2020, Vol. 36
2. 中国气象局广州热带海洋气象研究所，广东 广州 510641
2. Guangzhou Institute of Tropical and Marine Meteorology, CMA, Guangzhou 510641, China
广东省濒临西北太平洋和南海，是我国台风登陆最多的省份，平均每年登陆台风约3.9个[1]。台风带来或引起强降水是重要的致灾因子[2-3]，可引发严重洪涝、山洪、山体滑坡和城市内涝等灾害，极易造成人民群众生命财产损失[4]。因此准确预报台风降水无疑成为台风防灾减灾工作的重中之重。
与此同时，台风降水影响因子复杂[5-6]，除了与台风内部结构影响有关外，还与环境大气控制和下垫面强迫密切相关[7]，因此台风降水预报难度大。任福民等[5, 8]指出台风降水预报方法主要有三类：动力模式、统计方法和动力-统计方法[9]。动力模式方法(即数值模式预报方法)特别是集合数值预报技术作为台风降水预报重要的技术发展方向越来越受到重视[10-12]。
国内许多学者在台风降水集合数值预报技术方面进行了研究。狄靖月等[13]基于全球交互式集合预报(TIGGE)资料开展了降水集成预报研究，结果表明基于TS评分的多模式降水集成法能有效改进大雨以上的台风降水预报效果。陈博宇等[14]基于ECMWF集合预报提出了面向台风暴雨的集合成员优选技术，结果表明该技术对改进集合降水产品有明显的帮助，并较ECMWF确定性预报产品有一定的优势。李侃[15]利用欧洲ECMWF、美国NCEP和中国CMA等三个预报中心的集合预报产品开展了登陆台风降水的可预报分析和释用技术研究，结果表明台风降水集合平均预报优于相应的控制预报，且ECMWF集合预报效果最好，基于均方根误差订正的方法对ECMWF集合台风降水预报订正效果最佳。陈艳蝶等[16]基于TIGGE资料开展了台风降水预报的分级回归统计降尺度技术研究，结果表明该技术能显著提高1307号台风“苏力”降水预报的距平相关系数，但是对降水预报均方根误差改进有限。除了基于全球集合预报开展台风降水预报外，还有国内学者基于中尺度集合预报开展了台风降水预报研究。钟有亮等[17]对GRAPES区域集合预报系统(0.15 °×0.15 °水平分辨率，15个成员)的登陆台风预报情况进行了系统的检验评估，结果表明其台风各量级降水预报均具有预报参考价值，同时台风暴雨落区预报的准确性与台风登陆点和登陆时间误差密切相关。张旭斌[18]基于GRAPES模式建立了0.09 °× 0.09 °水平分辨率共30个集合成员的热带区域集合预报系统，结果表明该系统对台风大暴雨预报优于ECMWF的集合预报结果。
上述这些研究结果对台风降水预报有非常重要的参考意义，但是其研究或者基于全球中期集合预报系统，或者基于中尺度区域集合预报系统，而且水平网格分辨率一般在九公里到几十公里之间，不能显式分辨与台风降水密切相关的中小尺度系统[5, 19]。研究表明，提高模式水平分辨率能有效提高降水预报水平[20-21]，因此近年来，在高性能计算技术发展的支撑下，集合数值预报系统也趋于高水平分辨率方向发展[22-25]，其中最具有代表性的是水平分辨率在3~5公里的数值集合预报系统，一般称之为雷暴尺度或者对流尺度集合预报系统[19]。对流尺度集合预报系统在台风降水预报方面的表现也得到了关注。Zhang等[26]利用4.5 km高分辨率集合预报系统很好地预报出台风“莫拉克”引起台湾破纪录的降水；Fang等[27]为台湾地区台风降水定量预报提出改进的概率匹配平均技术，该技术基于最高水平分辨率为4 km集合数值预报系统，结果表明该技术能够减少降水集合预报偏差，提供更好的定量降水预报指导；Hong等[28]利用5 km分辨率的区域集合预报系统建立了台湾台风定量降水预报系统，结果表明该系统比单一模式要准确，而且还能够提供不确定信息用于台风风险评估。
2013年，深圳市气象局与美国俄克拉荷马大学风暴分析和预报中心(CAPS)合作建立水平分辨率为4 km的深圳对流尺度集合预报系统，并于2014年开始在国家超算深圳中心高性能计算平台上实现业务化运行[19, 29]，成为国内首个业务化运行的对流尺度集合预报系统。经过多年业务应用发现，相比于单一的确定性预报，该系统对华南前汛期降水预报有一定优势[30-31]，但是预报系统对台风降水预报能力如何则还有待检验评估。本文的重点就是定性和定量检验评估深圳对流尺度集合预报系统对广东台风降水预报能力，为开展台风降水预报提供参考。
2 深圳对流尺度集合预报系统简介该系统采用WRF ARWv3.5.1预报模式，双重网格嵌套(图 1)，其中外层d01和内层d02网格水平分辨率分别为12 km、4 km，水平网格数分别为209×177、421×361，垂直层数51，模式层顶气压设置为50 hPa。
|
图 1 深圳对流尺度集合预报系统预报区域 |
每天08时和20时(北京时，下同)12~4 km区域双向双重嵌套利用欧洲中期天气预报中心(ECMWF)实时预报产品(0.125 °×0.125 °)资料和美国全球集合预报系统(GEFS)p01~p10集合成员的实时预报产品(1 °×1 °)作为初始场和边界条件进行72小时预报(表 1)。该预报产品为内层逐3小时同化预报提供背景场和边界条件。采用ARPS 5.3.2同化模块和云分析模块同化广东11部多普勒雷达的径向风和反射率资料进行24小时预报。该系统共有11个集合成员，不同成员除了采用不同的初始场和边界条件外，还采用了不同的物理参数化方案组合，最终形成了多初值条件多物理方案组合的对流尺度集合预报系统。表 1给出该系统外层d01（即12 km区域）不同成员配置。值得指出的是，该系统内层d02（即4 km区域）使用的物理参数化方案跟外层不尽相同，且不使用积云对流参数化方案。2017年该系统预报时间由24小时延长到36小时；2018年由于计算资源限制，集合成员数由11个变为10个。
|
表 1 深圳对流尺度集合预报系统外层d01不同成员配置 |
为了检验深圳对流尺度集合预报系统对广东台风降水预报能力，选择了2015—2018年共14个台风个例(表 2)作为研究对象。台风资料采用中国气象局上海台风研究所提供的台风最佳路径集数据[32]。降水观测资料采用广东地区约2 300多个自动气象观测站的24小时累计雨量。参与检验的是控制预报(简称M00)、集合平均预报(简称Mean)和概率匹配平均预报(简称PM)这三种预报方法分别预报的4 km分辨率的24小时累计降水预报产品。其中控制预报M00是唯一使用ECMWF预报数据作为背景场和边界条件的成员；集合平均预报是将各成员预报结果进行等权重的集合平均形成预报产品；概率匹配平均是利用集合成员的原始降水频率来订正等权重的集合平均降水[33]。
|
|
表 2 2015—2018年影响广东的14个台风个例 |
首先计算14个台风个例的降水预报平均分布并与观测平均进行对比分析，考察深圳对流尺度集合预报系统对台风平均降水预报空间分布误差情况。并计算平均误差(ME)和均方根误差(RMSE)，其计算公式为：
| $ {\rm{ME}} = \frac{{\sum\nolimits_{i = 1}^n {\left( {{F_i} - {O_i}} \right)} }}{n} $ | (1) |
| $ {\rm{RMSE}} = \sqrt {\frac{{\sum\nolimits_{i = 1}^n {{{\left( {{F_i} - {O_i}} \right)}^2}} }}{n}} $ | (2) |
其中n表示观测站点数，F表示预报雨量值，O表示观测雨量值。均方根误差越小越好。平均误差计算时存在正负值互相抵消问题，因此其大小不能作为实际预报误差大小的根据，只用于考察某一区域预报是否存在系统性偏大或偏小的问题。
然后对台风降水预报进行分级检验。对24小时累计雨量，降雨等级阈值为≥0.1 mm、≥10 mm、≥ 25 mm、≥50 mm、≥100 mm、≥250 mm，分别对应为小雨、中雨、大雨、暴雨、大暴雨、特大暴雨等级的降雨。分级检验采用TS评分(Threat score)、偏差(Bias)、空报率(False alarm rate，FAR)和漏报率(Missing alarm rate，FAR)等指标，其计算公式分别为：
| $ {{\rm{TS}} = \frac{{{N_A}}}{{{N_A} + {N_B} + {N_C}}}} $ | (3) |
| $ {{\rm{ Bias }} = \frac{{{N_A} + {N_B}}}{{{N_A} + {N_C}}}} $ | (4) |
| $ {{\rm{FAR}} = \frac{{{N_B}}}{{{N_A} + {N_B}}}} $ | (5) |
| $ {{\rm{MAR}} = \frac{{{N_C}}}{{{N_A} + {N_C}}}} $ | (6) |
其中，NA表示正确命中次数，即观测和预报同时满足阈值的次数；NB表示空报次数，即观测未达到阈值而预报达到阈值的次数；NC表示漏报次数，即观测达到阈值而预报未达到阈值的次数。TS评分是我国天气预报业务和研究中常用的综合评分指标[34]，它对空报和漏报进行惩罚，TS评分在0~1之间，越大越好。偏差Bias表示预报和观测事件次数多少的对比，偏差为1表示预报和观测的事件次数相等，大于1表示预报次数偏多，小于1表示预报次数偏少。空报率和漏报率越小越好。
4 检验结果 4.1 总体平均检验结果 4.1.1 误差值检验图 2显示三种方法预报的平均降水跟观测都较吻合，都能在一定程度上预报出珠三角两侧沿海地区暴雨分布特征。从降水预报平均误差来看(图 3和表 3)，三种方法存在着系统性偏大，偏大范围在3.6~8.3 mm，预报偏大区域主要出现在粤东北和粤西南等地，最大幅度达40 mm以上。值得注意的是，在系统性偏大的情形下，三种方法对珠三角两侧暴雨中心存在着预报偏小的问题。
|
图 2 2015—2018年共14个台风个例的24小时累计降水平均 a.观测；b.概率匹配平均；c.集合平均；d. M00。单位：mm。 |
|
图 3 2015—2018年共14个台风个例的24小时累计降水预报偏差(预报平均减去观测平均，单位：mm) a. PM-Obs；b. Mean-Obs；c. M00-Obs。 |
|
|
表 3 平均误差和均方根误差 |
集合预报方法(包括Mean和PM)预报平均降水比M00更加符合观测。从图 2和图 3可看出，M00对珠三角两侧暴雨中心预报偏小最明显，最大偏小幅度达40 mm以上，集合预报方法可有效改善珠三角两侧暴雨中心预报偏小的情况。从均方根误差来看(表 3)，集合预报方法的均方根误差要小于M00，特别是Mean的均方根误差为38.1 mm，比M00的46.9 mm减少18.8%。
4.1.2 TS评分检验从降水预报等级评分(图 4)和降水预报频率分布(图 5)可看出，三种方法降水预报都具有较好预报参考价值。图 4显示，随着降雨量等级增加，三种方法的TS评分迅速减小，FAR和MAR迅速增大，预报偏差增大，即使如此，三种方法的暴雨预报TS评分达到了0.39以上，大暴雨预报TS评分也达到0.16以上。在不同等级观测降雨情形下，三种方法的降水预报频率分布峰值基本出现在对应临近的1~2个等级区间(图 5)。
|
图 4 24小时累计雨量预报评分 a. TS评分；b.预报偏差评分；c.空报率；d.漏报率。 |
|
图 5 不同等级观测降水情形下三种方法的降水预报频率分布 a.小雨；b.中雨；c.大雨；d.暴雨；e.大暴雨；f.特大暴雨。 |
集合预报方法总体优于M00。从图 4a可看出，Mean对大雨、暴雨和大暴雨预报的TS评分分别为0.649、0.469和0.286，比M00分别提升17.4%、20.1%和77.4%。在集合预报方法中，PM对小雨和特大暴雨预报有优势，其TS评分分别为0.878、0.029，比Mean分别提高1.0%、232.5%；Mean对大雨、暴雨和大暴雨预报有优势，Mean的TS评分相比于PM分别提高2.4%、1.1%和1.2%；PM和Mean对中雨预报TS评分极为接近。但集合预报方法也存在着不足的地方，即其特大暴雨预报偏差较大，其中PM对特大暴雨预报显著偏多，预报偏差达到2.5以上，Mean对特大暴雨预报则显著偏少，预报偏差不到0.2。
4.2 不同强度台风降水预报检验为了进一步考察深圳对流尺度集合预报系统对台风降水预报能力，将这14个台风个例依据登陆我国沿海地区时的台风强度分为较强台风和弱台风两组样本进行讨论分析。较强台风是指登陆强度为台风或者强台风的台风个例，弱台风是指登陆强度为热带风暴或者强热带风暴的台风个例。两组样本分别都有7个个例(表 2)，从图 6可看出，在本研究中较强台风个例都属于西北太平洋台风，且路径以西北方向移动为主，其中珠三角沿海登陆台风占4个；在弱台风个例中，南海台风占了多数(5个)，且路径相对复杂。
|
图 6 2015—2018年共14个台风根据登陆中国华南沿海地区时强度进行分类 a.较强台风；b.弱台风。台风路径中临近两点的时间间隔为3小时或者6小时，具体间隔由台风最佳路径数据集决定；路径上的虚线表示选取的数值预报个例起始时间到结束时间(24小时)对应的台风路径。 |
图 7和图 8分别给出了较强台风情形的平均降水和平均误差空间分布，可看出系统对较强台风的降水预报跟总体平均非常相似，都能预报出珠三角两侧沿海地区暴雨分布特征，但是也存在着不同之处。一个不同之处是系统对较强台风的降水预报的平均误差和均方根误差要小于总体平均，其平均误差在1 mm左右，远小于总体平均，即系统对较强台风的降水预报系统性偏差非常小。另一个不同之处是在较强台风情形下，系统对粤东暴雨中心降水预报偏小更加明显，控制预报方法预报偏小最明显且偏小区域范围最大。这说明深圳对流尺度集合预报系统对较强台风的粤东沿海降水存在着预报偏小的问题，而集合预报方法可以在一定程度上缓解该问题。
|
图 7 同图 2，但为较强台风 |
|
图 8 同图 3，但为较强台风 |
图 9给出了较强台风情形的降水预报等级评分情况，系统对较强台风的降水预报评分优于总体平均，其中M00的较强台风的暴雨等级预报TS评分为0.435比总体平均0.391高出11.3%。与总体平均相似，集合预报方法对不同等级降水预报TS评分均优于M00，其中大雨等级预报优势最明显。在集合预报方法中，Mean对大雨预报有优势，大雨等级TS评分为0.749比PM的0.727高3.1%，但其特大暴雨预报偏差最大，完全没有预报出特大暴雨，导致其特大暴雨偏差为0，其对应的特大暴雨漏报率为1，空报率为缺省值。PM改进了Mean对小雨和特大暴雨预报，PM的小雨等级TS评分为0.914，比Mean的0.893提高了2.4%，PM的特大暴雨等级预报TS评分虽然只有0.043，却是三个方法中唯一的特大暴雨等级预报TS评分大于0的方法。
|
图 9 同图 4，但为较强台风 |
从平均降水和平均误差空间分布来看(图 10和图 11)，三种方法在弱台风情形下表现跟较强台风情形既有相似地方也有明显区别。相同是集合预报方法预报的平均降水分布仍然优于控制预报；不同之处在于降水预报的平均误差空间分布和幅度。在弱台风情形下，系统的降水预报平均误差大于较强台风情形。集合预报方法的系统性偏大最明显，达到11 mm以上(表 3)，偏大区域主要出现在珠三角、粤东和湛江等地，偏小区域出现在粤西暴雨中心附近，且偏小区域范围比较强台风情形小；M00偏大区域主要出现在珠三角和粤西南地区，偏小区域主要出现在粤西暴雨中心，比集合预报方法的偏小区域范围更大。对比较强台风和弱台风情形下的平均误差(图 8、图 11和表 3)可发现，深圳对流尺度集合预报系统对台风降水预报总体平均系统性偏大主要是由弱台风情形下降水预报明显偏大造成。同时，弱台风情形下的降水预报均方根误差也明显大于较强台风情形，其中Mean的均方根误差为41.2 mm，比较强台风情形的34.7 mm高出18.7%。
|
图 10 同图 2，但为弱台风 |
|
图 11 同图 3，但为弱台风 |
从降水等级预报评分(图 12)也可看出系统对弱台风的降水预报能力弱于较强台风，其中Mean的暴雨等级TS评分为0.427，明显小于强台风情形下的0.493。在弱台风情形下，集合预报方法对暴雨和大暴雨预报优势更加明显，其中Mean暴雨和大暴雨的TS评分分别为0.427、0.319，相比于M00的0.316、0.092分别提升35.0%和246.8%，这主要由于M00对暴雨和大暴雨的空报率和漏报率都高于集合预报方法(图 12c和12d)。但M00对小雨预报却稍优于集合预报方法，其小雨等级TS评分为0.851，分别比PM和Mean高1.4%和1.1%。另外，在弱台风情形下，相比于Mean，PM只有在特大暴雨预报上有优势，其小雨等级TS评分也稍逊于Mean。进一步对比图 4、图 9和图 12中的小雨TS评分，可推断，PM对小雨等级预报总体上优于Mean，但优势主要体现在较强台风情形。
|
图 12 同图 4，但为弱台风 |
与平均误差明显偏大相对应的是，在弱台风情形下集合预报方法的预报偏差更明显(图 12b)，其中Mean对暴雨和大暴雨预报明显偏多，但是对特大暴雨预报明显偏少，其特大暴雨预报偏差为0.2；PM对暴雨到特大暴雨预报都是显著偏多，其中对特大暴雨预报偏差更是达到3.3。
5 结论与讨论为了检验评估深圳对流尺度集合预报系统对台风降水的预报能力，通过检验评估该系统的三种方法(控制预报方法、集合平均方法、概率匹配平均方法)对2015—2018年共14个影响广东的台风降水预报，得到如下结论。
(1) 系统对台风24小时降水预报具有较好的预报参考价值，三种方法对暴雨等级预报的TS评分均达到0.39以上，但在预报总体偏大情况下对珠江口两侧暴雨区预报却偏小。
(2) 集合预报方法(含集合平均方法和概率匹配平均方法)对台风降水预报总体上优于控制预报方法，可改善珠江口两侧暴雨中心降水预报。其中集合平均方法总体预报效果最好，其降水均方根误差为38.1 mm比控制预报方法减少18.8%，对暴雨等级预报TS评分为0.469比控制预报方法提升20.1%，但是对特大暴雨等级预报能力不足；而概率匹配平均方法对小雨和特大暴雨等级的预报能力较强。
(3) 系统对较强台风的降水预报能力优于弱台风，其平均误差和均方根误差均小于弱台风情形，降水TS评分总体高于弱台风情形。在较强台风情形下，系统对粤东暴雨区降水预报明显偏小且控制预报方法偏差最大，其他地方降水预报偏大为主。在弱台风情形下，系统的降水预报存在明显的系统性偏大且概率匹配平均方法偏差最大，但对粤西暴雨中心降水预报明显偏小且控制预报偏差最大。另外在弱台风情形下，控制预报方法对小雨等级预报稍优于集合预报方法。
综上所述，深圳对流尺度集合预报系统对台风降水预报具有一定的预报参考价值，总体上集合预报方法优于控制预报方法，但是仍然存在一些问题，值得后续深入的分析探讨。比如系统对粤东和粤西两个暴雨中心降水预报明显偏小，其原因可能是由于这两个暴雨中心跟地形紧密相关[1, 35]，数值模式对地形影响降水预报能力不足导致漏报暴雨，集合预报方法虽然可在一定程度上缓解这个问题，但也无法完全解决。系统对弱台风情形下降水预报能力较弱的问题，其可能原因是弱台风多为南海台风，且路径相对复杂，对应引导气流相对较弱，台风路径预报难度大，因此相关降水预报难度也加大。
因此在实际业务应用中，需要根据业务需求综合运用这三种预报方法以取得最好的应用效果。同时，深圳对流尺度集合预报系统对台风降水的预报仍有很大的潜力。李俊等[36]认为在集合预报实际业务中应当综合应用概率匹配平均法和预报偏差订正法，以获得在消除系统性偏差的同时各量级降水分布合理的集合平均降水预报。因此，后续将加强对流尺度集合预报系统的降水预报解释应用技术研发，进一步提升预报系统的台风降水预报能力。
| [1] |
广东省气象局《广东省天气预报技术手册》编写组. 广东省天气预报技术手册[M]. 北京: 气象出版社, 2016: 29-38.
|
| [2] |
梁必骐, 梁经萍, 温之平. 中国台风灾害及其影响的研究[J]. 自然灾害学报, 1995, 4(1): 84-91. |
| [3] |
董美莹, 陈联寿, 郑沛群, 等. 登陆热带气旋暴雨突然增幅和特大暴雨之研究进展[J]. 热带气象学报, 2009, 25(4): 495-502. DOI:10.3969/j.issn.1004-4965.2009.04.016 |
| [4] |
赵珊珊, 任福民, 高歌, 等. 近十年我国热带气旋灾害的特征研究[J]. 热带气象学报, 2015, 31(3): 424-432. |
| [5] |
任福民, 杨慧. 1949年以来我国台风暴雨及其预报研究回顾与展望[J]. 暴雨灾害, 2019, 38(5): 526-540. DOI:10.3969/j.issn.1004-9045.2019.05.014 |
| [6] |
闫军, 王黎娟, 纪晓玲, 等. 影响宁夏的热带气旋远距离暴雨特征和预报概念模型[J]. 热带气象学报, 2020, 36(1): 32-41. |
| [7] |
陈联寿, 许映龙. 中国台风特大暴雨综述[J]. 气象与环境科学, 2017, 40(1): 3-10. |
| [8] |
任福民, 向纯怡. 登陆热带气旋降水预报研究回顾与展望[J]. 海洋气象学报, 2017, 37(4): 8-18. |
| [9] |
姜丽黎, 余晖. 基于动力相似方法的台风极端降水概率预报研究[J]. 热带气象学报, 2019, 35(3): 353-364. |
| [10] |
TITLEY H, YAMAGUCHI M, MAGNUSSON L. Current and potential use of ensemble forecasts in operational TC forecasting: Results from a global forecaster survey[J]. Tropical Cyclone Research and Review, 2019, 8(3): 166-180. DOI:10.1016/j.tcrr.2019.10.005 |
| [11] |
王晨稀. 热带气旋集合预报研究进展[J]. 热带气象学报, 2013, 29(4): 698-704. DOI:10.3969/j.issn.1004-4965.2013.04.020 |
| [12] |
肖辉, 万齐林, 刘显通, 等. 基于WRF-EnKF系统的雷达反射率直接同化对台风"天鸽"(1713)预报的影响[J]. 热带气象学报, 2019, 35(4): 433-445. |
| [13] |
狄靖月, 赵琳娜, 张国平, 等. 降水集合预报集成方法研究[J]. 气象, 2013, 39(6): 691-698. DOI:10.3969/j.issn.1000-6362.2016.06.009 |
| [14] |
陈博宇, 郭云谦, 代刊, 等. 面向台风暴雨的集合预报成员优选订正技术研究及应用试验[J]. 气象, 2016, 42(12): 1 465-1 475. |
| [15] |
李侃.登陆热带气旋降水集合预报的可预报性分析与释用技术研究[D].南京: 南京大学, 2018.
|
| [16] |
陈艳蝶, 智协飞, 王姝苏, 等. 一个台风降水预报的分级回归统计降尺度应用研究[J]. 科技通报, 2018, 34(5): 52-58, 142. |
| [17] |
钟有亮, 陈静, 王静, 等. GRAPES区域集合预报系统对登陆台风预报的检验评估[J]. 热带气象学报, 2017, 33(6): 953-964. |
| [18] |
ZHANG X B. A Grapes-based mesoscale ensemble prediction system for tropical cyclone forecasting: configuration and performance[J]. Quart J R Meteor Soc, 2018, 144(711): 478-498. DOI:10.1002/qj.3220 |
| [19] |
孔凡铀. 雷暴尺度天气集合数值预报研究[J]. 气象科技进展, 2018, 8(3): 53-60. DOI:10.3969/j.issn.2095-1973.2018.03.004 |
| [20] |
MULLEN S L, BUIZZA R. The impact of horizontal resolution and ensemble size on probabilistic forecasts of precipitation by the ECMWF ensemble prediction system[J]. Wea Forecasting, 2002, 17(2): 173-191. DOI:10.1175/1520-0434(2002)017<0173:TIOHRA>2.0.CO;2 |
| [21] |
ROEBBER P J, SCHULTZ D M, COLLE B A, et al. Toward improved prediction: High-resolution and ensemble modeling systems in operations[J]. Wea Forecasting, 2004, 19(5): 936-949. DOI:10.1175/1520-0434(2004)019<0936:TIPHAE>2.0.CO;2 |
| [22] |
BEN BOUALLÈGUE Z, THEIS S, GEBHARDT C. Enhancing cosmo-de ensemble forecasts by inexpensive techniques[J]. Meteorologische Zeitschrift, 2013, 22(1): 49-59. DOI:10.1127/0941-2948/2013/0374 |
| [23] |
BECK J, BOUTTIER F, WIEGAND L, et al. Development and verification of two convection-allowing multi-model ensembles over Western Europe[J]. Quart J R Meteor Soc, 2016, 142(700): 2 808-2 826. DOI:10.1002/qj.2870 |
| [24] |
HAGELIN S, SON J, SWINBANK R, et al. The met office convective-scale ensemble, MOGREPS-UK[J]. Quart J R Meteor Soc, 2017, 143(708): 2 846-2 861. DOI:10.1002/qj.3135 |
| [25] |
CLARK AJ, JIRAK IL, DEMBEK SR, et al. The community leveraged unified ensemble (clue) in the 2016 NOAA / hazardous weather testbed spring forecasting experiment[J]. Bull Amer Meteor Soc, 2018, 99(7): 1 433-1 448. DOI:10.1175/BAMS-D-16-0309.1 |
| [26] |
ZHANG F, WENG Y, KUO Y, et al. Predicting typhoon morakot's catastrophic rainfall with a convection-permitting mesoscale ensemble system[J]. Wea Forecasting, 2010, 25(6): 1 816-1 825. DOI:10.1175/2010WAF2222414.1 |
| [27] |
FANG X, KUO Y. Improving ensemble-based quantitative precipitation forecasts for topography-enhanced typhoon heavy rainfall over Taiwan with a modified probability -matching technique[J]. Mon Wea Rev, 2013, 141(11): 3 908-3 932. DOI:10.1175/MWR-D-13-00012.1 |
| [28] |
HONG J, FONG C, HSIAO L, et al. Ensemble typhoon quantitative precipitation forecasts model in Taiwan[J]. Wea Forecasting, 2015, 30(1): 217-237. DOI:10.1175/WAF-D-14-00037.1 |
| [29] |
江崟, 陈训来, 朱江山, 等. 深圳对流尺度集合预报系统在华南暴雨中的应用研究[J]. 气象科技进展, 2019, 9(3): 124-131. |
| [30] |
谢坤, 王德立, 陈训来, 等.雷暴尺度集合预报对华南前汛期暴雨降水预报的检验[C].第33届中国气象学会年会S1灾害天气监测、分析与预报, 2016: 1 653-1 654.
|
| [31] |
陈训来, 魏晓琳, 谢坤, 等.雷暴尺度集合预报系统在深圳强对流春季试验中的应用[C].第33届中国气象学会年会S8数值模式产品应用与评估, 2016: 96-97.
|
| [32] |
YING M, ZHANG W, YU H, et al. An overview of the China Meteorological Administration tropical cyclone database[J]. J Atmos Ocean Techn, 2014, 31(2): 287-301. DOI:10.1175/JTECH-D-12-00119.1 |
| [33] |
ZHU Y J, LUO Y. Precipitation calibration based on the frequency-matching method[J]. Wea Forecasting, 2015, 30(5): 1 109-1 124. DOI:10.1175/WAF-D-13-00049.1 |
| [34] |
王雨. 2002年主汛期国家气象中心主客观降水预报对比检验[J]. 气象, 2003, 29(5): 21-25. |
| [35] |
陈芳丽, 李明华, 姜帅, 等. 粤东暴雨中心的降水气候统计特征和成因分析[J]. 广东气象, 2019, 41(4): 6-10. |
| [36] |
李俊, 杜钧, 陈超君. "频率匹配法"在集合降水预报中的应用研究[J]. 气象, 2015, 41(6): 674-684. DOI:10.3969/j.issn.1000-6362.2015.06.003 |