期刊检索:
  暴雨灾害   2019, Vol. 38 Issue (1): 59-65.  DOI: 10.3969/j.issn.1004-9045.2019.01.007

论文

DOI

10.3969/j.issn.1004-9045.2019.01.007

资助项目

中国气象局数值预报(GRAPES)发展专项(GRAPES-FZZX-2016-60)

第一作者

肖玉华, 主要从事数值模式研究和检验。E-mail:xiaoyuhua9889@hotmail.com

文章历史

收稿日期:2018-03-13
定稿日期:2018-09-12
GRAPES_GFS在西南地区的预报稳定性及其误差与地形的关系
肖玉华1 , 王佳津1 , 蒋丽娟2 , 师锐1 , 陈莹1     
1. 四川省气象台, 成都 610072;
2. 四川省气象探测数据中心, 成都 610072
摘要:根据地形特征,将西南地区划分为高原区、边坡区和盆地区,引入统计学"不稳定度"定量描述模式预报稳定性,对2016年6月-2017年9月全球中期天气预报(GRAPES_GFS)和欧洲中期天气预报中心(EC)在西南地区的高层形势场、主要的天气影响系统和地面要素预报性能进行了主客观检验,一定程度揭示了GRAPES_GFS和EC在西南地区的预报稳定性、地形的影响以及二模式预报性能的异同。结果显示:GRAPES_GFS高空高度场、温度场预报不稳定度分布呈北高南低型,相对湿度、风速预报不稳定度大值区在高原边缘;各要素预报不稳定度季节性周期最为显著,其位相和振幅因要素不同而有所不同;地形主要影响温度和风向预报误差值,但对相对湿度和风速预报的影响则体现在误差随时效的增长速率差异上;"漏报"是模式对西南地区天气系统的主要预报误差源,"低报"则是模式对西南地区2 m温度预报误差的最大来源;模式对西南地区降水落区预报有效率大约为50%,但强度预报通常偏低。EC与GRAPES_GFS的误差特征没有本质区别,但EC误差更小,稳定性更高。
关键词GRAPES_GFS    西南地区    稳定性    误差与地形    
Prediction stability of GRAPES_GFS in Southwest China and the relationship between its error and the terrain
XIAO Yuhua1 , WANG Jiajin1 , JIANG Lijuan2 , SHI Rui1 , CHEN Ying1     
1. Sichuan Provincial Meteorological Observatory, Chengdu, 610072;
2. Sichuan Meteorological Observation & Information Center Chengdu, 610072
Abstract: By introducing the statistics concept of "degree of instability" and dividing Southwest China into three kinds of areas, namely, the plateau, the side slope and the basin area in consideration of the terrain complexity there, numerical model GRAPES_GFS and EC's prediction stabilities, their temporal and spatial variations, the influence of the terrain on the models' performance as well as the difference between the two models were analyzed subjectively and objectively based on their predictions over the period from July, 2016 to September, 2017. The results showed that GRAPES_GFS's prediction instability of geopotential height and temperature fields appeared higher in the north of the area, while higher instability of relative humidity and wind speed was around the Tibet Plateau to the north and east. The instability had obvious seasonal fluctuation with different phases and amplitude as different elements. Terrain impacted mainly on the prediction error value of temperature and wind direction. For both relative humidity and wind speed, its impact is more on the rate of error growth. The "lower prediction" led to a high failure rate of GRAPES_GFS in 2 m temperature prediction, and "missing" was its major error source of weather systems prediction. GRAPES_GFS predicted the location of rainfall in the Southwest China by about effective rate of 50%, although its prediction of rainfall intensity was usually lower than the observation. The two models had little essential difference in the characteristics of prediction error. Compared to GRAPES_GFS, EC had less errors and higher stability.
Key words: GRAPES_GFS    Southwest China    stability    error and terrain    
引言

数值天气预报模式是现代天气预报、气候预报不可或缺的重要技术支撑,是气象事业的核心和基础。近20 a来,中国的气象工作者们一直致力于自主研发自己的数值模式,GRAPES(Global and Regional Assimilation and Prediction System)就是我国自主研发、拥有自主知识产权的新一代预报系统。GRAPES包括有限区域中尺度预报(GRAPES_MESO,下同)和全球中期天气预报(GRAPES_GFS,下同)两套系统。GRAPES_MESO于2006年实现业务化,现在已经发展到了4.2版本,有了长足的进步[1-3]。GRAPES_GFS于2007年进入全面发展阶段[4],不仅在动力框架、物理过程方面进行了不断的改进、完善,资料同化方面,研发了模式空间三维变分系统、偏差订正和卫星资料同化等技术[5-7],于2009年实现准业务运行,2016年6月开始业务运行。通过一年的运行以及检验表明,GRAPES_GFS的预报有了明显的改进,与T639相比,在降水、2 m温度预报方面有了一定的优势[8]

西南地区地形极为特殊。不仅有世界上最高的高原—平均海拔达5000 m以上的青藏高原,还有世界上最陡峭的高原边坡,海拔高度在几千千米范围内从几千米陡然降至几百米。特殊的地理地形使得西南地区因低值系统频发而导致天气复杂多变,如高原涡、西南涡、切变线、低槽等,都是影响西南地区强降水的主要低值系统[9-11],使得西南地区不仅成为暴雨多发区[12-21],也成为数值预报模式的“高难度区” [22-29]

为了揭示西南复杂地形对模式性能的影响,本文将西南地区分为高原区、边坡区和盆地区,进行地形性分区客观检验。为了定量描述模式性能稳定性,本文引入统计学上“不确定度”定义模式预报稳定性。此外,本文采用天气学方法检验了GRAPES_GFS对西南地区特有天气系统以及降水过程的预报能力,并与分辨率为0.125°的欧洲中心模式产品(以下简称EC)的误差进行对比分析,揭示GRAPES_GFS在西南地区的预报性能与目前世界上最先进模式的差距,旨在改进、完善GRAPES_GFS提供有益信息。

1 检验方法及资料 1.1 不确定度

文中引入统计学上的不确定度来定义模式预报的稳定性。不确定度公式如式(1)所示。

$s\left( x \right) = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}} }}{{n - 1}}} $ (1)

其中,xi为第i次预报,xn次预报的算术平均值。通常,取n ≥ 3,以n=4~20为宜。

公式中x在本文表示模式对同一预报量的不同起报时间的不同时效的多次预报值(或预报误差值,即预报值与实测值之差),n即“多次”预报次数。由此可见,不确定度s反映了n次预报的分散程度,s越小,表明n次预报差异越小,即模式预报越稳定,反之模式预报越不稳定,换句话说,s值越小,模式对该要素的预报稳定性越高,而s值越大,表示预报稳定性越低。所谓同一预报量多次(多个时效)预报,如针对10日08时(北京时,下同)实况,模式10日08时起报的初始分析场、9日20时起报的12 h时效预报、9日08时起报的24 h时效预报,以此类推直至144 h时效,共计有13个预报,即n为13。若xi带入的是预报值,则得到的s反映的是模式预报的稳定性,若用预报误差(预报与实测之差)带入公式,则s反映了模式预报误差的稳定性。

1.2 天气学检验

对2016年7月—2017年6月一年间出现在西南地区的500 hPa低槽、切变线、低涡(高原涡)和700 hPa低涡(西南涡)以及2016年汛期6—9月降水进行天气学检验。位置检验标准如下:

表 1 天气学检验标准 Table 1 synoptic inspection standard
1.3 地形性分区和资料说明

依据不同类型地形,本文将西南地区分为高原区(红)、边坡区(绿)、盆地区(蓝)。图 1所示是本文高空要素检验分区,地面要素检验区域只涵盖西南5省区自动站,分区原则与高空相同。

图 1 高空要素检验区域及分区(红色站:高原区,绿色站:边坡区,蓝色站:盆地区) Fig. 1 Verification area and subregion of upper-level elements (Red, green and blue represent plateau, side slope, and basin, respectively).

实测资料:高空采用2016年6月1日—2017年9月30日西南5省区(四川、重庆、云南、贵州、西藏)及周边青海、甘肃、陕西南部、湖北西部、湖南西部共计40个探空站资料(图 1所示),地面只采用西南5省区地面400余个自动站实测资料。

预报资料:EC和GRAPES_GFS 2016年6月1日—2017年9月30日间隔12 h高空500、700、850 hPa高度、温度、相对湿度、风场以及2 m温度和降水预报,高空预报资料为0~144 h时效,地面预报最长时效72 h。

2 结果分析 2.1 不稳定度

计算2016年6月—2017年9月期间,GRAPES_GFS模式对西南地区500 hPa、700 hPa、850 hPa高度场、温度场、相对湿度以及风速、风向的预报不稳定度(图 2),从中可见,不同要素的不稳定度空间分布特征有所不同。

图 2 GRAPES_GFS预报08时平均(201606—201709)不稳定度空间分布(a-e分别表示高度(dagpm)、温度(℃)、相对湿度(%)、风速(m·s-1)和风向(°);“1”:500 hPa,“2”:700 hPa,“3”:850 hPa) Fig. 2 The 08 BT spatial distribution of averaged degree of instability (from June 2016 to September 2017) of GRAPES_GFS (a-e represents respectively height (dagpm), temperature(℃), relative humidity(%), wind speed(m·s-1), and wind direction(°)."1" ", 2" and"3" represent respectively 500 hPa, 700 hPa, and 850 hPa).

模式高度(图 2a1-3)、温度(图 2b1-3)预报不稳定度空间分布特征比较相似,大于0.25单位(高度:dagpm,温度:℃)的不稳定区主要分布在北部,其中甘肃北部的高度场预报不稳定度超过0.35 dagpm,云南、贵州及四川南部是模式高度场预报相对稳定区,不稳定度值在0.2单位以下。随着海拔高度降低,2个要素的预报不稳定度有所增加,不仅出现了大于0.3单位的不稳定度,850 hPa上四川西昌的高度场预报不稳定度(图 2a3)还超过了0.35 dagpm。

相对湿度(图 2c1-3)和风速预报(图 2d1-3)不稳定度空间分布相似。500 hPa上,相对湿度不稳定度几乎都在2.5 %以上(图 2c1),其中大于3 %的不稳定值范围覆盖了检验区约2/3的面积,风速预报最不稳定区主要分布在高原边缘(图 2d1)。随着高度降低,相对湿度和风速预报稳定性增加,850 hPa上,相对湿度不稳定度最高不超过2.5 %(图 2c3),风速预报不稳定度不超过0.6 m·s-1(图 2d3),分布在检验区的东南部。

风向预报不稳定度(图 2e1-3)随着海拔高度降低而增加,且大不稳定区有逐渐南移的趋势。500 hPa上,全检验区的不稳定度都不超过10°(图 2e1),700 hPa,甘肃南部出现了大于15°的不稳定度值(图 2e2),850 hPa,在川、渝、贵交界处出现了大于20°的不稳定度(图 2e3)。

EC各要素预报不稳定度空间分布形态与GRAPES_GFS相似(图略),但稳定性都高于GRAPES_GFS。若将图 2中色标尺上相邻两个刻度间隔作为一个级别差异,EC高度和温度预报值不稳定度值都在0.25以下,稳定性比GRAPES_GFS高2—3个级别,相对湿度高1—2个级别,2个模式的风向预报稳定度性级别相同。逐月平均20时不稳定度(图 3)表明,各要素不稳定度有不同程度的月际变化,不同要素的位相和振幅有所不同。GRAPES_GFS 500 hPa高度、温度预报不稳定度波峰出现在冬季12—1月,波谷出现在夏季7— 8月,波动幅度较小,高度和温度的波峰、波谷分别相差约0.1 dagpm、0.1 ℃,风向预报不稳定度位相相反,冬季是预报不稳定度低值期,不稳定度值在0.2°左右,夏季是不稳定度高值期,不稳定度值可接近2°左右。月平均不稳定度空间分布(图略)显示,高不稳定度区有随时间东移的趋势。5月高不稳定度区在青海,6月东移至青海及甘肃南部,7月移至青海东部、甘肃南部、陕西西部和四川北部,这可能与这期间西南多高原涡、西南涡活动有关。相对湿度和风速预报最不稳定期在春季,不稳定度最高分别可达4.8 %和0.75 m·s-1,夏季不稳定度分别降至在3.5 %和0.5 m·s-1。随着海拔高度降低,不稳定度月际变化特征减弱,各要素预报不稳定度波动幅度减小。

图 3 GRAPES_GFS预报20时全西南区500 hPa要素月平均不稳定度时间演变(横坐标:时间(月),纵坐标:不稳定度(左:相对湿度(%,实圆线)、风向(°,实方线),右:高度(dagpm,短竖线)、温度(℃,空圆线)、风速(m·s-1,空方线)) Fig. 3 Temporal evolution of averaged-monthly degree of instability of GRAPES_GFS predicting elements in 500 hPa at 20 BT in whole Southwest China. Left figures represent respectively Rh (%, solid circle) and wind direct (°, solid square). Right figures represent respectively height (dagpm, vertical moulding), temperature (℃, hollow circle) and speed (m·s-1, hollow square).

EC不稳定度波动位相与GRAPES_GFS相同(图略),但波动幅度都小于GRAPES_GFS,即EC的预报稳定性更高。此外,分析表明,地形对模式的不稳定度月际变化没有显著影响。

2.2 地形与误差的关系 2.2.1 高空要素

地形性分区检验表明,地形对GARPES_GFS的温度、相对湿度、风场预报都有较大影响。

500 hPa高度场预报,GRAPES_GFS在高原区、边坡区、盆地区误差值及其随时效增长速率基本一致,三个分区的初始分析误差都在1.1 dagpm左右,且基本都以0.1 dagpm·(12 h)-1的速度增长,随着海拔高度降低,各区误差增长率仍然一致,但各区初始分析误差有差异,因此随着时效延长,高原区误差相对最大,盆地区误差相对最小。

地形对温度和风向预报的影响表现为各地形区域内误差值不同。500 hPa上,各分区温度预报误差增长率相同而误差值不同,差异出现在高原区与盆地区和边坡区,高原区误差大于其余2个区误差约0.5 ℃。随着海拔高度降低,各区温度预报误差增长率仍基本一致,但由于初始分析误差差异大,导致各时效误差差异加大,850 hPa上,盆地区温度预报误差比边坡区误差低1.5 ℃左右。各区风向预报误差值差异随海拔高度降低并非线性变化,差异最大出现在700 hPa,其中,高原区比边坡区误差大15°左右,边坡区又比盆地区大15°左右,850 hPa差异相对最小,边坡区与盆地区误差相差小于5°。

地形对相对湿度和风速预报的影响不在于误差值,而在于误差随时效的增长速率。500 hPa(图 4)上,前24 h时效,各分区误差值、增长速率相差无几,都以大约10 %·(24 h)-1的速率快速增长,之后,高原区(短竖线)相对湿度预报误差增长率以大约2%·(120 h)-1的速率增长,而边坡区、盆地区则以8 % m·(120 h)-1速率增长,导致至144 h时效,边坡区和盆地区的年平均误差比高原区大5%左右。地形对风速的影响与相对湿度相似,只是500 hPa高原区与边坡区和盆地区的误差增长率差异在12 h时效后开始显现。

图 4 2016年6月—2017年9月EC模式(a)和GRAPES_GFS模式(b)500 hPa相对湿度各分区平均预报误差时效演变 Fig. 4 Validity evolution of averaged prediction errors of relative humidity from June 2016 to September 2017 at 500 hPa in 4 subregions.

EC预报性能受地形影响的特征与GRAPES_GFS相似,只是EC的误差更小、误差随时效增长率更小,尤其是相对湿度,EC(图 4a)没有0~24 h的误差快速增长期,直至144 h,EC的相对湿度预报误差仍维持在30 %以内。

2.2.2 降水

本文对2016年6—9月GRAPES_GFS降水落区、范围预报进行了天气学检验,结果如图 5所示。图中,“正确”、“错位”、“偏离”、“范围过大”如表 1所示。由图 5可以看出,模式落区预报正确率随时效衰减比较快,24 h正确率28 %,48 h为23 %,72 h降至16 %,此外,错位率也比较高,48 h、72 h时效的错位率在21 %,大雨区范围偏大和落区完全偏离频率在10 %以下。如果落区错位以及范围过大都算作有效预报,则模式对西南地区降水落区预报有效率在41%~53%。模式空报率比较低,相对较高的24 h时效空报率也只有6 %,漏报分析显示,模式对点状暴雨的漏报率很高,且通常三个时效都完全漏报。相比而言,EC落区预报错位率、偏离率、范围过大率都低于GRAPES_GFS,因此落区正确率高于GRAPES_GFS,但在单点暴雨预报方面,EC优势有限。

图 5 2016年6—9月GRAPES_GFS大雨以上级别降水落区预报天气学检验 Fig. 5 Synoptic verification of greater than heavy rain location of GRAPES_GFS for whole Southwest China during June to September.

2017年汛期(5—9月)GRAPES_GFS降水级别预报误差分析表明,模式对西藏、云南的小雨有较强的预报能力,预报正确率超过80%,影响其余地区小雨预报正确率的原因在于级别预报偏高,尤其是盆地东北部,结合前面降水天气学检验知道,模式高报小雨级别其实质在于模式降水范围偏大。随着降水级别增加,模式预报能力降低,至大雨级别,模式在全西南地区的预报正确率都低于80%,72 h时效正确率更是低于50%,其中,除盆地东部正确率大于20%,其余地区正确率不足20%。高低报率(预报级别<实况)是影响模式大雨预报正确率的主要原因,除在盆地东部部分地区大雨低报率在50%以下外,其余地区低报率都超过80%。

2.2.3 2 m温度

GRAPES_GFS对西南地区2 m温度预报误差,以数学语言描述,是所预报时刻的函数,而非像高空要素那样是预报时效(12 h、24 h,…)的函数。表 2列出GRAPES_GFS模式分别于08时和20时起报、预报盆地区08时和20时(即所预报时刻)2 m温度的各时效预报误差。可以看出,起报时间不同、所报时刻相同的预报误差相差不大,而起报时间相同、所报时刻不同时,误差差异显著。分析显示,预报08时和20时的差异最大,02时和14时2 m差异介于其间。

表 2 08时和20时起报的不同预报时效的08时和20时2 m温度预报误差(℃) Table 2 The 2 m temperature prediction error of 08 BT and 20 BT that forecast begins at 08:00 BT and 20:00 BT.

模式2 m温度预报误差与地形有非常密切的关系。年平均误差分布显示,模式对高原区的预报误差超过6 ℃,边坡区在4~6 ℃,盆地区中部和贵州相对较小,误差在2~4 ℃之间。预报失败率(误差大于2 ℃频率)也有类似空间分布,模式预报20时2 m温度,盆地区中部、贵州、云南东部以及西藏北部小部分地区失败率在50%~80%,其余地区预报失败率都在80%以上,对08时2 m温度预报,大值失败率(失败率大于80%)范围相对较小,主要分布在高原区和四川三州,盆地区、贵州、云南东部失败率在20%~50%之间,对02时和14时2 m温度预报失败率全区基本都在50%以上,其中高原区超过80%。误差特性分析表明,高低报率(低报:预报值小于实测值)是导致GRAPES_ GFS在西南地区2 m温度高失败率的原因,高原区和边坡区低报率可高达100%,只有预报盆地区08时2 m温度有大约10%的高报率(预报值大于实测值)。

分析表明,模式2 m温度预报误差季节演变特征也一定程度受到地形影响,其中冬季受影响最大。高原区(图 6a),02时、08时、14时2 m温度预报误差在冬季最小,20时预报误差却在冬季达到全年高峰。冬季,在盆地区(图 6c)20时和14时2 m温度预报误差最低,但08时预报误差却在冬季达到全年的最高峰。边坡区2 m温度预报误差月际变化远不如高原区和盆地区显著。此外,盆地区四个时间点的2 m温度预报误差差异在冬季最小,差异不超过1 ℃,而高原区各时间点的误差差异主要体现在20时与其余时间的差异,边坡区各时间点预报误差差异没有显著的季节变化。

图 6 GRAPES_GFS高原(a)、边坡(b)、盆地(c) 2 m温度预报月平均误差时间演变 Fig. 6 Temporal variation of averaged-monthly prediction error of 2 m temperature of GRAPES_GFS in subregions.

EC与GRAPES_GFS相似(图略),也有上述特征,只是EC误差值范围小于GRAPES_GFS,但冬季高原区,EC对20时的2 m温度的预报误差很大,2、3月平均误差更是超过11 ℃,大于GRAPES_GFS。

2.3 天气系统

对2016年7月—2017年6月一年中在西南地区出现的500 hPa低槽、切变线、高原涡和西南涡进行了天气学分析,各天气系统出现的频次如表 3所示。

表 3 西南地区天气系统出现频次(日次) Table 3 Frequency of occurrence of weather system in Southwest China.

从表中可见,低槽是西南地区最常见的天气系统,全年出现121日次,其中,小槽或浅槽34日次,约占1/3,这与西南地区特殊地形密切相关。切变线最少,全年只有15日次,且基本都出现在春、夏、秋三季,冬季没有,高原涡出现时间段主要在5—9月,西南涡较多,每个月都有,最多一月可达7日次。

GRAPES_GFS对四种天气系统的位置预报正确率分析表明,低槽的初始分析正确率最高,但随时效正确率下降较快,模式对切变线位置预报相对最好,位置预报正确率随时效下降较慢,到144 h时效,正确率仍然保持在30%以上,高原涡位置预报正确率下降最快,120 h时效时,正确率只有4 %。模式对西南涡位置预报好于高原涡。

模式对四个天气系统的漏报率随时效逐渐增加,四个系统的初始分析漏报率低于30 %,至144 h,基本都在70 %左右。

3 结论

本文引入统计学“不稳定度”定量描述模式预报稳定性,并根据地形特征将西南地区划分为高原区、边坡区和盆地区,对GRAPES_GFS和EC在西南地区的预报性能进行了地形性分区检验,一定程度揭示了GRAPES_GFS在西南地区的预报稳定性、地形对模式性能的影响以及与EC的差距。结果显示:

(1) 不同要素的预报不稳定度空间分布形态有所不同。高度、温度预报不稳定度大致呈北高南低分布,相对湿度、风速预报不稳定度大值区主要分布在高原北部和东部边缘;随着海拔高度降低,高度、温度和风向预报不稳定度有所增加,其中风向的高不稳定区逐渐南移,相对湿度和风速预报不稳定度随海拔高度降低而减小。

(2) 各要素不稳定度季节性周期最为显著,其位相和振幅随要素而有所不同。高度、温度预报的不稳定度峰值出现在冬季,相对湿度和风速的峰值出现在春季,冬季风向预报稳定性最高。

(3) 地形性分区检验表明,地形对各要素的预报性能都有影响,区别在于影响方式有所不同。地形主要影响温度和风向预报的误差值,对相对湿度和风速预报的影响则体现在误差随时效的增长速率。

(4) GRAPES_GFS对西南地区2 m温度预报误差值、失败率与地形关系密切,误差值和失败率随海拔高度降低而降低;低报是导致高失败率的原因。

(5) GRAPES_GFS对低槽的初始分析正确率最高,切变线预报正确率随时效下降最慢,而高原涡预报正确率随时效下降最快,西南涡预报好于高原涡。漏报是模式天气系统预报的主要误差源,至144 h时效,各天气系统漏报率在70 %左右。

(6) 模式对西南地区降水落区预报有效率在50 %左右,落区完全偏离率不足10 %,空报率在6 %以内,降水预报误差主要在于降水强度预报偏低。

(7) EC在西南地区的预报误差特征与GRAPES_GFS没有本质区别,但EC误差值更小、更为稳定。

参考文献
[1]
王雨, 李莉. GRAPES_Meso V3.0模式预报效果检验[J]. 应用气象学报, 2010, 21(5): 524-534. DOI:10.3969/j.issn.1001-7313.2010.05.002
[2]
郑晓辉, 徐国强, 贾丽红, 等. GRAPES_Meso区域模式及云计算方案引进及预报效果检验[J]. 大气科学, 2016, 40(5): 907-919.
[3]
黄丽萍, 陈德辉, 邓连堂, 等. GRAPES_Meso V4.0主要技术改进和预报效果检验[J]. 应用气象学报, 2017, 28(1): 25-37.
[4]
陈贤. GRAPES全球系统的研发进展[G].Annual Report of CAMS, 2008: 36-37 http://www.cnki.com.cn/Article/CJFDTotal-ZQKN200800021.htm
[5]
苏勇, 沈学顺, 张倩. 质量守恒的订正算法在GRAPES_GFS中的应用[J]. 应用气象学报, 2016, 27(6): 666-675.
[6]
马占山, 刘奇俊, 秦琰琰. GRAPES_GFS不同湿物理过程对云降水预报性能的诊断与评估[J]. 高原气象, 2016, 35(4): 989-1003.
[7]
王金成, 陆慧娟, 韩威, 等. GRAPES全球三维变分同化业务系统性能[J].2017, 28(1): 11-24 http://www.cnki.com.cn/Article/CJFDTotal-YYQX201701002.htm
[8]
沈学顺, 苏勇, 胡江林, 等. GRAPES_GFS全球中期预报系统的研发和业务化[J]. 应用气象学报, 2017, 28(1): 1-10.
[9]
郁淑华. 夏季青藏高原低涡研究进展[J]. 暴雨灾害, 2008, 27(4): 367-372. DOI:10.3969/j.issn.1004-9045.2008.04.016
[10]
李川, 陈静, 何光碧. 青藏高原东侧陡峭地形对一次强降水天气过程的影响[J]. 高原气象, 2006, 25(3): 442450.
[11]
郑庆林, 王必正, 宋青丽. 青藏高原背风坡地形对西南低涡过程影响的数值试验[J]. 高原气象, 1997, 16: 225-234. DOI:10.3321/j.issn:1000-0534.1997.03.001
[12]
邱静雅, 李国平, 郝丽萍. 高原涡与西南涡相互作用引发四川暴雨的位涡诊断[J]. 高原气象, 2015, 34(6): 1556-1565.
[13]
蒋婉君, 李国平, 王兴涛. 基于TRMM资料的高原涡与西南涡引发强降水的对比研究[J]. 大气科学, 2015, 39(2): 249-259.
[14]
何光碧, 师锐. 三次高原切变线过程演变特征及其对降水的影响[J]. 高原气象, 2014, 33(3): 615-625.
[15]
郁淑华, 高文良, 彭俊. 近13年青藏高原切变线活动及其对中国降水影响的若干统计[J]. 高原气象, 2013, 32(6): 1527-1537.
[16]
何光碧, 高文良, 屠妮妮. 2000-2007夏季青藏高原低涡切变线观测事实分析[J]. 高原气象, 2009, 28(3): 549-555.
[17]
高正旭, 王晓玲, 李维京. 西南低涡的统计特征及其对湖北降水的影响[J]. 暴雨灾害, 2009, 28(4): 302305.
[18]
郑京华, 董光英, 梁涛, 等. 一次西南涡东移诱发的罕见暴雨诊断分析[J]. 暴雨灾害, 2009, 28(3): 229-234. DOI:10.3969/j.issn.1004-9045.2009.03.006
[19]
段玮, 肖子牛, 周泓. 一次典型川滇切变线暴雨过程的诊断分析[J]. 暴雨灾害, 2017, 36(3): 207-216. DOI:10.3969/j.issn.1004-9045.2017.03.003
[20]
李明, 高维英, 侯建忠, 等. 一次西南涡东北移对川陕大暴雨影响的分析[J]. 高原气象, 2013, 32(1): 133-144.
[21]
孟晓文, 隆霄, 周国兵, 等. 同化常规资料对重庆地区一次大暴雨过程的数值模拟研究[J]. 暴雨灾害, 2017, 36(4): 309-318. DOI:10.3969/j.issn.1004-9045.2017.04.003
[22]
肖玉华, 何光碧, 陈静, 等. AREM对2008年西南地区低温雨雪天气预报能力的检验[J]. 暴雨灾害, 2009, 28(2): 152156.
[23]
肖玉华, 赵静, 蒋丽娟. 数值模式预报性能的地域性特点初步分析[J]. 暴雨灾害, 2010, 29(4): 64-69.
[24]
肖玉华, 康岚, 徐琳娜, 等. 西南区域中尺度数值模式预报性能及其与天气过程关系初探[J]. 气象, 2013, 39(10): 1257-1264. DOI:10.7519/j.issn.1000-0526.2013.10.003
[25]
赵滨, 张博. 邻域空间检验方法在降水评估中的应用[J]. 暴雨灾害, 2018, 37(01): 1-7. DOI:10.3969/j.issn.1004-9045.2018.01.001
[26]
王在文, 梁旭东, 范水勇, 等. 数值模式降水评分对分辨率的敏感性初探[J]. 暴雨灾害, 2016, 35(1): 10-16. DOI:10.3969/j.issn.1004-9045.2016.01.002
[27]
李明, 袁凯, 翟红楠. 一种面向对象的强降水精细化预报质量检验方法及应用[J]. 暴雨灾害, 2017, 36(1): 81-85. DOI:10.3969/j.issn.1004-9045.2017.01.011
[28]
何光碧, 屠妮妮, 张利红. 一次低涡暴雨过程发生机制及其模式预报分析[J]. 暴雨灾害, 2014, 33(3): 239-246. DOI:10.3969/j.issn.1004-9045.2014.03.006
[29]
何光碧, 顾清源, 陈静, 等. AREM模式对"05.7"四川大暴雨的敏感性试验[J]. 暴雨灾害, 2007, 26(3): 199-204. DOI:10.3969/j.issn.1004-9045.2007.03.002