1、海洋氣象監(jiān)測(cè)預(yù)報(bào)業(yè)務(wù)現(xiàn)狀簡(jiǎn)介檤 海洋氣象監(jiān)測(cè)預(yù)報(bào)業(yè)務(wù)和服務(wù)海洋氣象既涉及大氣又涉及海洋，因此它是大氣科學(xué)和海洋科學(xué)共同研究的領(lǐng)域。由于海洋水體也處于持續(xù)的運(yùn)動(dòng)中，研究海洋與大氣的相互作用，需要將大氣動(dòng)力學(xué)和海洋動(dòng)力學(xué)相結(jié)合，將大氣物理化學(xué)性質(zhì)和海洋物理化學(xué)性質(zhì)相對(duì)應(yīng)，進(jìn)行分析與，探討海洋與大氣間的驅(qū)動(dòng)與響應(yīng)、耦合與反饋。這就決定了海洋氣象涉及的內(nèi)容涵蓋海洋、大氣及它們之間的相互作用，以及它們與邊緣海岸帶的相互影響等多種復(fù)雜領(lǐng)域。與服務(wù)于海洋強(qiáng)國(guó)戰(zhàn)略和發(fā)達(dá)相比，我國(guó)的海洋氣象監(jiān)測(cè)預(yù)報(bào)業(yè)務(wù)和服務(wù)能力還有顯著差距，具體表現(xiàn)在：近海和遠(yuǎn)海氣象資料獲取能力有限，海洋氣象資料處理能力有待增強(qiáng)，海洋氣象預(yù)報(bào)

2、技術(shù)水平不高，海洋氣象服務(wù)能力和不足，海洋氣象裝備保障能力幾近空白。（引自海洋氣象業(yè)務(wù)發(fā)展行動(dòng)計(jì)劃（2019-2022年）重點(diǎn)任務(wù)（一）提升全球海洋氣象監(jiān)測(cè)分析能力任務(wù)1：海洋氣象觀測(cè)業(yè)務(wù)能力建設(shè)任務(wù)2：海洋氣象觀測(cè)資料收集處理任務(wù)3：海洋氣象資料歷史數(shù)據(jù)集任務(wù)16：亞印太季風(fēng)系統(tǒng)及大洋主要模態(tài)監(jiān)測(cè)任務(wù)17：西北太平洋熱帶氣旋動(dòng)力統(tǒng)計(jì)（五）發(fā)展海洋氣象服務(wù)能力任務(wù)18：海洋氣象信息發(fā)布與服務(wù)任務(wù)19：全球船舶氣象導(dǎo)航業(yè)務(wù)任務(wù)4：海洋氣象遙感反演任務(wù)20：海洋氣候開發(fā)利用任務(wù)5：氣象要素多源融合分析任務(wù)21：海洋氣象災(zāi)害風(fēng)險(xiǎn)區(qū)劃與影響評(píng)估任務(wù)22：重點(diǎn)領(lǐng)域?qū)ｍ?xiàng)專業(yè)氣象服務(wù)任務(wù)23：海洋氣象服務(wù)區(qū)

3、域?qū)I(yè)氣象中心（RSMC）建設(shè)（六）提升海洋氣象科技創(chuàng)新能力任務(wù)24：關(guān)鍵科學(xué)技術(shù)問(wèn)題攻關(guān)任務(wù)25：海洋模式與大氣模式資料同化任務(wù)26：全球海氣耦合數(shù)值模式任務(wù)27：區(qū)域海氣耦合數(shù)值模式任務(wù)28：提升海洋氣象業(yè)務(wù)平臺(tái)支撐能力（七）強(qiáng)化海洋氣象業(yè)務(wù)組織管理任務(wù)29：海洋氣象信息共享機(jī)制任務(wù)30：海洋氣象檢驗(yàn)評(píng)估任務(wù)31：海洋氣象業(yè)務(wù)標(biāo)準(zhǔn)規(guī)范建設(shè)（二）發(fā)展全球海洋氣象智能預(yù)報(bào)業(yè)務(wù)任務(wù)6：全球海洋氣象智能網(wǎng)格預(yù)報(bào)任務(wù)7：海上強(qiáng)對(duì)流天氣短臨任務(wù)8：海上災(zāi)害性天氣預(yù)報(bào)任務(wù)9：精細(xì)化海洋氣象專項(xiàng)預(yù)報(bào)任務(wù)10：海洋氣象智能預(yù)報(bào)業(yè)務(wù)檢驗(yàn)（三）加強(qiáng)全球臺(tái)風(fēng)監(jiān)測(cè)分析及預(yù)報(bào)任務(wù)11：臺(tái)風(fēng)定量監(jiān)測(cè)分析任務(wù)12：臺(tái)風(fēng)路

4、徑強(qiáng)度智能預(yù)報(bào)任務(wù)13：臺(tái)風(fēng)風(fēng)雨精細(xì)化預(yù)報(bào)任務(wù)14：臺(tái)風(fēng)影響預(yù)報(bào)和災(zāi)害風(fēng)險(xiǎn)分析業(yè)務(wù)（四）完善海洋氣候監(jiān)測(cè)業(yè)務(wù)任務(wù)15：中國(guó)近海氣候要素及極區(qū)海冰監(jiān)測(cè)預(yù)海洋氣象業(yè)務(wù)發(fā)展任務(wù)安排l全球資料收集能力與ECMWF同步。實(shí)現(xiàn)約100個(gè)海洋站或海島站19世紀(jì)以來(lái)月報(bào)表等主要的數(shù)字化，建立部分海洋站或海島站百年長(zhǎng)度基礎(chǔ)數(shù)據(jù)。l實(shí)現(xiàn)全球海洋氣象“一”建設(shè)并實(shí)現(xiàn)業(yè)務(wù)試運(yùn)行。優(yōu)化海上大風(fēng)預(yù)報(bào)業(yè)。務(wù)，研發(fā)海霧分級(jí)預(yù)報(bào)方法，開發(fā)海上強(qiáng)對(duì)流預(yù)報(bào)系統(tǒng)及潛勢(shì)預(yù)報(bào)l建立西北太平洋及臺(tái)風(fēng)強(qiáng)度智能集成預(yù)報(bào)方法；開展新一代風(fēng)云晨昏軌道微波資料在全球臺(tái)風(fēng)/颶風(fēng)監(jiān)測(cè)業(yè)務(wù)中的分析應(yīng)用；完成全球臺(tái)風(fēng)檢索平臺(tái)建設(shè)；開展臺(tái)風(fēng)影響預(yù)報(bào)技術(shù)研發(fā)和

5、業(yè)務(wù)應(yīng)用，實(shí)現(xiàn)登陸我國(guó)臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)實(shí)時(shí)分析業(yè)務(wù)能力。西北太平洋高分辨率海-氣-浪耦合數(shù)值預(yù)報(bào)系統(tǒng)的準(zhǔn)業(yè)務(wù)化運(yùn)行。基本建設(shè)完成遠(yuǎn)洋導(dǎo)航系統(tǒng)，服務(wù)覆蓋全球主要遠(yuǎn)洋航線。建立港口氣象服務(wù)業(yè)務(wù)l規(guī)范，開展智慧港口氣象服務(wù)標(biāo)準(zhǔn)化建設(shè)，建立多方聯(lián)制，開展性、專業(yè)化、精細(xì)化的港口氣象預(yù)報(bào)服務(wù)。l（引自海洋氣象業(yè)務(wù)發(fā)展行動(dòng)計(jì)劃（2019-2022年）氣象洋氣象預(yù)報(bào)海區(qū)劃分73個(gè)海洋預(yù)報(bào)洋氣象預(yù)報(bào)海區(qū)劃分Data receiving system in real-timeCoastal observing stations15 key marine stations, including 109 observi

6、ng points (till 2014):Temperature, SaliBuoys, Tide, Wave, Wind, Marine chemistry18 large-size buoys for meteorology and wave height, temp., 2 offshore small-size buoys；2 Deep-sea Moorings；4 offshore bottom-mounted moorings；2 tsunami buoys.Radars5 Ground wave Radar for current, wave field; 2 X-band M

7、arine Radar for wave field;1 Radar Ice Sounder for Sea ice regime, thickness.International sourcesGTSAgro海上災(zāi)害天氣監(jiān)測(cè)技術(shù)的研究與應(yīng)用海上災(zāi)害天氣監(jiān)測(cè)技術(shù)的研究與應(yīng)用海霧判識(shí)結(jié)果太小，邊緣增長(zhǎng)技術(shù)以當(dāng)前判識(shí)結(jié)果為基準(zhǔn)，通過(guò)設(shè)置區(qū)域擴(kuò)張。點(diǎn)和一定的閾值來(lái)完成海霧判識(shí)結(jié)果在冬季漏判多問(wèn)題的解決除尋找當(dāng)前判識(shí)算法的漏判之外，還需要考慮使用多套閾值的可行性，如冬季一套閾值，春夏一套閾值（秋季很少）。有些明顯的中高云誤判為海霧問(wèn)題方案可以考慮加入溫度因子，因?yàn)橹懈咴频臏囟仁呛艿偷模话阍?以下，而

8、海霧是高于0的，且海面結(jié)冰只在很少的區(qū)域。對(duì)于海霧判識(shí)過(guò)程中，需要考慮臟空氣、霾的影響問(wèn)題在影像上表示為灰色，介于海霧和晴空之間，主要從中紅外波段入手。晴空的判識(shí)結(jié)果與海霧判識(shí)結(jié)果重疊，還需要再深入分析晴空判識(shí)中參數(shù)的合理性考慮到耀斑問(wèn)題的復(fù)雜性，暫且不考慮耀斑影響目前海霧判識(shí)過(guò)程中，對(duì)耀斑角大于30度的區(qū)域不進(jìn)行判識(shí)，直接忽略。海上災(zāi)害天氣監(jiān)測(cè)技術(shù)的研究與應(yīng)用晚上海霧識(shí)別算法采用固定閾值法，通過(guò)給定的海霧識(shí)別參數(shù)進(jìn)行海霧判識(shí)。主要使用ch4和ch1兩個(gè)通道的數(shù)據(jù)，共2組4個(gè) 判識(shí)閾值，分別為ch1最大最小值和（ch4-ch1） 最大最小值。晚上海霧判識(shí)不進(jìn)行“動(dòng)態(tài)閾值”分析，直接使用給出的閾

9、值范圍進(jìn)行判識(shí)。夜間海霧檢驗(yàn)?zāi)K實(shí)現(xiàn)對(duì)檢驗(yàn)夜間數(shù)據(jù)以判識(shí)海霧。主要采用DCD方法。夜間海霧厚度算法基遵照ELLROD的算法執(zhí)行。白天海霧的改進(jìn)方法： 通過(guò)圖像處理技術(shù)為海霧提取提供背景數(shù)據(jù)；海上災(zāi)害天氣監(jiān)測(cè)技術(shù)的研究與應(yīng)用改進(jìn)識(shí)別算法。原始可見光圖像原始判識(shí)結(jié)果溫度檢測(cè)結(jié)果紋理檢測(cè)結(jié)果噪聲消除結(jié)果邊緣擴(kuò)展(最終結(jié)果)海上災(zāi)害天氣監(jiān)測(cè)技術(shù)的研究與應(yīng)用靜止紅外通道TBB反演技術(shù)實(shí)現(xiàn)由共享內(nèi)存服務(wù)例程獲取標(biāo)稱IR1通道圖像數(shù)據(jù)塊及其對(duì)應(yīng)的定標(biāo)數(shù)據(jù)表，由此數(shù)據(jù)塊計(jì)算TBB數(shù)據(jù)，形成標(biāo)稱格式的TBB數(shù)據(jù)塊。c v3()= 1B v,T-1ec2v / T式中C1和C2為常數(shù)，由實(shí)驗(yàn)確定；為波數(shù)；T為溫度

10、，稱為黑體亮度溫度（black-body temperature,即TBB），又稱“亮度溫度”或簡(jiǎn)稱“亮溫”。統(tǒng)計(jì)分析發(fā)現(xiàn)：TBB達(dá)到-20以上都有對(duì)流天氣發(fā)生，只是出現(xiàn)的天氣現(xiàn)象并不相同。由此可利用紅外云圖疊加相當(dāng)黑體溫度（TBB）等值線來(lái)定量追蹤對(duì)流云泡的強(qiáng)度變化和移動(dòng)路徑。(MTSAT_2014_09_18_10_32_E_PJ3_ir1.jpg)大風(fēng)警報(bào)發(fā)布標(biāo)準(zhǔn)根據(jù)1、橙色氣象災(zāi)害應(yīng)急預(yù)案的要求，氣象臺(tái)制定海上大風(fēng)標(biāo)準(zhǔn)：預(yù)計(jì)未來(lái)48小時(shí)我國(guó)海區(qū)將出現(xiàn)平均風(fēng)力達(dá)11級(jí)及以上大風(fēng)天氣；2、黃色預(yù)計(jì)未來(lái)48小時(shí)我國(guó)海區(qū)將出現(xiàn)平均風(fēng)力達(dá)9-10級(jí)大風(fēng)天氣（矯梅燕，2010）。考慮到海上作業(yè)的抗

11、風(fēng)能力和客戶的特定需求，海洋環(huán)境預(yù)報(bào)中心制定如下海上大風(fēng)警報(bào)發(fā)布標(biāo)準(zhǔn)：預(yù)計(jì)未來(lái)48小時(shí)我國(guó)海區(qū)將出現(xiàn)8級(jí)及以上大風(fēng)天氣。大風(fēng)警報(bào)預(yù)計(jì)未來(lái)受影響海域出現(xiàn)6級(jí)7級(jí)大風(fēng)時(shí)，發(fā)布大風(fēng)大風(fēng)黃色警報(bào)警報(bào)。預(yù)計(jì)未來(lái)受影響海域出現(xiàn)8級(jí)9級(jí)大風(fēng)時(shí)，發(fā)布大風(fēng)黃色警報(bào)。大風(fēng)橙色警報(bào)預(yù)計(jì)未來(lái)受影響海域出現(xiàn)10級(jí)11級(jí)大風(fēng)時(shí)，發(fā)布大風(fēng)橙色警報(bào)。大風(fēng)紅色警報(bào)預(yù)計(jì)未來(lái)受影響海域出現(xiàn)大于或等于12級(jí)大風(fēng)時(shí)，發(fā)布大風(fēng)紅色警報(bào)。十天風(fēng)預(yù)報(bào)大風(fēng)預(yù)報(bào)發(fā)布/期）新增重點(diǎn)島、區(qū)、渤海五海區(qū)、東海兩點(diǎn)未來(lái)十天風(fēng)浪預(yù)報(bào)和西太平洋大面風(fēng)力預(yù)報(bào)（、中建島、西沙、南沙、曾母暗沙、仁愛礁、萬(wàn)安灘、遼東灣、萊州灣、渤海灣、渤海西北部、渤海海峽、春曉、

12、麗水12H/24H1天6H預(yù)報(bào)步長(zhǎng)過(guò)程過(guò)程要素/時(shí)序圖要素/大面圖形式趨勢(shì)趨勢(shì)要素發(fā)布頻次日周旬日日預(yù)報(bào)未來(lái)十天預(yù)報(bào)周預(yù)報(bào)（15年底旬預(yù)報(bào)（計(jì)劃取三天海區(qū)預(yù)報(bào)五天海區(qū)預(yù)報(bào)（業(yè)務(wù)化運(yùn)行）取消）消）（業(yè)務(wù)化運(yùn)行）（試運(yùn)行）發(fā)布時(shí)效240H7天10天3天120H天氣現(xiàn)象形式網(wǎng)格化預(yù)報(bào)技術(shù)的開展與應(yīng)用預(yù)報(bào)水平為目標(biāo)，瞄準(zhǔn)國(guó)內(nèi)外先進(jìn)技術(shù)發(fā)展前沿，強(qiáng)化研發(fā)，利用多源觀測(cè)數(shù)據(jù)和實(shí)況分析數(shù)據(jù)，開展數(shù)值預(yù)報(bào)解釋和訂正技術(shù)研究。技術(shù)和方法預(yù)報(bào)要素支持研發(fā)和業(yè)務(wù)應(yīng)用的相關(guān)項(xiàng)目章（成果）文章作者BP（Back Propagation）大連風(fēng)速、風(fēng)向、氣溫、能見度預(yù)報(bào)/大連試驗(yàn)海區(qū)氣象海洋綜合保障系統(tǒng)運(yùn)神經(jīng)絡(luò)法對(duì)WRF

13、數(shù)值模擬結(jié)果的初步釋（2011，海洋預(yù)報(bào)）鄧小花、支持向量機(jī)SVM(Support Vector Machine)廈門、青島能見度、降水預(yù)報(bào)/公益項(xiàng)目海域?yàn)I海旅游區(qū)海洋環(huán)境預(yù)報(bào)與應(yīng)急保障服務(wù)系統(tǒng)研制與示范項(xiàng)目運(yùn)持向量機(jī)法對(duì)數(shù)值模擬結(jié)果的初步釋（2015，海洋預(yù)報(bào)）鄧小花、分位數(shù)訂正方法（Quantile to Quantile ）珠三角、海警重點(diǎn)保障島礁風(fēng)速、風(fēng)向預(yù)報(bào)/港珠澳大橋島隧工程、海警執(zhí)法預(yù)報(bào)保障項(xiàng)目中國(guó)近海重點(diǎn)島礁附近海域海洋象預(yù)報(bào)訂正技術(shù)（2015，海峽象科技交流論集）、理論方法（Bayesian）中國(guó)近海風(fēng)速、浪高要素預(yù)報(bào)/大面漁業(yè)安全預(yù)報(bào)保障系統(tǒng)基于了理論的中國(guó)近海格化象要素概

14、率預(yù)報(bào)研究（2017，海洋預(yù)報(bào)）、模式平均（Bayesian MAverage）多模式集合改進(jìn)臺(tái)風(fēng)強(qiáng)度、海面風(fēng)預(yù)報(bào)（在研）Improvement to Tropical Cyclone Intensity Forecasts from Multi-MEnsemble（2018，JMR ）Song and以近海漁區(qū)精細(xì)化預(yù)報(bào)保障服務(wù)需求為引領(lǐng)，以提高客觀化、精細(xì)化訂正方法及ECMWF確定性預(yù)報(bào)(m/s)ECMWF模式評(píng)分漁區(qū)編號(hào)最優(yōu)訂正預(yù)報(bào)(m/s)概率區(qū)間預(yù)報(bào)(級(jí))概率預(yù)報(bào)等級(jí)1234 32333435 502503508.2 6 444

15、4 2243 111887.56.5 3.535.55 453.54-54-54-54-5 3-43-43-43-4 3-43-43-42222 2112 233 283號(hào)漁區(qū)（位于海峽，24°N-24.5°N, 118.5°E-119°E）最優(yōu)訂正值結(jié)果示意圖 優(yōu)選模式預(yù)報(bào)結(jié)果EC 模式評(píng)分 最優(yōu)訂正值 概率區(qū)間預(yù)報(bào) 等級(jí)1(interval1.0m/s) 2(1.0m/s<interval1.5m/s) 3(1.5m/s<interval2.0m/s) 4(interval>2.0m/s) 5(99.99)優(yōu)秀(0.9S<1)

16、良好(0.8S<0.9)中等(0.7S<0.8)及格(0.6S<0.7)較差(0S<0.6)示例（2016年6月19日12UTC的24小時(shí)預(yù)報(bào)）預(yù)報(bào)檢驗(yàn)再分析數(shù)據(jù)檢驗(yàn)2016年10月-2017年10月ERA-Interim 24h48h72h0.895%91%78%絕對(duì)誤差： （m/s）48h1.3231.3171.3311.33168%72h1.4481.4791.4961.41855%近海渤黃海東海1.5m/s24h1.2051.1841.1811.23373%0.946%15%7%預(yù)報(bào)檢驗(yàn)浮標(biāo)檢驗(yàn)2016年7月-2017年4月中國(guó)近海23個(gè)浮標(biāo)：絕對(duì)誤差： （m/

17、s）近海渤黃海東海48h2.1082.1252.5421.78372h2.1582.1832.5731.83224h2.1002.1042.5631.781天氣現(xiàn)象生成算法開發(fā)天氣現(xiàn)象“決策樹”預(yù)報(bào)方法流程圖基于動(dòng)力統(tǒng)計(jì)方法和“決策樹”方法的天氣現(xiàn)象客觀預(yù)報(bào)方法，含海霧和強(qiáng)對(duì)流天氣天氣現(xiàn)象形式區(qū)域范圍西北太平洋、強(qiáng)對(duì)流、大暴雨發(fā)生區(qū)域洋天空云量降水量分布 強(qiáng)對(duì)流天氣云頂亮溫低值區(qū)域（量計(jì)算、生成條件預(yù)報(bào)）云頂亮溫低值區(qū)域 海霧（量計(jì)算、生成條件預(yù)報(bào)）2016年6月15日14時(shí)EC高分辨率數(shù)值預(yù)報(bào)應(yīng)用項(xiàng)目 海警中石油向陽(yáng)紅3號(hào)氣象局項(xiàng)目5*精細(xì)化大氣預(yù)報(bào)模式雷暴區(qū)域概率預(yù)報(bào)David &

18、 Kimberly King Waveland, MS Before KatrinaDavid & Kimberly King Waveland, MS After Katrina熱帶氣旋各責(zé)任區(qū)劃分圖國(guó)際（）對(duì)熱帶氣旋的分類與分級(jí)熱帶氣旋當(dāng)前預(yù)報(bào)能力Atlantic Track Error TrendsAtlantic Intensity (um Wind) Error Trends近二十年來(lái)，熱帶氣旋路徑預(yù)報(bào)隨著全球范圍內(nèi)多源觀測(cè)資料的有效利用、對(duì)大氣-海洋物理機(jī)制的進(jìn)一步認(rèn)知、數(shù)值預(yù)報(bào)模式的改進(jìn)以及集合預(yù)報(bào)方法的廣泛應(yīng)用等，有了十分顯著的進(jìn)展。但是， 由于對(duì)熱帶氣旋自身內(nèi)部物理過(guò)

19、程和外部環(huán)境動(dòng)力機(jī)制了解不夠深入，以及作為下墊面的海洋與之相 互作用的關(guān)系還有諸多不確定因素，熱帶氣旋強(qiáng)度預(yù)報(bào)的改進(jìn)卻進(jìn)展緩慢。熱帶氣旋當(dāng)前預(yù)報(bào)能力Hurricane Forecast Improvement Project (HFIP) in 2008, a ten-year project aimed at reducing the average error in TC intensity forecasts by 20% in five years and by 50% in ten years, and improving the efficiency and accuracy of

20、 probabilisticforecasts of rapidly intensifying hurricanes (Gall., 2013).Qian Chuanhai., 2012; Demaria., 201414.024h48h12.072h96h10.0120h8.06.04.02.00.02000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015550500450400350300250200150100501991 1993 1995 1997 1999 2001 2003 20

21、05 2007 2009 2011 2013 201524h 48h 72h 96h 120h熱帶氣旋當(dāng)前預(yù)報(bào)能力2 day average track errors熱帶氣旋當(dāng)前預(yù)報(bào)能力2 day average track errors熱帶氣旋預(yù)報(bào)的模式分類genesis forecastsWhat does the “Cone” mean?What does the “Cone” mean?1.Likely area of tropical storm/ hurricane force windsWhat does the “Cone” mean?1.Likely area of trop

22、ical storm/ hurricane force windsLikely location of the center of the tropical storm/ hurricane2.What does the “Cone” mean?1.Likely area of tropical storm/ hurricane force windsLikely location of the center of the tropical storm/ hurricaneLikely area of tropical storm/ hurricane force winds, extreme

23、 rain, and/or life- threatening storm surge2.3.Much more hurricane risk today because of increased coastal populations Forecasting has improved, but will never be perfect always account for uncertainties through probabilistic impacts of wind and storm surge近5年美韓臺(tái)風(fēng)平均誤差：公里）（2013-2017年，（資料來(lái)源：中國(guó)氣象局上海臺(tái)風(fēng)）

24、近5年（2013-2017年）我國(guó)臺(tái)風(fēng)平均誤差達(dá)17.4km，明顯好于氣象廳（28.3km）、美國(guó)臺(tái)風(fēng)警報(bào)中心（26.5km）和韓國(guó)氣象廳（27.9km）的精度。1991-2017年（資料來(lái)源：氣象臺(tái)臺(tái)風(fēng)路徑預(yù)報(bào)誤差氣象洋預(yù)報(bào)臺(tái)，：公里）我國(guó)2010年以風(fēng)路徑24h預(yù)報(bào)誤差（km）CMANMEFC2010107-2011112-20129410920138210020147885201566652016667020177474近5年美24-120小時(shí)登陸華南臺(tái)風(fēng)路徑預(yù)報(bào)平均誤差（2013-2017年，：公里）（資料來(lái)源：氣象臺(tái)、氣象廳和美國(guó)臺(tái)風(fēng)警報(bào)中心）近5年（2013-2017年），登陸華南

25、地區(qū)的22個(gè)臺(tái)風(fēng)，我國(guó)臺(tái)風(fēng)24、48、72、96和120小時(shí)臺(tái)風(fēng)路徑預(yù)報(bào)平均誤差分別為74、131、186、224和294km，也均明顯好于氣象廳（88、160、233、343和338km）和美國(guó)km）的臺(tái)風(fēng)路徑預(yù)報(bào)水平。臺(tái)風(fēng)警報(bào)中心（87、139、203、294和3651991-2017年（資料來(lái)源：氣象臺(tái)臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)誤差：米/秒）氣象臺(tái)，臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)水平仍然徘徊不前近5年美24-120小時(shí)臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)平均誤差（2013-2017年，：米/秒）（資料來(lái)源：氣象臺(tái)、氣象廳和美國(guó)臺(tái)風(fēng)警報(bào)中心）近5年（2013-2017年），我國(guó)臺(tái)風(fēng)24、48、72、96和120小時(shí)臺(tái)風(fēng)強(qiáng)度預(yù)報(bào)平均誤差分別為4.

26、4、6.3、6.7、7.7和8.0米/秒，均明顯好于氣象廳（6.0、8.4和9.5米/秒，96和120小時(shí)不發(fā)報(bào)）和美國(guó)臺(tái)風(fēng)警報(bào)中心（5.7、8.1、9.3、9.8和10.7米/秒）的臺(tái)風(fēng)路徑預(yù)報(bào)水平臺(tái)風(fēng)集合預(yù)報(bào)優(yōu)化模型（TEPOM在對(duì)2018年生成的25個(gè)熱帶氣旋預(yù)報(bào)路徑誤差統(tǒng)計(jì)中，TEPOM模型年平均24小時(shí)預(yù)報(bào)誤差為70.9公里，年平均48小時(shí)預(yù)報(bào)誤差為129.1公里。經(jīng)驗(yàn)證預(yù)報(bào)時(shí)效小于48小時(shí)，可以有效提高數(shù)值預(yù)報(bào)模式的臺(tái)風(fēng)路徑預(yù)報(bào)能力，起到及時(shí)訂正、減小路徑預(yù)報(bào)誤差的作用；但隨著預(yù)報(bào)時(shí)效的加長(zhǎng)，在48小時(shí)以后表現(xiàn)不如ECMWF集合預(yù)報(bào)模式的結(jié)果。（模式檢驗(yàn)按照從時(shí)間推后12h計(jì)算）加

27、強(qiáng)同美國(guó)NCEP/EMC的交流與合作，實(shí)時(shí)獲取全球高分辨率集合預(yù)報(bào)、確定性預(yù)報(bào)（EC、NCEP、CMC、UK等等） 路徑 強(qiáng)度 影響范圍、概率計(jì)算8:82/Typhone.htm2018年西北太平洋熱帶氣旋路徑誤差統(tǒng)計(jì)海警海域海洋環(huán)境預(yù)報(bào)平臺(tái)業(yè)務(wù)化顯示臺(tái)風(fēng)集合預(yù)報(bào)優(yōu)化模型更新預(yù)報(bào)頻次-由4次/天增至6次/天起報(bào)時(shí)間：舊 昨天8時(shí)a昨天8時(shí)b昨天20時(shí)a 昨天20時(shí)b 391521I.同一時(shí)間，新的預(yù)報(bào)模式使用的數(shù)據(jù)更新，預(yù)報(bào)迭代次數(shù)！起報(bào)時(shí)間：新起報(bào)時(shí)間： 昨天8時(shí)c3 昨天20時(shí)b 昨天20時(shí)c 今天8時(shí)b91519721 昨天20時(shí)a II.每天的預(yù)報(bào)頻次 今天8時(shí)a！TC Intensi

28、ty Using Bayesian MAveragingIs a bogus TCIs a vortex relocationLead time and dailyMsymbolTypeDeveloperMresolutionYearsused?technique used?frequencyECMWF-IFSGlobal mECMWF9 km/L91NoNo240 h, 2 times per day20142016NCEP-GFSGlobal mNCEP/EMC13 km/L64NoYes240 h, 4 times per day20142016NCEP-HWRFRegional mNC

29、EP/EMC2 km/L61YesYes120 h, 4 times per day20142016Bayesian MAverageLaw of total probabilityKp( y) = å p( y | Mk =1) ´ p(M| yT )kkp( y | Mk )is forecast PDF based on mMk (ensemble member)Tp(Mk | y )is a posterior probability of mMk from training dataSum of each posterior probability is equa

30、l to 1, therefore it can be viewed as weights47Bayesian MAverageBMA predictive misKf ,., f ) = åw ´ gk ( y |p( y |fk )1kkk =1is normal PDF with mean fkgk ( y | fk )and standard deviationwkis a posterior probability of mk from training data (skill)fkis bias corrected forecast for mk (or mem

31、ber k)Therefore, a expectation value is Bayesian MAverageKE( y | f ,., f ) = å´ wfk1kkk =148Bayesian MAverageEstimation byum Likelihood and the EM AlgorithmKl(q ) = ålog(åw ´gk ( ys,t|fk ,s,t)kk =1s,tfkgk ( y | fk )is normal PDF with meanand standard deviation (s,t index)wki

32、s a posterior probability of mk from training data (skill)The main estimation is (step j),swj-1g( yj -1k|fk ,s,t)=ks,tjk ,s,tzKå wii=1fi,s,t ,s ij -1j -1g( ys,t|)49Bayesian MAverageWeights and standard deviations for each m(ensemble member) at step j- ås,t´ ( yjk ,s,t)2zfk ,s,t1å

33、s,ts,t=wjz j2 j ks=åkk ,s,tnjk ,s,tzs,tFinally, the BMA predictive variance isKKKåk- å wii=1+ å wkk =1´s) =´ fi,s,t )22kVar( ys,t | f,., fw( f1,s,tK ,s,tk ,s,tk =150TC Intensity Using Bayesian MAveragingLogistic transformation ( pobs (1), pobs (2), pobs (3),´´

34、´ ´´´ pobs (n)pobs (i) |i=1,nminminminminmin𝑃*+, (𝑖) 𝑃*+, (1)𝑒2() 1 '()'()𝑦(𝑖) =𝑓(𝑦(𝑖) =𝑃*+, (𝑛) 𝑃*+, (1)𝑒 1'()'()Transform back𝑥( = 𝑦( 𝑥

35、;) 𝑥:;+, +𝑥:y = ln𝑒 1 𝑓 2+ 1;+,選擇采用正態(tài)分布作為Pmin的概率分布密度函數(shù)。為了使假設(shè)合理，更加貼近實(shí)際情況，需要通過(guò)對(duì)歷史數(shù)據(jù)作正態(tài)分布的擬合，找出分布函數(shù)轉(zhuǎn)換的經(jīng)驗(yàn)公式。提取2014-2015年最佳路徑數(shù)據(jù)中的Pmin作為歷史樣本數(shù)據(jù)（見圖3a）。樣本數(shù)量一共2246個(gè)，經(jīng)過(guò)逐10百帕的從低到高順序排列，呈現(xiàn)出在TC偏弱，也就是Pmin值偏高的樣本頻數(shù)多，而TC強(qiáng)度強(qiáng)，Pmin值低的樣本頻數(shù)偏少的偏態(tài)分布情況。為了使得分布形態(tài)更便于BMA的模式計(jì)算，嘗試通過(guò)邏輯轉(zhuǎn)換的方 ogistics tr

36、ansformation）將原本偏態(tài)分布的變量轉(zhuǎn)換為更為貼近正態(tài)的分布（見圖3b），通過(guò)反復(fù)對(duì)比試驗(yàn)，經(jīng)驗(yàn)公式如下（見公式8-10）。首先對(duì)Pmin的樣本進(jìn)行由小到大的順序排列（見公式8），繼而得到所有樣本的最大值與最小值；用取值范圍在0至1的函數(shù)y來(lái)代表原來(lái)的變量Pmin（見公式9）；通過(guò)自然指數(shù)的變化，構(gòu)造一個(gè)與y相關(guān)的f(y)函數(shù)（見公式10），該函數(shù)較Pmin的分布更加接近正態(tài)。TC Intensity Using Bayesian MAveragingFig. 3 Histograms of (a) Pmin and (b) 𝑓(𝑦). There a

37、re 2466 samples from the best-track data for 20142015 in panel (a), whereas there are 1265 samples for the 24-h forecasts from the three forecast ms in panel (b) when best-track data are available.?𝑥( 𝑥𝑠?BA𝑁(𝑔=:E𝑥( 𝑥𝑠EBA𝑁 3(

38、9892;=Df(y)是否已經(jīng)遵從或近似遵從正態(tài)分布假定還需要通過(guò)正態(tài)分布檢驗(yàn)來(lái)進(jìn)一步證明。公式（11-12）分別是本文采用的標(biāo)準(zhǔn)偏度系數(shù)和峰度系數(shù)的計(jì)算公式。xH和S分別為樣本均值和標(biāo)準(zhǔn)差。在轉(zhuǎn)換前后偏態(tài)系數(shù)從-0.31變?yōu)?.15，通過(guò)邏輯轉(zhuǎn)換偏態(tài)系數(shù)從負(fù)值變?yōu)檎保⒏咏?，證明樣本數(shù)據(jù)從右偏調(diào)整為左偏，同時(shí)更加接近于對(duì)稱分布（偏態(tài)系數(shù)為0是完全對(duì)稱分布）。峰度系數(shù)公式中已經(jīng)減去3，所以遵從正態(tài)分布的峰度系數(shù)也將更接近于0。轉(zhuǎn)換前后峰度系數(shù)由-0.78變?yōu)?0.59，從形態(tài)上也更為接近標(biāo)準(zhǔn)正態(tài)分布。TC Intensity Using Bayesian MAveraging20142

39、016BMA-WeightRMSE（hPa）CASEHWRFEC-BCGFSHWRFEC-BCGFSEQWBMA24 h48 h72 h96 h120 h0.580.290.230.450.320.230.480.330.190.430.400.1717.122.521.516.615.721.925.426.421.320.924.126.629.523.422.925.026.530.423.823.227.026.632.424.823.9126511711030811623TC Intensity Using Bayesian MAveragingCross-V

40、alidationRMSE（hPa）BMA-predictive varianceCASEHWRFEC-BCGFSEQWBMA24 h48 h72 h96 h120 h17.022.521.516.915.822.025.526.421.520.824.126.629.523.922.825.126.530.424.323.126.926.632.425.123.815.419.921.922.222.5126411681024808616交叉驗(yàn)證方法（Cross-validation）的主要目的是從有限的樣本數(shù)據(jù)中獲取盡可能多的信 息，彌補(bǔ)樣本數(shù)量不夠大的不足，同時(shí)一定程 度上避免過(guò)度擬合問(wèn)

41、題。本文選用10折交叉驗(yàn) 證（10-fold cross validation）的數(shù)據(jù)處理方法， 即將2014-2016年3年的數(shù)據(jù)集分成十份，輪流將其中九份做訓(xùn)練，一份做驗(yàn)證。驗(yàn)證結(jié)果見 表4和圖6。從圖中可以看到BMA模式的驗(yàn)證結(jié) 果均方根誤差是最小的，比單個(gè)模式中表現(xiàn)最 佳的HWRF模式的均方根誤差不同時(shí)效下均有減小，提高幅度在5%-7%，也要比等權(quán)重集合平均EQW的均方根誤差小，且不同預(yù)報(bào)時(shí)效下BMA模式中Pmin的正態(tài)分布標(biāo)準(zhǔn)差（） (predictive variance) 值均略小于同時(shí)效下的均 方根誤差值，從另一個(gè)角度證明了BMA方法使 用在熱帶氣旋強(qiáng)度預(yù)報(bào)上的合理性。Table 4. 2014-2016年3年經(jīng)過(guò)交叉驗(yàn)證處理后的各個(gè)預(yù)報(bào)模式對(duì)Pmin預(yù)報(bào)的均方根誤差以及三個(gè)模式等權(quán)重平均后的均方根誤差（Equal weight）；BMA模式的預(yù)報(bào)均方根誤差以及各預(yù)報(bào)時(shí)效下BMA模式的預(yù)報(bào)方差（predictive variance）值。吊庁檤一、更重視數(shù)值模式天氣學(xué)評(píng)估非常重視對(duì)NCEP業(yè)務(wù)數(shù)值模式應(yīng)用和檢驗(yàn)評(píng)估:n 預(yù)報(bào)員在會(huì)商中通過(guò)