期刊检索:
  暴雨灾害   2019, Vol. 38 Issue (6): 649-657.  DOI: 10.3969/j.issn.1004-9045.2019.06.010

论文

DOI

10.3969/j.issn.1004-9045.2019.06.010

资助项目

国家重点研发计划项目(2018YFC1507200);重庆市气象局数值预报团队项目(ZHCXTD-201801)

第一作者

陈良吕, 主要从事集合预报应用技术研究。E-mail:chenllv214@163.com.

文章历史

收稿日期:2019-02-15
定稿日期:2019-05-23
对流尺度集合预报中模式地形扰动对其预报技巧的影响研究
陈良吕 , 吴钲 , 高松     
重庆市气象科学研究所, 重庆 401147
摘要:基于在重庆市气象局业务运行的对流可分辨尺度(3 km)集合预报系统,在已有初值扰动、模式物理过程扰动和侧边界扰动的基础上,对不同集合成员采用不同地形插值方案和地形平滑方案实现对模式静态地形高度的扰动,体现数值模式中地形转换过程的不确定性,开展集合预报批量平行试验。结果表明:(1)实现对模式静态地形高度的扰动后,各集合成员地形高度的离散度与实际地形的起伏程度对应关系较好,两者空间分布特征非常相似,地形较平坦的平原地区离散度较小,而地形较复杂的高原地区或山区离散度较大;(2)加入模式地形扰动方案后,集合扰动能量总体上有所增大,且低层比中、高层更明显,能量增幅在较短预报时效(12 h)内最显著,随着预报时效延长呈逐渐减小趋势,且能量增幅大值中心主要出现在地形较复杂、集合成员地形高度离散度较大地区;(3)模式地形扰动方案一定程度上能提高降水概率预报技巧及改进集合平均降水预报,在对高空要素和2 m温度、10 m风场等近地面要素的集合平均均方根误差和集合离散度无负面影响的前提下,能一定程度上优化集合分布。
关键词集合预报    地形扰动    地形插值    地形平滑    预报技巧    
Study on the influence of model topography perturbation on prediction skill in a convection-allowing scale ensemble prediction system
CHEN Lianglü , WU Zheng , GAO Song     
Chongqing Institute of Meteorological Sciences, Chongqing 401147
Abstract: Based on the convection-allowing scale high resolution (3 km) ensemble prediction system which has been operationally implemented in meteorological services of Chongqing and includes initial perturbation, model physical process perturbation and lateral boundary perturbation in it, the perturbation to model static topographic height field is realized by adopting different topographic interpolation schemes and smoothing schemes to generate static topographic height field of each ensemble members to express the uncertainty of the topographic conversions in the numerical model to some extent. Using these perturbations, we have performed a month consecutive ensemble prediction tests and the comparative analysis with respect to the ensemble forecast results without model topography perturbation. The results show that (1) after adding the model topography perturbation scheme into the ensemble prediction system, the topographic height spread among ensemble members has a good correspondence with the real topographic height gradient, and both spatial distribution characteristics are very similar. The topographic height spread in the plain area is small, while that in the plateau area or mountainous area with complicated terrain is large. (2) The addition of model topography perturbation scheme increases the ensemble different total energy (DTE) whose increase ratio in the low-level is larger than that in the mid- and upper-level. The enhancement of DTE in the short forecast lead time (12 h) is the most significant. It gradually decreased with the forecast lead time becoming longer. Large enhancement centers of DTE mainly appear in the areas with complicated topography and the great topographic height spread among the ensemble members. (3) In general, the addition of model topography perturbation scheme can improve the probability forecast skill and ensemble mean forecast skill of 24 h accumulated rain to some extent. It can optimize the ensemble distribution of all the elements in upper air, and 2 m air temperature, 10 m zonal wind, 10 m meridional wind and other elements near the ground level to a certain extent without the negative effect in the ensemble mean forecast error and ensemble spread.
Key words: ensemble prediction    topography perturbation    topography interpolation    topography smoothing    forecast skill    
引言

近10多年来,集合预报技术发展迅速,其应用越来越成熟,目前已成为数值预报业务中的重要工具(李泽椿和陈德辉,2002Buizza et al.,2005Bowler et al.,2008杜钧和陈静,2010吴志鹏等,2014张涵斌等,2014杨瑞雯等,2017王智等,2018)。集合预报研究的一个关键问题是如何认识数值预报中的各种不确定性因素,并采用相应的扰动技术将其在集合预报系统中表示出来,进而改善集合预报技巧。当前对数值预报中不确定性因素的研究主要集中在模式初值、模式物理过程和模式侧边界的不确定性方面,并发展了许多初值扰动、物理过程扰动和侧边界扰动技术(马旭林等,2008关吉平和张立凤,2009Berner et al., 2009Bishop et al., 2009Bowler et al., 2009Berner et al., 2011François et al., 2012Saito et al., 2012Wang et al., 2014Zhang et al., 2015a, 2015b袁月等,2016张涵斌等,2017),有学者对这些扰动技术的发展历程和研究进展作了较为全面的回顾和总结(杜钧和李俊,2014张涵斌等,2014)。

在数值模式中,当确定了模式区域和分辨率后,需选取一定的地形插值方案和地形平滑方案对模式静态数据库中的地形基础数据进行插值和平滑,生成模式积分所需要的静态地形高度场,但选取不同地形插值方案和地形平滑方案得到的地形高度场存在一定差异。姚昊等(2008)利用WRF模式提供的不同地形平滑方案对湖北西部地区一次暴雨过程进行地形敏感性试验表明,降水对地形平滑方案的选取非常敏感,地形平滑方案与降水的强度及分布状况相关性很好。目前有关模式地形不确定性研究相对较少。李俊等(2017)在研究不同扰动方法集合离散度演变的异同性时,将地形不确定性归纳为不同模式垂直坐标系导致的地形处理差异、真实地形向模式地形转换时产生的误差和地形测量误差三个方面,并首次基于一个水平分辨率为9 km的中尺度集合预报系统,通过地形平滑方案和地形插值方案的组合方式实现了模式地形扰动,并基于北京“7.21”特大暴雨个例所作分析表明,当地形扰动同初值扰动(或物理过程扰动)相结合时,对集合预报有一定的改进作用。但该研究仅基于一次强降水个例,且主要探讨的是不同扰动方法对集合离散度时空演变特征的影响,模式地形扰动方案对其它高空要素及地面要素集合预报技巧的影响如何?对集合预报系统是否具有正贡献?这类问题尚需通过批量试验来验证回答。另外,该研究基于一个分辨率为9 km的中尺度集合预报系统,当模式分辨率达到对流可分辨尺度(1~4 km)时,对模式静态地形的精细化程度要求更高,模式地形扰动对集合预报技巧的影响如何,也值得研究和探讨。

本文在前人研究基础上,基于重庆市气象局业务运行的对流可分辨尺度3 km分辨率集合预报系统,在已有初值扰动、模式物理过程扰动和侧边界扰动的基础上,通过不同集合成员采用不同地形插值方案和地形平滑方案实现对模式静态地形资料的扰动,从而在一定程度上展现数值模式中地形转换过程的不确定性,并开展集合预报批量试验,在探讨模式地形扰动对集合预报扰动能量发展和演变的影响的基础上,重点分析地形扰动对包括降水在内的高空、地面要素集合预报技巧的影响,期望为西南地区复杂地形下高分辨率集合预报业务系统优化改进提供一些参考依据。

1 集合预报系统简介

本文基于重庆市气象局业务运行的对流尺度集合预报系统开展集合预报试验,该系统确定性模式为WRF-ARWv3.3.1,预报时效96 h,模式区域为27、9、3 km三重嵌套区域(图 1),分辨率为27 km的最外层区域覆盖了中国及周边地区,分辨率为3 km的最内层区域以重庆为中心覆盖了重庆市及周边地区(99.11° —113.51°E,24.72°—34.53°N)。本文所有分析及统计检验均基于上述3 km区域(后文不再赘述),该区域自西向东各种地形交错分布,依次是青藏高原东部、川东平原、大巴山山脉、巫山山脉、大娄山山脉以及长江中下游平原西部等地区,地形分布较为复杂,部分区域地形梯度较大。

图 1 基于对流尺度集合预报系统的三重嵌套试验区域 Fig. 1 Test domain with triple-nested grids based on the convective-allowing scale ensemble prediction system.

集合预报系统扰动方案见表 1。该系统连同控制预报一共11个集合成员,控制预报初值和侧边界通过NCEP 0.5°×0.5°分辨率的GFS分析初值和预报资料动力降尺度获得,每3 h更新一次侧边界条件。其余10个集合成员的初值和侧边界由NCEP 1°×1°分辨率的GEFS不同集合成员分析初值和预报资料动力降尺度获得,每6 h更新一次侧边界条件。通过多物理过程组合方法进行模式物理过程扰动,即各集合成员采用不同的微物理过程、边界层方案和积云对流参数化方案,其中3 km分辨率区域不使用积云对流参数化方案。参考国内外一些数值预报业务部门的经验,选取3种微物理过程方案、3种边界层方案与3种积云对流方案进行组合,大量个例试验与批量试验表明,这些方案中没有哪种方案始终具有明显优势或劣势,因此该参数化方案组合是合理的,能在一定程度上体现模式物理过程的不确定性,各个集合成员具体的参数化方案组合见表 1。所有集合成员采用相同的地形插值方案和地形平滑方案,地形插值方案为四点双线性插值(four_pt)方案,地形平滑方案为smth-desmth-special方案。

表 1 重庆业务运行的对流尺度集合预报系统成员(m01—10)与控制预报(m00)共11个集合成员扰动方案 Table 1 Perturbation schemes for the eleven ensemble members including ones (m01-m10) from the convective-allowing scale ensemble prediction system operationally implemented in Chongqing and the control forecast (m00).
2 地形扰动与对比试验方案设计 2.1 地形扰动方案

WRF模式提供了9种地形插值方案和3种地形平滑方案(各种方案的计算方法具体见WRF模式用户手册)。本文选取四点双线性插值(four_pt)、简化四点平均插值(average_4pt)、加权四点平均插值(wt_average_ 4pt)、临近点插值(nearest_neighbour)、广度优先搜索插值(search)等5种地形插值方案以及1-2-1方案、smth-desmth方案、smth-desmth-special方案等3种地形平滑方案进行组合,各集合成员具体采用的地形插值方案和地形平滑方案见表 2,其中控制预报采用的地形插值方案和地形平滑方案与集合预报业务系统一致。基于一个有明显降水的个例,对上述不同地形插值方案和地形平滑方案进行敏感性试验,并对预报结果进行对比检验,结果表明,不同方案的检验结果之间有一定差异,但并未发现某种方案始终有明显优势或劣势,可见采用这样的地形扰动方案是可行的。

表 2 11个集合成员(m00—10)的地形扰动方案 Table 2 Topography perturbation schemes for the eleven ensemble members (m00-10) in the Table 1.
2.2 对比试验方案

选取2017年8月1日20时(北京时,下同)—31日20时连续1个月进行集合预报批量对比试验,逐日运行一次,起报时次为20时,预报时效96 h。试验Ⅰ为重庆对流尺度集合预报业务系统的预报结果,该系统的扰动方案见表 1,所有成员采用相同的地形插值方案和地形平滑方案(为便于叙述,后文简称exp0);试验Ⅱ为加入地形扰动后的集合预报试验,该试验建立在试验Ⅰ的基础上,即在表 1的11个集合成员中对应加入表 2中的地形扰动方案(为便于叙述,后文简称exp1)。

2.3 扰动地形分布特征

确定了具体的模式地形扰动方案后,在exp1中按照表 2中的配置生成各个集合成员的静态地形高度场。10个集合成员地形高度相对于控制预报地形高度的区域平均绝对偏差为25.08 m,最大绝对偏差可达643.56 m,说明采用不同地形插值方案和地形平滑方案生成的地形高度场差异明显。

为了解各集合成员地形高度差异的空间分布特征,图 2ab分别给出控制预报的地形高度场和集合成员地形高度的离散度(即集合成员地形高度与集合平均地形高度的均方差)。从中看到,集合成员地形高度的离散度分布与实际地形的起伏程度对应关系较好,两者空间分布特征非常相似,在地形较平坦的平原地区离散度较小,普遍在10 m以内,而地形较陡峭的高原地区或山地离散度较大,最大可达338.03 m。

图 2 控制预报(m00)的地形高度场(a,单位: m)与集合成员(m01—10)地形高度的离散度(b,单位: m) Fig. 2 (a) Topographic height (unit: m) for the control forecast (m00) and (b) the spread (unit: m) of topographic height for the ensemble members (m01-10).
3 集合预报扰动发展特征分析

完成exp1的集合预报批量试验后,首先对比分析exp0和exp1的集合预报扰动能量的发展特征,了解模式地形扰动对原集合预报系统扰动能量的贡献。采用Palmer等(1998)提出的扰动总能量(DTE, different total energy)来描述集合预报扰动场特征,不同集合成员某个格点(i, j, k)的DTE定义如下

$ D T E=\frac{1}{2}\left[u^{'2}(i, j, k)+v^{'2}(i, j, k)\right]+\frac{c_{\mathrm{p}}}{T_{\mathrm{r}}} T^{'2}(i, j, k) $ (1)

其中,u'、v'、T'分别为纬向风速、经向风速和温度的集合预报扰动(即各个集合成员预报与集合平均的差值);cp为干空气的定压比热;Tr为参考温度。

计算所有集合成员在不同预报时效不同垂直层次的扰动总能量,可得到不同预报时效不同垂直层次集合成员(11个)平均的扰动总能量;在此基础上,对不同层次扰动总能量进行i, j方向累计后平均得到各垂直层次区域(模式3 km区域)平均的扰动总能量。表 3给出exp1试验期31 d平均的850 hPa、700 hPa、500 hPa和200 hPa各预报时效区域平均的DTE以及exp1的DTE相对于exp0的DTE的增大比例(r),即exp1的DTE与exp0的DTE的差值除以exp0的DTE

表 3 不同预报时效850 hPa、700 hPa、500 hPa和200 hPa层次exp1的扰动总能量(DTE)及其相对于exp0扰动总能量的增大比例(r) Table 3 Different total energy (DTE) at 850 hPa, 700 hPa, 500 hPa and 200 hPa forecasted by exp1 with different lead times and its increase ratio (r) relative to the DTE by exp0.

表 3中可见,200 hPa各预报时效的DTE均明显大于其他层次,各层次DTE随着预报时效延长均呈明显增大趋势;各层次各预报时效exp1相对于exp1的DTE增大比例均大于0,说明DTE均有所增加,各层次DTE增大比例随着预报时效延长均呈逐渐减小趋势,200 hPa的DTE在48 h以内增大比例较小而在48 h后增大比例较大;除个别预报时效外,总体而言,850 hPa和700 hPa比500 hPa和200 hPa的增大比例大,增大比例最大为3.59% (850 hPa在12 h的DTE增大比例)。因此,地形扰动方案可增加原有集合预报系统的扰动能量,且低层扰动能量增加更明显,尤其是在较短预报时效(12 h)内。此结论与李俊等(2017)的相关研究结论类似。

图 3为试验期31 d平均的24、48、72、96 h预报时效exp1与exp0的500 hPa扰动总能量(i, j, k三维方向上的总和)差值(dDTE)。从中看到,与图 2中地形高度场及集合成员地形高度离散度对比发现,exp1相对于exp0,各预报时效DTE较为明显的增幅主要出现在模式区域中地形较为复杂的青藏高原东部及大巴山、巫山和大娄山山脉部分地区,模式区域中的川东平原、重庆中西部以及长江中下游平原等地形较平坦、集合成员地形高度离散度较小地区dDTE普遍较小,dDTE大值中心普遍出现在模式区域青藏高原东部偏北地区。由此可见,exp1相对于exp0的dDTE与地形及集合成员地形高度离散度有一定对应关系,总体上,dDTE的大值中心主要出现在地形较复杂、集合成员地形高度离散度较大地区。

图 3 研究区域24 h (a)、48 h (b)、72 h (c)、96 h (d)预报时效exp1与exp0的500 hPa扰动总能量(DTE)差值分布(单位: J·kg-1) Fig. 3 Distribution of DTE difference (unit: J·kg-1) at 500 hPa over Chongqing and its surrounding area (99.11°-113.51°E, 24.72°-34.53°N) forecasted by exp1 and exp0 with lead time of (a) 24 h, (b) 48 h, (c) 72 h and (d) 96 h.
4 集合预报检验

加入地形扰动方案能在一定程度上增大集合扰动能量,但扰动能量的增大是否对集合分布及集合预报结果有正面影响还有待验证。因此,在上述工作的基础上,对exp0和exp1在2017年8月1日20时—31日20时连续1个月的集合预报结果进行检验,检验要素包括200 hPa、500 hPa、700 hPa和850 hPa等特征层的位势高度、温度、比湿、纬向风速和经向风速等高空要素,以及2 m温度、10 m经向风速、10 m纬向风速等近地面要素和24 h累计降水的集合平均预报与降水概率预报。24 h累计降水检验的观测资料采用中国气象局气象信息中心开发的0.1°×0.1°分辨率中国地面自动站与CMORPH融合格点降水数据(潘旸等,2012),其余要素检验采用其对应的分析零场作为实况参考场。高空和近地面要素的检验包括集合平均预报均方根误差、集合离散度和预报失误概率Outlier评分,24 h累计降水检验包括集合平均预报的TS评分、降水概率预报的Brier评分和相对作用特征面积AROC。相关集合预报检验的具体方法(陈良吕等,20172018)如下:

(1) 集合离散度(SP-ENS)。集合离散度是指集合成员预报与集合平均预报的均方差,通常认为一个可靠的集合预报系统,其集合成员的离散度应当与集合平均的预报技巧相同,离散度太小,则“真值”被漏掉的概率大,预报系统的可靠性差,反之则集合预报系统设计不够集约。

(2) 预报失误概率Outlier评分(Os)。将N个集合预报成员按照升序排列,得到N+1个区间,分别计算每个格点上N+1个区间内分析(或观测)发生的次数,取总样本平均得到N+1个区间上预报正确的概率;在此基础上,将分析(观测)落在集合预报值区间之外的平均概率称作预报失误概率,其值越大,说明预报失误的概率越大。

(3) 均方概率误差Brier评分(Bs)。Bs用来检验集合预报准确性,其表达式为

$ B_{s}=\frac{1}{N} \sum\limits_{i=1}^{N}\left(P_{n}-O_{n}\right) $ (2)

其中,Pn是第n个样本的被检验事件的集合预报概率;On是第n个样本的被检验事件的观测频率,如果观测到检验事件,On=1,否则其值为零。Bs取值范围为0~1,越小越好,Bs=0最为理想。

(4) 相对作用特征面积(AROC)。表示预报区分事件发生和不发生的能力,将1分为K个概率区间(如0~0.1、0.1~0.2等),每个分位数所对应的命中率(POD)相对于空报探测率(POFD)的变化曲线称为相对作用特征(ROC)曲线,曲线越靠近命中率,则预报越好;曲线下的面积称为ROC面积(AROC),可作为ROC曲线的技巧评分,AROC取值范围为0~1,其值越大越好,等于1为理想值,0.5以下为无技巧值。

4.1 高空要素检验

本文计算了各高空要素的集合平均预报的均方根误差(RMSE)、集合离散度(SP-ENS)和Outlier评分(Os),上述两组试验的各高空要素在各预报时效的集合平均RMSESP-ENS均差别不大(图略),但Os表现出一定程度的差异。图 4给出850 hPa的位势高度场、温度场、比湿场和经向风速场0—96 h逐12 h的Os

图 4 不同预报时效exp0和exp1的850 hPa位势高度场(a)、温度场(b)、比湿场(c)、经向风速(d)的Outlier评分(Os) Fig. 4 Outlier score (Os) for (a) geopotential height, (b) temperature, (c) specific humidity and (d) zonal wind at 850 hPa forecasted by exp1 and exp0 with different lead times.

图 4中看到,两组试验位势高度场的Os在48 h预报时效前无明显差异,48 h后,exp1的Os略小于exp0,表明exp1实况落在预报区域外的频率减少,更多实况落在集合预报区间内,集合预报效果有所改进;与位势高度场类似,其余要素的Os在两组试验中差异更明显,exp1在各预报时效均表现出一定的改进效果且在48 h前尤为明显。

此外,700 hPa和500 hPa上,exp1各预报时效的高空要素的Os也均表现出一定的改进效果,且850 hPa和700 hPa各要素的改进效果比500 hPa更明显。可见,加入模式地形扰动方案后在不影响高空要素集合平均预报的误差和集合离散度的前提下能一定程度上优化集合分布、纠正集合预报系统预报过大或预报不足的误差,且模式低层要素的改进效果相对明显。

4.2 地面要素检验

图 5给出exp0和exp1的2 m温度、10 m经向风速和10 m纬向风速0—96 h预报时效逐12 h的集合平均均方根误差(RMSENS)、集合离散度(SP-ENS)和Outlier评分(Os)。从中看到,两组试验2 m温度、10 m经向风速和10 m纬向风速各个预报时效的RMSENSSP-ENS均略有差异,相对exp0,exp1的RMSENS略有减小,SP-ENS略有增大;exp1各要素在各预报时效的Os均明显低于exp0。可见,加入地形扰动方案也能在一定程度上减小地面要素集合平均的预报误差,表明离散度不足的情况有所改善,集合预报系统预报过大或预报不足的偏差也有所纠正。

图 5 不同预报时效exp0和exp1各地面要素集合预报的均方根误差(RMSENS)、集合离散度(SP-ENS)和Outlier评分(Os) (a1) 2 m温度RMSENSSP-ENS;(a2) 2 m温度Os;(b1) 10 m纬向风速RMSENSSP-ENS;(b2) 10 m纬向风速Os;(c1) 10 m经向风速RMSENSSP-ENS;(c2) 10 m经向风速Os (a1, b1, c1) Root mean square error (RMSENS) and spread (SP-ENS) and (a2, b2, c2) Outlier score (Os) for (a1, a2) 2 m temperature, (b1, b2) 10 m zonal wind speed and (c1, c2) 10 m meridional wind speed forecasted by exp1 and exp0 ensemble mean with different lead times.
4.3 降水检验

图 6是exp0和exp1的0—96 h逐24 h各量级累计降水集合平均预报的TS评分(Ts)。从中看到,两组试验各预报时效小雨和中雨量级累计降水集合平均预报的Ts差别不大;除24—48 h外,exp1的大雨量级预报的Ts略高于exp0;exp1的0—24 h和24—48 h暴雨量级预报的Ts与exp0差别不大,24—48 h评分略低于exp0,72—96 h评分则略高于exp1。exp1的0—24 h大暴雨量级降水预报的Ts略高于exp0,其余预报时效则与exp0差别不大。总体上,加入地形扰动方案后,对部分预报时效大雨、暴雨和大暴雨量级降水的集合平均预报稍有改进。

图 6 0—24 h (a)、24—48 h (b)、48—72 h (c)、72—96 h (d)预报时效exp0和exp1的不同量级24 h累计降水集合平均预报的TS评分(Ts) Fig. 6 Threat score (Ts) for ensemble mean of 24 h accumulated rain with the grades of light rain, moderate rain, heavy rain, torrential rain and extreme heavy rain forecasted by exp1 and exp0 with lead times of (a) 0-24 h, (b) 24-48 h, (c) 48-72 h and (d) 72-96 h.

图 7是exp0和exp1的0—96 h逐24 h各量级累计降水概率预报的Brier评分(Bs)。从中看到,两组试验0—24 h和24—48 h小雨量级累计降水概率预报的Bs差别不大,exp1的中雨、大雨和暴雨量级概率预报的Bs均低于exp0;exp1的48—72 h小雨量级和中雨量级累计降水概率预报的Bs略低于exp0,大雨量级和暴雨量级的Bs则与exp0基本相当;exp1的72—96 h小雨量级累计降水概率预报的Bs略低于exp0,中雨量级、大雨和暴雨量级降水的Bs则与exp1基本相当或略有“负效果”。总体上,exp1的24 h各量级累计降水预报的Bs相对于exp0而言有一定改进,exp1的降水概率预报优于exp0,其中在0—72 h预报时段中的改进效果更明显。

图 7 0—24 h (a)、24—48 h (b)、48—72 h (c)、72—96 h (d)预报时效exp0和exp1的不同量级24 h累计降水概率预报的Brier评分(Bs) Fig. 7 Brier score (Bs) for probability of 24h accumulated rain with the grades of light rain, moderate rain, heavy rain, torrential rain and extreme heavy rain forecasted by exp1 and exp0 with lead times of (a) 0-24 h, (b) 24-48 h, (c) 48-72 h and (d) 72-96 h.

图 8是exp0和exp1的0—96 h逐24 h各量级累计降水概率预报的AROC。相对于exp0,exp1各预报时效的小雨量级累计降水概率预报的AROC均略有“负效果”;中雨量级预报的AROC则相当;对于大雨量级预报的AROC,0—24 h基本相当,24—48 h和48—72 h略有“负效果”,72—96 h稍有改进;对于暴雨量级预报的AROC,除48—72 h外均有较明显改进;各预报时效的大暴雨量级预报的AROC均表现出了一定的改进效果。总体上,exp1的24 h累计降水预报的AROC相对于exp0而言有一定改进,特别是暴雨和大暴雨量级。可见,地形扰动方案提高了暴雨以上量级降水的命中率,这对复杂地形条件下提高强降水预报能力具有重要意义。

图 8 0—24 h (a)、24—48 h (b)、48—72 h (c)、72—96 h (d)预报时效exp0和exp1的不同量级24 h累计降水概率预报的相对作用特征面积(AROC) Fig. 8 Same as Fig. 7, but for area of relative operational characteristics (AROC).
5 结论与讨论

本文基于对流可分辨尺度(3 km)的集合预报系统,在已有初值扰动、模式物理过程扰动和侧边界扰动的基础上,通过不同集合成员采用不同的地形插值方案和地形平滑方案实现对模式静态地形高度的扰动,从而一定程度上反映了数值模式中地形转换过程的不确定性,在此基础上开展了一个月的集合预报批量平行试验并与未加入模式地形扰动的集合预报结果进行了对比分析。主要得到如下结论:

(1) 采用不同的地形插值方案和地形平滑方案生成的静态地形高度场差异明显,最大绝对偏差可达600 m以上,模式区域的平均绝对偏差为25 m左右。通过不同集合成员采用不同地形插值方案和地形平滑方案实现对模式静态地形高度的扰动后,各个集合成员地形高度的离散度与实际地形的起伏程度对应关系较好,两者空间分布特征非常相似,在平原地区离散度较小,而在高原地区或山区离散度较大。

(2) 加入模式地形扰动方案后,集合扰动能量有所增大,且低层比中层、高层更为明显,由于不同地形插值方案和平滑方案的平均差异普遍在25 m以内,高层扰动能量增大最不明显。能量增幅在较短预报时效(12 h)内最为显著,随着预报时效延长呈现出逐渐减小趋势。能量增幅与地形及集合成员地形高度离散度有一定的对应关系,能量增幅大值中心主要出现在地形较为复杂、集合成员地形高度离散度较大地区。

(3) 集合预报检验结果表明,模式地形扰动能够在一定程度上提高降水概率预报技巧,并改进部分预报时效的大雨、暴雨和大暴雨量级降水的集合平均预报,在对高空要素和2 m温度、10 m风场等近地面要素的集合平均均方根误差和集合离散度无负面影响的前提下能在一定程度上优化集合分布。

(4) 通过不同地形插值方案和地形平滑方案进行组合实现的地形扰动方案能在一定程度上体现出数值模式中地形转换过程的不确定性,加入地形扰动方案能够增大集合扰动能量,并进而优化集合分布及改善集合概率预报。

本文采用的地形扰动方案相对简单,不同的地形插值或平滑方案对预报技巧影响是否有明显差异以及是否存在统计意义上的最优或最差方案,尚有待开展更多的试验研究。另外,关于集合预报地形扰动方法的研究,目前国际上尚未见更多的文献报道,今后可在模式地形发生变化后如何影响模式预报(特别是降水预报)的具体物理机制以及如何设计出更加合理有效且物理机制明确的集合预报地形扰动方法等方面开展更多的探索性研究。

参考文献
陈良吕, 杜钦, 赵磊. 2018. 重庆风暴尺度集合预报系统降水预报性能分析[J]. 高原山地气象研究, 38(1): 30-34. DOI:10.3969/j.issn.1674-2184.2018.01.005
陈良吕, 吴钲, 高松. 2017. 重庆中尺度集合预报系统预报性能分析[J]. 高原山地气象研究, 37(4): 21-27. DOI:10.3969/j.issn.1674-2184.2017.04.004
杜钧, 陈静. 2010. 单一值预报向概率预报转变的基础:谈谈集合预报及其带来的变革[J]. 气象, 36(11): 1-11. DOI:10.7519/j.issn.1000-0526.2010.11.001
杜钧, 李俊. 2014. 集合预报方法在暴雨研究和预报中的应用[J]. 气象科技进展, 4(5): 6-20.
关吉平, 张立凤. 2009. 增长模繁殖法在华南暴雨中期集合预报中的应用[J]. 热带气象学报, 25(2): 246-250. DOI:10.3969/j.issn.1004-4965.2009.02.018
李俊, 杜羽, 刘羽, 等. 2017. 不同扰动方法集合离散度演变的异同性暨地形扰动初探[J]. 气象学报, 75(1): 123-146.
李泽椿, 陈德辉. 2002. 国家气象中心集合数值预报业务系统的发展及应用[J]. 应用气象学报, 13(1): 1-15. DOI:10.3969/j.issn.1001-7313.2002.01.001
马旭林, 薛纪善, 陆维松. 2008. GRAPES全球集合预报的集合卡尔曼变换初始扰动方案初步研究[J]. 气象学报, 66(4): 526-536. DOI:10.3321/j.issn:0577-6619.2008.04.006
潘旸, 沈艳, 宇婧婧, 等. 2012. 基于最优插值方法分析的中国区域地面观测与卫星反演逐时降水融合试验[J]. 气象学报, 70(6): 1381-1389.
王智, 范旭亮, 于甜甜. 2018. 一次长三角地区暴雨过程的集合预报应用与分析[J]. 暴雨灾害, 37(1): 8-13. DOI:10.3969/j.issn.1004-9045.2018.01.002
吴志鹏, 陈静, 张涵斌, 等. 2014. 基于集合预报的持续性强降水可预报性评估方法研究[J]. 暴雨灾害, 33(2): 97-105. DOI:10.3969/j.issn.1004-9045.2014.02.001
杨瑞雯, 赵琳娜, 巩远发, 等. 2017. 中国东南地区降水的两种集合预报综合偏差订正对比分析[J]. 暴雨灾害, 36(6): 507-517. DOI:10.3969/j.issn.1004-9045.2017.06.003
姚昊, 潘晓滨, 臧增量. 2008. 一次鄂西北地区暴雨过程中地形敏感性试验研究[J]. 气象与环境学报, 24(5): 61-66. DOI:10.3969/j.issn.1673-503X.2008.05.014
袁月, 李晓莉, 陈静, 等. 2016. GRAPES区域集合预报系统模式不确定性的随机扰动技术研究[J]. 气象, 42(10): 1161-1175. DOI:10.7519/j.issn.1000-0526.2016.10.001
张涵斌, 陈静, 智协飞, 等. 2014. GRAPES区域集合预报系统应用研究[J]. 气象, 40(9): 1076-1087.
张涵斌, 智协飞, 陈静, 等. 2017. 区域集合预报扰动方法研究进展综述[J]. 大气科学学报, 40(2): 145-157.
张涵斌, 陈静, 智协飞, 等. 2014. 基于GRAPES-Meso的集合预报扰动方案设计与比较[J]. 大气科学学报, 37(3): 276-284. DOI:10.3969/j.issn.1674-7097.2014.03.003
Berner J, Ha S Y, Hacker J P, et al. 2011. Model uncertainty in a mesoscale ensemble prediction system: Stochastic versus multiphysics representations[J]. Mon Wea Rev, 139(6): 1972-1995. DOI:10.1175/2010MWR3595.1
Berner J, Shutts G J, Leutbecher M, et al. 2009. A spectral stochastic kinetic energy backscatter scheme and its impact on flow-dependent predictability in the ECMWF ensemble prediction system[J]. J Atmos Sci, 66(3): 603-626. DOI:10.1175/2008JAS2677.1
Bishop C H, Holt T R, Nachamkin J, et al. 2009. Regional ensemble forecasts using the ensemble transform technique[J]. Mon Wea Rev, 137: 288-298. DOI:10.1175/2008MWR2559.1
Bowler N E, Arribas A, Mylne K R, et al. 2008. The MOGREPS short-range ensemble prediction system[J]. Quart J Roy Meteor Soc, 134(632): 703-722. DOI:10.1002/qj.234
Bowler N E, Arribas A, Sarah E, et al. 2009. The local ETKF and SKEB:Upgrades to the MOGREPS short-range ensemble prediction system[J]. Quart J Roy Meteor Soc, 135(640): 767-776. DOI:10.1002/qj.394
Buizza R, Houtekamer P L, Toth Z, et al. 2005. A comparison of the ECMWF, MSC and NCEP global ensemble prediction systems[J]. Mon Wea Rev, 133(5): 1076-1097. DOI:10.1175/MWR2905.1
François Bouttier, Benoît Vié, Nuissier O, et al. 2012. Impact of stochastic physics in a convection-permitting ensemble[J]. Mon Wea Rev, 140(11): 3706-3721. DOI:10.1175/MWR-D-12-00031.1
Palmer T N, Gelaro R, Barkmeijer J, et al. 1998. Singular vectors, metrics, and adaptive observations[J]. J Atmos Sci, 55(4): 633-653. DOI:10.1175/1520-0469(1998)055<0633:SVMAAO>2.0.CO;2
Saito K, Seko H, Kunii M, et al. 2012. Effect of lateral boundary perturbations on the breeding method and the local ensemble transform Kalman filterfor mesoscale ensemble prediction[J]. Tellus, 64(1): 1-4.
Wang Y, Bellus M, Geleyn J F, et al. 2014. A new method for generating initial condition perturbations in a regional ensemble prediction system:Blending[J]. Mon Wea Rev, 142(5): 2043-2059. DOI:10.1175/MWR-D-12-00354.1
Zhang H B, Chen J, Zhi X F, et al. 2015a. A comparison of ETKF and downscaling in a regional ensemble prediction system[J]. Atmosphere, 6(3): 341-360. DOI:10.3390/atmos6030341
Zhang H B, Chen J, Zhi X F, et al. 2015b. Study on multiscale blending initial condition perturbations for a regional ensemble prediction system[J]. Adv Atmos Sci, 32(8): 1143-1155. DOI:10.1007/s00376-015-4232-6