夏季华东地区ECMWF次季节性降水预报的评价与误差修正

摘要

Subseasonal到季节（S2S）的预测是在世界各地高度重视技能。为了提高S2S预报技巧，一个S2S预测项目和一个庞大的数据库已经建立。在这项研究中，欧洲中期天气预报中心（ECMWF）模型后报，在S2S预测项目，参与，有系统地注重质量后报在0-24交货时间夏季累积旬降水量评估在中国东部地区1995至2014年30天。此外，该后报误差是通过利用前述海面温度（SST）校正。用来衡量ECMWF后报业绩指标表明，ECMWF模型性能下降为主角的时间的增加而呈现出中国东部五个次区域的强烈际差异。此外，ECMWF后报的降水预报技巧是最好的在中国东南部的部分地区约为15天;校正所述预测误差后，预测技术人员增加至30天。在0-30天的交货时间，无论预测误差是否矫正，根均方误差是中国东北地区最低。修正预测误差后，ECMWF的表现后报显示更好的改善在中国东部的0-30天交货时间描绘量和降水的时空变化。The false alarm ratio (FAR), probability of detection (POD), and equitable threat score (ETS) reveal that the ECMWF model has a preferable performance at forecasting accumulated ten-day precipitation rates of approximately 20∼50 mm and indicates an improved hindcast quality after the forecast error correction. In short, adopting the preceding SST to correct the summer subseasonal precipitation of the ECMWF hindcast is preferable.

1.简介

传统的天气预报限于2周，主要受大气初始条件影响[1- - - - - -3.]。季节性气候的可预测性受到潜在边界强迫的重大影响，例如海表温度(SST)和地表异常[4- - - - - -6]。次季节预报填补了传统中期天气预报和季节气候预报之间的空白，它受到大气初始条件和边界强迫的显著影响[7,8]。相比于天气和季节气候预报，subseasonal预测被认为是一种“预见性沙漠” [9]而且处于发展的相对早期阶段[8]。最近，有研究显示subseasonal预测的潜在来源，如厄尔尼诺 - 南方涛动（ENSO）的状态[10， Madden-Julian摇荡(MJO) [11- - - - - -13，初始土壤湿度条件[14,15]、雪盖[16]及海冰情况[17]、平流层-对流层相互作用[18,19]，和热带温带遥[20.,21]。

在全球气候变暖，极端天气事件，特别是干旱，夏季洪涝灾害的背景下，相对频繁，在中国持续。这些极端天气事件不仅直接影响农作物的生长和产量，但也给人们的生活和国民经济的威胁。熟练subseasonal预测具有重要的意义减少气象灾害造成的损失。因此，我们的目标是，以填补“缺口预测”或实现防灾减灾，在subseasonal时间表提供准确的预测是非常重要的。动态预测模型已经在subseasonal预测被使用，以及多个全球集合预报系统进行了评估。这些预测系统在第一周呈现较高的降水预报技巧比在以下三个星期，技能的增加而提前期下降[13,22,23]。此外，许多动态预测模型在提前2-3周及以后的时间内获得了有用的MJO预测技能[24- - - - - -27]。统计预测方法是次季节预测的另一种常用工具。采用时空投影模型预报10-30天的低频降水，结果表明，我国大部分地区预报时间约为20-25天[28,29]。近年来，世界气象研究计划(WWRP)和世界气候研究计划(WCRP)为了提高季节-季节(S2S)预报技能，了解这一时间尺度，建立了S2S预报研究项目[9,30.]。该项目旨在建立一个庞大的数据库，该数据库目前从一个研究机构和10个运营中心收集近60天的近实时预测和重估(重新预测)数据。8]。目前，S2S数据库已被用于不同次季节问题的研究。北方夏季的预测技巧动力学振荡(BSISO)评估使用s2数据库,和结果表明,预测技能的BSISO达到10 - 24.5天当使用性能的系综均值和欧洲中期天气预报中心(ECMWF)模型是最好的(31]。此外，对11个S2S模型的次季节性全球降水的后预测质量进行了评价，发现S2S模型的预报性能在第一周最高，ECMWF后预测能力最强[32]。梁和林[10] analyzed the forecast skills of the 2-meter air temperature (T2m), 500 hPa geopotential height (Z500), and precipitation for the Environment and Climate Change Canada (ECCC) model. They showed that the forecast skills of T2m and Z500 reach up to 4 weeks (26–32 days), while the forecast skill of precipitation is limited to 5–11 days in summer over East Asia. The capabilities of the ECMWF, National Centers for Environmental Prediction (NCEP), and China Meteorological Administration (CMA) models at forecasting summer subseasonal precipitation in the North American (NAM), West African (WAM), and Asian (AM) summer monsoon regions were also explored [33]。此外，我们评估了11个S2S模型的后推结果，以研究MJO对中国冬季T2M预报技能的影响[34]。根据以往的研究中，11款S2S被认为是在S2S时间表提供预报的主要工具。然而，ECMWF模型的预测能力被认为是关于降水11个S2S模型中更胜一筹。在中国，极端降水事件频繁和连续的。因此，调查ECMWF模型在预测中国的业绩夏季降水subseasonal和纠正的预测误差，提高预测的性能在其中是非常有意义的。

由于大气环流的重要迫使来源之一，SST有很强的记忆，它的持久性起着气候变化的重要作用。多年来，中国在全球海洋和夏季降水的前SST之间的关系已被广泛研究。富等人。[35在太平洋指示的在前SST之间的高度相关性，尤其是3至5月，在淮河流域夏季降水。关于前面的SST的强迫，在中纬度北大西洋和亚热带地区，春季东南部海温异常被发现强烈影响夏季降水在中国东北[36,37]。邓等人[38]透露，从4月第一次年度雨季降水〜6月中国南方由两个月在中国南海，西太平洋，阿拉伯海SST未来的影响。此外，有研究表明，SST强迫在印度洋，太平洋，大西洋春天能在中国引起夏季降水异常[39,40]。王和张[40]利用全球特定前期SSTs的分布作为信号因子对中国夏季降水进行预测，该因子的使用有效提高了预测的准确性。因此，前期海温异常强迫是我国降水预报的重要指标。本文根据前期海温与我国夏季次季降水的关系，对ECMWF S2S模型的预测误差进行修正，以提高模型的性能。

部分2给出数据和方法。节3.对ECMWF模型在夏季次季降水预报中的表现进行了评价，并利用之前的1995-2014年华东地区SST对ECMWF模型的预报误差进行了修正。主要的总结和讨论在章节中展示4。

2.数据和方法

2.1。数据

本文对ECMWF S2S模型在中国东部夏季次季降水预报中的后向性能进行了评价，并对预报误差进行了修正。用于模型评价和误差修正的数据如下:(1)从ECMWF、日本气象厅(JMA)和S2S数据库提供的CMA中以1.5°×1.5°的空间分辨率对数据进行回滚。此资料库由ECMWF (http://apps.ecmwf.int/datasets/data/s2s/)及CMA (http://s2s.cma.cn/)[8]。三个后向模型提供了降水估计，并给出了表1显示了它们的主要特点。由于本研究主要研究夏季降水的后报涵盖的时间段从五月至八月。该ECMWF模型46天，从5月14日超过2095至14年期间开始运行;气象厅模型开始从5月10日超过1981-2010期间33天运行;和CMA模型从5月14日超过1994至2014年期间起六十日内运行。常见的几年所有三个后报的是1995-2010。为了便于比较，将CMA后报只对ECMWF后报的预测时间。(2)中国地面降水0.5°×0.5°网格数据集(V2.0)，由中国气象局国家气象信息中心提供，时间跨度为1995年5月至2014年9月。为了统一三个后推实验的降水和观测数据的空间分辨率，将一个1.5°经纬度的网格插值为一个0.5°经纬度的网格。(3)每月海面温度数据(HadISST) [41]，其空间分辨率为1°×1°，覆盖从1995年4月到2014年6月的时间段，由英国气象局哈德利中心提供。由于大气可预测性的限制，次季节预报不如天气预报准确(以天或小时计算)。结合前人在次季节预报方面的研究成果，将S2S模型的后向投影处理为累积十天降水预报。

2.2。方法

皮尔逊相关系数(Pearson correlation coefficient, RR)、异常相关系数(correlation coefficient, ACC)、总误差(total error)、方差比(variance ratio)等统计量是预测业务中常用的评价模型预测性能的指标。本文利用Pearson相关系数、均方根误差(RMSE)、标准化RMSE、误报率(FAR)、检测概率(POD)、公平威胁得分(ETS)等6种指标对后推实验的性能进行了定量评价。相关系数用于评价模型的预测性能，表征了后浇试验降水与观测降水时间或空间变化的一致性。此外，通过计算后浇与观测降水之间的误差，利用RMSE来揭示后浇试验的预报性能。此外，为了消除华东地区降水的地理效应，采用标准化的RMSE。Pearson相关系数、RMSE和标准化RMSE的计算公式如下: 在哪里为S2S后推实验的沉淀(观测数据)，我表示时间点或空间点，且N指示的时间或空间点的数量。表达后报（观察）数据中的平均值N离散点。时间相关性系数（TCC）和空间相关系数（SCC）均通过计算（1)。较高的TCC (SCC)值表明后浇降水与观测降水在时间(空间)变化上具有显著的相似性，较低的RMSE值则表明后浇降水与观测降水之间存在密切的一致性。

基于2×2列联表的FAR、POD和ETS值(一个:后浇≥阈值和观察≥阈值事件，b:后推≥阈值和观察<阈值事件，c: hindcast < threshold and observation ≥ threshold events, andd:后推<阈值和观察<阈值事件)[42]用于评估从后推演试验中累积的10天降水在探测降水事件方面的预报性能。遥远的=b/ (一个+b)和豆荚=一个/ (一个+c)分别表示误报和正确探测到的降雨事件的百分比。ETS = (一个−他)/(一个+b+c−他）衡量的是正确通过后报实验诊断降雨事件的整体分数。他 = (一个+c)(一个+b）/n,n表示观测值的总数。FAR = 0, POD = 1, and ETS = 1 indicate a perfect forecast.

陈和林[43]提出了一种提高我国夏季降水动态预报系统预报性能的修正方法。该方法利用ENSO循环与模型的系统偏差之间的相关性，根据ENSO循环，将模型的系统偏差分为三类:El Nino年、La Nina年和normal年。然后，从预测降水中减去这三类系统偏差，得到正确的预测结果。基于陈和林开发的方法[43，我们计划建立一个类似的纠错方案。由于前期海温是夏季降水的信号因子，本研究试图利用前期海温与夏季累积10天降水预报误差之间的关系来修正后验误差。本文主要研究6 - 8月10日累积降水的ECMWF模型次季节预报性能。因此，为了更有效地修正后向误差，我们选择了月海表温度来修正月累积10天降水估算值。ECMWF S2S模型应预报5月开始的降水，得到6 - 8月10日累计降水的次季估计。因此，当利用月平均海表温度来校正后向误差时，不能得到月平均海表温度，月平均海表温度比降水估计提前一个月。在这种情况下，考虑到前一个全球海温对夏季降水的影响，且较好地保留了海温的记忆，本研究主要选取降水预测提前两个月的海温作为信号因子。

本文的误差修正方案如下:首先，选择ECMWF后向降水需要改正的区域。然后，计算这些地区ECMWF后向的总体平均值与观测到的夏季10天累积降水之间的月RMSE。第二,学习前面的海温和预测误差之间的关系,计算每月RMSE之间的移行细胞癌,这是实现从上一步,与每月SST,这是两个月前的RMSE(例如,计算降水之间的太极拳RMSE 4月6月的月度SST)。第三，选择TCC超过95%置信水平的最大区域(TCC > 0.44或TCC <−0.44)作为关键海温区域。将该关键区域的海表温度计算为区域平均值，再计算为标准化海表温度，标准化海表温度计算如下: 在哪里X为月海表温度，t为1995年至2014年的每一年，T表示1995年至2014年的年数的平均值是多少X在T年。海温标准化后均值为0，标准差为1，标准化的目的是为了突出海温异常。接下来，根据标准化的海表温度，将1995年到2014年的20年分为三类。即标准化海表温度大于1的年份定义为k= 1;标准化海表温度小于−1的年份定义为k = 2;和年，其中所述标准化SST大于-1且小于1被定义为k= 3。最后，计算ECMWF后预测的集合均值与观测到的夏季10天累积降水之间的平均误差k= 1,k= 2,k= 3。The formula is given as follows: 在哪里为ECMWF后向投影的降水(观测)，j指的是后报点，时，指示后向投影与观测到的降水之间的平均误差k= 1,k= 2,k= 3。在(6）和分别为校正后的ECMWF降水和未校正后的ECMWF降水。

3.结果与讨论

3.1。华东地区夏季亚季节性降水的ECMWF S2S后向预报

在这一节，夏季降水subseasonal后报了ECMWF S2S模型的质量对中国东部评估。数字1展示了1995-2010年ECMWF、JMA和CMA模型的后降水和观测夏季次季节性降水之间的TCC空间分布。显然，TCC值随前置时间的增加而下降，这意味着模型的预测性能随前置时间的增加而减弱。当交货期为15-20天时，中国西部大部分地区的TCC小于0，说明该模型在这些地区的预测性能已经丧失。此外，当TCC超过95%置信水平时，考虑模型的有用预测技巧;ECMWF和CMA模型有用预测技能的阈值均为0.40,JMA模型的阈值为0.67。数字1结果表明，ECMWF后向预报对中国大部分地区夏季累积10天降水具有有用的预报能力，提前期约为5天，在中国三个模式中表现最好(图2)1(一)-1(e))。此外，ECMWF模型在除青藏高原外的中国东南部地区具有最好的预报性能，在该地区部分地区的有效预报时间可达15天。对于JMA的后向质量，由于JMA数据集的样本量很小，尽管JMA模型的TCC值很高，但是很少有区域的TCC值可以超过95%的置信水平(图中所示)1（F）-1(j))。CMA模型在三种模型中表现最差(图1)1(k) -1(o))。数据1（C）-1(e)表明ECMWF后浇试验在中国东部地区提前10-20天的表现是强劲的。也就是说，ECMWF后测在中国东南部、华北地区、东北东部地区的相关分值较高，在淮河和东北西部地区的相关分值较低。因此，本文主要对华东地区ECMWF S2S后推实验夏季次季降水预报性能进行分析，建立误差修正方案，提高模型性能。

根据以上特点，107°E在中国的地区东可分为五个子区域。数字2示出了这五个子区域：东南中国（Reg1中，18°N-30°N，107°E-125°E），淮河流域（Reg2中，30°N-37°N，107°E-125°E）北中国（REG3，37°N-43°N，107°E-125°E），中国东北的西部一半（的Reg4，43°N-53.5°N，107°E-125°E），和东半部中国东北（REG5，40°N-53.5°N，125°E-135°E）的。

当ECMWF后报的业绩相比，日本气象厅和CMA后报的表现，交货时间是0-20天，因为日本气象厅后报时间范围为0-33天，后报被处理为累积旬降水量在将来。因此，当后报单独分析的ECMWF的性能，增加的交货时间，长达30天是允许的。为了揭示ECMWF S2S后报表现在不同的预测提前期的年际变化，中国东部（Reg1中-REG5）五个分区域在ECMWF集合平均和观察到的夏季积累旬降水的TCC的随时间的变化显示在图3.。ECMWF S2S模型的TCC值在5个分区间均存在较强的年际差异。这意味着ECMWF后向投射的性能在某些年份相对较好，而在其他年份则相对较差。例如，在中国东南部(Reg1)， 2003年、2007年、2010年和2013年，提前20天的TCC值超过0.3;然而，在1997年、2002年和2006年，在提前6天的情况下，TCC值低于0.3(图2)3.(a))。此外，ECMWF后向显示出较优性能的年份在5个分区之间也存在差异。

3.2。欧洲中心后报预测纠错

通过对华东五亚地区ECMWF后推性能的详细特征进行评价，可以明显看出，ECMWF模型的后推性能存在相当大的不足，需要进一步提高。因此，修正ECMWF后向预测误差至关重要。为此目的所采用的误差校正方案见本节2.2。

基于本文提出的误差修正方案的第一和第二步，东南地区(Reg1) 0、5、10天超前时间的月降水RMSE与月海温之间的TCC如图所示4，而香港的海表温度则较香港的RMSE早两个月。这一数字显示了月平均月平均气温与海表温度前两个月的高度相关性。未给出Reg1和Reg2-Reg5在其他提前期的TCC空间分布，也未给出在0-30天提前期的TCC空间分布。很明显，高相关区域(TCC超过95%的置信水平)是不同的，无论哪个变量(提前期、分区或月份)发生了变化。例如,图4(一)shows that there is a significant positive correlation (TCC > 0.44) between the June RMSE of the accumulated ten-day precipitation in Southeast China (Reg1) and the April SST in the eastern Pacific Ocean. This result indicates that the June RMSE of precipitation is high in Southeast China (Reg1) when the April SST is abnormally warm in the eastern Pacific Ocean. This high correlation reveals a strong interaction between the monthly RMSE of precipitation and the two preceding months of SST. Chen and Lin [43]利用ENSO循环与他们所研究模型的系统偏差之间的相关性来校正预测误差。因此，根据降水RMSE与前两个月海表温度的高度相关关系，可以利用前一个海表温度校正夏季累积10天降水的预报误差。然后，选取TCC超过95%置信水平的最大区域作为前期海表温度的关键区域，以纠正预测误差;图中的黑色矩形4表示关键区域。为了有效地修正预报误差，需要对降水RMSE进行分类。由于关键区域前期海温异常可引起降水RMSE异常，因此先对前期海温异常进行分类，实现降水RMSE的分类。前面的海面温度是由(4），以获得标准化的SST和异常揭示前述SST。在本文中，所述标准化SST被分为三类，这部分中描述2.2。基于这三种标准化的海表温度类别，计算了每种类别的后推和观测值之间的平均误差;公式如下(5)。最后，从ECMWF后向投影中减去这三个类别的平均误差，得到修正后向投影。

3.3。误差修正后的华东地区ECMWF S2S模型试验的夏季次季降水预报性能

基于上述纠错方案，乐团夏季平均降水量subseasonal从中国东部的五个分0-30天交货时间的ECMWF S2S后报试验，估计已得到纠正。与三个S2S后报试验性能的评估一致，TCC的空间分布，采用评价夏季subseasonal沉淀纠错ECMWF后报的预测性能。由于图1显示了ECMWF的TCC仅在0-20天的交货时间后报，到ECMWF S2S后报的业绩有和没有在0-30天交货时间在中国东部，图纠错比较5不仅显示的修正ECMWF S2S中国东部后报那些前置时间TCC也未修正ECMWF的TCC。在ECMWF集合平均和观察到的降水量之间的TCC值后报是类似的。在中国东部地区在0-5天交货时间的ECMWF后报校正和观测降水的TCC值。这一结果表明，纠错ECMWF后报的性能仅比在0-5天交货时间未修正后报，这可能是稍微好一点，因为裸ECMWF后报实验的表现非常出色，在引领时代0-5天。纠错之前，还有集合平均和观察夏天积累旬降水量在中国东部的部分地区10-30天交货时间的ECMWF S2S后报试验呈负相关关系。然而，负TCC值修正预测误差后提高到0.1-0.2。在中国东南地区（Reg1中），超过95％的置信水平下TCC区域是在10-30天交货时间的误差修正后扩大。此外，ECMWF的有用预报技巧在中国东南地区（Reg1中）的部分地区修正预测误差后报后，从15天至30天增加。在10-30天交货时间纠正错误的预测之后，很明显的是，ECMWF模式的后报业绩显著增强，大部分地区表现出约0.2-0.3的相关性得分。

RMSE是对ECMWF预测精度的一种度量，它揭示了TCC没有指出的预测缺陷。对比1995-2014年华东地区不同超前时间的观测数据夏季10天累计降水，有无误差修正的ECMWF后推的RMSE空间分布如图所示6。可以看出，RMSE值随着前置时间的增加而逐渐增大，尤其是在中国东南部地区(Reg1)。此外，ECMWF有误差修正和无误差修正的后推显示出显著相似的RMSE空间分布。东部地区RMSE值由东南向西北递减;这种模式的出现可能是因为ECMWF后向预报的误差与降水速率的大小成正比[44,45]。比较有误差修正和无误差修正的ECMWF后推实验的RMSE，可以发现修正ECMWF后推误差后RMSE值明显下降。这一结果表明，修正了预测误差后，ECMWF的性能得到了提高。总体而言，根据TCC和RMSE的空间分布，在不进行误差修正的情况下，经过误差修正的ECMWF后推算结果与观测到的夏季10天累积降水比ECMWF后推算结果与华东地区降水的数量和时间变化有更高的一致性。结果表明，采用前期海温对ECMWF降水进行夏季次季降水校正是可行的。

到具有和不具有误差校正揭示在ECMWF后报之间际变化性能上的差异，用于在后报ECMWF误差校正的和观察到的沉淀之间TCC的际变化（2095至14年）的0-30天交货时间在中国东部的五个分区域显示在图7。比较数据3.和7，我们不难发现，在修正了预测误差后，ECMWF后推的性能得到了提高。然而，误差修正后的ECMWF的性能也有很强的年际差异。未进行误差修正的ECMWF后推的TCC值在某些年份较低，在修正预测误差后的那些年份，TCC值仍然较低。相反，TCC值高的年份在校正误差后的TCC值也较高。虽然TCC值在5个子区域的提前0-30天的大多数年份中得到了增强，但是在某些年份中，ECMWF后推的相关分数是相似的，并且有或没有错误更正。例如，2009年在中国东北西部地区(Reg4)的ECMWF后推的TCC值是相似的，并进行了错误更正。

数字8表明1995-2014年华东5个分区ECMWF后送与观测到的夏季累计10天降水(有误差修正和无误差修正)之间的TCC随前置时间的变化。这个图显示，ECMWF的预测性能随每个子区域的提前时间的增加而下降(有和没有错误纠正)。通过比较有误差修正和无误差修正的ECMWF后推的TCC值的变化曲线，我们发现了相似的变化趋势，在0-30天的前置时间内，有误差修正后推的TCC值要高于无误差修正后推的TCC值。此外，对后浇降水进行校正后，TCC值随着前置时间的增加而明显增大。尽管与未校正的后推演相比，错误校正后推演的有用预测技能(TCC∼0.4)仅增加1-2天，而且每个分区的预测技能都被限制在8天之内(图2)8），中国东南（Reg1中）的一些部分由大约15天的预测技术人员增加（图5)。此外，在淮河(Reg2)和东北(Reg4和Reg5) 15-30天的超前时间内，未校正的ECMWF后推的TCC值小于0.1，而校正预报误差后的TCC值可以接近较高的值0.2。提前20-30天，中国东南部(Reg1)的TCC值为0.15∼0.2的预测技能得到增强(0.25∼0.3)，而华北(Reg3)在预测误差修正后的预测技能提升幅度最小。

图中显示了未校正的ECMWF和校正后的ECMWF在描述降水量时随前置时间的预测性能的变化9。从图9对ECMWF S2S的后抛误差进行校正后，其集合均值与观测到的夏季10天累积降水之间的标准化RMSE值有一定程度的减小。这意味着在纠正预测错误之后，ECMWF后向转换的性能得到了提高。此外,图9东北东部地区(Reg5)的预测误差明显小于其他四个次区域。标准化RMSE值在修正预测误差后，华北地区降幅最大(Reg3)，东北地区降幅最小(Reg5)。此外，在0-30天的前置时间内，未校正ECMWF后推的标准化RMSE值的变化趋势与校正后的ECMWF后推的RMSE值的变化趋势略有一致。

通过描述有误差修正和无误差修正的ECMWF后浇与观测值在时间变化和降水量方面的一致性，评价了后浇与观测值的性能。数字10表现出对未修正的集合平均和观察夏天积累旬降水的SCC和纠正ECMWF S2S后报。此图显示了有关降水量在0-30天交货时间与空间变化的后报和观测之间的协议。所述SCC值校正所述预测误差，这表明ECMWF后报的性能在描绘在后报和观测值之间的空间变化的协议pronouncedly改进后增加。虽然SCC值表现出中国东南（Reg1中）和淮河（Reg2中）更大的增加，较高的SCC值在中国北方（REG3）在0-30天交货时间修正预测误差后观察。

为了评估未校正和校正后的ECMWF后投影在不同降水速率下的性能，图211显示了1995-2014年中国东部5个分区未校正和校正后的距平、POD和ETS的10天累积降水阈值的结果。根据5个分区降水速率的不同，各分区累积10天降水阈值的范围不同。中国东南部降水阈值(Reg1) 10、20、50、100和150毫米,而淮河的阈值(Reg2)、华北(Reg3),和中国东北的东部(Reg5)都是10、20、50、100毫米,东北和西部的阈值(Reg4) 10、20、50毫米。为远(数字图11（a）- - - - - -11（e）中)，分数随前置时间的增加而增加，尤其是当降水阈值超过20mm时。此外，未校正的ECMWF后向转换会导致远端评分随着阈值的增加而增加，对于大于20∼50 mm的阈值，预测技能是最差的。比较同一阈值下五个子区域的FAR得分，在中国东南部地区得分最低(Reg1)，因此ECMWF后向的技能在该子区域是最好的。校正预测误差后，FAR得分下降，阈值大于20mm时下降更明显。为豆荚(数字11 (f)- - - - - -图11（j）的）the scores gradually decrease with increasing lead time, especially when the precipitation threshold exceeds 20 mm. The forecast skill of the ECMWF hindcast decreases with increasing lead time. Additionally, the hindcast results in decreasing POD scores with an increasing threshold, and the scores are the worst for thresholds greater than 20∼50 mm. Consistent with the analysis of the FAR score, the POD scores also show a better hindcast skill in Southeast China (Reg1) than in the other subregions. The POD scores are enhanced after correcting the forecast error, and the increment is more obvious for thresholds greater than 20 mm. However, there are also some instances in which the POD scores decrease after correction; for example, the scores for the corrected hindcast are lower than those for the uncorrected hindcast in North China (Reg3) when the thresholds are 20 and 50 mm. For the ETS (Figures图11（k）的- - - - - -11(o))，随着前置时间的增加，后浇口的预测能力下降。对于低降水阈值(阈值< 20mm)，未校正后向预测的技术较低，而对于高阈值(阈值> 50mm)，在中国东南部(Reg1)和中国北部(Reg3)，未校正后向预测的技术也较低。此外，美国教育考试服务中心的评分显示，最佳预测技巧与中国东南部(Reg1)相符合。通过比较未校正和校正后的后浇口的ETS得分，校正后的后浇口的得分明显高于未校正后浇口的得分，提高了ECMWF后浇口的预报能力。结合FAR、POD和ETS的三个评分，可以发现ECMWF后向预报的结果对于华东地区约20 ~ 50 mm的降水速率具有更高的预报能力。

4.结论

本研究对参与S2S预测项目的ECMWF模型后预测进行了评估。重点研究了该模型在1995-2014年华东地区0-30天夏季次季降水预报中的表现，并对模型的后向误差进行了修正，提高了ECMWF后向预报的能力。

在JMA、CMA和ECMWF S2S模型中，ECMWF后向转换的性能相对较好。ECMWF后向预报在0-5天提前期表现出较高的时间相关性，其降水预报质量随提前期的增加而逐渐下降。ECMWF后预测与夏季10天累积降水在降水时间变化上的一致性表明，ECMWF后预测具有较强的区域性。中国东南部地区(Reg1)的时间相关性最高，该次区域部分地区的预测时间为15天左右。此外，ECMWF后测结果在华东五次区域间的年际差异较大。TCC值表明，虽然ECMWF模型的性能在三种S2S模型中相对较好，但预测质量存在较大缺陷，需要进一步提高。

本文利用降水月平均月平均误差与海温前两个月的相关关系来修正预报误差，提高ECMWF模型的性能。修正预报误差后，ECMWF后向预报与观测到的夏季10天累积降水的时间变化一致性在提前0 ~ 5天略有增强，在提前10 ~ 30天显著增强。此外，ECMWF的预测能力在中国东南部地区(Reg1)仍然是最好的，在该次区域的部分地区预测能力提高到30天左右。RMSE的空间分布表明，无论预测误差是否得到修正，RMSE值都随着提前时间的增加而逐渐增大，尤其是在中国东南部(Reg1)，而RMSE值在中国东部由东南向西北逐渐减小。在修正了预测误差后，预测误差显著减小，这意味着ECMWF后推的性能得到了提高。校正预报误差后，后浇与观测值在降水时间变化和降水量上的一致性有了明显的提高，这意味着采用前面的海温来校正降水误差，可以有效提高ECMWF后浇的性能。对比未校正模型和校正模型的TCC年际变化和观测降水，不难发现，无论预报误差是否校正，ECMWF预报的性能都有很强的年际差异。修正后的ECMWF在大多数年份的提前0-30天的时间内，在5个子区域的性能都得到了提高;在某些年份，有用的预测技能可以提高到30天。在修正预测误差后，ECMWF后向预测的有用性在每个子区域都增加了1-2天，但在中国东南部某些地区增加了15天(Reg1)，并且随着前置时间的增加，TCC值增加得更为明显(约0.1)。 In addition, the forecast error exhibits the greatest decrease in North China (Reg3), and a significantly lower forecast error appears in the eastern part of Northeast China (Reg5) after the correction. Additionally, the performance of the ECMWF hindcast is pronouncedly improved in depicting the agreement in the spatial variation between the hindcasts and observed precipitation after correcting the forecast error. The SCC increases the most in Southeast China (Reg1) and the Huaihe River (Reg2), while the SCC is higher in North China (Reg3) than in the other subregions. The FAR, POD, and ETS scores indicate that the hindcast has a preferable forecast skill for accumulated ten-day precipitation rates of approximately 20∼50 mm. After an error correction, most FAR scores are reduced, and most POD and ETS scores are increased in eastern China.

综上所述，利用降水月RMSE与海温前两个月的相关关系，修正了ECMWF的推算误差;因此，ECMWF S2S后推预报技术得到了显著提高，预报性能在中国东南部地区(Reg1)是最好的。基于本研究对ECMWF后推性能的分析，我们计划确定ECMWF后推性能表现出强年际差异的原因，然后建立一个消除这些年际差异的方案。这将是提高ECMWF后浇试验降水预报性能的又一途径。

数据可用性

S2S数据库可以在网上找到http://apps.ecmwf.int/datasets/data/s2s/和http://s2s.cma.cn/。中国每日降水数据由中国气象局国家气象信息中心提供http://data.cma.cn/。海温数据由英国气象局哈德利中心采集https://www.metoffice.gov.uk/hadobs/hadisst/。

利益冲突

作者宣称，有兴趣就本文发表任何冲突。

致谢

该工作由国家重点研究开发计划(no . 2018YFC1505802和2016YFA0602104)和中国973项目(2015CB453201)联合支持。

参考

1. E. N. Lorenz，“28种大气模型的可预测性研究”忒勒斯，第17卷，no。3，第321-333页，1965。视图:出版商的网站|谷歌学术搜索
2. 大气的可预测性由自然发生的类似物所揭示，大气科学杂志，第26卷，no。4，第636-646，1969。视图:出版商的网站|谷歌学术搜索
3. E.卡尔纳，大气模拟，数据同化和可预测性，剑桥大学出版社，美国纽约，2003。
4. J. G.查尼和J.舒克拉，《季风的可预测性》季风动力学， J. Lighthill和R. P. Pearce合编。,pp. 99–109, Cambridge University Press, Cambridge, UK, 1981.视图:出版商的网站|谷歌学术搜索
5. J.舒克拉，“可预见性在一片混乱中：气候预测科学依据，”科学，第282卷，没有。5389，页728-731,1998。视图:出版商的网站|谷歌学术搜索
6. T. N. Palmer和D. L. T.安德森，“季节性预测，回顾纸的前景，”英国皇家气象学会季刊，第120卷，no。518，第755-793页，1994。视图:出版商的网站|谷歌学术搜索
7. 刘晓霞，吴通，杨，等，“利用北京气候中心分季节到季节预报模型的MJO预报”，气候动态，第48卷，no。9-10，第3283-3307页，2017。视图:出版商的网站|谷歌学术搜索
8. F. Vitart, C. Ardilouze, A. Bonet等，“子季节到季节预测(S2S)项目数据库，”美国气象学会公报，第98卷第1期。1, 163-173页，2017。视图:谷歌学术搜索
9. F. Vitart, A. W. Robertson和D. L. T. Anderson，“从季节性到季节性的预测项目:弥合天气和气候之间的差距，”WMO公报卷。61，没有。2，第23-28，2012。视图:谷歌学术搜索
10. P.梁和H.林“使用ECCC月度预测系统北半球夏季期间，分季节预测东亚”气候动力学，第50卷，no。3-4页，1007-1022页，2018。视图:出版商的网站|谷歌学术搜索
11. 华里沙，刘嘉敏，斯特恩，琼斯，“潜在的马德儒振荡的可预测性，”美国气象学会公报，第84卷，no。1，第33-50页，2003。视图:出版商的网站|谷歌学术搜索
12. J. M. NEENA，J. Y.李，D. Waliser，王B.，和X江“在季节内变化后报试验（ISVHE）的季节内振荡的预见性，”杂志的气候，第27卷，no。2014年第4531-4543页。视图:出版商的网站|谷歌学术搜索
13. 李和罗伯逊，“全球集成预报系统对次月降水预报技能的评估”，每月天气回顾第143卷第1期7，第2871至2889年，2015年。视图:出版商的网站|谷歌学术搜索
14. R. D.科斯特，S. P. P.摩诃男，T.J。Yamada等人，“地表初始化到subseasonal预测技术人员的贡献，”地球物理研究快报，第37卷，no。2，第489-496页，2010。视图:出版商的网站|谷歌学术搜索
15. “在北美和CCSM4模拟的气候变化中，现实地表初始化对次季节性到季节性土壤湿度和温度可预测性的影响，”地球物理学研究杂志：大气，第119卷，no。23, pp. 250-313, 2014。视图:出版商的网站|谷歌学术搜索
16. 黄永发。郑惠荣，林德禾，s.h。Woo等人，“积雪初始化对寒冷季节地面气温次季节预报的影响”，杂志的气候，第26卷，no。6、1956-1972年，2013年。视图:出版商的网站|谷歌学术搜索
17. M. M. Holland, D. A. Bailey和S. Vavrus，《社区气候系统模型第三版北极环境快速变化的固有海冰可预测性》气候动力学，第36卷，no。7-8，第1239至1253年，2011。视图:出版商的网站|谷歌学术搜索
18. "平流层的记忆和大范围天气预报的技巧，"科学，第301卷5633, 636-640页，2003。视图:出版商的网站|谷歌学术搜索
19. a.a. Scaife和J. R. Knight， " 2005-2006年欧洲寒冷冬季的整体模拟，"英国皇家气象学会季刊卷。134，没有。636，第1647至1659年，2010。视图:谷歌学术搜索
20. f . Vitart次季节到季节预测：链接天气和气候，世界气象组织，瑞士日内瓦，2015年。
21. J. Black, N. C. Johnson, S. Baxter, S. B. Feldstein, D. S. Harnos，和M. L. L 'Heureux，“北半球提前3-4周的远距联系模式的预测器和预测技能”每月天气回顾，第145卷，否。7、2855-2877页，2017视图:出版商的网站|谷歌学术搜索
22. 朱，惠勒，索贝尔和哈德逊，“热带和全球模式外的无缝降水预测技术，”每月天气回顾，第142卷，不。4，第1556-1569页，2014。视图:出版商的网站|谷歌学术搜索
23. M. C. Wheeler, H. Zhu, A. H. Sobel, D. Hudson，和F. Vitart，“两个全球模型之间的无缝降水预测技术比较”，英国皇家气象学会季刊第143卷第1期702，第374-383页，2017。视图:出版商的网站|谷歌学术搜索
24. 林，布吕尼和德罗梅，“两种加拿大大气模式下的马德-朱利安振荡的预报技巧”，每月天气回顾，第136卷第1期。11，页4130-4149,2008。视图:出版商的网站|谷歌学术搜索
25. H. A.拉希德，H. H.亨顿，M. C. Wheeler等人，“与POAMA动力预报系统的季节内振荡的预测，”气候动力学，第36卷，no。3-4页，649-661页，2011。视图:出版商的网站|谷歌学术搜索
26. 小时。吉姆，韦伯斯特，托马和金，“可预测性和预测技能的MJO在两个业务预报系统，”杂志的气候，第27卷，no。14，第5364-5378页，2014。视图:出版商的网站|谷歌学术搜索
27. B.项，召M.，X. Jiang等人，“在一个GFDL的3-4周MJO预测技术人员耦合模型，”杂志的气候，第28卷，编号13、5351-5364页，2015。视图:出版商的网站|谷歌学术搜索
28. 徐培超、李天佑等，“华南地区10-30天雨量预报之时空投影模型”，气候动力学，第44卷，no。5-6页，1227-1244页，2015视图:出版商的网站|谷歌学术搜索
29. 朱志和李天成，“全国夏季降水异常的统计扩展范围(10-30天)预报”，气候动力学，第48卷，no。1-2，第209-224，2017。视图:出版商的网站|谷歌学术搜索
30. A. W. Robertson, A. Kumar, M. Pena，和F. Vitart，“改善和促进从季节性到季节性的预测，”美国气象学会公报，第96卷，no。3、2015年ES49-ES53页。视图:出版商的网站|谷歌学术搜索
31. 杰，维塔特，吴，刘，“亚季节性至季节性预测项目(S2S)数据库中亚洲夏季风的模拟”，英国皇家气象学会季刊第143卷第1期706，第2282至2295年，2017年。视图:出版商的网站|谷歌学术搜索
32. F. M. De Andrade, C. A. S. Coelho，和I. F. A. Cavalcanti，“子季节到季节(S2S)预测项目模型的全球降水后向质量评估”，气候动力学，第9卷，第1-25页，2019年。视图:出版商的网站|谷歌学术搜索
33. V. Nicolas, A. W. Robertson, M. K. Tippett et al.，“从整体预报得到的北方夏季季风降水的次季节可预测性，”环境科学前沿，第5卷第1期67年,2017年。视图:出版商的网站|谷歌学术搜索
34. Y.周，杨B.，H.陈，张Y.，A黄和M.香格里拉“在S2S数据库北半球冬季期间2米气温度预测过中国的季节内振荡的影响，”气候动力学卷。52，没有。11，第6671-6689，2019。视图:出版商的网站|谷歌学术搜索
35. 傅福宝，薛立群，任立群，“淮河流域夏季旱涝前兆信号与预报”水利与水工程，第30卷，no。1、中文2019年第13-20页。视图:谷歌学术搜索
36. 贾秀玲，“东北汛期降水异常及其与海温的关系”，硕士论文，南京气象学院，南京，2003。视图:谷歌学术搜索
37. J.高和H.高，“夏季降水中国东北和海表温度在东南太平洋和可能的底层机制的关系，”中国气象科学研究院的，第39卷第1期5、2015年第967-977页视图:谷歌学术搜索
38. 邓俊杰、陶世英、陈丽泰，“印度洋海温的时空分布及其与中国汛期降水的关系”，中国气象科学研究院的卷。4，第393-399，1989年，在中国。视图:谷歌学术搜索
39. Y.李，吴B.，Q.杨和S.黄“在印度洋和太平洋夏季中国降水春季SST之间的不同关系，”气象学报，第27卷，no。4，第509-520，2013。视图:出版商的网站|谷歌学术搜索
40. L. Wang和R. H.张，“诊断研究和各区域海温异常对中国夏季降水的预测实验，”中国气象科学研究院的，第6卷，第1147-1159页，2006，中文。视图:谷歌学术搜索
41. N. A.雷纳，“全球海洋表面温度，海冰，自十九世纪末期夜间海洋气温的分析，”地球物理研究大气杂志，第108卷，第4407页，2003年。视图:出版商的网站|谷歌学术搜索
42. 苏f、高h、霍夫曼G. J.和Lettenmaier，“实时tmp - rt降水估计在流预测中的潜在应用”，水文气象学杂志，第12卷，no。3，第444-455页，2011。视图:出版商的网站|谷歌学术搜索
43. 陈和林，“一种适合于动态季节预报的修正方法”，大气科学的进展卷。23，没有。3，第425-430，2006年。视图:出版商的网站|谷歌学术搜索
44. Habib, A. Henschke和R. F. Adler，“基于TMPA卫星研究的评估和美国路易斯安那州六次与热带有关的强降雨事件期间的实时降雨估计，”大气研究，第94卷，no。3、373-388页，2009。视图:出版商的网站|谷歌学术搜索
45. A. Aghakouchak, A. Mehran, H. Norouzi等，“卫星降水数据集的系统和随机误差成分，”地球物理研究快报，第39卷第1期9、文章编号L09406, 2012。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2020这是一篇开放获取的文章创作共用署名许可允许在任何媒介上不受限制地使用、分发和复制，只要正确地引用了原文。