期刊检索:
  暴雨灾害   2020, Vol. 39 Issue (4): 372-381.  DOI: 10.3969/j.issn.1004-9045.2020.04.007

论文

DOI

10.3969/j.issn.1004-9045.2020.04.007

资助项目

重庆市气象局业务技术攻关团队项目(YWGGTD-201602)

第一作者

吴志鹏, 主要从事集合预报与风暴数值模拟研究。E-mail:361913145@qq.com.

通信作者

周国兵, 主要从事中尺度数值天气预报与气象环境环境。E-mail:zhou-gb@163.com.

文章历史

收稿日期:2019-02-20
定稿日期:2019-10-18
基于风暴尺度模式产品的暴雨最优升尺度概率预报方法研究
吴志鹏 , 周国兵 , 张亚萍 , 刘德 , 何军     
重庆市气象台, 重庆 401147
摘要:基于ARPS3DVAR+WRF(Advanced Regional Prediction and 3-dimensional variational System)快速同化模式对西南地区近几年发生的4次强降水过程进行模拟试验,对12 h降水预报结果采用升尺度方法,计算邻域平均预报、站点概率预报,最终形成邻域概率预报,并细致分析了这三种预报的特点与效果,讨论了升尺度窗区尺度给不同量级降水带来的影响,最后结合AROC评分与邻域空间检验FSS讨论业务概率预报应用的最佳尺度。结果表明:升尺度邻域平均预报在小雨与大暴雨量级降水上表现不稳定,对中雨的预报提高不明显,但是对大雨与暴雨预报有较好的改善效果;站点概率预报具有一定的误导性,而邻域概率预报可以弥补其缺憾,越高分辨率的模式有更多的降水样本,在降水不确定性上能给出更好的概率分级信息;相对邻域平均的升尺度预报TS检验结果,基于邻域概率的FSSAROC分析有更好的预报技巧指导意义;36 km升尺度窗区既能消除一定程度的强降水预报不确定性,同时也可以保留适当的对流尺度特征,为最佳升尺度窗区。
关键词中尺度暴雨    升尺度概率预报    相邻格点法    空间邻域检验法    
Study on the optimal neighborhood area to generate probabilistic prediction of heavy rainfall based on deterministic convection-allowing model
WU Zhipeng , ZHOU Guobing , ZHANG Yaping , LIU De , HE Jun     
Chongqing Meteorological Observatory, Chongqing 401147
Abstract: The ARPS3DVAR+WRF (Advanced Regional Prediction and 3-dimensional variational System)rapid assimilation model is used to simulate several heavy rainfall events in Sichuan and Chongqing areas occurred in recent years. Focusing on the strongest precipitation within 12 h. Neighborhood approach is adopted to the SSRAFS (Storm-Scale Rapid Assimilation and Forecast System)products to perform Neighborhood Mean(NM) forecast, Station Probability(SP) forecast and Neighborhood Probability(NP) forecast in the ranges of different upscale radius. Then the characteristics and effects are respectively analyzed, and the effect of increasing upscale window area to the precipitation forecast is particularly discussed. Finally, the optimum radius of the operational forecast is found by combining traditional and spatial verification results. The results show that the performance of the NM forecast is not stable in light rain and downpour. The improvementof the moderate rain is not obvious, However, it has a good effect on the prediction of heavy rainfall. The singlestation probability may be misleading, but NP forecast could serve as a remedy, by giving better classification information on the uncertainty of heavy rainfall prediction, and provide better reference to improve the capability of short-term operational forecast. FSS and AROC verification results based on NP prediction has a better consistency guidance than TS scores of NM prediction. It reveals that the size of 36 km upscale could eliminate the uncertainty of heavy precipitation to a certain extent while retaining the characteristics of convective feature, which should be selected as the optimal window region.
Key words: mesoscale rainstorm    upscale probability prediction    neighborhood approach    fraction skill score    
引言

随着计算机技术的快速发展,更高分辨率的嵌套模式在降水量级的预报能力与对流风暴特征的模拟上都取得了较大进展。Done等(2004)采用水平分辨率为4 km的对流可分辨模式(Convection-allowing, 即不使用对流参数化方案)WRF-ARW(Advanced Weather Research and Forecasting model)进行预报,并讨论了这种高分辨率模式配置给预报质量带来的提升, 指出同样是WRF-ARW模式,在中尺度对流系统的模拟中,对流可分辨的4 km配置比采用对流化参数方案的10 km配置更好,具体表现为预报对流系统出现频率和形态更准确。随后,Weisman等(2008)Schwartz等(2009)在北美中尺度模式上的试验都得到了类似的结论,高分辨率的对流可分辨模式成为了预报对流风暴的趋势。

目前高分辨率中尺度模式在国内也有了很多开发与应用,并且很多区域中心和省市已经投入本地化的业务运行。例如,上海华东区域高分辨率数值预报创新中心在三维次网格湍流混合中考虑了非局地作用,实现了模式次网格三维混合对模式分辨率的自适应,将模式湍流与边界层的合理参数化加上物理过程的一体化,最高水平分辨率甚至可以小于1 km;随后成都高原气象研究所从上海引进了该技术,建立了9 km、3 km的数值预报系统(SWC-WARMS)并已投入业务运行,有效提升了西南地区强对流天气的预报能力(徐同等, 2016);广州热带海洋气象研究所也建立了3 km的华南精细数值预报模式(MARS)。

但随之而来也有了新的问题,当高分辨率的对流可分辨模式预报出强烈的上升运动,并且出现单个对流单体的特征,即使是很小的位移误差也可以产生很大的预报振幅,于是高分辨率模式虽然能预报出更好的对流特征和更大的降水量级,但在具体落区位置上往往较实况会出现一定程度的偏移,产生更显著的预报不确定性。因此,当使用传统检验方法对高分辨率模式进行检验的时候,例如用TS评分采用点对点的原则检验预报与观测结果,即使很好的预报了强降水的落地形态和强度,只是与观测降水的位置有数公里的偏差,评分结果依旧将受到漏报加空报的“双重惩罚” (Ebert and Elizabeth, 2009; Mittermaier and Roberts, 2010王在文等,2016),这导致了就算预报对预报员有较高的参考价值,最终所看到的传统检验评分非常低(Michael et al., 2001)。

对于高分辨率模式的降水落区预报不确定性,可以通过模式产品解释应用的形式,如生成概率预报信息来弥补。Theis等(2005)使用“相邻格点法”(Neighborhood approach), 把单一格点周围的预报值也作为潜在的真实值,通过选取不同影响半径,评估可能产生强降水的概率。因为邻域半径的大小往往是模式水平分辨率的整数倍,实际上在评估格点的降水概率时有把更大尺度的信息考虑在内(赵滨和张博, 2018),符合“升尺度”的意义,随着所选邻域半径的增大,升尺度窗区也随之变大。杜钧和李俊(2014)指出用该法来估计预报的不确定性还可以将邻域窗区内的所有格点预报看作一个“预报集合”,从而计算集合平均,这样就算模式在小于某一空间或时间尺度下没有确定意义上的预报技巧,但也具备了统计上的意义,而问题的关键是如何根据实际问题来确定合理的的升尺度半径。

重庆市气象科学研究所联合美国俄克拉荷马大学风暴分析预测中心(Center for Analysis and Prediction of Storms, CAPS)开发了风暴尺度快速同化和预报系统(Storm-Scale Rapid Assimilation and Forecast System,SSRAFS),以WRF-ARW为内核,采用三重嵌套,最内层分辨率3 km,同化了11部西南地区雷达资料,旨在预报夏季频发的灾害性对流风暴(陈良吕等,2019)。本文在以往的研究基础上,选取近年来发生在川渝地区的代表性强降水天气过程,利用重庆SSRAFS系统3 km分辨率区域的预报资料,开展升尺度预报研究,并在不同升尺度窗区实现暴雨的邻域平均预报与定量化暴雨概率预报,深入讨论升尺度窗区大小对降水预报的影响,初次在西南区域结合传统检验与空间检验寻找最佳升尺度空间范围,在预报精细化大趋势过程中提取不确定信息,为强降水预报提供新的参考。

1 资料和方法 1.1 暴雨过程遴选与分类

暴雨过程遴选重庆2015年3次最强的汛期区域性暴雨天气过程和1次2018年春季对流性暴雨天气过程,表 1给出了4次暴雨过程的起止时间与天气系统配置。

表 1 四次典型区域暴雨过程及影响系统 Table 1 Typical regional heavy rainfall events and affected weather systems

虽然4次过程均受到高低空不同尺度天气系统的共同作用,强降水落区既具有较明显的区域集中特点,又有高能高湿环境下的孤立性对流特征,但经过天气分析后可以发现这4次暴雨中2015年“8.17”与“7.14”过程为典型的西南涡暴雨,系统性降水特征较显著,降水落区形态较为集中紧凑,可预报性较好,可归类为典型大尺度暴雨过程;而2015年“6.29”与2018年“4.04”过程则主要受到高空切变的影响,同时西南低空急流强盛,锋面特征与列车效应使得强对流特征更加明显,孤立的局地性对流更多,预报不确定性也更大,归类为局地分散型暴雨。

1.2 模式系统与观测资料

重庆SSRAFS系统以WRF-ARW模式(3.5.1版)为预报模块,ARPS-3DVAR(Advanced Regional Prediction and 3-dimensional variational System)和复杂云分析为资料同化模块。初始场,背景场和边界条件由NCEP开发的全球预报系统(GFS)提供。如图 1所示采用3层嵌套d01、d02、d03,水平分辨率分别为27 km、9 km、3 km。最内层嵌套实时滚动同化了11部气象雷达的基本反射率和径向风,并且不采用对流参数化方案,本文基于该风暴尺度模式系统的3 km预报产品开展暴雨最优升尺度概率预报方法研究。

图 1 SSRAFS系统预报嵌套区域图(最外层格距为27 km,格点数为200×160,中间一层格距为9 km,格点数为288×216,最内层格距为3 km,格点数为480×360) Fig. 1 SSRAFS system forecast and nest area diagram. The outermost area grid resolution is 27 km and grid number is 200× 160.The middle nest grid resolution is 9 km, the grid number is 288×216.The innermost grid resolution is 3 km and the grid number is 480×360

实况降水资料源自国家气象信息中心研发的CMA多源融合降水分析系统(CMPAS-V2.1),该系统生成中国区域高时空分辨率的地面—卫星—雷达三源降水融合分析产品,自2015年5月以后,分辨率从0.1°升级到0.05°,因为需要对比相同分辨率的预报和观测数值,研究将其临近插到同d03一样的网格上。

1.3 升尺度邻域平均预报方法

升尺度的中心思想是基于相邻格点法参考目标预报格点周围的格点值,根据升尺度半径R大小,将邻域范围内所有格点纳入参考。邻域平均预报则将这个范围看做“预报集合”,再对这个集合计算平均,从而过滤掉不确定性较大的数据,获得统计意义。如图 2a以升尺度半径为3倍模式分辨率(9 km)为例,排除正方形角落里的4个格点值后A点邻域内一共29个格点,取格点平均降水值,那么这个尺度范围内A点的邻域平均为10.7 mm。在选定R大小的基础上定义邻域平均(NM, Neighborhood Mean)为

$ N M_{i}=\frac{1}{N_{b}} \sum\limits_{m=1}^{N_{b}} F_{m} $ (1)
图 2 降水的相邻格点法示意图(a, 邻域半径r为3倍水平分辨率, 圆形区域即为邻域窗区); 以重庆市区中心格点为例的升尺度窗区覆盖范围(b) Fig. 2 (a) A chematic diagram of neighborhood method. (a, R is 3 times horizontal resolution which is 9 km. Circular area is neighborhood window), (b) The coverage areas of the upscale windows, taking the grid point in downtown Chongqing as an example

其中,Fm为邻域内原始预报的格点降水值,Nb是邻域范围内的格点总数,R的范围理论上可以从0到无穷大,但在实际应用中R的选取需要符合目标对象的需求,同时最佳的大小往往受模式本身误差影响。

Schwartz等(2010)采用4 km的混合集合预报,考察了升尺度半径0~200 km内的预报表现,随后在北美集合预报业务系统中采用45 km升尺度作为最佳半径业务产品。本文由于SSRAFS预报d03区域水平分辨率为3 km,根据实际需求,考察9 km、18 km、36 km、54 km、72 km、90 km为升尺度半径的预报表现,以重庆主城区中心的沙坪坝站为例(图 2b),9 km半径的窗区属重庆中心城区;18 km窗区囊括重庆外环高速公路以内;36 km窗区已覆盖所有主城行政九区,是重庆人口最集中的地区,属于高影响天气易发区;54—90 km则延伸至重庆中西部大部分的区县;90 km以外则逐渐进入四川及贵州境内,如此设计升尺度半径大小考虑到了基础分辨率的大小也切合了实际需求。

1.4 格点概率提取与邻域概率预报方法

在降水的二分类事件概率(BPs,Binary Probabilities)预报中,BPs在单个格点上的值只能是两种,(1)事件发生,(0)事件不发生,“(事件”代表预报超出给定阈值)。例如,将某格点上的累计预报降水量q定义为事件发生与否的阈值,那么单个格点上的BPs

$ B P_{i}=\left\{\begin{array}{ll} 1 & F_{i} \geqslant q \\ 0 & F_{i} \leqslant q \end{array}\right. $ (2)

其中,F表示预报场某格点上的累计降水,下标i标识第i个格点,范围从1至预报场总格点数N

使用相邻格点法制作概率预报首先从二分类格点开始,(Roberts and Lean, 2008)通过公式(2)得到二分类事件预报,此时预报场只有发生或不发生两种情况,然后参考邻域内的事件发生频率(例如图 1a)。

为了在单个格点上得到预报概率,邻域概率(NP, Neighborhood Probability)在第i个格点上定义为

$ N P_{i}=\frac{1}{N_{b}} \sum\limits_{m=1}^{N_{b}} B P_{m} $ (3)

其中Nb表示以格点i为中心的邻域内格点总数, 例如图 2a设阈值q为15 mm,则超过阈值的格点有7个,它们的BP值为1,所以按照公式(2),中心格点的邻域概率NPA(q=15)=7/29=0.24,即24%。

由于重庆地形独特,西部靠近四川盆地,中部多丘陵,东北部与东南部多山脉,其气候状态有较大不同,文中根据其气候特征的差异,选取6个站点(沙坪坝、涪陵、城口、万州、黔江、酉阳)分别作为不同地区的气象代表站,使用代表站点的NP值作为站点概率预报(SP, Station Probability)。值得指出的是当选定R大小后,邻域范围内的格点总数也随之确定,此时在对整个预报场所有格点都计算出NP则得到了邻域概率预报场。

1.5 预报检验

采用点对点的传统检验TS评分结合目前国际上较新的针对高分辨率模式的邻域空间检验法FSS (Fraction Skill Score),分别讨论暴雨过程中的检验效果与升尺度预报技巧。

1.5.1 传统检验法

传统检验将降水事件分为如表 1的四种结果:

表 2 标准2×2二分类事件列联表 Table 2 Standard 2×2 bicategorical event contingency table

a是预报准确的,c是漏报的,b是空报的,d是实况和降水均没有的情况。

$ T S=\frac{a}{a+b+c} $

TS评分反映了模式有效预报的准确程度,在本文中将预报与观测格点一一比对并计算评分,可视为精确评分, 范围0~1,理想评分1。传统评分为目前主要业务预报所使用,优点是通用程度更广,较为大家熟知,缺点是对高分辨率模式检验时有失公允。

1.5.2 邻域空间检验法FSS

模式的分辨率越高,理论上传统评分越容易更低,虽然预报本身对预报员的决策是有价值的预报,仅仅是空间上的较小偏离便可导致传统评分结果非常糟糕。如概念图图 3所示,预报降水形态与强度假设与实况完全一致,只是在高分辨率的网格预报中刚好“错位”,强降水中心点偏差9倍网格距离,若分辨率为3 km,则预报正好偏东27 km,这样的预报虽然在预报员看来会是相当有价值的预报,但在传统TS评分中不仅得分为0,而且是一个彻底的空报和漏报;但如果使用空间邻域检验法在如图所示的圆形升尺度窗区内来考察预报与观测所发生的频率,那么这将是一次完美的预报,而且这个窗区尺度也是最佳的。

图 3 传统检验对比空间检验的理想示意图 Fig. 3 Idealized schematic diagram of traditional versus Neighborhood-Spatial verification

Roberts等(2008)提出了一种直接比较预报和观测在一定格点范围(窗区)内覆盖百分比的概率检验方法。该方法认为,只要预报和观测在窗区内对于某一事件发生的频率是相近的,就是一个有价值的预报。

最初Roberts定义了Fraction Brier Score(FBS)

$ FBS = \frac{1}{{{N_v}}}{\left[ {N{P_{{F_{\left(i \right)}}}} - N{P_{{O_{\left(i \right)}}}}} \right]^2} $ (4)

${N{P_{{F_{\left(i \right)}}}}}$${N{P_{{O_{\left(i \right)}}}}}$分别代表预报和观测场上第i个格点上的事件邻域概率,所定检验区域内的格点范围从1到Nv,在FBS的基础上可以计算Fraction Skill Score (FSS)

$ F S S=1-\frac{F B S}{F B S_{ {worst }}} $ (5)

其中FBSworst是FBS得分最差的情况,FSS评分的范围从0到1, 0代表窗区内无预报与观测匹配,1代表完美评分。在邻域半径增大时邻域内的格点数量也在增加,Roberts和Lean(2008)指出FSS大小随着观测与预报格点的重叠平滑增加,并渐进于2B/(B2+1),B是事件频率误差,在二分类事件中(发生/不发生)预报中,频率误差可由公式:B=(a+b)/(a+c)算得。在给定的阈值q下,B > 1代表预报偏多,B < 1代表预报偏少。

1.5.3 相对作用特征面积AROC

相对作用特征(Relative Operating Characteristic)曲线ROC与其面积AROC (Area of ROC)常用于集合预报的检验,它主要针对概率预报场。其中心方法是是将不同概率分类所对应的的命中率POD (Probability of Detection)和假警报FAR (False Alarm Rate)率绘在一起,Y轴代表PODX轴代表FAR,如此形成一条相对作用特征曲线,而曲线下的面积就是AROC,可作为R0C曲线的技巧评分,范围0~1,越大越好,0.5以下为无技巧。

2 试验结果

对四次暴雨天气过程展开试验,聚焦这几次暴雨天气过程中最强的12 h降水,计算9个窗区的升尺度结果,得到升尺度邻域平均预报NM、代表站点概率预报SP、邻域概率预报NP三种升尺度预报产品,将暴雨分为典型大尺度暴雨与局地分散型暴雨分别探讨窗区尺度大小对各量级降水预报效果的影响。

2.1 典型大尺度暴雨

首先看系统性降水更显著的“8.17”过程,图 4为2015年8月16日20时—8月17日08时(北京时,下同)降水实况与预报对比,暴雨以上量级的强降水中心在四川东北部与川渝交界处,因为受到西南涡与低空急流的共同作用,总体雨带呈西南—东北走向,急流造成的强降水在四川南部更明显,而重庆东部较零散的强降水则有孤立对流特征,落区较为分散且无规则;预报对四川东北部的暴雨预报偏大而对重庆西部的暴雨预测偏小,对四川南部的暴雨预报较实况偏北。

图 4 “8.17”暴雨降水实况图(a)与SSRAFS预报(b) Fig. 4 (a) Observation precipitation of "8.17" torrential rain process and (b) original WRF-RUC forecast

图 5(a-f)依次为9 km、18 km、36 km、54 km、72 km、90 km邻域平均预报(NM),可以看到以下几个特征:1、随着升尺度半径的增加,NM预报雨带上的局地暴雨逐渐消失,看上去降水落区更加集中,中小尺度降水特征减弱;2、较零散的强降水落点趋于减弱甚至消弭;3、较集中的大范围强降水落区则趋于紧凑;4、小雨降水面积有明显提高、中雨变化不大、而大暴雨以上量级降水面积减小,例如140 mm以上的降水在72 km的升尺度半径影响下几乎被平滑消失。随着升尺度半径的增加,NM预报从零散的无规则落区逐渐过度为平滑的规则落区,这在一定程度上更像预报员手绘的降水落区形态图,使强降水发生的趋势看上去更加集中,而零散的对流特征则逐渐消失,影响半径达72 km后已几乎看不到零散的暴雨落点。

图 5 升尺度半径分别为9 km (a)、18 km (b)、36 km (c)、54 km (d)、72 km (e)、90 km (f)的“8.17”暴雨过程12 h升尺度邻域平均降水预报(单位:mm) Fig. 5 Neighborhood mean precipitation forecast of 12 h for the upscaling radius is (a) 9 km, (b)18 km, (c) 36 km, (d) 54 km, (e)72 km, and (f) 90 km in the "8.17" rainstorm (unit:mm)

从重庆主城沙坪坝站概率预报(SP)上看,虽然对主城的原始预报只有8.1 mm,和实况53.9 mm有较大的差别,但从原始预报(图 4a)注意到暴雨雨带的位置与主城偏离20 km左右。表 3显示随着升尺度半径的增大,各量级降水概率的变化情况,沙坪坝站SP考虑了更大窗区范围内的暴雨发生频率,逐渐向大量级降水倾斜,在升尺度半径达为54 km时,暴雨的概率8.2%,在升尺度半径达为90 km时,暴雨的预报概率达23.3%,也就是说当考虑沙坪坝站周围90 km范围内的格点降水预报时,预报正确的概率为23.3%,当然,这不代表升尺度范围越大越好,升尺度范围大到一定程度后,更精细的数值预报成果便没有了意义,本文正是要在“追求精细所带来的误差”和“允许忽略的误差空间”中寻找平衡,提炼量化的预报不确定性。

表 3 重庆沙坪坝站各量级降水概率随尺度变化表(单位:%) Table 3 Variaion with scales (in %) for rainfall probability at Shapingba station in Chongqing city

然而,对于其它几个代表站如涪陵和城口,原本预报正确的概率却在下降(图略)。涪陵小雨概率从9 km时的96.5%下降到了90 km处的19.2%,城口则从100%下降到了86.3%。万州站与黔江站实况无降水,原始预报分别为1.0 mm和5.4 mm,却在升尺度影响下,小雨降水概率迅速提高到40%,其原因主要因为黔江站周围有一空报的暴雨区,虽然面积不大,但如果升尺度窗区刚好覆盖空报暴雨则会使虚假暴雨概率迅速提高。理论上,若忽略小尺度天气系统的影响,剔除中γ和小α尺度系统(20 km以下)而保留中α、中β尺度,效果会更好。

由于单一的站点概率预报结果受多种因素影响,若仅仅只看代表站点的概率预报会有较强的局限性。展示完整的邻域概率预报场(NP),会更有利于体现预报结果的概率趋势分布,减少偏差带来的误导,更客观的展示概率统计结果。

图 6是“8.17”暴雨过程NP预报,所选阈值为30 mm,即12 h内达到暴雨的概率。与NM预报相比,整个概率预报的形态同样有趋于“平滑”的趋势,零散的降水概率更趋于紧凑,并且在升尺度半径54 km处,已看不到中γ和小α尺度的降水概率区域。从细节上看,随着升尺度半径增加,暴雨出现的大概率区(特别是达80%~90%以上)面积在减小,此时确定性较大的暴雨落区得以凸显,但对于零散强对流可能出现的区域(预报不确定性更大的区域)则以概率覆盖的形式在更大的范围展现,如54 km的升尺度产品,50%概率以上的预报已有较好的覆盖了实况暴雨雨带。

图 6 “8.17”暴雨过程12 h升尺度降水概率预报图(阈值30 mm,单位%) 升尺度半径分别为9 km (a)、18 km (b)、36 km (c)、54 km (d)、72 km (e)、90 km (f) Fig. 6 Neighborhood probability forecast in 12 h of "8.17" rainstorm (threshold 30 mm, unit:%) The upscaling radius is (a) 9 km, (b) 18 km, (c) 36 km, (d) 54 km, (e) 72 km, and (f) 90 km
2.2 局地分散型暴雨

“6.29”暴雨天气过程相对于“8.17”更主要受到低层切变与低空急流的影响,局地性的分散对流显著,如图 7虚线区域所示,所选时段为2015年6月29日08时—29日20时,此次预报较实况偏大,而且四川北部有较多空报出现(图 7b)。若升尺度窗区太小则对周围不确定性考虑不足;反之平滑过多,对流特征又会被剔除太过,失去了高分辨率模式的意义,所以选取适中的36 km与54 km升尺度NMNP预报作为展示。可以看到36 km的NM产品(图 7c)已较好的过滤了重庆南部低空急流带上的大部分空报暴雨,且保留了四川南部较明显的暴雨降水大值区,与实况降水较为吻合;同样NP预报(图 7e)可以作为补充,提供不同尺度天气系统会产生暴雨降水的概率,如四川南部切变较低空急流产生暴雨的概率更高,而川渝交界处有涡旋环流影响的区域产生暴雨的概率最高。54 km升尺度NMNP预报进一步平滑过滤了四川北部的空报暴雨,但同时也将四川南部的暴雨预报滤去,并且该尺度后的NM预报已无大暴雨量级。因此,升尺度大小并不是越大越好,应遵循消除预报不确定性的同时,尽量保留合适的对流特征。后文通过搭配检验方法,尝试给不同升尺度窗区一致性指导意见。

图 7 “6.29”暴雨过程12 h实况(a)、SSRAFS预报(b)、36 km NM预报(c)、54 km NM预报(d)(单位:mm)与36 km NP预报(e)、54 km NP预报(f) (阈值30 mm, 单位:%) Fig. 7 The "6.29" rainstorm in 12 h. (a) Observation, (b) original forecast, neighborhood mean forecast in (c) 36 km and (d) 54 km upscale (unit: mm) and neighborhood probability forecast in (e) 36 km and (f) 54 km (threshold 30 mm, unit: %)
2.3 邻域平均预报检验结果

升尺度邻域平均预报TS评分结果在小雨与大暴雨量级上表现不稳定,中雨无明显变化,而对大雨与暴雨有较好的改善。从图 8上可以看到随着升尺度的增加,“8.17”过程的小雨与大暴雨TS评分都有较明显的提高,但另外两次过程却在18 km升尺度后显著下降。对比分析原始预报与观测场的小雨和大暴雨落区,导致小雨得分不稳定的原因主要是升尺度窗区的增大会使得小量级降水的范围增大,原本预报无降水的格点在参考周边有降水值的格点后出现降水值,这样在小雨预报上空报现象就更加明显。

图 8 四次典型次暴雨过程升尺度领域平均预报TS评分结果:小雨(a)、中雨(b)、大雨(c)、暴雨(d)、大暴雨(e) Fig. 8 Results of TS score for neighborhood mean forecast of all typical rainstorms. The threshold value is (a) 0.1 mm, (b) 5 mm, (c)15 mm, (d) 30 mm, and (e)70 mm

而大暴雨得分不稳定则是因为升尺度平滑消除了零散暴雨,改善了空报,降低了不确定性,评分上升;但若升尺度窗区太大,将所有大暴雨区全部平滑剔除,此后大暴雨预报全为漏报,评分为0。另外,一般来说大暴雨量级的降水在12 h内发生的范围不会很大,然而原始预报偏强,空报较明显,随着升尺度窗区逐渐变大,空报区域也逐渐被平滑除去,扣分有所改善。例如“7.14”、“6.29”过程在升尺度9~18 km时评分上升,但当升尺度36~54 km时,两次过程大于70 mm的预报区域逐渐被平滑除去,于是所有实况上出现的大暴雨都变成了漏报。而“8.17”过程的大暴雨TS评分迅速提高则是因为此次过程强度与范围都较大,观测降水有大范围区域达到大暴雨,预报虽范围更大,但位置却偏离不远且形态相似,经升尺度后零散的大暴雨点被平滑去,空报减少,而在川渝交界处的大暴雨区正好凸显,与观测重叠的区域比例增大。所以总体而言,对于这两种量级的降水预报是产生负面影响的。

升尺度降水预报场在几次典型暴雨天气过程的应用中,对中雨的预报提高不明显,而主要对大雨与暴雨降水的预报技巧有较好的改善。原因主要有两个:一是消除了不确定性较大的零散对流系统所产生的强降水落区,另一个是增强了确定性较大的强降水中心,让落区面积略为增大,形态更加紧凑,这使得升尺度预报在结果上认同强降水预报中心周围的区域同样有较大可能发生强降水,可能性的大小则随升尺度半径的大小变化。

2.4 邻域概率预报检验结果

4次强降水过程的FSS评分显示,随着阈值的增加各个量级的FSS得分都更低,这揭示了模式在预报更大量级降水时的预报技巧在降低(图 9)。几次过程的各个量级降水的FSS随着升尺度半径的增加而增长,预报场与观测场的各量级降水发生频率匹配程度更好,当升尺度半径在36 km前FSS评分上升较快,尤以18 km至36 km区间曲线的斜率最大,54 km后趋缓,72 km后逐渐收敛。虽然大雨与暴雨的TS评分在72 km左右达到最优,而在邻域的匹配角度却是36~ 54 km范围较为合适。

图 9 四次暴雨过程各阈值的邻域空间检验评分结果:(a) “8.17”、(b) “7.14”、(c) “6.29”、(d) “4.04”暴雨过程 Fig. 9 Neighborhood-spatial test scores of each threshold during four rainstorms.(a) "8.17", (b) "7.14", (c) "6.29", and(d) "4.04" rainstorm

几次过程中雨、大雨和暴雨量级降水的AROC同样显示在升尺度至36 km范围的过程中,概率预报技巧普遍得到提高,尤其以暴雨量级降水为主(图 10),而36 km后暴雨概率预报技巧多为降低,大暴雨量级降水的AROC在18 km后都在0.5以下,不再具备预报技巧。总体而言,除大暴雨外,各量级降水在前36 km的升尺度概率预报中技巧都有普遍的上升,而36 km后,暴雨预报技巧大多呈下降趋势。如果再考虑保留合理的对流尺度特征,选择36 km升尺度半径作为业务产品将更具参考价值。

图 10 三次暴雨过程各阈值的AROC检验结果(a) “8.17”、(b) “7.14”、(c) “6.29”、(d) “4.04”暴雨过程 Fig. 10 AROC of each threshold during four rainstorms.(a) "8.17", (b) "7.14", (c) "6.29", and (d) "4.04" rainstorm
3 结论和讨论

当数值预报模式的水平分辨率接近中小尺度天气系统的尺度特征时,空间位移误差逐渐增大,造成了较大的暴雨落区预报不确定性,使用传统检验方法对高分辨率模式暴雨预报进行检验的时候,就算有较高预报参考价值,也可能出现很低的评分。为了解决这一问题,本文围绕“邻域法”,在预报格点周围一定空间范围参考其他格点的预报结果,制作了三种升尺度预报产品:邻域平均NM、站点概率SP与邻域概率NP,并选取符合实际需求的9个邻域窗区计算,进而在两种类型的暴雨天气过程里细致分析它们对不同量级降水的影响,最后采用传统检验结合空间检验得到一致性评估结果,得到以下几点结论:

(1) 虽然邻域平均NM与邻域概率NP预报提供了更多暴雨预报不确定性信息,但都对原始降水场的强降水预报较为依赖。如果原始降水预报的偏差非常大,升尺度的效果同样不会太好,所以升尺度NMNP预报产品更适用于同化了雷达资料的短时效数值预报,在研究中只对12 h累计降水中的大雨及暴雨预报效果较好,而对于超过此时效的预报意义可能不大。

(2) 代表站站点概率预报SP随着升尺度半径的增加,更多的考虑到了周边的降水,结果有利有弊。在升尺度窗区较小的时候易受周围空报的强降水影响而概率跃增,窗区较大的时候使原本无雨的格点出现降水值,使小雨预报面积增大。所以单看代表站站点概率预报易被误导,而邻域概率预报NP则能弥补其缺憾,突出体现系统性强降水的高概率区并弱化不确定性较大的分散对流降水,使概率预报结果更加合理。

(3) NM预报场在小雨与大暴雨量级降水上的表现不稳定,对中雨的预报提高不明显,主要对大雨与暴雨降水的预报有较好的改善效果。分析其原因,主要是因为各量级降水落区的面积、形态、预报不确定性的差异所至。几次典型过程大雨TS评分普遍提高0.1左右,暴雨TS评分提升0.05~0.12,但评估结果不具备最佳升尺度的一致性指导意义。

(4) 升尺度窗区范围并不是越大越好,原则上应遵循消除预报不确定性的同时,尽量保留恰当的对流尺度特征。结合空间邻域检验FSS与相对作用特征AROC对选择最佳升尺度窗区有较好的指导意义,结果显示几次过程的各量级降水预报随着升尺度范围增大,都与观测配程度更好,在升尺度半径36~54 km范围FSS上升最快,72 km后逐渐收敛。36 km窗区NP升尺度结果能消除一定程度的空报,降低预报不确定性,也可以较好的保持高分辨率模式的对流暴雨预报能力,此时AROC技巧检验也是最高,向预报员提供这个范围的大雨与暴雨量级升尺度产品会得到最佳结果。

参考文献
陈良吕, 吴征, 高松. 2019. 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[J]. 暴雨灾害, 38(6): 649-659.
陈笑, 赵东, 何晓凤, 等. 2018. 基于MODE对模式预报强风风场的检验分析[J]. 气象, 44(8): 1009-1019.
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.
聂皓浩, 刘奇俊, 马占山. 2016. 高分辨率GRAPES模式中云微物理方案对强降水的模拟和诊断研究[J]. 气象, 42(12): 1431-1444. DOI:10.7519/j.issn.1000-0526.2016.12.001
王在文, 梁旭东, 范水勇, 等. 2016. 数值模式降水评分对分辨率的敏感性初探[J]. 暴雨灾害, 35(1): 10-16. DOI:10.3969/j.issn.1004-9045.2016.01.002
徐同, 李佳, 杨玉华, 等. 2016. SMS-WARMS V2.0模式预报效果检验[J]. 气象, 42(10): 1176-1183. DOI:10.7519/j.issn.1000-0526.2016.10.002
杨辰, 王强, 顾宇丹. 2017. 上海市城市暴雨内涝评估建模及模拟研究[J]. 气象, 43(7): 879-886.
赵滨, 张博. 2018. 邻域空间检验方法在降水评估中的应用[J]. 暴雨灾害, 37(1): 1-7. DOI:10.3969/j.issn.1004-9045.2018.01.001
Atger F. 2001. Verification of intense precipitation forecasts from single models and ensemble prediction systems[J]. Nonlinear Processes Geophys, 8(6): 401-417. DOI:10.5194/npg-8-401-2001
Ahijevych D, Eric G, Barbara G B, et al. 2014. Application of spatial verification methods to idealized and nwp-gridded precipitation forecasts[J]. Weather and Forecasting, 24(6): 1485-1497.
Brier G W. 1950. Verification of forecasts expressed in terms of probability[J]. Monthly Weather Review, 78(1): 1-3. DOI:10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
Done J, Davis C A, Weisman M. 2004. The next generation of NWP:Explicit forecasts of convection using the Weather Research and Forecasting(WRF) model[J]. Atmos Sci Lett, 5(6): 110-117. DOI:10.1002/asl.72
Ebert, Elizabeth E. 2009. Neighborhood Verification:A Strategy for Rewarding Close Forecasts[J]. Weather & Forecasting, 24(6): 1498-1510.
Michael E, Baldwin S, John S K. 2001.Verification of mesoscale features in NWP models[J]. Preprints Ninth Conf on Mesoscale Processes Fort Lauderdale FL Amer Meteor Soc, 8.3, http://ams.confex.com/ams/pdfpapers/23364.pdf
Mittermaier M, Roberts N. 2010. Intercomparison of Spatial Forecast Verification Methods:Identifying Skillful Spatial Scales Using the Fractions Skill Score[J]. Weather and Forecasting, 25(1): 343-354.
Roberts N M, Lean H W. 2008. Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events[J]. Monthly Weather Review, 136(1): 78-97. DOI:10.1175/2007MWR2123.1
Schwartz C S, Kain J S, Weiss S J, et al. 2009. Next-Day Convection-Allowing WRF Model Guidance:A Second Look at 2-km versus 4-km Grid Spacing[J]. Monthly Weather Review, 137(10): 3351-3372. DOI:10.1175/2009MWR2924.1
Schwartz C S, Kain J S, Weiss S J, et al. 2010. Toward Improved Convection-Allowing Ensembles:Model Physics Sensitivities and Optimizing Probabilistic Guidance with Small Ensemble Membership[J]. Weather and Forecasting, 25(1): 263-280.
Theis S E, Hense A, Damrath U. 2005. Probabilistic precipitation forecasts from a deterministic model:A pragmatic approach[J]. Meteorological Applications, 12(3): 257-268.
Weisman M L, Davis C, Wang W, et al. 2008. Experiences with 0-36-h explicit convective forecasts with the WRF-ARW model[J]. Weather and Forecasting, 23(3): 407-437.