华南暖区暴雨研究进展

华南前汛期暴雨预报一直是我国大气科学界的一个研究热点,特别是发生在锋前的暖区暴雨,由于其天气尺度斜压性强迫不明显,环境大气水汽含量丰富,热动力不稳定性强,边界层触发机制复杂,以及特殊的地形和海陆热力差异的外强迫作用,导致暴雨突发性强,地域性特征显著,也是困扰预报业务人员的难点问题。目前我国预报业务中使用的全球数值预报模式对暖区暴雨的预报能力十分有限,高分辨率中尺度数值模式的预报效果也不尽人意。该文回顾了近40年华南前汛期暴雨大部分研究成果,针对华南暖区暴雨的提出及典型背景场、暖区暴雨与低空急流的关系、暖区中尺度对流系统的形成及传播、暖区暴雨触发机制等独特的天气动力学特征进行了系统梳理与分析,并依据前人研究成果及中央气象台预报实践经验,总结提炼了3类华南暖区暴雨类型——边界层辐合线型、偏南风风速辐合型,以及强西南急流型的天气系统配置及触发因子。最后提出针对华南暖区暴雨需要进一步研究的科学问题。     

Analysis of a Heavy Rainfall Event over Beijing During 21-22 July 2012 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.     

1999年6月长江中下游梅雨暴雨的环流特征分析

利用客观分析资料和加强观测期资料,对1999年6月发生在我国长江流域的持续性梅雨期降水过程的大尺度环流特征进行了分析,结果表明:(1)1999年梅雨期,我国长江中下游强降水带状分布非常明显,强降水主要发生在长江中下游地区,强降水带呈东西向分布,并且雨带的南北边界非常清楚。(2)在对流层低层,从孟加拉湾来的西风气流和西太平洋副热带高压前缘的东南气流在长江流域维持,为此次强暴雨过程产生和发展提供了有利的大尺度条件。高空急流和低空急流的存在和维持为此次梅雨锋暴雨过程的发生提供了有利的抬升机制,而对流层中低层的中性对流不稳定特征则为持续性暴雨过程的发生提供了有利的不稳定机制。(3)梅雨锋区对流层低层的水汽辐合非常明显,水汽输送主要来自孟加拉湾和西太平洋,同时南海季风槽在向梅雨锋区输送水汽的过程中起到了非常重要的作用,它是热带海洋地区向我国内陆输送水汽的通道。(4)平均纬向风速u对流层高层出现了与高空西风急流与高空东风急流相对应的两个强风速核;径向平均风速v在400 hPa以下层次盛行南风,而在400 hPa以上的高层盛行北风;受两侧下沉气流的制约,梅雨锋降水带南北两侧存在位势不稳定层结中的不稳定能量无法释放,因此没有出现明显的降水。     

高空西北气流下铜仁东部特大暴雨的预报分析及思考

利用贵州省预报业务常规、地面自动站加密观测资料、NCEP/FNL1°×1°再分析资料、业务数值预报模式,分析2020年6月29日铜仁市东部高空西北气流影响下的特大暴雨环境场特征,地面中小尺度场特征以及3家数值预报模式检验,初步分析产生此次特大暴雨的可能成因是在副高东南退,东北冷涡槽后高空西北气流维持,低层冷平流下传西输,地面辐合维持增强为涡旋,地面东路弱冷空气侵入,能量锋区斜压性增强;短临监测发现雷达回波有列车效应,低层辐合高层辐散的共轭配置,中层气旋式辐合;初步得出了西北气流影响下弱天气尺度环境场的铜仁市东部暴雨的预报着眼点。     

高空西北气流下特大暴雨的预报误差分析及思考

利用常规及非常规气象资料、业务数值预报模式、GFS再分析资料(0.5°×0.5°),分析了2016年6月19日江西北部高空西北气流下特大暴雨环境场特征和数值模式误差,对比了相似形势的暴雨过程,找出业务预报误差较大的可能原因是对高空"干冷"西北气流南移、副热带高压北抬的速度、低空西南急流加强及前端辐合、上游移来短波槽、异常水汽条件的综合作用分析不到位,各类数值模式产品对降水落区预报偏北、强度预报偏弱也影响了预报员对暴雨的综合判断;给出了预报这类特大暴雨着眼点和预报概念模型以及订正模式降水的思路。     

基于多尺度混合滤波的GRAPES_3Dvar及其在实际暴雨预报中的应用分析

为提高暴雨的数值模拟和预报效果,在生成初值的同化分析中保证中小尺度信息的引入十分重要。为改善GRAPES(Global/Regional Assimilation and Prediction System)区域三维变分同化系统对中小尺度信息的引入,本文利用气候态背景误差样本估计变量误差的水平协相关尺度,进而利用三个不同水平特征尺度的递归滤波器对统计结果予以拟合,以替代原有单一尺度的递归滤波方案。利用新方案对2015年6月1—2日江汉平原的暴雨过程进行同化和预报,研究结果表明:新方案的功率谱衰减较慢,通过单点试验和分析场分析发现,新同化方案引入了更多的α中尺度信息;在暴雨个例的预报中发现,利用新同化方案后湿度场、散度场和涡度场在分析场和预报场中更加接近实际情况,降水预报技巧明显提高。通过能量谱分析发现,新方案与原方案相比反映出更多的α中尺度信息;新方案对江汉平原地区暴雨预报具有正效果,在α中尺度内出现了低层辐合、高层辐散及湿度增加等有利于降水的要素。在暴雨个例的基础上,本文进行16d的批量试验,结果显示新方案对降水的预报技巧明显提高,与个例结果一致。     

重庆2014年9月12-19日连阴雨过程分析

利用NCEP1°×1°的再分析资料及重庆地区逐日、逐时降水资料、TBB资料以及雷达回波资料对2014年9月12-19日连阴雨天气及期间两次暴雨过程进行对比分析。结果表明：此次连阴雨期间欧亚大陆中纬度为“一槽”型,暖湿气流沿台风“海鸥”外围以及副高边缘不断将南海及西太平洋的水汽输送至川渝地区,为连阴雨提供良好的水汽输送条件;比湿的演变对连阴雨期间降水的增强及间歇有明显的指示意义,负的整层水汽通量散度大值区与两次暴雨落区一致。连阴雨前期大气为对流不稳定层结,能量条件好,阻塞高压明显,中高纬度的环流经向度较大,有利于冷空气的快速南下,前期的“9.13”大暴雨的对流性特征更明显;后期“9.17”暴雨则表现为稳定性降水,TBB资料在连阴雨期间的强度演变对两次暴雨过程产生的时段和落区的指示意义较好。在整个连阴雨期间近地层多弱冷空气的影响,中层有偏南风,连阴雨天气得以持续,但是两次暴雨过程开始时,冷平流均有明显的增大,表明冷空气有所加强,冷空气的加强触发了暴雨的产生,同时伴有中层偏南暖湿气流的增强。从两次暴雨过程时多普勒雷达垂直风廓线图也能反映出低层冷空气入侵,中层偏南暖湿气流的增强。     

鲁西北持续性暴雨非地转湿Q矢量分析

利用常规观测资料、NECP/NCAR提供的1°×1°FNL全球再分析资料,对2012年鲁西北一次持续性暴雨进行了湿Q矢量方法诊断分析。结果表明：此次持续暴雨出现在有利的环流背景下,降水区域集中并有明显的中尺度特征,湿Q矢量方法是分析强降水落区很好的工具;925～850 hPa湿Q矢量散度与强降水落区有较好的对应关系,但暴雨并不总是出现在湿Q矢量散度负值区中心,有时出现在湿Q矢量散度梯度大的负值区一侧;700 hPa湿Q矢量涡度正值中心与散度负值重叠的区域是中尺度低值系统发展有利的区域,与未来6～12 h暴雨落区有很好的对应;湿Q矢量锋生函数差值预报强降水落区明显优于锋生函数。     

用检测极端降水过程的EID方法确定梅雨雨期

梅雨期是江淮流域夏季降水最为集中的时段。先前研究提出的从时域上寻找极端降水过程的EID方法,可用来确定梅雨雨期的开始和结束及梅雨的强度。该方法含有一个介于0~1之间的可调参数a,通过对其设定不同的值,可确定出一年中不同时间尺度的降水最为集中的时段(雨期)。以南京的梅雨为例,通过试验将参数a取值为0.10,用EID方法获得了气候态的梅雨雨期,它于6月19日开始,7月12日结束,这大体与传统认定的梅雨期相符。对于逐年梅雨雨期的确定,情况稍有复杂。在用同样的方法确定出各年的强降水时段后,在62 a里去掉了12个异常的年份,包括雨期太长和太短、及太早和太晚的年份。然后对其余50个梅雨较为典型的年份进行平均。结果显示,平均的入梅日期为6月24日,平均的出梅日期为7月14日,平均雨期为20 a,这也大体与传统认定的结果相符。     

COMPARISON OF PERSIANN AND TMPA DAILY PRECIPITATION ESTIMATES OVER HUNAN PROVINCE OF CHINA

This study presented a detailed comparison of daily precipitation estimates from Precipitation Estimation from Remote Sensing Information using Artificial Neural Network (PERSIANN) and Tropical Rainfall Measuring Mission (TRMM) Multi -satellite Precipitation Analysis (TMPA) over Hunan province of China from 1998 to 2014. The ground gauge observations are taken as the reference. It is found that overall TMPA clearly outperforms PERSIANN, indicating by better statistical metrics (including correlation coefficient, root mean square error and relative bias). For the geospatial pattern, although both products are able to capture the major precipitation features (e.g., precipitation geospatial homogeneity) in Hunan, yet PERSIANN largely underestimates the precipitation intensity throughout all seasons. In contrast, there is no clear bias tendency from TMPA estimates. Precipitation intensity analysis showed that both the occurrence and amount histograms from TMPA are closer to the gauge observations from spring to autumn. However, in the winter season PERSIANN is closer to gauge observation, which is likely due to the ground contamination from the passive microwave sensors used by TMPA.