极端降水事件是典型的极端天气事件之一。在政府间气候变化专门委员会(IPCC)第三次和第四次报告中,极端天气事件均被定义为:在某一特定地点和时间,其发生概率极小,通常只占该类天气现象10% 或者更低。极端降水事件一旦发生,往往给国民经济和人民生命财产造成重大损失(Zhai and Liu, 2012),因此如何提高对这些降水、温度等极端天气的预报能力,是目前我国气象部门面向国家防灾减灾和重大服务需求的重要发展方向。由于大气是一个混沌系统,小概率极端天气事件的发展演变存在诸多不确定性,用单一数值天气模式预报其未来演变是不严谨的(杜均和陈静,2010;陈法敬等,2011;任志杰等,2011),而集合预报系统综合考虑了初始场、模式物理过程等不确定因素,为小概率事件提供了更加全面的预报信息,具有发展极端或灾害天气预报技术的先天优势。Buizza (2008)研究表明,基于不同起报时刻的集合概率预报较确定性模式更加连续且稳定。近年来随着集合预报系统(EPS)的发展,数值模式对极端天气的预报能力不断提高(汪娇阳等,2014;Petroliagis and Pinson, 2014;朱鹏飞等,2015;董全等,2016;陶亦为等,2016)。
利用有效的方法对集合预报提供的极端信息进行提取和检验,从而对极端天气进行识别和预报,具有重要科学和实际意义(高丽等,2019)。为了识别极端天气事件是否发生, 欧洲中期天气预报中心(ECMWF)研究了一种极端天气预报指数EFI,其表征的是气候值与集合预报系统集合成员之间的连续差异, 利用极端天气指数能够较准确地识别出极端天气所发生的区域。Zsótér (2011)利用改进后的EFI研究了2005年10月西欧持续极端高温,发现改进后的EFI能识别出更多发生极端高温的区域。Petroliagis和Pinson (2014)分析了德国北部三个机场7年的强风事件,指出EFI指数可以提早发出预警信息。刘琳等(2013)利用降水观测概率和我国T213集合预报系统建立了极端降水天气预报指数,其应用结果表明,该指数可提前3~7 d提供极端降水信息。董全等(2017)运用TS评分最大为标准,分别确定了不同时效、不同百分位的极端强降水事件在我国的预报阈值,对于95%和99%的极端强降水事件,EFI的阈值分别在0.45和0.7左右。根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,但如何确定不同地区、不同类型极端天气的阈值,如何有效利用EFI开展极端天气的预报业务仍是一个非常值得研究的重要课题。杜钧等(2014)将集合预报与气候资料结合起来,定量分析相关气象因子的异常程度和可信度,帮助预报员在预报工作中做出合理的决策。通过对2012年北京7月21日特大暴雨事件的分析显示,“集合异常预报法”可以提供比单一模式更可靠或更连惯的预报,且对于北京地区大暴雨的实际可预报性时效提前了2 d,有效地提高重大灾害性天气的预报能力。
中纬度冷空气入侵有利于台风外围环流斜压性的发展引起锋生,从而导致倒槽区域内中尺度对流的发展和暴雨的产生,台风倒槽与冷空气结合而产生的暴雨,往往比台风环流本体暴雨强得多(吴海英等,2016)。2017年20号台风“卡努”虽然登陆广东沿海,但距离台风中心1 000 km的浙江东北部出现了极端强降水,ECMWF、NECP等确定性模式对此次过程在预报提前量和稳定性上都不能满足决策服务的需求。但集合预报所提供的概率结果可以给出极端事件在未来出现的可能性,对此类低概率极端天气事件具有更好的预报效果。目前,我国基于集合模式的极端天气预报业务还相对薄弱,亟待开展进一步的研究。另外,杜钧等(2014)认为“集合异常预报法”与EFI在极端天气预报中各有优劣,如能在实际应用例子中对两者进行具体比较是一项很有价值的研究,但目前还没有相关研究工作。本文采用ECMWF interim再分析资料、ECMWF集合预报资料、实况降水资料、FY-2G TBB资料,运用“集合异常预报法”从气象因子异常的角度对2017年10月14—16日浙江东北部极端降水的成因和可预报性进行分析,检验集合预报EFI阈值对极端降水的识别效果,并对两种方法进行对比,探讨如何利用ECWMF集合预报提高对极端灾害天气的预报能力。
1 资料和方法 1.1 资料文中使用的资料包括1980—2016年和2017年10月13—16日0.5°×0.5°ECMWF interim逐6 h再分析资料、ECMWF提供的2017年10月8—16日20时、08时(北京时,下同)起报的集合预报资料(含逐日08—08时降水EFI资料)、FY-2G卫星的黑体亮度温度(TBB)、自动站实况降水资料、浙江区域67个基准站1980—2016年08—08时日降水资料。
1.2 方法为了研究这次降水过程的极端性,先构建了降水气候样本。本文选取1980—2016年的日降水资料,单日前后各10 d,一共21 d×36 a=756个样本构建单日的气候样本。对于极端降水事件的定义采用了百分位法(翟盘茂和潘小华,2003;任福民等,2014),研究中分别定义了第95%百分位与第99%百分位作为极端降水天气事件的阈值,当某日降水量超过该站点的极端强降水阈值时,称该站点在该日有极端强降水发生。这种定义相比降水量阈值(如大于50 mm)的优势在于筛选出的极端降水事件更具季节和地域代表性。
1.2.1 “集合异常预报法”同一气象要素在不同地域或不同季节的异常度是不一样的,为了更直观和统一地比较天气形势及物理量场的异常程度,本文应用了“标准化异常度”(Standardized Anomaly,SA)方法(杜钧等,2014),选取与台风极端降水密切相关的物理量(陈联寿等,2004;Ren et al.,2007),包括850 hPa风场、整层可降水量、200 hPa散度、850 hPa和925 hPa水汽通量、850 hPa和925 hPa水汽通量散度等动力和水汽因子进行标准化异常度计算。一般把异常程度超过气候平均值3个标准差确定为异常的天气事件(Grumm and Hart, 2001;Hart and Grumm,2001;Graham and Grumm, 2010)。
极端事件是与季节相关的,不同季节的极端事件标准和阈值不同,同时为了保证连续两天的极端事件阈值和标准连续,因此采用当日前后滑动各10 d共21 d的方法(Hart and Grumm, 2001),选取ECMWF interim从1980—2016年共36 a×21 d=756个样本作为当日的气候态,逐日计算当日的气候平均值(MEANt)和标准差(SDt),并按公式(1)计算预报要素(FCSTe)集合平均的标准化距平Ae (即异常度)
$ {A_e} = \frac{{FCS{T_e} - MEA{N_t}}}{{S{D_t}}} $ | (1) |
$ P = n/51 \times 100\% $ | (2) |
其中n为异常度达到1倍、2倍、…M倍标准差的成员数。之后我们可以把公式(1)应用到每个集合成员,得到所有成员的异常度预报;然后就可进一步得到针对某一特定的异常度阈值M (1倍、2倍、…M倍)的概率P (公式2)。此概率的大小就可以用来作为衡量上述某一异常度预报的可信度:如概率大,可信度就大,反之就小,据此来增加或减弱预报员对该预报的信心,就可有效地提高对罕见极端高影响天气预报的可靠性。
1.2.2 EFI阈值法Lalaurette (2003)基于ECMWF集合预报系统(EPS) 开发了极端预报指数EFI,他假设,如果由EPS计算出的模式天气相对于这一系统的“模式气候”为极端事件的话,那么与之对应的实际天气相对于实际气候同样为极端事件。基于这一假设,通过比较集合预报所得降水样本的累计概率分布函数(CDF)曲线与“模式气候”CDF曲线之间的差异,从而对未来的极端降水事件进行预报。EFI的值越大,与其对应的事件有可能越极端,也表示发生极端事件的可能性越大。
本文先采用双线性插值法将ECMWF分辨率为0.25°×0.25°的降水EFI插值到站点,再分别以EFI= 0.1、0.2、0.3……1.0的区域代表 99%和95%百分位极端降水预报落区,计算极端降水预报的TS评分。最后以TS评分最大为标准获得99%和95%百分位的极端降水事件的EFI预报阈值,并进一步检验EFI阈值对极端降水的识别效果。
同“集合异常预报法”相比,EFI的优点是以最新版本模式回算(过去20 a)而得到的“模式气候”为背景,可以自动消除模式系统性偏差的潜在影响。但ECMWF只提供了降水、温度、风等气象要素的EFI,而没有计算与极端降水相关的动力、水汽等气象因子和形势场的异常概率信息,考虑到数值模式对于大气环流(高预报技巧)和降水预报(低预报技巧)之间的愈加明显的发展差异(毕宝贵等,2016),有必要与“集合异常预报法”结合,发挥各自的优势,为预报员提供更加全面的极端降水预报信息。
2 降水概况及极端特征2017年10月14—16日浙江沿海和东北部地区出现了暴雨、大暴雨天气,强降水致使舟山、宁波部分河网水位超高,多个乡镇积水严重,多地受淹。据统计(图 1a),14日08时—16日20时舟山面雨量222.1 mm、宁波面雨量146.2 mm,单站雨量最大为普陀区南岙549.7 mm,共有63个站大于250 mm,9个站大于400 mm。从历史资料统计分析来看,15日舟山地区的单日面雨量仅次于2005年9号台风“麦莎”,列历史第二。从极端降水的分布看(图 1b,c),14日20时—15日20时突破或达到历史同期99%百分位(红点,以下简称99%百分位事件)的站点主要分布于宁波和台州北部地区,共12个站点,15日20时—16日20时99%百分位事件的站点范围缩小并北移,主要位于宁波和舟山地区,共9个站点。从“卡努”整个生命期来看,台风本体离浙江东北部地区的最近距离大于1 000 km,然而产生的降水却超过了台风登陆点附近。
“卡努”于2017年10月12日17时在菲律宾以东洋面上发展成热带风暴,在台风活动期间,500 hPa西太平洋副热带高压(以下简称副高)呈东西带状(图 2a),脊线稳定维持在26°—27°N附近,强度异常强盛,比常年同期偏强8~10 dagpm,浙江东部处于副高控制之下。13日08时—16日20时副高持续加强,西脊点从125°E逐渐西伸至110°E,“卡努”在副高西南侧偏东气流的引导下,稳定往偏西方向移动。15日12时加强为强台风,之后强度快速减弱,16日1时减弱为强热带风暴,并于16日3时25分前后在广东省徐闻县沿海登陆,登陆时中心附近最大风力10级(28 m·s-1),中心最低气压988 hPa,此后强度继续减弱。
“卡努”大多时间在南海活动,台风中心距离浙江较远,但北侧云系发展旺盛。从海平面气压场和850 hPa风场来看(图 2b),冷高压中心位于东北地区,其底部的东北风持续向华东地区输送冷空气,台风“卡努”靠近南海以后,引发台风外围与副高之间的东南暖湿气流增强北进,与北侧冷空气形成一个东北—西南走向的倒槽,从14日20时TBB值也可以看见从台风中心一直伸展至东海中北部的倒槽云系,倒槽附近的云顶亮温低于-60 ℃。浙江沿海地区的云顶亮温为-40℃以下,降水开始增强。此后倒槽随台风向偏西方向运动,冷暖气流在浙江沿海长时间对峙,造成了持续的强降水。在降水期间浙江沿海地区及东海位于高空急流入口区右侧及200 hPa南亚高压(蓝线)控制下(图 2a),持续的高空辐散具有抽吸作用,有利于降水增强,倒槽上空的散度中心达到6×10-5 s-1,低层辐合、高层辐散的形势有利于倒槽的稳定维持。
从低层925 hPa温度平流和假相当位温(θse)的演变来看(图 3),13~16日华北冷高压底部东北风不断向华东地区输送冷空气。13日20时(图 3a)东南沿海一带存在大范围-8×10-5K·s-1以上的冷平流区域,台风倒槽位于台湾以东洋面,随“卡努”外围东南暖湿气流西进,浙江沿海θse等值线密集,温州、台州开始出现小阵雨。14日20时(图 3b)倒槽靠近浙江沿海,东海暖平流加强到10×10-5 K·s-1,同时北侧仍有弱冷平流补充,冷暖空气在浙江近海海域发生激烈交汇,θse梯度迅速增强到约32×10-2 K·km-1,有明显的锋生,台州、宁波地区的降水逐渐增强到20~40 mm·h-1。14日夜里倒槽在浙江沿海地区一直维持且向北伸展,倒槽北段逐渐与台风主体断裂。15日20时(图 3c)东海中北部的暖平流中心向西北方向移动并加强到12×10-5K·s-1,浙江中北部沿海地区处于倒槽东南风和东北风的强辐合中,对应有正涡度发展,θse梯度加强到约36×10-2 K·km-1,宁波、舟山雨强达到了40~70 mm·h-1。16日02时随着北侧冷平流的入侵和偏北风辐合下正涡度显著加强,在浙江中北部沿海形成了低压环流。16日08、14时(图 3d)浙江东部地区冷平流加强到-8×10-5K·s-1,将锋区向海上推进,中尺度低涡(图中蓝色圆圈)随之向偏东方向移动,在这个过程中,宁波东部和舟山地区仍处在低涡附近及锋区之中,使其产生持续的强降水。因此,台风倒槽长时间存在,其东侧东南暖湿气流与北侧冷空气在浙江沿海地区持续交汇,引起锋生,并在倒槽顶部诱生了低压环流,是造成浙江东北部大暴雨的主要原因。
通常极端降水与环流异常有着直接联系,所以,对于本次过程尝试通过形势场和物理量偏离气候平均值的程度对过程的异常性进行分析。根据物理意义和经验,低层大气的南风分量、水汽输送通量以及整层大气的可降水量是对暴雨预报有指示意义的气象要素(Junker et al.,2008;孙军等,2012;杜钧等,2014)。图 4为根据公式(1)计算的36 h时效集合平均的水汽通量、大气可降水量、850 hPa风场v分量的标准化距平,从图 4可以看出15日08时在浙江沿海地区EC集合预报的异常信号相当明显,850 hPa台风外围的东南风、东北冷高压底部的偏东风达到了16~20 m·s-1,浙江沿海的可降水量为60 mm以上,850 hPa u、v分量及可降水量均超过气候平均值3个标准差,达到了极端的标准。925 hPa水汽通量在浙江东部大于20 g·(cm·hPa·s)-1,超过气候平均值4个标准差。同时也计算了200 hPa辐散、各层涡度、垂直速度、低层辐合和水汽通量散度等与降水相关的物理量(图略),其集合平均值的异常度均达到3~5个标准差。集合预报结果表明:受倒槽和冷空气共同影响,极端强盛的台风东侧东南暖湿气流和大陆冷高压底部的偏东干冷气流长时间在浙江沿海交汇,使得这一带地区具备优越的动力和充沛的水汽条件,天气形势有利于极端强降水的发生。
图 5是基于ECMWF集合模式51个成员所得到的850 hPa南风分量、PWT、925 hPa水汽通量的标准化距平超过3个标准差的36 h概率预报。由图可见,浙江沿海地区超强的南风异常的可信度达到70%~90%,大气可降水量和低空水汽输送异常的可信度达80%~ 90%,200 hPa辐散、850 hPa辐合等其它物理量异常可信度也都在70%以上。因此集合平均预报本身的异常度和集合预报给出的异常预报可信度,指示着极端天气发生是高概率事件,这给了预报员做决策时一个非常重要的信息和参考。实况证明模式的预报是正确的,浙江沿海地区出现了极端强降水。另外,对近5年10多个台风极端降水的研究中发现,以上物理量的异常度和异常概率对降水的极端性和落区预报都有很好的指示意义。这种集合预报与气候资料相结合定量估计天气的异常度以及异常天气预报可信度的方法,在极端降水预报中具有较高的应用价值。
数值模式的系统性误差与预报时效有关,该产品不同时效预报都以EC-interim再分析资料为气候资料,不同时效的产品表示的意义不同。如图 6为不同时效集合预报的PWT和850 hPa南风分量的标准化距平大于3的概率分布图,可以发现,84 h时效的预报即显示大气可降水量(图 6a)和低层南风在浙江沿海地区出现10%~20%异常概率,有发生极端天气的可能性,虽然概率不高,但也能提前4 d预报出极端天气信息,为预报员做决策服务提供了重要参考依据。从60 h、36 h、12 h预报看出(图 6b-d),随着预报时效的临近,浙江沿海地区异常度大于3的概率在迅速提高,对于60 h异常度大于3的概率为30%~40%,36 h概率值提高到了50%~70%,12 h达到了90%以上。同理,925 hPa水汽通量、200 hPa辐散等其它要素也有相似的演变特征。因此对于长时效的预报,概率值会明显减小,应相应地降低预警的概率阈值。
研究指出EFI可以作为一个重要的工具提前几天预报出极端天气事件(Richardson et al., 2011;夏凡等,2012)。应用集合预报EFI对本次极端降水过程进行检验,探讨如何有效地利用EFI提高对极端降水预报的准确率。
10月15日08时—16日08时的日降水量达到最大,从实况降水图 7a的分布可以看出浙江东部地区有暴雨到大暴雨,14个常规站雨量超过250 mm,最大的为普陀区南岙418.6 mm。当天实况日降水量有14个站点达到99%百分位事件(蓝色圆点)、27站达到95% 百分位事件(绿色圆点+蓝色圆点)。浙江东北部大部分站点日降水量为95%百分位事件,99%百分位事件主要集中在宁波和舟山地区。从不同时效EC确定性预报及站点降水所占的历史百分位来看(图 7b—f),132 h时效(图 7b)的降水预报很弱,没有预报出这次极端降水事件;108 h时效预报(图 7c)的降水依然较弱,以大雨为主,位于浙北地区,预报降水量的历史百分位也不高,预报员凭借这个结果基本不会考虑有极端降水的可能;84 h预报(图 7d)的降水依然不强,在极端降水的落区上也有一定偏差,高估了浙西北的降水,沿海地区又偏弱;60 h(图 7e)确定性预报的台风倒槽位置偏西,导致强降水在陆地上的区域较大,浙江东部地区都为暴雨、大暴雨,预报较实况偏强。36 h(图 7f) 的预报最接近实况,降水的落区、强度、极端降水的分布和实况基本一致,但实时获得此次预报资料时降水即将开始,预报提前量不够,不能满足决策服务的需求。从以上分析可以发现:(1) EC确定性模式对于此次极端降水过程在84 h之前没有报出,预报提前量只有3 d;(2) 确定性预报无论在空间位置上还是在强度上都存在很大的跳跃性或不连续性,这使单一模式预报的应用价值大打折扣,因为预报员无法判断那一次预报可信。
尝试用EFI阈值的方法,讨论集合预报在极端降水中的预报能力。本文对36—132 h时效降水的EFI做TS检验,以TS评分最大为原则确定本次极端降水的EFI临界阈值。从图 8可以看到,对于本次降水过程95%百分位事件,36 h时效EFI值在0.8时TS评分达到最大(为0.52),TS评分达到最大后迅速降低;随着时效延长最大TS评分所对应EFI逐渐降低,在60 h、84 h、108 h、132 h时效EFI值分别在0.7、0.6、0.5、0.5时TS评分达到最大。另外,EFI值对应的最大TS评分也随着时效的延长而呈现下降的趋势。对于更极端的降水(99%百分位事件),在36 h时效EFI值在0.9时TS达到最大(0.26),在60 h、84 h、108 h、132 h时效EFI值分别在0.8、0.7、0.6/0.7、0.6时TS评分达到最大,随时效延长的趋势和95%百分位事件一致。因此随时效延长,极端降水事件的EFI临界阈值逐渐降低,此结论与刘琳等(2013)、董全等(2017)相符,所确定的阈值也与作者(罗玲等,2019)对华东台风的研究结果一致。利用不同时效的EFI临界阈值代表 95%或99%降水落区,将降水EFI阈值法及ECMWF确定性预报对此次过程95%百分位极端降水的预报TS评分(表 1)进行对比,结果表明, ECMWF确定性模式对极端降水预报的评分随预报时效延长下降明显,TS从36 h的0.54快速下降到108 h的0.17,到132 h仅为0.06,而EFI阈值的TS评分随时效延长变化缓慢,到132 h仍有0.36,对于99%百分位极端降水也具有一致的变化特征(表略),表明在较长时效EFI阈值法对极端降水具有更高的预报技巧。
按照以上研究结果,我们使用EFI阈值发布极端降水预报,检验EFI对极端降水的识别能力。图 9黄色区域代表不同时效EFI临界阈值预报的95%百分位事件落区、橙色为99%百分位事件落区,对于36 h时效日降水EFI指数(图 9a),浙江东北部降水EFI≥0.8,宁波和舟山降水EFI≥0.9,为36 h临界阈值指示的极端降水区域,与实况95%、99%百分位事件的站点(绿色、蓝色圆点)有很好的对应关系,说明EFI阈值可以很好预报出极端降水。图 9d为108 h时效日降水EFI预报,在浙北东部地区EFI≥0.6,为临界阈值指示的极端降水区域,与实况99%百分位事件的站点也有比较好的对应关系;图 9e、f为156 h和180 h时效的预报,EFI的大值区和实况极端降水分布基本一致,说明对于此次过程EFI提前5—7 d对极端降水有较好的预报能力。从36—180 h日降水EFI来看,不同时效EFI阈值预报的极端降水落区基本稳定,都集中在浙江东北部,均与实况极端降水站点对应较好,但EFI值随预报时效的延长而逐渐降低,因此对于长时效的预报需关注更低的EFI临界阈值。相比确定性预报,集合预报EFI所反映的极端信息更稳定和可靠,可以比确定性预报提前3~4 d预报出极端降水信号,因此在气象决策服务中具有更高的参考价值。
对比文章第四部分的研究结论可以发现,相对物理量的集合异常概率随着预报时效延长而明显减小(图 6),12 h为90%以上,108 h迅速下降至10%以下,降水EFI阈值的变化幅度较小,尤其在84 h后减小更慢,108 h极端降水区域EFI有0.6以上,156 h仍有0.5(图 9d,e),因此可以更早提供极端降水的预警信息。其原因可能是:EFI指数考虑的是模式预报与模式气候态之间的偏离程度,因此模式性能随着预报时效延长而发生的变化在EFI指数中体现的较少,因而在长时效的预报中比“集合异常预报法”更具优势。
为了定量化地对比两种方法的差异,将“集合异常预报法”应用到降水预报中(陈圣劼等,2019),计算异常度达到3的概率。然后给定一个概率临界值,概率值取值范围为0~100%,每隔5%设定临界值进行检验,计算站点TS,TS评分最大的即为概率临界值,当高于概率临界值时即预报95%或99%极端降水。将“集合异常预报法”和EFI阈值法的TS评分进行对比,结果显示(表 1):36 h预报时效两种方法的TS接近,到132 h时EFI阈值法的TS评分高100%,到156 h高200%,显然“集合异常预报法”对极端降水的预报技巧随时效的延长下降更明显,因此长时效的预报效果不如EFI,但优于EC确定性预报。同时,杜钧和李俊(2014)也指出EFI的缺点是易漏掉小概率事件:即当从集合预报中导出的概率很小(只有很少集合成员报某极端事件会“发生”)而接近模式气候概率使两条CDF曲线很接近时,其EFI值可能达不到预先设定的最小阈值使得EFI值接近0而可能出现漏报现象;而对于“集合异常预报法”,根据公式(1、2)即使只有一个集合成员预报了极端事件(如1323号台风“菲特”),就会使发生概率P>0并给出预警。在本次过程中由于在最长预报时效(180 h)强降水区的EFI仍然大于0.3(图 9f),说明有一定数量集合成员报极端降水会发生,“集合异常预报法”漏报率低的优势得不到体现。
从以上分析可知,“集合异常预报法”可以获得与极端天气相关的形势场和物理量(相比降水为高预报技巧)的异常概率,在只有个别成员报出极端降水的情况下可减少漏报率,而EFI以模式气候为背景消除了系统性误差,在长时效的预报更具优势,两者结合、优势互补,可以为预报员提供更全面的极端天气信号, 从而有效提高极端降水预报的准确率、延长预报提前量。
7 结论和讨论本文在对2017年10月14—16日浙江东部极端降水过程的形成原因进行分析的基础上,运用ECMWF集合预报的降水EFI及气象因子的异常概率对极端降水的可预报性进行探讨,并得出如下结论:
(1) 台风倒槽长时间存在,其东侧东南暖湿气流与北侧冷空气在浙江沿海地区持续交汇,引起锋生,并在倒槽顶部诱生了低压环流,是造成浙江东北部大暴雨的主要原因。
(2) 此次极端降水过程,36 h时效集合预报在沿海地区850 hPa南风分量、大气可降水量、925 hPa水汽通量、200 hPa散度等物理量的异常度均超过3~4个标准差,且超过3个标准差的概率也达到了70~90%,表明受台风倒槽和冷空气影响,浙江沿海地区具备异常优越的动力和充沛的水汽条件,且极端天气发生的概率很高,此结果可以极大增加预报员对此次预报的信心。
(3) 随着预报时效的延长,各物理量的异常概率会明显减小,因此在判断极端天气发生可能性时应相应地降低预警的概率阈值。
(4) 不同时效降水EFI对95%和99%百分位事件的预报效果均很好,可以比确定性预报提前3~4 d提供极端降水信号,短期时效(1~3 d) 99%百分位事件降水EFI的临界阈值为0.7~0.9,中期时效(4~7 d) 99%百分位事件的EFI临界阈值为0.5~0.7。集合预报EFI指数所反映的极端降水信息较确定性模式更加可靠且稳定,在决策服务中具有更高的参考价值。
(5)“集合异常预报法”可以获得与极端天气相关的形势场和物理量的异常概率,而EFI以模式气候为背景消除了系统性误差,在长时效的预报更具优势,两者结合、优势互补,可以为预报员提供更全面的极端天气信号。
由以上分析可以发现集合预报在极端降水的中期预报中有较好的预报效果,预报员可以借助要素的标准化异常概率和EFI指数提前对极端天气做出估计和判断。由于篇幅的限制,本文只分析和检验了这次强降水过程,然而在研究过程中发现,以上结论在很多台风极端降水个例中依然适用。
毕宝贵, 代刊, 王毅, 等. 2016. 定量降水预报技术进展[J]. 应用气象学报, 27(5): 534-549. |
陈联寿, 罗哲贤, 李英. 2004. 登陆热带气旋研究的进展[J]. 气象学报, 62(5): 541-549. DOI:10.3321/j.issn:0577-6619.2004.05.003 |
陈法敬, 矫梅燕, 陈静. 2011. 一种温度集合预报产品释用方法的初步研究[J]. 气象, 37(1): 14-20. |
陈圣劼, 刘梅, 张涵斌, 等. 2019. 集合预报产品在江苏省暴雨预报中的应用评估[J]. 气象, 45(7): 893-907. |
董全, 代刊, 陶亦为, 等. 2017. 基于ECMWF集合预报的极端天气预报产品应用和检验[J]. 气象, 43(9): 1095-1109. |
杜钧, 陈静. 2010. 单一值预报向概率预报转变的基础: 谈谈集合预报及其带来的变革[J]. 气象, 36(11): 1-11. |
杜钧, 邓国. 2010. 单一值预报向概率预报转变的价值: 谈谈概率预报的检验和应用[J]. 气象, 36(12): 10-18. |
杜钧, Grumm R H, 邓国. 2014. 预报异常极端高影响天气的"集合异常预报法" : 以北京2012年7月21日特大暴雨为例[J]. 大气科学, 38(4): 685-699. |
高丽, 陈静, 郑嘉雯, 等. 2019. 极端天气的数值模式集合预报研究进展[J]. 地球科学进展, 34(7): 706-716. |
刘琳, 陈静, 程龙, 等. 2013. 基于集合预报的中国极端强降水预报方法研究[J]. 气象学报, 71(5): 853-866. |
罗玲, 娄小芬, 傅良, 等. 2019. ECMWF极端降水预报指数在华东台风暴雨中的应用研究[J]. 气象, 45(10): 1382-1391. |
任福民, 高辉, 刘绿柳, 等. 2014. 极端天气气候事件监测与预测研究进展及其应用综述[J]. 气象, 40(7): 860-874. |
任志杰, 陈静, 田华. 2011. T213全球集合预报系统物理过程随机扰动方法研究[J]. 气象, 37(9): 1049-1059. |
孙军, 谌芸, 杨舒楠, 等. 2012. 北京721特大暴雨极端性分析及思考(二)极端性降水成因初探及思考[J]. 气象, 38(10): 1267-1277. |
陶亦为, 代刊, 董全. 2017. 2016年1月寒潮天气过程极端性分析及集合预报检验[J]. 气象, 43(10): 1176-1185. |
汪娇阳, 陈静, 刘琳, 等. 2014. 极端降水天气预报指数对气候累积概率分布敏感性研究[J]. 暴雨灾害, 33(4): 313-319. |
吴海英, 陈海山, 曾明剑. 2014. 冷空气对台风"海葵" (1211)倒槽特大暴雨作用分析[J]. 热带气象学报, 30(5): 971-880. |
夏凡, 陈静. 2012. 基于T213集合预报的极端天气预报指数及温度预报应用试验[J]. 气象, 38(12): 1492-1501. |
朱鹏飞, 邱学兴, 王东勇, 等. 2015. ECMWF降水极端天气指数在安徽省的应用评估[J]. 暴雨灾害, 34(4): 316-323. |
翟盘茂, 潘晓华. 2003. 中国北方近50年温度和降水极端事件变化[J]. 地理学报, 58(增刊): 1-10. |
Buizza R. 2008. The value of probabilistic prediction[J]. Atmos Sci Lett, 9(2): 36-42. |
Grumm R H, Hart R. 2001. Standardized anomalies applied to significant cold season weather events: Preliminary findings[J]. Weather and Forecasting, 16(6): 736-754. |
Graham R A, Grumm R H. 2010. Utilizing normalized anomalies to assess synoptic-scale weather events in the Western United States[J]. Weather and Forecasting, 25(2): 428-445. |
Hart R E, Grumm R H. 2001. Using normalized climatological anomalies to rank synoptic scale events objectively[J]. Mon Wea Rev, 129(9): 2426-2442. |
Junker N W, Grumm R H, Hart R, et a1. 2008. Use of standardized anomaly fields to anticipate extreme rainfall in the mountains of noahem California[J]. Weather and Forecasting, 23(3): 336-356. |
Lalaurette F. 2003. Early detection of abnormal weather conditions using a probabilistic extreme forecast index[J]. Quart J Roy Meteor Soc, 129(594): 3037-3057. |
Petroliagis T I, Pinson P. 2014. Early warnings of extreme winds using the ECMWF extreme forecast index[J]. Meteor Appl, 21(2): 171-185. |
Ren F, Wang Y, Wang X, et a1. 2007. Estimating Tropical Cyclone Precipitation from Station Observations[J]. Adv Atmos Sci, 24(4): 700-711. |
Richardson D S, Bidlot J, Ferranti L, et al. 2011. Verification statistics and evaluations of ECMWF forecasts in 2010-2011[R]. England: ECMWF, No. 654
|
Zsótér E. 2006. Recent developments in extreme weather forecasting[J]. ECMWF Newsletter, 107: 8-17. |
Zsótér E, Pappenberger F, Richardson D. 2015. Sensitivity of model climate to sampling configurations and the impact on the Extreme Forecast Index[J]. Meteor Appl, 22(2): 236-247. |
Zhai Panmao, Liu Jing. 2012. Extreme weather/climate events and disaster prevention and mitigation under global warming background[J]. Engineering Sciences, 14(9): 55-63. |