对流尺度集合预报对川渝地区降水的预报性能分析

doi:10.11755/j.issn.1006-7639(2023)-01-0152

摘要/Abstract

摘要：

为深入认识对流尺度集合预报对川渝地区降水的预报性能，利用2020—2021年暖季（5—9月）川渝地区7 213个自动气象站逐日降水观测数据，综合评估对流尺度集合预报系统的控制预报（Control Forecast， CNTL）、集合平均（Ensemble Mean， MEAN）和概率匹配平均（Probability-matched Ensemble Mean， PM）对川渝地区降水的预报能力，并对比不同起报时次（08：00和20：00，北京时，下同）的预报差异。结果表明：（1）PM和MEAN的预报性能相对CNTL有所提高，MEAN对中雨和大雨量级降水预报具有指示意义，PM对大量级降水具有明显的预报优势。（2）模式预报的降水频率在小雨量级相比观测呈区域一致的正偏差，中雨及以上量级降水的预报正偏差集中在大巴山、华蓥山、武陵山脉等高海拔山区，预报负偏差主要位于四川盆地和丘陵区域，MEAN对小雨和中雨（大雨和暴雨）的预报正（负）偏差最明显。（3）08：00起报的36 h时效临界成功指数（Critical Success Index， CSI）和命中率（Probability of Detection， POD）整体高于20：00起报的48 h时效预报结果，但08：00起报的降水频率对高海拔山区的高估更明显。（4）PM和MEAN对四川盆地2021年9月4—7日强降水过程的降水落区预报优于CNTL，这是因为集合预报能够更好地把握天气系统的位置和形状特征。

关键词: 集合预报, 对流尺度, 降水评估, 川渝地区

Abstract:

In order to learn more about the performance of convective-scale ensemble forecast system for precipitation prediction in the Sichuan-Chongqing region, the control forecast (CNTL), the ensemble mean (MEAN) and the probability-matched ensemble mean (PM) of convective-scale ensemble prediction system are comprehensively analyzed based on daily precipitation data collected at 7 213 stations in the Sichuan-Chongqing region in warm season (from May to September) from 2020 to 2021, and differences between rainfall forecasts starting at 08:00 and 20:00 are compared. Results are as follows: (1) The forecast performance of PM and MEAN is better than that of CNTL. MEAN is skillful at forecasting moderate rain and heavy rain, and PM has obvious advantages for large rainfall. (2) Positive forecast deviations of light rainfall frequency are obvious in the whole research region, while for moderate rain and above, positive deviations are concentrated in high-altitude mountains such as the Daba Mountain, the Huaying Mountain and the Wuling Mountain, and negative deviations are mainly located in the Sichuan Basin and hilly areas. Positive (negative) deviations of light rain and moderate rain (heavy rain and rainstorm) predicted by MEAN are more obvious than those predicted by CNTL and PM. (3) The critical success index (CSI) and probability of detection (POD) scores with lead time of 36 h for the forecasts starting at 08:00 are higher than those with lead time of 48 h for the forecasts starting at 20:00, but the overestimation of rainfall frequency starting at 08:00 is more obvious in high-altitude mountains. (4) Compared with CNTL, PM and MEAN are better for the rainfall area of the heavy rain process from September 4 to 7, 2021 in the Sichuan Basin, which is related to the fact that ensemble forecast can better capture the position and morphology of the weather system.

Key words: ensemble prediction, convective-scale, precipitation verification, the Sichuan-Chongqing region

中图分类号:

P456.7

叶茂, 吴钲, 高松, 陈良吕, 游婷. 对流尺度集合预报对川渝地区降水的预报性能分析[J]. 干旱气象, 2023, 41(1): 152-163.

YE Mao, WU Zheng, GAO Song, CHEN Lianglü, YOU Ting. Analysis on precipitation forecast performance of convective-scale ensemble system in Sichuan-Chongqing region[J]. Journal of Arid Meteorology, 2023, 41(1): 152-163.

图/表 10

表1 集合预报系统各成员扰动方案

Tab.1 Perturbation scheme for each member of the ensemble prediction system

成员	初值	侧边界	微物理过程	边界层方案	积云参数化
m00	GFS初值	GFS预报	Thompson	MYJ	BMJ
m01	GEFS成员初值	GEFS成员预报	WSM6	MYNN	KF
m02	GEFS成员初值	GEFS成员预报	Morrison	YSU	KF
m03	GEFS成员初值	GEFS成员预报	Thompson	YSU	G3
m04	GEFS成员初值	GEFS成员预报	WSM6	MYJ	BMJ
m05	GEFS成员初值	GEFS成员预报	Morrison	MYNN	KF
m06	GEFS成员初值	GEFS成员预报	Thompson	MYNN	BMJ
m07	GEFS成员初值	GEFS成员预报	WSM6	YSU	G3
m08	GEFS成员初值	GEFS成员预报	Morrison	MYJ	BMJ
m09	GEFS成员初值	GEFS成员预报	Thompson	MYJ	KF
m10	GEFS成员初值	GEFS成员预报	Morrison	YSU	G3

图1 研究区的检验站点和地形（填色，单位：m）分布

Fig.1 Distribution of the forecast verification stations and terrain elevation （the color shaded， Unit： m） in the study area

图2 2020—2021年暖季08：00起报的36 h时效（a）和20：00起报的48 h时效（b）24 h累积降水量预报性能图（斜线为FBIAS，弧线为CSI）

Fig.2 Performance diagram of 24 h accumulated precipitation forecast of 36 h （a） and 48 h （b） lead time starting at 08：00 （a） and 20：00 （b） in the warm season from 2020 to 2021 （The slash represents FBIAS， and the arc represents CSI）

图3 2020—2021年暖季24 h累积降水量在小雨（a）、中雨（b）、大雨（c）和暴雨（d）量级的降水频率分布（单位：%）

Fig.3 Frequency of light rain （a）， moderate rain （b）， heavy rain （c） and rainstorm （d） for 24 h accumulated precipitation in the warm season from 2020 to 2021 （Unit： %）

图4 2020—2021年暖季08：00起报的36 h时效24 h累积降水量在小雨（a、b、c）、中雨（d、e、f）、大雨（g、h、i）和暴雨（j、k、l）量级的降水频率预报偏差分布（单位：%） [（a、d、g、j）为 CNTL-观测，（b、e、h、k）为 PM-观测，（c、f、i、l）为 MEAN-观测]

Fig.4 Frequency prediction deviations of light rain （a， b， c）， moderate rain （d， e， f）， heavy rain （g， h， i） and rainstorm （j， k， l） for 24 h accumulated precipitation forecast of 36 h lead time starting at 08：00 in the warm season from 2020 to 2021 （In fig.a， fig.d， fig.g and fig.j， the value is for CNTL minus observation； In fig.b， fig.e， fig.h and fig.k the value is for PM minus observation； In fig.c， fig.f， fig.i and fig.l the value is for MEAN minus observation）

表2 川渝地区2020—2021年15次强降水过程

Tab.2 The 15 heavy rainfall processes in Sichuan-Chongqing region from 2020 to 2021

过程序号	过程时间	检验时刻
1	2020年6月16日20：00至18日08：00	6月17日20：00
2	2020年6月19日20：00至23日08：00	6月21日20：00
3	2020年6月26日20：00至28日14：00	6月27日20：00
4	2020年7月14日20：00至18日14：00	7月16日20：00
5	2020年7月25日14：00至26日20：00	7月26日20：00
6	2021年5月2日17：00至3日17：00	5月3日20：00
7	2021年6月16日20：00至19日20：00	6月18日20：00
8	2021年7月4日20：00至8日17：00	7月7日20：00
9	2021年7月15日20：00至17日14：00	7月16日20：00
10	2021年8月7日08：00至9日20：00	8月8日20：00
11	2021年8月11日20：00至14日08：00	8月13日20：00
12	2021年8月22日20：00至24日08：00	8月23日20：00
13	2021年8月25日02：00至30日08：00	8月29日20：00
14	2021年9月4日20：00至7日02：00	9月6日20：00
15	2021年9月15日20：00至18日09：00	9月17日20：00

图5 2020—2021年强降水过程08：00起报的36 h时效（a）与20：00起报的48 h时效（b）预报性能图（斜线为FBIAS，弧线为CSI）

Fig.5 Performance diagram of heavy rainfall processes forecast of 36 h （a） and 48 h （b） lead time starting at 08：00 （a） and 20：00 （b） from 2020 to 2021 （The slash represents FBIAS， and the arc represents CSI）

图6 2020—2021年逐次强降水过程08：00起报的36 h时效（a、b）和20：00起报的48 h时效（c、d）大雨（a、c）和暴雨（b、d）量级降水的CSI

Fig.6 The CSI of heavy rain （a， c） and rainstorm （b， d） forecast for each heavy rainfall process with lead time of 36 h （a， b） starting at 08：00 and 48 h （c， d） starting at 20：00 from 2020 to 2021

图7 2021年9月4日20：00（a、d、g、j）、5日20：00（b、e、h、k）、6日20：00（c、f、i、l）24 h累积降水实况（a、b、c）和CNTL（d、e、f）、PM（g、h、i）、MEAN（j、k、l）预报的36 h时效降水分布（单位：mm）

Fig.7 Distributions of 24 h accumulated precipitation observed （a， b， c） and forecasted by CNTL （d， e， f）， PM （g， h， i） and MEAN （j， k， l） with lead time of 36 h at 20：00 on September 4 （a， d， g， j）， September 5 （b， e， h， k） and September 6 （c， f， i， l）， 2021（Unit： mm）

图8 2021年9月3日20：00（a、d、g）、5日08：00（b、e、h）和20：00（c、f、i） ERA5（a、b、c）及CNTL（d、e、f）、MEAN（g、h、i）预报的850 hPa风场（矢量，单位：m·s-1）和比湿（填色，单位：g·kg-1）分布（“D”表示低涡中心，红色实线为切变线）

Fig.8 Distributions of wind field （vectors， Unit： m·s-1） and specific humidity （the color shaded， Unit： g·kg-1） at 850 hPa of ERA5 （a， b， c） and forecasted by CNTL （d， e， f）， MEAN （g， h， i） at 20：00 on September 3 （a， d， g）， 08：00 （b， e， h） and 20：00 （c， f， i） on September 5， 2021 （The ‘D’ denotes the center of vortex，the red solid line denotes shear line）

参考文献 32

[1]	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.
[2]	董甫, 张玲, 张海鹏, 等, 2020. 基于WRF模式的强天气过程集合预报综述[J]. 干旱气象, 38(5): 699-708.
[3]	杜钧, 李俊, 2014. 集合预报方法在暴雨研究和预报中的应用[J]. 气象科技进展, 4(5): 6-20.
[4]	矫梅燕, 龚建东, 沈学顺, 等, 2010. 现代数值预报业务[M]. 北京: 气象出版社, 68-81.
[5]	李俊, 杜钧, 陈超君, 2015. “频率匹配法”在集合降水预报中的应用研究[J]. 气象, 41(6): 674-684.
[6]	李俊, 杜钧, 许建玉, 等, 2020. 一次特大暴雨过程高分辨率集合预报试验的检验和评估[J]. 暴雨灾害, 39(2): 176-184.
[7]	李俊, 王明欢, 公颖, 等, 2010. AREM短期集合预报系统及其降水预报检验[J]. 暴雨灾害, 29(1): 30-37.
[8]	李坤, 陈超辉, 何宏让, 等, 2021. 新型局地增长模培育法对两次飑线个例的对流尺度集合预报试验[J]. 大气科学学报, 44(4): 518-528.
[9]	李奇临, 魏麟骁, 吴翀, 等, 2018. 基于MDOS的重庆市2015年气象观测数据质量分析[J]. 西南师范大学学报, 43(11): 135-140.
[10]	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.
[11]	刘德, 张亚萍, 陈贵川, 等, 2012. 重庆市天气预报技术手册[M]. 北京: 气象出版社, 13-18.
[12]	罗玉, 马振峰, 陈超, 等, 2018. 四川省盛夏极端降水变化特征及与高原夏季风的关系[J]. 干旱气象, 36(5): 733-742.
[13]	马申佳, 陈超辉, 何宏让, 等, 2018. 基于BGM的对流尺度集合预报试验及其检验[J]. 高原气象, 37(2): 495-504. DOI
[14]	陶诗言, 1997. 有关暴雨分析预报的一些问题[J]. 大气科学, 1(1): 64-72.
[15]	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.
[16]	王璐, 沈学顺, 2019. 对流尺度集合预报与模式不确定性研究进展[J]. 气象, 45(8): 1 158-1 168.
[17]	肖柳斯, 张华龙, 张旭斌, 等, 2021. 基于CMA-TRAMS 集合预报的“5·22”极端降水事件可预报性分析[J]. 气象学报, 79(6): 956-976.
[18]	许晨璐, 王建捷, 黄丽萍, 2017. 千米尺度分辨率下GRAPES-Meso4.0模式定量降水预报性能评估[J]. 气象学报, 75(6): 851-876.
[19]	叶茂, 吴钲, 高松, 等, 2022. 多物理过程对流可分辨集合预报中不同方案在四川盆地东部降水预报效果评估[J]. 气象, 48(7): 840-855.
[20]	衣娜娜, 苏立娟, 史金丽, 等, 2020. 不同云微物理参数化方案对冰雹模拟的影响[J]. 干旱气象, 38(4): 619-631.
[21]	张武龙, 康岚, 周威, 等, 2021. 基于GRAPES-MESO模式的极端短时强降水预报[J]. 干旱气象, 39(3): 507-513.
[22]	BAUER P, THORPE A, BRUNET G, 2015. The quiet revolution of numerical weather prediction[J]. Nature, 525(7567): 47-55. DOI URL
[23]	BERNER J, HA S Y, HACKER J P, et al, 2011. Model uncertainty in a mesoscale ensemble prediction system: stochastic versus multiphysics representations[J]. Monthly Weather Review, 139(6): 1 972-1 995. DOI URL
[24]	BROWN B, JENSEN T, GOTWAY J H, et al, 2020. The Model Evaluation Tools (MET): More than a decade of community-supported forecast verification[J]. Bulletin of the American Meteorological Society, 102(4): 1-68.
[25]	CLARK A J, GALLUS W A, XUE M, et al, 2009. A comparison of precipitation forecast skill between small near-convection-permitting and large convection-parameterizing ensembles[J]. Weather and Forecasting, 24(4): 1 121-1 140. DOI URL
[26]	DU J, MULLEN S L, SANDERS F, 1997. Short-range ensemble forecasting of quantitative precipitation[J]. Monthly Weather Review, 125: 2 427-2 459. DOI URL
[27]	EBERT E E, 2001. Ability of a poor man’s ensemble to predict the probability and distribution of precipitation[J]. Monthly Weather Review, 129(10): 2 461-2 479. DOI URL
[28]	MENG Z Y, ZHANG F Q, MARKOWSKI P, et al, 2012. A modeling study on the development of a bowing structure and associated rear inflow within a squall line over South China[J]. Journal of the Atmospheric Sciences, 69(4): 1 182-1 207. DOI URL
[29]	ROEBBER P J, 2009. Visualizing multiple measures of forecast quality[J]. Weather and Forecasting, 24(2): 601-608. DOI URL
[30]	SCHELLANDER-GORGAS T, WANG Y, MEIER F, et al, 2017. On the forecast skill of a convection-permitting ensemble[J]. Geoscientific Model Development, 10(1): 35-56. DOI URL
[31]	WEISMAN M L, DAVIS C, WANG W, et al, 2008. Experiences with 0-36-h explicit convective forecasts with the WRF-ARW model[J]. Weather and Forecasting, 23(3): 407-437. DOI URL
[32]	YANG C, YAN Z W, SHAO Y H, 2012. Probabilistic precipitation forecasting based on ensemble output using generalized additive models and Bayesian model averaging[J]. Acta Meteorological Sinica, 26(1): 1-12. DOI URL