四个数值预报模式对四川强降水过程预报能力评估

doi:10.11755/j.issn.1006-7639(2024)-02-0315

干旱气象 ›› 2024, Vol. 42 ›› Issue (2): 315-323.DOI: 10.11755/j.issn.1006-7639(2024)-02-0315

• 技术报告 • 上一篇

四个数值预报模式对四川强降水过程预报能力评估

王彬雁¹^,²(), 王佳津¹^,², 肖递祥¹^,²(), 龙柯吉¹^,²

1.四川省气象台，四川成都 610072
2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川成都 610072

收稿日期:2022-09-08 修回日期:2023-05-25 出版日期:2024-04-30 发布日期:2024-05-12
通讯作者: 肖递祥（1975—)，男，正高级工程师，主要从事天气预报及相关技术研究。E-mail: 5955532@qq.com。
作者简介:王彬雁（1991—)，女，工程师，主要从事精细化要素方法研究及降水检验工作。E-mail: W_byan@163.com。
基金资助:
四川省科技计划重点研发项目(2022YFS0542);中国气象局创新发展专项(CXFZ2021J027);中国气象局创新发展专项(CXFZ2023J016);中国气象局创新发展专项(CXFZ2024J013);四川省自然科学基金面上项目(23NSFSC0189);四川省气象局智能网格预报创新团队;国家重点研发计划“典型灾害天气公里级滚动预报关键技术研究与示范应用”项目(2021YFC3000900);2024年中国气象局复盘总结专项(FPZJ2024-111)

Evaluation of forecasting ability of four numerical models for heavy precipitation processes in Sichuan Province

WANG Binyan¹^,²(), WANG Jiajin¹^,², XIAO Dixiang¹^,²(), LONG Keji¹^,²

1. Sichuan Meteorological Observatory，Chengdu 610072，China
2. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province，Chengdu 610072，China

Received:2022-09-08 Revised:2023-05-25 Online:2024-04-30 Published:2024-05-12

摘要/Abstract

摘要：

为衡量数值模式对强降水过程的预报能力，选取欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）数值预报产品、国家气象中心区域中尺度数值预报产品（China Meteorological Administration Mesoscale Model，CMA-MESO 3KM）、西南区域中心中尺度模式系统（Southwest Center WRF ADAS Real-time Modeling System，SWC）、国家气象中心全球数值预报系统（China Meteorological Administration for Global Forecast System，CMA-GFS）4个模式预报产品，利用目标对象检验法，对四川2018—2020年共93次强降水过程（≥25 mm·d^-1）从降水位置、降水面积、降水强度等方面进行检验，在此基础上重点讨论36 h预报时效模式的预报能力。结果表明：（1）随着预报时效越临近，各模式预报平均水平越高，且整体对雨带位置把握较好，更具有参考性。（2）各模式对锋面降水过程预报能力较强，对暖区降水过程预报能力较差。（3）暖区强降水过程可在大尺度模式基础上结合本地中尺度模式进行订正；锋面降水过程则以ECMWF模式预报为基础，参考CMA-MESO 3KM模式对大雨及以上量级降水落区和量级进行调整。

关键词: 四川, 多模式, 目标对象, 强降水过程, 检验

Abstract:

In order to measure the ability of numerical models to forecast heavy precipitation processes, the four prediction products of the European Centre for Medium-Range Weather Forecasts (ECMWF), China Meteorological Administration Mesoscale Model (CMA-MESO 3KM), Southwest Center WRF ADAS Real-time Modeling System (SWC), China Meteorological Administration for Global Forecast System (CMA-GFS) are selected, and 93 heavy precipitation processes (≥25 mm·d^-1) in Sichuan Province from 2018 to 2020 are tested from the aspects of precipitation location, precipitation area and precipitation intensity using the target object test method, and on this basis, the prediction ability of models for 36 h forecast aging is discussed. The results are as follows: (1) With the approaching of forecasting time, the average forecast level of each model is higher, and the position of rain belt is better grasped. (2) The prediction ability of each model for frontal precipitation process is better, while for warm-region precipitation process it is poor. (3) The heavy warm-region precipitation process can be corrected based on the large-scale model forecasts combined with the local mesoscale model products. For frontal precipitation process, on the basis of forecast of ECMWF model, the precipitation area and magnitude of heavy rain and above are adjusted according to the location of rain belt in CMA-MESO 3KM model.

Key words: Sichuan Province, multi-model, object-based verification, heavy precipitation process, test

中图分类号:

P456

王彬雁, 王佳津, 肖递祥, 龙柯吉. 四个数值预报模式对四川强降水过程预报能力评估[J]. 干旱气象, 2024, 42(2): 315-323.

WANG Binyan, WANG Jiajin, XIAO Dixiang, LONG Keji. Evaluation of forecasting ability of four numerical models for heavy precipitation processes in Sichuan Province[J]. Journal of Arid Meteorology, 2024, 42(2): 315-323.

图/表 8

图1 2020年8月11日20：00至12日20：00 累积降水量大于等于25 mm目标识别图（不同颜色代表不同降水落区）（a）实况，（b）ECMWF模式，（c）CMA-GFS模式，（d）CMA-MESO 3KM模式，（e）SWC模式

Fig.1 The identified object of accumulated precipitation more than 25 mm from 20：00 August 11 to 20：00 August 12， 2020 （The different colors represent different precipitation areas）（a） observation，（b） ECMWF，（c） CMA-GFS，（d） CMA-MESO 3KM，（e） SWC

表1 2020年8月12日目标对象检验结果

Tab.1 Results of object-based verification about the precipitation on 12 August 2020

	面积评价	极值评价	形状评价	位置评价	面积评分	形状评分	位置评分	总检验评分
实况	871个格点	152.26 mm	离心率0.91 轴角-49.47°	104.10°E、30.62°N
ECMWF	1 015个格点	485.27 mm	离心率0.88 轴角-46.53°	104.09°E、30.93°N	0.75	1.00	1.00	0.84
CMA-GFS	1 263个格点	91.08 mm	离心率0.91 轴角-35.47°	104.15°E、30.52 °N	0.53	0.95	1.00	0.78
CMA-MESO 3KM	982个格点	674.65 mm	离心率0.77 轴角-46.31°	103.47°E、30.85°N	0.80	1.00	1.00	0.85
SWC	1 545个格点	482.01 mm	离心率0.86 轴角-41.29°	104.15°E、30.73°N	0.39	1.00	0.96	0.74

图2 模式预报综合评分箱线图（a）ECMWF模式，（b）CMA-GFS模式，（c）SWC模式，（d）CMA-MESO 3KM

Fig.2 The box diagram of comprehensive score of model forecasts （a） ECMWF，（b） CMA-GFS，（c） SWC，（d） CMA-MESO 3KM

图3 模式预报面积评分箱线图（a）ECMWF模式，（b）CMA-GFS模式，（c）SWC模式，（d）CMA-MESO 3KM

Fig.3 The box diagram of area score of model forecasts （a） ECMWF，（b） CMA-GFS，（c） SWC，（d） CMA-MESO 3KM

图4 模式预报位置评分箱线图（a）ECMWF模式，（b）CMA-GFS模式，（c）SWC模式，（d）CMA-MESO 3KM

Fig.4 The box diagram of location score of model forecasts （a） ECMWF，（b） CMA-GFS，（c） SWC，（d） CMA-MESO 3KM

图5 3类降水过程各模式综合评分分布（a）锋面降水过程，（b）暖区降水过程，（c）偏弱对流降水过程

Fig.5 The distribution of comprehensive scores for each model for three precipitation types （a） frontal precipitation process，（b） warm-region precipitation process，（c） weak convective precipitation process

图6 3类降水过程大雨（a、c）和暴雨（b、d）各模式预报的TS（a、b）和Bias（c、d）评分

Fig.6 The threat score （a， b） and bias （c， d） of each model forecasts for heavy rain （a， c） and rain storm （b， d） for three precipitation types

表2 锋面降水过程各模式预报整体评价

Tab.2 Overall evaluation of each model forecasts for frontal precipitation processes

模式	面积评价	位置评价	形状评价	极值评价	最优评分次数
ECMWF	13次预报偏大	14次预报偏西0.02°~1.47° 12次预报偏北0.04°~0.62°	离心率16次预报偏大 13次雨带走向预报正确	16次预报偏大	18次
CMA-GFS	9次预报偏大	9次预报偏东0.19°~0.64° 7次预报偏北0.23°~0.69°	离心率9次预报偏大 10次雨带走向预报正确	12次预报偏小	14次
SWC	4次预报偏大	3次预报偏东0.45°~1.20° 4次预报偏北0.23°~0.92°	离心率5次预报偏大 4次雨带走向预报正确	均偏大	6次
CMA-MESO 3KM	2次预报偏大	2次预报偏东0.05°~0.27° 2次预报偏北0.04°~0.11°	离心率2次预报偏小雨带走向均预报正确	均偏大	3次

参考文献 25

[1]	丛芳, 龙柯吉, 王佳津, 等, 2021. 结合SAL方法的四川盆地暴雨过程检验及订正方法[J]. 中低纬山地气象, 45(5): 28-33.
[2]	陈笑, 赵东, 何晓凤, 等, 2018. 基于MODE对模式预报强风风场的检验分析[J]. 气象, 44(8): 1 009-1 019.
[3]	曹萍萍, 肖递祥, 龙柯吉, 等, 2023. 基于分位数映射法的四川省ECMWF模式降水预报误差订正分析[J]. 干旱气象, 41(4): 666-675. DOI
[4]	曹萍萍, 肖递祥, 王佳津, 等, 2018. SWCWARMS及ECMWF模式对四川盆地暖区型和斜压锋生型暴雨预报检验分析[J]. 高原山地气象研究, 38(1): 22-29.
[5]	符娇兰, 宗志平, 代刊, 等, 2014. 一种定量降水预报误差检验技术及其应用[J]. 气象, 40(7): 796-805.
[6]	公颖, 2010. SAL定量降水预报检验方法的解释与应用[J]. 暴雨灾害, 29(2): 153-159.
[7]	刘凑华, 牛若芸, 2013. 基于目标的降水检验方法与应用[J]. 气象, 39(6): 681-690.
[8]	李佳, 陈葆德, 徐同, 2016. 目标检验方法在高分辨率数值天气预报检验中的应用[J]. 沙漠与绿洲气象, 10(5): 1-9.
[9]	李明, 袁凯, 翟红梅, 2017. 一种面向对象的强降水精细化预报质量检验方法及应用[J]. 暴雨灾害, 36(1): 81-85.
[10]	茅懋, 戴建华, 李偎平, 等, 2016. 不同类型强对流预报产品的目标对象检验与分析评价[J] .气象, 42(4): 389-397.
[11]	潘留杰, 张宏芳, 王建鹏, 2014. 数值天气预报检验方法研究进展[J]. 地球科学进展, 29(3): 327-335. DOI
[12]	曲巧娜, 盛春岩, 范苏丹, 等, 2019. 基于目标对象检验法的多种模式强降水能力的比较[J]. 气象, 45(7): 908-919.
[13]	屠妮妮, 何光碧, 衡志炜, 等, 2020. 三种数值模式对四川省汛期降水预报性能的检验[J]. 高原山地气象研究, 40(4): 1-9.
[14]	屠妮妮, 郁淑华, 李跃清, 2023. 两次不同生命史东移高原涡的动力结构与成因分析[J]. 高原气象, 43(1): 73-87.
[15]	王彬雁, 陈朝平, 丛芳, 等, 2020a. MODE方法在西南区域模式降水预报检验中的应用[J]. 高原山地气象研究, 40(2): 26-30.
[16]	王彬雁, 陈朝平, 黄楚惠, 2020b. SAL方法在四川降水预报检验中的应用[J]. 干旱气象, 38(3): 472-479.
[17]	王佳津, 陈朝平, 龙柯吉, 等, 2015. 四川区域暴雨过程中短时强降水时空分布特征[J]. 高原山地气象研究, 35(1): 16-20.
[18]	王新敏, 栗晗, 2020. 多数值模式对台风暴雨过程预报的空间检验评估[J]. 气象, 46(6): 753-764.
[19]	吴薇, 黄晓龙, 徐晓莉, 等, 2023. 四川省降水实况分析产品影响因素综合评估[J]. 干旱气象, 41(1): 143-151. DOI
[20]	薛春芳, 潘留杰, 2016. 基于MODE方法的日本细网格模式降水预报的诊断分析[J]. 高原气象, 35(2): 406-418. DOI
[21]	肖递祥, 杨康权, 俞小鼎, 等, 2017. 四川盆地极端暴雨过程基本特征分析[J]. 气象, 43(10): 1 165-1 175.
[22]	肖红茹, 王灿伟, 周秋雪, 等, 2013. T639、ECMWF细网格模式对2012年5—8月四川盆地降水预报的天气学检验[J]. 髙原山地气象研究, 33(1): 80-85.
[23]	周春花, 肖递祥, 郁淑华, 2022. 诱发四川盆地极端暴雨的西南涡环流背景和结构特征[J]. 气象, 48(12): 1 577-1 589.
[24]	张武龙, 王彬雁, 陈朝平, 等, 2021. SWCWARMS模式小时降水量时间滞后集合预报研究[J]. 气象科技, 49(4): 561-568.
[25]	WERNLI H, HORMANN C, ZIMMER M, 2009. Spatial forecast veification methods intercomparison project: Application of the SAL technique[J]. Weather & Forecasting, 24(6): 1 472-1 484.

四个数值预报模式对四川强降水过程预报能力评估

Evaluation of forecasting ability of four numerical models for heavy precipitation processes in Sichuan Province

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 25

相关文章 15

编辑推荐

Metrics

[1]	谢益军, 黄菊梅, 杨伟, 黄天赐, 吴浩, 袁泉. 洞庭湖滨湖小时风速及湖陆风变化特征[J]. 干旱气象, 2025, 43(1): 54-63.
[2]	万羽, 许冠宇, 钟敏, 刘瑞雪, 刘文婷. 基于多模式融合的湖北逐时短时强降水预报方法改进[J]. 干旱气象, 2025, 43(1): 143-152.
[3]	韩晶, 焦美玲, 曹彦超, 王娟, 贺涛, 徐耕, 周忠文, 金满慧. 基于CRA空间检验技术的甘肃河东汛期降水智能网格预报偏差特征分析[J]. 干旱气象, 2024, 42(6): 976-986.
[4]	杨静坤, 李谢辉, 雷沁雅, 龚光泽. 四川省极端气温事件与城镇化发展的关联影响[J]. 干旱气象, 2024, 42(5): 744-754.
[5]	龙柯吉, 杨康权, 康岚. 多模式对四川盆地强降水过程的预报性能检验[J]. 干旱气象, 2024, 42(3): 473-483.
[6]	朱占云, 张露萱, 李福刚, 张珏, 张玮玮, 李强. 新安江流域气象干旱和水文干旱特征及两者之间的关系研究[J]. 干旱气象, 2024, 42(2): 157-165.
[7]	董靖玮, 文莉娟, 于涛, 杨永顺, 罗颖, 王梦晓, 牛瑞佳. 青海湖湖温预估研究[J]. 干旱气象, 2024, 42(1): 64-74.
[8]	朱文刚, 盛春岩, 范苏丹, 荣艳敏, 曲美慧. 基于前馈神经网络的多模式集成降水预报研究[J]. 干旱气象, 2024, 42(1): 117-128.
[9]	王蕾, 杨景泰, 卞若玢, 隋玉秀, 孙悦程, 周丽丽, 魏瑗瑗. 大连地区ECMWF细网格模式阵风预报误差检验与分析[J]. 干旱气象, 2024, 42(1): 129-136.
[10]	郭润霞, 刘新伟, 王一丞, 刘娜, 周子涵. CLDAS气温实况融合产品在兰州和武威的检验评估及偏差订正[J]. 干旱气象, 2024, 42(1): 146-155.
[11]	于浩慧, 周长艳, 陈超, 陈永仁. 2021年7—8月四川盆地高温热浪大气环流背景及影响分析[J]. 干旱气象, 2023, 41(6): 923-932.
[12]	肖贻青, 马永永, 陈小婷, 安大维, 黄少妮. 陕南汉江盆地一次冷锋触发的短时强降水过程及预报检验[J]. 干旱气象, 2023, 41(6): 972-983.
[13]	王一丞, 刘维成, 宋兴宇, 张文光. 卫星降水产品在陇东2022年7月特大暴雨事件中的适用性评估[J]. 干旱气象, 2023, 41(6): 997-1007.
[14]	李天江, 杨晓玲, 张占文, 李岩瑛, 聂鑫. 河西走廊东部智能网格温度预报产品订正方法探讨[J]. 干旱气象, 2023, 41(5): 802-810.
[15]	黄晓龙, 吴薇, 徐晓莉, 王丽伟, 宋云帆, 李雪. 基于地形起伏度的四川省地面气象站点适宜性研究[J]. 干旱气象, 2023, 41(4): 579-588.