高原气象

高原气象 >

2024 , Vol. 43 >Issue 1: 88 - 98

DOI: https://doi.org/10.7522/j.issn.1000-0534.2023.00049

论文

ECMWF模式对我国西南环横断山区冬季近地面2 m温度的预报评估

  • 吴诗梅 ,
  • 唐娜 ,
  • 梁雨琪 ,
  • 欧旭阳 ,
  • 李海杰 ,
  • 陈昊明
展开
  • 1. 云南大学地球科学学院，云南 昆明 650500
    2. 中国气象科学研究院，北京 100811
    3. 中国气象局横断山区（低纬高原）灾害性天气研究中心，云南 昆明 650500

吴诗梅（2001 -）， 女， 广西玉林， 本科生， 主要研究评估模式、 气候变化等. E-mail：

收稿日期: 2022-08-22

  修回日期: 2023-06-10

  网络出版日期: 2023-06-10

基金资助

国家自然科学基金项目(42075154); 中国气象科学研究院科技发展基金项目(2023KJ028); 国家自然科学基金青年科学基金项目(42005122)

收起

Evaluation of Winter Near-surface 2 m Temperature around the Hengduan Mountains in Southwest China Simulated by ECMWF

  • Shimei WU ,
  • Na TANG ,
  • Yuqi LIANG ,
  • Xuyang OU ,
  • Haijie LI ,
  • Haoming CHEN
Expand
  • 1. School of Earth Sciences，Yunnan University，Kunming 650500，Yunnan，China
    2. Chinese academy of meteorological sciences，Beijing 100811，China
    3. Center for Disastrous Weather over Hengduan Mountains & Low Latitude Plateau，CMA，Kunming 650500，Yunnan，China

Received date: 2022-08-22

  Revised date: 2023-06-10

  Online published: 2023-06-10

Fold

摘要

从冬季平均温度、 温度日变化及日较差等方面入手， 基于2021年CLDAS逐小时产品评估了ECMWF全球高分辨率确定性数值预报产品对我国西南环横断山区复杂地形区近地面2 m温度的预报能力， 并通过区分高地形区（川西高原）和低地形区（四川盆地南部）， 对比了不同地形区近地面2 m温度预报的偏差特征。结果表明： （1）ECMWF模式可合理预报我国西南环横断山区冬季平均2 m温度的空间分布特征， 但偏差分布与地形高度有关， 随着地形高度的增加， 预报偏差呈增大趋势。（2）ECMWF模式很好再现了西南环横断山区冬季温度的日变化特征， 峰值时刻出现在14:00（北京时）； 各时刻温度的预报偏差在不同地形高度存在差异， 川西高原和横断山区的最大负偏差出现在下午， 四川盆地南部的最大负偏差出现在早晨。同时， 高地形区各时刻的预报偏差均高于低地形区。（3）ECMWF模式对日内各时刻不同地形处2 m温度的空间分布均有合理预报， 但偏差存在日变化特征。特别是在横断山区高地形区， 其在各时刻有不同的冷暖偏差特征。（4）在环横断山区温度日较差预报偏差较大的区域（大致为昆明准静止锋线发生频次较高的区域）， 模式对于温度日较差较大的日数， 其2 m温度的预报偏差要大于日较差较小的日数， 且在该区域内， 温度日较差的预报偏差相对不稳定。

关键词： 模式预报偏差; 环横断山区; 近地面2 m温度; 日变化; 温度日较差

本文引用格式

吴诗梅 , 唐娜 , 梁雨琪 , 欧旭阳 , 李海杰 , 陈昊明 . ECMWF模式对我国西南环横断山区冬季近地面2 m温度的预报评估[J]. 高原气象, 2024 , 43(1) : 88 -98 . DOI: 10.7522/j.issn.1000-0534.2023.00049

Abstract

Based on the hourly product of CLDAS （CMA Land Data Assimilation System） in 2021， this study is to evaluate the prediction capacity of the global high-resolution deterministic numerical prediction product ECMWF （European Center for Medium Weather Forecasting） for winter mean near-surface 2 m temperature of complex terrain region around the Hengduan mountains in southwest China by starting from winter average temperature， daily variation， and diurnal temperature range.And this study compares the temperature deviation characteristics of near-surface 2 m temperature in different topographic regions by distinguishing between high terrain region （the Western Sichuan Plateau） and low terrain region （the southern Sichuan Basin）.The results show that： （1） The ECMWF model can reasonably predict the spatial distribution characteristics of the winter mean near-surface 2 m temperature around the Hengduan mountains in southwest China， but the deviation distribution is related to the terrain height.With the increase of the terrain height， the prediction deviation tends to increase.（2） The ECMWF model well reproduces the daily variation characteristics of winter mean near-surface 2 m temperature around the Hengduan mountains in southwest China， with the peak time appearing at 14:00 （Beijing Time）.The prediction deviation of temperature at various times varies at different terrain heights.The maximum negative deviation of the western Sichuan Plateau and the Hengduan mountain regions occurs in the afternoon， while the maximum negative deviation of the south Sichuan Basin occurs in the morning.At the same time， the prediction deviation at each moment in high terrain areas is greater than the prediction deviation at each moment in low terrain areas.（3） The ECMWF model can reasonably predict for the spatial distribution of winter mean near-surface 2 m temperature over different terrain at various times during the day， but the deviations have diurnal variation characteristics.Especially in the high terrain region of the Hengduan mountain regions， there are different characteristics of cold and warm deviations at various times.（4） The area with large forecast bias of diurnal temperature range is generally the area with frequent Quasi-stationary front activities in Kunming.For the days （A total of 90 days， from December 1， 2021 to February 28， 2022） with large diurnal temperature range， the prediction deviation of winter mean near-surface 2 m temperature in this area is greater than the days with small diurnal temperature range.What’s more， the prediction deviation of diurnal temperature range is relatively unstable in the area with large forecast bias of diurnal temperature range.

Key words： model prediction bias; around the Hengduan mountain regions; near-surface 2 m temperature; daily variation; diurnal temperature range

1 引言

数值模式在天气预报和气候预测中发挥着重要作用， 社会经济的快速发展对数值预报预测的准确率提出了更高的要求， 然而考虑到初始条件的不完善以及模式自身特点， 模式数据与观测数据间总存在一定的偏差， 尤其在复杂地形区， 提升数值预报产品的模拟和预报性能一直以来都是数值模式研发领域的难点问题之一。数值模式产品的不确定性要求必须细致开展数值模式的评估订正工作， 才能有更高质量的预报服务产品（Yu et al， 2019）。
我国西南环横断山区地形分布复杂， 西部是高山深谷的横断山区， 东部和南部是云贵高原， 在地理位置上靠近中国的南北气候分界线， 高山环绕在外， 又有以盆地、 丘陵地形为主的复杂地形， 冷空气与暖湿气流交汇使得该区域的天气气候特征极其复杂， 不同地区高温、 严寒等极端天气的强度以及维持时间也随地形等因素的变化存在着明显的差异。受多尺度地形动力和热力强迫的综合影响， 各类数值预报模式在西南环横断山区的预报准确度远低于东部平原地区（何光碧等， 2014； 肖玉华等， 2013； 杜小玲等， 2010）。同时， 环横断山区冬季常出现低温冰冻雨雪， 位于昆明准静止锋东侧的贵州地区更容易受此类灾害影响（向楠等， 2023； 夏阳等， 2023）， 而西南环横断山区地区的自然生态环境对于冬季极端低温冷害的防御能力非常脆弱（袁媛等， 2022）， 其日常生活设施和工业生产也极易受到低温事件的影响。因此， 理解模式对西南环横断山区冬季气温预报偏差， 提高冬季气温的模式预报和模式产品订正能力， 对区域气象防灾减灾能力的提升具有重要的参考价值。
近年来已有较多工作开展了我国西南环横断山区各类数值模式模拟结果的评估工作， 比如评估CMIP（国际耦合模式比较计划）系列气候模式对西南环横断山区气候的模拟能力， 发现大多模式能较好地再现西南环横断山区温度和降水气候态的空间分布特征（杨明鑫等， 2022； 黄子立和吴小飞， 2021； 伍清等， 2017； 张武龙等； 2015）。此外， 众多专家学者还利用其他全球模式数据对西南地区降水和温度的预报偏差进行了评估和订正（Yu et al， 2022； Nie et al， 2020； 董颜等， 2018）， 如蔡宏珂等（2022）开展国内外6个气候预测模式在西南地区2 m温度预测能力的评估工作， 发现模式能够较为准确地预报中国中部和东部的气温和降水情况， 但对于西南复杂地形区的预报长期存在误差。欧洲中期天气预报中心（ECMWF）数值预报产品是我国天气预报业务中应用最为广泛的数值预报产品之一， 已有研究工作指出， ECMWF模式对于中国气温和降水的次季节—季节可预测性有明显优势（Wu et al， 2023； Jia et al， 2022； Zhou et al， 2019）。同时， ECMWF模式可以合理预报我国不同地区气温和降水的日变化特征（汪冬冬等， 2023； 瓦力江·瓦黑提等， 2022； 崔茂常等， 2000）。张超等（2018）通过定量检验ECMWF高分辨率网格逐24 h和逐3 h的降水产品， 指出模式预报偏差值在地形复杂的山谷地区相对较大， 并探讨了ECMWF模式如何在山地区域中解释应用的问题。符娇兰（2016）利用CRA空间检验技术分析了ECMWF模式对西南环横断山区不同类型强降水的预报误差， 为预报员认识不同影响系统下的模式误差提供依据。预报的误差往往随着时效的增加而增大， 而对于检验评估效果的工作， 始终缺少统一的评价标准（张超等， 2018）。为满足实际需要， 在业务过程中往往需要对各种模式的预报能力进行检验。结合模式对预报变量的偏差检验， 可以对模式进行本地化订正。如徐寒列等（2013）逐对剔除的相关系数检验方法， 使对相关系数的检验更加贴切气候研究的实际工作。
然而， 目前ECMWF模式在我国西南环横断山区的预报偏差评估， 较多围绕暖季降水展开， 或者关注西南环横断山区整体特征， 而对于西南环横断山区温度预报及其在不同地形区差异的评估工作相对较少。故本文旨在评估ECMWF全球高分辨率数值预报产品对环横断山复杂地区近地面2 m温度（以下简写为T2m）的预报能力， 结合区域地形特点分析不同地形高度处预报偏差的分布特征， 并给出日内不同时段的偏差及其与地形高度的关系。研究结果将有助于为我国西南数值预报评估指标的建立提供参考， 为提升复杂地形区的模式偏差订正能力以及提高预报准确率提供科学依据。

2 数据和研究方法

2.1　数据说明

本文评估的预报产品为ECWMF的全球高分辨率确定性预报产品， 其空间分辨率为0.125°×0.125°， 时间分辨率为逐3 h。本文评估2021年12月1日至2022年2月28日每天08:00（北京时， 下同）起报的预报产品， 为减小模式“spin-up”过程的影响， 同时考虑模式产品的实际可用预报时次， 选取近地面2 m温度6~30 h的预报场数据进行评估。
本文使用中国气象局陆面数据同化系统（CLDAS-V2.0， 以下简称CLDAS）近实时产品数据集的2 m温度逐小时产品（师春香等， 2019）作为评估模式的观测依据， 其空间分辨率为0.0625°×0.0625°， 本文选取的评估时段为2021年12月1日至2022年2月28日。尽管CLDAS产品并非实际的台站观测结果， 但已有研究表明CLDAS基本可以合理再现我国地表温度的分布及其变化特征（Huang et al， 2021； 孙帅等， 2017）。图1给出西南环横断山区（97°E -110°E， 21°N -30°N）2021年冬季站点观测的温度空间分布以及CLDAS和站点观测温度的偏差分布图， 采用临近点取值法将CLDAS温度产品插值到台站位置， 可见CLDAS和站点数据的温度空间分布特征基本一致， 在绝大多数站点温度偏差绝对值不超过1 K， 两者的空间相关系数为0.95， 均方根误差为1.3 K。由此可知CLDAS温度场与台站观测基本相当， 尽管在少数站点存在一定的偏差， 但可用于模式偏差的评估。
图1 西南环横断山区站点数据的冬季近地面2 m温度空间分布 （a）以及CLDAS温度偏差（CLDAS减去台站观测）分布（b）

Fig.1 Spatial distribution of winter temperatures from station observations over the regions around Hengduan mountains （a） and the deviation distribution of CLDAS product （CLDAS-station， b）

由于ECMWF和CLDAS产品的水平分辨率不同， 为了便于比较， 本文使用双线性插值法将CLDAS数据（0.0625°×0.0625°）插值到ECMWF模式产品相同的0.125°×0.125°网格点上。考虑到ECMWF温度预报产品为瞬时值， 故对CLDAS产品每间隔3 h取一个温度值用于评估。

2.2　定量评估方法

为定量比较模式与再分析产品， 本文引入皮尔森空间相关系数（PCOP）和均方根误差（RMSE）2个定量指标（李纯等， 2022）。其中， PCOP由观测和模式两个空间场格点序列的协方差除以其标准差的乘积得到， 用于衡量二者间的相关性， PCOR的值越接近 1， 说明观测值与模式值的空间相关性越强， 大于0.5则表明相关性较强。公式如下：
P C O R i j = c o v i j σ i σ j
式中： c o v i j为两空间格点序列间的协方差； σ i为观测温度空间场格点的序列标准差； σ j为模式预报温度空间场格点的序列标准差。
均方根误差（RMSE）检验模式与观测资料的离散程度， 计算公式为：
R M S E = 1 n ∑ i = 1 n ( E C i - C L i ) 2
式中： C L i为观测值； E C i为模式值； n为空间格点数。

3 评估结果

3.1　西南环横断山区冬季日平均温度的预报评估

为评估ECMWF模式对西南环横断山区冬季2 m温度空间分布的预报能力， 图2给出了CLDAS和ECMWF在2021年冬季（12月至次年2月）平均的2 m温度分布。从图2中可以看出， ECMWF合理预报出了我国西南环横断山区冬季日平均温度的空间分布型， 4000 m以上高地形处（地形高度分布如图1灰色填色所示）日平均温度低于272 K， 而2000 m以下的低地形区日平均温度超过276 K。定量检验结果显示， 在图2（a）区域， ECMWF与CLDAS平均2 m温度的空间相关系数为0.98， 均方根误差为3.11 K。
图2 环横断山区CLDAS（a）和ECMWF（b）预报的2021年冬季平均2 m温度的空间分布

Fig.2 Spatial distribution of 2 m temperature averaged over winter 2021 around the Hengduan mountains for CLDAS （a） and ECMWF forecast fields （b）

图3进一步给出了ECMWF预报的2 m温度偏差的空间分布， 可见ECMWF预报在3000 m以上的高地形区主要表现为冷偏差， 冷偏差大值主要位于横断山区的山地， 最大负偏差可超过-4 K， 而在低地形区主要表现为暖偏差， 表明模式对于不同地形高度处的温度预报存在明显差异。
图3 ECMWF模式在环横断山区温度预报偏差（ECMWF-CLDAS）

红色实线和红色虚线方框分别标注横断山区和川西高原至四川盆地南部， 蓝色方框标注川西高原至四川盆地西南部

Fig.3 Spatial distribution of temperature deviations from ECMWF forecast around the Hengduan mountains （ECMWF-CLDAS）.The red solid and red dashed boxes on the map indicate the Hengduan Mountains and the western Sichuan Plateau to the south Sichuan Basin， respectively.The blue solid box indicates the western Sichuan Plateau to the southwest Sichuan Basin

同时， 由图3可见， 模式对2 m温度的预报偏差在地形过渡区存在较大的梯度， 如在大地形坡度较大的区域（见图3中红色实线方框和红色虚线方框）可见从低地形至高地形区偏差呈由正转负的趋势。为进一步分析温度预报偏差与地形高度的关系， 图4以川西高原至四川盆地西南部（图3中蓝色实线框标注区域）为例给出温度偏差随地形高度变化的散点图。由图4可见， 随着地形高度增加， 模式预报的日平均温度负偏差大致呈现增加的趋势。在低地形区不同格点间的差异相对较小， 如在1000 m以下的格点， 温度偏差范围为-3~2 K， 而在高地形区不同格点间的差异较大， 如在3000 m附近的格点， 温度偏差范围达-8~3 K。结合图3和图4可知， 偏差的最大值并不都出现在地形高度最高的地区， 说明虽然在地形相对高的地方温度偏差大， 但由于下垫面的复杂性， 模式的预报偏差与局地下垫面可能也有较大关联。
图4 川西高原至四川盆地西南部（28°N -30°N， 102°E - 105°E， 见图3蓝色实线框）所有格点的温度偏差随地形高度的变化

Fig.4 The temperature deviation with topographic height for all grid points over the western Sichuan Plateau to the southwest of Sichuan Basin （28°N -30°N， 102°E -105°E， see blue solid box in Fig.3）

为说明模式预报偏差随地形高度的变化趋势， 选取川西高原至四川盆地南部（28°N -30°N， 101°E - 107°E， 见图3红色虚线方框）和横断山区（24°N - 28°N， 98°E -102°E， 见图3红色实线方框）两个复杂地形区， 分别给出纬向平均和经向平均的日平均温度随经度和纬度的分布（图5， 图6）。结合图5和图6可知， ECMWF合理再现了2 m温度随地形的变化特征， 不管是在川西高原至四川盆地南部还是横断山区， ECMWF预报的2 m温度均较CLDAS偏低， 且在2000 m以下的预报偏差相对较小， 而在地形坡度大值区和高地形区域相对较大， 如在青藏高原东坡和川西高原3000 m以上的地区， ECMWF模式预报的2 m温度负偏差最大可达-5 K； 而在横断山区， 2000 m以上区域的2 m温度负偏差超过-3 K。
图5 川西高原至四川盆地南部纬向平均（28°N -30°N）的2 m温度随地形高度的变化

Fig.5 Zonal mean （28°N -30°N） 2 m temperature varied with terrain height from the western Sichuan plateau to the south Sichuan basin

图6 横断山区经向平均（98°E -102°E）的2 m温度随地形高度的变化

Fig.6 Meridional mean （98°E -102°E） 2 m temperature varied with terrain height from the Hengduan mountains

3.2　西南环横断山区冬季2 m温度日变化的预报评估

由上一节的分析可见， ECMWF预报的2 m温度在不同地形区的偏差特征存在差异， 为进一步考察温度偏差的日内特征， 图7分别给出CLDAS与ECMWF在横断山区、 川西高原以及四川盆地南部区域平均的冬季2 m温度日变化特征。由图7可见， ECMWF对横断山区日内各时次的温度预报均偏低［图7（a）］， 但ECMWF与CLDAS的温度日变化曲线趋势相同， 都为单峰分布， 且峰值时刻出现在14:00。同时， 在早上至中午时段（08:00 - 11:00）， ECMWF模式预报的2 m温度预报偏差相对较小， 最大负偏差小于-2 K， 而在下午时段预报偏差相对较大。
图7 2021年冬季区域平均的2 m温度日变化曲线

Fig.7 The regional mean diurnal curve of 2 m temperature in the winter of 2021

通过对比图7（a）、 （b）、 （c）可以发现， 各时刻温度的预报偏差在不同地形高度表现出不同的特征。川西高原和横断山区的最大负偏差出现在下午时段（14:00 -17:00）， 负偏差超过-4 K； 而四川盆地的最大负偏差出现在早晨时段（05:00 -08:00）， 为-2 K左右。ECMWF模式在低地形区（即四川盆地）预报的日变化温度偏差相对较小， 高地形区（即川西高原）的预报偏差相对较大。横断山区的模式预报偏差相对川西高原小， 表明模式具备一定的预报不同山地和谷地温度日变化差异的能力。
为进一步探讨温度日变化的空间分布特征， 图8给出了西南环横断山区冬季日内不同时刻温度偏差的空间分布。由图8可知， 川西高原是温度冷偏差大值区， 该区域下午到晚上时段（14:00 -20:00）的温度偏差相对较大。贵州、 横断山区南部、 四川盆地南部等其他地区的温度偏差相对较小， 其在不同时刻表现出不同的冷暖偏差。在08:00 -11:00， 横断山区（见图3红色实线框）的冷暖偏差转变更加明显。结果表明ECMWF预报的日平均温度偏差与地形分布有一定联系， 其特征在不同时刻存在差异。定量评估结果显示， 各个时刻的空间相关系数均接近0.94， 说明ECMWF模式能预报出各个时刻的温度空间分布特征。总体均方根误差平均约为2.6 K， 17:00均方根误差最大， 约3.0 K， 而11:00均方根误差最小， 为2.2 K左右。
图8 环横断山区ECMWF模式在日内不同时刻的平均温度预报偏差（ECMWF-CLDAS）

Fig.8 Spatial distribution of mean temperature deviations from ECMWF models around the Hengduan mountains at different hours during the day （ECMWF-CLDAS）

为了更直观地说明横断山区不同时刻预报偏差随地形高度的变化趋势， 对横断山区各时刻的温度偏差做经向平均。图9给出横断山区的温度偏差日变化的纬向分布情况， 可见在2200 m以上的高地形区， 温度日变化预报表现为冷偏差。除中午时段（10:00 -13:00）外， 同一时刻的温度偏差随地形高度增大而增加。在10:00 -13:00， 2000 m以下的低地形区表现为暖偏差， 在较高地形区（2200 m以上）表现为冷偏差， 表明横断山区温度日变化的预报偏差特征在不同地形区差异明显。
图9 横断山区经向平均（98°E -102°E）的2 m温度日内偏差（彩色区）随地形高度的变化

红色线为地形高度随纬度的变化

Fig.9 Meridional mean （98°E -102°E） 2 m temperature deviation varied with terrain height from the Hengduan mountains （colored area） at Eight Moments. The red line represents the variation of terrain height with latitude

3.3　西南环横断山区温度日较差的预报评估

温度日较差（简称DTR）是日最高温度与日最低温度的差值， 是包含最高温度与最低温度综合信息的气象因素。同时温度日较差受天气系统变化影响， 如昆明准静止锋的活动可能导致温度日较差明显增加。图10给出了CLDAS和ECMWF温度日较差以及两者偏差的标准差空间分布， 发现ECMWF模式可以大致预报出西南环横断山区温度日较差的空间形态， 但预报的量级偏小。由从图10（c）可以看出， 温度日较差偏差的大值区主要位于红色框标注的区域（24°N -28°N， 103°E -105°E）， 大致对应昆明准静止锋线发生频次较高的区域（宇如聪等， 2021）， 说明温度变率大的区域模式预报偏差较大的特征较为明显。
图10 环横断山区2021年冬季平均2 m温度日较差（a~b）以及DTR偏差（c）的标准差空间分布

（c）中红色方框大致对应昆明准静止锋线发生频次较高的区域

Fig.10 The spatial distribution of standard deviation of diurnal 2 m temperature range averaged over winter 2021 around the Hengduan mountains （a~b）， and the spatial distribution of standard deviation of DTR deviation （c）.The red box in the figure （c） roughly indicates the area where Kunming Quasi-stationary Front occurs frequently

为了继续探讨DTR偏差大值区［见图10（c）红色实线方框］ECMWF对温度日变化的预报能力， 选取该区域内DTR偏差排序后的第20%、 80%为阈值， 得到DTR偏差较大、 较小时间段（各18天）， 给出ECMWF、 CLDAS在该区域内对应时间段下的温度日变化曲线（图11）。在DTR偏差较小时间段内， ECMWF模式对DTR偏差大值区域内的温度日变化的预报偏差绝对值小于1 K， 预报的温度日变化趋势与CLDAS较为一致， 模式预报能力相对较好。而在DTR偏差较大时间段内， 尽管温度日变化的预报偏差不大， 但是预报偏差在08:00、 14:00这两个时刻有正负偏差的转变。
图11 在DTR偏差大值区域内温度日较差偏差较大（a）和较小（b）日合成的CLDAS和ECMWF温度日变化

Fig.11 The diurnal temperature curves of CLDAS and ECMWF averaged the region with large DTR deviation， （a） and （b） are the composite results of days with large and small DTR， with the triangular solid line for CLDAS and the hollow square solid line for ECMWF forecast

从DTR偏差大值区域内逐日的日较差偏差和日平均温度偏差的时间序列（图12）， 可以看到， DTR偏差变化幅度更大， 最大可达4.5 K， 最小为-4.6 K， 而日平均温度的偏差变化幅度相对较小， 维持在-2.5~1.5 K， 表明温度变率较大的地方对模式预报偏差的稳定性有一定的影响。在DTR偏差大值区域内， ECMWF的冬季DTR预报偏差比日平均温度的预报偏差大， 说明温度变率大的地方ECMWF对于DTR的预报偏差偏大。
图12 在DTR偏差大值区域内逐日的日较差偏差和日平均温度偏差的时间序列

Fig.12 Time series of DTR deviation and daily mean temperature deviation averaged the region with large DTR deviation

4 结论

本文从冬季平均温度、 温度日变化及日较差等方面入手， 评估了ECMWF模式对西南复杂地形区近地面2 m温度预报能力及关键偏差特征， 给出了温度预报偏差分布与地形高度之间的关联， 得到以下主要结论：
（1） ECMWF合理预报了我国西南环横断山区冬季日平均温度的空间型， 模式和观测的空间场分布基本一致。模式的预报偏差受地形高度影响， ECMWF在3000 m以上的高地形区（如川西高原）主要表现为冷偏差， 最大负偏差可超过-4 K， 而在低地形区主要表现为暖偏差， 模式在高地形区预报偏差相对低地形区大， 亦即模式对于不同地形高度处的温度预报存在明显差异。
（2） ECMWF模式合理再现了西南环横断山区冬季温度的日变化趋势， 峰值时刻出现在01:00。同时， 模式在08:00 -11:00的预报偏差相对小， 最大负偏差不超过-2 K。日内各时刻2 m温度的预报偏差在不同地形高度表现出不同特征， 川西高原和横断山区的最大负偏差出现在下午， 而四川盆地的最大负偏差出现在早晨。模式对于温度日变化的预报也呈现较为明显的区域差异， 高地形区温度日变化的预报偏差相对较大。
（3） ECMWF模式能预报出日内各时刻的温度空间分布， 川西高原是温度偏差大值区， 该区域下午到晚上的温度冷偏差相对较大， 而在西南环横断山区其他低地形区的预报偏差相对较小， 在不同时刻表现出不同的冷暖偏差。横断山区由于其局地的下垫面情况， 其不同时刻的冷暖偏差特征在区域内差异更为明显。
（4） 在DTR偏差大值区域内， ECMWF模式预报偏差较大。DTR偏差较大时， ECMWF模式对温度日变化的预报偏差在08:00和14:00这两个时刻有正负偏差的差别。在准静止锋活动频繁区域内， DTR偏差相较于平均温度的逐日变化幅度更大， 表明温度变率较大的地方模式预报偏差的变化也更大。

参考文献

null
Huang， X L， Han S， Shi C X， 2021.Multiscale assessments of three reanalysis temperature data systems over China［J］.Agriculture， 11（12）： 1292.
null
Jia Z K， Zheng Z H， Zhu Y F， et al， 2022.Predictable patterns of midsummer surface air temperature over Eastern China and their corresponding signal sources in ECMWF subseasonal forecasts［J］.Climate Dynamics， 60（9/10）： 3005-3022.DOI： https： //doi.org/10.1007/s00382-022-06481-0 .
null
Nie Y B， Sun J Q， 2020.Evaluation of high-resolution precipitation products over southwest China［J］.Journal of Hydrometeorology， 21（11）： 2691-2712.DOI： https： //doi.org/10.1175/JHM-D-20-0045.1 .
null
Wu J T， Li J， Zhu Z W， et al， 2023.Factors determining the subseasonal prediction skill of summer extreme rainfall over southern China［J］.Climate Dynamics， 60： 443-460.DOI： https： //doi.org/10.1007/s00382-022-06326-w .
null
Yu E T， Ma J H， Sun J Q， 2022.Developing a climate prediction system over southwest China using the 8-km weather research and forecasting （WRF） model： system design， model calibration， and performance evaluation［J］.Weather and Forecasting， 37（9）： 2691-2712.DOI： https： //doi.org/10.1175/WAF-D-21-0188.1 .
null
Yu R C， Li J， Jia P Q， 2019.Development of operational weather forecasting shaped by the “Triple-In” properties of numerical models［J］.WMO Bulletin， 68（2）： 56-62.
null
Zhou Y， Yang B， Chen H S， et al， 2019.Effects of the Madden-Julian oscillation on 2-m air temperature prediction over China during boreal winter in the S2S database［J］.Climate Dynamics， 52： 6671-6689.DOI： https： //doi.org/10.1007/s00382-018-4538-z .
null
蔡宏珂， 郑嘉雯， 毛雅琴， 等， 2022.六个气候系统模式对西南地区2 m温度的预报检验分析［J］.高原山地气象研究， 42（1）： 77-84.
null
Cai H K， Zheng J W， Mao Y Q， et al， 2022.Seasonal prediction performance of temperature in Southwest China by six climate prediction models［J］.Plateau and Mountain Meteorology Research， 42（1）： 77-84.
null
崔茂常， 朱海， 白学志， 等， 2000.中国日降雨量变化特征分析［J］.大气科学， 24（4）： 519-526.DOI： 10.3878/j.issn.1006-9895.2000.04.08.Cui M C ，
null
Zhu H， Bai X Z， et al， 2000.An analysis of daily rainfall variability in China［J］.Chinese Journal of Atmospheric Sciences， 24（4）： 519-526.DOI： 10.3878/j.issn.1006-9895.2000.04.08 .
null
董颜， 王东海， 卞赟， 2018.西南地区持续性强降水的多模式可预报性评估［J］.中国科技论文， 13（9）： 1078-1086.
null
Dong Y， Wang D H， Bian Y， 2018.Multimodel predictability assessment of persistent heavy rainfall in Southwest China［J］.China Science Paper， 13（9）： 1078-1086.
null
杜小玲， 彭芳， 武文辉， 2010.贵州冻雨频发地带分布特征及成因分析［J］.气象， 36（5）： 92-97.
null
Du X L， Peng F， Wu W H， 2010.Distribution and cause on frequent freezing rain zone in Guizhou［J］.Meteorological Monthly， 36（5）： 92-97.
null
符娇兰， 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.
null
Fu J L， 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.
null
何光碧， 张利红， 屠妮妮， 2014.区域中尺度模式对西南地区一次强降水过程的预报分析［J］.高原山地气象研究， 34（2）： 1-7.
null
He G B， Zhang L H， Tu N N， 2014.Analyses on a heavy rainfall process prediction of regional numerical models［J］.Plateau and Mountain Meteorology Research， 34（2）： 1-7.
null
黄子立， 吴小飞， 毛江玉， 2021.CMIP6 模式水平分辨率对模拟我国西南地区夏季极端降水的影响评估［J］.高原气象， 40（6）： 1470-1483.DOI： 10.7522/j.issn.1000-0534.2021.zk010.Huang Z L ，
null
Wu X F， Mao J Y， 2021.An evaluation for impacts of the horizontal resolution of CMIP6 models on simulating extreme summer rainfall over southwest China［J］.Plateau Meteorology， 40（6）： 1470-1483.DOI： 10.7522/j.issn.1000-0534. 2021.zk010 .
null
李纯， 姜彤， 王艳君， 缪丽娟， 等， 2022.基于CMIP6模式的黄河上游地区未来气温模拟预估［J］.冰川冻土， 44（1）： 171-178.
null
Li C， Jiang T， Wang Y J， Miao L J， et al， 2022.Simulation and estimation of future air temperature in upper basin of the Yellow River based on CMIP6 models［J］.Journal of Glaciology and Geocryology， 44（1）： 171-178.
null
师春香， 潘旸， 谷军霞， 等， 2019.多源气象数据融合格点实况产品研制进展［J］.气象学报， 77（4）： 774-783.
null
Shi C X， Pan Y， Gu J X， et al， 2019.A review of multi-source meteorological data fusion products［J］.Acta Meteorologica Sinica， 77（4）： 774-783.
null
孙帅， 师春香， 梁晓， 等， 2017.不同陆面模式对我国地表温度模拟的适用性评估［J］.应用气象学报， 28（6）： 99-111.
null
Sun S， Shi C X， Liang X， et al， 2017.Assessment of ground temperature simulation in China by different Land Surface Models based on station observations［J］.Journal of Applied Meteorological Science， 28（6）： 99-111.
null
瓦力江?瓦黑提， 纪忠萍， 黄晓莹， 等， 2022.ECMWF模式对2020年冬季广东气温预报的时空检验［J］.广东气象， 44（1）： 52-54.
null
Walijiang W， Ji Z P， Huang X Y， et al， 2022.Spatiotemporal test of temperature forecast in Guangdong in winter of 2020 by ECMWF model［J］.Guangdong Meteorology， 44（1）： 52-54.
null
汪冬冬， 方艳莹， 申华羽， 等， 2023.浙江省梅雨期降水日变化及ECMWF预报能力评估［J/OL］.水利水电技术（中英文）： 1-21［2023-03-06］.
null
Fang Y Y， Shen H Y， et al， 2023.Diurnal change of rainfall during Meiyu period in Zhejiang Province and assessment on prediction capacity of ECMWF［J/OL］.Water Resources and Hydropower Engineering， 1-21.［2023-03-06］.
null
伍清， 蒋兴文， 谢洁， 2017.CMIP5 模式对西南地区气温的模拟能力评估［J］.高原气象， 36（2）： 358-370.DOI： 10.7522/j.issn.1000-0534.2016.00046.Wu Q ，
null
Jiang X W， Xie J， 2017.Evaluation of surface air temperature in southwestern China simulated by the CM IP5 models［J］.Plateau Meteorology， 36（2）： 358-370.DOI： 10.7522/j.issn.1000-0534.2016.00046 .
null
夏阳， 严小冬， 刘芷含， 等， 2023.中国西南贵州地区冬季凝冻日数的气候特征及其异常成因［J］.高原气象， 42（1）： 173-185.DOI： 10.7522/j.issn.1000-0534.2022.00028.Xia Y ，
null
Yan X D， Liu Z H， et al， 2023.Climatic characteristics of winter freezing days in Guizhou in southwest China and their anomalous causes［J］.Plateau Meteorology， 42（1）： 173-185.DOI： 10. 7522/j.issn.1000-0534.2022.00028 .
null
向楠， 巩远发， 李卓敏， 2023.青藏高原东部和西南地区低温冰冻雨雪事件的时空变化特征［J］.高原气象， 42（1）： 13-24.DOI： 10.7522/j.issn.1000-0534.2022.00034.Xiang N ，
null
Gong Y F， Li Z M， 2023.Temporal and spatial variation characteristics of low temperature freezing rain and snow events in the eastern Qinghai-Xizang Plateau and southwestern China［J］.Plateau Meteorology， 42（1）： 13-24.DOI： 10.7522/j.issn.1000-0534. 2022.00034 .
null
肖玉华， 康岚， 徐琳娜， 等， 2013.西南区域中尺度数值模式预报性能及其与天气过程关系初探［J］.气象， 39（10）： 1257-1264.DOI： 10.7519/j.issn.1000-0526.2013.10.003.Xiao Y H ，
null
Kang L， Xu L N， et al， 2013.Discussion on relationship between prediction performance of mesoscale numerical model and weather process in southwest China［J］.Meteorological Monthly， 39（10）： 1257-1264.DOI： 10.7519/j.issn.1000-0526. 2013. 10.003 .
null
徐寒列， 李建平， 冯娟， 2013.逐对剔除的相关系数检验方法及应用［J］.气象学报， 71（5）： 901-912.
null
Xu H L， Li J P， Feng J， 2013.The pair-wise deletion correlation coefficient testing method and its applications［J］.Acta Meteorologica Sinica， 71（5）： 901-912.
null
杨明鑫， 肖天贵， 李勇， 等， 2022.CMIP6模式对我国西南地区夏季气候变化的模拟和预估［J］.高原气象， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119.Yang M X ，
null
Xiao T G， Li Y， et al， 2022.Evaluation and projection of climate change in southwest China using CMIP6 models［J］.Plateau Meteorology， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119 .
null
宇如聪， 李建， 原韦华， 2021.云贵高原锋线的动态特征［J］.气象学报， 79（6）： 889-901 DOI： 10.11676/qxxb2021.064.Yu R C ，
null
Li J， Yuan W H， 2021.The moving characteristics of frontal lines on the Yunnan-Guizhou Plateau［J］.Acta Meteorologica Sinica， 79（6）： 889-901 DOI： 10.11676/qxxb2021.064 .
null
袁媛， 申乐琳， 晏红明， 2022.年代际尺度的拉尼娜事件对中国西南地区冬季气温的影响［J］.地球物理学报， 65（1）： 169-185.
null
Yuan Y， Shen L L， Yan H M， 2022.Influence of La Ni?a on the winter temperature in southwest China on the interdecadal timescale［J］.Chinese journal of geophysics， 65（1）： 169-185.
null
张超， 孙绩华， 巩远发， 等， 2018.ECMWF高分辨率网格对云南区域降水预报性能的定量检验［J］.成都信息工程大学学报， 33 （6）： 688-703.DOI： 10.16836/j.cnki.jcuit.2018.06.015.Zhang C ，
null
Sun J H， Gong Y F， et al， 2018.Quantitative verification of precipitation forecasts performance in Yunnan by ECMWF high resolution grid［J］.Journal of Chengdu university of information technology， 33 （6）： 688-703.DOI： 10.16836/j.cnki.jcuit.2018.06.015 .
null
张武龙， 张井勇， 范广洲， 2015， CMIP5 模式对我国西南地区干湿季降水的模拟和预估［J］.大气科学， 39（3）： 559-570.
null
Zhang W L， Zhang J Y， Fan G Z， 2015.Evaluation and projection of dry-and wet-season precipitation in southwestern China using CMIP5 models［J］.Chinese Journal of Atmospheric Sciences， 39（3）： 559-570.
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