基于多源数据的长江口概率风暴潮预报系统_宋国煜.pdf

第40卷 第1期2023年2月海洋预报MARINE FORECASTSVol.40，No.1Feb.2023收稿日期：2021-12-24；修回日期：2022-03-28。基金项目：国家自然科学基金青年项目（41906143）；上海市海洋局科研项目（沪海科 2018-07）；上海市青年科技英才扬帆计划项目（19YF1418500）；国家自然科学基金资助项目（51679132）；上海市科委地方高校基地能力建设项目（17040501600、21ZR1427000）；上海市“全渗透”深远海离岸能源动力前沿科学研究基地（培育）。作者简介：宋国煜（1996-），女，硕士，主要从事风暴潮预报研究。E-mail：GuoyuSong_ShanD*通信作者：张俞（1982-），女，讲师，博士，主要从事河口海岸动力学研究。E-mail：基于多源数据的长江口概率风暴潮预报系统宋国煜1，郭文云1，葛建忠2，张洪生1，裘诚3，李铖3，张俞4*（1.上海海事大学海洋科学与工程学院，上海 201300；2.华东师范大学河口海岸学国家重点实验室，上海 200062；3.上海市海洋监测预报中心，上海 200062；4.河海大学港口海岸与近海工程学院，江苏 南京 210024）摘要：将6个气象预报机构对西北太平洋一带台风的预报数据合并为一个分析数据。根据分析数据，共得到45个台风样本（5条台风路径、3个台风最大风速和3个台风中心气压），基于WRF和FVCOM 模型建立了一套适用于长江口及附近海域的风暴潮预报系统，以热带气旋“利奇马”（201909）为例，利用该预报系统进行了模拟预报，实现了风暴潮的集合预报和概率预报。结果表明，该系统对增水具有较好的预测精度，可提供各增水场的发生概率。关键词：风暴潮；集合预报；概率预报；FVCOM中图分类号：P731.23 文献标识码：A文章编号：1003-0239（2023）01-0010-11DOI:10.11737/j.issn.1003-0239.2023.01.0021引言风暴潮是我国主要的海洋灾害之一1-2。近年来，随着沿海地区城市化的快速发展，风暴潮造成的经济损失持续增长3-4。若风暴潮发生期间叠加天文大潮将造成巨灾，因此，提高风暴潮预报技术水平对保护人民群众的生命财产安全有着重要意义。国内外学者已经在风暴潮预报方面做了大量有益的探索5-10。最常见的风暴潮预报方法是经验预报法和数值预报法11。随着计算机和海洋模型的发展，数值预报法已成为风暴潮预报的重要方法，采用的海洋数值模型主要有 ADCIRC（The Ad-vanced Circulation Model）、ECOM（Estuarine Coast-al and Ocean Model）、SPLASH（Special Program toList Amplitudes of Surges from Hurricanes Model）、POM（Princeton Ocean Model）、FVCOM（Finite-Vol-ume Coastal Ocean Model）和SLOSH（Sea，Lake andOverland Sarges from Huricanes）等12。台风发生发展中强烈的非线性作用使得台风预报存在显著误差。统计数据显示，中央气象台2019年24 h、48 h和72 h台风路径预报平均误差分别为78.6 km、148.2 km和220.3 km，24 h、48 h和72 h台风风速预报平均误差分别为4.2 m/s、5.8 m/s和6.9 m/s13。台风预报误差极大地限制了风暴潮预报准确性的进一步提升。采用集合预报的方法，可减小台风预报误差，有效提高风暴潮的预报精度。集合预报技术首先在气象领域被应用。目前大多数国家都采用集合预报技术进行风暴潮业务化预报。TITLEY等14对集合预报在热带气旋预报中的作用做了总结，大多数研究者采用集合预报对热带气旋的路径和成因进行预测并给出概率指导。DUBE 等15比较了美国国家中期天气预报中心（NationalCentreforMediumRangeWeatherForecasting，NCMRWF）和全球业务集合预报系统的气旋预报结果，证明集合预报可提高台风预报精度。王培涛等16在风暴潮集合预报中引入多重网格效应和异模式集合方法。除此之外，美国国家飓风中心（National Hurricane Center）、澳大利亚气象局宋国煜等：基于多源数据的长江口概率风暴潮预报系统1期（Bureau of Meteorology Australia）也对集合预报进行了有益探索。总体来说，集合预报结果优于单一预报17。中国中央气象台、中国香港天文台、中国台湾气象机构、美国联合台风预警中心、日本气象厅和韩国气象台（下文分别简称为 CMA、HKO、CWB、JTWC、RSMC_Tokyo、KMA）都对西北太平洋热带气旋进行了长期稳定的业务化预报。大量研究结果显示，将多个预报源的台风数据融合后可以构建更合理精确的分析路径16,18-20。郭文云等21把 6个预报源的预报数据融合成了一条误差更小的24 h、48 h和72 h预报时效的台风分析数据，但仅考虑了台风路径误差和台风最大风速误差，没有考虑台风中心气压的误差。实际上，台风中心气压是风暴潮预报的一个重要参数，它对台风风场的分布有重要影响。本文的统计表明，中央气象台20152019年24 h、48 h和72 h台风中心气压预报平均误差分别为8.5 hPa、11.9 hPa和12.6 hPa。因此，进一步考虑台风中心气压的不确定性是非常有必要的。本文基于郭文云等21的方案，进一步考虑台风中心气压误差，建立一个更合理的风暴潮概率预报系统，基于该预报系统对201909号台风“利奇马”进行虚拟预报。2数据本文采用上海台风所公布的 20152019 年CMA、HKO、CWB、JTWC、RSMC_Tokyo、KMA 这6个气象预报机构发布的台风预报数据，并从CMA收集最佳路径数据集用于误差统计。本文筛选出对长江口影响较为显著的32个台风过程，共整理得到14 856条台风预报数据，其中24 h、48 h、72 h、96 h和 120 h 的预报记录分别为 4 270 条、3 562 条和2 933条、2 305条和1 786条（本文只分析24 h、48 h和 72 h 的数据）；来自 CMA、HKO、CWB、JTWC、RSMC_Tokyo、KMA 的数据分别为 2 979 条、1 724条、2 723 条、2 685条、2 846条和1 899条。台风中心气压、台风最大风速和有效台风位置的预报记录分别为5 514个、12 759个和14 856个。观测资料里的实测增水与平均水位的差值即是实测增水数据。对于模拟增水，首先利用 t_tide从潮位数据中提取出与天文潮相关的增水，再用模拟水位减去天文潮增水与平均模拟水位之和即可得到。3概率预报系统设计图1为本文设计的概率预报系统框架。由图可见，预报系统首先收集来自6家气象预报机构的实时台风预报信息；根据各预报源的历史统计误差生成一条更精确的分析台风数据；基于分析台风数据构造台风集合，即采用“概率圆”方法16生成偏快、偏慢、偏左、偏右及分析台风共5条台风路径，与偏高、居中和偏低3个不同大小的台风中心气压和偏大、居中和偏小3个不同强度的台风中心风速相互交叉得到45个台风样本集合；最后采用藤田公式将这45个台风样本与WRF（Weather Research and Forecast-ing Model）气象模型得到的背景风场融合，形成45个不同的预报风场来驱动FVCOM模型进行风暴潮预报。图1概率预报系统设计框架Fig.1Design framework for probabilistic forecast system11海洋预报40卷3.1台风分析数据的确定对6个预报源的台风预报数据进行预报误差统计，分别得到各预报源不同预报时效下的台风路径预报误差、台风最大风速预报误差和台风中心气压预报误差。台风路径预报误差采用台风位置平均绝对距离误差（R）来表示：R=1MK=1M|Pf-P0（1）式中：M为误差计算数据量；Pf为预报位置；P0为对应时刻最优路径位置。台风最大风速预报误差采用风速的相对误差（v）表示：v=V0-VhVh（2）式中：Vh为预报时效的最大风速；V0为该时刻最佳路径的最大风速。台风中心气压预报误差采用与最大风速预报误差同样的方法来确定：P=P0-PhPh（3）式中：P为中心气压的相对误差；Ph为预报时效的中心气压；P0为该时刻最佳路径的中心气压。根据各预报源对32个历史台风过程的预报信息，可统计得到各预报源不同预报时效（24 h、48 h和72 h）的预报误差。以每条预报源数据误差的倒数为权重，将6个预报源的台风预报路径、台风最大风速和台风中心气压数据分别融合成一条数据Pa，表达式为：Pa=i=1NaiPii=1Nai（4）式中：Pi为某时刻第i个预报源的预报位置/台风最大风速/台风中心气压；ai=1/Erri，Erri为预报源的预报误差；N为该时刻可用的预报源数量，N6。3.2台风集合的构建及不同台风样本概率的确定通过引入“概率圆”的方法构造台风路径集合。本文的台风路径集合由一条分析路径和“概率圆”上的4条衍生路径（偏快、偏慢、偏左和偏右）组成。首先需要确定不同路径的发生概率，并通过历史预报误差累积概率分布得到对应的误差半径r。为保证路径集合最大程度地覆盖所有可能性，本文分析路径的概率设计为40%，4条衍生路径的概率均设计为15%，进而求得r，其对应于路径误差累积概率曲线上40%+15%4/2=70%处的误差值。基于分析台风最大风速的误差分布，同样可以构建台风最大风速集合。本文拟构建的偏小、居中和偏大3个不同台风最大风速集合为Va+(a1、a2、a3)Va（Va 为预报分析最大风速），样本发生概率分别为20%、60%和20%，系数a1、a2、a3分别对应风速误差累积概率曲线上10%、50%、90%处的误差值。对台风中心气压的处理同上，得到3个不同中心气压集合Pa+（b1、b2、b3）Pa（Pa为预报分析中心气压），系数b1、b2、b3分别对应中心气压误差累积概率曲线上10%、50%、90%处的误差值。最后，根据以上5条台风路径集合、3个台风最大风速集合和3个台风中心气压集合可以得到24 h、48 h和72 h预报时效的45个台风集合，并得到每个台风样本发生概率的估计值,作为风暴潮集合预报的风场驱动样本。3.3WRF-藤田-FVCOM风暴潮预报系统将 WRF 背景风场和藤田风场进行合成，作为FVCOM风暴潮模型的输入风场进行预报。预报系统采用三重嵌套的方法。采用藤田模型模拟台风影响区域的风场，在台风外围及较远的地方用WRF预报风场作为背景风场，且对两种风场的衔接区域进行合成。流场模型采用目前国际上广泛应用的FVCOM海洋模式。风场合成、边界条件等详细设置参见文献22。本文的风暴潮模型已得到充分验证22-24，它对台风引起的增水过程和台风过后的减水过程都能进行较为准确的模拟，误差均在允许范围内。3.4系统参数确定首先对每个预报源的历史预报误差进行统计，分别得到各预报源在不同预报时效下的台风路径预报误差、台风最大风速预报误差和台风中心气压预报误差。计算结果见图2。图2a为各预报源不同时效台风路径预报误差。6 个 预 报 源 中 台 风 路 径 预 报 误 差 最 小 的 是12宋国煜等：基于多源数据的长江口概率风暴潮预报系统1期RSMC_Tokyo，其24 h、48 h和72 h预报误差分别为68.5 km、131.5 km 和 211.3 km；6 个预报源的台风分析路径预报误差分别为 69.9 km、131.8 km 和211.9 km，与RSMC_Tokyo的预报误差相当，比其他5个预报源的预报误差小。图2b为各预报源不同时效台风最大风速预报相对误差。6个预报源中风速预报相对误差最小的是 CMA，其 24 h、48 h