论文部分内容阅读
集合预报作为新发展起来的一代动力随机预报,已经在当今的数值天气预报中占据了越来越重要的地位,多模式、多分析的超级集合预报能弥补初始场的不确切性、模式的不完善性,更是现今研究的热点。但是,因为所选取的模式、物理过程参数化方案的不同,多模式超级集合预报中的每个成员系统性偏差的差别很大,必须先用系统性偏差订正的方法扣除自身的系统性偏差,才能有效的集成。论文基于NMC/CMA、MRI/JMA、NCEP、MSC和Meteo-Fr.& ZAMG五个数值预报中心的中尺度集合预报结果,对2m温度预报进行了偏差订正(包括修正系统偏差和调整集合离散度),再对偏差订正后的预报进行了多模式超级集合预报试验。首先采用自适应卡尔曼滤波偏差订正方法,通过递减平均来降低偏差尺度,并对订正结果进行分析。对集合平均预报和概率预报的检验结果表明,一阶矩订正后,系统偏差明显减小,预报和观测的相关程度提高。另外由于物理过程配置不同引起集合成员分组的现象也得到改善。二阶矩订正后2m温度的集合离散度得到合理放大,无论是集合概率预报的可靠性还是分辨能力都得到提高。然后,用经过系统偏差订正的五个中尺度集合预报结果构造了两个多模式超级集合预报试验,集合成员数分别为70和11,并与单一集合预报中表现最好的MRF/JMA模式预报结果进行比较,结果表明,即使在集合成员数不占优势的情况下,多模式集合预报的效果仍是优于MRF/JMA模式的。对超级集合预报最优集合成员数的研究发现,在集合成员数较少时,各时效预报所能代表的不确定性随集合成员数增加而增大的关系比较明显,当集合成员数达到40左右后,预报所能解释的不确定性几乎都达到饱和,再提高的空间不大。另外,对五个集合平均预报结果采用算术平均、多元回归和BP神经元网络三种方法进行集成研究,结果显示,加权集成的集合平均预报效果最好,mem70集合平均预报次之,单一模式集合平均预报效果最差。而在三种集成预报中,多元回归方法集成的集合平均预报效果略好,BP网络集成的居中,算术平均集成的稍差。