热带气象学报  2017, Vol. 33 Issue (6): 953-964  DOI: 10.16032/j.issn.1004-4965.2017.06.016
0

引用本文  

钟有亮, 陈静, 王静, 等. GRAPES区域集合预报系统对登陆台风预报的检验评估[J]. 热带气象学报, 2017, 33(6): 953-964.DOI: 10.16032/j.issn.1004-4965.2017.06.016.
钟有亮, 陈静, 王静, 等. Evaluation of the forecast for landed typhoons by grapes-reps regional ensemble prediction system[J]. JOURNAL OF TROPICAL METEOROLOGY, 2017, 33(6): 953-964. DOI: 10.16032/j.issn.1004-4965.2017.06.016.

资助项目

国家自然科学基金项目(41075035);中国气象局公益性行业科研专项(GYHY200906007);国家重点基础研究发展计划973项目(2012CB417204)共同资助

通讯作者

陈静,女,四川省人,研究员,博士,主要从事数值天气预报和集合预报。E-mail: chenj@cma.gov.cn

文章历史

收稿日期:2016-07-18
修订日期:2017-03-19
GRAPES区域集合预报系统对登陆台风预报的检验评估
钟有亮 1, 陈静 2, 王静 3, 吕恺 2, 李晓莉 2     
1. 成都信息工程大学,四川 成都 610225;
2. 国家数值预报中心,北京 100081;
3. 中国气象科学研究院,北京 100081
摘要:针对2015年7—9月登陆中国大陆沿海的台风,利用GRAPES-REPS区域集合预报资料和集合统计诊断分析方法,对登陆台风的移动路径、时间、地点、强度和降水等进行检验评估,以期为预报员应用GRAPES登陆台风概率预报提供依据。检验结果表明,(1)集合平均移动路径要优于控制预报,集合预报各成员登陆地点存在20~340 km差异,但实况登陆地点均能落在集合成员登陆地点中。(2)对24 h和48 h登陆地点误差而言,集合平均较控制预报更接近实况。(3)随着预报时间的趋近,集合平均、控制预报和集合成员登陆地点距离误差逐渐缩小,登陆地点空间位置预报也没有明显的系统性误差。(4)集合成员对台风登陆时间预报偏早,平均提前2.3 h。(5)在强度预报中,尽管最低气压和近中心最大风速存在登陆前偏弱而登陆后偏强的趋势,但登陆点预报值区间包含了实况观测值,表明GRAPES-REPS集合预报能够较好展示多种可能信息。(6)不同量级降水AROC评分为0.56~0.76,具有预报参考价值;另外AROC评分的高低及台风暴雨落区的准确性与台风登陆点和登陆时间误差密切相关。可见,GRAPES-REPS区域集合预报可以在台风登陆地点、时间、强度和降水预报等方面提供更多的预报不确定性信息,有助于做出正确的预报决策。
关键词GRAPES-REPS    区域集合预报    登陆台风    预报评估    
EVALUATION OF THE FORECAST FOR LANDED TYPHOONS BY GRAPES-REPS REGIONAL ENSEMBLE PREDICTION SYSTEM
ZHONG You-liang1, CHEN Jing2, WANG Jing3, LV Ka2, LI Xiao-li2     
1. Chengdu University of Information Technology, Chengdu610025, China;
2. National Meteorological Center, Beijing100081, China;
3. Chinese Academy of Meteorological Sciences, Beijing100081, China
Abstract: Based on the data of GRAPES-REPS Regional Ensemble Prediction System, four typhoons which landed in the coastal regions of Chinese continent for the period from July to September 2015 are evaluated by the methods of ensemble verification and diagnosis. The contents of evaluation included the typhoon track, landfall time and position and typhoon intensity as well as precipitation in order to be used better by forecasters. The results show that the average track by ensemble forecast is better than that of control forecast. The landed position of all ensemble members is quite different, which ranges from 20 to 340km, but observed landed positions of these four typhoons strike within the forecasts of ensemble members.The landed position errors of 24h and 48h ensemble average prediction are lower than that of control forecasts(82km and 197km).The results also showed that there are no obvious systematic errors of landed positions and the shorter the forecast time, the smaller error the landed position. For the landed time forecast, it is 2.5h ahead of ensemble members on average. For the intensity forecast of the typhoon, the minimum pressure and near-the-center maximum wind velocity are weak before landing and strong after landing with the observed landed position falling in the predicted values of ensemble members, which showed that GRAPES-REPS has the ability to make forecastsclose to the reality and exhibits the uncertainty of prediction. The AROC scores of precipitation category are from 0.59 to 0.76, which are positive for the forecaster. Thus, GRAPES-REPS can provide much more uncertainty information of typhoons track, landfall time, landfall position and intensity forecast than that of deterministic models, greatly improving the decision-making by forecaster.
Key words: GRAPES-REPS    regional ensemble prediction system    landed typhoon, evaluation    
1 引言

台风是发生在热带海洋上具有暖心结构、风力达到12级及以上的热带气旋,具有强度大,影响严重的特点,台风登陆常伴有大风、暴雨和风暴潮等灾害[1]。我国是世界上受登陆台风袭击最严重的国家之一,西北太平洋7—9月台风发生的频率最高,每年平均有6.9个台风登陆我国沿海[2]。台风登陆时性质复杂多变,给沿海地区带来狂风暴雨,导致山洪、泥石流、滑坡等次生灾害,给国家造成严重的财产损失和生命威胁。因此对登陆台风的移动路径、登陆地点、登陆时间、强度和降水等预报对保障人民生命安全及减少财产损失至关重要。

近年来,国内外对台风路径预报水平不断上升。2010—2014年,中央气象台24 h、48 h路径预报误差平均为95 km、164 km[3],美国联合台风预警中心(Joint Typhoon Warning Center,JTWC)在24 h、48 h路径预报误差平均为98 km、163 km[4],日本气象厅(Japan Meteorological Agency,JMA)在24 h预报误差平均为102 km,48 h接近184 km[5]。而对台风强度、降水分布等预报明显滞后,数值预报在预报性能上没有很明显的提高[3]。端义宏等[6]指出强度变化依赖于台风内部结构、环境流场及下垫面与台风环流的相互作用,是多尺度混合问题;而路径预报主要依赖于大尺度环流,如果数值预报模式能合理预报大尺度环流背景,就能够合理地预报出台风路径。陈联寿等[7]研究指出水汽输送是登陆台风维持的重要条件,中低纬度相互作用导致变性过程也有利于台风加强和维持。文献[7-9]研究表明,台风暴雨的强度和分布不仅与台风结构有密切关系,还与下垫面的地形、冷空气、水汽输送、中低纬度系统相互作用等密切相关。登陆台风的强度和降水分布预报的影响因素复杂多变,难以预报准确,因此需要受到更多的关注。

数值预报是国内外台风业务预报最重要的途径之一[10],但由于初值误差、模式误差和大气的混沌特性,导致数值预报具有不确定性。针对这一问题,Epstein[11]和Leith[12]提出集合预报方法,将确定性预报转变为概率预报,定量提供预报的不确定性信息。自1990年代中期以来,针对热带气旋的集合预报受到高度重视,并开展了大量研究。Zhang等[13]应用经验正交函数(EOF)法分析不稳定模,以其构造初始扰动,研究表明路径集合预报平均全部优于控制预报。Cheung等[14]采用一个正压模式,用随机扰动(MCF)构造涡旋扰动、滞后平均法(LAF)和增长模繁殖法(BGM)构造环境场扰动,结果表明路径的预报精度得到提高。Kumar等[15]采用多元回归方法产生成员的权重系数,将业务模式预报结果作为集合成员,对1998—2000年太平洋热带气旋路径和强度进行试验,结果表明集合预报明显好于各模式预报。周琼霞等[16]采用正压模式对热带气旋路径进行集合预报表明,热带气旋路径概率预报具有可行性[17]。王晨稀等[18]将增长模繁殖法(BGM)和模式物理过程扰动法(MPP)相结合形成扰动成员,其效果好于单一方法的集合预报。黄小刚等[19-20]采用集合Kalman滤波数据同化生成初值扰动成员,同时也考虑模式物理过程的不确定性,结果发现基于同化的效果要优于未同化的集合预报,对路径预报的改进效果要优于强度。但目前针对我国沿海登陆台风的路径、强度和降水等尚未有比较成熟的集合预报方法。

GRAPES-REPS(Global/Regional Assimilation and Prediction System-Regional Ensemble Prediction System,GRAPES-REPS)区域集合预报系统是由中国气象局数值预报中心自主研发,并于2014年8月进入业务化运行,可提供台风登陆时间和精细化降水概率预报。众所周知,模式预报产品的检验评估是预报员运用数值预报产品的重要依据之一,有助于提高灾害性天气预报准确率[21-22]。为了更好地应用GRAPES区域集合预报台风产品,需要对登陆台风预报效果进行细致的评估。本文利用集合统计诊断等方法,采用GRAPES-REPS集合预报资料,对2015年7—9月登陆我国大陆的三个台风(1510号“莲花”、1513号“苏迪罗”、1521号“杜鹃”)的登陆路径、地点、时间、强度和降水等进行检验分析,以进一步认识GRAPES-REPS登陆台风预报性能,为改进集合预报提供依据。

2 模式和资料简介

本文采用中国气象局数值预报中心自主研发的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个未扰动控制预报),预报范围为70~145 °E,15~65 °N,水平分辨率0.15 °×0.15 °,模式水平格点数为502×330,垂直坐标为地形追随坐标,垂直层次为26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 UTC)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个成员数)系统产生。GRAPES-REPS区域集合预报系统初值扰动采用集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)方法,模式扰动采用多物理过程组合方法,通过组合2个边界层参数化方案(MRF和YSU)与4个积云对流参数化方案(BMJ、KF-eta、SAS和KF)构造不同集合成员的模式扰动方案[23]

台风预报资料为GRAPES-REPS区域集合预报资料,分别选取台风登陆前连续5次预报,1510号“莲花”(7月7日00 UTC—9日00 UTC,下同),1513号“苏迪罗”(8月6日00 UTC—8日00 UTC),1521号“杜鹃”(9月26日12 UTC—28日12 UTC)及中国气象局(CMA)热带气旋资料中心整编的最佳路径数据集资料;降水观测资料来源于国家气象信息中心2 512个观测站。由于登陆地点不同,三个登陆台风降水检验的区域有所差异,“莲花”为109~119 °E,21~30 °N,“苏迪罗”和“杜鹃”为110~124 °E,21~34 °N。

3 检验个例

表 1是2015年三个台风登陆实况概况。“苏迪罗”和“杜鹃”达到强台风(STY)等级,“莲花”为台风(TY)等级。“莲花”于7月2日在菲律宾以东洋面上生成,8日12 UTC加强为台风,9日12 UTC在广东省陆丰市甲东镇沿海登陆,登陆时近中心最大风速为35 m/s,中心气压为970 hPa,强降水中心位于登陆点北侧,72 h累计最大降水中心达100~200 mm(图 1a)。“苏迪罗”于7月30日20 UTC在西北太平洋洋面上生成,8月3日12 UTC加强为超强台风(中心气压为920 hPa,近中心最大风速为60 m/s),7日21 UTC登陆台湾省花莲秀林沿海,8日14 UTC在福建省福田沿海再次登陆,登陆时近中心最大风速为45 m/s,中心气压为950 hPa,强降水中心位于登陆点北侧的福建、浙江沿海一带,72 h累计最大降水中心达300 mm以上(图 1b),其中有3个站点均达到500 mm。“杜鹃”于9月15日02 UTC在西北太平洋洋面上生成,并往西偏北方向移动,27日08 UTC加强为超强台风(中心气压为925 hPa,近中心最大风速为58 m/s),于28日10 UTC登陆台湾省宜兰县澳乡,29日04 UTC再次登陆福建省莆田市沿海,登陆时近中心最大风速为48 m/s,中心最低气压为944 hPa,降水强中心位于登陆点北侧,72 h累计最大降水中心达200~300 mm(图 1c)。

表 1 2015年三个台风登陆实况概况
图 1 三个台风的72 h累计降水量与最佳路径 a. “莲花”(7月7日00 UTC—10日00 UTC);b. “苏迪罗”(8月7日00 UTC—10日00 UTC);c. “杜鹃”(9月27日00 UTC—30日00 UTC)。
4 GRAPES-REPS登陆台风集合预报检验结果 4.1 台风登陆路径

图 2为“莲花”(起报时间7月8日00 UTC)、“苏迪罗”(起报时间8月7日00 UTC)和“杜鹃”(起报时间9月28日00 UTC)的0~72 h集合预报和台风最佳路径。集合成员的路径预报随着时效的延长而逐渐发散,集合离散度随预报时效延长而增长,“苏迪罗”和“杜鹃”台风集合成员在0~12 h预报离散度均较合理,“苏迪罗”的集合平均、控制预报与实况观测基本重合(图 2b);但12 h之后则出现明显的离散化,控制预报开始偏离实况,仍然有部分集合成员预报路径与实况较吻合。在台风登陆期间,“苏迪罗”和“杜鹃”台风登陆地点集合预报结果较接近实况,尤其是“杜鹃”(图 2c),模式较好地预报出台风登陆地点,且发散度小于110 km。而“莲花”的台风登陆地点则相对发散,误差89~109 km。尽管如此,三个台风实况登陆地点均落在集合成员登陆地点中,说明GRAPES-REPS模式有能力预报出台风的登陆地点。在台风移向预报中,“苏迪罗”台风移向偏东北,“莲花”移向偏北,但集合平均较控制预报均有改善。值得一提的是,“杜鹃”台风移动路径的模式预报效果较好,集合平均基本与实况吻合。以上结果显示,GRAPES-REPS对台风登陆地点预报效果较好,实况登陆地点均落在集合成员登陆地点,且台风路径离散度具有登陆前较小、登陆后较大的特点,这表明台风可预报性在海洋上较强,在陆地上存在更大的不确定性。

图 2 三个台风的0~72 h集合预报和最佳路径 黑点为控制预报,蓝点为集合平均,+为观测。a. “莲花” (起报时间7月8日00 UTC);b. “苏迪罗”(起报时间8月7日00 UTC);c. “杜鹃”(起报时间9月28日00 UTC)。

图 3为GRAPES-REPS对“莲花”、“苏迪罗”和“杜鹃”连续5次预报的集合平均、控制预报路径误差及离散度随时间的变化。从图 3a可见,“莲花” 0~6 h集合平均预报误差略优于控制预报,6 h预报的集合平均误差与控制预报相当,均接近28 km;12~48 h集合平均误差明显大于控制预报。“苏迪罗”集合平均和控制预报误差随预报时效波动起伏,但在6~12 h和30~48 h期间,集合平均误差均明显优于控制预报(图 3b),其中36 h集合平均误差(81 km)小于控制预报(89 km)。“杜鹃”台风的离散度明显大于集合预报和控制预报路径误差,但6~12 h和24~48 h集合平均误差明显优于控制预报(图 3c),其中12 h和24 h集合平均误差(42 km、67 km)小于控制预报(47 km、76 km)。

图 3 台风“莲花”(a)、“苏迪罗”(b)和“杜鹃”(b)的连续5次预报的集合平均、控制预报路径误差和离散度随预报时效变化以及三个台风箱线图(d)

尽管每个台风控制预报、集合平均误差和离散度随时效变化各有不同,但从三个台风箱线图可看出(图 3d),随着预报时间增加,集合平均和控制预报误差存在更大不确定性,同时离散度也更发散。6~12 h集合平均中位数和第一四分位数均低于控制预报,且36~48 h集合平均中位数明显小于控制预报。另外,0~30 h集合平均误差的第一四分位数和第三四分位数相对于控制预报更集中,且集合离散度均偏大,表明GRAPES-REPS台风路径预报总体来说比较可靠。

4.2 台风登陆地点误差

登陆地点预报误差是检验模式对台风预报性能的另一个重要因素。从图 2可知,实况登陆地点位于集合预报成员范围内,下面进一步分析登陆点误差特征。选择台风登陆前2次预报资料,如“莲花”台风2次起报时间为7月10日00 UTC和7月9日00 UTC,分别代表 24 h和48 h登陆地点误差。其余台风依此类推,不再赘述。图 4是三个台风登陆前24 h和48 h集合平均及控制预报登陆地点误差。三个台风登陆地点24 h集合平均误差为29~98 km,其中误差最小(大)的为“杜鹃”(“莲花”),误差值为29 km(98 km),三个台风平均预报误差仅为60 km。除了“莲花”24 h登陆点集合预报误差(98 km)大于控制预报(85 km)外,其余二个台风的集合预报误差均小于控制预报。再看48 h登陆点误差预报,三个台风登陆点误差明显大于24 h预报,平均误差为113 km,“莲花”集合平均误差226 km,控制预报误差为239 km,“苏迪罗”(54 km)和“杜鹃”(61 km)48 h登陆地点预报误差小于“莲花”(226 km),与24 h误差基本一致;与控制预报对比,除“苏迪罗”登陆点预报误差较控制预报略大7 km外,其余台风均小于控制预报。表明GRAPES-REPS台风集合平均登陆地点预报明显优于控制预报。

图 4 三个台风登陆地点的24 h和48 h集合平均、控制预报和台风的平均误差 24 h和48 h起报时间:“莲花”是7月8日00 UTC和7月7日00 UTC;“苏迪罗”是8月7日12 UTC和8月6日12 UTC;“杜鹃”是9月28日00 UTC和9月27日00 UTC。
4.3 台风登陆地点空间分布

为了检验台风登陆地点误差的空间分布特征,以台风实况登陆点为中心,选择台风登陆前连续5次预报资料绘制各集合预报成员、集合平均和控制预报台风登陆点的空间分布(图 5)。可见大部分集合预报成员对三个台风登陆地点的预报误差均在400 km以内,个别成员达到400~600 km。“莲花”台风登陆点主要分布在实况登陆地点的第一、二和四象限(图 5a),即登陆点呈偏北和偏东特征。“苏迪罗”控制预报、集合平均及集合成员分布基本位于三个象限内的实况登陆点四周200 km内,预报较好(图 5b)。而“杜鹃”的控制预报、集合平均及集合成员登陆点主要位于实况登陆点南侧,且随着预报时间的临近,集合平均、控制预报和集合成员与实况登陆点距离误差逐渐缩小,且集合平均误差优于控制预报(图 5c)。总体而言,“莲花”和“苏迪罗”台风登陆点空间分布预报效果较好,尤其是“苏迪罗”空间分布及距离误差,基本位于200 km内。登陆点分布在不同的象限,说明GRAPES-REPS台风登陆点预报没有明显的系统性误差。

图 5 三个台风登陆时刻的控制预报、集合平均及集合成员空间分布 a. “莲花”;b. “苏迪罗”;c. “杜鹃”。

图 6是“莲花”、“苏迪罗”和“杜鹃”这三个台风登陆地点的控制预报、集合平均及集合成员空间分布。从图 6a可看出,在连续5次起报时间里,“莲花”的集合平均(404 km)误差明显优于控制预报(448 km);7月7日00 UTC起报的有10个集合成员预报台风登陆,最大误差为335 km,最小为26 km,其余4次起报的均有12个集合成员预报出台风登陆,误差各不相同。如7月8日12 UTC起报,误差最小值仅为25 km,最大值为701 km;7月9日00 UTC起报最小(大)值为331 km(1038 km)。从图 6b可看出,“苏迪罗”的集合平均和控制预报误差两者相当。在第一个起报时间里,有12个集合成员预报台风登陆,最大误差为209 km,最小为39 km;而后4次起报的全部集合成员都预报出台风登陆,各集合成员登陆地点误差为30~208 km,如8月8日00 UTC预报的登陆地点最大(小)值误差为77 km(36 km),登陆点预报效果也是最优。

图 6图 5,但为登陆地点

图 6c可见,“杜鹃”台风集合平均误差(59 km)明显优于控制预报(81 km);9月26日12 UTC和27日00 UTC预报12个集合成员登陆,最大误差为287 km,最小27 km;27日12 UTC—28日12 UTC均有15个集合成员预报登陆,其中28日12 UTC预报的误差最大(小)值为71 km(36 km),预报效果较好。从上述分析可见,GRAPES区域集合预报有10~15个集合成员预报出台风登陆,但误差分布存在较大差异,总体而言,集合平均误差明显优于控制预报。

4.4 台风登陆点时间分布

图 7是GRAPES-REPS对三个台风连续5次集合预报登陆成员数。从图 7a可见,“莲花”台风大部分集合成员连续5次预报台风于7月9日00 UTC登陆,相对实况登陆时间(7月9日04 UTC)提前4 h,其中8日00 UTC、12 UTC和9日00 UTC均有7~8个集合成员预报台风登陆。“苏迪罗”于8月8日14 UTC登陆福建省福田沿海一带,对8月6日00 UTC起报时次(图 7b),在8日06 UTC已有4个集合成员登陆,较实况登陆时间提前8 h;而随着起报时间的临近,大部分集合成员于8日12 UTC登陆,预报登陆时间较实况提前2 h,其中8日00 UTC起报,集合成员有9个预报台风登陆。对“杜鹃”9月26日12 UTC和27日00 UTC起报时次,大部分集合成员较实况登陆时间(29日01 UTC)分别偏晚5 h和11 h;而后3次起报时次,大部分集合成员较实况登陆时间提前1 h,与实况非常接近(图 7c)。统计三个台风集合成员登陆时间误差,平均提前2.3 h,呈现偏早趋势。

图 7 三个台风的连续5次集合成员预报台风登陆时间 说明同图 5
4.5 登陆台风强度检验

集合预报目的是将确定性预报转变为概率预报,箱线图能定量提供预报的不确定性信息。图 8是三个台风登陆前代表性起报时间的最低气压和近中心最大风速箱线图。图 8a1和8a2是“莲花”箱线图,尽管0~6 h最低气压和近中心最大风速集合平均较接近于观测值,且登陆期间48~54 h最低气压和近中心最大风速位于集合成员最低、最高之间,但总体看,0~54 h最低气压和近中心最大风速集合平均比观测值略微偏弱,而54~72 h预报则偏强。“苏迪罗”0~30 h最低气压(图 8b1)和近中心最大风速(图 8b2)均比观测值偏弱,36~72 h则呈现偏强的趋势,且最低气压明显偏强。还注意到,“苏迪罗”登陆期间(30~36 h),实况最低气压和近中心最大风速都位于集合成员预报中。“杜鹃”0~48 h最低气压集合平均比观测值偏弱,48 h集合平均(969.97 hPa)与观测值(970.00 hPa)重叠,而48~72 h集合平均偏强(图 8c1);近中心最大风速(图 8c2)与最低气压演变特点相似,不再赘述。总体而言,GRAPES-REPS对台风强度预报存在登陆前偏弱及登陆后偏强的趋势;在台风登陆时,实况最低气压和近中心最大风速处于集合成员预报中,离散的集合成员展示出了预报的不确定性。

图 8 三个台风的0~72 h集合预报近中心最低气压(左)和最大风速(右)随时效演变的箱线图 a1和a2:“莲花”(起报时间7月07日00 UTC);b1和b2:“苏迪罗”(起报时间8月07日00 UTC);c1和c2:“杜鹃” (起报时间9月27日00 UTC)。
4.6 登陆台风强降水预报检验

相对作用特征(Relative Operation Curve,ROC),是信号探测理论运用到集合预报的二分类检验方法。在某一个格点或是站点上,通过预报的真值判断一个事件发生与否,得到预报准确、空报和漏报的可能,并通过双态联列表(表 2)来表示,预报正确为X,漏报为Y,空报为Z,正确否定为W。从而得出信号探测理论中两个主要的量:假警报率(Z/(Z+W))和命中率(X/(X+Y))。将假警报率和命中率在同一坐标中描述出来,即得到ROC曲线。

表 2 双态分类联列表

具体步骤如下:通过集合预报n个成员,可得到0.1 mm降水的预报概率分布。(1)绘制分级的预报概率分布表。对于某个格点或站点,可得到分级的预报概率分布表,每级以10%递增。(2)计算命中率和假警报率,我们将20%定为事件发生的临界值(表 3中虚线处i=2),若预报概率大于20%认为事件发生,则可得表 3a的4个量为:

$ \begin{align} & {{X}_{i}}=\sum\nolimits_{i=i+l}^{k}{{{b}_{j}}, {{Y}_{i}}=\sum\nolimits_{i=1}^{i}{{{b}_{j}}, {{Z}_{i}}=\sum\nolimits_{i=i+1}^{k}{{{a}_{j}}}}} ,\\ & \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ {{W}_{i}}=\sum\nolimits_{i=1}^{i}{{{a}_{j}}, } \\ \end{align} $
表 3 降水观测统计

其中k=10,Xi为虚线下的b值总和,Yi为虚线上b值总和,Zi为虚线下a值总和,Wi为虚线上a值总和,Xi+Yib值总和,Zi+Wia值总和,即得到i=2的命中率和假警报率。其它概率临界值的命中率和假警报率以此类推。(3)计算ROC面积。ROC曲线和x轴围成的面积即AROC,能够表示集合预报系统对特定阈值事件的辨别能力(模式预报事件发生或不发生)的信息,当AROC≥0.5说明概率预报有正技巧,评分值越高,表示系统对降水预报的分辨能力越好。

图 9为三个台风连续5次起报的24 h累计降水AROC评分,降水阈值分别设定为0.1、10、25、50和100 mm。不同降水量级AROC平均值为0.56~0.76,说明GRAPES-REPS对这三个登陆台风降水评分具有预报参考价值,小雨至暴雨的降水预报技巧明显优于大暴雨量级。“杜鹃”0.1 mm和10 mm降水AROC评分最高(0.79、0.81),“莲花”评分最低(0.64、0.72)。然而对登陆台风造成的降水影响,主要是关注中雨至大暴雨量级,针对不同登陆台风,GRAPES-REPS对中雨至大暴雨预报能力是不一致的,如“苏迪罗”AROC评分明显优于“莲花”和“杜鹃”,其中大暴雨量级预报技巧的差别更明显,其原因与“苏迪罗”0~48 h路径误差小于“莲花”和“杜鹃”有关。

图 9 台风“莲花”、“苏迪罗”和“杜鹃”及其平均24 h累计降水集合平均AROC评分

图 10为三个台风登陆期间24 h累计降水实况分布及GRAPES-REPS登陆前一日起报的24 h累计降水控制预报、大于50 mm降水概率、集合平均和降水预报离散度。

图 10 三个台风的24 h降水实况(左列)和GRAPES-REPS的24~48 h预报的24 h累计降水控制预报(等值线)及大于50mm降水概率(填色,中列)、集合平均(等值线)及降水预报离散度(填色,右列) a1~a3:“莲花”(起报时间7月8日00 UTC);b1~b3:“苏迪罗”(起报时间8月7日00 UTC);c1~c3:“杜鹃”(起报时间9月28日00 UTC),台风记号为实况登陆点。

“莲花”登陆时强降水发生在广东省东南沿海一带,大于100 mm降水落区分布于登陆点北侧的汕尾市(图 10a1),控制预报最大降水中心值偏大,达150 mm,且落区偏西北约130 km,大于50 mm降水概率值明显偏低,实况强降水中心的概率值仅为5%~10%;集合平均预报效果较差,暴雨区域均出现漏报。

“苏迪罗”属于2015年降水量级最大的登陆台风,24 h累计降水量达150 mm以上,主要分布在登陆点北侧的福建省东北部和浙江省南部一带,其中宁德市降雨量达270 mm以上(图 10b1)。GRAPES-REPS对“苏迪罗”降水集合预报效果最优。由图 10b3可见,集合平均强降水量级和落区与实况基本吻合,同时控制预报也表现出较好的预报能力;大于50 mm降水概率中心最大值超过90%(图 10b2),与实况50 mm以上降水区域接近,离散度信息提示在福建东北部及浙江南部强降水中心存在较大的不确定性(图 10b3)。

“杜鹃”台风存在两个强降水中心,一个位于福建省泉州市,另一个位于浙江省慈溪市附近(图 10c1)。由图 10c2可见,对福建省泉州市强降水中心的控制预报显偏大,但对慈溪市强降水则漏报,大于50 mm降水概率大值区(大于90%)位于福建省泉州市附近,与实况观测区域较吻合,而慈溪概率值偏低(0~5%);集合平均对泉州市强降水落区和降水量级的预报效果都较好,最大降水值达100 mm左右,与实况相符。而同样漏报慈溪市强降水,降水离散度显示泉州强降水中心量级存在较大的不确定性,而在慈溪市则较小(图 10c3)。

由以上分析可知,GRAPES-REPS集合预报强降水效果要优于控制预报;相对暴雨落区预报而言,“苏迪罗”预报效果最优,“莲花”最差。其原因是“苏迪罗”登陆地点分布误差较小,表明暴雨落区的预报准确性与登陆地点空间误差密切相关。

5 总结与讨论

本文采用中国气象局数值预报中心自主研发的GRAPES-REPS区域集合预报系统,针对2015年7—9月三个登陆中国沿海的台风(1510号台风“莲花”、1513号台风“苏迪罗”和1521号台风“杜鹃”),利用集合统计诊断等方法对GRAPES-REPS登陆台风的路径、登陆地点、登陆时间、空间分布、强度和降水等预报性能进行检验评估,得到结论如下。

(1)GRAPES-REPS区域集合预报对路径预报效果优于控制预报;实况登陆地点基本上落在集合成员登陆范围内,模式有能力预报出台风登陆地点;台风在登陆之前(后)离散度较小(大),可预报性较强(略差)。

(2)对24 h和48 h登陆地点误差而言,集合平均登陆点中心位置24 h和48 h平均误差分别为60 km、113 km;而控制预报24 h和48 h登陆点平均误差分别为69 km、117 km。相对于控制预报,GRAPES-REPS集合预报登陆地点更接近实况观测值。

(3)随着预报时间的趋近,集合平均、控制预报和集合成员与实况登陆点距离误差逐渐缩小,登陆点空间分布没有集中在一个象限,GRAPES-REPS区域集合预报对登陆点空间位置预报没有明显性误差。

(4)GRAPES-REPS集合成员对台风登陆时间预报平均偏早2.3 h。

(5)在0~72 h的强度(最大风速和最低气压)预报中,台风登陆前强度普遍存在偏弱及后期偏强的趋势;在台风登陆时,实况最低气压和近中心最大风速值处于集合成员预报中,集合预报即包含了真值,离散的集合成员又展示出预报的不确定性。

(6)不同量级降水AROC评分为0.56~0.76,对这三个登陆台风区域内降水评分是有意义,具有预报参考价值。另外AROC评分和强降水中心及落区与台风登陆地点空间误差密切相关。

从这三个台风的预报检验可见,GRAPES-REPS区域集合预报可以在台风登陆地点、时间、强度和降水预报等方面提供更多的预报不确定性信息,有助于预报员做出更正确的预报决策。此外,检验结果表明,台风暴雨落区的预报准确性与登陆地点预报准确率关系密切,今后需要进一步发展GRAPES-REPS区域集合预报台风登陆地点和登陆时间的集合预报技术,提高台风强降水预报能力。

参考文献
[1] 朱乾根, 林锦瑞, 寿绍文, 等. 天气学原理和方法[M]. 北京: 气象出版社, 2007.
[2] 薛建军, 李佳英, 张立生, 等. 我国台风灾害特征及风险防范策略[J]. 气象与减灾研究, 2012, 35(1): 59-64.
[3] 钱传海, 董林. 我国台风业务现状及其关键技术[C]//第十七届全国热带气旋科学研讨会论文集. 北京: 中国气象学会, 2015. http://kns.cnki.net/KCMS/detail/detail.aspx?filename=qxkz201205009&dbname=CJFD&dbcode=CJFQ
[4] Annual Tropical Cyclone Report 2010, 2011, 2012, 2013, 2014[R].http://www.usno.navy.mil/JTWC/annual-tropical-cyclone-reports.
[5] Annual Report on Activities of the RSMC Tokyo Typhoon Center 2010, 2011, 2012, 2013, 2014[R].http://www.jma.go.jp/jma/jma-eng/jma-center/rsmc-hp-pub-eg/annualreport.html.
[6] 端义宏, 余晖, 伍荣升. 热带气象强度变化研究进展[J]. 气象学报, 2005, 63(5): 636-645. DOI:10.11676/qxxb2005.062
[7] 陈联寿, 罗哲贤, 李英. 登陆热带气旋研究进展[J]. 气象学报, 2004, 62(5): 542-549.
[8] 陈玉林, 周军, 马奋华. 登陆我国台风研究概述[J]. 气象科学, 2005, 25(3): 319-329.
[9] 李江南, 王安宇, 杨兆礼, 等. 台风暴雨的研究进展[J]. 热带气象学报, 2003, 19(s1): 152-159.
[10] 马雷鸣. 国内台风数值预报模式及其关键技术研究进展[J]. 地球物理学进展, 2014, 29(3): 1 013-1 022.
[11] EPSTEIN E S. Stochastic dynamic prediction[J]. Tellus, 1969, 21(6): 739-759. DOI:10.3402/tellusa.v21i6.10143
[12] LEITH C E. Theoretical skill of Monte Carlo forecasts[J]. Mon Wea Rev, 1974, 102(6): 409-417. DOI:10.1175/1520-0493(1974)102<0409:TSOMCF>2.0.CO;2
[13] ZHANG Z, KRISHNAMURTI T N. Ensemble forecasting of hurricane tracks[J]. Bull Amer Meteor Soc, 1997, 78(12): 2 785-2 795. DOI:10.1175/1520-0477(1997)078<2785:EFOHT>2.0.CO;2
[14] CHEUNG K K W, CHAN J C L. Ensemble forecasting of tropical cyclone motion using a barotropicmodel, Part Ⅰ:Perturbations of the environment[J]. Mon Wea Rec, 1999, 127(6): 1 229-1 243. DOI:10.1175/1520-0493(1999)127<1229:EFOTCM>2.0.CO;2
[15] KUMAR T S V, KRISHNAMURTI T N. Michael fiorinomultimodelsuperensemble forecasting of tropicalcyclones in the Pacific[J]. Mon Wea Rec, 2003, 131(3): 574-583. DOI:10.1175/1520-0493(2003)131<0574:MSFOTC>2.0.CO;2
[16] 周霞琼, 端义宏, 朱永禔. 热带气旋路径集合预报方法研究Ⅰ——正压模式结果的初步分析[J]. 热带气象学报, 2003, 19(1): 1-8.
[17] 周霞琼, 端义宏, 朱永褆. 应用集合预报产品开展热带气旋路径概率预报试验[J]. 气象学报, 2002, 60(1): 111-118.
[18] 王晨稀, 梁旭东. 热带气旋路径集合预报试验[J]. 应用气象学报, 2007, 18(5): 586-593. DOI:10.11898/1001-7313.20070513
[19] 黄小刚, 费建芳, 陆汉城, 等. 基于集合Kalman滤波数据同化的热带气旋路径集合预报研究[J]. 大气科学, 2007, 31(3): 468-478.
[20] 黄小刚, 费建芳, 陆汉城, 等. 基于集合Kalm滤波数据同化与偏差修正的热带气旋强度集合预报研究[J]. 气象学报, 2010, 68(1): 79-87. DOI:10.11676/qxxb2010.009
[21] 陈静, 佟华, 徐枝芳, 等. NMC强天气模式诊断变量和概率预报产品及初步应用检验[J]. 气象, 2010, 36(12): 42-49.
[22] 杨昌贤, 郑艳, 林建兴, 等. 数值预报产品检验和评估[J]. 气象研究与应用, 2008, 29(2): 32-37.
[23] 张涵斌, 陈静, 智协飞, 等. GRAPES区域集合预报系统应用研究[J]. 气象, 2014, 40(9): 1 076-1 087.
[24] 潘旸, 沈艳, 宇婧婧, 等. 基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验[J]. 气象学报, 2015, 73(1): 177-186. DOI:10.11676/qxxb2015.010