（气象学专业论文）基于tigge资料多模式地面气温和降水的集成预报.pdf

基于t ig g e 资料多模式地面气温和降水的集成预报 中文摘要 本文基于t i g g e 资料的中国气象局( c m a ) 、欧洲中期天气预报中心( e c m w f ) 、 日本气象厅( j m a ) 、美国国家环境预报中心( n c e p ) 和英国气象局( u k m o ) 5 个中心全球集合预报模式，对地面要素中的气温和2 4 h 累积降水进行2 4 h 1 6 8 h 预报时效的多模式集成预报方法的研究。主要采用的技术方案有多模式集合平 均、加权集合平均、消除偏差集合平均、多元线性回归技术超级集合、神经网 络技术下的超级集合、滑动训练期的超级集合等。并且针对多模式降水预报进 行了降尺度方法以及降尺度的集成研究。 结果表明，地面气温预报的多模式超级集合明显降低了预报的均方根误差， 预报效果远优于最好的单个模式预报和多模式集合平均。基于非线性神经网络 技术的超级集合预报优于基于线性回归技术的超级集合预报。滑动训练期的超 级集合进一步改善了预报效果。此外，在不同纬带超级集合预报技巧存在差异。 北半球区域以及中纬度地区，相对最优的单个中心预报，滑动训练期的超级集 合可减小2 4 h - 7 2 h 预报的均方根误差3 0 以上，对1 2 0 h 预报的改进也接近2 0 。 在低纬度地区，相对最优的单个中心，2 4 h - 4 8 h 预报技巧的改进达到5 0 以上， 对1 2 0 h - 1 6 8 h 预报技巧的改进也在4 0 左右。高纬度地区多模式集成预报效果相 对较差。 此外，超级集合预报所使用的最优滑动训练期的长度选取对于不同纬带， 不同预报时效也存在差异。中、高纬度地区，2 4 h 7 2 h 预报的滑动窗口选取4 5 天左右，9 6 h 1 6 8 h 预报的滑动窗口宜选取6 0 天以上。低纬度地区2 4 h 。1 6 8 h 预 报的滑动窗口选取3 0 天左右为宜。 对于2 4 h 累积降水预报，无论是以均方根误差还是以场相关系数来评价模 式的预报效果，多模式集成结果始终优于单个模式的预报。基于超级集合思想 的加权消除偏差集成方案能够有效地提高小雨以上量级降水的e t s 评分，均方 i i i 根误差也始终小于单模式及其简单集合平均的误差。多模式集成能提供比单中 心模式更为稳定、可靠的预报。 通过建立2 4 h 累积降水量由模式预报变量的粗网格降至细网格的统计关系， 进行降尺度预报试验。结果表明，各中心模式降尺之后预报误差明显降低，与 “观测场”的场相关系数也明显提高。经过二次订正后，降尺度预报对小雨以 上量级的e t s 评分明显提高，预报技巧明显提高。 最后，在多模式降水降尺度结果的基础上，采用多模式集合平均对多模式 结果进行集成试验。试验结果表明，多模式降尺度集合平均的预报效果要好于 单个模式降尺度的预报，同时也好于模式预报的直接平均。 关键词：t i g g e ，地面气温，降水，多模式集成，降尺度 m u l t i m o d e lc o n s e n s u sf o r e c a s t so ft h es u r f a c et e m p e r a t u r ea n d p r e c i p i t a t i o nb a s e d o nt h et i g g ed a t a a b s t i 认ct b a s e do nt h et i g g ed a t a ，m u l t i m o d e lc o n s e n s u sf o r e c a s t sa r ei n v e s t i g a t e db y u s i n gt h ee n s e m b l em e a no u t c o m e so ft h e2 4 h - 1 6 8 he n s e m b l ef o r e c a s t sf o rt h e g l o b a ls u r f a c et e m p e r a t u r ea n d2 4 ha c c u m u l a t e dt o t a lp r e c i p i t a t i o nt a k e nf r o mc m a ， e c m w f ，j m a ，n c e pa n di m om o d e l s t h em u l t i m o d e lc o n s e n s u st e c h n i q u e s u s e di n t h i ss t u d yi n c l u d em u l t i m o d e le n s e m b l em e a n ( e m n ) ，w e i g h t e de n s e m b l e m e a n ( w e m ) ，b i a s - r e m o v e de n s e m b l em e a n ( b r e m ) ，m u l t i p l el i n e a rr e g r e s s i o n s u p e r e n s e m b l e ( l r s u p ) ，n e u r a ln e t w o r ks u p e r e n s e m b l e ( n n s u p ) ，s u p e r e n s e m b l e w i t hr u n n i n gt r a i n i n gp e r i o d ( r - s u p ) a n ds oo n i na d d i t i o n ，s t a t i s t i c a ld o w n s c a l i n g o ft h ep r e c i p i t a t i o na n di t sm u l t i m o d e lc o n s e n s u sh a b e nb e e nc o n d u c t e di no r d e rt o i m p r o v et h em u l t i m o d e lp r e c i p i t a t i o nf o r e c a s t s t h er e s u l t ss h o wt h a tt h em u l t i m o d e ls u p e r e n s e m b l ef o r e c a s t s ( s u p ) r e d u c et h e r o o t m e a n - s q u a r ee r r o r s ( r m s e ) c o n s i d e r a b l ya n da r em u c hb e t t e rt h a nt h o s eo ft h e b e s ts i n g l em o d e la n dt h em u l t i m o d e le n s e m b l em e a ni nt e r m so ft h e i rr m s e s t h e n n s u ph a sh i g h e rf o r e c a s ts k i l lt h a nt h el r s u p , a n dt h er s u pf u r t h e ri m p r o v e s t h ef o r e c a s ts k i l l s t h em u l t i m o d e ls u p e r e n s e m b l et e c h n i q u e sh a v ed i f f e r e n tf o r e c a s t s k i l l si nd i f f e r e n tl a t i t u d e s i nm i d d l el a t i t u d e so ft h en o r t h e r nh e m i s p h e r e ，t h e r s u pr e d u c e so ft h er m s e so f2 4 h 一7 2 hs u r f a c et e m p e r a t u r ef o r e c a s t sb ym o r et h a n 3 0 ，a n db ya b o u t2 0 f o r12 0 hf o r e c a s t sr e l a t i v et ot h er m s e so ft h eb e s ts i n g l e m o d e l i nl o wl a t i t u d e s ，t h er m s e so f2 4 h - 4 8 hr s u pf o r e c a s t s a r er e d u c e db y m o r et h a n5 0 c o m p a r e dw i t ht h er m s e so ft h eb e s ts i n g l em o d e l ，w h i l et h e r m s e so f1 2 0 h - 1 6 8 hf o r e c a s t sa r er e d u c e db ya b o u t4 0 i nh i 曲l a t i t u d e s ，t h e r s u pf o r e c a s t sa r el e s ss k i l l f u l i na d d i t i o n ，t h eo p t i m a ll e n g t ho ft h er u n n i n gt r a i n i n gp e r i o dv a r i e sf r o m d i f f e r e n tl a t i t u d e sa n dd i f f e r e n tf o r e c a s tt i m e 4 5d a y sa n d6 0d a y sa r et a k e na st h e o p t i m a ll e n g t ho ft h et r a i n i n gp e r i o df o r2 4 h - 7 2 ha n d9 6 h 16 8 hf o r e c a s t so ft h e v s u r f a c et e m p e r a t u r ei nn hm i d d l ea n dh i g hl a t i t u d e s ，r e s p e c t i v e l y , w h i l e3 0d a y sa r e c h o s e nt ob et h eo p t i m a ll e n g t ho ft h et r a i n i n gp e r i o df o r2 4 h 一16 8 hf o r e c a s t si nl o w l a t i t u d e s t h em u l t i m o d e lc o n s e n s u sf o r e c a s t so ft h e2 4 ha c c u m u l a t e dt o t a lp r e c i p i t a t i o n h a v eh i g h e rs k i l lt h a na l lt h es i n g l em o d e l si nt e r m so fr m s eo rs p a t i a lc o r r e l a t i o n c o e f f i c i e n t t h ew e i g h t e db i a s r e m o v e de n s e m b l em e a nt e c h n i q u em a yi m p r o v et h e e t so ft h ep r e c i p i t a t i o nf o r e c a s t sc o n s i d e r a b l y t h er m s e so ft h ep r e c i p i t a t i o n c o n s e n s u sf o r e c a s t sa r er e d u c e ds i g n i f i c a n t l yc o m p a r e dt ot h o s eo ft h es i n g l em o d e l s m u l t i m o d e lc o n s e n s u sm a yp r o v i d em u c hm o r es t a b l ea n dr e l i a b l ef o r e c a s t s t h es t a t i s t i c a ld o w n s c a l i n go ft h e2 4 ha c c u m u l a t e dt o t a lp r e c i p i t a t i o nf o r e c a s t s h a sb e e nc o n d u c t e d b yi n v e s t i g a t i n g t h es t a t i s t i c a l r e l a t i o n s h i p b e t w e e nt h e i n t e r p o l a t e df o r e c a s t sa n dt h eo b s e r v a t i o n a ld a t aw i t hh i g hr e s o l u t i o n t h er e s u l t s s h o wt h a tt h er m s e so ft h ep r e c i p i t a t i o nf o r e c a s t sa r er e d u c e dn o t a b l ya f t e rt h e s t a t i s t i c a ld o w n s c a l i n g t h es p a t i a lc o r r e l a t i o nc o e f f i c i e n t sb e t w e e nt h ef o r e c a s t sa n d t h eo b s e r v a t i o n a ld a t aa r ei m p r o v e da sw e l l af u r t h e re r r o rc o r r e c t i o nt ot h e d o w n s c a l i n gf o r e c a s t sm a yi m p r o v et h ee t so ft h el i g h ta n dm o d e r a t er a i nf o r e c a s t s s i g n i f i c a n t l y f i n a l l y , t h em u l t i m o d e le n s e m b l em e a no ft h ed o w n s c a l i n gf o r e c a s t sh a sb e e n c o n d u c t e d t h er e s u l t ss h o wt h a te n s e m b l em e a no ft h ed o w n s c a l i n gf o r e c a s t sh a s h i g h e rf o r e c a s ts k i l lt h a nt h ed o w n s c a l i n gf o r e c a s t so ft h es i n g l em o d e l s ，a n dt h e e n s e m b l em e a no ff o r e c a s t sw i t h o u td o w n s c a l i n go fs i n g l em o d e l sa sw e l l k e yw o r d s ：t i g g e ，s u r f a c et e m p e r a t u r e ，p r e c i p i t a t i o n ，m u l t i m o d e lc o n s e n s u s f o r e c a s t ，d o w n s c a l i n g 学位论文独创性声明 本人郑重声明： 1 、坚持以“求实、创新 的科学精神从事研究工作。 2 、本论文是我个人在导师指导下进行的研究工作和取得的研究 成果。 3 、本论文中除引文外，所有实验、数据和有关材料均是真实的。 4 、本论文中除引文和致谢的内容外，不包含其他人或其它机构 已经发表或撰写过的研究成果。 5 、其他同志对本研究所做的贡献均已在论文中作了声明并表示 了谢意。 ，、t 作者签名：鱼銎缮 日期：卯5 学位论文使用授权声明 本人完全了解南京信息工程大学有关保留、使用学位论文的规 定，学校有权保留学位论文并向国家主管部门或其指定机构送交论 文的电子版和纸质版：有权将学位论文用于非赢利目的的少量复制 并允许论文进入学校图书馆被查阅；有权将学位论文的内容编入有 关数据库进行检索；有权将学位论文的标题和摘要汇编出版。保密 的学位论文在解密后适用本规定。 作者签名：血遵盗 日期： 笠盥占 第一章绪论 1 1 多模式超级集合预报研究进展 近年来集合预报技术取得了一些重大进展，其中最显著的是发展了多模式一多分析集合 预报技术。无论从概率意义上还是从决定论意义上，多模式集合预报所提供的信息均比单 个模式集合预报更准确。“p o o rm a n ”集合预报技术u 1 在一定程度上也是一个多分析一多模 式集合预报系统，它是将来自几个业务中心的决定性预报作为集合预报的成员，既考虑了 初值误差的影响，又考虑了模式物理过程中不确定性因素的影响，对减小短期预报的不确 定性非常有效。1 9 9 9 年k r i s h n a m u r t i 等比1 进一步提出了超级集合预报技术。该技术是使用 多个模式的预报结果，依据模式以往的性能对未来预报结果进行集成与订正，以获得最佳 的决定性预报。在提出超级集合预报方法的同时，k r i s h n a m u r t i 等还做了大量的试验对该 方法进行检验 。他们选取b m r c 、c s i r o 、e c m w f 、g f d l 、l m d 、m p i 、n c e p 、u l ( m o 八个中 心的全球大气环流模式预报的月平均资料制作超级集合，1 9 7 9 1 9 8 9 年十年作为检验期， 亚洲季风区作为检验区域。先以1 9 8 1 1 9 8 9 年作为训练期，利用这八年的各个模式月平均 预报资料与观测值进行回归分析产生权重，以1 9 7 9 - 1 9 8 1 年作为预报期的回报检验，应用 预报的8 5 0 h p a 经向风区域平均均方根误差对预报效果进行评估。同样，1 9 7 9 - 1 9 8 7 年作为 训练期，1 9 8 7 - 1 9 8 9 年作为预报期，应用预报的降水区域平均均方根误差对预报效果进行 检验。通过与参与集合的各单个模式比较，分析这两个要素的预报误差，超级集合预报误 差最小且最稳定。为了验证超级集合预报在中短期天气预报中的预报技巧，他们利用7 个 不同的全球数值天气预报模式，选取1 9 9 8 年6 7 月共6 1 天作为训练期，8 月的3 l 天作为 预报期，应用e c m w f 的分析资料作为对比分析的“观测值”，分别对模式预报时效1 - 3 天的 8 5 0 h p a 风场预报做超级集合，对全球不同区域的预报效果进行检验。与各个模式和多模式 简单集合平均相比，超级集合有效地减小了预报误差。此外，他们还利用超级集合方法对 飓风的路径、强度进行预报试验 1 ，超级集合的预报效果较单个模式、多模式简单集合平 均和消除偏差的集合平均更好。超级集合技术已经被证实具有有效改进季节气候预测技巧、 提高中短期预报准确率和简便实用等优点，在国际上得到了广泛研究与应用睁川。 r o s s 等旧1 应用超级集合预报技术，对全球五个业务预报中心模式( b m r c 、j m a 、n c e p 、 n r l 、r p n ) 和佛罗里达州立大学( f s u ) 的全球谱模式进行多模式集成，利用这6 个模式的 全球数值预报逐日资料，分别对平均海平面气压、5 0 0 h p a 高度场、2 0 0 h p a 和8 5 0 h p a 的风 场做超级集合预报，预报时效为1 - 5 天，并对全球不同区域进行预报误差分析。通过大量 的试验表明，超级集合预报效果优于最好的单个模式和多模式简单集合平均，并且总体上 南半球比北半球预报效果更好，春秋两季比冬夏两季预报效果更好。其中，对平均海平面 气压的预报效果最好，其次是5 0 0 h p a 高度场、8 5 0 h p a 风场和2 0 0 h p a 风场。c a r t w r i g h t 等 “州集合9 个模式成员，其中5 个成员来自美国业务与研究中心的中尺度模式，4 个成员来 自应用不同初始条件的f s u 区域谱模式。利用超级集合方法对美国东南部夏季降水进行定 量预报，预报时效为1 2 、2 4 、3 6 、4 8 和6 0 小时。应用e t s 评分与f a r 评分对降水量预报 效果进行检验，结果发现超级集合预报对降水的定量预报评分优于最好的模式成员，也优 于简单的集合平均和消除偏差集合平均。r i x e n 等1 分别应用线性回归技术和非线性神经 元网络技术在m r e a 0 4 项目试验中将多个大气和海洋模式进行超级集合，对葡萄牙西海岸的 洋面漂流进行短时预测。结果表明，结合了大气和海洋模式的超级集合预报能有效降低 1 2 4 8 h 预报时效的洋面漂流预报误差，该方法改进了现有的大气和海洋模式的预报技巧， 对未来预报提供了可靠的信息。最近，k r i s h n a m u r t i 等引基于t i g g e 资料中u k m o 、n c e p 、 e c m w f 、b o i v l 、c m a 五个中心全球模式对中国季风区南海季风爆发时降水、梅雨期降水以及 台风登陆强降水进行超级集合预报研究，并且将预报时效从卜3 天扩展到1 0 天进行讨论， 对于4 - 1 0 天预报超级集合均方根误差仍然最小。z h i 等 1 3 - 1 4 1 讨论了北半球地面气温的多模 式超级集合预报，在传统的固定训练期超级集合预报方法基础上，提出了滑动训练期超级 集合预报思想，发现滑动训练期超级集合预报技巧明显高于传统的固定训练期超级集合预 报技巧。 超级集合预报技术在我国的研究与应用正处于起步阶段。陈丽娟等“副借用超级集合思 想对参与汛期预测的几家单位的预报进行了集成试验。试验结果表明集成结果与单个预报 相比具有一定的优势，拟合和预报结果均比较稳定，多数情况下优于单个成员预报。周兵等 h 6 】基于国家气象中心天气预报业务平台，对德国、日本、欧洲中心数值预报模式和我国t 2 1 3 模式的夏季预报产品进行检验，在此基础上，通过不同模式对目标区域预报能力的分析， 分别应用神经网络预报技术和基于t s 评分的客观多模式权重系数法，建立了4 个模式的集 合预报方法，并应用于2 0 0 5 年汛期业务运行。结果表明，该方法对降水的短期预报技巧高 于简单集合平均，具有一定的业务应用前景，但不同尺度模式之间的协调是一个重要的问 题，尤其是中尺度模式与全球模式进行集合存在一定困难。赵声蓉1 基于国家气象中心 t 2 1 3 模式、德国气象局业务模式和日本气象厅业务模式2 m 高温度预报，利用神经网络方 法中的b p 网络建立了我国6 0 0 多个站的温度集成预报系统。对2 0 0 4 年1 - 5 月的预报试验 表明，集成的温度预报结果明显优于3 个模式单独的预报结果，达到了一定的预报精度。 马清等剐针对全球5 个气象中心的区域集合预报模式的2 m 温度预报，进行超级集合预报的 2 集成研究，发现集成预报的平均绝对误差小于单一模式预报的误差，并且不存在明显的系 统误差。智协飞等 1 9 - 2 0 1 和林春泽等挫利用t i g g e 资料对北半球及中纬度地区地面气温进行 多模式超级集合预报试验，发现超级集合预报方法能有效地改进中短期预报的预报技巧， 其预报准确率高于单个模式预报和多模式集合平均的预报准确率，并且滑动训练期超级集 合预报技巧明显高于传统的固定训练期超级集合预报技巧。 为了提高天气预报准确率，近年来w m o 提出了t h o r p e x ( t h eo b s e r v i n gs y s t e m r e s e a r c ha n dp r e d i c a b i l i t ye x p e r i m e n t ) 科学计划。t h o r p e ) ( 科学计划中的t i g g e ( t h o r p e xi n t e r a c t i v eg r a n dg l o b a le n s e m b l e ) 计划提出了建立全球交互式大集合预报， 改进1 - 1 4 天天气预报的目标。1 】y i o 共设立了三个t i g g e 资料中心，分别是中国气象局( c m a ) 、 欧洲中期天气预报中心( e c m l 】i r f ) 和美国国家大气研究中心( n c a r ) 。中国气象局作为t i g g e 资料交换的三个全球中心之一，可以提供欧洲中期天气预报中心、美国环境预报中心 ( n c e p ) 、加拿大气象中心( c m c ) 等的集合预报资料。多模式超级集合预报方法可充分利 用各大中心的集合预报资料，在提高我国中短期数值预报准确率和构建我国业务使用的多 中心集合预报系统等方面有着广泛的应用前景。 1 2 论文研究内容 本文基于t i g g e 资料中的中国气象局( c m a ) 、欧洲中期天气预报中心( e c m w f ) 、日本气 象厅( j m a ) 、美国国家环境预报中心( n c e p ) 和英国气象局( u k m o ) 五个中心全球集合预 报资料，对地面要素中的气温和2 4 h 累积降水进行2 4 h 一1 6 8 h 预报时效的多模式超级集合预 报研究以及集成预报方法的研究，并针对多模式降水预报进行降尺度方法以及降尺度的集 成研究。 论文第二章详细介绍了有关t i g g e 资料的具体情况； 第三章对地面气温的多模式超级集合预报进行研究； 第四章讨论多模式降水预报的集成： 第五章则对多模式降水预报的降尺度方法开展研究。 第六章对全文进行总结。 3 第二章资料和方法 2 1 资料介绍 21 it i g g e - t h r o p e x 计划。 m p i h o r p e x ( t h eo b s e r v i n gs y s t e mr e s e a r c ha n dp r e d i c t a b i l i t ye x p e r i m e n t ： aw o r l dw e a t h e rr e s e a r c hp r o g r a m ) 是世界气象组织近年提出的一项为期1 0 年的世界天 气研究计划一观和i 系统研究与可预报性试验，旨在通过推进观测预报一体化，加速提高卜1 4 天高影响天气的预报精度，服务于社会经济发展和环境保护。 t i g g e 是t h o r p e xi n t e r a c t i v eg r a n dg l o b a le n s e m b l e 的简称，是t h o r p e x 的核心组 成部分，t i g g e 是一个全球各国和地区的业务中心的联合行动，它将再主要业务中心集合预 报产品集中到一起。示范并评价多模式、多分析和多国集台预报系统的重大的国际科学计划。 州0 设立了三个t i g g e 资料中心，中国气象局( c m a ) 与欧洲中期天气预报中心( e c m w f ) 和美国国家大气研究中心( n c a r ) 一起作为t i g g e 资科交换的三个全球中心，如图21 。 中国气象局目前已初步实现了资料的实时接收传送，能接收欧洲中期天气预报中心、美国环 境预报中心、加拿大气象中心等国家的集合预报资料，预报时效达到卜1 6 天。 图21t i g g e 资料全球三大交换中心示意 212t i g g e 资料简介 t i g g e 资料目前可接收来自全球1 0 个中心的资料，各中心开始接收的日期不等，大部 分从2 0 0 7 年开始接收。其中n c a r 归档的资料中包括了所有中心提供的几乎全部的要素资 料，具体的资料情况如下图2 2 。n c a r 收集了1 0 个国家的全球集合预报资料，每日有3 0 3 7 4 个文件1 5 8 7 1 0 2 个预报场资料量2 4 0 g b 1 可f 可f可r- 1 7 一： 图22n c a r 资料中心每日收集到的资料情况 2i 3 本文的资料处理 本文所用资料取自t i c , g e 资料中5 个全球数值预报中心：中国气象局( c m a ) 、欧洲中期 天气预报中心( b 鲫f ) 、日本气象厅( j 姒) 、美国国家环境预报中心( n c e p ) 和英国气象 局( u 日j o ) 。 读取各中心每天1 2 时( 世界时) 起报的地面要素场中的气温与降水，资料时间k 度为 2 0 0 7 年6 月1 日一8 月3 1 日，预报区域是北半球区域1 0 。n 一8 75 。n ，o - 3 5 75 。，预报 时效为2 4 h 一1 6 8 h ，间隔2 4 h 。 由于各中心集合预报系统中参与集合的成员个数不同( 图22 ) 。那么该如何构造多模 式的超级集合预报系统呢? 有研究将所有参与集合的中心的所有集台预报成员全部混到 一起，构造“p o o r - m e n ”集合预报系统。研究表明，这种方法对减小短期预报的不确定性 非常有效。而对于确定性预报“”。，更要考虑“成员等同性”的原则，先要排除各集合成 员因不同模式、不同初值、不同物理过程参数化方案引起的不等概率和偏差问题，然后再 进行不同模式成员个数的超级集合预报试验。 本文的研究与以往研究略有不同，首先将各中心模式进行各自成员的集合平均然后 利用超级集合预报方法对各个模式的预报进行集成( 图23 ) 。 2 2 方法 图2 3 多模式资料处理流程示意图 2 2 1 超级集合预报方法 从超级集合预报流程上看( 图2 4 ) ，超级集合预报方法把选取的时间序列分为两部分， 即训练期和预报期。在训练期使用超级集合预报值与观测值做多元线性回归分析，确定参 与超级集合的各个模式的回归( 权重) 系数，相应的权重系数用于预报期的超级集合预报 【z 。3 1 9 ，2 1 】 超级集合预报模型由方程( 2 1 ) 构建，在一个给定的格点上，对于某一预报时效某一气 象要素， s = 石+ q ( 只，一霉) ( 2 1 ) i = l s 为超级集合预报值，石为训练期观测值平均，凡为第i 个模式的预报值，露为第i 个模 式在训练期的预报值的平均值，珥为回归系数( 权重) ，n 为参与超级集合的模式总数，t 为时间。 在训练期，回归系数口；由( 2 2 ) 中的误差项g 最小化计算而得， n t r a t n g = 一q ) 2 ( 2 2 ) ( 2 2 ) 中d r 为观测值，n t r a i n 为训练期时间样本总数。在用超级集合预报值与观测值 做多元线性回归分析时，为了使g 最小，在计算中应用最小二乘法原理。误差协方差矩阵 c 为 6 圈圈圈。圈 n t r a i n c = 【c f 一= f ：曩，】( f ，= 1 ，2 以) ( 2 3 ) ( 2 3 ) 中f ：和e ，分别是第i 个模式和第j 个模式的预报值距平。 建立线性代数方程： 【q 。，】【口i 】= 【印】 ( 2 4 ) n t r a i n 其中留= 罗粥：，科为观测值距平，【g ，】为( n n ) 的矩阵，【口f 】为( n 1 ) 的矩 _ t 一j 一 。 阵，c o ；1 为( n x1 ) 的矩阵。应用g a u s s j o r d a n 消除法求解( 2 4 ) 中的融】，得剑a ，代入 到( 2 1 ) 中。对其他格点也做同样的计算，在预报期即可利用求得的皿进行超级集合预报。 时间t训练期i预报期 。 图2 4 超级集合预报流程示意图 2 2 2 神经网络方法 ( 1 ) 人工神经网络的基本概念 人 ：神经网络( a n n ) 是在人类对其大脑神经网络认识的基础上构造的能够实现某种功 能的神经网络心扣龃1 。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络和 功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络， 具有高度的非线性，能够进行复杂的逻辑操作的非线性关系。 人工神经网络具有很多优良的性能，如非线性映射能力、自组织性和自适应性能力、 记忆联想能力、容错性等。神经网络的模型很多，目前应用最广泛且效果较好的是b p 神经 网络模型。b p 网络属于多层状型的人工神经网络，可以看作是一个从输入到输出的高度非 7 线性映射，由输入层、输出层和一个或若干个隐含层构成，每一层包含若干神经元，层与 层间神经元通过连接权重及阂值互连，每层神经元的状态只影响下一层的神经元状态，同 层的神经元之间没有联系。 b p 模型的基本原理是网络将一系列输入经过连接权重加权输送给隐含层，隐含层各神 经元汇总所有输入后，通过一种转移函数产生某种响应输出，并通过下一层连接权重加权 输送给输出层，输出层各神经元汇总所有输入后又产生一种响应输出。将输出结果与期望 输出结果进行比较，若二者趋于一致或相差甚小，可认为该网络基本学会了这一问题：若 相差较大或不够满意，便将网络输出与期望输出问的误差送回，通过调整各连接权重进行 重复训练，如此循环往复直到产生逼近实际结果的输出为止。从数学的角度看，b p 算法把 一组样本的i 0 问题变为一个非线性优化问题，使用了优化中最普遍的梯度下降法，用迭 代运算求解权重相当于学习记忆问题，加入隐层使优化问题的可调参数增加，从而得到更 精确的解。人工神经网络的数学原理及公式推导可参见文献 2 8 3 0 。 网络预测模型的大量参数是网络对输入的原始数据进行不断的学习训练来获得。应用 于短期气候预测时，它可自动提取一组预报量( 因变量) 和另一组预报因子( 自变量) 之 间非线性关系的数据处理系统。利用人工神经网络进行多中心模式的超级集合预报建模， 是将各个中心模式输出结果作为神经网络学习矩阵的输入端，以实际观测作为网络的期望 输出端，通过学习训练调整网络模型输入层与隐含层及隐含层与输出层之间的各连接权重 系数及 i i l 值，从而逼近某一种规律。网络的建立过程称为人工神经网络的训练过程，训练 后的神经网络模型可用来做预报期的多模式集成。 8 第三章地面气温多模式超级集合预报研究 3 1 引言 多模式集成技术是一个充分利用各中心模式预报结果以减小模式系统性误差的有效途 径，而超级集合预报技术又是目前预报效果最好的方法之一。k r i s h n a m u r t i 等心1 最早提出 了超级集合预报方法。大量试验结果表明，超级集合预报有效地减小了季节气候预测和天 气预报的误差，预报效果远优于单个模式和多模式集合平均。超级集合预报方法已经被证 实具有有效改进季节气候预测技巧、提高中短期预报准确率和简便实用等优点，在国际上 得到了广。泛的研究与应用n 卜3 副。近来，智协飞等n 毛姻1 利用t i g g e 资料对北半球及中纬度 地区地面气温进行多模式超级集合预报试验，发现超级集合预报方法能有效地改进地面气 温中短期预报的预报技巧，预报效果好于单个模式预报及多模式集合平均。 本章内容系统地研究了地面气温的多模式超级集合预报方法，在传统的固定训练期超 级集合方法上进行了滑动训练期的超级集合预报改进。此外，还基于超级集合预报思想利 用非线性神经网络方法对多个中心模式进行超级集合建模，与传统的多元线性同归技术超 级集合预报进行对比分析。 3 2 资料与方法 3 2 1 资料 本章内容所用到的资料包括基于t i g g e 资料的欧洲中期天气预报中心( e c m l 】f ) 、日本 气象厅( j m a ) 、美国国家环境预报中心( n c e p ) 以及英国气象局( u l ( m 0 ) 四个中心全球集 合数值预报的集合平均结果以及n c e p n c a r 再分析资料。 ( 1 ) t i g g e 资料：选取四个中心全球集合预报模式2 0 0 7 年6 月1 日一8 月3 1 日每天 1 2 时( 世界时) 起报的地面气温集合平均结果，预报区域为北半球地区( 1 0 - 8 7 5 。n ， 0 - 3 5 7 5 。) ，分辨率为1 2 5 。1 2 5 。经纬网格，预报时效为2 4 h - 1 6 8 h ，间隔为2 4 h 。 ( 2 ) n c e p n c a r 再分析资料：选取2 0 0 7 年6 月2 日一9 月7 日逐日1 2 时地面气温资料， 分辨率为2 5 。2 5 。经纬网格，作为“观测值”，用于检验预报效果。 3 2 2 方法 ( 1 ) 多模式集合平均 常用的集合平均由方程( 3 1 ) 定义，式中f 为第i 个模式的预报值，疗为参与集合的 模式总数。 9 删2 吉善e ( 3 1 ) ( 2 ) 超级集合预报方法 多模式超级集合是一项统计技术，通过一段时间的模式预报和观测( 分析) 数据进行 训练建模，确定参与集成的模式权重系数，在预报期进行超级集合预报。超级集合预报的 建模既可以采用多元回归技术也可以采用非线性神经网络技术。 a 线性回归技术 k r i s h n a m u r t i 等最早提出的超级集合预报模型由方程( 3 2 ) 式构建，在一个给定的 格点上，对于某一预报时效某一气象要素， s = o + z a ，( z ，一霉) ( 3 2 ) t = 1 其中墨为超级集合预报值，石为训练期观测值平均，e ，为第i 个模式的预报值，亏为第i 个模式在训练期的预报值平均，q 为回归系数( 权重) ，n 为参与超级集合的模式总数，t 为时间。 在训练期按照( 3 2 ) 式由最小二乘法原理计算回归系数q 。将计算得到的回归系数口f 回带到( 3 2 ) 式，即可在预报期进行超级集合预报。 g = 一d f ) 2 ( 3 3 ) f = l 式中d 为训练期的观测值，n t r a i n 为训练期时间样本总数。 b 非线性神经网络技术 非线性神经网络( n n ) 具有很强的处理非线性问题的能力，它具有许多优良性能，如 自组织性和自适应性能力、记忆联想能力、容错性等。应用于短期气候预测时，它可自动 提取一组预报量( 因变量) 和另一组预报因子( 自变量) 之间非线性关系的数据处理系统。 应用于超级集合预报建模时，是将每个中心的集合平均结果作为神经网络学习矩阵的输入 端，以观测( 分析) 的数据集作为网络的期望输出端，通过不断地学习训练，调整网络模 型输入层与隐含层及隐含层与输出层之间的各连接权系数和阀值，使i o 之间逼近一种规 律。 本章内容采用3 层b p 神经网络结构。方案见图3 1 ，网络包括1 个隐层，隐层节点数 为4 个。输入节点数为4 个，分别为e c m w f 、j m a 、n c e p 和u k m o 中心的集合平均结 果。输出层为1 个节点，以n c e p n c a r 再分析资料作为“观测值”期望输出。 l o 输八层隐层 图3 1 本章所采用的3 层b p 神经网络结构示意 3 3 固定训练期的超级集合预报试验 参照文献 3 ，选取2 个月作为超级集合预报的训练期。先以2 0 0 7 年6 月8 日- 8 月7 日6 1 天作为固定训练期，对预报期8 月8 日一8 月3 1 日进行2 4 h 一1 6 8 h 预报时效的地面气 温超级集合预报试验。以均方根误差作为衡量预报效果的指标，计算预报期内每天北半球 区域平均地面气温的均方根误差( 图3 2 ) 。 t m a n c e p u k m 0 一e m n l r s u p n n s u p d a y si na u g u s t2 0 0 7 圈3 22 0 0 7 年8 月8f l - 3 1 目每天2 4 h ( a ) 4 9 h 0 ) 7 2 h ( c ) ，9 6 h 旧，1 2 0 h ( e ) ，1 4 4 h ( 0 和1 6 8 h 地面气温 预报北半球1 0 - 8 75 。n 、0 - 3 5 75 。区域平均均方根误差( 单位：) 。e m n 表示多模式简单集合平均， l r s u p 表示基于线性回归技术的超级集合预报n n s u p 表示基于种经同络技术的超级集合预报。 从图32 可以看出，2 4 h - 1 6 8 h 预报时效的多模式简单集台平均( e i v i n ) 预报均方根误 差始终低于各个中心的预报误差多模式集合平均优于最好的单个中心预报。而对于多模 式超级集合预报非线性神经网络技术( n n s u p ) 要略好于传统的线性回归技术( l r s u p ) 。 e m n 相对最好的单个中心预报改进是有限的，而超级集合预报对于2 4 h - 9 6 h 预报时效的改 进是相当明显的。相对最好的单个模式，预报期内2 4 h - 9 6 h 时效的预报可以使北半球区域 平均均方根误差平均降低05 以上。另一方面，随着预报期延长，超级集合预报误差有逐 渐增长的趋势，预报期后期的误差明显高出预报前期的误差。尤其对于预报时效较长的， 预报扁册误差增长更快。对于1 2 0 h 1 6 8 h 时效的预报在预报期内前l o 天左右超级集合预 报误差登小于e m n ，预报