集合預(yù)報(bào)方法在暴雨研究和預(yù)報(bào)中的應(yīng)用

杜鈞李俊

（1 美國國家海洋和大氣管理局 國家環(huán)境預(yù)報(bào)中心, 美國；2 中國氣象局武漢暴雨研究所, 武漢 430074）

集合預(yù)報(bào)方法在暴雨研究和預(yù)報(bào)中的應(yīng)用

杜鈞1李俊2

（1 美國國家海洋和大氣管理局 國家環(huán)境預(yù)報(bào)中心, 美國；2 中國氣象局武漢暴雨研究所, 武漢 430074）

機(jī)理了解不夠和可預(yù)報(bào)性問題的忽略是暴雨預(yù)報(bào)不盡人意的兩大原因。主要討論第二方面,即如何面對和處理可預(yù)報(bào)性問題,這對如何提高現(xiàn)有數(shù)值預(yù)報(bào)的價(jià)值、做好氣象服務(wù)尤其重要。根據(jù)作者多年的研究和實(shí)踐經(jīng)驗(yàn)以及直接接觸的一些研究和方法,簡要地總結(jié)了數(shù)值集合預(yù)報(bào)方法在暴雨研究和預(yù)報(bào)中的應(yīng)用,具體包括以下四個(gè)方面:(1)暴雨集合預(yù)報(bào)系統(tǒng)的建立:初值和物理擾動、成員數(shù)、模式分辨率、資料同化和“虛擬”集合預(yù)報(bào);(2)預(yù)報(bào)方法:集合異常預(yù)報(bào)法、再預(yù)報(bào)相似集合法和臺風(fēng)路徑聚類法;(3)在預(yù)報(bào)后處理與訂正中的應(yīng)用:平均、成員排序與最佳成員法、加權(quán)平均、概率匹配平均法和集合動力因子法;(4)對暴雨天氣系統(tǒng)的機(jī)理分析與模式初值的改進(jìn):初值擾動差異分析和集合敏感性法、目標(biāo)觀測。希望國內(nèi)氣象業(yè)務(wù)部門能在日常業(yè)務(wù)中借鑒以上方法以提高暴雨預(yù)報(bào)和服務(wù)水平,為今后的研究工作提供一個(gè)新的起點(diǎn)、方向和方法,這包括指導(dǎo)現(xiàn)有的一些業(yè)務(wù)集合預(yù)報(bào)系統(tǒng)今后的進(jìn)一步完善。

暴雨,集合預(yù)報(bào),預(yù)報(bào)訂正,天氣診斷,目標(biāo)觀測,資料同化

1 引言

暴雨是中國的主要重大災(zāi)害性天氣之一，它造成巨大經(jīng)濟(jì)損失并威脅人類的生命[1]，大量的科研力量也因此集中在同暴雨有關(guān)的工作上[2]。譬如，隨便翻閱一本中國的氣象專業(yè)雜志，就可看到有關(guān)暴雨的文章；國家專門設(shè)立了研究暴雨的專業(yè)研究所（即中國氣象局武漢暴雨研究所，http://www.whihr.com.cn）。雖然如此，目前的暴雨預(yù)報(bào)仍然不盡如人意，遠(yuǎn)遠(yuǎn)不能滿足氣象服務(wù)的需求[3]。原因可能有兩大方面：一是對暴雨產(chǎn)生的機(jī)理了解不夠，特別是對它在不同情形下的中、小和微尺度的物理過程沒有完全了解和掌握[4]，因此還不能在數(shù)值模式中精確地描述這些過

程，導(dǎo)致模式?jīng)]有能力預(yù)報(bào)出所有不同類型的暴雨；二是沒有科學(xué)地面對和處理其可預(yù)報(bào)性問題，強(qiáng)降水過程往往是在極其復(fù)雜過程下多尺度系統(tǒng)非線性相互作用下的一種綜合結(jié)果，任一環(huán)節(jié)如初值（包括大氣、下墊面和側(cè)邊界）、物理過程和參數(shù)化方案以及模式的計(jì)算處理上的細(xì)小差別都有可能導(dǎo)致預(yù)報(bào)結(jié)果的重大差別[5-6]，所以即使一個(gè)模式有能力來預(yù)報(bào)它，其預(yù)報(bào)的不確定性也很大[7-8]。而預(yù)報(bào)的不確定性問題又在當(dāng)前的預(yù)報(bào)實(shí)踐中被忽略[9-10]，結(jié)果使公眾和用戶得不到關(guān)于預(yù)報(bào)的全面信息（即各種可能性及其可信度）而失去本來可以做出更優(yōu)決策的機(jī)會[11-12]。

本文的討論主要集中在第二方面，即如何面對和處理其可預(yù)報(bào)性問題，這一問題對如何提高現(xiàn)有數(shù)值預(yù)報(bào)的價(jià)值和做好氣象服務(wù)尤其重要[11-12]。集合數(shù)值預(yù)報(bào)方法是一種專門用來定量估計(jì)預(yù)報(bào)誤差也即預(yù)報(bào)不確定性的動力學(xué)方法[7,13-14]，因此，它在暴雨這類預(yù)報(bào)誤差很大的預(yù)報(bào)制作過程中大有作為。需要強(qiáng)調(diào)的是，集合預(yù)報(bào)的主要目的是針對某一特定的預(yù)報(bào)系統(tǒng)來實(shí)時(shí)定量地模擬該系統(tǒng)對任一氣象要素隨時(shí)間、空間以及天氣系統(tǒng)而變化的可能預(yù)報(bào)誤差的分布，并不是要做出一個(gè)更準(zhǔn)確的單一值預(yù)報(bào)[7-14]，第2和第3節(jié)討論有關(guān)“預(yù)報(bào)誤差的預(yù)報(bào)”或稱為“可預(yù)報(bào)性的預(yù)報(bào)”的內(nèi)容；雖然如此，集合預(yù)報(bào)的第二類作用也確實(shí)可以改進(jìn)預(yù)報(bào)本身的準(zhǔn)確性，這主要通過兩種途徑來實(shí)現(xiàn)：一是通過對原始預(yù)報(bào)的后處理，如集合平均方法[15]來過濾掉可預(yù)報(bào)性低的預(yù)報(bào)信息和預(yù)估成員相對優(yōu)劣法[16]來選取最佳成員或進(jìn)行加權(quán)平均等（第4節(jié)），二是通過預(yù)報(bào)不確定性信息的反饋來改進(jìn)模式初值而間接地提高預(yù)報(bào)的可預(yù)報(bào)性，達(dá)到提高預(yù)報(bào)精度的目的，如基于集合預(yù)報(bào)的目標(biāo)觀測[14,17]（第5節(jié)）和資料同化[18]（第2.3節(jié)）。本文簡要地總結(jié)了集合數(shù)值預(yù)報(bào)方法在暴雨研究和預(yù)報(bào)中的應(yīng)用，具體包括四個(gè)方面：（1）暴雨集合預(yù)報(bào)系統(tǒng)的建立：初值和物理擾動、成員數(shù)、模式分辨率、資料同化和“虛擬”集合預(yù)報(bào)；（2）預(yù)報(bào)方法：集合異常預(yù)報(bào)法、再預(yù)報(bào)相似集合法和臺風(fēng)路徑聚類法；（3）在預(yù)報(bào)后處理與訂正中的應(yīng)用：平均、成員排序與最佳成員法、概率匹配平均法和集合動力因子法；（4）對暴雨天氣系統(tǒng)的機(jī)理分析與模式初值的改進(jìn)：初值擾動差異分析和集合敏感性法、目標(biāo)觀測。第6節(jié)則對上述內(nèi)容做一總結(jié)和討論。

本文是根據(jù)作者多年的研究和實(shí)踐經(jīng)驗(yàn)以及直接接觸的一些研究和方法的總結(jié)，雖然它涉及范圍較廣，但并不是，也不奢望是對現(xiàn)有文獻(xiàn)的全面回顧。通過總結(jié)，希望能起到兩個(gè)作用：（1）氣象業(yè)務(wù)部門能在日常業(yè)務(wù)中應(yīng)用眾多行之有效的方法來提高暴雨預(yù)報(bào)和服務(wù)水平；（2）為今后的研究工作提供一個(gè)新的起點(diǎn)、方向和方法，這包括指導(dǎo)現(xiàn)有的一些業(yè)務(wù)集合預(yù)報(bào)系統(tǒng)的進(jìn)一步完善。

2 暴雨集合預(yù)報(bào)系統(tǒng)

2.1 初值擾動

早期研究[15,19-20]表明，降水預(yù)報(bào)對模式的初值很敏感，因此基于初值的集合預(yù)報(bào)系統(tǒng)在強(qiáng)降水預(yù)報(bào)上不但能改進(jìn)單一值的確定預(yù)報(bào)，也能提供各降水量級較可靠的概率預(yù)報(bào)。我們的研究[21]進(jìn)一步表明初值擾動場的空間結(jié)構(gòu)比擾動幅度的大?。ó?dāng)然不能虛假地過大）對集合預(yù)報(bào)離散度的作用更重要。因?yàn)榇蟊┯杲?jīng)常同對流系統(tǒng)活動有關(guān)，為了使初值擾動結(jié)構(gòu)中能反映對流系統(tǒng)，陳靜等[22]在應(yīng)用增長模繁殖法（BGM）[23-24]的擾動產(chǎn)生過程中用兩個(gè)具有不同對流參數(shù)化物理方案的模式預(yù)報(bào)之差（傳統(tǒng)上用兩個(gè)具有相同物理過程的模式預(yù)報(bào)之差）來產(chǎn)生初值擾動場，結(jié)果表明由此產(chǎn)生的擾動結(jié)構(gòu)能較好地反映對流活動區(qū)而進(jìn)一步改進(jìn)集合預(yù)報(bào)對暴雨預(yù)報(bào)的效果。關(guān)于不同空間尺度的初值擾動場對降水集合預(yù)報(bào)離散度影響的研究表明[25]，雖然較大尺度（波長64～90km）的初值擾動場相對較小尺度（波長2～8km）的擾動場而言對集合成員預(yù)報(bào)的總離散度起主導(dǎo)的作用，但它對小尺度（波長8～32km）預(yù)報(bào)誤差的模擬似乎貢獻(xiàn)很小或無能為力；而較小尺度的擾動場卻可以模擬出小尺度（波長8～32km）以及中尺度（波長64～512km）的預(yù)報(bào)誤差。這一結(jié)果在沒有明顯天氣尺度系統(tǒng)作用下，即弱背景環(huán)流形勢下的強(qiáng)降水（如對流降水）尤其明顯，這時(shí)初值擾動中較小尺度的結(jié)構(gòu)比較重要；而在強(qiáng)天氣尺度系統(tǒng)控制下的強(qiáng)降水（如鋒面降水），較大尺度和較小尺度初值擾動場對模式小尺度預(yù)報(bào)誤差的作用都差不多，這時(shí)初值擾動中小尺度的結(jié)構(gòu)就相對不重要。上述結(jié)果也許可以部分解釋我們在一項(xiàng)研究中所看到的為什么直接用高分辨率的區(qū)域模式所生成的初值擾動場其集合預(yù)報(bào)效果要優(yōu)于從低分辨率全球集合預(yù)報(bào)系統(tǒng)降尺度而來的初值擾動[26]。為了綜合利用大、小尺度擾動的各自優(yōu)點(diǎn)，NCEP的短期集合預(yù)報(bào)系統(tǒng)（SREF）釆用了大、小尺度混合的初值擾動場：即在區(qū)域模式生成的較小尺度擾動場（16km）基礎(chǔ)上再疊加上由全球集合預(yù)報(bào)系統(tǒng)生成的較大尺度擾動場（55km），結(jié)果表明這樣做可以有效地提高集合離散度的增長率和集合預(yù)報(bào)的效果。為了使初值擾動同側(cè)邊界擾動相匹配，奧地利氣象局的區(qū)域集合預(yù)報(bào)系統(tǒng)也釆用了這種分別來自全球和區(qū)域集

合預(yù)報(bào)的大、小尺度混合的初值擾動方法，取得較好效果。

研究中發(fā)現(xiàn)夏季午后雷陣雨以及近地面氣溫的預(yù)報(bào)對模式土壤濕度初值很敏感[27-29]。原因是雷陣雨能否出現(xiàn)的一個(gè)關(guān)鍵因素是氣塊能否被加熱抬升至對流凝結(jié)高度：當(dāng)太陽短波輻射被地表吸收后，如下墊面較濕則這部分熱能用來蒸發(fā)（即轉(zhuǎn)化為潛熱），而不加熱上面的空氣，使氣塊不易被加熱上升達(dá)到對流凝結(jié)高度而產(chǎn)生對流降水；反之，下墊面較干時(shí)，地面通過長波輻射加熱上面的空氣（即轉(zhuǎn)化為感熱），使氣塊上升達(dá)到對流凝結(jié)高度而產(chǎn)生對流降水?？紤]到目前模式中所用的土壤濕度資料精度很低即不確定度很大，所以對土壤濕度初值進(jìn)行擾動的集合預(yù)報(bào)可以較好地模擬夏天雷陣雨降水以及近地面氣溫預(yù)報(bào)的不確定性或可能的預(yù)報(bào)誤差。

由于計(jì)算機(jī)運(yùn)算速度的限制，在實(shí)際的業(yè)務(wù)集合數(shù)值預(yù)報(bào)中集合成員數(shù)不能太多，否則模式分辨率就會過低，因此在一定計(jì)算機(jī)資源下，集合成員數(shù)和模式分辨率要有一個(gè)合理的配置。早期關(guān)于集合成員數(shù)的研究表明[15]，對于降水集合預(yù)報(bào)（平均預(yù)報(bào)和概率預(yù)報(bào)）一般成員數(shù)達(dá)到10個(gè)左右就基本接近“最大可獲得的預(yù)報(bào)技巧”。但是Du等[15]的結(jié)果是基于空間分辨率較粗（80km）用對流參數(shù)化方案的數(shù)值模式，那么對于基于空間分辨率很細(xì)的顯式計(jì)算云物理模式的集合預(yù)報(bào)系統(tǒng)呢？最近Clark等[30]的研究結(jié)果表明，即使對于這種基于高分辨率（4km）風(fēng)暴尺度集合預(yù)報(bào)系統(tǒng)的降水概率預(yù)報(bào)，10個(gè)左右成員似乎也就夠了，但同時(shí)也指出隨著預(yù)報(bào)時(shí)效的延長和模式空間分辨率的增加，要接近“最大可獲得的預(yù)報(bào)技巧”所需的成員數(shù)也隨之增加。這一結(jié)論同Richardson[31]的結(jié)論一致：即一個(gè)事件可預(yù)報(bào)性愈低，要達(dá)到“最大可獲得的預(yù)報(bào)技巧”所需的集合成員數(shù)就愈多。因此，對于一般短期天氣預(yù)報(bào)，在保證一定成員數(shù)的情況下（如10個(gè)成員），盡量增加模式空間分辨率和應(yīng)用較完善的物理方案應(yīng)是提高預(yù)報(bào)水平的一種較優(yōu)選擇；Clark等的研究[32-33]也證實(shí)了這一點(diǎn)：對于降水（對流天氣系統(tǒng)）的預(yù)報(bào)，5（10）個(gè)成員4km顯式計(jì)算云物理模式的小集合預(yù)報(bào)系統(tǒng)的預(yù)報(bào)效果較15（30）個(gè)成員20km對流參數(shù)化物理模式的大集合預(yù)報(bào)系統(tǒng)好。但對于較長時(shí)效的預(yù)報(bào)如中期和季節(jié)的數(shù)值預(yù)報(bào)（可預(yù)報(bào)性很低），較多的集合成員數(shù)則可能會比增加模式空間分辨率更重要[34]。模式的垂直分辨率對降水預(yù)報(bào)質(zhì)量的影響也很大[35]，但似乎還沒人從集合成員數(shù)與垂直分辨率的合理分配角度進(jìn)行過定量的討論。

2.2 物理和模式擾動

早期集合預(yù)報(bào)研究的注意力主要集中在初值不確定性上，但后來Brooks等[36]、Mullen等[37]發(fā)現(xiàn)集合成員降水預(yù)報(bào)的發(fā)散性對不同的同化系統(tǒng)和不同的物理參數(shù)化方案也很敏感。根據(jù)這一思路在美國國家氣象局國家環(huán)境預(yù)報(bào)中心（NCEP）建立了世界上第一個(gè)基于多初值、多模式和多物理的短期區(qū)域集合預(yù)報(bào)業(yè)務(wù)系統(tǒng)（SREF，http://www.emc.ncep.noaa.gov/mmb/ SREF/SREF.html），它于2000年開始每天運(yùn)行，并于2001年正式變成業(yè)務(wù)預(yù)報(bào)系統(tǒng)[38-39]。實(shí)踐證明，多物理、多模式方法是對暴雨和其他較難預(yù)報(bào)的天氣要素如霧[40]等行之有效的集合預(yù)報(bào)方法；這種多物理、多模式集合預(yù)報(bào)方法對中國南方暴雨的試驗(yàn)[41]和2008年北京奧運(yùn)會期間的實(shí)時(shí)試驗(yàn)[42]也證實(shí)它是一種行之有效的方法；并且這種方法在當(dāng)不同的模式具有相反的系統(tǒng)性偏差時(shí)效果尤其顯著[42]。關(guān)于物理擾動同初值擾動相比對集合離散度的相對貢獻(xiàn)大小，許多研究結(jié)果都看到物理擾動的貢獻(xiàn)似乎是第二位的[43-44]，這對降水以外的其他大氣變量如溫、壓、濕、風(fēng)場更是如此（對于降水預(yù)報(bào)，有時(shí)它們的作用可以相當(dāng)；對于小尺度的強(qiáng)降水，物理擾動的作用甚至可以超過初值擾動），大尺度的集合離散度可僅通過初值擾動而得到，而物理擾動僅對風(fēng)暴附近局部地區(qū)離散度場在強(qiáng)度如降水量和結(jié)構(gòu)上可有較大的修改作用。打個(gè)比方，初值擾動決定了一幅肖像畫中人的大致輪廓，而物理擾動則可修改人的五官位置和形狀?？紤]到天氣尺度的誤差增長進(jìn)入非線性階段大約需1d左右的時(shí)間[45]，對于降水而言，一般認(rèn)為在前24h預(yù)報(bào)中物理擾動的作用較大，而24h以后初值和側(cè)邊界擾動會起主要作用。但Clark等[46]的研究表明，即使在前24h，初值和側(cè)邊界擾動對降水預(yù)報(bào)也可能起主導(dǎo)作用。Stensrud等[47]進(jìn)一步指出，在強(qiáng)天氣尺度強(qiáng)迫形勢下（如鋒面降水），物理擾動相比初值擾動作用較小，而在弱的大尺度強(qiáng)迫背景下（如純熱對流降水），物理擾動作用較初值擾動作用更大或相當(dāng)。

雖然多模式和多物理的擾動方法實(shí)際效果較佳，但鑒于在一個(gè)數(shù)值預(yù)報(bào)中心發(fā)展和維護(hù)多個(gè)模式和多種物理方案并不易，因此它不是一種經(jīng)濟(jì)的最佳選擇。所以，近年來，隨機(jī)物理擾動方法的發(fā)展和研究變得比較熱門[48-55]。雖然從文獻(xiàn)中可以看到一些正面結(jié)果的報(bào)告（主要是“離散度—預(yù)報(bào)技巧關(guān)系”有所改進(jìn)），但根據(jù)我們自己正在進(jìn)行的研究看到這一方法目前并不成熟，其產(chǎn)生的集合離散度遠(yuǎn)遠(yuǎn)小于初值擾動或多物理方案或多模式技術(shù)所產(chǎn)生的離散度（隨機(jī)動能后向散射

SKEB法[52]可能是個(gè)例外），雖然它在局部地區(qū)可以較大幅度地改變降水量，但對模擬降水位置的不確定性幾乎無能為力；可喜的是對小尺度預(yù)報(bào)誤差的模擬，隨機(jī)物理擾動的作用可與初值擾動相當(dāng)（這對風(fēng)暴尺度的局地強(qiáng)降水非常重要），另外，如果在初值擾動基礎(chǔ)上疊加隨機(jī)物理擾動，則其綜合集合預(yù)報(bào)結(jié)果對最終暴雨預(yù)報(bào)不確定性的模擬有所改進(jìn)[56]。

鑒于物理過程的重要性、復(fù)雜性以及物理擾動與初值擾動的相互作用等[57-59]，如果在一個(gè)集合預(yù)報(bào)系統(tǒng)中不全面包括物理過程的誤差源，該集合系統(tǒng)就不可能準(zhǔn)確地模擬出局地性很強(qiáng)的所有天氣的預(yù)報(bào)誤差分布。如Du[60]在一項(xiàng)研究中發(fā)現(xiàn)，只要所用模式有誤差，即使在一個(gè)集合預(yù)報(bào)系統(tǒng)中對初值擾動的表征很準(zhǔn)確，基于該集合的預(yù)報(bào)概率密度的分布總會在少數(shù)一些地域完全錯(cuò)誤，并且很難預(yù)測這些錯(cuò)誤分布會出現(xiàn)在什么地方，這些少數(shù)地域稱為“不可預(yù)報(bào)點(diǎn)”。因此，作者認(rèn)為今后需進(jìn)一步深入研發(fā)新的、較全面的、較有效的隨機(jī)物理擾動方法（SKEB方法是否真的有效，還有待進(jìn)一步證實(shí)）；也有人對物理擾動方法比較樂觀，認(rèn)為各種物理擾動方法都差不多，所以簡單的物理擾動方法在實(shí)踐中就夠用了[61]。我們認(rèn)為衡量隨機(jī)物理過程擾動方法是否成功的一個(gè)重要指標(biāo)是它能否有效地復(fù)制現(xiàn)行的多模式和多物理擾動法的效果，要實(shí)現(xiàn)這一點(diǎn)在目前看來似乎還比較困難。對于模式中的許多誤差源，我們現(xiàn)在還不完全了解，有些雖知道但還沒有完全認(rèn)識和應(yīng)用，如模式地形和實(shí)際地形有很大的差異，所以擾動模式地形對暴雨集合預(yù)報(bào)應(yīng)該有較顯著的影響，這些都需要做進(jìn)一步的工作。

2.3 模式和資料同化

活躍的對流系統(tǒng)和局地地形往往是造成強(qiáng)降水的直接原因，要準(zhǔn)確地預(yù)報(bào)這些對流系統(tǒng)以及它們與地形的相互作用來模擬這種暴雨過程，基于顯式云物理高分辨率（＜5km）模式的風(fēng)暴尺度集合預(yù)報(bào)是必需的，這在2009年8月登陸臺灣的強(qiáng)臺風(fēng)莫拉克（Morakot）造成的臺風(fēng)特大暴雨和2012年7月21日北京的特大暴雨這些歷史性事件的研究中得到了很好的體現(xiàn)[18,62]。不用高分辨率模式，這些重大天氣過程的細(xì)節(jié)都不能被準(zhǔn)確地描繪出來；這些研究也看到，除了應(yīng)用顯式云物理的高分辨率模式以外，資料同化技術(shù)也是關(guān)健：譬如，當(dāng)采用直接同集合預(yù)報(bào)系統(tǒng)耦合由集合成員來提供與氣流相關(guān)的背景誤差估計(jì)場的集合卡爾曼濾波（EnKF）技術(shù)[63-66]所產(chǎn)生的分析場作為模式初值時(shí)就能較好地預(yù)報(bào)莫拉克臺風(fēng)暴雨，反之如采用三維變分同化法所產(chǎn)生的分析場作為初值則不能很好地預(yù)報(bào)這次臺風(fēng)的強(qiáng)降水[18]。

區(qū)域集合預(yù)報(bào)系統(tǒng)需要由更大區(qū)域的或全球的集合預(yù)報(bào)系統(tǒng)來提供側(cè)邊界條件，有時(shí)也直接提供初始條件。在模式區(qū)域較大時(shí)，來自側(cè)邊界的影響相對較??；但當(dāng)區(qū)域較小時(shí)，對集合預(yù)報(bào)的離散度影響巨大[67]。鑒于計(jì)算機(jī)資料的限制，目前高分辨率（＜5km）顯式云物理模式的風(fēng)暴尺度集合預(yù)報(bào)區(qū)域都比較小，因此側(cè)邊界條件影響很大。因?yàn)樵S多數(shù)值預(yù)報(bào)中心自己并不直接運(yùn)行一個(gè)區(qū)域較大的“中間分辨率”區(qū)域集合預(yù)報(bào)，所以一個(gè)實(shí)際問題就是對顯式云物理的風(fēng)暴尺度（＜5km）集合預(yù)報(bào)系統(tǒng)其側(cè)邊界和初值是否可以直接由較低分辨率（目前一般為30～50km）的全球集合預(yù)報(bào)系統(tǒng)來提供而不影響預(yù)報(bào)質(zhì)量，或還需要在這兩者之間有一個(gè)起過渡或橋梁作用的基于參數(shù)化物理模式的“中間尺度”區(qū)域集合預(yù)報(bào)系統(tǒng)先把全球粗網(wǎng)格資料進(jìn)行降尺度。Marsigli等[68]最近對此問題用一個(gè)2.8km顯式云物理模式的風(fēng)暴集合預(yù)報(bào)系統(tǒng)進(jìn)行了比較：一是用32km歐洲中期氣象預(yù)報(bào)中心的全球集合預(yù)報(bào)來“直接”驅(qū)動（提供側(cè)邊界和初值條件）這2.8km風(fēng)暴尺度集合系統(tǒng)，二是先把32km全球資料用一個(gè)7km參數(shù)化云物理的區(qū)域集合預(yù)報(bào)進(jìn)行降尺度再“間接”地驅(qū)動這2.8km風(fēng)暴尺度集合系統(tǒng)。結(jié)果發(fā)現(xiàn)：（1）對于500hPa高度場，兩者預(yù)報(bào)差異都在集合預(yù)報(bào)的離散度之內(nèi)而不明顯；（2）對于降水預(yù)報(bào)，兩者在12～45km的空間尺度上有不能忽略的明顯差異，顯然這對局地的強(qiáng)降水預(yù)報(bào)會有影響；雖然如此，但他們發(fā)現(xiàn)降水預(yù)報(bào)的技巧兩者卻沒有明顯區(qū)別。因此，他們認(rèn)為用32km全球集合預(yù)報(bào)來直接驅(qū)動2.8km顯式云物理模式的風(fēng)暴尺度集合預(yù)報(bào)似乎是可行的。當(dāng)然，這個(gè)工作還很初步，今后應(yīng)有更系統(tǒng)的研究來跟進(jìn)特別是對強(qiáng)對流降水的影響。

2.4 各種替代法產(chǎn)生的“虛擬”集合預(yù)報(bào)

在沒有足夠計(jì)算機(jī)資源來運(yùn)行你理想中的真正意義上的集合預(yù)報(bào)系統(tǒng)時(shí)，為了能定量估計(jì)預(yù)報(bào)不確定性，許多研究人員提出了各種各樣的替代辦法來幫助實(shí)現(xiàn)這一夢想。時(shí)間滯后法[69]和“窮人”集合法[70]是較早時(shí)期提出的此類方法的兩個(gè)代表。時(shí)間滯后法（time-lagged ensemble）就是把起始時(shí)間不同但終止時(shí)間相同的同一個(gè)模式所產(chǎn)生的所有預(yù)報(bào)集合起來，這方法的缺點(diǎn)是不同長度時(shí)效的預(yù)報(bào)質(zhì)量不一樣，所以在制作集合產(chǎn)品時(shí)要對不同成員采用不同的權(quán)重，其長處是應(yīng)用了過去不同時(shí)刻模式初值的信息。

“窮人”集合法（poor-man ensemble）是因自己不能運(yùn)行模式而簡單地把能獲得的眾多來源不同的別

的模式預(yù)報(bào)集合在一起，其壞處也是模式質(zhì)量不一，所以對不同成員需要采用不同的權(quán)重來產(chǎn)生集合預(yù)報(bào)產(chǎn)品，長處是導(dǎo)致預(yù)報(bào)不確定的誤差源的表征比較全面，因?yàn)樗紤]了不同的初值和同化系統(tǒng)、不同的物理和模式的動力框架等，所以集合離散度會較大，并且各成員系統(tǒng)性偏差會不一樣，因此在集合平均過程中往往會互相抵消而使平均預(yù)報(bào)非常出色[42]。大家所熟知的“超級集合預(yù)報(bào)”[71]概念其實(shí)就是“窮人”集合法加上對每一成員的統(tǒng)計(jì)訂正（多元線性回歸），并且它的最后產(chǎn)品是一個(gè)單一值決定論的預(yù)報(bào)而并不是概率預(yù)報(bào)，所以最早的“超級集合預(yù)報(bào)”并不是現(xiàn)在真正意義上的集合預(yù)報(bào)，名稱有些誤導(dǎo)，可能稱之為“多模式的統(tǒng)計(jì)回歸法”更合適。

2004年作者也提出了“雙分辨率混合集合預(yù)報(bào)法（dural-resolution hybrid ensembling）”[72]，前提是有一個(gè)高分辨率的單一預(yù)報(bào)和一個(gè)低分辨率的集合預(yù)報(bào)，原理是把兩者結(jié)合起來各取其精華——基礎(chǔ)預(yù)報(bào)由高分辨率提供（比較精確）而預(yù)報(bào)不確定性信息由低分辨率集合預(yù)報(bào)提供（計(jì)算機(jī)資源允許）來產(chǎn)生一個(gè)新的“虛擬”高分辨率集合預(yù)報(bào)。具體做法是，把低精度集合預(yù)報(bào)每個(gè)成員分解為兩部分：控制預(yù)報(bào)和預(yù)報(bào)擾動（即擾動成員與控制預(yù)報(bào)之差），再把預(yù)報(bào)擾動疊加到高精度單一預(yù)報(bào)上來產(chǎn)生新的集合成員，也就是用高精度預(yù)報(bào)來代替原低精度控制預(yù)報(bào)再還原為集合預(yù)報(bào)。疊加辦法可用“單邊法”，即只加，這樣保持成員數(shù)和原集合一樣；也可用“雙邊法”，即亦加亦減，這使成員數(shù)比原集合增加一倍。此法的優(yōu)點(diǎn)是利用了高分辨率模式的長處（如對暴雨雨量預(yù)報(bào)較準(zhǔn)確），使原集合預(yù)報(bào)準(zhǔn)確率提高，同時(shí)又保留了集合預(yù)報(bào)的不確定性信息；可能的缺點(diǎn)是因?yàn)轭A(yù)報(bào)擾動部分和基礎(chǔ)預(yù)報(bào)部分來自不同分辨率的模式預(yù)報(bào)，有可能導(dǎo)致天氣系統(tǒng)在時(shí)空位置上的不匹配。但作者的實(shí)踐經(jīng)驗(yàn)表明，只要高、低精度預(yù)報(bào)所用的模式相同，預(yù)報(bào)時(shí)效不太長（如＜3d），這一不匹配問題似乎不明顯。該法已在美國國家環(huán)境預(yù)報(bào)中心的區(qū)域和全球集合預(yù)報(bào)業(yè)務(wù)中運(yùn)行多年：在區(qū)域集合預(yù)報(bào)上把21個(gè)成員的16km北美區(qū)域短期集合預(yù)報(bào)系統(tǒng)嫁接到基于2個(gè)4km-WRF（NCEP NMM和NCAR ARW）模式的幾個(gè)小區(qū)域單一預(yù)報(bào)上，結(jié)合產(chǎn)生一個(gè)具有44個(gè)成員、2天預(yù)報(bào)時(shí)效和多區(qū)域（美東、美西、阿拉斯加、夏威夷和波多黎各）的風(fēng)暴尺度集合預(yù)報(bào)，這對于改正強(qiáng)降水雨量和近地面風(fēng)場預(yù)報(bào)有較大的幫助；在全球集合預(yù)報(bào)上把55km的全球集合預(yù)報(bào)系統(tǒng)GEFS同27km的單一全球預(yù)報(bào)系統(tǒng)GFS相結(jié)合，考慮到高精度預(yù)報(bào)比低精度預(yù)報(bào)的優(yōu)勢隨著預(yù)報(bào)時(shí)效的延伸而遞減，在兩者結(jié)合的過程中應(yīng)用了一個(gè)權(quán)重函數(shù)，它從預(yù)報(bào)起始的1.0（即完全用高精度GFS作為基礎(chǔ)預(yù)報(bào)）逐漸隨預(yù)報(bào)時(shí)間的延長而下降，至第5天降為0（即完全用原來低精度的GEFS）。這樣混合集合后，也大大地改進(jìn)了原有全球集合預(yù)報(bào)的效果。

圖1 在高分辨率（1km）模式降水預(yù)報(bào)中，用“相鄰格點(diǎn)法”通過增尺度（a）來產(chǎn)生A點(diǎn)降水概率預(yù)報(bào)和平均預(yù)報(bào)（b）的示意圖

不久前，Schwartz等[73]針對高分辨率模式雖然在降水量級預(yù)報(bào)較好，但在具體位置上有很大的不確定性，而試驗(yàn)了一種所謂“鄰居法”（neighborhood approach，或較確切地應(yīng)稱為“相鄰格點(diǎn)法”）通過增尺度來估計(jì)預(yù)報(bào)的不確定性來產(chǎn)生降水概率預(yù)報(bào)（也可產(chǎn)生集合平均預(yù)報(bào)）。具體來說（圖1），在一個(gè)預(yù)先設(shè)定的空間尺度范圍內(nèi)（認(rèn)為模式對小于此尺度的預(yù)報(bào)沒有確定性技巧而不可在確定論的意義上

相信）所有模式格點(diǎn)的值組成一個(gè)集合預(yù)報(bào)，根據(jù)這些格點(diǎn)的值來計(jì)算出代表中心點(diǎn)的降水概率和集合平均。圖1a中模式的原始分辨率為1km，但認(rèn)為模式對小于6km的降水沒有確定預(yù)報(bào)技巧；所以，通過一個(gè)6km的范圍（圖1a）來計(jì)算A點(diǎn)的降水概率和集合平均降水（圖1b）。這樣可以把單一模式預(yù)報(bào)轉(zhuǎn)化為概率預(yù)報(bào)，也可把只有少量成員的小集合預(yù)報(bào)變成一個(gè)成員較多的大集合預(yù)報(bào)。此法的原理是增尺度（通過增尺度來增加預(yù)報(bào)的可靠性），關(guān)鍵是如何根據(jù)實(shí)際問題（模式的預(yù)報(bào)能力）來確定一個(gè)合理的增尺度半經(jīng)（如圖1的例子是3km）。注意，雖然一個(gè)模式在小于某一空間或時(shí)間尺度下也許沒有確定論意義上的預(yù)報(bào)技巧，但它可以有統(tǒng)計(jì)意義上的預(yù)報(bào)技巧，所以為了充分利用精細(xì)的物理方案或地形資訊等原因，完全有理由在小于此尺度的分辨率下運(yùn)行此模式。

3 預(yù)報(bào)方法

3.1 集合異常預(yù)報(bào)法

對罕見極端高影響天氣，即使一個(gè)模式有能力來預(yù)報(bào)它，其數(shù)值預(yù)報(bào)也至少有以下兩大難點(diǎn)：一是有多大把握所預(yù)報(bào)的天氣確是極端事件？二是其具體的定時(shí)、定量、定點(diǎn)預(yù)報(bào)穩(wěn)定可靠嗎？杜鈞等[74]通過對2012年北京7月21日特大暴雨事件的分析顯示，集合預(yù)報(bào)以及它和氣候資料相結(jié)合的“集合異常預(yù)報(bào)法”可以提供比單一模式預(yù)報(bào)更可靠和更準(zhǔn)確的信息，從而有效地緩解上述兩大難點(diǎn)來大大地提高重大災(zāi)害性天氣的預(yù)報(bào)能力。此法的具體步驟如下，通過計(jì)算“標(biāo)準(zhǔn)化異常度”（公式1）把數(shù)值模式預(yù)報(bào)同氣候資料相比較（圖2），可以判斷所預(yù)報(bào)的事件是否是罕見的極端事件，一般其絕對值超過3（即同氣候平均之差超過氣候標(biāo)準(zhǔn)差三倍）往往為極端事件的表征；并進(jìn)一步同集合預(yù)報(bào)相結(jié)合，計(jì)算集合中每一個(gè)成員的“標(biāo)準(zhǔn)化異常度”就可導(dǎo)出某一等級的極端事件出現(xiàn)的概率大小或其預(yù)報(bào)的可信度。根據(jù)這一可信度來增加或減弱預(yù)報(bào)員對該預(yù)報(bào)的信心，就可有效地提高對罕見極端高影響天氣預(yù)報(bào)的可靠性。結(jié)合天氣事件的異常度（代表天氣影響的大小）和異常預(yù)報(bào)的概率（代表預(yù)報(bào)的可信度）還可導(dǎo)出一個(gè)二維定量的災(zāi)害性天氣預(yù)報(bào)“社會影響矩陣”；它綜合考慮了天氣的影響度和預(yù)報(bào)的可信度，定量地表示某一災(zāi)害性天氣預(yù)報(bào)的可能潛在社會影響大小，這無疑比現(xiàn)在的單一確定性預(yù)報(bào)更科學(xué)。他們的研究也看到，從大尺度形勢來說，北京“7·21”大暴雨事件的大尺度環(huán)境相當(dāng)?shù)湫停且淮慰深A(yù)報(bào)性很高的事件，現(xiàn)在的數(shù)值預(yù)報(bào)模式已有能力在近6天前做出大致的預(yù)測，但問題是在具體細(xì)節(jié)方面如降水落區(qū)位置、量級以及起止時(shí)間在后續(xù)預(yù)報(bào)中存在很大的不確定性，其可預(yù)報(bào)性卻很低，表現(xiàn)在單一模式前后不同時(shí)效的細(xì)節(jié)預(yù)報(bào)無論在空間位置上還是在強(qiáng)度上都存在很大的跳躍性或不連續(xù)性，這使單一模式預(yù)報(bào)的應(yīng)用價(jià)值大打折扣，因?yàn)轭A(yù)報(bào)員不知如何適從。然而，他們發(fā)現(xiàn)基于集合預(yù)報(bào)特別是多模式集合的預(yù)報(bào)，如集合平均和概率預(yù)報(bào)則可提供更可靠或更連慣的細(xì)節(jié)預(yù)報(bào)從而大大地提高預(yù)報(bào)的應(yīng)用價(jià)值；不但如此，集合預(yù)報(bào)還可較單一模式預(yù)報(bào)延長實(shí)際可預(yù)報(bào)性的時(shí)效，如在北京“7·21”事件中北京地區(qū)量級超過100mm大暴雨的實(shí)際可預(yù)報(bào)性時(shí)效提前了2天。

任一天氣要素的“標(biāo)準(zhǔn)化異常度”或S A（Standardized Anomaly）可定義如下：

圖2 “標(biāo)準(zhǔn)化異常度”方法的示意圖[74]：把一個(gè)預(yù)報(bào)或觀測的氣象要素（粗黑線）同其長期的氣候平均（細(xì)黑線）和標(biāo)準(zhǔn)差（虛線）進(jìn)行比較，來衡量該要素的異常度，即用偏離氣候平均達(dá)多少個(gè)標(biāo)準(zhǔn)差來表示

即SA(x,t)就是度量預(yù)報(bào)值FCST(x,t)超過或低于實(shí)際大氣的氣候平均值MEAN_clim(x,t)達(dá)幾個(gè)氣候標(biāo)準(zhǔn)差SD_clim(x,t)，標(biāo)準(zhǔn)化異常度SA是地點(diǎn)x和時(shí)間t的函數(shù)。注意，如果預(yù)報(bào)有很強(qiáng)的系統(tǒng)性偏差，SA就有可能會高估或低估異常度的傾向。所以，在計(jì)算SA前，最好對原始的預(yù)報(bào)資料先進(jìn)行偏差訂正。關(guān)于“集合異常預(yù)報(bào)法”的詳細(xì)討論請參閱文獻(xiàn)[74]，該文獻(xiàn)同時(shí)還簡單地介紹了一種類似的，被ECMWF采用的“極端預(yù)報(bào)指數(shù)”（Extreme Forecast Index，EFI）方法。

3.2 再預(yù)報(bào)相似集合預(yù)報(bào)法

Hamill等[75-76]利用“再預(yù)報(bào)”（reforecasting）的資料從中找相似，再基于集合預(yù)報(bào)的思想和表達(dá)方法來做暴雨預(yù)報(bào)。此法的具體步驟和原理如下，首先是

再預(yù)報(bào)，用最新的業(yè)務(wù)數(shù)值模式（以保證再預(yù)報(bào)和業(yè)務(wù)所用的模式一致）利用再分析資料作為初值回算過去一段時(shí)期（如過去30年）的每日模式預(yù)報(bào)以建立一個(gè)“過去預(yù)報(bào)的資料庫”（這一步需要大量的計(jì)算機(jī)資源），這種回算至少是一個(gè)成員（即集合控制預(yù)報(bào)），一般再加幾個(gè)集合擾動成員一起回算，這既可增加樣本數(shù)也考慮了初值或物理的不確定性；二是找相似，針對“當(dāng)前的模式預(yù)報(bào)”如暴雨事件對每一模式格點(diǎn)在過去再預(yù)報(bào)資料庫中的前后5天（30年×11天×N集合成員數(shù)=330N樣本數(shù)，N最少等于1；在下面的“大氣河流”試驗(yàn)中N=11）逐點(diǎn)找相似（如降水量級相似）；第三，在所有挑選出的相似預(yù)報(bào)中，用“對應(yīng)的實(shí)況”來代替預(yù)報(bào)作為新的預(yù)報(bào)值，組成新的由實(shí)況組成的集合預(yù)報(bào)（其集合成員數(shù)隨相似度的要求而異）；最后，用所有相似預(yù)報(bào)對應(yīng)的實(shí)況所組成的新集合成員來計(jì)算每一格點(diǎn)上降水超過某一閾值，如50mm的概率以及集合平均等預(yù)報(bào)產(chǎn)品。從上可見，實(shí)施此法需有三套資料：當(dāng)前單一或集合的模式預(yù)報(bào)、過去單一或集合的再預(yù)報(bào)資料，以及過去觀測資料。再預(yù)報(bào)相似集合法的長處有以下兩點(diǎn)：一是通過用實(shí)況代替模式預(yù)報(bào)自動訂正了模式的誤差如模式的系統(tǒng)性偏差，所以對模式要求較低，即使模式不完全有預(yù)報(bào)能力，也有可能得到有用的預(yù)報(bào)信息，如此法對中期預(yù)報(bào)效果尤其明顯（見下面“大氣河流”試驗(yàn)的例子）就是因?yàn)槟Ｊ綄χ衅陬A(yù)報(bào)的可預(yù)報(bào)性較低；二是考慮了預(yù)報(bào)的不確定性或可預(yù)報(bào)性（用概率來表達(dá)）。此法的不足是在找相似的過程中沒有直接考慮時(shí)空結(jié)構(gòu)的相似，但這一點(diǎn)在實(shí)際應(yīng)用中似乎并沒有構(gòu)成問題，可能是因?yàn)椋海?）在時(shí)間上做了前后5天的限定，所以對應(yīng)的天氣系統(tǒng)不至于太離譜（如冷鋒降水對應(yīng)臺風(fēng)降水）；（2）在具體個(gè)例預(yù)報(bào)中，模式預(yù)報(bào)和實(shí)況在空間上都自動具有有物理意義的自相關(guān)空間結(jié)構(gòu)，如某一種天氣系統(tǒng)并不是隨機(jī)的。另外，相似度的選取有一定的任意性。

全球中期集合預(yù)報(bào)系統(tǒng)的再預(yù)報(bào)資料庫已在美國國家環(huán)境預(yù)報(bào)中心的業(yè)務(wù)預(yù)報(bào)中投入使用[77]，但因受計(jì)算機(jī)資源的限制（另外，一般也認(rèn)為再預(yù)報(bào)資料對短期預(yù)報(bào)的效果可能沒有像對中期預(yù)報(bào)的效果那么明顯和必需），還沒有在區(qū)域短期集合預(yù)報(bào)模式上開展。由NCEP“天氣預(yù)報(bào)中心”（Weather Prediction Center，WPC）主持，在2012年開展的“大氣河流”（Atmospheric River）試驗(yàn)中對“再預(yù)報(bào)相似集合預(yù)報(bào)法”和“多模式集合法”進(jìn)行了對比試驗(yàn)，試驗(yàn)證明再預(yù)報(bào)相似集合預(yù)報(bào)法對于中期暴雨預(yù)報(bào)（3～6天，＞75mm/24h）效果較佳，明顯優(yōu)于基于多模式的中期TIGGE①TIGGE （the THORPEX Interactive Grand Global Ensemble） ： THORPEX（The Observing System Research and Predictability Experiment）是世界氣象組織（WMO）世界天氣研究計(jì)劃（WWRP）中的一個(gè)研究項(xiàng)目： http://www.wmo.int/pages/prog/arep/wwrp/new/thorpex_new.html集合預(yù)報(bào)（由美國國家環(huán)境預(yù)報(bào)中心20個(gè)成員GEFS、加拿大氣象中心20個(gè)成員CMCE和歐洲中期氣象預(yù)報(bào)中心51個(gè)成員ECENS，三個(gè)全球模式集合系統(tǒng)合成）：在8次同大氣河流現(xiàn)象相關(guān)、發(fā)生在美國西海岸的大暴雨事件中（其中故意選了一次沒有達(dá)到＞75mm/24h標(biāo)準(zhǔn)的“虛假”事件），結(jié)果發(fā)現(xiàn)對于提前3.5天的預(yù)報(bào)再預(yù)報(bào)法有7次優(yōu)于多模式法，只有在那一次“虛假”事件中因空報(bào)（實(shí)際上是雨量報(bào)得不夠大）而變差；對于提前5.5天的預(yù)報(bào)，再預(yù)報(bào)法在6次事件中比多模式法有明顯改進(jìn)，1次平手（“虛假”事件），僅1次略差。圖3（3.5天預(yù)報(bào)）和圖4（5.5天預(yù)報(bào)）給出其中2011年1月17日的例子：所有三家單獨(dú)集合預(yù)報(bào)系統(tǒng)（GEFS、CMCE和ECENS）以及它們合成的多模式集合預(yù)報(bào)（ARENS）外加一個(gè)3.5天預(yù)報(bào)時(shí)效的7km區(qū)域集合預(yù)報(bào)系統(tǒng)（HMT-ENS）全部漏報(bào)了發(fā)生于華盛頓州和俄勒岡州西部的6塊主要暴雨日雨量超過約75mm的雨量中心區(qū)（斜線陰影區(qū)），只有加拿大氣象中心的集合預(yù)報(bào)CMCE在5.5天預(yù)報(bào)中對華盛頓州西北部的一個(gè)雨量中心略有反映，但卻明顯空報(bào)了位于俄勒岡州和加利福尼亞州相交處的一大片暴雨中心（圖4b）；而基于再預(yù)報(bào)相似的集合預(yù)報(bào)（Reforecast）在4天（比其他模式預(yù)報(bào)時(shí)效多半天）預(yù)報(bào)中對此6個(gè)暴雨中心都有反映（概率1%～15%，圖3e），在6天預(yù)報(bào)中也對其中5個(gè)暴雨中心有反映（圖4e），當(dāng)然它也空報(bào)了位于俄州和加州相交處的暴雨中心。試驗(yàn)結(jié)果看到再預(yù)報(bào)相似集合預(yù)報(bào)法的一個(gè)缺陷可能是會出現(xiàn)空報(bào)現(xiàn)象，但對于可預(yù)報(bào)性很低的事件如中期暴雨預(yù)報(bào)，空報(bào)現(xiàn)象在科學(xué)上是可以理解和應(yīng)該預(yù)見的；在實(shí)踐中，對重大災(zāi)害性天氣漏報(bào)造成的危害可能遠(yuǎn)遠(yuǎn)大于空報(bào)。再預(yù)報(bào)相似集合法在這個(gè)試驗(yàn)中明顯優(yōu)于多模式集合法的原因可能是目前的數(shù)值預(yù)報(bào)模式對于中期暴雨預(yù)報(bào)水平還不高[78]，待以后模式進(jìn)一步改進(jìn)，基于集合預(yù)報(bào)系統(tǒng)的中期暴雨預(yù)報(bào)水平也會相應(yīng)提高。但是即使到那個(gè)時(shí)候，3.1節(jié)討論的預(yù)報(bào)不確定性問題仍將永遠(yuǎn)存在，集合預(yù)報(bào)也因此將永遠(yuǎn)是預(yù)報(bào)暴雨的必需途徑來處理這預(yù)報(bào)不確定性的科學(xué)事實(shí)。

圖3 “再預(yù)報(bào)相似集合預(yù)報(bào)法”和“多模式集合法”的對比試驗(yàn)（個(gè)例：2011年1月16日00z-17日00z美國西海岸大暴雨），實(shí)況（斜線陰影區(qū)）：6塊主要暴雨雨量超過75mm/24h的雨量中心區(qū)位于華盛頓州和俄勒岡州西部;提前3.5天的“雨量超過75mm/24h”概率預(yù)報(bào)（顏色）：美國國家環(huán)境預(yù)報(bào)中心GEFS（a）、加拿大氣象中心CMCE（b）、歐洲中期天氣預(yù)報(bào)中心ECENS（c）、多模式GEFS/CMCE/ECENS合成集合預(yù)報(bào)ARENS（d）、再預(yù)報(bào)相似集合預(yù)報(bào)法Reforecast（提前4天，e）、7km區(qū)域集合預(yù)報(bào)系統(tǒng)HMT-ENS（f）

丑紀(jì)范等[79-82]也提出過類似的思想，認(rèn)為未來的天氣事件總可在歷史時(shí)期找到相似的信息，因此可以利用過去的相似信息作為預(yù)測將來之用以彌補(bǔ)數(shù)值預(yù)報(bào)中模式初值信息之不足。當(dāng)然，再預(yù)報(bào)相似集合預(yù)報(bào)法不僅考慮了初值的不足，同時(shí)也考慮了物理的不足以及其他各種限制可預(yù)報(bào)性的因素并且進(jìn)一步把這些預(yù)報(bào)不確定性在最后預(yù)報(bào)產(chǎn)品中定量地表達(dá)出來。

3.3 臺風(fēng)路徑聚類法

通過對集合預(yù)報(bào)成員臺風(fēng)路徑進(jìn)行聚類分析來提高臺風(fēng)暴雨的預(yù)報(bào)服務(wù)水平是臺灣“中央氣象局”應(yīng)用集合預(yù)報(bào)的一種方法①洪景山，個(gè)人交流。由于臺灣島中央山脈的存在，地形抬升機(jī)制對降水的增幅作用明顯，因此臺風(fēng)路徑的少許差異使氣流與山脈的夾角不一樣所造成的暴雨降水量相差巨大。所以，他們對集合成員（也包括所有能獲得的單一確定預(yù)報(bào)）以不同的路徑，特別是準(zhǔn)備對外發(fā)布的最佳路徑來進(jìn)行聚類，然后再根據(jù)路徑（位置）類似的成員（不管該預(yù)報(bào)的原來預(yù)報(bào)時(shí)效）分類制作不同的暴雨預(yù)報(bào)以備在不同臺風(fēng)路徑（位置）情形下使用。針對受地形強(qiáng)烈影響的臺灣地區(qū)臺風(fēng)暴雨情形，F(xiàn)ang等[83]進(jìn)一步提出了用雙分辨率的集合預(yù)報(bào)系統(tǒng)來預(yù)報(bào)臺風(fēng)暴雨，此法的基本前提是：低分辨率模式的集合預(yù)報(bào)成員一般都大大地低估暴雨降水量，而因計(jì)算機(jī)資料的限制用高分辨率模式做集合預(yù)報(bào)又不能有很多集合成員，但要可靠地用集合預(yù)報(bào)系統(tǒng)來估計(jì)臺風(fēng)的路徑和降水的空間分布卻需要有足夠多的集合成員，因此他們設(shè)計(jì)了雙分辨率的集合預(yù)報(bào)系統(tǒng)：36km低分辨率的集合預(yù)報(bào)有32個(gè)成員，而4km高分辨率的集合預(yù)報(bào)僅僅有8個(gè)成員。這樣用低分辨率的眾多集合成員來估計(jì)最有可能的臺風(fēng)路徑（集合平均）以及用同集合平均路徑（位置）相近的成員來估計(jì)暴雨分布的空間結(jié)構(gòu)，再用高分辨率集合成員來調(diào)整暴雨雨量預(yù)報(bào)（具體如何調(diào)整，請參閱第4節(jié)）。類似這些方法，在其他地區(qū)特別是山地暴雨的研究和預(yù)報(bào)應(yīng)該都適用。

圖4 同圖3，但是提前5.5天的預(yù)報(bào)并且沒有7km的區(qū)域集合預(yù)報(bào)HMT-ENS

4 用集合預(yù)報(bào)做暴雨預(yù)報(bào)的訂正

利用集合預(yù)報(bào)信息，還可以用來訂正單一值預(yù)報(bào)。一般而言，由于集合平均過程的非線性過濾作用把成員中可預(yù)報(bào)性較低的成分過濾掉而留下各成員共有的信息，因此集合平均預(yù)報(bào)往往比單個(gè)預(yù)報(bào)更準(zhǔn)確（這兒也有平滑造成的虛假貢獻(xiàn)。對同一預(yù)報(bào)而言，一個(gè)比較平滑的場比一個(gè)具有許多細(xì)小結(jié)構(gòu)的場評分要好，因?yàn)榧?xì)小結(jié)構(gòu)很容易報(bào)錯(cuò)而在定量評比中不利）。但這一結(jié)論往往不完全適用于降水預(yù)報(bào)，正如Du等[15]的早期研究中指出雖然平均后降水位置可能變得比較準(zhǔn)確，但集合平均往往使小降水區(qū)擴(kuò)張過大而大降水區(qū)縮減過小，這一問題當(dāng)集合離散度愈大時(shí)（如預(yù)報(bào)時(shí)效愈長和多模式集合）就愈嚴(yán)重。因此簡單的集合平均并不適合做降水預(yù)報(bào)尤其是對很強(qiáng)或很弱兩端的降水（最合適的表達(dá)應(yīng)該是用概率）。用集合中值預(yù)報(bào)來代替集合平均預(yù)報(bào)可以稍微緩解這一問題但不能徹底解決這一缺陷。Du等[16]提出了一種預(yù)估成員相對優(yōu)劣的方法（稱之為“杜—周排序法”）來選取最佳成員或進(jìn)行加權(quán)平均等，方法的原理是：如果模式?jīng)]有系統(tǒng)性的偏差，集合成員預(yù)報(bào)應(yīng)該圍繞在真值的周圍，有些上有些下、有些左有些右，那么從理論上來說所有集合成員的平均應(yīng)該是最靠近真值的，所以愈靠近集合平均的成員就應(yīng)該愈準(zhǔn)確。根據(jù)這一原理就可用成員與集合平均之間的相對距離來事先對一個(gè)集合預(yù)報(bào)預(yù)估其成員的相對優(yōu)劣（包括最佳和最差成員）并計(jì)算出各成員的相對權(quán)重系數(shù)（用于計(jì)算加權(quán)集合平均和調(diào)整概率密度函數(shù)分布）。如果選擇最佳的成員作為單一值預(yù)報(bào)，這不僅可能使預(yù)報(bào)準(zhǔn)確性得以提高，還可使預(yù)報(bào)保留細(xì)小的空間結(jié)構(gòu)而避免了集合平均帶來的光滑；壞處是浪費(fèi)了其他成員提供的有用信息①為了盡量不浪費(fèi)其他成員的有用信息而又可采用最佳成員，一個(gè)折中的辦法是先對集合成員進(jìn)行聚類，然后在每一分類的子集合中選出最佳的成員作為其代表預(yù)報(bào)。杜—周排序法不同于其他方法的根本之處是它不需要知道每個(gè)成員過去（統(tǒng)計(jì)）的表現(xiàn)，而只依賴各成員的現(xiàn)時(shí)預(yù)報(bào)本身，是一種隨時(shí)、隨地域和隨氣流而變的準(zhǔn)動力學(xué)辦法（但對成員排序的計(jì)算方法是靜態(tài)的）。注意：因?yàn)榕判蜻^程是相對每一預(yù)報(bào)時(shí)效單獨(dú)進(jìn)行的，與前后預(yù)報(bào)時(shí)效沒有聯(lián)系，所以即使同一序號的“成員”（如最佳成員）在前后不同預(yù)報(bào)時(shí)效（尤其是當(dāng)預(yù)報(bào)時(shí)效較長時(shí)）很可能對應(yīng)不同的集合成員，即在時(shí)間上沒有連續(xù)性，時(shí)間上不連續(xù)性問題在實(shí)際應(yīng)用中（如用來驅(qū)動一個(gè)擴(kuò)散模式或圖像放映顯示）可能會帶來不便。為了保持時(shí)間上的連續(xù)性，可以嘗試一種更具內(nèi)在聯(lián)系和動力

意義的方法，就是在模式積分過程中在保持合理的離散度前提下不斷讓成員向集合平均位置靠攏（nudging members toward ensemble mean），當(dāng)然具體怎么做需要實(shí)際試驗(yàn)；另外，對排序結(jié)果進(jìn)行一些簡單合理的調(diào)整也能解決這一時(shí)間不連續(xù)性問題（在集合成員聚類法中就用這種辦法使某一類的相似預(yù)報(bào)解保持時(shí)間上的連續(xù)性）。Du等[16]應(yīng)用了大氣的一些基本狀態(tài)變量（風(fēng)、溫、壓、濕）而并沒有對降水進(jìn)行研究。上面的討論看到降水的平均預(yù)報(bào)并不理想，因此把杜—周排序法直接應(yīng)用到降水預(yù)報(bào)場或間接地應(yīng)用到同降水密切相關(guān)的其他變量上而不是降水場本身，是否更有效果需進(jìn)一步的研究。他們還利用排序法得到的每個(gè)成員不同權(quán)重對加權(quán)集合平均同簡單（等權(quán)重）集合平均進(jìn)行比較，發(fā)現(xiàn)：（1）當(dāng)集合成員數(shù)愈少（多），加權(quán)平均效果愈顯著（不顯著）；（2）當(dāng)一個(gè)集合中成員間的表現(xiàn)相差較大（小）時(shí)，加權(quán)平均效果愈好（差）；（3）一般來說，加權(quán)平均較簡單平均的改進(jìn)程度可能有限（＜10%），特別當(dāng)集合成員數(shù)足夠大時(shí)，加權(quán)平均可能同簡單平均相差無幾，因此不能期望過高，而要明顯提高集合平均水平，必須要有獨(dú)立的新信息，如加入一個(gè)不同的模式。利用集合成員不同的權(quán)重也可調(diào)整預(yù)報(bào)概率分布，這可在以后的研究中試驗(yàn)。

為了徹底解決“集合平均使小降水區(qū)過大而大降水區(qū)過小”這一缺點(diǎn)，Ebert[70,84]提出了“概率或頻率匹配法”來訂正集合平均降水預(yù)報(bào)，原理是保證集合平均預(yù)報(bào)在不同量級降水出現(xiàn)的頻率保持同平均前的原始集合預(yù)報(bào)出現(xiàn)的頻率一致，即使小降水出現(xiàn)頻數(shù)不增多，大降水出現(xiàn)的頻數(shù)不減少（圖5）。最后的預(yù)報(bào)由兩部分合成：降水的空間分布來自較準(zhǔn)確的集合平均，而降水量出現(xiàn)的頻率則來自較準(zhǔn)確的原始集合各成員預(yù)報(bào)，具體步驟如圖5所示。首先，根據(jù)所有格點(diǎn)的降水預(yù)報(bào)值，分別統(tǒng)計(jì)出集合平均預(yù)報(bào)和原始集合預(yù)報(bào)（包括所有集合成員）在各降水量級出現(xiàn)的頻率分布；然后，比較兩者的分布，利用多項(xiàng)式擬合技術(shù)求得不同雨量的訂正系數(shù)（比率），并逐點(diǎn)應(yīng)用到集合平均預(yù)報(bào)雨量上，把集合平均預(yù)報(bào)各降水量級的頻率分布調(diào)整到原始集合預(yù)報(bào)的分布（實(shí)施的技術(shù)方案可參閱文獻(xiàn)[85]①順便指出，如果把一個(gè)降水預(yù)報(bào)的降水量出現(xiàn)頻率同觀測降水頻率相比較，則此法就可應(yīng)用到降水預(yù)報(bào)的偏差訂正中。李俊等[85]的試驗(yàn)表明此法對預(yù)報(bào)降水量和降水區(qū)面積偏差訂正都有很好的效果，但卻沒有能力來訂正預(yù)報(bào)降水的位置誤差）。結(jié)果表明，這一方法對于消除虛假的小降水區(qū)和增幅雨量被低估的大降水區(qū)，尤其是暴雨效果非常好[84-85]。

概率匹配法能提高預(yù)報(bào)準(zhǔn)確性是因?yàn)樗C合了兩種不同預(yù)報(bào)的優(yōu)勢：即集合平均預(yù)報(bào)在降水位置上較準(zhǔn)確，而原始集合成員在降水量級或各量級降水出現(xiàn)的頻率分布比較準(zhǔn)確，因此把兩者結(jié)合起來就得到一個(gè)較好的預(yù)報(bào)；反之，如果沒有了這兩種優(yōu)勢，那么綜合后的預(yù)報(bào)就不會理想。譬如，受到地形強(qiáng)烈影響的臺灣地區(qū)臺風(fēng)暴雨就出現(xiàn)這種情形：一方面，因?yàn)榕_風(fēng)路徑的集合離散度在登陸前后往往很大，而受臺灣中央山脈的影響使不同臺風(fēng)路徑所產(chǎn)生的暴雨雨量相差懸殊，因此簡單地包括所有集合成員所產(chǎn)生的平均預(yù)報(bào)降水位置并不佳；另一方面，原始集合成員的降水量級也或因模式分辨率不夠而偏小或因強(qiáng)烈的地形作用而系統(tǒng)性地偏大，因此原始集合預(yù)報(bào)提供的雨量出現(xiàn)頻率分布也不理想。這時(shí)，簡單地應(yīng)用概率匹配法所產(chǎn)生的集合平均預(yù)報(bào)效果并不好。針對這種特殊情況，F(xiàn)ang等[83]通過運(yùn)行一對雙分辨率的集合預(yù)報(bào)系統(tǒng)（“低分辨率大集合預(yù)報(bào)”和“高分辨率小集合預(yù)報(bào)”，見3.3節(jié)），在應(yīng)用概率匹配集合平均法之前先對降水分布位置和降水量進(jìn)行調(diào)整和訂正并取得較好效果。具體步驟如下：（1）從低精度原始大集合預(yù)報(bào)中導(dǎo)出每隔3h的集合平均臺風(fēng)位置，即路徑（因?yàn)槌蓡T多，認(rèn)為較準(zhǔn)確；試驗(yàn)表明臺風(fēng)路徑預(yù)報(bào)對模式分辨率并不是很敏感）；（2）對每一固定的平均臺風(fēng)位置，從低精度原始大集合預(yù)報(bào)中選出所有同這平均臺風(fēng)位置相近的成員（不管原預(yù)報(bào)時(shí)效）重新組成一個(gè)新集合（稱為低精度新集合），并用這低精度新集合產(chǎn)生相對該臺風(fēng)位置的簡單集合平均降水預(yù)報(bào)（因?yàn)槌蓡T多，認(rèn)為其降水的空間分布較合

理）；（3）類似地，對應(yīng)每一低精度新集合成員的臺風(fēng)位置，從高精度原始小集合中挑選出所有同它們位置相近的所有預(yù)報(bào)（不管原預(yù)報(bào)時(shí)效）也重新組成一個(gè)新集合（稱為高精度新集合），并從這高精度新集合導(dǎo)出相對某一平均臺風(fēng)位置的簡單集合平均降水（鑒于成員較少，其降水空間分布位置需做調(diào)整）；（4）根據(jù)低精度新集合的平均降水，調(diào)整高精度新集合平均降水的空間位置分布來期望得到較好的降水位置預(yù)報(bào)；（5）對高精度新集合每一成員的降水量進(jìn)行偏差訂正得到較好的降水量級發(fā)生頻率的估計(jì)（認(rèn)為降水量級總體來說是合理的，但部分受地形影響而常被高估的降水需要偏差訂正）；（6）對降水空間分布被調(diào)整過的高精度新集合平均降水與每一個(gè)進(jìn)行過偏差訂正的高精度新集合成員應(yīng)用概率匹配法產(chǎn)生一個(gè)新的合成集合（稱為高精度新合成集合）；（7）最后，從這高精度新合成集合可以產(chǎn)生降水的簡單集合平均或概率匹配集合平均以及概率預(yù)報(bào)等，他們發(fā)現(xiàn)經(jīng)過這樣處理的新合成集合，其概率匹配平均降水和簡單平均降水的預(yù)報(bào)技巧差不多（說明前期這些位置調(diào)整和降水量偏差訂正是有效的），并且都明顯優(yōu)于原來單純的低精度新集合和單純的高精度新集合預(yù)報(bào)。

圖5 “概率或頻率匹配集合平均法”示意圖：用原始集合成員的頻率分布（實(shí)線）來訂正簡單集合平均降水預(yù)報(bào)的頻率分布（虛線）：下調(diào)小降水的頻率、上調(diào)強(qiáng)降水的頻率

“集合動力因子”法是高守亭[86]提出的利用集合概念來診斷和定性描述暴雨落區(qū)的一種方法。暴雨是熱力和動力過程相互作用的產(chǎn)物，許多描述熱力和動力場的物理因子，如廣義濕位溫、水汽通量散度、對流渦度矢量垂直分量及質(zhì)量垂直螺旋度等都應(yīng)該在暴雨區(qū)有明顯反映。但考慮到在不同類型暴雨過程中，這些物理因子的反映可能有差異，所以僅僅用某一物理因子來描述暴雨落區(qū)并不可靠；而利用多個(gè)因子（集合）共同給出的綜合結(jié)果則會比較穩(wěn)定可靠。這種方法對于診斷和定性描述暴雨落區(qū)，如臺風(fēng)暴雨和四川低渦暴雨確實(shí)有很好的對應(yīng)關(guān)系[87-88]?？茖W(xué)的價(jià)值在于預(yù)測未來，下面從預(yù)報(bào)的角度來分析一下此法的優(yōu)缺點(diǎn)和可能的潛力。首先，此法并不是一種獨(dú)立的預(yù)報(bào)方法而是數(shù)值模式的直接輸出結(jié)果（如同常見的對流有效位能、氣塊抬升指數(shù)、渦度、散度等診斷量一樣），所以其結(jié)果好壞依賴于模式的質(zhì)量；第二，此法只能定性地指出暴雨可能范圍或強(qiáng)降水落區(qū)等，而并不能定量地預(yù)報(bào)雨量；第三，為了更好地區(qū)別應(yīng)用這些因子，需要仔細(xì)分析哪些物理因子是果（暴雨本身的反映），哪些物理因子是因（造成暴雨）以及它們超前反映（提前暴雨）的時(shí)間長短，如它只是暴雨本身的反映，那么它可用來描述暴雨過程，但其預(yù)報(bào)的功能就有限，而那些造成暴雨的物理因子其預(yù)報(bào)的價(jià)值可能會更大，所以需要一個(gè)描述這些物理因子的清單；第四，鑒于目前的數(shù)值預(yù)報(bào)模式已能直接預(yù)報(bào)暴雨，并且不管在落區(qū)還是雨量上已有相當(dāng)?shù)哪芰?，所以在暴雨落區(qū)預(yù)報(bào)上來定量地比較集合動力因子法是否優(yōu)于當(dāng)前業(yè)務(wù)模式的直接預(yù)報(bào)是一項(xiàng)首先應(yīng)該做的調(diào)查[89]；最后，如果并不明顯優(yōu)于數(shù)值暴雨預(yù)報(bào)，此法是否可以用作訂正模式預(yù)報(bào)之用?譬如目前高分辨率的顯式云物理模式常常有許多虛假的小區(qū)域風(fēng)暴降水或漏報(bào)一些局地性的強(qiáng)降水，那么此法能否預(yù)先指出模式空報(bào)、漏報(bào)之處或用來幫助校準(zhǔn)暴雨中心的位置等，此法用于訂正模式暴雨預(yù)報(bào)是一項(xiàng)有實(shí)際意義的，應(yīng)該做進(jìn)一步研究的工作。順便指出，集合動力因子法只是利用了集合的概念而并不是第2節(jié)中所討論的真正意義上的集合預(yù)報(bào)。

5 應(yīng)用集合預(yù)報(bào)研究天氣系統(tǒng)發(fā)展機(jī)理和指導(dǎo)目標(biāo)觀測

集合預(yù)報(bào)成員的離散度不但可以定量描述預(yù)報(bào)的不確定度以增加預(yù)報(bào)信息來提高氣象服務(wù)質(zhì)量，而且還可分析天氣系統(tǒng)為何發(fā)展與不發(fā)展的熱力和動力原因，進(jìn)一步利用集合敏感性[90-91]等工具還可幫助預(yù)報(bào)員了解為什么某一天氣系統(tǒng)不好預(yù)報(bào)的上游原因，并可指導(dǎo)下一步的目標(biāo)觀測[92-93]，以改進(jìn)下一時(shí)刻數(shù)值模式的初值質(zhì)量來提高對該天氣系統(tǒng)后續(xù)預(yù)報(bào)的可預(yù)報(bào)性[14]。另一個(gè)應(yīng)用集合預(yù)報(bào)離散度信息來改進(jìn)模式初值的途經(jīng)是通過集合預(yù)報(bào)系統(tǒng)與資料同化系統(tǒng)的直接耦合，這已在第2.3節(jié)討論過，在此不再重復(fù)。

作者[17]利用中國氣象局武漢暴雨研究所的區(qū)域集合預(yù)報(bào)系統(tǒng)[21,26,94]，對常造成長江、黃河中下游地區(qū)大暴雨的主要天氣系統(tǒng)西南渦進(jìn)行了集合分析，通過分析“東移”和“滯留”兩組集合成員的模式初值擾動結(jié)構(gòu)，看到東移和不東移的西南渦在熱力場和動力場結(jié)構(gòu)上的系統(tǒng)性差異，這些有利于西南渦東移的特征結(jié)構(gòu)和以前他人通過觀測分析、數(shù)值試驗(yàn)等其他手段所揭示的特征是一致的。這說明集合預(yù)報(bào)資料確實(shí)可以被用來正確地了解一個(gè)天氣系統(tǒng)發(fā)展與否的機(jī)理。這種直接利用集合預(yù)報(bào)成員的不同表現(xiàn)來研究天氣系統(tǒng)的機(jī)理給我們開拓了一個(gè)嶄新的研究方法（可稱之為“即時(shí)研究”，real-time research），因?yàn)樗煌趥鹘y(tǒng)的“觀測研究”（需要有包含眾多相似個(gè)例①但這些個(gè)例間只是大致相似而已，它們所處的大尺度環(huán)流背景其實(shí)還是有很大的差別，但這對集合各成員來說卻并不是問題（即具有完全一致的大尺度環(huán)流背景）的特殊觀測資料）

和“數(shù)值模擬研究”（需要專門設(shè)計(jì)和進(jìn)行初值或物理的敏感性試驗(yàn)等），它不需要事先專門的試驗(yàn)設(shè)計(jì)而只要利用每天可獲得的現(xiàn)成的業(yè)務(wù)集合數(shù)值預(yù)報(bào)資料就可即時(shí)對你感興趣的個(gè)例分析為什么有些成員報(bào)得“好”，而另外一些成員報(bào)得“不好”的可能因素，這對廣大業(yè)務(wù)預(yù)報(bào)人員來說是一種唾手可得的方法。更具深遠(yuǎn)意義的是，我們的研究表明借用僅僅基于相關(guān)系數(shù)的簡單“集合敏感性”工具[90]（而不一定需要復(fù)雜的手段，如奇異矢量法）就可以根據(jù)集合預(yù)報(bào)的離散度幫助“目標(biāo)觀測”在上游地區(qū)找到有效的“預(yù)報(bào)誤差敏感區(qū)”，并通過略微“改進(jìn)”敏感區(qū)內(nèi)的風(fēng)場或水汽場的初值就可大大地改進(jìn)西南渦的短期數(shù)值預(yù)報(bào)。鑒于此，建議應(yīng)該以針對改進(jìn)西南渦預(yù)報(bào)為目的，開展用中尺度區(qū)域集合預(yù)報(bào)結(jié)合集合敏感性方法來指導(dǎo)的實(shí)際“目標(biāo)觀測”野外試驗(yàn)，來驗(yàn)證實(shí)際目標(biāo)觀測對西南渦短期數(shù)值預(yù)報(bào)改進(jìn)的效果是否同該研究模擬的一樣。如是，無疑將對改進(jìn)東移西南渦造成的暴雨預(yù)報(bào)有巨大的實(shí)際意義并可在實(shí)際業(yè)務(wù)中應(yīng)用。

在中期數(shù)值預(yù)報(bào)上，為了提高中高緯氣旋風(fēng)暴的可預(yù)報(bào)性，集合預(yù)報(bào)用來指導(dǎo)目標(biāo)觀測中應(yīng)在上游何處進(jìn)行加密氣象觀測已是美國氣象局業(yè)務(wù)數(shù)值預(yù)報(bào)的一部分[95-96]。這種中期預(yù)報(bào)（如美國東海岸冬季的爆發(fā)性氣旋）的預(yù)報(bào)誤差敏感區(qū)常常同上游（如日本上空）急流區(qū)的Rossby波包有關(guān)[97-98]（即下游效應(yīng)[99]）。陶詩言等[100]也發(fā)現(xiàn)歐亞上空急流區(qū)的Rossby波同中國的高影響天氣如華北深槽暴雨或北上臺風(fēng)暴雨等有密切的關(guān)系。這種關(guān)系在目前的全球中期數(shù)值模式預(yù)報(bào)中已大致可提前1周甚至更長時(shí)間被預(yù)報(bào)出來，但難處是其下游產(chǎn)生的氣旋強(qiáng)度和位置卻有非常大的不確定性（其實(shí)在1～3天的短期預(yù)報(bào)也是如此）。所以事先有目的地通過目標(biāo)觀測手段對上游敏感區(qū)進(jìn)行加密觀測來盡量減少模式初值中對Rossby波包的描述誤差從而提高后續(xù)中高緯氣旋風(fēng)暴強(qiáng)度和位置預(yù)報(bào)的準(zhǔn)確性是一種主動有效的科學(xué)手段。在此新領(lǐng)域，集合預(yù)報(bào)方法有著其他決定論方法無可比擬的優(yōu)勢。類似地，Zheng等[91]利用全球集合預(yù)報(bào)資料，通過計(jì)算集合敏感性試圖提供一個(gè)讓預(yù)報(bào)員來了解氣旋位置和強(qiáng)度預(yù)報(bào)不確定性來源的工具。

6 總結(jié)和討論

本文根據(jù)作者自己多年的研究和實(shí)踐經(jīng)驗(yàn)以及直接接觸的一些研究和方法，簡要地總結(jié)了數(shù)值集合預(yù)報(bào)方法在暴雨研究和預(yù)報(bào)中的應(yīng)用，這包括以下幾個(gè)方面：暴雨集合預(yù)報(bào)系統(tǒng)、預(yù)報(bào)方法、預(yù)報(bào)后處理與訂正，以及暴雨天氣系統(tǒng)的機(jī)理分析與模式初值的改進(jìn)。

（1）在集合預(yù)報(bào)系統(tǒng)發(fā)展方面，建立高分辨率（1～3km）具有顯式云物理的風(fēng)暴尺度集合預(yù)報(bào)系統(tǒng)勢在必行。從目前結(jié)果看，采用基于集合卡爾曼濾波（EnKF）（或集合—變分混合）技術(shù)與資料同化系統(tǒng)耦合所產(chǎn)生的初值集合來驅(qū)動集合預(yù)報(bào)效果似乎較佳；但在風(fēng)暴尺度下現(xiàn)有的初值擾動方法是否適用以及如何改進(jìn)或創(chuàng)新是一個(gè)需要研究的課題，目前的初值擾動主要是針對斜壓不穩(wěn)定的天氣尺度系統(tǒng)，如何有效地?cái)_動對流不穩(wěn)定的中小尺度系統(tǒng)尚需探討；目前的擾動方法對于短時(shí)（＜24h）的預(yù)報(bào)效果似乎也不理想，如其導(dǎo)出的集合預(yù)報(bào)往往比對應(yīng)的高精度單一預(yù)報(bào)差；擾動土壤濕度初值對于改進(jìn)夏季午后雷陣雨以及近地面氣溫預(yù)報(bào)有較好的效果。在模式物理擾動方面，多模式和多物理擾動方法被證實(shí)是行之有效的方法，但隨機(jī)物理過程擾動目前還不成熟，所產(chǎn)生的集合離散度太小（也許SKEB法是個(gè)例外），因此需要進(jìn)一步深入研發(fā)新的、較全面有效的隨機(jī)物理擾動方法，在顯式云物理模式中如何引入隨機(jī)物理過程，是否需要云物理的集合方案或直接擾動云中各種含水量和隨機(jī)相態(tài)過程等，以及認(rèn)識物理擾動如何同初值擾動相互作用等，這些都需進(jìn)一步研究。另外，模式地形與實(shí)際地形有很大的不同，在暴雨集合預(yù)報(bào)中應(yīng)該考慮地形的擾動來模擬由此導(dǎo)致的暴雨誤差分布特征。直接用低分辨率的全球集合預(yù)報(bào)來驅(qū)動顯式云物理模式的風(fēng)暴尺度集合預(yù)報(bào)是否可行還需進(jìn)一步探討，特別是對中小尺度對流降水的效果。在有限的計(jì)算機(jī)資源下，對于一般短期天氣預(yù)報(bào)，在保證一定成員數(shù)的情況下（如10個(gè)成員），盡量增加模式空間分辨率和應(yīng)用較完善的物理方案應(yīng)是提高預(yù)報(bào)水平的一種較優(yōu)選擇；但對于較長時(shí)效的預(yù)報(bào)如中期和季節(jié)的數(shù)值預(yù)報(bào)（可預(yù)報(bào)性很低），采用較多的集合成員數(shù)則可能會比增加模式空間分辨率更重要。在計(jì)算機(jī)資源不允許的情況下，許多“虛似”的集合預(yù)報(bào)也可用來有效地定量估計(jì)預(yù)報(bào)的不確定性，文中介紹了時(shí)間滯后法、“窮人”集合法、雙分辨率混合集合預(yù)報(bào)法和相鄰格點(diǎn)法。

（2）在集合預(yù)報(bào)方法方面，高影響天氣和異常事件的預(yù)報(bào)是重點(diǎn)。集合異常預(yù)報(bào)法可明顯地提高暴雨特別是異常少見的特大暴雨預(yù)報(bào)的可靠性；再預(yù)報(bào)相似集合預(yù)報(bào)法是動力和統(tǒng)計(jì)方法巧妙相結(jié)合，在目前模式預(yù)報(bào)水平還不夠好的情況下是對中期暴雨預(yù)報(bào)水平提高有特殊效果的一種方法；臺風(fēng)路徑聚類法

可有效地提高受地形強(qiáng)烈影響的臺風(fēng)暴雨的預(yù)報(bào)準(zhǔn)確性，類似的方法可也用于山地暴雨的預(yù)報(bào)。

（3）在預(yù)報(bào)后處理訂正方面，對于降水預(yù)報(bào)要用概率匹配平均來替代簡單的集合平均以減少暴雨雨區(qū)和雨量的低估，在特殊情形下（如受地形強(qiáng)烈影響的臺風(fēng)暴雨）在應(yīng)用概率匹配平均法前要對原始集合降水預(yù)報(bào)進(jìn)行一些處理；另外，對平均預(yù)報(bào)和各成員預(yù)報(bào)還應(yīng)該進(jìn)行模式偏差訂正。文中還介紹了一種預(yù)估集合成員相對優(yōu)劣的“杜—周排序法”來選取最佳成員或進(jìn)行加權(quán)平均等?！凹蟿恿σ蜃印狈ㄓ糜谟喺Ｊ奖┯觐A(yù)報(bào)可能會有實(shí)際意義，應(yīng)該做進(jìn)一步研究。除了訂正平均值如偏差（反映模式的水平），更要訂正集合離散度的分布（反映集合技術(shù)的水平），使集合離散度能正確地反映預(yù)報(bào)的誤差（“離散度-預(yù)報(bào)技巧”關(guān)系）和概率預(yù)報(bào)能可靠地反映預(yù)報(bào)的真實(shí)可信度[14]，因?yàn)榭煽康母怕暑A(yù)報(bào)是用戶決策是否正確的關(guān)鍵[12]。

（4）在研究方法方面，本文介紹了一種直接利用集合預(yù)報(bào)成員的不同表現(xiàn)來研究天氣系統(tǒng)機(jī)理的“即時(shí)研究”新方法，它對廣大業(yè)務(wù)預(yù)報(bào)人員來說是一種易得的手段。因此，這對加強(qiáng)業(yè)務(wù)與科研的互動，加速提高預(yù)報(bào)水平會有促進(jìn)作用。

（5）在數(shù)值預(yù)報(bào)總體系統(tǒng)方面，集合預(yù)報(bào)應(yīng)該用來指導(dǎo)進(jìn)行目標(biāo)觀測，通過改進(jìn)模式初值來提高某些選定的重大天氣系統(tǒng)或事件預(yù)報(bào)的可預(yù)報(bào)性；為了科學(xué)地反映觀測和預(yù)報(bào)的不確定性，集合預(yù)報(bào)系統(tǒng)還需要與資料同化系統(tǒng)耦合為一個(gè)有機(jī)的整體。這是數(shù)值預(yù)報(bào)系統(tǒng)（觀測—同化—預(yù)報(bào)—服務(wù)）從“單一值、單向”的決定論系統(tǒng)向“多值、交互式”的概率論系統(tǒng)轉(zhuǎn)化所邁出的堅(jiān)實(shí)一步[7]。

通過總結(jié)，希望本文能起到如下兩個(gè)作用：氣象業(yè)務(wù)部門能在日常業(yè)務(wù)中應(yīng)用本文介紹的眾多行之有效的方法來提高氣象預(yù)報(bào)和服務(wù)水平；為今后的研究工作提供一個(gè)新的起點(diǎn)、方向和方法，這包括指導(dǎo)現(xiàn)有的一些業(yè)務(wù)集合預(yù)報(bào)系統(tǒng)[94,101]今后的進(jìn)一步完善。雖然討論了許多方面，但最終目的只有一個(gè)，就是向用戶提供盡可能詳細(xì)和全面的氣象預(yù)報(bào)使不同的用戶可以充分運(yùn)用全面的（不是目前這種確定性單一值的、用戶無法選擇的、不全面的）氣象預(yù)報(bào)信息來選擇性地做出最適合自身經(jīng)濟(jì)或社會風(fēng)險(xiǎn)承受能力的最佳決策。本文希望能對天氣預(yù)報(bào)從“確定性單一值的不完全預(yù)報(bào)”向“多選擇的包含了不確定性的完全預(yù)報(bào)”理念轉(zhuǎn)變[10]起到促進(jìn)作用。

致謝：感謝Thomas Workoff先生幫助繪制圖3和圖4。

[1]章國材. 防御和減輕氣象災(zāi)害. 氣象, 2006, 32(3): 3-5.

[2]陶詩言, 等. 中國之暴雨. 北京: 科學(xué)出版社, 1980.

[3]陳云峰, 高歌. 近20年我國氣象災(zāi)害損失的初步分析. 氣象, 2010, 36(2): 76-80.

[4]張大林. 各種非絕熱物理過程在中尺度模式中的作用. 大氣科學(xué), 1998, 22(4): 548-561.

[5]Lorenz E N. 混沌的本質(zhì) . 劉式達(dá), 劉式適, 嚴(yán)中偉譯. 北京: 氣象出版社, 1997.

[6]丑紀(jì)范. 大氣科學(xué)中的非線性與復(fù)雜性. 北京: 氣象出版社, 2002.

[7]杜鈞, 陳靜. 單一值預(yù)報(bào)向概率預(yù)報(bào)轉(zhuǎn)變的基礎(chǔ): 談?wù)劶项A(yù)報(bào)及其帶來的變革. 氣象, 2010, 36(11):1-11.

[8]王東海, 杜鈞, 柳崇健. 正確認(rèn)識和對待天氣預(yù)報(bào)的不確定性. 氣象, 2011, 37(4): 385-392.

[9]杜鈞, 陳靜. 天氣預(yù)報(bào)的公眾評價(jià)與發(fā)布形式的變革. 氣象, 2010, 36(1): 1-6.

[10]杜鈞, 康志明. 天氣預(yù)報(bào)中不確定性問題的調(diào)查分析. 氣象科技進(jìn)展, 2014, 4(1): 58-67.

[11]US National Research Council. Completing the Forecast: Characterizing and Communicating Uncertainty for Better Decision Using Weather and Climate Forecasts. Washington D C:The National Academy Press, 2006.

[12]杜鈞, 鄧國. 單一值預(yù)報(bào)向概率預(yù)報(bào)轉(zhuǎn)變的價(jià)值: 談?wù)劯怕暑A(yù)報(bào)的檢驗(yàn)和應(yīng)用. 氣象, 2010, 36(12): 10-18.

[13]杜鈞. 集合預(yù)報(bào)的現(xiàn)狀和前景. 應(yīng)用氣象學(xué)報(bào), 2002, 13(1): 16-28.

[14]Du J, Yu R C, Cui C G, et al. Using a mesoscale ensemble to predict forecast error and perform targeted observation. Acta Oceanologica Sinica, 2014, 33(1): 83-91.

[15]Du J, Mullen S L, Sanders F. Short-range ensemble forecasting of quantitative precipitation. Mon Wea Rev, 1997, 125: 2427-2459.

[16]Du J, Zhou B B. A dynamical performance-ranking method for predicting individual ensemble member’s performance and its application to ensemble averaging. Mon Wea Rev, 2011, 129(10): 3284-3303.

[17]Li J, Du J, Zhang D L, et al. Ensemble-based analysis and sensitivity of mesoscale forecasts of a vortex over southwest China. Q J R Meteorol Soc, 2014, 140: 766-782.

[18]Zhang F, Weng Y, Kuo Y H, et al. Predicting typhoon Morakot’s catastrophic rainfall with a convection-permitting mesoscale ensemble system. Weather and Forecasting, 2010, 25: 1816-1825.

[19]Stensrud D J, Brooks H E, Du J, et al. Using ensembles for shortrange forecasting. Mon Wea Rev, 1999, 127: 433-446.

[20]Yuan H, Mullen S L, Gao X, et al. Verification of probabilistic quantitative precipitation forecasts over the southwest United States during winter 2002/03 by the RSM ensemble system. Mon Wea Rev, 2005, 133: 279-294.

[21]李俊, 杜鈞, 王明歡, 等. 中尺度暴雨集合預(yù)報(bào)系統(tǒng)研發(fā)中的初值擾動試驗(yàn). 高原氣象, 2009, 28(6): 1365-1375.

[22]陳靜, 薛紀(jì)善, 顏宏. 一種新型的中尺度暴雨集合預(yù)報(bào)初值擾動方法研究. 大氣科學(xué), 2005, 29(5): 717-726.

[23]Toth Z, Kalnay E. Ensemble forecasting at NMC: The generation of perturbations. Bul Amer Meteor Soc, 1993, 74: 2317-2330.

[24]Toth Z, Kalnay E. Ensemble forecasting at NCEP and the breeding method. Mon Wea Rev, 1997, 125: 3297-3319.

[25]Johnson A, Wang X G, Xue M, et al. Multiscale characteristics and evolution of perturbations for warm season convection-allowing precipitation forecast: Dependence on background flow and method of perturbation. Mon Wea Rev, 2014, 142(3): 1053-1073.

[26]李俊, 杜鈞, 王明歡, 等. AREM模式兩種初值擾動方案的集合降水預(yù)報(bào)試驗(yàn)及檢驗(yàn).熱帶氣象學(xué)報(bào), 2010, 26(6): 217-228.

[27]Du J, Gayno G, Mitchell K E, et al. Sensitivity study of T2m and precipitation forecasts to soil moisture initial condition using NCEP WRF ensemble system. 22nd Conf on Weather Analysis and Forecasting/18th Conf on Numerical Weather Prediction, 2007, Park City, UT. American Meteor Soc.

[28] Aligo E A, Gallus Jr W A, Segal M. Summer rainfall forecast spread in an ensemble initialized with different soil moisture

analyses. Weather and Forecasting, 2007, 22: 2, 299-314.

[29]Sutton C, Hamill T M, Warner T T. Will perturbing soil moisture improve warm-season ensemble forecasts? A proof of concept. Mon Wea Rev, 2006, 134: 3174-3189.

[30]Clark A J, Kain J S, Stensrud D J, et al. Probabilistic precipitation forecast skill as a function of ensemble size and spatial scale in a convection-allowing ensemble. Mon Wea Rev, 2011, 139: 1410-1418.

[31]Richardson D S. Measures of skill and value of ensemble prediction systems, their interrelationship and the effect of ensemble size. Quart J Roy Meteor Soc, 2001, 127: 2473-2489.

[32] Clark A J, Gallus Jr W A, Xue M, et al. A comparison of precipitation forecast skill between small convection-permitting and large convection-parameterizing ensembles. Wea and Forecasting, 2009, 24: 1121-1140.

[33]Clark A J, Gallus Jr W A, Xue M, et al. Convection-allowing and convection-parameterizing ensemble forecasts of a mesoscale convective vortex and associated severe weather. Wea Forecasting, 2010, 25: 1052-1081.

[34]Ma J H, Zhu Y J, Wobus R, et al. An effective configuration of ensemble size and horizontal resolution for the NCEP GEFS. Adv Atmos Sci, 2012, 29(4): 782-794.

[35] Aligo E A, Gallus Jr W A, Segal M. On the impact of WRF model vertical grid resolution on Midwest summer rainfall forecasts. Weather and Forecasting, 2009, 24: 2, 575-594.

[36]Brooks H E, Tracton M S, Stensrud D J, et al. Short- range ensemble forecasting: Report from a workshop, 25-27 July 1994. Bull Amer Meteorol Soc, 1995, 74: 2317-2330.

[37]Mullen S L, Du J, Sanders F. The Dependence of ensemble dispersion on analysis–forecast systems: Implications to shortrange ensemble forecasting of precipitation. Mon Wea Rev, 1999, 127: 1674-1686.

[38]Du J, Tracton M S. Implementation of a real-time short-range ensemble forecasting system at NCEP: An update. 9th Conference on Mesoscale Processes, 2001, Ft Lauderdale, Florida. Amer Meteor Soc, 355-356. http://www.emc.ncep.noaa.gov/mmb/ SREF/reference.html

[39]Du J, DiMego G, Tracton M S, et al. NCEP short-range ensemble forecasting (SREF) system: multi-IC, multi-model and multiphysics approach. Research Activities in Atmospheric and Oceanic Modelling (edited by J. Cote), Report 33, CAS/JSC Working Group Numerical Experimentation (WGNE), WMO/TD, 2003, No. 1161, 5.09-5.10. http://www.emc.ncep.noaa.gov/mmb/SREF/ reference.html

[40]Zhou B B, Du J. Fog prediction from a multimodel mesoscale ensemble prediction system. Wea and Forecasting, 2010, 25: 303-322.

[41]吳政謙, 徐海明, 王東海, 等. 中尺度多模式超級集合預(yù)報(bào)對2010年6月19—20日中國南方大暴雨過程的分析. 熱帶氣象學(xué)報(bào), 2012(5): 653-663.

[42]Duan Y H, Gong J D, Du J, et al. An overview of the Beijing 2008 Olympics Research and Development Project (B08RDP). Bull Amer Meteor Soc, 2012, 93: 381-403.

[43]Du J, et al. The NOAA/NWS/NCEP Short Range Ensemble Forecast (SREF) system: Evaluation of an initial condition vs multiple model physics ensemble approach. 16thConf on Numerical Weather Prediction/20th Conf on Weather Analysis and Forecasting, Seattle, WA. Amer Meteor Soc, 2004. http://ams. confex.com/ams/pdfpapers/71107.pdf

[44]Kong F Y, et al. Preliminary analysis on the real-time storm-scale ensemble forecasts produced as a part of the NOAA Hazardous Weather Testbed 2007 Spring Experiment. 22nd Conf on Weather Analysis and Forecasting/18th Conf on Numerical Weather Prediction, Park City, UT. Amer Meteor Soc, 2007. http://ams. confex.com/ams/pdfpapers/124667.pdf

[45]Gilmour I, Smith L A, Buizza R. Linear Regime Duration: Is 24 Hours a Long Time in Synoptic Weather Forecasting? J Atmos Sci, 2001, 58: 3525-3539.

[46] Clark A J, Gallus Jr W A, Chen T C. Contributions of mixed physics versus perturbed initial/lateral boundary conditions to ensemble-based precipitation forecast skill. Monthly Weather Review, 2008, 136: 6, 2140-2156.

[47]Stensrud D J, Bao J W, Warner T T. Using initial condition and model physics perturbations in short-range ensemble simulations of mesoscale convective systems. Mon Wea Rev, 2000, 128: 2077-2107.

[48]Buizza R, Palmer T. Stochastic representation of model uncertainties in the ECMWF ensemble prediction system. Quart J Roy Meteor Soc., 1999, 125: 2887-2908.

[49]譚燕, 陳德輝. 基于非靜力模式物理擾動的中尺度集合預(yù)報(bào)試驗(yàn). 應(yīng)用氣象學(xué)報(bào), 2007, 18(3): 396-406.

[50]Teixeira J, Reynolds C. Stochastic nature of physical parameterizations in ensemble prediction: A stochastic convection approach. Mon Wea Rev, 2008, 136: 483-496.

[51]Li X, Charron M, Spacek L, et al. A regional ensemble prediction system based on moist targeted singular vectors and stochastic parameter perturbations. Mon Wea Rev, 2008, 136: 443-462.

[52]Berner J, Shutts G J, Leutbecher M, et al. a spectral stochastic kinetic energy backscatter scheme and its impact on flowdependent predictability in the ECMWF ensemble prediction system. J Atmos Sci, 2009, 66: 603-626.

[53]Charron M, Pellerin G, Spacek L, et al. Toward random sampling of model error in the Canadian ensemble prediction system. Mon Wea Rev, 2010, 138: 1877-1901.

[54]Berner J, Ha S Y, Hacker J P, et al. Model uncertainty in a mesoscale ensemble prediction system: Stochastic versus multiphysics representations. Mon Wea Rev, 2011, 139: 1972-1995. [55]Bouttier F, Vié B, Nuissier O, et al. Impact of stochastic physics in a convection-permitting ensemble. Mon Wea Rev, 2012, 140: 11, 3706-3721.

[56]李俊, 杜鈞, 劉羽. 北京“7.21”特大暴雨不同集合預(yù)報(bào)方案的對比試驗(yàn).氣象學(xué)報(bào)，2014，待發(fā)表.

[57]Jankov I, Gallus Jr W A, Segal M, et al. The impact of different WRF model physical parameterizations and their interactions on warm season MCS rainfall. Wea Forecasting, 2005, 20: 1048-1060.

[58]Jankov I, Schultz P J, Anderson C J, et al. The impact of di ff erent physical parameterizations and their interactions on cold season QPF in the American river basin. Journal of Hydrometeorology , 2007, 8(5): 1141-1151.

[59]Jankov I, Gallus Jr W A, Segal M, et al. Influence of initial conditions on the WRF-ARW model QPF response to physical parameterization changes. Weather and Forecasting, 2007, 22(3): 501-519.

[60]Du J. Impact of model error and imperfect initial condition perturbations on ensemble-based probabilistic forecasts: Unpredictable spots. 17th Conference on Numerical Weather Prediction/21st Conference on Weather Analysis and Forecasting, Washington DC, Aug 1-5, 2005, Amer Meteor Soc, 2005. http:// www.emc.ncep.noaa.gov/mmb/SREF/reference.html

[61] LeonciniG, Plant R S, Gray S L, et al. Ensemble forecasts of a flood-producing storm: Comparison of the influence of modelstate perturbations and parameter modi fi cations. Quarterly Journal of the Royal Meteorological Society, 2013, 139 (670): 198-211.

[62]Zhang D L, Lin Y, Zhao P, et al. The Beijing extreme rainfall of 21 July 2012: “Right results” but for wrong reasons. Geophys Res Lett, 2013, 40: 1426-1431.

[63] Houtekamer P L, Mitchell H L. Data assimilation using an ensemble Kalman filter technique. Mon Wea Rev, 1998, 126: 796-811.

[64]Houtekamer P L, Mitchell H L. A sequential ensemble Kalman fi lter for atmospheric data assimilation. Mon Wea Rev, 2001, 129: 123-137.

[65]Anderson J L. An ensemble adjustment Kalman filter for data assimilation. Mon Wea Rev, 2001, 129: 2884-2903.

[66] Evensen G. The ensemble Kalman fi lter: Theoretical formulation and practical implementation. Ocean Dyn, 2003, 53: 343-367.

[67]Du J, Tracton M S. Impact of lateral boundary conditions on regional-model ensemble predicion. In: Ritchie H. Research

Activities in Atmospheric and Oceanic Modelling. Report 28, CAS/JSC Working Group Numerical Experimentation (WGNE), WMO/TD-No. 942, 6.7-6.8, 1999.

[68]Marsigli C A, Montani A, Paccagnella T. Provision of boundary conditions to convection-permitting ensemble: Comparison of two di ff erent approaches. Nonlinear Processes in Geophysics, 2014, 21: 393-403.

[69]Ho ff man R N, Kalney E. Lagged average forecasting, an alternative to Monte Carlo forecasting. Tellus A, 1983, 35A(2): 100-118.

[70] Ebert E E. Ability of a poor man’s ensemble to predict the probability and distribution of precipitation. Mon Wea Rev, 2001, 129: 2461-2479.

[71]Krishnamurti T N, Kishtawal C M, LaRow T, et al. Improved weather and seasonal climate forecasts from multimodel superensemble. Science, 1999, 285(5433): 1548-1550.

[72]Du J. Hybrid ensemble prediction system: A new ensembling approach. Symposium on the 50th Anniversary of Operational Numerical Weather Prediction, University of Maryland, College Park, Maryland, June 14-17, 2004. Amer Meteor Soc, http://www. emc.ncep.noaa.gov/mmb/SREF/reference.html

[73]Schwartz C S, et al. Toward improved convection-allowing ensembles: Model physics sensitivities and optimizing probabilistic guidance with small ensemble membership. Wea Forecasting, 2010, 25: 263-280.

[74]杜鈞, Grumm R H, 鄧國. 預(yù)報(bào)異常極端高影響天氣的“集合異常預(yù)報(bào)法”: 以北京2012.7.21特大暴雨為例. 大氣科學(xué), 2014, 38(4): 685-699.

[75]Hamill T M, Whitaker J S, Mullen S L. Reforecasts: An important dataset for improving weather predictions. Bull Amer Meteor Soc, 2006, 87: 33-46.

[76]Hamill T M, Whitaker J S. Probabilistic quantitative precipitation forecasts based on reforecast analogs: Theory and application. Mon Wea Rev, 2006, 134: 3209-3229.

[77]Hamill T M, Bates G T, Whitaker J S, et al. NOAA's secondgeneration global medium-range ensemble reforecast dataset. Bull Amer Meteor Soc, 2013, 94: 1553-1565.

[78]Qian W H, Li J, Shan X L. Application of synoptic-scale anomalous winds predicted by medium-range weather forecast models on the regional heavy rainfall in China in 2010. Science China: Earth Sciences, 2013, doi: 10.1007/s11430-013-4586-5.

[79]丑紀(jì)范. 數(shù)值天氣預(yù)報(bào)的創(chuàng)新之路——從初值問題到反問題. 氣象學(xué)報(bào), 2007, 65(5): 673-682.

[80]任宏利, 丑紀(jì)范. 統(tǒng)計(jì)-動力相結(jié)合的相似誤差訂正法. 氣象學(xué)報(bào), 2005, 63(6): 988-993.

[81]龔建東, 丑紀(jì)范. 論過去資料在數(shù)值天氣預(yù)報(bào)中使用的理論和方法. 高原氣象, 1999, 18(3): 392-399.

[82]邱崇踐, 丑紀(jì)范. 天氣預(yù)報(bào)的相似-動力方法. 大氣科學(xué), 1989, 13(1): 20-28.

[83]Fang X Q, Kuo Y H. Improving ensemble-based quantitative precipitation forecast for topography-enhanced typhoon heavy rainfall over Taiwan with a modified probability-matching technique. Mon Wea Rev, 2013, 141: 3908-3932.

[84]Ebert E E. Probability-matched ensemble mean. 2001.http:// www.cawcr.gov.au/sta ff/eee/etrap/probmatch.html

[85]李俊, 杜鈞, 陳超君. 降水偏差訂正的頻率（或面積）匹配方法介紹和分析. 氣象, 2014, 40(5): 580-588.

[86]高守亭. 大氣中尺度運(yùn)動的動力學(xué)基礎(chǔ)及預(yù)報(bào)方法. 北京: 氣象出版社, 2007.

[87]王成鑫, 高守亭, 梁莉, 等. 動力因子對地形影響下的四川暴雨落區(qū)的診斷分析. 大氣科學(xué), 2013, 37(5): 1099-1110.

[88]許孌, 何金海, 高守亭, 等. 集合動力因子對登陸臺風(fēng)“莫拉克”(0908)暴雨落區(qū)的診斷與預(yù)報(bào)研究. 大氣科學(xué), 2013, 37(1): 23-35.

[89]冉令坤, 齊彥斌, 郝壽昌. “7·21”暴雨過程動力因子分析和預(yù)報(bào)研究. 大氣科學(xué), 2014, 38(1): 83-100.

[90]Torn R D, Hakim G J. Ensemble-based sensitivity analysis. Mon Wea Rev, 2008, 136, 663-677.

[91]Zheng M H, Chang E K M, Colle B A. Ensemble sensitivity tools for assessing extratropical cyclone intensity and track predictability. Wea and Forecasting, 2013, 28(5): 1133-1156.

[92]Emanuel K, Langland R. FASTEX adaptive observations workshop. Bull Amer Meteor Soc, 1998, 79: 1915-1919.

[93]Langland R H. Issues in targeted observing. Quart J Roy Meteor Soc, 2005, 131: 3409-3425.

[94]李俊, 王明歡, 公穎, 等. AREM短期集合預(yù)報(bào)系統(tǒng)及其降水預(yù)報(bào)檢驗(yàn). 暴雨災(zāi)害, 2010, 29(1): 30-37.

[95] Toth Z, Szunyogh I, Majumdar S, et al.Targeted observations at NCEP: Toward an operational implementation. 4th Sym Integrated Obs Sys, Amer Meteo Soc, 2000.

[96]Szunyogh I, Toth Z, Morss R C, et al. The effect of targeted dropsonde observations during the 1999 Winter Storm Reconnaissance Program. Mon Wea Rev, 2000, 128: 3520-3537.

[97]Chang E K M, Yu D B. Characteristics of wave packets in the upper troposphere. Part I: Northern Hemisphere winter. J Atmos Sci, 1999, 56: 1708-1728.

[98]Chang E K M. Characteristics of wave packets in the upper troposphere. Part II: Seasonal and hemispheric variations. J Atmos Sci, 1999, 56: 1729-1747.

[99]Yeh T C. On energy dispersion in the atmosphere. J Atmos Sci, 1949, 6: 1-16.

[100]陶詩言, 衛(wèi)捷, 梁豐,等. Rossby波的下游效應(yīng)引發(fā)我國高影響天氣的分析. 氣象, 2010, 36(7): 81-93.

[101]鄧國, 龔建東, 鄧蓮堂, 等. 國家級區(qū)域集合預(yù)報(bào)系統(tǒng)研發(fā)和性能檢驗(yàn). 應(yīng)用氣象學(xué)報(bào), 2010, 21(5): 513-523.

Application of Ensemble Methodology to Heavy-Rain Research and Prediction

Du Jun1, Li Jun2
(1 National Centers for Environmental Prediction (NCEP), National Oceanic and Atmospheric Administration (NOAA), USA 2 Wuhan Institute of Heavy Rain, China Meteorological Administration, Wuhan 430074)

Inability in correctly predicting heavy rain events is primarily due to two reasons: lack of full understanding its physical mechanism and negligence of its predictability limit. How to deal with its predictability limit is the focus of this review paper, which is especially important to enhance the value of numerical weather prediction products to better serve end-users. Based mainly on authors' own or directly involved researches and experiences, many applications of ensemble methodology to heavy rain research and prediction are brief l y overviewed. Specif i cally speaking, the following four general areas are discussed: (1) ensemble prediction system including initial condition and model/physics perturbations, optimal ensemble size, model resolution, data assimilation, and various "virtual" ensembles; (2) forecast methods including ensemble anomaly forecasting, reforecasting analog ensemble, and storm track clustering; (3) forecast post-processing and calibration including ensemble mean, performance ranking and best member, weighted ensemble mean, probability-matched ensemble mean, and ensemble of dynamic factors; and (4) weather system analysis and model initial condition improvement including perturbation difference analysis, ensemble sensitivity, and targeted observation. It is expected that this review will inspire actions from both operation and research communities: many proven-to-be effective methods described in this paper could be adopted in routine weather forecasting practice by operational meteorologists to improve their forecast and service; research community could have a new starting point with new ideas and a clearer direction for future science and technology development including the improvement of current existing operational ensemble prediction systems in years to come.

heavy rain, ensemble forecasting, forecast calibration, weather diagnosis, targeted observation, data assimilation

10.3969/j.issn.2095-1973.2014.05.001

2013年10月18日；

2014年1月6日

杜鈞（1962—），Email: Jundu_noaa@yahoo.com

資助信息：國家自然科學(xué)基金（41275107）