混合集成降水预报方法

Multi-model ensemble (integrated) forecastes have made huge progress, but are not good enough when predicting precipitation and still need to solve the unaccuracy problem when there is no suitable physical progress parameterization scheme. To solve this, we propose a hybrid ensemble prediction method, in which ensemble forecasts and machine learning algorithms are adopted as the model members and they are combined in a more complex hybrid way, while for the previous multi-model forecast systems, they more take the numrical models as their model members and have these models integrated in a parallel way. The reason why we introduce machine learning models is that they can simulate complex non-linear relation and not influenced by un-fixed parameterization scheme. And by replacing some less important numerical model or models with one or more suitable machine learing method or methods, we reduce the computation resource and the computation time of the total system. We also optimize the way of their integration by arranging their location and connection way to foster stengths and circumvent weaknesses, or to improve forecast accuracy as well.

多模式集合预报，即集成预报，取得了巨大的进步，但在降水预报方面仍有较大的改进空间，仍需要重点解决复杂地形下物理过程参数化方案欠缺导致的预报不准确性问题。针对以上问题，本项目书提书了一种混合的集成预报方法，其模式成员可以是数值预报也可以是机器学习算法，且模式级联采取混合的复杂方式，而此前的集成预报模式成员多采用数值模式，模式之间的集成方式也采用简单的线性组合。之所以引入机器学习算法，是因为它们可模拟复杂的非线性模型，不会因为无法确定复杂的参数化方案而影响预报结果，而且机器学习算法复杂度小于数值模式，用它或它们来替代多模式集合预报中某影响较小的一个或者几个数值模式，可以节省整个集成预报系统的计算资源和时间。我们还优化了模式之间的集合方式，根据不同模式的优缺点，安排好位置和链接方式，扬长避短，提高预报准确率，是本文最重要的创新。

多模式集合预报取得了巨大的进步，但在降水预报方面仍有较大的改进空间，仍需要重点解决复杂地形下物理过程参数化方案欠缺导致的预报不准确性问题。针对以上问题，本项目书采用混合的集成预报方法，其模式成员可以是数值预报也可以是机器学习算法，且模式级联采取混合的复杂方式，而此前的集成预报模式成员多采用数值模式，模式之间的集成方式也采用简单的线性组合。之所以引入机器学习算法，是因为它们可模拟复杂的非线性模型，不会因为无法确定复杂的参数化方案而影响预报结果，而且机器学习算法复杂度小于数值模式，用它或它们来替代多模式集合预报中某影响较小的一个或者几个数值模式，可以节省整个集成预报系统的计算资源和时间。我们还优化了模式之间的集合方式，根据不同模式的优缺点，安排好位置和链接方式，扬长避短，提高预报准确率，是本文最重要的创新。