基于TIGGE数据的三种集合预报模式的比较外文翻译资料

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数据的三种集合预报模式的比较

智协飞¹，祁海霞¹，白永清¹，林春泽²

1教育部重点实验室的气象灾害

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 　　

(2010年11月23日收到；最后定稿于12月12日,2011)

摘要：基于ECMWF(欧洲中期天气预报中心)、JMA(日本气象厅), NCEP(国家环境预测中心)和UKMO(英国气象局)在THORPEX（全球观测系统研究与可预报性试验）全球交互式集合（TIGGE）数据集的集合预报的整体输出结果，对北半球(10-87.5N,0-360)从2007年6月1日到2007年8月31日进行了研究，该研究通过对2007年8月8日至31日这个预报时段使用消除偏差集合平均(BREM)，基于多元线性回归超级集合 (LRSUP)和神经网络超级集合(NNSUP)，对地表面温度、500hPa位势高度场、温度和风场进行了高达168 小时的多模式集合预报。

利用均方根误差证实了这些预报方法的可行性。通过对BREM、LRSUP和 NNSUP方法的比较分析，结果表明对于24-48小时预报，多模式集合预报优于最佳的单一模式预报。在进行24-120小时预报时，超级集合(LRSUP和NNSUP)相比于最佳的单一模式预报对于500hPa位势高度场的均方根误差可能提高大约16%，对于消除偏差的集合平均，仅仅能改善8%。在24-120小时的预报上，NNSUP技术比LRSUP技术和BREM技术更成熟。但对于144-168 小时预报，BREM，LRSUP，NNSUP预报误差大致相等。此外，看起来，不包含UKMO预测模式的BREM预测技术比包含UKMO模式的BREM预测技术准确性更高，而LRSUP预测技术在这两种情况下运行结果大致相同。

BREM和LRSUP集合预报技术都需要一个运行训练周期。据发现，在每个网格点上，BREM和LRSUP的训练周期都有不同的最优长度。一般来说，在大多数地区，BREM预报的最优训练周期小于30天，而LRSUP预报大约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，运行训练周期，TIGGE

1. 引言

因为大气是一个非线性的耗散系统，数值天气预报受到物理参数化模式、初始误差、边界问题等的限制。因此，对于一个成熟的单一预报的模式来说，它可能需要花费很长时间来提高天气预报能力，这也是为什么科学家不久前提出集合预报的想法的原因(Lorenz, 1969；Leith，1969；Toth和Kalnay，1993)。

如今，数值天气预报从传统的确定性预报发展到集合概率预报。随着通信、网络、计算机和其他技术的发展，天气预报中的国际合作越来越密切，尤其是当全球观测系统研究与可预报性试验交互式集合（TIGGE）数据容易获得的时候。TIGGE是THORPEX的关键组成部分，后者包含在WMO（世界气象组织）世界气候研究计划之中。THORPEX旨在促进提高1天至2周极端天气预报的准确性。TIGGE项目的启动使关于多模式集合概念的先进的研究和示范成为了可能，也在国际水平下，为这样一个系统的操作实施铺平了道路。(Park等，2008；Bougeault等，2010)。

Krishnamurti等 (1999)提出了一个所谓的多模式超级机和预测方法，是一种非常有效的能减少模式直接输出误差后处理技术。在他随后的850hPa风场、降水和热带气旋的路径和强度的多重超级集合预测实验，结果显示，与单独的模式和多模式集合平均（Krishnamurti等，2000年a，b，2003年，2007a）相比，超级预报模式错误显著降低。500hPa位势高度场24-144小时的超级集合预报表明：与最佳单一模式相比，超级集合预报获得了一个较高的ACC（异常相关系数）。Rixen 和 Ferreira-Coelho(2006) 利用线性回归和非线性的神经网络技术进行了多层大气和海洋模式的超级集合技术和关于沿葡萄牙西海岸海表面漂移的短期预测。他们的结果表明：大气和海洋模式的超级集合预报显著地减少了12-48小时的海面漂移预测的误差。Cartwright和Krishnamurti(2007)指出在2003年夏季美国东南部的12-60小时的超级集合降水预报模式比单个模式预报更准确。在中国南部海洋季风兴起期间的的降水预报中，Krishnamurti等（2009a）发现在登陆的台风中，超级集合降水预报和极端降水预报比单个模式预报表现出了更高的预测能力。智等(2009 a,b) 的进一步的研究中表明，对于 2007年夏季北半球中纬度地区的地表温度预报，多模式的超级集合预报的运行调整周期优于传统超级集合预报。在进行了各种预测实验之后，超级集合方法能显著提高天气和气候预测技能被证实。Stefanova 和 Krishnamurti，2002；Mishra 和 Krishnamurti，2007； Krishnamurti等，2007，2009；Rixen 等, 2009；智等，2010)

然而，单个集合模式优于包含了较差模式的多重集合模式成为可能。 (Buizza等，2003)。因此，多重集合预报技术及其应用需要进一步的研究。比较研究不同的多重集合预报方案的特点是很必要的。

1. 数据与方法

2.1数据

用于在这项研究的数据是每日的地表温度，500hPa位势高度场，温度，12时的UTC风场的集合预报输出结果。这些数据来源于欧洲中心中旗天气预报（ECMWF），日本气象机构(JMA)，美国国家环境预测中心((NCEP)和英国气象局(UKMO)的TIGGE档案馆。包含多模式集合预报的四种模式的特征与Park等（2008）在表一中列出的一致。

每个模式的预报数据覆盖2007年6月1日到8月31日这段时间，预报区域为北半球(10 -87.5N，-360 -0)，水平分辨率为2.5times;2.5，和预报起始时间的24 - 168 小时。NCEP / NCAR 相应的气象类变量的再分析的数据被用作“观测值”。 记录的NCEP / NCAR的覆盖区域和水平分辨率与TIGGE数据相一致。

表1 四种TIGGE集合预报的特征

2.2方法论

2.2.1基于多元线性回归超级集合

在Krishnamurti等(2000a,2003)后，多模式的预报模式被建立了。在一个给定的网格点上，对于某个预报时间和气象要素，可以建立一个超级集合预报模式：

其中，表示实时超级预报值表示训练周期内平均观测值，表示第i个模式预报值，表示在训练周期内第i个模式预报值的平均值，表示第i个模式的权重，表示参与到超级集合预报中的模式的编号，表示时间。　

通过方程（2）中小于最小平方方法的最小值函数G可以计算权重。获得的回归系数将会被应用于方程（1）中，在预报阶段建立超级集合预报。

值得注意的是，传统的超级集合预报采用了某一步长的固定运行周期，而一种由智等(2009)提出的改进的超级集合预报采用了动态的训练周期，能够在预测前准确地选择训练周期某一步长的最新数据。此后，基于多元线性回归超级集合将简称为LRSUP。

2.2.2基于超级集合预报的的非线性神经网络方法

除了线性回归方法，非线性神经网络的三层反向传播(BP)的技术(Geman等，1992；Warner和Misra，1996)也被应用于超级集合预报（以下简称NNSUP)。在训练周期内，每个模式的输出结果都将作为神经网络研究矩阵的输。在预测阶段，运行较好的网络参数会被应用于预测模式中，来进行多种模式的集合预报。（Stefanova和Krishnamurti，2002；智等，2009 b)。

• • 1. 消除偏差的集合平均和多模式的集合平均

消除偏差的集合平均（以下简称为BREM)被定义为：

其中BREM是消除偏差的集合平均的预报值，N表示参与到BREM中的模式的编号。BREM技术还采用了动态的运行周期。

此外，多模式的集合平均(之后简称为EMN)被作为超级集合预报的参照。

均方根误差(RMSE)被运用于单一模式预报的检验和多模式集合预报的评估中。

其中，是第i个样本预测值， 是第i个样本观测值。

1. 结果

3.1线性和非线性超级集合预报的比较分析

基于欧洲中心（ECMWF）、日本气象厅（JMA）、国家环境预报中心（NCEP）、英国气象局（UKMO）的数值预报产品关于北半球地表温度24 -168小时集合预报的综合平均输出结果，在2007年8月进行了8-31 天(24天)的多模式超级集合预报。训练周期的长度将被定为61天。

如图1所示，整个预报期中的24-168小时预报，超级集合预报 (LRSUP和NNSUP)连同多模式的EMN和BREM与单一模式预报相比，都以某种方式减少了均方根误差。

图1 （a）图、（b）图、（c）图、（d）图、（e）图、（f）图、（g）图分别表示2007年8月8 -31日北半球(10-80N，0-360)地区的24 小时（a）图、48小时（b）图、72小时（c）图、96小时（d）图、120小时（e）图、144小时（f）图和168小时（g）图的欧洲中心（ECMWF）、日本气象厅（JMA）、国家环境预报中心（NCEP）、英国气象局（UKMO）和消除偏差集合平均（BREM)，基于多元线性回归超级集合(LRSUP)和神经网络超级集合(NNSUP)的地表温度的均方根误差。

随着预报时间的延长，预报能力下降。对于24 - 120 小时的预报，LRSUP和NNSUP的均方根误差比单一模式预报小得多，BREM的预报能力在一定程度上有所提高。当预报时间更长，如144 - 168 小时，就均方根误差而言，BREM预报能力就能与LRSUP和NNSUP相提并论。 因此，对于夏季北半球地表温度而言，多模式集合预报的效果优于单一模式预报。尽管随时间增加，预报效果下降，但预报结果仍然很稳定。在24 - 120 小时预报方面，NNSUP技术成熟，比BREM和LRSUP效果更佳。但对于144–168小时预报，BREM，LRSUP，NNSUP预报误差大致相等。

此外,上述分析表明NNSUP比其他预报方法更好，因为其能减少在不同模式中非线性效应引起的预报误差。然而，反复调节神经网络参数来获得最优的网络结构会降低操作效率。同时，BREM和LR

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[29561]，资料为PDF文档或Word文档，PDF文档可免费转换为Word