基于BGM与ETKF的台风“苏拉”(1209)集合预报的对比试验Ⅰ:路径预报

智协飞,朱寿鹏,孙晶,王玉虹,胡航菲

(1.南京信息工程大学 大气科学学院,江苏 南京 210044;2.南京信息工程大学 气象灾害预报预警与评估协同创新中心,江苏 南京 210044;

3.山东省气象局,山东 济南 250031;4.河南省安阳市气象局,河南 安阳 455000)



基于BGM与ETKF的台风“苏拉”(1209)集合预报的对比试验Ⅰ:路径预报

智协飞1,2,朱寿鹏1,孙晶3,王玉虹1,胡航菲4

(1.南京信息工程大学 大气科学学院,江苏 南京 210044;2.南京信息工程大学 气象灾害预报预警与评估协同创新中心,江苏 南京 210044;

3.山东省气象局,山东 济南 250031;4.河南省安阳市气象局,河南 安阳 455000)

摘要：采用FNL再分析资料和美国联合台风警报中心(Joint Typhoon Warning Center,JTWC)资料,运用中尺度WRF(Weather Research and Forecasting)模式,分别使用增长模繁殖法(Breeding of Growing Mode,BGM)和集合卡尔曼变换方法(Ensemble Transform Kalman Filter,ETKF),对1209号台风“苏拉”进行了台风路径的集合预报试验,并对预报效果进行对比分析。结果表明:采用BGM或ETKF初始扰动的集合预报系统,集合平均预报对风场、温度场、位势高度场的预报效果均优于控制预报;ETKF方法的预报改进程度较BGM方法更大,且对风场和温度场预报技巧的优势尤为明显。BGM方法所得到的集合成员离散度小于ETKF方法,对大气真实状态的表征能力不及后者;两种扰动方法的集合平均都明显改善了台风“苏拉”的路径预报结果,尤其是控制预报在福建沿海第二次登陆后移速过快的问题,但对台风登陆位置预报的改进不明显;此外,采用ETKF方法的集合平均对台风“苏拉”路径预报的改进效果远优于采用BGM方法的集合平均预报。

关键词：台风“苏拉”;BGM;ETKF;集合预报;路径预报

Comparative experiments of ensemble forecasting of

0引言

Lorenz(1963a,1963b,1963c;1965)提出,大气是一个混沌系统,数值预报对大气初始状态具有高度的敏感性。即便模式变得更为完善,由于模式和初始条件存在无法避免的误差,数值模式的预报技巧依然有限。初始状态的不确定性,可能使数值预报结果在较短的预报时间段内远离真实大气(Toth,1991,2001;Lorenz,1995)。Leith(1974)将Lorenz的非线性理论与Epstein(1969)的动力随机预报理论相结合,提出了集合预报理论。

集合预报通过对初始状态的误差范围估计,给出初值集合,再根据这个初始状态集合,通过数值模式计算得到集合中各初值元素相应的预报结果,组成预报结果集合。在得到预报结果集合后,通过对预报结果集合的信息提取分析,最终得到预报产品(陈静等,2002;段明铿和王盘兴,2004)。在集合预报中,需要生成一些微小的扰动叠加到原始场上,包括动力场、热力场等。集合预报扰动方法是其核心问题,扰动质量的好坏直接影响到集合预报的质量(陈静等,2002;张涵斌等,2014a,2014b)。近年来,集合预报理论不断发展,各种集合扰动方法也层出不穷(Toth and Kalnay,1993,1997;Buizza and Palmer,1995;Bishop et al.,2001;Ma et al.,2009)。大量研究表明,集合预报的预报技巧明显高于单样本预报,且模式分辨率的提高在一定程度上有助于改进预报效果(段明铿等,2012;孙照渤等,2013;朱春子等,2013;孙晶,2014;滕华超等,2014)。

对于使用增长模繁殖法(Breeding of Growing Modes,BGM)的集合预报系统,已有研究表明,扰动增长模在繁殖3～4 d后即可呈现明显的饱和特征,不同变量扰动增长模的饱和时间有所差别,同一变量在不同等压面上饱和时间亦不同步,不同的初始模大小也会对扰动饱和过程产生影响(于永锋和张立凤,2005)。智协飞等(2015)基于WRF(Weather Research and Forecasting)模式,使用BGM方法建立了一个台风集合预报系统,并将集合预报结果与TIGGE(Thorpex Interactive Grand Global Ensemble)资料所提供的多个中心的预报进行集成,集成结果始终表现出较好的预报性能,显著减小了预报误差。

马旭林等(2008)研究建立了基于集合卡尔曼变换(Ensemble Transform Kalman Filter,ETKF)方法产生集合初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction System)全球集合预报系统。结果表明,ETKF全球集合初始扰动能够较好地反映分析误差方差的主要模态结构和扰动振幅,并具有比较合理的集合离散度,整个集合预报系统显示出良好的发展前景和应用潜力。Zhang et al.(2015a,2015b)基于中国国家气象局区域模式(GRAPES-Meso)集合预报系统,分析比较了ETKF初值扰动方法和降尺度方法,结果表明ETKF扰动能够充分表现真实大气的发展趋势,并有效提高了GRAPES-Meso区域集合预报系统的预报技巧。

针对台风路径的预报,Zhi et al.(2011)的研究表明,单模式的预报结果一般误差较大,而多模式集成预报能够显著改善台风路径的预报技巧。同时,周文友和智协飞(2012)使用多模式加权消除偏差集合平均方法,有效改进了台风路径的预报效果。最近,He et al.(2015)利用卡尔曼滤波方法所做的多模式集成预报,对台风的路径和强度预报也都有明显改进。

本文分别采用ETKF和BGM方法作为初始扰动方案,建立基于WRF模式的集合预报系统,并进行2012年09号台风“苏拉”(国际编号1209)的路径集合预报试验,对各要素场的预报效果进行检验,并对两种方法所做的台风路径预报效果进行对比分析,为今后中尺度集合预报初始扰动方法的选取提供参考依据。

1资料与方法

1.1资料

本文使用美国国家环境预报中心(NCEP)/国家大气研究中心(NCAR)提供的FNL再分析资料生成分析场作为初值进行控制预报,以及集合预报过程中WRF模式的启动和侧边界条件的更新,所取时间为2012年7月27日到8月5日(世界时,下同),时间间隔6 h,分辨率为1°×1°。

同时,选取美国联合台风警报中心(the Joint Typhoon Warning Center,JTWC)的逐6 h热带气旋资料,用于对预报技巧的评估与对预报的检验。

1.2方法

1.2.1增长模繁殖法

增长模繁殖法以NCEP为代表,在已有数值预报模式的基础上,通过模式的繁殖循环捕获最快增长模,然后产生集合预报的初始扰动(Toth and Kalnay,1993,1997;关吉平等,2003;关吉平和张立凤,2006)。在实际计算中,BGM首先对初始场叠加一个随机扰动,再运用模式对其进行一定时段的预报,将控制预报减去扰动预报的差值调整后作为下一次计算的扰动量,如此循环反复使用,最终生成初始场。通过这种误差的循环增长,可以使高速增长型误差的比重不断增大直至饱和。

1.2.2集合卡尔曼变换方法

根据集合卡尔曼变换理论(Bishop et al.,2001),Wang and Bishop(2003)发展了用集合卡尔曼变换方法生成初始扰动进行集合预报的方法。ETKF方法最早是针对适应性观测问题提出的,后被用于集合预报中生成初始扰动场(Wei et al.,2006;Ma et al.,2009;马旭林等,2014)。他用集合扰动近似表示预报和分析误差的协方差矩阵,从而构造集合初始扰动。理论上,ETKF初始扰动方法产生的集合扰动在观测空间具有等概率分布的特征,其计算量一般较小。

1.2.3相对技巧评分

在均方根意义上,集合预报系统的表现可用相对技巧评分(Relative Skill Score,RSS)定量表示:

(1)

式中:SRSS表示RSS;Ectl和Eens分别表示控制预报和集合平均预报的误差。SRSS是无量纲量。SRSS为正值,表明集合平均预报的误差水平低于控制试验预报值的误差水平,表示集合平均预报能够改善控制预报;反之,若SRSS为负值,则说明控制试验预报值的结果要优于集合成员预报的平均值。

1.2.4离散度

离散度(Ensemble Spread)是指扰动预报与集合平均预报之间的平均距离,反映他们的总体差异大小。离散度一般可用各个集合成员与集合平均预报的均方根误差(Root Mean Square Error,RMSE)度量,其计算公式为:

(2)

式中:SES表示离散度;N为集合成员数;fi(t)和fm(t)分别表示集合成员预报和集合平均预报,“——”表示格点平均。离散度可以用来度量集合预报的不确定性,离散度较集合平均的RMSE增长偏慢将使集合成员漏掉大气真实状态的概率增大,在随后的预报中再次捕获真实大气的概率则降低。

1.2.5Talagrand分布

Talagrand et al.(1997)认为,原则上集合成员具有相同的可能性代表未来的天气状况,即实况值落在各个成员附近的概率是相等的,判断一个好的集合预报系统的标准是每个预报成员发生的概率都是相同的。

Talagrand分布的基本原理为:在某一预报时效,某格点上N个集合成员对某要素的预报值按从小到大的顺序排列记为x1≤x2≤…≤xN,则观测值xa必定落在(N+1)个区间的某个区间内。假设样本数足够多,那么观测值落在xi和xi+1之间的概率fi应趋于平均概率,即f(xa≤x1)=f(x1≤xa≤x2)=…=f(xN≤xa)=1/(N+1)。

因此,Talagrand分布可以用来检验集合预报的可靠性,并能够度量集合预报的离散度适宜性和成员等同性。理想的Talagrand分布是一条平直的水平线,但目前大多数情况下,落在两端的概率要比落在中间的概率稍大,说明集合预报成员间的离散程度不够。这是目前集合预报的普遍问题,也是影响集合预报系统效果的一个较为关键的问题。

2模式方案

2.1模式与物理过程参数化方案

本文使用中尺度WRF模式V3.6.1版本,采用双重嵌套网格,区域中心分别位于(120°E,35°N)和(117°E,32°N),垂直方向为28层。粗网格格距为30 km,格点数为371×260;细网格格距为10 km,格点数为190×304。模式顶为50 hPa,内外两层采用相同的参数化方案(表1)。

表1WRF模式所采用的物理过程参数化方案

Table 1Parameterization schemes of physical processes used in the WRF model

物理过程参数化方案短波辐射Dudhia长波辐射RRTM云物理过程Lin积云对流浅对流Kain-Fritsch(newEta)边界层YSU近地面MM5Monin-Obukhov陆面过程Noah陆面参数化

集合预报起报时刻为2012年8月1日12时,时间步长为60 s,共积分48 h。外层网格数据每6 h输出一次,内层网格数据每3 h输出一次。控制预报以FNL资料生成分析场作为初值进行常规预报,侧边界条件每6 h更新一次。

2.2集合预报扰动方案

2.2.1BGM方法

采用BGM方法对动力场、热力场和湿度场进行初始扰动,扰动步骤具体如下(Toth and Kalnay,1993,1997;关吉平等,2003):

1)选取NCEP/NCAR的2012年7月29日12时的FNL资料得到模式的分析场,对分析场的纬向风U、经向风V、位温T、水汽Q和位势高度Z,分别加上和减去一个正态分布的随机扰动,输入到模式中进行循环积分;

2)繁殖模为加扰预报与减扰预报的差值除以2,经尺度调整到与初始误差相同量级,取繁殖循环的周期为6 h,繁殖时长为72 h,到8月1日12时得到最快增长模,并分别在该时次的模式分析场上加上和减去这个最快增长模,就能得到一个加扰场和一个减扰场;

3)再取6次不同的随机扰动进行上述过程,就可以得到总共7个加扰场和7个减扰场,共14个扰动初始场,将其输入到模式中积分48 h,得到14个集合预报成员;

4)对这14个集合预报成员与控制预报求取数学平均,即得到BGM方法集合平均预报。

2.2.2ETKF方法

采用ETKF方法对动力场、热力场和湿度场进行初始扰动,扰动步骤具体如下(Wang and Bishop,2003;马旭林等,2008;Ma et al.,2009):

1)选取NCEP/NCAR的2012年7月27日00时的FNL资料得到模式的分析场,用蒙特卡罗法生成14组小扰动,同样叠加到模式分析场的U、V、T、Q和Z上,即得到该时刻的14个随机扰动初值场;

2)将得到的14个扰动初值场输入到模式中,积分12 h得到27日12时的12 h预报场,将14个成员预报与集合平均预报相减得到该时刻的12 h预报扰动,由卡尔曼滤波公式计算出变换矩阵和放大因子,这样就可以由预报扰动得到经过ETKF更新的27日12时的14个分析扰动,将这14个分析扰动加到模式分析场上,即得到27日12时的14个扰动初值场。

3)重复上述做法,经过4天的循环,到8月1日12时放大因子趋于稳定,得到14个较为合理稳定的扰动初始场,将其输入到模式中积分48 h,得到14个集合预报成员;

4)对这14个集合预报成员与控制预报求取数学平均,即得到ETKF方法集合平均预报。

3集合预报效果检验

3.1RSS检验

根据500 hPa高度上纬向风场(U)、温度场(T)和位势高度场(Z)的RSS随时间的变化(图1),可以看到,在48 h预报时效内,两种集合预报初始扰动方法对上述三个变量的RSS均呈现出正技巧,集合成员预报平均值优于控制试验预报结果。同时,随着预报时间的延伸,U和T的RSS有所减小,Z的RSS明显增大,且整体大于U和T,即集合平均预报对Z的改进幅度要大于U和T。

由两种扰动方法集合平均预报对500 hPa高度U、T和Z场的RSS最小值、最大值与平均值的对比(表2)可以看到,对U和T而言,ETKF的RSS最大、最小、平均值均大于BGM方法,且幅度明显,而对于Z的预报结果,尽管ETKF方法的RSS极值小于BGM,但其均值依然大于BGM方法的RSS均值。因此可以认为,ETKF方法对U、T和Z的预报效果均优于BGM方法,且对U和T预报技巧的优势尤为明显。

图1　基于BGM与ETKF初始扰动方法的集合平均预报对500 hPa上U(a)、T(b)、Z(c)场的RSS随预报时效的变化Fig.1　RSS variations of (a)U,(b)T and (c)Z at 500 hPa with the forecast lead time by ensemble forecasts based on the initial perturbation methods of BGM and ETKF

表2基于BGM与ETKF初始扰动方法的集合平均预报对500 hPa上U、T和Z场的RSS最小值、最大值及平均值

Table 2RSS minimum,maximum and mean values of U,T and Z at 500 hPa with the forecast lead time by ensemble forecasts based on the initial perturbation methods of BGM and ETKF

%

3.2Talagrand分布

根据BGM初始扰动方法集合预报结果中12、24、48 h预报各高度层U、T、Z的Talagrand分布情况(图略),在三个预报时效中,U和T的Talagrand分布形态在各个高度层均呈“U”型,Z的Talagrand分布形态在高层呈“L”型,中层呈“U”型,低层呈反“L”型。三个预报时效的U、T、Z的Talagrand分布显示,集合预报系统对高层气象要素的离散程度要好于低层。

图2为ETKF初始扰动方法的集合预报12、24、48 h预报时效各高度层U、T和Z的Talagrand分布,平均概率为0.063。在12 h预报中,U和T的Talagrand分布形态高层呈“U”型,中低层呈“L”型,在中低层集合成员的U和T的预报值整体较观测值偏大,Z的Talagrand分布呈高层“L”型,中层“U”型,低层为反“L”型,说明集合成员对Z的预报值在高层整体较观测值偏大,在低层则较观测值偏小;在24 h预报中,U的Talagrand分布在各个高度层均呈“U”型,T和Z的Talagrand分布与12 h预报结果类似;在48 h预报中,U的Talagrand分布形态在各个高度层仍呈“U”型,T的Talagrand分布主要呈“L”型,说明在整层大气中集合成员对T的预报值均偏大,而集合成员对Z的预报值在高层偏大,低层偏小。

在两种初始扰动方法所得到U、T和Z集合预报的Talagrand分布中,漏报概率都大于平均概率,且高层的漏报概率要小于低层,说明集合预报系统离散度存在不足,但高层的离散度要优于低层。同时,对比发现,BGM方法在各预报时效各高度层的漏报概率均明显大于ETKF方法的结果。因此,采用ETKF方法的集合预报系统的离散度要优于采用BGM方法的集合预报系统。

图2　基于ETKF初始扰动方法的集合预报系统对200、500、850 hPa上U、T、Z的12(a1、a2、a3)、24(b1、b2、b3)、48(c1、c2、c3)h预报的Talagrand分布Fig.2　Talagrand distributions of U,T and Z for forecast lengths of (a1,a2,a3)12,(b1,b2,b3)24 and (c1,c2,c3)48 h at 200,500 and 850 hPa in the ensemble forecast system based on the initial perturbation method of ETKF

3.3离散度

从850 hPa高度上U、T、Z的离散度和RMSE随预报时间的变化情况(图3)可以看到,BGM和ETKF集合预报系统中,对流层低层U和T的离散度随预报时间的增长均较集合平均的RMSE的增长偏慢,Z的离散度随预报时间的增长与集合平均RMSE的增长较为接近。低层U和T的离散程度有所不足,Z的离散程度则较大,各集合成员对低层Z的预报值可以较好地表现大气的真实状态。同时,采用BGM方法的低层U、T和Z的离散度增长速度均比采用ETKF方法的增长速度慢。

通过比较控制预报、分别基于BGM和ETKF初始扰动方法的集合平均预报三种预报结果的RMSE可以看出,两种集合平均相对控制预报均有所改进。对U和T,BGM方法集合平均对控制预报的改进程度有限,ETKF的改进较为明显;同时,两种集合预报初始扰动方法对Z的预报改进均较为显著,ETKF方法优于BGM方法。总体而言,在表现大气低层要素场真实状态的能力方面,BGM方法所得到的集合扰动成员不及ETKF方法,且在预报误差方面,ETKF方法集合平均的RMSE小于BGM方法,即对要素场的预报误差较小。

3.4集合预报效果对比

采用BGM或ETKF初始扰动的集合平均预报对U、T、Z的预报效果均优于控制预报。ETKF方法的预报改进程度较BGM方法更大,且对U和T预报技巧的优势尤为明显。

同时,两种集合预报系统对U、T和Z都表现为,在高层的离散程度好于低层,低层U和T的离散度较小,Z的离散度较大,但采用BGM方法的集合预报系统的离散度小于采用ETKF方法。综上,ETKF方法较BGM方法能更好地表现出大气的真实状态。

4台风路径预报结果分析

4.1台风实况与路径预报结果

1209号台风“苏拉”于7月28日00时在菲律宾马尼拉以东630 km处(126.8°E,14.4°N)的西北太平洋洋面上生成,生成之后开始向北偏西方向移动,强度不断增强,于30日06时加强为台风,8月1日14时进一步发展为强台风。8月1日19时15分前后,“苏拉”在台湾花莲市秀林乡沿岸首次登陆,登陆时中心附近最大风力达到14级(42 m/s)。登陆后的“苏拉”很快减弱,沿台湾东部北上,于2日07时又转向西北方向移动,并于当日22时50分前后在福建省福鼎市秦屿镇沿海第二次登陆。台风登陆后向偏西方向移动,继续深入福建,3日02时降为热带风暴,最终穿过福建北部在江西境内减弱。

根据控制预报、BGM方法集合平均及各个集合成员48 h路径预报(图4a)可以看到,BGM扰动成员预报路径之间保持了一定的离散度,但集合成员未能将实况路径包含其中,多数成员的预报路径位于实况路径以南。BGM集合平均预报尽管改善了控制预报在福建沿海二次登陆后移速过快的问题,但对登陆位置改进不明显,集合平均对台风初始位置的预报略优于控制预报。

图3　基于BGM与ETKF初始扰动方法的集合平均预报对850 hPa上U(a)、T(b)和Z(c)的离散度和均方根误差随预报时效的变化(菱形标记:均方根误差;圆形标记:离散度;黑色实线:控制预报;蓝色实线:基于BGM扰动的集合平均预报;红色实线:基于ETKF扰动的集合平均预报)Fig.3　Ensemble spread and RMSE variations of (a)U,(b)T and (c)Z at 850 hPa with the forecast lead time by ensemble forecasts based on the initial perturbation methods of BGM and ETKF(RMSEs are marked with diamond-shape,while the ensemble spreads are marked with circular-shape.The black lines refer to the control forecasts,while the ensemble mean forecasts based on BGM and ETKF are marked with blue and red lines,respectively)

图4　台风“苏拉”(1209)的路径实况与基于BGM(a)和ETKF(b)初始扰动方法的48 h路径集合预报(红线:JTWC实况路径;绿线:控制预报;蓝线:集合平均预报;黄线:14个集合成员的预报)Fig.4　The observed track of Typhoon Saola(1209) and the track ensemble forecasts of 48 h lead time based on the initial perturbation methods of (a)BGM and (b)ETKF(The JTWC observations,the control forecast and the ensemble mean forecasts are marked with red,green and blue lines,respectively,while the yellow lines refer to predictions of 14 ensemble members)

由控制预报、ETKF方法集合平均及各个集合成员48 h路径预报(图4b),各集合成员预报路径之间保持了相当的离散度,集合成员路径的可能范围将实况及控制预报的路径都包含在内,但与BGM方法集合成员类似的是,大部分成员预报路径较实况路径偏南。对于路径预报,ETKF集合平均较控制预报和BGM方法集合预报都更接近实况,集合平均预报的台风起始位置也更接近实况位置,在台风移出台湾后,集合平均预报的路径要明显好于控制预报。从控制预报与ETKF集合平均预报结果都可以看到“苏拉”台风在台湾北部的一个向南转折过程,在台湾东北部的首次登陆地点两者较接近。在台湾登陆后,控制预报与集合平均预报路径相对于实况均偏南,但集合平均预报的路径要明显好于控制预报与BGM集合预报,集合平均预报的第二次登陆位置也明显更优,更接近JTWC实况。

4.2台风路径预报结果对比

从图5可以看到,BGM集合平均对台风初始位置的预报结果相对于控制预报的改进十分明显,误差减小了52%。控制预报在24、36、48 h的路径预报误差分别为64、102、152 km,而集合平均预报在24、36、48 h的路径预报误差分别为56、86、120 km,BGM集合平均相对于控制预报,误差分别减小了15、10、21%。

图5　控制预报与基于BGM和ETKF初始扰动方法的集合平均路径预报的误差随预报时效的变化(灰色柱:控制预报;蓝色柱:基于BGM扰动的集合平均预报;红色柱:基于ETKF扰动的集合平均预报)Fig.5　The track prediction error variations with the forecast lead time by the ensemble forecasts in the control forecast and those based on the initial perturbation methods of BGM and ETKF(The gray columns refer to the control forecasts,while the ensemble forecasts based on BGM and ETKF are marked with blue and red columns,respectively)

ETKF集合平均路径预报的误差除06和18 h时效预报外均明显小于控制预报和BGM集合平均预报误差,且24 h时效后,ETKF集合平均的改进效果显著。对于台风初始位置的预报,ETKF集合平均较BGM集合平均比控制预报有更为明显的改进,误差相比于控制预报减小了72%。ETKF集合平均预报在24、36、48 h的路径预报误差分别为33、56、85 km,集合平均的误差相对控制预报分别减小了48、46、44%,对控制预报的改进程度较BGM集合平均更优。

总体而言,基于BGM和ETKF两种初始扰动方法的集合平均预报均明显改善了台风“苏拉”的路径预报,但相较之下,采用BGM方法的集合平均预报效果不如采用ETKF的集合平均预报。随着预报时效的延长,ETKF方法较BGM方法的优势更加明显。

5结论与讨论

本文分别采用了BGM与ETKF方法作为初始扰动方案,建立了基于WRF模式的集合预报系统,进行了台风“苏拉”的路径集合预报试验,对纬向风场(U)、温度场(T)和位势高度场(Z)的预报效果进行检验,并对台风的路径预报效果进行对比分析,得到如下几点结论:

1)基于BGM初始扰动方案的WRF模式台风集合预报系统,只能在最快增长模方向上保持集合预报误差方差。ETKF方法克服了BGM方法中分析误差方差固定不变及其扰动难以保持正交性的不足。

2)低层U、T和Z的离散度均优于高层,其中U和T的离散度略有不足,Z的离散度较大,在一定程度上能够表现大气的真实状态。另一方面,BGM方法所得到的集合成员离散度小于ETKF方法,对大气真实状态的表征能力不及后者。采用BGM或者ETKF初始扰动方法的集合平均预报对U、T、Z的预报效果均优于控制预报。ETKF方法的预报改进程度较BGM方法更大,且对U和T预报技巧的优势尤为明显。

3)基于两种扰动方法的集合平均都明显改善了台风“苏拉”的路径预报,尤其是控制预报在福建沿海第二次登陆后移速过快的问题,但对台风登陆位置并无明显改进。同时,采用ETKF方法的集合平均预报对台风“苏拉”路径的改进效果优于采用BGM方法的集合平均预报。

本文主要考察ETKF与BGM两种集合预报初始扰动方法对1209号台风“苏拉”路径预报的改进效果,因此在模式积分的初始场上未加Bogus,也未对气旋初始位置进行调整。在构建集合预报系统时,本文仅考虑了初始场不确定性,并未考虑模式不确定性,并且不同物理参数化方案组合、模式分辨率、集合成员个数等对台风路径集合预报的影响还有待进一步研究。

参考文献(References)：

Bishop C H,Etherton B J,Majumdar S J.2001.Adaptive sampling with the ensemble transform Kalman filter.Part I:Theoretical aspects[J].Mon Wea Rev,129(3):420-436.

Buizza R,Palmer T N.1995.The singular-vector structure of the atmospheric global circulation[J].J Atmos Sci,52(9):1434-1456.

陈静,陈德辉,颜宏.2002.集合数值预报发展与研究进展[J].应用气象学报,13(4):497-507.Chen Jing,Chen Dehui,Yan Hong.2002.A brief review on the development of ensemble prediction system[J].J Appl Meteor Sci,13(4):497-507.(in Chinese).

段明铿,王盘兴.2004.集合预报方法研究及应用进展综述[J].南京气象学院学报,27(2):279-288.Duan Mingkeng,Wang Panxing.2004.Advances in researches and applications of ensemble prediction[J].J Nanjing Inst Meteor,27(2):279-288.(in Chinese).

段明铿,王盘兴,李驰钦.2012.NCEP集合预报系统在亚欧和北美区域的预报效果对比[J].大气科学学报,35(6):641-651.Duan Mingkeng,Wang Panxing,Li Chiqin.2012.Comparisons on forecast performance of NCEP ensemble prediction system between Eurasia and North America regions[J].Trans Atmos Sci,35(6):641-651.(in Chinese).

Epstein E S.1969.Stochastic dynamic prediction[J].Tellus,21(6):739-759.

关吉平,张立凤.2006.基于增长模繁殖法的集合预报试验[J].气象科学,26(3):272-278.Guan Jiping,Zhang Lifeng.2006.Ensemble forecasting experiments based on the BGM method[J].Scientia Meteor Sinica,26(3):272-278.(in Chinese).

关吉平,黄泓,张立凤.2003.集合预报中初始扰动生成方法的探讨[J].解放军理工大学学报:自然科学版,4(2):87-90.Guan Jiping,Huang Hong,Zhang Lifeng.2003.Methods of producing initial perturbations in ensemble forecast[J].Journal of PLA University of Science and Technology,4(2):87-90.(in Chinese).

He C F,Zhi X F,You Q L,et al.2015.Multi-model ensemble forecasts of tropical cyclones in2010 and 2011 based on the Kalman filter method[J].Meteor Atmos Phys,127(4):467-479.

Leith C E.1974.Theoretical skill of Monte Carlo forecasts[J].Mon Wea Rev,102(6):409-418.

Lorenz E N.1963a.Deterministic nonperiodic flow[J].J Atmos Sci,20(2):130-141.

Lorenz E N.1963b.The mechanics of vacillation[J].J Atmos Sci,20(5):448-465.

Lorenz E N.1963c.The predictability of hydro-dynamic flow[J].Transactions of the New York Academy of Sciences,2(25):409-432.

Lorenz E N.1965.A study of the predictability of a 28-variable atmospheric model[J].Tellus,17(3):321-333.

Lorenz E N.1995.The essence of chaos[M].Washington:University of Washington Press.

马旭林,薛纪善,陆维松.2008.GRAPES全球集合预报的集合卡尔曼变换初始扰动方案初步研究[J].气象学报,66(4):526-536.Ma Xulin,Xue Jishan,Lu Weisong.2008.Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction[J].Acta Meteor Sinica,66(4):526-536.(in Chinese).

Ma X L,Xue J S,Lu W S.2009.Study on ETKF-based initial perturbation scheme for GRAPES global ensemble prediction[J].J Meteor Res,23(5):562-574.

马旭林,于月明,姜胜,等.2014.基于集合卡尔曼变换的目标观测敏感区识别系统优化及影响试验[J].大气科学学报,37(6):749-757.Ma Xulin,Yu Yueming,Jiang Sheng,et al.2014.Optimization and influence experiment to identify sensitive areas for target observations on ETKF method[J].Trans Atmos Sci,37(6):749-757.(in Chinese).

滕华超,杨军,刘端阳,等.2014.基于WRF和一维雾模式的能见度集合预报的个例研究[J].大气科学学报,37(1):99-107.Teng Huachao,Yang Jun,Liu Duanyang,et al.2014.Ensemble forecast of visibility based on WRF and one-dimensional fog model:A case study[J].Trans Atmos Sci,37(1):99-107.(in Chinese).

孙晶.2014.基于ETKF初始扰动方案的台风路径和强度集合预报试验研究[D].南京:南京信息工程大学.Sun Jing.2014.Ensemble forecasting of TC track and intensity based on ETKF initial perturbation scheme[D].Nanjing:Nanjing University of Information Science and Technology.(in Chinese).

孙照渤,谭桂容,赵振国,等.2013.中国东部夏季雨型的人工神经网络集合预测[J].大气科学学报,36(1):1-6.Sun Zhaobo,Tan Guirong,Zhao Zhenguo,et al.2013.Ensemble prediction of summer rainfall patterns over eastern China based on artificial neural networks[J].Trans Atmos Sci,36(1):1-6.(in Chinese).

Talagrand O,Vautard R,Strauss B.1997.Evaluation of probabilistic prediction systems[C]//Proceedings ECMWF Workshop on Predictability:1-25.

Toth Z.1991.Estimation of atmospheric predictability by circulation analogs[J].Mon Wea Rev,119(1):65-72.

Toth Z,Kalnay E.1993.Ensemble forecasting at NMC:The generation of perturbations[J].Bull Amer Meteor Soc,74(12):2317-2330.

Toth Z,Kalnay E.1997.Ensemble forecasting at NCEP and the breeding method[J].Mon Wea Rev,125(12):3297-3319.

Toth Z,Zhu Y,Marchok T.2001.The use of ensembles to identify forecasts with small and large uncertainty[J].Wea Forecasting,16(4):463-477.

Wang X G,Bishop C H.2003.A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes[J].J Atmos Sci,60(9):1140-1158.

Wei M,Toth Z,Wobus R,et al.2006.Ensemble transform Kalman filter-based ensemble perturbations in an operational global prediction system at NCEP[J].Tellus A,58(1):28-44.

于永锋,张立凤.2005.基于增长模繁殖法的集合预报初始扰动饱和分析[J].大气科学,29(6):955-964.Yu Yongfeng,Zhang Lifeng.2005.A study of initial perturbation saturation in ensemble prediction based on the "Breeding of Growing Modes" method[J].Chinese J Atmos Sci,29(6):955-964.(in Chinese).

张涵斌,陈静,智协飞,等.2014a.GRAPES区域集合预报系统应用研究[J].气象,40(9):1076-1087.Zhang Hanbin,Chen Jing,Zhi Xiefei,et al.2014a.Study on the application of GRAPES regional ensemble prediction system[J].Meteor Mon,40(9):1076-1087.(in Chinese).

张涵斌,陈静,智协飞,等.2014b.基于GRAPES_Meso的集合预报扰动方案设计与比较[J].大气科学学报,37(3):276-284.Zhang Hanbin,Chen Jing,Zhi Xiefei,et al.2014b.Design and comparison of perturbation schemes for GRAPES_Meso based ensemble forecast[J].Trans Atmos Sci,37(3):276-284.(in Chinese).

Zhang H B,Chen J,Zhi X F,et al.2015a.A comparison of ETKF and downscaling in a regional ensemble prediction system[J].Atmosphere,6(3):341-360.

Zhang H B,Chen J,Zhi X F,et al.2015b.Study on multi-scale blending initial condition perturbations for a regional ensemble prediction system [J].Adv Atmos Sci,32(8):1143-1155.

智协飞,孙晶,周文友.2015.2009年夏季西太平洋台风的集合预报和多模式集成预报试验[J].大气科学学报,38(5):633-640.Zhi Xiefei,Sun Jing,Zhou Wenyou.2015.Ensemble and multimodel ensemble forecasts of western Pacific typhoons during summer 2009[J].Trans Atmos Sci,38(5):633-640.(in Chinese).

Zhi X F,Zhou W Y,Xu Z.2011.Multi-model Ensemble Forecasts of the TC Tracks over the Western Pacific Using the TIGGE Dataset[C]//The 3rd International Conference on Information Science and Engineering.Yangzhou,China.4173-4176.

周文友,智协飞.2012.2009年夏季西太平洋台风路径和强度的多模式集成预报[J].气象科学,32(5):492-499.Zhou Wenyou,Zhi Xiefei.2012.Multimodel ensemble forecasts of the TC tracks and intensity over the western Pacific during the summer of 2009[J].J Meteor Sci,32(5):492-499.(in Chinese).

朱春子,李清泉,王兰宁,等.2013.基于T106L26全球大气环流模式的夏季集合预报[J].大气科学学报,36(2):192-201.Zhu Chunzi,Li Qingquan,Wang Lanning,et al.2013.An ensemble forecast for summer with a global atmospheric general circulation model T106L26[J].Trans Atmos Sci,36(2):192-201.(in Chinese).

(责任编辑：孙宁)

孙晓娟,王盘兴,汪学良.2015.冬季北半球大气活动中心的环流指数及其应用[J].大气科学学报,38(6):785-795.doi：10.13878/j.cnki.dqkxxb.20150403001.

Sun Xiao-juan,Wang Pan-xing,Wang Xue-liang.2015.Circulation indices of atmospheric centers of action and their applications during boreal winter[J].Trans Atmos Sci,38(6):785-795.(in Chinese).

typhoon Saola(1209) based on BGM and

ETKF,Part Ⅰ:Track forecast

ZHI Xie-fei1,2,ZHU Shou-peng1,SUN Jing3,WANG Yu-hong1,HU Hang-fei4

(1.School of Atmospheric Sciences,NUIST,Nanjing 210044,China;

2.Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters,Nanjing 210044,China;

3.Shandong Meteorological Bureau,Jinan 250031,China;4.Anyang Meteorological Bureau of Henan Province,Anyang 455000,China)

Abstract:Based on the FNL reanalysis data and U.S. Joint Typhoon Warning Center(JTWC) tropical cyclone data,the WRF(Weather Research and Forecasting) model is employed to establish the ensemble prediction system for the typhoon Saola(1209) based on the initial perturbation methods of Breeding of Growing Mode(BGM) and Ensemble Transform Kalman Filter(ETKF),respectively.The ensemble forecasting experiments for the typhoon track are conducted.It is detected that the ensemble mean forecasting results using either BGM or ETKF perform much better than control forecasting results in the aspects of wind,temperature and geopotential height fields.And the ETKF method is superior to the BGM method,especially in the aspects of wind and temperature fields.Results show that the dispersions of ensemble forecast system using BGM method are smaller than those using ETKF method.The BGM ensemble forecast system has a fairly limited ability to describe the whole atmosphere.Additionally,the ensemble mean track forecasts based on BGM and ETKF are both superior to the control forecast,and well manage the problem of faster speed after the second landfall in Fujian coast for the control forecast.However,for the landfall location,the predictions by means of the two methods are not so satisfactory.In addition,the ETKF method is considerably better than the BGM method in the ensemble track prediction of typhoon Saola.

Key words:typhoon Saola;BGM;ETKF;ensemble forecast;track forecast

通信作者：孙晓娟,博士,讲师,研究方向为大气环流异常与短期气候预测,sxjzy709@nuist.edu.cn.

基金项目:民用航空气象中心开放课题(KDQC1304);国家自然科学基金资助项目(71503134);公益性行业(气象)科研专项(GYHY201106019);江苏高校优势学科建设工程资助项目(PAPD)

收稿日期：2015-04-03；改回日期：2015-06-02

doi：10.13878/j.cnki.dqkxxb.20150420002

中图分类号：

文章编号：1674-7097(2015)06-0776-09P456.7

文献标志码：A