多模式集成释用在广东智能网格温度预报中的应用评估

2020-09-08时洋吴乃庚罗聪黄晓莹张兰袁宇东涂静

广东气象 2020年4期

时洋，吴乃庚，2，罗聪，黄晓莹，张兰，袁宇东，涂静

（1.广东省气象台，广东广州 510640；2.广东省生态气象中心，广东广州 510640；3.广州市气象局，广东广州 511430）

广东省是全国最早开展数字网格天气预报业务的省份。2008年发展基于格点的交互订正预报平台研发，2015年完成省市联动的网格预报业务运行，逐步形成一套完整的精细化智能网格预报业务体系，为公众服务和政府决策提供了强有力的支撑。智能网格预报技术的发展和完善离不开数值模式的评估和释用。受到观测和模式计算误差等影响，数值模式常具有一定偏差，需经统计后处理减小预报偏差以提高其预报技巧。多模式集成较单一模式的模式输出统计方法具有输出结果稳定、预报技巧更优以及预报偏差较小等特点［1-2］。赵声蓉等［3］利用BP神经网络建立基于国家气象中心多模式集成方法的温度预报系统，集成效果明显优于单一模式；智协飞等［4］利用交互式全球大集合预报系统（TIGGE）资料，发现滑动训练期超级集合预报方法优于其他多模式集成方法；罗聪等［5］对比了多种基于站点的日极端气温多模式集成算法，消除偏差加权集成算法的集成效果最佳；吴乃庚等［6］考虑了地形影响、过去误差、权重集成等，建立的温度多模式动态权重集成方案已成为支撑广东智能网格温度预报的主要客观技术。

科学检验评估是预报技术改进和业务应用的关键环节。随着参与集成模式的不断更替以及广东智能网格业务平台的进一步完善，温度多模式集成技术也进行了多次方案调整和产品升级。本研究对温度多模式集成产品重新进行系统性检验评估，从预报评分的角度评价其业务参考价值，从误差空间分布特征的角度讨论其在区位上的优劣，从天气分类的角度分析其适用性，以期为该产品在业务预报中的合理应用和释用技术的针对性改进提供科学参考。

1 资料和方法

本研究参与集成预报的模式包含欧洲中期天气预报中心的全球模式（ECMWF，水平分辨率0.125°×0.125°，预报时效0～240 h）、美国国家环境预报中心的全球模式（NCEP，水平分辨率0.5°×0.5°，预报时效0～240 h）、国家气象中心区域模式（GRAPES＿MESO，水平分辨率0.1°×0.1°，预报时效0～72 h）和广东省区域数值天气预报重点实验室的区域模式（TRAMS，水平分辨率0.03°×0.03°，预报时效0～96 h）。观测资料使用广东省国家级自动站日最高、最低气温（20：00—20：00，北京时）作为集成方法的观测实况。

温度多模式集成业务流程主要包含实时检验、权重计算、格点释用和权重加权4个步骤［6］。具体来说，首先根据参与集成模式最近一周的预报表现，分析各模式的平均绝对误差空间分布，计算各站点不同模式的加权系数，在对加权系数进行气候分区和地形订正等格点释用后，再将最新模式起报产品加权集成得到温度多模式集成产品，具体流程如图1所示。

图1 广东省多模式集成温度网格释用业务技术流程示意图

温度多模式集成产品（MULT）空间分辨率为0.025°×0.025°，每天2次起报（00：00和12：00（UTC，下同）），预报时效为0～240 h，其中前0～72 h为上述4模式同时进行集成，96～240 h仅由ECMWF和NCEP全球模式进行集成。为避免因模式更新对评估结果造成影响，本研究对TRAMS最近一次更新后的温度多模式集成产品（2019年9月—2020年6月）进行评估和分析，同时为了保证各预报时效间的可比性和参与集成模式的一致性，分析12：00起报的0～72 h预报时效的集成产品。

根据中国气象局《中短期天气预报质量检验办法》，本研究主要使用的评估参数有平均绝对误差（MAE）、平均相对误差（ME）、预报准确率和预报技巧。

2 温度多模式集成的应用效果

温度多模式集成的应用效果分析包含整体预报性能评估、预报误差空间分布特征分析和不同类型天气过程的适用性分析。其中整体预报性能评估从业务考核评分的角度分析各模式和集成产品的预报表现；预报误差空间分布特征分析通过对比平均绝对误差和相对误差的空间分布讨论各模式及集成产品在空间区位的优劣；不同类型天气过程的适用性分析尝试总结多模式集成在表现较优和较差过程中的预报特征。

2.1 整体预报性能评估

从2019年9月至2020年6月的多模式平均绝对误差对比（图2）看出，MULT各个预报时效的预报误差中均为最小，日最高（或低）气温的绝对误差小于1.5℃（或1.3℃）。

图2 多模式集成和各模式0～72 h日最高（a）和最低气温（b）平均绝对误差

在参与集成的模式中，ECMWF和TRAMS的日最高气温和最低气温平均绝对误差相对较小；GRAPES＿MESO（或NCEP）在日最高（低）气温的平均绝对误差接近TRAMS（或ECMWF）的2倍，在预报中应尽量避免直接参考。MULT相对GRAPES＿MESO和NCEP的预报技巧最大，但相对表现较优的TRAMS和ECMWF的预报技巧有限，尤其是对于ECMWF的日最低气温预报，预报技巧仅为5%左右。由此可见，MULT对日最高气温的预报技巧相对较高，在实际预报中可以作为重要的客观参考产品之一。

整体时段的误差评估无法反映各模式和多模式集成产品的季节性优势，仍需从平均绝对误差的逐月演变对比各模式和多模式集成误差的季节性变化特征。以48 h预报为例，多数月份中MULT日最高和最低气温预报的平均绝对误差（图3）均为最小，且误差大小稳定。日最高气温的平均绝对误差有显著的季节性变化，2019年9—11月、2020年6月为误差谷值，而2019年12月份起至2020年4月为误差峰值，这与误差峰值期间冷空气频繁影响有一定的关系。在参与集成的模式中，ECMWF和TRAMS的日最高气温预报误差变化相对稳定且数值较小，这与图2结论一致。日最低气温无显著的季节性变化特征，多数月份的多模式集成和ECMWF均表现较优，差异较小，均在1℃上下。可见，MULT在各个季节中均表现相对较好，平均绝对误差无明显季节性波动。

预报准确率（误差2℃以内）是重要的业务考核指标之一。MULT的日最高气温和日最低气温的预报准确率分别在70%以上和80%以上（图4）。在参与集成的模式中，TRAMS（或ECMWF）的日最高气温（或日最低气温）表现较好，仅次于多模式集成，而GRAPES＿MESO的日最高气温预报准确率仅为20%左右，在实际预报中应谨慎参考。日最低气温的多模式集成与各参与模式预报准确率差异较小，其中MULT较ECMWF仅有微弱优势。因此，无论是平均绝对误差还是预报准确率，多模式集成均显示出较好的订正效果，对日最高气温预报的改善幅度尤为显著；在参与集成的模式中，ECMWF和TRAMS均表现出较优的预报质量和良好的稳定性。

图4 多模式集成和各模式0～72 h最高（a）和最低气温（b）预报准确率（误差2℃以内）

2.2 预报误差空间分布特征

从2.1节的分析可知，温度多模式集成在日最高气温的优势最为显著，因此本节以日最高气温48 h预报为例，讨论多模式集成及参与集成模式的预报误差空间分布特征，以帮助业务人员在网格预报编辑中对产品误差的空间分布有更好的认识。从平均绝对误差的空间分布（图5）来看，GRAPES＿MESO和NCEP误差最大，在平均相对误差图上表现为全省性显著的冷偏差。ECMWF在清远北部、韶关南部至河源西北部、梅州北部有平均绝对误差大值区，平均相对误差也表现为-2℃左右的冷偏差。TRAMS的平均绝对误差在广东省北部地区数值相对较小，在雷州半岛南端有数值大值区，在平均相对误差空间分布中广东省北部和雷州半岛南部分别表现为-1和-2℃左右的冷偏差。MULT的平均绝对误差大值区与ECMWF和TRAMS分布一致，集中在广东省北部和雷州半岛南端，但数值小于所有参与集成的模式，珠三角和南部沿海地区平均绝对误差较小，仅为0.5～1.0℃；另外，MULT在韶关西北部、河源中部易出现暖偏差，而在雷州半岛南部、云浮中部以及潮汕部分地区易出现冷偏差。

图5 多模式集成和各模式48 h日最高气温平均绝对误差空间分布（单位：℃）

2.3 不同类型天气过程的适用性

将参与集成模式中表现最好的ECMWF、TRAMS定义为最优集成模式。以日最高气温的48 h预报为例，定义多模式集成的最高气温平均绝对误差在2℃以内且小于最优集成模式的过程为表现较好的过程（表略），在全省平均观测实况和模式预报曲线（图略）的分布上表现为过程前后最优集成模式均表现为具有相对稳定的冷偏差。表现较好的典型过程主要有4类：持续性高温过程、缓慢回升过程、无明显降水的弱冷空气过程、持续性无降水过程。

将多模式集成日最高气温平均绝对误差超过2℃，且大于最优集成模式的过程定义为表现较差的过程（表略），在全省平均观测实况和模式预报曲线（图略）的分布上表现为过程前后最优集成模式与实况的偏差存在明显的波动。多数表现较差的过程均与受中等以上冷空气影响造成持续性的降温天气有关：最优集成模式在冷空气影响的第2～3 d预报明显的回温，而实况温度却持续下降或维持较低的水平。分析典型过程对应的形势预报场（图略），虽然地面层次模式预报温度回升，但低层（925～850 hPa）温度梯度仍未预报明显疏散，或配合较厚的实况低层云量或阴雨天气。多模式集成也存在高估（或低估）冷空气强度的情况，但个例数相对较少，成因需进一步分析。因此，实际预报中需重点留意冷空气过程前后的回温、降温过程，当预计云量较厚或有阴雨天气且模式预报低层温度梯度未发生明显疏散时，参与集成模式的预报偏差可能会由负转正，预报偏差的不稳定会导致多模式集成产品的误差跳跃式显著增大，盲目的参考可能会导致预报质量下降。