汛期降水相似动力预报——模式误差主分量相似预报方法

针对相似动力预报中模式预报误差的估计问题,提出将模式误差的直接相似订正问题转化成模式误差主分量的相似预报问题.客观上将模式误差主分量分成可预报和不可预报两部分, 对于可预报主分量采用最优多因子动态配置方案进行相似预报, 而对于不可预报部分则用系统平均代替.基于国家气候中心季节预报业务模式、 美国气候预报中心组合降雨分析资料及国家气候中心气候系统诊断预报室74项环流指数和美国国家海洋和大气管理局的40个气候指数,对东北区域汛期降水进行了预报试验. 2005—2010年6年独立样本检验预报平均距平相关系数为0.29,较系统误差订正预报的0.04有较大提高, 证实该方案能提高国家气候中心季节预报业务模式汛期降水预报水平.     

动态最优多因子组合的华北汛期降水模式误差估计及预报

利用国家气候中心季节预报1983—2009年27年模式预报结果,结合74项环流指数及美国国家海洋局和大气管理局提供的40个气候指数和美国气候预报中心实际降水分析资料,采用资料诊断分析和数值模拟实验相结合的方法,通过多因子的历史相似信息提取预报相似年,获得预报场的误差订正项.在这一订正思路的基础上,考虑前期关键影响因子的选取、多因子组合的优化配置,构建适用于不同预报年的区域动力-统计模式预报误差订正方案.以华北为例,探索多因子最优组合的多元客观相似判据,发展基于多因子动力-统计模式预报误差的动态订正新技术,改善华北夏季降水预报效果,提高预报技巧.通过2005—2009年独立样本回报结果表明,动态最优多因子组合相似订正方法距平相关系数评分相对于系统订正方法有着显著的提高,该订正方案对华北地区的夏季降水预测有着很好的业务前景,具有重要的应用价值,即将投入业务运行. 关键词： 关键因子集 模式误差估计 汛期降水 预测     

基于延伸期可预报性的集合预报方法和数值试验

集合预报是考虑初始条件和模式不确定性的有效途径. 结合延伸期可预报性特征,对具有不同特性的可预报分量和随机分量采用不同的集合预报方案和策略,发展了一种基于延伸期可预报性的集合预报新方法(PBEP).该方法以延伸期数值预报模式为平台,对可预报分量采用多个模式误差订正方案,从考虑模式不确定性的角度进行集合;而对随机分量则利用历史资料从气候概率的角度给出集合概率分布,避免模式误差对随机分量概率分布的影响.试验结果表明,相比于国家气候中心的业务动力延伸集合预报系统,该集合预报方法对全球各区域环流预报技巧均有提高,对不同空间尺度的波也有不同程度的改进,显示出潜在的业务应用前景.     

长江中下游汛期降水模式预测误差相似性及其可预报度

对数值模式预测误差进行相似预报进而订正模式预报结果,是提高模式预报水平的有效手段之一.本文从数值模式预测误差场存在相似性的角度出发,研究了长江中下游汛期降水逐年模式误差场间的相似性及其可预报性,探讨了数值模式预测误差在历史资料中的相似信息量,发现利用相似误差订正可以明显提高模式预报水平.进一步对历史模式预测误差场进行经验正交函数(EOF)分解,着重研究了误差场前三个特征向量的空间分布及其时间系数演化规律,发现对各分量分别进行相似预报可以简化预报对象,并且针对性更强,可以提高其潜在预报水平.在研究数值模式预测误差场相似性的基础上,定义了数值模式预测误差的相似可预报度,用以衡量逐年模式预测误差的可预测性,发现模式预测误差场前三个分量的相似可预报度明显高于原始模式误差场,揭示出有针对性地分别预报模式预测误差各分量的潜在应用价值.     

基于奇异值分解对中国夏季降水模式误差订正的研究

利用奇异值分解(SVD)方法对国家气候中心气候业务模式CGCM的预报结果进行订正, 进而得到改进后的预报结果. 通过对1983–2011年中国夏季降水的模式预报和实际降水值各年份之间的耦合场进行SVD分解, 选取模式预报和实况降水相关性最好的前3–7个模态, 对这5种不同模态个数的订正结果加以对比, 选出对中国区域订正效果最好的模态个数, 得到模式预报的订正结果. 对2004–2009年6年进行交叉回报试验, 以距平相关系数和均方根误差作为评判标准来检验回报结果, 得出2004–2009大部分年份取前5个模态作为当年订正的模态个数时,订正效果最好. 利用已有的2004–2009年的模式和实际降水资料进行检验, 证实在大部分年份5个模态订正效果最好, 并将结果与系统误差订正法的结果相比较, 表明SVD法对2004–2009年 6年的订正结果中, 有4年比系统误差法的订正效果好. 以2010年作为预测年, 以1983–2009年27年交叉回报检验的结果确定模态个数, 对预测结果加以分析, 显示该方法具有潜在的业务应用价值. 关键词： 奇异值分解 模式预报订正 汛期降水     

欧亚中高纬阻塞高压关键区高度场动力-统计跨季度预测实验

本文主要利用实际业务模式的预报结果和丰富的历史资料对乌拉尔山、 贝加尔湖和鄂霍次克海三个阻塞高压活动关键区夏季平均的500 hPa高 度场进行动力-统计跨季度预测实验, 其结果显示该方法能在一定程度上减小模式预报误差, 提高预报技巧, 显示出了良好的业务应用前景. 此外, 敏感性实验显示, 相似指标和相似年选取个数都对预测结果有显著影响. 关键词： 阻塞高压 高度场 动力-统计 跨季度预测     

基于模式误差分布特征的中国夏季旱涝预测可信度研究

基于美国气候预报中心组合降雨分析资料对国家气候中心海气耦合模式多年夏季降水预报误差进行统计分析,以揭示模式预报误差的分布规律及特征.研究发现,模式预报误差分布特征满足正态分布,基于误差分布特征分析模式对中国夏季降水的预测能力,通过误差分布的高斯拟合曲线特征对比模式预报与动力统计方法的预测技巧,进而得到动力统计方法改进误差分布特征的两种类型:1)变幅型改进;2)均值型改进.在此基础上,根据模式误差的统计特征提出了一种新的旱涝预测可信度计算方法,用于定量化地评估动力统计方法在不同地区的预测可信度大小,并应用于实际预测.最后以2012和2013年夏季降水为例,给出了实况、预测以及可信度检验.结果显示该方法能较好地反映出预测的不确定性,较其他检验方法更具针对性,对异常降水的预测可信度反映更为准确,验证了方法的有效性,可进一步提高动力统计方法的预测服务水平.     

基于2013年8月中国中东部地区持续高温的延伸期稳定分量提取及改进研究

基于2013年8月中国中东部地区持续高温及其减弱过程, 利用美国国家环境预报中心/美国国家大气研究中心逐日平均的500 hPa高度场、风场再分析资料和美国国家海洋和大气管理局的海温重建扩展资料进行分析, 通过前期海温强迫相似年的选取方法以及带通滤波和经验正交函数分解等方法提取出10–30 d的稳定分量, 并通过对稳定分量的诊断分析探究了这次持续高温及其减弱过程的维持机制. 研究发现: 通过选取与个例前期海温强迫最相似的30年来代替常规的气候态30 年(1981–2010 年), 所提取的气候态稳定分量所占的比重变化不大, 稍有减弱, 而异常型稳定分量占的比重显著性提高, 且其所刻画的影响异常事件的天气系统强度及稳定性明显提高, 能够更加清晰地显示延伸期天气过程的维持机制. 这表明在提取稳定分量时考虑前期的海温强迫作用是非常有必要的. 同时, 通过对延伸期稳定分量的分析, 表明此次持续高温及减退过程主要受到北极涛动、亚洲大陆中高纬纬向环流形势和西太平洋副热带高压(西太副高)强度、位置的共同影响.     

基于2008年1月中国南方低温雨雪冰冻事件10-30天延伸期稳定分量的研究

对北半球1978-2007年1月6日-2月4日逐日500 hPa高度场资料带通滤波,得到10-30 d 时间尺度分量,结合经验正交函数分解方法(empirical orthogonal function, EOF)提取出气候态基底.同样滤波北半球2008年1月冰冻雨雪事件的逐日实况资料,并将其投影到气候态基底上,利用各贡献率作为考察该EOF分量对原场的影响指标. 从10-30 d延伸期预报的角度提取稳定分量进行诊断分析,探讨影响此次天气过程的主要因素.通过贡献率分析方法把10-30 d延伸期稳定分量划分为气候态稳定分量和异常型稳定分量两个部分.结果表明:气候态稳定分量在我国南方2008年1月冰冻雨雪事件中占主体地位,异常型稳定分量相当于在气候态稳定分量的基础上叠加的扰动值, 但异常型稳定分量在本次过程中的作用不能忽视,甚至起到关键性的作用, 并且与实况距平在太平洋地区整体环流形势有较好的对应.这些结论加深了对10-30 d 时间尺度可预报性的认识,为10-30 d延伸期预报提供了一种新的思路和解决问题的途径.     

2009年11月冰冻雨雪事件10—30d延伸期稳定分量提取及分析

针对2009年11月冰冻雨雪事件,通过经验正交函数分解等方法提取10—30 d稳定分量,并第一次运用计算贡献率和相似系数判定等手段把稳定分量进一步客观地分离成气候态稳定分量和异常型稳定分量.将气候态稳定分量与低通滤波分量合成气候背景场.研究发现:气候背景场环流形势持续时间较长,随时间变化缓慢,主要提供了事件发生的气候背景,指示大尺度环流调配置和调整;气候背景场空间活动范围较大,能较好地刻画永久半永久性大气活动中心变化情况,且在垂直各层有稳定一致的配置关系;异常型稳定分量重点体现了环流相对异常特征,与2009年11月冰冻雨雪事件有较好的对应关系.在气候背景场提供确定的环流大背景下,异常型稳定分量表征了对应天气系统的相对强弱变化.     

Impact of nonlinearities and model error on pseudo-inverse calculations

Pseudo-inverse calculations have been made within the operational and research meteorological communities to identify components of the error in the initial state that are responsible for a significant portion of the forecast error. These calculations are based on the assumptions of a perfect model and linear perturbation growth, conditions not realizable in operational forecasting. In this study, the impact of nonlinearities and model error on pseudo-inverse calculations is investigated within an idealized framework using a simple atmospheric model. Forecasts are run within the perfect and imperfect model frameworks, with initial errors of varying sizes. Model error is introduced by changing the model dissipation terms. It is found that for pseudo-inverses composed of a small subset of the leading singular vectors (SVs), the nonlinear forecast correction is often better than the expected theoretical correction, indicating the suppression of error growth both inside and outside the linear pseudo-inverse subspace. As the size of the pseudo-inverse is increased, the nonlinear forecast correction starts to degrade. This forecast degradation coincides with a degradation in the analysis correction. It is possible to improve the forecast by degrading the analysis in the presence of model error, especially when the initial error is very small. However, for initial errors of reasonable magnitude, this is unlikely to happen in instances when the nonlinear forecast correction is better than the theoretical correction. Just as improving the initial state may suppress errors outside of the linear SV subspace, degrading it may likewise increase errors outside the SV subspace. This suggests that the size of the nonlinear correction relative to the expected theoretical correction may be useful in determining when pseudo-inverse perturbations are likely to have improved the analyses.     

国家气候中心大气环流模式冬季模式误差特征分析

本文利用1982—2010年国家气候中心第二代月动力延伸预测系统中大气环流模式(BCC_AGCM)的回报资料和美国国家环境预测中心和美国国家大气研究中心(NCEP/NCAR)再分析资料,分析了该模式对冬季气温预测的误差特征及其与外强迫的联系.结果表明模式能够在整体上较好地反映出欧亚区域冬季气温的变化趋势,能抓住东亚冬季风区气温年际变化的主要空间模态,对东亚冬季风区冬季气温具有一定的预报能力.预报误差的空间分布和时间演变特征的结果表明,误差在陆地大于海洋,高纬地区大于低纬地区,同时与海拔高度也有密切关系.预报误差的主要模态与一些关键区域的海温和海冰存在显著的相关性,表明模式对外强迫异常的响应能力存在缺陷.这为结合模式对关键区海温和海冰异常的响应能力,有针对性地改进模式对东亚冬季风区冬季气温的预测能力提供了依据.     

温度影响下短波近红外酒精度检测的传递校正

短波近红外光谱结合多元校正方法测量酒精度具有快速、无损的特点,可以现场应用和在线检测。但是温度对预测模型的性能影响很大。作者研究了温度变化对乙醇水溶液的短波近红外光谱的影响,采用四种方法建立了温度变化下的偏最小二乘(PLS)传递校正模型:直接校正、全局校正、正交信号处理(OSC)和广义最小二乘加权法(GLSW)。结果表明,温度变化时直接传递校正存在很大的预测系统偏差,而采用全局校正、OSC和GLSW均能在一定程度上减小系统误差。全局校正需要较多的建模样品数量,得到的模型也更为复杂。而OSC和GLSW方法能得到更为简洁的模型和优良的预测结果。相比之下,GLSW算法得到的预测误差和使用的建模隐含变量数目均小于OSC方法,能够建立更为稳健的传递校正模型。     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

双光谱区间遗传算法及其在模型转移中的应用

在近红外光谱分析中，将近红外光谱和浓度信息建立统计模型，通过光谱代入模型即可预测未知样本浓度。但是，检测条件的变化会导致光谱的改变，进而导致原有的模型不能准确预测光谱改变后的样本。对此，模型转移可以通过校正新测量的光谱（从光谱），使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。模型转移可以使用全光谱进行校正，但是全光谱中往往包括噪声、背景等干扰信息，这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间，从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中，主光谱和从光谱有化学意义的区间往往不一致，主从光谱使用同一区间模型转移会增加误差；此外，有时二者原光谱的波长范围并不一致，从主光谱选出的区间不能用于从光谱的校正。对此，提出了基于双光谱区间遗传算法（GA-IDS），同时选择主光谱和从光谱有化学意义的区间，进而实现模型转移。GA-IDS算法步骤包括，①随机产生种群；②分析种群中每条染色体，删去错误染色体；③根据每条染色体，找出其相应的主光谱和从光谱波段组合，并计算其模型转移后的验证均方根误差(RMSEV)；④按照概率，执行选择、交叉、变异操作。在一次迭代结束之后，返回到步骤②，重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后，将最低的RMSEV值所对应的染色体保存下来作为最优染色体，其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法，结果显示，与全光谱相比，GA-IDS选择的主从光谱区间可以显著地降低误差；与向后迭代区间选择法（IIBS）相比，在小样本情况下，GA-IDS的误差显著地小于IIBS方法。     

Filtering skill for turbulent signals for a suite of nonlinear and linear extended Kalman filters

The filtering skill for turbulent signals from nature is often limited by errors due to utilizing an imperfect forecast model. In particular, real-time filtering and prediction when very limited or no a posteriori analysis is possible (e.g. spread of pollutants, storm surges, tsunami detection, etc.) introduces a number of additional challenges to the problem. Here, a suite of filters implementing stochastic parameter estimation for mitigating model error through additive and multiplicative bias correction is examined on a nonlinear, exactly solvable, stochastic test model mimicking turbulent signals in regimes ranging from configurations with strongly intermittent, transient instabilities associated with positive finite-time Lyapunov exponents to laminar behavior. Stochastic Parameterization Extended Kalman Filter (SPEKF), used as a benchmark here, involves exact formulas for propagating the mean and covariance of the augmented forecast model including the unresolved parameters. The remaining filters use the same nonlinear forecast model but they introduce model error through different moment closure approximations and/or linear tangent approximation used for computing the second-order statistics of the augmented stochastic forecast model. A comprehensive study of filter performance is carried out in the presence of various moment closure errors which are enhanced by additional model errors due to incorrect parameters inducing additive and multiplicative stochastic biases. The estimation skill of the unresolved stochastic parameters is also discussed and it is shown that the linear tangent filter, despite its popularity, is completely unreliable in many turbulent regimes for both parameter estimation and filtering; moreover, regimes of filter divergence for the linear tangent filter are identified. The results presented here provide useful guidelines for filtering turbulent, high-dimensional, spatially extended systems with more general model errors, as well as for designing more skillful methods for superparameterization of unresolved intermittent processes in complex multi-scale models. They also provide unambiguous benchmarks for the capabilities of linear and nonlinear extended Kalman filters using incorrect statistics on an exactly solvable test bed with rich and realistic dynamics.