中国气象学会主办。
文章信息
- 霍振华, 刘永柱, 陈静, 李晓莉, 瞿安祥. 2020.
- HUO Zhenhua, LIU Yongzhu, CHEN Jing, LI Xiaoli, QU Anxiang. 2020.
- 热带气旋奇异向量在GRAPES全球集合预报中的初步应用
- The preliminary appliation of tropical cyclone targeted singular vectors in the GRAPES global ensemble forecasts
- 气象学报, 78(1): 48-59.
- Acta Meteorologica Sinica, 78(1): 48-59.
- http://dx.doi.org/10.11676/qxxb2020.006
文章历史
-
2019-02-26 收稿
2019-09-10 改回
2. 国家气象中心,北京,100081
2. National Meteorological Center,Beijing 100081,China
热带气旋是最具破坏力的自然灾害之一,其登陆时往往会给受影响地区造成严重的经济损失和人员伤亡。鉴于热带气旋所造成的巨大影响和不可估计的损失,其一直是气象界的热门研究课题之一。研究单一确定性台风路径数值预报的可预报性,提供预报的不确定性信息,对提高台风路径预报准确度具有重要的科学意义和应用价值。无论在热带气旋的路径还是强度的预报中,能够在初始场中较准确地描述热带气旋的结构十分重要。然而,由于观测的不准确和资料分析、同化处理中引入的误差,模式初始分析场很难给出热带气旋的真实结构。因此,对于单一确定性预报而言,即使模式完美,初始分析误差也会使预报性能随预报时间的延长而衰减,从而无法得到准确的热带气旋预报结果(王晨稀等,2011;余晖等,2015)。集合预报是估计热带气旋模式初始分析场的不确定性、提高其数值预报技巧的有效手段(王晨稀,2013;黄小刚等,2010)。如何构建合理的热带气旋集合预报的初值扰动方法是热带气旋集合预报的核心问题。
受到集合预报技术在中期天气预报中成功应用的鼓舞,20世纪90年代中期集合预报技术开始应用到热带气旋数值预报中。根据其数值预报的不确定性,热带气旋的集合预报方法分为3种(王晨稀,2013):初值扰动方法(谭燕,2014)、模式扰动方法(孙敏等,2014;王晨稀,2015;Judt,et al,2016)和多模式超级集合预报方法(张涵斌等,2015;Jun,et al,2015;Dong,et al,2016;Melhauser,et al,2017;Zhang,et al,2017)。对热带气旋集合预报而言,初值扰动需要同时描述大尺度环境流场和热带气旋的不确定性(Hamill,2006)。此外,热带地区的非绝热过程很重要且具有很强的非线性。因此,热带气旋集合预报初值扰动的构造比较困难。
目前,国际上已发展了多种集合预报初值扰动方法,如滞后平均法(Hoffman,et al,1983;Zhou,et al,2006)、繁殖向量法(Toth,et al,1993)、随机扰动法(Leith,1974;Cheung,2001)、奇异向量法(Lorenz,1965;Barkmeijer,et al,2001;Puri,et al,2001;Palmer,et al,2001;Majumdar,et al,2010)、集合卡尔曼滤波法(Houtekamer,et al,2005)、正交条件非线性最优扰动法(Duan,et al,2016;Huo,et al,2019)等。其中,奇异向量法在热带气旋集合预报方面具有较好的表现。奇异向量是线性模式中增长最快的初始扰动,已成功应用于欧洲中期天气预报中心(ECMWF)和日本气象厅业务集合预报初值扰动的生成,取得了较高的热带气旋集合预报技巧。对于热带地区,当存在热带气旋时,ECMWF全球集合预报系统计算热带气旋周围的湿(切线性和伴随模式中使用非绝热物理过程)奇异向量,以表征热带气旋内部及附近区域的初始不确定性(Barkmeijer,et al,2001;Puri,et al,2001),在预报热带气旋时比较有效。Puri等(2001)基于ECMWF的全球集合预报系统,发现使用非绝热物理过程求解热带气旋奇异向量(TCSVs)进而构造初值扰动,可以提供有价值的热带气旋路径离散度;求解TCSVs的目标区域的范围对热带气旋路径的离散度具有重要的影响,只有目标区域在热带气旋附近或其特定区域之内时才可以得到合适的路径离散度;当将整个热带地区作为目标区域时,由于求解得到的TCSVs并不一定位于热带气旋附近,其路径离散度将明显偏小。Palmer等(2001)分析了奇异向量对热带气旋路径集合预报的影响指出,为了获得有价值的集合预报结果,有必要将目标区域定义为热带气旋周围区域来求解奇异向量,因此当多个热带气旋共存时需要求解多个热带气旋目标区域的奇异向量。Palmer等(2001)评估了热带扰动对热带气旋路径集合预报的影响,结果表明热带气旋奇异向量的使用提高了2—4 d的热带气旋路径集合预报技巧,在一定程度上提高了热带地区和北半球的1 h累计降水概率预报技巧。Majumdar等(2010)表明,将南、北半球奇异向量和热带气旋奇异向量线性组合产生初值扰动的ECMWF全球集合预报系统具有对2008年大西洋热带气旋路径进行概率预报的能力。
全球区域一体化同化预报系统(Global/Regional Assimilation and Prediction System,GRAPES)是中国自主研发的新一代数值预报系统(陈德辉等,2006;薛纪善等,2008;Zhang,et al,2008)。GRAPES全球数值预报模式(薛纪善等,2008)是一个非静力、半隐式半拉格朗日均匀经纬度格点模式,采用地形追随高度坐标。为了提高垂直运动方程的计算精度,模式引入含复杂地形的参考大气,温度为常数(T0),Exner气压变量(Πr)和位温(θr)满足静力平衡关系。模式预报变量包括风(u,v,w)、扰动Exner气压(δΠ=Π−Πr)、扰动位温(δθ=θ−θr)和水汽(q)。GRAPES全球预报系统(GRAPES-GFS)近年来快速发展(Huang,et al,2013,2014),可以较好地预报副热带高压(Chen,et al,2008)。自2016年6月1日GRAPES-GFS 业务化以来,模式运行稳定,北半球500 hPa高度场平均可用预报时效达到7.3 d。Zhou等(2016)指出,GRAPES-GFS的热带气旋预报技巧对初值尤其是气旋中心和附近的初值非常敏感,有必要开展集合初值扰动,以估计热带气旋路径预报的不确定性并提高其路径的预报技巧。GRAPES-GFS具有切线性和伴随模式,这使得使用Lanczos算法(Simon,1984)求解奇异向量成为可能。
在GRAPES全球数值预报模式的基础上,中国气象局数值预报中心发展了GRAPES全球集合预报模式,水平分辨率为0.5°×0.5°,垂直60层,积分步长600 s,预报时效15 d。马旭林等(2008)曾基于集合卡尔曼变换初始扰动方案产生GRAPES全球集合预报系统(GRAPES-GEPS)的初始扰动。鉴于奇异向量法在ECMWF的成功应用,GRAPES-GEPS的初值扰动技术也基于奇异向量法产生初值扰动(刘永柱等,2011,2013;李晓莉等,2019),使用随机物理倾向项扰动方法(Stochastically perturbed parameterization tendencies,SPPT)(袁月等,2016)和动能后向散射补偿扰动方法(Stochastic Kinetic Energy Backscatter,SKEB)(彭飞等,2019)对模式物理过程倾向进行随机扰动。目前,GRAPES-GEPS共有31个(30个扰动成员与1个控制预报)集合成员。使用奇异向量法的GRAPES-GEPS初值扰动技术,分别以南、北半球副热带地区为目标区域计算奇异向量,进而通过对奇异向量进行线性组合以产生初值扰动,并将初值扰动以正、负扰动对的形式叠加在分析场上生成扰动初值场。类似ECMWF全球集合预报系统的奇异向量求解方案(麻巨慧等,2011;沈越婷等,2015),在热带以外地区,GRAPES-GEPS分南、北半球(或冬、夏半球)分别求解奇异向量,以避免夏半球的奇异向量扰动分量过小。然而,GRAPES-GEPS的初值扰动由南、北半球奇异向量和演化奇异向量线性组合产生,热带地区初值扰动结构不合理,不能较好地反映热带地区及热带气旋的初始不确定性,从而具有较低的热带气旋集合预报技巧。
为更好地描述初值不确定性,提高GRAPES-GEPS的热带气旋集合预报技巧,有必要构建GRAPES全球模式的热带气旋奇异向量,并应用于GRAPES-GEPS初值扰动方案。基于已经建立的GRAPES-GEPS,发展GRAPES-GEPS TCSVs初值扰动方案,并进行集合预报试验,分析TCSVs对GRAPES-GEPS的影响,以弥补原初值扰动方案在热带气旋附近区域初值扰动不足的缺陷,提高GRAPES-GEPS的热带气旋集合预报技巧。
2 试验方案与资料 2.1 试验方案 2.1.1 奇异向量的计算奇异向量的计算需要使用GRAPES全球模式相应的切线性和伴随模式。在计算奇异向量时,忽略初始时刻的垂直运动,GRAPES切线性模式的大气基本状态向量为(u,v,
对于给定的权重模,奇异向量是在最优化时间间隔内增长最快的一组正交扰动。对于一个初始扰动向量(
${\lambda ^2} = \frac{{{{({{Px}}_{\rm{t}}})^{\rm T}}{{EP}}{{{x}}_{\rm{t}}}}}{{{{x}}_0^{\rm T}{{E}}{{{x}}_0}}}$ | (1) |
式中,
$({{{L}}^{\rm T}}{{{P}}^{\rm T}}{{EPL}}){{{x}}_{{i}}} = \lambda _{{i}}^2{{E}}{{{x}}_{{i}}}$ | (2) |
式中,
计算GRAPES奇异向量时,采用的权重模为总能量模(刘永柱等,2013),扰动量的总能量模(E)计算如下
$ \begin{split} {{E}}\!\!=\!\!& \iiint\limits_ {V} \Bigg(\frac{{{\rho _{\rm r}}\cos \varphi }}{2}{{({{u}}')}^2}\!\!+\!\! \frac{{{\rho _{\rm r}}\cos \varphi }}{2}{{({{v}}')}^2}\! \!+\!\!\\& \frac{{{\rho _{\rm r}}\cos \varphi {C_p}{T_{\rm r}}}}{{{{{\theta _{\rm r}}}^2}}}{{(({\text{δ}} {{\theta}})')}^2}\!\!+ \frac{{{\rho _{\rm r}}\cos \varphi {C_p}{T_{\rm r}}}}{{{{{\varPi _{\rm r}}}^2}}}{{(({\text{δ}} {{\varPi}})')}^2}\Bigg){\rm d}V\!\!\! \end{split}$ | (3) |
式中,前面两项之和为扰动动能模,后两项之和表示扰动位能模,其中第三项和第四项分别表示位能中扰动位温和扰动无量纲气压分量的贡献。式(3)中,
$\begin{aligned} & {\varPi _{\rm r}} =\exp \left(- \frac{{g{\textit z}}}{{{C_p}{T_{\rm r}}}}\right)\\&{\theta _{\rm r}} = {T_{\rm r}}\exp \left(\frac{{g{\textit z}}}{{{C_p}{T_{\rm r}}}}\right)\\&{\rho _{\rm r}} = \frac{{{p_{\rm r}}{{({\varPi _{\rm r}})}^{({C_p}/{R_{\rm d}})}}}}{{{R_{\rm d}}{T_{\rm r}}}} \end{aligned}$ | (4) |
式中,
考虑热带气旋系统的特殊性,发展了低纬度热带气旋奇异向量计算方案,在计算奇异向量时,将全球分成3个目标区域(北半球副热带(30°—80°N)、南半球副热带(80°—30°S)和低纬度热带气旋区域)来分别求解奇异向量。为简化起见,以北半球副热带为目标区域得到的奇异向量记为NHSVs;南半球副热带对应的奇异向量记为SHSVs。低纬度热带气旋区域奇异向量计算方案是以热带气旋为中心的10个经纬度区域为目标区计算奇异向量,记为TCSVs。由于在初始时刻可能存在多个热带气旋,因此,热带气旋目标区域的个数可能大于1。初步研究发现,热带气旋个数和热带气旋目标区域个数是一致的,并没有考虑两个热带气旋目标区域重叠较多时合并的情况。基于三大目标区域求解奇异向量,不仅可以生成能够体现副热带大气斜压不稳定扰动发展的奇异向量,还在有热带气旋生成时考虑热带气旋发展的奇异向量。随着线性物理过程的开发,在计算奇异向量时,切线性模式及伴随模式采用线性化边界层(PBL)方案和线性化Mountain Blocking(MB)方案。对于副热带奇异向量及演化奇异向量,使用Lanczos算法迭代50步进行求解。当初始时刻存在热带气旋时,使用Lanczos算法迭代20步,求解TCSVs并将其应用于初值扰动的产生。
2.1.2 初值扰动方法GRAPES-GEPS初值扰动场由南、北半球奇异向量和演化奇异向量产生初值,为研究TCSVs对GRAPES-GEPS的影响,在新的方案中,GRAPES-GEPS基于南、北半球奇异向量、演化奇异向量和TCSVs共同产生初值扰动。为区分2种初值扰动产生方法,将原方案称为NSSVs,新方案称为TCSVs。其中,方案NSSVs是指仅基于南、北半球奇异向量、演化奇异向量,采用式(5)产生初值扰动。
$\begin{split} {{{p}}_j} =& (1 - a) \left(\displaystyle\sum\limits_{k = 1}^{N_x^{\rm N}} {{\alpha _{j,k}} {{x}}_k^{\rm N}} + \sum\limits_{k = 1}^{N_x^{\rm S}} {{{\tilde \alpha }_{j,k}} {{x}}_k^{\rm S}}\right) + \\ & a \left(\displaystyle\sum\limits_{k = 1}^{N_y^{\rm N}} {{\beta _{j,k}} {{y}}_k^{\rm N}} + \displaystyle\sum\limits_{k = 1}^{N_y^{\rm S}} {{{\tilde \beta }_{j,k}} {{y}}_k^{\rm S}}\right) \end{split} $ | (5) |
式中,
$\begin{split}{\overline L ^2} =\sum\limits_{i,j,k} {\left[{{\left(\frac{{u_{i,j,k}}}{u_k^{\rm{err}}}\right)^2}} + {{\left(\frac{v_{i,j,k}}{v_k^{\rm{err}}}\right)}^2}\right.} + \left.{{\left(\frac{\theta _{i,j,k}}{\theta _k^{\rm{err}}}\right)}^2} + {{\left(\frac{\varPi _{i,j,k}}{\varPi _k^{\rm{err}}}\right)}^2}\right]\end{split} $ | (6) |
式中,i、j、k分别是模式网格经度、纬度和垂直层数,
方案TCSVs是指基于南、北半球奇异向量、演化奇异向量和TCSVs,采用式(7)产生初值扰动。
$\begin{split} {{{p}}_j} = &(1 - a) \left(\sum\limits_{k = 1}^{N_x^{\rm N}} {{\alpha _{j,k}} {{x}}_k^{\rm N}} + \sum\limits_{k = 1}^{N_x^{\rm S}} {{{\tilde \alpha }_{j,k}} {{x}}_k^{\rm S}} + \sum\limits_{i = 1}^{{N^{\rm T}}} {\sum\limits_{k = 1}^{N_i^{\rm T}} {{\lambda _{j,k}} {{x}}_{i,k}^{\rm T}} }\right) +\\ & a \left(\sum\limits_{k = 1}^{N_y^{\rm N}} {{\beta _{j,k}} {{y}}_k^{\rm N}} + \sum\limits_{k = 1}^{N_y^{\rm S}} {{{\tilde \beta }_{j,k}} {{y}}_k^{\rm S}}\right) \\[-20pt] \end{split} $ | (7) |
式中,
为分析TCSVs对GRAPES-GEPS初值扰动的影响,选取2017年8月12日12时(世界时,下同)为初始时刻,求解1712号台风“榕树”对应的TCSVs,分析TCSVs的结构特征。采用NSSVs和TCSVs两种不同的方案生成相应的初值扰动场,对比分析两种方案对应的初值扰动结构。进行集合预报试验,分析TCSVs对1712号台风“榕树”路径集合预报技巧的影响。表1给出的是集合预报试验方案,其中“√”表示采用,“×”表示不采用。NSSVs代表初值扰动基于NSSVs方法,TCSVs代表初值扰动基于TCSVs方法,2个试验均采用SPPT和SKEB模式扰动方案。随后,为分析TCSVs对多个热带气旋个例集合预报技巧的影响,对2017年8月3、6、12、24、30日每天进行12时起报的集合预报试验,分析TCSVs对GRAPES-GEPS的热带气旋集合预报技巧以及中国地区24 h累计降水概率预报技巧,集合成员个数为31。
基于GRAPES-GEPS求解奇异向量并进行集合预报试验时,初值根据GRAPES-GFS业务同化分析场插值得到,初始时刻热带气旋定位信息来自中国国家气象信息中心GTS通讯网络数据,台风路径和强度集合预报检验评估采用中央气象台提供的热带气旋最佳路径数据,降水预报检验采用中国国家气象信息中心2400多个国家级自动观测站的站点降水资料。
3 热带气旋奇异向量对初值扰动结构的影响 3.1 热带气旋奇异向量结构分析试验初始时刻(2017年8月12日12时),求解1712号台风“榕树”对应的TCSVs,从前5个TCSVs的能量均值垂直分布(图1)可见,TCSVs可以反映大气对流不稳定特征;位能占主导集中在对流层高层;动能在垂直方向上分布相对均匀,在对流层中层和高层均有一定体现。
图2给出1712号台风“榕树”对应的第1、2、5、7个TCSV位温扰动分量在20°N的垂直剖面。初始时刻,1712号台风“榕树”的初始位置为(20.0°N,164.7°E)。TCSVs的大值区位于台风周围,不同TCSVs具有不同的垂直结构,尤其是第一TCSV主要集中在模式第30—50层,其他TCSVs则主要集中在模式第15—50层。图3是1712号台风“榕树”对应的第1、2、5、7个TCSV位温扰动分量在模式第40层(大约200 hPa)的水平分布。结果表明,TCSVs具有局地化特征,其扰动大值分布在热带气旋目标区域附近。
3.2 基于西北太平洋热带气旋奇异向量的初值扰动结构特征图4、5分别是试验方案NSSVs和TCSVs生成的第5个初始扰动的位温扰动在模式第40层的水平分布和20°N的垂直剖面。仅使用副热带奇异向量和演化奇异向量产生初值扰动时,热带气旋附近区域基本无初始扰动;使用热带气旋奇异向量和副热带奇异向量及演化奇异向量产生初值扰动时,台风周围存在初值扰动。因此,仅仅使用副热带奇异向量及演化奇异向量产生初值扰动不能较好反映热带气旋周围的初始不确定性;使用副热带奇异向量及演化奇异向量的同时使用热带气旋奇异向量来产生初值扰动,可以同时描述副热带和热带气旋的初始不确定性。
4 热带气旋奇异向量对集合预报技巧的影响 4.1 1712台风路径和强度集合预报技巧图6是两种试验方案对应的1712号台风“榕树”集合预报路径。与仅使用副热带奇异向量及演化奇异向量生成初始扰动相比,由副热带奇异向量及演化奇异向量与TCSVs共同构造的初始扰动场可以提高台风路径集合预报的离散度。图7是两种方案对应的集合平均路径预报误差和离散度及对照预报路径预报误差随时间的演变。不使用TCSVs时,台风路径集合离散度不足,在6—84 小时的预报时段内,集合平均路径误差与对照预报路径误差相当,甚至在66—78小时的预报时段内集合平均路径误差略大于对照预报路径误差,直至90—102小时的预报时段内集合平均路径预报误差小于对照预报路径误差;使用TCSVs时,台风路径集合离散度提高,集合平均预报误差在18—102小时的预报时段内减小,尤其是小于对照预报路径预报误差。大约在72小时预报后,TCSVs方案的路径集合离散度明显大于集合平均预报误差。这意味着72 h之后,TCSVs方案的路径集合离散度过大了。这可能有两方面的原因:(1)在TCSVs方案中,初值扰动考虑TCSVs后,台风涡旋周围的初值扰动量较NSSVs方案有明显增大,造成扰动量略偏大,以至于后期预报的路径集合离散度明显大于集合平均预报误差;(2)模式动力框架和物理过程与被扰动的初值相互影响和协调性不足,导致台风路径预报与对照预报偏离较多,造成台风路径集合离散度明显增大。在未来研究中,应结合实际业务预报结果,开展更深入的诊断分析,解决目前存在的问题。
热带气旋强度预报也是台风预报的重要内容,通常针对其中心最低海平面气压和中心最大风速来进行评估。图8是两种方案对应的最低海平面气压和最大风速相应的集合平均、对照预报的热带气旋中心预报误差及集合离散度随时间演变。GRAPES-GEPS对热带气旋强度的预报并不理想,TCSVs的使用有助于热带气旋强度集合离散度的增大,但对热带气旋强度集合平均预报的影响不大,这可能和模式对热带气旋强度的预报能力以及模式积分的水平分辨率为0.5°有关。
4.2 集合预报批量试验结果为研究TCSVs对多个热带气旋个例集合预报技巧的影响,对2017年8月3、6、12、24、30日每天12时起报的集合预报进行了批量试验(图9),包括台风样本对应的集合平均路径预报误差和离散度以及对照预报路径预报误差。结果表明,使用TCSVs之后,台风路径集合离散度增大,在6—66小时预报时段内,集合平均路径预报误差和对照预报路径预报误差相当;在72 h预报时次,集合平均路径预报误差略有增大;在78—114 小时预报时段内,集合平均路径预报误差减小。图10是中国24 h累计降水概率预报技巧BS评分随预报时效的演变。使用TCSVs之后,中国台风降水的小雨、中雨、大雨、暴雨概率预报技巧均有一定提高。至于热带气旋强度的预报,多个台风样本对应的预报效果和前文个例结果类似,不再赘述。
5 总结和讨论基于副热带奇异向量的初值扰动方法已应用于GRAPES-GEPS,针对该系统热带气旋预报的路径离散度不足问题,为更好地描述热带气旋初值不确定性,提高GRAPES-GEPS的热带气旋集合预报技巧,基于已经建立的GRAPES-GEPS,发展了GRAPES-GEPS的TCSVs初值扰动方法,即以热带气旋为中心10°×10°的范围为目标区域求解奇异向量,将热带气旋奇异向量和副热带奇异向量及演化奇异向量线性组合产生初值扰动,以弥补原初值扰动方案在热带气旋附近初值扰动不足的缺陷。研究结果表明:
(1)热带气旋奇异向量可以反映大气对流不稳定特征,具有局地化特征,扰动大值分布在热带气旋目标区域附近,不同热带气旋奇异向量具有不同的空间结构。
(2)将热带气旋对应的TCSVs连同南、北半球副热带奇异向量和演化奇异向量一起线性组合产生初始扰动,与使用NSSVs产生初始扰动相比,热带气旋路径离散度增大,集合成员更好地描述了热带气旋路径的预报不确定性,路径集合平均预报误差和离散度间的关系得到改善,路径集合平均预报误差减小。
(3)热带气旋奇异向量的使用可以略微增加热带气旋强度集合离散度,但对热带气旋强度的预报影响不大。
(4)与使用NSSVs产生初始扰动相比,使用NSSVs和TCSVs共同产生初始扰动时,中国台风降水的小雨、中雨、大雨、暴雨24 h累计降水概率预报技巧均有一定增加。
热带气旋奇异向量对改善热带气旋路径集合预报而言是有效且重要的,当存在热带气旋时应该使用TCSVs和NSSVs共同产生初始扰动。但由于GRAPES-GFS切线性伴随模式的湿线性物理过程尚在研发阶段,采用了干物理过程的切线性模式,已有的研究(Barkmeijer,et al,2001;Palmer,et al,2001;Kim,et al,2009;Lang,et al,2012)结果表明,湿线性物理过程对热带气旋奇异向量的结构和热带气旋集合预报效果存在一定影响,因此在未来的研究中,需要进一步分析GRAPES-SVs湿线性物理过程对TCSVs和热带气旋集合预报技巧的影响。
陈德辉, 沈学顺. 2006. 新一代数值预报系统GRAPES研究进展. 应用气象学报, 17(6): 773-777. Chen D H, Shen X S. 2006. Recent progress on GRAPES research and application. J Appl Meteor Sci, 17(6): 773-777. DOI:10.3969/j.issn.1001-7313.2006.06.014 (in Chinese) |
黄小刚, 费建芳, 陆汉城等. 2010. 基于集合Kalman滤波数据同化与偏差修正的热带气旋强度集合预报研究. 气象学报, 68(1): 79-87. Huang X G, Fei J F, Lu H C, et al. 2010. The ensemble forecasting of tropical cyclone intensity based on EnKF data assimilation and bias-correction. Acta Meteor Sinica, 68(1): 79-87. (in Chinese) |
李晓莉, 刘永柱. 2019. GRAPES全球奇异向量方法改进及试验分析. 气象学报, 77(3): 552-562. Li X L, Liu Y Z. 2019. The improvement of GRAPES global extratropical singular vectors and experimental study. Acta Meteor Sinica, 77(3): 552-562. (in Chinese) |
刘永柱, 杨学胜, 王洪庆. 2011. GRAPES奇异向量研究及其在暴雨集合预报中的应用. 北京大学学报(自然科学版), 47(2): 271-277. Liu Y Z, Yang X S, Wang H Q. 2011. Research on GRAPES singular vectors and application to heavy rain ensemble prediction. Acta Sci Nat Univ Pekin, 47(2): 271-277. (in Chinese) |
刘永柱, 沈学顺, 李晓莉. 2013. 基于总能量模的GRAPES全球模式奇异向量扰动研究. 气象学报, 71(3): 517-526. Liu Y Z, Shen X S, Li X L. 2013. Research on the singular vector perturbation of the GRAPES global model based on the total energy norm. Acta Meteor Sinica, 71(3): 517-526. DOI:10.3969/j.issn.1004-4965.2013.03.020 (in Chinese) |
麻巨慧, 朱跃建, 王盘兴等. 2011. NCEP、ECMWF及CMC全球集合预报业务系统发展综述. 大气科学学报, 34(3): 370-380. Ma J H, Zhou Y J, Wang P X, et al. 2011. A review on the developments of NCEP, ECMWF and CMC global ensemble forecast system. Trans Atmos Sci, 34(3): 370-380. DOI:10.3969/j.issn.1674-7097.2011.03.015 (in Chinese) |
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. 气象学报, 66(4): 526-536. Ma X L, Xue J S, Lu W S. 2008. Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction. Acta Meteor Sinica, 66(4): 526-536. DOI:10.3321/j.issn:0577-6619.2008.04.006 (in Chinese) |
彭飞, 李晓莉, 陈静等. 2019. GRAPES全球集合预报系统模式扰动随机动能补偿方案初步探究. 气象学报, 77(2): 180-195. Peng F, Li X L, Chen J, et al. 2019. A stochastic kinetic energy backscatter scheme for model perturbations in the GRAPES global ensemble prediction system. Acta Meteor Sinica, 77(2): 180-195. (in Chinese) |
沈越婷, 钱传海, 李泽椿等. 2015. 热带气旋集合预报技术的应用情况简介. 气象科技进展, 5(5): 33-42. Shen Y T, Qian C H, Li Z C, et al. 2015. A review on applications of tropical cyclones ensemble prediction technologies. Adv Meteor Sci Technol, 5(5): 33-42. (in Chinese) |
孙敏, 袁慧玲. 2014. WRF模式中微物理和积云对流参数化方案对台风“莫拉克”模拟敏感性分析. 热带气象学报, 30(5): 941-951. Sun M, Yuan H L. 2014. Impact of microphysics and cumulus convective parameterization schemes on WRF numerical simulation of typhoon MORAKOT. J Trop Meteor, 30(5): 941-951. DOI:10.3969/j.issn.1004-4965.2014.05.014 (in Chinese) |
谭燕, 陈葆德. 2014. 多种扰动组合的热带气旋路径集合预报技术研究. 高原气象, 33(4): 1012-2021. Tan Y, Chen B D. 2014. Study of multiple perturb tropical cyclone ensemble forecast. Plateau Meteor, 33(4): 1012-2021. DOI:10.7522/j.issn.1000-0534.2013.00068 (in Chinese) |
王晨稀, 倪允琪. 2011. 影响热带气旋路径的敏感性试验与研究. 气象学报, 69(5): 757-769. Wang C X, Ni Y Q. 2011. Sensitivity experiments of impacting tropical cyclone track. Acta Meteor Sinica, 69(5): 757-769. (in Chinese) |
王晨稀. 2013. 热带气旋集合预报研究进展. 热带气象学报, 29(4): 698-704. Wang C X. 2013. Advances in tropical cyclone ensemble prediction. J Trop Meteor, 29(4): 698-704. DOI:10.3969/j.issn.1004-4965.2013.04.020 (in Chinese) |
王晨稀. 2015. 基于随机全倾向扰动的台风路径集合预报试验. 热带气象学报, 31(1): 32-42. Wang C X. 2015. Ensemble prediction experiments of typhoon track based on the stochastic total tendency perturbation. J Trop Meteor, 31(1): 32-42. (in Chinese) |
薛纪善, 陈德辉. 2008. 数值预报系统GRAPES的科学设计与应用. 北京: 科学出版社, 1-383. Xue J S, Chen D H. 2008. Scientific Design and Application of Numerical Prediction System GRAPES. Beijing: Science Press, 1-383 (in Chinese)
|
余晖, 陈国民, 万日金. 2015. 数值模式的热带气旋强度预报订正及其集成应用. 气象学报, 73(4): 667-678. Yu H, Chen G M, Wan R J. 2015. A multi-model consensus forecast technique for tropical cyclone intensity based on model output calibration. Acta Meteor Sinica, 73(4): 667-678. (in Chinese) |
袁月, 李晓莉, 陈静等. 2016. GRAPES区域集合预报系统模式不确定性的随机扰动技术研究. 气象, 42(10): 1161-1175. Yuan Y, Li X L, Chen J, et al. 2016. Stochastic parameterization toward model uncertainty for the GRAPES mesoscale ensemble prediction system. Meteor Mon, 42(10): 1161-1175. DOI:10.7519/j.issn.1000-0526.2016.10.001 (in Chinese) |
张涵斌, 智协飞, 王亚男等. 2015. 基于TIGGE资料的西太平洋热带气旋多模式集成预报方法比较. 气象, 41(9): 1058-1067. Zhang H B, Zhi X F, Wang Y N, et al. 2015. Comparison of multimodel ensemble methods for western pacific tropical cyclone forecast based on TIGGE data. Meteor Mon, 41(9): 1058-1067. (in Chinese) |
Barkmeijer J, Buizza R, Palmer T N, et al. 2001. Tropical singular vectors computed with linearized diabatic physics. Quart J Roy Meteor Soc, 127(572): 685-708. DOI:10.1002/qj.49712757221 |
Chen D H, Xue J S, Yang X S, et al. 2008. New generation of multi-scale NWP system(GRAPES): General scientific design. Chinese Sci Bull, 53(22): 3433-3445. |
Cheung K K W. 2001. Ensemble forecasting of tropical cyclone motion: Comparison between regional bred modes and random perturbations. Meteor Atmos Phys, 78(1-2): 23-34. DOI:10.1007/s007030170003 |
Dong L, Zhang F. 2016. OBEST: An observation-based ensemble subsetting technique for tropical cyclone track prediction. Wea Forecasting, 31(1): 57-70. DOI:10.1175/WAF-D-15-0056.1 |
Duan W S, Huo Z H. 2016. An approach to generating mutually independent initial perturbations for ensemble forecasts: Orthogonal conditional nonlinear optimal perturbations. J Atmos Sci, 73(3): 997-1014. DOI:10.1175/JAS-D-15-0138.1 |
Hamill T M. 2006. Ensemble-Based Atmospheric Data Assimilation: Predictability of Weather and Climate. Cambridge: Cambridge Press, 124-156
|
Hoffman R N, Kalnay E. 1983. Lagged average forecasting, an alternative to Monte Carlo forecasting. Tellus A: Dyn Meteor Oceanogr, 35(2): 100-118. DOI:10.3402/tellusa.v35i2.11425 |
Houtekamer P L, Mitchell H L. 2005. Ensemble Kalman filtering. Quart J Roy Meteor Soc, 131(613): 3269-3289. DOI:10.1256/qj.05.135 |
Huang B, Chen D H, Li X L, et al. 2014. Improvement of the semi-Lagrangian advection scheme in the GRAPES model: Theoretical analysis and idealized tests. Adv Atmos Sci, 31(3): 693-704. DOI:10.1007/s00376-013-3086-z |
Huang Y Y, Xue J S, Wan Q L, et al. 2013. Improvement of the surface pressure operator in GRAPES and its application in precipitation forecasting in South China. Adv Atmos Sci, 30(2): 354-366. DOI:10.1007/s00376-012-1270-1 |
Huo Z H, Duan W S. 2019. The application of the orthogonal conditional nonlinear optimal perturbations method to typhoon track ensemble forecasts. Sci China: Earth Sci, 62(2): 376-388. DOI:10.1007/s11430-018-9248-9 |
Huo Z H, Duan W S, Zhou F F. 2019. Ensemble forecasts of tropical cyclone track with orthogonal conditional nonlinear optimal perturbations. Adv Atmos Sci, 36(2): 231-247. DOI:10.1007/s00376-018-8001-1 |
Judt F, Chen S S, Berner J. 2016. Predictability of tropical cyclone intensity: Scale-dependent forecast error growth in high-resolution stochastic kinetic-energy backscatter ensembles. Quart J Roy Meteor Soc, 142(694): 43-57. DOI:10.1002/qj.2626 |
Jun S, Lee W, Kang K R, et al. 2015. Applicability of the superensemble to the tropical cyclone track forecasts in the western north Pacific. Asia-Pac J Atmos Sci, 51(1): 39-48. DOI:10.1007/s13143-014-0058-x |
Kim H M, Jung B J. 2009. Influence of moist physics and norms on singular vectors for a tropical cyclone. Mon Wea Rev, 137(2): 525-543. DOI:10.1175/2008MWR2739.1 |
Lang S T K, Jones S C, Leutbecher M, et al. 2012. Sensitivity, structure, and dynamics of singular vectors associated with hurricane Helene(2006). J Atmos Sci, 69(2): 675-694. DOI:10.1175/JAS-D-11-048.1 |
Leith C E. 1974. Theoretical skill of Monte Carlo forecasts. Mon Wea Rev, 102(6): 409-418. DOI:10.1175/1520-0493(1974)102<0409:TSOMCF>2.0.CO;2 |
Lorenz E N. 1965. A study of the predictability of a 28-variable atmospheric model. Tellus, 17(3): 321-333. DOI:10.3402/tellusa.v17i3.9076 |
Majumdar S J, Finocchio P M. 2010. On the ability of global ensemble prediction systems to predict tropical cyclone track probabilities. Wea Forecasting, 25(2): 659-680. DOI:10.1175/2009WAF2222327.1 |
Melhauser C, Zhang F Q, Weng Y H, et al. 2017. A multiple-model convection-permitting ensemble examination of the probabilistic prediction of tropical cyclones: Hurricanes Sandy (2012) and Edouard (2014). Wea Forecasting, 32(2): 665-688. DOI:10.1175/WAF-D-16-0082.1 |
Palmer T N, Barkmeijer J, Buizza R, et al. 2001. Severe weather prediction. Bologna, Italy: ECMWF
|
Puri K, Barkmeijer J, Palmer T N. 2001. Ensemble prediction of tropical cyclones using targeted diabatic singular vectors. Quart J Roy Meteor Soc, 127(572): 709-731. DOI:10.1002/qj.49712757222 |
Simon H D. 1984. The lanczos algorithm with partial reorthogonalization. Math Comput, 42(165): 115-142. DOI:10.1090/S0025-5718-1984-0725988-X |
Toth Z, Kalnay E. 1993. Ensemble forecasting at NMC: The generation of perturbations. Bull Amer Meteor Soc, 74(12): 2317-2330. DOI:10.1175/1520-0477(1993)074<2317:EFANTG>2.0.CO;2 |
Zhang R H, Shen X S. 2008. On the development of the GRAPES :A new generation of the National operational NWP system in China. Chinese Sci Bull, 53(22): 3429-3432. |
Zhang X P, Yu H. 2017. A probabilistic tropical cyclone track forecast scheme based on the selective consensus of ensemble prediction systems. Wea Forecasting, 32(6): 2143-2157. DOI:10.1175/WAF-D-17-0071.1 |
Zhou F F, Yamaguchi M, Qin X H. 2016. Possible sources of forecast errors generated by the Global/Regional Assimilation and Prediction System for landfalling tropical cyclones. Part I: Initial uncertainties. Adv Atmos Sci, 33(7): 841-851. DOI:10.1007/s00376-016-5238-4 |
Zhou X Q, Chen J C L. 2006. Ensemble forecasting of tropical cyclone motion using a barotropic model. Adv Atmos Sci, 23(3): 342-354. DOI:10.1007/s00376-006-0342-5 |