2018, Vol. 76
中国气象学会主办。
文章信息
- 刘琳, 陈静, 汪娇阳. 2018.
- LIU Lin, CHEN Jing, WANG Jiaoyang. 2018.
- 基于T639集合预报的持续性强降水中期客观预报技术研究
- A study on medium-range objective weather forecast technology for persistent heavy rainfall events based on T639 ensemble forecast
- 气象学报, 76(2): 228-240.
- Acta Meteorologica Sinica, 76(2): 228-240.
- http://dx.doi.org/10.11676/qxxb2018.002
-
文章历史
- 2017-04-28 收稿
- 2017-11-07 改回
2. 中国气象局数值预报中心, 北京, 100081;
3. 中国人民解放军96164部队58分队, 金华, 321021
2. Numerical Weather Prediction Center, CMA, Beijing 100081, China;
3. Unit 96164, PLA, Jinhua 321021, China
持续性强降水事件(Persistent Heavy Rainfall Events, PHREs)是由一系列连续的强降水事件组成, 是影响范围大、影响程度严重的灾害性气象事件。特别是由持续性强降水引发的城市积水、洪涝和泥石流等次生灾害日趋严重给人民的生命财产安全造成了极大的危害。大量学者研究表明, 近30年来美国(Kunkel, et al, 2013)、中国东部、印度、马来西亚、菲律宾、韩国等地区(Duan, et al, 2015)的持续性强降水事件都呈现增长趋势(孙建华等, 2016)。因此, 对持续性强降水事件的发生、发展机理和预报方法的研究是气象领域面临的重大挑战。持续性强降水事件的发生、发展机理异常复杂, 大气的遥相关(陶诗言等, 2004; Kucharski, et al, 2010; Wu, et al, 2013)、阻塞高压等稳定的天气系统(Barriopedro, et al, 2011)、大尺度环流异常(Guan, et al, 2011)、多尺度相互作用(Li, et al, 2015)、复杂下垫面强迫和海-陆气相互作用(李雪松等, 2014)等均可能造成持续性天气异常的发生。
目前, 对持续性强降水事件的研究多集中于机理和短期气候预测, 而对这类高影响天气的1—2周预测缺乏有效的预报理论和方法, 对持续性强降水事件的预报、预测能力仍然满足不了政府与公众的需求。欧洲中期天气预报中心(ECMWF)预报时效约为10 d, 中国天气预报的能力已接近8 d。中国各区域中心发展的中尺度暴雨数值预报模式系统, 对3 d以内强降水过程的预报准确率有明显改善, 然而在时效为1—2周及以上的延伸期预报领域一直没有重大突破(翟盘茂等, 2013)。基于以上问题, 观测系统研究与可预报性试验(THORPEX)国际合作计划将提高2周以内的中期时间尺度上的高影响天气过程的预报作为其主要目标。由于大气的混沌特性导致天气预报的不确定性, 该计划围绕可预报性与动力学过程研究, 试图通过概率集合预报技术, 将具有一定技巧的灾害性天气预报的时效延伸至有决策价值的时间尺度(2周)。事实证明, 集合预报的出现和发展较单一“确定性”的模式极大地提高了现有极端天气的预报能力。Lalaurette(2003a, 2003b)基于ECMWF全球集合预报系统发展了极端天气预报指数(EFI)方法, 能提前3—5 d预报出极端天气。Zsótér(2006)利用ERA-40再分析资料重新生成模式气候累积概率分布, 从而进一步提高了该方法的预报技巧。目前极端天气预报指数已经作为ECMWF用来预报中长期极端天气的6个预报指数之一, 长期的检验结果表明, 该方法对极端天气具有理想的预报效果(Anderson, et al, 2011)。随着全球集合预报系统的不断完善, 极端天气预报指数对极端天气的预报技巧和预报时效显著提升, Dutra等(2013)利用全新的半解析技术将极端天气预报指数应用到气温和降水的季节预测中。
集合预报技术在中国处于快速发展阶段, 主要包括利用初值扰动(马旭林等, 2008; 刘永柱等, 2013; 张涵斌等, 2014)和模式扰动技术(陈静等, 2005; 任志杰等, 2011; 谭宁等, 2013)来减小初值和模式本身带来的误差。基于集合概率方法预报中国极端天气的研究亦颇多, 夏凡等(2012)利用中国T213集合预报系统资料研究极端低温的预报方法, 能提前3—5 d预报出极端低温; 刘琳等(2013)基于同样的集合预报系统, 研究中国极端强降水的预报方法, 结果表明, 该方法能提前3—7 d发出极端强降水的预警信号。汪骄阳等(2014)利用扩展时间序列和空间范围的方法, 增加T213全球集合预报系统的降水预报气候分布样本数, 改进模式降水预报气候累积概率分布。
随着全球集合预报技术的升级和扰动技术的改进, 中国气象局“T639全球模式(台风)1—15 d集合预报系统”于2014年8月5日取代“T213集合预报系统”正式投入业务运行。该系统增加了物理过程扰动, 同时基于“增长模繁殖法”(BGM)的扰动背景场特点, 设计了台风集合预报涡旋初始化方案和流程, 实现了集合预报以及台风集合预报一体化运行。目前, 与该集合预报系统匹配的极端天气概率预报方法比较少, 尤其是对持续性强降水事件这类高影响天气的预报方法几乎为0。正是基于此原因, 本研究将在介绍T639集合预报系统关键技术的基础上, 研究与之匹配的持续性强降水中期客观预报模型, 并利用该模型对近年来的持续性强降水事件进行预报试验, 考察持续性强降水事件的最长预报时间, 为政府做出科学合理的防灾、减灾决策提供参考依据。
2 资料与持续性强降水的定义 2.1 资料简介所用资料包括观测降水资料与中国气象局T639集合预报降水资料。观测资料采用中国国家气象信息中心整编的中国南方812个测站00时(世界时, 下同)的逐日累积降水量, 资料长度为2010—2016年5—9月。图 1为研究区域与观测站点分布, 范围为(18°—35°N, 105°—122°E)。参照孙建华等(2016)划分方法, 将研究区域划分成江淮区域(26°N以北, 112°E以东)、华南区域(26°N以南)以及江淮以西(26°—35°N, 105°—112°E)3个区域, 选取距离武汉、重庆、广州站最近的3个格点为区域代表格点, 下文将研究各区域的降水累积概率分布特征。T639集合预报降水资料为该资料存档之日(2010年)至2016年5—9月00与12时起报的降水预报资料, 预报时效为24—240 h, 水平分辨率为0.5°×0.5°。T639集合预报系统自2014年8月开始业务运行, 自2015年起提供15个集合成员的预报结果, 2010—2014年均为确定性预报结果。
|
| 图 1 中国南方812个观测站点的空间分布与3个研究区域的划分 (1区为江淮区域, 2区为江淮以西, 3区为华南区域, 五角星为3个区域内的代表格点) Figure 1 Spatial distributions of the 812 stations and the three sub-regions used for the present study (1.Yangtze-Huaihe area, 2.West of Yangtze-Huaihe, 3.South China.Stars denote grid points that are representative for the three sub-regions) |
为了统一观测降水和模式降水资料, 文中采用克里斯曼插值方法, 将研究区域内812个站点的观测降水资料插值到T639模式网格点上(0.5°×0.5°)。
2.2 持续性强降水的定义和个例选取文中综合多位学者(陶诗言, 1980; 鲍名, 2007; 丁治英等, 2008; 汪汇洁等, 2014)对持续性强降水的定义标准, 对单点和区域持续性强降水事件分别给出定义。单点持续性强降水必须满足该点至少连续3 d日降水量超过50 mm。持续性强降水不单影响时间长, 大多具有一定的影响范围, 区域持续性强降水事件往往是研究的重点。结合区域性和持续性的特点, 给出了区域持续性强降水的定义:将观测站点的日降水量插值到空间分辨率为0.5°×0.5°的经纬网格上, 某个区域有连续5个格点满足至少连续3 d日降水量超过50 mm; 至少连续3 d满足相邻两日雨带(降水强度大于25 mm/d的区域)重合率不小于20%。
文中的研究重点为区域性的持续性强降水, 其定义中涉及雨强(50 mm/d)和雨带(25 mm/d)两个要素, 连续5个格点持续3 d日降水超过50 mm的条件满足了持续性和强降水的特征, 而雨带重合率则满足了区域连续性的特征。按照以上标准对2015—2016年5—9月的降水过程进行筛选, 满足条件的过程有两次分别为2015年6月7—11日以及2016年6月30日—7月5日, 实况降水见图 7和9。
|
|
图 7 2015年6月7—10日持续性强降水观测与预报效果
(a—d.2015年6月7日00时至10日00时日降水量实况; e—h.2015年6月3日00时起报120—192 h IEPF预报; i—l.2015年6月2日00时起报144—216 h IEPF预报; m—p.2015年6月1日00时预报168—240 h IEPF预报) Figure 7 Daily precipitation observation and forecast map of PHREs from 7 June to 10 June 2015 (a-d for daily precipitation observation from 00:00 UTC 7 June to 00:00 UTC 10 June 2015, e-h for IEPF forecasting from T+120 h to T+192 h initial at 00:00 UTC 3 June 2015, i-l for IEPF forecasting from T+144 h to T+216 h initial at 00:00 UTC 2 June 2015 and m-p for IEPF forecasting from T+168 h to T+240 h initial at 00:00 UTC 1 June 2015) |
|
| 图 9 2016年6月30日—7月3日持续性强降水观测与预报效果 (a—d.2016年6月30日00时—7月3日00时日降水量实况, e—h.2016年6月24日00时起报168—240 h预报日降水量集合预报平均, i—l.2016年6月24日00时起报168—240 h IEPF预报结果) Figure 9 Daily precipitation observation and forecast map of PHREs from 30 June to 3 July 2016 (a-d for daily precipitation observation form 00:00 UTC 30 June to 00:00 UTC 3 July 2016, e-h for ensemble mean forecasting of daily precipitation and i-l for IEPF from T+168 h to T+240 h initial at 00:00 UTC 24 June 2016) |
T639全球集合模式于2014年8月5日正式投入业务运行, 模式水平分辨率为30 km, 垂直分为60层, 模式层顶气压为0.1 hPa, 集合预报成员为15个, 最长预报时间为15 d, 具体参数设置详见表 1。从预报流程(图 2)可见, 该系统主要包括观测资料预处理系统、同化分析系统、多初值产生系统、多物理过程扰动系统、模式预报系统、模式后处理系统和产品生成系统。
| 参数 | T639集合系统 |
| 同化分析系统 | GSI |
| 初值扰动方案 | BGM |
| 模式物理扰动 | SPPS随机扰动 |
| 长波辐射 | Morcrette |
| 短波辐射 | Fouquart and Bonnel |
| 湍流扩散 | Louis |
| 地形参数化 | Lott and Miller |
| 积云对流参数化 | Tiedtke |
| 陆面过程 | Vitesbo and Beljaar |
|
| 图 2 T639全球集合预报系统流程 Figure 2 The flowchart of T639 global ensemble prediction system |
如何形成有效的初始扰动是集合预报研究中最关键的问题, T639全球集合模式初值扰动技术采用增长模繁殖法。该方法能够生成与数值天气模式的最大误差增长速率相关联的矢量, 在其模拟气象分析场处理的过程中, 既考虑了实际资料中可能的误差, 同时又保留了快速增长的动力学结构(图 3), 详见于永锋等(2007)。增长模繁值法在使用过程中, 采用一种叫做区域性再标度(regional rescaling)方法来定义再标度因子。该因子的求取与地理位置、每天分析场在500 hPa等压面上的不确定性等有关。由于永远无法知道实际大气的真正状态, 因此分析场的不确定性也无法准确知道。但是, 可以通过两个相互独立得到的分析场的差异来估计分析场的不确定性。在引入局地再标度技术后, 扰动幅度在大气观测比较稀疏的地区(如海洋)可以比资料充分的陆地上空大3倍以上。
|
| 图 3 增长模繁殖法示意 Figure 3 Schematic illustration on breeding of growth modes initial perturbation technique |
研究表明, 天气预报系统对模式误差很敏感, 尤其是次网格尺度物理过程参数化所造成的不确定性对系统的可预报性起着至关重要的作用, 仅采用初值扰动方法构建的集合预报系统存在预报离散度偏小的问题, 且不能表现出由于模式误差或模式本身缺陷而造成的预报误差(Stensrud, et al, 2000)。目前随机物理过程方法从理论和实际应用上均是非常有潜力的方法, 是近年来国际上集合预报系统扰动技术研究的重要方向。T639全球集合模式参考ECMWF的随机物理过程扰动方法(Buizza, et al, 1999), 设计了中国全球中期集合预报系统的物理过程随机扰动方案(任志杰等, 2011)。其原理是在模式的某些参数值或相关项(倾向项、扩散项)上引入一个随机过程或因子对其进行改变, 从而体现模式不确定性的作用。大量的预报试验和对比检验表明, 此方案能够增加集合离散度, 并提高概率预报技巧(谭宁等, 2013)。
3.2 T639集合预报模式降水概率分布特征分别选取2010—2015年5—9月的T639集合预报降水预报结果与同时段的观测日降水量, 组成中国南方区域内每个格点的模式降水与观测降水气候序列, 采用Г分布来拟合降水序列分布。图 4a-c为3个区域代表格点的模式降水气候序列的概率密度分布曲线, 预报时效为24—168 h, 可见3个代表格点的降水概率密度分布总体趋势一致, 但不同预报时效的概率密度分布略有差异。其中, 在10—40 mm降水区间, 不同预报时效的概率密度分布差异较大, 24 h的降水概率密度最大, 随着预报时效延长, 模式气候降水概率密度逐渐减小。大于40 mm的降水概率密度随预报时效的延长逐渐减小并趋于0, 降水概率密度有向10 mm以下雨量集中的趋势。综合3个区域的概率密度曲线特征, 不同预报时效的模式降水概率密度有所不同, 随着预报时效延长, 模式降水大雨的概率逐渐减小, 集中于小和中雨。华南区域这种特征最为明显; 江淮地区各预报时效差别不大; 江淮以西等地120 h差别最大。
|
| 图 4 3个研究区域代表格点的24—168 h模式降水概率密度曲线(a—c)以及96 h模式降水与观测降水累积概率密度曲线(d—f) (a、d.江淮区域, b、e.江淮以西, c、f.华南区域) Figure 4 24-168 h precipitation probability distributions (a-c) of the ensemble forecast system and the cumulative distribution of 96 h forecast and observed precipitation (d-f) at the representative grid points of three sub-regions (a, d.the Yangtze-Huaihe area; b, e.west of Yangtze-Huaihe; c, f.South China) |
对比观测与模式降水概率密度分布(图 4d—f)可知, 江淮与华南区域, 模式预报的降水集中于小和中雨量级, 无降水和暴雨以上量级的降水概率, 模式预报低于观测, 这个特征在华南区域尤其明显, 随着预报时效延长, 大雨以上量级降水概率越来越小, 集中于中小雨; 江淮以西区域, 模式预报无降水的概率小于观测, 暴雨等大量级的降水预报与观测差别不大。这种模式降水概率特征主要由T639集合预报模式降水预报的系统性偏差造成的, 模式对大降水预报偏弱, 而对小雨空报较多。
4 基于T639全球集合预报的持续性强降水事件中期预报模型由T639模式降水概率分布特征可知, 随着预报时效延长, T639集合预报模式对大量级降水预报能力减弱。如何从海量的集合预报数据中提取概率分布的尾端信息来提高持续性强降水事件这类高影响天气的预报技巧是值得深入研究的问题。
4.1 基于集合预报的持续性强降水事件预报模型根据Anderson-Darling检验(Anderson, et al, 1952)原理, 设计一个极端降水预报指数(Extreme precipitation Forecast Index, IEPF), 来衡量模式历史气候与集合预报各成员预报结果的累积概率分布函数连续差异大小(Lalaurette, 2003a), 其原理示意详见刘琳等(2013)。基于集合预报的持续性强降水事件预报模型是对极端强降水预报方法的延续和发展。
|
(1) |
式中, p为模式历史气候累积概率函数, 将气候序列按升序排列, 每一个百分位(1%, 2%, …, 100%)都对应着一个概率阈值f(p), 那么f(0)和f(1)分别对应气候序列中最小和最大值, 依此类推; 定义Ff(p)为集合预报累积概率, 
|
(2) |
式中, pi=i/100(i=0, 1, 2, …, 100), IEPF为离散化后的极端降水预报数学计算式, 是介于-1和1的实数, IEPF越接近-1(+1), 极端干旱(强降水)天气发生的可能性越大。
持续性强降水的预报原理则是考察某一段时间内的IEPF是否持续保持较高的正值, 若某一格点的IEPF持续3 d或以上大于某一阈值, 则该点发生持续性强降水的概率就很高。本研究重点是持续性强降水的预报方法, 从2.2节中给出的定义可知, 持续性强降水不同于单日的极端强降水, 既要满足日降水量超过50 mm, 还要满足两天雨带的重合率达20%。如何确定合理有效的IEPF构建方案以及持续性强降水的IEPF判定阈值, 是持续性强降水预报方法的核心问题。
选取T639集合预报模式2010—2014年5—9月00与12时发布的中国南方区域(图 1)内格点的逐日降水资料, 每个格点上生成独立的10个(24—240 h)模式气候序列, 序列长度为1530(n=5 a×153 d/a×2 times/d), 简称climate1方案。集合预报累积概率分布则采用2015年6—8月T639集合预报逐日降水资料, 生成研究区域内24—240 h共10个预报时效的集合预报累积概率分布, 序列长度为15, 由式(2)计算出2015年6—8月逐日10个预报时效的极端降水预报指数(IEPF), 为下节计算判定持续性强降水事件发生的IEPF阈值提供基础数据。
4.2 判定持续性强降水事件发生的IEPF阈值选取判定实况持续性强降水事件发生的条件主要有两个, 一是降水强度超过50 mm/d, 二是相邻两日雨带(超过25 mm/d降水)重合率超过20%。利用IEPF来预报持续性强降水事件发生与否的标准也应满足以上两个条件, 如何确定IEPF对应的雨强和雨带的临界阈值是至关重要的。文中采用S判识指数方法(刘琳等, 2013), 将50和25 mm/d作为观测降水的阈值, 将0, 0.1, 0.2, …, 1这11个数作为IEPF发布预警的阈值, 参照2015年6—8月实况和IEPF预报的双态列联表求出11个IEPF阈值所对应的S值
|
(3) |
式中, TS为风险评分(Threat Score), Bias为预报偏差评分。选取S值最大所对应的IEPF值为阈值, 表 2为10个预报时效对应的IEPF雨强和雨带的判定阈值。可以看出, IEPF的两个判定阈值随着预报时效的延长而减小, 这与T639模式预报的中雨量级以上降水随预报时效延长而减小的特征有关, 因此, 判定不同时效的持续性强降水事件雨强与雨带的标准不同。
| 时效(h) | 24 | 48 | 72 | 96 | 120 | 144 | 168 | 192 | 216 | 240 |
| 雨带 | 0.6 | 0.5 | 0.5 | 0.5 | 0.4 | 0.4 | 0.4 | 0.4 | 0.4 | 0.3 |
| 雨强 | 0.8 | 0.7 | 0.7 | 0.7 | 0.6 | 0.6 | 0.6 | 0.6 | 0.6 | 0.5 |
持续性强降水事件发生的IEPF预报标准为某个区域有相邻5个格点满足至少连续3 d其IEPF超过雨强所对应的不同预报时效的阈值; 至少连续3 d满足相邻两日雨带(IEPF大于雨带对应的IEPF阈值)重合率不小于20%。
4.3 模式气候累积概率方案优选前期研究表明, 模式气候累积概率分布要尽可能全面地反映气候的真实状况(Liu, et al, 2013)。鉴于T639模式自2010年开始运行, 相应的集合预报系统自2014年8月开始业务运行, 累积至今资料量有限。文中根据扩展时间序列和空间范围的方法, 设计3种不同气候累积概率分布方案, 通过批量试验和检验, 选取预报效果最优的方案纳入持续性强降水事件预报物理模型。
表 3为3种模式气候累积概率方案的设计情况, climate1方案即上文采用的扩展时间序列的方法。climate2方案是在climate1方案的基础上, 将研究区域内所有1260个格点的降水资料集合在一起, 形成10个预报时效的气候序列, 每个序列长1927800(2 times×5 a×153 d/a×1260 dot), 这种方案里研究区域内每个格点的模式气候都是相同的, 从一定程度上扩展了模式降水序列长度, 但是不同地区降水气候背景各不相同, 这种方法是否合适有待进一步的检验。climate3方案根据降水气候背景的不同, 将研究区域细分成江淮区域、华南区域以及江淮以西3个区域, 将3个区域内的所有格点的的降水资料集合在一起, 形成3个区域不同的10个预报时效的气候序列, 方案详见表 3。
| 类别 | 3种方案设计 |
| 气候累积概率分布 climate1 |
(1) T639模式2010—2014年5—9月的24—240 h预报降水量, 起报时间为00、12时 (2)区域内不同格点的预报资料集合成每个格点独立的气候序列(每个序列长2 times×5 a×153 d/a=1530) |
| 气候累积概率分布 climate2 |
(1) T639模式2010—2014年5—9月的24—240 h预报降水量, 起报时间为00、12时 (2)研究区域内所有格点(1260)的资料集合在一起, 形成一个相同的气候序列(每个序列长2 times×5 a×153 d/a×1260 dot=1927800) |
| 气候累积概率分布 climate3 |
(1) T639模式2010—2014年5—9月的24—240 h预报降水量, 起报时间为00、12时 (2)研究区域划分为江淮、华南、江淮以西3个区域, 各区域内的所有格点集合成3个不同区域的气候序列(江淮地区序列长2 times×5 a×153 d/a×357 dot=546210;江淮以西序列长2 times×5 a×153 d/a×255 dot=390150;华南地区序列长2×5 a×153 d/a×648 dot=991440) |
为了对比3种模式降水气候累积概率分布方案的特征, 绘制3个不同区域的模式降水累积概率密度曲线(图 5)。对于江淮区域(图 5a)而言, climate2方案较climate1方案增大了大量级降水概率, 而无雨的概率较climate1方案减小, climate3方案既增大了大量级降水概率, 又增大了无降水的概率, 更接近于真实观测。江淮以西地区的climate2、3方案较climate1方案增大了大量级降水概率。华南区域climate2方案增加了小雨与大量级降水概率, climate3增加了大量级降水概率。
|
| 图 5 区域代表格点的3种模式降水气候累积概率分布曲线 (a.江淮区域, b.江淮以西等地, c.华南区域) Figure 5 Cumulative probability curves of the three precipitation modeling schemes (a.the Yangtze-Huaihe area, b.west of Yangtze-Huaihe, c.South China) |
利用2015年7月T639集合预报降水预报结果构建10个不同预报时效的集合预报累积概率方案, 基于上述3种模式降水气候累积概率方案, 分别求出2015年7月3种方案对应的极端降水预报指数, 并对日降水量超过50 mm的强降水进行检验。图 6为3种气候累积概率方案对应的强降水预报统计检验对比, 包括确定性的二分类检验指标TS、Bias, 还包括概率预报的检验方法—相对作用特征曲线(Mason, et al, 2002), 将不同概率分类(IEPF可分成10个等级)的命中率和假警报率所组成的点绘成一条曲线, 曲线在对角线以上, 则有正的技巧。曲线和坐标轴围成的面积越大, 预报效果越好。可以看出, climate1与climate2方案的TS和Bias相差不大, 各有优劣。climate3方案的24—72 h TS评分略高于前两种方案, 96 h以后的TS明显高于前两种方案; 对应的Bias比climate1、2略高。结合相对作用特征曲线与坐标轴围成的面积, climate3方案除了192 h的低于前两种方案, 其他时效都高于前两种方案, climate2方案的曲线与坐标轴围成的面积除了192 h, 其他预报时效都大于climate1。
|
| 图 6 3种气候累积方案的批量检验结果对比 (a.TS, b.Bias, c.AROC) Figure 6 Comparison of the test results by three cumulative climatological schemes (a.TS, b.Bias, c.AROC) |
综合来看, climate3方案优于前两种方案, 尤其是随着预报时效的延长, 这种优势更加明显; climate2方案略微优于climate1方案。究其原因, climate2、3采用的模式气候方案不再局限在某个单一格点上, 通过扩展预报空间的范围, 增大了无降水和暴雨级别降水的频率, 使得模式气候降水概率分布与实况更加接近, 弥补模式气候资料年限的不足所带来的偏差。climate3方案将研究区域根据地理和气候特征细分为江淮、江淮以西、华南3个区域, 制作适合3个不同区域的模式气候方案, 重点突出了3个区域的不同降水特征, 从检验结果可以看出, 根据区域气候特征细分模式气候的方法明显优于简单集合所有区域的模式气候方案。
4.4 持续性强降水事件预报模型效果选取预报效果最优的climate3模式气候方案, 构建基于集合预报的持续性强降水事件预报物理模型。利用该物理模型对2015年6月7—11日与2016年6月30日—7月5日两次持续性强降水事件过程进行预报试验。根据式(2)求出预报区域的IEPF值, 当某个地区的IEPF超过雨带与雨强的阈值(表 2), 则将IEPF值按照两个强度等级绘制于预报图中, 表示该区域有极端降水发生的可能。图 7为2015年6月7—10日的预报效果, 可见IEPF对本次过程的预报能力为8 d, 随着预报时效延长, 模型对持续性强降水的雨带位置以及降水强度预报有一定的偏差, 但总体预报效果良好。图 8为2015年6—8月的平均相对作用特征曲线, 可见24—240 h的相对作用特征曲线均在对角线以上, 相对作用特征曲线面积大于0.64, 这表明24—240 h预报技巧较高。整体来看, IEPF对本次持续性强降水过程预报效果较好。
|
| 图 8 2015年6—8月预报极端强降水的相对作用特征曲线 Figure 8 The average relative operating characteristic curve valid for precipitation of test from June to August 2015 |
IEPF对2016年6月30日—7月5日过程的预报能力为9 d, 预报的雨带位置与实况接近, 雨强的预报与实况存在一定的偏差。图 9为T639集合平均与IEPF提前8 d的预报效果对比, 可见7月2日08时—7月3日08时发生在江苏、安徽以及湖北南部的强降水过程在T639集合平均预报图中为漏报, 而对应的IEPF则对本次过程预报较好。从二者的检验结果统计(表 4)中也可看出, IEPF的TS评分明显高于T639集合平均, 24、120、192 h的Bias评分IEPF低于集合平均, 其他预报时效略高于集合平均, IEPF预报的相对作用特征曲线面积也较为理想。综合多种检验指标表明, 对于本次持续性强降水事件过程, IEPF方法明显优于集合平均, 充分体现了IEPF能提取集合预报信息中极端降水信号的优势。
| 时效(h) | TS | Bias | AROC | ||||
| Ensemble-Mean | IEPF | Ensemble-Mean | IEPF | IEPF | |||
| 24 | 0.311 | 0.343 | 1.161 | 0.949 | 0.853 | ||
| 48 | 0.241 | 0.304 | 1.108 | 1.186 | 0.831 | ||
| 72 | 0.143 | 0.255 | 0.934 | 2.540 | 0.804 | ||
| 96 | 0.093 | 0.180 | 0.821 | 2.038 | 0.740 | ||
| 120 | 0.091 | 0.116 | 0.842 | 0.762 | 0.693 | ||
| 144 | 0.089 | 0.122 | 0.943 | 1.414 | 0.662 | ||
| 168 | 0.076 | 0.116 | 1.021 | 1.048 | 0.710 | ||
| 192 | 0.064 | 0.119 | 0.780 | 0.660 | 0.665 | ||
| 216 | 0.061 | 0.118 | 0.930 | 1.237 | 0.660 | ||
| 240 | 0.058 | 0.109 | 1.040 | 1.270 | 0.617 | ||
在介绍T639集合预报系统关键技术的基础上, 分析了该集合预报模式降水与实况降水的累积概率密度特征差异。由于模式降水序列长度有限, 采用扩展时间序列和空间范围的方法, 研究与之匹配的1—2周持续性强降水预报物理模型, 利用该模型对近年来的持续性强降水事件进行预报试验, 考察持续性强降水事件的最长预报时效。结论如下:
(1) 对比观测与T639模式降水概率密度曲线可知, 随着预报时效的延长, 模式预报的降水逐渐集中于小和中雨量级, 无降水和暴雨以上量级的降水概率低于观测, 168 h以后模式降水概率趋于稳定, 这是由T639集合预报模式降水预报的系统性偏差造成的。江淮区域和华南区域的这种特征尤其明显; 江淮以西模式预报无降水的概率小于观测, 暴雨以上量级的降水预报与观测差别不大。
(2) 对比3种模式气候累积方案的预报效果可知, 扩展时间序列和空间范围的模式气候累积方案(climate2、3)优于仅扩展时间序列的方案(climate1);而根据区域气候特征细分模式气候的方法(climate3)明显优于简单集合所有区域的模式气候方案(climate2)。究其原因, climate2、3采用的模式气候方案不再局限在某个单一格点上, 通过扩展预报空间的范围, 增大了无降水和暴雨级别降水的频率, 使得模式气候降水概率分布与实况更加接近, 弥补模式气候资料年限的不足所带来的偏差。将研究区域根据地理和气候特征细分为江淮、江淮以西、华南3个区域, 制作适合3个不同区域的模式气候方案, 重点突出了3个区域的不同降水特征, 预报效果最好。
(3) 基于集合预报的持续性强降水事件预报模型对持续性强降水个例的预报能力为8—9 d, 随着预报时效的延长, 持续性强降水的雨带位置和降水强度预报技巧逐渐减弱。
目前, T639集合预报模式资料有限, 如何利用现有条件生成更好的模式气候累积概率分布, 以提高极端降水天气预报指数对持续性极端强降水的识别技巧, 有待进一步深入的研究。
| 鲍名. 2007. 近50年我国持续性暴雨的统计分析及其大尺度环流背景. 大气科学, 31(5): 779–792. Bao M. 2007. The statistical analysis of the persistent heavy rain in the last 50 years over China and their backgrounds on the large scale circulation. Chinese J Atmos Sci, 31(5): 779–792. (in Chinese) |
| 陈静, 薛纪善, 颜宏. 2005. 一种新型的中尺度暴雨集合预报初值扰动方法研究. 大气科学, 29(5): 717–726. Chen J, Xue J S, Yan H. 2005. A new initial perturbation method of ensemble mesoscale heavy rain prediction. Chinese J Atmos Sci, 29(5): 717–726. (in Chinese) |
| 丁治英, 常越, 朱莉, 等. 2008. 1958~2000年6月连续性暴雨的特征分析. 热带气象学报, 24(2): 117–126. Ding Z Y, Chang Y, Zhu L, et al. 2008. Research on the reason of the double rain-band's forming in a sustaining storm rainfall of South China. J Trop Meteor, 24(2): 117–126. (in Chinese) |
| 李雪松, 罗亚丽, 管兆勇. 2014. 2010年6月中国南方持续性强降水过程:天气系统演变和青藏高原热力作用的影响. 气象学报, 72(3): 428–446. Li X S, Luo Y L, Guan Z Y. 2014. The persistent severe rainfall over southern China in June 2010:The evolution of synoptic systems and the Tibetan Plateau's heating effect. Acta Meteor Sinica, 72(3): 428–446. DOI:10.11676/qxxb2014.035 (in Chinese) |
| 刘琳, 陈静, 程龙, 等. 2013. 基于集合预报的中国极端强降水预报方法研究. 气象学报, 71(5): 853–866. Liu L, Chen J, Cheng L, et al. 2013. Study of the ensemble-based forecast of extremely heavy rainfalls in China:Experiments for July 2011 cases. Acta Meteor Sinica, 71(5): 853–866. DOI:10.11676/qxxb2013.044 (in Chinese) |
| 刘永柱, 沈学顺, 李晓莉. 2013. 基于总能量模的GRAPES全球模式奇异向量扰动研究. 气象学报, 71(3): 517–526. Liu Y Z, Shen X S, Li X L. 2013. Research on the singular vector perturbation of the GRAPES global model based on the total energy norm. Acta Meteor Sinica, 71(3): 517–526. DOI:10.11676/qxxb2013.043 (in Chinese) |
| 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. 气象学报, 66(4): 526–536. Ma X L, Xue J S, Lu W S. 2008. Preliminary study on ensemble transform Kalman filter-based initial perturbation scheme in GRAPES global ensemble prediction. Acta Meteor Sinica, 66(4): 526–536. DOI:10.11676/qxxb2008.050 (in Chinese) |
| 任志杰, 陈静, 田华. 2011. T213全球集合预报系统物理过程随机扰动方法研究. 气象, 37(9): 1049–1059. DOI:10.7519/j.issn.1000-0526.2011.09.001 |
| Ren Z J, Chen J, Tian H. Research on T213 ensemble prediction system stochastic physics perturbation. Meteor Mon, 37(9): 1049–1059. |
| 孙建华, 汪汇洁, 卫捷, 等. 2016. 江淮区域持续性暴雨过程的水汽源地和输送特征. 气象学报, 74(4): 542–555. Sun J H, Wang H J, Wei J, et al. 2016. The sources and transportation of water vapor in persistent heavy rainfall events in the Yangtze-Huaihe River Valley. Acta Meteor Sinica, 74(4): 542–555. DOI:10.11676/qxxb2016.047 (in Chinese) |
| 谭宁, 陈静, 田华. 2013. 两种模式随机扰动方案比较及扰动传播分析. 气象, 39(5): 543–555. Tan N, Chen J, Tian H. 2013. Comparison between two global model stochastic perturbation schemes and analysis of perturbation propagation. Meteor Mon, 39(5): 543–555. (in Chinese) |
| 陶诗言. 1980. 中国之暴雨. 北京: 科学出版社: 45-46. Tao S Y. 1980. Heavy Rainfall in China. Beijing: Science Press: 45-46. |
| 陶诗言, 张小玲, 张顺利. 2004. 长江流域梅雨锋暴雨灾害研究. 北京: 气象出版社: 1-192. Tao S Y, Zhang X L, Zhang S L. 2004. A Study on the Disaster of Heavy Rainfalls over the Yangtze River Basin in the Meiyu Period. Beijing: China Meteorological Press: 1-192. |
| 汪汇洁, 孙建华, 卫捷, 等. 2014. 近30年我国南方区域持续性暴雨过程的分类研究. 气候与环境研究, 19(6): 713–725. Wang H J, Sun J H, Wei J, et al. 2014. Classification of persistent heavy rainfall events over southern China during recent 30 years. Climatic Environ Res, 19(6): 713–725. DOI:10.3878/j.issn.1006-9585.2013.13143 (in Chinese) |
| 汪娇阳, 陈静, 刘琳, 等. 2014. 极端降水天气预报指数对气候累积概率分布敏感性研究. 暴雨灾害, 33(4): 313–319. Wang J Y, Chen J, Liu L, et al. 2014. The sensitivity of the extreme precipitation forecast index on climatological cumulative probability distribution. Torrential Rain Disaster, 33(4): 313–319. (in Chinese) |
| 夏凡, 陈静. 2012. 基于T213集合预报的极端天气预报指数及温度预报应用试验. 气象, 38(12): 1492–1501. Xia F, Chen J. 2012. The research of extreme forecast Index based on the T213 ensemble forecast and the experiment in predicting temperature. Meteor Mon, 38(12): 1492–1501. (in Chinese) |
| 于永锋, 张立凤, 罗雨. 2007. 集合预报中动态调整的增长模繁殖及其对自由繁殖的改进. 大气科学, 31(3): 527–535. Yu Y F, Zhang L F, Luo Y. 2007. The breeding of growing modes with dynamic rescaling in ensemble prediction and improvement on free breeding. Chinese J Atmos Sci, 31(3): 527–535. (in Chinese) |
| 翟盘茂, 倪允琪, 陈阳. 2013. 我国持续性重大天气异常成因与预报方法研究回顾与未来展望. 地球科学进展, 28(11): 1177–1188. Zhai P M, Ni Y Q, Chen Y. 2013. Mechanism and forecasting method of persistent extreme weather events:Review and prospect. Adv Earth Sci, 28(11): 1177–1188. DOI:10.11867/j.issn.1001-8166.2013.11.1177 (in Chinese) |
| 张涵斌, 陈静, 智协飞, 等. 2014. GRAPES区域集合预报系统应用研究. 气象, 40(9): 1076–1087. Zhang H B, Chen J, Zhi X F, et al. 2014. Study on the application of GRAPES regional ensemble prediction system. Meteor Mon, 40(9): 1076–1087. DOI:10.7519/j.issn.1000-0526.2014.09.005 (in Chinese) |
| Anderson T W, Darling D A. 1952. Asymptotic theory of certain "goodness of fit" criteria based on stochastic processes. Ann Math Statist, 23(2): 193–212. DOI:10.1214/aoms/1177729437 |
| Andersson E, Richardson D. 2011. Forecast performance 2011. ECMWF Newsletter No.130: 15–16. |
| Barriopedro D, Fischer E M, Luterbacher J, et al. 2011. The hot summer of 2010:Redrawing the temperature record map of Europe. Science, 332(6026): 220–224. DOI:10.1126/science.1201224 |
| Buizza R, Milleer M, Palmer T N. 1999. Stochastic representation of model uncertainties in the ECMWF ensemble prediction system. Quart J Roy Meteor Soc, 125(560): 2887–2908. DOI:10.1002/qj.49712556006 |
| Duan W L, He B, Takara K, et al. 2015. Changes of precipitation amounts and extremes over Japan between 1901 and 2012 and their connection to climate indices. Climate Dyn, 45(7-8): 2273–2292. DOI:10.1007/s00382-015-2778-8 |
| Dutra E, Diamantakis M, Tsonevsky I, et al. 2013. The extreme forecast index at the seasonal scale. Atmos Sci Lett, 14(4): 256–262. DOI:10.1002/asl2.448 |
| Guan Z Y, Han J, Li M G. 2011. Circulation patterns of regional mean daily precipitation extremes over the middle and lower reaches of the Yangtze River during the boreal summer. Climate Res, 50(2): 171–185. DOI:10.3354/cr01045 |
| Kucharski F, Kang I S, Straus D, et al. 2010. Teleconnections in the atmosphere and oceans. Bull Amer Meteor Soc, 91(3): 381–383. DOI:10.1175/2009BAMS2834.1 |
| Kunkel K E, Karl T R, Brooks H, et al. 2013. Monitoring and understanding trends in extreme storms:State of knowledge. Bull Amer Meteor Soc, 94(4): 499–514. DOI:10.1175/BAMS-D-11-00262.1 |
| Lalaurette F. 2003a. Early detection of abnormal weather conditions using a probabilistic extreme forecast index. Quart J Roy Meteor Soc, 129(594): 3037–3057. DOI:10.1256/qj.02.152 |
| Lalaurette F. 2003b. Two proposals to enhance the EFI response near the tails of the climate distribution. http://www.ecmwf.int/products/forecasts/efi_guide.pdf |
| Li R C Y, Zhou W. 2015. Multiscale control of summertime persistent heavy precipitation events over South China in association with synoptic, intraseasonal, and low-frequency background. Climate Dyn, 45(3-4): 1043–1057. DOI:10.1007/s00382-014-2347-6 |
| Liu L, Chen J, Cheng L, et al. 2013. Study on ensemble-based forecast of extremely heavy rainfalls in China:Experiments for July 2011 cases. Acta Meteor Sinica, 27(2): 170–185. DOI:10.1007/s13351-013-0203-y |
| Mason S J, Graham N E. 2002. Areas beneath the relative operating characteristics (ROC) and relative operating levels (ROL) curves:Statistical significance and interpretation. Quart J Roy Meteor Soc, 128(584): 2145–2166. DOI:10.1256/003590002320603584 |
| Stensrud D J, Bao J W, Warner T T. 2000. Using initial condition and model physics perturbations in short-range ensemble simulations of mesoscale convective systems. Mon Wea Rev, 128(7): 2077–2107. DOI:10.1175/1520-0493(2000)128<2077:UICAMP>2.0.CO;2 |
| Wu P M, Arbain A A, Mori S, et al. 2013. The effects of an active phase of the Madden-Julian oscillation on the extreme precipitation event over western Java Island in January 2013. SOLA, 9: 79–83. DOI:10.2151/sola.2013-018 |
| Zsótér E. 2006. Recent developments in extreme weather forecasting. ECMWF Newsletter No.107: 8–17. |