中国气象学会主办。
文章信息
- 吴政秋, 张进, 陈静, 庞波, 夏宇, 陈法敬. 2020.
- WU Zhengqiu, ZHANG Jin, CHEN Jing, PANG Bo, XIA Yu, CHEN Fajing. 2020.
- GRAPES区域集合预报条件性台风涡旋重定位方法研究
- The study on the method of conditional typhoon vortex relocation for GRAPES regional ensemble prediction
- 气象学报, 78(2): 163-176.
- Acta Meteorologica Sinica, 78(2): 163-176.
- http://dx.doi.org/10.11676/qxxb2020.027
文章历史
-
2019-10-22 收稿
2020-01-02 改回
2. 中国气象局数值预报中心,北京,100081;
3. 南京信息工程大学,南京,210044
2. Numerical Weather Prediction Center,China Meteorological Administration,Beijing 100081,China;
3. Nanjing University of Information Science & Technology,Nanjing 210044,China
准确预报台风路径变化是一项具有挑战性的工作。为了减小台风涡旋中心初始定位误差对数值预报的影响,Yoshio Kurihara等(1993)提出了经典的台风涡旋分离和构造理论及一系列改进方案,使用三点平滑滤波方法从背景场中去除涡旋,保持背景场的平滑,并构造新的台风涡旋,再与剔除台风涡旋的背景场结合,进而改进台风路径数值预报准确率。近年来,涡旋重定位技术和台风数值预报系统不断改进成熟,如美国地球流体动力实验室(GFDL)飓风模式和中尺度预报模式(MM5)等台风预报模式的初始化方案是将背景场中的初始涡旋直接剔除,随后再与台风bogus模型合并(Leslie,et al,1995;Wang,et al,1998;黄小刚等,2006),这些台风涡旋重定位方案在中国也被应用于台风数值预报系统中(王国民等,1996;陈德辉等,1996;王诗文,1999;瞿安祥等,2009a,2009b,2016;张进,2017),缩小了西北太平洋台风路径预报误差。但是,由于观测资料、数据分析、同化处理和模式自身存在误差,台风涡旋中心初始定位仍然存在不确定性,加之非线性大气运动具有混沌特性(陈静等,2002;杜均等,2010;王璐等,2019),使得单一确定性台风路径数值预报仍然存在误差(Zhang,et al,1999;袁金南等,2010;沈越婷,2015)。台风集合预报是描述台风涡旋中心路径预报不确定性的有效手段,研究如何合理描述台风涡旋中心初始定位不确定性的方法对改进台风集合预报具有重要科学意义和应用价值。
中外不少研究人员开展了台风集合预报的研究。Zhang等(1997)采用经验正交函数分解法(EOF)分析不稳定模,以此来构造台风集合预报初始扰动场,结果表明台风路径集合预报优于对照预报。Cheung等(1999)基于正压模式,通过随机扰动法(MCF)构造台风涡旋扰动,并采用滞后平均法(LAF)和增长模繁殖法(BGM)构造环境场扰动,其结果表明应用更精细化的扰动构造方案使台风集合概率预报精度得到明显提高。随后Chan等(2005)在Cheung等(1999)的基础上研究了增长模繁殖法台风初始场扰动方法,发现同时生成涡旋和环境场扰动的台风路径预报结果优于只生成环境场扰动的预报结果。黄小刚等(2007)通过集合卡尔曼滤波数据同化的方法生成台风扰动成员,试验结果表明经过同化处理的台风集合预报结果优于未经过同化处理的预报结果。王晨稀等(2007)将增长模繁殖法和模式物理过程扰动法(MPP)结合构造台风初始扰动,与单独使用任一种方法相比,结合增长模繁殖法初值和模式物理过程的扰动法进一步提高了台风路径预报的精度。随后王晨稀(2014)又采用组合不同的物理参数化方案方法和随机物理过程模式扰动方法(SPPT)结合构造台风初始扰动,同样发现两种方法的结合可以更有效地提高台风路径预报的准确度。对台风集合预报的研究尽管已经取得了较丰富的成果,但如何更合理地描述台风涡旋中心定位的不确定性仍有待深入研究。
中国气象局数值预报中心自主研发了区域集合预报业务系统(GRAPES-REPS),2014年实现业务化运行(张涵斌等,2014a,2014b),通过对GRAPES-REPS台风路径集合预报的诊断分析发现,虽然部分集合成员的台风涡旋中心初始定位经过扰动后比较合理,台风涡旋中心围绕着台风观测位置,但某些集合成员初始场中台风涡旋中心远离观测位置,夸大了台风涡旋中心初始定位的不确定性,从而导致该成员的路径预报效果较差,影响了台风路径集合概率预报的整体性能,因此需要改进台风涡旋中心定位误差的代表性。
利用2009—2018年中国气象局和日本气象厅台风最佳路径数据,分析台风涡旋中心定位的不确定性特征,在此基础上,基于GRAPES-REPS集合预报系统,设计了一种条件性台风涡旋重定位(CTVR)方法,以代表集合预报成员扰动初值中台风涡旋中心的不确定性特征,利用2018年西北太平洋上的3个台风(1808号“玛莉亚”、1824号“谭美”和1825号“康妮”)进行条件性台风涡旋重定位数值试验,并对台风路径、最低气压、最大风速和降水等集合预报结果进行检验,以期为改进台风集合预报提供依据。
2 台风涡旋中心初始定位的不确定性 2.1 资料简介为获取台风涡旋中心初始定位不确定性的合理估计值,选取2009年1月1日至2018年12月31日中国气象局和日本气象厅10 a逐6 h的台风最佳路径数据集资料进行计算分析,其中中国气象局台风最佳路径资料采用了上海台风研究所整编的台风年鉴资料。
2.2 方法介绍中国气象局和日本气象厅二者台风最佳路径的差值(
$S = \arccos \left({\sin a_1\sin a_2 + \cos a_1\cos a_2\cos \left({{b_1} - {b_2}} \right)} \right)R$ | (1) |
式中,
表1是2009—2018年的最佳路径差值(
年份 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 平均误差(km) |
统计样本 | 705 | 378 | 667 | 872 | 803 | 764 | 1118 | 789 | 784 | 1172 | |
年平均误差(km) | 17.18 | 12.44 | 13.24 | 16.17 | 13.47 | 12.96 | 11.98 | 13.11 | 12.56 | 14.13 | 13.72 |
集合预报成员条件性台风涡旋重定位过程包括了集合成员台风涡旋中心重定位阈值条件设定、台风涡旋分离数学处理及涡旋重定位数学处理。
3.1.1 集合成员台风涡旋中心重定位阈值条件设定通过第2节统计分析可知,台风涡旋中心最佳路径的分析不确定性是13.72 km,结合试验模式10 km的水平分辨率(详见下节介绍),先以15 km为临界阈值,判别是否对集合预报成员进行台风涡旋重定位处理,即如果集合成员初值场中台风涡旋中心与最佳路径距离差值大于15 km,则判断该集合成员初始场中台风涡旋中心定位超出分析的不确定性范围,需要对该成员进行条件性台风涡旋重定位处理,否则认为该集合成员台风涡旋中心定位误差在分析不确定性范围之内,不做条件性台风涡旋重定位处理。随后通过典型个例集合预报试验,对台风涡旋中心重定位阈值进行敏感性试验,检验15 km阈值的合理性。
3.1.2 台风涡旋分离数学处理过程采用美国地球流体动力试验室发展的台风涡旋分离技术(Kurihara,et al,1995),对需要进行重定位的台风集合预报成员进行台风初始场与台风涡旋的分离,具体步骤如下:
第1步:通过空间滤波,将台风初始场分离成大尺度基本场和中小尺度扰动场。
将表征气压、经(纬)向风、温度和水汽混合比等要素的台风初始场(
${h_{\lambda,\varphi }} = {h_{B\lambda,\varphi }} + {h_{D\lambda,\varphi }}$ | (2) |
具体数学处理过程是:首先利用局地三点平滑算子对台风集合预报成员初始场(
${\bar h_{\lambda,\varphi }} = {h_{\lambda,\varphi }} + K\left({{h_{\lambda + 1,\varphi }} + {h_{\lambda - 1,\varphi }} - 2{h_{\lambda,\varphi }}} \right)$ | (3) |
式中,
$K = \frac{\,1\,}{\,2\,}{\left({1 - \cos \frac{{2{\text{π}} }}{m}} \right)^{ - 1}}$ | (4) |
m依次取值为2,3,4,2,5,6,7,2,8,9,2,连续应用于算子(3)进行经向滤波,目的是消除波长1000 km以内的中小尺度波动。经向滤波完成后,利用相同的方法继续对
${h_B}_{\lambda,\varphi } = {\bar h_{\lambda,\varphi }} + K\left({{{\bar h}_{\lambda,\varphi + 1}} + {{\bar h}_{\lambda,\varphi - 1}} - 2{{\bar h}_{\lambda,\varphi }}} \right)$ | (5) |
通过上述方法,可基本消除中小尺度波动,从而得到包含大尺度运动特征的基本场
第2步:根据扰动风场分布特征确定台风涡旋中心和边界。
为了进一步将扰动场分解为台风成分与表征其他中小尺度系统的非台风成分,首先需要确定台风涡旋的中心和边界。具体做法为:首先以台风观测位置附近的海平面气压最小值与低层高度场所在点的平均位置作为初猜点,以此初猜点为中心、以6°为边长的正方形区域内计算扰动场低层(850 hPa)相对涡度的质心
$\left\{\begin{aligned} &\lambda _0^* = \frac{{\displaystyle\sum {w_{ij}}{\zeta _{Dij}}{\lambda _{ij}}\Delta {S_{ij}}}}{{\displaystyle\sum {w_{ij}}{\zeta _{Dij}}\Delta {S_{ij}}}}\\ &\varphi _0^* = \frac{{\displaystyle\sum {w_{ij}}{\zeta _{Dij}}{\varphi _{ij}}\Delta {S_{ij}}}}{{\displaystyle\sum {w_{ij}}{\zeta _{Dij}}\Delta {S_{ij}}}} \end{aligned}\right.$ | (6) |
式中,
$\begin{array}{l} {w_{ij}} = \left\{ {\begin{array}{*{20}{l}} {1}&{r {\text{≤}} d}\\ {\exp \left[ { - \left({\dfrac{{r - d}}{D}} \right)} \right]}&{r {\text{>}} d} \end{array}} \right. d = 200\;{\rm{km}},\;D = 400\;{\rm{km}} \end{array}$ | (7) |
确定涡度质心位置后,继续根据需要向附近的风速最小值所在点微调,定为初始场中的台风涡旋中心位置。
台风涡旋中心确定后,台风边界可根据自台风涡旋中心延伸的24个径向上扰动切向风(
第3步:在台风涡旋区域内采用最优插值法将扰动场分解为台风成分和非台风成分。
台风涡旋中心附近的扰动场主要由台风成分构成,而越接近区域边界,非台风成分所占比重越大,台风边界处的扰动则完全为非台风成分。据此,将边界处的扰动场作为非台风成分的已知值,将区域内部的非台风成分初猜场设为0,通过最优插值方法计算台风区域内非台风成分(
${h_{V\lambda,\varphi }} = {h_{D\lambda,\varphi }} - {h_{T\lambda,\varphi }}$ | (8) |
考虑到台风涡旋结构的轴对称性和非对称性,为了将分离出的台风部分通过插值平移至观测位置,试验设计了两种台风涡旋重定位的数学处理过程。一是轴对称+非对称结构重定位,具体根据3.1.2节中所描述的方法得到台风轴对称+非对称结构部分(
$\overline {{h_{V\lambda,\varphi }}} \left({{r_0}} \right) = \frac{1}{{2{\text{π}} }}\oint {{h_{V\lambda,\varphi }}} \left({{r_0},\theta } \right){\rm{d}}\theta $ | (9) |
式中,
试验基于GRAPES-REPS区域集合预报系统,其集合成员数为15个(14个扰动预报和1个未扰动对照预报),预报区域为(15°—65°N,70°—145°E),水平分辨率0.1°×0.1°,模式水平格点数为501×751,垂直方向为地形追随坐标,垂直分为50层,模式积分步长为150 s,预报时效为72 h,模式每天2次(00和12 时(世界时,下同))起报。模式背景场和侧边界条件由中国气象局数值预报中心T639全球集合预报(15个成员)系统产生。GRAPES-REPS集合预报系统初值扰动采用集合变换卡尔曼滤波方法,模式扰动采用多物理过程组合方法,通过组合边界层参数化方案与积云对流参数化方案构造不同集合成员的模式扰动方案(张涵斌等,2014a,2014b,2017)。
3.2.2 试验选取2018年3个台风个例进行集合预报试验,分别为1808号台风“玛莉亚”(2018年7月9日00 时—2018年7月11日12时)、1824 号台风“谭美”(2018年9月26日12时—2018年9月29日12时)、1825号“康妮”台风(2018年10月4日00时—2018年10月6日18 时)。进行3组试验:第1组是对照试验,不进行条件性台风涡旋重定位,第2组是重定位台风轴对称结构的部分,标记为试验1,第3组是重定位台风轴对称+非对称结构的部分,标记为试验2。3组试验的起报时间间隔均为12 h。
在此基础上,以“玛莉亚”台风为例,对条件性台风涡旋重定位阈值进行了敏感性试验,试验方案见表2,并分析其预报路径、涡旋结构及要素场特征。
试验 | 条件性台风涡旋重定位方案 | 阈值设定(km) |
对照试验 | 不进行条件性台风涡旋重定位 | 无阈值设定 |
试验1 | 重定位台风轴对称结构的部分 | 10 |
15 | ||
20 | ||
试验2 | 重定位台风轴对称加非对称结构的部分 | 10 |
15 | ||
20 |
图1为“玛莉亚”、“潭美”、“康妮”台风经过条件性台风涡旋重定位后的集合平均路径误差改进率(%)随预报时效的变化,其中“玛莉亚”有5个预报样本,“潭美”“康妮”各有6个预报样本,总计17个样本,纵坐标下方数值为统计样本数。由图1可见,两种条件性台风涡旋重定位方案的改进效果相近,3个台风平均结果(图1d)显示台风经过条件性台风涡旋重定位后路径预报有一定的改进,原因是经过调整的台风集合预报初始场中的涡旋环流场和热力场等更接近实际的台风涡旋。但条件性台风涡旋重定位方法是针对台风集合预报初始场的改进与调整,在预报前期初始场质量的好坏影响较为明显,然而预报中后期路径误差主要受到模式物理过程和环境场的影响,因此0—42小时的改进较后期更为明显,随着预报时效的延长,路径误差改进率逐渐减小。“玛莉亚”(图1a)、“潭美”(图1b)和“康妮”(图1c)台风集合平均路径误差改进率最高分别达到了15.48%(6小时)、20.98%(12小时)和19.52%(24小时),“玛莉亚”台风的误差改进率在预报的中后期(36—60小时)有一定的提升。除了“玛莉亚”台风改进率始终为正值外,“潭美”和“康妮”台风的改进率分别在54和60小时出现了较小的负值。
为进一步确认条件性台风涡旋重定位对台风路径集合预报的影响,统计“玛莉亚”(1808)、“潭美”(1824)、“康妮”(1825)3个台风的集合平均路径误差与离散度(图2)。对比发现,试验1和试验2的集合平均路径误差和路径离散度统计结果相近。3个台风平均结果(图2d)表明经过条件性台风涡旋重定位后集合平均路径误差减小。3个台风路径误差减小值最高分别达到8.4 km(42小时)、8.6 km(12小时)和13.1 km(24小时),路径预报的改进主要集中在0—42小时,在48—72小时条件性台风涡旋重定位前后的集合平均路径误差较为接近,且“潭美”和“康妮”台风试验1和试验2的路径误差分别在54和60小时大于对照试验,与其不同的是“玛莉亚”台风试验1和试验2的路径误差在预报过程中始终小于对照试验。3个台风及其平均结果的台风路径离散度在条件性台风涡旋重定位前后也有相应的变化,试验1和试验2的路径离散度在预报初期略小于对照试验,路径离散度较对照试验都呈现预报初期(0—24小时)减小然后基本一致的趋势,这与条件性台风涡旋重定位方案将台风涡旋中心初始定位平移至台风观测位置有关,使得台风涡旋中心初始定位与观测位置基本重合,从而路径离散度在预报初期减小。
台风路径集合预报一致性(路径离散度与路径均方根误差比值)统计结果(图3)表明,采用条件性台风涡旋重定位方法后,3个台风及其平均结果的路径集合预报一致性在预报初期(0—12小时)较对照试验明显提升,这集中体现了条件性台风涡旋重定位方法对台风涡旋中心初始定位不确定性描述的改善效果。在预报中后期,试验1和试验2的一致性与对照试验结果相近,且3个试验的一致性随着预报时效的延长逐渐降低,此时的台风路径预报主要受到模式物理过程和环境场的影响。
4.2 “玛莉亚”台风个例分析基于4.1节统计结果,以“玛莉亚”台风为例分析条件性台风涡旋重定位阈值敏感性、预报路径、涡旋结构及要素场特征。
图4为“玛莉亚”条件性台风涡旋重定位阈值敏感性试验结果,分别为对照试验、试验1与试验2不同阈值(10、15、20 km)的台风路径预报一致性。总体来看,条件性台风涡旋重定位阈值设定为15 km时,预报初期的一致性略高于其他试验结果,但随着预报时效延长,不同试验的一致性差异明显小于预报初期,究其原因,预报后期路径误差主要受到模式物理过程和环境场的影响。
从图5a可以看出,“玛莉亚”条件性台风涡旋重定位前误差阈值范围之外共有8个离群集合成员的台风涡旋中心,将这8个集合成员的台风涡旋中心重定位到台风观测位置(图5b),然后进行模式积分完成试验(2018年7月10日00时)。
图6为“玛莉亚”(1808)台风涡旋中心初始定位误差超过阈值的集合成员0—24小时台风预报路径和台风最佳路径。可见试验1(图6b)与试验2(图6c)的集合成员经过条件性台风涡旋重定位后,台风涡旋中心初始定位误差超过阈值的离群成员涡旋中心初始定位与观测位置基本重合,经过调整的台风集合预报初始场中的涡旋环流场和热力场等要素场更接近实际的台风涡旋。因此,台风路径误差和离散度明显减小,各集合成员在预报初期(0—12小时)的预报路径较对照试验(图6a)有明显的收敛,然而预报中后期路径误差主要受到模式物理过程和环境场的影响,集合成员的预报路径随着预报时效的延长逐渐发散。路径偏南的集合成员(12号、13号)经过条件性台风涡旋重定位后的路径有一定程度的北抬,与最佳路径更为接近。
各集合成员的路径预报误差统计(图7)表明,试验1(图7b)和试验2(图7c)台风涡旋中心初始定位误差超过阈值的集合成员经过条件性台风涡旋重定位后,在预报初期(0—12小时)各集合成员的台风路径误差较对照试验(图7a)明显减小。对于24 h台风路径预报,对照试验的集合成员路径误差值最大为163 km,而试验1和试验2的集合成员最大误差值不超过150 km,表明条件性台风涡旋重定位对台风路径预报有一定程度的正贡献。
为了检验条件性台风涡旋重定位方法设计的合理性,对比了条件性台风涡旋重定位前后1000 hPa高度场、风场和温度场的变化(图8)。由图8可见,条件性台风涡旋重定位后的台风涡旋环流和大尺度环境场仍然比较连续协调,除了涡旋环流内的要素场在重定位前后有微小的变化外,涡旋环流外的大尺度环境场基本不变,具有一致性特点,这充分说明了文中所使用的条件性台风涡旋重定位方法是合理的。
图8a、b分别为试验1和试验2条件性台风涡旋重定位前后1000 hPa高度场和风场的差值,经过重定位数值试验后,台风初始场大尺度环流形势基本不变,只是将分离出来的台风涡旋中心平移到观测位置,从而使台风涡旋中心初始定位处的气压升高40 hPa,而观测位置的气压降低。风场除了在台风涡旋中心有约10 m/s的差值外,其他位置的风场在重定位前后基本不变。
图8c、d分别为试验1和试验2条件性台风涡旋重定位前后1000 hPa温度场的差值,结果表明温度场重定位前后基本不变,试验1(图8c)的台风涡旋中心处的等温线较为密集,且重定位前后温度差值最大仅为0.2 K。试验2(图8d)的温度差值最大为0.5 K,主要集中在台风涡旋的西部和北部。
除了条件性台风涡旋重定位前后台风结构的变化,台风强度和降水集合预报的变化也是试验关注点之一(图9)。误差统计结果表明试验1的集合平均最低气压误差略高于对照试验与试验2,但是3个试验结果相差不大,且随着预报时效的延长都呈现增大、减小交替的趋势,误差值最大为32.2 hPa(8小时),最小为24.9 hPa(15小时)(图9a)。试验1、试验2与对照试验的集合平均最大风速误差在预报前中期(0—18小时)基本一致,直到预报后期(18—24小时)3个试验方案的风速误差才有微小的差异,误差值最大为18.5 m/s(8小时),最小为10.8 m/s(18小时)(图9b)。
采用AROC评分对“玛莉亚”台风12、24 h累计降水集合预报进行检验(钟有亮等,2017),以分析条件性台风涡旋重定位前后台风降水集合预报的变化,降水阈值分别设定为0.1、5.0和15 mm,根据台风环流形势的影响,台风集合预报降水检验区域定为(15°—40°N,110°—135°E)。通过对比3个试验的AROC评分(表3)可以发现,试验1、试验2与对照试验的AROC评分在条件性台风涡旋重定位前后变化较小,最大的评分差值仅为0.005(对照试验与试验1降水阈值为5.0 mm的12 h累计降水AROC评分差值)。综上试验结果表明,条件性台风涡旋重定位前后的最低气压误差、最大风速误差和降水预报技巧变化不大,主要是因为条件性台风涡旋重定位只针对初始场中的台风涡旋中心初始定位进行了改进和调整,对台风的强度等要素不作调整。
AROC评分降水阈值 | 试验分组 | 12 h | 24 h |
0.1 mm | 对照试验 | 0.8056 | 0.8597 |
试验1 | 0.8054 | 0.8588 | |
试验2 | 0.8053 | 0.8594 | |
5.0 mm | 对照试验 | 0.8520 | 0.9231 |
试验1 | 0.8470 | 0.9242 | |
试验2 | 0.8503 | 0.9213 | |
15 mm | 对照试验 | 0.8175 | 0.9360 |
试验1 | 0.8210 | 0.9383 | |
试验2 | 0.8215 | 0.9354 |
采用2009—2018年中国气象局和日本气象厅台风最佳路径数据,分析台风最佳路径涡旋中心定位的不确定性特征,在此基础上设计条件性台风涡旋重定位方法,构建集合成员台风涡旋中心重定位阈值条件、台风涡旋分离数学处理及涡旋重定位等数学处理过程,利用中国气象局数值预报中心区域集合预报系统对2018年西北太平洋上的3个台风(1808号“玛莉亚”、1824号“谭美”和1825号“康妮”)进行轴对称结构和轴对称+非对称结构条件性台风涡旋重定位两种方案的集合预报试验和检验评估。得到如下结果:
(1)中国气象局和日本气象厅台风最佳路径误差逐年平均值最大为17.18 km(2009年),最小为11.98 km(2015年),10 a误差平均值为13.72 km,可视为台风涡旋中心定位不确定性的合理估计值。
(2)统计检验结果和典型个例分析表明,采用轴对称结构和轴对称+非对称结构条件性台风涡旋重定位方法的台风集合预报路径误差及一致性结果比较接近。
(3)3个台风统计检验结果表明,对集合预报成员进行条件性台风涡旋重定位后,台风路径集合概率预报效果改进明显,特别是0—42小时的改进较后期更为明显,随着预报时效的延长误差改进率逐渐减小,重定位前后的集合平均路径误差在预报后期较为接近,改进有限。试验1和试验2的路径离散度较对照试验相比都呈现初期减小然后基本一致的趋势。路径集合预报一致性结果显示,在预报初期试验1和试验2的一致性较对照试验得到明显提升,在预报的中后期,3个试验结果相近,且随着预报时效的延长一致性逐渐减小。
(4)通过对“玛莉亚”台风集合预报诊断分析发现,经过条件性台风涡旋重定位后,各集合成员的台风路径误差在预报初期明显减小且路径收敛,但随着预报时效的延长台风路径逐渐发散。应用条件性台风涡旋重定位方法后,台风涡旋环流和大尺度环境场仍然比较连续协调,且台风涡旋环流外的大尺度环境场具有一致性特点,最低气压误差、最大风速误差和降水预报技巧基本不变。
综上可见,条件性台风涡旋重定位方法可以改进GRAPES-REPS模式台风集合预报的概率预报效果,减小台风路径集合预报误差,初始时刻的台风预报效果改进尤为明显。但在研究中也注意到,在模式积分区域内需要具有完整的台风涡旋结构,否则无法使用条件性台风涡旋重定位方法,需要进一步研究条件性台风涡旋重定位方法在积分区域边界附近的适用性;此外还注意到,如果模式水平分辨率低于台风最佳路径不确定性阈值,将影响台风涡旋中心重定位的准确性,故该方法在高分辨率集合预报模式中更具有应用前景。
致 谢:感谢中国气象局数值预报中心数值预报专家陈德辉、邓国对条件性台风涡旋重定位方案设计的建议。
陈德辉, 王诗文, 汪厚君. 1996. 改进的物理过程参数化对台风路径数值预报的影响. 应用气象学报, 7(1): 1-8. |
陈静, 陈德辉, 颜宏. 2002. 集合数值预报发展与研究进展. 应用气象学报, 13(4): 497-507. DOI:10.3969/j.issn.1001-7313.2002.04.013 |
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. 气象, 36(11): 1-11. DOI:10.7519/j.issn.1000-0526.2010.11.001 |
黄小刚, 费建芳, 陆汉城. 2006. 消除分析台风方法的对比研究. 应用气象学报, 17(1): 81-86. DOI:10.3969/j.issn.1001-7313.2006.01.011 |
黄小刚, 费建芳, 陆汉城. 2007. 基于集合Kalman滤波数据同化的热带气旋路径集合预报研究. 大气科学学报, 31(3): 468-478. |
瞿安祥, 麻素红, Liu Qingfu等. 2009a. 全球数值模式中的台风初始化 I: 方案设计. 气象学报, 67(5): 716-726. |
瞿安祥, 麻素红, 李娟等. 2009b. 全球数值模式中的台风初始化II: 业务应用. 气象学报, 67(5): 727-735. |
瞿安祥, 麻素红, 张进. 2016. T639全球模式的台风初始化方案升级试验. 气象, 42(6): 664-673. DOI:10.7519/j.issn.1000-0526.2016.06.002 |
沈越婷, 钱传海, 李泽椿. 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. |
王国民, 王诗文, 李建军. 1996. 一个人造台风方案及其在移动套网格模式中的应用. 热带气象学报, 12(1): 9-17. |
王诗文. 1999. 国家气象中心台风数值模式的改进及其应用试验. 应用气象学报, 10(3): 347-535. DOI:10.3969/j.issn.1001-7313.1999.03.013 |
王晨稀, 梁旭东. 2007. 热带气旋路径集合预报试验. 应用气象学报, 18(5): 586-593. DOI:10.3969/j.issn.1001-7313.2007.05.002 |
王晨稀. 2014. “梅花”台风路径与强度的集合预报. 热带海洋学报, 33(6): 48-60. DOI:10.3969/j.issn.1009-5470.2014.06.007 |
王璐, 沈学顺. 2019. 对流尺度集合预报与模式不确定性研究进展. 气象, 45(8): 1158-1163. |
袁金南, 宋丽莉, 黄燕燕. 2010. 一种初始涡旋重定位方法及热带气旋路径数值模拟试验. 热带气象学报, 26(3): 257-263. DOI:10.3969/j.issn.1004-4965.2010.03.001 |
张进, 麻素红, 陈德辉等. 2017. GRAPES_TYM改进及其在2013年西北太平洋和南海台风预报中的表现. 热带气象学报, 33(1): 64-73. |
张涵斌, 陈静, 智协飞等. 2014. 基于GRAPES-Meso的集合预报扰动方案设计与比较. 大气科学学报, 37(3): 276-284. DOI:10.3969/j.issn.1674-7097.2014.03.003 |
张涵斌, 陈静, 智协飞等. 2014. GRAPES区域集合预报系统应用研究. 气象, 40(9): 1076-1087. DOI:10.7519/j.issn.1000-0526.2014.09.005 |
张涵斌, 智协飞, 陈静等. 2017. 区域集合预报扰动方法研究进展综述. 大气科学学报, 40(2): 145-157. |
钟有亮, 陈静, 王静等. 2017. GRAPES区域集合预报系统对登陆台风预报的检验评估. 热带气象学报, 33(6): 953-964. |
Chan J C L, LI K K. 2005. Ensemble forecasting of tropical cyclone motion using a barotropic model Part Ⅲ: Combining perturbations of the environment and the vortex. Meteor Atmos Phys, 90(1): 109-126. |
Cheung K K W, Chan J C L. 1999. Ensemble forecasting of tropical cyclone motion using a barotropicmodel, Part Ⅰ: Perturbations of the environ-ment. Mon Wea Rev, 127(6): 1 229-1 243. DOI:10.1175/1520-0493(1999)127<1229:EFOTCM>2.0.CO;2 |
Kurihara Y, Bender M A, Ross R J. 1993. An initialization scheme of hurricane model by vortex specification. Mon Wea Rev, 121: 2030-2045. DOI:10.1175/1520-0493(1993)121<2030:AISOHM>2.0.CO;2 |
Kurihara Y, Bender M A, et al. 1995. Improvements in the GFDL hurricane prediction system. Mon Wea Rev, 123: 2791-2801. DOI:10.1175/1520-0493(1995)123<2791:IITGHP>2.0.CO;2 |
Leslie L M, Holland G J. 1995. On the bogussing tropical cyclones in numerical models: A comparison of vortex profiles. Meteor Atmos Phys, 56(1): 101-110. |
Lieut Jack O, Horton Jr Usnr. 1968. Great circle route. Navigation, 15(3): 257-259. DOI:10.1002/j.2161-4296.1968.tb01614.x |
Wang Y Q. 1998. On the bogussing tropical cyclones in numerical models: The influence of vertical structure. Meteor Atmos Phys, 65(1): 153-170. |
Zhang Z, Krishnamurti T N. 1997. Ensemble forecasting of hurricane tracks. Bull Amer Meteor Soc, 78(12): 2785-2795. DOI:10.1175/1520-0477(1997)078<2785:EFOHT>2.0.CO;2 |
Zhang Z, Krishnamurti T N. 1999. A perturbation method for hurricane ensemble predictions. Mon Wea Rev, 127(4): 447-469. DOI:10.1175/1520-0493(1999)127<0447:APMFHE>2.0.CO;2 |