2023, Vol. 53
表1(Table 1)
2. 青岛市气象局, 山东 青岛 266003;
3. 中国民用航空华东地区管理局气象中心, 上海 200335
中国地面气象观测业务规定，每小时降水量16 mm以上、连续12 h降雨量30 mm以上、24 h降水量50 mm以上的降水称为暴雨[1]。强降水导致洪涝灾害[2-3]，引发山体滑坡、泥石流等次生灾害[4-5]，威胁人民生命财产安全。
目前，对于强降水预报最常用的方法为数值天气预报[6-8]。数值天气预报是在给定初始场的情况下，通过超级计算机计算天气运动的流体力学和热力学相关方程组，求解得到未来一段时间的预报场数据[9-10]。在众多数值天气预报模式中，天气研究和预报(WRF, Weather research and forecast)模式在强降水预报中表现突出，受到许多学者青睐[11-13]。但由于强降水局地性强、时间短、尺度小[14]，WRF模式强降水预报方面还存在一定的局限性[15]。一方面WRF模式初始场存在不确定性，这种不确定性会造成细微误差的快速增长[16-17]，另一方面近离散化、云微物理参数化近似、边界条件等WRF模式本身造成的误差也造成强降雨预报的不准确[18-20]。
以往改善WRF模式对强降水预报的能力多利用三维变分、四维变分、卡尔曼滤波等方法同化观测数据来优化WRF模式初始场[21-22]。这些改善方法均集中在WRF模式预报之前，同化的数据是静态的，在模式预报期间不能实时地、动态地更新数据。Glisan等[23]和Huang等[24]的研究表明, 将同化观测后的分析数据松弛逼近到WRF模式整个模拟时段，有利于改善WRF模式对强降水的模拟结果。买小平[25]和Omrani等[26]研究发现，在数值模式众多松弛逼近变量中，用松弛逼近风场来优化高低空的风场配置是准确模拟降水的关键。但在实际预报中，由于分析资料的风场数据存在时间滞后性，无法将其松弛逼近到WRF模式预报时间段。
机器学习可以通过训练大量历史分析数据，获取规则，通过建立输入和输出数据之间最优的数学模型，一定程度预测未来分析数据的变化趋势。在众多机器学习方法中，BP(Back propagation)神经网络被广泛预测风场等气象参数的变化趋势[27-28]。傅蓉等[29]考虑风电场气象因子影响建立了BP神经网络风速预测模型，运用该模型对新疆实际风电场日平均风速、最大风速、最大风速方向进行了连续20 h的预测，平均相对误差分别为8.07%、10.09%和9.05%。Yang和Wang[30]将山东烟台观测站点10 min间隔的风速资料作为学习样本，利用BP神经网络对风速进行预测，预测结果的平均误差、绝对误差、均方根误差分别为-0.07、0.62和0.85 m·s-1，绝对误差百分比为7.23%。
青岛地处山东半岛东南部，具有山、海、城、岛丰富的下垫面特征，受西南暖湿气流和北方冷空气活动的影响，强降水多发[31]。张凯静等[32]的研究表明，高空500 hPa西风槽明显，700和850 hPa存在切变(冷涡、气旋性环流)，且低层存在西南急流时青岛地区容易产生强降水，在青岛强降水事件中占比61.7%。但是复杂地形和天气系统的相互作用，使得青岛强降水预报存在较大难度。本文选取此类西风槽天气系统为个例，将BP神经网络后报的风场“分析数据”松弛逼近到WRF模式的后报时段，以期改善WRF模式对青岛地区强降水的预报效果，为降水预报提供一种新的思路。
1 暴雨个例北京时间2018年5月22日，受冷空气影响，青岛地区出现降水过程，日均降水量为32.26 mm(见图 1(a))，平度、胶州、莱西、崂山、即墨、青岛、黄岛的12 h降水量分别为35.60、25.90、35.60、37.50、39.20、25.8和23.6 mm(见图 1(b))，7个站中有4个站12 h降水量超过暴雨阈值30.00 mm。
|
图 1 2018年5月22日青岛地区观测站24小时降水量水平分布(a)及小时降水量时间序列(b) Fig. 1 Spatial distribution of 24-hr precipitation (a) and time series of 1-hr precipitation from observed data of meteorological stations (b) in Qingdao on 22 May, 2018 |
利用GFS数据分析2018年5月22日14时(北京时间)强降水过程环流形势，结果如图 2所示。500 hPa青岛地区位于西风槽前，冷空气沿槽后西北气流向南方入侵(见图 2(a))，700 hPa青岛地区相对湿度在90%以上，西南气流源源不断给青岛地区输送水汽，为降水提供水汽条件(见图 2(b))；850 hPa青岛地区有很强的风切变，辐合上升，为降水提供动力条件(见图 2(c))。该降水过程为青岛典型的西风槽强降水天气系统[32]。
|
((a)500 hPa温度、位势高度和风水平分布，(b)700 hPa相对湿度、位势高度和风水平分布，(c)850 hPa相对湿度、位势高度和风水平分布。温度单位为℃，相对湿度单位为%，位势高度单位为dagpm，风场单位为m·s-1。青岛地区用紫色标记标出。(a) Spatial distribution of temperature, geopotential height and wind field at the 500 hPa level; (b) Spatial distribution of relative humidity, geopotential height and wind field at the 700 hPa level; (c) Spatial distribution of relative humidity, geopotential height and wind field at the 850 hPa level. The units of temperature, relative humidity, geopotential height, wind are ℃, %, dagpm and m·s-1, respectively. Purple marks are areas of Qingdao. ) 图 2 2018年5月22日14时GFS分析数据环流形势水平分布 Fig. 2 Spatial distributions of circulation situation from GFS analysis data at 14:00 on 22 May, 2018 |
地面气象站数据：选择2018年5月青岛地区7个地面大气监测站(黄岛、即墨、胶州、莱西、崂山、平度和青岛)的观测记录，数据时间分辨率为每小时一次，数据包括2 m温度、2 m相对湿度、2 m气压、10 m风速、10 m风向、降水量等气象参数，由青岛市气象局提供。
探空数据：2018年5月青岛站每日8时和20时(北京时间)的探空数据由怀俄明大学网站提供(http://weather.uwyo.edu)，可以获得气温、气压、湿度、风速和风向等垂直分布资料。
雷达回波水平分布图：2018年5月青岛地区多普勒雷达回波拼图由国家气象信息中心中国气象数据网提供(http://data.cma.cn)。雷达基数据经过基本的电磁干扰杂波滤除、地物杂波滤除等质量控制。
GFS预报数据：GFS(Global forecast system)预报数据是由国家环境预报中心(NCEP，National centers for environmental prediction)的全球预报系统提供的全球气象预报数据。预报系统每天发布4次(0200、0800、1400、2000 BJT)数据，预报时效为15 d。数据水平分辨率为0.25(°)×0.25(°)，垂直分为27层，包含温、压、风、湿等气象参数。WRF模式预报时常用该预报数据作为模式的背景场[33]。
GFS分析数据：GFS分析数据是NCEP将GFS预报数据同化观测后的数据，当日可获得前一日的GFS分析数据，GFS分析数据的水平分辨率为0.5(°)×0.5(°)，时间间隔为6 h(0200、0800、1400、2000 BJT)，其他参数与GFS预报数据相同[34]。
FNL分析数据：FNL(Final)分析数据同样也是NCEP将GFS预报数据同化观测后的数据，和GFS分析数据相比，FNL分析数据同化的观测数据要多10%，发布时间要延迟60~90 min，水平分辨率较低，数据的水平分辨率为1(°)×1(°)[35]。
CFSR分析数据：CFSR(Climate forecast system reanalysis)数据由NCEP气候预测系统提供，与NCEP其他分析资料相比，CFSR资料考虑了大气和海洋的耦合，并加入了海冰模式，同时考虑痕量气体和气溶胶变化，数据水平分辨率为0.5(°)×0.5(°)，垂直分为38层，时间间隔为6 h[36]。
2.2 格点松弛逼近松弛逼近是在WRF模式预报方程中增加一个附加项(观测、分析资料等)，也称作松弛项，在不过分影响模式求解的前提下，有效控制数值模式的误差发展，使方程解向局部最优逼近[37]。
本文分别使用BP后报风场和GFS预报风场作为松弛项，松弛逼近方式选取WRF模式常用的格点松弛逼近，即使用格点对格点的松弛项来实现逐步逼近[38]。在气象系统中，格点松弛逼近的强度系数通常和科氏参数的量级相同，在10-4到10-3之间，如果强度系数过大，会削弱WRF模式的求解能力，不利于模式生成中尺度天气结构。同时由于局地的小尺度过程主要发生在模式的边界层内，所以在垂直方向上，格点松弛逼近一般不运用于边界层，将边界层内的风场完全交给WRF模式本身求解[39]。因此本文格点松弛逼近的强度系数为0.000 3[40]，在垂直方向上只松弛逼近边界层外的格点。
2.3 模式评估采用平均偏差(MB)、平均误差(ME)和均方根误差(RMSE)这三种统计指标来评估WRF模式的输出结果，具体公式如下所示：
| MB=1N∑Ni=1(Mi−Oi), | (1) |
| ME=1N∑Ni=1|Mi−Oi|, | (2) |
| RMSE=√1N∑Ni=1(Mi−Oi)2。 | (3) |
式中：N为样本总数; M为模式输出数据; O为观测数据。
3 WRF物理参数化敏感性试验WRF模式中不同积云、边界层和微物理参数化方案对不同地区强降水的预报模拟效果存在显著差异[41-43]。为选取青岛地区强降水模拟最优结果对应的参数化方案，利用WRF模式对5月强降水过程进行敏感性实验，同时使用青岛地区7个气象观测站的常规观测数据(2 m温度、2 m相对湿度，10 m风速和降水量等)和青岛地区雷达回波水平分布情况，评估敏感性试验的输出结果。
WRF模式(3.9.1版本)模拟区域如图 3所示，模拟采用2重嵌套和兰伯特投影，水平分辨率(格点数)分别为9 km(200×200)和3 km(202×202)。前人研究表明，水平分辨率在4~10 km之间为积云对流参数化的“灰色区域”，许多积云对流参数化在该分辨率范围内时，模式中的假设将不再适用[44-46]。9和3 km水平分辨率分别处于积云对流参数化“灰色区域”的外部和内部，使用该水平分辨率更有利于测试WRF模式积云对流参数化方案对降水的模拟效果。
|
(黑色方框内为d01，水平分辨率为9 km，白色方框内为d02，水平分辨率为3 km，青岛地区用紫色标记标出。The black box is d01 with a horizontal resolution of 9 km. The white box is d02 with a horizontal resolution of 3 km. Purple marks are areas of Qingdao. ) 图 3 WRF模拟区域示意图 Fig. 3 Schematic diagram of WRF simulation area |
WRF模式垂直分为35层①，最高可达50 hPa。模拟使用MODIS卫星数据作为模式的地形数据，使用与GFS预报数据同源的GFS分析数据作为模式的初边界条件，边界条件每6 h更新一次，模式除边界层和微物理参数化方案外，其余参数化方案设置如表 1所示。
|
表 1 WRF模式参数化方案 Table 1 Parameterization schemes of WRF |
①η layers levels: = 1.000, 0.993, 0.983, 0.970, 0.954, 0.934, 0.909, 0.880, 0.845, 0.807, 0.765, 0.719, 0.672, 0.622, 0.571, 0.520, 0.468, 0.420, 0.376, 0.335, 0.298, 0.263, 0.231, 0.202, 0.175, 0.150, 0.127, 0.106, 0.088, 0.070, 0.055, 0.040, 0.026, 0.013, 0.000.
分别使用WRF模式模拟降水常用的2种边界层参数化方案和5种微物理方案[53-59]，再加上d01和d02两种水平分辨率设置，对2018年5月青岛地区天气系统共进行了20组模拟试验。把每组试验的模拟结果和青岛地区气象观测站的观测结果进行比对，分别计算MB、ME和RMSE，具体试验设置和模式评估结果如表 2所示。
|
|
表 2 2018年5月WRF参数化模拟试验与青岛地区(7个气象观测站)观测数据评估结果 Table 2 Evaluation results between simulation experiments of WRF's parameterization schemes and observed data of meteorological stations in Qingdao in May, 2018 |
从模拟区域来看，灰区外(见表 2中序号1-10)2 m温度和2 m湿度的评估结果比灰区内(见表 2中序号11-20)的评估结果准确性高，而灰区外(见表 2中序号1-10)10 m风速的评估结果比灰区内(见表 2中序号11-20)的评估结果要准确性差。从边界层和微物理参数化配置来看，YSU边界层和Thompson微物理参数化方案的评估结果最好。
总体而言，水平分辨率9 km、YSU边界层参数化方案和Thompson微物理参数化方案的试验(见表 2中Exp-d01-Y-T)在所有评估选项中，最优评估结果(绝对值最小值)所占次数最多，因此将该参数化方案作为基础用来后续研究青岛地区强降水过程。
Exp-d01-Y-T试验的WRF模拟结果与气象站点观测数据的时间序列对比图(以青岛站为例)如图 4所示。温度MB、ME和RMSE值分别为-1.39、1.87和2.33 ℃，相对湿度MB、ME和RMSE分别为4.07%、8.23%和11.44%，风速MB、ME和RMSE分别为0.00、1.06、和1.37 m·s-1, 模式评估结果符合模式评估的基准值[60-61]，WRF模拟能够较好反映真实大气情况。模拟的雷达回波与华北地区观测雷达回波水平分布对比图(以5月22日08时为例)如图 5所示，观测和模拟的雨带均呈西南-东北走向，降水覆盖整个山东半岛，模拟结果降水强度和实际相比较弱，但仍能反应真实的降水分布特征。
|
(绿字为MB的值，黄字为ME的值，蓝字为RMSE的值。The green, yellow, blue words are the values of MB, ME and RMSE, respectively. ) 图 4 2018年5月Exp-d01-Y-T试验结果与青岛站观测数据时间序列 Fig. 4 Time series between results of Exp-d01-Y-T and observed data of meteorological stations in Qingdao in May, 2018 |
|
((a)观测结果，(b)Exp-d01-Y-T试验结果。(a) Result of observed data. (b) Result of Exp-d01-Y-T. ) 图 5 2018年5月22日08时雷达基本反照率水平分布图 Fig. 5 Spatial distributions of radar albedo at 0800 on 22 May, 2018 |
不同时空条件下，由于观测资料、模式和同化系统的差异，不同再分析数据和分析数据的准确性也有不同[62]。GFS、FNL和CFSR分析数据当日可获取前一天的分析数据，使BP神经网络测试集中尽可能多地包含分析资料，有利于BP神经网络计算的准确性。
为了选择最适合本次研究的分析数据作为BP神经网络的训练和测试样本，进行三组试验Exp-GFS、Exp-FNL和Exp-CFSR。Exp-GFS、Exp-FNL和Exp-CFSR在其他设置不变的基础上，分别利用GFS、FNL和CFSR分析数据作为WRF模拟的背景场，对青岛地区2018年5月进行模拟，再将试验结果与观测数据进行比对，评估试验结果的准确性。具体试验设置和模式评估结果如表 3所示。结果表明，GFS分析数据的模拟结果(Exp-GFS)要优于FNL和CFSR分析数据，故选取GFS再分析数据作为BP神经网络的训练样本和测试集。
|
|
表 3 2018年5月WRF背景场模拟试验与青岛地区(7个气象观测站)观测数据评估结果 Table 3 Evaluation results between simulation experiments of WRF's background fields and observed data of meteorological stations in Qingdao in May, 2018 |
Tang等[63]发现，在WRF模拟时松弛逼近分析资料的风场数据，有利于优化WRF模式对强降水的模拟结果。故对选取个例的风场进行BP神经网络后报试验，命名为Exp-BP，并利用青岛站探空数据评估风场的准确度。
Exp-BP选取2016—2018年每年3—5月份数据建立BP神经网络风场后报模型，选取局地和相邻格点的温度、湿度、位势高度作为预报因子，将2016和2017年3—5月的风场作为训练样本，将2018年3—5月的风场作为测试样本，利用GFS预报数据的预报因子后报2018年5月21—31日的风场。具体训练样本和测试样本数据分配情况如表 4所示。
|
|
表 4 BP神经网络训练和测试样本数据分配情况 Table 4 Data Distribution of BP neural network between training and test sets |
利用2018年5月21—31日青岛探空站不同等压面(1 000、850、700、500和200 hPa)的风速数据，分别对BP后报数据(Exp-BP)、GFS预报数据和GFS分析数据进行评估，评估结果如表 5和图 6所示。虽然BP后报数据和评估结果及GFS分析数据相差甚远(见表 5)，但要比GFS预报数据(WRF预报中使用的背景场)略好(见图 6)。
|
|
表 5 5月21—31日BP、GFS预报和分析数据与青岛站探空风速评估结果 Table 5 Evaluation results of wind speed among BP hindcasting data, GFS forecasting data, GFS analysis data and sounding data in Qingdao from 21 to 31 May, 2018 |
|
(蓝色填色为探空数据，黄色填色为GFS预报数据，紫色填色为BP后报数据，框内线条表示中位数，上下边缘表示上下四分数，散点为离群值。The blue, yellow, purple shaded areas are sounding data, GFS forecasting data and BP hindcasting data, respectively. The line inside of each box is the sample median. The top and bottom edges of each box are the upper and lower quartiles, respectively. The scatters are outliers. ) 图 6 2018年5月21—31日BP后报、GFS预报和探空观测风速箱线图 Fig. 6 Box plots of wind speed among BP hindcasting data, GFS forecasting data and sounding data from 21 to 31 May, 2018 |
对WRF模式具体的改善流程如图 7所示，使用BP神经网络对风场进行后报，利用格点松弛逼近将选定个例中BP后报风场数据和WRF模式相结合，以期提高WRF模式对强降水的预报效果。
|
图 7 BP神经网络预报风场对WRF模式强降水预报的改善方案 Fig. 7 Flow diagram of WRF's improvement method for heavy precipitation forecasting based on forecasted wind by BP neural network |
为更好地评估BP后报风场对WRF模式的改进效果，进行三组敏感性试验，命名为Exp-Control、Exp-Nudging-GFS和Exp-Nudging-BP。Exp-Control、Exp-Nudging-GFS、Exp-Nudging-BP在其他条件不变的基础上，分别在WRF后报中不松弛逼近任何数据、松弛逼近GFS预报风场数据和BP后报风场数据，再和青岛地区观测数据进行对比，评估模拟效果。WRF后报系统时间范围为2018年5月21—31日，将GFS预报数据作为模式的初始场和边界条件，其他模式设置和前文(见表 2中Exp-d01-Y-T)一致。
具体的试验设置和气象参数的评估结果如表 6所示。从表中可以看出，在WRF模式中松弛逼近BP后报风场后，WRF模式预报结果要优于不松弛逼近数据和松弛逼近GFS预报数据的模拟后报结果，对相对湿度和风的改进比较明显。
|
|
表 6 2018年5月21—31日WRF后报试验与青岛地区(7个气象观测站)观测数据评估结果 Table 6 Evaluation results between hindcasting experiments of WRF model and observed data of meteorological stations in Qingdao from 21 to 31 May, 2018 |
利用2018年5月22日青岛地区7个气象观测站的降水数据对三组试验的降水后报结果进行评估，降水时间序列图如图 8所示。从图中可以看出，三组试验对降水后报结果与实际降水相比，存在低估的现象。但松弛逼近BP后报风场的后报的7个站的降水强度(见图 8绿线)均明显优于其他两组试验的后报结果(见图 8中红线与蓝线)，更接近于实际观测降水量(见图 8中灰线)，说明BP后报风场数据松弛逼近到WRF模式中确实能改善WRF模式对强降水的预报结果。
|
图 8 2018年5月22日WRF后报试验与青岛气象观测站小时降水时间序列 Fig. 8 Time series of 1-hr precipitation between hindcasting experiments of WRF model and observed data of meteorological stations in Qingdao on 22 May, 2018 |
同时，三组试验对降水的后报结果与实际观测降水量存在时间上的不对应，后报结果要比实际滞后约4 h，但三组试验间降水后报结果不存在明显的时间不对应，这说明滞后主要是由于GFS预报数据作为WRF的初边界条件引起的，WRF模式中松弛逼近BP后报数据对这种降水滞后的影响较少。
为定量评估BP后报数据对降水的改善情况，计算2018年5月22日青岛地区7个站点的24 h降水量(见表 7)，实际24 h降水量为32.26 mm，采用松弛逼近BP后报风场数据、松弛逼近GFS预报风场数据和没有松弛逼近数据的WRF模式后报24 h降水量分别为17.80、5.85和9.18 mm。
|
|
表 7 2018年5月22日WRF后报试验与青岛地区(7个气象观测站)日降水量评估结果 Table 7 Evaluation results of daily precipitation between hindcasting experiments of WRF model and observed data of meteorological stations in Qingdao on 22 May, 2018 |
本文以青岛地区2018年5月22日强降水为例，利用BP神经网络对GFS分析数据的风场进行后报，将BP后报结果松弛逼近到WRF模式后报阶段，改善WRF模式对强降水的预报效果。结果表明：
(1) 水平分辨率9 km(积云对流灰区外)、YSU边界层参数化方案和Thompson微物理参数化方案是最适合此次降水的参数化方案，GFS分析和预报数据最适用于青岛地区BP神经网络的训练样本和测试集。
(2) 松弛逼近BP后报风场后，WRF模式后报降水量有了明显改善。相比于松弛逼近GFS预报风场数据和不松弛逼近任何数据的WRF模式，松弛逼近BP后报风场的WRF模式后报24 h降水量误差分别减少了11.95和8.62 mm。
本研究存在不足之处，仅将BP后报的风场松弛逼近到WRF模式中去，没有把其他气象参数，如温度、湿度等松弛逼近到WRF模式中去，同时由于计算资源受限，只利用了GFS预报数据作为BP神经网络的测试集，没能将WRF预报数据实时更新到BP神经网络的测试集中，实现与WRF模式的耦合。在接下来的工作中会对不足之处进行更多的尝试, 进一步利用BP神经网络优化WRF模式对强降水的预报效果。
| [1] |
计寻. 暴雨天气下城市道路动态交通特征及交通流分配方法研究[D]. 北京: 北京交通大学, 2021: 1-135. doi: 10.26944/d.cnki.gbfju.2021.000344. Ji X. Dynamic Traffic Characteristics and Traffic Assignment Method on Urban Road Under Rainstorm Weather[D]. Beijing: Beijing Jiaotong University, 2021: 1-135. doi: 10.26944/d.cnki.gbfju.2021.000344. (  1) |
| [2] |
Hu X, Jiang F, Ni W. Floods increase the risks of hand-foot-mouth disease in Qingdao, China, 2009—2013: A quantitative analysis[J]. Disaster Medicine and Public Health Preparedness, 2018, 12: 723-729. DOI:10.1017/dmp.2017.154 ( 1) |
| [3] |
Liao Q, Yu G, Jiang W, et al. Research on the risk assessment of Qingdao marine disaster based on flooding[J]. Sustainability, 2019, 11: 468. DOI:10.3390/su11020468 ( 1) |
| [4] |
Ju C, Jia Y, Shan H, et al. GIS-based coastal area suitability assessment of geo-environmental factors in Laoshan district, Qingdao[J]. Natural Hazards and Earth System Sciences, 2012, 12: 143-50. DOI:10.5194/nhess-12-143-2012 ( 1) |
| [5] |
Zhang Y, Li S, Chen X, et al. Geotechnical engineering control on the scenic area-research on the method for geological disasters-rockfall, landslide and debris flow in Laoshan district of Qingdao[J]. Advanced Materials Research, 2012, 597: 3072-3079. DOI:10.4028/www.scientific.net/AMR.594-597.3072 ( 1) |
| [6] |
Rao Y, Hatwar H, Salah A, et al. An experiment using the high resolution eta and WRF models to forecast heavy precipitation over India[J]. Pure and Applied Geophysics, 2007, 164: 1593-1615. DOI:10.1007/s00024-007-0244-1 ( 1) |
| [7] |
Wang G, Wang D, Yang J, et al. Evaluation and correction of quantitative precipitation forecast by storm-scale NWP model in Jiangsu, China[J]. Advances in Meteorology, 2016, 13. DOI:10.1155/2016/8476720 ( 0) |
| [8] |
Schauwecker S, Schwarb M, Rohrer M, et al. Heavy precipitation forecasts over Switzerland-An evaluation of bias-corrected ECMWF predictions[J]. Weather and Climate Extremes, 2021, 34: 100372. DOI:10.1016/j.wace.2021.100372 ( 1) |
| [9] |
Bjerknes V. Das problem der wettervorhers-age, betrachtet vom standpunkte der mechanik und der physic[J]. Meteorolgische Zeitschrift, 1904, 21: 1-7. ( 1) |
| [10] |
Richardson L F, Lynch P. Weather Prediction by Numerical Process[M]. Cambridge: Cambridge University Press, 2007: 1-236. DOI:10.1017/CBO9780511618291.004
( 1) |
| [11] |
Vel'tishchev N F, Zhupanov V D, Pavlyukov Y B. Short-range forecast of heavy precipitation and strong wind using the convection-allowing WRF models[J]. Russian Meteorology and Hydrology, 2011, 36: 1-10. DOI:10.3103/S1068373911010018 ( 1) |
| [12] |
Yan H, Gallus W A. An evaluation of QPF from the WRF, NAM, and GFS models using multiple verification methods over a small domain[J]. Weather and Forecasting, 2016, 31: 1363-1379. DOI:10.1175/waf-d-16-0020.1 ( 0) |
| [13] |
Powers J G, Klemp J B, Skamarock W C, et al. The weather research and forecasting model: overview, system efforts, and future directions[J]. Bulletin of the American Meteorological Society, 2017, 98: 1717-1737. DOI:10.1175/BAMS-D-15-00308.1 ( 1) |
| [14] |
Buzzi A, Foschini L. Mesoscale meteorological features associated with heavy precipitation in the southern Alpine region[J]. Meteorology and Atmospheric Physics, 2000, 72: 131-146. DOI:10.1007/s007030050011 ( 1) |
| [15] |
Huang L, Wang W, Li H, et al. Examination and evaluation of WRF in floods season precipitation forecast of Jintan[J]. Advanced Materials Research, 2013, 663: 743-748. DOI:10.4028/www.scientific.net/amr.663.743 ( 1) |
| [16] |
Anthes R A, Kuo Y H, Hsie E Y, el al. Estimation of skill and uncertainty in regional numerical models[J]. Quarterly Journal of the Royal Meteorological Society, 1989, 115: 763-806. DOI:10.1002/qj.49711548803 ( 1) |
| [17] |
Bei N, Zhang F. Impacts of initial condition errors on mesoscale predictability of heavy precipitation along the Mei-Yu front of China[J]. Quarterly Journal of the Royal Meteorological Society, 2007, 133: 83-99. DOI:10.1002/qj.20 ( 1) |
| [18] |
Nuissier O, Joly B, Vié B, et al. Uncertainty of lateral boundary conditions in a convection-permitting ensemble: A strategy of selection for Mediterranean heavy precipitation events[J]. Natural Hazards and Earth System Sciences, 2012, 12: 2993-3011. DOI:10.5194/nhess-12-2993-2012 ( 1) |
| [19] |
Cassola F, Ferrari F, Mazzino A. Numerical simulations of Mediterranean heavy precipitation events with the WRF model: A verification exercise using different approaches[J]. Atmospheric Research, 2015, 164: 210-255. DOI:10.1016/j.atmosres.2015.05.010 ( 0) |
| [20] |
Maddah M A, Akhoond-Ali A M, Ahmadi F, et al. Forecastability of a heavy precipitation event at different lead-times using WRF model: The case study in Karkheh River basin[J]. Acta Geophysica, 2021, 69: 1979-1995. DOI:10.1007/s11600-021-00669-4 ( 1) |
| [21] |
Evensen G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics[J]. Journal of Geophysical Research, 1994, 99: 10143-10162. DOI:10.1029/94jc00572 ( 1) |
| [22] |
Sun J, Trier S B, Xiao Q, et al. Sensitivity of 0~12 h warm-season precipitation forecasts over the central United States to model initialization[J]. Weather and Forecasting, 2012, 27: 832-855. DOI:10.1175/WAF-D-11-00075.1 ( 1) |
| [23] |
Glisan J M, Gutowski W J, Cassano J J, et al. Effects of spectral nudging in WRF on Arctic temperature and precipitation simulations[J]. Journal of Climate, 2013, 26: 3985-3999. DOI:10.1175/JCLI-D-12-00318.1 ( 1) |
| [24] |
Huang Z, Zhong L, Ma Y, et al. Development and evaluation of spectral nudging strategy for the simulation of summer precipitation over the Tibetan Plateau using WRF[J]. Geoscientific Model Development, 2021, 14: 2827-2841. DOI:10.5194/gmd-14-2827-2021 ( 1) |
| [25] |
买小平. 基于Nudging同化方法的气候动力降尺度在中国的应用研究[D]. 兰州: 兰州大学, 2018: 1-83. Mai X P. Application on Climate Dynamical Downscaling Skills Using Nudging Method over China[D]. Lanzhou: Lanzhou University, 2018: 1-83. ( 1) |
| [26] |
Omrani H, Drobinski P, Dubos T. Using nudging to improve global-regional dynamic consistency in limited-area climate modeling: What should we nudge?[J]. Climate Dynamicsm, 2015, 44: 1627-1644. DOI:10.1007/s00382-014-2453-5 ( 1) |
| [27] |
Abhishek K, Singh M P, Ghosh S, et al. Weather forecasting model using artificial neural network[J]. Procedia Technology, 2012, 4: 311-318. DOI:10.1016/j.protcy.2012.05.047 ( 1) |
| [28] |
Kaur J, Gupta N. Artificial neural network: A review[J]. International Journal of Technical Research and Science, 2020, special(issue3): 1-4. DOI:10.30780/specialissue-ICACCG2020/007 ( 1) |
| [29] |
傅蓉, 王维庆, 何桂雄. 基于气象因子的BP神经网络风电场风速预测[J]. 可再生能源, 2009, 27: 86-89. Fu R, Wang W Q, He G X. The forecasting of wind speed in wind farm based on the meteorological factors with BP neural network[J]. Renewable Energy Resources, 2009, 27: 86-89. ( 1) |
| [30] |
Yang Z, Wang J. A hybrid forecasting approach applied in wind speed forecasting based on a data processing strategy and an optimized artificial intelligence algorithm[J]. Energy, 2018, 160: 87-100. DOI:10.1016/j.energy.2018.07.005 ( 1) |
| [31] |
Guo F, Ma Y, Zhang K, et al. The climate change in Qingdao during 1899—2015 and its response to global warming[J]. Journal of Geoscience and Environment Protection, 2018, 6: 58-70. DOI:10.4236/gep.2018.69005 ( 1) |
| [32] |
张凯静, 江敦双, 丁锋. 青岛市短时强降水的气候特征和天气系统分型[J]. 海洋气象学报, 2018, 38: 108-114. Zhang K J, Jiang D S, Ding F. Analysis of climate characteristics and synoptic system classification on short-time severe precipitation in Qingdao[J]. Journal of Marine Meteorology, 2018, 38: 108-114. DOI:10.19513/j.cnki.issn2096-3599.2018.01.013 ( 2) |
| [33] |
Diagne M, David M, Boland J, et al. Post-processing of solar irradiance forecasts from WRF model at Reunion Island[J]. Solar Energy, 2014, 105: 99-08. DOI:10.1016/j.solener.2014.03.016 ( 1) |
| [34] |
Carvalho D, Rocha A, Gómez-Gesteira M, et al. Comparison of reanalyzed, analyzed, satellite-retrieved and NWP modelled winds with buoy data along the Iberian Peninsula coast[J]. Remote Sensing of Environment, 2014, 152: 480-492. DOI:10.1016/j.rse.2014.07.017 ( 1) |
| [35] |
Carvalho D, Rocha A, Gómez-Gesteira M. WRF wind simulation and wind energy production estimates forced by different reanalyses: Comparison with observed data for Portugal[J]. Applied Energy, 2013, 117: 116-126. DOI:10.1016/j.apenergy.2013.12.001 ( 1) |
| [36] |
Saha S, Moorthi S, Wu X, et al. The NCEP climate forecast system version 2[J]. Journal of Climate, 2014, 27: 2185-2208. DOI:10.1175/jcli-d-12-00823.1 ( 1) |
| [37] |
李明妍, 崔志强, 王澄海. Nudging方法对中国西北强降水过程的模拟试验研究[J]. 气候与环境研究, 2017, 22: 563-573. Li M Y, Cui Z Q, Wang C H. A numerical simulation study on heavy rain processes in Northwest China using the nudging method[J]. Climatic and Environmental Research, 2017, 22: 563-573. DOI:10.3878/j.issn.1006-9585.2017.16177 ( 1) |
| [38] |
Liu P, Tsimpidi A P, Hu Y, et al. Differences between downscaling with spectral and grid nudging using WRF[J]. Atmospheric Chemistry and Physics, 2012, 12: 3601-3610. DOI:10.5194/acp-12-3601-2012 ( 1) |
| [39] |
范喜庆. 基于数据同化逼近的强台风边界层风场模拟研究[D]. 哈尔滨: 哈尔滨工业大学, 2018: 1-89. Fan X Q. Study on the Simulation of Super Typhoons' Boundary Layer Based on the Nudging Data Assimilation Method[D]. Harbin: Harbin Institute of Technology, 2018: 1-89. ( 1) |
| [40] |
王雅萍. WRF模式气候动力降尺度的适应性研究[D]. 兰州: 兰州大学, 2014, 1-70. Wang Y P. Research on Applicability of Climate Dynamical Downscaling Skill Using WRF Model[D]. Lanzhou: Lanzhou University, 2014: 1-70. ( 1) |
| [41] |
Jankov I, Gallus W A, Segal M, et al. The impact of different WRF model physical parameterizations and their interactions on warm season MCS rainfall[J]. Weather and Forecasting, 2005, 20: 1048-1060. DOI:10.1175/WAF888.1 ( 1) |
| [42] |
Hu X, Nielsen-Gammon J W, Zhang F. Evaluation of three planetary boundary layer schemes in the WRF model[J]. Journal of Applied Meteorology and Climatology, 2010, 49: 1831-1844. DOI:10.1175/2010jamc2432.1 ( 0) |
| [43] |
Rajeevan M, Kesarkar A, Thampi S B, et al. Sensitivity of WRF cloud microphysics to simulations of a severe thunderstorm event over Southeast India[J]. Annales Geophysical, 2010, 28: 603-619. DOI:10.5194/angeo-28-603-2010 ( 1) |
| [44] |
Zhang G J, Mcfarlane N A. Sensitivity of climate simulations to the parameterization of cumulus convection in the Canadian climate Centre general circulation model[J]. Atmosphere, 1995, 33: 407-446. DOI:10.1080/07055900.1995.9649539 ( 1) |
| [45] |
Qiao F, Liang X. Effects of cumulus parameterization closures on simulations of summer precipitation over the United States coastal oceans[J]. Journal of Advances in Modeling Earth Systems, 2016, 8: 764-785. DOI:10.1002/2015MS000621 ( 0) |
| [46] |
Qiao F, Liang X. Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States[J]. Climate Dynamics, 2017, 49: 225-247. DOI:10.1007/s00382-016-3338-6 ( 1) |
| [47] |
Iacono M J, Delamere J S, Mlawer E J, et al. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models[J]. Journal of Geophysical Research: Atmospheres, 2008, 113: D13103. DOI:10.1029/2008JD009944 ( 2) |
| [48] |
Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J]. Journal of Atmospheric Sciences, 1989, 46: 3077-3107. DOI:10.1175/1520-0469(1989)046〈3077:NSOCOD〉2.0.CO;2 ( 2) |
| [49] |
Jiménez P A, Dudhia J, González-Rouco J F, et al. A revised scheme for the WRF surface layer formulation[J]. Monthly Weather Review, 2012, 140: 898-918. DOI:10.1175/MWR-D-11-00056.1 ( 2) |
| [50] |
Dudhia J. A Multi-Layer Soil Temperature Model for MM5[C]. Boulder, Colorado: The Sixth PSU/NCAR Mesoscale Model Users' Workshop. 1996: 22-24.
( 2) |
| [51] |
Grell G A. Prognostic evaluation of assumptions used by cumulus parameterizations[J]. Monthly Weather Review, 1993, 121: 764-787. DOI:10.1175/1520-0493(1993)121〈0764:PEOAUB〉2.0.CO;2 ( 2) |
| [52] |
Grell G A, Dévényi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques[J]. Geophysical Research Letters, 2002, 29: 38-1-38-4. DOI:10.1029/2002GL015311 ( 2) |
| [53] |
Lin Y, Farley R D, Orville H D. Bulk parameterization of the snow field in a cloud model[J]. Journal of Climate and Applied Meteorology, 1983, 22: 1065-1092. DOI:10.1175/1520-0450(1983)022<1065:BPOTSF>2.0.CO;2 ( 9) |
| [54] |
Rogers E, Black T, Ferrier B, et al. Changes to the NCEP meso eta analysis and forecast system: Increase in resolution, new cloud microphysics, modified precipitation assimilation, modified 3DVAR analysis[J]. NWS Technical Procedures Bulletin, 2001, 488: 15-21. ( 8) |
| [55] |
Hong S, Lim J J. The WRF single-moment 6-class microphysics scheme (WSM6)[J]. Asia-Pacific Journal of Atmospheric Sciences, 2006, 42: 129-151. ( 8) |
| [56] |
Thompson G, Field P R, Rasmussen R M, et al. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part Ⅱ: Implementation of a new snow parameterization[J]. Monthly Weather Review, 2008, 136: 5095-5115. DOI:10.1175/2008MWR2387.1 ( 8) |
| [57] |
Morrison H, Thompson G, Tatarskii V. Impact of cloud microphysics on the development of trailing stratiform precipitation in a simulated squall line: Comparison of one-and two-moment schemes[J]. Monthly Weather Review, 2009, 137: 991-1007. DOI:10.1175/2008MWR2556.1 ( 8) |
| [58] |
Hong S. A new stable boundary-layer mixing scheme and its impact on the simulated East Asian summer monsoon[J]. Quarterly Journal of the Royal Meteorological Society, 2010, 136: 1481-1496. DOI:10.1002/qj.665 ( 4) |
| [59] |
Shin H H, Hong S. Analysis of resolved and parameterized vertical transports in convective boundary layers at gray-zone resolutions[J]. Journal of the Atmospheric Sciences, 2014, 70: 3248-3261. DOI:10.1175/JAS-D-12-0290.1 ( 5) |
| [60] |
Emery C A, Tai E, Yarwood G. Enhanced Meteorological Modeling and Performance Evaluation for Two Texas Ozone Episodes[M]. Novato, California: Prepared for the Texas Natural Resource Conservation Commission, ENVIRON International Corporation, 2001: 1-235.
( 1) |
| [61] |
Tesche T W. Operational Evaluation of the MM5 Meteorological Model over the Continental United States: Protocol for Annual and Episodic Evaluation[M]. Triangle Park, Carolina: Prepared for the US Environmental Protection Agency, Office of Air Quality Planning and Standards, 2002: 1-51.
( 1) |
| [62] |
Parker W S. Reanalyses and observations: What's the difference?[J]. Bulletin of the American Meteorological Society, 2016, 97: 1565-1572. DOI:10.1175/bams-d-14-00226.1 ( 1) |
| [63] |
Tang J, Wang S, Niu X, et al. Impact of spectral nudging on regional climate simulation over CORDEX East Asia using WRF[J]. Climate Dynamics, 2017, 48: 2339-2357. DOI:10.1007/s00382-016-3208-2 ( 1) |
2. Qingdao Meteorological Bureau, Qingdao 266003, China;
3. Meteorological Centre of East China Air Traffic Management Bureau, Civil Aviation Administration of China, Shanghai 200335, China