2022, Vol. 48 
2. 中国气象局台风数值预报重点实验室，上海 200030；
3. 温州台风监测预报技术重点实验室，浙江温州 325000；
4. 上海海洋中心气象台，上海 200030
2. Key Laboratory of Typhoon Numerical Prediction, CMA, Shanghai 200030;
3. Key Laboratory of Typhoon Observations and Forecasting, Zhejiang, Wenzhou 325000;
4. Shanghai Marine Center Meteorological Observatory, Shanghai 200030
2020年西北太平洋和我国南海共有23个编号台风生成，较常年(1981—2010年的气候平均值为25.5个)偏少2.5个，生命史最大强度达到热带风暴、强热带风暴、台风、强台风和超强台风级的台风数量分别为5、5、5、5和3个。2020年中央气象台在实时业务预报中发布共有5次台风登陆我国，分别为2002号热带风暴鹦鹉、2004号强台风黑格比、2006号台风米克拉、2007号台风海高斯和2016号强热带风暴浪卡。而第九届全国台风及海域气象专家工作组第三次会议通过了对2003号热带风暴森拉克路径修正的提议，新增“森拉克”在海南省万宁市的登陆点，登陆时间为2020年8月1日07:15。因此，在上海台风研究所整编的热带气旋年鉴中，2020年有6个编号台风在我国登陆，登陆台风数量较常年(1981—2010年气候平均值7.2个)偏少1.2个。
为了对西北太平洋和我国南海的台风预报结果进行预报性能分析，陈国民等(2012；2013；2015；2017；2018；2019；2021)、陈国民和曹庆(2014)每年会针对各类官方台风预报机构、确定性预报方法(包括全球模式、区域模式和统计方法)、集合预报系统发布的台风定位定强结果以及路径、强度、登陆点等预报结果，以中国气象局上海台风研究所整编的台风最佳路径数据(中国气象局热带气旋资料中心，http://tcdata.typhoon.org.cn/index.html；Ying et al, 2014)为基准进行预报精度评定。台风定位定强误差、路径、强度和登陆点预报误差的计算和统计标准均以2012年出版的《台风业务和服务规定》(中国气象局，2012)规定的台风分析和预报质量评定方法作为参考依据。本文对2020年西北太平洋和南海海域内23个编号台风的定位定强精度以及路径、强度、登陆点的预报效果进行评定和分析。
1 台风定位和定强精度台风定位和定强是台风预报的基础，台风定位定强的精度不仅影响台风路径和强度预报，也会影响到台风大风、暴雨乃至风暴潮预报的准确性(钱传海等，2012)。目前西北太平洋各主要官方台风预报机构(包括我国中央气象台、日本气象厅、美国联合台风警报中心、韩国气象厅、香港天文台等)主要依据Dvorak技术(Dvorak，1975；1984；1995)来确定台风中心位置和强度(刘喆等，2007)。表 1是官方台风预报机构对2020年全部23个台风的定位和定强次数，及对应的定位和定强全年平均误差。五个官方台风预报机构的平均定位误差均超过了20 km，较2019年略偏大，其中平均定位误差最小的是中央气象台(22.7 km)，较2019年的17.5 km偏大5.2 km；平均定强误差最小的是中央气象台(1.2 m·s-1)，略小于2019年的1.3 m·s-1。
|
表 1 2020年官方台风预报机构的平均定位和定强误差 Table 1 Mean positioning and intensity estimation errors of official typhoon forecast agencies in 2020 |
2020年中央气象台业务定位误差超过100 km的样本集中出现在2011号强热带风暴红霞、2012号强热带风暴白海豚、2013号台风鲸鱼、2019号超强台风天鹅(图 1a)。其中2020年11月1日20时至2日08时，“天鹅”穿过菲律宾进入到我国南海中东部海域时，强度逐渐减弱，路径略有北折，期间中央气象台连续3次的定位误差均超过了100 km。“鲸鱼”则是由于生成初期强度较弱、结构松散，给台风业务定位带来了一定挑战，从而造成了较大的定位误差。导致“白海豚”停编之前的几次定位偏差较大的原因是它移动到日本南部海域后，受中高纬度较大垂直风切变的影响，台风低层中心被高层云系遮盖，影响了业务定位的准确性。“红霞”定位误差较大的原因是它临近登陆越南时，强度迅速减弱，中心难以判断，对业务定位造成了干扰。
|
图 1 中央气象台对2020年23个台风的定位误差(a)和定强误差(b)分布 Fig. 1 Distributions of positioning errors (a) and intensity estimation errors (b) of China National Meteorological Centre for 23 typhoons in 2020 |
上述定位误差较大的样本共同特征是台风强度较弱，且处于远海或邻国海域，业务定位工作仅能基于卫星资料，无法得到实时的地面观测或雷达资料做为参考。反观2020年近海和登陆我国的台风，在我国沿海高密度地面观测站资料和雷达资料的支撑下，定位误差基本都在10 km以下。
2020年，中央气象台业务定强明显偏弱的样本集中出现在进入东海后的强台风黑格比、登陆前的台风米克拉、变性为温带气旋之前的台风鲸鱼和生成初期的超强台风天鹅，而对于“鹦鹉”和“海高斯”在登陆广东之前的几次业务定强则略偏强。
2 台风路径预报误差 2.1 确定性预报2020年，中央气象台、日本气象厅、美国联合台风警报中心、韩国气象厅和香港天文台五个官方台风预报机构的24、48、72、96和120 h平均路径预报误差和样本数信息列于表 2。2020年，除韩国气象厅外，其余四个官方台风预报机构的24 h平均路径预报误差均小于75 km。五个官方台风预报机构在48、72、96和120 h平均路径预报误差结果较为接近，误差区间分别在117.4~131.3、174.0~185.5、217.4~232.3和286.0~297.6 km范围内。
|
|
表 2 2020年官方台风预报机构不同预报时效的平均路径预报误差 Table 2 Average track errors with various lead times of official typhoon forecast agencies in 2020 |
2020年官方台风预报机构72 h以内的台风路径预报性能整体较2019年略有提升(图 2a~2c)，不过从图 2a~2c中也可以看出官方台风预报机构的24、48和72 h路径预报误差自2013年起分别向下突破100、150和250 km整数关口，但从2015年开始整体的路径预报性能并没有显著改善。
|
图 2 历年来24 h(a，d)、48 h(b，e)和72 h(c，f)台风路径预报误差趋势(a，b，c)官方台风预报机构，(d，e，f)全球和区域模式 Fig. 2 Evolutions of historical typhoon track forecast errors in 24 h (a, d), 48 h (b, e) and 72 h (c, f) forecasts (a, b, c) official typhoon forecast agencies, (d, e, f) global and regional models |
表 3给出的是2020年包括全球和区域模式在内的客观路径预报方法的24、48、72、96和120 h平均路径预报误差和样本数。从表 3中可以看到，欧洲中期天气预报中心综合预报系统(European Centre for Medium-Range Weather Forecast-Integrated Forecast System, ECMWF-IFS)在各预报时效上的平均路径预报误差均小于其余全球模式。美国国家环境研究中心全球预报系统(National Centers for Environmental Prediction-Global Forecast System, NCEP-GFS)的台风路径预报综合性能则仅次于ECMWF-IFS。
|
|
表 3 2020年客观预报方法不同时效的平均路径预报误差(单位：km) Table 3 Average track errors at various lead times of objective forecast methods in 2020 (unit: km) |
区域模式方面，24 h和48 h平均路径误差最小的预报方法是上海台风模式，分别为60.8 km和111.1 km；72 h误差最小的则是广州数值，为173.4 km。目前，仅CMA-TYM(原GRAPES-TYM)和HWRF这两个区域模式提供72 h以上的预报结果，其中HWRF的96 h和120 h路径预报误差分别达到263.3 km和313.1 km，与全球模式的路径预报性能较为接近。
图 2d~2f分别展示了全球和区域模多年来24、48和72 h平均路径预报误差演变趋势。从图 2d~2f中可以发现，模式的路径预报性能在2013年之前每年都有较大幅度的改进，但2013年之后预报性能并没有实质性突破。由于模式结果是官方台风预报机构发布预报结果的重要参考，因此近几年来模式的路径预报整体性能停滞不前是导致官方台风预报机构路径预报水平没有显著提高的主要原因。
在官方台风预报机构、全球和区域模式的台风路径预报整体性能趋于平稳的大背景下，各预报方法每年仍然存在不少路径预报偏差较大的预报样本。若将各预报方法的路径预报误差排名前10%的样本定义为路径预报误差极端偏大样本，那么各预报方法的台风路径预报误差极端偏大样本的误差平均值普遍是其年平均路径误差的2.3~3.0倍(图 3)。香港天文台的48 h极端偏大样本平均值达到了年平均误差的3.05倍，而ECMWF-IFS的72 h极端偏大样本平均值更是达到了年平均误差的3.34倍。
|
图 3 2020年各预报方法24 h(a)、48 h(b)和72 h(c)路径预报全年平均误差和10%极端误差样本的平均值 Fig. 3 The annual mean errors of typhoon track forecasts with 24 h (a), 48 h (b) and 72 h (c) lead times and the mean errors of 10% extreme track forecast samples by each forecast method in 2020 |
最近几年，随着集合预报系统的预报精度不断提高(Leonardo and Colle, 2017)，集合路径和强度预报产品已广泛应用于台风业务预报和服务中。图 4展示的是2020年欧洲中期天气预报中心集合预报系统(ECMWF-EPS)、日本气象厅全球集合预报系统(JMA-GEPS)、美国国家环境预报中心全球集合预报系统(NCEP-GEFS)、英国气象局集合预报系统(UKMO-EPS)、加拿大气象局集合预报系统(MSC-CENS)以及上海台风研究所台风集合同化预报系统(STI-TEDAPS)对于23个台风的集合平均路径预报误差(非同样本比较)。从图 4中可以看到，国内外优秀的集合预报系统在24、48、72、96和120 h预报时效上的集合平均路径预报误差能控制在80、130、200、300和400 km以内。不过集合预报系统的路径预报性能两极分化比较严重，综合来看，2020年ECMWF-EPS和NCPE-GEFS表现优异，而JMA-GEPS和MSC-CENS表现较差。通过对比各机构的集合预报系统集合平均路径预报误差与确定性预报模式路径预报误差后发现(表略)，2020年ECMWF-EPS的集合平均路径预报误差在24、60、84和96 h上比ECMWF-IFS确定性模式的路径预报误差要小；NCEP-GEFS的集合平均路径预报误差在24、36、60、72、84和96 h上比NCEP-GFS确定性模式的路径预报误差要小；而JMA和UKMO两个机构的集合预报系统在各预报时效上的集合平均路径误差均比其确定性模式的路径误差要大。
|
图 4 2020年集合预报系统集合平均路径预报误差 Fig. 4 Ensemble mean track forecast errors of ensemble prediction systems in 2020 |
考量集合预报系统对于台风的路径预报能力除了使用路径预报误差这一指标外，分析集合离散度也是检验集合预报系统路径预报性能的重要指标。基于传统集合路径预报误差和集合离散度散点图，陈国民等(2018；2021)引入双向分位图进一步分析了集合预报系统中的台风路径预报集合离散度和路径预报误差分布特征。在集合路径预报集合离散度和路径预报误差双向分位分析图中，当集合离散度大于集合路径预报误差时，一般认为集合预报系统高估了台风路径预报的不确定性，反之亦然。
图 5展示的是2020年6个集合预报系统不同预报时效的台风路径预报集合离散度和路径预报误差双向分位分析结果。6个集合预报系统对于2020年台风的路径预报主要特征表现如下：首先是以ECMWF-EPS(图 5a)、JMA-GEPS(图 5b)和MSC-CENS(图 5e)为代表的集合预报系统，随着预报时效的增加，其集合离散度的中位数值会逐渐大于集合路径预报误差中位数值，这意味着ECMWF-EPS、JMA-GEPS和MSC-CENS高估了2020年台风的路径预报不确定性；其次是STI-TEDAPS(图 5f)，虽然该集合预报系统最大的预报时效仅为72 h，但随着预报时效的增加，集合离散度的中位数值会逐渐小于集合路径预报误差中位数值，表明STI-TEDAPS低估了2020年台风的路径预报不确定性；最后对于NCEP-GEFS(图 5c)和UKMO-EPS(图 5d)这两个集合预报系统而言，它们的集合离散度和集合路径预报误差的中位数值基本相当。
|
图 5 2020年集合预报系统台风路径预报集合离散度和路径预报误差双向分位分析(a)ECMWF-EPS，(b)JMA-GEPS，(c)NCEP-GEFS，(d)UKMO-EPS，(e)MSC-CENS，(f)STI-TEDAPS Fig. 5 Bi-direction quantile analysis chart between typhoon track forecast ensemble spread and position error for ensemble prediction systems in 2020 (a) ECMWF-EPS, (b) JMA-GEPS, (c) NCEP-GEFS, (d) UKMO-EPS, (e) MSC-CENS, (f) STI-TEDAPS |
2020年各官方台风预报机构的主观预报方法强度(指近台风中心地面最大风速，下同)预报的平均绝对误差、平均均方根误差及样本数列于表 4。在计算强度预报误差之前，各官方台风预报机构的近台风中心地面最大风速预报数值，已按照世界气象组织发布的台风条件下风速转换系数(Harper et al, 2010)，转换成了与上海台风研究所的西北太平洋台风最佳路径制定标准相同的2 min平均风速。
|
|
表 4 2020年官方台风预报机构不同预报时效的强度平均绝对误差 Table 4 Average intensity absolute errors of official typhoon forecast agencies in 2020 |
2020年官方台风预报机构的24 h强度预报平均绝对误差差别较小，误差范围在4.5~4.9 m·s-1；48~120 h强度预报平均绝对误差出现明显的分化，48、72、96和120 h强度预报平均绝对误差最大与最小的机构之间的差值分别达到1.1、2.3、2.5和3.1 m·s-1。2020年，中央气象台对于72 h以内的台风强度预报性能位列五个官方台风预报机构第一位或并列第一位，对于96 h和120 h长时效的强度预报性能也高于五个机构的平均强度预测水准。
表 5是2020年客观预报方法(全球和区域模式)强度预报的误差评定结果。从整体上看，区域模式的强度预报性能要略优于全球模式，不过NCEP-GFS却是24、60、72、84和96 h的强度平均绝对误差最小的客观预报方法，其余预报时效上NCEP-GFS的强度预报平均绝对误差也与优秀的强度预报模式接近或持平。
|
|
表 5 2020年客观预报方法不同预报时效的强度平均绝对误差(单位：m·s-1; 括号内为样本数, 单位: 个) Table 5 Average intensity absolute errors with various lead times by objective forecast methods in 2020 (unit: m·s-1, numbers in brackets are samples) |
进一步分析近10年来台风强度预报年平均误差趋势，可以看到官方台风预报机构自2011年以来的24 h台风强度预报性能没有明显改进(图 6a)，48 h和72 h的强度预报误差在2017年有了小幅度减小，并在此后三年一直维持着与2017年相当的预报性能(图 6b和6c)。全球和区域模式近年来的台风强度预报性能则呈现出稳步提升的态势(图 6d~6f)。
|
图 6 历年来24 h(a，d)、48 h(b，e)和72 h(c，f)台风强度预报误差趋势(a, b, c)官方主观台风预报方法，(d，e，f)全球和区域模式 Fig. 6 Evolutions of typhoon intensity forecast errors in 24 h (a, d), 48 h (b, e) and 72 h (c, f) forecasts (a, b, c) official typhoon forecast agencies, (d, e, f) global and regional models |
不过，目前无论是官方台风预报机构的主观预报还是各类模式的客观预报，每年都会出现大量强度预报极端偏弱或偏强的样本。从统计结果看，2020年各类预报方法的24 h和48 h台风强度预报结果中，极端偏弱的程度远大于极端偏强的程度，而72 h极端偏弱和偏强的程度则相当(图 7)。这表明，各预报方法容易低估未来48 h以内的台风强度，特别是台风处于快速增强阶段时，各预报方法往往会出现重大的强度预报负偏差，即会严重低估台风的强度。
|
图 7 2020年各预报方法24 h(a)、48 h(b)和72 h(c)强度预报全年平均相对误差、平均绝对误差和10%极端正(负)误差样本平均值 Fig. 7 The annual mean relative errors and absolute errors of typhoon intensity forecasts with 24 h (a), 48 h (b) and 72 h (c) lead times and the mean errors of 10% positive (negative) extreme intensity forecast samples by each forecast method in 2020 |
表 6给出的是官方台风预报机构在台风登陆前24 h内发布的路径预报连线与海岸线交叉点相对于台风实际登陆点之间的误差。2020年，各官方台风预报机构对热带风暴鹦鹉在广东阳江海陵岛的24 h登陆点的整体预报效果是最优的，其中中央气象台24 h登陆误差仅为11 km，而误差最大的美国联合台风警报中心，也仅为45.6 km。相较而言，各官方台风预报机构对于台风海高斯在广东珠海的登陆点预报效果较差，24 h登陆点误差均在100 km以上，韩国气象厅的误差达到了201.8 km。
|
|
表 6 2020年官方台风预报机构24 h登陆点预报误差(单位：km) Table 6 The 24 h landing point forecast errors of official typhoon forecast agencies in 2020 (unit: km) |
对于全球和区域模式而言，24 h登陆点预报误差最小的也是热带风暴鹦鹉在广东阳江海陵岛的登陆点(表 7)。此外，除CMA-TCM(原GRAPES-TCM)外的其他模式能精准预报出强台风黑格比在浙江乐清和强热带风暴浪卡在海南琼海的登陆点，其中ECMWF-IFS、广州数值和HWRF对黑格比的24 h登陆点预报误差仅为0 km，英国数值和HWRF对浪卡的24 h登陆点预报误差也为0 km。
|
|
表 7 2020年客观预报方法24 h登陆点预报误差(单位：km) Table 7 The 24 h landing point forecast errors of objective forecast methods in 2020 (unit: km) |
本文对2020年西北太平洋及我国南海海域台风定位定强精度及路径、强度和登陆点预报精度进行了评定，主要结论如下。
(1) 中央气象台对23个台风的平均定位误差为22.7 km，略小于日本气象厅、美国联合台风警报中心、香港天文台和韩国气象厅，但同比2019年的17.5 km，则偏大了5.2 km；而其平均定强误差为1.2 m·s-1，定强性能略优于2019年的1.3 m·s-1。
(2) 自2015年以来，无论是官方台风预报机构还是各类全球或区域模式对于72 h以内的台风路径预报性能并没有实质性的改进，且各预报方法每年都会出现不少路径预报误差极端偏大的样本，这些样本的误差平均值基本达到了年平均误差的2.3~3.0倍。
(3) 2020年ECMWF-EPS、MSC-CENS和JMA-GEPS三个集合预报系统随着预报时效的增长，会逐渐高估台风路径预报的不确定性；而STI-TEDAPS则会低估台风路径预报的不确定性；NCEP-GEFS和UKMO-EPS的集合离散度和集合路径预报误差的中位数值则基本相当。
(4) 官方台风预报机构的24 h强度预报平均绝对误差差别较小，误差范围区间在4.5~4.9 m·s-1；48、72、96和120 h强度预报平均绝对误差最大与最小的机构之间的差值分别达到1.1、2.3、2.5和3.1 m·s-1。中央气象台对于72 h以内的短时效强度预报性能位居所有官方台风预报机构的前列。
(5) 各官方台风预报机构和模式，能提前24 h准确地预报出热带风暴鹦鹉在广东阳江海陵岛的登陆点。此外，ECMWF-IFS、广州数值和HWRF对强台风黑格比在浙江乐清的24 h登陆点预报误差仅为0 km，英国数值和HWRF对强热带风暴浪卡在海南琼海的24 h登陆点预报误差也为0 km，体现出了良好的登陆点预报性能。
陈国民, 白莉娜, 万日金, 2017. 2015年西北太平洋热带气旋预报精度评定[J]. 气象, 43(4): 501-507. Chen G M, Bai L N, Wan R J, 2017. Verification on forecasts of tropical cyclones over Western North Pacific in 2015[J]. Meteor Mon, 43(4): 501-507 (in Chinese).
|
陈国民, 曹庆, 2014. 2013年西北太平洋热带气旋预报精度评定[J]. 气象, 40(12): 1549-1557. Chen G M, Cao Q, 2014. Verification on forecasts of tropical cyclones over Western North Pacific in 2013[J]. Meteor Mon, 40(12): 1549-1557 (in Chinese). DOI:10.7519/j.issn.1000-0526.2014.12.014
|
陈国民, 曹庆, 白莉娜, 2015. 2014年西北太平洋热带气旋预报精度评定[J]. 气象, 41(12): 1554-1561. Chen G M, Cao Q, Bai L N, 2015. Verification on forecasts of tropical cyclones over Western North Pacific in 2014[J]. Meteor Mon, 41(12): 1554-1561 (in Chinese). DOI:10.7519/j.issn.1000-0526.2015.12.014
|
陈国民, 汤杰, 曾智华, 2012. 2011年西北太平洋热带气旋预报精度评定[J]. 气象, 38(10): 1238-1246. Chen G M, Tang J, Zeng Z H, 2012. Error analysis on the forecasts of tropical cyclones over Western North Pacific in 2011[J]. Meteor Mon, 38(10): 1238-1246 (in Chinese). DOI:10.7519/j.issn.1000-0526.2012.10.010
|
陈国民, 余晖, 曹庆, 2013. 2012年西北太平洋热带气旋预报精度评定[J]. 气象, 39(10): 1350-1358. Chen G M, Yu H, Cao Q, 2013. Verification on forecasts of tropical cyclones over Northwest Pacific in 2012[J]. Meteor Mon, 39(10): 1350-1358 (in Chinese). DOI:10.7519/j.issn.1000-0526.2013.10.014
|
陈国民, 张喜平, 白莉娜, 等, 2018. 2016年西北太平洋和南海热带气旋预报精度评定[J]. 气象, 44(4): 582-589. Chen G M, Zhang X P, Bai L N, et al, 2018. Verification on forecasts of tropical cyclones over Western North Pacific in 2016[J]. Meteor Mon, 44(4): 582-589 (in Chinese).
|
陈国民, 张喜平, 白莉娜, 等, 2019. 2017年西北太平洋和南海热带气旋预报精度评定[J]. 气象, 45(4): 577-586. Chen G M, Zhang X P, Bai L N, et al, 2019. Verification on forecasts of tropical cyclones over Western North Pacific and South China Sea in 2017[J]. Meteor Mon, 45(4): 577-586 (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).
|
刘喆, 王新, 李万彪, 等, 2007. Dvorak技术估测热带气旋强度研究进展[J]. 气象科技, 35(4): 453-457. Liu Z, Wang X, Li W B, et al, 2007. Progresses in estimation of tropical cyclone intensity with Dvorak technique[J]. Meteor Sci Technol, 35(4): 453-457 (in Chinese). DOI:10.3969/j.issn.1671-6345.2007.04.001
|
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).
|
中国气象局, 2012. 台风业务和服务规定: 第四次修订版[M]. 北京: 气象出版社: 38-41. China Meteorological Administration, 2012. Regulations on Typhoon Operations and Services[M].
Forth Revision.Beijing: China Meteorological Press: 38-41 (in Chinese).
|
Dvorak V F, 1975. Tropical cyclone intensity analysis and forecasting from satellite imagery[J]. Mon Wea Rev, 103(5): 420-430. DOI:10.1175/1520-0493(1975)103<0420:TCIAAF>2.0.CO;2
|
Dvorak V F, 1984. Tropical cyclone intensity analysis using satellite data[R]. NOAA Technical Report NESDIS 11: 45.
|
Dvorak V F, 1995. Tropical Clouds and Cloud Systems Observed in Satellite Imagery: Tropical Cyclones[M]. Workbook Vol. 2: 359.
|
Harper B A, Kepert J D, Ginger J D, 2010. Guidelines for converting between various wind averaging periods in tropical cyclone conditions[R]. World Meteorological Organization, TCP Sub-Project Report, WMO/TD-No. 1555.
|
Leonardo N M, Colle B A, 2017. Verification of multimodel ensemble forecasts of North Atlantic tropical cyclones[J]. Wea Forecasting, 32(6): 2083-2101. DOI:10.1175/WAF-D-17-0058.1
|
Ying M, Zhang W, Yu H, et al, 2014. An overview of the China Meteorological Administration tropical cyclone database[J]. J Atmos Oceanic Technol, 31(2): 287-301. DOI:10.1175/JTECH-D-12-00119.1
|