基于MET系统对SWCWARMS及GRAPES模式在西南地区的站点检验分析

应用国家基本观测站资料、自动站逐时降水资料,基于客观统计检验方法,针对降水(12h、24h累积雨量)、近地面要素(2m温度、10m风)和高空要素(风场、温度场、高度场),分别评估SWCWARMS模式和GRAPES模式对2015年西南地区预报能力,得到如下几点结论:(1)SWCWARMS模式降水ETS评分高于GRAPES模式,除24h小雨外SWCWARMS模式偏差值均高于GRAPES模式,两个模式在不同预报时效内对中雨、大雨、暴雨都表现一定程度的空报;(2)12h降水分段评分上,SWCWARMS模式TS评分均高于GRAPES模式,但SWCWARMS模式预报降水范围过大,随着预报时效增长空报多于GRAPES模式;SWCWARMS模式中雨和大雨空报大于其它量级降水,GRAPES模式对大暴雨漏报较多其它量级降水表现为空报;(3)两模式对高度场和温度场预报优于风场,对对流层中层预报优于中低层,SWCWARMS模式对高度场和温度场预报优于GRAPES模式,夏半年SWCWARMS模式均方根误差小于GRAPES模式;(4)两模式都表现出2m温度均方根误差在秋季增加而春季减小这一特征,SWCWARMS模式近地面要素均方根误差均小于GRAPES模式。      

GRAPES_GZ 3 km模式对2019年海南岛暖季非台风降水预报的时空检验

利用基于目标诊断的空间检验方法(MODE)和时空检验方法(MTD)评估了华南3 km高分辨率区域数值模式(GRAPES_GZ3 km)对2019年海南岛暖季非台降水预报性能, 结果显示: (1)模式24 h累积降水预报的空间分布范围偏大、降水强度偏强; (2)模式逐小时降水预报的平均质心总体偏西和偏北, 降水出现时间总体偏早1~3 h, 结束时间总体偏晚2~4 h, 降水持续时间偏长; 预报的降水目标数量偏多, 与实况一致均存在着主峰和次峰形态的昼夜分布特征, 但预报的昼间主峰出现时间比实况偏早2 h; 预报的短时强降水出现频次总体偏多。相对于传统的预报和观测点对点检验评估方法, MODE和MTD方法具有捕捉模式预报偏差特征的优势。      

GRAPES_3 km数值模式对流风暴预报能力的多方法综合评估

利用传统点对点TS评分、邻域法以及对象检验等多种方法,综合评估了GRAPES_3 km模式的对流风暴预报性能,分析了传统检验方法和新型空间检验方法对高分辨率模式评估的适用性和差异性,并同GRAPES_Meso模式的相关结果进行了对比。结果表明:对强对流典型个例的预报评估发现,综合应用多种评估方法能够更全面地评估对流风暴预报,获取模式在对流风暴初生和发展变化过程中的预报性能。使用点对点评分方法,GRAPES_3 km模式对风暴和强风暴的预报都明显优于GRAPES_Meso模式。对于模式不同起报时间的预报,起报时间越新预报效果越好。邻域TS方法考虑了时空偏差,GRAPES_3 km模式20和35 dBz采用时间邻域1 h,空间点对点时预报技巧最高;50 dBz时空偏差较大,时间邻域尺度为3 h技巧最高。分数技巧评分(FSS)显示GRAPES_3 km模式对不同阈值的对流风暴预报均能达到最低技巧尺度,而GRAPES_Meso模式对35 dBz以上的对流风暴基本无预报能力。对象检验可以评估对流风暴特征的预报效果,GRAPES_3 km模式的对流风暴个数预报与实况较为一致,但面积预报明显低估。该模式对β中尺度的对流风暴形态、位置等预报较好,对γ中尺度的对流风暴预报尺度偏大、形状偏圆、轴角偏小,对α中尺度的对流风暴预报尺度偏小、形状偏扁、轴角偏大。GRAPES_Meso模式的对流风暴面积、个数、尺度预报较实况均偏小,位置预报偏差较大,形状预报较实况偏圆、轴角偏小。传统点对点TS评分方法和新型空间检验方法对高分辨率模式对流风暴预报的检验结论一致,依然具有一定的参考价值,但新型空间检验方法能够提供更详细的评估信息。     

基于WRF不同边界层方案的陕西气象要素预报检验

利用陕西省区域数值模式系统,通过对比WRF中两种大气边界层方案(MJY和YSU),对陕西省2021年7月地面和高空要素预报开展了对比试验。结果表明:地面要素预报上,MYJ方案的24 h累积降水量预报的空报率和漏报率都更低,TS评分更高,预报效果更好,逐小时降水量预报的BIAS评分随预报时效的增加变化更小,空报率、漏报率和TS评分也整体优于YSU方案,表明MYJ方案对降水预报的稳定性更好。两个方案的2 m温度和10 m风场预报存在正偏差,2 m比湿预报存在负偏差,即预报场的温度偏高、风速偏大、湿度偏干,YSU方案在2 m温度和10 m风场预报上效果更好,而MYJ方案在2 m比湿预报上效果更好。高空要素预报上,两个方案在各个高度层上对各个要素的预报各有优劣,其中YSU方案在高空风速预报上较MYJ方案更稳定。     

SMS-WARMS V2.0模式对中国西南地区降水预报能力的客观检验

本文采用标准降水检验方法、EDI方法和MODE方法对新一代上海区域中尺度模式SMS-WARMS V2.0模式2015年12月至2016年11月的西南地区降水预报效果进行评估。结果表明:(1)模式对西南地区四季的降水TS评分均较高,夏季和秋季相对更高,且在48 h内预报性能比较稳定。(2)预报偏差和TSS评分显示,模式对西南地区春、夏两季的各个量级降水预报均较实况偏多,而对秋季的大暴雨和冬季的大雨以上量级预报则相对偏少。总体而言,对西南地区的降水技巧呈现出预报成功率高于空报率的特征。(3)模式对西南地区的小雨、暴雨和大暴雨预报评分优于EC模式。(4)EDI检验显示模式对西南地区的极端降水有较高的预报技巧,对四川中部和东北部以及贵州西南部的极端降水预报技巧相对更高。(5)模式对2015年8月一次西南涡诱发的暴雨过程的空间落区预报较好,强度较实况偏强。(6)MODE方法统计结果表明,模式对西南地区暴雨预报的目标质心偏差较小,降水中心强度偏强。     

2020年广东省中期降水和气温预报检验评估

对2020年广东省中期时效的主客观降水和气温预报进行检验,结果表明:省级网格和融合法MIX的降水预报评分总体上优于客观模式ECMWF和NCEP;总体上省级网格的降水预报偏差较客观产品更趋近1,即空漏报相对持平;省级网格对大雨和暴雨以上量级降水的192 h预报从提高预报稳定性的角度出发,预报趋于保守,漏报明显多于空报。气温预报方面,省级网格对模式订正有正技巧,最高气温的订正能力强于最低气温,其中盛夏季节(6—9月)对模式最高气温的订正效果最好。     

2020年广东省中期降水和气温预报检验评估

对2020年广东省中期时效的主客观降水和气温预报进行检验,结果表明:省级网格和融合法MIX的降水预报评分总体上优于客观模式ECMWF和NCEP;总体上省级网格的降水预报偏差较客观产品更趋近1,即空漏报相对持平;省级网格对大雨和暴雨以上量级降水的192 h预报从提高预报稳定性的角度出发,预报趋于保守,漏报明显多于空报。气温预报方面,省级网格对模式订正有正技巧,最高气温的订正能力强于最低气温,其中盛夏季节(6—9月)对模式最高气温的订正效果最好。     

全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估

2020年汛期6—8月甘肃降水日数多、持续时间长、范围广、强度大,对该时间段内3种全球模式(ECMWF、GRAPES_GFS和NCEP_GFS模式)和4种区域模式[GRAPES区域数值预报业务系统(GRAPES_3 km)、西北区域区域模式(GRAPES_LZ10 km)、西北区域快速更新循环预报系统(GRAPES_LZ3 km)和华东区域模式(SMS-WARMS)]24 h累计降水预报性能进行检验评估。结果表明:(1)全球模式中ECMWF模式的预报性能优于其余2个模式,而区域模式中GRAPES_3 km和SMS-WARMS模式预报性能相对较好,且SMS-WARMS模式预报性能更稳定。(2)区域模式晴雨准确率及小雨和中雨的TS评分、ETS评分、命中率低于全球模式,暴雨优于全球模式;大雨和暴雨的空报率和预报偏差均高于全球模式。(3)根据500 hPa环流形势可将甘肃汛期降水划分为副高边缘型和低槽型2种类型,针对2020年4次副高边缘型和3次低槽型降水进行分类检验评估。全球模式和区域模式均对前者的各个量级降水预报性能优于后者;ECMWF模式和区域模式对2种类型大雨和暴雨预报效果优于NCEP_GFS和GRAPES_GFS模式;全球模式中ECMWF模式、区域模式中SMS-WARMS模式对2种类型降水预报效果最好。(4)7种模式对2种类型中雨和大雨雨带走向预报较好,对副高边缘型降水过程降水落区的预报能力优于低槽型降水过程,但预报降水强度较观测偏强,尤其是降水中心区域。     

内蒙古地区T639气象要素预报性能评估检验

通过T639模式预报产品在内蒙古地区降水量、2 m温度、相对湿度和10 m风向、风速及降水过程预报效果的适用性研究,得出以下结论,温度和相对湿度预报的准确率较风向、风速明显偏高,温度和相对湿度预报的误差系统偏小,风速预报误差偏大的概率较大;降水量的预报准确率随降水等级增加而递减,对小雨而言,模式漏报率小于空报率,多报降水的偏差和少报降水的偏差相近。在预报要素空间分布上,风向预报的偏差顺时针偏转,其夹角小于45°,温度预报偏差总体偏小,相对湿度预报偏差由西向东表现为“+、-、+、-”的分布特征;小雨和中雨落区预报偏大,暴雨落区预报偏小;贝加尔湖冷涡强度的预报偏强,西太平洋副热带高压的强度预报偏弱,影响范围偏西偏北。     

乌鲁木齐区域高分辨率数值预报系统V2.0 预报性能客观检验

数值预报系统检验结果对预报产品的释用和系统的改进有着重要的作用。基于MET（Model Evaluation Tools）检验工具对乌鲁木齐区域高分辨率数值预报系统V2.0 (Rapid-refresh Multi-scale Analysis and Prediction System—Central Asia V2.0，简称RMAPS-CA V2.0）在2021年各季节中的预报性能进行客观检验评估，主要检验了2m温度、10m风速、高空位势高度等要素，并与RMAPS-CA V1.0同期预报性能进行对比分析。（1）2m温度预报偏差在冬季和春季整体为负偏差，在夏季和秋季整体为正偏差；各个季节的平均预报偏差均在2℃以内，预报性能秋季最优，冬季最差。各个季节10m风速预报整体为正偏差且差异不大，平均误差在0.5-1.0 m/s之间，预报性能秋季最优，春季最差。（2）高空位势高度预报偏差在冬季整体为负偏差，在其余季节整体为正偏差，预报性能冬季最优，春季最差。高空风场预报偏差在冬季和春季400hPa以下为正偏差，400hPa以上为负偏差；夏季和秋季整体为负偏差，预报性能春季最优、夏季最差。高空温度场预报偏差在冬季整体为负偏差，其余季节整体为正偏差，预报性能春季最优、夏季最差。（3）降水晴雨预报效果较好，但除夏季外以空报为主；随降水阈值增大、TS评分减小，多以漏报为主，降水评分在冬季最高、夏季最低。从降水个例检验看，24h累计降水为大量和中量的国家站点预报性能有所提升，逐6h累计降水TS评分略有提升。（4）RMAPS-CA V2.0系统各要素预报偏差的变化特征与RMAPS-CA V1.0相似，预报能力整体上要优于RMAPS-CA V1.0。     

基于邻域最优概率的GRAPES快速更新循环同化预报系统逐时降水订正方法

针对高分辨率数值天气预报的时空不确定性, 利用邻域最优概率方法对华南区域GRAPES快速更新循环同化预报系统的24 h预报进行逐时降水订正和检验评估。结果表明: (1)邻域法能改善模式降水预报的空间不确定性, 最优邻域半径随降水等级增加而减小, 强降水的最优邻域半径约为60 km; (2)通过引入时间滞后因子, 可进一步改善模式不同时间起报的不确定性, 结合Brier评分确定了时间滞后窗为4 h; (3)提出基于邻域最优概率阈值的降雨进行分级订正方法, 有效提升了降水客观预报能力, 晴雨预报较模式全部为正技巧, TS评分达到0.89以上, 总体提升幅度约5.3%;强降水预报同样均为正技巧, TS评分呈先降后升趋势, 在12 h时效前后预报效果最优, 进一步提升了GRAPES快速更新循环同化预报系统的业务预报水平。      

降水资料同化在GRAPES-MESO模式中应用试验研究

利用国家气象中心中尺度业务数值预报模式GRAPES-MESO v3.0,以2010年6月1～30日为例,开展地面降水率1DVAR(one-dimensional variational assimilation)同化方案在GRAPES-3DVAR(three-dimensional variational assimilation)同化系统中的应用试验研究(ASSI试验),并以未加降水资料同化的试验为对照试验(CNTL试验),以评估全国1h加密雨量资料在模式中同化应用的效果。结果表明:1)在相对湿度背景误差和降水率观测误差范围内,1DVAR同化方案能够对湿度廓线进行有意义的调整,使分析降水向观测降水靠近;ASSI试验对初始温、压、湿、风场的修正主要为正效果;2)对2010年6月17～21日江南、华南连续性降水过程进行了分析,整体而言ASSI试验对逐日及逐时降水强度的预报普遍强于CNTL试验,与实况更加接近;3)ASSI试验对2010年6月1～30日08时起报的0～24 h模式预报的小雨、中雨、大雨、暴雨、大暴雨各个降水量级TS评分及ETS评分相比CNTL试验均有较明显提高,预报偏差也更接近于1;4)ASSI试验较CNTL试验能更好地模拟雨带的分布、雨带演变特征和降水强度的变化;5)对降水所做的典型个例和统计检验分析从不同角度说明了地面降水资料1DVAR同化方案在GRAPES-3DVAR系统中的应用改善了GRAPES-MESO v3.0的降水模拟效果。     

2016-2020年广东省定量降水预报检验评估

对2016-2020年全球模式ECMWF和区域模式GZ_GRAPES、基于模式的解释应用和广东省气象局发布的定量降水预报（QPF）进行检验和评估。结果表明:ECMWF和GZ_GRAPES模式对一般性降水预报技巧在逐年提升,对大雨或以上的降水预报技巧的提升缓慢。GZ_GRAPES对大雨以上降水的预报技巧和定量降水预报的精细时空分布均优于ECMWF,区域模式更易预报出中小尺度降水信息。分类暴雨评定表明,模式对台风暴雨预报最好、锋面暴雨次之、季风暴雨预报最差。模式的暴雨预报落区偏小、低估明显,预报员通过经验订正明显提升了暴雨预报评分,其中季风暴雨的订正量最大,但存在预报范围偏大、空报较高的问题。基于ECMWF集合预报的解释应用与预报员的定量降水预报能力相当,降水越强,解释应用技术的优势越明显,但对季风暴雨也存在严重低估或漏报。目前降水精细时空分布、季风暴雨、极端性暴雨等依然靠预报员的经验订正为主,随着集合预报模式和区域高分辨率模式能力的提升,将预报经验客观化并与数值预报解释应用技术结合是提升QPF的一个方向。      

一种基于可预报性的暴雨预报评分新方法Ⅱ:暴雨检验评分模型及评估试验

针对当前暴雨预报检验采用二分类事件检验方法存在较严重的“空报”“漏报”双重惩罚,没有考虑暴雨时空分布不均和预报评分可比性不够等问题,在分析预报员对暴雨预报评分期望值基础上,设计了一种基于可预报性的暴雨预报检验评分新方法和计算模型,分析了理想评分,并对2015-2016年4-10月中国中央气象台5 km×5 km定量降水格点预报和降水落区等级暴雨预报进行评分试验,获得了以下结果和结论:（1）预报员对暴雨预报评分期望值呈现梯级下降特征,与传统的TS评分存在显著差异;（2）设计了一种基于可预报性的暴雨预报检验新方法,通过引入e指数函数构建暴雨预报评分基函数,进而构建暴雨评分模型,该模型可以较好地拟合预报员对暴雨预报评分的期望值,同时改善了评分在不同量级阈值处的断崖式突变情况;（3）提出了预报与观测的邻域匹配方法,即一个预报点与所定义邻域中的一组观测相匹配,并利用距离加权最大值法确定暴雨评分值权重系数,预报与观测距离越近,距离权重系数越大,评分值权重越大,提高了评分的合理性,避免了距离较远的匹配站点得高分不利于鼓励预报员提高预报精度的问题;（4）对中国中央气象台逐日5 km×5 km水平分辨率的定量降水格点预报产品和中央气象台定量降水落区等级预报产品进行了评分试验,暴雨预报准确率全国平均值大于60分。基于可预报性的暴雨预报检验新评分与传统暴雨预报TS评分逐日演变特征相似,但可以较好地解析TS为0的预报评分,解析后的新评分与预报员和公众的心理预期更为接近。      

尺度分解技术在定量降水临近预报检验中的应用

采用2004年Casati提出的强度-尺度检验技术,选取2008年汛期代表不同类型降水(对流云降水、层状云降水、混合云降水)的4个降水过程,从尺度分解角度入手,对"世界气象组织天气研究计划——北京奥运会预报示范项目"(WWRP B08FDP)项目中4个I临近预报参加系统(BJANC,GRAPES-SWIFT,STEPS,CARDS)的1h定量降水预报进行时空尺度分解检验,研究降水预报技巧与降水时空尺度和强度之间的关系。结果表明:尽管目前国际先进的临近预报系统的水平分辨率已高达1～2km,但其有技巧的临近预报能力主要集中于空间尺度大于32km、时间尺度大于1h的降水系统,而对小于这些尺度的降水系统预报能力仍非常有限;在不同时空尺度的临近预报降水误差中,60%以上的误差来自于空间尺度小于8km的降水,85%以上的误差来自于时间尺度小于1h的降水,传统的外推技术不能满足这些较小时空尺度降水预报的需求,要发展有效的预报方法来提高较小时空尺度降水的预报能力。将基于外推的临近预报和基于稠密观测资料、快速更新的数值预报的潜势预报相结合可能是一条有效的解决途径。     

中国区域降水偏差订正的初步研究

基于中国气象局公共气象服务中心提供的降水预报资料,利用频率匹配法和阈值法对2015年全年的降水预报进行偏差订正并对订正后的结果进行检验。结果表明:(1)偏差订正可显著减少集成系统降水预报的小雨空报现象,改善"有雨或无雨"的定性预报性能,提高集成系统的晴雨预报准确率。(2)订正后降水量级大小更接近实况降水,并且集成系统预报的平均绝对误差和面积偏差(干偏差或湿偏差)均有所降低。(3)偏差订正对降水预报的改善程度与系统本身预报性能有关,系统本身预报误差越大,订正效果越好。     

基于WRF模式的清江流域降雨-径流模拟研究

基于WRF模式,采用4层嵌套方案,选取3种积云参数化方案和7种微物理方案组成21种组合,对清江流域2016—2018年6—10月6次典型降雨事件进行数值预报,结合CMORPH卫星-地面自动站-雷达三源融合降水产品,采用TS评分和FSS评分,分析不同分辨率和云微物理方案的降雨预报效果;基于较优组合方案的WRF模式与WRF-Hydro水文模式耦合进行径流模拟,分析WRF模式在水文模拟中的应用效果。结果表明:3 km和1 km分辨率对降雨中心位置及强度预报的差别不大,对降雨落区都有较好的预报能力;在积云参数化方案中,KF方案和BMJ方案的降雨预报效果优于GF方案;在微物理方案中,WSM3、WSM5、WSM6、Thompson方案的预报结果与融合数据有较好的一致性;基于较优组合方案BMJ_WSM3,将WRF模式与WRF-Hydro模式耦合,耦合模式能较好地模拟洪水过程,径流模拟相关系数都在0.67以上,且NSE最高可达0.79。      

基于不用分辨率和参数化方案的新疆区域数值模式性能初步评估

基于中尺度数值模式WRF,选取新疆两次强降水过程,设计三个试验方案,其中试验1为控制试验,试验2提高分辨率,试验3提高分辨率并调整物理参数化方案,初步评估不同分辨率和参数化方案对新疆区域2米温度、10米风速、降水预报的影响。结果表明：（1）提高分辨率对2米温度、10米风速模拟精度均有提高,2米温度预报精度提高约0.5℃,降低了日间温度模拟冷偏差;10米风速预报精度提高约0.5 m/s,降低了风速模拟正偏差;但提高分辨率后,模式出现虚假降水预报的情况。（2）提高分辨率并调整物理参数化方案后,2米温度模拟误差略有减小,模拟偏差减小约0.2℃;10米风速模拟误差增大约0.5 m/s,模拟偏差增大超过0.5 m/s;对降水落区、量级的模拟精度显著提高,减小了降水中心的模拟强度,对虚假降水预报有一定修正。     

Analysis of a Heavy Rainfall Event over Beijing During 21-22 July2012 Based on High Resolution Model Analyses and Forecasts

The heaviest rainfall over 61 yr hit Beijing during 21-22 July 2012.Characterized by great rainfall amount and intensity,wide range,and high impact,this record-breaking heavy rainfall caused dozens of deaths and extensive damage.Despite favorable synoptic conditions,operational forecasts underestimated the precipitation amount and were late at predicting the rainfall start time.To gain a better understanding of the performance of mesoscale models,verification of high-resolution forecasts and analyses from the WRFbased BJ-RUCv2.0 model with a horizontal grid spacing of 3 km is carried out.The results show that water vapor is very rich and a quasi-linear precipitation system produces a rather concentrated rain area.Moreover,model forecasts are first verified statistically using equitable threat score and BIAS score.The BJ-RUCv2.0forecasts under-predict the rainfall with southwestward displacement error and time delay of the extreme precipitation.Further quantitative analysis based on the contiguous rain area method indicates that major errors for total precipitation( 5 mm h~(-1)) are due to inaccurate precipitation location and pattern,while forecast errors for heavy rainfall( 20 mm h~(-1)) mainly come from precipitation intensity.Finally,the possible causes for the poor model performance are discussed through diagnosing large-scale circulation and physical parameters(water vapor flux and instability conditions) of the BJ-RUCv2.0 model output.