2024, Vol. 50 
2. 亚太台风研究中心，上海 201306；
3. 中国气象局台风数值预报重点实验室，上海 200030
2. Asia-Pacific Typhoon Collaborative Research Center, Shanghai 201306;
3. Key Laboratory of Numerical Modeling for Tropical Cyclone, CMA, Shanghai 200030
2022年西北太平洋和南海共生成25个热带风暴及以上等级的台风，其中峰值强度为热带风暴级12个，台风级6个，强台风级3个，超强台风级4个。台风活动表现出明显的群发性特征，台风生成位置偏北、偏西，登陆我国的台风数量偏少、强度偏强(钱奇峰等，2023)。
台风是影响我国的主要灾害性天气系统之一。在其活动过程中，常伴随狂风、暴雨、巨浪和风暴潮。台风影响陆地期间，虽有解除部分地区干旱的作用，但也会造成巨大损失(中国气象局，2022)，提高台风预报准确率是减轻台风灾害的关键(许映龙等，2010；端义宏等，2022)。预报评估是使用好数值预报产品的基础和首要工作(李泽椿等，2020)，是改进模式能力、提升模式产品可靠性的重要依据，也可为预报员、专业机构或用户选择客观产品提供重要参考(潘留杰等，2014；漆梁波，2015；陈笑等，2018)。钱奇峰和毛冬艳(2023)发现2010—2019年欧洲中期天气预报中心全球集合预报系统(ECMWF-EPS)的路径预报精度优于美国国家环境研究中心全球集合预报系统(NCEP-GEFS)。郭蓉等(2019)基于2012—2014年台风预报精度评定，选定了6家数值预报模式作为西北太平洋台风路径多模式集成预报方法的初始成员，12~48 h路径预报的精度较ECMWF有明显改进。王皘等(2022)归纳了中央气象台2012—2021年台风路径预报大误差来源的4种类型台风，发现转向变性型台风变性后的移速倾向于被低估；双台风型台风整体表现为预报偏左、偏慢；弱引导气流型台风引导气流弱且方向多变，导致移向误差大；异常型台风的移向误差大。
由于可供台风业务预报参考的主观和客观预报方法众多，为客观地评定台风业务预报方法性能，1988年起上海台风研究所受委托对全国的台风业务定位定强及路径和强度预报精度进行年度评定(雷小途，2021)。在历年年度评定(陈国民等，2021；2022；杨梦琪等，2023)的基础上，本文对2022年西北太平洋和南海海域25个台风的业务定位定强精度，以及路径和强度预报精度进行评定，以期帮助业务和科研人员较为系统地认识2022年各台风业务预报方法的预报性能。
1 资料与方法 1.1 资料本文所用的台风最佳路径数据由中国气象局上海台风研究所整编(https://tcdata.typhoon.org.cn/zjljsjj.html)，该数据集包含西北太平洋(含南海、赤道以北、180°E以西)台风逐6 h的位置和强度数据。2018年起，对于登陆我国的台风，在其登陆我国前24 h及在我国陆地活动期间，最佳路径时间频次加密为逐3 h一次(Ying et al，2014；Lu et al，2021)。
参加评定的各业务预报方法的数据取自实时业务资料库。本文对2022年国内外5个官方台风预报机构发布的实时主观台风中心位置和强度进行定位定强精度评定。此外，还对5个官方台风预报机构的主观路径和强度预报、5个全球模式、4个区域模式、1个集成预报方法的确定性路径和强度预报，以及6个集合预报系统的路径预报进行精度评定，参评的主观预报和客观预报方法详见表 1。
|
表 1 参评的主观预报和客观预报方法一览表 Table 1 List of subjective forecast and objective forecast methods for verification |
台风预报精度评定参照《台风业务和服务规定》(中国气象局，2012)中的台风分析和预报质量评定方法。
2 台风定位定强精度评定台风定位定强是台风预报的基础，其精度不仅影响台风路径和强度预报精度，也会影响台风带来的狂风、暴雨、风暴潮的预报精度(钱传海等，2012；余贞寿等，2020)。
表 2是以最佳路径数据作为参考，计算得到的2022年5个官方台风预报机构(表 1)全年定位平均误差和定强平均绝对误差(MAE)。结果表明：5个官方台风预报机构定位误差总体平均为22.3 km，相比2021年(24.7 km)改进9.7%，除JTWC定位平均误差较2021年略微增大外，其他机构定位精度有所提高。CMA定位平均误差(15.4 km)较2021年(19.7 km)(杨梦琪等，2023)减小21.8%。进一步以127°E为分界线，CMA 127°E以西的定位平均误差(12.0 km，191次)比127°E以东的定位平均误差(18.6 km，193次)小6.6 km。2022年定强MAE总体平均(2.2 m·s-1)相比2021年(2.6 m·s-1)减小0.4 m·s-1。CMA定强MAE(1.3 m·s-1)较2021年(1.4 m·s-1)略减小。同样本比较表明：CMA定位平均误差(14.4 km)和定强MAE(1.4 m·s-1)最小，定位平均误差相比JMA、JTWC、KMA和HKO分别提高了37.4%、41.7%、27.6%、37.1%。
|
|
表 2 2022年官方台风预报机构对25个台风的定位平均误差和定强平均绝对误差 Table 2 Mean of errors position estimation and mean absolute errors of intensity estimation of 25 typhoons by official typhoon forecasting agencies in 2022 |
将最佳路径台风强度按照热带风暴(TS)、强热带风暴(STS)、台风(TY)、强台风(STY)、超强台风(SuperTY)等级进行分类，2022年CMA在各强度等级的定位平均误差分别为22.8 km(TS，158次)、15.6 km(STS，75次)、11.3 km(TY，76次)、5.5 km (STY，48次)、1.5 km(SuperTY，28次)。图 1为各个官方台风预报机构在不同强度等级的同样本定位平均误差，结果表明：官方台风预报机构的定位误差与台风强度等级呈负相关，CMA在各强度等级的定位平均误差最小。
|
图 1 2022年官方台风预报机构不同强度等级的定位平均误差 Fig. 1 Mean errors of position estimation at each intensity grade by official typhoon forecasting agencies in 2022 |
表 3为2022年主观预报和客观预报方法各预报时效的路径预报非同样本平均误差。5个官方台风预报机构24、48、72、96和120 h路径预报平均误差区间分别为72.7~83.8、133.3~148.4、178.5~216.3、214.1~257.1和290.7~362.9 km，且较2021年普遍有所减小，24、48、72 h路径预报平均误差比2021年分别减小了5~15、5~25、15~40 km不等。
|
|
表 3 2022年各预报方法各预报时效的路径预报平均误差(单位：km) Table 3 Mean errors of track forecast (unit: km) by each forecast method at each lead time in 2022 |
客观预报相比主观预报存在时间滞后，主观预报通常参考12 h之前起报的客观预报，所以24、48、72、96和120 h主观预报大体参考36、60、84、108和132 h客观预报。全球模式路径预报性能差异较大，36、60、84、108和132 h路径预报平均误差区间分别为85.2~124.1、147.8~193.5、197.9~271.6、254.5~398.7、385.5~688.5 km。4个区域模式36 h和60 h路径预报平均误差区间分别为75.2~126.3 km、137.4~211.9 km。
2022年，SSTC各预报时效(12~120 h)的路径预报平均误差相对较小，其36、60、84和108 h路径预报平均误差分别为82.7、133.5、176.8、232.9 km(表 3)。SSTC路径预报的表现得益于集成成员的选定，12~72 h涵盖6个初始成员，分别为CMA-TRAMS、SHTM、ECMWF-IFS、NCEP-GFS、JMA-GSM、UKMO-MetUM，78~120 h涵盖3个初始成员，分别为ECMWF-IFS、NCEP-GFS、UKMO-MetUM。将SSTC分别与5个全球模式和4个域模式进行同样本比较，结果表明：5个全球模式中ECMWF-IFS各预报时效(12~120 h)路径预报平均误差普遍最小。SSTC 60 h及以内路径预报平均误差与ECMWF- IFS相当，然而3 d及以上路径预报平均误差明显小于ECMWF-IFS。4个区域模式中CMA-TRAMS各预报时效(12~72 h)路径预报平均误差小于其他区域模式，SSTC 60 h及以内路径预报平均误差与CMA-TRAMS相当，72 h路径预报平均误差小于CMA-TRAMS。
进一步分析主观、客观路径预报大误差，将预报误差大于95%分位数的样本作为大误差样本(表略)。5个官方台风预报机构24、48、72、96和120 h预报误差95%分位数分别为163.6~195.0、366.7~423.7、442.9~669.9、461.7~805.9、619.1~790.1 km，其中CMA 24 h预报误差95%分位数最小。全球模式和区域模式中，CMA-TRAMS各预报时效预报误差95%分位数最小，24、36、48、60、72 h分别对应95.2、114.3、177.4、258.1、310.8和403.7 km。主观、客观预报大误差主要由于低估台风移速，如2218号台风洛克、2212号台风梅花。
图 2展示了官方台风预报机构(图 2a~2c)、全球模式和区域模式(图 2d~2f)近15年(2008—2022年)24、48、72 h路径预报平均误差演变趋势，由于客观预报是主观预报发布的预报结果的重要参考，主观、客观预报方法历年平均误差变化趋势大体一致。2008—2015年官方台风预报机构和模式24、48、72 h路径预报平均误差持续并快速减小，自2013年起官方台风预报机构24、48、72 h路径预报平均误差分别向下突破100、150、250 km关口。2015年以来(2015—2022年)官方台风预报机构和模式路径预报平均误差没有表现出持续减小的趋势，全球模式中ECMWF-IFS历年路径预报平均误差普遍较小，区域模式中CMA-TRAMS历年路径预报平均误差普遍较小。
|
图 2 2008—2022年(a, b, c)主观预报和(d, e, f)客观预报方法24~72 h预报时效的路径预报平均误差 Fig. 2 Annually-mean errors of track forecast by (a, b, c) subjective forecast and (d, e, f) objective forecast methods with 24-72 h lead time during 2008-2022 |
2022年各预报方法相对于气候持续法(中国气象局，2012)的路径预报技巧评分列于表 4，5个官方台风预报机构24、48和72 h路径预报技巧评分区间分别为63.2%~71.7%、66.9%~72.4%、70.7%~74.0%。各客观预报方法24、48和72 h路径预报技巧评分均大于60%，其中SSTC、CMA-TRAMS和ECMWF-IFS各预报时效的路径预报技巧评分相对较高。
|
|
表 4 2022年各预报方法的路径预报技巧评分(单位：%) Table 4 Track forecast skill scores (unit: %) by each forecast method in 2022 |
2022年以热带风暴及以上等级登陆我国的台风共有4个，分别为2203号暹芭、2207号木兰、2209号马鞍和2212号梅花。其中，“暹芭”“木兰”“马鞍”各登陆我国1次，“梅花”登陆我国4次。“梅花”是1949年以来首次分别在我国4个不同省份登陆的台风，也是1949年以来最晚登陆山东和辽宁的台风。
表 5为2022年各主观预报和客观预报方法在台风登陆前24 h内发布的预报路径与海岸线的交点相对于台风实际登陆点之间的距离误差，结果表明：官方台风预报机构24 h内的登陆点预报误差总体平均小于50 km，对“马鞍”在广东电白的登陆点预报误差均小于40 km。CMA对“梅花”在辽宁金州的登陆点预报误差最小。全球模式24 h内的登陆点预报平均误差为30~50 km不等。CMA-GFS对“暹巴”和“马鞍”在广东电白、“梅花”在山东崂山的24 h内登陆点预报误差小于30 km。区域模式24 h内的登陆点预报平均误差为35~65 km不等，SHTM对“马鞍”在广东电白的24 h内登陆点预报误差相对较小，CMA-TRAMS和CMA-TYM对“梅花”在浙江普陀和上海奉贤的24 h内登陆点预报误差相对较小。
|
|
表 5 2022年各预报方法24 h内预报时效的登陆点预报误差(单位：km) Table 5 The 24 h landfall point forecast errors (unit: km) by each forecast method in 2022 |
集合预报通常能较好地反映数值预报模式对台风预报的不确定性，台风集合路径和强度预报产品在业务预报中发挥着重要的作用(张璟等，2022)。图 3为6个集合预报系统的集合平均路径预报误差，误差随预报时效的增长而增大。同样本比较表明(图 3b)：MSC-CENS各预报时效的路径预报平均误差在所有参评的集合预报系统中较大，ECMWF- EPS 24~72 h集合平均路径预报误差最小(24、36、48、60和72 h平均误差分别为65、90、125、175、220 km左右)。NCEP-GEFS 84~120 h集合平均路径预报误差最小(84、96、108和120 h平均误差分别为285、320、390、450 km左右)，JMA-GEPS次之。
|
图 3 2022年集合预报系统各预报时效(a)非同样本和(b)同样本集合平均路径预报误差 Fig. 3 Ensemble mean track forecast errors at each lead time by ensemble prediction systems in 2022 for (a) non-homogeneous and (b) homogeneous comparison |
图 4为2022年6个集合预报系统各预报时效的集合离散度和集合平均路径预报误差双向分位图。ECMWF-EPS(图 4a)和NCEP-GEFS(图 4c)各预报时效的集合离散度中位数大于集合平均路径预报误差中位数。随着预报时效递增，UKMO-EPS(图 4d)和STI-TEDAPS(图 4f)集合平均路径预报误差的中位数逐渐超过离散度中位数，JMA-GEPS(图 4b)和MSC-CENS(图 4e)集合离散度和集合平均路径预报误差的中位数基本相当。
|
图 4 2022年6个集合预报系统各预报时效的集合离散度和集合平均路径预报误差双向分位图 Fig. 4 Bi-directional quantitative chart of ensemble spreads and ensemble mean track forecast errors at each lead time by six ensemble prediction systems in 2022 |
若集合平均预报误差大于(小于)集合离散度，则代表集合预报系统倾向于低估(高估)台风路径预报的不确定性。因此，JMA-GEPS和MSC-CENS较好地表达了2022年台风路径预报的不确定性，而ECMWF-EPS和NCEP-GEFS在一定程度上倾向于高估了台风路径预报的不确定性，UKMO-EPS和STI-TEDAPS则倾向于低估了台风路径预报的不确定性。
4 台风强度预报精度评定 4.1 确定性预报2022年主观预报和客观预报方法强度(台风底层中心附近最大风速，下同)预报MAE、预报趋势一致率(RCT)、均方根误差(RMSE)和样本数(SIZE)列于表 6。RCT代表预报强度变化与实况强度变化的同号率(不同预报时效的强度变化以起报时刻为准)，RCT越高代表预报强度变化与实况强度变化的一致性越好，即对于强度变化趋势有更好的预报性能。表 6表明：5个官方台风预报机构全年24、48、72、96和120 h强度预报MAE区间分别为4.5~5.5、6.7~7.6、6.8~8.2、5.9~7.2和5.5~7.3 m·s-1。全球模式中NCEP-GFS各预报时效的MAE和RMSE相对较小，RCT相对较高。区域模式中CMA-TRAMS各预报时效的MAE和RMSE相对较小，而HWRF各预报时效的RCT相对较高。各主观预报和客观预报方法的强度预报共性特征为各预报时效的强度预报最大偏弱幅度普遍大于最大偏强幅度。2022年台风快速增强多发(钱奇峰等，2023)，对台风快速增强阶段的预报能力不足是极端性预报偏弱的主要原因之一。
|
|
表 6 2022年各预报方法各预报时效的强度预报平均绝对误差、预报趋势一致率和均方根误差 Table 6 MAE, RCT and RMSE by each forecast method at each lead time in 2022 |
强度预报MAE同样本比较表明(表略)：5个官方台风预报机构中，CMA 24 h和48 h强度预报MAE(4.3 m·s-1和6.0 m·s-1)最小，JMA 72 h和96 h强度预报MAE(6.0 m·s-1和5.1 m·s-1)最小，JTWC 120 h强度预报MAE(4.8 m·s-1)最小。5个全球模式中，JMA-GSM 24 h强度预报MAE(7.0 m·s-1)最小，NCEP-GFS 48、72、96和120 h强度预报MAE(8.3、7.1、4.9和5.4 m·s-1)最小。4个区域模式中，HWRF 24、48和72 h强度预报MAE(6.1、7.1和6.6 m·s-1)最小，其次为CMA-TRAMS(6.9、7.7和7.5 m·s-1)。
进一步分析客观预报方法全年强度预报误差中位数，若强度预报误差中位数为负值(正值)，代表预报强度偏弱(偏强)的概率大。结果表明，CMA-GFS、ECMWF-IFS、UKMO-MetUM和SHTM强度预报偏弱(即低估台风强度)的概率大。HWRF强度预报偏强(即高估台风强度)的概率大。NCEP-GFS、JMA-GSM、CMA-TRAMS和CMA-TYM强度预报系统性偏差不明显。
纵向比较主观预报和客观预报方法历年强度预报MAE(图 5)，结果表明：2022年官方台风预报机构强度预报MAE较2021年普遍有所增大，24、48、72 h强度预报MAE比2021年分别增加了0.1~1.1、0.9~2.1、0.7~2.3 m·s-1不等。2022年全球模式和区域模式中仅CMA-TRAMS和UKMO-MetUM各预报时效的强度预报MAE较2021年有所减小。近十年(2013—2022年)，主观预报和客观预报方法的路径预报平均误差没有呈现持续减小的趋势，近五年(2018—2022年)官方台风预报机构24、48和72 h强度预报MAE大体在4.0~5.0、5.0~ 7.5、5.0~8.0 m·s-1，CMA各预报时效的强度预报MAE相对较小，全球模式和区域模式中NCEP-GFS、CMA-TYM和HWRF强度预报MAE相对较小。
|
图 5 2011—2022年(a, b, c)主观预报和(d, e, f)客观预报方法24~72 h预报时效的强度预报平均绝对误差 Fig. 5 Annually-mean absolute errors of intensity forecasts by (a, b, c) subjective forecast and (d, e, f) objective forecast methods with 24-72 h lead times during 2011-2022 |
2022年各主观预报和客观预报方法相对于气候持续法的强度预报技巧评分列于表 7。5个官方台风预报机构24、48和72 h强度预报均为正技巧，24、48和72 h技巧评分区间分别为26.0%~37.3%、17.4%~29.1%和21.8%~51.2%，CMA 24 h技巧评分最高。对于24、48和72 h，客观预报方法中NCEP-GFS、UKMO-MetUM、JMA-GSM、CMA-TRAMS、CMA-TYM和HWRF均达到正技巧，全球模式中NCEP-GFS技巧评分最高(分别为13.3%、23.5%、43.9%)，区域模式中HWRF技巧评分最高(分别为32.3%、34.6%、46.2%)，其次为CMA-TRAMS(分别为27.1%、30.0%、39.7%)。进一步分析历年强度预报技巧评分，近五年(2018—2022年)5个官方台风预报机构24 h和48 h均为正技巧，且技巧评分变化趋势大体一致，差别为10%~20%。
|
|
表 7 2022年各预报方法的强度预报技巧评分(单位：%) Table 7 Intensity forecast skill scores (unit: %) by each forecast method in 2022 |
本文对2022年西北太平洋及南海台风的业务定位定强精度，以及路径和强度预报精度进行评定，主要结论如下：
(1) 2022年，CMA定位平均误差和定强MAE最小，定位平均误差(15.4 km)较2021年(19.7 km)减小21.8%，定强MAE(1.3 m·s-1)较2021年(1.4 m·s-1)略减小。此外，官方台风预报机构定位误差与台风强度等级呈负相关。
(2) 2015—2022年官方台风预报机构历年24、48、72 h路径预报平均误差区间大体为65~100、110~160、175~255 km。2022年，主观预报和客观预报方法路径预报平均误差较2021年普遍有所减小。全球模式中ECMWF-IFS路径预报平均误差普遍最小，区域模式中CMA-TRAMS平均误差最小。SSTC、CMA-TRAMS和ECMWF-IFS路径预报技巧评分相对较高，SSTC相比全球模式和区域模式存在一定优势。
(3) JMA-GEPS和MSC-CENS较好地表达了2022年路径预报的不确定性，而ECMWF-EPS和NCEP-GEFS在一定程度上倾向于高估了路径预报的不确定性，UKMO-EPS和STI-TEDAPS则倾向于低估了路径预报的不确定性。
(4) 2018—2022年官方台风预报机构24、48和72 h台风强度预报MAE大体为4.0~5.0、5.0~7.5、5.0~8.0 m·s-1。2022年，NCEP-GFS、JMA-GSM、CMA-TRAMS和CMA-TYM强度预报系统性偏差不明显，NCEP-GFS、HWRF和CMA-TRAMS强度预报技巧评分相对较高。
陈国民, 杨梦琪, 张喜平, 等, 2022. 2020年西北太平洋和南海台风预报精度评定[J]. 气象, 48(4): 516-525. Chen G M, Yang M Q, Zhang X P, et al, 2022. Verification on forecasts of typhoons over Western North Pacific and South China Sea in 2020[J]. Meteor Mon, 48(4): 516-525 (in Chinese).
|
陈国民, 张喜平, 杨梦琪, 等, 2021. 2019年西北太平洋和南海台风预报精度评定[J]. 气象, 47(10): 1266-1276. Chen G M, Zhang X P, Yang M Q, et al, 2021. Verification on forecasts of typhoons over Western North Pacific and South China Sea in 2019[J]. Meteor Mon, 47(10): 1266-1276 (in Chinese). DOI:10.7519/j.issn.1000-0526.2021.10.009
|
陈笑, 赵东, 何晓凤, 等, 2018. 基于MODE对模式预报强风风场的检验分析[J]. 气象, 44(8): 1009-1019. Chen X, Zhao D, He X F, et al, 2018. Evaluation and analysis of model forecast performance of high wind based on MODE method[J]. Meteor Mon, 44(8): 1009-1019 (in Chinese).
|
端义宏, 陈联寿, 王元, 2022. 登陆台风异常变化机理[M]. 北京: 科学出版社. Duan Y H, Chen L S, Wang Y, 2022. Mechanisms of unusual variations of landfalling typhoons[M].
Beijing: Science Press (in Chinese).
|
郭蓉, 余晖, 漆梁波, 等, 2019. 台风路径多模式集成预报技术研究[J]. 气象科学, 39(6): 839-846. Guo R, Yu H, Qi L B, et al, 2019. A study on multi-model ensemble forecast technique for typhoon track[J]. J Meteor Sci, 39(6): 839-846 (in Chinese).
|
雷小途, 2021. 中国台风联防与科研协作及其对中国台风学科发展的作用综述[J]. 气象学报, 79(3): 531-540. Lei X T, 2021. Overview of typhoon prevention and cooperative research and their contribution to typhoon study in China[J]. Acta Meteor Sin, 79(3): 531-540 (in Chinese).
|
李泽椿, 张玲, 钱奇峰, 等, 2020. 中央气象台台风预报业务的发展及思考[J]. 大气科学学报, 43(1): 10-19. Li Z C, Zhang L, Qian Q F, et al, 2020. The development and consideration of typhoon forecast operation of National Meteorological Centre[J]. Trans Atmos Sci, 43(1): 10-19 (in Chinese).
|
麻素红, 沈学顺, 龚建东, 等, 2021a. 国家气象中心台风数值预报系统的发展[J]. 气象, 47(6): 685-692. Ma S H, Shen X S, Gong J D, et al, 2021a. Development of typhoon numerical prediction system in National Meteorological Centre[J]. Meteor Mon, 47(6): 685-692 (in Chinese).
|
麻素红, 张进, 瞿安祥, 等, 2021b. 垂直分层加密和预报区域扩大对GRAPES_TYM台风预报的影响[J]. 气象学报, 79(1): 94-103. Ma S H, Zhang J, Qu A X, et al, 2021b. Impacts to tropical cyclone prediction of GRAPES_TYM from increasing of model vertical levels and enlargement of model forecast domain[J]. Acta Meteor Sin, 79(1): 94-103 (in Chinese).
|
潘留杰, 张宏芳, 王建鹏, 2014. 数值天气预报检验方法研究进展[J]. 地球科学进展, 29(3): 327-335. Pan L J, Zhang H F, Wang J P, 2014. Progress on verification methods of numerical weather prediction[J]. Adv Earth Sci, 29(3): 327-335 (in Chinese).
|
漆梁波, 2015. 高分辨率数值模式在强对流天气预警中的业务应用进展[J]. 气象, 41(6): 661-673. Qi L B, 2015. Operational progress of high-resolution numerical model on severe convective weather warning[J]. Meteor Mon, 41(6): 661-673 (in Chinese).
|
钱传海, 端义宏, 麻素红, 等, 2012. 我国台风业务现状及其关键技术[J]. 气象科技进展, 2(5): 36-43. Qian C H, Duan Y H, Ma S H, et al, 2012. The current status and future development of China operational typhoon forecasting and its key technologies[J]. Adv Meteor Sci Technol, 2(5): 36-43 (in Chinese).
|
钱奇峰, 董林, 许映龙, 等, 2023. 2022年西北太平洋和南海台风活动特征和预报难点分析[J]. 气象, 49(10): 1254-1266. DOI:10.7519/j.issn.1000-0526.2023.080302 |
Qian Q F, Dong L, Xu Y L, et al, 2023. Analysis on the characteristics and forecast difficulties of the typhoons over the Northwest Pacific and the South China Sea in 2022[J]. Meteor Mon, 49(10): 1254-1266. DOI:10.7519/j.issn.1000-0526.2023.080302
|
钱奇峰, 毛冬艳, 2023. 2010—2019年ECWMF和NCEP集合模式对热带气旋路径预报的性能评估[J]. 气象, 49(2): 224-234. Qian Q F, Mao D Y, 2023. Evaluation of tropical cyclone track forecast performance of ECMWF and NCEP ensemble models from 2010 to 2019[J]. Meteor Mon, 49(2): 224-234 (in Chinese).
|
瞿安祥, 麻素红, 张进, 等, 2022. CMA-GFS全球预报系统中的台风初始化[J]. 气象学报, 80(2): 269-279. Qu A X, Ma S H, Zhang J, et al, 2022. Typhoon initialization in the CMA global forecast system[J]. Acta Meteor Sin, 80(2): 269-279 (in Chinese).
|
沈学顺, 陈起英, 孙健, 等, 2021. 中央气象台全球中期数值预报业务系统的发展[J]. 气象, 47(6): 645-654. Shen X S, Chen Q Y, Sun J, et al, 2021. Development of operational global medium-range forecast system in National Meteorological Centre[J]. Meteor Mon, 47(6): 645-654 (in Chinese).
|
王皘, 许映龙, 董林, 等, 2022. 2012—2021年中央气象台台风3~5 d路径预报误差分析[J]. 海洋预报, 39(6): 25-33. Wang Q, Xu Y L, Dong L, et al, 2022. Analysis of typhoon track forecast errors for 3~5 days by Central Meteorological Observatory from 2012 to 2021[J]. Marine Forecasts, 39(6): 25-33 (in Chinese).
|
徐道生, 陈子通, 张艳霞, 等, 2020. 南海台风模式TRAMS 3.0的技术更新和评估结果[J]. 气象, 46(11): 1474-1484. Xu D S, Chen Z T, Zhang Y X, et al, 2020. Updates in TRAMS 3.0 model version and its verification on typhoon forecast[J]. Meteor Mon, 46(11): 1474-1484 (in Chinese). DOI:10.7519/j.issn.1000-0526.2020.11.008
|
许映龙, 张玲, 高拴柱, 2010. 我国台风预报业务的现状及思考[J]. 气象, 36(7): 43-49. Xu Y L, Zhang L, Gao S Z, 2010. The advances and discussions on China operational typhoon forecasting[J]. Meteor Mon, 36(7): 43-49 (in Chinese).
|
杨梦琪, 陈国民, 张喜平, 等, 2023. 2021年西北太平洋和南海台风预报精度评定[J]. 气象, 49(8): 1005-1019. Yang M Q, Chen G M, Zhang X P, et al, 2023. Verification on typhoons forecasts over the Western North Pacific and the South China Sea in 2021[J]. Meteor Mon, 49(8): 1005-1019 (in Chinese).
|
余贞寿, 冀春晓, 张红蕾, 等, 2020. 涡旋追踪技术在浙江区域模式台风定位定强中的应用研究[J]. 气象, 46(11): 1461-1473. Yu Z S, Ji C X, Zhang H L, et al, 2020. Application of GFDL vortex tracker technique to the Zhejiang regional NWP models[J]. Meteor Mon, 46(11): 1461-1473 (in Chinese). DOI:10.7519/j.issn.1000-0526.2020.11.007
|
张璟, 李泓, 段晚锁, 等, 2022. 台风集合预报研究进展[J]. 大气科学学报, 45(5): 713-727. Zhang J, Li H, Duan W S, et al, 2022. Review on the research progress of typhoon ensemble forecast[J]. Trans Atmos Sci, 45(5): 713-727 (in Chinese).
|
中国气象局, 2012. 台风业务和服务规定[M]. 北京: 气象出版社: 38-41. China Meteorological Administration, 2012. Regulations on Typhoon Operations and Services[M].
Beijing: China Meteorological Press: 38-41 (in Chinese).
|
中国气象局, 2022. 热带气旋年鉴2020[M]. 北京: 气象出版社. China Meteorological Administration, 2022. Yearbook of Tropical Cyclone 2020[M].
Beijing: China Meteorological Press (in Chinese).
|
Biswas M K, Zhang J A, Grell E, et al, 2020. Evaluation of the Grell-Freitas convective scheme in the Hurricane Weather Research and Forecasting (HWRF) model[J]. Wea Forecasting, 35(3): 1017-1033. DOI:10.1175/WAF-D-19-0124.1
|
Gagnon S, Deng X X, 2019. Ensemble forecast systems and future applications at MSC[C]//Proceedings of the 8th NCEP Ensemble User Workshop. Maryland: College Park.
|
Haiden T, Janousek M, Vitart F, et al, 2021. Evaluation of ECMWF forecasts, including the 2021 upgrade[R]. Reading: ECMWF.
|
Heming J T, 2016. Met office unified model tropical cyclone performance following major changes to the initialization scheme and a model upgrade[J]. Wea Forecasting, 31(5): 1433-1449. DOI:10.1175/WAF-D-16-0040.1
|
Inverarity G W, Tennant W J, Anton L, et al, 2023. Met office MOGREPS-G initialisation using an ensemble of hybrid four-dimensional ensemble variational (En-4DEnVar) data assimilations[J]. Quart J Roy Meteor Soc, 149(753): 1138-1164. DOI:10.1002/qj.4431
|
Li H, Luo J Y, Xu M T, 2019. Ensemble data assimilation and prediction of typhoon and associated hazards using TEDAPS: evaluation for 2015-2018 seasons[J]. Front Earth Sci, 13(4): 733-743. DOI:10.1007/s11707-019-0794-4
|
Lu X Q, Yu H, Ying M, et al, 2021. Western North Pacific tropical cyclone database created by the China Meteorological Administration[J]. Adv Atmos Sci, 38(4): 690-699. DOI:10.1007/s00376-020-0211-7
|
Magnusson L, Majumdar S, Emerton R, et al, 2021. Tropical cyclone activities at ECMWF[R]. Reading: ECMWF.
|
Palmer T, 2019. The ECMWF ensemble prediction system: looking back (more than) 25 years and projecting forward 25 years[J]. Quart J Roy Meteor Soc, 145(S1): 12-24. DOI:10.1002/qj.3383
|
Short C J, Petch J, 2018. How well can the met office unified model forecast tropical cyclones in the Western North Pacific?[J]. Wea Forecasting, 33(1): 185-201.
|
Yamaguchi H, Adachi Y, Hirahara S, et al, 2022. (2022-03-15)[2023-12-29]. Upgrade of JMA's global ensemble prediction system[R/OL]. https://wgne.net/bluebook/uploads/2022/docs/06_Yamaguchi_Haruki_JMAGEPS2203.pdf.
|
Ying M, Zhang W, Yu H, et al, 2014. An overview of the China Meteorological Administration tropical cyclone database[J]. J Atmos Ocean Technol, 31(2): 287-301.
|
Yonehara H, 2021. Upgrades to JMA's operational NWP high-resolution global model[R]. Tokyo: Japan Meteorological Agency.
|
Zhang Y X, Xu D S, Chen Z T, et al, 2022. Offline diagnostics of skin sea surface temperature from a prognostic scheme and its application in typhoon forecasting using the CMA-TRAMS model over South China[J]. Atmosphere, 13(8): 1324.
|
Zhou X Q, Juang H M H, 2023. A model instability issue in the National Centers for Environmental Prediction Global Forecast System version 16 and potential solutions[J]. Geosci Model Dev, 16(11): 3263-3274.
|
Zhou X Q, Zhu Y J, Hou D C, et al, 2022. The development of the NCEP global ensemble forecast system version 12[J]. Wea Forecasting, 37(6): 1069-1084.
|