CCRL  >> Vol. 8 No. 6 (November 2019)

    GFS預報資料在成都平原地區的適用性研究——以龍泉驛為例
    Study on the Applicability of GFS Forecast Data in Chengdu Plain Area—Taking Longquanyi as an Example

  • 全文下載: PDF(371KB) HTML   XML   PP.749-754   DOI: 10.12677/CCRL.2019.86081  
  • 下載量: 142  瀏覽量: 186   科研立項經費支持

作者:  

賀 月:成都信息工程大學大氣科學學院,四川 成都

關鍵詞:
GFS模式成都平原特征分析適用性GFS Mode Chengdu Plain Feature Analysis Applicability

摘要:

本文根據2013~2017年成都市龍泉驛洛帶鎮氣象觀測資料以及2017年1、4、7、10四個月GFS模式預報資料,分析了成都市龍泉驛地區溫度、風場(風速和風向)、相對濕度、絕對濕度以及小時降水量的年、年際、季節和日變化特征,研究了相關氣象要素的變化規律,探討了GFS模式在龍泉驛的預報適用性。結果表明:GFS模式關于溫度、濕度、降水的預報能力總體隨預報時效增長而減弱;GFS模式降水預報對于降水量大小以及持續性降水的時間范圍的可預報性較差;GFS模式在成都平原對短時溫度、濕度、降水有一定程度的預報能力,其中對溫度、濕度的預報相對較好。

Based on the meteorological observation data of Longquanyi Luodai Town in 2013-2017 and the GFS model forecast data for 1, 4, 7 and 10 months in 2017, this paper analyzed the characteristics of temperature, wind field (wind speed and direction), relative humidity, absolute humidity and hourly precipitation, including annual, interannual, seasonal, and diurnal variations. The variation of these meteorological elements is summarized, and the applicability of GFS model in forecasting temperature, humidity and hourly precipitation in Longquanyi is also discussed. The result showed that the correlation between GFS model forecast and observational data decreased with the increase of forecast time. The GFS model precipitation forecast has poor predictability for the magnitude of precipitation and the time range of persistent precipitation. The GFS model has a capacity of forecasting short-time temperature, humidity and precipitation in Chengdu plain, and the capacity of forecasting of temperature and humidity is better than other elements.

1. 引言

天氣預報與人民群眾生活生產聯系緊密 [1]。現階段氣象部門主要依靠數值預報模式開展業務,而數值預報是以大氣的實際情況為基礎,依據一定初始條件和邊界條件進行大氣運動方程組的數值求解,從而定量、客觀地預報未來時段的大氣狀況 [2] [3] [4]。一般而言,數值預報的準確率受模式類型、預報地點、預報對象等的影響 [5] [6]。因此,在實際應用時選擇預報能力更好的預報模式是提高氣象預報質量的關鍵 [7] [8] [9]。

GFS是一種譜模型,能對未來16天的天氣情況做出有效預測,在全球范圍內被廣泛采用 [10] [11]。根據對GFS預報結果精度的研究表明,GFS預報在未來三天內有較好表現 [12] [13]。GFS模式的預報準確性在對較大尺度的天氣系統的長期預測上具有顯著性特征。GFS數據可以在公共領域免費獲取,每日分別于世界時00:00、06:00、12:00、18:00發布之后1~16天全球各地的天氣狀況預報 [14] [15]。

龍泉驛地區屬成都平原東緣,是重要的氣候臨界點,近年來氣象災害頻發,對全省造成嚴重威脅,因此評估數值模式對成都平原天氣氣候的預報能力有著重要的實際意義 [16]。GFS模式在全球范圍內應用廣泛,有相當高的計算能力和和業務價值。因此,本文基于成都市龍泉驛區氣象觀測數據,對GFS系統的適用性進行了研究。

2. 資料和方法

2.1. 資料

溫度、降水、濕度、風場的數據來自于GFS預報資料2013年1月1日至2017年12月31日的逐3小時預報數據,其空間分辨率為0.5? × 0.5?。

2.2. 方法

采用相關分析研究GFS預報資料的適用性。相關分析是研究兩個或兩個以上處于同等地位的隨機變量間的相關關系的統計分析方法,相關系數計算公式如下所示:

r k l = 1 n i = 1 n ( x k i ? x k s k ) ( x l i ? x l s l ) (1)

其中sk和sl分別表示第k,第l個變量的標準差,rkl的絕對數值越大,表示兩者的關系越密切。

3. GFS預報資料在成都平原的適用性研究

3.1. 溫度預報適用性研究

表1給出了四季龍泉驛洛帶鎮氣象臺站觀測的氣溫資料與GFS系統預報的氣溫間的相關系數和均方根誤差。由表可見,對于6小時預報而言,龍泉驛春、夏、冬三季的相關系數最大;秋季相關系數最大值是初始場即預報時效為0時;四個季節觀測與預報之間相關系數均在24小時預報時最低;四季均方根誤差最大值出現在12小時預報左右,在而在0時初始場有最小值。秋季相關系數平均值最大為0.803,冬季平均相關系數最小,為0.367。最大平均均方根誤差出現在夏季,為1.592,最小出現在秋季,為1.085。

Table 1. Correlation coefficient and root mean square error of GFS forecast and observed temperature of spring, summer, autumn and winter

表1. 春、夏、秋、冬四季GFS預報氣溫與觀測氣溫的相關系數和均方根誤差

**通過99%的信度檢驗,*通過90%的信度檢驗。

均方根誤差的變化則是波動增加,說明GFS模式對氣溫預報的穩定性表現較差,可預報性隨預報時效增加而減小。結合相關系數和均方根誤差來看,秋季GFS預報氣溫和觀測氣溫的相關性較好,其次春季,夏季、冬季二者相關性較差。

3.2. 濕度預報適用性研究

表2給出了四季龍泉驛洛帶鎮氣象臺站觀測的比濕與GFS系統預報的比濕的相關系數和均方根誤差。可見,龍泉驛春、夏、冬三個季節比濕的觀測值與GFS系統預報的比濕的相關系數約在12小時預報達到最大,24小時預報時最小;6小時預報有均方根誤差最大值,初始場有最小值。秋季最大相關系數在6小時預報,對應均方根很小;相關系數最小在12小時預報,此時均方根誤差達到最大。秋季有最大平均相關系數0.801,夏季有最小平均相關系數0.411。平均均方根誤差在夏季有最大值1.694,在冬季有最小值0.577。

總體來看,均方根誤差整體是增加的趨勢,是波動變化的過程。與夏季相比其他三個季節均方根誤差數值變化幅度不大,因此其他三個季節GFS比濕預報比較穩定,夏季比濕GFS模式預報的穩定性較差。GFS模式的可預報性隨預報時效降低。根據各個季節平均相關系數和平均均方根誤差分析,冬季、秋季GFS模式預報能力較好,夏季預報能力較差。

Table 2. Correlation coefficient and root mean square error of GFS forecast and observed specific humidity of spring, summer, autumn and winter

表2. 春、夏、秋、冬四季GFS預報與觀測比濕的相關系數和均方根誤差

**通過99%的信度檢驗,*通過90%的信度檢驗。

3.3. 小時降水預報適用性研究

表3給出了龍泉驛區四季GFS預報的小時降水與觀測小時降水各預報時刻的均方根誤差、錯報率、漏報率。由表可見,GFS預報的春、秋、冬季小時降水預報正確率最高為24小時預報結果,夏季預報正確率最高為3小時和6小時預報結構;春季預報正確率最低為6小時預報,夏季在24小時預報,秋季在0小時預報,冬季在6、12小時預報。一年四季中,最大平均均方根誤差出現在夏季,為0.491,最小出現在冬季,為0.052。冬季有小時降水預報正確率最大平均值79.839%,秋季有最小平均值57.257%。

Table 3. Root mean square error, misreporting rate, and false negative rate of forecasting hourly precipitation and observation hourly precipitation in the four seasons GFS

表3. 四季GFS預報的小時降水與觀測小時降水各預報時刻的均方根誤差、錯報率、漏報率

進一步規定GFS模式預報有雨但氣象站觀測無雨的次數與總時次數的百分比作為錯報率;漏報率與錯報率類似,是實際觀測有雨但沒有做出降水預報的次數與總時次數的百分比。將錯報率和漏報率排除后即是預報的正確率。由前文可知,龍泉驛一年四季季平均小時降水量在夏季最大,秋、春次之,冬季最小,因此冬季GFS小時降水預報錯報率和漏報率低、正確率高與冬季降水少有關。根據春、夏、秋三季季平均降水量大,預報正確率偏低的結果,可認為GFS模式預報對持續性降水時間尺度的預報能力較弱。同時,由于夏季季平均降水量最大且均方根誤差整體偏大,說明GFS模式對小時降水量大小的預報能力較弱。四季均方根誤差隨預報時間總體是波動增加的變化趨勢,預報穩定性隨預報時效增加而下降。

3.4. 預報誤差初步分析

由前文分析可知,對于溫度、濕度、小時降水,GFS預報資料隨預報時效的可預報性變化趨勢相當,只在相關系數、均方根誤差以及小時降水漏報率、錯報率的數值上有所差異,GFS模式在溫度、濕度預報方面表現較好。圖1為GFS模式預報采用網格點與實際觀測點空間分布。由圖可見,GFS模式預報采用的網格點位于簡陽(30.5?N,104.5?E),與本文研究的龍泉驛地區(30.56?N,104.26?E)相距約57公里。由于GFS模式網格點與觀測地點的不重合,選取1、4、7、10四個月分別代表一年四季,樣本數量少,以及部分時刻自動氣象站缺測導致資料缺失等,都會帶來一定程度上的誤差,影響GFS預報資料適應性研究的準確性。

Figure 1. Distribution of GFS grid points and actual observation points on the map

圖1. GFS網格點與實際觀測點在地圖上的分布

4. 結論

本文通過對龍泉驛地區觀測的溫度、濕度、降水量資料,對GFS模式對該地區的預報適應性進行了分析,結果發現,GFS的預報結果與實際觀測資料的相關性總體上隨預報時效增加而減小,可預報性降低。GFS對于溫度、濕度的預報能力較好,而對降水的預報能力相對較差。進一步發現,GFS模式的小時降水漏報、錯報情況多發生在夏秋兩季,預報準確率低,說明GFS模式降水預報對于小時持續性降水的時間范圍和降水量大小的可預報性較差。

由于GFS模式網格點與觀測地點的不重合,選取1、4、7、10四個月分別代表一年四季,樣本數量少,以及部分時刻自動氣象站缺測導致資料缺失等,都會帶來一定程度上的誤差,影響GFS預報資料適應性研究的準確性。

基金項目

成都信息工程大學本科教學工程項目(BKJX2019007,BKJX2019013,BKJX2019042,BKJX2019056,BKJX2019062,BKJX2019081,BKJX2019089,BKJX2019120和JY2018012)支持。

彩3d复式玩法介绍

文章引用:
賀月. GFS預報資料在成都平原地區的適用性研究——以龍泉驛為例[J]. 氣候變化研究快報, 2019, 8(6): 749-754. https://doi.org/10.12677/CCRL.2019.86081

參考文獻

[1] Liu, Y., Duan, Q., Zhao, L., et al. (2013) Evaluating the Predictive Skill of Post-Processed NCEP GFS Ensemble Precip-itation Forecasts in China’s Huai River Basin. Hydrological Processes, 27, 57-74.
https://doi.org/10.1002/hyp.9496
[2] 葉愛中, 段青云, 徐靜, 馬鳳, 鄧斅學. 基于GFS的飛來峽流域水文集合預報[J]. 氣象科技進展, 2015, 5(3): 57-61.
[3] 蘇勇, 沈學順, 陳子通, 張紅亮. GRAPES-GFS中三維參考大氣的研究: 理論設計和理想試驗[J]. 氣象學報, 2018, 76(2): 241-254.
[4] 張萌, 于海鵬, 黃建平, 沈學順, 蘇勇, 薛海樂, 楊志堅. GRAPES-GFS 2. 0模式系統誤差評估[J]. 應用氣象學報, 2018, 29(5): 571-583.
[5] 王佳津, 王春學, 曹萍萍, 陳琳, 馮漢中. GRAPES全球模式預報檢驗評估—2016年夏季四川地面要素[J]. 高原山地氣象研究, 2017, 37(1): 33-40.
[6] 蘇勇, 沈學順, 張倩. 質量守恒的訂正算法在GRAPES-GFS中的應用[J]. 應用氣象學報, 2016, 27(6): 666-675.
[7] 張金強. 地基探測與NCEP GFS模式預報云量在ARM SGP站點對比[J]. 氣象與環境科學, 2016, 39(1): 12-18.
[8] 王亞華, 臧增亮, 潘曉濱, 何宏讓, 韓威. 高分辨率GRAPES-GFS的動能譜及其轉折特征分析[J]. 氣象學報, 2015, 73(5): 965-974.
[9] 李娜, 冉令坤, 孫建華, 李耀東. 基于NCEP/GFS資料的中國東部地區雷暴預報研究[J]. 氣象學報, 2015, 73(3): 459-470.
[10] 佟鈴, 彭新東, 崔晶. GRAPES-GFS模式中系統誤差的訂正方法研究[J]. 成都信息工程學院學報, 2015, 30(3): 264-270.
[11] 王金成, 龔建東, 趙濱. 一種新的COSMIC大氣折射率資料觀測誤差估計方法及在GRAPES全球三維變分同化中的應用[J]. 氣象學報, 2015, 73(1): 142-158.
[12] 董顏, 劉壽東, 王東海, 趙艷風. GFS對我國南方兩次持續性降水過程的預報技巧評估[J]. 氣象, 2015, 41(1): 45-51.
[13] 魏學軍. 簡析基于GFS集合預報烏海地區雷暴活動特征[J]. 內蒙古氣象, 2014(6): 10-12.
[14] 孟慶磊. GFS數值產品對高原機場地面陣性大風的預報檢驗[J]. 中國民航飛行學院學報, 2014, 25(5): 37-40.
[15] 李慶, 王力群, 馬衛民, 姜旻. ECMWF和GFS模式對一例溫帶氣旋預報性能的對比分析[J]. 海洋預報, 2014, 31(1): 22-28.
[16] 楊柳. 成都市龍泉驛區氣象災害風險調查及災害防御[J]. 現代農業科技, 2017(16): 191-192.