李麗芳，任福民，劉春霞，萬齊林

(1.中國氣象科學(xué)研究院災(zāi)害天氣國家重點實驗室，北京 100081；2.中國氣象局廣州熱帶海洋氣象研究所，廣東 廣州 510080)

引言

臺風(fēng)(泛指熱帶氣旋，下同)是最嚴(yán)重的自然災(zāi)害之一[1]。臺風(fēng)引發(fā)的三大災(zāi)害包括暴雨、大風(fēng)(風(fēng)力6級以上，風(fēng)速V≥10.8 m·s-1)和風(fēng)暴潮[2]。歷史上臺風(fēng)大風(fēng)災(zāi)害非常嚴(yán)重，例如0608號超強(qiáng)臺風(fēng)“桑美”登陸浙江蒼南時中心附近最大風(fēng)速達(dá)68 m·s-1[3]，它的結(jié)構(gòu)緊密、強(qiáng)度強(qiáng)、移動速度快，12級風(fēng)圈平均半徑達(dá)90 km、17級風(fēng)圈半徑達(dá)45 km，造成浙江和福建共450人死亡、138人失蹤、直接經(jīng)濟(jì)損失196.5億元，其肆虐成災(zāi)的主要原因就是風(fēng)力超強(qiáng)[4]。又如1409號超強(qiáng)臺風(fēng)“威馬遜”是當(dāng)時有記錄以來登陸中國最強(qiáng)的臺風(fēng)，登陸時中心附近最大風(fēng)速達(dá)72 m·s-1，造成海南、廣東和廣西的59個縣(市、區(qū))共計742.3萬人、468.5千hm2農(nóng)作物受災(zāi)，直接經(jīng)濟(jì)損失約為265.5億元。

近幾十年來，國內(nèi)外學(xué)者對臺風(fēng)大風(fēng)的影響成因做了許多研究工作，主要可歸為以下幾個方面：臺風(fēng)自身的強(qiáng)度和非對稱結(jié)構(gòu)、臺風(fēng)移速和路徑、周圍環(huán)境場配置及下墊面情況等。其中臺風(fēng)強(qiáng)度是根據(jù)臺風(fēng)中心附近地面最大風(fēng)速進(jìn)行劃分的，與大風(fēng)有直接關(guān)系，其結(jié)構(gòu)和路徑趨向可決定大風(fēng)區(qū)的地理分布，副熱帶高壓、大陸熱低壓和冷空氣等環(huán)流場常通過改變臺風(fēng)周圍的氣壓梯度影響大風(fēng)的大小[5-9]，下墊面則直接影響風(fēng)的摩擦耗散[10]或產(chǎn)生阻擋和繞流作用。隨著沿海地區(qū)經(jīng)濟(jì)的快速發(fā)展，沿海高聳建筑物逐漸增多、人口密集度逐步上升，臺風(fēng)過境引發(fā)的風(fēng)災(zāi)影響也就愈發(fā)嚴(yán)重，因此做出準(zhǔn)確及時的臺風(fēng)大風(fēng)預(yù)報十分重要。大風(fēng)的強(qiáng)度和影響范圍是臺風(fēng)相關(guān)研究與業(yè)務(wù)預(yù)報中關(guān)注的重點[11]。大風(fēng)的強(qiáng)度可由風(fēng)速表征，影響范圍可通過風(fēng)圈大小預(yù)估，故本文所討論的臺風(fēng)大風(fēng)預(yù)報具體指與臺風(fēng)大風(fēng)相關(guān)且備受關(guān)注的物理量(如風(fēng)速、風(fēng)圈半徑)的預(yù)報。目前常用的臺風(fēng)大風(fēng)預(yù)報技術(shù)主要有以下四類：經(jīng)驗預(yù)報、統(tǒng)計預(yù)報(具體可細(xì)分為回歸預(yù)報、客觀相似預(yù)報、氣候持續(xù)性預(yù)報等)、數(shù)值模式預(yù)報、數(shù)值預(yù)報產(chǎn)品的釋用(包括動力釋用、統(tǒng)計釋用和人工智能釋用等)[12]。

在前人的努力下，臺風(fēng)大風(fēng)預(yù)報取得了一定的成效，預(yù)報水平也有了顯著的提升。但是，由于海上觀測資料少、對風(fēng)場精細(xì)結(jié)構(gòu)認(rèn)識不足以及對演變物理機(jī)制認(rèn)識不完善等，當(dāng)前臺風(fēng)大風(fēng)預(yù)報還存在很大挑戰(zhàn)。鑒于現(xiàn)有針對臺風(fēng)大風(fēng)預(yù)報技術(shù)的總結(jié)還很少，本文簡要回顧臺風(fēng)大風(fēng)預(yù)報的研究與應(yīng)用現(xiàn)狀，結(jié)構(gòu)如下：介紹上述四類預(yù)報技術(shù)的概念和實際應(yīng)用成果；總結(jié)它們各自的優(yōu)勢和不足之處；討論未來研究與實際業(yè)務(wù)中進(jìn)一步提高臺風(fēng)大風(fēng)預(yù)報技術(shù)的主要發(fā)展方向，以期為今后的臺風(fēng)大風(fēng)預(yù)報提供參考。

1 經(jīng)驗預(yù)報

早期，經(jīng)驗預(yù)報主要是預(yù)報員根據(jù)天氣學(xué)原理和多年的預(yù)報經(jīng)驗，得到臺風(fēng)大風(fēng)的分布特征、主要影響因素和變化規(guī)律等而總結(jié)出的預(yù)報方法[13]。隨著自動氣象站的加密、多普勒天氣雷達(dá)和氣象衛(wèi)星等大氣探測技術(shù)的發(fā)展，衛(wèi)星云圖、雷達(dá)圖像等資料的應(yīng)用在相當(dāng)程度上提高了臺風(fēng)大風(fēng)的經(jīng)驗預(yù)報能力[14]，為臨近預(yù)報提供了參考依據(jù)。

如KAPLAN and DE MARIA[15]在1995年針對美國37°N以南地區(qū)提出了一個用于預(yù)測臺風(fēng)登陸后風(fēng)速衰減的經(jīng)驗?zāi)Ｐ?，模型的前提假設(shè)是臺風(fēng)登陸后的風(fēng)速衰減與登陸強(qiáng)度成比例關(guān)系，此外還考慮了環(huán)境風(fēng)場和登陸后因下墊面粗糙度增加而造成的強(qiáng)度快速調(diào)整(減弱)。模型計算公式如下：

Vt=Vb+(RV0-Vb)exp(-at)

(1)

式中，V0為登陸時刻的最大風(fēng)速，Vb為環(huán)境風(fēng)速，a為衰減系數(shù)，Vt為登陸后t時刻的最大風(fēng)速，R是與下墊面粗糙度增加有關(guān)的臺風(fēng)強(qiáng)度減弱因子(常取0.9)。之后BHOWMIK et al.[16]又將這一經(jīng)驗?zāi)Ｐ屯茝V到印度地區(qū)，用于預(yù)報臺風(fēng)影響期間印度東海岸的地表最大風(fēng)速，業(yè)務(wù)上的應(yīng)用證實該模型提高了臺風(fēng)大風(fēng)的預(yù)報評分。我國20世紀(jì)50—60年代也主要運用純天氣學(xué)經(jīng)驗方法預(yù)報臺風(fēng)大風(fēng)，徐大海和朱瑞兆[17]在1975年提出了根據(jù)地面天氣圖推算臺風(fēng)大風(fēng)的方法，利用旋轉(zhuǎn)摩擦風(fēng)方程計算臺風(fēng)風(fēng)速，該方法計算得到的風(fēng)速與實測風(fēng)速誤差在10%左右。文中所用公式如下：

(2)

在衛(wèi)星云圖和雷達(dá)圖的應(yīng)用方面，陳宏義和張梅[18]總結(jié)了臺風(fēng)預(yù)報中的衛(wèi)星云圖實用技巧，指出可以從臺風(fēng)的衛(wèi)星云圖結(jié)構(gòu)推測其對預(yù)報區(qū)域的大風(fēng)影響，由此作為一種臺風(fēng)大風(fēng)預(yù)報的輔助方法，并列舉了8種有一定實用性且容易掌握的臺風(fēng)云圖類型對應(yīng)的大風(fēng)影響的強(qiáng)度、持續(xù)時間及方式(表1)。曹楚等[5]指出當(dāng)多普勒天氣雷達(dá)能監(jiān)測到臺風(fēng)并能生成連續(xù)的徑向速度產(chǎn)品時，利用速度退模糊方法分析最大徑向速度可以預(yù)判出臺風(fēng)大風(fēng)的分布范圍和大?。恢步岷忘S先香[19]也指出當(dāng)臺風(fēng)中心進(jìn)入雷達(dá)監(jiān)測范圍時，反射率因子產(chǎn)品可以有效監(jiān)測大風(fēng)的影響范圍和時間，徑向速度產(chǎn)品可以估測大風(fēng)強(qiáng)度及更精細(xì)的風(fēng)場分布。圖1是臺風(fēng)“天鴿”和“山竹”登陸前的雷達(dá)組合反射率因子和徑向速度圖，可以看出：登陸前2 h的反射率因子(圖1a、b)表明“山竹”的回波范圍較“天鴿”更廣，即“山竹”的對流系統(tǒng)范圍更大；由登陸前4 h的徑向速度圖(圖1c、d)可知“天鴿”有清晰的臺風(fēng)眼，半徑為50～100 km，徑向速度達(dá)50 m·s-1以上，而“山竹”眼區(qū)不明顯，大風(fēng)影響范圍廣，風(fēng)速的大值區(qū)主要分布在臺風(fēng)中心附近和外圍，大風(fēng)半徑達(dá)100～150 km，最大徑向速度超過45 m·s-1。

圖1 “天鴿”和“山竹”登陸前廣東雷達(dá)組合反射率(a、b)和珠海雷達(dá)0.5°仰角徑向速度(c、d)(引自植江玲和黃先香[19])Fig.1 Composite reflectivity (a/b) of Guangdong Doppler radar and radial velocity (c/d) at 0.5° PPI of Zhuhai Doppler radar before the landing of Typhoon Hato and Mangkhut (Credit: ZHI and HUANG[19])

表1 臺風(fēng)云圖類型及其大風(fēng)影響的強(qiáng)度、持續(xù)時間及方式(引自陳宏義和張梅[18])

經(jīng)驗預(yù)報簡單易實現(xiàn)，尤其在臨近預(yù)報中效果突出，但此類方法過多摻雜了預(yù)報員的主觀判斷，預(yù)報效果因人而異。

2 統(tǒng)計預(yù)報

統(tǒng)計預(yù)報即基于大量的歷史資料，將易獲取且與臺風(fēng)大風(fēng)相關(guān)性好的氣象要素(如臺風(fēng)中心最大風(fēng)速、中心氣壓、移速等)作為預(yù)報的依據(jù)，采用概率統(tǒng)計方法建立大風(fēng)相關(guān)物理量(如風(fēng)速、風(fēng)圈半徑等)與上述氣象要素之間的聯(lián)系，進(jìn)而得到客觀、可定量化的大風(fēng)預(yù)報。本節(jié)主要介紹臺風(fēng)大風(fēng)預(yù)報中較常用的三種統(tǒng)計預(yù)報方法：回歸預(yù)報、客觀相似預(yù)報、氣候持續(xù)性預(yù)報。

回歸預(yù)報的本質(zhì)是分析歷史樣本數(shù)據(jù)，建立待預(yù)報風(fēng)速與相關(guān)因子的回歸模型用于實際預(yù)報。如沈如松等[20]利用1949—1991年的臺風(fēng)資料，分別建立了福建北部兩臺站的臺風(fēng)大風(fēng)風(fēng)速與預(yù)報前一天24 h變壓、臺風(fēng)中心氣壓、臺風(fēng)中心最大風(fēng)速三個因子間的線性回歸模型，試報證實該模型對V≥12 m·s-1的大風(fēng)預(yù)報準(zhǔn)確率較高。臺風(fēng)大風(fēng)分布與臺風(fēng)強(qiáng)度、臺風(fēng)與臺站距離有關(guān)，王世強(qiáng)等[21]利用2006—2016年珠海站逐小時最大風(fēng)速資料和周圍400 km的臺風(fēng)資料，研究了珠海站周圍不同象限、不同距離的臺風(fēng)與本地大風(fēng)之間的規(guī)律和關(guān)系，并建立了風(fēng)速的線性回歸預(yù)報模型，實踐檢驗表明其對東北、東南、西北象限活動臺風(fēng)風(fēng)速均有較好的預(yù)測效果，而西南象限由于樣本少、極端臺風(fēng)較多等原因，檢驗效果較差。

客觀相似預(yù)報認(rèn)為如果當(dāng)前天氣過程的發(fā)展相似于過去曾經(jīng)發(fā)生的某個天氣過程，則可假定往后一段時間過程的發(fā)展也將相似地進(jìn)行下去[22]。在歷史樣本庫足夠多的條件下，這一方法同樣適用于臺風(fēng)大風(fēng)等要素預(yù)報。鄭群峰等[23]以1997—2017年影響深圳的臺風(fēng)為研究對象，通過實況排名、統(tǒng)一量級、按站點平均、數(shù)值量級匹配等步驟提出了一種針對網(wǎng)格區(qū)域內(nèi)臺風(fēng)造成深圳風(fēng)雨分布的預(yù)估方法，試驗結(jié)果表明當(dāng)臺風(fēng)路徑點的移動方向與網(wǎng)格主方向一致時，該方法能大致捕捉到風(fēng)雨中心，部分細(xì)節(jié)刻畫甚至比歐洲中期天氣預(yù)報中心(European Centre for Medium-Range Weather Forecasts，ECMWF)模式更精細(xì)，但兩者方向不一致時偏差較大。董明倫等[24]利用聚類相似法對西北太平洋最近50 a的臺風(fēng)從區(qū)域、季節(jié)、移向、移速、中心氣壓和最大風(fēng)速等六個方面進(jìn)行聚類相似分析，查找滿足閾值條件的所有相似歷史臺風(fēng)某要素的平均值代替待預(yù)報臺風(fēng)的相應(yīng)要素，并指出該方法可以推廣到臺風(fēng)風(fēng)速預(yù)報上。LI et al.[25]在分析深圳鹽田港、媽灣港和蛇口碼頭的臺風(fēng)風(fēng)力分布特征后，提出了一種基于臺風(fēng)強(qiáng)度、相對臺站距離和方位角分組的臺風(fēng)陣風(fēng)非參數(shù)預(yù)報方法，用于預(yù)估近海臺風(fēng)對上述三個港口碼頭站的陣風(fēng)影響。之后，李輝等[26]在此基礎(chǔ)上，進(jìn)一步加入了臺風(fēng)尺度對定點陣風(fēng)預(yù)報的影響，建立了小時極大風(fēng)速與上述四個因子間的預(yù)報模型。

NEUMANN[27]發(fā)展的氣候持續(xù)性(climatology and persistence，CLIPER)方法最早是臺風(fēng)路徑統(tǒng)計預(yù)報的基本方法之一，旨在結(jié)合臺風(fēng)運動的氣候規(guī)律與初始時刻持續(xù)性特征建立預(yù)報方程。具體地，對于一個時間序列X1,t={X1,X2,X3,…,Xt}，若存在k階滯后時間步長及k階超前時間步長，使時間序列X1,t的k階自相關(guān)系數(shù)為正相關(guān)，則說明該時間序列具有k階CLIPER特性[28]。CLIPER方法中包含氣候?qū)W因子和持續(xù)性因子：氣候?qū)W因子假定相同時間段內(nèi)，同一海域內(nèi)的臺風(fēng)往往具有相似的氣候?qū)W變化規(guī)律，例如南海6—10月臺風(fēng)的生成頻數(shù)、移速等變量在不同年代際的平均值變化不大；持續(xù)性因子則描述為臺風(fēng)當(dāng)前狀態(tài)與前期狀態(tài)的變化幅度不大，體現(xiàn)了短時間尺度臺風(fēng)運動的“慣性”和“持續(xù)性”，例如當(dāng)前時刻臺風(fēng)中心的經(jīng)緯度、附近風(fēng)速、中心氣壓等變量與前6 h相應(yīng)變量的差值[29-32]。因此可以通過統(tǒng)計待預(yù)報區(qū)域歷史臺風(fēng)變化的氣候特征，用逐步回歸等方法挑選方差貢獻(xiàn)最大且通過置信度檢驗的氣候持續(xù)性因子建立回歸預(yù)報方程[33]。2007年，KNAFF et al.[34]首次利用氣候持續(xù)性方法建立了34 kt、50 kt、64 kt特征風(fēng)圈半徑的統(tǒng)計預(yù)報模型，模型中引入了緯度、臺風(fēng)移速和中心最大風(fēng)速等3個氣候持續(xù)性因子，可以為大西洋、東太平洋和西北太平洋提供預(yù)報時效為5 d的風(fēng)圈半徑預(yù)報。2018年，KNAFF et al.[35]在模型中進(jìn)一步考慮了風(fēng)圈的不對稱性，使風(fēng)圈半徑預(yù)報結(jié)果更符合實際。

統(tǒng)計預(yù)報可以抓住影響臺風(fēng)大風(fēng)的主要因子建立一些較合理的統(tǒng)計模型，且易于在日常業(yè)務(wù)中投入使用；但其缺陷在于理論機(jī)制不夠明確，欠缺考慮各因子間的相互作用和風(fēng)的非線性特征。

3 數(shù)值模式預(yù)報

數(shù)值模式預(yù)報是在給定初始條件下，通過對大氣運動方程組進(jìn)行數(shù)值積分，從而得到未來某一時刻大氣環(huán)流的狀況和氣象要素的分布特征，它是當(dāng)前臺風(fēng)預(yù)報業(yè)務(wù)中不可缺少的工具。在臺風(fēng)大風(fēng)預(yù)報方面，模式不僅可以給出常規(guī)的局地風(fēng)力預(yù)報，還可提供特征風(fēng)圈半徑及范圍的預(yù)報。下文以ECMWF、美國國家環(huán)境預(yù)報中心(National Center for Environmental Prediction，NCEP)、國家氣象中心、上海臺風(fēng)研究所及廣州熱帶海洋氣象研究所幾家機(jī)構(gòu)為例，介紹國內(nèi)外臺風(fēng)大風(fēng)的數(shù)值預(yù)報情況。

ECMWF作為全球領(lǐng)先的預(yù)報中心，其綜合預(yù)報系統(tǒng)(Integrated Forecast System，IFS)下有不同時空分辨率和預(yù)報時效的預(yù)報產(chǎn)品，最高分辨率(high-resolution，HRES)內(nèi)細(xì)網(wǎng)格10 m風(fēng)預(yù)報產(chǎn)品的空間分辨率已達(dá)0.125°×0.125°，預(yù)報時效長達(dá)10 d，前72 h時間分辨率為3 h，72 h后分辨率為6 h，目前已在臺風(fēng)大風(fēng)預(yù)報中展現(xiàn)了很好的應(yīng)用價值[36-38]，可精細(xì)化地預(yù)報大風(fēng)出現(xiàn)的時間、影響范圍和強(qiáng)度。集合預(yù)報是減小各種不確定性影響數(shù)值預(yù)報結(jié)果的有效方法[39]，ECMWF的集合預(yù)報系統(tǒng)(Ensemble Prediction System，EPS)水平分辨率為18 km，每12 h預(yù)報一次，預(yù)報時效可達(dá)360 h，其包含一個控制成員和50個集合成員，可提供地面10 m風(fēng)場不同等級風(fēng)速的概率分布，是目前應(yīng)用較為廣泛的風(fēng)速集合預(yù)報產(chǎn)品[40]。

NCEP全球預(yù)報系統(tǒng)(Global Forecast System，GFS)則研發(fā)了從地面到對流層頂不同氣壓層的多種分辨率風(fēng)預(yù)報產(chǎn)品，空間分辨率最高為0.25°×0.25°，時間分辨率為3 h，它不僅是臺風(fēng)大風(fēng)預(yù)報中常用的全球模式資料，也是眾多區(qū)域模式的初始背景場資料之一。特征風(fēng)圈預(yù)報是海上臺風(fēng)大風(fēng)預(yù)報不可忽視的重要內(nèi)容，NCEP下設(shè)的美國國家颶風(fēng)中心(National Hurricane Center，NHC)有很長的風(fēng)圈預(yù)報歷史：2006年開始利用過去5 a颶風(fēng)路徑、強(qiáng)度和風(fēng)場結(jié)構(gòu)的預(yù)報誤差分布，基于Monte-Carlo方法和風(fēng)速-半徑模型開展特征風(fēng)圈34 kt、50 kt、64 kt的概率預(yù)報，預(yù)報時效為120 h(圖2)[41]；并于2010年改進(jìn)升級，采納了更具針對性的集合預(yù)報路徑信息，有效地提升了預(yù)報技巧，并有望在今后逐步引入集合預(yù)報的強(qiáng)度和風(fēng)場結(jié)構(gòu)信息[42]。此外，NHC還開發(fā)了區(qū)域颶風(fēng)業(yè)務(wù)與研究系統(tǒng)(Hurricane Weather Research and Forecasting，HWRF)，該系統(tǒng)基于雙向移動嵌套技術(shù)可在臺風(fēng)區(qū)域?qū)崿F(xiàn)路徑、強(qiáng)度和結(jié)構(gòu)的2 km水平分辨率預(yù)報[43]。

圖2 2008年9月7日12：00(UTC)美國國家颶風(fēng)中心發(fā)布的颶風(fēng)“艾克”0～120 h 64 kt累計大風(fēng)概率(色階)預(yù)報產(chǎn)品(引自DE MARIA et al.[41])Fig.2 The 0-120-h cumulative 64-kt wind probabilities (color scale) for Hurricane Ike starting at 12:00 UTC 7 September 2008 obtained from the NHC Web page (Credit: DE MARIA et al.[41])

近幾十年來，我國數(shù)值預(yù)報技術(shù)的發(fā)展也十分迅速。國家氣象中心在IFS模式框架基礎(chǔ)上研發(fā)了全球中期數(shù)值預(yù)報模式T213，后經(jīng)改進(jìn)完善升級為T639，其大風(fēng)預(yù)報產(chǎn)品空間分辨率為0.3°×0.3°，時間分辨率為3 h，不少學(xué)者[44-45]對T639的臺風(fēng)大風(fēng)預(yù)報效果進(jìn)行過檢驗評估，發(fā)現(xiàn)其預(yù)報風(fēng)速整體偏小、風(fēng)速的平均誤差隨大風(fēng)級數(shù)的增加而增加，但風(fēng)場分布能形象刻畫臺風(fēng)眼、臺風(fēng)尾跡等氣旋性特征。之后，國家氣象中心又基于GRAPES-MESO模式，建立了區(qū)域臺風(fēng)數(shù)值預(yù)報系統(tǒng)GRAPES_TYM，模式覆蓋我國臺風(fēng)預(yù)報責(zé)任海區(qū)(90°～171°E，0°～51°N)，水平分辨率為0.15°×0.15°，時間分辨率為3 h，預(yù)報時效為120 h。該系統(tǒng)于2012年投入業(yè)務(wù)運行并得到持續(xù)改進(jìn)，包括對流參數(shù)化方案、渦旋初始化、模式分辨率、預(yù)報范圍等，其風(fēng)場預(yù)報能力也得到了不斷的提升[46]。此外，2016年正式業(yè)務(wù)化應(yīng)用的GRAPES_GFS模式也具備10 m風(fēng)場的預(yù)報能力(圖3)，其水平分辨率為0.25°×0.25°，預(yù)報時效長達(dá)240 h，且該模式在2021年9月進(jìn)行了版本升級，新版本開發(fā)了全球臺風(fēng)路徑疊加120 h累計大風(fēng)等產(chǎn)品，標(biāo)志我國具備了全球臺風(fēng)監(jiān)測預(yù)報服務(wù)能力(http://www.cma.gov.cn/2011xwzx/2011xqxxw/2011 xqxyw/202108/t20210831_583897.html)。

圖3 2021年第18號臺風(fēng)“圓規(guī)”影響期間GRAPES_GFS發(fā)布的華南10 m風(fēng)場(色階：風(fēng)速，單位：m·s-1)預(yù)報(起報時刻為10月12日00：00(UTC)，預(yù)報時效為24 h)Fig.3 GRAPES_GFS 10-m wind field (color scale: wind speed, units: m·s-1)forecast (the initial time is 00:00 UTC 12 October and the lead time is 24 h) in South China during the influence of Typhoon Kompasu (2021)

上海臺風(fēng)研究所于2004年建立了GRAPES-TCM臺風(fēng)數(shù)值預(yù)報系統(tǒng)[47]，空間分辨率為0.25°×0.25°，時間分辨率為6 h，之后又研發(fā)了上?？焖俑峦瘮?shù)值預(yù)報系統(tǒng)SMS-WARR[48]和高分辨率臺風(fēng)數(shù)值預(yù)報模式STI-THRAPS[49](水平分辨率達(dá)0.1°×0.1°，時間分辨率為1 h)。業(yè)務(wù)應(yīng)用表明這些模式在華東地區(qū)的臺風(fēng)大風(fēng)預(yù)報中占明顯優(yōu)勢，圖4展示了各個模式對臺風(fēng)“菲特”7級、8級、9級以上大風(fēng)的預(yù)報評分情況，由風(fēng)險評分(threat score，TS)和公平技巧評分(equitable threat score，ETS)可以看出STI-THRAPS在較大風(fēng)速量級上(8級以上)優(yōu)勢明顯，同時擊中率和漏報率也表明STI-THRAPS明顯優(yōu)于其他模式。廣州熱帶海洋氣象研究所于2006年基于GRAPES非靜力模式框架建立了南海臺風(fēng)模式(TRAMS-v1.0)，后經(jīng)兩次技術(shù)方案的改進(jìn)，現(xiàn)已更新形成TRAMS 3.0版本[43,50]。目前模式覆蓋范圍為81°～161°E，0°～51°N，空間分辨率提高至9 km，預(yù)報時效為72 h，可為華南沿海地區(qū)提供大風(fēng)要素預(yù)報。

圖4 臺風(fēng)“菲特”風(fēng)速預(yù)報評分(a. TS，b. ETS，c.擊中率，d.空報率，e.漏報率，f.頻率偏差)(引自王曉峰等[49])Fig.4 Evaluation of wind speed predicted by models (a. TS， b. ETS， c. probability of detecting Yes， d. false alarm ratio， e. frequency of misses， f. frequency bias) for Typhoon Fitow (Credit: WANG et al.[49])

數(shù)值模式具有嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)，較強(qiáng)的數(shù)學(xué)物理解釋和數(shù)值推演能力[51]，但臺風(fēng)大風(fēng)過程具有很強(qiáng)的非線性特征，且下墊面非均勻強(qiáng)迫作用不可忽視，因此模式的物理過程參數(shù)化、初始誤差及地形作用描述不足等問題將導(dǎo)致預(yù)報效果不盡人意。

4 數(shù)值預(yù)報產(chǎn)品的釋用

數(shù)值預(yù)報產(chǎn)品的釋用指對模式產(chǎn)品進(jìn)一步解釋和應(yīng)用，具體而言就是利用統(tǒng)計、動力、人工智能等方法，對數(shù)值預(yù)報結(jié)果進(jìn)一步分析、訂正。充分利用數(shù)值預(yù)報產(chǎn)品進(jìn)行本地化、精細(xì)化地釋用已成為臺風(fēng)預(yù)報業(yè)務(wù)發(fā)展的趨勢，臺風(fēng)大風(fēng)預(yù)報中常用的釋用方法從技術(shù)方法層面上可劃分為動力釋用、統(tǒng)計釋用和人工智能釋用[52]。

4.1 動力釋用

動力釋用即利用反映特定天氣的物理概念模型或動力學(xué)背景條件的物理量，對數(shù)值預(yù)報結(jié)果進(jìn)行訂正。前人把握住了影響臺風(fēng)風(fēng)場和氣壓場的主要因子，建立了一些較為合理的臺風(fēng)模型如藤田公式[53]、Holland模型[54]、Rankine渦風(fēng)場[55]，這些基于梯度風(fēng)平衡公式的臺風(fēng)氣壓場、風(fēng)場模型是臺風(fēng)風(fēng)場數(shù)值預(yù)報的物理基礎(chǔ)，不少學(xué)者在改進(jìn)或利用這些模型的基礎(chǔ)上實現(xiàn)了臺風(fēng)大風(fēng)數(shù)值預(yù)報的動力釋用。

郝世峰等[56]通過分析影響臺風(fēng)大風(fēng)預(yù)報誤差的主要因子，利用藤田氣壓公式、考慮地形和摩擦影響的極坐標(biāo)正壓原始方程推導(dǎo)出了地形坡度訂正量、氣壓梯度訂正量、氣旋中心位置距觀測點距離訂正量，把握住這3項的誤差即可對臺風(fēng)的數(shù)值預(yù)報風(fēng)場進(jìn)行動力修正，針對2007年臺風(fēng)“韋帕”的試驗研究也表明該方法可改善風(fēng)速預(yù)報效果。文中還指出具體到實際業(yè)務(wù)中，根據(jù)模式前幾個時次的預(yù)報分析結(jié)果或集合預(yù)報成員的對比，把握臺風(fēng)中心氣壓、位置、移向和移速4個因子并將誤差向正確方向估計，即可實現(xiàn)對臺風(fēng)風(fēng)場的動力訂正。

基于上文郝世峰等[56]提出的臺風(fēng)風(fēng)場動力訂正方法，一項將預(yù)報員對數(shù)值模式預(yù)報的臺風(fēng)路徑和強(qiáng)度的主觀訂正信息客觀化，進(jìn)而對模式預(yù)報的風(fēng)場進(jìn)行訂正的熱帶氣旋風(fēng)場動力釋用技術(shù)(簡稱“TCwind”)于2015年8月正式通過中央氣象臺官方網(wǎng)站對社會發(fā)布(http://www.nmc.cn/publish/typhoon/wind.html)，該技術(shù)在臺風(fēng)業(yè)務(wù)預(yù)報及會商中得到了廣泛應(yīng)用，并為“臺風(fēng)破壞力預(yù)估”“港口大風(fēng)影響時間”等決策服務(wù)提供了支撐。TCwind與GRAPES_TYM的結(jié)合，形成了基于中央氣象臺臺風(fēng)主觀位置和強(qiáng)度預(yù)報的10 km逐小時精細(xì)化大風(fēng)訂正預(yù)報產(chǎn)品，推動了臺風(fēng)業(yè)務(wù)的精細(xì)化水平和自動化程度的提高，得到社會廣泛關(guān)注。

4.2 統(tǒng)計釋用

統(tǒng)計釋用是在數(shù)值預(yù)報產(chǎn)品基礎(chǔ)上，結(jié)合大量的歷史觀測資料，利用統(tǒng)計學(xué)方法對數(shù)值預(yù)報結(jié)果進(jìn)行分析、訂正，從而獲得更為精確的臺風(fēng)大風(fēng)要素預(yù)報結(jié)果或特殊服務(wù)需求的預(yù)報產(chǎn)品[57]。區(qū)別于傳統(tǒng)的統(tǒng)計學(xué)方法，統(tǒng)計釋用使預(yù)報因子與預(yù)報量在時間上的同期關(guān)系成為可能，完全預(yù)報(perfect prognosis，PP)法和模式輸出統(tǒng)計(model output statistics，MOS)法是國內(nèi)外預(yù)報中創(chuàng)造預(yù)報因子與預(yù)報量同期關(guān)系的常用途徑[58-60]，下文主要介紹PP法和MOS法在臺風(fēng)大風(fēng)預(yù)報中的統(tǒng)計釋用。

PP法使用實際觀測資料與預(yù)報量建立統(tǒng)計關(guān)系，預(yù)報時用當(dāng)時的數(shù)值預(yù)報資料來代替實際觀測資料，即完全預(yù)報是假定數(shù)值預(yù)報結(jié)果與觀測實況是完全一致為前提的。朱智慧等[61]基于PP法利用2011—2012年上海沿海5個浮標(biāo)站資料，建立了各站臺風(fēng)影響期間的逐小時2 min平均風(fēng)速和極大風(fēng)速的一元一次回歸方程，并結(jié)合經(jīng)逐步訂正后的WRF模式10 m平均風(fēng)速進(jìn)行臺風(fēng)期間的極大風(fēng)速預(yù)報。MOS法則是用數(shù)值預(yù)報產(chǎn)品與同一時刻的預(yù)報量直接建立關(guān)系，預(yù)報時使用當(dāng)時的數(shù)值預(yù)報產(chǎn)品直接計算出預(yù)報量。楊美川等[62]利用數(shù)值模式輸出的預(yù)報場和非模式輸出因子組成多張概率圖作為綜合因子，建立了臺風(fēng)大風(fēng)及暴雨預(yù)報方程，且對8012號臺風(fēng)的實際預(yù)報起到了較好的服務(wù)效果，這是縣氣象站使用MOS方法的一次初步嘗試。

4.3 人工智能釋用

人工智能釋用是通過發(fā)展非線性回歸預(yù)測技術(shù)，達(dá)到訂正數(shù)值預(yù)報輸出誤差的目的。KRETZSCHMAR et al.[63]和MARZBAN and STUMPF[64]曾利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行局地風(fēng)力預(yù)測，取得了比統(tǒng)計方法更好的釋用效果。臺風(fēng)大風(fēng)作為一個具有高度非線性特征的物理量，其預(yù)報不但要考慮臺風(fēng)自身因子，還要考慮環(huán)境場及其他系統(tǒng)的作用，因此人工智能的引入可為臺風(fēng)大風(fēng)預(yù)報提供新思路、新工具。

孫軍波等[65]對我國沿海地區(qū)2002—2006年的NCEP再分析場資料做相關(guān)分析，選取與站點風(fēng)速相關(guān)性較好的9個因子，運用BP神經(jīng)網(wǎng)絡(luò)對各站點分別建立緯向風(fēng)和經(jīng)向風(fēng)人工神經(jīng)網(wǎng)絡(luò)模型直接對各站點的風(fēng)向風(fēng)速做出預(yù)報，獨立樣本試驗證實該模型的風(fēng)速預(yù)報效果優(yōu)于NCEP資料直接內(nèi)插后的結(jié)果，但風(fēng)向預(yù)報效果較差。為進(jìn)一步提高人工神經(jīng)網(wǎng)絡(luò)的預(yù)報能力，董彥等[66]利用1980—2012年的南海臺風(fēng)資料，用逐步回歸方法對預(yù)報因子進(jìn)行篩選并作為模型輸入，模仿集合預(yù)報的思想建立基于遺傳算法的神經(jīng)網(wǎng)絡(luò)集合預(yù)報模型，對臺風(fēng)中心周圍36個格點的風(fēng)速進(jìn)行24 h預(yù)報，并與傳統(tǒng)的逐步回歸模型進(jìn)行對比分析，結(jié)果表明該模型在不同級別的風(fēng)速預(yù)報中均占優(yōu)勢，特別是對于風(fēng)速V≥10 m·s-1的大風(fēng)過程。黃銘楓等[67]將由經(jīng)驗?zāi)B(tài)分解和小波變換的WRF風(fēng)速數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，對比了BP、Elman、GRNN和ANFIS等4種神經(jīng)網(wǎng)絡(luò)模型對臺風(fēng)“泰利”和“康妮”的風(fēng)場模擬和預(yù)測結(jié)果，結(jié)果(圖5)表明，小波變換和BP神經(jīng)網(wǎng)絡(luò)組合具有最優(yōu)的臺風(fēng)風(fēng)速預(yù)測精度。

圖5 不同神經(jīng)網(wǎng)絡(luò)方法預(yù)測臺風(fēng)“泰利”(a)和“康妮”(b)過境風(fēng)速誤差對比(引自黃銘楓等[67])Fig.5 Comparison of prediction error of wind speed with hybrid neural network methods in Typhoon Talim (a) and Kong-rey (b) (Credit: HUANG et al.[67])

為了避免人工神經(jīng)網(wǎng)絡(luò)等方法的網(wǎng)絡(luò)結(jié)構(gòu)難以確定、過學(xué)習(xí)和欠學(xué)習(xí)以及局部極小等問題，錢燕珍等[68]將支持向量機(jī)(support vector machine，SVM)方法運用到登陸臺風(fēng)站點風(fēng)預(yù)報中。通過分析2002—2007年的NCEP再分析場資料和臺風(fēng)年鑒資料，從臺風(fēng)強(qiáng)度、高低空環(huán)境場要素和站點地形情況3方面找出并設(shè)計與站點大風(fēng)預(yù)報可能相關(guān)的因子，利用SVM建立了4種預(yù)報模型，檢驗表明當(dāng)上述3個方面的相關(guān)因子比例接近時，模型預(yù)報能力最佳，風(fēng)速平均絕對誤差為1.75 m·s-1。何彩芬等[69]將改進(jìn)后的果蠅優(yōu)化算法引入到模糊支持向量機(jī)中，建立臺風(fēng)陣風(fēng)預(yù)測模型，該模型具有很高的預(yù)測精度，預(yù)測風(fēng)速與真實風(fēng)速之間的相關(guān)性達(dá)到99%，能較好地解決傳統(tǒng)人工經(jīng)驗預(yù)判風(fēng)速存在較大誤差的問題。

數(shù)值預(yù)報產(chǎn)品的釋用可在一定程度上訂正模式預(yù)報誤差：動力釋用可進(jìn)一步考慮大風(fēng)的物理過程和地形的作用，MOS法和PP法等傳統(tǒng)統(tǒng)計釋用以其簡便性而被廣泛應(yīng)用，人工智能釋用則可考慮大風(fēng)的非線性特征，但上述釋用方法對模式的依賴性很強(qiáng)，在數(shù)值預(yù)報不穩(wěn)定的情況下會產(chǎn)生較大誤差。

5 小結(jié)與討論

經(jīng)驗預(yù)報是根據(jù)天氣學(xué)原理和多年的預(yù)報經(jīng)驗，利用天氣圖、衛(wèi)星云圖和雷達(dá)圖等總結(jié)出的預(yù)報方法。統(tǒng)計預(yù)報是構(gòu)建能夠代表臺風(fēng)大風(fēng)的預(yù)報量與易獲取且相關(guān)性好的預(yù)報因子間的預(yù)報模型，較常用的3種統(tǒng)計預(yù)報方法有回歸預(yù)報、客觀相似預(yù)報、氣候持續(xù)性預(yù)報。國內(nèi)外多家預(yù)報機(jī)構(gòu)均研發(fā)了臺風(fēng)大風(fēng)或相關(guān)要素如風(fēng)圈半徑的數(shù)值預(yù)報產(chǎn)品，且逐步向更高分辨率、更精細(xì)化的方向發(fā)展。數(shù)值模式的釋用可一定程度上訂正數(shù)值預(yù)報的誤差，目前臺風(fēng)大風(fēng)預(yù)報中常用的釋用方法有動力、統(tǒng)計和人工智能。

鑒于上述4類預(yù)報方法各有優(yōu)缺點，未來可在以下4個方面加強(qiáng)。

(1)進(jìn)一步發(fā)展并利用各類預(yù)報技術(shù)的優(yōu)勢、降低其局限性。例如：①通過提高模式分辨率及渦旋初始化技術(shù)，加強(qiáng)物理過程參數(shù)化等對數(shù)值模式進(jìn)行技術(shù)改進(jìn)；②通過加強(qiáng)人工智能模型的學(xué)習(xí)過程和物理規(guī)律的可解讀能力，改善神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)和數(shù)據(jù)增強(qiáng)技術(shù)等，進(jìn)一步發(fā)揮其處理復(fù)雜非線性天氣過程(如本文探討的臺風(fēng)大風(fēng))的優(yōu)勢[51]。

(2)臺風(fēng)大風(fēng)預(yù)報需考慮眾多因素的影響，不同發(fā)展階段的大風(fēng)過程需要不同的預(yù)報技巧，在實際應(yīng)用中應(yīng)靈活運用或結(jié)合各類預(yù)報技術(shù)，不能過分依賴單一預(yù)報方法。如模式的格點預(yù)報產(chǎn)品較難反映臺風(fēng)的結(jié)構(gòu)特征，因而很難快速、準(zhǔn)確地預(yù)報大風(fēng)，所以在臨近預(yù)報中須更多關(guān)注衛(wèi)星、雷達(dá)和臺站等實況資料，判斷臺風(fēng)結(jié)構(gòu)的演變以進(jìn)一步預(yù)判大風(fēng)的起止時間、范圍和強(qiáng)度，提高預(yù)報效果[7]。

(3)集合預(yù)報可以減小數(shù)值預(yù)報結(jié)果的不確定性，提供未來天氣演變的多種可能性，是當(dāng)前臺風(fēng)預(yù)報中的主要工具和研發(fā)方向，但其在大風(fēng)預(yù)報中的相關(guān)預(yù)報檢驗和應(yīng)用還較少[70-72]，未來如何利用集合預(yù)報的優(yōu)勢實現(xiàn)臺風(fēng)大風(fēng)預(yù)報新突破，是一個值得探究的問題。

(4)探索新的預(yù)報技術(shù)，拓寬臺風(fēng)大風(fēng)預(yù)報的發(fā)展空間。如任福民和向純怡[73]、REN et al.[74]最近發(fā)展的動力統(tǒng)計相似集合預(yù)報(dynamical statistical analog ensemble forecast，DSAEF)理論已在登陸臺風(fēng)過程降水[75]和日降水[76]中展現(xiàn)了良好的應(yīng)用前景，未來這一理論推廣至臺風(fēng)大風(fēng)預(yù)報中將取得怎樣的效果，值得進(jìn)一步開展研究。