最近20 a,欧洲中期天气预报中心全球模式(以下简称ECMWF模式)的预报性能一直保持世界领先,其模式产品也是我国业务天气预报中的重要参考依据。国家气象中心检验了2015年春季ECMWF模式、T639模式和日本数值模式的中期预报性能,结果表明ECMWF模式对亚洲中高纬地区大尺度环流和850 hPa温度的演变、调整均具有较好的预报能力,整体性能优于其他模式[1]。由于地理位置和气候带的不同,近年来各省市气象台的预报员也做了一些检验对比工作。张宁娜等[2],肖红茹等[3],以及刘静等[4],分别比较和检验了ECMWF模式和其他业务常用数值模式在本地区的降水预报效果,结果均表明ECMWF预报效果整体上优于其他模式。陈博宇等[5]对2013年汛期ECMWF集合预报在不同地区强降水过程中的综合表现进行了检验与分析,并根据表现较好的统计量产品的计算原理,尝试设计新方案,为预报员在强降水预报过程中提供新的参考产品。
对ECMWF模式的预报性能进行检验,已成为欧洲中期天气预报中心的常规工作,一般模式改进后的整体预报性能较之前会有明显提高[6, 7]。面对众多的模式产品,预报员会依据数值预报经验,在进行多模式对比分析检验的基础上评估、订正模式产品,这些检验通常是从环流形势或平均的降水TS评分等角度着手,其结果对模式整体性能的评估非常必要且合理。但是模式的初始条件误差、模式动力和计算误差、物理参数化误差等问题始终存在,因此预报员需要依据对天气形势的辨别、对模式物理过程的深入理解、以及对水汽、抬升运动和云滴增长等降水形成要素[8]的综合分析来得到降水预报,而不是单纯依赖于模式降水预报场。Reynolds[9]指出,由于模式的频繁更新,预报员通常难以掌握模式预报的系统偏差的变化,因此单纯依靠预报员模式使用的经验来订正预报结果变得越加困难。许映龙等[10]对2011年超强台风“梅花”的预报误差进行反思时提到,台风路径和强度预报往往依赖数值预报,当数值预报存在较大分歧时,容易对其路径、强度和降雨预报等造成偏差,在一定程度上导致预报服务的被动。陶祖钰等[11]在研究“7.21”北京特大暴雨的预报问题时指出,各种数值模式均不同程度地报出了此次暴雨,预见期可达3~4 d,但均忽略了暴雨过程中的暖区强对流降水,使得对暴雨的开始和结束时间预报明显偏晚约6 h。此外,环流形势的检验虽然有时候能帮助预报员发现ECMWF模式的系统偏差,进而对与环流形势密切相关的降水落区做出相应的订正,但数值模式的降水落区预报,不仅取决于环流形势,还和模式本身对降水物理过程的描述有很大关系。ECWMF模式的总降水(Total Precipitation,以下简称TP)由对流性降水(Convective Precipitation,以下简称CP)和大尺度降水(Large-Scale Precipitation,以下简称LSP)组成。LSP主要由模式中的云物理方案决定,CP则由模式中的积云对流方案产生,即用参数化方法考虑小尺度运动对大尺度运动的总体影响,目前大部分全球数值天气预报模式多采用此种方法。由于LSP主要与稳定层结下大尺度的上升运动有关,因此其与环流形势的关系更为密切。CP主要与局地的层结不稳定有关,同样的环流形势,不同的高低层干湿或冷暖配置,导致的CP量级和分布将会完全不同,进而影响模式预报的TP落区和强度。万子为等[12]和郭云云等[13]对GRAPES-MESO模式的积云对流参数化方案进行试验后指出,改变积云对流参数化方案,其结果会对模式降水预报性能产生直接影响。
2016年3月8日起,ECMWF模式进行了全面升级,模式分辨率和相关物理过程均进行了相应的提高或改进,其中在积云对流参数化方案(包括深对流,浅对流和中层对流)方面,改进了深对流气块扰动方法。初步的检验结果表明:高层环流预报(高度、温度、相对湿度和风场等)和天气要素预报(地面气温、湿度和10 m风预报等)均有所提高[6, 7]。本文将从ECMWF模式降水预报的基本构成着手(TP=CP+LSP),重点分析2016年南方春雨期LSP和CP的预报特征,进而分析这些特征对模式TP落区预报的影响。试图了解在不同天气背景下,ECMWF模式降水预报位置偏差发生的内在原因,以期为业务预报中对其降水预报进行落区订正提供针对性的参考依据。
1 资料和方法利用2016年的3月8日—5月31日ECWMF模式每日20时(北京时,下同)起报的12—36时的24 h累积降水预报(包括总降水TP、大尺度降水LSP和对流性降水CP),将模式格点预报场(0.125×0.125°,范围为(90°—140°E, 20°—50°N)双线性插值到中国中东部范围内(105°—135°E, 20°—50°N)的1 869个雨量站上(图 1)。实况资料为这1 869个站点对应预报时段(08—08时)的地面观测降水资料。降水检验采用业务常用的中短期天气降水预报对降水分级检验和累加降水量级检验TS评分办法①(计算TS评分、空报率和漏报率),以及计算相关系数。
① 气发(2005)109号--关于下发中短期天气预报质量检验办法(试行)的通知
相关系数rxy计算方法[14]如下:
$ {r_{xy}} = \frac{{\sum\limits_{t = 1}^n {\left( {{x_t} - \bar x} \right)\left( {{y_t} - \bar y} \right)} }}{{\sqrt {\sum\limits_{t = 1}^n {{{\left( {{x_t} - \bar x} \right)}^2}} \cdot \sum\limits_{t = 1}^n {{{\left( {{y_t} - \bar y} \right)}^2}} } }}\;\;\;\;t = 1,2, \cdots \cdots ,n $ | (1) |
式(1)中,为总雨量站数(本文为1 869),xt、yt分别为所需时段内的时间平均场(模式降水场或实际观测场),x、y分别对应xt、yt的平均值。
2 2016年春雨期(3—5月)ECMWF模式降水预报的检验分析 2.1 2016年春雨期(3—5月)降水总体评估2016年ECWMF模式总降水TP预报对我国春雨期(3—5月)中东部地区1 869站的降水要素预报评估结果表明(表 1),中雨及以上和大雨及以上量级的TS评分分别为0.474和0.288,暴雨及以上量级为0.118。从全年和全国范围看,根据中央气象台的统计②,ECMWF高分辨模式2015年的24 h暴雨TS评分为0.165,而2016年则提高到0.204。说明模式升级后,大量级降水预报的TS评分整体呈现提高趋势,这也与ECMWF自身开展的检验结果大致相符。根据Holm E等[7]人的研究表明:新版模式在热带以外,降水预报的准确率可提升1%~2% (根据新旧模式对2015年8月—2016年3月的预报检验对比)。当然,本文关于中东部地区(主要是南方地区)TS评分的计算,未能利用新旧模式同时来比较,而2015年和2016年降水气候模态的改变也可能会导致TS评分的变化(即使模式本身不作任何调整),故2016年大量级降水预报TS评分的提高,尚不足以说明ECMWF模式对我国南方春雨的预报能力有提升。
② 统计结果引自中央气象台天气业务内网
比较2016年春雨期整体的实际观测分别与LSP和CP分布的相关系数可知,实际观测分布LSP分布的相关系数为0.92,与CP的相关系数为0.84,一定程度上说明,相较于CP,LSP分布更贴近实际观测。如果比较偏差场与LSP和CP的相关系数,则分别为0.30和0.58,即模式偏差场更接近CP的分布,如果要改进或订正模式TP预报,对CP预报的合理分析显得更为重要。
2.2 2016年春雨期(3—5月)降水逐月分析模式降水预报的空间分布对指导降水落区和量级有重要参考作用。由于ECWMF模式的总降水(TP)由对流性降水(CP)和大尺度降水(LSP)组成,TP落区预报误差的来源,很大程度上来自于模式对CP和LSP的预报。不同地区或不同月份出现的TP落区误差,可能由模式不恰当的CP预报或LSP预报所致,预报员如果能大致了解模式的这些特性,有助于他们有针对性地修正模式降水预报(在不同地区或形势下,分别考虑CP和LSP的误差),而不是笼统地修正TP本身。
下面逐月讨论分析2016年3—5月的模式预报的分布特征,对比分析实际观测、TP、LSP和CP的春雨期日平均降水量的空间分布(图 2—4),其中只将日平均降水大于等于5 mm的站点显示出来,代表主要雨带;将TP减去实际观测的偏差(以下简称偏差)也逐站画出。分析(图 2,见上页)可知,3月我国降水主要分布在28°N以南,110°E以东的华南地区,大值区在广东东部和福建西南部(图 2a)。偏差主要分布在25°N以南的区域,正偏差出现在西南地区,福建沿海则为负偏差,总体呈“西高东低”的分布形态(图 2b)。LSP的形态分布与主雨带基本一致,但是CP的分布范围偏大,且在西南地区有大值区,显示其与该区域的TP正偏差关系密切(图 2b、2d)。就TP误差来源而言,与LSP相比较,CP的贡献要更大一些。比较3月观测场与LSP的相关系数为0.88,而偏差场与LSP的相关系数为0.08,说明模式对大尺度降水分布的把握能力较好。同时,CP与偏差场的相关系数为0.37,显示就TP分布误差来源而言,CP的贡献要更大一些(比较LSP而言)。
分析图 3可知,进入4月以后,雨带范围向北拓展至30°N附近,同时西南地区的降水也有所增加(图 3a)。而原本在福建沿海的降水负偏差消失了,但西南地区的正偏差范围进一步扩大,并有向北延伸的趋势(图 3b)。LSP的形态分布与雨带仍比较一致,而CP分布的主要问题仍是将西南地区的对流性降水报得过于严重(图 3c、3d)。4月LSP与实际观测的相关系数与3月基本持平(0.87);而偏差场与LSP的相关系数为0.31,与CP的相关系数则为0.63,说明CP仍是TP大范围正偏差的主要来源,且较3月更明显。
分析图 4可知,5月总体降水量级上与4月基本持平,雨带范围比4月略有扩大,开始往西北延伸,随着副高的北抬,华南沿海的降水减少(图 4a)。偏差的落区也较之前分散,但整体还是维持“西高东低”的形势,正偏差落区较之前更偏南了一些(图 4b)。LSP分布成西南—东北走向的带状,与5月逐渐加强的西南气流走向较为一致(图 4c)。与4月相比,CP的大值区更往西南偏移,对东南沿海地区的降水估计不足(图 4d)。计算结果显示,偏差场与LSP和CP的相关系数分别0.18和0.23,其中与CP的相关性较3月和4月明显减弱,与LSP的差距较小,说明5月CP对模式预报偏差的影响明显减小,对模式预报的改进或订正,需兼顾对LSP和CP的分析。综上,尽管随着每月天气形势的变化,总降水TP和实际观测的偏差分布略有差异,但在我国南方地区总会呈现“西高东低”的形态,即西南地区降水预报偏大,东南地区降水预报偏小。相较于对流性降水CP,大尺度降水LSP与实际雨带更接近,同时3—4月的降水预报大范围的正偏差主要来自CP;5月以后天气形势变得复杂,虽然偏差仍然存在,但与CP的相关性有所削弱。
3 典型过程的降水预报落区误差分布及天气形势特征以下挑出两组模式预报与实际观测落区偏差较大的个例(以下称为大误差典型样本,分别为3月19日,4月19日),以及模式预报与实际观测落区偏差较小的个例(以下称为小误差典型样本,分别为3月8日,4月17日),对其进行对比分析。先找出各对比个例中,CP分布和LSP分布的不同特征,在分析导致这些不同特征的天气背景,以便为预报员进行模式降水落区订正提供参考依据。5月以后天气形势变得复杂,虽然偏差仍存在,但与CP的相关性减弱,故不再挑选个例说明。
3月的大误差典型样本(3月19日,图 5)和小误差典型样本(3月8日,图 6) 24 h降水的实际观测和模式预报情况如下。对比总降水TP预报(图 5a)和观测降水(图 5b),发现TP大值区位置与观测降水的大值区位置有显著偏差,TP的大值区落在观测降水落区的上游,而对下游的观测降水大值区明显漏报。从对流性降水CP (图 5c)和大尺度降水LSP (图 5d)预报的分布可看出,CP落区的形态总体与TP类似,其在观测落区上游空报了大量的对流性降水CP,而在观测落区下游的对流性降水预报不足;而大尺度降水LSP落区与实况落区的形态差异较大,看不出明显的相关性。在小误差典型样本中,模式预报的TP (图 6a,见上页)和实际观测(图 6b)的大雨带位置较为一致。此时,对比CP (图 6c)和LSP (图 6d)预报可知:模式预报的LSP与模式总降水TP (图 6a)形态更为接近,也能较好地反映实际观测降水落区(图 6b)的分布;尽管对流性降水CP (图 6c)仍倾向于在实际观测的上游地区预报较大的降水,在下游地区预报的降水偏弱,但在此个例中,CP所占TP的比例相对较小(此例中,LSP的预报范围和预报值均较图 5个例更大),对整体预报影响不明显。
从3月的大误差典型样本和小误差典型样本对比中可知,模式的CP预报和LSP预报对最终的总降水预报偏差影响不一,其分布特征也有较大差异:大误差典型样本中,CP预报占主导地位,且易在实际观测上游地区导致明显的降水空报(正降水预报偏差),而在下游导致降水漏报(负降水偏差);小误差典型样本中,LSP预报占主导地位,CP预报虽仍有“上游空报,下游漏报”的特征,但对总降水的预报偏差影响不明显。4月和5月的大误差样本和小误差典型样本也有类似结果(图略)。
以下分析导致这些不同分布特征的天气背景差异。图 7和图 8分别为3月和4月大误差典型样本和小误差典型样本当日20时起报的ECWMF模式500 hPa高度场、850 hPa温度场与典型样本偏差的分布。从3月的大误差典型样本(图 7a)的500 hPa高度场看出,当南支槽径向度增加时(槽线在105°E附近),我国南方地区正好处于南支槽前西南气流中,大降水落区在槽前脊后的位置)。其中槽前脊后正涡度平流较强的区域(105°—115°E左右),降水预报大于实际观测(主要由虚假的对流性降水所致,图 5c),实际并未出现大雨以上的降水;而在其下游的负偏差区域(图 7b)与实际大降水落区基本重合(图 7a),说明这次过程中实际大降水落区存在漏报或少报。3月小误差典型样本的500 hPa高度场(图 7c)显示,当南支槽相对平缓,中纬度环流平直,长江中下游有短波槽东移,大降水落区正好处于短波槽前和槽底附近,此时降水预报较为准确(图 6、图 7c)。850 hPa温度场对比表明(图 7d),当南方地区低层温度梯度较为缓和,没有明显锋面时(图 7d中实线),降水预报效果会较差;当北方冷空气南下(温度冷槽南伸至湖南和贵州北部,图 7d中虚线),南方地区有明显温度梯度时,降水预报相对更准确。结合高度场分析,对于中纬度短波槽波动,配合低层冷锋南下时产生的锋面降水,模式把握得比较好;当北方冷空气比较弱,南支槽比活跃时,对于槽前西南气流产生的降水,模式预报易空报上游西南地区的降水(主要是对流性降水),而漏报下游东南地区的降水(图 7b)。
4月的大误差典型样本(4月19日)的500 hPa高度场与3月较为相似(图 8a),只是北支西风气流更平直,而南支槽势力加强,振幅增加,大降水区范围进一步增加,主要分为两块,分布在广西中东部以及湘赣北部和皖南地区(以下分别称为Ⅰ区和Ⅱ区)。其中,整个Ⅰ区基本处于负偏差范围内,其东北侧为正偏差区;30°N附近沿着西南气流有一条狭窄的正偏差带,其东侧皖赣交接处为负偏差区,说明Ⅱ区中东部存在漏报或少报(图 8b)。总体来看,偏差通常存在于南支槽前西南气流中,且正负偏差总是成对出现,负偏差一般在正偏差的下游(东侧或南侧)。小误差典型样本(4月17日)的形势则是:中高纬度有北支槽东移南下(槽线在115°E附近),南支槽偏西(槽线在100°E附近),此时南支槽前暖湿气流和北支槽后干冷气流正好在30°N以南交汇(图 8c),从850 hPa温度场也可知(图 8d),当30°N以南受较暖气团或暖脊控制(图 8d的实线),温度梯度小,模式预报容易在西南气流北部出现正偏差;而南方地区出现较大温度梯度,即北方有冷空气扩散南下,冷暖气团在30°N以南交汇时(图 8d的虚线),模式对降水的把握比较好。
上述分析表明,ECMWF模式降水预报出现较大偏差时,对应的天气环流背景虽各有特点,但也存在以下共同特征:(1)当北支槽后西北气流较弱,无明显冷空气南下,100°—110°E附近有一势力较强的南支槽,南方地区处于槽前西南暖湿气流中,受暖气团控制(或温度梯度较小,无明显锋面)时,降水预报正负偏差通常会成对出现,正偏差容易产生在西南气流前段或上游(模式空报或多报),而其下游通常为负偏差,负偏差往往会出现在较大降水落区中(模式漏报或少报);(2)当北支槽后西北气流较强,冷空气扩散南下,显示有冷锋过境时、或南支槽偏西或强度较弱,中纬度为冷暖空气交汇以及短波槽携带冷空气东移时,模式降水预报对降水的把握会相对更好些。这说明在弱天气驱动的环流背景下(比如无明显锋面的南方暖区降水),降水误差主要与上游的错误对流触发有关,云物理过程和积云参数化方案等对CP的分布起重要的作用。上游所处的渝黔一带,恰好处在高原东侧,且盆地和山脉错综复杂,模式对地形影响可能模拟不足,模式易在南支槽前西南气流的前段(或上游)以对流性降水形式释放大量水汽和能量,导致下游地区降水的范围和量级预报不足;而对于有强冷空气南下或冷暖空气交汇的锋面降水,模式对降水落区和量级的预报更精确。若预报员单纯依赖于模式TP预报场,这类降水分布往往得不到有效订正,造成大范围的预报落区偏差。
4 结论和讨论(1) 对流性降水CP的预报分布偏差成为2016年我国南方春雨期降水预报落区误差的主要来源。2016年3—5月逐月分析结果显示,南方春雨期的降水落区偏差出现在30°N以南的区域,一般会呈“西高东低”的分布形态,即西南地区降水预报偏大,东南地区降水预报偏小。同时,与LSP相比,3—4月的落区预报偏差来源主要来自CP,5月以后天气形势变得复杂,虽然偏差仍然存在,但与CP的相关性有所削弱。
(2) ECMWF模式预报出现较大落区偏差的天气环流背景表现为:北方无明显冷空气南下,南支槽势力偏强,江南和华南地区受暖气团控制(或温度梯度较小,无明显锋面)时,模式容易在西南地区预报过多的对流性降水,而其下游地区则存在少报或漏报,即正偏差产生在西南气流前段(或上游),而其下游为负偏差。由于没有明显锋面和冷暖交汇,此时降水误差很可能来自模式对上游地形影响的模拟不足,造成错误的对流触发,但要印证这些猜测,有待后续更多的数值模拟和分析。而当冷空气势力相对较强,有冷锋过境、或中纬度为冷暖空气交汇以及短波槽携带冷空气东移南下时,模式的LSP预报与实际观测降水的相关性较好,虽然对流性降水仍表现为“上游空报,下游漏报”,但不影响模式总降水预报呈现较好的预报效果。
(3) 就我国南方春雨期而言,预报员在对ECMWF模式预报主观订正时,当天气形势显示为北方冷空气较弱,南支槽波长较长,槽前西南气流经过西南地区到达江南和华南地区,若模式的CP在西南地区量级和范围较大时,可以剔除该地区的大量级降水,防止出现空报,并适当将下游的降水量级提高,以提高暴雨落区预报的准确性。此外,在定量降水业务中,除了关注模式提供的形势预报和TP,对LSP和CP的细致分析可为修正和订正模式结果提供一种好的思路或视角。
降水预报误差包括雨带位置误差、强度误差以内部结构误差(形态误差)等[15]。本文侧重的是降水落区偏差,而降水强度偏差是另一个复杂的问题,就本文而言,研究工作还有很多不足之处,不能同时解释清楚。当然,降水预报始终是数值模式面对的最大难题。地形和下垫面效应、云物理过程、对流参数化边界层风场等的描述不足或预报偏差,均会导致降水落区预报失败。本文研究的一些特征或迹象,为业务预报提供一些可把握和可操作的分析思路,但出现这些特征和迹象(模式偏差)的内在原因,还有待模式开发者从降水物理本质方面入手,才能得到合理解释,进而改进模式性能。
[1] |
赖芬芬. 2015年3-5月T639、ECMWF及日本模式中期预报性能检验[J]. 气象, 2015, 41(8): 1036-1041. |
[2] |
张宁娜, 黄阁, 吴曼丽, 等. 2010年国内外3种数值预报在东北地区的预报检验[J]. 气象与环境学报, 2012, 28(2): 28-33. DOI:10.3969/j.issn.1673-503X.2012.02.006 |
[3] |
肖红茹, 王灿伟, 周秋雪, 等. T639、ECMWF细网格模式对2012年5-8月四川盆地降水预报的天气学检验[J]. 高原山地气象研究, 2013, 33(1): 80-85. DOI:10.3969/j.issn.1674-2184.2013.01.014 |
[4] |
刘静, 叶金印, 张晓红, 等. 淮河流域汛期面雨量多模式预报检验评估[J]. 暴雨灾害, 2014, 33(1): 58-64. DOI:10.3969/j.issn.1004-9045.2014.01.008 |
[5] |
陈博宇, 代刊, 郭云谦. 2013年汛期ECMWF集合统计量产品的降水预报检验与分析[J]. 暴雨灾害, 2015, 34(1): 64-73. DOI:10.3969/j.issn.1004-9045.2015.01.009 |
[6] |
Richardson D, Bauer P. New model cycle launched in May[J]. ECMWF Newsletter, 2015, 144: 4-5. |
[7] |
Holm E, Forbes F, Lang S, et al. New model cycle brings higher resolution[J]. ECMWF Newsletter, 2016, 147: 12-19. |
[8] |
朱乾根, 林锦瑞, 寿绍文, 等. 天气学原理和方法[M]. 北京: 气象出版社, 1983: 213-309.
|
[9] |
Reynolds D. Value-added quantitative precipitation forecasts:How valuable is the forecaster?[J]. Bulletin of the American Meteorological Society, 2003, 84(7): 876-878. DOI:10.1175/BAMS-84-7-876 |
[10] |
许映龙, 韩桂荣, 麻素红, 等. 1109号超强台风"梅花"预报误差分析及思考[J]. 气象, 2011, 37(10): 1196-1205. DOI:10.7519/j.issn.1000-0526.2011.10.002 |
[11] |
陶祖钰, 郑永光. "7.21"北京特大暴雨的预报问题[J]. 暴雨灾害, 2013, 32(3): 193-201. DOI:10.3969/j.issn.1004-9045.2013.03.001 |
[12] |
万子为, 王建捷, 黄丽萍, 等. GRAPES-MESO模式浅对流参数化的改进与试验[J]. 气象学报, 2015, 73(6): 1066-1079. |
[13] |
郭云云, 邓莲堂, 范广洲. GRAPES中尺度模式中不同积云参数化方案预报性能对比研究[J]. 气象, 2015, 41(8): 932-941. |
[14] |
施能. 科研与预报中的多元分析办法[M]. 北京: 气象出版社, 2002: 14.
|
[15] |
Ebert E E, McBride J L. Verification of precipitation in weather systems:determination of systematic errors[J]. Journal of Hydrology, 2000, 239(1): 179-202. |