DRP-4DVar方法同化AIRS反演资料在一次江淮流域暴雨中的应用

利用经济省时的降维投影四维变分同化方法(DRP-4DVar),在2009年7月22～23日江淮流域的一次大暴雨过程中同化晴空条件下高光谱大气红外探测仪(AIRS)反演温度、湿度廓线,改进此次强降水过程的模拟。试验结果分析显示,同化AIRS反演的温度及湿度场后,基于四维变分同化系统的模式约束,能够改进湿度场、高度场、高低层散度场。从累积降水量偏差图及同化试验增量图可以看到,正降水量偏差对应于正湿度增量、负位势高度增量及低层负散度高层正散度增量,负降水量偏差则与之相反。同化试验较参照试验可更好地模拟出暴雨的天气形势、对暴雨的落区及强度有更好的反映。此外,从单次同化与连续同化的试验对比结果看出,连续同化试验结果较单次同化结果有进一步的改进,说明不断加入新的观测资料可以更好地模拟强降水过程。     

EXPERIMENTS ON ASSIMILATION OF INITIAL VALUES IN NUMERICAL PREDICTION OF A WARM-SECTOR PRECIPITATION IN SOUTH CHINA

In order to understand the impact of initial conditions upon prediction accuracy of short-term forecast and nowcast of precipitation in South China, four experiments i.e. a control, an assimilation of conventional sounding and surface data, testing with nudging rainwater data and the assimilation of radar-derived radial wind, are respectively conducted to simulate a case of warm-sector heavy rainfall that occurred over South China, by using the GRAPES_MESO model. The results show that (1) assimilating conventional surface and sounding observations helps improve the 24-h rainfall forecast in both the area and order of magnitude; (2) nudging rainwater contributes to a significant improvement of nowcast, and (3) the assimilation of radar-derived radial winds distinctly improves the 24-h rainfall forecast in both the area and order of magnitude. These results serve as significant technical reference for the study on short-term forecast and nowcast of precipitation over South China in the future.     

GRAPES-MESO模式不同空间分辨率对中国夏季降水预报的影响分析

国家气象中心业务运行的中尺度数值预报系统GRAPES-MESO（Global/Regional Assimilation and Prediction System mesoscale model）在升级到4.0版本后采用了与以往版本不同的三维空间分辨率设置,本文通过计算精度分析、个例分析及统计分析的方法详细阐述了两者水平分辨率和不等距垂直分层的差异,并由此深入分析了不同模式三维空间分辨率对中国夏季汛期降水预报的影响。主要结论表明,GRAPES-MESO预报系统4.0版本在水平分辨率提高到10 km并同时使用更为合理的加密垂直分层设置后,不仅提高了计算精度和计算稳定性,同时仍能满足业务预报的时效要求。对个例降水特征的分析结果表明,提高模式空间分辨率可以在一定程度上改善对降水中心的预报,但对降水落区的预报改进较为有限。对2012年7月整月批量试验的统计检验结果表明,月平均技巧评分总体变化不大,但对逐日大到暴雨评分提高较大,通过各气象要素统计检验分析可以认为,模式空间分辨率提高的主要作用是通过降低了中低层高度场、温度场和水平风场的误差,改进了对流层中层环流背景场以及对流层低层降水直接触发系统的强度预报,从而能够提高大到暴雨的降水评分。     

集合预报对台风天鹅(2015)远距离暴雨的不确定性研究

2015年8月23—24日期间台风天鹅引发华东中部沿海地区出现暴雨或大暴雨天气。基于欧洲中期天气预报中心的集合预报分析导致此次远距离暴雨预报不确定的关键原因,并利用集合敏感性分析方法研究影响此次暴雨过程的主要天气系统的敏感区域,此外对暴雨发生发展的热动力机制展开探讨,主要结论包括:集合预报对此次台风天鹅引起的远距离暴雨的可预报性明显偏低,仅在暴雨发生前24 h才做出较大调整。在不同起报时次下,当台风路径的系统性偏差最小时,台风降水集合预报也最接近实况,但是进一步的分析表明,台风路径误差与降水量级之间的对应关系并不确定。不同雨量成员组间中低层环流场的对比分析表明:高空槽的预报差异是集合预报不确定的主要原因,高空槽东移加深有利于增加暴雨区的斜压不稳定,也有利于增强对流层低层的水汽输送急流带。500 hPa高度场的敏感性分析表明无论是初始场还是预报场,暴雨区平均降雨量均与高空槽的东移和加深显著相关,且随着预报时次的临近,显著相关区域向低槽下游明显扩大。此外还发现高空槽的东移有利于增强(减弱)暴雨区左(右)侧低层冷空气的强度,使得台风右侧更多暖湿气流向暴雨区输送。     

重庆中尺度集合预报系统预报性能分析

本文利用2017年6～8月重庆中尺度集合预报系统逐日20时起报的预报资料及相应的观测资料对该系统的预报性能进行了综合分析,结果表明:500hPa位势高度、850hPa温度和2m温度的集合平均预报的均方根误差均优于控制预报,集合离散度均明显低于集合平均的均方根误差,Talagrand分布均呈现出“J型”或“U型”分布,500hPa位势高度和850hPa温度Outlier评分介于0.26～0.32,2m温度的Outlier评分普遍较高,总体介于0.33～0.67;降水预报方面,集合平均和概率匹配平均相对于控制预报表现出了较为明显的优势;小雨和中雨量级降水集合平均的TS评分明显优于概率匹配平均;大雨和暴雨量级的降水概率匹配平均的TS评分明显优于集合平均;0～24小时和24～48小时累计降水的Talagrand分布呈现出一定的“U型”分布且0～24小时更为明显,其余时效较为理想,Outlier评分随预报时效的延长而减小,最高0.31,最低0.20;降水概率预报检验方面,各个降水量级的Brier评分和相对作用特征技巧评分AROC均较为理想。总体而言,该系统相对于单一的确定性预报表现出了一定的优势。      

北京地区暴雨个例的观测敏感区研究

利用基于集合预报的相关方法对2009年7月23日发生在北京及周边地区的暴雨过程的观测敏感区进行了分析。通过WRF(Weather Research Forecast)三维变分方法对初始场进行随机扰动,形成30个初始集合样本,做了预报时效为12 h的集合预报。利用该方法分析检验区(北京及周边地区)累积降水[14:00(北京时间,下同)至20:00]相对于初始时刻(08:00)各基本要素的敏感性,确定感性要素及其对应的区域。研究发现初步确定的敏感性要素为水汽和温度,对应的敏感区分别位于北京的西南侧和北京的东北侧,且通过实况分析可知初步确定的敏感性要素和对应的敏感区具有明确的物理意义。还进一步通过观测系统模拟试验(OSSE)的资料同化验证所确定的敏感区,结果表明在水汽对应的敏感区内同化水汽对降水的预报结果有明显的改进;在温度对应的敏感区内同化温度,降水的预报准确率有了明显的提高,说明了初步确定的敏感性要素和敏感区的正确性。在水汽对应的敏感区内同化水汽的同时在温度对应的敏感区内同化温度,使降水预报的技巧有大幅度的提高,说明了温度和水汽的共同作用对提高降水预报准确率贡献最大。因此,通过基于集合预报的相关方法能够快速的确定敏感区。研究结果将为确定北京暴雨的观测敏感区提供参考。     

GRAPES_Meso背景误差特征及应用

基于2015年6月—2016年5月GRAPES_Meso有限区域中尺度数值预报模式产品,采用美国国家气象中心（NMC）方法和高斯函数拟合方案统计中国区域的背景误差和水平相关尺度随纬度、高度和季节的变化特征。结果表明:控制变量的背景误差与水平相关尺度不仅随高度和纬度有明显变化,其中非平衡Exner气压和比湿具有明显的局地性和季节变化特征。非平衡Exner气压的背景误差在青藏高原地区较大,且冬季最大,夏季最小。比湿背景误差在低纬度热带季风区较大,且夏季最大,冬季最小。非平衡Exner气压和比湿的水平相关尺度在冬季最大,夏季最小。同时文中采用随高度变化的水平相关尺度替换GRAPES-3DVar中单一尺度参数,1个月的分析和模式预报试验表明,6 h的位势高度预报在对流层有明显改进;风场分析及其12 h内的预报在平流层改进明显;对24 h不同量级降水的预报有显著正贡献,也显著改善24 h内的小雨、中雨和大雨的空报现象,明显改善12~24 h特大暴雨的漏报现象。     

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。     

基于BCC_CSM模式的中国东部夏季降水预测检验及订正

基于国家气候中心第二代季节预测模式的历史回报试验数据,检验了模式对我国东部夏季降水的预测能力,探讨了预测误差形成的可能原因,并应用降尺度方法提高了模式的降水预测技巧。分析表明:（1）模式能在一定程度上把握我国东部夏季降水时空变率的两个主要模态（偶极子型模态和全区一致型模态）,但是不同超前时间的预测在刻画模态方差贡献、异常空间分布特征、时间系数的年际变化等方面存在明显误差;（2）模式能够合理预测大尺度环流和海表温度（SST）的变化特征,但是对中国东部夏季降水的总体预测技巧有限,这与模式不能准确刻画西太平洋副热带高压、大陆高压、中高纬阻塞高压等环流系统以及热带太平洋、印度洋SST变率对中国东部降水模态的影响有关;（3）针对1991~2003年回报试验数据中的500 hPa位势高度、850 hPa纬向风和经向风、SST变量,在全球范围内寻找并定位与中国东部站点降水关系最密切的预报因子,进而建立针对降水预测的单因子线性回归、多因子逐步和多元回归模型。采用2004~2013年回报试验对所建立的降水预测模型进行了独立检验,结果表明:所建立的降尺度预测模型能显著提高中国东部地区夏季降水的预报技巧。以6月1日起报试验为例,预测的第一模态（第二模态）与观测的空间相关系数由原始的0.12（0.48）提高到了0.58（0.80）,时间相关系数则从0.47（0.15）提高到0.80（0.67）;其它超前时间的预测试验中,降尺度预测模型的降水预测技巧相比模式原始预测技巧也同样明显提高。     

基于条件非线性最优扰动的目标观测中瞄准区 不同引导性变量的影响试验研究

基于GRAPES区域业务预报模式,采用一种快速算法计算出来的条件非线性最优扰动对实际台风个例麦莎(No.0509)开展了目标观测研究,应用数值模式,进行一系列的敏感性试验,讨论了与目标观测设计相关的一些问题,包括确定瞄准区时使用不同的引导性变量对目标观测效果的影响、及瞄准区范围变化对预报效果的影响。文中分别以提高麦莎在检验区(20.125°—35.3125°N,116.8125°—129.75°E)内的24 h海平面气压预报和24 h累积降水量预报为目的,基于条件非线性最优扰动使用了3种不同的引导性变量寻找敏感区(又称瞄准区),对这些敏感区的分布特点和有效性进行了比较和讨论。试验结果表明,在使用的3种引导性变量中,用不同的引导性变量识别的敏感区是有差别的,总体上说,文中使用的3种引导性变量识别的瞄准区对提高预报都是有效的,特别是第2和第3种的效果更好些,且两者识别的瞄准区常显示出类似的特点。文中进一步针对检验区内24 h累积降水量预报误差问题,将前面确定的瞄准区范围扩大相同的幅度,讨论瞄准区范围变化对改进预报的影响。试验结果表明,增加瞄准格点数,有可能使预报效果得到改善,但是试验结果同时也暗示了单纯靠扩大瞄准...     

基于TIGGE资料的预报跳跃性特征

利用2011年3月—2013年2月TIGGE资料中ECMWF,NCEP及CMA 3个中心的500 hPa位势高度场、850 hPa温度场和海平面气压场的集合预报资料,采用Jumpiness指数同时结合单点跳跃、异号两点跳跃等预报跳跃相关概念,研究了集合控制预报和集合平均预报的预报跳跃特征问题,并进行对比分析。结果表明:平均而言,短时效预报之间的跳跃性低于长时效预报之间的跳跃性。集合平均预报的结果之间较其相应的控制预报具有更好的一致性。在预报跳跃的频率统计方面,集合平均预报结果总体上明显低于集合控制预报,两者在长时效的预报跳跃情况差别较大。该文研究了预报跳跃对不同区域、时间和变量的敏感性,结果表明:时间平均的预报跳跃性对区域和变量很敏感。不同预报跳跃类型出现的频率及集合控制预报和集合平均预报在预报跳跃性方面的差异对区域、时间和变量的敏感性有限。     

月动力延伸预报产品的评估和解释应用

该文用3种客观评分方法对国家气候中心的月动力延伸预报结果（500 hPa位势高度场）进行了全面评估。结果表明,延伸预报环流的旬和月平均场预报准确率明显高于持续性预报,有一定的预报技巧和业务参考价值,但仍未达到可用于实际业务预报的技巧。对形势预报进一步分析发现,500 hPa的部分环流特征量模拟效果好,其预报技巧高于整个形势场的预报。根据已有的经验和研究成果,这些环流特征量和要素预报有较好的相关,可以直接在业务中应用。该方法为动力产品的解释应用提供了又一条途径。     

动力延伸预报产品在广西月降水预报中的应用

利用1958—2005年NCEP/NCAR再分析资料和2003—2005年国家气候中心的动力延伸预报产品, 运用自然正交函数展开 (EOF) 求取预报关键区内的空间特征向量及其时间系数, 结合相似离度方法查找与预报月份相似的个例, 进而作出广西月降水量预报。独立样本试验证明, 利用动力延伸预报产品制作的区域月降水预报比利用前期实况高度距平场相关区域制作的预报效果更好。     

2016年梅雨持续性强降水期间大气环流稳定分量研究

梅雨降水具有显著的阶段变化特征,研究持续强降水期间的关键环流稳定分量,对于分析和预测梅雨降水具有重要意义.利用NCEP-DOE1979～2016年逐日再分析资料,对2016年梅雨持续强降水期间位势高度场、风场和相对湿度场进行分析,提取环流系统的关键稳定分量,并对其空间结构、演变特征及更长时间尺度的背景形势进行分析,为梅...     

云南1月降水异常的气候成因分析

在云南旱季降水稀少的气候背景下发生的异常旱涝气候事件是短期气候预测面临的难点之一。开展旱季降水异常的气候成因分析,对于提高气候预测准确率具有重要意义。1月是云南隆冬季节的主要时段,降水变化具有明显的偏态分布特征,年际波动非常显著。云南1月降水偏多年与偏少年大气环流有明显差异,500 hPa高度场上有四个区域位势高度与云南1月降水显著相关,中高纬的三个区域分别与斯堪的纳维亚(SCA)型遥相关的三个活动中心对应,低纬阿拉伯海的高度异常与孟加拉湾印缅槽活动有密切联系。当SCA为正(负)位相且阿拉伯海高度负(正)异常时云南1月降水偏少(多)。海洋上两个显著海温影响区域分别位于东南太平洋和北大西洋中西部,海温异常主要通过影响东亚和南亚地区的环流进而对云南1月降水产生影响。利用高度场和海温场的关键区域的数据分别合成高度场和海温场的组合序列,组合序列与云南1月降水有更高的相关性和更好的距平符号对应关系。在高度场和海温场组合序列的散点图上,近80%的年份位于第一和第三象限,这两个区域高度场和海温场的配置对云南1月降水作用一致,落区位置与降水距平符号对应关系很好;其余约20%的年份位于第二和第四象限,高度场和海温场的作用相反,落区位置与降水距平符号对应关系较差。     

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。     

2016年乌鲁木齐区域数值天气预报系统预报性能客观检验

基于MET检验工具对乌鲁木齐区域数值天气预报系统DOGRAFS v1.0在2016年各季节中的预报性能进行客观检验评估,主要检验要素有2m温度、10m风、500hPa形势场等,并与2015年同期预报性能进行对比分析,结果表明：(1)2016年该系统对各个季节2m温度预报以冷偏差为主,午间偏低幅度较大;夏季性能最优,冬季性能最差。对10m风预报以正偏差为主,平均误差在1.0m/s以内;各季节预报性能无明显差异。(2)2016年该系统对500hPa位势高度和温度预报以负偏差为主;位势高度预报性能夏季最优、秋季最差;温度预报性能在夏季最优、冬季最差。24h预报时效的预报性能整体优于48h预报时效。(3)2016年晴雨预报效果较好,夏季降水评分最高、冬季最低。随降水阈值增大、TS评分降低,系统对夏季午后至夜间降水预报评分较高。(4)2015年各要素预报偏差的变化特征与2016年相似,2016年预报性能整体优于2015年。     

Quantitative Precipitation Forecast Experiment Based on Basic NWP Variables Using Deep Learning

The quantitative precipitation forecast (QPF) performance by numerical weather prediction (NWP) methods depends fundamentally on the adopted physical parameterization schemes (PS). However, due to the complexity of the physical mechanisms of precipitation processes, the uncertainties of PSs result in a lower QPF performance than their prediction of the basic meteorological variables such as air temperature, wind, geopotential height, and humidity. This study proposes a deep learning model named QPFNet, which uses basic meteorological variables in the ERA5 dataset by fitting a non-linear mapping relationship between the basic variables and precipitation. Basic variables forecasted by the highest-resolution model (HRES) of the European Centre for Medium-Range Weather Forecasts (ECMWF) were fed into QPFNet to forecast precipitation. Evaluation results show that QPFNet achieved better QPF performance than ECMWF HRES itself. The threat score for 3-h accumulated precipitation with depths of 0.1, 3, 10, and 20 mm increased by 19.7%, 15.2%, 43.2%, and 87.1%, respectively, indicating the proposed performance QPFNet improved with increasing levels of precipitation. The sensitivities of these meteorological variables for QPF in different pressure layers were analyzed based on the output of the QPFNet, and its performance limitations are also discussed. Using DL to extract features from basic meteorological variables can provide an important reference for QPF, and avoid some uncertainties of PSs.     

金沙江中下游面雨量分布特征及预报检验

基于2019年4～10月金沙江中下游逐日面雨量实况资料、西南区域数值天气预报业务模式(SWC-WARMS)和中央气象台智能网格预报模式(NWGD)0～24小时降水预报对金沙江中下游月累计面雨量、日面雨量的月极值分布、暴雨频次分布特征进行分析并做了检验评估。结果表明:(1)金沙江中下游月累计面雨量主要集中在6～9月,强降雨天气也主要出现在6～9月。(2)2019年4～10月期间总共出现暴雨次数22次,出现暴雨次数最多的区域是A区,D区没有出现暴雨。(3)西南区域模式对于C区、D区、E区月累计面雨量的预报以及对于A区和C区小雨和中雨的预报优于中央气象台预报模式。(4)平均绝对误差(Ea)、模糊评分(Mp)和TS评分(Tsk)结果显示中央台智能网格预报模式上优于西南区域预报模式。