基于对象诊断的超强台风“利奇马”(1909)模式强降水预报检验

采用基于对象诊断的检验评估方法(the Method for Object-based Diagnostic Evaluation,MODE)对超强台风“利奇马”过程中ECMWF全球模式与GRAPES-MESO区域模式预报的强降水目标对象进行了分析,发现MODE技术相比于传统点对点的检验方法可以提供更加丰富的模式性能分析信息,将模式的预报能力(是否匹配)与预报偏差(位置偏差、面积偏差等属性)区分分析。研究结果表明:ECMWF全球模式预报的强降水对象与观测匹配度较高,雨带的位置也相对准确;GRAPES-MESO区域模式预报的强降水对象数量和面积存在一定程度的高估,空报情况较多,雨带位置误差较大,与观测对象的匹配度相对较低。此外,ECMWF全球模式预报的强降水对象存在偏北的系统偏差,GRAPES-MESO区域模式预报的强降水对象随预报时效的增加有偏南的趋势,两个模式在较长预报时效下都有偏东的系统偏差。     

四川两次副高边缘型暴雨的预报偏差分析及模式检验对比

该文利用常规观测资料（实况探空资料、自动站雨量数据）以及ECMWF、SWC-WARMS（西南区域模式）、GRAPES-MESO、GRAPES-GFS对比分析了2019年在副高边缘环流形势下的2次四川盆地区域性暴雨天气过程。结果表明：①初始场相似的2次过程,导致强降水落区不同的主要原因在于副高的动态变化不同,其次西风带槽脊的细微差异以及低层水汽条件的差异也与降水落区息息相关。②ECMWF在这2次过程中对副高位置动态变化的预报,西进较东退更为准确,且数值模式对此类大范围强降水的预报,ECMWF较其它模式更具有优势,但局限性在于范围偏小、量级偏弱,可结合SWC-WARMS进行订正,而GRAPES-GFS、GRAPES-MESO在模式稳定性和预报准确率方面都不及上述两者。     

基于目标对象检验法的四川省两种数值模式暴雨预报对比分析

根据2021年四川省31次暴雨过程预报偏差检验,选取ECMWF预报雨带明显偏西、CMA-MESO预报较好的3次个例,基于目标对象检验法对强降水落区(≥25 mm)从位置偏差、面积偏差、雨带走向和降水强度4个方面对两模式的预报偏差特征和主要原因进行对比分析。结果表明：ECMWF模式降水落区预报较实况偏西偏北,且偏西偏差距离(59.06～123.67 km)显著大于偏北偏差距离(8.23～53.59 km),而CMA-MESO模式雨带走向和位置预报与实况更为接近。两模式降水面积预报均大于实况,ECMWF模式较实况偏大7.0%～34.3%,CMA-MESO模式偏大25.2%～45.9%。两模式降水量平均值预报与实况偏差幅度为-3.5%～20.0%,但降水量极值预报较实况偏差较大,偏差幅度为50.1%～196.9%。检验分析表明,出现在副热带高压边缘,受高原涡或西南涡影响的四川暴雨过程,在ECMWF模式预报强降水落区(≥25 mm)偏西的情况下,CMA-MESO模式可以提供订正参考。     

一种定量降水预报误差检验技术及其应用

面向对象检验技术是定量降水预报误差分析方法之一,通过对某一降水过程进行分离,实现对其落区、量级等预报误差的定量化分析。基于面向对象的检验方法和天气系统识别技术,本文利用实况观测资料、ECMWF全球数值模式产品,以2012年汛期西南地区5个典型强降水天气过程作为检验对象,对其降水及天气尺度影响系统1～10 d模式预报误差进行了定量化分析。分析表明:在中短期时效内,模式均对西南地区雨带位置预报偏北、偏西,中期时效内偏差更显著,雨带主轴上70%以上的点预报较实况偏北在2°以内,偏西约3°以内;预报的大雨及以上量级降水量较实况偏弱;模式1～2 d预报的极值分布与实况较为接近,随着预报时效延长,预报的极值较实况明显偏小;模式预报的小雨及以下量级的降水范围较实况偏大,对大雨以上量级的降水范围较实况明显偏小。对于四川盆地而言,预报的切变线较零场偏西0.5°～3°。低空急流预报偏西0.5°～1.5°;低空急流强度预报偏差具有季节差异。     

全球模式对华北区域性强降水中期预报能力检验

选取2010—2016年夏季华北70个典型强降水个例,根据环流形势场,将其分为低涡型、西来槽型和切变线型。然后,利用降水空间检验法(MODE方法),通过对比质心距离、轴角以及纵横比等要素,讨论了几种常规业务模式对华北地区夏季强降水的中期预报能力。结果表明:ECMWF模式和T639模式对低涡型强降水预报能力较差;当实况强降水落区范围较大时,ECMWF模式和T639模式中期预报的雨带为狭长型并呈东北—西南向,预报与实况较为一致,但两种模式预报的降水落区均较实况偏西、偏南;这两种模式对较小面积降水,其预报的降水范围较实况偏大,而对较大面积降水,预报较实况明显偏小。     

T639、ECMWF细网格模式对2012年5～8月四川盆地降水预报的天气学检验

为了对比T639和ECMWF模式预报产品性能的优劣,提高预报员使用其产品的能力,针对2012年5~8月四川盆地降水天气过程,根据不同的影响天气系统,分别对T639和ECMWF细网格模式96h降水预报进行检验对比。结果表明:(1) EC模式对不同系统降水的预报效果都优于T639,预报指示意义大,且两家模式对高原涡和西南涡降水预报效果均优于模式对其它系统降水预报。(2) T639模式对主雨带强度和降水中心强度预报易偏弱,主雨带范围预报易偏小,漏报可能性大;EC模式对主雨带强度、降水中心强度预报也易偏弱,但主雨带范围预报易偏大。(3) T639和EC模式在预报主雨带落区、降水中心位置和实况不一致时,预报易偏西、偏南,雨带的移速偏慢。      

台风“巴威”不同类型降水多模式预报与空间检验对比评估

以传统的检验方法和基于对象诊断评估方法(MODE), 对首次以台风级别影响辽宁的“巴威”台风(2008)的台风暴雨过程不同性质降水的多模式(ECMWF、CMA_MESO 10KM、CMA_MESO 3km和睿图东北模式)预报结果进行了检验评估。结果表明: 受“巴威”远距离和本体影响, 辽宁省先后出现对流型降水和稳定型降水, 传统检验和MODE检验结果均表明, 多模式的对流型降水预报效果要优于稳定型降水, 这很可能是多模式对于台风北上减弱产生稳定型降水的影响系统的预报强度偏差大导致, 在今后预报中务必注意台风强度预报偏差对本体稳定型为主的降水的影响。传统检验结果中, CMA_MESO 3km和ECMWF模式的评分较高, 并且对于对流型降水雨带的形状、范围和质心距离、交集面积预报效果最好, ECMWF模式对稳定型降水也有着较高的目标相似度评分。尽管睿图东北模式由于对10.0 mm以上量级降水较高的空报和漏报率, 而导致TS评分偏低; 但在MODE检验结果中, 东北模式预报的强降水雨带的中心位置、降水强度和范围均接近实况, 目标相似度更高, 尤其在对流型降水阶段目标相似度达到了1.00, 模式对于对流型降水预报有着较好的可参考性。     

SWCWARMS及ECMWF模式对四川盆地暖区型和斜压锋生型暴雨预报检验分析

利用2014～2016年5～10月四川盆地所有观测站资料及SWCWARMS模式、ECMWF模式同时段20时起报的24h累积降水资料,基于邻域法FSS、ETS评分指数检验了两模式对于高能暖区型暴雨及斜压锋生型暴雨预报的预报性能。主要结论为:(1)两种类型暴雨过程平均误差均是SWCWARMS模式较ECMWF模式大,且误差值为正,表明模式以湿偏差为主;(2)高能暖区型暴雨FSS评分各降水量级各空间尺度均是SWCWARMS模式高于ECMWF模式;斜压锋生型暴雨50mm以下量级降水在36km以下空间尺度ECMWF模式FSS评分高于SWCWARMS模式,54km以上空间尺度SWCWARMS模式评分较高,大暴雨量级降水各尺度下均是SWCWARMS模式评分较高;(3)高能暖区型暴雨ETS评分暴雨、大暴雨量级SWCWARMS模式评分较高,中雨、大雨ECMWF模式预报更优;斜压锋生型暴雨ETS评分,中雨、大雨及暴雨量级降水预报ECMWF优于SWCWARMS,大暴雨量级SWCWARMS模式预报更优。      

2020年夏季辽宁省多模式降水预报检验

选用2020年夏季辽宁省区域自动站资料和7种模式预报资料,根据降水强度将站点分为5种降水类型,分析各数值模式36 h和48 h预报检验降水场的分布误差、相关性及雨带位置。结果表明：36 h预报结果好于48 h, 48 h降水量预报结果普遍比观测值偏大。初夏、夏末及秋初,各模式降水量预报偏差相对较小,盛夏的预报值偏差较大,尤其强降水站点的降水量预报值显著偏小。36 h预报值与观测值的相关系数和散点分布表明,弱降水站点和较弱降水站点的ECMWF预报结果最好,NCEP和WRF＿3KM次之。中量降水站点、较强降水站点和强降水站点的NCEP预报结果最好,ECMWF和WRF＿3KM次之。各模式雨带位置预报存在不同程度偏差,其中ECMWF的结果较好。     

陕西省中尺度模式降水预报效果检验

对2006年汛期AREMS、GRAPES、WRF模式的降水预报结果作每日定量检验和2006年汛期的主要大降水过程作定性检验。结果表明：WRF模式48h的预报效果要明显好于24h;各模式的小雨预报效果基本接近;AREMS和GRAPES对中雨以上量级预报时效主要在24h之内;AREMS在24h之内对中雨、大雨的预报效果好于GRAPES、WRF模式。定性检验显示,WRF对强降水的量级和降水中心落区有较好的参考意义;AREMS模式对系统性降水的雨带走向预报较好,雨带比实况略偏北,量级比实况偏小;GRAPES模式对强降水雨带走向预报与AREMS模式类似,但对各量级的降水预报范围偏大。