我国是一个暴雨频发的国家,暴雨预报一直是业务天气预报工作的关注重点。大暴雨和特大暴雨经常导致城市内涝、山体滑坡等灾害,因此大暴雨或特大暴雨的落区在汛期降水预报分析中,显得尤为重要。近年来,随着科学技术高速发展,暴雨预报已经由传统的天气学主观分析预报逐渐演变为以数值天气预报为基础、预报员订正模式结果的客观定量化预报(曹勇等,2016;唐健等,2018;李泽椿等,2019)。目前,中央气象台基本形成了“模式前期预报评估→模式短时效误差检验→预报员主观分析→多模式结果加权融合”的降水落区预报思路,这一预报思路的逐渐建立,也保障了近年来中央气象台暴雨预报订正技巧的大幅提高(根据中央气象台台业务内网的检验结果统计:2017—2019年,暴雨24 h时效主观预报的TS评分在EC模式基础上分别提高约11%,30%和21%)。然而,主观预报整体水平的提高是相对的,暴雨预报TS评分的绝对数值还是比较低,年平均值大约维持在0.2左右的水平,而大暴雨预报TS评分则更低,大致在0.13左右。这样的评分结果就意味着,在具体业务中,大暴雨过程漏报或空报的概率还是很大的。
近年来,业务预报人员对大暴雨或特大暴雨个例的分析总结,逐渐由暴雨成因和机制研究(王登炎等,2008;郑媛媛等,2009;俞小鼎,2012;张家国等,2012;买文明等,2013)转入到暴雨成因和机制研究与数值模式偏差原因分析(主要是针对全球模式)两者并重的态势。其中对大暴雨或特大暴雨过程的模式预报偏差分析,主要集中在以下三方面:第一,全球模式暖区对流预报能力不足或对流演变无法模拟,导致暴雨过程的漏报。漆梁波和徐珺(2018)在反思一次漏报的豫北特大暴雨过程中指出:该次降水过程存在明显的对流云团之间的合并及组织化过程,这些过程涉及到中小尺度系统相互作用(对流触发,冷池驱动,凝结潜热主导环境场变化等),全球模式的预报能力相对要差一些,而综合多个高分辨区域模式和快速同化更新系统的预报结果分析看,这些模式大多表现出更好的预报能力。伍志方等(2018)在分析一次发生在广州的局地特大暴雨时也指出,全球模式无法合理地预报出暖区的对流触发,进而导致局地特大暴雨的漏报。付炜等(2020)在分析两次失败的暖区暴雨个例时也指出:全球模式对暖区暴雨的预报能力有限,无法给预报员有效的指导,是导致预报失败的重要原因之一;其次,全球模式对地形作用估计不足,使得降水落区和强度出现明显偏差。陈豫英等(2018)在分析一次贺兰山东麓漏报的特大暴雨时发现:全球模式大致可以预报山麓东侧的雨量中心,但降水量级差别很大,显示模式对地形降水增幅的描述是明显不足的。而付炜等(2020)和覃武等(2020)的分析也表明:华南暖区暴雨的触发可能由复杂山地或丘陵地带的局地辐合或涡旋引起,而这些地形作用导致的触发因子,全球模式由于分辨率所限,很难合理地反映;第三,全球模式降水物理过程的错误或偏差(主要是模式降水导致的不恰当潜热释放),导致降水过程出现明显偏差(此时通常是空报)。目前业务全球模式的降水预报量,由两部分组成,一部分为网格降水(业务中称为大尺度降水,以下简称LSP),另外一部分为次网格降水(业务中称为对流性降水,以下简称CP)。近几年,业务预报人员逐渐发现,全球模式的降水落区偏差不仅仅是由于暖区对流预报不足所致,此时通常是CP预报不足或位置有误(辛辰和漆梁波,2018),而其主要雨带或落区还经常出现系统性的位置偏差(符娇兰等,2014;符娇兰和代刊,2016),这种偏差则主要由LSP的空报所致,即模式错误地预报了过多的LSP,进而导致雨带位置出现偏差。前人的研究表明(Brennan et al., 2005;Jiang et al., 2019):数值模式这种预报偏差与模式中降水的不恰当潜热释放反馈有很大关系。胡宁等(2020)在分析一次误差较大的华南前汛期暴雨时也发现:EC模式过度预报LSP降水的反馈过程,降水的潜热释放导致错误的气旋性辐合加强,进而影响了模式的整个降水落区预报(雨带偏北)。
在对全球模式出现暴雨预报偏差的个例分析中,研究者发现:很多情况下, 具备显式描述对流过程的区域模式,均能给出更好的预报或暴雨落区提示(孔期和林建,2017;漆梁波和徐珺,2018;郑婧等,2018;胡宁等,2020),这也是近年来区域数值模式的产品在暴雨业务预报中越来越受到重视的原因之一。前人对模式预报误差的总结个例,大多发生在华南或华北(西北),这主要是由于上述地区的暴雨经常具有暖区暴雨的性质,或者地形作用明显,全球模式难以准确预报,而区域模式则往往可以提供很好的参考。2020年7月18—19日,在江淮地区中部出现了一次范围较大的大暴雨过程(安徽中部有3个县级站出现特大暴雨),主观综合预报出现较大的落区预报偏差(大暴雨落区偏北,特大暴雨漏报)。此次特大暴雨过程值得总结的原因主要在三个方面:首先,此次过程发生在江淮梅雨期间。在业务预报中,梅雨期间发生的特大暴雨,在短期预报时效(提前6~12 h)、落区和量级上通常是预报较准确的。为什么本次主观综合预报仍出现较大偏差?其次,对本次过程,不管是全球模式还是区域模式,均出现特征相似的预报偏差(落区偏北,量级偏小),为什么本次过程中,区域模式也未能表现得更好?最后,在各模式的预报均出现偏差的情况下,现有业务分析思路上,有没有可改进之处?
为了回答或探究这三方面问题,本文分析了各业务模式预报结果和现有业务分析思路得到的综合预报结果及各模式预报出现偏差的可能原因,并提出了改进现有预报方法的一些思路。
1 资料说明本文所用业务数值模式资料主要来自欧洲中期天气预报中心全球确定性预报模式(简称EC模式、模式分辨率9 km,本文使用资料经过插值,分辨率约13 km)、华东区域数值模式(简称华东模式、分辨率9 km)和国家气象中心Grapes高分辨区域模式(简称G3模式、分辨率3 km);如无特别说明,模式起报时间均为2020年7月17日20时(北京时间,下同),主要分析的预报时段为7月18日08时—19日08时,分析要素包括850 hPa和200 hPa风场(流场)预报、6 h和24 h累积降水预报和CAPE预报场。在进行降水落区预报评估时,也用到了欧洲中期天气预报中心全球集合预报模式(简称EC-EPS, 模式分辨率18 km,本文使用资料经过插值,分辨率约50 km)的24 h累积降水集合平均和离散度。
在进行实况天气分析和降水预报对比时,选用的高空资料、地面6 h和24 h降水观测来自中国气象局MICAPS资料库;在进行数值模式形势预报评估时,选用的再分析资料来自欧洲中期天气预报中心再分析资料第5版(简称ERA5,分辨率约30 km)。
文中提到的大暴雨标准采用24 h累积雨量≥100 mm、特大暴雨标准采用24 h累积雨量≥250 mm。如无特别说明,在进行模式降水预报和实况降水预报对比时,对于24 h时段,模式降水预报场显示≥100 mm的等值线,而实测站点降水仅显示≥100 mm的测站;对于6 h时段, 模式降水预报场显示≥25 mm的等值线,实测站点降水仅显示≥25 mm的站点。
2 实况和天气形势图 1为2020年7月18日08时—19日08时江淮地区累积雨量及安徽霍山站逐小时雨量变化。由图可见,江淮之间出现一次大暴雨到特大暴雨天气,其中安徽六安站、霍山站和庐江站24 h雨量超过250 mm,霍山站最大(294 mm),主要降水时段出现在18日10时—14时及19日早晨,最大小时雨强约50 mm·h-1。
图 2为2020年7月18日08时的天气形势综合分析图(依据地面和高空实测资料,图中绿色阴影区为18日08时—19日08时大暴雨落区)。可以看出:江淮之间200 hPa高层有明显的辐散分流区;500 hPa环流配置上,有短波槽东移;中低层有明显的急流(图中仅显示850 hPa和925 hPa的急流);江淮北部有低涡向东移动,对应地面有低压槽和气旋波(图中略)。大暴雨落区主要位于925 hPa切变线附近及其南侧,同时也位于850 hPa低层急流前端附近。这样的形势配置,与前人总结的江淮地区大暴雨概念模型基本吻合(郑媛媛等,2009;郝莹等,2012;张家国等,2018)。
值得指出的是,上述所列的文献中,均未提及高层辐散分流区的作用,在业务分析中,预报员也经常忽略这一点。在暴雨预报分析中,预报员比较关注中低层的水汽辐合和抬升条件,大部分情况下,一旦中低层的水汽辐合和抬升条件确认之后,高层辐散区通常也是会存在的,所以中低层的分析往往成为重点甚至是分析的全部。在本次个例中,如果依据实测的中低层形势分析,应该可以较好地确认大暴雨-特大暴雨落区。但最大的问题是:本例中,各数值模式对中低层环流形势的预报均出现明显偏差(12 h和30 h预报,将在第3节中分析),而预报决策时(18日08时之前),当日08时的观测资料尚未到达业务分析平台,预报员主要参考数值模式的降水预报和中低层形势预报来做决策,最终导致较大的主观预报偏差。
后文的分析表明,本例中数值模式对高层环流形势的预报基本是正确的,如果在天气分析环节中能重视高层环流场的分析,预报员有可能做出更好的大暴雨或特大暴雨落区的订正预报,关于这一点,将在第5节中作详细阐述。
3 各数值模式及主观综合预报的结果预报业务中,主观综合预报参考的数值模式结果通常是6—12 h之前起报的。以下进行各数值模式结果分析时,主要展示17日20时起报的预报结果(12— 36 h累积降水和相应的天气形势预报),而主观综合预报的结果主要展示18日06时起报的中央气象台预报和安徽省气象台预报(此时参考的数值模式结果为17日20时起报)。
图 3是各数值模式(包括集合预报)的降水预报和实测降水值的对比。从图中可以看出,各模式的大暴雨落区预报均偏北,包括EC-EPS模式。EC模式预报的大暴雨范围明显偏小,且雨量中心偏北(也偏西,图 3a)。EC-EPS模式预报的≥50 mm平均值范围则较确定性模式向东扩展了不少(见图 3d,≥50 mm这个值与实际降水值相比是系统性偏小的,但业务预报中会将其作为大暴雨范围的参考依据之一)。区域模式(图 3b和图 3c)的大暴雨范围则明显偏大,空报较多,其中值得注意的是G3模式预报了特大暴雨量级,只是落区偏西,位于湖北省东北部(图 3c)。此外,和其他模式结果比较,G3模式的大暴雨落区总体偏南一些,更接近实况的降水区,尽管位置误差仍较大。
除上述所列的模式结果,其他业务数值模式,比如Grapes-GFS模式(中国气象局业务全球模式)、NCEP-GFS (美国国家天气局业务全球模式)以及Grapes-Meso模式(Grapes模式系列的10 km分辨率区域模式)的大暴雨落区也是偏北的,或者就完全漏报了大暴雨(图略)。
图 4显示的是本次特大暴雨过程发生之前(7月18日06时),中央气象台和安徽省气象台预报的2020年7月18日08时—19日08时的大暴雨落区。从图中可知:落区预报均明显偏北,而且漏报了特大暴雨。就安徽境内而言,无论是中央气象台还是安徽省气象台,均判断大暴雨落区将位于淮河附近,只不过安徽省气象台的大暴雨落区范围更大,而中央气象台的落区位于淮河的中上游地区。两个气象台均未预期有特大暴雨发生,其中中央气象台预报的最大雨量为180 mm,位置在淮河上游的河南省与安徽省交界处(图 4中未显示该数字)。
中央气象台的预报决策过程基本延续近年来建立的主客观融合业务技术流程(曹勇等,2016;唐健等,2018;李泽椿等,2019)。预报员首先对短预报时效的各模式误差进行了对比分析。图 5显示的是2020年7月18日早晨当值预报员分析和参考的部分模式产品和实测资料。
其中图 5a显示的是EC模式预报的7月18日02— 05时累积降水与实况降水的比较。就短期预报而言(12—36 h),如果模式在前面时效中已经出现明显偏差或者呈现出某种偏差趋势,这种偏差趋势对预报员进行降水落区订正或最终降水融合时的权重调整是重要的参考之一。在本例中,预报员就是注意到实况降水已经出现在安徽境内的淮河中游地区(而EC模式预报的降水区尚未进入安徽境内,见图 5a),因此将EC模式后续的降水预报大幅度向东做了调整;其次,如前文所述,在业务实践中,预报员会对低层风场的演变做重点分析,从EC模式预报的850 hPa风场看(图 5c和图 5d),淮河附近地区处在低层急流前端的左侧,符合经典的天气学概念模型;第三,预报员也考虑了对流演变对降水落区的影响,认为安徽中南部的CAPE较大(图 5b),有利于白天强降水向东南方向发展,但考虑到夜间急流将继续加强(图 5d),所以在确定降水落区时,在EC模式预报的基础上,主要向东调整,向南调整的幅度很小;最后,在预报员进行降水落区调整之前,中央气象台的主客观融合平台,通常会先给定一个依据前期模式表现而得出的多模式(或客观方法)融合的产品,按代刊等(2016、2018)的总结,集合最优百分位方法(基于EC-EPS模式)在各种预报模式或预报方法中的技巧评分通常最高,因此也不难理解中央台主观预报落区和EC-EPS模式的平均值落区位置是非常靠近的(见图 3d和图 4)。
安徽省气象台的当值预报员除了注意到降水区已经早于EC模式的预报在淮河中游地区发展,同样重点分析了低空急流的位置和演变(见图 5c和图 5d),也认为淮河附近地区是合理的大暴雨落区。至于安徽省气象台的大暴雨落区扩展到整个淮河地区,一方面是因为两个区域模式均在沿着淮河的两岸预报了大暴雨(图 3b和图 3c),预报员在最终决策时对此预报进行了采信;另一方面,大暴雨区预报范围扩展也可能是遵循“以防为主”的决策方针,因为7月18日以前,江淮地区梅雨量已经远超常年平均值,防汛形势异常严峻。
4 数值模式降水预报出现偏差的可能原因 4.1 天气学分析从传统的天气学分析角度,降水预报出现偏差,主要表现为水汽辐合区和上升运动区的预报出现偏差。业务中,通过对低空急流(850 hPa或925 hPa)形态特征的分析,大致可以确定水汽辐合区和上升运动区。图 6是18日08时和19日02时EC模式的850 hPa风场预报和对应的6 h降水预报以及相应时刻的ERA5资料和对应的6h实况降水填值。从图中不难看出,EC模式18日08时预报的低空急流基本涵盖安徽的淮河以南地区,急流中有小范围的雨团,位置处在淮河南岸(图 6a),而依据ERA5和实况降水可知(图 6b),此时雨团向东向南发展,主要影响江淮之间,雨强很大(部分站点超过120 mm·(6 h-1),相应的低空急流前沿只是到达安徽的西部以及南部,降水区处在急流前端。模式预报的急流范围明显偏大,也未能合理地预报出江淮之间的暴雨到大暴雨。到19日早晨(图 6c和图 6d),模式预报的低空急流前沿到达淮河南岸,强降水则主要发生在淮河以北,而ERA5的低空急流处在江淮之间,实况降水也主要出现在淮河以南。华东模式和G3模式的低空急流预报也有类似的特征,只不过G3模式的急流略微偏南一些(图略),所以与其他模式相比,其强降水落区也相应更偏南一些(见图 3c)。综上可知,从天气学分析角度,模式对18日08时的低空急流预报过于强盛,前沿位置也偏北,导致江淮之间的大暴雨漏报,而19日早晨的低空急流前沿位置同样偏北,导致淮河以北空报了大范围暴雨区,江淮之间漏报了大范围暴雨区。
从数值模式的构架原理而言,模式偏差来自两方面,模式初值和模式计算过程。模式初值主要由模式初猜场加上同化过程得到。模式计算过程包含模式动力和物理过程的计算。动力过程的近似(包含计算方法等)和物理过程的近似或参数化处理都会影响计算精度,进而导致模式结果的偏差。降水物理过程包含多方面的复杂过程,以下仅从降水潜热反馈作用角度,来分析导致降水落区误差的另一种可能原因。
图 7为EC模式的850 hPa风场(流场)预报和6 h降水预报以及对应时刻的ERA5分析场和6 h实况降水填值。和图 6不同之处在于,与风场(流场)对应的降水预报或降水填值时段,采用的是风场时刻前6 h,而图 6中,降水预报或降水填值时段采用的是风场时刻后6 h。这样选取时间配置的原因在于:从天气学分析的角度,强降水落区主要由周边环境因子决定(水汽输送,上升运动等),然而,从天气实际演变过程角度,强降水发生之后,也会对周边环境因子有反馈作用,环境因子改变之后,进而再次影响强降水的发生或演变。
从图 7a可以看出,EC模式18日08时在江苏北部和山东南部附近预报了一个低涡,低涡南侧和东侧有明显降水发生(过去6 h),低涡的生成或加强与降水潜热反馈作用有很大关系,Jiang等(2019)和胡宁等(2020)在研究低涡发展机制和模式降水预报分析时,均提到此种反馈作用的存在,而且这种反馈作用主要集中在大气中低层(500 hPa以下)。上述低涡此后基本维持(模式后续在低涡附近未预报明显降水,因而无降水潜热反馈作用导致的低涡继续发展或加深,见图 7b和图 7c),并逐渐向东北方向移动。到19日02时,低涡位于山东半岛东端,而此时来自西南的低空急流加强,前锋北推到淮河南岸,上游河南境内的降水也在淮河北岸开始发展(图 7c)。ERA5的分析场和实况降水的演变与模式预报有很大不同。图 7d显示的分析场表明,18日08时,850 hPa低涡位于安徽西北部,其南侧和东侧已有明显强降水发生,降水潜热的反馈作用有助于该低涡的发展和维持。而在18日05时之前,实况降水较弱,ERA5的分析场上,安徽西北部也未出现低涡(图略),该低涡就是在18日05时到18日08时之间,开始形成并强烈发展,这可能间接说明了降水凝结潜热对该低涡生成和发展的关键作用。与图 7a对比可知,实况强降水的发生也改变了低空急流的形态,急流前沿仅达到安徽中西部和西南部,其前沿和左侧对应有强降水发生(位于安徽中部,图 7d),而模式预报在上述地区无强降水,低空急流直接扩展到安徽的大部(图 7a)。从图 7e和图 7f可知,安徽西北部形成的低涡,缓慢向东北方向移动,到19日02时(图 7f),低涡仅移动到山东南部到江苏北部一带,其左侧的偏北气流一直到达淮河南岸,低层辐合也位于江淮之间,这也大致对应了后续强降水的发生位置。
从上述分析可知,从降水潜热反馈角度,18日早晨发生在江淮之间的实况强降水很可能导致或助长了低涡的发展,而模式未能预报该低涡生成(图 7a),取而代之的是鲁南到苏北的低涡发展(属于空报或过度预报)。这一差别使得19日早晨模式预报的低空急流形态(图 7c)与实际发生的低空急流形态(图 7f)有明显差别,进而导致后续强降水落区的明显偏差。尽管上述低涡发展与实际降水潜热反馈作用之间的联系,尚需更多的数值模拟来验证,但前人的诸多研究已表明这一机制的存在,而且国外的相关业务实践表明,如果模式未能很好地处理格点降水导致的潜热反馈作用,将导致大气中低层出现过度发展或不真实的低涡,预报员应该对低涡强度和位置进行修正(The COMET Programme,2009)。因此,在进行天气分析时,要注意分析降水潜热反馈过程(错误或不恰当的)对大气中低层风场的可能影响或干扰,而不是直接采信模式预报的中低层风场,进而影响天气分析的实际效果。
5 可能改进预报的关注点如前文分析,模式降水落区预报出现偏差的原因不仅仅是由于天气学因子的预报失败(急流、辐合等),更有可能是降水物理过程的偏差及其与天气学因子的相互作用所致。目前业务通行的分析思路:大致假定模式预报的天气学因子是正确的,并以此来解释或修正模式的降水预报。然而,在模式预报框架内,天气学因子和降水之间,本来就有内在联系。用模式预报的天气形势来解释或修正模式的降水结果,很多时候不能达到明显的修正技巧,即:形势预报正确,降水预报通常正确,很难修正;若形势场预报错误,降水预报也大抵是错误的,预报员更是无从修正,反之亦然。在本例中,由于模式预报的低层风场(预报员最倚重的天气学因子)在18日08时已经出现明显偏差(降水物理过程的偏差占主导因素),而后续降水演变以及对低空流场的反馈作用,使得19日早晨的低层风场也出现明显偏差,进而导致模式预报19日早晨的降水落区明显偏北(见图 6和图 7a-c)。如果按分析模式预报的低空流场为主导的预报思路,当值人员无论是根据18日08时、18日20时还是19日08时的预报流场,都无法得到相对准确的强降水预报落区(见图 6和图 7a-c),此外,当值人员也没有合适的途径或依据来修正模式预报的低空流场。
5.1 高空流场的指示作用分析依据本例的分析以及前人关于模式降水预报误差分析的相关成果,除了分析短时效预报误差、中低空流场、对流稳定度等之外,模式预报的高层流场(200 hPa或100 hPa)形态对订正模式降水预报也可能有指引作用。高空辐散作用和高低空急流的耦合导致暴雨发生或暴雨增幅的研究有很多,但无论是预报技术总结或具体业务预报实践中,利用‘高空辐散区’来进行模式降水落区的订正,相关的进展或研究尚显不足。郑靖等(2018)在一次大暴雨预报误差分析中提到,尽管全球模式的降水落区有明显偏差,但模式预报的200 hPa高空辐散区位置与实况大暴雨落区有很好的对应,值得在大暴雨落区预报中加以重视。
图 8显示的是EC模式200 hPa风场预报和相应6 h降水预报,以及ERA5资料对应的200 hPa风场和相应6h实况降水填值。对比图 8a和图 8c可知:二者的200 hPa辐散分流区位置非常接近(图 8a中以虚线框标注);尽管模式预报的降水量级和分布与实况降水差距很大,但如果结合18日早晨的降水实况(图 5a)和模式预报的200 hPa分流区,当值预报员有可能做出“强降水仍将持续,并且降水落区位于江淮之间”的预报结论,由此可得到更精准的大暴雨落区预报。如前所述,本次江淮之间的特大暴雨,由两个降水时段构成,分别是18日上午到中午和19日早晨(见图 1),而模式漏报了第一段降水,空报了第二段降水(或者说误报,主要是位置)。从具体业务而言,关于第二段降水预报,是否也可能参考模式预报的200 hPa分流区进行降水订正呢?从图 8b和图 8d可知:模式预报了两片明显分流区,一片位于安徽北部(淮河以北),另一片位于鄂豫皖交界地区,而实际的辐散分流区则位于江淮之间,差异较大。当值预报员如果也依据分流区进行降水预报订正,对江淮之间的落区预报而言,将会增加一定的技巧,但对淮河以北而言,会将模式预报的降水落区向东向北调整,导致落区出现更大偏差。
如第4节分析可知,模式第二段降水的预报失败,与模式第一段降水空报有很大关系:漏报了强降水发生,继而无法合理地预报强降水反馈作用导致的后续各层流场演变。但是,第一段降水发生时,模式未预报明显的降水,其低层风场虽出现了偏差(图 7a),但尚未影响到模式的高层风场(200 hPa),预报员有可能依据最新降水实况和高层风场来订正模式降水预报;而第二段降水发生时,模式已预报了明显的降水(见图 8b,但预报位置是错误的),其降水和各层风场之间已形成一定的相互协调或影响(包括高层风场在内),此时预报员若再依据高层风场的形态特征来进行降水预报的订正,很难保证达到积极的订正效果(因为此时高层风场也会出现明显偏差,如图 8b所示)。
5.2 不同业务区域模式的对比分析如第3节所述,在本次特大暴雨的预报中,G3模式的大暴雨落区预报较华东模式偏南一些,即更靠近实况大暴雨区(见图 3b和图 3c)。和全球数值模式相比,区域数值模式动力框架设计上,通常是采用原始方程组,能较好地模拟非静力平衡情况下的天气学过程(中小尺度天气系统),此外,在对流过程的描述上,大多采用显示对流方案,与全球模式的对流参数化方案比较,能更好地模拟中小尺度天气过程的演变过程。然而,即使是区域数值模式,不同的分辨率对中小尺度天气过程演变的模拟能力也是不同的。漆梁波和徐珺(2018)在分析一次豫北特大暴雨的降水预报偏差时指出,3 km分辨率区域模式的预报结果,均优于9 km分辨率区域模式,显示对于中尺度雨团的预报,3~5 km分辨率可能会是更好的选择(漆梁波,2015)。图 9显示的是G3模式和华东模式对本次特大暴雨过程两个强降水时段的预报对比。两个模式均由NCEP-GFS全球模式产品驱动,同化过程主要为“云分析方案”(陈葆德等,2013)。从图中可知,两个模式对第一段强降水过程的预报,落区均明显偏东偏北,但G3模式对降水系统向南或向西南传播,有一定的反映:和华东模式预报的明显强降水区位于淮河两岸不同(图 9b),G3模式在安徽中部,也预报了一个强降水区(图 9a)。对于第二段强降水过程的预报,G3模式向南或向西南传播的趋势就更加明显,降水区主要位于淮河附近及其以南地区(图 9c),而华东模式的降水区主要位于淮河以北地区(图 9d),误差明显更大一些。不同的天气背景或形势,中小尺度天气系统的传播和演变规律是不同的,业务预报人员在这方面有较多的研究或经验(漆梁波和陈雷,2009;朱平和俞小鼎,2019;侯淑梅等,2020a;2020b)。当值预报员如果依据模式的天气形势预报,大致判断出后续中小尺度天气系统的传播特征,此时应该特别注意区域模式对对流系统的演变预报是否与之相符。前人的很多总结和经验表明,高空流场为辐散分流型时,对流系统倾向于后向传播(而不是随着引导气流移动),进而导致局地大暴雨或特大暴雨(漆梁波和陈雷,2009;郑婧等,2018),在这种形势下,区域数值模式通常会给出更好的降水落区预报,尤其是分辨率达到3~5 km的数值模式(漆梁波,2015;漆梁波和徐珺,2018)。
综合模式预报结果、实况降水以及再分析资料,本文首先评估了各业务数值预报模式在2020年7月18—19日江淮特大暴雨过程的表现优劣,并分别从传统天气学分析和降水潜热反馈过程的角度分析了各模式均出现明显降水预报偏差的可能原因,结合业务决策过程的剖析,有以下两点值得反思:(1)在考虑了模式短时效预报检验、降水系统传播特征、模式天气形势预报分析,并综合考虑各数值模式预报结果的基础上,主观预报的大暴雨落区仍出现较大偏差。主要原因在于模式天气形势预报的优劣,很多时候与模式的降水预报优劣是直接相关的,尤其是天气形势中的中低层风场,很容易受模式中的降水潜热反馈过程影响。本例中,各模式的降水落区预报均出现较大偏差,预报员则依据错误的中低层风场来分析或订正模式的降水预报(实质上只是某种解释),自然无法得到满意的订正效果。(2)模式中低层风场预报出现了较大偏差,但这只是模式降水预报出现偏差的外在表现,而不是原因。从天气形势和降水演变看,18日早晨发生在江淮之间的实况强降水很可能导致或助长了安徽西北部低涡的发展,而模式预报空间中该低涡未能生成(漏报),这一差别导致19日早晨模式预报的低空流场出现偏差,最终导致后续强降水落区的明显偏差。因此,在进行天气分析时,要注意分析降水潜热反馈过程(错误或不恰当的)对大气中低层风场的可能影响或干扰,而不是直接采信模式预报的中低层风场。
此外,通过本文的分析,以下两个预报着眼点应该在现有的QPF流程中发挥更大作用:(1)相比较而言,模式中降水的过度潜热反馈对高空流场的影响比中低层流场要弱一些,因此,其预报偏差也更小。本例的总结表明,模式预报的高空辐散分流区大致是正确的,尤其是第一段强降水发生前,可以依据其来进行强降水落区预报的订正。(2)对雨团或对流的传播而言,分辨率更高的G3模式表现得更好,在今后类似的暴雨预报过程中,分辨率更高的业务区域模式预报结果值得更多注意和分析。
总体而言,中央气象台近年来倡导的基于检验、天气分析和多模式融合的QPF技术流程,在具体业务实践中取得了很大成功。这一技术流程最大程度地融合了快速提高的模式预报能力和预报员的综合经验,基本框架是非常合理的。这一框架首先确保了主观综合预报能对主流模式预报保持正技巧,而正技巧的多或少则取决于当值预报员在整个技术流程中的作用,尤其是天气分析环节和多模式融合环节。
本例的总结表明,模式的中低层流场很容易受到模式降水潜热反馈作用的影响,如果这一反馈作用未能恰当处理,必然会影响模式后续的中低层流场预报。本文在进行相应的影响分析时,只是通过对比再分析流场和实况降水演变之间的先后顺序,来间接说明这一反馈作用的存在和对本次预报的后续影响。要严谨地揭示这一机制在本例中的影响,尚需更多的数值模拟试验来确认。但这一反馈机制对降水落区预报的影响已经被前人的研究和国外的业务实践证明,“中低层流场需慎用,高层流场需常用”的理念,应该在后续的“天气分析环节”中引起足够重视。当然,本例的特殊之处在于,特大暴雨是由两段强降水过程所致,模式对第一段强降水过程的高层流场预报是正确的(高层流场尚未受到模式中降水潜热反馈过程的影响),因而可以依据其来进行降水落区预报订正;而模式第一段降水过程的漏报,影响了其对第二段降水过程的预报,进而模式对与第二段降水过程相关的高低层风场均出现明显偏差,此时高层流场对降水预报订正的指引作用也基本失效。因此,后续的天气分析环节,除了要加强高层流型的分析之外,对模式降水过程的演变(24 h预报时段内)也需要进行分析。如果24 h时段内的强降水主要发生在一个集中时段,此时高层流型的订正指引作用应该比较大。如果24 h时段内的强降水由2个或以上的集中时段组成,此时后续时段的高层流场(包括中低层流场)均可能出现很难预测的偏差,降水落区预报的订正难度将会非常大。由于大气潜热加热的峰值可以同时出现在低层和高层(Tao et al., 1993;傅云飞等,2008),何种情况下,该机制主要影响模式的低层环流,而何种情况下,模式的高层环流也会同时影响,也需要更多的研究。
曹勇, 刘凑华, 宗志平, 等. 2016. 国家级格点化定量降水预报系统[J]. 气象, 42(12): 1476-1482. DOI:10.7519/j.issn.1000-0526.2016.12.005 |
陈葆德, 王晓峰, 李泓, 等. 2013. 快速更新同化预报的关键技术综述[J]. 气象科技进展, 3(2): 29-35. |
陈豫英, 陈楠, 任小芳, 等. 2018. 贺兰山东麓罕见特大暴雨的预报偏差和可预报性分析[J]. 气象, 44(1): 159-169. |
代刊, 曹勇, 钱奇峰, 等. 2016. 中短期数字化天气预报技术现状及趋势[J]. 气象, 42(12): 1445-1455. DOI:10.7519/j.issn.1000-0526.2016.12.002 |
代刊, 朱跃建, 毕宝贵. 2018. 集合模式定量降水预报的统计后处理技术研究综述[J]. 气象学报, 76(4): 493-510. |
符娇兰, 宗志平, 代刊, 等. 2014. 一种定量降水预报误差检验技术及其应用[J]. 气象, 40(7): 796-805. |
符娇兰, 代刊. 2016. 基于CRA空间检验技术的西南地区东部强降水EC模式预报误差分析[J]. 气象, 42(12): 1456-1464. DOI:10.7519/j.issn.1000-0526.2016.12.003 |
傅云飞, 刘奇, 自勇, 等. 2008. 基于TR MM卫星探测的夏季青藏高原降水和潜热分析[J]. 高原山地气象研究, 1: 8-18. |
付炜, 唐明晖, 叶成志. 2020. 强西南急流背景下湘桂边界两次预报失败的暖区暴雨个例分析[J]. 气象, 46(8): 1001-1014. |
郝莹, 姚叶青, 郑媛媛, 鲁俊. 2012. 短时强降水的多尺度分析及临近预警[J]. 气象, 38(8): 903-912. |
侯淑梅, 闵锦忠, 王改利, 等. 2020a. 传播运动在对流风暴合并过程中的作用[J]. 大气科学学报, 43(2): 347-357. |
侯淑梅, 孙晶, 郑怡, 等. 2020b. 山东省线状中尺度对流系统的天气学特征[J]. 气象, 46(8): 1053-1064. |
胡宁, 符娇兰, 汪会. 2020. 华南前汛期强降水个例模式降水预报误差成因初探[J]. 气象, 46(8): 1026-1038. |
孔期, 林建. 2017. 2015年5月19-20日华南地区不同性质暴雨成因和预报分析[J]. 气象, 43(7): 792-803. |
李泽椿, 谌芸, 张夕迪, 等. 2019. 中央气象台暴雨预报业务的发展及思考[J]. 暴雨灾害, 38(5): 407-415. DOI:10.3969/j.issn.1004-9045.2019.05.002 |
买文明, 何丽华. 2013. 一次高空槽与西南涡耦合造成的华北暴雨过程分析[J]. 沙漠与绿洲气象, 7(4): 31-37. DOI:10.3969/j.issn.1002-0799.2013.04.006 |
漆梁波, 陈雷. 2009. 上海局地强对流天气及临近预报要点[J]. 气象, 35(9): 11-17. |
漆梁波. 2015. 高分辨率数值模式在强对流天气预警中的业务应用进展[J]. 气象, 41(6): 661-673. |
漆梁波, 徐珺. 2018. 豫北"7·9"特大暴雨的短期预报分析和反思[J]. 气象, 44(1): 1-14. |
覃武, 刘国忠, 赖珍权, 等. 2020. 华南暖区暴雨预报失误及可预报性探讨[J]. 气象, 46(8): 1039-1052. |
唐健, 代刊, 宗志平, 等. 2018. 主客观融合定量降水预报方法及平台实现[J]. 气象, 44(08): 1020-1032. |
王登炎, 周小兰, 马文彦. 2008. 湖北省特大暴雨形成的物理图像和机理[J]. 暴雨灾害, 27(4): 295-300. DOI:10.3969/j.issn.1004-9045.2008.04.002 |
伍志方, 蔡景就, 林良勋, 等. 2018. 2017年广州"5·7"暖区特大暴雨的中尺度系统和可预报性[J]. 气象, 44(4): 485-499. |
辛辰, 漆梁波. 2018. ECMWF模式对南方春雨期降水预报的检验和分析[J]. 暴雨灾害, 37(4): 383-391. DOI:10.3969/j.issn.1004-9045.2018.04.011 |
俞小鼎. 2012. 2012年7月21日北京特大暴雨成因分析[J]. 气象, 38(11): 1313-1329. |
张家国, 岳阳, 王珊珊, 等. 2012. 2008年"7.1"鄂东北特大暴雨过程的中尺度分析[J]. 暴雨灾害, 31(4): 306-312. |
张家国, 王珏, 吴涛, 等. 2018. 长江中游地区极端降水主要天气系统类型分析[J]. 暴雨灾害, 37(1): 14-23. |
郑婧, 许爱华, 孙素琴, 等. 2018. 高空西北气流下特大暴雨的预报误差分析及思考[J]. 气象, 44(1): 93-106. |
郑媛媛, 张小玲, 朱红芳, 等. 2009. 2007年7月8日特大暴雨过程的中尺度特征[J]. 气象, 35(2): 3-7. |
朱平, 俞小鼎. 2019. 青藏高原东北部一次罕见强对流天气的中小尺度系统特征分析[J]. 高原气象, 38(1): 1-13. |
Brennan M J, Lac kmann G M. 2005. The Influence of Incipient Latent Heat Release on the Precipitation Distribution of the 24-25 January 2000 U.S. East Coast Cyclone[J]. Mon Wea Rev, 133: 1913-1937. |
Jiang Yongqiang, Wang Yuan, Chen Chaohui, et al. 2019. A Numerical Study of Mesoscale Vortex Formation in the Midlatitudes:The Role of Moist Processes[J]. Advances in Atmospheric Sciences, 36(1): 65-78. |
Tao W K, Simpson J, Adler R F. 1993. Retrieval algorithms for estimating the vertical profiles of latent heat release:Their applications for TR MM[J]. J Meteor Soc Jap, 71: 685-700. |
The COMET Progra mme.2009. How Models Produce Precipitation and Clouds.Version 2[Z/OL].https://www.meted.ucar.edu/nwp/model_pre-cipandclouds/print.htm,1-105
|