细网格数值预报产品在精细化预报中的释用

周显伟,祝玉梅,朱春涛,梁 爽

（齐齐哈尔市气象局，黑龙江 齐齐哈尔161006）

1 引言

目前， 超级集合预报技术的研究与应用在国内外气象领域已经相当广泛。 超级集合就是包括不同初始场、模式和物理过程的集合，而集成产品包含更多信息，这将会大大提高数值预报的参考价值。 但由于集合预报巨大的计算量， 大型计算是前期必须的物质条件。 除此之外，集合是把所有成员聚集在一起但仍保持了每个成员的个性， 提供的是一种概率性的预报，而非现实的业务预报中要求的定性预报，这就需要把所有成员提供的信息综合处理成一个统一的结果，从个性之中提取各成员的共性，也就是集成预报。 对于地市级气象台站而言，基于集合预报思想的集成预报技术的发展既是业务所需， 也是一种比较有效和经济的途径。

现在国内外的集成预报方法都有所开展， 但总的来说这些集成预报方法中的成员在集成预报中的权重主要是静态的、固定的，通常这种集成预报方法不考虑各成员预报能力在不同地域、 不同季节和不同预报时效的不同表现， 这有可能导致集成预报性能的不稳定，就势必影响预报效果。

为了解决以上问题， 本文运用了一种基于超级集合的多模式动态变权集成预报方法， 可以摆脱对大量历史样本的依赖性， 对成员预报能力的变化也能作出相应的调整， 每个成员在集成预报中的权重系数能自动动态调整， 动态反映每一成员在不同区域、不同季节、不同时效的预报水平。

2 资料的选取与处理

本项目选取中国气象信息中心提供的2013年欧洲中心确定性模式高分辨率预报产品 （ECMWFthin，0.25*0.25）、 东北半球T639 数值产品 （T639-thin，0.28125*0.28125）、日本高分辨率大气模式产品（Japan-thin，0.5*0.5） 和中央气象台的全国城市预报产品以及黑龙江省齐齐哈尔市十个县站降水和温度实况。 对其中的ECMWF-thin、T639-thin、Japan_thin三种细网格20时数值预报产品 （12 h 降水量和2 m温度）打包数据进行解压，通过Comcast1.9 历史数据处理提取，然后进行格点差值站点处理，最后进行相应预报时段截取， 取得对应第二天08时和20时起报降水、最低气温和最高气温1—5 d 的预报结果。没有 采 用ECMWF-thin、T639-thin、Japan-thin 三 种 细网格08时预报产品， 主要是因为08时预报产品下发后处理完成时，16时30 分的精细化预报已经来不及采用； 提取出中央气象台的全国城市预报产品中的1—5 d 间隔12 h 降水量、 最低温度和最高温度。其中全国城市预报产品2013年1月1-2日资料缺失，T639-thin 预报产品2013年8月30日资料缺失，Japan-thin 预报产品2013年10月30日资料缺失，其中Japan-thin 预报产品中12 h 降水量在没有较大降水时存在着格点缺报，按照没有降水来处理。

3 方法和步骤

3.1 预报准确率

本项目中使用的预报准确率是按照 《全国城镇天气预报质量国家级检验方案》及《关于改革城镇精细化预报检验办法的通知》（气科函[2013]9 号），以24 h时效分别检验（晴雨按12 h 段汇总为24 h）, 根据1-5 d 各时效预报准确率按加权平均的方式计算预报准确率的总评分。

3.1.1 降水预报

式中，NA 为有降水预报正确站（次）数，NB 为空报站（次）数、NC 为漏报站（次）数，ND 为无降水预报正确的站（次）数。

3.1.2 温度预报

式中，Fi为第i 站 （次） 预报温度，Oi为第i 站（次）实况温度，K 为1、2，分别代表｜Fi-Oi｜≤1 ℃、｜Fi-Oi｜≤2 ℃，为预报正确的站（次）数，NfK为预报的总站(次)数。 温度预报准确率的实际含义是温度预报绝对误差≤2 ℃的百分率。

3.1.3 预报准确率的总评分

根据1-5 d 各时效预报准确率按加权平均的方式。 计算公式为：

式中，PC24、PC48、PC72、PC96、PC120分别为0-24 h、24-48 h、48-72 h、72-96 h、96-120 h 晴雨（雪）预报准确率。

在此种评分方法下2013年四种模式预报准确率如下（表1-3）：

定性降水预报准确率。 调整前最高的为Japan-thin（81.63%），主要原因是处理资料时把大量微量降水缺报格点剔除，而格点资料完善、规范的EC-thin定性降水预报准确率为79.41%； 其中T639-thin 定性预报准确率最差为58.49%， 分析表明T639-thin格点降水预报中存在着大量的单点的微量降水，所以在降水集成预报前先进行各模式微量降水误差剔除分析。

表1 2013年按照中央TS 评分结果(预报定性降水)

表2 2013年按照中央TS 评分结果(预报最低温度)

表3 2013年按照中央TS 评分结果(预报最高温度)

3.2 误差订正

3.2.1 降水预报误差订正

由于微量降水存在着大量的空报， 所以有必要先对四种预报进行微量降水的去除。 去除方法是从0.1 mm 开始，以0.1 mm 逐步去除计算齐齐哈尔地区10 个县站1—5 d 预报准确，直至其中出现预报准确率有下降为止。

同理：中央指导和Japan-thin 预报降水中小于等于0.5 mm 降水忽略， 而T639-thin 预报降水中小于等于0.8 mm 降水忽略。

去除微量降水后，T639-thin 微量降水空报率最高，空报量级也是最大（达到0.8 mm），去除微量降水后平均提升的准确率百分比为24.21%；EC-thin 提升为5.69%；中央指导提升4.33%；而Japan-thin 提升最小为0.64%，这是因为Japan-thin 降水资料没有较大降水预报时存在着大量的格点缺值， 当时处理资料时已经把格点缺值按没有降水处理了。 调整后定性降水预报准确率最高的为EC-thin，达到了85.1%。

3.2.2 温度预报误差订正

模式误差是预报误差的主要来源之一,利用经验性预报方法来减小模式误差对预报的影响是非常必要的方法。 本文采用通过滞后平均降低误差尺度的自适应误差订正方法,是后验订正,即只在整个积分完成后对预报结果进行订正处理。

首先,把各模式10 个站5 d2 m 最低和最高温度预报记为Ai(t),计算预报在各站点i 各时次t 的滑动的天数平均绝对误差Bi(t)。 公式(4)中Ai(t0)为t时刻的观测结果, Fi(t0)为与t时刻观测结果对应的t0时刻预报结果。

滑动7、30 和45 d 比较可以看出滑动天数为30 d时较优。

最低温度TS 评分在去除平均绝对误差后各预报都有所升高，但升高不是很明显，其中EC-thin 达到68.45%；最高也都有所升高，但是EC-thin 最为明显，升高了8.46%，达到74.01%。

3.3 变权集成预报方法的引入

集合预报虽然是国际上的热门技术， 但目前我国地市级台站一般很难具备适合这种超级集合巨大计算量的大型计算条件， 而且各地区现在已经能够收到国内外大量的数值预报产品。 以这些数值预报产品为基础， 只需利用好这些模式的运算结果直接进行集成，不失为一种既实用又有效的方法，大家通常把这种方法叫做PM 法，实际上这也是一种多种模式的集成预报方法。本文在此基础上，采用ECMWFthin、T639-thin、Japan_thin 数值预报产品和中央气象台的全国城市预报产品， 动态地分析这四种模式的近期误差，动态地分配这四种模式产品的权重，称之为“变权集成预报方法”。

集成平均是一种权重平均,这种并集有可能会抹杀各成员的个性,因而可能存在较高的空报率,故一般不用于降水的预报,但是在齐齐哈尔地区2 m 最低和最高温度预报中效果也不理想，尤其是最高温度。误差概率递归训练变权法应用于格点场温度集成预报是对模式的整体预报能力进行考虑， 一般不对每一点进行权重分配， 而是考虑某个模式某个区域的权重系数。 其基本步骤如下:

从四种数值预报产品中挑出三种模式， 使其历史误差概率和实时误差概率较小。四种模式的历史误差概率:

式中Ek是每一个格点的绝对误差值，Ak为某模式在各种模式误差中所占的比例，Ak的计算样本长度为所有历史资料。

各模式的实时误差概率:

Bk可以表示模式在最近一段时间的预报质量，为某模式在各种模式最近一段时间的预报平均误差总和所占比例。 Bk计算样本长度一般根据短期天气周期来大致确定，一般可以取4-7。

因历史样本Ak是固定的，近期取值Bk则是变动的。 对于既要考虑历史的又要考虑近期效果的模式误差概率，使用下式来计算综合误差概率:

式中，F 为常数， 其值的变动代表考虑历史和实时误差的程度，F 大，历史成分多，F 小，则实时成分多。

由于细网格资料没有历史样本， 所以设F 为0。各个模式都可以求出Dk，对于n2 种模式，则得到相应的综合误差概率:

为基于误差概率的第一种、 第二种模式在集成中的权重系数，是归一化的。

3.4 滑动变权法用于离散点降水集成预报

该方法采用目前投入业务运行的数值模式产品,其中包括: ECMWF、T639、日本降水预报产品、德国降水预报和经定量化处理后的全国台站主观预报产品。

具体原理是:

权重的分配不仅针对各个成员本身,而且具体到每个成员在不同站点和不同预报时段,计算采用方法和步骤是：取连续滚动的K 天预报,这样可得到连续K 天某个集成成员在每个站点、各个预报时效的预报平均绝对误差,再取其倒数，各自倒数除以倒数和作为各自的权重， 各自权重再乘以集成成员在每个站点、各个预报时效的预报降水量。

在有降水的定性判定上,规定当三分之二以上成员预报有降水时,则预报有降水,否则视为无降水。

通过上述两种方法 （误差概率递归训练变权法应用于格点场温度集成预报和滑动变权法用于离散点降水集成预报）, 最后集成预报的TS 评分结果表明： 齐齐哈尔地区十个站点集成预报效果明显好于任何一个单独的数值模式预报效果， 尤其是最低温度的预报准确率得到很大的提升。

4 小结

（1）ECMWF-thin、T639-thin、Japan-thin 三种细网格和中央气象台的全国城市预报产品对齐齐哈尔地区的降水预报都存在着较多的空报现象， 去除微量降水预报后，降水预报质量得到了很大的提升。

（2）对四种模式预报进行集成平均，在齐齐哈尔地区预报效果极其有限。

（3）动态权重集成预报能够较好地利用各种数值预报的优势,从而得到质量好的定性预报产品。 定性降水、 最低温度和最高温度的集成预报比任何单一的数值预报成员TS 预报评分都要高, 尤其是最低温度预报质量得到了很大的提升,给预报员提供了很好的参考工具。