全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估

doi:10.11755/j.issn.1006-7639（2022）-03-0524

摘要/Abstract

摘要：

2020年汛期6—8月甘肃降水日数多、持续时间长、范围广、强度大,对该时间段内3种全球模式（ECMWF、GRAPES_GFS和NCEP_GFS模式）和4种区域模式[GRAPES区域数值预报业务系统（GRAPES_3 km）、西北区域区域模式（GRAPES_LZ10 km）、西北区域快速更新循环预报系统（GRAPES_LZ3 km）和华东区域模式（SMS-WARMS）]24 h累计降水预报性能进行检验评估。结果表明：（1）全球模式中ECMWF模式的预报性能优于其余2个模式,而区域模式中GRAPES_3 km和SMS-WARMS模式预报性能相对较好,且SMS-WARMS模式预报性能更稳定。（2）区域模式晴雨准确率及小雨和中雨的TS评分、ETS评分、命中率低于全球模式,暴雨优于全球模式;大雨和暴雨的空报率和预报偏差均高于全球模式。（3）根据500 hPa环流形势可将甘肃汛期降水划分为副高边缘型和低槽型2种类型,针对2020年4次副高边缘型和3次低槽型降水进行分类检验评估。全球模式和区域模式均对前者的各个量级降水预报性能优于后者;ECMWF模式和区域模式对2种类型大雨和暴雨预报效果优于NCEP_GFS和GRAPES_GFS模式;全球模式中ECMWF模式、区域模式中SMS-WARMS模式对2种类型降水预报效果最好。（4）7种模式对2种类型中雨和大雨雨带走向预报较好,对副高边缘型降水过程降水落区的预报能力优于低槽型降水过程,但预报降水强度较观测偏强,尤其是降水中心区域。

关键词: 数值模式, 降水预报检验, 甘肃, MODE

Abstract:

In the flood season (from June to August) of 2020, Gansu Province experienced intensive precipitation with long duration and wide ranges. The performances of three global models (ECMWF, GRAPES_GFS and NCEP_GFS) and four regional models (GRAPES_3 km, GRAPES_LZ10 km, GRAPES_LZ3 km and regional model SMS-WARMS in East China) for 24-hour accumulated precipitation forecast were evaluated in this paper. The main results are as follows: (1) The ECMWF model surpassed the other two global models in forecast performance, while among regional models, the GRAPES_3 km and the SMS-WARMS were better, and the latter was more stable. (2) The regional models had lower accuracy of rain probability forecast and TS, ETS, POD than those of global models for light and moderate rain, but for rainstorms they outperformed global models; the POD and Bias of regional models for heavy rain and rainstorms were significantly higher than those of global models. (3) According to the differences of 500 hPa circulation pattern, the precipitation in Gansu could be divided into two types including subtropical high marginal type and low trough type. Four subtropical high marginal precipitation processes and three low trough precipitation processes in flood season of 2020 were tested and evaluated. For global models and regional models, they all had better capability in predicting precipitation with different magnitudes for the former type than the latter one. The ECMWF model and regional models were better than the NCEP_GFS model and the GRAPES_GFS model in predicting heavy rain and rainstorm. Among global models, the ECMWF model had the best forecast effect for the two precipitation types, and the East China regional model had the best forecast effect for the two precipitation types among regional models. (4) All the seven models had good forecasting capability for the spatial orientation of moderate and heavy rain for both rainfall types, while the forecast effect of rainfall location for subtropical high marginal type was better than that of low-trough type, but the predicted precipitation intensity was stronger than observations, especially for the center of precipitation.

Key words: numerical models, precipitation prediction verification, Gansu, MODE

中图分类号:

P456.7

陈晓燕, 孔祥伟, 彭筱, 刘新伟, 吴晶, 任淑媛. 全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估[J]. 干旱气象, 2022, 40(3): 524-535.

CHEN Xiaoyan, KONG Xiangwei, PENG Xiao, LIU Xinwei, WU Jing, REN Shuyuan. Verification and assessment of precipitation forecast based on global and regional numerical models in Gansu in flood season of 2020[J]. Journal of Arid Meteorology, 2022, 40(3): 524-535.

图/表 11

图1 甘肃国家气象观测站点空间分布

Fig.1 Distribution of national meteorological stations in Gansu Province

表1 7种数值模式基本属性

Tab.1 Introduction of seven operational models

	模式	水平分辨率
全球模式	ECMWF高分辨率模式	0.125°×0.125°
	GRAPES_GFS模式	0.25°×0.25°
	NCEP_GFS模式	0.5°×0.5°
区域模式	华东区域数值预报系统（SMS-WARMS）	9 km
	GRAPES区域数值预报业务系统（GRAPES_3 km）	0.03°×0.03°
	西北区域区域模式（GRAPES_LZ10 km）	0.1°×0.1°
	西北区域快速更新循环预报系统（GRAPES_LZ3 km）	0.03°×0.03°

图2 2020年6—8月全球模式的晴雨准确率和24 h累计降水预报评分（a）ACC,（b）TS评分,（c）ETS评分,（d）POD,（e）FAR,（f）Bias

Fig.2 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models from June to August 2020（a） ACC, （b） TS, （c） ETS, （d） POD, （e） FAR, （f） Bias

图3 2020年6—8月区域模式的晴雨准确率和24 h累计降水预报评分（a）ACC,（b）TS评分,（c）ETS评分,（d）POD,（e）FAR,（f）Bias

Fig.3 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of regional models from June to August 2020（a） ACC, （b） TS, （c） ETS, （d） POD, （e） FAR, （f） Bias

图4 2020年汛期4次副高边缘型降水过程全球模式及区域模式晴雨准确率和24 h累计降水预报评分（a、b） ACC,（c、d） TS,（e、f） ETS,（g、h） POD,（i、j） FAR,（k、l） Bias

Fig.4 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models and regional models for 4 sub-high marginal precipitation processes in flood season of 2020（a,b） ACC,（c,d） TS,（e,f） ETS,（g,h） POD,（i,j） FAR,（k,l） Bias

图5 2020年汛期3次低槽型降水过程全球模式及区域模式晴雨准确率和24 h累计降水预报评分（a、b） ACC,（c、d） TS,（e、f） ETS,（g、h） POD,（i、j） FAR,（k、l） Bias

Fig.5 The accuracy of rain probability forecast and forecast scores of 24h accumulated rainfall of global models andregional models for 3 low-trough precipitation processes in flood season of 2020（a,b） ACC,（c,d） TS,（e,f） ETS,（g,h） POD,（i,j） FAR,（k,l） Bias

表2 全球模式和区域模式对2020年汛期4次副高边缘型降水过程的24 h累计降水预报和观测值组成的对象簇属性值

Tab.2 The attribute values of matching objects of 24 h accumulated rainfall prediction based on global and regional models and observations for 4 sub-high marginal precipitation processes in flood season of 2020

不同等级降水	模式	面积比	质心距离/ km	轴角差/ （°）	50%分位强度比率	90%分位强度比率
中雨	ECMWF	1.46	22.84	8.87	0.90	1.05*
	GRAPES_GFS	1.67	29.40	6.99*	0.93	0.74
	NCEP_GFS	1.43	21.45	8.88	0.81	0.80
	SMS-WARMS	1.40	26.47	10.62	1.13	1.57
	GRAPES_3 km	1.23	30.35	11.47	1.06	1.17
	GRAPES_LZ10 km	1.31	10.97*	8.53	1.14	1.17
	GRAPES_LZ3 km	1.18*	25.85	11.14	1.01*	1.08
大雨	ECMWF	1.30	16.16	5.92	1.11	1.34
	GRAPES_GFS	1.39	24.77	29.19	0.86	0.67
	NCEP_GFS	1.07*	26.00	11.56	0.96	0.90
	SMS-WARMS	1.83	12.02*	5.11*	1.26	1.60
	GRAPES_3 km	1.48	23.10	11.25	1.08	1.13
	GRAPES_LZ10 km	1.69	14.92	6.20	1.09	1.07
	GRAPES_LZ3 km	1.29	28.34	21.87	1.03*	1.03*
暴雨	ECMWF	1.75	21.91	31.30	1.06	1.18
	GRAPES_GFS	3.80	14.40*	51.70	0.96	0.84
	NCEP_GFS	0.79*	16.78	36.50	1.04	0.93
	SMS-WARMS	4.16	29.63	22.59*	1.17	1.42
	GRAPES_3 km	4.45	33.35	52.60	1.03*	1.06*
	GRAPES_LZ10 km	5.54	36.03	33.00	1.10	1.12
	GRAPES_LZ3 km	48.00	36.47	52.00	1.11	1.15
大暴雨	ECMWF	2.31	16.32	32.58*	1.04*	1.15
	GRAPES_GFS	—	—	—	—	—
	NCEP_GFS	1.51*	4.72*	58.12	0.84	0.68
	SMS-WARMS	6.85	24.56	46.52	1.07	1.08*
	GRAPES_3 km	2.44	16.35	40.73	0.93	0.93
	GRAPES_LZ10 km	—	—	—	—	—
	GRAPES_LZ3 km	0.07	7.05	56.03	0.89	0.68

表3 全球模式和区域模式对2020年汛期3次低槽型降水过程24 h累计降水预报和观测值组成的对象簇属性值

Tab.3 The attribute values of matching objects of 24 h accumulated rainfall forecast based on global and regional models and observations for 3 low-trough precipitation processes in flood season of 2020

注： *表示各属性表现最优模式,“—”表示模式未预报出该量级降水。

不同等级降水	模式	面积比	质心距离/ km	轴角差/ （°）	50%分位强度比率	90%分位强度比率
中雨	ECMWF	1.35	36.79	9.62	0.91	0.98*
	GRAPES_GFS	1.68	70.00	16.17	0.96	1.06
	NCEP_GFS	1.07*	38.61	24.78	0.87	0.88
	SMS-WARMS	1.32	19.10*	10.52	1.15	1.52
	GRAPES_3 km	1.83	49.10	16.39	1.17	1.39
	GRAPES_LZ10 km	1.42	34.71	9.42*	1.14	1.21
	GRAPES_LZ3 km	1.20	58.00	14.83	0.99*	1.07
大雨	ECMWF	1.00*	23.77*	11.93*	0.91	0.75
	GRAPES_GFS	1.36	84.56	26.49	0.98	0.78
	NCEP_GFS	0.51	57.69	14.11	0.90	0.65
	SMS-WARMS	2.76	27.23	12.35	1.12	1.25
	GRAPES_3 km	3.78	49.34	12.33	1.04	1.07
	GRAPES_LZ10 km	2.22	32.79	12.69	1.02	1.00*
	GRAPES_LZ3 km	1.60	52.65	6.28	0.99*	0.93
暴雨	ECMWF	0.15	8.84*	44.98	1.04	0.98*
	GRAPES_GFS	—	—	—	—	—
	NCEP_GFS	—	—	—	—	—
	SMS-WARMS	7.34	27.82	17.3	1.02*	1.15
	GRAPES_3 km	4.73	26.91	6.03	0.98	1.07
	GRAPES_LZ10 km	3.29	55.93	5.43*	0.97	0.88
	GRAPES_LZ3 km	0.90*	45.26	29.34	0.85	0.84

图6 2020年8月15—17日降水过程MODE检验识别的暴雨合成目标（数字1表示各模式与观测配对成功的目标对,蓝色区域为暴雨落区。下同）（a）ECMWF,（b）SMS-WARMS,（c）GRAPES_3 km,（d）观测

Fig.6 The matching objects of rainstorm identified by MODE method during the rainfall process on 15-17 August 2020 （The number “1” represents a successful target pair of observation and model forecast, the blue area is rainstorm area. the same as below）（a）ECMWF,（b）SMS-WARMS,（c）GRAPES_3 km,（d）observation

表4 3种模式对2次降水过程暴雨预报和观测组成的对象簇属性值

Tab.4 The attribute values of matching objects of rainstorm prediction based on three models and observation for the two rainfall processes

日期	模式	面积比	质心距离/ km	轴角差/ （°）	50%分位强度比率	90%分位强度比率
8月15—17日	ECMWF	1.18	16.10	12.46	1.22	1.93
	SMS-WARMS	1.53	15.53	2.17	1.29	1.38
	GRAPES_3 km	1.02	11.19	7.83	1.13	1.06
6月25—26日	ECWMF	0.16	8.84	44.98	1.04	0.98
	SMS-WARMS	7.69	21.91	10.07	1.05	1.31
	GRAPES_3 km	7.26	42.24	2.64	1.00	1.13

图7 2020年6月25—26日降水过程MODE检验识别的暴雨合成目标（a）ECMWF,（b）SMS-WARMS,（c）GRAPES_3 km,（d）观测

Fig.7 The matching objects of rainstorm identified by MODE method during the rainfall process on 25-26 June 2020 （a）ECMWF,（b）SMS-WARMS,（c）GRAPES_3 km,（d）observation

参考文献 24

[1]	曾智华, 马雷鸣, 梁旭东,等. MM5数值预报引入GRAPES三维变分同化技术在上海地区的预报和检验[J]. 应用气象学报, 2004, 15(5):534-542.
[2]	张寅, 罗亚丽, 管兆勇. NCEP全球预报系统在ARMSGP站点预报大气温度、湿度和云量的检验[J]. 大气科学, 2012, 36(1):170-184.
[3]	王海燕, 田刚, 徐卫立,等. ECMWF模式在长江上游流域调度关键期的预报检验评估[J]. 干旱气象, 2017, 35(1):142-147.
[4]	贾丽红, 马诺. ECMWF极端天气指数在新疆强降水预报中的检验评估[J]. 沙漠与绿洲气象, 2019, 13(3):25-32.
[5]	李博渊, 赵江伟, 庄晓翠. ECMWF细网格模式探空在阿勒泰地区短时强降水预报中的统计检验[J]. 沙漠与绿洲气象, 2020, 14(3):61-67.
[6]	徐姝, 熊明明, 王颖,等. 改进的ECMWF集合预报融合产品在海河流域的检验与分析[J]. 气象与环境科学, 2018, 41(4):43-48.
[7]	潘留杰, 张宏芳, 王建鹏,等. 日本高分辨率模式对中国降水预报能力的客观检验[J]. 高原气象, 2014, 33(2):483-494. DOI
[8]	张博, 李勇. 2013年6—8月T639、ECMWF及日本模式中期预报性能检验[J]. 气象, 2013, 39(11):1514-1520.
[9]	牟欢. T639和德国模式对新疆地区大降水预报的检验[J]. 沙漠与绿洲气象, 2013, 7(1):12-15.
[10]	姜晓曼. 2014年夏季长江中下游地区降水预报检验[D]. 南京: 南京大学, 2016.
[11]	李璠, 王曼, 张瑾文. 华东区域数值预报降水产品在云南区域的检验评估[J]. 云南地理环境研究, 2020, 32(3):34-40.
[12]	徐同, 李佳, 杨玉华,等. SMS-WARMS V2.0模式预报效果检验[J]. 气象, 2016, 42(10):1176-1183.
[13]	陈超君, 李俊, 王明欢. 2013年华中区域中尺度业务数值预报的客观检验[J]. 暴雨灾害, 2014, 33(2):187-192.
[14]	袁晨, 谢清霞, 刘彦华,等. GRAPES_MESO区域区域模式对贵州温度与降水预报的检验评估[J]. 中低纬山地气象, 2020, 44(6):56-59.
[15]	张利红, 何光碧. GRAPES_Meso模式对2011年夏季青藏高原东部及周边区域的预报检验[J]. 高原气象, 2014, 33(1):14-25. DOI
[16]	孙婵, 徐国强. GRAPES_Meso区域模式在新疆沙漠地区的检验与评估[J]. 气象科技, 2017, 45(4):658-668.
[17]	井立红, 高婧, 赵忠,等. 数值预报模式在新疆塔城地区降水预报中的检验[J]. 干旱气象, 2017, 35(1):134-141.
[18]	张成军, 纪晓玲, 马金仁,等. 多种数值预报及其释用产品在宁夏天气预报业务中的检验评估[J]. 干旱气象, 2017, 35(1):148-156.
[19]	GILLELAND E, AHIJEVYCH D, BROWN B G, et al. Intercomparison of spatial forecast verification methods[J]. Weather and Forecasting, 2009, 24(5):1416-1430. DOI URL
[20]	潘留杰, 薛春芳, 张宏芳,等. 三种高分辨率格点降水预报检验方法的对比[J]. 气候与环境研究, 2017, 22(1):45-58.
[21]	于翡, 黄丽萍, 邓莲堂. GRAPES-MESO模式不同空间分辨率对中国夏季降水预报的影响分析[J]. 大气科学, 2018, 42(5):1146-1159.
[22]	王彬雁, 陈朝平, 丛芳,等. 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, 2020, 40(2):26-30.
[23]	DAVIS C A, BROWN B G, BULLOCK R, et al. The method for object-based diagnostic evaluation(MODE) applied to numerical forecasts from the 2005 NSSL/SPC spring program[J]. Weather and Forecasting, 2009, 24(5): 1252-1267. DOI URL
[24]	白肇烨, 徐国昌, 孙学筠,等. 中国西北天气[M]. 北京: 气象出版社, 1988:215-218.