15第2期.FIT)

Size: px

Start display at page:

Download "15第2期.FIT)"

棣槐才
7 years ago
Views:

1 刘长征, 江远安, 毛炜峄, 等. 新疆夏季降水和冬季气温预测方法及效果评估 [J].,2015,9(2):1-8. doi: /j.issn 新疆夏季降水和冬季气温预测方法及效果评估刘长征 1, 江远安 2, 毛炜峄 3, 陈颖 2, 白素琴 2 (1. 国家气候中心, 北京 ;2. 新疆气候中心, 新疆乌鲁木齐 ; 3. 中国气象局乌鲁木齐沙漠气象研究所, 新疆乌鲁木齐 ) 摘要 : 利用 4 个国内外先进的气候模式 ( 国家气候中心 ECMWF NCEP 和 JMA) 业务预测数据, 采用 2 种多模式集合方法 ( 等权平均和超级集合 ) 3 种降尺度方法 (BP-CCA EOF 迭代高相关回归集成 ) 和 3 种统计方法 (CCA 最优气候值高相关回归集成 ) 以及降尺度集成和降尺度统计方法集成, 分析了目前季节模式多模式集合降尺度统计方法降尺度统计集合等目前常用气候预测技术对新疆夏季降水和冬季气温的业务预测能力研究表明, 以上技术方法对新疆夏季降水和冬季气温的预测能力有较大差别目前先进的气候业务模式的预测技巧普遍很低, 多模式超级集合和降尺度方法的技巧常高于单个模式, 并且最佳的降尺度方法通常技巧高于最佳多模式集合方法同时, 统计方法和降尺度方法的预测技巧通常较为接近, 而对二者进行超级集合可以具有相对很高的预测技巧此外, 现有常用气候预测技术方法对新疆夏季降水和冬季气温的趋势有一定的预测能力, 但对气候异常的空间分布基本无预测能力建议新疆气候预测技术围绕统计和降尺度方法集合发展关键词 : 新疆气候 ; 气候预测 ; 集合预测 ; 季节模式 ; 降尺度 ; 统计方法中图分类号 :P456 文献标识码 :B 文章编号 : (2015) 新疆位于干旱半干旱区, 降水很少, 气温变率很大, 当地社会生活和经济生产 ( 尤其农牧业 ) 对气温降水异常相当敏感, 对短期气候服务一向有重大需 [1-3] 求, 从而新疆具体气候相关的研究有重要价值夏季降水和冬季气温是短期气候最有应用价值的预测对象, 也是气候预测业务的核心从气候预测技术的历史和现状来看, 动力模式降尺度解释应用统计模型以及集合预报是主要的预测工具动力模式是目前国际上短期气候预测业务和技收稿日期 : ; 修回日期 : 基金项目 : 中国沙漠气象科学研究基金 (Sqj ); 国家重点基础研究发展计划 (2013CB430203); 公益性行业 ( 气象 ) 科研专项 (GYHY ) 共同资助作者简介 : 刘长征 (1978-), 男, 高级工程师, 从事短期气候预测业务和科研工作 czliu@cma.gov.cn 通讯作者 : 江远安 (1969-), 女, 高级工程师, 从事新疆气候预测业务和科研工作 jya_69@163.com 术的核心由于大气的混沌性质, 初值不确定性引起的误差是数值模拟误差的主要来源, 多样本集合预测能够减少初值不确定性带来的误差, 从而被广泛应用此外, 模式的预测能力主要取决于模式的性能, 包括模式的物理过程和参数化方案等, 模式自身 [5] 的误差是气候预测的另一个模拟不准确的来源多模式集合预测理论上能够减少模式误差, 从而减少天气预报和气候预测的不确定性研究表明对不同业务中心的预测数据进行等权平均的效果要优于单个模式的预报结果, 使得多模式集合的发展成为 [6-12] 了一种潮流在等权平均方法的基础上,Krishnamurti 等提出利用模式回报和观测数据进行多元 [13] 线性回归方法进行误差订正的方法, 即超级集合, 理论上超级集合可以明显减小单模式和集合平均的均方根误差, 这个发现受到极大的关注, 多模式超级集合迅速成为大气科学领域的研究热点, 并引起较多 1

中国气象局乌鲁木齐沙漠气象研究所, 新疆乌鲁木齐 830002) 摘要 : 利用 4 个国内外先进的气候模式 ( 国家气候中心 ECMWF NCEP 和 JMA) 业务预测数据, 采用 2 种多模式集合方法 ( 等权平均和超级集合 ) 3 种降尺度方法 (BP-CCA

2 [14-16] 的争议由于季节模式对大气环流的模拟和预测能力通常远高于对降水的模拟和预测, 而且降水和大尺度环流形势往往有密切的动力学和统计学上的关系, 从而利用模式预测的环流间接预测降水是动力模式后处理的重要应用手段统计降尺度方法对计算条件要求低, 易于实现, 从而被广泛研究和业务应 [17-29] 用国家气候中心 (NCC) 发展或开发了 BP-CCA [28] [26] [27] EOF 迭代最优子集回归 (OSR) 方法 HCRE 方 [29] 法并在预测业务中应用在国外, 康红文为亚太经合组织气候中心开发了一种针对台站的最佳匹配域 [24] 投影方法, 并在韩国气象局用于气候预测业务应用, 其技术方案并被日本马来西亚等国采用统计预测方法是气候预测长期使用的经典工具, 其本质上和统计降尺度方法类似, 只是采用前期观测的气候信息进行统计建模至今, 统计预测方法仍然是美国 NCEP 气候预测中心季节预测重要的工具之一,CCA 方法最优气候值方法 (OCN) 相似法在 NCEP 气候预测中心业务中至今仍应用广 [30] 泛在国家气候中心,CCA OCN 等方法也得到较多的业务应用出于气候预测的复杂性, 在不同国家和地区, 各气候预测技术方法的适用性也并不相同, 从而相应气候模式多模式集合降尺度方法统计方法和降尺度统计集合等具体技术发展和应用的重点也有很大区别对新疆地区开展预测业务和技术研发而言, 对当前国内外主要的具体预测技术进行回报试验和评估是非常重要的基础性工作本文以夏季降水和冬季气温为例, 利用美国环境预报中心 (NCEP) 欧洲中期天气预报中心 (ECMWF) 日本气象局 (JMA) 和国家气候中心用于实时预测业务的季节模式数据和新疆 99 站月平均观测数据, 研究了气候模式多模式集合降尺度方法统计方法和降尺度统计集合等目前国内外气候预测业务常用方法对新疆季节气候的预测能力, 并讨论了新疆气候预测技术发展的方向 1 数据和方法介绍 1.1 观测数据和模式数据新疆 99 站月平均历史观测数据在本文中被用来检验各模式集合降尺度和统计预测等方法的预测能力, 以及用于降尺度方法和部分集合方法的建模工作该数据由新疆气候中心提供, 包含气温和降水两个气象要素, 时间长度为 1971 年 1 月 2013 年 11 月欧洲 ECMWF 美国 NCEP 日本 JMA 和国家气候中心 NCC 为世界气象组织 4 个长期预报全球产品中心, 基本代表了目前短期气候预测国内外最高水平, 其气候预测业务模式数据信息见表 1 本文采用国家气候中心多模式解释应用集成预测系统制作和下发的这 4 个业务中心的气候预测模式数据, 模 [29] 式数据分辨率统一处理为 2.5 毅伊 2.5 毅为了进行统一评估, 采用双线性插值方法将各模式数据插值到新疆 99 个站点上代表模式对新疆的预测本文采用各模式 5 月起报的夏季降水和 11 月起报的冬季月平均气温作为研究对象表 1 多模式数据机构模式预测时间长度数据分辨率历史回报时间 ECMWF System4 7 个月 1.5 毅伊 1.5 毅年 NCEP CFS v2 9 个月 1 毅伊 1 毅 /t126 高斯年 JMA MRI-CGCM 3~7 个月 2.5 毅伊 2.5 毅年 NCC CGCM v1 11 个月 2.5 毅伊 2.5 毅年此外, 本文采用了 NCEP/NCAR 再分析数据第一版用于新疆季节气候的统计预测建模 1.2 多模式集合方法本文采用气候预测业务和科研常用的等权平均 (EE) 和超级集合 (SE) 两种集合方法进行多模式集合降尺度集合降尺度统计集合预测超级集合方法利用多元线性回归技术, 将集合结果看作各个模式模拟结果的线性组合, 依据最小二乘法原理使集合结果的均方根误差达到最小值确定各个模式的回归系数, 而此回归系数就是预报阶段各个模式的权重, 利用获得的权重以及各个模式 [13] 的预报得到最后的集合预报对于每一个空间网格点, 设第 i 个模式在 t 时刻的模拟结果为 :M it,( i=1,2,,n),n 为模式总数, 则 t 时刻去除偏差的模式集合结果可表示为 : N S i =O+ 移 a(m i it -M) (1) i = 1 根据最小二乘法求得各模式权重 a i, 利用公式 (1) 求取每个空间网格点上预报阶段的集合结果等权平均法一般也称为算术平均, 也就是通常所说的简单集合平均, 即公式 (1) 中 a i =1/N 的特殊 2

红文为亚太经合组织气候中心开发了一种针对台站的最佳匹配域 [24] 投影方法, 并在韩国气象局用于气候预测业务应用, 其技术方案并被日本马来西亚等国采用统计预测方法是气候预测长期使用的经典工具, 其本质上和统计降尺度

3 刘长征等 : 新疆夏季降水和冬季气温预测方法及效果评估情形 1.3 降尺度和统计预测方法本文采用了国家气候中心发展制作的降尺度和 [4,29] 统计预测方法 EOF 迭代方法 EOF 迭代方法通过建立一个同时包含历史和实时预报场和预报对象场的矩阵, 将其分解为空间函数场和时间函数, 空间函数场反映预报场和预报对象场之间自然协调的多重关系, 而时间系数反映年代际和年际变化, 经过 EOF 分析, 选取主要模态进行重构和迭代, 使预报场和预报对象场之间多重信息进行交融, 就可得到包涵了复杂关系在内的预 [26] 报 BP-CCA 降尺度和统计预测方法 BP-CCA 方法是一种基于主分量分析的变形的典型相关分析方法利用模式回报的特定范围 500 hpa 环流场和新疆 99 站历史观测数据分别进行主分量分解, 提取主要模态的时间序列进行 CCA [29] 建模, 并利用模式预测场主要模态系数进行预测 CCA 在早期是一种统计预测方法并在气候预 [31-32] 测中应用在本文中, 类似美国气候预测中心的做法, 采用起报时间前 1~3 个月的 NCEP/NCAR 再分析数据平均 500 hpa 环流场数据作为预报信息, 此时该方法就成为一种统计预测方法 HCRE 降尺度和统计预测方法高相关回归集成 (HCRE) 方法是国家气候中心 [29] 刘长征制作的一种降尺度方法首先, 利用国家气候中心的环流特征量计算程序对模式历史同期和当前预测的 500 hpa 环流场计算 71 项大气环流特征量, 而后挑选高相关的单个特征量因子和台站预报对象分别进行一元回归建模和预测在选取预报因子时, 兼顾相关系数和异常信号一致率, 以保证因子具有足够高的预报价值而后利用各因子分别进行回归预测, 并对预测降水偏多辕偏少进行分组, 选取更可靠的一组, 对多因子预测结果进行集成在本文中, 采用起报时间前 1~3 个月的 NCEP/ NCAR 再分析数据平均 500 hpa 环流场数据作为预报信息时,HCRE 就变成一种统计方法用于预测新疆季节气温和降水 OCN 统计预测方法气候变化具有某些内在规律, 如阶段性和周期性, 简单地用多年 ( 如 30 a) 周期的气候平均值作为来年气温或降水估计值的方法有明显的不足因此, 应力求从历史资料中去获取最优的气候值, 为统计预报方法的建立提供依据, 美国为此发展了最优气候值 (Optimal climate normal,ocn) 做地面气温的 [30] 季度预报根据国外研究成果, 国家气候中心在 1998 年建立了最优气候值方法来制作我国的月季年度的气候趋势预测由于资料长度的限制, 通过依次计算前 25 a 的平均作为来年的预测值, 以预测值与实况最接近为标准统计出各区 ( 站 ) 每年最优的平均年数, 然后取最优平均年数频率最高的年数作为计算该地区 ( 站 ) 最优气候平均值应取的年数这样, 最接近预报时间的同样年数年份的相应要素值的平均为该要素的预报值经检验,OCN 方法对温度降水的预测效果较好, 且温度预测好于降水预测 1.4 建模和检验方法为了模式之间具有可比较性, 研究了各模式年的后报 / 预测技巧对于集合方法, 等权平均方法 EE 采用与模式同样的时间范围进行建模 ; 超级集合方法采用年 leave-oneout 的方法建模并得到年的预测结果各降尺度方法和统计方法采用 3 月和 10 月起报的模式数据和上一年 12 月至当年 2 月 7 9 月的 NCEP/NCAR 再分析数据进行建模, 为了尽可能接近新疆气候中心气候预测业务实况, 采用实时后报的方式得到年的预测结果并进行检验本文用时间检验和空间检验两种方式评估各预测方法对新疆季节气候的预测效果我们采用 PS 评分和 ACC 评估每次预测的效果 PS 评分为国内短期气候预测检验业务的常用方法, 在距平符号预报准确百分率的基础上增加异常级加权得分, 能够较好地反映整体趋势预测能力 ACC 则反映气温和降水空间异常分布预测的技巧, 对于 99 个台站而言,ACC 分别在 0.20 时达到 0.05 的信度水平对于各方法每年预测技巧的变化, 对各模式降尺度统计方法集合方法, 分别采用后报时间内 PS 和 ACC 技巧的平均代表该模式 / 方法的预测能力由于各模式和方法对新疆夏季降水和冬季气温的各台站预测技巧通常达不到 0.05 的信度, 并且降尺度和统计方法评估的年份为 10 a 从而样本太少, 本文将各台站历史预测的 ACC 空间分布图略去 3

1 EOF 迭代方法 EOF 迭代方法通过建立一个同时包含历史和实时预报场和预报对象场的矩阵, 将其分解为空间函数场和时间函数, 空间函数场反映预报场和预报对象场之间自然协调的多重关系, 而时间系数反映年代际和年际变化, 经

4 2 新疆夏季降水预测利用 5 月起报的模式数据, 评估了目前国内外先进的气候模式对新疆夏季降水的预测能力, 表 2 给出了单模式和两种多模式集合方法对年新疆夏季回报平均 PS 评分 NCEP ECMWF JMA 和 NCC 的季节模式对新疆 99 站的平均 PS 评分在 53.9~61.5 之间 ; 多模式集合方法表现出了高于单个模式的技巧, 其中等权平均 63.2 分, 略高于最佳模式 (NCEP); 超级集合方法的平均 PS 评分为 70.0 分, 明显高于 4 个模式和等权平均集合表 2 新疆夏季降水模式预测和多模式集合预测平均 PS 评分模式多模式集合模式 / 方法 NCEP ECMWF JMA NCC EE SE PS 评分为和我国汛期预测业务保持一致, 基于单个模式 3 月起报的数据, 利用 EOF 迭代 BP-CCA HCRE3 种降尺度方法对年新疆夏季 99 站降水预测进行了独立后报试验, 其平均技巧见表 3 4 种模式和 3 种降尺度方法组合对新疆 99 站夏季降水的平均 PS 评分在 60.4~72.6 之间 ;EOF 迭代 BP-CCA HCRE 降尺度方法的平均 PS 评分分别为 ,HCRE 方法不仅平均技巧最高, 而且在不同模式中表现都较稳定, 但最佳的模式降尺度方法组合却是基于 ECMWF 模式的 EOF 迭代方法, 平均 PS 评分为 72.6 分总体而言, 对降尺度结果进行集合预测并未体现出明显的优势, 等权平均集合的平均技巧普遍低于单个模式降尺度方法, 而超级集合类似于最佳单模式降尺度方法表 3 新疆夏季降水降尺度方法预测与降尺度集合预测平均 PS 评分统计预测方法是我国夏季降水预测最常用的工具,CCA OCN 和 HCRE3 种统计预测方法对年夏季降水进行后报的平均 PS 评分分别为分, 其技巧和上文 3 种降尺度方法基本一致为了同时利用模式预报信息与前期信息, 利用 12 个模式降尺度方法组合和 3 种统计方法进行集合预测应用表 4 表明, 等权平均集合 EE 的技巧低于大部分的降尺度方法和全部的统计方法, 但超级集合 SE 的平均技巧为 PS73.8 分, 高于各降尺度方法和统计方法表 4 新疆夏季降水统计方法预测与降尺度统计集合预测平均 PS 评分统计方法降尺度统计集合最优方法方法 CCA OCN HCRE EE SE 降尺度统计集合 SE PS 从表 2~4 可以看出, 在本文各方法中, 对降尺度统计方法进行超级集合平均是新疆夏季降水最有技巧的方法, 图 1~2 给出了该方法年后报的具体评估在 10 a 后报检验中, 该方法 PS 评分在 62~82 之间,80% 的年份中高于 70 分, 体现了较高的技巧但从空间 ACC 来看, 该方法对新疆夏季降水空间分布的把握能力很低, 这种特征在各模式多模式集合降尺度降尺度集合等方法中也模式方法 NCC NCEP ECMWF JMA EE 集合 SE 集合 EOF 迭代 BP-CCA HCRE 图 1 降尺度统计集合 SE 方法对年新疆夏季降水预测技巧 (a 为 PS 评分,b 为空间相关系数 ACC) 4

0 分, 明显高于 4 个模式和等权平均集合表 2 新疆夏季降水模式预测和多模式集合预测平均 PS 评分模式多模式集合模式 / 方法 NCEP ECMWF JMA NCC EE SE PS 评分 61.5 61.2 57.0 53.9 63.2 70.

5 刘长征等 : 新疆夏季降水和冬季气温预测方法及效果评估很明显, 这类方法平均值都达不到 0.05 可以看出, 以上方法对新疆夏季降水的趋势预测有部分技巧, 但对降水异常的空间分布技巧很低 3 新疆冬季气温预测利用 11 月起报的模式数据, 评估了目前国内外先进的气候模式对新疆冬季气温的预测能力, 表 5 给出了单模式和两种多模式集合方法年后报的平均 PS 评分 NCEP ECMWF JMA 和 NCC 的季节模式对新疆 99 站的平均 PS 评分在 48.0~67.5 之间, 其中 NCEP 模式技巧最高, 为 67.5; 多模式集合方法表现出了模式中等与偏上的技巧, 其中等权平均为 60.8 分, 处于 4 个模式的中等水平 ; 超级集合方法的平均 PS 评分为 65.2 分, 仅次于 NCEP 模式表 5 新疆冬季气温模式预测和多模式集合预测平均 PS 评分模式多模式集合模式方法 NCEP ECMWF JMA NCC EE SE PS 评分为和我国年度预测业务保持一致, 基于模式 10 月起报的数据, 利用 EOF 迭代 BP-CCA HCRE 3 种降尺度方法对年新疆冬季 99 站气温预测进行了独立后报, 平均技巧见表 6 4 种模式和 4 种降尺度方法组合的平均 PS 评分在 49.1~74.0 之间 ;EOF 迭代 BP-CCA HCRE 降尺度方法的平均 PS 评分分别为 60.4~65.2 之间与夏季降水不同, 对冬季气温预测中,3 种降尺度方法中 EOF 迭代技巧最高, 而 HCRE 方法技巧最低最佳的模式降尺度方法组合为基于 NCEP 模式的 BP-CCA 方法, 平均 PS 评分为 74.0 分对降尺度结果进行集合预测与夏季降水类似, 等权平均集合的平均技巧普遍低于单个模式降尺度方法, 而超级集合略高于最佳单模式降尺度方法统计预测方法是我国冬季气温预测常用的工具,CCA OCN 和 HCRE3 种统计预测方法对年冬季气温预测的平均 PS 评分在 52.1~82.9 之间, 其中 HCRE 统计方法表现出远高于其他方法的预测技巧为了同时利用模式预报信息与前期信息, 利用 12 种模式降尺度方法和 3 种统计方法进行集合预测应用表 7 表明, 等权平均集合低于大部分的降尺度方法和全部的统计方法, 但超级集合 SE 的平均技巧为 PS72.2 分, 高于各降尺度方法和统计方法中的绝大多数表 7 新疆冬季气温统计方法和降尺度统计方法集合预测平均 PS 评分统计方法降尺度统计集合最优方法方法 CCA OCN HCRE EE SE HCRE 统计方法 PS 从表 5~7 可以看出, 在新疆冬季气温预测中, HCRE 统计方法在本文各方法中平均技巧最高, 图 2 给出了该方法年后报的具体评估在表 6 新疆冬季气温降尺度预测和降尺度集合预测平均 PS 评分模式方法 NCC NCEP ECMWF JMA EE 集合 SE 集合 EOF 迭代 BP-CCA HCRE 图 2 HCRE 统计方法对年新疆冬季气温预测技巧 (a 为 PS 评分,b 为空间相关系数 ACC) 5

两种多模式集合方法 1982 2008 年后报的平均 PS 评分 NCEP ECMWF JMA 和 NCC 的季节模式对新疆 99 站的平均 PS 评分在 48.0~67.5 之间, 其中 NCEP 模式技巧最高, 为 67.

6 10 a 后报检验中, 该方法 PS 评分在 70~96 之间, 50% 的年份中高于 85 分, 体现了较高的技巧从空间 ACC 来看, 该方法对新疆冬季气温 ACC 平均为 0.08, 虽然明显高于新疆夏季降水预测, 但仍远远达不到 0.05 的信度水平 ( 注 : 此时 ACC 临界值为 0.20), 说明该方法对新疆冬季气温空间分布的把握能力仍然较低 4 结论季节预测一向是气候预测业务和科研的要点和难点针对新疆夏季降水和冬季气温, 本文利用国内外 4 家先进气候预测业务单位 (ECMWF NCEP JMA NCC) 的季节模式数据等权平均和超级集合两种常用的集合方法国家气候中心 BP-CCA EOF 迭代 HCRE3 种统计降尺度方法和 CCA 最优气候值 (OCN) 高相关回归集成 (HCRE)3 种统计方法, 采用后报这一接近气候业务的方式, 研究了模式多模式集合降尺度解释应用统计方法降尺度统计集合技术对新疆季节气候的预测能力对新疆夏季降水预测,4 个国内外顶尖的气候业务模式的预测技巧都很低 ; 多模式集合中等权平均并未提高模式预测的技巧, 而超级集合则较大改进了模式预测的技巧 ; 降尺度的技巧随模式和降尺度方法变化, 基于 ECMWF 模式数据的 EOF 迭代方法技巧最高, 强于最佳的多模式集合 ; 对降尺度方法进行集合的技巧和最佳降尺度方法类似 ; 统计方法表现的技巧和降尺度方法近似 ; 对降尺度方法和统计方法进行超级集合具有最高的预测技巧对新疆冬季气温预测,4 个国内外顶尖的气候业务模式的预测技巧都很低 ; 多模式集合的技巧与模式预测接近 ; 降尺度的技巧随模式和降尺度方法变化, 基于 NCEP 模式数据的 EOF 迭代方法技巧最高, 强于最佳的多模式集合 ; 对降尺度方法进行超级集合的技巧高于最佳降尺度方法 ;3 种统计方法表现的技巧差异很大, 和降尺度方法近似 ; 最佳的统计方法 HCRE 具有最高的预测技巧本文中的最佳方法对新疆 99 站夏季降水和冬季气温的平均预测技巧为 PS 评分 73.8 和 82.9, 而平均 ACC 都不高于 0.1, 远远达不到 90% 的信度, 说明对新疆短期气候的趋势有一定的预测技巧, 但对气候异常的空间分布基本无预测技巧本文采用了目前气候预测业务中的多种常用技术手段和与实际业务一致的独立后报方式, 研究结果基本体现了目前国内外业务技术对新疆季节气候预测的真实水平, 即趋势预测有部分预测能力, 但气候异常的空间分布预测能力很低新疆降水预测的难度较大, 主要在于以下几个原因 : 第一, 降水局地性较强, 尤其南疆降水常为南亚气流向北越过青藏高原所致, 这种天气过程主导的降水与气候尺度大气和海洋环流的关系较弱, 从而本质上可预测性较低, 这也是国内外先进模式预测技巧都很低的原因 ; 第二, 新疆作为干旱半干旱区, 大部分台站降水为非正态分布, 而常用的气候预测降尺度方法统计方法则采用适用于正态分布变量的回归建模方法进行预测, 从而二者本质上有矛盾新疆冬季气温本质上呈正态分布或准正态分布, 因此在回归方法进行预测建模时不存在变量正态性不匹配的问题, 但主要受欧亚中高纬环流控制, 比如乌拉尔山和贝加尔湖阻塞形势等, 而欧亚中高纬环流本质上是天气尺度现象, 在季节尺度上可预测性很低, 目前国际领先的模式表现的相关预测基本无技巧从本文各种方法的表现以及气候预测难度偏低的原因来看, 对新疆季节预测, 发展和改进降尺度方法和统计方法, 并进行有效集合的技术发展方向最为可行关于新疆降水的非正态性, 根据作者经验, [30] 构建预测信息相似方法比进行正态转换 ( 如 Cox- Box 变换 ) 可能效果更好参考文献 : [1] 张家宝, 陈晓梅. 新疆短期气候预测研究的回顾 [J] 援新疆气象,2001,24(4):1-6. [2] 白莉, 蔺波, 江新安, 等. 伊宁市终霜气候特征及霜冻最低温度预报方法研究 [J].,2007,1(2): [3] 孙东霞, 谢小红, 郭晓静. 克拉玛依特强大风的气候特征及天气分析与预报 [J].,2008,2(4): 李维京. 现代气候业务 [M]. 第一版. 北京 : 气象出版社, [5] Stockdale TN, Alves O,Boer G,et al. Understanding and predicting seasonal and inter-annual climate variabilitythe producer perspective [J]. White Paper for WCC - 3,2009. [6] Atger F. The skill of ensemble prediction systems. Mon Wea Rev,1999,127: [7] 杜钧. 集合预报的现状和前景 [J]. 应用气象学报,2002,13 6

20), 说明该方法对新疆冬季气温空间分布的把握能力仍然较低 4 结论季节预测一向是气候预测业务和科研的要点和难点针对新疆夏季降水和冬季气温, 本文利用国内外 4 家先进气候预测业务单位 (ECMWF NCEP JMA NCC) 的季节模

7 刘长征等 : 新疆夏季降水和冬季气温预测方法及效果评估 (1): [8] Stephenson DB,Coehlo CAS,Doblas-Reyes FJ, et al. Forecast assimilation:a unified framework for the combination of multi -model weather and climate predictions[j]. Tellus A,2005,57(3): [9] Wang B,Jug JS,Kyung J,et al. Advance and prospectus of seasonal prediction: assessment of the APCC/CliPAS 14 -model ensemble retrospective seasonal prediction ( )[J]. Climate Dynamics,2009,33(1): [10] 陈超辉, 李崇银, 谭言科, 等. 基于交叉验证的多模式超级集合预报方法研究 [J]. 气象学报,2010,68(4): [11] Feng JM,Lee DK, Fu CB,et al. Comparison of four ensemble methods combining regional climate simulations over Asia[J]. Meteorol Atmos Phys,2011,111: [12] Palmer T,Andersen U,Cantelaube P,et al. Development of a European Multi -Model Ensemble System for Seasonal to Inter-Annual Prediction (DEMETER)[J]. Bulletin of the American Meteorological Society,2002,85 (6): [13] Krishnamurti T N,Kishtawal C M,LaRow T E, et al. Improved skills for weather and seasonal climate forecasts from multimodel superensemble [J]. Science,1999,285: [14] Pavan V,Doblas -Reyes J. Multi -model seasonal hindcasts over the Euro -Atlantic:skill scores and dynamic features [J]. Climate Dynamics,2000,16: [15] Doblas -Reyes F J,Hagedorn R,Palmer T N. The rationale behind the success of multi-model ensembles in seasonal forecasting -II.Calibration and combination[j]. Tellus,2005,57A: [16] Ke ZJ,Dong WJ,Zhang PQ,et al. An analysis of the difference between the multiple linear regression approach and the multimodel ensemble mean [J]. Advances in Atmospheric Sciences,2009,26 (6): [17] Wilby RL. Downscaling general circulation model output: a review of methods and limitations [J]. Journal of the American Water Resources Association,2000,36(2): [18] 范丽军, 符淙斌, 陈德亮. 统计降尺度法对华北地区未来区域气温变化情景的预估 [J]. 大气科学,2007,31(5): [19] 覃志年, 陈丽娟, 唐红玉, 等. 月尺度动力模式产品解释应用系统及预测技巧 [J]. 应用气象学报,2010,21(5): [20] 李江萍, 王式功. 统计降尺度法在数值预报产品释用中的应用 [J]. 气象,2008,34(6): [21] Zhu C W,Park C K,Lee W S,et al. Statistical downscaling for multi -model ensemble prediction of summer monsoon rainfall in the Asia-pacific region using geopotential height field [J] 援 Advances in Atmospheric Sciences,2008,25(5): [22] 陈学君, 苏仲岳, 李仲龙, 等. 年降水量数据的正态变换方法对比分析 [J]. 干旱气象,2012,30(3): [23] 魏凤英, 黄嘉佑. 我国东部夏季降水量统计降尺度的可预测性研究. 热带气象学报,2010,26(4): [24] 康红文, 祝从文, 左志燕, 等. 多模式集合预报及其降尺度技术在东亚夏季降水预测中的应用. 气象学报, 2012,70(2): [25] 陈丽娟, 李维京, 张培群, 等. 降尺度技术在月降水预报中的应用. 应用气象学报,2003,14(6): [26] 艾孑兑秀, 董文杰, 张培群. 一种基于 EOF 分析的迭代方法在业务预报中的应用. 热带气象学报,2008,24(4): [27] 柯宗建, 张培群, 董文杰, 等. 最优子集回归方法在季节气候预测中的应用. 大气科学,2009,33(5): [28] 贾小龙, 陈丽娟, 李维京, 等.BP-CCA 方法用于中国冬季温度和降水的可预报性研究和降尺度季节预测援气象学报,2010,68(3): [29] 刘长征, 杜良敏, 柯宗建, 等. 国家气候中心多模式解释应用集成预测. 应用气象学报,2013,24(6): [30] Huug van Den Dool 著, 张勤, 肖子牛, 江志红译. 短期气候预报的经验 ( 统计 ) 方法. 北京 : 气象出版社,2011. [31] 毛恒青, 李小泉. 典型相关分析 (CCA) 对我国冬季气温的短期气候预测试验. 应用气象学报,1997,8(4): [32] 黄茂怡, 黄嘉佑. 近年来 CCA 在气候分析与气候预测中的应用. 北京大学学报 ( 自然科学版 ),2000,37(1):

Advance and prospectus of seasonal prediction: assessment of the APCC/CliPAS 14 -model ensemble retrospective seasonal prediction (1980-2004)[J].

8 The Prediction of Summer Precipitation and Winter Temperature over Xinjiang LIU Changzheng 1,JIANG Yuan an 2,MAO Weiyi 3,CHEN Ying 2,BAI Suqin 2 (1.National Climate Center,Beijing ,China;2.Xinjiang Climate Center,Urumqi ,China; 3.Institute of Desert Meteorology,CMA,Urumqi ,China) Abstract The operational prediction ability of summer precipitation and winter temperature over Xinjiang is studied with the common techniques including seasonal models,multi-model ensemble, statistical downscaling,statistical methods,ensemble of both downscaling and statistical methods. The operational seasonal models from National Climate Center,ECMWF,NCEP,JMA,two mulitimodel ensemble methods (the average and super-ensemble), three downscaling methods (BP- CCA,EOF-ITE,HCRE)and three statistical methods (BP-CCA,OCN,HCRE)used in National Climate Center are employed in this paper. Our study shows that the above techniques and methods have much different prediction abilities on the summer precipitation and winter temperature over Xinjiang. The skill scores of the leading operational seasonal models are very low. Meanwhile, the super-ensemble of models and downscaling methods are often better than single model while the best downscaling method shows higher score than the best multi-model ensemble method. Besides,the skills of statistical methods are similar to the downscaling ones. The super -ensemble of both downscaling and statistical methods often holds quite higher prediction accuracy. What is more, it is indicated that the common methods used in present operation are of certain ability on the prediction of the trend but of few ability on the spatial distribution of the climate anomalies over Xinjiang. It is suggested that the technique on seasonal prediction over Xinjiang should be developed focusing on the ensemble of statistical and downscaling methods. Key words Xinjiang climate; climate prediction; ensemble prediction; seasonal model; downscaling; statistical methods 8

Institute of Desert Meteorology,CMA,Urumqi 830002,China) Abstract The operational prediction ability of summer precipitation and winter temperature over Xinjiang is studied with the common techniques

~ a 3 h NCEP ~ 24 3 ~ ~ 8 9 ~ km m ~ 500 m 500 ~ 800 m 800 ~ m a 200

~ a 3 h NCEP ~ 24 3 ~ ~ 8 9 ~ km m ~ 500 m 500 ~ 800 m 800 ~ m a 200 31 1 2013 3 Journal of Arid Meteorology Vol. 31 No. 1 March 2013. J. 2013 31 1 62-69. doi 10. 11755 /j. issn. 1006-7639 2013-01 - 0062 211101 2000 ~ 2010 3 h 2. 5 2. 5 NCEP 2 5 ~ 7 02 11 05 ~ 08 2 ~ 8