2020年梅汛期强降水事件的预报误差来源分析

基于WRF模式（Weather Research and Forecasting Model）分析2020年超长梅汛期内11次强降水事件的预报误差来源。分别以FNL（Final Global Data Assimilation System）、TIGGE_EC（THORPEX Interactive Grand Global Ensemble from European Centre for Medium-Range Weather Forecasts）作为初始场进行预报,对比预报结果发现,TIGGE_EC初始场的预报结果普遍优于FNL,这说明初始条件的不确定性对预报结果有重要影响。进一步探究初始条件不确定性（初始误差）来源的区域（敏感区）和变量（敏感变量）发现,敏感区集中分布于降水区西侧上游,相对应的敏感变量为水汽场。分别考察动能、有效位能以及比湿能在初始误差总能量中的占比,结果表明,扰动比湿能占比最小,但敏感性试验 表明比湿场扰动对预报效果的影响最大。选取比湿场扰动对预报效果影响最大且WRF_EC具有更好预报效果的6个暴雨事件,通过HYSPLIT后向轨迹模式分别追踪其累计降水量最大值点的水汽来源及路径发现,有6个事件均有向降水区西侧上游延伸的水汽来源通道,进一步表明了敏感区的初始水汽场的准确性对暴雨预报的影响。因此降水区西侧上游的水汽场的误差是这11次梅汛期暴雨过程重要的预报误差来源,对其准确描述可有助于预报效果的提升。     

华南暖区暴雨预报的模式初始场质量敏感性分析北大核心

本文利用高分辨率中尺度数值预报模式WRF和两组再分析资料,在研究不同模式初值对华南暖区暴雨预报质量差异明显的基础上,利用合成初值方法进行了模式初值对暖区暴雨预报的敏感性数值试验研究,讨论了模式初始场关键物理量对暖区暴雨预报质量的影响,重点开展了模式初值湿度场质量对华南暖区暴雨降水预报的敏感性分析。结果表明:模式初始场质量的较小差异,可显著影响本次华南暖区暴雨预报的降水强度、降水落区以及降水发生时间等的质量。初始水汽场对暖区暴雨预报影响最大,也最为敏感,是准确预报对流单体的发生发展以及地面强降水的基础。风场和温度场对暖区暴雨预报的影响相对较小。对流层低层较强的风速辐合是本次暖区暴雨强对流单体触发、生成和加强发展以至产生暖区强降水的物理基础。     

资料同化对一次华南暴雨影响的数值试验研究

针对一次华南暴雨过程,采用WRF区域中尺度模式进行了控制试验和同化试验.利用WRF-3DVAR同化系统同化了常规探空和地面观测资料,分析了两种资料对初值场的影响,以及对降水和各物理量预报效果的影响.结果表明:同化能改进初始场,并可改进暴雨落区和强度预报;同化可提高WRF模式对风场、温度场、高度场以及水汽场的预报能力.但有一定的时效性;同时同化探空和地面资料,比仅同化探空资料对大气低层物理量的预报能力要提高较多.     

AMSU辐射率资料在“07·07”暴雨个例中直接同化的试验研究

利用AMSU辐射率资料和常规观测资料,采用自行模拟的区域背景误差协方差(B)的WRFDA同化系统和中尺度数值模式WRF预报系统,对2007年7月8—9日发生在江淮流域的一次暴雨过程进行了模拟研究,设计了4组试验方案,对比分析了不同方案的模拟结果。结果表明,连续同化AMSU辐射率资料,可以改善降水预报效果,尤其是降水强度;通过连续使用AMSU资料,可以改进影响暴雨系统的大尺度环境场;AMSU-A资料对温度场有较为明显的影响,而AMSU-B资料对湿度场的调整有较大的贡献。     

2013年华中区域中尺度业务数值预报的客观检验

应用国家气象中心模式检验方法,对华中区域中尺度业务数值预报模式WRF和中国气象局下发的GRAPES模式2013年1-12月的预报产品（包括降水、2 m温度场、850 hPa温度场、850 hPa风场和500 hPa位势高度场预报）进行统计检验。检验结果表明：所有要素24 h预报均优于48 h;对于晴雨预报,GRAPES模式TS评分高于WRF,但随着降水量级增大,WRF的TS评分基本都高于GRAPES,同时WRF降水预报范围明显偏大;分析2 m温度场的均方根误差及预报准确率发现,WRF的2 m温度场预报优于GRAPES,且暖季预报优于冷季;形势场要素分析表明,WRF对850 hPa温度场和风场预报具有相当大的优势,全年误差变化较稳定,而对500 hPa位势高度场的预报误差存在一定的季节性特征,即夏半年WRF高度场预报优于冬半年,GRAPES模式则相反。总体上,华中区域中尺度业务数值模式产品对天气预报具有一定的参考价值。     

江西区域多元变量背景误差协方差特征分析

江西省暴雨灾害频繁发生,改善同化系统性能是提高数值天气预报水平的有效手段,构建合理的背景误差协方差是做好资料同化的关键工作。基于WRF模式的江西区域一个月控制预报为样本,计算得到多元变量相关的背景误差协方差,分析其平衡约束特征、特征值、特征向量以及特征长度尺度。结果表明,江西区域模式层中的低层和高层风场辐合、辐散分量的作用更大,各个变量对水汽场的贡献也集中在低层和高层,其中温度场起主导作用;模式层高层温度场的模拟效果偏差,各个变量的垂直相关性较大;相较于风场,温度场和水汽场在水平方向影响范围小,具有较强的局地性。     

北京地区一次空气重污染过程的目标观测分析

针对北京市2016年12月16~21日的空气重污染过程进行了回报试验,探讨了该次事件预报的目标观测敏感区。使用新一代高分辨率中尺度气象模式（Weather Research Forecasting,WRF）和嵌套网格空气质量模式（Nested Air Quality Prediction Model System,NAQPMS）,针对初始气象场的不确定性,通过4套初始场资料识别了影响北京地区细颗粒物（PM2.5）预报水平的目标观测敏感变量及其敏感区。结果表明:当综合考虑初始气象场的风场、温度、比湿不确定性的影响时,发现改善黑龙江区域上述气象要素的初始场精度,对北京地区PM2.5预报不确定的减小最显著;当分别考察风场、温度、比湿的不确定性的影响时,发现初始风场精度的改善,尤其是黑龙江区域风场精度的改善,能够更大程度地减小北京地区PM2.5的预报误差,对北京东南地区的PM2.5预报误差的减小甚至可达到40%以上。因此,优先对黑龙江区域的气象场,尤其是该区域的风场进行目标观测,并将其同化到预报模式的初始场中,将会有效提高初始气象场的质量,进而大大减小北京地区PM2.5浓度的预报误差,提高北京地区空气质量的预报技巧。初始风场代表了北京地区该次空气重污染事件预报的目标观测变量,而黑龙江地区则是该目标观测的敏感区域。     

台风暴雨数值预报中ATOVS资料的变分同化试验

利用ATOVS卫星辐射率资料和NCEP资料,采用中尺度数值模式WRF(V3.3)及其同化系统WRF-3DVar,设计了几组同化试验方案,对由0908号台风"莫拉克"导致的台湾南部2009年8月8—9日特大暴雨过程进行数值预报。结果表明,直接同化ATOVS辐射率资料对初始温度场、湿度场和风场均有较明显的改善,其中连续循环同化试验的改善效果最显著,同化后初始场增加了暴雨中心上空对流不稳定性,同时风场也表现出更强的低层辐合、高层辐散的中尺度特征。对比不同的辐射率资料发现,同化MHS资料对湿度场改进效果较好,同化AMSUA资料对温度场和风场改进效果较好,同时同化MHS和AMSUA资料改进效果整体上要好于前两者。在对降水预报定量检验中,同化试验的整体评分要高于控制试验,特别是降水临界值超过300 mm后评分提高最为显著。连续循环同化试验对这次台风暴雨的预报与实况最为接近。     

青藏高原东侧常规观测资料对WRF模式预报误差的贡献分析

利用WRFDA-FSO(Forecast Sensitivity to Observation)系统,统计分析2009年和2010年5—10月青藏高原东侧常规地面和高空观测对WRF模式预报误差的贡献。结果表明:地面观测资料各要素中,温度场对模式预报误差贡献最大,风场、气压和水汽场的贡献相对小;四川东部、广西大部和云南南部边缘地区的资料对改进预报产生正贡献较大。高空资料各要素中,温度场对模式预报误差贡献最大,其次是水汽场,风场贡献最小;高空站资料对改进预报产生正贡献较大的区域主要分布在云南大部、贵州西部边缘和广西西北部边缘地区。依据误差统计结果,剔除对改进预报产生负贡献较大的地面和高空站资料后,模式降水和温度预报效果有所改善。     

江淮锋面和华南暖区两次暴雨过程可预报性对比

以2008年6月9—10日江淮地区的锋面暴雨和2008年6月6—7日华南地区的暖区暴雨为例,采用模式试验的方法,研究了这2个不同地域不同类型的暴雨的模式可预报性的差异．控制试验的结果表明,2个地区的暴雨都可以用WRF模式得到较好的模拟再现．通过在控制试验的初始场上对温度场和风场添加高斯随机扰动误差构造敏感性集合成员,结果表明初始场的微小误差在24 h内使得华南暴雨与江淮暴雨的模拟结果都发生较大改变,但华南暴雨的误差增长快于江淮暴雨,导致华南暴雨模拟结果发生更大的改变．通过对集合离散度的分析表明,华南暴雨与江淮暴雨的离散度都随积分时间延长而不断增大,但华南暴雨的集合离散度增长更快,华南暴雨的集合离散度在模式各层上都远大于江淮暴雨．从误差增长和集合预报的角度讲,华南暴雨的模式可预报性比江淮暴雨的模式可预报性差     

Possible sources of forecast errors generated by the global/regional assimilation and prediction system for landfalling tropical cyclones. Part I: Initial uncertainties

This paper investigates the possible sources of errors associated with tropical cyclone (TC) tracks forecasted using the Global/Regional Assimilation and Prediction System (GRAPES). The GRAPES forecasts were made for 16 landfalling TCs in the western North Pacific basin during the 2008 and 2009 seasons, with a forecast length of 72 hours, and using the default initial conditions (“initials”, hereafter), which are from the NCEP-FNL dataset, as well as ECMWF initials. The forecasts are compared with ECMWF forecasts. The results show that in most TCs, the GRAPES forecasts are improved when using the ECMWF initials compared with the default initials. Compared with the ECMWF initials, the default initials produce lower intensity TCs and a lower intensity subtropical high, but a higher intensity South Asia high and monsoon trough, as well as a higher temperature but lower specific humidity at the TC center. Replacement of the geopotential height and wind fields with the ECMWF initials in and around the TC center at the initial time was found to be the most efficient way to improve the forecasts. In addition, TCs that showed the greatest improvement in forecast accuracy usually had the largest initial uncertainties in TC intensity and were usually in the intensifying phase. The results demonstrate the importance of the initial intensity for TC track forecasts made using GRAPES, and indicate the model is better in describing the intensifying phase than the decaying phase of TCs. Finally, the limit of the improvement indicates that the model error associated with GRAPES forecasts may be the main cause of poor forecasts of landfalling TCs. Thus, further examinations of the model errors are required.     

Possible Sources of Forecast Errors Generated by the Global/Regional Assimilation and Prediction System for Landfalling Tropical Cyclones. Part Ⅰ: Initial Uncertainties

This paper investigates the possible sources of errors associated with tropical cyclone(TC) tracks forecasted using the Global/Regional Assimilation and Prediction System(GRAPES). The GRAPES forecasts were made for 16 landfalling TCs in the western North Pacific basin during the 2008 and 2009 seasons, with a forecast length of 72 hours, and using the default initial conditions("initials", hereafter), which are from the NCEP-FNL dataset, as well as ECMWF initials. The forecasts are compared with ECMWF forecasts. The results show that in most TCs, the GRAPES forecasts are improved when using the ECMWF initials compared with the default initials. Compared with the ECMWF initials, the default initials produce lower intensity TCs and a lower intensity subtropical high, but a higher intensity South Asia high and monsoon trough, as well as a higher temperature but lower specific humidity at the TC center. Replacement of the geopotential height and wind fields with the ECMWF initials in and around the TC center at the initial time was found to be the most efficient way to improve the forecasts. In addition, TCs that showed the greatest improvement in forecast accuracy usually had the largest initial uncertainties in TC intensity and were usually in the intensifying phase. The results demonstrate the importance of the initial intensity for TC track forecasts made using GRAPES, and indicate the model is better in describing the intensifying phase than the decaying phase of TCs. Finally, the limit of the improvement indicates that the model error associated with GRAPES forecasts may be the main cause of poor forecasts of landfalling TCs. Thus, further examinations of the model errors are required.     

安徽省2021年梅雨期降水预报检验分析

检验梅雨期降水的预报效果,对于提升梅雨期降水预报能力、减少梅雨期降水带来的人员伤亡和经济财产损失有着重要的意义。文章对安徽省2021年梅雨期（6月10日—7月10日）六个客观模式和一个主观订正预报产品进行了检验分析,其中包含了三个区域模式数值预报（中国气象局中尺度天气数值预报系统（简称CMA-MESO）、中国气象局上海数值预报模式系统（简称CMA-SH9）、安徽WRF）、三个全球模式数值预报（中国气象局全球同化预报系统（简称CMA-GFS）、欧洲中期天气预报中心确定性预报模式（简称ECMWF）、美国国家环境预报中心全球预报系统（简称NCEP-GFS））和安徽智能网格主观订正预报的降水产品,进行了检验分析,结果表明：传统检验中安徽智能网格和区域模式对晴雨准确率的预报效果优于全球模式,又以CMA-MESO最优;在暴雨及以上量级的强降水预报中,传统检验表明安徽智能网格预报的得分最高（23.83）,ECMWF模式则是客观模式预报中效果最好的（20.12）,CMA-SH9次之（19.34）;通过对除安徽智能网格以外的各个客观数值模式进行的MODE空间检验可知,不同数值模式间暴雨预报误差原因不尽相同,ECMWF与各区域数值模式主要是由雨区位置的预报偏差,尤其是纬度偏差导致的,NCEP-GFS全球模式对降水强度和雨区面积的预报偏弱偏小比较明显,CMA-GFS在强降水方面的预报可参考性较差;各个主客观预报暴雨及以上量级预报,整体表现出较明显的日变化特征,在午夜前后、上午时段TS评分较高,而午后到傍晚评分较低,这个现象或许是梅雨期的午后降水多以地表太阳加热引起的短历时热对流降水为主造成的。     

安徽省2021年梅雨期降水预报检验分析

检验梅雨期降水的预报效果,对于提升梅雨期降水预报能力、减少梅雨期降水带来的人员伤亡和经济财产损失有着重要的意义。文章对安徽省2021年梅雨期（6月10日—7月10日）六个客观模式和一个主观订正预报产品进行了检验分析,其中包含了三个区域模式数值预报（中国气象局中尺度天气数值预报系统（简称CMA-MESO）、中国气象局上海数值预报模式系统（简称CMA-SH9）、安徽WRF）、三个全球模式数值预报（中国气象局全球同化预报系统（简称CMA-GFS）、欧洲中期天气预报中心确定性预报模式（简称ECMWF）、美国国家环境预报中心全球预报系统（简称NCEP-GFS））和安徽智能网格主观订正预报的降水产品,进行了检验分析,结果表明：传统检验中安徽智能网格和区域模式对晴雨准确率的预报效果优于全球模式,又以CMA-MESO最优;在暴雨及以上量级的强降水预报中,传统检验表明安徽智能网格预报的得分最高（23.83）,ECMWF模式则是客观模式预报中效果最好的（20.12）,CMA-SH9次之（19.34）;通过对除安徽智能网格以外的各个客观数值模式进行的MODE空间检验可知,不同数值模式间暴雨预报误差原因不尽相同,ECMWF与各区域数值模式主要是由雨区位置的预报偏差,尤其是纬度偏差导致的,NCEP-GFS全球模式对降水强度和雨区面积的预报偏弱偏小比较明显,CMA-GFS在强降水方面的预报可参考性较差;各个主客观预报暴雨及以上量级预报,整体表现出较明显的日变化特征,在午夜前后、上午时段TS评分较高,而午后到傍晚评分较低,这个现象或许是梅雨期的午后降水多以地表太阳加热引起的短历时热对流降水为主造成的。     

Evaluation of a Regional Ensemble Data Assimilation System for Typhoon Prediction

An ensemble Kalman filter (EnKF) combined with the Advanced Research Weather Research and Forecasting model (WRF) is cycled and evaluated for western North Pacific (WNP) typhoons of year 2016. Conventional in situ data, radiance observations, and tropical cyclone (TC) minimum sea level pressure (SLP) are assimilated every 6 h using an 80-member ensemble. For all TC categories, the 6-h ensemble priors from the WRF/EnKF system have an appropriate amount of variance for TC tracks but have insufficient variance for TC intensity. The 6-h ensemble priors from the WRF/EnKF system tend to overestimate the intensity for weak storms but underestimate the intensity for strong storms. The 5-d deterministic forecasts launched from the ensemble mean analyses of WRF/EnKF are compared to the NCEP and ECMWF operational control forecasts. Results show that the WRF/EnKF forecasts generally have larger track errors than the NCEP and ECMWF forecasts for all TC categories because the regional simulation cannot represent the large-scale environment better than the global simulation. The WRF/EnKF forecasts produce smaller intensity errors and biases than the NCEP and ECMWF forecasts for typhoons, but the opposite is true for tropical storms and severe tropical storms. The 5-d ensemble forecasts from the WRF/EnKF system for seven typhoon cases show appropriate variance for TC track and intensity with short forecast lead times but have insufficient spread with long forecast lead times. The WRF/EnKF system provides better ensemble forecasts and higher predictability for TC intensity than the NCEP and ECMWF ensemble forecasts.     

滁河流域汛期多模式集成面雨量预报检验评估

对2013—2016年汛期ECMWF、JMA及中尺度WRF模式的预报结果进行检验,基于合理的时间尺度,制作了动态权重集成面雨量预报(DWI)、分步集成面雨量预报(SI)和等权重集成面雨量预报(EWI)产品,并对2017—2020年汛期降水期间多种集成面雨量预报产品和ECMWF、JMA、WRF的单个模式面雨量预报产品进行对比评估.结果表明:3种集成面雨量预报效果整体上优于单一数值预报模式,尤其是预报致灾严重的暴雨等级降水优势明显;DWI和WRF对强降水的面雨量预报正确率最高,其他2种集成面雨量预报结果次之,ECMWF及JMA较差;模式集成预报弱降水过程的优势不明显.     

概率匹配平均法在山东强降水预报中的应用

基于WRF集合预报系统开发了概率匹配平均降水产品,选取了山东省2014—2016年共13次强降水过程,检验评估了概率匹配平均法在山东省强降水预报中的综合表现。结果表明：对于不同的强降水过程,各预报产品的预报能力差异较大,尤其是对暴雨以上量级降水的预报存在较大偏差;概率匹配平均相对集合平均,对大雨以上量级降水预报有明显改善,较WRF确定性预报产品也有一定提高,对强降水预报具有一定指示意义;该方法的改进主要体现在对不同量级降水的调整上,尤其是强降水的落区,相对集合平均增大了强降水的范围和强度,但对整个区域的总降水量预报没有很好的改进作用。     

持续性强降水的区域模式动力中期预报研究

持续性强降水及其次生灾害给人民的生产和生活造成严重影响, 延伸其模式动力预报能力对防灾、减灾具有重要意义。随着对持续性强降水过程形成机理及模式动力中期预报认识的不断提高, 以减小模式初始条件误差、边界条件误差以及内场预报误差为目标提出了一系列动力中期预报技术方法, 主要包括:针对边界条件提出低通滤波技术方案, 改进了5 d以上的环流及降水预报; 针对模式预报内场进行谱逼近技术试验, 对提前3—7 d的小雨以上量级的降水预报改进明显; 针对初始条件进行多尺度混合更新初值技术预报试验, 融合全球预报的大尺度场及区域模式预报的中小尺度场进行15 d预报, 明显提高了50及100 mm以上的持续性累积降水预报时效。      

中国夏季降水多模式集成概率预报研究

基于TIGGE资料中的中国气象局（CMA）、欧洲中期天气预报中心（ECMWF）、日本气象厅（JMA）、美国国家环境预报中心（NCEP）以及英国气象局（UKMO）五个中心2007-2011年5月25日-8月31日中国地区逐日12-36 h、36-60 h、60-84 h、84-108 h、108-132 h与132-156 h累积降水集合预报资料,分别利用PoorMan （POOL）和多模式消除偏差（MBRE）两种方法对2011年各中心降水概率预报进行集成,并采用RPS和BS评分方法对预报效果进行评估。结果表明,对于12-156 h逐24 h累积降水量概率预报,多模式集成预报效果优于单模式预报效果,且多模式消除偏差概率预报效果最好;针对小雨、中雨以及大雨以上降水,PoorMan和MBRE概率预报较单中心预报效果均有提高,MBRE概率预报效果优于PoorMan方法。