联合概率方法在北京灾害天气预报中的应用研究

doi:10.3969/j.issn.1673-503X.2020.05.001

摘要/Abstract

摘要：

基于ECMWF模式的集合预报数据，利用联合概率方法，针对北京地区冬季影响最大的寒潮和夏季强对流两类灾害性天气，建立了适用于本地区的两种集合预报业务产品。选取2 m温度和10 m平均风速制作寒潮预警信号联合概率预报产品，选取对流有效位能和0-6 km垂直风切变制作强对流潜势联合概率预报产品。通过对北京地区近年寒潮和强对流天气的预报检验表明：寒潮预警信号联合概率方法，当预报概率达到10%及以上时，实况就有可能达寒潮蓝色预警信号的级别；此方法对北京西北部的预报性能较好，其次为北京的东南部地区；对达到蓝色预警信号标准的区域具有较高的预报命中率，但对达黄色预警信号级别的区域，漏报率较高。强对流潜势联合概率方法的空报率较高，当预报概率达90%-100%时，实况才有可能出现强对流；与局地强对流相比，全市性强对流天气的高概率预报区域较为集中。

关键词: 集合预报, 联合概率, 寒潮, 强对流

Abstract:

Based on original ensemble forecast data obtained from the European Center for Medium-range Weather Forecast (ECMWF) and a joint probability method, we produced two ensemble forecast operational products for severe weather occurring frequently in Beijing, including cold wave in winter and severe convection weather in summer.The joint probability forecast product for the cold wave warning was developed based on air temperature at 2 m and mean winds at 10 m, and that for severe convection was produced using the convective available potential energy (CAPE) and vertical wind shear within 0-6 km.We also evaluated the performance of the joint probability forecast products using the observations during cold wave and severe convection events in Beijing in recent years.The results indicated that when the forecast probability reaches 10% and above, the cold wave can probably reach the level of blue warning signals in real-time.The joint probability forecast product for cold wave performs the best in the northwestern region in Beijing, followed by the southeastern region.In areas with the blue warning signals, the cold wave product has a higher capture rate, while in areas with the yellow warning signals it has a high missing rate.The potential prediction of severe convection events using the joint probability method has a high false alarming ratio.Severe convection events can probably occur in real-time only when the forecast probability reaches 90%-100%.Compared with local severe convection events, areas with high forecast probability correspond to the city-scale severe convection events concentrated over the whole city.

Key words: Ensemble forecast, Joint probability, Cold wave, Severe convection

中图分类号:

P456.9

付宗钰, 于波, 荆浩, 纪彬, 周璇, 秦庆昌, 杜佳, 李桑. 联合概率方法在北京灾害天气预报中的应用研究[J]. 气象与环境学报, 2020, 36(5): 1-9.

Zong-yu FU, Bo YU, Hao JING, Bin JI, Xuan ZHOU, Qing-chang QIN, Jia DU, Sang LI. Application of joint probability method in severe weather forecast in Beijing[J]. Journal of Meteorology and Environment, 2020, 36(5): 1-9.

图/表 9

表1

图1

图2

表2

图3

图4

图5

图6

图7

参考文献 33

1	郑飞.ENSO集合预报研究[D].中国科学院研究生院(大气物理研究所),北京: 2007.
2	Lorenz E N . A study of the predictability of a 28-variable atmospheric model[J]. Tellus, 1965, 17 (3): 321- 333. doi: 10.3402/tellusa.v17i3.9076
3	杜钧. 集合预报的现状和前景[J]. 应用气象学报, 2002, 13 (1): 16- 28.
4	Toth Z , Kalnay E . Ensemble forecasting at NMC:the generation of perturbations[J]. Bulletin of the American Meteorological Society, 1993, 74 (12): 2317- 2330. doi: 10.1175/1520-0477(1993)074<2317:efantg>2.0.co;2
5	Molteni F , Buizza R , Palmer T N , et al. The ECMWF ensemble prediction system methodology and validation[J]. Quarterly Journal of the Royal Meteorological Society, 1996, 122 (529): 73- 119. doi: 10.1002/qj.49712252905
6	Houtekamer P L , Lefaivre L , Derome J , et al. A system simulation approach to ensemble prediction[J]. Monthly Weather Review, 1996, 124 (6): 1225- 1242.
7	Houtekamer P L , Mitchell H L . Data assimilation using an ensemble Kalman filter technique[J]. Monthly Weather Review, 1998, 126 (3): 796- 811. doi: 10.1175/1520-0493(1998)126<0796:DAUAEK>2.0.CO;2
8	Tracton M S, Du J.Short-range ensemble forecasting (SREF) at the National Centers for Environment Prediction[C].Preprints of 12th Conference on Numerical Weather Prediction.Phoenix, Arizona: American Meteorological Society, 1998: 269-272.
9	龚建东, 李维京, 丑纪范. 集合预报最优初值形成的四维变分同化方法[J]. 科学通报, 1999, 44 (10): 1113- 1116.
10	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[J]. Monthly Weather Review, 2000, 128 (7): 2077- 2107. doi: 10.1175/1520-0493(2000)128<2077:UICAMP>2.0.CO;2
11	张涵斌, 范水勇, 陈敏, 等. 区域集合预报基于SKEB和多物理过程的混合模式扰动方法研究[J]. 气象, 2019, 45 (1): 17- 28.
12	World Meteorological Organization.Guidelines on ensemble prediction systems and forecasting[M].2012.
13	杜钧, 邓国. 单一值预报向概率预报转变的价值——谈谈概率预报的检验和应用[J]. 气象, 2010, 36 (12): 10- 18.
14	杜钧, 陈静. 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[J]. 气象, 2010, 36 (11): 1- 11.
15	Stephenson D B , Coelho C A S , Jolliffe I T . Two extra components in the brier score decomposition[J]. Weather and forecasting, 2008, 23 (4): 752- 757.
16	彭勇, 王萍, 徐炜, 等. 气象集合预报的研究进展[J]. 南水北调与水利科技, 2012, 10 (4): 90- 96, 126.
17	杜钧, 李俊. 集合预报方法在暴雨研究和预报中的应用[J]. 气象科技进展, 2014, 4 (5): 6- 20.
18	董全, 金荣花, 代刊, 等. ECMWF集合预报和确定性预报对淮河流域暴雨预报的对比分析[J]. 气象, 2016, 42 (9): 1146- 1153.
19	闫慧, 赵桂香, 董春卿, 等. 集合预报方法在山西暴雨预报中的应用试验[J]. 干旱气象, 2017, 35 (2): 321- 329.
20	王毅, 马杰. 代刊."7.20"华北强暴雨集合预报的中期预报转折和不确定性分析[J]. 气象, 2018, 44 (1): 53- 64.
21	徐姝, 尉英华, 熊明明, 等. 频率匹配法在海河流域ECMWF集合预报融合产品中的应用研究[J]. 气象与环境学报, 2018, 34 (4): 11- 17.
22	李典, 柴晓玲, 李崇, 等. 2016年6月30日沈阳地区局地暴雨过程特征及预报[J]. 气象与环境学报, 2018, 34 (1): 11- 21.
23	刘家峻, 张立凤, 梅娜, 等. 增长模在热带地区发展的分析研究[J]. 热带气象学报, 2012, 28 (1): 104- 112.
24	杨国杰, 沙天阳, 程正泉. 2009-2015年ECMWF热带气旋集合预报的检验及分析[J]. 气象, 2018, 44 (2): 277- 283.
25	丁晨晨, 任福民, 邱文玉, 等. 基于路径相似的登陆热带气旋降水之动力-统计集合预报模型[J]. 气象, 2019, 45 (1): 29- 37.
26	杜钧, GrummR H, 邓国. 预报异常极端高影响天气的"集合异常预报法":以北京2012年7月21日特大暴雨为例[J]. 大气科学, 2014, 38 (4): 685- 699.
27	董全, 代刊, 陶亦为, 等. 基于ECMWF集合预报的极端天气预报产品应用和检验[J]. 气象, 2017, 43 (9): 1095- 1109.
28	熊敏诠. 基于集合预报系统的日最高和最低气温预报[J]. 气象学报, 2017, 75 (2): 211- 222.
29	杜钧, 周斌斌. 雾的集合预报与集合预报的检验[J]. 气象科技进展, 2016, 6 (3): 41- 47.
30	高山红, 王永明, 傅刚. 一次黄海海雾的集合预报试验[J]. 中国海洋大学学报, 2014, 44 (12): 1- 11.
31	马申佳, 何宏让, 陈超辉, 等. 基于对流尺度集合预报的飑线结构特征模拟与改善[J]. 气象与环境学报, 2019, 35 (1): 1- 9.
32	智协飞, 陈雯. THORPEX国际科学研究新进展[J]. 大气科学学报, 2010, 33 (4): 504- 511.
33	刘勇, 郭大梅, 姚静, 等. 配料法在暴雨精细化预报中的应用[J]. 干旱气象, 2015, 33 (3): 514- 520.

数据源	成员数	空间分辨率	范围
ECMWF	51	地面0.5°×0.5°高空1°×1°	40°E—180°，10°S—70°N全球

预警级别	时效/h	地面最低2 m气温降幅/℃	地面最低2 m气温/℃	平均最大10 m风速/(m·s^-1)
蓝色	48	8	≤4	8
黄色	24	10	≤4	10.8
橙色	24	12	≤0	10.8
红色	24	16	≤0	10.8

[1]	马杰, 刘晓琳, 李红, 杨森, 刘鑫华, 尹姗, 任宏昌, 刘一, 张峰. 一次梅汛期强降雨过程的中期时效预报误差分析[J]. 气象与环境学报, 2020, 36(4): 11-17.
[2]	肖瑶, 史一丛, 王耸, 王新伟. 中国地区集合预报产品自适应递减平均偏差订正法的改进研究[J]. 气象与环境学报, 2019, 35(2): 9-14.
[3]	马申佳, 何宏让, 陈超辉, 吴丹, 陈圣劼. 基于对流尺度集合预报的飑线结构特征模拟与改善[J]. 气象与环境学报, 2019, 35(1): 1-9.
[4]	徐姝;尉英华;熊明明;魏琳. 频率匹配法在海河流域ECMWF集合预报融合产品中的应用研究[J]. 气象与环境学报, 2018, 34(4): 11-17.
[5]	于志明, 王驷鹞, 马冬亮. 渤海海洋气象灾害天气分型与预报指标研究[J]. 气象与环境学报, 2018, 34(1): 106-111.
[6]	张秋晨, 龚佃利, 王俊, 张洪生. 基于地基微波辐射计反演的济南地区水汽及云液态水特征[J]. 气象与环境学报, 2017, 33(5): 35-43.
[7]	刘飞, 肖鹏, 黄宁立, 方哲卿, 谢潇. 上海地区两次强对流天气过程灾害成因及预警研究[J]. 气象与环境学报, 2017, 33(2): 28-36.
[8]	李崇, 吉曹翔, 夏传栋, 张治, 李典, 孟鹏, 班伟龙, 梁红. 沈阳地区强对流天气潜势预报环境参数特征分析[J]. 气象与环境学报, 2016, 32(6): 43-51.
[9]	毛炜峄, 陈颖, 曹兴. 单站寒潮降温过程强度评估指标及其在乌鲁木齐市的应用[J]. 气象与环境学报, 2016, 32(5): 139-146.
[10]	周丽雅, 王凯, 刘倪. 基于Logistic回归蚌埠地区致灾雷电预报研究[J]. 气象与环境学报, 2016, 32(5): 147-153.
[11]	张宁,苏爱芳. 豫西地形对一次强降水过程的影响分析[J]. 气象与环境学报, 2014, 30(6): 16-24.
[12]	王颖,刘一玮,何群英,李英华. 天津局地暴雨特征及落区预报分析[J]. 气象与环境学报, 2014, 30(6): 52-60.
[13]	王莹,陈莉,李永生,李帅. 1961—2012年黑龙江省寒潮气候特征[J]. 气象与环境学报, 2014, 30(5): 125-130.
[14]	应爽, 袁大宇, 李尚锋 . 一次东北冷涡不同阶段强对流天气特征对比分析[J]. 气象与环境学报, 2014, 30(4): 9-18.
[15]	阎琦, 陆井龙, 田莉, 崔锦, 李爽,杨青 . 1971—2011年辽宁寒潮时空分布特征[J]. 气象与环境学报, 2014, 30(4): 63-69.