《Atmospheric and Oceanic Science Letters》:Nonstationary bias correction of 10-m wind speed forecasts from the CMA-MESO model over eastern China
编辑推荐:
数值天气预报(NWP)的精度受初始条件偏差、系统性偏差及随机偏差制约。系统性偏差常呈现显著的时空变化,即非平稳性,给传统静态订正方法带来挑战。研究人员基于CLDAS网格观测,系统量化了华东地区CMA-MESO模式12–36小时10米风速预报的非平稳偏差特征,发
数值天气预报(NWP)的精度受初始条件偏差、系统性偏差及随机偏差制约。系统性偏差常呈现显著的时空变化,即非平稳性,给传统静态订正方法带来挑战。研究人员基于CLDAS网格观测,系统量化了华东地区CMA-MESO模式12–36小时10米风速预报的非平稳偏差特征,发现偏差存在明显季节与区域差异,时间波动证实其非平稳性。为此,研究人员构建了格点特异的动态非平稳偏差订正框架:在各格点用滑动平均时序对预报值与偏差拟合二次模型,并通过比较不同时长训练集选取最优训练长度,既捕捉偏差随风速的比例缩放,又保留微小但不可忽略的二次曲率。独立检验表明,该方案有效降低了华东地区10米风速预报均方根误差(RMSE),四季平均降幅约67%,在强风条件下亦成立。最优模型通过近期天气型学习实现动态订正,具有训练数据需求少(5–14天)、物理可解释性强、格点建模等优势,验证了定量非平稳偏差分析与动态建模的可行性,为发展适应性更强的偏差订正技术提供新途径。
研究背景方面,数值天气预报(NWP)是现代气象学基石,但即便高分辨率模式如CMA-MESO(中国气象局中尺度模式)物理过程不断改进,预报偏差仍存,其中系统性偏差具有显著时空非平稳性,表现为随区域、季节、日变化而变。传统静偏差订正(如均值订正、线性回归、频率匹配)假设偏差时不变,难以适应非平稳特征;虽有衰减平均等动态方法用于温度,但在中尺度高分辨率风速这种细时空尺度(<10 km、小时级)下,非平稳偏差是否同样显著、如何优化非平稳偏差订正(NBC)尚缺系统分析。因此,研究人员以2024年华东陆地(20°–45°N,105°–125.5°E)CMA-MESO 3 km分辨率、0000 UTC起报12–36小时10米风速预报为对象,配合CLDAS(中国气象局陆面数据同化系统)0.0625°小时观测,揭示非平稳规律并构建自适应订正框架。
主要关键技术方法上,研究人员采用CMA-MESO v5.0模式预报与CLDAS强迫数据集,取2024年全年四季分组、0000 UTC起报12–36小时时效;对每个格点先以5小时滑动窗口平滑预报与观测序列,定义偏差序列B为滑动预报减滑动观测;继而建立预报—偏差二次拟合关系B′=β1(Vm)2+β2Vm+β3,以最小二乘估参;训练集长度k取5–14天遍历,用决定系数R2k评价拟合优度,选最大R2k对应长度与系数为该格点最优模型;将待订正预报经同滑动平均后代入最优模型得估计偏差,从原预报剔除即得订正值。该方法以R2替代前人Pearson相关评价非线性拟合,并以自适应训练长度替代固定窗口。
研究结果部分,3.1节验证模式非平稳偏差:计算四季小时风速偏差,发现全季系统性高估,春、夏、秋、冬均偏分别为2.22、2.15、1.92、2.01 m s?1;偏差标准差春(1.60)、冬(1.62)最大,复杂地形(西北、西南)偏差及其波动更强,东南部分区较弱,证实偏差随时空非平稳。区域平均预报—偏差散点二次拟合R2达0.81–0.95,偏差随预报风速近似线性增长,说明偏差非定常偏移而是比例缩放,且带轻微曲率。3.2节非平稳偏差拟合:各格点选最优二次模型,线性系数β2全年为正,二次系数β1多数为负(指示强风下饱和效应),华北平原夏正秋负,东南沿海符号空间异质;β1虽小(?0.1~0.1)但因风速平方放大不可忽略。最优训练长度空间分异,多数格点≤14天即R2>0.8,江南夏秋需更长、春季约5天足够,反映天气型记忆尺度季节差异。3.3节订正效果:以各季第30日为训验分界,对随后5天检验,四季区域平均RMSE由2.73、2.53、2.50、2.54 m s?1降至0.92(?66.30%)、0.81(?67.98%)、0.79(?68.40%)、0.87(?65.75%),全文降幅超65%;强风(>10 m s?1)下RMSE降约73%,台风Bebinca个例降约70%,空间相关达0.94–0.96;但预报—观测相关系数未明显改善,因NBC消除幅度依赖系统偏差,未修正相位偏差(天气系统传播时序误差)。
讨论与结论翻译方面,研究人员在讨论中指出,二次偏差—预报关系反映模式物理与大气过程在变风速下的复杂交互,NBC在效果与计算成本间取得平衡,相较需海量数据与算力的机器学习具数据省、可解释强、格点独立优势;框架可拓至温度、比湿等具类似非平稳关系的变量,未来可融合集合预报以同时订正偏差与估计不确定性。结论部分原文四点浓缩为:其一,CMA-MESO 10米风速偏差具显著季节与区域非平稳性,时间波动进一步佐证,构成动态订正基础;其二,偏差随预报风速比例缩放(β2全年正),β1虽小但不可略,证明即便系数微弱也须捕捉曲率;其三,最优训练长度短(5–14天)且呈季节空间格局,反映区域偏差可预报记忆尺度各异;其四,动态订正框架稳健,RMSE降超65%,具业务应用潜力。该研究发表于《Atmospheric and Oceanic Science Letters》,为高分辨率区域NWP精细订正提供可操作方案。