基于ECMWF、JMA，NCEP、和UKMO的北半球24-168 h 的地面温度集合平均输出结果的多模式超级集合预报是从2007年8月8日到31日（24天）进行的。滑动训练周期长度定为61天。

如图1所示，对于整个预报期内24-168 h的预报，与单一模式预报相比，超级集合预报（LRSUP和NNSUP）和多模式（EMN和BREM）一起通过某些方式减少了RMSEs。

图1 2007 年8 月8—31 日每天24 h(a) 、48 h(b) 、72 h(c) 、96 h(d) 、120 h(e) 、144 h(f) 和168 h(g) 地面温度预报的北半球0°-360°E、10°- 80°N 区域平均均方根误差( 单位: ℃)

随着预报时效的延长，预报技能的提高程度减小。对于24-120 h预报， LRSUP 和NNSUP的 RMSEs比那些单一模式预报要小很多，并且BREM的预报技巧也有所提高。当预报时效更长，例如144-168 h，BREM的预报技术在 RMSEs上赶上了 LRSUP 和 NNSUP。因此，对于夏季北半球地面温度，多模式集合预报表现得比单一模式预报更好。虽然预报的改进随着预报时效的增加而减小，但预报结果仍然稳定。NNSUP 技术更加成熟，并且在24-120 h预报表现得比BREM 和 LRSUP更好。但对于144-168 h的预报，BREM,LRSUP和NNSUP的误差大致相等。

此外，上述分析表明，NNSUP相当优于其他预报方案，因为NNSUP方案可能降低了各种模式之间非线性效应引起的预报误差。然而，重复调整的神经网络参数必须执行，以获得最佳的网络结构，从而降低了运行效率。同时，BREM 和 LRSUP的优点是在合理的精度下计算简单；他们更容易被预报员在日常操作中使用。在下面的内容中，BREM 和 LRSUP多模式集合预报方案（以下简称进一步简称SUP）将用来给多模式集成预报提供500 hPa高度和温度以及纬向经向风场来比较分析。

3.2 SUP 和BREM 500hPa位势高度预报

采用SUP方法24–72 h预报的500 hPa高度有很高的预报能力。特别是，24小时的预报，它表现得比最优的单一模式预报还要好（图省略）。图2a显示，96小时SUP预报均方根误差的平均值是非常接近于最佳单一模式ECMWF预报，然而BREM 在大多数时候预报技能比ECMWF预报要差。对于较长的预报时效，情况是一样的（图省略）。

SUP 和 BREM在预报时效超过96 h的整体较低的预报技能，可能归因于不同纬度的每个模式的预报能力的差异以及模式的系统误差。此外，SUP 和BREM在所有网格点的训练周期的长度定在61天是不合理的。在后面，SUP 和BREM预报实施之前每个网格点的最佳滑动训练周期长度将会被检查。

如图2所示，最佳训练的超级集合（O-SUP）的RMSEs在一定程度上比那些没有最佳训练的超级集合（SUP）要小。最佳的BREM (OBREM)预报优于BREM预报。

图2 10°-60°，0°-360°区域内ECMWF 500hPa高度，96 h 预报的RMSEs （a）最佳训练的超级集合（O-SUP）和没有最佳训练的超级集合（SUP） （b）最佳训练的消除偏差的集合平均（O-BREM）

没有最佳训练的消除偏差的集合平均（BREM）。纵坐标表示RMSEs

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25578]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章