留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多模式降水分级最优化权重集成预报技术

危国飞 刘会军 吴启树 陶玮 潘宁

危国飞, 刘会军, 吴启树, 等. 多模式降水分级最优化权重集成预报技术. 应用气象学报, 2020, 31(6): 668-680. DOI: 10.11898/1001-7313.20200603.
引用本文: 危国飞, 刘会军, 吴启树, 等. 多模式降水分级最优化权重集成预报技术. 应用气象学报, 2020, 31(6): 668-680. DOI: 10.11898/1001-7313.20200603.
Wei Guofei, Liu Huijun, Wu Qishu, et al. Multi-model consensus forecasting technology with optimal weight for precipitation intensity levels. J Appl Meteor Sci, 2020, 31(6): 668-680. DOI:  10.11898/1001-7313.20200603
Citation: Wei Guofei, Liu Huijun, Wu Qishu, et al. Multi-model consensus forecasting technology with optimal weight for precipitation intensity levels. J Appl Meteor Sci, 2020, 31(6): 668-680. DOI:  10.11898/1001-7313.20200603

多模式降水分级最优化权重集成预报技术

DOI: 10.11898/1001-7313.20200603
资助项目: 

国家重点研究发展计划 2018YFC1506905

福建省气象局开放式研究基金项目 2019KH02

福建省自然科学基金社会发展引导性(重点)项目 2017Y-008

中国气象局气象预报业务关键技术发展专项 YBGJXM201903-05

详细信息
    通信作者:

    吴启树, 172475076@qq.com

Multi-model Consensus Forecasting Technology with Optimal Weight for Precipitation Intensity Levels

  • 摘要: 为综合不同模式对不同量级降水的预报优势,设计一种全球模式与区域模式结合的降水分级最优化权重集成预报算法,集成经最优TS评分订正法(optimal threat score,OTS)订正后的欧洲中期天气预报中心降水预报产品(以下简称EC-OTS)和华东区域中尺度模式降水预报产品(以下简称SMS-OTS)。以泛长江区域(23°~39°N,101°~123°E)为研究范围,基于2018年不同降水量级的TS评分最优化确定SMS-OTS和EC-OTS在不同降水量级时的最优权重系数以及最优集成方案,并以2019年降水数据为独立样本进行预报试验。结果表明:对于最优权重系数,EC-OTS在低降水量级权重较大,随着降水量级的加大,SMS-OTS的权重也逐渐加大;最优集成方案为初始集成降水量预报取SMS-OTS,集成运算迭代3次;集成预报在几乎所有预报时效、所有降水量级的TS评分均高于EC-OTS和SMS-OTS,其平均绝对误差略小于EC-OTS,显著小于SMS-OTS;集成预报12 h累积降水预报的TS评分较省级预报员主观预报高-0.009~0.041,24 h累积降水预报的TS评分较国家气象中心预报员主观预报高0.009~0.023。
  • 图  1  研究区域

    Fig. 1  Target area

    图  2  2018年ECMWF-IFS,EC-OTS,SMS-WARMS和SMS-OTS的12 h累积降水预报在不低于0.1 mm、不低于10 mm、不低于25 mm和不低于50 mm降水量级的TS评分

    Fig. 2  Threat score of 12 h accumulated precipitation forecasted by ECMWF-IFS, EC-OTS, SMS-WARMS and SMS-OTS with ranges of no less than 0.1 mm, no less than 10 mm, no less than 25 mm and no less than 50 mm in 2018

    图  3  2018年EC-OTS,SMS-OTS和集成预报的12 h累积降水预报在24 h预报时效的TS评分、空报率、漏报率及12~72 h预报时效的平均绝对误差

    Fig. 3  Threat score, false alarm ratio, missing ratio of 12 h accumulated precipitation from EC-OTS, SMS-OTS and consensus forecast with lead time of 24 h and mean absolute error of 12 h accumulative precipitation with lead time from 12 h to 72 h in 2018

    图  4  2019年EC-OTS,SMS-OTS和集成预报的12 h累积降水预报在24 h预报时效的TS评分、空报率、漏报率和12~72 h预报时效的平均绝对误差

    Fig. 4  Threat score, false alarm ratio, miss ratio of 12 h accumulated precipitation from EC-OTS, SMS-OTS and consensus forecast with lead time of 24 h and mean absolute error of 12 h accumulated precipitation with lead time from 12 h to 72 h in 2019

    图  5  2018年和2019年4个季度集成预报24 h预报时效的12 h累积降水预报相对于SMS-OTS和EC-OTS的技巧评分

    Fig. 5  Quarterly skill score of 12 h accumulated precipitation with lead time of 24 h forecasted by consensus forecast relative to SMS-OTS and EC-OTS in 2018-2019

    图  6  2019年6月21日20:00起报的SMS-OTS,EC-OTS和集成预报36 h预报时效的24 h累积降水预报以及2019年6月22日08:00—23日08:00降水实况分布

    Fig. 6  Twenty-four-hour accumulated precipitation forecasted by SMS-OTS, EC-OTS and consensus forecast initiated at 2000 BT 21 Jun 2019 with lead time of 36 h and observed precipition from 0800 BT 22 Jun to 0800 BT 23 Jun in 2019

    表  1  SMS-OTS在不同预报时效、不同降水量级的最优权重系数(EC-OTS的权重系数为1减去SMS-OTS的权重系数)

    Table  1  Optimal weight coefficients of SMS-OTS with different lead times and precipitation levels (the weight coefficient of EC-OTS is 1 minus the weight coefficient of SMS-OTS)

    降水量级 预报时效/h
    12 24 36 48 60 72
    不低于0.1 mm 0.03 0.03 0.02 0.02 0.01 0.02
    不低于1 mm 0.10 0.10 0.06 0.06 0.06 0.07
    不低于5 mm 0.38 0.34 0.26 0.24 0.27 0.31
    不低于10 mm 0.30 0.40 0.34 0.32 0.32 0.37
    不低于25 mm 0.35 0.53 0.31 0.40 0.39 0.45
    不低于35 mm 0.40 0.47 0.51 0.47 0.45 0.40
    不低于50 mm 0.43 0.58 0.67 0.72 0.63 0.91
    不低于75 mm 0.56 0.88 0.97 0.80 0.90 0.55
    不低于100 mm 0.65 0.91 0.81 0.80 1.00 0.78
    下载: 导出CSV

    表  2  10种集成方案的参数设置

    Table  2  Parameters of ten integrated schemes

    集成方案 初始集成降水量预报Y0生成方法 迭代次数 备注
    1 方法1 1
    2 方法1 2
    3 方法1 3
    4 方法2 1
    5 方法2 2
    6 方法2 3
    7 方法3 1
    8 方法3 2
    9 方法3 3
    10 等权重集成
    下载: 导出CSV

    表  3  2018年不同集成方案12 h累积降水预报在不同预报时效的一般性降水TS评分

    Table  3  Ordinary rainfall threat score of 12 h accumulated precipitation forecasted by different integration schemes with different lead times in 2018

    集成方案 预报时效/h
    12 24 36 48 60 72
    1 0.589 0.564 0.546 0.529 0.515 0.497
    2 0.588 0.563 0.545 0.529 0.514 0.497
    3 0.588 0.564 0.546 0.529 0.515 0.497
    4 0.588 0.562 0.542 0.525 0.509 0.489
    5 0.588 0.563 0.545 0.528 0.513 0.495
    6 0.588 0.563 0.545 0.528 0.514 0.495
    7 0.588 0.564 0.544 0.527 0.511 0.492
    8 0.588 0.563 0.545 0.529 0.514 0.496
    9 0.588 0.564 0.546 0.529 0.514 0.497
    10 0.574 0.540 0.506 0.486 0.475 0.456
    下载: 导出CSV

    表  4  2018年不同集成方案12 h累积降水预报在不同预报时效暴雨及以上量级降水TS评分

    Table  4  Rainstorm threat score of 12 h accumulated precipitation forecasted by different integration schemes with different lead times in 2018

    集成方案 预报时效/h
    12 24 36 48 60 72
    1 0.184 0.143 0.117 0.082 0.063 0.045
    2 0.189 0.150 0.128 0.090 0.066 0.048
    3 0.188 0.151 0.126 0.084 0.066 0.047
    4 0.186 0.153 0.134 0.099 0.076 0.064
    5 0.190 0.156 0.135 0.097 0.081 0.058
    6 0.190 0.155 0.136 0.099 0.080 0.064
    7 0.190 0.151 0.127 0.088 0.071 0.051
    8 0.190 0.151 0.131 0.091 0.071 0.056
    9 0.190 0.151 0.126 0.088 0.071 0.051
    10 0.189 0.151 0.130 0.091 0.071 0.056
    下载: 导出CSV

    表  5  2019年泛长江区域预报员逐12 h精细化天气预报报文与集成预报的12 h累积降水预报的TS评分对比

    Table  5  Comparison of threat score of 12 h accumulated precipitation in the Pan-Yangtze River region between local forecaster and consensus forecast in 2019

    降水量级 预报方法 预报时效/h
    12 24 36 48 60
    不低于0.1 mm 主观预报 0.543 0.522 0.502 0.489 0.472
    集成预报 0.550 0.536 0.519 0.507 0.494
    不低于10 mm 主观预报 0.310 0.292 0.272 0.256 0.236
    集成预报 0.345 0.323 0.302 0.283 0.261
    不低于25 mm 主观预报 0.218 0.195 0.176 0.155 0.135
    集成预报 0.259 0.231 0.206 0.193 0.159
    不低于50 mm 主观预报 0.133 0.114 0.096 0.078 0.064
    集成预报 0.165 0.144 0.118 0.096 0.075
    不低于100 mm 主观预报 0.079 0.074 0.047 0.016 0.010
    集成预报 0.089 0.065 0.055 0.049 0.030
    下载: 导出CSV

    表  6  2019年泛长江区域国家气象中心预报员逐24 h累积定量降水预报与集成预报的24 h累积降水预报的TS评分对比

    Table  6  Comparison of threat score of 24 h accumulated precipitation in the Pan-Yangtze River region between China National Meteorological Center forecaster and consensus forecast in 2019

    降水量级 预报方法 预报时效/h
    24 48
    不低于0.1 mm 主观预报 0.608 0.580
    集成预报 0.620 0.592
    不低于10 mm 主观预报 0.405 0.374
    集成预报 0.421 0.383
    不低于25 mm 主观预报 0.311 0.277
    集成预报 0.332 0.286
    不低于50 mm 主观预报 0.226 0.182
    集成预报 0.243 0.198
    不低于100 mm 主观预报 0.142 0.092
    集成预报 0.157 0.115
    下载: 导出CSV
  • [1] 毕宝贵, 代刊, 王毅, 等.定量降水预报技术进展.应用气象学报, 2016, 27(5):534-549. doi:  10.11898/1001-7313.20160503
    [2] 李婧华, 田晓阳, 贾朋群.国外气象业务中心核心预报能力的比较和发展.气象科技进展, 2019, 9(1):8-15. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxkjjz201901006
    [3] 王雨, 公颖, 陈法敬, 等.区域业务模式6 h降水预报检验方案比较.应用气象学报, 2013, 24(2):171-178. http://qikan.camscma.cn/article/id/20130205
    [4] 杨学胜.业务集合预报系统的现状及展望.气象, 2001, 27(6):3-9. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qx200106001
    [5] 刘长征, 杜良敏, 柯宗建, 等.国家气候中心多模式解释应用集成预测.应用气象学报, 2013, 24(6):677-685. http://qikan.camscma.cn/article/id/20130604
    [6] 代刊, 朱跃建, 毕宝贵.集合模式定量降水预报的统计后处理技术研究综述.气象学报, 2018, 76(4):493-510. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxxb201804001
    [7] 李芳.基于多模式集合方案的中国东部夏季降水概率季度预测.气象学报, 2012, 70(2):183-191. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxxb201202003
    [8] Kharin V V, Zwiers F W.Climate predictions with multi-model ensembles.J Climate, 2002, 15:793-799. doi:  10.1175/1520-0442(2002)015<0793:CPWME>2.0.CO;2
    [9] Kang I S, Yoo J H.Examination of multi-model ensemble seasonal prediction methods using a simple climate system.Clim Dyn, 2006, 26:285-294. doi:  10.1007/s00382-005-0074-8
    [10] 林春泽, 智协飞, 韩艳, 等.基于TIGGE资料的地面气温多模式超级集合预报.应用气象学报, 2009, 20(6):706-712. http://qikan.camscma.cn/article/id/20090608
    [11] 王亚男, 智协飞.多模式降水集合预报的统计降尺度研究.暴雨灾害, 2012, 31(1):1-7. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hbqx201201001
    [12] 林春泽, 祁海霞, 智协飞, 等.中国夏季降水多模式集成概率预报研究.暴雨灾害, 2013, 32(4):354-359. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=hbqx201304008
    [13] 王海霞, 智协飞.基于TIGGE多模式降水量预报的统计降尺度研究.气象科学, 2015, 35(4):430-437. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxkx201504007
    [14] 金龙, 陈宁, 林振山.基于人工神经网络的集成预报方法研究和比较.气象学报, 1999, 57(2):198-207. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK199900533784
    [15] 周兵, 赵翠光, 赵声蓉.多模式集合预报技术及其分析与检验.应用气象学报, 2006, 17(1):104-109. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yyqxxb2006z1015
    [16] 赵声蓉.多模式温度集成预报.应用气象学报, 2006, 17(1):52-58. http://qikan.camscma.cn/article/id/20060109
    [17] 智协飞, 林春泽, 白永清, 等.北半球中纬度地区地面气温的超级集合预报.气象科学, 2009, 29(5):569-574. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxkx200905001
    [18] 陈超辉, 李崇银, 谭言科, 等.基于交叉验证的多模式超级集合预报方法研究.气象学报, 2010, 68(4):464-476. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxxb201004003
    [19] 智协飞, 季晓东, 张璟, 等.基于TIGGE资料的地面气温和降水的多模式集成预报.大气科学学报, 2013, 36(3):257-266. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=njqxxyxb201303001
    [20] 吴振玲, 潘璇, 董昊, 等.天津市多模式气温集成预报方法.应用气象学报, 2014, 25(3):293-301. http://qikan.camscma.cn/article/id/20140305
    [21] 熊敏诠.基于集合预报系统的日最高和最低气温预报.气象学报, 2017, 75(2):211-222. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxxb201702002
    [22] 智协飞, 黄闻.基于卡尔曼滤波的中国区域气温和降水的多模式集成预报.大气科学学报, 2019, 42(2):197-206. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=njqxxyxb201902004
    [23] Coelho C A S, Pezzulli S, Balmaseda M, et al.Forecast calibration and combination:A simple bayesian approach for ENSO.J Climate, 2004, 17:1504-1516. doi:  10.1175/1520-0442(2004)017<1504:FCACAS>2.0.CO;2
    [24] Li F, Zeng Q C, Li C F.A Bayesian scheme for probabilistic multi-model ensemble prediction of summer rainfall over the Yangtze River Valley.Atmos Oceanic Sci Lett, 2009, 2(5):314-319. doi:  10.1080/16742834.2009.11446815
    [25] 吴启树, 韩美, 刘铭, 等.基于评分最优化的模式降水预报订正算法对比.应用气象学报, 2017, 28(3):306-317. doi:  10.11898/1001-7313.20170305
    [26] 王晓峰, 许晓林, 徐同, 等.华东区域数值预报系统对极端降水预报能力的评估.气象科技进展, 2017, 7(6):67-74. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qxkjjz201706017
    [27] 徐同, 杨玉华, 李佳, 等.SMS-WARMS V2.0模式对中国西南地区降水预报能力的客观检验.气象, 2019, 45(8):1065-1074. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=qx201908003
    [28] 吴启树, 韩美, 郭弘, 等.MOS温度预报中最优训练期方案.应用气象学报, 2016, 27(4):426-434. doi:  10.11898/1001-7313.20160405
  • 加载中
图(6) / 表 (6)
计量
  • 文章访问数:  242
  • HTML全文浏览量:  67
  • PDF下载量:  115
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-27
  • 修回日期:  2020-08-26
  • 刊出日期:  2020-10-27

目录

    /

    返回文章
    返回