期刊检索:
  暴雨灾害   2022, Vol. 41 Issue (2): 204-214.  DOI: 10.3969/j.issn.1004-9045.2022.02.011

论文

DOI

10.3969/j.issn.1004-9045.2022.02.011

资助项目

重庆市技术创新与应用发展专项重点项目(cstc9jscx-tjsbX0007); 重庆市气象局2022年青年基金项目(QNJJ-202204); 重庆市气象局业务技术攻关项目(YWJSGG-202114)

第一作者

胡婧婷,主要从事数值模式应用技术研究。E-mail: 544737435@qq.com.

通信作者

陈良吕,主要从事集合预报和资料同化研究。E-mail: chenllv214@163.com.

文章历史

收稿日期:2021-04-12
定稿日期:2021-07-22
对流尺度集合预报系统中地面要素释用产品的预报性能分析
胡婧婷1 , 陈良吕1 , 夏宇2,3     
1. 重庆市气象科学研究所,重庆 401147;
2. 北京城市气象研究院,北京 100089;
3. 天气在线气象应用研究所,无锡 214000
摘要:为了研究不同集合预报释用产品对重庆地区气温和降水预报的性能差异,基于重庆市气象局业务运行的对流尺度集合预报系统,对2020年全年的24 h累计降水和2 m气温的控制预报、集合平均预报和集合分位数预报及24 h累计降水的概率匹配平均预报等地面要素集合预报释用产品预报性能的差异及其时空分布特征进行了综合对比分析。结果表明:(1) 各集合预报释用产品对降水的预报性能随预报时效的增加而降低;当预报时效一致时,集合平均预报、概率匹配平均预报、60%及以上分位数产品对降水的预报皆优于控制预报,90%分位数对降水的预报能力优于其他分位数产品。(2) 在夏秋两季,各产品的预报结果差异较大,90%分位数预报、概率匹配平均预报和集合平均预报效果较好。(3) 控制预报、集合平均预报、概率匹配平均预报和90%分位数预报的SEEPS评分都呈现出川东一带较高、渝东北和渝东南较低的空间分布特征,说明预报能力可能与地形有一定关系。(4) 对于不同时效的气温预报,总体上看,集合平均预报效果最佳,集合分位数产品中70%分位数预报效果最佳。
关键词集合预报    检验评估    SEEPS方法    地面要素    
Research on the application of surface elements ensemble forecast products of a convective scale ensemble prediction system
HU Jingting1 , CHEN Lianglü1 , XIA Yu2,3     
1. Chongqing Institute of Meteorological Sciences, Chongqing 401147;
2. Institute of Urban Meteorology, CMA, Beijing 100089;
3. Weather Online Institute of Meteorological Applications, Wuxi 214000
Abstract: In order to study the performance differences of different ensemble forecast products for temperature and precipitation forecasts in Chongqing, based on the Chongqing Convective-scale Ensemble Prediction System (CQCEPS) which has been operationally implemented, a comprehensive comparison and analysis are carried out for the differences as well as temporal and spatial distribution characteristics in the forecast performance of ensemble forecast application products of surface elements such as the control forecast of 24 h cumulative precipitation and 2 m temperature, ensemble mean forecast and ensemble quantile forecast for the whole year of 2020, as well as the probability matched mean forecast of 24 h cumulative precipitation. The results show that (1) the precipitation prediction performance of each ensemble forecast product decreases with the increase of predicting lead time. When predicting lead time is consistent, ensemble mean forecast, probability matched mean forecast, and 60% and higher quantile forecasts are better than control forecast. The 90% quantile forecast is the best among quantile forecast products. (2) In summer and autumn, the forecast results of each product are quite different, and the 90% quantile forecast, probability matched mean forecast and ensemble mean forecast are better than others. (3) The SEEPS scores of control forecast, ensemble mean forecast, probability matched mean forecast and the 90% quantile forecast show higher accuracy in eastern Sichuan and poorer accuracy in the southeast and northeast of Chongqing, indicating that the prediction performance may have a certain relationship with the terrain. (4) For temperature forecasts with different lead times, overall, the ensemble mean forecast performs the best among all of the prediction products, and the 70% quantile forecast performs the best among all quantile products.
Key words: ensemble forecast    model verification    SEEPS method    surface elements    
引言

在数值天气预报中,由于大气的混沌特性,初始场的任何微小误差都会使得数值模式预报结果在积分一段时间后出现较大的差别,有时甚至会出现完全相反的结果并导致可预报性的丢失(Lorenz,1965Lorenz,1997丑纪范,2002)。为了解决单一的确定性预报中存在的不确定性问题,20世纪70年代,Leith (1974)在动力随机预报理论(Epstein,1969)的基础上提出了集合预报的思想,通过估计模式初值的误差分布获得“一组”初值的集合,然后对这“一组”不同的初值进行模式积分得到“一组”预报结果,由此推断所有可能的大气运动状态。自集合预报概念提出的半世纪以来,集合预报技术得到迅速的发展,如今,集合预报已成为日常天气预报业务中不可或缺的工具(杜钧,2002杜钧和陈静,2010杜钧和邓国,2010吴志鹏等,2014张宏芳等,2017梅钦等,2018庞玥等,2019王德立等,2020)。

为了给重庆地区灾害性天气预报预警提供更有力的支撑,在重庆市政府和财政部门的大力支持下,重庆市气象局自2017年7月起构建了一套本地对流尺度高分辨率(3 km)集合预报系统(Chongqing Convective-scale Ensemble Prediction System,CQCEPS)(陈良吕等,2017),该系统基于WRF模式建立,采用27—9—3 km三重嵌套网格,每天运行两次(08时和20时) (北京时,下同),提供包含11个成员的96 h集合预报。该系统自业务运行以来,相对于单一的确定性预报而言,为重庆地区的预报员提供了更多有用的参考,特别是地面气象要素(降水和2 m气温)预报。陈良吕等(2017)对CQCEPS的总体预报性能进行了检验评估和综合分析,结果显示,就24 h累计降水预报而言,在各预报时效下,Talagrand分布除0—24 h呈现较明显的“U型”分布外,其余时效较平整,说明降水预报离散度较为可观;Outlier评分随时效增加而降低,最高0.31,最低0.20,说明总体而言69%~80%以上的降水实况能够落在由集合成员组成的概率区间中,整体而言较为可观;另外,在各预报时效下,各个降水量级概率预报的相对作用特征技巧评分均大于无技巧值0.5,说明系统提供的降水概率预报总体合理可信。就2 m温度预报而言,在各预报时效下,集合离散度明显低于集合平均预报的均方根误差,这是集合预报系统中普遍存在的问题。逐12 h预报Talagrand分布呈现明显的“U型”分布,逐3 h预报的Outlier评分随时效的增加波动下降,最高0.67,最低0.33,说明该系统的2 m温度存在着较为明显的系统性偏差。

目前国内的天气预报业务主要是发布确定性预报产品,因此,在实际应用中,预报员往往更倾向于使用由集合预报产品经过统计释用后得到的确定性预报产品(如集合平均预报、集合分位数预报和概率匹配平均预报等),集合离散度及概率预报等产品则多用于协助预报员增强预报信心以及了解所有可能出现的天气状况。陈良吕等(2017)已对重庆市气象局业务运行的对流尺度集合预报系统(Chongqing Meteorological Bureau Convective-scale Ensemble Prediction System, 以下简称CQCEPS)的降水和2 m气温的集合平均预报产品以及降水的概率匹配平均预报产品等进行了详细的评估和分析,但尚未开展对这些地面要素集合分位数预报产品的研究和分析。在实际业务应用中,据预报员反映,在一些天气过程中,部分集合分位数产品表现出了良好的预报效果,有时甚至优于集合平均预报和概率平均预报等集合释用产品。因此,有必要针对集合分位数预报产品开展研究,不同集合分位数产品的总体预报性能差异如何?是否存在明显的季节性差异?各个要素是否存在统计意义上的最优集合分位数?是否相对于控制预报、集合平均预报和概率匹配平均预报有一定的优势?这些问题都值得进一步探讨。

综上所述,本文将对重庆市气象局业务运行的对流尺度集合预报系统2020年全年的24 h累计降水及2 m气温的集合分位数产品进行检验评估,综合分析不同分位数产品的年、月平均预报性能的特征和空间分布特征,并与控制预报、集合平均预报以及概率匹配平均预报(仅针对降水)等集合预报释用产品的预报性能进行对比,希望以此能较全面地了解几种常用的地面要素集合预报释用产品预报性能的差异及其时空分布特征,同时也为重庆地区的预报员合理使用集合预报释用产品提供参考。

1 模式和资料简介

本文使用的CQCEPS采用了WRF (the Weather Research Forecasting Model)-ARW (Advanced Research WRF) 模式(V3.3.1),每日08时和20时各启动一次。模式为三重嵌套网格(图 1),水平分辨率分别为27 km,9 km和3 km,垂直方向为51层,预报时效为96 h。模式最外层区域覆盖了中国及周边地区,最内层区域以重庆为中心,覆盖了重庆及周边省份的部分地区,本文所有分析及统计检验均基于最内层区域。

图 1 重庆市气象局业务运行的对流尺度集合预报系统各嵌套区域预报范围 Fig. 1 Forecast domain of each nested area in CQCEPS.

CQCEPS连同控制预报共计11个集合成员,其中,控制预报的初值和侧边界条件通过美国国家大气研究中心(NCEP) 0.5°×0.5°分辨率的GFS (Global Forecast System)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条件则通过NCEP 1°× 1°分辨率的GEFS (Global Ensemble Forecast System)分析初值和预报资料获得,每6 h更新一次侧边界条件。通过多物理过程组合的方式实现对不同集合成员模式物理过程的扰动,不同集合预报成员所采用的初值、侧边界条件以及物理过程参数化方案组合如表 1所示(最内层3 km区域不使用积云对流参数化方案)。

表 1 重庆市气象局业务运行的对流尺度集合预报系统控制预报(m00)与集合成员(m01~m10)的扰动方案 Table 1 Perturbation schemes for the control forecast (m00) and ensemble member (m01~m10) in CQCEPS.

本文主要对24 h累计降水和2 m气温的集合预报释用产品进行检验评估和综合对比分析。对于降水预报,利用如图 2所示的重庆及周边地区的119个国家基本观测站1984—2013年共计30年的逐日观测资料统计降水气候概率,并利用上述站点的实际观测数据对CQCEPS每日20时起报的2020年全年0—24 h、24—48 h、48—72 h和72—96 h的累计降水数据进行检验评估;对于2 m气温预报,则通过计算上述站点2020年全年每日20时起报逐3 h预报结果较实际观测数据的均方根误差(root mean square error,RMSE)进行综合分析。

图 2 检验区域站点分布(黑色圆点所示) Fig. 2 Station distribution in the verification domain(showed by black dots).
2 集合预报释用产品及检验方法简介 2.1 集合预报释用产品简介

本文主要对24 h累计降水和2 m气温的控制预报、集合平均预报和集合分位数预报产品及24 h累计降水的概率匹配平均预报产品进行检验评估和综合对比分析。下面将对集合平均预报、概率匹配平均预报和集合分位数预报产品的概念进行简要介绍。

集合平均预报产品通过直接计算所有集合成员的算术平均值得出,它将集合成员的预报信息进行了平滑和过滤,把成员中可预报性较低的成分过滤掉而留下各成员共有信息,因而其预报性能通常优于控制预报。然而,集合平均预报对成员的平滑作用可能导致预报结果对极端降水不敏感。Du等(1997)曾在研究中指出,简单的集合平均不适合于降水预报。

在假定集合平均对降水落区预报更准确,而集合成员对降水量级预报更优的情况下,Ebert (2001)提出了概率匹配平均的方法对集合平均预报进行订正,订正后的产品即为概率匹配平均预报。这种方法将所有N个格点的平均值与N×M个集合成员预报(M表示集合成员个数)分别排序后用概率密度函数(probability density function,PDF)进行匹配,最后在每一格点上,将集合平均预报值修订为排序对应的M个集合成员预报值的平均。因此,概率匹配平均预报既保持了集合平均预报准确预报落区的优点,又结合了各成员准确预报量级的优点(苏翔和袁慧玲,2020)。

集合分位数预报产品是一种常用且简单的统计量产品,它原理与集合平均类似。在集合分位数中,P%分位数值即第P百分位数,它对应的数值使得至少有P% 的集合成员小于或等于这一值,且至少有(100-P) %的成员大于这一值(李武阶等,2018陈圣劼等,2019)。在本文中,最小值即10%分位数,最大值即为100%分位数。本文计算了最小值、20%分位数、30%分位数、40% 分位数、50%分位数、60%分位数、70%分位数、80%分位数、90%分位数和最大值这10种分位数产品。

2.2 检验方法

本文采用概率空间中的稳定公平误差评分(stable equitable error in probability space,SEEPS)对24 h累计降水进行检验。SEEPS (Rodwell et al., 2010陈法敬和陈静,2015陈良吕等,2019a)评分方法是世界气象组织推荐的一种确定性降水预报检验方法,近年来在国内外得到了广泛应用,中国气象局数值预报中心将其作为中国气象局各个业务区域模式统一检验的一个重要参考指标。SEEPS相较于其他降水误差评分方法具有以下三大优势:首先,它的分类标准基于降水气候概率,因此能克服传统二分类检验法中降水分类受气候特征影响较大的问题;第二,它是一种单一检验评分,可直接得出降水预报的整体预报能力优劣,克服了其他评分法中须对不同量级评分进行综合分析的缺点,能更加方便和直观地说明预报效果;第三,在计算区域平均评分时,它通过对站点密度进行加权,为站点密度高的区域赋予更小权重、站点密度低的地区赋予更大权重,使对某区域内降水预报的整体预报能力的判断更加客观。

一般计算SEEPS误差评分分为五个步骤,前四步是单一站点SEEPS误差评分的计算,最后一步是区域平均SEEPS的计算。第一步是将站点降水进行分类:根据站点的气候特征,SEEPS在概率空间中划分降水为“干”、“较小量级降水”和“较大量级降水”三类,并规定“较小量级降水”概率为“较大量级降水”的两倍,同时根据世界气象组织发布的《气象仪器和观测方法指导》,将“干”定义为24 h累计降水≤0.2 mm。故一旦确定了“干”的气候概率,便能确定“较小量级降水”和“较大量级降水”的概率及其阈值。在本研究中,各站点同个月份的每一预报日均采用了相同的气候概率和阈值,图 3表示1—12月的各月“较大量级降水”阈值的空间分布,降水阈值能反映该月降水量情况,阈值越大,则月降水量越大。在图 3中,从时间上看,上半年“较大量级降水”的阈值逐渐增大,下半年则反之,总体上变化显著;从空间上看,降水阈值东部大,西部小,总体上变化不大。

图 3 1—12月逐月“较大量级降水”阈值分布(单位: mm) Fig. 3 Threshold distribution of "larger precipitation" from January to December.

第二步则根据第一步中的降水分类,计算得出降水观测和预报的3×3的列联表(表 2),表 2Pij表示预报为第i类、降水观测为第j类的概率。若预报是“完美”的,则列联表中的对角线元素之和为1,非对角线元素均为0。第三步,根据“干”的概率,唯一确定出一个3×3矩阵,即误差评分矩阵{Sfv},代表了不同降水气候概率下,SEEPS误差评分对概率空间中不同预报误差的“惩罚”。第四步,通过计算上述列联表所对应的矩阵和误差评分矩阵的标量积得出单一站点SEEPS评分结果。最后,根据站点密度分布,对不同站点赋予一定权重,即可计算出区域平均的SEEPS检验评分。

表 2 SEEPS方法降水分类预报与观测的3×3列联表 Table 2 The 3×3 contingency table of precipitation classification forecast and observation by SEEPS.

以降水分类“干”的概率P1表达的SEEPS误差评分矩阵如下

$ S_{f v}=\frac{1}{2}\left|\begin{array}{ccc} 0 & \frac{1}{1-p_{1}} & \frac{4}{1-p_{1}} \\ \frac{1}{p_{1}} & 0 & \frac{3}{1-p_{1}} \\ \frac{1}{p_{1}}+\frac{3}{2+p_{1}} & \frac{3}{2+p_{1}} & 0 \end{array}\right| $

上述度量概率空间中预报误差大小的SEEPS是一种误差评分,值域期望为[0,1],1代表无技巧预报,0代表“完美预报”。在实际应用中通常使用与之相应的SEEPS技巧评分,即(1-SEEPS),其值域期望为[0,1],0代表无技巧预报,1代表“完美预报”。

3 检验结果分析 3.1 降水预报结果分析

图 4为各集合预报释用产品2020年全年区域平均的SEEPS技巧评分。总体而言,该技巧评分随预报时效的增加而减小。在各个预报时效,分位数产品的全年区域平均SEEPS技巧评分都呈现出先增大后减小的特征,且集合平均预报、概率匹配平均预报、60 % 及以上分位数预报的评分皆大于控制预报。

图 4 各集合预报释用产品2020年全年区域平均的SEEPS技巧评分: (a) 0—24 h累计降水; (b) 24—48 h累计降水; (c) 48—72 h累计降水; (d) 72—96 h累计降水 Fig. 4 Annual area-mean SEEPS skill score for each ensemble forecast product in 2020, accumulated precipitation with leads time of (a) 0-24 h, (b) 24-48 h, (c) 48-72 h, and (d)72-96 h.

在0—24 h累计降水预报中,70 %以上的分位数预报性能优于集合平均和概率匹配平均预报。90 % 分位数的全年区域平均SEEPS技巧评分最高,为0.586,显著高于集合平均和概率匹配预报,后二者评分分别为0.558和0.562;对于24—48 h累计降水预报,所有预报产品中80 %分位数预报的评分最高,为0.517,概率匹配平均预报和90 %分位数预报次之,但差别不大,分别为0.516和0.515,集合平均预报产品评分低于前三者,仅为0.503;在48—72 h累计降水预报中,90 %分位数产品的评分最高,为0.44,80 %分位数产品次之,为0.436,再次之分别为概率匹配平均预报和集合平均预报,分别为0.432和0.431;从72—96 h累计降水预报中可见,80 %及以上的分位数产品的评分皆大于集合平均预报和概率匹配平均预报,其中90 % 分位数预报评分最高,为0.4,集合平均预报评分稍高于概率匹配平均预报,后二者评分分别为0.377和0.36。

图 5为各集合预报释用产品2020年逐月区域平均的SEEPS技巧评分,从图 5中可看出,各释用产品评分总体上呈波状分布,有显著的季节变化,在3月、7月和9月出现了技巧评分极小值,分别与重庆地区春季连阴雨、汛期降水和华西秋雨这三个主要降水期相对应,曲线具有显著的西南地区东部气候特色。在这三个时期,尤其是汛期和华西秋雨期,累计降水量较大且由强对流系统引起的降水过程较多,从而导致SEEPS技巧评分曲线上“波谷”的出现。

图 5 各集合预报释用产品2020年逐月区域平均的SEEPS技巧评分 (a) 0—24 h累计降水; (b) 24—48 h累计降水; (c) 48—72 h累计降水; (d) 72—96 h累计降水 Fig. 5 Monthly area-mean SEEPS skill score for each ensemble forecast product in 2020, accumulated precipitation with leads time of (a) 0-24 h, (b)24-48 h, (c)48-72 h, and (d) 72-96 h.

通过对不同产品的比较可看出冬末和春季(2—5月)各释用产品评分差异较小,夏秋两季(6—11月)差异显著;对于0—24 h累计降水预报,春末夏初(4—7月),各产品评分均逐月减小,秋季(9—11月),各产品评分均逐渐增大。6月80 %分位数预报评分最高,90 %分位数次之,7月90 %分位数产品的评分最高,最大值预报次之;对于24—48 h累计降水预报和48—72 h累计降水预报,春末夏初(4—7月),各产品评分呈减小趋势,夏末秋初(8、9月),各产品评分波动较大,8月概率匹配平均预报评分最高,9月集合平均预报评分最高;对于72—96 h累计降水预报,从6月到9月,最大值、90 %分位数和集合平均预报评分较高。综上所述,在重庆的夏季和秋季,90 %分位数、集合平均和概率匹配平均预报的区域平均SEEPS技巧评分高于其他产品。这段时期中小尺度天气系统的频繁活动带来较多不稳定性降水,分位数产品、概率匹配平均等集合预报释用产品的优势得以凸显。

由全年区域平均SEEPS (图 4)和逐月区域平均SEEPS (图 5)可见,在分位数产品中,90 %分位数预报效果最佳。因此,本文在图 6中绘制了重庆2020年全年单站SEEPS技巧评分空间分布图,由此对控制预报、集合平均预报、概率匹配平均预报和90 %分位数预报的空间分布特征进行对比分析。

图 6 各集合预报释用产品2020年全年单站SEEPS技巧评分空间分布 (a1)—(a4)分别表示控制预报0—24 h、24—48 h、48—72 h、72—96 h累计降水,(b1)—(b4)、(c1)—(c4)、(d1)—(d4)与(a1)—(a4)表示的时效相同,但分别表示集合平均、概率匹配平均和90 %分位数的24 h累计降水 Fig. 6 Distribution of SEEPS skill score for each ensemble forecast product in 2020, the accumulated precipitation of control forecast with leads time of (a1) 0-24 h, (a2) 24-48 h, (a3) 48-72 h, and (a4) 72-96 h, respectively. (b1)-(b4), (c1)-(c4), and (d1)-(d4) indicate the same leads time as (a1)-(a4), but respectively indicate the ensemble mean, probability matched mean and the 90% quantile of 24 h accumulated precipitation.

图 6中可看出,除个别时效的集合预报释用产品外,各集合预报释用产品在四川盆地东部及其邻近的重庆中西部偏西地区存在SEEPS技巧评分大值区,这与图 7中地形平坦的“川东平原”有一定的对应关系,评分低值区则主要位于渝东北和重庆南部,这与图 7中地形起伏较大地区有一定对应关系。渝东北附近分布有大巴山和巫山山脉,高度最高达2 500 m以上,并且梯度较大,地形复杂,在图 6中该地区SEEPS评分较低,并且随山脉走向呈一条向西北延伸的舌状区域。图 7中重庆南部东北-西南向的等高线分别表示了贵州和两湖地区分别伸入重庆的大娄山山脉和武陵山脉,图 6中该区域附近SEEPS评分等值线与等高线走向较类似,因此可以看出集合预报模式降水预报的性能可能与地形的复杂程度有一定对应关系(陈良吕等,2019b)。对于0—24 h累计降水预报,90 %分位数产品的评分高值区范围更广、控制预报高值区范围最小;对于24—48 h累计降水预报,90 %分位数产品的高值区位于重庆北部,区别于其他集合预报释用产品的高值区位于重庆西北部和四川东南部地区,概率匹配平均预报的评分高值区范围略大于集合平均预报;对于48—72 h和72—96 h累计降水预报,集合平均预报的评分更高,90 %分位数预报次之,控制预报评分最低。总体而言,90 %分位数预报的降水预报评分最高,说明其预报性能最佳;控制预报的预报性能最差;集合平均和概率匹配预报性能相当,介于90 %分位数预报和控制预报之间,且对于较长的预报时效来说,集合平均预报的总体预报能力较好。

图 7 重庆及周边地区地形高度分布(单位:m) Fig. 7 Distribution of terrain height (unit: m) in Chongqing and surrounding areas.

为了更加直观的比较几种集合预报释用产品的降水预报性能,本文选取了2020年7月17日—18日的强降水过程,从降水强度和降水落区两方面对预报产品的预报效果进行对比分析。此次过程受低涡切变影响,重庆多地出现大雨到暴雨。图 8为2020年7月17日20时—7月18日20时的24 h累计降水实况,及2020年7月17日20时起报的控制预报、集合平均、概率匹配平均和90 %分位数的0—24 h累计降水预报。由图 8a中实况降水可看出,重庆东北部存在一个强降水区,中心的最大降水强度大于100 mm,同时在渝东南附近存在一条湖北西-贵州北向的大雨雨带,雨带中多地出现暴雨,且在湖南湖北和贵州境内分别存在降水量大于100 mm的强降水中心。在图 8b中,渝东北大部分为小雨天气,存在一条中雨雨带,雨带西端为降水大值区,位于重庆市梁平县与四川达州大竹县附近。可见控制预报对东北部的降水强度有较大低估,同时降水大值区范围远小于实况,位置较实况偏西、偏南。而实况降水中,渝东南的大雨雨带在图 8b中呈斑块化割裂分布。在图 8c的集合平均预报中,重庆偏东大部分地区有中雨以上量级降水,但在渝东北对大雨以上量级降水区有所漏报,这可能是因为集合平均预报的平滑作用高估了降水低值区的范围同时低估了降水大值区范围。图 8d中概率匹配平均预报的降水特征与图 8c类似,但相较于图 8c,对于降水大值区的预报更加敏感,较准确地预报出了湖北湖南交界处的大暴雨区。图 8e中90 %分位数预报能预报出渝东北多地的大到暴雨,渝东南附近的大雨雨带与湖北和贵州境内的大暴雨区,与实况也较为吻合。可以看出,虽然90 %分位数对于中雨以上地区较实况有所高估,但对强降水的预报效果较好。

图 8 2020年7月17日20时—7月18日20时降水个例分析:(a)实况0—24 h累计降水; (b)控制预报0—24 h累计降水; (c)集合平均预报0—24 h累计降水; (d)概率匹配平均预报0—24 h累计降水; (e) 90%分位数预报0—24 h累计降水 Fig. 8 Case analysis of 2000 LST 17 Jul to 2000 LST 18 Jul in 2020, 24h accumulated precipitation of (a) observation, (b) control forecast, (c) ensemble mean forecast, (d) probability matched mean forecast, and (e) the 90% quantile forecast with lead time of 0-24 h.

从此个例结果可看出,SEEPS评分主要强调模式总体性能的比较,这也是本文使用SEEPS这一单一检验评分的初衷。现有的许多评分都是对降水分量级进行评分,无法给出一个总体上对模式性能的定量结论,比如传统评分在考虑不同量级降水时,可能结论相悖;而考虑同一量级降水的不同评分时,也可能结果相悖。而SEEPS评分出给的是整体的预报能力的差异,对于模式对降水的总体性能更加一目了然。SEEPS评分的另一个优点是它利用了气候概率对降水进行分级,因此更利于我们评估模式性能的时空变化。在时间上,对于月际、年际等较长时间预报的表现,若使用传统的评分,因冬季常没有“暴雨”等级降水,因此若想评估模式对于较强降水的预报性能在时空上的变化,在传统评分中难以实现。在空间上,如果评估区域间气候差别较大,针对拟评估的某一量级降水而言,可能评估区域的部分地区并未出现这一量级降水,因此也无法得出模式性能的空间变化的结论。SEEPS评分则可以解决上述问题,得到从总体上对模式的预报性能进行客观判别的指标,更加利于我们对不同模式的性能进行比较。

3.2 气温预报结果分析

图 9图 10分别为各集合预报释用产品2020年全年平均RMSE和各月平均RMSE,各产品的起报时刻为20时,每3 h输出一次预报结果。为了分析方便,在图中皆略去了20 %分位数、40 %分位数、60 %分位数和80 %分位数产品的RMSE曲线。

图 9 各集合预报释用产品2020年全年平均气温RMSE Fig. 9 Annual mean RMSE of temperature of each ensemble forecast product in 2020.

图 10 各集合预报释用产品2020年各月平均气温RMSE:(a)1月; (b) 2月; (c) 3月; (d) 4月; (e) 5月; (f) 6月; (g) 7月; (h) 8月; (i) 9月; (j) 10月; (k) 11月; (l) 12月 Fig. 10 Monthly mean RMSE of temperature of each ensemble forecast product in 2020 of (a) Jan., (b) Feb., (c) Mar., (d) Apr., (e) May, (f) Jun., (g) Jul., (h) Aug., (i) Sep., (j) Oct., (k) Nov., and (l) Dec.

图 9可看出,随着预报时效的增加,各产品RMSE缓慢增加,而且波形呈周期性振荡,可见产品预报性能有显著的日变化规律。总体而言,所有产品在夜间的误差较小,日间误差较大,曲线波峰位于14—17时左右,波谷位于23时到次日5时间,说明各产品对于夜间低温的预报优于对日间高温的预报。在起报之初(预报时效为12小时内),70 %及以上分位数产品的预报性能依次优于控制预报、集合平均预报、低分位数产品,说明集合成员对气温的预报总体而言存在一定程度的低估,预报值较实况偏冷。当预报时效较长时,集合预报的误差始终保持在最低水平,这可能得益于集合预报释用产品能过滤和平滑各成员预报中偶然误差;在分位数产品中,50 %和70 %分位数产品始终能保持不高于控制预报的误差水平,凌晨70 %分位数略优于50 %分位数,下午则相反。

图 10可看出各月平均的气温RMSE在春夏(3—9月)误差较大,在秋冬(10—次年2月)误差较小。集合平均预报在所有月份中误差几乎都显著低于其他产品。在所有分位数产品中,对于日间(08—20时)的气温预报,除8月外的所有月份在30 %、50 %和70 %分位数水平的产品优于控制预报;在8月,50 %及以上分位数水平的产品优于控制预报,且基本满足分位数水平越高的产品误差越小的规律,说明集合预报对于极端高温预报较实况偏冷。对于夜间(20时—次日08时)的气温预报,在1—6月,50 %、70 %分位数产品误差较小,在7—12月,70 %、90 %和最大值等高分位数产品误差较小。

4 结论和讨论

本文对重庆市气象局业务运行的对流尺度集合预报系统2020年24 h累计降水和2 m气温的控制预报、集合平均预报和集合分位数预报产品及24 h累计降水的概率匹配平均预报等地面要素集合释用产品预报性能的差异及其时空分布特征进行了综合对比分析。主要结论如下:

(1) 在所有预报时效下,集合平均预报、概率匹配平均预报、60 %及以上分位数对降水的预报能力皆显著优于控制预报。在分位数预报产品中,随着分位数的增大,降水预报能力先提高后降低。在分位数预报产品中,90 %分位数对降水的预报能力最好,90 %分位数预报在0—24 h、48—72 h和72—96 h累计降水预报中SEEPS技巧评分皆为最高,在24—48 h累计降水预报中略微低于80 %分位数预报。

(2) 在0—24 h累计降水预报中,90 %分位数预报评分为0.586,相较于概率匹配平均预报的0.562和集合平均预报的0.558优势较明显;对于24—48 h累计降水预报,概率匹配平均预报效果最好,其评分为0.516,略微高于90%分位数预报的0.515,集合平均预报评分仅为0.503;在48—72 h和72—96 h累计降水预报中,90%分位数效果皆为最佳,其评分分别为0.44、0.4,而集合平均预报分别为0.431、0.377,概率匹配平均预报分别为0.432、0.36。

(3) 各释用产品的SEEPS技巧评分在冬末和春季(2—5月)差异较小,夏秋两季(6—11月)差异较大。在夏季和秋季,90%分位数预报、集合平均预报和概率匹配平均预报效果较其他集合预报释用产品更佳。

(4) 各释用产品在川东平原附近预报能力较好,在地形复杂的重庆东北、东南部表现较差。集合平均、概率匹配平均和90%分位数预报皆显著优于控制预报。在预报时效较短时,90%分位数预报的评分大值区范围明显更广,优于集合平均和概率匹配平均;当预报时效较长时,集合平均预报的预报能力较好。

(5) 在0—24 h的预报时效下,对于中雨以上量级的降水来说,集合平均预报、概率匹配平均预报和90%分位数预报效果皆优于控制预报。对于较强降水的预报,概率匹配平均预报比集合平均预报更加敏感,90%分位数预报较其他预报产品对落区和强度的预测最为合理。

(6) 对于气温预报来说,各产品的误差在春夏大、秋冬小,日间大、夜间小。集合平均预报产品几乎始终保持着最小的预报误差,始终优于集合分位数预报,集合分位数产品中70%分位数效果最佳。

总体而言,对于不同时效的降水预报来说,高分位数产品的效果有比较好的参考价值,90%分位数预报效果最佳,集合平均预报和概率匹配平均均显著优于控制预报。在短时强降水的预报中,90%分位数预报的优势能进一步凸显。对于不同时效的气温预报来说,集合平均预报的总体效果最佳,集合分位数产品中70%分位数预报效果最佳。

本文基于SEEPS技巧评分对各种集合预报释用产品的降水预报性能进行了检验评估和综合对比分析,SEEPS评分方法是一种降水预报综合性能的评价指标,因此本文结论也都是针对各个产品的总体预报降水预报性能。由于篇幅有限,几种集合预报释用产品对不同量级降水预报性能的差异及其时空分布特征有待今后进一步研究。另外,目前集合预报系统集合成员较少,2 m温度等地面要素预报存在较为明显的集合离散度,未来将在优化集合预报扰动方案、开展集合预报系统性偏差订正及集合离散度订正以及在计算机资源允许的前提下增加集合成员个数等方面开展工作,以进一步提高该系统的集合预报技巧。

参考文献
陈法敬, 陈静. 2015. "SEEPS"降水预报检验评分方法在我国降水预报中的应用试验[J]. 气象科技进展, 5(05): 6-13.
陈良吕, 陈法敬, 夏宇. 2019a. 基于SEEPS方法的重庆地区降水数值预报性能分析[J]. 西南大学学报(自然科学版), 41(7): 116-124.
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
陈良吕, 吴钲, 高松. 2019b. 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): 649-657.
陈圣劼, 刘梅, 张涵斌, 等. 2019. 集合预报产品在江苏省暴雨预报中的应用评估[J]. 气象, 45(7): 893-907.
丑纪范. 2002. 大气科学中的非线性和复杂性[M]. 北京: 气象出版社.
杜钧. 2002. 集合预报的现状和前景[J]. 应用气象学报, 13(1): 16-28. DOI:10.3969/j.issn.1001-7313.2002.01.002
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, 邓国. 2010. 单一值预报向概率预报转变的价值: 谈谈概率预报的检验和应用[J]. 气象, 36(12): 10-18. DOI:10.7519/j.issn.1000-0526.2010.12.002
李武阶, 车钦, 姜杰, 等. 2018. "集合统计量集成法"在湖北短期暴雨预报中的应用研究[J]. 暴雨灾害, 37(5): 455-461. DOI:10.3969/j.issn.1004-9045.2018.05.008
Lorenz E N. 1997. 混沌的本质[M]. 刘式达, 刘式适, 严中伟译. 北京: 气象出版社
梅钦, 智协飞, 王佳. 2018. WRF模式不同云参数化方案的暴雨预报能力检验及集成试验[J]. 大气科学学报, 41(6): 731-742.
庞玥, 王欢, 夏蘩, 等. 2019. ECMWF集合预报统计量产品在重庆降水预报中的检验与分析[J]. 沙漠与绿洲气象, 13(3): 1-7.
苏翔, 袁慧玲. 2020. 集合预报统计学后处理技术研究进展[J]. 气象科技进展, 10(02): 30-41. DOI:10.3969/j.issn.2095-1973.2020.02.005
王德立, 黄辉军, 陈训来, 等. 2020. 深圳对流尺度集合预报系统对台风降水预报的检验评估[J]. 热带气象学报, 36(6): 759-771.
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
张宏芳, 潘留杰, 卢珊, 等. 2017. ECMWF集合预报系统对秦岭周边地区降水确定性预报的性能分析[J]. 气候与环境研究, 22(5): 551-562.
Du J, Mullen S L, Sanders F. 1997. Short-range ensemble forecasting of quantitative precipitation[J]. Mon Wea Rev, 125: 2427-2459. DOI:10.1175/1520-0493(1997)125<2427:SREFOQ>2.0.CO;2
Ebert E E. 2001. Ability of a poor man's ensemble to predict the probability and distribution of precipitation[J]. Mon Wea Rev, 129: 2461-2479. DOI:10.1175/1520-0493(2001)129<2461:AOAPMS>2.0.CO;2
Epstein E S. 1969. Stochastic dynamic prediction[J]. Tellus, 21(6): 739-759. DOI:10.3402/tellusa.v21i6.10143
Leith C E. 1974. Theoretical skill of Monte Carlo forecasts[J]. Mon Wea Rev, 102: 409-418. DOI:10.1175/1520-0493(1974)102<0409:TSOMCF>2.0.CO;2
Lorenz E N. 1965. A study of the predictability of a 28-variable atmospheric model[J]. Tellus, 17: 321-333.
Rodwell M J, Richardson D S, Hewson T D, et al. 2010. A new equitable score suitable for verifying precipitation in numerical weather prediction[J]. Quart J Roy Meteor Soc, 136: 1344-1363. DOI:10.1002/qj.656