河西走廊东部智能网格温度预报产品订正方法探讨
Discussion on correction method of intelligent grid temperature forecast products in the eastern Hexi Corridor
通讯作者: 杨晓玲(1971—),女,甘肃民勤人,高级工程师,主要从事天气预报及气候变化研究工作。E-mail:wwqxj6150343@163.com。
责任编辑: 黄小燕;校对:邓祖琴
收稿日期: 2022-11-7 修回日期: 2022-12-22
基金资助: |
|
Received: 2022-11-7 Revised: 2022-12-22
作者简介 About authors
李天江(1990—),男,甘肃古浪人,工程师,主要从事中短期天气预报及灾害性天气预报研究。E-mail:601587314@qq.com。
为提高智能网格的订正能力及预报水平,基于中央台客观指导产品的甘肃省切片数据和中国气象局陆面数据同化系统(Chinese Land Data Assimilation System Version 2.0,CLDAS-V2.0)日网格实况产品,采用卡尔曼滤波和滑动训练订正两种方法,对河西走廊东部地区(101.0°E—104.5°E,36.0°N—40.0°N)0.05°×0.05°格点最高、最低气温进行订正、检验和评估。结果表明:(1)季节对比,卡尔曼滤波和滑动训练订正产品对四季最高、最低气温的平均绝对误差均小于中央台客观指导产品,均小于2.00 ℃;卡尔曼滤波和滑动训练订正产品对四季最高、最低气温的预报准确率均大于70%,其中最高气温偏高6%~13%,最低气温偏高8%~24%。(2)空间对比,卡尔曼滤波和滑动训练订正产品对最高、最低气温的平均绝对误差绝大部分地区在1.00~2.00 ℃,个别地区大于2.00 ℃;卡尔曼滤波和滑动训练订正产品对最高(最低)气温的预报准确率大部分地区大于70%(60%~70%),个别地区大于80%(70%)。(3)总体上,卡尔曼滤波和滑动训练订正产品对最高、最低气温订正技巧基本为正技巧,个别季节和部分地区订正技巧大于0.300。说明两种订正方法具有较好的订正预报能力,可为今后的温度预报业务提供一定的技术支持。
关键词:
In order to improve correction ability and forecasting level of intelligent grid. Based on the slice data of Gansu Province of objective guidance product from Central Meteorological Observatory of China and daily grid temperature data from Chinese Land Data Assimilation System Version 2.0 (CLDAS-V2.0) of CMA, the maximum and minimum temperature of 0.05°×0.05° grid points in the eastern Hexi Corridor (101.0°E-104.5°E, 36.0°N-40.0°N) were corrected, tested and evaluated by using Kalman filtering method and sliding training correction method. The results are as follows: (1) For seasonal comparison, the mean absolute errors of maximum and minimum temperature of Kalman filter and sliding training correction products were both smaller than objective guidance product at all seasons, and all values were less than 2.00 ℃. The forecast accuracy of maximum and minimum temperature of Kalman filter and sliding training correction products were greater than 70% at all seasons. which the maximum temperature was 6%-13% higher and the minimum temperature was 8%-24% higher. (2) For spatial comparison, the mean absolute errors of the maximum and minimum temperature of Kalman filter and sliding training correction products were 1.00-2.00 ℃, but greater than 2.00 ℃ in a few areas. The forecast accuracy of maximum (minimum) temperature of Kalman filter and sliding training correction products were greater than 70% (60%-70%) in most areas, and greater than 80%(70%) in a few areas. (3) As a whole, the correction skills of maximum and minimum temperature of Kalman filter and sliding training correction products were basically positive, and were greater than 0.300 in a few seasons and a few areas. It showed that the two correction methods have good prediction and correction ability, which can provide certain technical support for the future temperature forecasting operations.
Keywords:
本文引用格式
李天江, 杨晓玲, 张占文, 李岩瑛, 聂鑫.
LI Tianjiang, YANG Xiaoling, ZHANG Zhanwen, LI Yanying, NIE Xin.
引言
模式系统性误差是制约预报产品应用的瓶颈,目前,国内外针对温度要素开展了大量的误差订正技术研究,模式温度预报系统误差的客观订正方法主要包括模式输出统计(Model Output Statistics,MOS)方法、三维空间插值方法、卡尔曼滤波、偏差订正等。MOS方法基于历史预报与实况观测通过数学建模获得系统性误差方程(罗菊英等,2014;吴启树等,2016),以此订正预报产品;三维空间插值方法实现模式预报与实况观测在三维空间上保持一致性,同时利用历史平均预报误差作为参考误差,剔除模式系统性误差(赵滨和张博,2018);卡尔曼滤波对模式温度预报订正有效,若将历史平均误差、初值场误差及卡尔曼滤波反演误差作为预报因子,订正效果更优(王敏等,2012);模式温度预报的系统误差订正方法有平均法、双权重平均法、滑动训练平均法等(王婧等,2015;王丹等,2016),其中双权重法优于平均法,滑动训练优于无滑动,且滑动训练订正方法程序思路简单,可以简化长时间序列的数据处理过程(Stensrud and Yussouf, 2005; Yussouf and Stensrud, 2007; Zhu, et al, 2014),以上方法均为模式温度预报的客观订正提供了技术积累。
河西走廊东部地面观测站点分布不均,难以准确描述复杂地形地貌下不同区域的气象要素差异,也难以满足高精度、网格化的气象预报服务需求,且高原边坡地带的地形数据同化一直是数值预报模式的短板,造成模式输出产品与实况误差较大(刘新伟等,2020;沈洁和朱宝文,2020;温晓培等,2022),不能满足社会公众和决策服务的需求,亟需寻求本地化的客观订正方法。基于此,本文选取卡尔曼滤波和滑动训练订正两种方法对中央台智能网格预报产品在河西走廊东部区域格点的最高、最低温度进行订正,并检验和评估两种方法的订正效果,动态选取最优订正方法作为智能网格最高、最低温度的订正模型,进一步提升河西走廊东部网格温度时间精准度,提高温度预报空间分辨率和准确率,以期为现行预报业务提供一定技术支撑,进而提升气象部门对重大社会活动、突发应急事件的气象服务保障能力。
1 研究区概况
河西走廊东部(101.0°E—104.5°E,36.0°N—40.0°N)地处青藏高原北坡,海拔高度为1 300~4 872 m(图1),南靠祁连山脉,北邻腾格里和巴丹吉林两大沙漠,东接黄土高坡西缘,地形地貌复杂多样,地势南高北低,落差大,境内有高山、山地、丘陵、绿洲、荒漠等。受河西走廊狭管效应和高原边坡地形的共同影响,河西走廊东部天气气候复杂多变,年均气温为0.1~8.4 ℃,平均年降水量为110~410 mm,平均年蒸发量为1 500~2 700 mm,蒸发量是降水量的3.70~24.5倍,属大陆性温带干旱、半干旱气候区。
图1
图1
河西走廊东部海拔高度空间分布(单位:m)
Fig.1
Spatial distribution of height above sea level in the eastern Hexi Corridor (Unit: m)
2 资料与方法
2.1 资料
最高、最低气温实况数据来源于中国气象局陆面数据同化系统(Chinese Land Data Assimilation System Version 2.0,CLDAS-V2.0)日网格产品数据集,空间分辨率为0.05°×0.05°,该数据集利用多种来源的地面、卫星等观测资料(韩帅等,2018;师春香等,2019;刘军建等,2020),采用时空多尺度数据分析同化系统(The Space and Time Mesoscale Analysis System,STMAS)、最优插值(Optimal Interpolation,OI)、概率密度函数匹配(Cumulative Distribution Function,CDF)、物理反演、地形校正等技术研制而成。最高、最低气温预报数据来源于中央台下发的逐日20:00(北京时,下同)指导预报产品的甘肃省切片数据,截取河西走廊东部(101.0°E—104.5°E,36.0°N—40.0°N)网格距为0.05°×0.05°的56×60网格点24 h最高、最低气温。以上资料起止时间均为2019年6月1日至2021年5月31日。
2.2 方法
2.2.1 卡尔曼滤波方法
式中:
式中:
式中:
当q=0.5时,由公式(2)可知,如果序列过长,时间间隔较远的预报误差对订正结果的影响很小,可以忽略不计。因此,本文选取样本数为7 d的数据量。
2.2.2 滑动训练订正
2.2.3 检验方法
式中:
预报技巧评分是根据所有预报绝对误差的总和计算的,具体公式(董春卿等,2021)如下:
式中:SST为技巧评分;TMAEN(℃)是订正前日最高(低)气温预报平均绝对误差;TMAEF(℃)是订正后日最高(低)气温预报平均绝对误差。TMAEN-TMAEF>0 ℃表示订正技巧为正技巧,TMAEN-TMAEF<0 ℃则为负技巧。
3 结果与分析
对2020年6月1日至2021年5月31日中央台逐日20:00下发的河西走廊东部智能网格预报产品的56×60网格点24 h最高(最低)气温进行订正、检验和评估。为了简便,用a、a1、a2分别代表中央台智能网格温度预报产品、卡尔曼滤波法订正温度产品、滑动训练订正温度产品。
3.1 季节对比
表1为河西走廊东部不同季节最高、最低气温预报及其订正产品的平均绝对误差。可以看出,a的四季最高气温预报平均绝对误差略小于2.00 ℃,最低气温预报平均绝对误差均大于2.00 ℃,冬季为3.16 ℃,说明a对低温的预报性能较差。四季中,a1和a2对最高、最低气温订正预报的平均绝对误差均小于a,且均小于2.00 ℃,订正效果较好。总体上a1和a2的订正效果相当。
表1 河西走廊东部不同季节最高、最低气温预报及其订正产品的平均绝对误差
Tab.1
预报及订正产品 | 最高气温 | 最低气温 | ||||||
---|---|---|---|---|---|---|---|---|
春季 | 夏季 | 秋季 | 冬季 | 春季 | 夏季 | 秋季 | 冬季 | |
a | 1.91 | 1.94 | 1.74 | 1.91 | 2.15 | 2.02 | 2.47 | 3.16 |
a1 | 1.52 | 1.63 | 1.32 | 1.43 | 1.81 | 1.65 | 1.73 | 1.91 |
a2 | 1.48 | 1.55 | 1.30 | 1.44 | 1.80 | 1.60 | 1.75 | 1.95 |
由河西走廊东部不同季节最高、最低气温预报及其订正产品的准确率(图2)可以看出,a的四季最高气温预报准确率在60%~70%,预报效果一般,最低气温预报准确率均小于60%,其中秋季小于50%、冬季小于40%,预报效果较差。对于最高气温,a1和a2订正预报准确率各季节均较高(大于70%),比a偏高6%~13%,其中春、秋、冬季订正能力均较好,夏季略好;对于最低气温,a1和a2的预报准确率各季节均较高(大于63%),比a偏高8%~24%,四季订正能力均较好。总体上,a1和a2的订正效果相当,且对最低气温的订正效果优于最高气温。
图2
图2
河西走廊东部不同季节最高(a)、最低(b)气温预报及其订正产品的准确率
Fig.2
The accuracy of forecast and its correction products of maximum (a) and minimum (b) temperature in the eastern Hexi Corridor in different seasons
由河西走廊东部不同季节最高、最低气温两种订正产品的技巧评分(表2)可以看出,a1和a2对最高、最低气温的订正技巧均为正技巧,具有较好的订正能力,特别是秋、冬季a1、a2对最低气温的订正技巧评分大于等于0.290,订正能力较强,主要原因是a对秋、冬季的预报能力较弱,经a1和a2订正后大大缩小了预报误差,因此出现较大的订正技巧评分。总体上,a2的订正能力优于a1。
表2 河西走廊东部不同季节最高、最低气温两种订正产品的技巧评分
Tab.2
订正产品 | 最高温度 | 最低温度 | ||||||
---|---|---|---|---|---|---|---|---|
春季 | 夏季 | 秋季 | 冬季 | 春季 | 夏季 | 秋季 | 冬季 | |
a1 | 0.204 | 0.159 | 0.249 | 0.254 | 0.155 | 0.184 | 0.297 | 0.400 |
a2 | 0.224 | 0.204 | 0.252 | 0.248 | 0.160 | 0.208 | 0.292 | 0.384 |
3.2 空间对比
对于2019年6月1日至2021年5月31日最高气温预报及其订正产品,河西走廊东部的西南部、西部和南部局部地区a的平均绝对误差大于2.00 ℃,个别地区在3.00~4.00 ℃[图3(a)],河西走廊东部大部分地区a1和a2的平均绝对误差基本在1.00~2.00 ℃[图3(b)、(c)],说明a1和a2订正效果较好,且a2略好于a1。对于最低气温预报及其订正产品,河西走廊东部的西南部和东北部大部地区a的平均绝对误差大于2.00 ℃,局部地区在3.00~4.00 ℃[图3(d)],河西走廊东部的绝大部分地区a1和a2的平均绝对误差绝在1.00~2.00 ℃,北部和西南部局部地区平均绝对误差在2.00~3.00 ℃[图3(e)、(f)],说明a1和a2订正效果很好,且二者相当。总体上最高气温的订正优于最低气温。
图3
图3
2019年6月1日至2021年5月31日河西走廊东部最高(a、b、c)、最低(d、e、f)气温预报及其订正产品的平均绝对误差空间分布(单位:℃)
Fig.3
Spatial distribution of mean absolute error of maximum (a, b, c) and minimum (d, e, f) temperature forecast and its correction products in the eastern Hexi Corridor from 1 June 2019 to 31 May 2021 (Unit: ℃)
对于最高气温预报,a的预报准确率在河西走廊东部的北部较高(大于70%),西南部偏低(小于50%)[图4(a)],a1和a2的准确率在河西走廊东部大部分地方均较高(大于70%),个别地区大于80%,只有西南部、中部局部地区在60%~70%[图4(b)、(c)],与a相比,a1和a2的准确率提高的范围明显增大,订正能力均较强。对于最低气温预报,区域内大部分地区a的预报准确率小于50%,南部和西部的局部地区大于60%,个别地区大于70%[图4(d)],区域内大部分地区a1和a2的准确率在60%~70%,南部和西部的局部地区大于70%,个别地方小于50%[图4(e)、(f)],与a相比,a1和a2的准确率提高较为明显。
图4
图4
2019年6月1日至2021年5月31日河西走廊东部最高(a、b、c)、最低(d、e、f)气温预报及其订正产品的准确率空间分布(单位:%)
Fig.4
Spatial distribution of accuracy of forecast and its correction products of maximum (a, b, c) and minimum (d, e, f) temperature in the eastern Hexi Corridor from 1 June 2019 to 31 May 2021 (Unit: %)
综上所述,最低气温预报及其订正产品的平均绝对误差(预报准确率)均高于(低于)最高气温,主要由于河西走廊东部地表植被稀疏,沙漠戈壁众多,土壤热容量小,晴天居多,昼夜温差大,夜间辐射降温剧烈,导致最低气温预报和订正难度加大,订正效果相对较差。另外,西南部祁连山区海拔高,地形复杂,中央台客观网格预报指导产品对复杂地形区域的预报能力明显较弱,经订正后,平均绝对误差和预报准确率得到明显改善。
图5
图5
2019年6月1日至2021年5月31日河西走廊东部最高(a、b)、最低(c、d)气温两种订正产品的技巧评分空间分布
Fig.5
Spatial distribution of skill scores of two corrected products of maximum (a, b) and minimum (c, d) temperature in the eastern Hexi Corridor from 1 June 2019 to 31 May 2021
4 转折天气过程最高、最低气温订正检验
通过对比分析季节及空间订正效果发现,a1和a2两种订正方法对最高和最低气温的预报效果有一定的提高,这只是针对时间的平均结果,不能代表对具体天气过程的预报效果。但在日常生产和生活中,社会公众常常关注的是转折性天气过程。为进一步验证a1和a2两种订正方法在典型转折性高温或低温天气过程中的表现,选取2022年6月15—17日高温和2022年11月27—29日低温转折性天气过程进行分析,检验a1和a2两种订正方法的预报效果(表3)。可以看出,2022年6月15—17日高温天气过程,a的平均绝对误差达1.31,经a1和a2两种方法订正后,平均绝对误差明显减小,分别为0.61、0.71;a的预报准确率为81%,经a1和a2两种方法订正后,准确率明显提高,分别达98%、96%;a1和a2两种方法的订正技巧评分分别为0.191、0.022,均为正技巧。2022年11月27—29日低温天气过程,a的平均绝对误差达1.98,经a1订正后,平均绝对误差为1.69,经a2订正后,平均绝对误差反而增大为2.41;a的预报准确率为60%,经a1订正后,准确率有所提高为66%,经a2订正后,准确率反而降低为51%;a1的订正技巧评分为0.011,为正技巧,a2的订正技巧评分为-0.442,为负技巧。
表3 河西走廊东部转折性天气过程中最高、最低气温预报及其订正产品的检验结果
Tab.3
天气过程 | 预报及 订正产品 | 平均绝对误差/℃ | 准确率/% | 订正技巧 评分 |
---|---|---|---|---|
2022年6月 15—17日高温 | a | 1.31 | 81 | |
a1 | 0.61 | 98 | 0.191 | |
a2 | 0.71 | 96 | 0.022 | |
2022年11月 27—29日低温 | a | 1.98 | 60 | |
a1 | 1.69 | 66 | 0.011 | |
a2 | 2.41 | 51 | -0.442 |
综上可知,a1和a2两种方法对转折性高温天气过程的订正预报效果非常明显,在预报服务过程中,均可作为重要参考依据;a1对转折性低温天气过程有一定的订正预报效果,有参考性,a2对转折性低温天气过程没有订正能力,无参考性。
5 结论与讨论
基于中央台智能网格预报和网格实况,对河西走廊东部区域的最高和最低气温进行订正,对比分析中央台指导产品(a)、卡尔曼滤波订正产品(a1)及滑动训练订正产品(a2)的平均绝对误差、预报准确率和技巧评分,得出如下结论:
(1)季节对比,对于最高和最低气温订正,a1和a2的平均绝对误差均小于a,且均小于2.00 ℃,两种方法订正效果相当;对于最高气温订正,a1和a2的预报准确率各季节均大于70%,比a偏高6%~13%,对于最低气温订正,a1和a2的预报准确率各季节均大于63%,比a偏高8%~24%,最低气温的订正效果优于最高气温;a1和a2的订正技巧对最高、最低气温均为正技巧,秋、冬季a1、a2对最低气温的订正技巧评分大于等于0.290,订正能力较强,a2的订正能力优于a1。
(2)空间对比,对于最高和最低气温订正,a1和a2的平均绝对误差绝大部分地区在1.00~2.00 ℃,个别地区大于2.00 ℃,预报能力较强。对于最高气温预报,a1和a2的预报准确率区域内大部分地区大于70%,个别地区大于80%;对于最低气温预报,a1和a2的预报准确率大部分地区在60%~70%,南部和西部局部地区大于70%,相比a预报准确率明显提高。a1和a2在绝大部分地区对最高、最低气温的订正技巧评分为正技巧,局部地区大于0.300,说明a1和a2有一定的订正能力。
(3)卡尔曼滤波和滑动训练订正两种方法对河西走廊东部中央台智能网格最高、最低气温订正后,平均绝对误差明显减小、预报准确率明显提高、订正技巧绝大部分为正,说明两种方法均有较强的订正预报能力,可作为今后气温预报的主要订正方法。两种订正方法对转折性高温天气过程的订正能力较强,卡尔曼滤波法对转折性低温天气过程有一定的订正能力,滑动训练订正对转折性低温天气过程没有订正能力,有待于寻求更有效的方法对转折性低温天气过程进行订正。
通过格点订正后,可将格点预报插值到城镇和乡镇站点(武鹏飞等,2019),实现了基于智能网格预报产品的城镇和乡镇预报产品,替代原来人工城镇预报和基于人工城镇预报的乡镇预报产品,极大提高城镇和乡镇的预报精细化和准确率。但本文仅对河西走廊东部最高、最低气温进行了订正分析,没有涉及更多的气象要素,经过业务运行优化,可将本订正方法推广应用于降水、风向风速、相对湿度、云量等多种要素的订正预报中,实现多要素天气预报的精细化和精准度。
参考文献
基于CMIP6的福建省极端气温预估
[J]. ,基于第六阶段耦合模式比较计划(Coupled Model Intercomparison Project Phase 6, CMIP6)模 拟数据和高分辨率逐日格点观测数据,分别采用分位数映射法和泰勒图对福建省极端气温指数模 拟值进行订正和评估,发现在历史参照期(1991—2010年)订正后的各极端气温指数模拟值与观测值更加接近。在此基础上,分析了SSP2-4.5和SSP5-8.5情景下福建省21世纪近期(2021—2040年)、中期(2051—2070年)和末期(2081—2100年)订正后的极端气温指数相对于历史参照期的时空变化特征。从时间变化来看,21世纪各时期,全省平均极端气温指数呈现升高趋势,且随着时间推移增幅不断加大。从空间变化来看,极端最高气温TXx呈现西北内陆增幅大、东南沿海增幅小的趋势,极端最低气温TNn空间分布与TXx类似,增幅略小,夏季日数Su增量在福建西南部为大值区,暖昼日数TX90p在福建东南部增幅最大。采用广义极值(generalized extreme value, GEV)分布研究了TXx重现期变化,发现SSP2-4.5情景下,21世纪3个时期增温较为匀速,而SSP5-8.5情景下增温呈加速趋势。在SSP5-8.5情景下,历史参照期20 a一遇的极端最高气温在21世纪末期每年都可能发生。
基于CLDAS的格点温度预报偏差订正方法
[J]. ,利用国家气象信息中心CLDAS格点温度实况、中央气象台SCMOC格点温度预报以及山西省站点观测温度,采用非独立性检验综合评估CLDAS在山西区域的适用性。在此基础上,采用滑动训练期订正方案,基于格点实况开展SCMOC温度预报场的客观订正。结果表明:(1)复杂地形对山西CLDAS格点温度实况的精度有一定影响,但最高气温的分析精度优于最低气温,表明地形对最低气温的偏差影响更显著,高海拔地区CLDAS最低气温一般对应为负偏差,低海拔地区一般对应为正偏差。(2)CLDAS格点温度实况的偏差空间分布具有时间延续性,进行简单的系统偏差订正后,最高、最低气温格点实况的精度分别提升1.1%、9.7%,与站点观测更为吻合。(3)基于改进后的CLDAS格点温度实况,采用滑动偏差订正方案,显著改善了山西省SCMOC温度预报的准确率。2019年,滑动偏差订正后的24 h时效最高、最低气温预报准确率较SCMOC温度预报分别提升2.7%、4.7%,订正后的短期温度预报质量有较大提高,优于预报员主观预报。
一种基于神经网络的中国区域夏季降水预测订正算法
[J]. ,基于CWRF(climate extension of WRF)区域气候模式的动力降尺度预测技术对夏季降水预测存在一定偏差,难以实现准确预测。本文立足于中国区域夏季降水特点,分析与夏季降水相关的气象要素,采用树突(dendrite,DD)网络与人工神经网络(artificial neural networks,ANN)相结合的方法,针对CWRF模式回报的1996—2019年夏季降水量进行订正,检验其订正效果。结果表明:人工树突神经网络(artificial dendritic neural network,ADNN)算法模型订正的中国夏季降水量整体好于CWRF模式历史回报,距平相关系数和时间相关系数较订正前均提高约0.10,均方误差下降约26%,趋势异常综合检验评分提高6.55,表明ADNN机器学习方法能够对CWRF模式夏季降水预测实现一定程度的订正,从而提高该模式降水预测精度。
数值模式的预报策略和方法研究进展
[J]. ,数值预报经历了半个多世纪的发展,已成为当前主要的客观预报工具。在模式和资料状况给定的情况下,预报效果的改善很大程度上依赖于所采用的预报策略和方法。为此,全面回顾了国内外基于数值模式的预报策略和方法研究进展,认为采取统计—动力相结合、从历史资料中提炼信息的预报策略是提高数值预报水平的可行之路。最后在总结前人工作基础上,着重介绍了动力相似预报策略和方法的相关研究,特别是实际预报中的试验情况。
递减平均法对陕西SCMOC精细化温度预报的订正效果
[J]. ,利用递减平均法对2012—2013年陕西区域99站共731 d的SCMOC温度精细化指导预报进行误差订正,订正结果表明:该订正方法总体表现为正的订正效果,对08:00和20:00起报的定时温度、日最高温度以及08:00起报的日最低温度有明显的订正能力,在准确率偏低的预报时效内订正效果较好;对于48 h内逐3 h定时温度预报,在夜间的准确率高于白天,对应的“递减平均法”在白天的订正能力高于夜间;对于168 h内日最高(低)温度预报,随着预报时效的增加准确率降低,但是“递减平均法”的误差订正能力增强;“递减平均法”对48 h内逐3 h定时温度和24 h内日最低温度的订正能力在准确率偏低的月份偏强。
土地利用资料的更新对四川盆地高温天气数值模拟的影响
[J]. ,土地利用情况影响区域天气和气候,采用与实况更为接近的下垫面资料能够为数值预报提供有力支撑。使用中尺度数值模式WRF对2019年8月四川盆地高温过程进行数值模拟试验,对比基于2019年更新的MODIS土地利用数据与WRF自带土地利用资料的差异,分析下垫面资料的更新对数值模拟效果的影响。结果表明:两组土地利用资料存在明显差异,更新后的MODIS资料刻画更为精细,模拟区域的土地利用类型更加丰富。2 m气温对土地利用资料十分敏感,更新土地利用资料后两次个例平均的2 m气温2 ℃以内的模拟准确率提高6.2%,日最高气温模拟准确率提高31.3%;而日最低气温模拟准确率下降2.1%。土地利用资料变化明显的四川盆地内部较更新前增温明显,局部增温超过4 ℃,最高气温模拟偏低的状况明显改善。选取四川盆地内部地表类型由农田转为城市和建筑的合川站作为典型站点进行分析,发现土地利用类型更新后发射率减小,植被气孔阻抗增大,粗糙度增大,陆面参数的变化导致地表对边界层大气向上的感热输送增加,地表蒸发及大气水分供应减少,气温升高,边界层高度升高。模拟初期土地利用资料的更新造成模拟差异的局地性较强,随着模拟时间增加,逐渐影响中高层及周边大气。土地利用资料的改变通过影响陆面参数的选择,导致模拟结果的差异。更新土地利用资料后可有效改善2 m气温及最高气温的模拟效果。
YUSSOUF N, 2005 Bias-corrected short-range ensemble forecasts of near surface variables
[J]. ,
Bias-corrected short-range ensemble forecasts of near-surface variables during the 2005/06 cool season
[J]. ,
/
〈 | 〉 |