三种模式综合预测的比较基于TIGGE数据的技术外文翻译资料

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

三种模式综合预测的比较基于TIGGE数据的技术

智协飞 祁海霞 白永清 林春泽

教育部气象灾害重点实验室，

南京信息工程大学，南京210044

武汉430074中国气象局武汉湿地研究所

（2010年11月23日收到; 2011年12月12日）

摘要

基于ECMWF（欧洲中心）的综合预报的综合均值输出中等天气预报），JMA（日本气象局），NCEP（国家中心环境预测）和UKMO（英国会议厅）在THORPEX（观察系统研究与可预测性实验）互动大全球合奏（TIGGE）数据集，从2007年6月1日至2007年8月31日，北半球（10°-87.5°N，0°-360°），本研究进行了表面温度和500 hPa位势高度，温度和多模态综合预测通过使用偏移去除的整体平均值（BREM）风险达168小时，基于多元线性回归超集（LRSUP）和基于神经网络的超组合（NNSUP）技术进行预测期间为2007年8月8日至31日。

通过使用均方根误差（RMSE）验证预测技能。比较分析使用BREM，LRSUP和NNSUP的预测结果表明，多模式集合预测具有更好的功能比最好的单一模型预测提前期24-168小时。大概16％的改善在500 hPa位势高度的RMSE中，对于超组合技术（LRSUP和NNSUP）是24-120小时预测的最佳单一模式，而BREM只有8％。 NNSUP比LRSUP和BREM更为熟练的24-120小时预测。但是对于144-168小时预测，BREM，LRSUP和NNSUP预测误差大致相等。另外，似乎BREM没有UKMO模型的预测比包括UKMO模型在内的预测更为娴熟两种情况下的LRSUP预测执行大致相同。

运行训练期用于BREM和LRSUP综合预报技术。发现在每个网格点，BREM和LRSUP具有不同的最佳训练周期长度。一般来说，在大多数地区，BREM的最佳培训期少于30天，而LRSUP的最佳培训期约为45天。

关键词：多模式超组合，偏移去除集合平均值，多元线性回归，神经元网络，运行模拟期，TIGGE

引用文献：智协飞，齐海霞，白永清等，2012：三种多模型的比较基于TIGGE数据的综合预报技术。 流星流星 中国，26（1），41-51，

doi：10.1007 / s13351-012-0104-5。

1介绍

由于大气是非线性耗散系统，数字天气预报受到限制通过模型物理参数化，初始误差，边界问题等。因此，可能需要相当长的时间来改善天气预报技能为一个成熟的单一模式，这就是为什么科学家早就提出了综合预测的思想（Lorenz，1969; Leith，1974; Toth和Kalnay，1993）。 如今，数值天气预报正在发展从传统的确定性预测到合奏概率预测 随着快速发展的通信，网络和计算机以及其他技术，国际合作特别是在天气预报方面更加接近当观察系统研究与可预测性实验（THORPEX）互动全球总装（TIGGE）数据可用。TIGGE是THORPEX的关键组成部分后者载于WMO（世界气象部门）组织）世界天气研究计划。HORPEX旨在加快改进1天至2周高影响天气的准确性预测。 TIGGE项目已经启动实现先进的研究和示范多模式集合概念并铺平道路这样一个系统的运行实施国际水平（Park et al。，2008; Bougeault et等等，2010）。

Krishnamurti等人（1999）提出了一个所谓的多模式超组合预测方法是一种非常有效的后处理技术减少直接模型输出错误。在他随后的多模式超组合预测实验850 hPa风，降水，轨道和强度的热带气旋，据透露，超级组合预测显着减少了错误与个人模型和多模式相比综合平均值（Krishnamurti et al。，2000a，b，2003，2007a）。 24-144小时超级装备预测500 hPa位势高度表明超级组合实现了更高的ACC（异常相关性）系数）技能比最好的单一模型预测。Rixen和Ferreira-Coelho（2006）进行了一次超大型多重气氛和海洋模型通过利用线性回归和非线性神经网络技术，并做出短期预测的海面漂移在葡萄牙西海岸。他们的结果表明超音速的大气和海洋模型显着减少12-48小时海面漂移预报的误差。Cartwright和Krishnamurti（2007）指出12-60小时降水预报2003年夏天的东南美洲更是如此比每个单一模型精确。在超组合发病期间降水预报的南海季风，克里希纳穆蒂et al。 （2009a）发现超组合预测降水和极端降水登陆台风表现较高预报比最好的单一模型预测。 深度学习由zhi等人 （2009a，b）显示了预测技能的多模式超组合预测与运行模拟期高于传统表面温度的超组合预测预测在北半球中纬度在2007年的夏天。经过各种预测实验证明，超音速组合方法可以显着改善天气和气候预测技能（Stefanova和Krishnamurti，2002; Mishra和Krishnamurti，2007; 克里希纳穆蒂et al。，2007，2009; Rixen et al。，2009; Zhi et al。，2010）。

然而，个人是有可能的模式组合跑赢大型多模式组合（Buizza et al。，2003）。 因此，多模式综合预报技术和其应用需要进一步开发。 它是有必要比较研究的特点的不同的多模式集合预测方案。数据和方法

2.数据和方法

2.1数据

本研究中使用的数据是每日综合预测表面温度输出和500 hPa位势高度，温度和风在1200

UTC从欧洲中程中心天气预报（ECMWF），日本气象机构（JMA），美国国家环境中心预测（NCEP）和英国Met Office（UKMO），在TIGGE档案中。Park等人（2008）的涉及多模型的四个模型的特征综合预报按照表1列出。每个模型的预测数据涵盖期间2007年6月1日至8月31日，预测范围为北半球（10°-87.5°N，0°-360°），水平分辨率为2.5◦times;2.5◦，预测引导时间为24-168小时。 NCEP / NCAR再分析相应气象变量的数据被用作“观察值”。注意区域和NCEP / NCAR再分析的水平分辨率数据与TIGGE的数据一致数据

2.2方法论

2.2.1基于线性回归的超组合预测制定了多重模型预测在Krishnamurti等人之后 （2000a，2003）。 在一个给定的网格点，一定的预测时间和气象要素，超组合预测公式可以构造为：

St代表实时超组合预测值，O是平均观测值模拟期，Fi，第i个模型预测值，Fi在模拟中第i个模型预测值的平均值期间，ai第i个模型的重量，n个数的模型参与超组合，而t是时间。重量ai可以通过最小化来计算式中的函数G （2），最小二乘法方法。 获得的回归系数ai将在等式 （1），它创建超组合预测期间的预测。

应该指出的是传统的超级装配雇用固定的模拟时间一定长度，而提出了一个改进的超组合由Zhi等人 （2009a）应用正在进行的模拟期间，选择一定的最新数据在预测之前的模拟期的长度天。 基于线性回归的超组合使用运行模拟期将缩写为LRSUP此后。

2.2.2非线性神经网络超组合预测

除了线性回归法，非线性神经的三层反向传播（BP）网络技术（Geman等人，1992; Warner和Misra，1996）被实施为超级组合预测（以下简称NNSUP）。 模拟期间，每个模型的产出是作为神经网络学习矩阵的输入。在预测期间，训练有素的网络参数进入预测模型获得多模式超组合预测（Stefanova和Krishnamurti，2002年; Zhi et al。，2009b）。

2.2.3偏移集合平均值和多模式整体意思

偏移组合意思（以下简称作为BREM）被定义为

其中BREM是偏差去除的整体平均预测

价值，N参与模型的数量在BREM中。 运行模拟期也是采用BREM技术。另外，多模合奏的意思是（以下简称“简称为EMN）被用作超组合预测的交叉参考。

在单一模型预测的验证中并对多模型集合预报进行了评估，采用均方根误差（RMSE）。

Fi是第i个样本预测值，Oi是第i个样本观测值。

3.结果

3.1线性和非线性的比较分析

超组合预测基于24-168小时地表温度的综合预测来自ECMWF的北半球，JMA，NCEP和UKMO，多模式超级组合8月31日至31日进行预测2007（24天）。 模拟的长度期限为61天。如图所示。 1，对于24-168小时预测整个预测期，超组合预测（LRSUP和NNSUP）以及多模式EMN和BREM通过某种方式减少了RMSE与单一模型预测相比。随着预测提前期延长，预测功能提高的减少。对于24-120小时的预测，LRSUP和NNSUP的RMSE小得多比单一模型预测的更多BREM也在一定程度上增强了预测能力。当预测提前的时间更长时，例如，144-168小时，BREM预测技能赶上了LRSUP和NNSUP在RMSE方面。因此，对于夏季的北半球表面温度，多模态综合预测表现优于单一模型预测。虽然预测进一步下降预测提前期，预测结果保持平稳。NNSUP技巧娴熟，表现优于BREM和LRSUP的24-120小时预测。但对于144-168小时预测，BREM的错误，LRSUP和NNSUP大致相等。另外，以上分析表明NNSUP比其他预测好得多方案，因为NNSUP方案可能有减少由非线性引起的预测误差引起的结果。但是，重复调整的神经网络参数必须是执行以获得最佳网格结构，这降低了模拟的效率。与此同时，BREM和LRSUP的优势在于计算简单，精度合理;它们更容易实现预报员在的日常运作。在下面，多模式BREM和LRSUP的综合预测方案（以下进一步缩写为SUP）雇用了一个多模式的共识预测 500 hPa位势高度和温度也是如此作为比较的区域和子午风场分析。

图1 ECMWF，JMA，NCEP和UKMO的表面温度预报RMSE多模式综合均值（EMN），偏移去除综合平均值（BREM），基于线性回归的超组合（a）24小时，（b）48小时，（c）72小时，（d）96小时，（e）120小时，（f）144（L）中的神经网络超组合（NNSUP）h和（g）2007年8月8日至31日在北半球（10°-80°N，0°-360°）的168 h。

3.2 SUP-BREM预测500 hPa

对于500hpa的24-72小时预测的SUP方法，位势高度具有较高的预测能力。特别，对于24小时预测，表现比单模式预测好（图略）。图2a显示了平均RMSE96小时SUP预测与最好的预测非常接近单模式ECMWF预测，而BREM有预测功能比ECMWF预测的要更少的时间。对于较长的预测引导时间，这是也是这样（图略）。、

SUP的总体低预测功能对于超过96小时的BREM预测提前可能归因于预测能力的差异每个模型在不同的纬度以及模型的系统误差。另外，它的模拟期的长短是不合理的在所有网格点固定为61天为SUP和BREM。在以下，最优长度对每个网格将对运行模拟期进行检查在每次SUP和BREM预测进行之前。

如图所示图2，RMSEs的超级集合优化模拟（o-sup）较小相比在某种程度上比那些没有的超级集合优化模拟。最佳BREM（OBREM）预测也优于BREM预测。

总而言之，24-72-h预测实验500 hPa位势高度在北半球显示SUP的改善个人型号更明显，而BREM预测技能不如SUP。但是超过96小时的预测引导时间，都是SUP和BREM预测方案可能不会很好地减少整个地区的错误。但长度之后的运行模拟期间进行了优化网格点，预测误差在一定程度上下降。

Zhi et al。 （2009b）表示，对于24-168小时超表面温度的预测北半球最佳长度培模拟约为两个月。自预测以来模拟的时间越长，功能越低期限在BREM预测中，预测为较短时间24-72小时，最合适的模拟期大约半个月。对于96-168小时的预测，这是合适的选择大约一个月作为最佳长度的模拟期。这显示了选择在模拟期的长短是必不可少的SUP和BREM预测。只在适当的时候选择长度，可以将预测误差降低到最低限度。模拟时间太长或太短可能会影响预测效果。对于不同的预测引导时间，SUP和BREM预测也是需要的不同的最佳模拟期。

为了获得最佳预测效果，最优模拟期的长短应予以确定为SUP预测。作为参与的模型多模式组合为不同的贡献不同预测区域，模拟期的长短对于每个网格点应进行调整。如图所示。3，对于北半球大部分地区，BREM模拟期的最佳长度较短超过了SUP模拟期。 通常对于BREM和SUP计划来说，训练时间长短大大改变一个区域对另一个，这可能是由不同引起的与每个相关联的预测系统错误涉及不同地域的联合的模式地区。 目前，由于缺乏数据，难以分析不同季节模拟期的最佳长度的特点在每个区域内。

图.2.通过使用（a）超组合，从ECMWF在500hPa的96h预测的位势高度的RMSE（O-SUP）和无（SUP）优化训练和（b）偏置去除的整体意味着（O-BREM）和没有（BREM）优化的训练在每个电网的区域10°-60°N，0°-360°。 纵坐标表示RMSE和横坐标表示预测日期。

图。 3.对500 hPa的144 h预报运行训练期的最佳长度（天）的分布位置高度使用（a）BREM和（b）在北半球的SUP技术。

<p

剩余内容已隐藏，支付完成后下载完整资料</p

资料编号：[27288]，资料为PDF文档或Word文档，PDF文档可免费转换为Word