基于TIGGE数据的三种多模式集成预报的比较外文翻译资料

 2022-11-22 16:18:48

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数据的三种多模式集成预报的比较

摘要：基于来自ECMWF的集合预报的集合平均输出（欧洲中心为中程天气预报），JMA（日本气象厅），NCEP（美国国家环境预测中心）和UKMO（英国气象局）在THORPEX（观测系统研究与可预报性试验）交互式全球大集合（TIGGE）的数据集，范围为北半球（10°-87.5°N，0°-360°），时间为从2007年6月1日到2007年8月31日，这项研究通过使用消除偏差集合平均（BREM）开展了168小时的地表温度和500 hPa位势高度场、温度场和风场的多模式集成预报，基于多元线性回归的超级集合（LRSUP），以及基于神经网络的超级集合（NNSUP）技术用于2007年8月8日至31日的预报。

预测技巧是通过均方根误差（RMSEs）来验证的。通过对使用BREM,LRSUP和NNSUP的预测结果进行对比分析，表明多模式集成预报在24-168小时的预报中比最佳单一模式有更高的预报技巧。相对于24-120小时预报的最佳单一模式，超级集合技术在500hPa位势高度场的RMSE大约16%的改善是可能的，而BREM只有8%。NNSUP在24-120小时的预报上比LRSUP和BREM更加纯熟。但是在144-168小时的预报中，BREM，LRSUP和NNSUP的预测误差大致相等。此外，不用UKMO模式的BREM预报比用此模式的预报更加纯熟，而在这两种情况下LRSUP的预报表现大致相同。

一个正在运行的训练期被用于BREM和LRSP集合预报技术。研究发现，BREM和LRSUP在每个格点上的不同训练期内都有不同的最佳长度。一般情况下，BREM的最佳训练期在大部分地区少于30天，而LRSUP的则大致为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，数值天气预报会受限于模式物理参数化，初始误差以及边界问题等。因此，可能需要相当长一段时间来改善一个成熟的单一模式的预报技巧，这就是为什么科学家在很久之前就提出了集合预报的想法（Lorenz，1969；Leith，1974；Toth and Kalnay，1993）。如今，数值天气预报正在从传统的确定性预报发展为集合概率预报。随着通信，网络，电脑和其他技术的快速发展，特别是当观测系统研究和和可预报性试验（THORPEX）全球交互式大集合（TIGGE）数据可用的情况下，天气预报的国际合作已经变得更加密切。TIGGE是THORPEX的一个关键组成部分，并且后者包含在WMO（世界气象组织）世界天气研究计划中。THORPEX旨在加速改进为期1天到2周的高影响天气预报的准确性。TIGGE项目已经启动，旨在推动多模式集合概念的论证和进一步研究，并在国际层面上为这一系统的业务实施铺平道路。（Park等，2008；Bourgeault等，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，能够减少模式直接输出产生的误差。在他随后的850hPa风场，降水以及热带气旋轨迹和强度的多模式超级集合预报试验中所示，跟单一模式和多模式集合平均值相比，超级集合预报显著减少了误差（Krishnamurti等，2000a，b，2003,2007a）。500hPa位势高度场的24-144小时超级集合预报表明，超级集合取得了比最佳单一模式预报更高的ACC（距平相关系数）技巧。Rixen和Ferreira-Coelho（2006）利用线性回归和非线性的神经网络技术实施了多个大气和海洋模式的超级集合，并在葡萄牙西海岸作出了表面洋流的短期预报。他们的结果表明，大气和海洋模式的超级集合显著减少了12-48小时的表面洋流预报的误差。Cartwright和Krishnamurti（2007）指出，2003年夏季在美国东南部的12-60小时降水超级集合预报比任何单一模式都精确。在中国南海季风期间的降水超级集合预报中，Krishnamurti等（2009a）发现，登陆台风的降水和极端降水的超级集合预报比最佳单一模式表现出更高的预报技巧。智协飞等（2009a，b）的进一步研究表明，在2007年夏季，北半球中纬度地区地表温度的带有训练周期的多模式集合预报比传统的超级集合预报有更高的预报技巧。经多种预报试验证明，超级集合方法可能显著提高天气和气候的预报技巧。（Stefanova和Krishnamurti，2002；Mishra和Krishnamurti，2007；Krishnamurti等，2007,2009；Rixen等，2009；智协飞等，2010）。

然而，单一模式集合比包含较差模式的多模式集合有更好的表现也是可能的（Buizza等，2003）。因此，多模式集合预报和其应用仍需进一步的调查研究。有比较地研究不同的多模式集合预报方案的特点也是有必要的。

  1. 数据和方法

2.1 数据

这项研究中的所使用的数据是存档在TIGGE中的欧洲中尺度天气预报中心（ECMWF），日本气象厅（JMA），美国国家环境预测中心（NCEP）和英国气象局（UKMO）的1200UTC的地表温度，500hPa位势高度，温度和风速的集合预报输出。多模式集合预报中四个模式的特点在表1中列出，与Park等（2008）的一致。

每个模式的预报数据涵盖的时间范围是2007年6月1日到8月31日，区域为北半球（10°-87.5°N，0°-360°），水平分辨率为2.5°times;2.5°，预报时间为24-168小时。对于相应的气象变量，NCEP/NCAR再分析资料被用作“观测值”。注意，NCEP/NCAR再分析资料的区域和分辨率和TIGGE资料的一致。

表格1. 4个TIGGE集合的特点

预报中心

初始扰动方法

水平分辨率

预报时长（天）

扰动数量

UKMO

BVs（globe）

T213

10

15

JMA

BVs（NH TR）

T319

9

51

ECMWF

SVs（globe）

TL399/TL255

0-10/10-15

102

NCEP

BVs（globe）

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在Krishnamurti等（2000a，2003）之后形成的。在一个给定的格点上，对于一定的预报时间和气象要素，超级集合预报可以这样构造：

St=

其中St表示实时超级集合预报值，O平均表示训练期内的观测值，Fi,t表示第i个模式的预报值，Fi平均表示训练期内第i个模式的预报值，ai是第i个模式的权重，n是超级集合所包含的模式数量，t是时间。

权重ai可以用最小二乘法计算下式中函数G的最小值计算得到。得到的回归系数ai将应用于在预测期内创建了超级集合预报的上式。

应当指出的是，传统的超级集合采用一个固定的训练期长度，而由智协飞等（2009a）改进的一个超级集合应用于滑动训练期，并选择了就在预报日期之前的一个特定长度训练期的最新数据。使用滑动训练期的基于线性回归的超级集合在后面缩写为LRSUP。

2.2.2 基于非线性神经网络的超级集合预报

除了线性回归方法，非线性神经网络的三层反向传播（BP）（Geman等，1992；Warner和Misra，1996）被应用于超级集合预报（以下简称为NNSUP）。在训练期内，每个模式的输出都作为神经网络矩阵的输入值。在预报期内，训练完成的网络参数被代入预报模式，以获得多模式超级集合预报（Stefanova和Krishnamurti，2002；智协飞等，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（以下简写为BREM）定义为：

其中BREM是消除偏差集合平均预报值，N是BREM中模式的数量。滑动训练期也被采用于BREM技术。

此外，多模式集合平均（以下简写为EMN）被用作超级集合预报的一个交叉引用。

在单一模式预报的验证和多模式集合预报的评估中，均方根误差（RMSE）是被采用的。

其中Fi是第i个样本预报值，Oi是第i个样本观测值。

3. 结果

3.1 线性和非线性超级集合预报的对比分析

在ECMWF，JMA，NCEP和UKMO的地表温度24-168小时集合预报的集合平均输出的基础上，多模式超级集合预报在2007年8月8日-31日期间进行（24天）。滑动训练期的长度设定为61天。

图1. 2007年8月8日-31日北半球（10°-80°N，0°-360°）的ECMWF，JMA，NCEP，UKMO和多模式集合平均（EMN），消除偏差集合平均（BREM），基于线性回归的超级集合（LRSUP），和基于神经网络的超级集合（NNSUP）的（a）24h，（b）48h，（c）72h，（d）96h，（e）120h，（f）144h和（g）168h的地表温度预报的RMSEs。

如图1所示，在整个预报时段中的24-168小时预测期间，超级集合预报（LRSUP和NNSUP）以及多模式EMN和BREM相对于单模式预报都通过一些方法减少了RMSEs。随着预测时间的延长，预报技巧的提升减少了。对于24-120小时预报，LRSUP和NNSUP的RMSEs比单模式预报的小很多，并且BREM在一定程度上提升了预报技巧。当预报预见期更长的时候，比如为144-168小时，BREM在RMSEs方面的预报技巧可以赶上LRSUP和NNSUP。因此，对于北半球夏季地表温度来说，多模式集合预报有优于单模式预报的表现。尽管预测的提升随着预报预见期的延长有所下降，预报结果还是能保持稳定。对于24-144小时预报来说，NNSUP比BREM和LRSUP更加纯熟，且表现更好。但是对于144-168小时预报，BREM，LRSUP和NNSUP的误差大致是相同的。

此外，以上分析表明，NNSUP比其他预测方案更好，因为NNSUP方案可以减少由于多种模式的非线性影响所引起的预报误差。然而，神经网络参数的重复调整不得不进行，以获得最佳的网络结构，这就减慢了操作效率。同时，BREM和LRSUP有计算简单和相当精确的优点，更容易实施于日常预报的运作中。在下文中，BREM和LRSUP的多模式集合预报方案（以下简称为SUP）将被用于500hPa位势高度和温度以及经向和纬向风场的多模式集成预报，以作出比较分析。

3.2 500hPa位势高度的SUP和BREM预报

500hPa位势高度24-72小时预报的SUP方法具有较高的预报技巧。特别是对于24小时预报来说，它比最佳单一模式预报有更好的表现（图略）。图2a显示出96小时SUP预报的平均RMSE非常接近于最佳单一模式ECMWF预报，而大多数时候BREM的预报技巧相对于ECMWF预报更低。对于更长的预报预见期，情况相同（图略）。

SUP和BREM在长于96小时的预报预见期中的整体低预报技巧可能归因于每个模型在不同维度有不同的预报能力，也可能是由于模式的系统误差。此外，所有格点的SUP和BREM的训练期长度都固定在61天这一做法是不合理的。在下文中，滑动训练期长度将会在SUP和BREM预报实施之前在每个格点上都得到检验。

图2. 10°-60°N，0°-360°区域中每个格点上的ECMWF的500hPa位势高度96小时预报的RMSEs。使用了有和没有最佳训练期的SUP和BREM各两种方法。纵坐标代表RMSE，横坐标代表预报日期。

如图2所示，优化训练的超级集合（0-SUP）的RMSEs在一定程度上比没有优化训练的超级集合（SUP）小。最佳BREM（OBREM）预报也比BREM预报好。

综上所述，北半球500hPa位势高度的24-72小时预报试验表明，单个模式的SUP提升更加明显，并且BREM的预报技巧在某种程度上不如SUP。但是对于长于96小时的预报预见期，SUP和BREM预报方案都不能很好地减少地区的整体误差。然而，在滑动训练期长度在每个格点进行优化之后，预报误差在一定程度上减少了。

智协飞等（2009b）说明了对于北半球地表温度的24-168小时超级集合预报，最佳滑动训练期长度约为2个月。由于在BREM预报中用较长的训练期时预报技巧有所降低，因此对于较短的预报预见期，如24-72小时，最佳训练期约为半个月。对于96-168小时的预报，选择一个月作为训练期的最佳长度是比较合适的。这表明了对于SUP和B

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[30200]，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