[论文解读] Post-processing output from ensembles with and without parametrised convection, to create accurate, blended, high-fidelity rainfall forecasts

Estíbaliz Gascón, A. Montani+1 more|arXiv (Cornell University)|Jan 11, 2023

Meteorological Phenomena and Simulations被引用 5

一句话总结

本文提出了一种新颖的融合框架，通过基于预报时效加权的融合方法，将后处理后的全球（ECMWF）和对流分辨率区域有限区域模型（COSMO-2I-EPS）集合降雨预报相结合。通过对全球集合应用 ecPoint-降雨后处理，对LAM集合采用选择性尺度的邻域技术，该方法生成了更准确、保真度更高的6小时概率性降雨预报，融合产品在验证中优于所有单独组件，尤其在夏季对流性天气事件中表现更优。

ABSTRACT

Flash flooding is a significant societal problem, but related precipitation forecasts are often poor. To address this, one can try to use output from convection-parametrising (global) ensembles, post-processed to forecast at point-scale, or convection-resolving limited area ensembles. In this study, we combine both. First, we apply the "ecPoint-rainfall" post-processing to the ECMWF global ensemble. Then, we use 2.2km COSMO LAM ensemble output (centred on Italy), and also post-process it using a scale-selective neighbourhood approach to compensate for insufficient members. The two components then undergo lead-time-weighted blending, to create the final probabilistic 6h rainfall forecasts. Product creation for forecasters constituted the "Italy Flash Flood use case" within the EU-funded MISTRAL project and it will be a real-time open-access product. One year of verification shows that ecPoint is the most skilful ensemble product. The post-processed COSMO ensemble adds most value to summer convective events in the evening, when the global model has an underprediction bias. In two heavy rainfall case studies we observed underestimation of the largest point totals in the raw ECMWF ensemble, and overestimation in the raw COSMO ensemble. However, ecPoint increase the value and highlighted best the most affected areas, whilst post-processing of COSMO diminished extremes by eradicating unreliable detail. The final merged products looked best from a user perspective and seemed to be the most skilful of all. Although our LAM post-processing does not implicitly include bias correction (a topic for further work) our study nonetheless provides a unique blueprint for successfully combining ensemble rainfall forecasts from global and LAM systems around the world. It also has important implications for forecast products as global ensembles move ever closer to having convection-permitting resolution.

研究动机与目标

• 解决全球模式因次网格尺度变异性导致的点尺度降雨预报不准确问题，尤其针对突发性洪水事件。
• 通过结合对流参数化全球集合与对流解析区域模型（LAM）的输出，提升对流性降水的预报技巧。
• 开发一种无缝、高保真度的概率性降雨预报系统，在保留局部细节的同时，减少高分辨率LAM输出中的噪声与偏差。
• 构建一种实用、实时运行的突发性洪水预警系统框架，以MISTRAL项目中的意大利突发性洪水案例为示范。

提出的方法

• 对ECMWF全球集合应用ecPoint-降雨后处理，将格点箱内降雨总量转换为准确的点尺度预报。
• 采用选择性尺度邻域技术对2.2公里COSMO-LAM集合进行后处理，以减少虚假的小尺度特征，同时保留可靠的局部细节。
• 通过预报时效加权平均法融合两个后处理后的分量，生成最终的无缝概率性6小时降雨预报。
• 使用一年实时验证数据及两次强降雨事件的详细案例研究对方法进行验证。
• 采用验证指标评估预报技巧，重点关注极端降雨总量与空间准确性。
• 通过可视化与定量评估，检验最终融合产品在用户相关性、可信度与可靠性方面的表现。

实验结果

研究问题

• RQ1 与原始输出或单独后处理后的输出相比，融合后处理后的全球与LAM集合预报是否能提升概率性6小时点尺度降雨预报的性能？
• RQ2 选择性尺度邻域技术如何提升成员数有限的高分辨率LAM预报的可靠性？
• RQ3 ecPoint-降雨后处理在多大程度上纠正了全球集合降雨总量的偏差，特别是对对流性天气事件？
• RQ4 最终融合预报产品是否在突发性洪水事件的预报技巧与用户可信度方面全面优于所有输入组件？
• RQ5 该融合系统在不同季节与不同预报时效下的表现如何，特别是在夏季对流性天气事件中？

主要发现

• 在一年验证中，经过ecPoint后处理的全球集合是五种组件（原始ECMWF、后处理ECMWF、原始COSMO、后处理COSMO、融合产品）中技巧最高的。
• 在夏季傍晚对流性天气事件中，COSMO-LAM集合的后处理显著提升了预报价值，此时全球模式表现出系统性低估偏差。
• 在两次案例研究中，原始COSMO高估了最大点降雨量，而原始ECMWF则低估了这些量；后处理有效缓解了两种系统的误差。
• 最终融合产品在用户眼中最具可信度与准确性，结合了ecPoint的广域预报技巧与后处理COSMO的局部细节。
• 选择性尺度邻域技术成功识别出可靠的中小尺度特征，尤其在地形复杂区域及锋面附近表现突出。
• 融合预报在60小时以上仍保持高技巧，尽管LAM组件的附加值随预报时效延长而减弱，与其它高分辨率LAM系统的研究结果一致。