改进基于CFS气候预测系统的超级集合预报系统的离散度误差关系及概率预报外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

改进基于CFS气候预测系统的超级集合预报系统的离散度误差关系及概率预报

1、S. ABHILASH，印度普纳弗罗里达迈阿密大学印度热带气象研究学院

2、A. K. SAHAI, N. BORAH, S. JOSEPH, R. CHATTOPADHYAY, AND S. SHARMILA，印度热带气象研究所

3、M. RAJEEVAN，印度新德里地球科学部，地球系统科学组织

4、B. E. MAPES，弗罗里达迈阿密大学

5、A. KUMAR，马里兰大学帕克分校，国际环境预测中心

（初稿接收于2014年8月6日 ，2015年4月11日收到定稿。）

摘要

本研究介绍了一次解决单模式集合（SMEs）离散度偏小本质的尝试。作为改进印度季风区模式预测能力的一次美印协作，选择了开发于国际环境预测中心的气候预测系统CFS模式框架（necp-cfsv2）。研究描述了一个多模式集合预报系统，该系统是用CFSv2衍生出的一系列有差别的模式，而不是依赖差别为长大的或可能不太好的模式来增加离散度。SMEs不仅扰动初始条件，而且使用同一个模式的不同分辨率、参数和耦合配置来形成预报系统。每一个配置都被用来解决不同物理机所代表的问题，这些问题影响10到20天时间尺度误差增长。最后，发展了一个多模式集合预报系统，它包括基于集合的不确定性评估。基于CFS的超级集合预报系统CGEPS的绝对技巧比最好的SME配置要好，因为前者可以增加的集合离散度减少了过于信任模式带来的误差。

一、引言：

利用数值模式对天气现象的准确预测会受到初始大气、海洋（海表面温度和海冰）、陆面、土壤湿度状况以及对物理过程的不准确表示（不确定性）等因素的影响。初始条件的不确定性（ICS）是通过用不同的方法生成初始条件集合得到的，例如在（Buizza and Palmer 1995）中研究的。一个简单的方式是轻度扰动初始的大气或海洋状况，例如（Abhilash et all 2013 2014a）提及到的。不完美的模式的不确定性的表示更有挑战性。在一个后验方法中，来自不同的模式的集合预报被混合来产生一个最终的预报可能性分布。在每个多模式方法中，来自参与模式的相互独立的技巧以一种合理的方式整合以加强多模式集合（MME）均值或其它统计数据的总的技巧。一个关于这种使用历史线性回归（即对输入数据线性组合）的MME组合方法的例子在（krishnamutti et al. 1999）中有记载。这样一个多模式超级集合预报比任何独立模式或任何它的单模式集合（SME）子集提供了更好的确定性预报（Weigel et al.2008）。然而，这样一个对超级集合的“最佳估计”运用，不能解决统计技巧问题，如离散度与误差关系（SER）。

如果不确定性是定量化的，预报会更有使用价值。尤其在延伸期（ER）预报中，即超过天气尺度（2到3周），一个独立的确定性的降雨量预报是不够充分的：还需要为公众给出定量化不确定性的概率预报。数值集合中的一个经常发生的问题是偏小离散度,它导致统计预报结果分布中的过信误差。单模式集合预报系统EPSs尤其易于产生偏小离散度，因为它们不能代表所有的预报误差来源（buizza et al. 2008）。部分单模式集合预报系统使用了一些方法来提高集合离散度，在集合预报产品生成时使用包括随机后处理（如Raftery et al.2005的“贝叶斯模型平均”方法）或随机参数化方案（Buizza et al.1999; Palmer 2001）。但是正确的MME方法有可能更好地代表物理不确定性以及相应地增加集合离散度。为了给ER季风预报寻找一个改进的业务预报方法，本研究考虑了一个局部MME方法。

在实时预报中使用广泛的MME方案需要可靠的、协调的多机构共同努力（sahai et al.2013; borah et al. 2015; prased et al. 2014）。虽然像“国际季风使命”（http://www.tropmet.res.in/monsoon/）这样的框架在长期的运行中可能会促进这种合作，但当前的研究报告了在单个预报中心计算的，使用多版本，多分辨率和双重扩展延伸期预报的MME方法。结果基于国家环境预测中心（NCEP）气候预测系统（CFS）第2版。CFSv2是一个耦合模型，其大气成分，全球预报系统（GFS）随后被改进但是并没有加入到耦合系统。印度对NCEP CFS的适应性以及它对于延伸期预报的业务可靠性已有文献记录（sahai et al.2013;borah et al.2015）。本研究的目标是与延伸期内基于CFS的SME方法相比较，展示以及量化MME（sahai et al.2013）预报可以得到的改进之处。

本研究运行了CFS/GFS的3个不同版本来产生3组SMEs,然后联合它们来形成MME，（Houtekamer et al. 1996）描述了一个用于集合生成的方法。这些版本的分辨率以及物理模式是有差别的。由于延伸期技巧不仅受缓慢变化的下边界影响，而且受模式对初始大气状态的记忆性影响，三个SMEs分组就是考虑到这两个可预报性来源而设计的。具体而言，MME不仅包括使用轻度大气初始状况扰动的海洋初始耦合CFS积分，而且包括通过偏差订正的CFS预报海表面温度SST为大气积分提供边界条件，这一边条件在下文中被称作GFSbc。这个由印度政府始建的综合预报系统——国际季风组织（http://www.tropmet.res.in/National Monsoon Mission-121-Page）的主要目标是改进CFS系统的季风预测能力。

尽管这三个SMEs展示了相似的预报技巧而且它们的误差都在大约25天的提前起报时间上达到饱和，但有许多情况这三个模式在预报特殊事件时产生不一致，例如季风季节内震荡MISO传播的振幅和位相。即使在平均上，SMEs展示了相同的技巧，但是有些年会有一个配置是最有技巧性或没有技巧的，推动了这个所谓的基于CFS的大集合预报系统（CGEPS）对印度夏季风降水的ER预报。将SMES融合到MME（而不是使用完全不同的独立模式）的另一个重要的业务原因是能够与用户进行明确的沟通，通过单一的一致预测和相关的不确定性和可靠性估计。

这个文章的主要目标是展示在夏季风时期CGEPS延伸期降水预报的业务效果。第二部分描述了模式和方法，第三部分展示了结果，3a部分展示了回溯阶段的技巧，3b部分展示了MISO预测技巧和离散度-误差关系，3c部分展示了概率预报技巧，第四部分给出的结论

二、模式和方法

研究使用了NCEP的CFSv2的最新版本（Saha et al.2014）。大气模式（GFS）与一个海洋模式、一个海冰模式以及一个陆面模式相耦合，对于它的海洋成分，CFSv2用了GFDL模块化海洋模式的第四个版本（MOM4;Griffies et al.2004）。初始状态由一个使用T574L64分辨率大气同化以及基于MOM4的海洋同化 （一个CFSR的实时延伸Saha et al.2010）的耦合数据同化系统CDAS 准备。

独立运行的 GFS 使用了稍微不同物理方案选项，并用CFSv2的每日偏差订的正海表面温度作为外强迫条件。偏差订正包括减去一个偏差的平均态，这一平均态是日历日和提前时间的函数，用最优插值海表面温度观测作为参考。我们概指这个双层预报为GFSbc，用bc表示偏差订正边界条件。更多模式、试验设计细节和GFSbc、CFST126、CFST382的技巧，请分别参阅Abhilash et al. （2013,2014 a,b）和Sahai et al.（2015） 。

基于试验效果，以及为了最大化在可获得计算资源条件下的业务预报技巧，我们选择了这些衍生模式构成集合：CFST126的11个成员（~100km）,CFST382的11个成员（~38km）,GFSbc的21个成员。CGEPS构成的原理图展示在图1中。在从5月16日至9月28日的夏季季风期间，预报的一致部分有43个集合成员的平均值给出。研究评估了在回溯2001-12夏季风

图1. CGEPS示意图

期间的由观测与10年回溯气候对应的距平之间的相关定义的预报技巧。该技巧通过平均每个侯的预报来计算。例如，如果预报从5月16 开始, 第一侯（P1）的提前预报预报对应5月17号到21号的预报平均，第二侯（P2）对应5月22号到26号的预报平均，以此类推。对每一侯做平均因为基于动力模式的夏季风降水量日常预测在超过十天时是没有技巧性的。

为了评估这种方法的表现，计算了几个印度矩形区域的几种的技巧评分。这些技巧度量标准和分数包括了时间相关和以候为时间尺度的均方根误差(RMSE)，MISO指数预测技巧和它的离散度-误差关系，受者工作特征曲线ROC，ROC曲线以下的面积AUC，Brier技巧评分BSS，以及分辨率和可信度（细节见于下面的第三部分）。用于所有评分的降雨量数据均是取自热带降水测量计划TRMM的雨量桶与从印度气象部门获取的降水量数据库（Mitra et al 2009）的融合数据。

来自不同提前起报时间的集合成员的概率预报将根据预定类别（分位数）进行验证，基于观测。这些种类是用百分位方法划分的，观测降雨量分为平均线以上AN，平均线以下BN，接近平均线NN几个种类。就是说对一个变量，如降水量的气候分布值，百分比是这上、中、下三分之一这三种间隔，每种分类有相等的气候学概率33.3%。为了决定百分比范围，观测的降雨量数据以降序排列。这三种分类被定义为AN,NN或者BN ，而且以降序排列的1/3和2/3值为分离。在一个相似的方法中，这三种分类是为了三种基于模式回溯气候学数据（2001-2012）的SMEs而定义的。通过计算模式的落入各自百分位点的集合成员的比例，生成每个预报分类的相应的可能性。这些分类的预报对于ISM的概率预测非常重要。基于气候学和印度大陆降水量的差异性，选择这个百分比分类方法应用于一些近似均匀的区域。对于Borah et al （2013）讨论的印度洋季风区域MZI，印度中部CEI，印度东北部NEI，印度西北部NWI，以及南印度半岛SPI，接下来的小结将评估候降水量的百分比距平。

FIG. 2. (top) Seasonal climatological mean precipitation during the JJAS season (mm day21) from TRMM observations, and the difference in pentad lead forecast climatology from observations for CFST126, GFSbc, CFST382, and MME.

图2. 顶部是TRMM卫星观测的JJAS季节性气候平均降水量（以毫米/天为单位）。后面是观测值和使用CFST126，GFSbc，CFST382和MME的气候上的侯提前预报之间的差异。

1. 结果

来自这三种CFS的变体（CFST126、GFSBC和CFST382）以及MME在P1、P2、P3、P4提前预报时间的印度区域降雨量预报的气候学季节性（六月到九月）平均偏差 ，在图2中从左到右分别展示。图2中的最上面一组展示了观测的季节性（JJAS）平均气候学降水量。总体上，印度区域的干偏差随提前预报时间而增加。在大部分气候模式中，普遍现象是降水量最严重的湿偏差在阿拉伯海和赤道西印度洋，干偏差在印度大陆区域的干偏差（Sperber et al.2013;Kim et al.2012;Bush et al.2014）。当受到偏差订正预报海表面温度的强迫时，在GFSbc中，对阿拉伯海降雨量的高估减少。然而，印度大陆的干偏差在所有模式中仍是一个未解决的问题。沿西岸的近零数值的等值线标志着模式降雨量中干湿偏差的分界，它沿印度西岸比较明显。图2还展示了，在CFS的所有衍生模式之中，对p1到p4提前预报而言，在印度大陆区域六到九月的气候学降水中，CFST382有最小的偏差，其次是MME平均。对于各种提前预报时间,临海区域的湿偏差在MME中有相当大的减少。由于MME是一个对所有衍生模式的简单平均，而GFSbc有最大数量的集合成员，所以对于海洋和印度中心区域，MME中的气候学偏差在很大程度上可以归因于GFSbc。Sahai et al （2015）的研究显示， CFST382对印度大陆区域而言，p1到p4提前预报的气候学偏差的剧烈减少不一定反映在CFST382的ERP技巧中 。相反的，在MME中印度大陆区域的气候学偏差的减小（尽管少于CFST382中的减少）偏离了有用的ERP技巧，这在表1中很明显，它展示了降水预报在不同候提前预报时间（P1到P4）条件下的空间分布。结果显示MME几乎保持高达五分之四的空间相关（above 0.85）。进一步的改进将在下一部分中讨论。

1. 回溯技巧

对于印度的五个均匀区域的候平均降水，分析了来自CGEPS的MME回溯技巧。对2001-12年的回溯阶段，按照p1到p4提前预报时间，计算了MME方案及所有独立模式的预测和观测候平均降水序列的相关系数。在大多数情况下，对于所有提前预报时间，相比于来自所有独立模式和除了CEI和印度核心季风区MZI外的所有均匀区域，来自MME的相关系数显示了最高的技巧（Rajeevan et al.2010）。对于这些区域，对于较长提前预报时间（即p3和p4），gfsbc技巧几乎是等效或者略好于mme方案。总而言之，对于所有提前预报候，相对于所有独立模式，来自mme的确定性预报技巧有相当的改善。

表1 ：不同前置候的气候降水量预报与SMEs 和MME观测之间的空间相关系数。空间相关系数的区域取为 40S–40N, 40–120E。

图3图（a）印度均匀

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25249]，资料为PDF文档或Word文档，PDF文档可免费转换为Word