2. 昆明市气象局, 昆明 650506
2. Kunming Meteorological Beabu, Kunming 650506
随着气象观测手段的日益丰富和超级计算机性能的持续提高,数值天气预报的准确性大幅度提升。在人们对天气预报精细化程度需求越来越高的今天,以高分辨率数值预报产品为基础建立的现代综合气象预报系统,已成为气象工作者进行精细化天气预报重要及有效的手段。但是由于数值预报结果受初值场、边界条件、物理过程、地形、植被及模式本身的设计等诸多方面的影响,模式对气象要素的预报,在量级大小、出现时间及范围不可避免地会存在一定的误差。特别是高分辨率区域模式中的一些细小的相位误差、中小尺度天气物理过程模拟误差都可能极大的影响预报准确率。因此,检验高分辨率数值模式产品的预报偏差,客观评估其预报能力,了解预报误差的时空分布特征对于提高预报准确率具有重要意义。
近些年,我国区域中尺度模式发展迅速,各种区域中尺度数值预报产品变得极为丰富。这些产品为提高天气预报准确率、开展精细化天气预报提供了强大基础。如何对这些区域数值预报产品进行释用,使其更好地在天气预报中发挥更大的作用,是当前天气预报业务面临最大的问题。针对高分辨率数值模式,国内外研究者在不同地区进行了检验和评估。Lean等(2008)针对多种高分辨率数值预报模式的对流性降水预报开展了相关的检验;Gilleland等(2009)研究发现,观测网疏密程度对高分辨率模式降水预报评分有重要影响。在国内,陈超君等(2012)对冬季高海拔复杂地形下GRAPES_Meso要素预报进行了检验评估;张利红等(2014)针对GRAPERS_Meso模式升级前后夏季青藏高原东部及周边区域的降水预报开展了对比检验;毛东艳等(2014)对GRAPERS_Meso模式在2013年8至10月间四川盆地强降水、东部地区强降水及3个台风强降水过程进行了天气学检验,发现模式的稳定性、复杂地形条件下的强降水、高原系统的东移演变及物理条件的准确性还有待提高。孙蝉和徐国强(2017)使用GRAPES中尺度模式对中国新疆南部的塔里木盆地2013年1、4、7、10月逐日的天气过程进行数值模拟, 结果表明GRAPES中尺度模式对沙漠地区的降水预报与实况相比空报率较高,降水中心也存在一定的偏差。万子为和刘鑫华(2018)选取2016年3至8月华东地区11次弱天气尺度强迫背景下下的强对流过程用GRAPES_Meso模式进行模式分析,认为对于不同的天气系统,GRAPES_Meso模式的强降水预报效果各有差异。于翡等(2018)对2012年7月中国降水个例进行统计检验后指出提高GRAPES_Meso模式空间分辨率可以在一定程度上改善对降水中心的预报但对降水落区预报的改进有限。徐同等(2011)对华东区域中尺度模式2010年汛期预报性能进行系统检验,结果表明区域模式对华东区域有无降水预报TS评分总体较高,模式具有较高的降水预报击中率,但空报率相对较高。吕林宜等(2019)对2016年7月19日发生在河南省的极端暴雨过程进行了天气学检验与分析,结果发现华东区域模式提前60 h对降水中心、强度及强降水发生时段做出了较好的预报,对暴雨过程中心极值的预报能力明显优于全球模式。
云南处低纬高原,西部高山峡谷相间,东部山坝交错,地形复杂多变。由于受南亚季风和东亚季风等多重复杂因素的影响,天气气候既独特又多样(秦剑等,1997),因此云南一直以来注重数值预报产品的使用和研究。最初应用的数值模式产品有欧洲数值预报(EC)、德国、日本、T213等全球数值预报产品,其产品分辨率大多在10 km以上。有研究者(张秀年等,2010;赵宁坤等,2015)曾对这些数值预报在云南地区的降水进行过检验,虽然得到一些有益的结论,但对于中小尺度天气系统表现欠佳。近些年由于计算机技术的提高,高分辨率区域模式的迅速发展弥补了这一缺陷。华东区域数值预报业务模式(SMS-WARMS)、华南中尺度模式(GRAPES-MARS)、中央气象台GRAPES-Meso模式的空间分辨率已经提高到9 km、5 km,甚至3 km,可以模拟或预报中小尺度天气系统的生消。但是,对于这些新引入的区域中尺度高时空分辨率数值模式,云南还从未开展过系统的检验,包括对各种模式预报产品的预报准确率、误差的时空分布特征等都没有相关结论,因此针对实际业务,全面、系统的检验几种高时空分辨率区域数值模式的预报性能和强降水天气过程的预报效果,不仅有助于进一步完善数值预报产品应用指标体系,增强预报员对数值模式产品的理解和驾驭能力,同时也为提高云南省精细化天气预报水平提供了技术支撑。
1 资料和方法华东区域数值预报业务模式(SMS-WARMS)、华南中尺度模式(GRAPES-MARS)、中央气象台GRAPES-Meso (以下分别称华东模式、华南模式、GRAPES模式) 这三种区域中尺度模式在云南省气象台投入业务应用的时间并不一致,可供开展检验评估的历史资料也长短不一。华南模式最早于2016年6月19日保存,分辨率为9 km×9 km;华东模式也于2016年7月1日保存,分辨率为9 km×9 km;而GRAPES模式则是在2017年9月5日才入库保存,分辨率为10 km×10 km。为公平起见,项目检验时间段统一取2017年9月5日至2018年12月31日共483 d;为更好的与业务应用相结合,检验内容取三种模式20时起报的24 h间隔3 d降水预报。由于高分辨率模式预报可以反映一些中小尺度天气系统形成的局地强降水,而县(市)气象观测站多数情况下难以反映这些局地强降水的发生,所以检验的实况选取观测较为密集的区域站数据(图 1),即云南全省3 064个区域站逐小时降水。图 1中各区域包含的站点数分别为滇东北343站、滇东南497站、滇西518站、滇西北301站、滇西南577站、滇中828站。在进行检验时,先采用双线性插值方法将三种模式的格点数据插值到3 064个区域站,然后与实况站点进行点对点检验。
对于相关性和误差的比较,本文引入用于模式评估的泰勒图分析方法(Taylor,2001)。通过泰勒图,可以直观的比较相关系数、均方根误差、预报相对于观测的标准差比值。降水检验方法参照中国气象局下发的《中短期天气预报质量检验办法》中累加降水量级检验方法,检验指标包含晴雨预报准确率、TS评分、空报率、漏报率、预报偏差。此外,文中还引用了去除随机事件后的公平TS评分(Equitable Threat Score,ETS)进行检验分析。
2 结果检验与分析 2.1 相关性和误差分析图 2为华东模式、华南模式、GRAPES模式24 h间隔降水预报的泰勒图。在这个极坐标图中,REF点为实况观测位置,有颜色的标注点为模式预报在泰勒图中位置。标注点到极点的长度(即极径)为预报场与观测场的标准差之比,其极角的余弦值就是预报场和观测场的相关系数;标注点到REF的长度为预报场和观测场中心化的均方根误差。因此越靠近参考点REF,则与观测资料的相关系数越高、中心化的均方根误差越小、标准差越接近,表示模式的预报能力就越高。从图中相关系数可以发现,三种模式相关系数差别并不大。华南模式在0.30~0.41之间,GRAPES模式在0.36~0.44之间,华东模式在0.27~0.43之间。GRAPES模式在24 h降水预报相关系数最高,而华东模式72 h降水预报相关系数最低。三种模式相关系数随预报时效增加,呈逐渐减小趋势。
从预报与观测的标准差比值来看,华南模式和GRAPES模式均大于1。其中华南模式在1.40~1.50之间,GRAPES模式在1.32~1.37之间,这表明模式预报降水的变化幅度较观测偏大。华东模式48 h和72 h的标准差比值小于1,24 h的标准差比值约等于1。这表明华东模式的48 h和72 h降水预报较观测振幅偏小,华东模式24 h降水预报变化幅度与实况观测到变化幅度基本一致。预报与观测的均方根误差显示,三种模式均方根误差(预报到REF的距离)均在1.0这条弧线外,但华东模式的均方根误差明显要小于华南模式、GRAPES模式。也就是说华东模式预报更接近于实况观测。
综合而言,华南模式和GRAPES模式华东模式24 h间隔降水预报的变化幅度较观测偏大,华东模式预报降水的振幅接近实况,均方根误差也相对较小。
2.2 晴雨预报检验分析从逐24 h的3 d晴雨预报检验来看(图 3),华东模式晴雨准确率明显要高于华南模式和GRAPES模式。在3个预报时效中,华东模式晴雨准确率均在0.67以上,48 h最高达到0.68;而华南模式和GRAPES模式晴雨准确率仅在0.55~0.59之间,均未超过0.6,两个模式在三个预报时效中晴雨准确率比较都接近,区别并不大。
为了进一步了解三种模式晴雨预报在空间上的差异,选取三种模式24 h晴雨预报准确率的空间分布进行比较和分析。从分布图(图 4)中可以看出,华南模式和GRAPES模式空间分布基本一致,在滇中及以东地区晴雨准确率大多在0.5~0.6之间,在滇西、滇西南、滇南边缘地区高于0.6,而在迪庆的北部则低于0.5。两者区别在于华南模式在滇中西部有成片的准确率高于0.6的区域,而GRAPES则表现的较为分散。华东模式的晴雨准确率则普遍在0.6以上,特别是在滇中、滇西南地区的晴雨准确率更是超过了0.7。由于其他2个时效与24 h晴雨准确率空间分布基本类似,在此就不再赘述。综上,华东模式24 h间隔晴雨预报明显优于华南模式和GRAPES模式,GRAPES模式晴雨预报效果最差。
对≥0.1 mm降水进行检验(图 5),结果显示3个预报时效华东模式TS评分均明显高于华南模式和GRAPES模式。华东模式在三个时效TS评分差别较小,均在0.50~0.51之间,48 h评分最高,24 h评分最低。GRAPES模式在所有预报时效中的TS评分均为最低,其TS评分在0.42~0.46之间。华南模式和GRAPES模式随预报时效增加,TS评分随之减小。空报率(FAR)显示华东模式的空报率最低,所有时效均低于0.45。而华南模式和GRAPES模式空报率均超过了0.50,且两者空报率值较为接近。漏报率(PO)显示华东模式在三个预报时效均为最高,而华南模式均为最低。从预报偏差(Bias)看,华东模式的预报偏差在三种模式所有预报时效中最小,其值在1.55左右;而华南模式预报偏差均为最高,最高达2.0 (72 h),这也表示华南模式预报有降水的次数明显高于实况出现降水次数。ETS评分显示华东模式在所有预报时效均高于华南模式和GRAPES模式,华南模式次之,GRAPES模式最低。
从24 h的≥0.1 mm降水TS评分空间分布(图 6)比较来看。三种模式对滇东北、滇中西部、滇西北北部≥0.1mm降水预报评分普遍较低(均高于0.4),对滇南、滇西南、滇西边缘地区的评分普遍较高(均高于0.5)。华南模式和GRAPES的TS评分空间分布区别较小,两者几乎一致。华东模式不同于两者之处在于普洱西部和西双版纳西部存在TS评分大于0.6的成片区域。
从≥10 mm降水检验结果(图 7)可以看出,3个预报时效华东模式TS评分均高于华南模式和GRAPES模式,GRAPES模式在48 h、72 h的TS评分均为最低。三种模式随预报时效增加,TS评分随之减小。空报率(FAR)显示华东模式的空报率略低于华南模式和GRAPES模式,华南模式在48 h空报率最高,GRAPES模式在24 h、72 h最高。漏报率(PO)显示三者在不同时效变化较大,GRAPES模式在48 h、72 h最高,而华南模式在24 h最高;华东模式在24 h漏报率最小,48 h、72 h则介于华南模式和GRAPES模式之间。从预报偏差(Bias)看,华东模式的预报偏差在24 h最大,48 h、72 h介于华南模式和GRAPES模式之间,而华南模式预报偏差在24 h最小,但在48 h、72 h为三者最大。ETS评分显示华东模式在所有预报时效均高于华南模式和GRAPES模式,华南模式次之,GRAPES模式最低。
从三种模式24 h≥10 mm降水的TS评分空间分布比较和分析(图 8)可以看出: 三种模式在滇东北北部、滇中西部、及滇西北北部地区TS评分普遍低于0.2,滇西南地区的评分普遍高于0.3。区别在于华东模式在滇中西部评分小于0.2的区域明显比华南模式和GRAPES模式小一些,同时在滇西南、滇西北西部评分大于0.3的区域也要比华南模式和GRAPES模式大一些。
≥25 mm降水检验结果显示(图 9),在所有预报时效中,华东模式TS评分最高,华南模式次之,GRAPE模式最低。华东模式在三个时效TS评分均在0.10以上,但GRAPES模式仅在24 h的TS评分在0.10以上。三种模式随预报时效增加,TS评分随之减小。
从空报率(FAR)来看,三种模式在24 h基本持平,但48 h、72 h华南模式最高,GRAPES模式最低;三种模式的空报率随预报时效增加逐渐增大。漏报率(PO) 显示华东模式在所有预报时效中漏报率最低,GRAPES模式最高,三种模式的漏报率也是随预报时效增加逐渐增大。从预报偏差(Bias)看,GRAPES模式的预报偏差在三种模式所有预报时效中最小,这明显是GRAPES模式漏报较多造成的;而华东模式、华南模式预报偏差均大于1.0,这就表明这两个模式空报情况较多。华东模式较高的TS评分,也是以较高空报为代价。ETS评分显示,华东模式所有预报时效的HSS评分明显高于华南模式和GRAPES模式,华南模式24 h的ETS评分高于GRAPES,而在48h、72h两个预报时效中GRAPES模式略高于华南模式。
从三种模式24 h ≥25 mm降水的TS评分空间分布比较和分析(图 10)可以看出:华南模式和华东模式的空间分布较为接近。两者在滇中以南、滇西及滇西北东部、滇中北部地区TS评分普遍在0.1以上,但在滇东北、滇西北北部、滇中西部地区TS评分普遍低于0.1;两者的差别在于在滇西北地区华东模式评分高于0.1的区域明显大于华南模式,并且华东模式在滇南边缘评分大于0.2的区域也有大于华南模式。而GRAPES模式在滇中TS评分小于0.1的区域明显大于华南模式和华东模式,并且滇西地区也没有TS评分大于0.2的区域。
≥50 mm降水检验结果(图 11)显示:华东模式在24 h、48 h的TS评分最高,GRAPES模式在72 h的TS评分最高,而华南模式在48 h、72 h的评分最低。
从空报率(FAR)来看,华南模式在三个预报时效空报率最高,华东模式次之,GRAPES模式空报率均为最低。漏报率(PO)显示GRAPES模式在所有预报时效中漏报率最高,华南模式次之,而华东模式漏报率最低。从预报偏差(Bias)看,GRAPES模式由于较多的漏报导致预报偏差在三种模式所有预报时效中普遍小于1.0。华东模式、华南模式空报情况较多以致预报偏差普遍都超过1.5,最高达到了3.0。而华东模式在24 h预报偏差最大,但在48 h、72 h华南模式的预报偏差最大。由此可见,华东模式、华南模式较高的TS评分很大程度上是多数空报来获得的。ETS评分显示,华东模式24 h、48 h的评分高于华南模式和GRAPES模式,但在72 h,GRAPES模式ETS评分最高。华南模式在48 h、72 h两个预报时效中ETS评分均为最低。
由于≥50 mm降水TS评分空间较为分散,所以在空间分布(图 12)中增加了0.05~0.1的区间。从三种模式24 h ≥50 mm降水的TS评分空间分布可以看出:华南模式和华东模式在滇东南、滇西南、滇西边缘及金沙江河谷沿线TS评分普遍大于0.05,相对而言华东模式在滇东南、滇西南评分大于0.05的区域略大于华南模式。GRAPES模式在滇西及滇西南TS评分大于0.05的区域明显少于华南模式和华东模式。这里需要说明是GRAPES在昭通、文山南部有评分大于0.1的区域,且面积还不小。通过回查数据发现造成这样的原因是由于这两个区域实况缺报严重,个别站点取得TS评分再插值就造成了大片区域有较高评分。
纵观三种模式对不同量级降水检验的空间分布,不难发现三种模式普遍都存在云南东部及东北部评分低、南部评分较高的共性。概因云南东部地区是中、低纬天气系统交汇的地区,冷锋、昆明静止锋活动频繁,模式对这些天气系统的预报效果普遍不好;而云南南部地区受影响的天气系统相对单一,模式预报效果相对较好。
2.4 强降水过程检验分析为了进一步了解华南模式、GRAPES模式和华东模式对云南强降水天气过程的预报效果,本节选取检验时段内云南省全省性强降水过程进行对比检验和分析。
在云南的业务规定中,24 h内全省有22站或以上的降雨量≥25.0 mm为一次全省性大雨过程,12站或以上的降水量≥50.0 mm为一次全省性暴雨过程。根据上述标准,2017年9月5日至2018年12月31日云南发生的9次强降水过程。
对9次云南强降水天气过程检验发现(表 1),对于≥0.1 mm降水,华南模式由于空报率和漏报率都较低,三个预报时效的TS评分都高于华东模式和GRAPES模式,而GRAPES模式空报率和漏报率较高导致其TS评分最低。对于≥10 mm降水,华东模式TS评分24 h、72 h都高于华南模式和GRAPES模式,48 h与华南模式并列第一;从空报率和漏报率看,华南模式和华东模式比较接近,但GRAPES模式明显偏高。对于≥25 mm降水,华东模式TS评分24 h时效TS评分最高,华南模式次之,GRAPES模式评分最低;48 h则是GRAPES模式评分最高,华东模式次之,华南模式最低。从空报率和漏报率看,华南模式和华东模式比较接近,但GRAPES模式明显偏高。对于≥50 mm降水,华东模式和华南模式24 h的TS评分并列第一,在48 h、72 h时效则是GRAPES模式TS评分最高,华东模式次之,华南模式评分最低;从空报率和漏报率看,GRAPES模式空报率较大,但漏报明显小于华南模式和华东模式。
综合来看,对于云南强降水天气过程,≥0.1 mm降水华南模式预报效果较好,但10 mm和25 mm以上量级降水华东模式的预报效果较好,≥50.0 mm则是GRAPES模式更具参考价值。
3 结论与讨论通过以上对华东、华南、GRAPES-Meso三种区域中尺度模式在云南2017年9月5日至2018年12月31日的降水预报检验,得到以下几点结论:
(1) 华东模式降水预报效果整体最好,其降水的振幅接近实况,晴雨准确率也是最高,而华南模式和GRAPES模式空报率和漏报率普遍偏高。
(2) 三种模式对滇东北、滇中西部、滇西北北部≥0.1 mm降水预报评分普遍较低,对滇南、滇西南、滇西边缘地区的评分普遍较高。在滇东北北部、滇中西部及滇西北北部三种模式对≥10 mm降水TS评分普遍较低。对于≥25 mm降水,华东模式和华南模式在滇中、滇西地区的TS评分高于GRAPES模式。对于≥ 50 mm降水,华东模式和华南模式在滇东南、滇西南、滇西边缘及金沙江河谷沿线TS评分高于GRAPES模式。
(3) 对于云南强降水天气过程,三种模式各有优劣。≥0.1mm降水华南模式预报效果较好,但10 mm和25 mm以上量级降水华东模式的预报效果较好,≥ 50.0 mm则是GRAPES模式更具参考价值。
由于文中收集到的模式资料时间较短,检验结果也不能够完全准确地反应各模式预报结果的准确性及误差;不同模式降水预报在云南地区预报效果各有差异,而对于哪些因素导致模式出现了这样的差异有待于进一步深入分析。
陈超君, 王东海, 李国平, 等. 2012. 冬季高海拔复杂地形下GRAPES_Meso要素预报的检验评估[J]. 气象, 38(6): 657-668. |
吕林宜, 王新敏, 栗晗. 2019. 华东区域模式对河南"7.19"特大暴雨的数值预报检验与分析[J]. 气象与环境科学, 42(1): 101-109. |
毛冬艳, 朱文剑, 樊利强, 等. 2014. GRAPES_MESO V3.3模式强天气预报性能的初步检验[J]. 气象, 40(12): 1429-1438. DOI:10.7519/j.issn.1000-0526.2014.12.001 |
秦剑, 琚建华, 解明恩. 1997. 低纬高原天气气候[M]. 北京: 气象出版社, 1-8.
|
孙婵, 徐国强. 2017. GRAPES_MESO中尺度模式在新疆沙漠地区的检验评估[J]. 气象科技, 45(4): 658-668. |
万子为, 刘鑫华. 2018. 华东地区弱天气背景下强对流过程的GRAPES_MESO模式模拟分析[J]. 气象科技, 46(2): 282-291. |
徐同, 李佳, 王晓峰, 等. 2011. 2010年汛期华东区域中尺度数值模式预报效果检验[J]. 大气科学研究与应用, (2): 10-23. |
于翡, 黄丽萍, 邓莲堂. 2018. GRAPES_MESO模式不同空间分辨率对中国夏季降水预报的影响分析[J]. 大气科学, 42(5): 1146-1156. |
张利红, 何光碧. 2014. GRAPES_Meso模式对2011年夏季青藏高原东部及周边区域的预报检验[J]. 高原气象, 33(1): 14-25. |
张秀年, 曹杰, 杨素雨. 2010. 云南2009年雨季T639、日本、德国3个数值模式的降水预报检验[J]. 云南地理环境研究, 22(6): 15-23. |
赵宁坤, 万石云, 杞明辉. 2015. 3种数值模式对云南地区雨季降水预报的检验[J]. 气象与环境学报, 31(5): 39-44. |
Gilleland E, Ahijevych D, Brown B G. 2009. Intercomparison of spatial forecast verification methods[J]. Weather and Forecasting, 24(5): 1416-1429. DOI:10.1175/2009WAF2222269.1 |
Lean H W, Clark P A, Dixon M, et al. 2008. Characteristics of high-resolution versions of the met office unified model for forecasting convection over the United Kingdom[J]. Monthly Weather Review, 136(9): 3408-3424. DOI:10.1175/2008MWR2332.1 |
Taylor K E. 2001. Summarizing multiple aspects of model performance in asingle diagram[J]. J Geophys Res, 106(D7): 7183-7192. |