暴雨是中国主要的天气灾害；受夏季风影响，中国夏季雨区主要集中在华南、江淮和华北3个地区(陶诗言等，1980)。华北地区的暴雨期主要集中在盛夏的7—8月，降水强度大，是中国局地强降水相对多发区之一(华北暴雨编写组，1992)。然而，华北地区地形复杂，人口密集，加之是中国首都北京所在地，暴雨的发生，尤其是致洪暴雨，往往将造成巨大的社会经济损失，危及人民的生命财产安全。

2012年7月21—22日，北京地区出现大暴雨，局地特大暴雨，是北京地区自1951年有完整气象记录以来最强的一次暴雨过程。截至21日22时(世界时，下同)，北京全市平均降水量170 mm，其中城区平均降水量215 mm，最大降水出现在房山河北镇，达460 mm。强降水引发了泥石流、洪涝等灾害，造成79人死亡，超过190万群众受灾，直接经济损失达17亿元。此次极端降水事件，引起了气象界的广泛关注，孙继松等(2012)探讨了此次暴雨系统的结构演变特征及原因；谌芸等(2012)、孙军等(2012)通过观测分析，讨论了造成此次极端降水的原因；方翀等(2012)重点从中尺度方面分析了此次暴雨的特征；俞小鼎(2012)试图给出此次破纪录降水发生的原因，并重点关注了强降水雷达回波的结构特征；还有一批针对水汽来源、锋生、高空急流等各方面的细致研究工作(孙建华等，2013；李娜等，2013；全美兰等，2013；廖晓农等，2013；陈明轩等，2013)。这些研究工作主要集中在分析探讨“7.21”暴雨发生的天气背景、降水因子和动力结构，试图找到造成极端降水的原因和条件，从而在机理上对此类极端事件做更深入的分析；然而，对暴雨预报误差的成因分析尚待进一步深入。

此次特大暴雨，尽管环流配置典型，十分有利于强降水的发生(Zhao，et al，2013)，且数值预报模式在一定程度上提前指示出了降水过程，但暴雨发生和结束的时间明显延后(陶祖钰等，2013)。对数值预报结果进行定量化分析，探讨模式预报暴雨的性能，并试图找到预报不佳的原因，对于改进暴雨定量预报十分重要。近年来，随着大型计算机和网络技术的飞速发展，数值预报模式有了飞跃的发展；模式分辨率不断提高，物理过程同步改进，相应的资料同化系统也在不断发展。尤其对于中尺度的高分辨率模式，传统的检验方法往往对预报降水位置等误差给予更大的惩罚，导致TS(Threat Score)、ETS(Equitable Threat Score)(Schaffer，1990)、BIAS评分等不能很好地反映中尺度模式的预报性能。Ebert等(2000)提出了一个基于连续降水区(contiguous rain area，CRA)的定量降水预报的检验方法。该方法将总的预报误差分解为由位置、强度以及形状3个部分产生的误差，对预报结果进行了综合检验。本研究利用该方法，在常用评分方法(ETS和BIAS)对降水进行整体评估的基础上，对模式预报的结果进行了定量化的分析讨论。2 资料与方法2.1 资料说明

使用多种观测和分析资料对北京“7.21”特大暴雨进行了分析讨论，包括：

(1)美国NCEP/GFS(National Centers for Environmental Prediction/Global Forecast System)输出的0.5°×0.5°分析场资料；

(2)中国气象局MICAPS常规地面观测资料；

(3)中国自动气象站与NOAA气候预测中心反演降水资料CMORPH(Climate Prediction Center Morphing Technique)产品融合的0.1°×0.1°逐时降水量网格数据；

(4)风云-2E(FY-2E)红外云图；

(5)北京市气象局的快速更新循环同化预报系统BJ-RUC v2.0 3 km模式输出资料(范水勇等，2013)。

其中，NCEP/GFS包含全球资料同化系统和模式两部分：模式为全球模式T382L64(水平分辨率0.5°，垂直方向64层)；同化系统由主要模块GSI(Grid-Point Statistical Interpolation)同化了包括地面观测、探空、云迹风、飞机观测以及卫星资料在内的多种观测资料(Hamill，et al，2011)。NCEP/GFS每天启动4次(00、06、12和18时)并输出分析场。由于分析场中同化了较为完备的观测信息，并且时空分辨率较高，因而本研究利用该资料诊断大尺度的背景环流场。

CMORPH降水融合资料是采用概率密度匹配法和最优插值相结合生成的时空分辨率为1 h、0.1°×0.1°的全中国自动气象站和CMORPH产品(Shen，et al，2010)的降水量融合资料。该降水资料不仅能反映降水的中尺度空间分布，且强度与地面观测接近；而在站点稀疏区则较好地保留了卫星反演降水的空间分布信息。该资料有效发挥了地面观测和卫星反演降水各自的优势，改善了降水量的空间分布，并且较为准确地反映了强降水过程(沈艳等，2013)。图 1为CMORPH降水融合资料7月21日02—22时暴雨过程的降水分布。与北京市气象局发布的同时段北京市降水分布图对比可知(孙继松等，2012)，CMORPH降水融合资料降水分布与地面观测有较高的一致性。虽然极值降水(389 mm)在强度上相比观测(460 mm)有一定偏差，但CMORPH降水融合资料较准确地反映了降水极值的位置。同时，考虑到研究区域的自动气象站较密集和自动气象站资料质量监控较为完善，可以和连续性较好的卫星反演降水互为补充，该资料具有较高的质量和可靠性。因而，本研究以CMORPH降水融合资料作为观测降水。

图 1 2012年7月21日02—22时CMORPH融合的降水分布 Fig. 1 Distribution of the CMORPH merged accumulative precipitation from 02:00—22:00 UTC 21 July 2012

图选项

北京市气象局的BJ-RUC v2.0是基于WRF模式和WRFDA资料同化系统(Skamarock，et al，2005)建立的9—3 km分辨率、3 h快速更新循环同化预报系统。该系统共有两个预报区域，分辨率为9和3 km。其中3 km从00时开始冷启动，以后03、06、09、12时每隔3 h进行热启动，采用前一时次的第3小时预报场为初猜场，逐时更新的边界条件来自9 km 外区的预报场。同化的观测资料包括常规探空、地面、飞机报、小球测风报，北京地区自动气象站和京津冀GPS总可降水量。该系统建立在BJ-RUC(范水勇等，2008；陈敏等，2010；雷蕾等，2012)的基础上。同时，在有雷达资料的时次，利用WRFDA_3D-var同化了京津冀地区6部多普勒雷达的径向风和反射率资料，同化时间窗±1 h，并进行12 h的预报，其应用效果已经过初步评估(范水勇等，2013)。该高分辨率模式(3 km)间隔3 h 启动一次，预报时效为24 h，模式输出时间间隔为1 h，文中对2012年7月20日21时—21日12时启动的分析场和预报场进行了分析。2.2 CRA方法

模式定量降水预报的结果并不能单一地用降水强度来评估，还涉及降雨落区的位置以及雨区的分布形状等。本研究利用基于连续降水区(CRA)的定量降水预报检验方法(Ebert，et al，2000)，通过将总的预报误差分解为位置、强度以及形状3个方面的误差，对BJ-RUC v2.0的预报结果进行综合检验，观测资料选用CMORPH降水融合资料。

CRA方法的主要计算步骤如下：

(1)将模式预报的降水和观测降水插值到同一精度的网格上(本研究插值到CMORPH融合资料0.1°×0.1°网格上)，并通过设定降水量阈值，确定连续降水区域的范围；

(2)对模式预报的降水区域整体进行移动，直到移动后的降水和观测降水的差异满足评判标准。参照Ebert等(2000)的研究，选取的评判标准是移动预报的降水场直至其与观测降水场的总平均方差(TSE，Total Square Error)达到最小；

(3)对预报的降水进行误差分解。

根据CRA方法的原理，模式预报的降水总误差可以分解为位置、强度以及形状误差3部分

通过CRA方法，可以综合分析模式预报误差中由降水的区域位置、形状和降水强度等造成的各方面误差的贡献，讨论预报误差的主要来源。3 中尺度模式预报分析

分析表明，此次特大暴雨发生在极其有利的天气形势下，且水汽条件异常充分，产生暴雨的各种物理条件恰好同时满足，造成了此次极端降水(孙军等，2012)。从环流形势来看，此次降水的配置较为典型，不同业务预报中心的数值预报模式(中国T639、美国NCEP/GFS和日本JMA等)均提前指示出了此次降水过程，但预报结果并不理想。其中GFS预报的24 h降水明显偏弱，低于200 mm。中国中央气象台于2012年7月20日21时发布的全国24 h降水预报显示京津地区将有大到暴雨，部分地区大暴雨，并发布了暴雨蓝色预警。但是相比降水实况，预报降水的强度和位置都有一定的偏差。

在对预报结果进行检验之前，首先回顾此次暴雨的形势特征。从21日06—15时间隔3 h的CMORPH小时降水融合资料的分布(图 2a)可以看出，此次降水较为集中，具有明显的中尺度特征。降水自

21日06时开始逐渐增强，21日12时前后达到极值(图 2a₃)，且小时降水呈现明显的西南—东北走向的中尺度雨带。同时，雨带随时间的移动还显示了降水系统的发展过程，整个降水系统从西南向东北逐渐移动并不断发展，给北京地区带来持续性大暴雨；降水极值时刻之后，雨带逐渐向东移出北京(图 2a₄)。卫星云图也相应显示此次过程有明显的中尺度对流云团活动，从逐3 h的FY-2E红外云图可见(图略)，产生强降水的降水云团逐渐发展并维持，截至21日12时，云顶亮温(TBB)低于-70℃，可见对流发展十分强盛。卫星云图还显示，西南—东北走向的水汽输送带提供的水汽非常充足，而镶嵌其中的中尺度对流系统的移动与地面雨带的发展基本一致。

图 2 2012年7月21日06、09、12、15时CMORPH小时降水融合资料(a1—a4)及20日21时(b1—b4)、21日00时(c1—c4)，03时(d1—d4)，06时(e2—e4)、09时(f3—f4)、12时(g4)起报的小时降水分布(b1—d1．21日06时，b2—e2．09时，b3—f3．12时，b4—g4．15时) Fig. 2 Hourly precipitation(mm/h)at 06:00 UTC，09:00 UTC，12:00 UTC and 15:00 UTC 21 July 2012 from the CMORPH merged precipitation(a1-a4) and forecast precipitation initiated at 21:00 UTC 20 July(b1-b4)，00:00 UTC(c1-c4)，03:00 UTC(d1-d4)，06:00 UTC(e2-e4)，09:00 UTC(f3-f4) and 12:00 UTC(g4)21 July 2012(b1-d1. 06:00 UTC，b2-e2. 09:00 UTC，b3-f3. 12:00 UTC and b4-g4. 15:00 UTC 21 July)

图选项

选取北京地区(如图 2a₁中红框所示区域)BJ-RUC v2.0模式不同时刻起报的逐小时降水量与CMORPH降水融合资料进行区域平均，并比较时间序列(图 3)可知，预报的降水量基本呈预报时效越短，预报结果越好的形势。20日21时和21日00时起报的降水显著偏弱，且降水在时间上滞后3—4 h，降水极值明显偏晚。从降水分布(图 2a₂、a₃)可知，这是由于这两个时刻起报的降水落区明显偏西南，北京地区的降水较少，导致平均雨量明显偏弱。21日06、09时的临近预报结果较好，在降水量级和时间序列上均与CMORPH降水融合资料较为一致，其中21日09时预报的结果更好。考虑到BJ-RUC v2.0模式每天00时冷启动，之后每3 h进行循环同化预报，因而06时及其以后时刻的初始场已同化了观测的大气水汽及水凝物等信息，预报结果更好。此外，锋面大约在21日16时经过北京(Zhang，et al，2013)，16时以前主要是锋前的暖区降水，而其后是锋面降水。从CMORPH降水融合资料可以看出，北京地区的特大暴雨主要是由暖区降水导致的。降水量预报显示，模式对于暖区预报结果明显不佳，而锋面降水量则与观测较为接近。

值得注意的是，21日03时起报的降水序列趋势明显不同，在降水初期存在较大降水，但极值降水和降水时间序列的预报均与观测存在较大差别。进一步考察21日03时起报的小时降水的分布(图 2d)可以看出，21日03时在降水初期由于初始场数据同化资料的影响，预报较好；然而随着预报时间延长，同化的影响逐渐减小，极值降水的预报结果变差。模式启动3 h后，预报降水相比CMORPH融合降水在量级上显著偏弱。

图 3 区域平均的CMORPH降水融合资料逐小时降水量和BJ-RUC v2.0不同时刻起报的小时降水量的时间序列 Fig. 3 Time series of the area averaged CMORPH merged precipitation and forecast precipitation at the different initial times from the BJ-RUC v2.0 outputs

图选项

图 4a、b是BJ-RUC v2.0系统预报的小时降水的ETS评分序列。检验的观测降水资料为CMORPH融合降水资料，区域为(38°—42°N，113°—119°E)，格点数41×61。总体而言，临近预报的评分较高，与前述定性分析结果基本一致。5 mm/h阈值的检验结果表明，21日16时前评分差异较大，临近预报有明显优势；16时以后临近预报结果虽然更好，但优势并不明显。结合观测结果来看，16时以后主要为冷锋降水，雨量也逐渐减小(Zhang，et al，2013)。另外，各起报时间在降水峰值时段(21日11—14时)的预报，5 mm/h阈值的ETS评分均有所下降，而20 mm/h阈值的评分较高。可见临近时刻的预报在起报后3 h左右存在最高值评分，继而又迅速降低，这种高值评分的延迟可能是由于模式向同化的初始场调整的结果。同时，同化分析场包含了大气水汽及水凝物等信息，使得评分在短时效内评分较高，而后随着预报时效延长评分迅速下降。注意到，21日03时的预报在阈值20 mm/h时评分明显较低，与前述分析结论一致。同时，BIAS评分显示(图 4c、d)，5 mm/h以上降水各起报时间的预报有不同程度的过度预报，尤其在降水较大时段(21日11—14时，图 3)，各预报的BIAS评分均大于1。相比而言，观测的降水格点数在此时段内减少，结合降水分布(图 2a₃)可知，此时段内降水较为集中，表现为中尺度雨带特征。分析20 mm/h以上偏差(BIAS)评分可知，各起报时间在北京地区降水峰值时段的预报结果较好，临近预报结果更佳，偏差接近1。值得注意的是，20日21时起报的偏差评分较好，但ETS评分较差，说明该时刻预报的降水格点数与观测较为匹配，但降水区域的位置和形状的预报结果较差(图 2b₃、b₄)。

图 4 各时刻起报的ETS(a、b)和偏差评分(c、d) Fig. 4 Equitable Threat Scores(ETS，a，b) and BIAS scores(c，d)for the different initial times

图选项

传统的降水预报评分检验无法分辨误差的来源，为了更全面地评估模式降水预报性能，利用CRA方法，以CMORPH降水融合的逐小时降水资料作为观测场，对各起报时间预报的降水，进行定量化检验。

均方根误差的结果显示(图 5)，在7月21日的各小时降水检验当中，北京降水峰值时段(21日11—14时)的预报结果较差；而对于同一检验时刻，不同起报时间的预报结果基本呈预报时效越短，预报结果越好的趋势(均方根误差越小)。比较不同检验阈值的结果可以看到，模式对于暴雨的预报能力明显较差(20 mm/h阈值的预报误差显著高于5 mm/h 阈值结果)。进一步，误差分解的结果显示，>5 mm/h降水预报的误差主要来源于位置和形状的误差，强度的误差相对较小；而>20 mm/h的降水预报误差主要由降水强度的误差导致。结合图 2的降水分布来看，各起报时刻对于暴雨的预报在强度上偏弱，而降水区域的位置和形状也存在较大的偏差。对于5 mm/h以上降水，模式预报的降水区域相比观测较大，没有正确反映实际降水的线状雨带，即未能正确刻画降水系统的特征。

图 5 CRA检验误差分解堆积柱形图(各时刻从左至右的不同柱代表起报时刻为20日21时，21日00、03、06、09和12时的预报结果；蓝色、红色、和绿色分别代表位置、强度和形状误差) Fig. 5 Stacked column charts of the CRA error decomposition(Each column from left to right at each verification time representing forecasts initiated at 21:00 UTC 20 July and 00:00，03:00，06:00，09:00 and 12:00 UTC 21 July; blue，red，and green are for errors of location，intensity，and pattern，respectively)

图选项

在考察模式对于小时降水预报能力的基础上，进一步检验预报的过程降水量。对比20日21时和21日00时起报的2012年7月21日00—21时21 h累计降水分布和CMORPH融合自动站观测的降水分布(图 6)可以看到，两个时刻起报的降水量较好，最大降水量均达到300 mm，21日00时起报的降水量与观测更为接近，明显优于GFS全球模式的预报(＜200 mm)；然而，21日00时起报的降水区域位置相比于观测明显偏西南，已经偏离北京地区。从降水分布来看，预报的降水分布与观测在暴雨区域的位置、极值分布上有较大差异。综上，模式对于总体的过程降水量与观测较为接近，但结合前述小时预报检验的分析可知，模式并未准确捕捉到降水系统的特征，即并未正确反映降水过程的机理。

图 6 2012年7月21日00—21时21 h累计降水的CMORPH融合资料(a)和分别于7月20日21时(b)、21日00时(c)起报的预报结果 Fig. 6 Distribution of accumulated 21 h precipitation from 00:00 UTC-21:00 UTC 21 July 2012 from the CMORPH merged accumulated one(a) and the model forecasts initiated at 21:00 UTC 20 July(b) and 00:00 UTC 21 July(c)

图选项

由上述对模式降水预报的检验结果可知，中尺度模式BJ-RUC v2.0对于过程总雨量的预报较为理想，但对于小时降水，尤其是峰值时段暴雨的预报结果较差，且误差主要来源于降水区域的位置和形状。为了探究预报结果不佳的原因，对模式预报的形势场和物理量进行诊断，试图通过探究模式预报不佳的原因，进一步加深对降水机理的理解，并且提高对模式性能的认识。

首先考察天气形势：500 hPa的分析场演变显示(图略)，高空冷暖对比强烈，位势高度场上自内蒙古河套地区有低槽向东移动到北京地区，北京主要受偏南风控制。对比不同时刻起报的结果发现，初始时刻存在的低槽系统均在模式积分2—3 h后被平滑至下一个循环同化时刻，观测信息再次同化进模式初始场；但模式积分后预报场仍未能保留低槽信息，同化的效果随着模式积分而降低，仅在临近时次有体现。对比GFS分析场(图略)，背景环流形势一致性较高，然而GFS受分辨率限制，短波槽系统没有显现。如图 7所示BJ-RUC v2.0各时刻起报的21日12时的结果，对比分析场(图 7f)，各时刻的预报结果基本反映了北京位于高空槽前的形势以及南北冷暖空气的交汇特征；低层850 hPa风场预报较好，低空急流和高空槽系统相配合，背景环流形势预报整体正确。然而可以看到，分析时刻北京地区上空存在的低槽系统，预报结果均没有体现。同时注意到预报的涡旋系统偏南，对降水区域的位置造成影响。

图 7 BJ-RUC v2.0不同时刻(a．2012年7月20日21时，b．21日00时，c．03时，d．06时，e．09时)起报的预报场及分析场(f)在21日12时的500 hPa温度(色阶，℃)、位势高度(实线，5720—5880 gpm，间隔40)和850 hPa风场分布 Fig. 7 BJ-RUC v2.0 forecasts of 500 hPa temperature(shade，℃)，geopotential height(solid line，5720-5880 gpm，interval; 40) and 850 hPa wind(vectors，m/s)at 12:00 UTC 21 July 2012 with the different initial times(a. 21:00 UTC 20 July，b. 00:00 UTC，c. 03:00 UTC，d. 06:00 UTC，e. 09:00 UTC 21 July 2012) and the analysis field(f)

图选项

进一步，对模式预报的物理量进行分析，首先考察模式对降水的水汽条件的预报。计算850 hPa水汽通量可知，21日06—12时水汽通量及其辐合(图略)都有显著加强的过程。西南、东南两支水汽通道源源不断地向北京地区输送水汽，并在其上空产生强烈辐合，为强降水提供了充足的水源。预报结果显示，各时刻起报对于水汽通量的强度预报整体较为理想，并且存在东南、西南两支水汽输送通道。然而，水汽通量大值区的位置相对分析场位置偏西南，与前述形势场偏南的结果一致。相应地，大气可降水量(PW)的分布显示，至21日06时大气可降水量超过75 mm(图 8c₄)，水汽条件十分充分，与GFS分析场结果较为一致(图 8b)。

图 8 BJ-RUC v2.0不同时刻(a1、c1．7月20日21时，a2、c2．21日00时，c3．21日03时)起报后输出的21日03时(a1、a2)和06时(c1—c3)预报场和对应分析场(a3．21日03时，c4．06时)以及GFS 21日06时分析场(b)的大气可降水量(灰阶，mm)分布 Fig. 8 BJ-RUC v2.0 output forecasts at 03:00 UTC(a1，a2) and 06:00 UTC(c1，c2，c3)21 July and the corresponding analyses(a3. 03:00 UTC and c4. 06:00 UTC)initiated at the different times(a1，c1. 21:00 UTC 20 July，a2，c2. 00:00 UTC 21 July，and c3. 03:00 UTC 21 July) and the GFS 06:00 UTC 21 July analysis(b)of precipitable water(shade，mm)

图选项

由于BJ-RUC v2.0分析结果分辨率高，可以反映更多细致结构。相比之下，预报的大气可降水量(图 8a₁、a₂、c₁—c₃)相比对应的分析时刻偏低(图a₃、c₄)，且分析时刻北京地区有明显向北伸的狭长水汽通道，而预报场大气可降水量的高值区位置相对偏南和不够集中(图 8a₁、a₂、c₁—c₃)。

另外，从水汽条件的诊断分析可知，850 hPa水汽通量的辐合区域和降水区域的位置有较好的对应关系。因而，为探究降水位置预报不佳的原因，需进一步考察水汽通量散度的预报结果。分析场显示，自21日06时(降水开始增强时刻)起，北京上空的水汽由辐散转变为辐合，且水汽辐合的强度不断增强、范围逐渐扩大；截至21日12时(图 9f)，北京上空存在大片的强水汽辐合区，与GFS分析结果一致(图略)。同时，水汽辐合带基本呈现西南—东北走向，与雨带方向较为一致。预报结果的分析显示，临近预报较好(图 9d、e)，其余时刻预报的水汽辐合位置均偏离北京，并且辐合区域较为分散。其中，21日03时预报的水汽在北京上空存在强辐散，不利于降水的产生，在一定程度上给出了21日03时降水预报显著偏弱的原因。同时，21日06时以后的预报，由于初始场同化包含了水汽等信息，对于水汽的辐合辐散的预报有积极影响。

图 9 BJ-RUC v2.0不同时刻(a．2012年7月20日21时，b．21日00时，c．03时，d．06时，e．09时)起报的预报场和分析场(f)在7月21日12时的850 hPa水汽通量散度(色阶，10-5g·s/(kg·m))和水汽通量(矢线) Fig. 9 BJ-RUC v2.0 forecasts of 850 hPa moisture flux divergence(shade，10-5g·s/(kg·m)) and its corresponding moisture flux(vectors)at 12:00 UTC 21 July 2012 for with the different initial times(a-e)as well as the analysis field(f)

图选项

综合考察不稳定条件，分析时刻的探空演变显示(图略)，降水发生约5小时前，中层存在干侵入，配合低层偏南暖湿气流的输送，不稳定能量逐渐积聚。至21日06时，北京上空相对湿度超过90%；并且湿层十分深厚，10 km以下相对湿度均超过70%。假相当位温高值也向下延伸，北京地区处于高温、高湿的有利条件中。相比而言，各起报时刻的湿度预报结果较好，湿层均十分深厚。除了21日03时假相当位温的预报梯度较小外，其他时刻预报的假相当位温高值区(高能量指示)在北京地区向下延伸，与分析场的分布较为一致，不稳定条件基本满足。

值得注意的是，北京此次特大暴雨主要由锋前暖区降水造成，因而锋面对降水的指示意义并不明显。有研究通过引入“湿斜压带”的概念，发现其与暖区降水匹配更好，并对降水发生有一定的指示意义(王凯，2013)。在此基础上，考察地面假相当位温的分布可知，降水发生前，地面假相当位温存在东北—西南走向的梯度大值区并不断增强，至21日06时达到最强(图 10c₄)。 对比表明，BJ-RUC v2.0的分析场与自动气象站观测资料计算结果有较高的一致性(王凯，2013)，中尺度模式同化分析的结果较好，且明显优于GFS全球模式的分析场(图 10b)。另外，此时对流有效位能(CAPE)也超过2000 J/kg，大气层结十分不稳定。相比之下，各起报时刻对斜压带的预报结果很不理想。如图 10所示，分析时刻(图 10a₃、c₄)的地面假相当位温存在明显的向北伸的强斜压带，但各时刻的预报场均没有体现。相应地，预报的对流有效位能值也远小于分析时刻。即模式预报中，降水的有利条件并未充足匹配。

图 10 BJ-RUC v2.0不同时刻(a1、c1．7月20日21时，a2、c2．21日00时，c3．21日03时)起报后输出的21日03时(a1、a2)和06时(c1—c3)预报场和对应分析场(a3．21日03时，c4．06时)以及GFS 21日06时分析场(b)的地面假相当位温(色阶)分布 Fig. 10 BJ-RUCv2.0 output forecasts at 03:00 UTC(a1，a2) and 06:00 UTC(c1，c2，c3)21 July and the corresponding analyses(a3. 03:00 UTC and c4. 06:00 UTC)initiated from the different times(a1，c1. 21:00 UTC 20 July，a2，c2. 00:00 UTC 21 July，and c3. 03:00 UTC 21 July) and the GFS 06:00 UTC 21 July analysis(b)of surface equivalent temperature(shade)

图选项

另外，可以看到，21日03时的分析场存在假相当位温梯度大值带(图 10a₃)。然而，随着模式积分，其3 h预报结果基本无此特征(图 10c₃)；因而，尽管多次循环同化的累积效应对模式初始热力场有积极影响，但同化的正效果并不能稳定维持，将随着模式向前积分而减小。

综上分析，各起报时刻预报的背景形势基本正确，但是系统偏南，且高空低槽在预报场中均没有正确体现。从物理量的分析来看，水汽通量的强度预报较好，刻画了此次过程水汽极佳的特征，然而系统位置的偏移以及水汽辐合的偏差，导致模式中湿度达到了条件，但并未正确集中在北京地区，因而模式中有利于降水的条件不充分，使得预报降水与观测存在较大的误差。另外，应该注意到，尽管循环同化有利于改善模式的初始场，其积极影响将随着模式积分减小，仅在临近时次有体现。即同化对0—3 h的临近预报提高有一定作用，但随着预报时效延长，模式内部动力调整将减小初始场的影响。因而，也从另一方面反映了目前的中尺度数值模式对中尺度系统的预报能力还有待提高。6 结论和讨论

本研究利用多种观测和模式输出资料，对“7.21”特大暴雨进行了综合分析，并着重对北京市气象局3 km高分辨率BJ-RUC v2.0的预报结果和分析场进行了检验和分析。在常规检验评分的基础上，利用CRA方法对BJ-RUC v2.0的预报结果进行了定量化评估并试图探讨预报结果不理想的原因，主要得到以下结论：

(1) 此次特大暴雨过程水汽条件极佳，自7月21日06时起降水逐渐增强，大约至12时达到峰值。降水区域较为集中，呈现西南—东北走向的中尺度雨带特征。

(2) BJ-RUC v2.0的预报降水分布显示，各起报时间预报的雨量偏弱，落区偏西南，未能捕捉线状降水的系统特征。其中临近预报由于初始场同化包含了水汽及水凝物等信息，评分较高。同时，模式预报小雨(＞5 mm/h)较大，而暴雨预报(＞20 mm/h)较小。定量误差分解表明整体降水(＞5 mm/h)的主要误差来自于降水区域的位置和形状，而对于暴雨(＞20 mm/h)的预报，降水强度的偏差占误差的主要部分。

(3) 中尺度数值模式BJ-RUC v2.0预报结果明显优于GFS全球模式预报；3 km分析场的结果较好，与观测和GFS分析结果一致性较高，然而对中尺度系统的预报能力还有待提高：模式对于背景形势的预报基本正确，但预报的系统偏南并且低槽系统未体现。尽管水汽充足，但由于水汽辐合及不稳定条件等方面预报不佳，造成模式中降水有利条件不充分，因而预报存在较大误差。同时，应该注意到，观测资料的同化对于初始场有积极作用，但随着模式积分，正效果逐渐减小，在对流临近时次才能体现。这可能是由于观测资料反映的中尺度特征与背景场的各个物理量之间不匹配，有待加强数据资料同化的各尺度平衡关系的研究。

暴雨是在各尺度天气系统相互作用下形成的复杂系统，其定量化预报一直是业务预报的重难点之一。要提高暴雨预报的准确率，需要对暴雨的系统结构有更细致更深入的了解；同时，对数据资料同化改善模式初始场和模式预报性能的研究也十分必要。本研究针对北京“7.21”特大暴雨初步探讨了中尺度模式对特大暴雨的预报结果。应该注意到，本研究主要针对此次特大暴雨事件对BJ-RUC v2.0的模式结果进行了分析，结论存在一定的局限性，模式预报性能及暴雨的可预报性问题还有待进一步研究。