0 引言
地形是影响华北地区降水的关键因子，亦是调控极端降水空间结构的核心要素。研究表明，地形通过多种动力机制作用于降水过程（Roe，2005； Houze，2012），进而影响降水强度与落区；迎风坡抬升、喇叭口地形产生的增幅效应，以及垂直气流分布与地形的相互耦合作用，在特定条件下均可显著增强局地降水（孙建华和赵思雄，2002；孙继松，2005；杨侃等，2020；杨群等，2024）。此外，地形与低空急流的协同作用可形成“列车效应”，强化极端降水的局地性与持续性（孙继松等，2012；孙明生等，2013），这些研究为提升复杂地形区极端降水预报能力提供了重要理论与实践支撑。需要指出的是，极端短时降水的发生、空间分布及量级受水汽含量、云微物理过程、对流系统结构等多重因素调控（Yin et al.，2020； Xia et al.，2022），唯有深入理解其形成机制，方能开展精准预报工作。
数值模式是极端降水预报的重要工具，开展数值预报模式性能评估及相关模拟试验（陈阳权等，2022；琚陈相等，2023），不仅可明确模式预报能力边界，更为模式改进提供科学依据（朱文达等，2024；刘红武等，2025）。例如，CMA-BJ v2.0模式在不同分辨率下对降水强度与落区的模拟能力存在差异，9 km分辨率预报对弱降水过程的模拟效果更优，而3 km分辨率预报对强降水的模拟能力更优（张舒婷等，2023）；欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）高分辨率模式对极端降水的预报性能优于集合预报，但对降水强度普遍存在低估现象（符娇兰和代刊，2016；曹萍萍等，2023；龙柯吉等，2024）。同时，模式模拟试验结果也为模式改进提供了直接参考：通过下垫面敏感性试验，可评估WRF模式对暴雨的模拟性能，明确下垫面非均匀性对模式预报结果的影响（任余龙等，2020）；对比WRF模式不同边界层参数化方案对台风“烟花”暴雨的模拟效果，能明确各方案预报能力差异（邢蕊等，2023），进一步为业务应用与模式优化提供实证支撑。
尽管如此，此次极端降水的模式预报性能评估仍需进一步深入剖析地形与风场协同作用对降水误差的影响，通过多模式误差对比揭示降水误差的潜在来源。基于此，本文结合站点观测资料与数值模式资料，系统分析“23·7”特大暴雨过程中多个全球及区域模式的降水预报性能，探究预报误差的可能来源，重点阐释地形与风场协同作用对降水的影响机制，以期为今后同类极端降水过程的数值预报优化提供科学参考。
1 资料与方法
1.1 资料
选取本次降水过程主要影响的华北地区（33°N—42°N，111°E—120°E）1 632个地面观测站（图1）2023年7月29日08：00（北京时，下同）—8月1日08：00逐3 h累积降水量与10 m风场资料，资料源自中国气象局天擎系统。观测资料经邻站对比剔除奇异值后，采用影响半径为20 km的Cressman客观分析方法插值生成格点场；地形资料采用美国地质调查局（United States Geological Survey，USGS）提供的SRTM（Shuttle Radar Topography Mission）90 m分辨率数字高程数据。
图1
图1
研究区域地形（填色，单位：m）及地面观测站点（黑点）空间分布
Fig.1
The spatial distribution of topography （the color shaded，Unit： m） and surface observation stations （black dots） in the study area
由于获取的全球模式输出产品为3 h间隔，本文选取3套全球模式与7套区域模式的数值预报资料进行分析。全球模式包括：选取欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）模式（水平分辨率12.5 km）、美国国家环境预报中心全球模式（National Centers for Environmental Prediction Global Forecast System，NCEP-GFS）（水平分辨率25.0 km）、中国气象局全球同化预报系统（China Meteorological Administration Global Forecasting System，CMA-GFS）（水平分辨率12.5 km）；区域模式包括：中国气象局中尺度天气数值预报系统（China Meteorological Administration Mesoscale Numerical Forecasting System，CMA-MESO）（水平分辨率3.0 km）、中国气象局北京区域模式[CMA-BJ3（水平分辨率3.0 km）、CMA-BJ9（水平分辨率9.0 km）]、中国气象局上海区域模式[CMA-SH3（水平分辨率3.0 km）、CMA-SH9（水平分辨率9.0 km）]、中国气象局广东区域模式[CMA-GD（水平分辨率3.0 km）、CMA-TRAMS（水平分辨率9.0 km）]。所用资料为2023年7月29日08：00－8月1日08：00每日08：00起报、24 h时效的3 h累计降水量与10 m风场等要素。受资料检索情况所限，本文获取的8个模式的参数及方案设置如表1所示。
表1 模式参数及方案设置
Tab.1
| 模式名称 | 分辨率/km | 云微物理 | 对流参数化 | 边界层 | 辐射 | 陆面 | 模式框架 |
|---|---|---|---|---|---|---|---|
| NCEP-GFS（黄伟等，2018） | 25 | 简单暖云方案 | SAS | MRF | RRTM | Noah | WRF |
| CMA-GFS（张进等，2023） | 12.5 | Liu-Ma | SAS | MRF | RRTMG | CoLM | GRAPES |
| CMA-SH3（李佳等，2017） | 3.0 | Thompson | 无 | MYJ | RRTMG | Noah | WRF |
| CMA-SH9（Zhang et al.，2021） | 9.0 | Thompson | 无 | YSU | RRTMG | Noah | WRF |
| CMA-BJ3（陈敏等，2023） | 3.0 | Thompson | 无 | YSU | RRTMG | Noah | WRF |
| CMA-BJ9（陈敏等，2023） | 9.0 | Thompson | New Tiedtke | YSU | RRTMG | Noah | WRF |
| CMA-GD（文秋实等，2024） | 3.0 | WSM6 | SAS | MRF | RRTMG | SLAB | GRAPES |
| CMA-TRAMS（文秋实等，2024） | 9.0 | WSM6 | SAS | MRF | RRTMG | SLAB | GRAPES |
1.2 方法
1.2.1 综合评分
降水预报的准确性常采用TS（Threat Score）技巧评分进行评估。但TS评分存在一定局限性，不同空报率和漏报率可能对应相同的评分结果。为更全面地评估数值模式的预报性能，可通过综合评分图，联合展示命中率（Probability of Detection，POD）、成功预报率（Success Ratio，SR）、TS评分及预报偏差（Bias）4个关键指标，理论上模式最佳预报点位于综合评分图右上角顶点（Roebber，2009； Zhou et al.，2015）。依据吴启树等（2017）对降水分级订正中降水强度的等级划分，结合此次降水过程特点，设定6个降水阈值（Threshold），分别为0.1、1、5、10、25、50 mm，据此对不同量级逐3 h降水预报的差异进行分析。
1.2.2 弗劳德数
式中：N为气层静力稳定度，单位：rad·s-1；U是风场流速，单位：m·s-1；H是海拔高度，单位：m。根据Fr的大小，Fr>1时，动能大于静稳定抬升的阻力，气流倾向于越过山脉；Fr<1时，气流难以抬升至山顶，更易绕过山体。
Fr参数适用于山前气流垂直于山脉走向的风场研究，本文研究区域内太行山主体呈南北走向，因此风场流速U采用山前区域各纬度平均的纬向风带入计算。Fr差值为模式数据与观测数据分别计算的Fr之差，Fr差值>0时，模式中气流相比实况气流更易越山；Fr差值<0时，模式中气流比实况气流更易绕流。
2 “23·7”过程降水和地面风场特征
图2为2023年7月29日08：00—7月31日08：00华北地区地面观测站逐3 h累计降水量空间分布。此次降水过程呈现出3类与地形密切相关的空间分布特征：第一类是太行山东部降水区，7月29日08：00—7月30日11：00大范围降水沿着太行山东南部出现，降水区随着台风“杜苏芮”的残涡北上而北抬；第二类是燕山南部降水区，7月29日23：00，燕山南侧平原区开始有明显降水，降水从渤海湾向西北发展，7月30日02：00—11：00在燕山南部加强形成大片降水区；第三类是平原区降水，7月29日11：00—7月30日23：00降水主要呈带状从东南向西北延伸并逐渐向北移，其中有一条比较固定的雨带起于泰山附近，并向西北延伸。这3类降水于7月30日11：00—7月31日05：00在太行山和燕山交界处有明显的汇合，形成位于燕山和太行山交界区域的降水区，此后降水进一步北移并减弱（图略）。
图2
图2
2023年7月29日08：00—7月31日08：00华北地区地面观测站逐3 h累计降水量（单位：mm）空间分布
（灰色阴影为海拔高度，单位：m，下同）
Fig.2
Spatial distribution of 3-hourly accumulated precipitation （Unit： mm） at surface observation stations in North China from 08：00 on 29 to 08：00 on 31 July 2023
（The gray shading indicates elevation，Unit： m，the same as below）
地面风场（图3）也对应呈现与地形密切相关的3个关键空间分布特征：一是太行山东部偏东风与东北风汇合区，7月29日08：00，台风残涡气流在华北平原形成气旋性环流，气流呈逆时针旋转趋势，风向由东南风转为偏东风，偏东风受太行山阻挡后转为东北风，沿山脉向南汇入低涡形成辐合，东北风由太行山东部向西扩展至山区并转为北风或西北风，降水区主要位于太行山上北风区域以东的位置；二是燕山南侧偏东风与东北风汇合区，气旋外围东南风自渤海湾在燕山南侧逆时针旋转，风向统一汇合为东北风，29日08：00—20：00部分气流越山向气旋外形成反气旋性偏转（即顺时针偏转）的趋势，29日23：00后地形阻挡增强，气流在燕山南部向西南转折，偏东北与偏东气流汇合，对应燕山南部降水区；三是泰山周围分流与汇合区，气流自东向西接近泰山时在东部分流，绕山气流在西部汇合，触发或加强下游降水，同时泰山南侧绕流形成的向南偏转气流与偏东气流产生辐合，触发或加强南侧降水。
图3
图3
2023年7月29日08：00—7月31日08：00华北地区地面观测站逐3 h 10 m风场（风矢量，单位：m·s-1）空间变化
（黑色圆圈代表风速小于2 m·s-1，下同）
Fig.3
Spatial variation of 3-hourly 10 m wind field （Unit： m·s-1） at surface stations in North China from 08：00 on 29 to 08：00 on 31 July 2023
（Black circles indicate wind speed less than 2 m·s-1，the same as below）
3 模式降水准确性检验
3.1 综合评分
采用邻近插值方法对10个模式降水预报结果进行处理，评估2023年7月29日08：00—8月1日08：00华北地区降水过程的预报性能，表2为各模式评分结果，图4为综合评分图。结果表明，全球模式对≥0.1 mm、≥1 mm量级的降水预报把握更好，但空报比较明显；而对5 mm及以上量级的降水预报能力偏低，漏报的情况较为明显。区域模式总体预报能力优于全球模式，对≥10 mm量级的降水预报能力显著高于全球模式，但各区域模式间的差异较为明显。对于此次过程而言，CMA-BJ3的预报能力较突出，尤其是对≥0.1 mm、≥1 mm、≥5 mm、≥10 mm量级的降水预报较为准确，但对50 mm及以上量级的降水有明显空报；CMA-SH3对≥0.1 mm和≥1 mm量级的降水空报偏多，但对10 mm及以上量级的降水预报Bias最接近1，表明其对于该量级降水的预报更准确。
表2 2023年7月29日08：00—8月1日08：00不同模式对不同等级降水量预报性能的评估结果
Tab.2
| 模式 | 不同等级降水量（单位：mm）TS评分 | 不同等级降水量（单位：mm）Bias | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ≥0.1 | ≥1 | ≥5 | ≥10 | ≥25 | ≥50 | ≥0.1 | ≥1 | ≥5 | ≥10 | ≥25 | ≥50 | |
| ECMWF | 0.52 | 0.46 | 0.33 | 0.23 | 0.08 | 0.03 | 1.82 | 1.65 | 1.22 | 0.68 | 0.19 | 0.11 |
| NCEP-GFS | 0.49 | 0.41 | 0.29 | 0.23 | 0.13 | 0.02 | 1.66 | 1.44 | 0.81 | 0.63 | 0.38 | 0.09 |
| CMA-GFS | 0.52 | 0.42 | 0.27 | 0.14 | 0.00 | 0.00 | 1.62 | 1.65 | 0.98 | 0.41 | 0.01 | 0.00 |
| CMA-MESO | 0.53 | 0.45 | 0.31 | 0.25 | 0.15 | 0.07 | 1.34 | 1.20 | 1.06 | 0.94 | 0.76 | 0.63 |
| CMA-TRAMS | 0.56 | 0.45 | 0.32 | 0.24 | 0.13 | 0.05 | 1.33 | 1.32 | 1.05 | 0.93 | 0.86 | 0.74 |
| CMA-GD | 0.56 | 0.46 | 0.33 | 0.27 | 0.07 | 0.00 | 1.30 | 1.20 | 1.09 | 0.96 | 0.23 | 0.00 |
| CMA-BJ3 | 0.57 | 0.50 | 0.38 | 0.32 | 0.19 | 0.08 | 1.02 | 1.01 | 1.05 | 1.16 | 1.43 | 1.89 |
| CMA-BJ9 | 0.54 | 0.47 | 0.38 | 0.30 | 0.17 | 0.10 | 1.57 | 1.47 | 1.04 | 1.03 | 1.37 | 1.85 |
| CMA-SH3 | 0.56 | 0.45 | 0.31 | 0.23 | 0.13 | 0.08 | 1.26 | 1.25 | 1.07 | 0.98 | 0.93 | 0.84 |
| CMA-SH9 | 0.55 | 0.43 | 0.30 | 0.22 | 0.11 | 0.03 | 1.31 | 1.14 | 1.06 | 1.04 | 1.14 | 1.51 |
图4
图4
2023年7月29日08：00—8月1日08：00不同模式对不同量级降水预报性能的综合评分图
Fig.4
Comprehensive score maps of forecast performance for different rainfall intensities by various models intensities from 08：00 on July 29 to 08：00 on August 1，2023
模式分辨率对不同量级降水预报能力具有一定影响。全球模式的分辨率低于区域模式，其对0.1 mm及以上、1 mm及以上量级的降水预报效果较好，TS值高于部分区域模式；而对≥10 mm量级降水的预报效果不及大部分区域模式，存在明显漏报情况。从北京、上海、广东的3.0 km和9.0 km分辨率模式预报结果的对比可以看到，北京和上海的3.0 km分辨率模式预报性能总体分别优于各自对应的9.0 km分辨率模式；广东3.0 km分辨率模式的预报性能也普遍优于9.0 km分辨率模式，但其对≥25 mm量级的降水预报性能不及9.0 km分辨率模式。整体来看，高分辨率模式比低分辨率模式具有更好的预报性能，尤其对≥5 mm量级的降水预报效果更佳，但也存在例外情况。
3.2 降水强度分布特征
为研究模式对此次降水过程（2023年7月29日08：00—8月1日08：00）预报能力随降水强度的变化特征，对选取的10个模式24 h时效内逐3 h预报的降水频次、降水强度分布采用双参双e指数方程拟合后进行两次对数处理（Li and Yu，2014），并依据双对数拟合直线及相关参数（弱降水占比参数、强降水占比参数），综合评估这3 d的降水预报效果（图5）。整体而言，全球模式（CMA-GFS、ECMWF、NCEP-GFS）对<10 mm量级的降水预报频次高于观测值；对≥10 mm量级的降水预报频次低于观测值，其中CMA-GFS预报低估的情况最明显；而区域模式中CMA-GD对≥10 mm量级的降水预报频次也明显低于观测值。区域模式的表现可分为两类：一类是对≥10 mm量级的降水预报频次偏高，包括CMA-SH3、CMA-SH9、CMA-BJ9、CMA-BJ3；另一类是对≥10 mm量级的降水预报频次偏低，包括CMA-GD、CMA-TRAMS、CMA-MESO。在降水频次随降水强度分布的拟合方面，区域模式性能整体明显高于全球模式，其中CMA-SH3的预报与观测最接近。
图5
图5
2023年7月29日08：00—8月1日08：00不同模式预报及观测的降水频次随降水量级的拟合分布
Fig.5
Fitted distribution of precipitation frequency with rainfall intensities from observations and different model forecasts from 08：00 on July 29 to 08：00 on August 1，2023
不同模式对不同量级降水的预报存在差异，这可能与各模式物理过程方案不同有关：采用SAS对流参数化、MRF边界层方案的2个全球模式（NCEP-GFS、CMA-GFS）及2个区域模式（CMA-GD、CMA-MESO）对≥10 mm量级的降水漏报明显；采用Thompson云微物理方案的4个区域模式（CMA-SH3、CMA-SH9、CMA-BJ3、CMA-BJ9）对≥10 mm量级的降水空报较多，且其对流参数化、边界层方案与前4个模式不同；其中降水预报最接近实况的CMA-SH3模式，与其他7个模式的差异在于其采用了MYJ边界层方案。上述仅为基于物理方案配置的初步分析，后续需通过敏感性数值试验验证降水偏差是否由物理方案差异所致。
4 降水空间分布误差及风场和地形的协同作用
前文分析表明，强降水主要出现在沿山区域，地形对风的阻挡或抬升引发的风场辐合和上升运动与降水区对应良好。受资料获取情况所限，本节重点分析6个模式对太行山沿线降水落区的预报效果。图6为2023年7月29日23：00—30日02：00华北地区地面观测站降水与不同模式模拟降水空间分布。可以看出，太行山沿线降水预报中，CMA-BJ9、CMA-GD落区与实况吻合较好；NCEP-GFS雨区偏大，在太行山南部空报；CMA-GFS在太行山西部漏报，CMA-TRAMS在太行山南部漏报；CMA-SH9在太行山西部空报。
图6
图6
2023年7月29日23：00—30日02：00华北地区地面观测站降水（散点）与不同模式模拟降水（等值线）空间分布（单位：mm）
Fig.6
Spatial distribution of precipitation observed at surface stations （scatter points） and precipitation simulated by different models （contours） in North China from 23：00 on 29 to 02：00 on 30 July 2023 （Unit： mm）
表3列出2023年7月29日23：00不同模式模拟与观测的华北地区10 m风场及其均方误差。可以看出，观测平均风速为2.08 m·s-1，模式预报风速普遍偏高，其中CMA-SH9偏高最多，其次为CMA-GFS、NCEP-GFS。风速偏高源于U、V分量均偏大，CMA-SH9的U分量偏高更明显。CMA-GD、CMA-BJ9、CMA-TRAMS平均风速也偏高，但差异幅度较小，其中CMA-GD风速与实况最接近。
表3 2023年7月29日23：00不同模式模拟与观测的华北地区10 m风场及其均方误差单位：m·s-1
Tab.3
| 数据源 | 平均风速 | 平均U | U均方误差 | 平均V | V均方误差 |
|---|---|---|---|---|---|
| 观测 | 2.08 | -1.44 | 0.12 | ||
| NCEP-GFS | 4.42 | -3.26 | 6.70 | 0.91 | 3.09 |
| CMA-GFS | 4.91 | -3.22 | 5.96 | 0.75 | 5.89 |
| CMA-SH9 | 5.39 | -3.90 | 10.58 | 0.73 | 5.80 |
| CMA-BJ9 | 3.49 | -2.41 | 3.38 | 0.33 | 2.02 |
| CMA-GD | 2.85 | -1.89 | 1.40 | 0.56 | 1.64 |
| CMA-TRAMS | 3.58 | -2.44 | 2.75 | 0.47 | 2.71 |
注：U、V分别表示纬向、经向分量。
图7为模式地形与实际地形（SRTM地形资料）差异及模式地形与实际地形沿36°N的剖面。可以看出，114°E附近为太行山山地与平原交界区，全球模式NCEP-GFS地形平滑处理较为明显，与实际高度的空间差异较大；CMA-GFS平滑程度小于NCEP-GFS，呈一定“削峰填谷”特征。区域模式中，CMA-GD、CMA-TRAMS“削峰填谷”较为明显，向外平滑更显著，如CMA-TRAMS明显抬高太行山东侧与平原交界区地形高度；CMA-SH9、CMA-BJ9模式地形与实际地形较接近，空间高度差异较小。
图7
图7
NCEP-GFS（a、d）、CMA-GFS（b、e）、CMA-SH9（c、f）、CMS-BJ9（g、j）、CMA-GD（h、k）、CMA-TRAMS（i、l）模式地形与实际地形差异（a、b、c、g、h、i）（单位：m）及模式地形与实际地形沿36°N剖面（d、e、f、j、k、l）
Fig.7
Differences （a，b，c，g，h，i） between model topography and actual topography （Unit： m） and cross-sections along 36°N （d，e，f，j，k，l） for NCEP-GFS （a，d），CMA-GFS （b，e），CMA-SH9 （c，f），CMS-BJ9 （g，j），CMA-GD （h，k），CMA-TRAMS （i，l）
图8为2023年7月29日23：00不同模式模拟与实况10 m风场，以及模式模拟Fr与实况的差值。综合表3、图6及图7可以看出，2023年7月29日23：00，NCEP-GFS因风速偏强、地形更为平坦，导致计算的Fr值偏大，其气流位置更深入山区并形成辐合，导致山区降水空报，尤其是在太行山南端34°N—37°N区域；CMA-SH9模式地形与实际地形较为接近，但风速模拟偏差较大，计算的Fr值同样偏大，利于气流越山，造成37°N—39°N山区降水空报；CMA-GFS风速模拟偏高，太行山东沿受模式地形抬升影响，Fr值偏小，导致山脉东侧风向发生偏转，最终造成太行山36°N—38°N区域降水漏报；CMA-BJ9、CMA-GD和CMA-TRAMS模拟地形和风速均与实况较为接近，Fr偏差较小，因此36°N—39°N区域整体雨区与实况较为吻合，但CMA-TRAMS依然存在局部地形向东延伸（太行山东沿及平原地形抬高）的现象，使得太行山36°N—39°N区域东侧Fr值偏小，气流阻挡作用增强，导致太行山东部降水偏强并引发部分山区降水漏报。
图8
图8
2023年7月29日23：00不同模式模拟（紫色风矢）与实况（黑色风矢）10 m风场（单位：m·s-1），及模式模拟Fr与实况的差值（等值线）
Fig.8
The 10 m wind fields （Unit： m·s-1） simulated by different models （purple wind vectors） and observations （black wind vectors），as well as the difference of Fr between simulations and observations （contours） at 23：00 on 29 July 2023
5 结论
针对华北“23·7”极端降水过程，本研究通过多模式对比分析，对逐3 h降水量开展分级研究，综合运用降水评分检验、Fr数值分析等方法，系统评估了多个全球和区域模式对华北复杂地形下降水预报的性能差异，得出以下主要结论。
1）综合评分检验显示，全球模式对≥0.1 mm、≥1 mm量级的降水预报评分较高但空报明显，对5 mm及以上量级降水的预报漏报偏多。区域模式总体预报能力更强，尤其对≥10 mm量级的降水预报效果优于全球模式。CMA-BJ3、CMA-SH3总体预报性能较好，其中CMA-BJ3对≥0.1 mm、≥1 mm、≥5 mm、≥10 mm量级的降水预报效果较好，但对50 mm及以上量级的降水预报空报偏多；CMA-SH3对≥0.1 mm和≥1 mm量级降水存在一定空报，但对≥10 mm量级降水预报准确率较高。模式分辨率对不同量级降水预报能力有一定影响：高分辨率区域模式总体预报效果优于低分辨率全球模式，尤其对≥5 mm量级的降水预报表现更佳，但也存在例外。
2）不同模式对不同量级降水的预报存在差异，这可能与各模式物理过程方案不同有关：采用SAS对流参数化和MRF边界层方案的4个模式对≥10 mm量级的降水预报漏报明显；使用Thompson云微物理方案且参数化方案不同的4个区域模式对≥10 mm量级的降水预报空报较多。其中，CMA-SH3模式对不同量级降水预报最接近实况，其采用的MYJ边界层方案区别于其他7个模式。
3）地形-风场协同作用是降水落区预报误差的重要来源，其误差主要取决于模式对地形和风场的描述精度。Fr分析表明：模式若高估Fr值（风速偏大或低估地形高度），易将绕流误报为越山气流；而在Fr值配置合理的区域，气流越山或绕流特征能够得到较好再现，降水预报效果也更优。这种由地形-风场协同作用引发的误差，会通过改变气流辐合位置和强度，最终导致降水系统性漏报、空报及落区偏移。因此，精准表征地形和模式风场，是提高复杂地形下降水预报精度的关键。
参考文献
CMA-BJ 2.0版逐时快速更新追赶循环同化预报系统研发及应用Ⅰ:资料同化及系统构建
[J].
多模式对四川盆地强降水过程的预报性能检验
[J].
为进一步认识当前数值预报模式的预报能力，选取2018—2020年发生在四川盆地的47次强降水过程进行分型，再基于多源降水融合产品和地面观测资料，通过TS评分、时空滑动等方法对欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）数值预报模式、国家气象中心区域中尺度数值预报模式（China Meteorological Administration Mesoscale Model，CMA_MESO）和西南区域数值预报系统（Southwest Center WRF ADAS Real-time Modeling System，SWC_WARMS）在强降水过程范围、强度、极值、时间和位移偏差等方面的预报能力进行检验评估。结果表明，各模式08：00（北京时，下同）预报优于20：00预报，ECMWF对中雨和大雨预报更优，SWC_WARMS的暴雨量级评分更高。各模式对中雨的预报范围普遍较实况偏大，随着降水量级增大，逐渐转为低估，其中SWC_WARMS更接近实况。对于降水强度，ECMWF和CMA_MESO的平均降水量和极值普遍较实况偏小，SWC_WARMS更接近实况。3种模式时间偏差不明显，仅个别起报时次有-6~3 h的时间偏差；ECMWF的位移偏差最小，纬向上ECMWF和SWC_WARMS以偏北为主，经向上ECMWF以偏西为主，CMA_MESO和SWC_WARMS以偏东为主。
气流的垂直分布对地形雨落区的影响
[J].从大气运动的基本方程出发,讨论了华北地区太行山东侧低空东风气流背景下不同垂直分布气流对降水落区的影响。认为:当垂直于山体的气流随高度减小时,地形的作用表现为迎风坡上水平辐合,造成气旋式涡度增加,产生风场切变,因此对迎风坡降水产生明显的增幅作用。当气流的垂直分布随高度增加时,迎风坡方向表现为反气旋涡度增强,而在背风坡方向产生辐合作用,造成气旋式涡度增加,发生风场切变。
华南“94·6”特大暴雨的中尺度对流系统及其环境场研究 Ⅱ.物理过程、环境场以及地形对中尺度对流系统的作用
[J].
不同边界层参数化方案对台风“烟花”北上阶段暴雨模拟的影响试验
[J].边界层参数化方案是造成数值模式预报误差的重要来源之一，筛选适用于环渤海地区台风暴雨模拟的边界层参数化方案，可为该地后续业务应用及科研工作提供参考依据。应用WRFV4.3模式中的8种边界层参数化方案（ACM2、BouLac、GBM、MYJ、MYNN、QNSE、UW、YSU），对2021年第6号台风“烟花”北上阶段造成的暴雨过程进行数值模拟试验，对比分析不同边界层参数化方案对暴雨模拟结果的影响，并基于ERA5资料进行边界层热动力结构的模拟效果检验。结果表明：（1）各方案对台风北上阶段的降水（24 h累积降水量、累积降水极值和位置、降水ETS评分、小时最大降水量以及逐小时10.0、20.0 mm降水的落区分布）模拟结果表现出明显差异，对路径的模拟差异主要体现在模拟时段的中后期。（2）局地闭合的BouLac方案对于10.0 mm以上量级24 h累积降水量的ETS评分表现最优，而非局地ACM2方案所模拟的24 h累积降水量在25.0、50.0、100.0 mm以上量级降水的ETS评分均为最优，且累积降水极值、区域平均24 h累积降水量以及小时最大降水量均值等也与ERA5资料较为接近，在环渤海地区海陆共存的下垫面背景下，ACM2方案是最适合台风“烟花”暴雨过程模拟的参数化方案。（3）与其他方案相比，ACM2方案对于边界层高度、位温和水汽混合比垂直廓线的模拟与实况最接近，这是ACM2方案对大雨以上量级预报较为准确的原因。（4）各方案模拟的700 hPa垂直速度基本决定了小时最大降水量的变化趋势以及区域平均24 h累积降水量的相对大小。
What caused the differences between the July 2023 and August 1996 extreme rainfall events in North China under similar synoptic background?
[J].
Orographic effects on precipitating clouds
[J].
A method to linearly evaluate rainfall frequency-intensity distribution
[J].This study presents a method to linearly evaluate the rainfall frequency–intensity distribution, which is an important component of climatological rainfall characteristics. To grasp and represent the key information of the rainfall frequency distribution by intensity, a two-parameter double exponential function is formulated and fitted to the hourly rainfall observation at each station. The values of the two parameters are estimated by transforming the distribution to a linear pattern. The two parameters determine the location and shape of the fitted distribution curve, and they have different modulating effects in different intensity categories, one governing the low-intensity section and the other dominating the intense rainfall. Through analysis of the estimated parameters, essential features of rainfall distribution can be obtained and assessed. The proposed method is applied to analyze the climatology and long-term variation of the late-summer rainfall in China. It is found that topography and monsoon circulation are two major factors controlling the rainfall frequency–intensity distribution. At stations with high surface altitudes and complex orography, the frequency of light rain is extremely high and the number of intense rainfall events is relatively small. In the plain areas of eastern China, especially those influenced by the main monsoon rain belt, heavy rainfall is more frequent. By tracking the displacement of the parameter pairs, the decadal changes in rainfall frequency–intensity distribution can be clearly visualized and evaluated on a plane constructed by the two parameters. The southern flooding and northern drought pattern can be attributed to the changes in light and moderate rainfall, while the intense rainfall exhibits opposite trends.
Moisture sources and transport for extreme precipitation over Henan in July 2021
[J].
Record flood-producing rainstorms of July 2021 and August 1975 in Henan of China: Comparative synoptic analysis using ERA5
[J].
Orographic precipitation
[J].
Visualizing multiple measures of forecast quality
[J].A method for visually representing multiple measures of dichotomous (yes–no) forecast quality (probability of detection, false alarm ratio, bias, and critical success index) in a single diagram is presented. Illustration of the method is provided using performance statistics from two previously published forecast verification studies (snowfall density and convective initiation) and a verification of several new forecast datasets: Storm Prediction Center forecasts of severe storms (nontornadic and tornadic), Hydrometeorological Prediction Center forecasts of heavy precipitation (greater than 12.5 mm in a 6-h period), National Weather Service Forecast Office terminal aviation forecasts (ceiling and visibility), and medium-range ensemble forecasts of 500-hPa height anomalies. The use of such verification metrics in concert with more detailed investigations to advance forecasting is briefly discussed.
The influence of mountains on the atmosphere
[J].
On the anomalous development of a series of heavy rainfall events from central to North China during 19-21 July 2016
[J].
On the extreme rainfall event of 7 May 2017 over the coastal city of Guangzhou. Part I: Impacts of urbanization and orography
[J].In this study, a nocturnal extreme rainfall event induced by the urban heat island (UHI) effects of the coastal city of Guangzhou in South China on 7 May 2017 is examined using observational analyses and 18-h cloud-permitting simulations with the finest grid size of 1.33 km and the bottom boundary conditions nudged. Results show that the model reproduces convective initiation on Guangzhou’s downstream side (i.e., Huashan), where a shallow thermal mesolow is located, the subsequent back-building of convective cells as a larger-scale warm-moist southerly flow interacts with convectively generated cold outflows, and their eastward drifting and reorganization into a localized extreme-rain-producing storm near Jiulong under the influences of local orography. In particular, the model produces the maximum hourly, 3- and 12-hourly rainfall amounts of 146, 315, and 551 mm, respectively, at nearly the right location compared to their corresponding observed extreme amounts of 184, 382, and 542 mm. In addition, the model reproduces an intense meso-γ-scale vortex associated with the extreme-rain-producing Jiulong storm, as also captured by Doppler radar, with organized updrafts along cold outflow boundaries over a semicircle. A comparison of sensitivity and control simulations indicates that despite the occurrence of heavier rainfall amounts without the UHI effects than those without orography, the UHI effects appear to account directly for the convective initiation and heavy rainfall near Huashan, and indirectly for the subsequent formation of the Jiulong storm, while orography plays an important role in blocking cold outflows and enhancing cool pool strength for the sustained back-building of convective cells over the semicircle, thereby magnifying rainfall production near Jiulong.
Operational precipitation forecast over China using the weather research and forecasting (WRF) model at a gray-zone resolution: Impact of convection parameterization
[J].
