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。     

基于WRFDA-Chem三维变分同化系统的中国PM2.5和PM10资料同化试验北大核心CSCD

将大气化学三维变分同化系统WRFDA_Chem引入睿图—化学环境气象数值预报系统(RMAPS-Chem),利用2016年11月地面观测细颗粒物(PM2.5)和颗粒物(PM10)逐小时质量浓度资料进行同化预报试验:6 h循环同化结果表明,WRFDA-Chem对初始场PM2.5和PM10的模拟偏差和相关性有显著改善,均方根误差(RMSE)减小40%左右,相关性提高0.27~0.37;同化对预报改进能持续24 h以上,PM2.5(PM10)浓度预报RMSE降低25%(10%),相关性提升14%(25%);加密同化频次(逐小时循环同化)进一步改进预报效果。未来需要进一步开展同化数据质量控制方案研究以优化业务预报效果,并在深入理解模式不确定性和偏差来源的情况下,进一步开展模式和同化系统的协同发展。     

条件非线性最优扰动在可预报性问题研究中的应用

本文总结了近年来条件非线性最优扰动方法的应用研究的主要进展.主要包括四个方面:(1)将条件非线性最优扰动(CNOP)方法拓展到既考虑初始扰动又考虑模式参数扰动,形成了拓展的CNOP方法.拓展的CNOP方法不仅能够应用于研究分别由初始误差和模式参数误差导致的可预报性问题,而且能够用于探讨初始误差和模式参数误差同时存在的情形;(2)将拓展的CNOP方法分别应用于ENSO和黑潮可预报性研究,考察了初始误差和模式参数误差对其可预报性的影响,揭示了初始误差在导致ENSO和黑潮大弯曲路径预报不确定性中的重要作用;(3)考察了阻塞事件发生的最优前期征兆(OPR)以及导致其预报不确定性的最优增长初始误差(OGR),揭示了OPR和OGR空间模态及其演变机制的相似性及其局地性特征;(4)研究了台风预报的目标观测问题,用CNOP方法确定了台风预报的目标观测敏感区,通过观测系统模拟试验(OSSEs)和/或观测系统试验(OSEs),表明了CNOP敏感区在改进台风预报中的有效性.具体地,台风OGR的主要误差分布在某一特定区域,空间分布具有明显的局地性特征,在台风OGR的局地性区域增加观测,有效改进了台风的预报技巧,该区域代表了台风预报的初值敏感区.事实上,上述El Ni(n)o事件、黑潮路径变异以及阻塞事件的OGR的空间分布也具有明显的局地性特征,这些事件的OGR刻画的局地性区域可能也代表了初值敏感区.     

条件非线性最优扰动在长江中下游地区冬季暴雨中的应用研究

为了提高长江中下游地区高影响天气的数值预报,利用条件非线性最优扰动(CNOP)方法,对一次长江中下游地区冬季降水个例(高影响天气事件)进行目标观测研究,并通过观测系统模拟试验(OSSE)检验了该方法确定敏感区的有效性和可行性。试验结果表明,CNOP方法可有效识别对应于高影响天气事件的敏感区。通过对敏感区进行初始场修正后,可明显改善验证区内24 h累积降水预报误差和总能量预报误差。进一步分析发现,通过改善敏感区内的初始场信息(如水汽通量场和低层冷空气活动等),使得数值模式不仅能更真实刻画该天气系统的初始结构,还能更好模拟出该天气系统随时间的演变特征,因而减少了验证区内对该天气系统的预报误差。这一结果表明可以把CNOP方法应用于长江中下游地区高影响天气事件的目标观测研究或实践中。      

京津冀及其周边地区“2+26”城市PM2.5的蒙特卡罗集合预报试验

本文在嵌套网格空气质量预报模式系统（NAQPMS）的基础上,结合蒙特卡罗模拟方法搭建了多扰动的空气质量集合预报系统。利用该系统对京津冀及其周边地区“2+26”城市的PM2.5浓度进行预报试验,试验时段为2017年9～12月,模式水平分辨率为15 km。研究发现,基于蒙特卡罗集合预报系统,采用“集合样本优选”均值集成法能显著提升PM2.5预报精度,大幅减小预报偏差。与所有集合样本的均值集成法相比,该方法将PM2.5预报均方根误差（RMSE）由58.0 μg m?3降低至34.7 μg m?3,将模拟—观测两倍因子百分比（FAC2）由67%提升至87%。此外,“集合样本优选”均值集成法对各污染等级的整体预报效果优于均值集成法。本文结果可为改进城市PM2.5预报效果和减小PM2.5预报偏差提供参考。     

气象预报模式参数化方案对重污染过程PM2.5浓度预报效果的影响

针对北京市2016年12月16～21日的重污染过程,基于嵌套网格空气质量模式预报系统（NAQPMS）,面向气象驱动模式WRF中7类物理过程的参数化方案,通过单扰动和组合扰动方式构建了51组不同的WRF模式运行配置,对比分析不同方案配置下NAQPMS对这次重污染过程细颗粒物（PM2.5）浓度预报的性能。结果表明:在重污染时段,组合扰动优化方案在城中心站点和城郊站点的PM2.5浓度预报精度都显著高于基准参数化方案配置下的预报结果,特别是能显著改进基准方案下模式对重污染过程结束时间的预报误差问题,显著减小12月21日存在的预报偏差。从统计指标来看,城中心站点在组合扰动优化方案下预报相关性最高,相关系数在0.7以上;从预报均方根误差来看,组合扰动优化方案误差最小。城郊站点同样是在组合扰动优化方案下预报相关性最高,与观测之间的偏差更小。从污染物与气象要素的空间分布来看,组合扰动优化方案比基准方案能更好再现污染时段的气象要素变化,预报的风速更小、相对湿度更高,从而有利于12月21日北京高浓度PM2.5的维持和累积。本文结果表明气象预报模式参数化方案不确定性是重污染预报的关键不确定性来源,选择合适的参数化方案可以减小重污染期间气象要素的模拟偏差,并可进一步提高重污染时段的PM2.5浓度预报精度。     

环境气象业务数值模式预报效果对比检验

基于华北区域气象中心、华东区域气象中心、华南区域气象中心和国家气象中心环境气象业务数值模式2015年1—3月的预报结果,从能见度和空气质量两个方面对环境气象业务数值模式的预报效果进行了对比检验。结果表明:随着能见度降低,各数值模式的预报能力均逐渐下降,对于1 km的能见度,仅华北区域模式和国家级雾霾数值预报业务系统(CMA Unified Atmospheric Chemistry Environment,CUACE)模式表现出一定的预报技巧,其中华北区域模式和CUACE模式对北京本地24 h能见度预报的TS评分分别为0.20、0.10;CUACE模式总体能见度预报误差较各区域数值模式均偏大;CUACE模式和华北区域模式、华东区域模式、华南区域模式能见度预报值与观测值的相关系数普遍低于0.6。随着空气质量下降,各数值模式AQI的预报能力均逐渐下降;AQI为优等级时,各数值模式AQI预报的TS评分均较高,其中空气质量较好的华南地区空气质量等级预报的TS评分最高,为0.81;总体上24 h的AQI预报,区域模式优于CUACE模式;48 h和72 h的AQI预报,CUACE模式优于各区域模式。各数值模式PM_(2.5)浓度的预报值普遍较观测值偏低,华南区域模式24 h的PM_(2.5)浓度预报误差相对较小,华北区域模式和华东区域模式24 h的PM_(2.5)浓度预报误差相对较大;CUACE模式PM_(2.5)浓度的预报误差较各区域模式均偏大,CUACE模式PM_(2.5)浓度预报值与观测值的相关系数较各区域模式均偏低。     

加密探空资料在华东区域业务模式中的应用试验

采用中国气象局2014年6月1日—30日14时加密探空资料,利用华东区域中尺度数值预报业务系统比较同化加密探空观测资料前后模式预报结果的差异。研究表明,同化加密探空资料后,对模式初始时刻不同高度的位势高度、比湿、温度、风速等变量均有一定的影响;对位势高度、温度和风场的影响在高层100—150 h Pa比较显著,而对比湿的影响主要体现在低层700—750 h Pa。同化加密探空资料后模式初始场更接近实况。批量数值试验的统计检验表明,同化加密探空观测资料后对强降水及形势场预报均有不同程度改进,24 h暴雨和大暴雨量级降水的预报技巧分别提高了2.5%和8.1%。     

应用奇异向量方法的适应性观测实例研究

近年来,通过适应性观测技术来减小预报误差已成为国际上数值预报中的一项关键技术,然而实施适应性观测对减小预报误差的影响评估是一个需要深入讨论的问题。文中利用奇异向量方法以2007年3月4日东北地区暴风雪天气过程为研究对象,考察了预报误差对不同观测区域观测资料的敏感性,在确定能量范数的基础上,分析了奇异向量的水平分和特征和垂直分布特征,利用奇异向量的空间结构确定了敏感区域。通过伪逆初始扰动场作为分析误差,研究验证区域的预报误差对不同区域增加观测的敏感性,试验结果表明,在敏感区域内进行补充观测来改善分析误差,能够最有效地提高验证区域内的预报水平;而减小非敏感区域内的分析误差对减小预报误差的贡献相对较小。这些结果表明,利用奇异向量法定义敏感区进行适应性观测,能够和有限的观测资源和计算资源的条件下,最大程度地减小验证区域的预报误差,从而达到提高验证区域预报准确率的目的。     

区域初始分析误差对梅雨锋中尺度低压数值预报的影响

以梅雨锋中尺度低压个例为研究对象,根据目标观测的思想,采用NCEP和T106再分析资料分析了区域初始分析误差对梅雨锋中尺度低压数值预报误差的影响。结果表明:区域初始分析误差对数值预报误差有重要影响,改善某些特定区域初始场质量有可能改善随后数值预报的效果。但是,区域初始分析误差对数值预报误差的影响较为复杂,它与天气类型、不同个例和区域间误差相互作用等因素密切相关。对梅雨锋中尺度低压短期数值预报有较大影响的初始分析误差与梅雨锋锋区及其附近地区的要素场关系密切,相比较而言,风场似乎更加重要一些。如果对梅雨锋带中低层风切变区及相伴低空急流区有更好的描述,这将对梅雨锋中尺度低压系统数值预报效果的改善有着积极的作用。在此基础上,就相关的目标观测设计问题作了简要讨论。     

北京地区气溶胶PM2.5粒子浓度的相关因子及其估算模型

文中运用统计分析和气象统计预报的方法 ,使用北京白石桥小区的污染物观测资料和同期北京地区的气象观测资料 ,对影响大气污染的气象因子进行了综合分析 ,并分别建立了气溶胶PM 2 .5粒子浓度与气体污染物、气象要素场的两类统计相关拟合模型。发现气溶胶PM2 .5粒子浓度与气体污染物浓度存在不同程度的相关性 ,且与气象条件亦存在显著的相关关系 ,此类时空变化及其量化估算模型具有一定实际应用价值。通过确定气象要素场和气溶胶浓度的关系可进一步研究不同地区的污染物输送和污染源扩散影响的问题。     

北京PM10重污染预警预报关键因子研究

利用CART方法对造成北京PM10重污染的气象条件分析结果表明:适当的湿度条件和前期的污染状况是造成北京PM10重污染的必要条件,其他条件,如大气稳定度、边界层高度、持续性小风以及气压,是造成PM10重污染的重要条件。特别值得指出的是,湿度作为必要条件的出现,可能蕴涵着重要的物理化学过程,对其开展深入研究将对北京大气污染的控制和预报有所裨益。     

基于数值模拟和统计拟合分析华北冬季一次大范围重污染过程的形成机理

基于WRF/Chem（Weather Research Forecasting/Chemistry）模式对2015年11月25日至12月2日我国北方一次大范围PM2.5（空气动力学当量直径小于等于2.5 μm的颗粒物,即细颗粒物）重污染过程进行了模拟。与观测资料对比表明,模式能够较好地模拟出PM2.5浓度及气象因素的变化趋势,结果适用于此次污染事件的机理分析。动力、热力条件及化学转化等因素对此次强污染事件形成的机理分析表明,动力因子主要通过表面风和垂直风切变的减弱对此次污染事件造成影响,边界层逆温等热力因子促进了大气稳定性的增强,不利于污染物扩散。依据PM2.5组成成分变化分析可知,硝酸盐、硫酸盐和有机碳在此次事件中含量增加,说明机动车汽车尾气和燃煤排放所致的二次气溶胶生成对PM2.5污染加剧起重要贡献。多元线性回归分析和多因子相对贡献率量化解析结果表明,热力因子在此次污染过程中起主要作用,方差贡献率为52%,动力因子次之,方差贡献率为34%,而化学转化方差贡献率约为14%,说明气象条件,尤其是热力条件是引起此次污染事件的主要原因。     

新标准下空气质量预报指导产品对比检验

为了解和掌握上级指导产品对石家庄市空气质量预报的适用性,进一步提高石家庄市空气质量预报的准确性,利用国家气象中心(NMC)、北京区域气象中心(BJ)和河北省气象局(HB)空气质量预报产品,对石家庄市夏季4种主要污染物PM_(2.5)、PM_(10)、O_3和SO_2的预报进行了对比检验,结果表明:1)NMC对4种污染物的预报效果均逊于HB和BJ的,对PM_(10)、PM_(2.5)和SO_2的预报值明显较实况偏大,尤其在发生重污染天气时,对PM_(10)和PM_(2.5)的空报率高达90%以上;2)HB对PM_(10)和SO_2的预报效果好于BJ的,对SO_2的预报值与实况值均在一个等级范围内,发生重污染天气时,对PM_(10)的预报效果好于BJ的,预报值更接近于实况,但对重污染向优、良转折天气的预报值偏高;3)BJ预报PM_(2.5)和O_3的效果好于HB的,对O_3的0级误差级别预报准确率高达90.5%,对PM_(2.5)优到轻度污染等级的预报效果较好,但对重污染天气的预报值低于实况。     

北京市房山区大气污染物时空分布特征及气象影响因素分析

利用北京市房山区良乡镇和琉璃河镇内的区域自动气象站和环境监测站观测数据,对2013年至2015年PM_(2. 5)、PM_(10)、NO_2、SO_2、CO 5种大气污染物浓度变化特征进行了统计分析。结果显示,近3年来,两个镇综合污染物指数呈现逐年下降趋势,各污染物对房山区整体大气污染的贡献率从大至小依次为PM_(2. 5)、PM_(10)、SO_2、NO_2、CO,PM_(2. 5)已取代传统大气污染物SO_2成为房山区的主要大气污染贡献体。两个站点各污染物浓度均表现出明显的季节、月、日变化特征。在不同季节条件下,局地气象要素与污染天气发生概率之间有着很好的相关关系。因此,可根据气象要素分级方法找出各季节污染天气发生时最敏感的气象因素,为局地污染天气预报提供参考指标,也为防范空气污染、制定科学的综合管理措施提供科学参考。     

北京冬季雾霾事件的气象特征分析

利用观测的气象要素和细颗粒物(即PM2.5)浓度资料,并结合中尺度数值天气模式WRF(Weather Research and Forecasting Model),对2013年1月北京地区雾霾污染期间天气条件和边界层气象特征进行了分析。模拟与观测对比表明,WRF模式可以较好地反映北京—天津—河北地区地面和高空主要气象要素的时空分布。对1月10~14日、27~31日两次重雾霾天气的分析表明,雾霾的形成是高浓度的大气颗粒物和特殊的气象条件共同作用的结果。小风或静风、稳定的大气层结,使大气扩散能力减弱,造成污染物堆积,偏南气流将周边污染物和水汽输送到北京,不仅增加了污染物浓度,而且有利于气溶胶吸湿增长,消光增强,使能见度下降,进而形成雾霾。     

北京一次持续霾天气过程气象特征分析

2013年1月10-14日,北京平原地区出现了水平能见度在2 km以下、以PM_2.5为首要污染物、空气质量持续5 d维持在重度以上污染水平的霾天气。综合分析此次霾天气过程的天气形势、北京地区常规和加密气象资料以及城郊连续观测的PM_2.5浓度资料。结果表明：此霾过程期间,北京高空以平直纬向环流为主,受西北偏西气流控制,没有明显冷空气南下影响北京地区,地面多为不利于污染物扩散和稀释的弱气压场;大气层结稳定、风速小(日平均风速小于2 m·s^-1)、相对湿度较大（日平均相对湿度在70 %以上）、逆温频率高强度大,边界层内污染物的水平和垂直扩散能力差;北京城区及南部的京津冀地区人类活动排放污染物强度大,在相对稳定和高湿的天气背景下,受地形和城市局地环流的影响,北京本地污染物累积和区域污染物输送以及PM_2.5细粒子在高湿条件下的物理化学转化等过程共同作用造成此次北京城区及平原地区污染物浓度快速增长并持续偏高,高浓度PM_2.5对大气消光有显著影响,造成低能见度和持续霾天气。     

气象-气溶胶资料联合同化对秋季PM2.5浓度模拟的影响研究

相比冬季大范围静稳条件下的污染堆积过程,秋季气象条件更加复杂和局地化,气象条件模拟不确定性给秋季气溶胶模拟带来了更大难度,且目前研究较少考虑气象-气溶胶因素在线模拟和联合同化。使用WRF/Chem模式和格点统计差值（GSI）三维变分同化系统,2015年10月进行了为期1个月的气象-气溶胶资料联合同化及模拟试验,并基于此讨论了气象-气溶胶资料联合同化对秋季PM_2.5浓度模拟的影响。结果表明,WRF/Chem模式可以模拟出秋季污染天气过程,但对华北平原和中东部地区存在高估、西北部存在低估现象;同化地面PM_2.5浓度观测资料可以改进对PM_2.5浓度的模拟,上述两个地区的偏差均得到订正,6 h预报偏差均降低至6 μg/m3以内;重点针对华北地区的分析表明,秋季PM_2.5污染过程与特殊气象条件（湿度升高、风场辐合、区域输送）密切相关,因此在地面PM_2.5观测资料同化基础上增加常规气象资料同化,能进一步提高对华北平原气象-污染过程的表达,PM_2.5浓度预报相关系数从0.86提高至0.89。气象-气溶胶联合资料同化能更加准确地模拟秋季气溶胶污染过程,为更好地开展污染成因和在气象预报框架下开展气象-气溶胶相互影响研究提供了基础。      

哈尔滨秋季一次持续性重污染过程分析

利用气象与环境监测数据,结合后向轨迹和秸秆焚烧火点监测资料,从环流形势、气象要素、污染源和污染传输特征等方面,对哈尔滨2017年10月18-20日持续性重污染天气过程进行分析。结果表明：这次重污染过程连续48 h为重度或严重污染,首要颗粒物为PM_2.5,PM_2.5平均浓度为438 μg·m^-3,局地PM_2.5浓度高达1487 μg·m^-3。重污染过程分为两个阶段,每个阶段主要污染物呈双峰分布。在重污染过程中,高空环流平直,浅槽前暖平流占主导地位,地面为弱低压均压场控制。地面风速小,平均风速仅为1.5 m·s^-1,风速≤ 1.5 m·s^-1静小风频率为71%,风场辐合,有利于污染物积聚。在重污染发展的过程中,地面相对湿度（RH）增大有利于颗粒物吸湿增长和污染加剧;在重污染减弱的过程中,PM_2.5浓度减少至每阶段谷值时间比RH减小至谷值时间滞后4-5 h。在边界层内有逆温层顶高为200 m左右、逆温强度>2.0℃·（100 m）^-1的贴地逆温层,层结稳定,垂直扩散条件差。污染物主要来源于秸秆焚烧,其次来源于取暖燃煤。静稳气象条件下本地污染物积累叠加远距离较高浓度的秸秆焚烧污染物输送导致哈尔滨这次重污染过程。