大气运动的不确定性、模式初值和数值预报模式自身的误差使得单一的确定性预报难以准确描述大气的运动特征。针对大气初值不确定性,Leith(1974)首先提出了利用一组包含所有大气可能运动状态的模式初值来表达数值预报初值不确定性的集合预报思想。随后,集合预报的研究和应用得到广泛关注,其中初值扰动方法作为集合预报关键组成部分已取得较多研究进展,并在全球集合预报业务系统中得到了良好应用(麻巨慧等,2011;智协飞等,2014,2015;马旭林等,2015)。这主要包括美国国家环境中心(NCEP)的增长模繁殖法(BGM;Toth and Kalnay,1993)扰动方案、欧洲中期天气预报中心(ECMWF)的奇异向量法(SVs;Molteni et al.,1996),以及基于集合卡尔曼滤波(EnKF)方法发展的集合预报初始扰动方案(Wang and Bishop,2003;Houtekamer and Mitchell,2005;Houtekamer et al.,2007;马旭林等,2008)等。

以上两组均在安装假体后，在髌上囊、膝关节两侧、鹅足注入“鸡尾酒”混合液，留置负压引流球后关闭伤口，缝合皮肤前抽尽关节内积血后往关节腔内灌注氨甲环酸（北京双鹤）60 ml。

区域集合预报目前已成为提高灾害性天气预报能力的有效手段。影响区域集合预报质量的主要因素之一是初始扰动能否准确再现预报误差的结构特征。因此,构造合理的初始扰动是提高区域集合预报性能的关键问题之一。目前,关于区域集合预报初始扰动构造方法已有一些研究。动力降尺度方法(Frogner et al.,2006;Li et al.,2008;Bowler and Mylne,2009)将全球集合预报初值扰动降尺度到区域集合初始扰动,该方法简单易行,但其产生的初始扰动难以准确描述大气运动的中小尺度信息。增长模繁殖法(BGM)或集合变换卡尔曼滤波法(ETKF)等方案构造初始扰动是另一种区域集合预报初始扰动的构造方法(Du et al.,2003;Bowler and Mylne,2009;张涵斌等,2014)。该初始扰动可以很好地描述中小尺度天气系统的信息,但通常由于侧边界扰动尺度的匹配问题而激发虚假波动,从而影响预报效果(Caron,2013)。为了解决上述区域集合预报初始扰动构造方法存在的问题,一些学者提出了一种混合尺度初始扰动方法(Wang et al.,2011,2012,2014;Caron,2013;Zhang et al.,2015),即通过数字滤波分别提取全球模式的大尺度信息和区域模式的中小尺度信息,然后将二者融合得到混合初始扰动,下文统称为“滤波方法”。由于全球数值预报模式通常对大尺度天气系统具有更好的预报质量,中小尺度系统预报质量相对较差;而区域预报模式则对中小尺度天气系统的预报质量相对较高,大尺度天气系统的预报质量通常偏低。因此,该方法可有效融合高质量的全球大尺度信息和区域模式中预报质量相对较高的中小尺度信息,使得区域集合预报初始扰动场中能够更加准确描述中小尺度天气系统扰动的物理结构,又包含了更加准确的大尺度天气系统的扰动信息。同时,也可以减少区域集合预报初始扰动与侧边界扰动的不一致。

尺度混合初始扰动能够改善区域集合预报扰动质量,对区域集合预报的性能有良好提升。然而,基于滤波方法的尺度混合初始扰动方案,数字滤波时难以客观准确地确定大尺度和中小尺度信息。另外,多尺度扰动信息融合时还可能导致扰动信息的融合过度或不足的问题,尽管可以通过动能谱进行定性判别和调整,但仍然难以完全避免该问题的产生。在资料同化领域的研究中,利用资料同化可以较好地将不同尺度天气系统的信息有效融合以改善分析质量(Guidard and Fischer,2008;Dahlgren and Gustafsson,2012)。Liu and Xie(2012)将区域模式预报场同化全球预报场中的大尺度运动信息,以改善区域预报模式初值中大尺度大气运动信息的质量,明显提高了区域模式中飓风Felix2007的强度和路径预报的准确性。这些研究显示,借助资料同化思想进行多尺度大气运动信息的融合是一种行之有效的方法。因此,本文基于区域GRAPES三维变分同化和预报系统(马旭林等,2009),借鉴融合多尺度大气运动信息的资料同化的思想,研究探讨全球集合预报质量较高的大尺度信息与区域集合预报中质量相对较好的中小尺度信息融合方法的有效性,建立基于资料同化思想的区域集合预报初始扰动尺度混合方案,用以构造区域集合预报的混合初始扰动,解决初始扰动与侧边界尺度不协调以及扰动信息融合过度或不足的缺陷。

1 基于资料同化思想的尺度混合初始扰动方案

区域集合预报的尺度混合初始扰动构造方法,本质上是将全球集合预报中质量相对较好的大尺度扰动信息有效地融合到区域集合预报,使得区域集合预报的初始扰动既包含原有的中小尺度扰动信息,又包含大尺度扰动结构,从而改善区域集合预报初始扰动和预报的质量。基于资料同化方法的尺度混合初始扰动构造方案,将区域预报的中小尺度场构造为能够合理描述中小尺度天气系统的高分辨率常规观测资料,通过资料同化将该观测资料有效同化到全球预报场,依靠同化系统的动力平衡和物理约束关系实现大尺度信息与中小尺度信息的融合。具体实现方法为:

在加S9与不加S9的情况下，在相同实验条件下重复两次检测，各剂量组回变菌落数均未超过未处理对照组的2倍，而阳性对照组的回变菌落数均超过未处理对照组的2倍，因此木棉花对鼠伤寒沙门氏菌不具有致突变作用，结果为阴性。

首先,高分辨率常规观测资料的构建。将区域集合预报场通过资料同化系统中的双线性插值方法直接转换为相应的高分辨率常规观测资料,并通过数值模拟试验确定合适的水平分辨率,以能够有效描述中小尺度天气系统的信息。新的常规观测资料包括位势高度、温度、纬向风和经向风,以及相对湿度等观测要素。

3.2 教学分析 本实验的教学目的是培养学生获取实验数据，并且进行数量关系图形建构。在人教版教材“光合作用”这一节中也给出同样主题的探究实验。但在实际的实验教学中，由于实验材料选择、光源强度以及距离植物远近、对气泡计数和时间紧张等问题，教师常会采用教师演示实验、或只是简单用气泡多少，来定性地描述光源距离与光合作用之间的关系。与之相比，该模拟实验则具有操作简单、节省材料和时间等优点，在有限的时间里培养学生的数学技能、科学思维以及独立实验精神。

其次,观测算子的构造。资料同化系统的观测算子可以实现分析变量和观测变量之间物理约束关系(Pailleux,1990)的转换。若将区域集合预报场作为新的观测资料,必须在同化系统中构建相应的观测算子。由于新观测资料是直接由区域集合预报场获得,观测变量和模式变量一致,故不存在物理变换,仅需要空间变换,即观测算子H=Hp·Hs,其中Hs是空间变换算子,Hp是物理变换算子,这里等于1。

第三,观测误差结构。新观测资料直接来自于区域集合预报场,其观测误差应该与区域集合预报的预报误差一致,不能直接应用原常规观测资料的观测误差。因此,必须对新观测误差重新构建。这里将GRAPES区域预报模式预报场相应物理量的预报误差统计结果用作观测误差。

从第二个模型来看，在其他情况不变的情况下，户籍、年龄、收入、学历、年均参团次数和职业对默认补偿的影响不显著。旅游者性别在10%水平上统计显著，价格因素、信息对称和搭便车因素都在1%的水平上显著影响默认补偿行为。其中，价格因素增加1个单位，默认补偿行为会增加3.224个单位。信息对称情况增加1个单位，默认补偿行为减少2.633个单位，这里存在一个“悖论”，似乎信息对称情况愈差，旅游者愈会表现出来默认补偿行为(这可能与该维度下包含了信息本身对称情况和由旅游者自身造成的信息对称情况有关)。搭便车因素增加1个单位，默认补偿行为会增加2.018个单位。

最后,借助资料同化系统实现多尺度信息的有效混合。将全球集合预报作为背景场,利用模式空间的GRAPES m3DVAR变分同化系统直接同化由区域集合预报转换而来的新观测资料,实现大尺度信息和中小尺度信息的有效融合,且满足动力平衡关系和物理约束,最终构建混合尺度的区域集合预报初始场。

2 数值试验设计与资料

2.1 同化预报系统与资料

基于资料同化思想尺度混合的区域集合预报系统由非静力GRAPES区域数值预报模式(Chen et al,2008)和模式空间三维变分资料同化系统GRAPES m3DVAR(马旭林等,2009)共同构建,同化系统的分析变量为流函数Ψ、速度势Χ、非平衡无量纲气压π与相对湿度Rh,可有效同化探空资料、地面资料、船舶报、飞机报、云迹风资料等常规观测和COSMIC反演资料以及卫星微波遥感资料等。

马旭林,庄照荣,薛纪善,等,2009.GRAPES非静力数值预报模式的三维变分资料同化系统的发展[J].气象学报,67(1):50-60. Ma X L,Zhuang Z R,Xue J S,et al.,2009.Development of 3-D variational data assimilation system for the nonhydrostatic numerical weather prediction model-GRAPES[J].Acta Meteorologica Sinica,67(1):50-60.(in Chinese).

2.2 试验方案

将区域集合预报各成员通过观测算子转换为观测资料,其水平分辨率为30 km,垂直方向26层,与探空观测资料的结构相同。T639集合预报成员作为背景场和预报的侧边界条件,利用GRAPES m3DVAR系统进行同化分析,将区域集合预报场中质量相对较高的中小尺度天气系统信息混合到全球集合预报的大尺度场。二者集合成员的对应关系采用随机匹配方式进行混合。

新初始扰动方案的区域集合预报(BLEND)的水平分辨率设置为0.15°×0.15°,垂直方向为31层,积分区域为与原区域集合预报一致。新区域集合预报的试验时段为2012年8月5日12时—11日12时,每日12时启动预报制作15个集合成员的72 h预报。然后,将新初始扰动方案的区域集合预报与原区域集合预报(REPS)的质量进行多方位质量检验和对比分析。需要说明的是,新旧方案的两组集合预报试验仅初始扰动方案不同,其侧边界条件、背景场等均一致。

3 个例试验结果

3.1 功率谱分析

区域集合预报尺度混合初始扰动方案的关键问题是将多尺度扰动信息合理混合。为了检验混合效果,通常借助混合后扰动场的功率谱特征进行初步检验。图1为2012年8月8日12时15个集合成员平均的850 hPa温度扰动功率谱分布,可以看出,基于资料同化的尺度混合初始扰动中波长大于2 000 km以上的大尺度波动,与质量相对较高的全球预报场的大尺度波动更加接近,而区域集合预报中质量相对较低的大尺度波动则相差较为明显。尺度混合的中尺度波(200～2 000 km)的功率谱基本位于GEPS全球集合预报与REPS区域集合预报之间,这说明BLEND方案在该波段对大、中尺度信息通过资料同化实现了有效融合。在小尺度天气系统对应的短波区域,尺度混合的初始扰动相对于全球集合预报而言,更加有效地表征出了短波信息,也就是混合后的初始场包含了更多的中小尺度天气系统的信息,增强了区域集合预报对中小尺度天气系统物理结构的捕捉能力。需要注意的是,从功率谱的甚短波长的分布看,尺度混合后40 km附近的小尺度波功率存在有一个突然增大的异常扰动,这可能是资料转换或高分辨的资料同化分析引起的虚假波动。不过,该虚假扰动可以在模式初始化中借助数字滤波进行有效剔除。从尺度混合前后的功率谱分布来看,基于资料同化的尺度混合方法,基本上能够将全球集合预报的大尺度信息和区域集合预报的中小尺度信息有效融合,实现区域集合预报中既包含大尺度信息,也包括描述中小尺度天气系统物理结构的中小尺度扰动信息。

图1 集合平均的850 hPa温度扰动功率谱(GEPS、REPS、BLEND分别代表全球集合预报、区域集合预报和尺度混合初始扰动) Fig.1 Power spectra of temperature perturbation averaged by ensemble members at 850 hPa(GEPS,REPS and BLEND denote initial perturbations of global ensemble,regional ensemble and scale-combined,respectively)

3.2 降水概率预报

图2 2012年8月9日18时24 h观测累积降水(a;单位:mm)、BLEND(b,d)和REPS方案(c,e)预报的大雨(b,c)、暴雨(d,e)预报的降水概率(单位:%) Fig.2 (a)24 h observation precipitation(units:mm),probability(units:%) of precipitation forecast of the (b,c)heavy rainfall and (d,e)rainstorm with (b,d)BLEND scheme and (c,e)REPS on 1800 UTC 9 August,2012

降水概率预报效果能够反映区域集合预报初始扰动对降水预报的能力,从而反映初始扰动的质量。图2为2012年8月9日18时24 h观测累积降水量和不同量级的降水概率预报。该次强降水过程的大雨和暴雨量级的落区主要分布在安徽东部、中西部及江西北部(图2a)。对照其大雨落区与相应的累积降水大于25 mm的概率预报(图2b、2c)可知,REPS集合预报的概率基本上为30%～50%,可信度较低,而BLEND方案较好地预测出了安徽中部及南部雨带的分布位置,大雨降水概率达到70%～90%,明显比REPS方案更加可信。对于降水大于50 mm暴雨量级的概率预报(图2d、2e)而言,尽管两种方案都不太理想,但BLEND方案对安徽中西部暴雨的概率依然达到70%以上,而REPS的预报概率小于30%,参考意义较小。从个例分析来看,BLEND方案构造的初始扰动对大雨和暴雨的概率预报质量相对原区域集合预报(REPS)有明显改善,更加具有实际业务参考意义。这显示了基于资料同化的尺度混合初始扰动方案较好地改善了区域集合预报初始扰动物理结构,能够更加合理地反映实际中小尺度大气系统预报误差的传播特征。

细菌性脑膜炎根据病蛙表现的症状，又称“白内障病”或“歪头病”。病蛙多独处在角落，或在水中间歇性旋转游动无法呈直线跳跃。病蛙头部明显弯曲，歪向一侧，部分因眼睛晶状体蛋白质变性发生混浊，表现白内障症状，严重的眼球突出甚至失明。解剖观察，病蛙肠道充气肿胀，局部发红，肝脏病变，成白肝、黑肝、花肝。

4 BLEND尺度混合集合预报批量试验结果

集合预报的整体性能主要取决于初始扰动对预报误差结构描述的合理性、模式性能以及数值预报模式物理过程对大气不确定性的再现能力等。因此,衡量集合预报性能需要对集合离散度、可辨识度等多方面综合检验分析,尤其批量试验的结果对其总体质量的反映更加可靠。

4.1 集合离散度与均方根误差

图3 BLEND和REPS初始扰动方案的850 hPa集合平均的均方根误差(RMSE)、集合离散度(SPREAD)随预报时效变化 a.位势高度;b.温度;c.纬向风;d.经向风 Fig.3 The evolution of root mean square error of ensemble mean and spread with forecast time at 850 hPa:(a)geopotential height;(b)temperature;(c)wind u-component;(d)wind v-component

2018年，茅台酱香系列酒的目标，是在不增量的前提下完成从65亿元到80亿元的新跨越。这就要求茅台酱香酒公司实现产品优化升级，从高速度发展转向高质量发展。

4.2 Talagrand分布与CRPS评分

Talagrand分布可评价集合离散度代表观测不确定性的程度,即评估集合成员与观测之间的一致性(Wilks,2006),也可以评估集合离散度及系统偏差的特征。理想集合预报系统的各集合成员与观测应具有一致性,即观测在各集合成员之间的概率相同,Talagrand分布呈水平均一状态。由两种方案24 h预报的不同变量的Talagrand分布(图4)可见,BLEND方案很大程度上消除了REPS集合预报中850 hPa高度场明显的负偏差和温度场的正偏差,使得Talagrand分布更加趋于均一。虽然风场的改善程度较弱,但也体现了正偏差的消除效果。其他预报时次和层次的Talagrand分布特征与之类似(图略)。总体来说,BLEND方案相对于原REPS集合预报,模式预报物理量的正负偏差得到有效改善,尤其是高度场和温度场更为显著。

图4 BLEND和REPS初始扰动方案的24 h预报的850 hPa Talagrand分布 a.位势高度;b.温度;c.纬向风;d经向风 Fig.4 Distributions of Talagrand for 24 h forecasts with BLEND and REPS initial perturbation schemes at 850 hPa:(a)geopotential height;(b)temperature;(c)wind u-component;(d)wind v-component

图5 BLEND和REPS初始扰动方案850 hPa预报变量的CRPS评分 a.位势高度;b温度;c.纬向风;d.经向风 Fig.5 Verification of CRPS scores for forecast variables with BLEND and REPS initial perturbation schemes at 850 hPa:(a)geopotential height;(b)temperature;(c)wind u-component;(d)wind v-component

马旭林,薛纪善,陆维松,2008.GRAPES全球集合预报的集合卡尔曼变换初始扰动方案初步研究[J].气象学报,66(4):526-536. Ma X L,Xue J S,Lu W S,2008.Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction[J].Acta Meteorologica Sinica,66(4):526-536.(in Chinese).

4.3 集合预报的可辨识度与可信度

集合预报的ROC曲线可衡量集合预报区分未来不同天气事件的能力,也称之为预报可辨识度,而可信度曲线通过统计不同阈值事件的不同预报概率对应的观测概率来表示集合预报的可信度(Wilks,2006)。通常,可辨识度和可信度相结合可以有效衡量集合预报的性能。ROC面积越大显示集合预报的可辨识度越大,理想情况下预报概率应等于观测概率,即可信度曲线接近对角线(马旭林等,2015)。从两种方案的850 hPa温度24 h预报对应的ROC评分(图6)可以看出,对于增温2 ℃以上和降温2 ℃以上的变温天气事件,BLEND方案的ROC面积明显大于REPS方案,显示出较明显的ROC评估的质量优势,表明BLEND方案的集合预报具有更高的可辨识度。而风场的ROC曲线(图略)显示,两种集合预报的ROC评分基本相当,BLEND方案没有呈现出优势,但其纬向风和经向风的变化均具有相对更高的集合可信度。

图6 BLEND和REPS初始扰动方案的24 h温度预报的850 hPa ROC评分 a.升温2 ℃以上;b.降温2 ℃以上 Fig.6 ROC scores for 24 h temperature forecasts with BLEND and REPS initial perturbation schemes at 850 hPa:(a)anomaly>2 ℃;(b)anomaly<-2 ℃

根据Talagrand分布统计的小于最小集合成员和大于最大集合成员的观测值总数,可得到反映预报可信度的集合预报异常值百分数。理想情况下该异常值百分数接近2/(n+1),其中n为集合成员数。图7为预报物理量在各预报时次的异常值占总观测数的百分比值。本试验中两种方案均为15个集合成员,即合理的异常值为图中横线所示12.5%。由图可知,对于0～72 h的预报而言,BLEND方案集合预报的850 hPa位势高度和温度的异常值百分比都显著低于REPS集合预报,更加接近异常值的理想状态;同前述分析类似,虽然BLEND方案略有优势,但总体上两种方案的集合预报风场异常值基本相当,特别是经向风的差异更小。

通过对BLEND和REPS两种集合预报批量试验结果的前述综合分析可知,BLEND初始扰动方案总体上呈现出了良好的优势,集合预报质量相对于REPS而言具有较明显改善。但值得注意的是,BLEND方案集合预报风场的性能改善并不理想,基本上与REPS集合预报的性能相当。这有可能与同化过程中风场资料的处理有一定关系,需要进一步深入分析其具体原因。

5 结论与讨论

针对区域GRAPES区域集合预报系统,研究发展了一种基于资料同化思想的尺度混合初始扰动构造的新方案。在个例试验的基础上,开展了连续7 d的集合预报批量试验,对新方案的降水概率预报质量和尺度混合初始扰动结构进行了分析,并对新方案的区域集合预报开展了多角度的检验评估,综合分析了新混合初始扰动方案的性能和特点。基于资料同化思想构造的尺度混合初始扰动物理结构更加合理,能够较好地融合全球大尺度信息和中小尺度天气系统的扰动信息,更好地再现中小尺度天气系统预报误差的结构特征,其集合预报对大雨和暴雨量级的降水概率预报效果有明显改善。新尺度混合方案的初始扰动有效改善了原集合预报的综合性能,特别是对高度场和温度场效果更为显著,但对风场的集合预报性能影响偏小。这可能需要结合其他集合预报构造方法如物理过程扰动等进行综合应用,共同提高区域集合预报的性能。

“意之所之玄之又玄”即是气要追求的境界。而此意是道之意，是远之意，也是琴之意。这就像是投石击水，水波泛起了层层涟漪。琴者的演奏虽然已经停止但是琴韵悠远，琴心已经翻越了千山万山，来到了一片广阔之地。因而是“求之弦中有不足，求之弦外则有余也”。

图7 BLEND和REPS初始扰动方案850 hPa预报变量的异常值百分比 a.位势高度;b.温度;c.纬向风;d.经向风 Fig.7 Percentage of outliers for the forecast variables with BLEND and REPS initial perturbation schemes at 850 hPa:(a)geopotential height;(b)temperature;(c)wind u-component;(d)wind v-component

基于资料同化思想的新尺度混合方案,从理论上虽然有效避免了滤波方法容易引起的多尺度扰动信息融合过度和不足的问题,但对同化系统的性能要求较高,特别是风场资料的有效同化问题。另外,从功率谱特征来看,新方案并没有很好地融合小尺度扰动信息。这需要借助更充分的批量试验进一步优化和完善新尺度混合方案,以改进初始扰动的质量。同时,提高集合预报场转化的观测资料的空间分辨率,并优化风场资料的有效同化方案,可能也是改进新方案效果的一种有效方式。

参考文献(References)

Bowler N E,Mylne K R,2009.Ensemble transform Kalman filter perturbation for a regional ensemble prediction system[J].Quart J Roy Meteor Soc,135(640):757-766.

根据上述定义和评价指标的可测性、简明性、完备性、客观性等原则要求，在借鉴已有研究成果的基础上，本文设计出地方高校科研核心竞争力评价指标体系。如表1所示。该指标体系既有定量指标也有定性指标，既有瞬时指标也有平均和累计指标(瞬时指标以统计调查数据时为准，平均指标和累计指标为5年内的平均值和累计值)。

Caron J F,2013.Mismatching perturbations at the lateral boundaries in the limited-area ensemble forecasting:A case study[J].Mon Wea Rev,141(1):356-374.

Chen D,Xue J,Yang X,et al.,2008.New generation of multi-scale NWP system (GRAPES):General scientific design[J].Chin Sci Bull,53(22):3433-3445.

Pailleux J,1990.A global variational assimilation scheme and its application for using TOVS radiances[C]//Proceedings of WMO International Symposium on Assimilation of Observations in Meteorology and Oceanography.

Dahlgren P,Gustafsson N,2012.Assimilating host model information into a limited area model[J].Tellus,64(3):53-66.

杜钧,2002.集合预报的现状和前景[J].应用气象学报,13(1):16-28. Du J,2002.Present situation and prospects of ensemble numerical prediction[J].J Appl Meteor Sci,13(1):16-28.(in Chinese).

Du J,DiMego G,Tracton M S,et al.,2003.NCEP short-range ensemble forecasting(SREF) system:Multi-IC,multi-model and multi-physics approach[C]//Research Activities in Atmospheric and Oceanic Modeling.

Frogner I L,Haakenstad H,Iversen T,2006.Limited-area ensemble predictions at the Norwegian Meteorological Institute[J].Quart J Roy Meteor Soc,132(621):2785-2808.

母亲对头发不再在意，任由它彻底变白，貌似是在我这个她的老儿子也娶妻生子之后。她说：“人老了就是老了，头发白了就是白了，随它去吧。”如今，守在老屋的母亲顶着一头白发进进出出，倒让我心生温暖：我已渐老，母亲还在，真好！

管成功,陈起英,佟华,等,2008.T639L60全球中期预报系统预报试验和性能评估[J].气象,34(6):11-16. Guan C G,Chen Q Y,Tong H,et al.,2008.Experiments and evaluations of global medium range forecast system of T639L60[J].Meteor Mon,34(6):11-16.(in Chinese).

Guidard V,Fischer C,2008.Introducing the coupling information in a limited-area variational assimilation[J].Quart J Roy Meteor Soc,134(632):723-735.

Houtekamer P L,Mitchell H L,2005.Ensemble Kalman filtering[J].Quart J Roy Meteor Soc,131(613):3269-3289.

Houtekamer P L,Charron M,Mitchell H L,et al.,2007.Status of the global EPS at environment Cananda[C]//Proc. ECMWF Workshop on Ensemble Prediction.

Leith C E,1974.Theoretical skill of Monte Carlo forecasts[J].Mon Wea Rev,102(6):409-418.

Li X,Charron M,Spacek F,et al.,2008.A regional ensemble prediction system based on moist targeted singular vectors and stochastic parameter perturbations[J].Mon Wea Rev,136(2):443-462.

Liu B,Xie L,2012.A scale-selective data assimilation approach to improving tropical cyclone track and intensity forecasts in a limited-area model:A case study of hurricane Felix(2007)[J].Wea Forecasting,27(27):124-140.

麻巨慧,朱跃健,王盘兴,等,2011.NCEP、ECMWF及CMC全球集合预报系统发展综述[J].大气科学学报,34(3):370-380. Ma J H,Zhu Y J,Wang P X,et al.,2011.A review on the developments of NCEP,ECMWF and CMC global ensemble forecast system[J].Trans Atmos Sci,34(3):370-380.(in Chinese).

CRPS评分(Wilks,2006)是有效衡量集合预报中多种事件预报准确性的综合指标,评分越小表示集合预报质量越好。对于BLEND和REPS两种初始扰动的区域集合预报(图5),无论是850 hPa位势高度、温度和风场,BLEND方案的CRPS的评分均优于REPS集合预报,尤其是位势高度和温度,前者的评分优势更加明显。需要注意的是,风场的改善依然相对较弱,特别是经向风。其他预报时次和高度也基本呈现类似的结果(图略),即BLEND方案的CRPS评分基本上都优于REPS。

Ma X,Xue J,Lu W,2009.Study on ETKF-based initial perturbation scheme for GRAPES global ensemble predictiom[J].Acta Meteor Sinica,23(5):562-574.

试验采用的全球和区域集合预报分别为中国气象局数值预报中心的T639全球集合预报场(简称T639)和GRAPES区域预报场(简称REPS)。T639系统的初始扰动方案为增长模繁殖法(管成功等,2008),水平分辨率为30 km,15个集合成员。REPS的初始扰动方案为ETKF(Ma et al.,2009),水平范围为70.00～145.15°E、15.00～64.35°N,分辨率为15 km,共有15个集合成员。2套集合预报均在每日00时(世界时,下同)和12时起报,时间间隔为6 h。区域集合预报检验资料为欧洲中期天气预报中心(ECMWF)的分辨率为0.25°×0.25°的Era-interim资料,降水观测资料为中国自动站与CMORPH降水产品融合的逐时降水量网格数据集,其分辨率为0.1°×0.1°。

马旭林,时洋,和杰,等,2015.基于卡尔曼滤波递减平均算法的集合预报综合偏差订正[J].气象学报,73(5):952-964. Ma X L,Shi Y,He J,et al.,2015.The combined descending averaging bias correction based on the Kalman filter ensemble forecast[J].Acta Meteorologica Sinica,73(5):952-964.(in Chinese).

Molteni F,Buizza R,Palmer T N,et al.,1996.The ECMWF ensemble prediction system:Methodology and validation[J].Quart J Roy Met Soc,122(529):73-119.

5037 陈 燕，华 山 “沉浸式”对外汉语项目现状和存在问题———以美国路易斯安那州爱丽丝国际语言学校为

集合离散度能够反映集合成员描述大气不确定性的程度。通常,理想的集合预报在每个成员准确率大致相同的基础上,需要具有与预报误差大小相当的合理的集合离散度。离散度过大说明包含虚假信息,离散度过小则失去集合预报的作用。同时,离散度应该反应真实大气的可预报性或预报的可信度,即离散度越小,可预报性越高,预报可信度越大;反之,可预报性越低,预报可信度越小(杜钧,2002)。从BLEND和REPS试验的模式预报变量7 d集合平均的均方根误差(RMSE)、集合离散度(SPREAD)随预报时效的演变特征(图3)可以看出,BLEND方案中4个基本模式物理量的850 hPa集合平均均方根误差总体上都明显小于REPS方案,特别是高度场和纬向风场的改善更为显著。对于集合离散度而言,850 hPa温度和高度场具有一定程度的提高,但BLEND方案对风场集合离散度的影响较小。综合比较可知,BLEND初始扰动方案中,高度场和温度场的集合离散度与集合平均的均方根误差比值相对于REPS更加趋于合理,即更接近于1,而风场的二者之比变化较小。区域集合预报其他层次也呈现出与之类似的结果(图略)。总体来看,BLEND方案对高度和温度变量的集合离散度和均方根误差有较好的改善效果,一定程度上能够提高区域集合预报的性能,但对风场的改善效果尚需要进一步探讨。

移植技术普遍偏低，苗木品种研发能力偏弱。人力物力的浪费，许多苗木移植人员并不具备必要的专业知识，因此对移植苗木的生长习性不了解，不能及时发现苗木问题，移植时，未妥善处理苗木，如未修剪树冠、劈裂的根系。

初中阶段是人成长过程中的一个特殊阶段，因为这一阶段的学生，大都处于从儿童期向青春期过渡时期，既对老师家长有着依赖性，又有着渴望自主的独立性。这一时期的儿童，无论在认知还是个性、社会化方面，都有着其发展的独特性。

Toth Z,Kalnay E,1993.Ensemble forecasting at NMC:The generation of perturbations[J].Bull Amer Meteor Soc,74(12):2317-2330.

红薯叶，由河南科技大学农场提供。大孔树脂备选型号为：D101、AB-8和DM130型，购自安徽三星树脂科技有限公司。乙醇、亚硝酸钠、硝酸铝、氢氧化钠、盐酸等试剂均为分析纯。

Wang X,Bishop C H,2003.A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes[J].J Atmos Sci,60(9):1140-1158.

Wang Y,Bellus M,Wittmann C,et al.,2011.The Central European limited-area ensemble forecasting system:ALADIN-LAEF[J].Quart J Roy Meteor Soc,137(655):483-502.

Wang Y,Tascu S,Weidle F,et al.,2012.Evaluation of the added value of regional ensemble forecasts on global ensemble forecasts[J].Wea Forecasting,27(4):972-987.

Wang Y,Bellus M,Geleyn J F,et al.,2014.A new method for generating initial condition perturbations in a regional ensemble prediction system:Blending[J].Mon Wea Rev,142(5):2043-2059.

Wilks D S,2006.Statistical methods in the atmospheric sciences[M].2rd Edition.San Diego:Academic Press of Elsevier:255-336.

张涵斌,陈静,智协飞,等,2014.基于GRAPES_Meso的集合预报扰动方案设计与比较[J].大气科学学报,37(3):276-284. Zhang H B,Chen J,Zhi X F,et al.,2014.Design and comparison of perturbation schemes for GRAPES-Meso based ensemble forecast[J].Trans Atmos Sci,37(3):276-284.(in Chinese).

Zhang H,Chen J,Zhi X,et al.,2015.Study on multi-scale blending initial condition perturbations for a regional ensemble prediction system[J].Adv Atmos Sci,32(8):1143-1155.

智协飞,彭婷,李刚,等,2014.多模式集成的概率天气预报和气候预测研究进展[J].大气科学学报,37(2):248-256. Zhi X F,Peng T,Li G,et al.,2014.Advances in multi-model ensemble probabilistic prediction[J].Trans Atmos Sci,37(2):248-256.(in Chinese).

智协飞,孙晶,周文友,2015.2009年夏季西太平洋台风的集合预报和多模式集成预报试验[J].大气科学学报,38(5):633-640. Zhi X F,Sun J,Zhou W Y,2015.Ensemble and multi-model ensemble forecasts of western Pacific typhoons during summer 2009[J].Trans Atmos Sci,38(5):633-640.(in Chinese).

2Guangdong Meteorological Observatory,Guangzhou 510080,China

One of the key factors by which to determine the quality of regional ensemble forecast is whether the initial perturbation of ensemble prediction can precisely reflect the structural characteristics of the forecast errors.In the present study,based on the data assimilation method,a new scheme of blending initial perturbation on the regional ensemble prediction system is proposed for the regional numerical prediction model of GRAPES.Specifically,the new scheme first introduces the global large-scale information as the background field and regional ensemble forecasts as observational data into the GRAPES m3DVAR system,then effectively integrates the high quality meso-scale information into global large-scale information,so as to construct a multi-scale initial perturbation of regional ensemble prediction.A case experiment and batch tests are carried out to compare the performance of the new scheme and original regional ensemble forecast.The results suggest that the multi-scale initial perturbation based on the data assimilation method is able to effectively combine the global large-scale information from the global ensemble forecast with the meso-scale information from the regional ensemble forecast,thereby leading to a more reliable probabilistic precipitation prediction.Therefore,this new scheme of blending initial perturbation of the regional ensemble prediction system is proven to be efficient in improving the quality of regional ensemble forecast,especially for the geopotential height field and temperature field,yet at the same time it has a slight effect on the wind field.

data assimilation;GRAPES;regional ensemble prediction;blending scale;initial perturbation