高原气象

高原气象 >

2024 , Vol. 43 >Issue 2: 353 - 365

DOI: https://doi.org/10.7522/j.issn.1000-0534.2023.00066

论文

一次高原地区强降水过程的对流可分辨尺度集合预报评估

  • 刘侃 ,
  • 陈超辉 ,
  • 陈祥国 ,
  • 何宏让 ,
  • 姜勇强 ,
  • 陈雄
展开
  • 国防科技大学气象海洋学院，湖南 长沙 410073
陈超辉（1983 -）， 男， 重庆人， 副教授， 主要从事大气物理、 集合预报研究. E-mail：

刘侃（1995 -）， 男， 湖南岳阳人， 硕士研究生， 主要从事集合预报研究. E-mail：

收稿日期: 2023-05-10

  修回日期: 2023-08-14

  网络出版日期: 2023-08-14

基金资助

国家自然科学基金项目(42275169)

湖南省自然科学基金项目(2022JJ30660)

收起

Evaluation of Convective-Scale Ensemble Forecast for a Severe Precipitation Event in the Plateau Region

  • Kan LIU ,
  • Chaohui CHEN ,
  • Xiangguo CHEN ,
  • Hongrang HE ,
  • Yongqiang JIANG ,
  • Xiong CHEN
Expand
  • College of Meteorology and Oceanography，National University of Defense Technology，Changsha 410073，Hunan，China

Received date: 2023-05-10

  Revised date: 2023-08-14

  Online published: 2023-08-14

Copyright

© Editorial Department of Plateau Meteorology（CC BY-NC-ND）
Fold

摘要

利用FNL（Final Reanalysis Data）、 ERA5（ECMWF Reanalysis V5）再分析资料和GPM（Global Precipitation Measurement）全球逐半小时降水数据， 选取我国西南高原地区一次强降水过程， 研究了对流尺度集合预报中两种初始扰动方法BGM（Breeding Growth Mode）和LBGM法（Local Breeding Growth Mode）对复杂地形强降水的预报能力。基于对象诊断的MODE（Method for Object-Based Diagnostic Evaluation）方法评估了模式对降水对象的位置、 结构、 强度的模拟能力， 并与TS（Threat Score）等评分方法进行对比分析， 综合评估模式预报性能， 表明： （1）基于BGM和LBGM法生成初始扰动的集合预报系统BGM-EPS和LBGM-EPS， 集合平均预报对24 h各个量级降水评分均优于控制预报， 且暴雨的TS评分LBGM-EPS优于BGM-EPS； （2）整体上， WRF模式能够较好捕获降水对象， 尤其是对于高原山地复杂地形的降水预报效果很好， LBGM-EPS在降水目标的整体相似度表现上优于BGM-EPS， 且从扰动总能量随预报时间的演变中能看出LBGM较BGM扰动总能量更大， 更能代表预报误差的增长， 突出LBGM方法在对流尺度集合预报中表示强对流能力的优势； （3）与传统TS评分等检验方法相比， MODE法更能反映降水预报的空间位置信息， 在卷积半径和降水阈值相同情况下， 基于LBGM方法的集合平均预报识别降水对象的效果更佳。

关键词： 集合预报; 增长模培育法; 局地增长模培育法; 对流可分辨尺度; MODE

本文引用格式

刘侃 , 陈超辉 , 陈祥国 , 何宏让 , 姜勇强 , 陈雄 . 一次高原地区强降水过程的对流可分辨尺度集合预报评估[J]. 高原气象, 2024 , 43(2) : 353 -365 . DOI: 10.7522/j.issn.1000-0534.2023.00066

Abstract

Using FNL （Final Reanalysis Data）， ERA5 （ECMWF Reanalysis V5） reanalysis data， and GPM （Global Precipitation Measurement） global half-hourly precipitation data， a strong precipitation event in the southwestern plateau of China was selected to study the forecasting ability of two initial perturbation methods， Breeding Growth Mode （BGM） and Local Breeding Growth Mode （LBGM）， in convective-scale ensemble forecasting of complex terrain rainfall.The MODE （Method for Object-Based Diagnostic Evaluation） method based on object diagnostics was used to evaluate the model's ability to predict the location， structure， and intensity of precipitation objects， and compared with scoring methods such as Threat Score （TS） to comprehensively assess the model's forecasting performance.The results show that： （1） The ensemble forecast systems BGM-EPS and LBGM-EPS， generated using BGM and LBGM methods to produce initial perturbations， have better ensemble mean forecast scores for precipitation of all magnitude levels at 24 hours compared to the control forecast， and LBGM-EPS has a higher TS score for heavy rainfall compared to BGM-EPS， this indicates that the LBGM method has a certain improvement effect on ensemble forecasts for heavy precipitation.However， the underlying mechanisms behind the different initial perturbation methods are worthy of further investigation； （2） Overall， the WRF model can capture precipitation objects well， especially for rainfall forecasts in complex terrain of the plateau mountains， with a better overall similarity in precipitation targets for LBGM-EPS compared to BGM-EPS， highlighting the advantage of LBGM method in representing convective-scale ensemble forecasting of intense convection.The initial perturbation total energy of BGM and LBGM shows a developing trend with forecast time.In the same forecast time， LBGM has a larger perturbation total energy than BGM， which better represents the growth of forecast error.This can partially explain why the LBGM method outperforms the BGM method in terms of precipitation object matching in the MODE evaluation； （3） Compared with traditional TS scoring and other verification methods， the MODE method can better reflect the spatial position information of precipitation forecasts， and under the same convolution radius and precipitation threshold， the ensemble mean forecast based on LBGM method performs better in identifying precipitation objects.By flexibly setting the convolution radius and determining the precipitation threshold， the WRF model can capture precipitation objects in complex terrain areas during heavy precipitation events.However， the matching degree of precipitation targets in high-altitude areas is lower than that in low-lying areas.The LBGM-EPS method outperforms the BGM-EPS method in terms of the shape of precipitation objects and the matching of precipitation areas， resulting in better identification of precipitation objects.The quality of precipitation object matching using the MODE method is related to parameter settings such as precipitation threshold and convolution radius， rather than the complex terrain background related to terrain gradients.

Key words： ensemble prediction; breeding growth mode; local breeding growth mode; convection-allowing scale; MODE

1 引言

中国西部地区地形差异大， 交叉分布着高原、 盆地、 山地、 丘陵等多种地形。夏季， 在南亚季风和复杂地形的共同作用下易发生局地强降水事件， 受下垫面强迫和复杂地形的影响， 数值模式在西南高原地区的降水模拟正偏差显著（周天军等， 2018）。近年来， 随着高分辨率数值预报模式发展， 发现对流可分辨模式对于局地强降水以及山区暴雨等过程性强对流天气的描述更加准确（Clark et al， 2011； 刘畅等， 2018）。同时， 随着数值式分辨率的不断提高， 对模式预报效果的准确评估能够为预报员订正降水落区提供更多参考信息， 特别是通过对高分辨率数值模式中预报效果的订正、 检验可以改进模式预报能力（郑婧等， 2020）， 揭示复杂地形强迫作用， 并提高模式输出产品的可靠性。目前关于强降水和异常降水事件的研究主要聚焦于华南、 华东、 华北等中东部地区（郝立生和丁一汇， 2023； 韦志刚等， 2021）， 针对西部地区复杂地形背景下的强降水研究仍有较多问题亟待解决。魏栋等（2021）基于GPM高分辨率卫星降水数据研究了我国西北地区高原的一次大范围强降水过程， 从降水系统的垂直结构、 云粒子特征等多方面入手进行极端强降水的归因分析。陈超辉等（2018）提出基于对流可分辨尺度的局地增长模培育（LBGM）法， 而后通过时间邻域概率预报方法和概率匹配平均法对飑线产生降水过程进行了预报和评估， 发现改进后的新型邻域概率法的极端降水评分远高于传统集合平均法（Ma et al， 2018）， 而后从时空角度对降水预报效果进行了评估检验， 在一定程度上提高了对流尺度降水预报技巧（Ma et al， 2019； Li et al， 2021）。智协飞（2020）通过采取频率匹配法对集合预报成员进行降水预报订正， 有效改善了大雨量级以上的降水效果， 多模式集成预报结果也大大改善了强降水的落区和强度。对于复杂洋面热带气旋的预报评估上， 雷荔傈等（2020）提出用集合预报成员的预报场和分析场相对于观测场的误差， 来估计集合成员在集合平均中的权重占比， 通过ECMWF（The European Centre for Medium-Range Weather Forecasts）和NCEP（National Centers for Environmental Prediction）的集合预报成员对热带气旋路径和强度进行预报， 并改善了其预报技巧。陈静等（2022）针对复杂地形使用GRAPES_Meso3km（global/regional assimilation and prediction system）对流尺度模式定量评估了2022年5 -6月华南前汛期的降水预报， 虽然通过评分对模式在复杂地形区的降水预报差异进行了一定的归因分析， 但仅依靠传统二分类方法评分结果不够理想， 且无法较好评估高分辨率模式降水预报效果。因此， 研究对流尺度数值模式在复杂地形区的强降水预报性能及偏差问题具有现实意义， 可提高预报员合理评估偏差及预报误差归因问题分析的能力。
降水客观检验常用于定量评估模式降水预报偏差。目前， 评价模式预报性能的方法多为点对点检验， 以气象站观测数据为真值对模式预报数据进行评分检验， 包括TS（Threat Score）评分、 ETS（Equitable Threat Score）评分、 均方根误差等。该类点对点的检验方法虽然定量且客观， 但由于分离了物理量空间信息， 因此在反映预报的尺度变化、 空间结构等方面存在一定缺陷， 且无法准确反映高分辨率模式对小尺度事件的预报性能。鉴于此， 降水的空间检验方法受到越来越多研究者的关注。常用的空间检验方法包括尺度分离法、 邻域法、 连续降水区域检验（Contiguous Rain Area， CRA）、 面向对象的检验方法（Method of Object-Based Diagnostic Evaluation， MODE）等（Roberts et al， 2008； Sarah et al， 2017； 孔祥伟等， 2022）。MODE法因其能评估降水对象的位置、 面积、 强度等预报偏差， 已被国内外学者广泛应用。Brown et al（2007）通过MODE方法对实况降水和模式预报降水进行空间对象检验， 指出使用不同的降水阈值和卷积半径能够影响模拟结果与观测对象的降水匹配情况； 智协飞等（2020）针对暖区暴雨的MODE评估能够较好体现出模拟降水场与观测场的空间差异； 俞碧和朱科锋（2022）基于WRF模式， 使用尺度分离法和MODE法综合评估了复杂地形下的强降水预报， 其对4 km分辨率和12 km分辨率的WRF模式预报的评估得出的误差结果对后续模式改善有重要参考价值。薛春芳和潘留杰（2016）使用MODE方法检验了日本细网格模式对中国34个降水个例的预报能力， 并指出MODE方法较传统TS评分等方法更能凸显预报对象不同属性的表现， 进而从多角度评估预报效果。但采取MODE法通过集合预报的手段来评估模式预报性能的研究并不多。
基于此， 本文以2014年7月12 -14日我国西南地区的一次高原强降水过程为例， 分别采取BGM法和LBGM法产生初始扰动， 基于对流尺度WRF模式对此次过程进行强降水模拟， 通过MODE法对两种初始扰动下的模式预报性能进行评估， 以期为预报员关注的复杂地形强降水个体提供更全面的检验结果。

2 资料来源与试验方案

试验采取WRFV4.3版本， 使用了美国国家环境预报中心（NCEP）提供的FNL再分析资料生成分析场， 所取时段为2014年7月12日12:00（北京时， 下同）至15日12:00， 时间间隔为6 h， 分辨率1°×1°， 分别使用BGM、 LBGM作为初始扰动方法分别生成集合预报系统BGM-EPS、 LBGM-EPS， 除初始扰动不同外， 两组集合预报系统在模式中的相关参数设置均一致。模式起报时间为2014年7月12日12:00， 使用两层双向嵌套网格， 模式外层水平分辨率为15 km， 内层区域水平分辨率为3 km， 垂直层数为33层。所有集合成员均采用相同物理参数化方案（表1）。试验过程未同化观测资料， 且未引入侧边界扰动和模式扰动， 且初始扰动的物理量包括水平纬向风速U、 水平经向风速V、 垂直风速W、 位温T、 位势高度PH和水汽混合比Q。集合预报试验分为培育阶段和预报阶段， 扰动调整周期均为6 h。
表1 模式物理过程参数化方案

Table 1 Physical parameterization schemes selection in models

序号 参数化方案 外层区域 内层区域
1 积云参数化方案 New Grell scheme 无
2 微物理方案 WSM 3-class simple ice scheme WSM 3-class simple ice scheme
3 长波辐射方案 rrtm scheme rrtm scheme
4 短波辐射方案 Dudhia scheme Dudhia scheme
5 边界层方案 YSU scheme YSU scheme
图1 模式预报区域

红框区域为本次主要研究区域

Fig.1 Forecast domain.The red boxed area represents the main research area for this study

选用2014年7月12日08:00， 水平分辨率为0.25°×0.25°的ERA5（ECMWF reanalysis v5）再分析资料， 包含位势高度、 大气温度、 风场等要素， 用于分析大气环境场。同时， 选取降水评估时段为7月12日14:00至13日14:00， 使用GPM全球逐半小时降水数据对预报效果进行评估。融入了新一代卫星降水算法IMERG（Integrated Multi-satellite Retrievals for GPM）的GPM综合反演产品包括Early Run、 Late Run、 Final Run三类， 分别代表获得观测数据后6 h、 18 h、 约2.5个月后发布的（肖柳斯等， 2019）， 文中选用了Final Run产品， 空间分辨率为0.1°×0.1°。文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2019）1822号的中国地图制作， 底图无修改。

3 方法介绍

3.1　 BGM法和LBGM法

增长模培育法（即BGM法）由Toth and Kalnay（1993）提出， 在模式中， 通过模式连续的培育循环捕获最快增长模， 以此产生集合预报的初始扰动（关吉平和张立凤， 2006）。在实际计算中， BGM方法首先在预报均方根误差基础上加入随机扰动， 再通过模式对其进行一定时段的预报， 将控制预报减去扰动预报的差值调整后作为下一次计算的扰动量， 如此形成连续的短期预报循环， 最终生成集合预报的初始场成员。
LBGM法与BGM法的不同之处在于得到的扰动是（i， j， k）的函数， 而不只是关于k的函数， BGM法只考虑了物理量在垂直方向上的不均匀性， 针对局地性较强的对流可分辨尺度集合预报而言， 还应充分考虑物理量在水平方向上分布不均匀性。LBGM采用局地调整方式取代传统BGM法的全局调整：
d f t ' ( i , j , k ) = e 0 ( k ) e t ( i , j , k ) d f t ( i , j , k )
式中： d f t ' ( i , j , k )为动态调整后输入下一培育时刻的扰动； e 0 ( k )为初始时刻的均方根误差； e t ( i , j , k )为对应t时刻的均方根误差； d f t ( i , j , k )为经过一个培育周期后的扰动。LBGM法同时考虑了集合预报扰动物理量在垂直方向和水平方向上的不均匀性， 可以更好地描述对流天气的局地特征。

3.2　降水检验方法

基于点对点的降水评分是目前业务上较常用的降水检验方法， 基本要求是将观测网格与预报网格重叠， 并对比每个点处的预报值与观测值， 但此类方法不能给出重点关注区域的降水范围等定量检验结果。同时， 随着模式分辨率的提高， 采用传统的均方根误差、 距平相关系数、 临界成功指数等方法来评估强降水的雨带位置、 范围等预报会存在一些缺陷， 例如不能将“结果几乎很接近的两个预报”和“预报结果质量差得多的两个预报”区分开（Ian and David， 2016）。
目前， 基于特征的方法是最直观的空间检验方法也是国内外比较流行的评估方法。主要针对有限区域内的天气系统， 考虑预报特征的各种属性， 如降水位置、 平均强度等， 重点关注预报场与观测场的相似程度（Wernli et al， 2008； Davis et al， 2009； 符娇兰和代刊， 2016； Ji et al， 2022）， 最具代表性的是基于对象的诊断评估的MODE法（Method for Object-Based Diagnostic Evaluation）。首先确定降水对象的预报特征属性并设置卷积半径对观测场和预报场进行卷积处理， 使原始数据更加平滑从而得到更加连续的降水区， 然后通过阈值控制， 过滤掉小量级降水， 从而使关心的降水区的特征更加显著， 最后通过比较匹配的观测对象和预报对象的属性来评估模式预报效果。计算对象属性主要包括预报与观测对象的面积比、 质心距离， 以及预报与观测对象方向之差（轴角差）等。

4 强降水过程分析及模拟

2014年7月12日08:00降水过程发生前， 200 hPa南亚高压处于青藏高原西南部， 急流带位于35°N - 45°N， 滇西地区处于南亚高压控制。500 hPa滇西北地区（100°E， 28°N）有一气旋性流场， 短波槽延伸至云南中西部地区（98°E -102°E， 26°N）， 滇西南存在反气旋流场， 反气旋前部西南气流与短波槽附近偏南气流汇合， 与来自东南沿海的暖湿气流在滇中地区相汇形成上升运动， 气流在高空辐合为降水提供有利条件。700 hPa受青藏高原气旋性环流影响， 云南大部分地区盛行偏南气流， 因此大量水汽通过偏南气流输送至滇西北甚至高原地区， 为此次强降水过程提供了必要的水汽条件， 过程造成云南、 西藏大部分地区普降大雨， 局地暴雨。
从降水预报图3和图4和观测降水实况图2（d）对比能看出， 基于BGM和LBGM方法的集合预报成员都能够较好地模拟出此次高原地区强降水过程， 特别是对于云南南部、 西藏大部分地区的降水预报， 和观测吻合度较高， 但对于滇西北地区的强降水各成员存在明显漏报， 因此还需通过定量检验的方法来评估模式集合预报效果。
图2 2014年7月12日08:00 200 hPa位势高度场（蓝色等值线， 单位： dagpm）， 风场（风羽， 长横线代表4 m·s-1， 单位： m·s-1）， 温度场（红色等值线， 单位： ℃）， 高空急流（彩色区， 单位： m·s-1）（a）； 500 hPa位势高度场（蓝紫色等值线， 单位： dagpm）、 风场（风羽， 长横线代表4 m·s-1）和温度场（红色等值线， 单位： ℃）（b）； 700 hPa位势高度场（蓝色等值线， 单位： dagpm）、 风场（风羽， 长横线代表4 m·s-1）和水汽通量散度（彩色区， 单位： g·s-1·hPa-1·cm-1）（c）； 以及12日14:00至13日14:00 24 h观测累积降水量（d， 彩色区， 单位： mm）

Fig.2 Geopotential height （blue contours， unit： dagpm）， wind field （barb， unit： m·s-1， full barb denotes 4 m·s-1， unit： m·s-1）， temperature （red contours， units： ℃）， upper-level jet （color area， unit： m·s-1） at 200 hPa （a）， geopotential height （blue contours， unit： dagpm）， wind field and temperature at 500 hPa （b）， geopotential height （blue contours， unit： dagpm）， wind field （barb， unit： m·s-1， full barb denotes 4 m·s-1） and water vapor flux （color area， units： g·s-1·hPa-1·cm-1） at 700 hPa （c） at 08:00 on 12 July 2014， and the 24-hour accumulated precipitation from 14:00 on 12 to 14:00 on 13 July 2021 for the observations （d， color area， unit： mm）

图3 2014年7月12日14:00至13日14:00基于BGM法控制预报（control）及扰动预报（e001~e015）累积降水量（彩色区， 单位： mm）

Fig.3 24-hour accumulated precipitation forecast （color area， unit： mm） based on BGM method control forecast （control） and perturbation forecast members （e001~e015） from 14:00 on 12 to 14:00 on 13 July 2014

图4 2014年7月12日14:00至13日14:00基于LBGM法控制预报（control）及扰动预报（e001~e015）累积降水量（彩色区， 单位： mm）

Fig.4 24-hour accumulated precipitation forecast （color area， unit： mm） based on LBGM method control forecast （control） and perturbation forecast members （e001~e015） from 14:00 on 12 to 14:00 on 13 July 2014

5 集合预报结果评估及扰动演变分析

5.1　预报结果

为进一步定量评估基于BGM和LBGM法的模式集合预报效果， 对基于BGM方法的集合平均预报（BGM-EM）和控制预报（BGM-CON）和基于LBGM方法的集合平均预报（LBGM-EM）和控制预报（LBGM-CON）12日14:00至13日14:00 24 h累积降水量进行误差检验， 范围设定为88°E -100°E、 24°N -34°N。
从图5可以看出， 模式集合预报TS评分随着降水量级增大而减小， 且小雨预报的TS评分均大于0.55， 基于LBGM方法的集合平均预报LBGM-EM对各量级的评分较优， 其次是BGM-CON和LBGM-CON。空报率和漏报率随降水量级增大而增大， LBGM-EM小雨、 中雨、 大雨和暴雨空报率均最低， 且小雨、 暴雨的漏报率最低。同时， Bias评分均大于1， 说明模式对各量级降水的预报较实况偏大， 其中BGM-CON的预报偏差最大， 结论与TS评分、 空报率、 漏报率相一致。
图5 基于BGM和LBGM法的集合平均预报（BGM-EM和LBGM-EM）、 控制预报（BGM-CON和LBGM-CON）2014年7月12日14:00至13日14:00 24 h累计降水量TS评分（a）、 空报率FAR（b）、 漏报率MAR（c）及Bias评分（d）

Fig.5 TS scores （a）、 FAR （b）、 MAR （c）、 Bias scores （d） of ensemble mean forecasts based on BGM and LBGM methods （BGM-EM and LBGM-EM） and control forecasts based on BGM and LBGM methods （BGM-CON and LBGM-CON） cumulative precipitation for 24 hours from 14:00 on 12 to 14:00 on 13 July 2014

为深入分析扰动试验成员的表现， 图6以评分较优的LBGM法的集合预报为例针对每一集合成员进行TS评分， 发现在24 h强降水时段内15组预报成员按照小雨、 中雨、 大雨、 暴雨的TS评分依次递减， 控制预报和集合平均预报小雨TS评分分别为0.55和0.59， 24 h小雨预报评分中扰动成员e003、 e005、 e006、 e010及e012的评分优于控制预报， 以e006评分0.58最优。24 h中雨预报的TS评分中， e002、 e011、 e012三个成员的评分低于控制预报0.22， e006评分为0.24， 最接近集合平均预报。随着降水阈值增大， 大雨量级以上TS评分低于0.2， 且大雨和暴雨TS评分中e011分别为0.10、 0.03， 表现最差。
图6 集合平均预报（EnsAve）、 控制预报（Ctrl）和15组扰动预报（e001~e015）2014年7月12日14:00至13日14:00 24 h累计降水的TS评分

Fig.6 TS scores of ensemble mean forecasts、 contrast forecast and 15 perturbation forecast members （e001~e015） cumulative precipitation for 24 hours （a） from 14:00 on 12 to 14:00 on 13 July 2014

5.2　 MODE评估

通过站点评分客观地给出了集合预报的误差， 但针对降水对象的偏差体现得不够直观。为进一步评估基于不同初始扰动方法的模式集合预报对降水对象位置、 结构、 强度的模拟能力， 使用MODE方法对西部复杂地形强降水过程进行降水空间检验， 对强降水的观测场和预报场之间的匹配情况进行分析。为避免零星降水对预报检验结果带来的干扰， 在对原始降水场进行平滑处理过程中通常需要设置卷积半径R， 以BGM初始扰动方法生成的集合预报结果为例， 图7是2014年7月12日15:00降水观测场在卷积半径R分别为2、 4、 6情况下的降水分布［图6（a）为原始观测场］。经对比， 能发现当R取值为2时［图6（c）］， 卷积处理后的降水场中零碎的孤立降水中心较多， 无法突出主要目标物， 当R取6时， 降水中心数量明显减少， 多个孤立降水中心被连成片， 且过滤掉了一些降水大值中心， 对于局地性的强降水未能捕获， 而R取4时， 在保留主要降水目标物的同时能够捕获局地性的强降水特征， 较好地完成了对降水目标的识别。除了卷积半径的设置， 不同大小的降水阈值也对降水目标物的识别有影响（王彬雁等， 2020）， 本研究重点关注不同初始扰动方法下的模式集合预报对降水对象的捕获能力对比， 因此统一将降水阈值设为4 mm， 卷积半径取4。
图7 2014年7月12日15:00观测原始场分布（a）以及卷积后模式降水场分布（b~d）（单位： mm）

Fig.7 Observation of the original field distribution （a） and the convolutional model precipitation field distribution （b~d） at 15:00 on 12 July 2014.Unit： mm

为对比BGM-EPS和LBGM-EPS的预报效果， 选择12日20:00在同一时次下进行降水对象识别， 并以整体相似度>0.7作为标准匹配降水对象。图8（a）~（c）分别是观测场、 基于BGM-EPS预报场、 基于LBGM-EPS预报场的降水目标空间匹配情况， 从图8（b）和图8（c）可以看出， 两种集合预报方法生成的降水预报场都匹配了三个对象， 和观测场匹配指标相一致， 对于目标2的匹配， 两种方法下的预报场匹配的降水目标相对偏南、 范围偏大， 但BGM-EPS偏差更大。同时， 结合表2可以看出， 基于LBGM方法的集合预报降水目标空间匹配度最优， 三个目标的整体相似度都大于0.7， 而BGM方法生成的结果只有目标1达到0.7以上， 表示使用LBGM方法的模式对该降水区预报较好。另外， 目标2对应地形为高原地区， 目标1和3所在地区海拔相对较低， 从三个目标物对应的地形看， 高原目标物的整体相似度低于低海拔地区目标物， 且质心距离大于低海拔地区目标物， 和图8目标2的偏差最大形成对应关系。
图8 2014年7月12日20:00观测场（a）与预报场（b、 c）的降水目标空间匹配情况

Fig.8 Spatial matching of precipitation targets between observation field （a） and forecast field （b， c） at 20:00 on 12 July 2014

表2 2014年7月12日20:00基于BGM-EPS和LBGM-EPS模式降水集合预报MODE检验的空间诊断量值

Table 2 The spatial diagnostic value of the MODE test based on BGM-EPS and LBGM-EPS model precipitation ensemble forecast at 20:00 on 12 July 2014

诊断量 BGM-EPS LBGM-EPS
目标1 目标2 目标3 目标1 目标2 目标3
面积比 0.755 0.645 0.114 0.670 0.874 0.276
轴角差 8.640 170.332 35.067 31.496 0.279 36.405
重叠面积比 0.312 0.057 0.085 0.275 0.002 0.396
质心距离 0.622 1.862 1.002 0.334 1.517 0.617
整体相似度 0.917 0.623 0.675 0.888 0.735 0.821
为研究复杂地形背景与强降水之间的关联， 图9将经向地形梯度和纬向地形梯度进行合成， 方向代表地形梯度大值区指向小值区， 结合图2（d）发现红色方框所示地形梯度大值区也是强降水的大值区， 由于地形梯度表示了地形的变化速率， 其大值区意味着地形变化剧烈， 因此， 气流在这些地区受到地形的影响可能会产生较强的上升运动， 从而使得该区降水增加。同时发现MODE法匹配降水对象效果与地形梯度无太大关联， 结合图8的匹配降水目标位置能看出， 目标1和2分别对应图8地形梯度大值区1和3， 而这正是降水强度大值区， 而地形梯度大值区2对应的降水强度较弱， 正好是MODE法匹配降水对象效果差， 甚至不能匹配降水的区域， 与降水阈值设置偏大有关。说明复杂地形对于强降水有一定影响， 但MODE法评估仅与降水阈值、 卷积半径等参数设置有关， 与地形梯度无直接关系。
图9 地形梯度分布

箭头方向代表梯度大值区指向小值区

Fig.9 Distribution of terrain gradients.The arrow direction indicates the direction from high gradient values to low gradient values

5.3　扰动能量演变分析

经过MODE法等针对降水效果的评估， 发现LBGM相比BGM法有优势， 因此， 选取能够判断初始扰动结构特征的扰动总能量（Wang and Bishop， 2003）， 来捕捉预报误差随预报时间的变化， 进一步研究集合预报初始扰动质量。扰动总能量定义为
e 2 = 1 2 [ u ' 2 ( i , j , k ) + v ' 2 ( i , j , k ) ] + C p T r T   ' 2 ( i , j , k )
式中： u '和 v '代表水平风场扰动； T   '代表温度场扰动； i 、   j 、   k代表水平和垂直方向格点数； C p为干空气定压比热； T r为参考温度。通过计算每个时刻15个扰动成员在1000~100 hPa各垂直层上的区域平均扰动总能量， 最后取时间平均， 得到15个成员在不同预报时间的扰动总能量垂直分布。图10选择了LBGM法和BGM法生成的具有代表性的成员各两个， 01代表两种初始方法生成的集合成员中效果较差的， 02代表较优。能看出扰动总能量在垂直方向上分布不均匀， 最大值位于300~200 hPa之间， 750 hPa的扰动总能量小于其余层次， 且在相同预报时间内， LBGM较BGM扰动总能量更大， 以LBGM-02和BGM-02为例， LBGM-02在300 hPa气压层上， 48 h预报时效的扰动总能量近似为4.3 J·kg-1， 相同条件的BGM-02的扰动总能量近似为4 J·kg-1， 说明LBGM法生成的集合成员离散度大于BGM， 更有可能包含真实大气状态。
图10 LBGM和BGM初始扰动试验中各选取2个具有代表性的集合成员的区域平均扰动总能量垂直结构随预报时间演变

Fig.10 The vertical structure of the initial perturbation total energy in the LBGM and BGM perturbation experiments evolves with forecast time， selecting two representative ensemble members for each region

6 结论

基于NCEP-FNL和ECMWF-ERA5再分析资料以及GPM卫星全球逐半小时降水数据， 针对西南复杂地形地区的一次强降水过程开展了对流可分辨尺度集合预报定量评估研究。分别使用BGM和LBGM初始扰动方法生成集合预报系统BGM-EPS和LBGM-EPS， 采用MODE方法评估两种集合预报方法下模式对降水对象的位置、 结构、 强度的模拟能力， 结论如下：
（1） 采取LBGM法生成的集合平均预报对各量级降水的评分表现均优于BGM法， 说明LBGM法对强降水集合预报结果有一定改进作用， 但不同初始扰动方法背后的影响机理值得深入探讨。
（2） MODE检验方法对降水目标物的形状、 走向、 移动方向等特征都有较直观的体现， 更能反映降水预报的空间位置信息， 这是传统TS评分等检验方法力所不及的。通过灵活设置卷积半径并确定降水阈值， WRF模式能够较好捕获强降水过程复杂地形区的降水对象， 但高原目标物的匹配度低于低海拔地区目标物， LBGM-EPS对于降水对象的形状及落区的匹配度优于BGM-EPS， 识别降水对象的效果更佳， 且MODE法匹配降水对象的优劣与降水阈值、 卷积半径等参数设置有关， 与地形梯度相关的复杂地形背景无直接关系 。
（3） BGM和LBGM初始扰动总能量随预报时间的演变呈发展趋势， 在相同预报时间内， LBGM较BGM扰动总能量更大， 更能代表预报误差的增长， 能够在一定程度上解释MODE法评估中LBGM方法降水对象匹配效果优于BGM法的原因。
但本试验仅基于一次西南地区的强降水过程进行了评估， 具有一定局限性， 但能更为直观地给出集合预报方法的预报差异， 为降水业务预报评估以及集合预报方法研究提供参考， 且试验基于MODE法仅对降水进行了检验， 没有对其他类型降水以及风场等进行深入研究， 对于集合预报方法优劣的影响机理仅从扰动总能量的角度进行了探讨， 后期将收集更多降水个例， 在此基础上进一步讨论西部高原地区对流尺度集合预报初始扰动方法使用的合理性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Brown B G， Bullock R， Gotway J H， et al， 2007.Application of the MODE object-based verification tool for the evaluation of model precipitation fields［C］.In 22nd Conf.on Weather Analysis and Forecasting/18th Conf.on numerical Weather Prediction.

Clark A J， Kain J S， Stensrud D J， et al， 2011.Probabilistic precipitation forecast skill as a function of ensemble size and spatial scale in a convection-allowing ensemble［J］.Monthly Weather Review， 139（5）： 1410-1418.

Davis C A， Brown B G， Bullock R， et al， 2009.The Method for Object-Based Diagnostic Evaluation （MODE） applied to numerical forecasts from the 2005 NSSL/SPC spring program［J］.Weather and Forecasting， 24（5）： 1252-1267.

Sarah M G， Jason A O， Christopher M R， et al， 2017.Methods for comparing simulated and observed satellite infrared brightness temperatures and what do they tell us？［J］.Weather and Forecasting， 32（1）： 5-25.

Ian T J， David B S， 2016.预报检验： 大气科学从业者指南（第2版）［M］.北京： 气象出版社.

Ji L Y， Zhi X F， Clemens S， et al， 2020.Multimodel ensemble forecasts of precipitation based on an object-based diagnostic evaluation［J］.Monthly Weather Review， Vol.148（6）： 2591-2606.

Li K， Chen C H， He H R， 2021.Application of gaussian weight to improve perturbation features of convection-permitting ensemble forecast based on local breeding of growing modes［J］.Journal of Meteorological Research， 35（3）： 490-504.

Ma S J， Chen C H， He H R， et al， 2019.An analysis on perturbation features of convection-allowing ensemble prediction based on the local breeding growth mode［J］.Weather & Forecasting， 34（2）： 289-304.

Roberts N M， Lean H W， 2008.Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events［J］.Monthly Weather Review， 136（1）： 78-97.DOI： 10.1175/2007MWR2123.1 .

Ma S J， Chen C H， ZHI X F， et al， 2018.The assessment and verification of convection-allowing ensemble forecast based on spatial-temporal uncertainties［J］.Acta Meteorologica Sinica， 76（4）： 578-589.DOI： 10.11676/qxxb2018.022 .

Toth Z， Kalnay E， 1993.Ensemble forecasting at NMC： the generation of perturbations［J］.Bulletin of the American Meteorological Society， 74（12）： 2317-2330.

Wernli H， Paulat M， Hagen M， et al， 2008.SAL-A novel quality measure for the verification of quantitative precipitation forecasts［J］.Monthly Weather Review， 136（11）： 4470-4486.

Wang X， Bishop C H， 2003.A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes［J］.Atmospheric Science， 60： 1140-1158.

陈超辉， 李湘， 何宏让， 等， 2018.基于对流尺度集合预报特性的局地增长模培育算法［J］.中国科学（地球科学）， 48（4）： 510-520.DOI： 10.1360/N072017-00239.Chen C H ，

Li X， He H R， et al， 2018.Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting.Science China Earth Sciences， 48（4）： 510-520.DOI： 10.1360/N072017-00239 .

陈静， 庞波， 吴政秋， 等， 2022.华南复杂地形下GRAPES_Meso 3 km对流尺度模式前汛期精细化降水预报评估［J］.大气科学学报， 45（1）： 99-111.

Chen J， Pang B， Wu Z Q， et al， 2022.Evaluation of fine-scale precipitation forecast of GRAPES_Meso 3 km convective-scale model in early summer rainy season in South China under complex topographical conditions［J］.Transactions of Atmospheric Sciences， 45（1）： 99-111.

符娇兰， 代刊， 2016.基于CRA空间检验技术的西南地区东部强降水EC模式预报误差分析［J］.气象， 42（12）： 1456-1464.DOI： 10.7519/j.issn.1000-0526.2016.12.003.Fu J L ，

Dai K， 2016.The ECMWF model precipitation systematic error in the east of southwest China based on the contiguous rain area method for spatial forecast verification［J］.Meteorological Monthly， 42（12）： 1456-1464.DOI： 10.7519/j.issn.1000-0526.2016.12.003 .

关吉平， 张立凤， 2006.基于增长模繁殖法的集合预报试验［J］.气象科学， 26（3）： 272-278.

Guan J P， Zhang L F， 2006.Ensemble forecasting experiments based on the bgm method［J］.Journal of the Meteorological Sciences， 26（3）： 272-278.

郝立生， 丁一汇， 2023.华北夏季降水异常与华南前汛期降水异常的关系［J］.高原气象， 42（2）： 272-282.DOI： 10.7522/j.issn.1000-0534.2022.00063.Hao L S ，

Ding Y H， 2023.Relationship between summer precipitation anomaly in North China and precipitation anomaly in the pre-flood season in south China［J］.Plateau Meteorology， 42（2）： 272-282.DOI： 10.7522/j.issn.1000-0534.2022.00063 .

孔祥伟， 张君霞， 杨晓军， 等， 2022.西北地区东部强降水大尺度数值模式预报空间偏差分析［J］.高原气象， 41（5）： 1109-1123.DOI： 10.7522/j.issn.1000-0534.2021.00041.Lun X W ，

Zhang J X， Yang X J， et al， 2022.Spatial deviation analysis of heavy precipitation forcast of large scale numerical weather prediction in eastern northwest China［J］.Plateau Meteorology， 41（5）： 1109-1123.DOI： 10.7522/j.issn.1000-0534.2021.00041 .

雷荔傈， 葛杨金晞， 谈哲敏， 等， 2020.基于全球集合预报的西北太平洋热带气旋预报的评估和改进［J］.中国科学（地球科学）， 50（5）： 593-608.DOI： 10.1360/SSTe-2019-0240.Lei L L ，

Geyang J X， Tan Z M， et al， 2020.An evaluation and improvement of tropical cyclone prediction in the western North Pacific basin from global ensemble forecasts［J］.Science China Earth Sciences， 50（5）： 593-608.DOI： 10.1360/SSTe-2019-0240 .

刘畅， 闵锦忠， 冯宇轩， 等， 2018.不同模式扰动方案在风暴尺度集合预报中的对比试验研究［J］.气象学报， 76（4）： 605-619.DOI： 10.11676/qxxb2018.019.Liu C ，

Min J Z， Feng Y X， et al， 2018.Comparison of different model perturbation schemes on storm-scale ensemble forecast［J］.Acta Meteorologica Sinica， 76（4）： 605-619.DOI： 10.11676/qxxb2018.019 .

王彬雁， 陈朝平， 丛芳， 等， 2020.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.DOI： 10.3969/j.issn.1674-2184 ·2020.02.004.

Wang B Y， Chen C P， Cong F， et al， 2020.The evaluation and analysis of high rain in SWC-WARMS based on MODE method［J］.Plateau and Mountain Meteorology Research， 40（2）： 26-30.DOI： 10. 3969/j.issn.1674-2184 ·2020.02.004.

韦志刚， 李娴茹， 刘雨佳， 等， 2021.1961-2018年华南年和各季极端降水变化特征的比较分析［J］.高原气象， 40（6）： 15131530.DOI： 10.7522/j.issn.1000-0534.2021.zk001.Wei Z G ，

Li X R， Liu Y J， et al， 2021.Comparative analysis of the characteristics of annual and seasonal extreme precipitation in south China during 1961-2018［J］.Plateau Meteorology， 40（6）： 15131530.DOI： 10.7522/j.issn.1000-0534.2021.zk001 .

魏栋， 刘丽伟， 田文寿， 等， 2021.基于卫星资料的西北地区高原涡强降水分析［J］.高原气象， 40（4）： 829-839.DOI： 10.7522/j.issn.1000-0534.2021.000021.Wei D ，

Liu L W， Tian W T， et al， 2021.Analysis of the heavy precipitation caused by plateau vortex in northwest China based on satellite data［J］.Plateau Meteorology， 40（4）： 829-839.DOI： 10.7522/j.issn.1000-0534. 2021.000021 .

肖柳斯， 张阿思， 闵超， 等， 2019.GPM卫星降水产品在台风极端降水过程的误差评估［J］．高原气象， 38（5）： 993-1003．DOI： 10.7522/j.issn.1000-0534.2018.00143．Xiao L S ，

Zhang A S， Min C， et al， 2019.Evaluation of GPM satellite-based precipitation estimates during three tropical-related extreme rainfall events［J］.Plateau Meteorology， 38（5）： 993-1003．DOI： 10. 7522/j.issn.1000-0534.2018.00143 .

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： 10.7522/j.issn.1000-0534.2015.00010.Xue C F ，

Pan L J， 2016.Diagnostic analysis of precipitation forecasting from Japan thin-grid model based on MODE［J］.Plateau Meteorology， 35（2）： 406-418.DOI： 10.7522/j.issn.1000-0534.2015.00010 .

俞碧， 朱科锋， 2022.多种空间检验方法在不同分辨率模式降水预报评估中的应用［J］.气象科学， 42（3）： 341-355.DOI： 10. 12306/2021jms.0055.Yu B ，

Zhu K F， 2022.Application of multiple spatial verification methods to precipitation forecasts from different resolution models［J］.Journal of the Meteorological Sciences， 42（3）： 341-355.DOI： 10.12306/2021jms.0055 .

郑婧， 夏侯杰， 陈娟， 等， 2020.基于ECMWF模式的定量降水客观订正方法［J］.高原气象， 39（4）： 830-839.DOI： 10.7522/j.issn.1000-0534.2019.00116.Zheng J ，

Xia H J， Chen J， et al， 2020.Objective correction method for quantitative precipitation forecasting based on ECMWF model［J］.Plateau Meteorology， 39（4）： 830-839.DOI： 10.7522/j.issn.1000-0534.2019.00116 .

周天军， 吴波， 郭准， 等， 2018.东亚夏季风变化机理的模拟和未来变化的预估： 成绩和问题、机遇和挑战［J］.大气科学， 42（4）： 902-934.DOI： 10.3878/j.issn.1006-9895.1802.17306.Zhou T J ，

Wu B， Guo Z， et al， 2018.A review of East Asian summer monsoon simulation and projection： achievements and problems， opportunities and challenges［J］.Chinese Journal of Atmospheric Sciences， 42（4）： 902-934.DOI： 10.3878/j.issn.1006-9895. 1802.17306 .

智协飞， 2020.基于集合成员订正的强降水多模式集成预报［J］.应用气象学报， 31（3）： 303-314.DOI： 10.11898/1001-7313. 20200305.Zhi X F ， 2020.Heavy precipitation forecasts based on multi-model ensemble members［J］.Journal of Applied Meteorological Science， 31（3）： 303-314.DOI： 10.11898/1001-7313. 20200305 .

智协飞， 董甫， 张玲， 等， 2020.基于不同微物理过程的广西沿海南风型暖区暴雨的数值模拟研究［J］.大气科学学报， 43（5）： 867-879.DOI： 10.13878/j.cnki.dqkxxb.20200106001.Zhi X F ，

Dong F， Zhang L， et al， 2020.Numerical simulation of southerly type warm-sector heavy rainfall in the coastal region of Guangxi using various cloud microphysics parameterization schemes in the WRF Model［J］.Transactions of Atmospheric Sciences， 43（5）： 867-879.DOI： 10.13878/j.cnki.dqkxxb. 20200106001 .

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn