2. 上海中心气象台, 上海 200030;
3. 上海市金山区气象局, 上海 201500;
4. 江苏省无锡市气象局, 无锡 214101;
5. 甘肃省敦煌市气象局, 敦煌 736200
2. Shanghai Meteorological Center, Shanghai 200030;
3. Jinshan Meteorological Bureau of Shanghai, Shanghai 201500;
4. Wuxi Meteorological Bureau of Jiangsu Provinde, Wuxi 214101;
5. Dunhuang Meteorological Bureau of Ganshu Province, Dunhuang 736200
暴雨预报一直以来都是天气预报的重点和难点,江淮流域地处长江中下游平原,夏季6—8月常受到梅雨锋暴雨、副热带高压(简称副高,下同)边缘局地对流暴雨和台风暴雨的影响,改进江淮流域暴雨预报对防灾减灾和经济社会发展具有重要意义。近年来,随着集合数值预报方法的飞速发展,其在暴雨研究和预报中的应用越来越广泛,主要包括暴雨集合预报系统的建立、预报方法的改进、预报后处理与订正应用以及对暴雨天气系统的机理分析与模式初值改进等四个方面(杜钧和李俊,2014)。一线业务人员作为数值预报产品的直接使用者,在日常业务中涉及更多的是预报后处理及订正应用,即如何对模式预报产品进行订正和释用,来进一步提高暴雨预报和服务水平。
对于降水集合预报产品的解释应用,专家学者们开展了多角度的研究。从集合预报中提取信息时,如能先对各成员预报作些订正会使得所得的信息(包括均值预报、可信度及概率预报)更加可靠(杜钧,2002)。模式误差是预报偏差的主要来源之一,经过长时间积分模式误差会趋向于模式内在的统计平衡状态,出现系统偏差(李莉等,2011)。符娇兰等(2014)通过对西南地区2012年汛期5次典型强降水过程的模式降水预报检验发现,EC模式对西南地区小雨及以下量级降水预报范围较实况偏大,大雨以上量级降水预报范围明显偏小。陈博宇等(2016)提出了一种业务可用的面向台风暴雨的集合预报成员优选订正技术,对改进集合统计量降水产品有明显帮助。代刊等(2018)将定量降水预报后处理归纳总结为非参数化统计后处理、参数化统计后处理和考虑变量结构后处理方法三类,并详细介绍了每个类别下的各种订正方法及应用。辛辰和漆梁波(2018)分析了2016年南方春雨期(3—5月)大尺度降水和对流性降水的预报特征及其对模式总降水预报的影响。结果表明,相比于大尺度降水而言,模式总降水的落区预报偏差更多的是来自对流性降水,由此给出了在定量降水预报中对于不同天气形势下的大尺度降水和对流性降水的订正思路。
近年来中央气象台在暴雨客观统计预报方法上取得了明显进步,研发了集合融合预报、多模式集成、配料法强降水等级预报以及模式频率匹配等暴雨客观预报产品(李泽椿等, 2015, 2019)。频率匹配技术可充分利用所有集合成员的预报信息或前期已有的实况观测资料,近年来在科研和业务中的应用越来越多。利用集合成员的原始降水频率来订正简单集合平均降水,能够解决简单集合平均后小降水区扩大而大降水区缩小的问题,同时又保持了集合平均位置预报较准确的优点(Ebert, 2001a, 2001b)。李莉等(2006)采用频率匹配的方法对T213集合预报系统的降水预报进行了订正,结果表明该方法能有效改善模式降水预报的偏差。李俊等(2014, 2015)基于频率匹配的思路,根据参考频率的不同,提出了“概率匹配平均法”和“偏差订正法”两种订正方法,前者是利用集合成员降水频率订正简单集合平均的平滑效应,后者是利用实况降水频率订正集合成员降水预报的系统偏差。通过对武汉暴雨所AREM模式降水集中期逐日降水订正和检验分析表明,“偏差订正法”能显著改善模式降水预报的雨量和雨区范围的系统性偏差,且偏差越大订正效果越好,同时还指出了此法在降水落区位置订正上的局限性。周迪等(2015)将“偏差订正法”应用到四川盆地暴雨集合预报中,指出此法对“有或无暴雨”二分类暴雨预报改善明显,但对暴雨落区偏差订正效果未显示明显优势,当主雨带位置预报准确时,订正通过调整降水量值的大小使暴雨预报评分有较大提高;当主雨带位置预报失误时,订正后暴雨空报增加使得预报评分提高甚微以至于降低。
以上研究表明,基于频率匹配技术的“偏差订正法”能有效改善模式预报的系统性误差,但不同季节、不同地区、不同天气系统,使得各地的暴雨分布特点和模式预报偏差不尽相同,本文采用“偏差订正法”开展频率匹配技术在江淮流域的应用研究,并针对落区预报订正的局限性提出系数动态调整和模式集成订正两项改进技术,最大可能消除EC和NCEP全球模式的系统性偏差,为江淮流域暴雨集合预报订正研究提供一些参考。
1 资料与方法 1.1 研究资料降水集合预报资料采用全球交互式大集合(THROPEX Interactive Grand Global Ensemble简称TIGGE)集合预报资料中欧洲中期天气预报中心(EC⁃ MWF,51个成员,以下简称EC)和美国国家环境预报中心(NCEP-GFS,21个成员,以下简称NCEP)2017年5月12日—8月31日每日20时(北京时,下同)起报的地面降水资料,水平分辨率为0.5°×0.5°经纬网格,预报时效0—144 h,间隔6 h。
降水观测资料采用MICAPS地面常规24 h降水观测资料(08—08时),资料时段同模式预报资料。
1.2 研究区域本文选取江淮流域(112°—124°E,24°—36°N)为主要研究区域,根据2017年中国气象局下发的全国气象观测站点信息表,在研究区域内共提取到660个观测站点,研究区域及区域内站点的空间分布如图 1所示。
偏差订正法:统计不同阈值降水出现的实况频率和预报频率,通过多项式插值和内插的方法,获取不同降水量的订正系数,乘以原预报降水量得到订正后的降水量(李俊等, 2014, 2015),使得订正后降水量的预报频率与该降水量所对应的实况观测频率相一致,即把有偏差的预报频率调整到较准确的实况频率,保持相同阈值条件下两者频率的一致性。本文的频率计算基于研究区域内的660个观测站点。降水频率的计算方法如下
$ F_{j}=\frac{B_{j}}{A} $ | (1) |
式(1)中,j表示不同降水阈值,Fj为阈值j对应的频率,A为总站次,Bj为阈值j出现的站次。
将EC和NCEP模式预报的逐6 h格点降水采用双线性插值法插值到660个站点上。集合平均能过滤不同成员预报的随机信息,保留共同的部分,因而通常优于单一的确定性预报结果(杜钧,2002)。但对于偏态分布的降水,集合平均的平滑作用会使得小量级降水分布范围增大而大量级降水强度被削弱。因此,本文直接对上述两种模式集合平均降水进行偏差订正,可同时消除模式固有的系统性偏差以及简单平均带来的雨量和雨区偏差。
统计12—36 h、36—60 h、60—84 h、84—108 h、108—132 h共5个预报时效的逐24 h预报降水,并计算得到相应的集合平均降水(采用等权重算术平均)。将EC和NCEP模式的24 h集合平均降水和实况降水按照不同等级阈值分别进行频率统计,降水阈值根据研究区域降水分布的气候特征选取为0.1、5、10、20、30、40、50、60、80、100、120 mm共11个等级;对于低频率的强降水事件,模式后处理一般需要大量的训练样本(代刊等,2018),为保证计算有足够的样本数量,以江淮流域6—8月降水集中期为计算期,采取过去20天滑动平均的方法计算6—8月的逐日降水频率,得到不同预报时效、不同等级阈值的集合平均降水的预报频率和实况观测频率。结果表明,大雨及以上量级降水的预报频率都小于实况频率;小雨预报频率大于实况频率,且雨量值越小,预报频率和实况频率的差异越大,0.1 mm阈值上预报频率达到实况频率的两倍以上。图 2a给出的是12—36 h观测和预报频率分布情况(其余时效图略),模式具有大雨及以上降水预报偏少、小雨降水预报偏多的特点,且预报时效越长偏差都越明显。
将上述计算得到的预报频率和实况频率,通过多项式插值的方法求取不同阈值降水的订正系数。当预报频率小于实况频率,订正系数大于1,反之则小于1。根据这组降水阈值上的订正系数,采取内插方式获得任何降水量的订正系数,乘以订正前的集合平均降水得到订正后的集合平均降水(李俊等,2014)。采用上述方法逐日滚动计算6—8月每天偏差订正后的集合平均降水。图 2b、c是EC和NCEP模式不同预报时效的雨量订正系数,两家模式对小雨的订正系数都小于1,尤其在5 mm阈值上订正系数小于0.5,表现为模式对小雨的预报显著偏多,存在大量空报,订正使小雨的雨量值减小;大雨及以上量级降水的订正系数大于1,尤其暴雨量级的订正系数都在1.5以上,说明模式对大雨及以上量级降水的预报明显偏少,存在很大程度的漏报,订正使大雨及以上量级降水的雨量值增大。大雨和暴雨的预报偏差随预报时效的延长而增大,EC模式50 mm阈值上最小和最大的订正系数相差近一倍(12—36 h为1.49,108—132 h为2.67),与季晓东和漆梁波(2018)对ECMWF模式在长三角地区的暴雨预报检验结果“随着预报时效的延长,模式对暴雨及以上级别的降水预报与实况的偏差逐渐增大(倾向于越报越弱)”是一致的。
2 偏差订正效果检验 2.1 对降水强度预报的影响采用总降水的平均误差(研究区域660站的雨量误差平均,不区分降水等级)来检验偏差订正对降水强度预报的影响,公式如下
$ \text { 平均误差 }=\frac{1}{V} \sum\limits_{i=1}^{V}\left(f_{i}-O_{i}\right) $ | (2) |
式(2)中,fi是预报值,Oi是观测值,V是总站次,平均误差越接近0说明预报和实况观测越一致,订正效果越好,反之订正效果越差。
EC和NCEP模式在订正前五个预报时效平均误差都为正值,说明模式降水量的预报存在系统性偏大,且随着预报时效的延长误差有增大的趋势。订正后12—36h、36—60 h和60—84 h三个时效模式的平均误差明显减小,具有较好的订正效果;84—108 h和108—132 h两个时效NCEP订正效果明显,EC订正后平均误差有所增大,但基本也都在0.5 mm以内(图 3a)。总的来说,偏差订正后模式预报雨量的系统性偏大特征基本得到了矫正。
从平均降水量(研究区域660站的雨量平均)的逐日演变图上可以看出(以12—36 h为例),EC和NCEP模式预报的逐日平均降水量变化趋势都与实况具有较好的相关性,说明两家模式都能够正确反映研究区域主要降水过程的变化(图 3d)。由上文分析可知,偏差订正使小雨雨量值减小、大量级降水雨量值增大,将研究时段共92 d按照实况日平均降水量的大小分成<10 mm和≥10 mm两组,进一步分析平均误差的情况(图 3b、c)。对于平均降水量<10 mm的降水过程,以小量级降水为主,存在大量空报,订正前正误差随预报时效延长逐步增加,订正后雨量值减小,平均误差明显减小,尤其是前三个时效订正效果非常明显。而对于平均降水量≥10 mm的降水过程,大量级降水较多,存在较大漏报,订正前负误差随预报时效延长逐步增加,订正后雨量值增大,平均误差由负转正,尤其是前两个时效,说明偏差订正对于大量级降水的订正幅度过大,订正效果不甚明显甚至具有一定负订正效果,需要对订正方案进行适当改进。
2.2 对降水范围预报的影响采用BIAS以及短期预报检验中常用的空报率、漏报率和降水准确率来检验偏差订正对降水范围预报的影响(李俊等,2014)。
BIAS=F/O,空报率=FA/F,漏报率=M/O,降水准确率=H/O,其中,式(3)中,F是预报面积,O是实况出现面积,H是报对面积,FA是空报面积,M是漏报面积。
BIAS定义的是预报降水的面积偏差,由于本文计算基于站点,面积偏差实际为站数偏差。当BIAS大于1表示预报降水站数大于实况降水站数,说明预报范围偏大,空报较多;反之则表示预报范围偏小,漏报较多(李俊等,2014;庞玥等,2019)。订正前小雨和中雨的面积偏差大于1,尤其是小雨偏差达到3以上,说明模式对小雨预报过多,雨区显著偏大;大雨及以上量级面积偏差小于1,尤其是暴雨偏差在0.3以下,反映了模式暴雨预报过少,雨区显著偏小(图 4a)。小雨预报偏多和暴雨预报偏少随着预报时效的延长进一步加剧,60 h以后EC模式的小雨面积偏差超过4,而暴雨面积偏差降低到0.1以下(图略)。订正后小雨和中雨预报面积减小,其中小雨五个预报时效都在3.5以下,大雨和暴雨预报面积增大,其中暴雨都在0.5以上,最高达0.99。即偏差订正通过缩小小量级降水的预报面积、扩大大量级降水的预报面积,使得不同量级降水的雨区面积偏差都得到了一定程度改善,具有较好的订正效果。
由于降水面积大小在订正前后改变了,相应的降水空报率、漏报率和准确率也会随之改变(李俊等,2014)。订正前小雨存在大量空报,订正后空报率下降、漏报率变化不大,空报依然显著大于漏报(空报率0.7左右,漏报率0.2~0.4),说明小雨预报在订正后仍存在很大程度的空报;中雨订正后空报率变化不大、漏报率上升,两者数值相当,结果比较合理;大雨订正后空报率上升、漏报率变化不大,暴雨在订正后空报率上升、漏报率下降,漏报率大于空报率,说明模式对大雨和暴雨预报在订正后仍存在一定程度的漏报,图 4b、c是12—36 h的情况,其余时效结果类似。相应的,订正后降水量级两端即小雨和暴雨的准确率都有所提升,12—36 h时效EC模式的小雨准确率由0.75提升到0.79,NCEP模式变化不大;暴雨准确率两家模式都有明显提升,且幅度都超过100%(图 4d),但随着预报时效的延长两端降水的准确率都呈现缓慢下降的趋势。
2.3 对降水落区位置预报的影响采用短期降水预报检验中的重要指标TS评分来衡量偏差订正对降水落区位置预报的订正效果。计算公式如下
$ T S=\frac{H}{F A+H+M} $ | (3) |
$ T S_{\text {改善度 }}=\frac{T S_{\text {订正后 }}-T S_{\text {订正前 }}}{T S_{\text {订正前 }}} \times 100 \% $ | (4) |
式(4)中,H是报对面积,FA是空报面积,M是漏报面积。
偏差订正通过调节各量级的降水强度和雨区面积大小,TS评分也有一定程度提高。同降水准确率一样,TS评分也是降水量级两端改善明显。订正前小雨TS评分五个预报时效之间相差不大,多在0.2~0.25之间,订正后消除了部分空报,TS评分增加到0.25~ 0.3,五个预报时效都有0.05左右的提升(图 5a)。但暴雨TS评分在订正前随预报时效的延长快速下降,EC模式在84 h之后基本为零,订正后五个预报时效的TS评分都明显上升,其中84—108 h时效EC和NCEP分别由订正前的0.00和0.02增加到0.06和0.05,108— 132 h时效也提升到0.03~0.04(图 5b),即偏差订正使得模式对暴雨的可预报时效大幅延长。
选取临近预报的12—36 h时效分别统计实况平均雨量<5 mm、[5 mm, 10 mm)、[10 mm, 15 mm)以及≥ 15 mm降水过程的小雨和暴雨TS评分及改善情况(图 5c、d)。就TS评分而言,小雨和暴雨的TS评分都随着平均雨量的增加而上升,即降水过程越强,两端降水的TS评分越高。但从订正效果来看,TS评分改善度是随着平均雨量的增加有所降低的。其中,小雨的TS评分改善度由平均雨量10 mm以下的20%左右逐步降低到平均雨量15 mm以上的5%以下。而对于暴雨,当平均雨量在5 mm以下,两家模式的订正效果都不明显,订正前后暴雨TS评分都基本为零;当平均雨量在5~10 mm之间,订正效果最为显著,改善度基本都在100%以上,EC达到230%;而当平均雨量超过10 mm,订正效果又明显减弱,TS评分改善度回落到50%以下。分析实况平均雨量和暴雨站数对应关系发现(图略),两者的变化趋势基本一致,暴雨站数越多,降水过程越强,平均雨量越大。对整个研究区域而言,平均雨量在5 mm以下的弱降水过程其暴雨站数基本都在10站以下,而平均雨量在10 mm以上的强降水过程其暴雨站数大多在30站以上。即偏差订正对于10站以下的小范围暴雨过程,小雨订正效果明显,暴雨基本没有订正效果;随着暴雨站数和平均雨量的增大,小雨订正效果有所减弱,暴雨订正效果显著加强;但当暴雨站数和平均雨量增大达到一定量级后,暴雨订正效果又有所减弱,也就是说偏差订正对于强度适中的暴雨过程订正效果较显著,过程太弱或太强都会影响暴雨的订正效果。
3 方法改进及典型个例分析6—8月江淮流域暴雨类型以梅雨锋暴雨、副高边缘局地性暴雨和台风暴雨为主,个例分析表明,对于雨带位置预报较准确的大范围梅雨锋暴雨过程,偏差订正后暴雨TS评分明显提升;而对于副高边缘的小范围暴雨、雨带位置预报失误的梅雨锋暴雨或台风暴雨,偏差订正后暴雨TS评分改善不明显甚至有所降低,这是因为偏差订正对雨带位置没有明显的订正作用,是通过调节各量级降水的范围大小从而对TS评分有所改进。在雨带位置预报准确的情况下,偏差订正通过扩大暴雨预报区域使得暴雨漏报减小,TS评分上升;而当雨带位置预报失误时,偏差订正后暴雨空报进一步增加,会削弱TS评分改进效果甚至产生负订正效果。这与李俊等(2014)研究指出的“对系统性降水或大范围降水订正效果较好,对于局地降水或小范围降水订正效果较差”的结论是一致的。基于上述分析得出的暴雨过程太弱或太强都会影响订正效果以及模式之间预报性能可能存在的互补性,根据暴雨过程的不同类型和强度,提出了系数动态调整及模式集成订正的方法,通过上调或下调订正系数并与模式集成相结合,为频率匹配技术本地化应用提供一些可能的改进思路,进一步提升江淮流域夏季暴雨预报水平。由于模式对暴雨的预报能力随预报时效的延长呈下降趋势,以下选取临近预报时效的12—36 h进行重点讨论,其余时效在系数区间的选择上可根据模式预报能力进行相应调整。
3.1 系数动态调整在原订正系数(图 2b、c中实线)的基础上,以0.1为间隔将各降水阈值的订正系数整体分别下调和上调0.4,比较这8组调整的系数方案与原系数方案之间暴雨落区预报效果的差异。图 6a、b分别是EC和NCEP不同方案的订正系数图,9组曲线近似平行,订正系数上调,系数1所在的雨量阈值随之减小,反之则增大。当系数调大0.4时(图中r+0.4线),5 mm阈值上订正系数为1,10 mm阈值上系数都大于1,即中雨以上降水预报都偏少;而当系数调小0.4时(图中r-0.4线),系数为1的阈值在40 mm左右,即暴雨以下降水预报都偏多,显然上述两种是极端情形。
按照实况平均雨量<5 mm、[5 mm, 15 mm)和≥ 15 mm三个级别分别统计不同方案的暴雨TS评分,从图 6c、d、e中可以看出:平均雨量在5 mm以下时,EC模式的暴雨TS评分随订正系数的增加明显上升,系数上调0.3暴雨TS评分由原来的0.005上升到0.03;平均雨量在5~15 mm之间时,两家模式的暴雨TS评分随订正系数的增大略有上升,系数上调0.1暴雨TS评分增加0.01,之后系数再上调TS评分变化不大;平均雨量在15 mm以上时,两家模式的暴雨TS评分随订正系数的减小有所上升,系数下调0.1暴雨TS评分增加0.01。由此可知,小范围暴雨过程的订正系数适当上调,大范围暴雨过程的订正系数适当下调,可一定程度提升其暴雨TS评分。
3.2 模式集成订正模式集成订正可分为集成后订正和订正后集成两种方案,前者是将EC模式订正前的51个成员和NCEP订正前的21个成员按照1:1权重组成具有72个成员的新集合预报,求取新集合预报的集合平均降水后进行偏差订正;后者是将EC和NCEP模式分别进行偏差订正后的集合平均降水按照1:1权重求取新的集合平均降水。图 7a给出的是模式集成订正前后的暴雨TS评分情况,集成后订正相比单个模式订正的暴雨TS评分都有所提升,尤其是临近预报的12—36 h时效,集成订正改进效果最明显,其对EC和NCEP的暴雨TS评分改善度分别达到12%和17%;但随着预报时效的延长,集成订正的改进效果有所减弱。订正后集成虽然集成前两家模式各自的系统性偏差都得到了订正,但之后集成的简单平均平滑作用又使得强降水区被大幅缩小,因而暴雨TS评分相比模式集成后订正有所降低。从不同强度降水过程对比来看(图 7b),对平均雨量15 mm以上的大范围雨带型暴雨过程,模式集成订正具有明显的改进效果,而对于平均雨量在15 mm以下的暴雨过程或因单个模式的预报失误影响到集成效果。
以6月22日为例来说明系数动态调整及模式集成订正对于改进大范围雨带型暴雨落区预报的效果。6月23—24日受梅雨锋雨带影响,长江中下游地区出现了区域性暴雨到大暴雨天气(平均雨量15.58 mm),模式预报的雨带位置与实况有差异,EC较实况偏北约0.5个纬距,NCEP较实况偏南约0.5个纬距(图 8a、d)。偏差订正后雨带中心位置变化不大,暴雨区面积扩大。EC的暴雨TS评分略有上升,由0.38提高到0.41;NCEP的暴雨TS评分不升反降,由0.5降低到0.44。对比图 8b、e和图 8i可以看出EC原本偏北的暴雨区订正后其南侧的湖南北部、江西北部和浙江西部的漏报减小、报对增加,但其北侧的湖北南部和安徽南部的空报增加使订正效果有所削弱。通过订正系数下调,暴雨区面积缩小,北侧的空报有所减小,TS评分进一步提升到0.42(图 8c)。NCEP订正后原本就偏南的暴雨区其北侧和东侧都新增空报、南侧的空报进一步增加,导致暴雨TS评分下降,系数下调后浙江东部和安徽南部的空报明显减少,TS评分由0.44提升到0.48 (图 8f)。两家模式集成后雨带中心位置与实况基本一致,暴雨TS评分提高到0.49,比EC原预报提高了29% (图 8g);集成后再进行偏差订正,TS评分进一步增加到0.54(图 8h),比EC和NCPE单独订正分别提高了32% 和23%,具有较好的集成改进效果。
本文利用EC和NCEP模式集合降水预报资料及MICAPS降水观测资料,采用频率匹配技术对江淮流域夏季降水预报进行了模式偏差订正检验,并针对落区预报订正的局限性提出系数动态调整和模式集成订正两种改进思路,研究结论如下:
(1) EC和NCEP模式对于江淮流域的降水预报具有系统性偏大特征,其中小雨预报显著偏多,存在大量空报;大雨及以上降水预报偏少,存在较大程度漏报。
(2) 偏差订正通过下调小量级降水、上调大量级降水,缩小小雨和中雨雨区面积、扩大大雨和暴雨雨区面积,使各量级降水的强度和面积偏差都得到了一定程度的改善。降水量级两端的订正效果明显,订正后小雨和暴雨的准确率、TS评分都有明显提升。
(3) 偏差订正对暴雨落区预报的改进效果与过程相关,个例分析表明:对于雨带位置预报较准确的大范围梅雨锋暴雨过程,订正后暴雨TS评分明显提升;而对于副高边缘的小范围暴雨、雨带位置预报失误的梅雨锋暴雨或台风暴雨,订正后暴雨TS评分提升不明显甚至有所降低。
(4) 针对上述问题,提出了系数动态调整和模式集成订正相结合的改进方案:对于平均雨量在5 mm以下的小范围暴雨过程,适当上调订正系数;而对于平均雨量在15 mm以上的大范围暴雨或大暴雨过程,适当下调订正系数。通过模式集成订正的方式,可有效提高暴雨TS评分。
本文基于频率匹配技术开展了江淮流域暴雨预报的应用和改进思路的探讨,研究中还存在很多不足之处。在频率计算过程中采用了过去20 d作为滑动训练期,是否会因为季节和降水特点的不同影响到检验结果,如采取过去年份的相同时段作为滑动训练期,结果可能更加合理。为便于计算采用的是实况平均雨量,在实际业务中无法提前预知实况平均雨量,但基于模式预报雨量与实况雨量具有较好的相关性以及频率统计的结果,一定程度上仍可以确定一个相应的阈值来判断过程是属于雨带型暴雨或是小范围暴雨,进而选择相应的改进方案,但涉及到极端性或特别局地性的强降水,可能还需要结合其他的订正方法。另外,由于不同地区降水气候特征的差异,雨量阈值的选取在应用过程中应根据当地降水的气候特征来具体确定,以上都是进一步深入研究需要重点关注的地方。
陈博宇, 郭云谦, 代刊, 等. 2016. 面向台风暴雨的集合预报成员优选订正技术研究及应用试验[J]. 气象, 42(12): 1465-1475. DOI:10.7519/j.issn.1000-0526.2016.12.004 |
代刊, 朱跃建, 毕宝贵. 2018. 集合模式定量降水预报的统计后处理技术研究综述[J]. 气象学报, 76(4): 493-510. |
杜钧. 2002. 集合预报的现状和前景[J]. 应用气象学报, 13(1): 16-28. |
杜钧, 李俊. 2014. 集合预报方法在暴雨研究和预报中的应用[J]. 气象科技进展, 4(5): 6-20. |
符娇兰, 宗志平, 代刊, 等. 2014. 一种定量降水预报误差检验技术及其应用[J]. 气象, 40(7): 796-805. |
季晓东, 漆梁波. 2018. ECMWF模式降水预报与极端天气预报指数在暴雨预报中的评估与应用[J]. 暴雨灾害, 37(6): 566-573. DOI:10.3969/j.issn.1004-9045.2018.06.010 |
李莉, 朱跃建. 2006. T213降水预报订正系统的建立与研究[J]. 应用气象学报, 17(增刊): 130-134. |
李莉, 李应林, 田华, 等. 2011. T213全球集合预报系统性误差订正研究[J]. 气象, 37(1): 31-38. |
李俊, 杜钧, 陈超君. 2014. 降水偏差订正的频率(或面积)匹配方法介绍和分析[J]. 气象, 40(5): 580-588. |
李俊, 杜钧, 陈超君. 2015. "频率匹配法"在集合降水预报中的应用研究[J]. 气象, 41(6): 674-484. |
李泽椿, 谌芸, 张芳华, 等. 2015. 由河南"75·8" 特大暴雨引发的思考[J]. 气象与环境科学, 38(3): 1-12. |
李泽椿, 谌芸, 张夕迪, 等. 2019. 中央气象台暴雨预报业务的发展及思考[J]. 暴雨灾害, 38(5): 407-415. |
庞玥, 王欢, 夏蘩, 等. 2019. ECMWF集合预报统计量产品在重庆降水预报中的检验与分析[J]. 沙漠与绿洲气象, 13(3): 1-7. |
辛辰, 漆梁波. 2018. ECMWF模式对南方春雨期降水预报的检验和分析[J]. 暴雨灾害, 37(4): 383-391. |
周迪, 陈静, 陈朝 平., 等. 2015. 暴雨集合预报-观测概率匹配订正法在四川盆地的应用研究[J]. 暴雨灾害, 34(2): 97-104. |
Ebert E E. 2001a. Ability of a poor man's ensemble to predict the probability and distribution of precipitation[J]. Mon Wea Rev, 129: 2461-2479. |
Ebert E E. 2001b. Probability-matched ensemble mean. Available online at http://www.cawcr.gov.au/staff/eee/etrap/prob-match.html
|