張玉濤 佟 華* 孫 健

1)(國(guó)家氣象中心， 北京 100081)

2)(中國(guó)氣象局?jǐn)?shù)值預(yù)報(bào)中心， 北京 100081)

引 言

第23屆冬季奧運(yùn)會(huì)和第13屆冬季殘奧會(huì)分別于2018年2月9—25日、3月8—18日在韓國(guó)平昌舉辦。為全面了解復(fù)雜地形下冬季惡劣天氣事件、提高平昌冬奧會(huì)臨近預(yù)報(bào)和超短期預(yù)報(bào)能力，在世界氣象組織(World Meteorological Organization，WMO) 世界天氣研究項(xiàng)目組(World Weather Research Programme，WWRP)的支持下，韓國(guó)氣象廳組織了2018年平昌冬奧會(huì)和殘奧會(huì)國(guó)際合作試驗(yàn)項(xiàng)目ICE-POP 2018(International Collaborative Ex- periments for Pyeongchang 2018 Olympic and Par- alympic Winter Games)，其目的是通過(guò)不同國(guó)家或國(guó)際組織的數(shù)值天氣預(yù)報(bào)模式研究部門的合作，更好地完成平昌冬奧會(huì)期間氣象服務(wù)保障工作。

冬奧會(huì)比賽項(xiàng)目賽道落差較大，比賽場(chǎng)地風(fēng)場(chǎng)會(huì)影響比賽成績(jī)，因而復(fù)雜地形下的時(shí)空精細(xì)化預(yù)報(bào)能力尤為重要。為了提高成員國(guó)對(duì)流尺度數(shù)值天氣預(yù)報(bào)模式的能力，了解高影響天氣系統(tǒng)，世界氣象組織天氣研究項(xiàng)目組批準(zhǔn)并支持了多種國(guó)際項(xiàng)目，如預(yù)報(bào)示范項(xiàng)目和研究與發(fā)展項(xiàng)目。首次針對(duì)冬季天氣預(yù)報(bào)項(xiàng)目是在2010年加拿大溫哥華冬奧會(huì)[1](SNOW-V10,Science of Nowcasting Olympic Wea- ther for Vancouver 2010),重點(diǎn)關(guān)注高影響天氣在復(fù)雜地形下6 h以內(nèi)的短期和短時(shí)臨近預(yù)報(bào)，提高對(duì)低云和能見(jiàn)度、降水量和降水類型以及風(fēng)速、陣風(fēng)的臨近預(yù)報(bào)。第2次是在2014年俄羅斯索契冬奧會(huì)[2](FROST-2014,Forecast and Research in the Olympic Sochi Testbed program),側(cè)重高分辨率預(yù)報(bào)，中尺度集合和確定性預(yù)報(bào)。ICE-POP 2018是第3次，致力于通過(guò)加密觀測(cè)網(wǎng)，建立冬季復(fù)雜地形下從臨近到短期的無(wú)縫隙預(yù)報(bào)。

作為中國(guó)氣象局自主研發(fā)的數(shù)值天氣預(yù)報(bào)模式，GRAPES_Meso于2010年受邀參與了溫哥華冬奧會(huì)SNOW-V10項(xiàng)目[3]，該次預(yù)報(bào)服務(wù)中，模式采用15 km和3 km兩重嵌套網(wǎng)格，提供每日兩次針對(duì)奧運(yùn)會(huì)各賽場(chǎng)天氣要素(地面2 m氣溫、露點(diǎn)溫度、相對(duì)濕度、風(fēng)速、風(fēng)向和降水量)、各層位勢(shì)高度和水平風(fēng)場(chǎng)(200，300，500，700，850，925 hPa)、相對(duì)濕度(700，850，925 hPa)、海平面氣壓、溫度等的圖形產(chǎn)品。結(jié)果表明：GRAPES_Meso對(duì)溫度和相對(duì)濕度的預(yù)報(bào)效果較好，風(fēng)速的預(yù)報(bào)準(zhǔn)確率最高可達(dá)62.39%，但風(fēng)向的預(yù)報(bào)效果不理想。同時(shí)，模式存在一定系統(tǒng)性誤差，若可進(jìn)行有效訂正，將有助于改進(jìn)模式預(yù)報(bào)。自2010年參加加拿大溫哥華SNOW-V10到2017年參加韓國(guó)平昌ICE-POP 2018，GRAPES區(qū)域模式經(jīng)過(guò)不斷改進(jìn)和發(fā)展[4-6]，原始水平分辨率由15 km 提高到10 km,模式預(yù)報(bào)從每日2次增加到每日8次，并且開(kāi)發(fā)了基于GRAPES區(qū)域模式框架的高分辨率模式GRAPES_3 km, GRAPES_3 km模式初始場(chǎng)中增加了云分析及同化了覆蓋全國(guó)范圍的雷達(dá)產(chǎn)品，垂直分辨率可達(dá)50層，在強(qiáng)對(duì)流天氣業(yè)務(wù)預(yù)報(bào)中表現(xiàn)出較為優(yōu)異的預(yù)報(bào)能力[7-8]。

但要滿足平昌冬奧會(huì)的服務(wù)需求，GRAPES_3 km 模式面臨兩個(gè)主要難題：一是模式的水平分辨率尚不足以模擬精細(xì)化的地形；二是數(shù)據(jù)傳輸?shù)瓤陀^原因模式初始場(chǎng)無(wú)法使用和同化平昌冬奧會(huì)提供的精細(xì)化觀測(cè)數(shù)據(jù)，這將影響模式在平昌范圍內(nèi)的預(yù)報(bào)能力。為了提高預(yù)報(bào)性能，模式偏差訂正方法的使用成為一種有效、便捷的方法。模式的后處理一般從兩方面考慮：一是通過(guò)降尺度技術(shù)提高模式分辨率；二是對(duì)模式數(shù)據(jù)進(jìn)行偏差訂正。本文主要評(píng)估通過(guò)偏差訂正方法提高模式在復(fù)雜地形下的預(yù)報(bào)能力。

針對(duì)模式輸出數(shù)據(jù)偏差的訂正方法，國(guó)內(nèi)外均開(kāi)展了廣泛研究。美國(guó)環(huán)境預(yù)報(bào)中心(NCEP)的北美集合預(yù)報(bào)系統(tǒng)通過(guò)采用自適應(yīng)的卡爾曼濾波方案對(duì)模式輸出數(shù)據(jù)進(jìn)行訂正[9-10]，歐洲中期天氣預(yù)報(bào)中心(ECMWF)通過(guò)采用卡爾曼濾波雙因子訂正方法[11-12]對(duì)復(fù)雜地形進(jìn)行訂正處理。此外，業(yè)務(wù)中常使用MOS(Model Output Statistics)方法，采用長(zhǎng)期穩(wěn)定的模式預(yù)報(bào)，利用回歸方程來(lái)改進(jìn)局地天氣要素的預(yù)報(bào)能力[13-17]。同時(shí)，利用神經(jīng)網(wǎng)絡(luò)方法建模也是模式訂正的重要手段[18-19]，但該方法依然依賴長(zhǎng)期穩(wěn)定的歷史數(shù)據(jù)。中國(guó)氣象局?jǐn)?shù)值預(yù)報(bào)中心主要采用自適應(yīng)的卡爾曼濾波方案對(duì)模式數(shù)據(jù)進(jìn)行偏差訂正，該方法構(gòu)造簡(jiǎn)單，對(duì)GRAPES系列模式的訂正效果較為顯著[20-23]。 但以前的訂正研究均針對(duì)大尺度模式，旨在訂正模式自身的系統(tǒng)性誤差，在平昌冬奧會(huì)中，中國(guó)氣象局實(shí)時(shí)獲得觀測(cè)數(shù)據(jù)進(jìn)行預(yù)報(bào)，缺乏長(zhǎng)期穩(wěn)定的觀測(cè)數(shù)據(jù)為支撐，自適應(yīng)的卡爾曼濾波是最符合實(shí)際需求且最穩(wěn)妥的方案。但對(duì)于冬奧會(huì)這樣短時(shí)臨近預(yù)報(bào)以及精細(xì)化、復(fù)雜地形條件下的應(yīng)用場(chǎng)景，其效果仍有待檢驗(yàn)。

在平昌冬奧會(huì)期間，中國(guó)氣象局的GRAPES_3 km 模式、韓國(guó)氣象廳的 LDAPS(Local Data Assimilation and Prediction System)模式[24]和美國(guó)宇航局的NU-WRF(NASA-Unified WRF)[25]模式均承擔(dān)12～24 h的短期預(yù)報(bào)并提供實(shí)時(shí)運(yùn)行的服務(wù)產(chǎn)品。

本文基于16個(gè)場(chǎng)館的加密觀測(cè)數(shù)據(jù)，利用自適應(yīng)的卡爾曼濾波方法，對(duì)GRAPES_3 km模式開(kāi)展偏差訂正，以滿足平昌冬奧會(huì)復(fù)雜地形條件下的精細(xì)化預(yù)報(bào)要求。通過(guò)與其他模式產(chǎn)品的對(duì)比了解模式性能，為今后預(yù)報(bào)服務(wù)提供有力保障。

1 數(shù)據(jù)和方法

1.1 觀測(cè)站及觀測(cè)數(shù)據(jù)

平昌冬奧會(huì)期間，16個(gè)站點(diǎn)(詳見(jiàn)表1和圖1)的觀測(cè)數(shù)據(jù)全部由韓國(guó)氣象廳提供，時(shí)間分辨率達(dá)每分鐘1次，包含降水、風(fēng)向、風(fēng)速、相對(duì)濕度，氣溫等變量。

其中，位于阿爾卑西亞的4個(gè)站點(diǎn)分別在阿爾卑西亞跳臺(tái)滑雪中心(承擔(dān)跳臺(tái)滑雪、單板滑雪、北歐兩項(xiàng))、冬季兩項(xiàng)中心(承擔(dān)冬季兩項(xiàng)項(xiàng)目)、越野滑雪中心(承擔(dān)越野滑雪、北歐兩項(xiàng))、滑行中心(承擔(dān)雪橇、雪車、鋼架雪車項(xiàng)目)；位于龍坪的3個(gè)站點(diǎn)分別在龍坪高山滑雪中心(承擔(dān)高山滑雪中回轉(zhuǎn)、大回轉(zhuǎn)項(xiàng)目)賽道的起點(diǎn)、中點(diǎn)、終點(diǎn)；位于旌善的3個(gè)站點(diǎn)在旌善高山滑雪中心(承擔(dān)高山滑雪中滑降、超級(jí)大回轉(zhuǎn)、全能等項(xiàng)目)賽道的起點(diǎn)、中點(diǎn)、終點(diǎn)；位于寶光的4個(gè)站點(diǎn)分別是寶光鳳凰山滑雪公園(承擔(dān)自由式滑雪、單板滑雪)兩種項(xiàng)目的賽道起點(diǎn)、終點(diǎn)；有2個(gè)站分別位于大關(guān)嶺和江陵(包括江陵冰壺中心、冰球中心、冰上運(yùn)動(dòng)場(chǎng)、速滑館)。

表1 站點(diǎn)信息表

圖1 站點(diǎn)分布

1.2 模式及模式產(chǎn)品

GRAPES_3 km模式是中國(guó)氣象局?jǐn)?shù)值預(yù)報(bào)中心自主研發(fā)的數(shù)值天氣預(yù)報(bào)模式，于2016年下半年實(shí)現(xiàn)準(zhǔn)業(yè)務(wù)運(yùn)行。LDAPS模式[24]是韓國(guó)氣象廳引入英國(guó)氣象局的1.5 km×1.5 km水平分辨率的UM(Unified Models)模式，于2012年在韓國(guó)業(yè)務(wù)運(yùn)行。NU-WRF模式[25]是美國(guó)宇航局(NASA) GSFC(Goddard Space Flight Center)基于WRF核心動(dòng)力框架，增加了GSFC自己研發(fā)的陸地信息系統(tǒng)、物理過(guò)程和衛(wèi)星數(shù)據(jù)模擬單元，并耦合了GOCART模式的WRF-Chem版本，最終生成以觀測(cè)為驅(qū)動(dòng)，可在衛(wèi)星可分辨尺度上表征氣溶膠、云、降水和陸地過(guò)程的區(qū)域地球系統(tǒng)和同化系統(tǒng)模式。以上模式具體配置詳見(jiàn)表2。

按照ICE-POP 2018項(xiàng)目組的要求，在平昌冬奧會(huì)氣象服務(wù)期間，所有模式預(yù)報(bào)產(chǎn)品均需嚴(yán)格按照統(tǒng)一標(biāo)準(zhǔn)提供，分為格點(diǎn)(GRIB2格式)和站點(diǎn)(文本格式)兩類。中國(guó)氣象局提供的站點(diǎn)產(chǎn)品是將模式輸出的格點(diǎn)數(shù)據(jù)，采用雙線性插值方法插值到目標(biāo)站點(diǎn)，并根據(jù)韓國(guó)提供的觀測(cè)數(shù)據(jù)進(jìn)行偏差訂正之后的產(chǎn)品。本文只評(píng)估平昌冬奧會(huì)期間，模式預(yù)報(bào)的站點(diǎn)產(chǎn)品，包括2 m氣溫、10 m風(fēng)速、10 m風(fēng)向、2 m相對(duì)濕度。

表2 模式對(duì)比

1.3 訂正方法簡(jiǎn)介

一階自適應(yīng)的卡爾曼濾波方法，是一種基于卡爾曼濾波思想[29]，通過(guò)不斷對(duì)模式誤差進(jìn)行更新，獲得當(dāng)前時(shí)刻的誤差估計(jì)值，降低偏差尺度的方法。該方法最早應(yīng)用于NCEP模式中[9-10]，也稱之為decaying-average方法[9,23],公式如下：

Bi(t)=(1-ω)Bi(t-1)+

ω[fi(t-1)-Oi(t-1)]，

(1)

Fi(t)=fi(t)-Bi(t)。

(2)

其中，t代表當(dāng)前預(yù)報(bào)時(shí)間，i代表站點(diǎn)，fi和Oi分別代表站點(diǎn)的預(yù)報(bào)值和對(duì)應(yīng)時(shí)間的觀測(cè)值，Bi(t)定義為當(dāng)前預(yù)報(bào)時(shí)間經(jīng)過(guò)權(quán)重平均后的模式預(yù)報(bào)偏差估算值，通過(guò)權(quán)重系數(shù)ω的選擇，對(duì)兩個(gè)不同時(shí)段(前一日和歷史累積)的模式預(yù)報(bào)偏差加權(quán)平均獲得。對(duì)權(quán)重系數(shù)，本文選用0.05，該系數(shù)由中國(guó)氣象局2017年參加ICE-POP 2018冬季試驗(yàn)時(shí)確定。利用系統(tǒng)平均加權(quán)誤差Bi(t)對(duì)預(yù)報(bào)值fi(t)進(jìn)行誤差訂正，得到各站點(diǎn)當(dāng)前預(yù)報(bào)時(shí)間訂正后的預(yù)報(bào)值Fi(t)。訂正過(guò)程針對(duì)16個(gè)站點(diǎn)的1～24 h時(shí)效預(yù)報(bào)開(kāi)展。

2 訂正效果評(píng)估

選取冬奧會(huì)時(shí)段(2018年2月9—25日，3月8—18日)分別從GRAPES_3 km模式預(yù)報(bào)要素偏差訂正及GRAPES_3 km模式與其他模式的對(duì)比兩方面進(jìn)行評(píng)估。

2.1 GRAPES_3 km模式預(yù)報(bào)要素偏差訂正改進(jìn)

基于韓國(guó)提供的站點(diǎn)觀測(cè)數(shù)據(jù)，通過(guò)偏差訂正方法對(duì)2 m氣溫、10 m風(fēng)、2 m相對(duì)濕度等地面要素24 h內(nèi)預(yù)報(bào)進(jìn)行逐小時(shí)訂正。本文采用均方根誤差和改善率(訂正前后均方根誤差的差值與訂正前均方根誤差比值的百分率)兩個(gè)指標(biāo)，從模式的日變化、逐日變化、逐站點(diǎn)變化特征等方面評(píng)估偏差訂正方法的有效性。

2.1.1 模式誤差日變化特征

圖2是2018年2月9日—3月18日韓國(guó)當(dāng)?shù)貢r(shí)間21:00(對(duì)應(yīng)北京時(shí)20:00，本文出現(xiàn)時(shí)間統(tǒng)一用韓國(guó)當(dāng)?shù)貢r(shí)間，下同)起報(bào)，2 m氣溫、10 m風(fēng)速和2 m相對(duì)濕度1～24 h預(yù)報(bào)的訂正前后的均方根誤差(整個(gè)時(shí)段的平均)和訂正后模式均方根誤差的改善率。

由圖2可見(jiàn)，經(jīng)過(guò)偏差訂正，模式1～24 h預(yù)報(bào)的2 m氣溫、2 m相對(duì)濕度和10 m風(fēng)速均方根誤差均明顯降低，其中，2 m氣溫的訂正效果最好，10 m風(fēng)速次之(2 m氣溫的改善率最高達(dá)到50%以上，10 m 風(fēng)速的改善率最高達(dá)到40%左右，2 m相對(duì)濕度的改善率最高達(dá)到25%以上)。2 m相對(duì)濕度和2 m氣溫的誤差相對(duì)于10 m風(fēng)速對(duì)模式起報(bào)時(shí)間更敏感，整體而言，模式09:00 起報(bào)(圖略)的2 m相對(duì)濕度和2 m氣溫準(zhǔn)確率更高(與2010年參加溫哥華冬奧會(huì)時(shí)GRAPES_Meso模式的誤差特征一致[3])。09：00起報(bào)的2 m相對(duì)濕度訂正前的均方根誤差為16%～22%，21:00 起報(bào)的2 m相對(duì)濕度訂正前的均方根誤差為19%～27%，并且09:00起報(bào)的2 m相對(duì)濕度隨著預(yù)報(bào)時(shí)效增加均方根誤差增大，而21:00 起報(bào)的則相反，但經(jīng)過(guò)訂正均可減小到20%以下。09:00起報(bào)的2 m溫度訂正前的均方根誤差為2.2℃～4℃，21:00起報(bào)的均方根誤差約為2.9℃～5℃，且09:00起報(bào)的2 m氣溫，隨著預(yù)報(bào)時(shí)效的增加均方根誤差減小，21:00則相反，但經(jīng)過(guò)訂正均減小到2℃左右。GRAPES_3 km模式誤差有明顯日變化特征，2 m氣溫和2 m相對(duì)濕度的晝夜誤差呈相反趨勢(shì)，2 m 氣溫白天的均方根誤差大于夜間，而2 m相對(duì)濕度則是夜間的誤差大于白天，經(jīng)過(guò)偏差訂正，這種日變化帶來(lái)的誤差有所減弱。此外，在一些溫度、濕度、風(fēng)速變化的轉(zhuǎn)折點(diǎn)，模式的均方根誤差也表現(xiàn)出偏大特征，2 m氣溫在08:00,20:00和14:00均方根誤差偏大，2 m相對(duì)濕度在08:00，20:00，23：00和17：00均方根誤差偏大，10 m風(fēng)速則在16:00均方根誤差偏大。經(jīng)過(guò)偏差訂正，2 m氣溫因?yàn)槿兆兓卣鲙?lái)的誤差有明顯改善，對(duì)于2 m氣溫和10 m風(fēng)速最后兩個(gè)時(shí)效的均方根誤差極大值，也有明顯的訂正效果，改善率達(dá)到50% 。

圖2 2018年2月9日—3月18日平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)日變化特征

2.1.2 模式誤差逐日變化特征

圖3是2019年2月9日—3月18日21:00起報(bào)的2 m氣溫、10 m風(fēng)速和2 m相對(duì)濕度訂正前后的均方根誤差(24個(gè)預(yù)報(bào)時(shí)效的平均)的逐日變化?？梢钥吹剑? m氣溫訂正效果顯著(改善率最高可達(dá)60%以上)，但10 m風(fēng)速和2 m相對(duì)濕度的訂正在部分時(shí)次效果并不理想，主要由于降水事件頻發(fā)引起。由于2 m相對(duì)濕度對(duì)降水事件的敏感性遠(yuǎn)大于2 m氣溫，嚴(yán)重影響訂正效果，同時(shí)10 m風(fēng)速相對(duì)于2 m氣溫在短時(shí)間內(nèi)較不穩(wěn)定，訂正效果相對(duì)較弱。因此，偏差訂正方法雖可在一定程度上訂正模式較為穩(wěn)定的系統(tǒng)性誤差，但對(duì)一些天氣過(guò)程帶來(lái)的隨機(jī)性轉(zhuǎn)折訂正能力有限。

圖3 2018年2月9日—3月18日24個(gè)預(yù)報(bào)時(shí)效平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)逐日變化特征 (a)2 m氣溫,(b)10 m風(fēng)速,(c)2 m相對(duì)濕度

2.1.3 模式誤差逐站點(diǎn)變化特征

圖4是21:00起報(bào)的2 m氣溫、10 m風(fēng)速、2 m相對(duì)濕度在訂正前后的均方根誤差(整個(gè)時(shí)段的平均)和改善率。可以看到，偏差訂正方法對(duì)16個(gè)站點(diǎn)的2 m氣溫、10 m風(fēng)速、2 m相對(duì)濕度均有改進(jìn)，其中2 m氣溫的訂正最佳，改善率最高可達(dá)50%以上，10 m風(fēng)速次之，改善率最高可達(dá)40%左右，2 m相對(duì)濕度改善率最大約15%。部分站點(diǎn)2 m 氣溫出現(xiàn)均方根誤差極大值，氣溫均方根誤差為4℃以上，而其他站點(diǎn)為3℃左右。部分站點(diǎn)10 m風(fēng)速出現(xiàn)極大值，風(fēng)速均方根誤差最高達(dá)到3.7 m·s-1左右。2 m相對(duì)濕度在2560站、2584站、2580站、2588站和105站出現(xiàn)極大值，和2 m氣溫一致，最大均方根誤差達(dá)到30%。

圖4 2018年2月9日—3月18日平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)變化特征

續(xù)圖4

為了進(jìn)一步探討偏差訂正方法對(duì)復(fù)雜地形的訂正能力，圖5是3個(gè)場(chǎng)館滑雪賽道不同高度觀測(cè)站的結(jié)果對(duì)比?？梢钥吹?，龍坪、旌善、寶光3個(gè)場(chǎng)館都是賽道地形落差較大的站點(diǎn)，地形高度不同，模式的預(yù)報(bào)能力有差別， 2560站(1416 m)、2584站(1370 m)、2580站(856.3 m)、2588站(874 m)均為滑雪賽道的起點(diǎn)，同一賽道，地形高度越高，模式2 m 氣溫和2 m相對(duì)濕度的均方根誤差越大。而10 m風(fēng)速，在龍坪高山滑雪賽道中(2560站、2579站、2561站)高度越高誤差越大，但在寶光隨著高度增加誤差降低。

圖5 不同高度站點(diǎn)訂正前后的均方根誤差(折線)的對(duì)比(柱狀，顏色表示觀測(cè)站點(diǎn)的所在的場(chǎng)館)

圖6是2018年2月12日09：00起報(bào)的6 h，12 h，24 h預(yù)報(bào)時(shí)次各個(gè)站點(diǎn)的觀測(cè)和訂正前后模式預(yù)報(bào)的2 m氣溫的對(duì)比?？梢钥吹剑谕粓?chǎng)館，不同的地形高度，模式訂正前的2 m氣溫預(yù)報(bào)幾乎無(wú)差別，這表明模式3 km水平分辨率不具備對(duì)冬奧會(huì)這樣復(fù)雜地形的預(yù)報(bào)能力。而訂正后的2 m 氣溫預(yù)報(bào)顯示出明顯的改進(jìn)，說(shuō)明偏差訂正方法可在一定程度上有效提高模式的精細(xì)化預(yù)報(bào)效果。

圖6 2018年2月12日訂正前后2 m氣溫(折線)及不同站點(diǎn)高度(柱狀、顏色表示不同場(chǎng)館)對(duì)比

2.2 不同模式對(duì)比

綜合考慮模式在ICE-POP 2018中的定位和數(shù)據(jù)的易獲得性，最終選擇了韓國(guó)氣象廳的業(yè)務(wù)模式LDAPS、美國(guó)宇航局的NU-WRF模式和中國(guó)氣象局的GRAPES_3 km模式進(jìn)行對(duì)比評(píng)估。從表2可以看到，GRAPES_3 km模式在分辨率和同化方面存在一定不足，因此，將通過(guò)偏差訂正方法以彌補(bǔ)劣勢(shì)。

圖7是GRAPES_3 km模式與LDAPS模式、NU-WRF模式預(yù)報(bào)的2 m氣溫均方根誤差的對(duì)比。整體上，GRAPES_3 km模式比NU-WRF模式準(zhǔn)確性高，但與LDAPS模式相比還有差距。LDAPS模式預(yù)報(bào)的2 m氣溫均方根誤差約為1.5℃，GRAP- ES_3 km預(yù)報(bào)的2 m氣溫均方根誤差約為1.52～2.5℃，而NU-WRF模式預(yù)報(bào)的2 m氣溫均方根誤差約為2.5～4.5℃。2 m氣溫均方根誤差的日變化特征，NU-WRF模式和LDAPS模式比較相似，22：00到次日07：00均方根誤差逐漸增大，之后逐漸減小直到傍晚，但GRAPES_3 km模式預(yù)報(bào)的均方根誤差在14：00前均呈逐漸變大趨勢(shì)，之后才開(kāi)始減小，所以08：00—17：00即使訂正后均方根誤差減小了很多，依然沒(méi)有LDAPS模式預(yù)報(bào)準(zhǔn)確性高，均方根誤差為2.0～2.5℃，而LDAPS模式均方根誤差在1.5℃以下。但GRAPE_3 km模式夜間時(shí)段的預(yù)報(bào)準(zhǔn)確性和LDAPS模式持平，均為1.5℃左右。2 m氣溫均方根誤差的逐日變化特征對(duì)比，可以看到，除2月10—12日和3月15日GRAPES_3 km 模式預(yù)報(bào)的2 m氣溫均方根誤差明顯比LDAPS模式大外，其他時(shí)間接近，均方根誤差基本在2.5℃以下，且都明顯好于NU-WRF模式(均方根誤差約為4.0℃)。對(duì)于各個(gè)站點(diǎn)的預(yù)報(bào)，LDAPS模式要好于GRAPES_3 km模式，兩者最大均方根誤差約為2.5℃，但LDAPS模式在一些站點(diǎn)的均方根誤差僅為1.0℃，而GRAPES_3 km模式預(yù)報(bào)的2 m 氣溫相較NU-WRF模式更接近于觀測(cè)，LDAPS模式預(yù)報(bào)的2 m氣溫均方根誤差最小，依然存在2560站、2581站、2583站等由于地形引起的誤差極值點(diǎn)，而GRAPES_3 km模式經(jīng)過(guò)訂正后對(duì)這種由于地形引起的系統(tǒng)性誤差有所改善。

圖7 不同模式預(yù)報(bào)的2 m氣溫均方根誤差的對(duì)比

圖8是GRAPES_3 km模式與LDAPS，NU-WRF模式預(yù)報(bào)的2 m相對(duì)濕度的均方根誤差對(duì)比。由圖8可以看到，3個(gè)模式對(duì)2 m相對(duì)濕度的預(yù)報(bào)能力差異較小，均方根誤差基本約在30%以下。從2 m 相對(duì)濕度的日變化特征可知，LDAPS模式和GRAPES_3 km模式的均方根誤差變化特征較相似，22：00至次日09：00均方根誤差逐漸上升，之后減小直到晚上，而NU-WRF模式在次日18：00前均方根誤差均逐漸增大。09：00前，3個(gè)模式基本相當(dāng)，NU-WRF模式在02：00—09：00略好，均方根誤差約為13%，LDAPS和GRAPES_3 km約為15%，但13：00后，NU-WRF模式均方根誤差一直增長(zhǎng)，最大達(dá)到20%左右，大于其他兩個(gè)模式。而09：00—21：00，LDAPS模式均表現(xiàn)最好，均方根誤差基本一直在15%以下。3個(gè)模式均方根誤差的逐日變化均不穩(wěn)定，GRAPES_3 km模式在2月23日、3月15日出現(xiàn)明顯極大值，遠(yuǎn)大于其他兩個(gè)模式，均方根誤差大部分在25%以下。對(duì)于復(fù)雜地形的描述3個(gè)模式均有欠缺，由前面的分析可知，GRAPES_3 km的2 m氣溫在復(fù)雜地形條件下訂正效果明顯，但2 m相對(duì)濕度較弱。 LDAPS模式在阿爾卑西亞(2575站、2557站、2577站、2554站)、龍坪(2560站、2579站、2561站)和旌善(2584站、2586站、2587站)的均方根誤差變化特征，和GRAPES_3 km 一致，但寶光(2580站、2581站、2588站、2583站)均方根誤差特征相反。

圖8 不同模式預(yù)報(bào)的2 m相對(duì)濕度均方根誤差對(duì)比 (a)日變化,(b)逐日變化,(c)逐站點(diǎn)變化

圖9給出了GRAPES_3 km模式和LDAPS，NU-WRF模式預(yù)報(bào)的10 m風(fēng)速的均方根誤差對(duì)比?？梢钥吹?，不論從預(yù)報(bào)時(shí)效，逐日變化還是逐站點(diǎn)角度評(píng)估，GRAPES_3 km模式的10 m風(fēng)速均方根誤差均明顯小于其他兩個(gè)模式(GRAPES_3 km保持在2 m·s-1左右，而LDAPS模式和NU-WRF模式普遍處于3 m·s-1以上)。對(duì)于10 m風(fēng)速的預(yù)報(bào)，LDAPS模式及NU-WRF的模式的誤差日變化、逐日變化、逐站點(diǎn)變化特征相似，對(duì)復(fù)雜地形的風(fēng)速模擬能力有待提高。

為了更直觀地了解平昌冬奧會(huì)期間站點(diǎn)的風(fēng)向情況，圖10給出了2018年2月9日—3月18日2561站的風(fēng)玫瑰圖，圖10a～圖10d分別表示觀測(cè)、GRAPES_3 km模式、NU-WRF模式、LDAPS模式的風(fēng)玫瑰圖?？梢钥吹?，在平昌冬奧會(huì)期間，2561站以南風(fēng)-東南風(fēng)為主(圖10a)，NU-WRF模式和LDAPS模式預(yù)報(bào)的風(fēng)向分別以西風(fēng)(圖10c)，西風(fēng)-西南風(fēng)(圖10d)為主，而訂正后的GRAPES_3 km模式風(fēng)向(圖10b)以偏南風(fēng)為主，與觀測(cè)的主導(dǎo)風(fēng)向更接近，風(fēng)速分布也更接近于觀測(cè)。

圖9 不同模式預(yù)報(bào)的10 m風(fēng)速均方根誤差的對(duì)比 (a)日變化,(b)逐日變化,(c)逐站點(diǎn)變化

將各個(gè)站點(diǎn)的風(fēng)向根據(jù)所落的象限大致分為西南-東南風(fēng)(SW-SE)、東北-東南風(fēng)(NE-SE)、西南-西北風(fēng)(SW-NW)、不規(guī)律風(fēng)向4種進(jìn)行對(duì)比評(píng)估。由此可知,主導(dǎo)風(fēng)向?yàn)镾W-SE的代表站包括2561站、2588站、2587站和2586站。對(duì)于2561站和2588站，GRAPES_3 km的風(fēng)玫瑰圖明顯比其他兩種模式更接近觀測(cè)；對(duì)于2587站和2586站，NU-WRF模式和GRAPES_3 km模式的風(fēng)向預(yù)報(bào)接近。主導(dǎo)風(fēng)為NE-SE的代表站包括2575站、2577站和2580站, GRAPES_3 km相對(duì)其他兩個(gè)模式更接近觀測(cè)。主導(dǎo)風(fēng)為SW-NW的代表站包括105站、100站、2560站、2554站、2579站、2577站和2584站，3個(gè)模式預(yù)報(bào)的風(fēng)向也以偏西風(fēng)為主，但NU-WRF模式和LDAPS模式的風(fēng)向更集中，更接近于觀測(cè)。 不規(guī)律風(fēng)向代表站包括2583站和2581站，此兩站在平昌冬奧會(huì)期間風(fēng)向變化復(fù)雜、不穩(wěn)定，3個(gè)模式均難以準(zhǔn)確模擬其變化特征。

因此，對(duì)于平昌冬奧會(huì)期間的10 m風(fēng)向預(yù)報(bào)，大多數(shù)觀測(cè)站以偏西風(fēng)為主，LDAPS模式、NU-WRF模式預(yù)報(bào)的風(fēng)向更接近觀測(cè)(GRAPES_3 km雖也預(yù)報(bào)偏西風(fēng)，但與觀測(cè)差別稍大)，對(duì)一些以非偏西風(fēng)為主導(dǎo)風(fēng)向的站，NU-WRF模式和LDAPS模式依然預(yù)報(bào)偏西，對(duì)這種復(fù)雜地形引起的風(fēng)向變化預(yù)報(bào)能力有限，而訂正后的GRAPES_3 km 模式表現(xiàn)相對(duì)較好。

圖10 2018年2月9日—3月18日2561站10 m風(fēng)玫瑰圖

3 結(jié)論和討論

中國(guó)氣象局自主研發(fā)的GRAPES_3 km模式參加了韓國(guó)平昌冬奧會(huì)的ICE-POP 2018項(xiàng)目，實(shí)時(shí)提供了預(yù)報(bào)產(chǎn)品。本文分別從GRAPES_3 km模式訂正前后的要素對(duì)比和GRAPES_3 km模式與其他模式的對(duì)比兩方面評(píng)估GRAPES_3 km模式在平昌冬奧會(huì)期間的表現(xiàn)，結(jié)果表明：

1) 采用偏差訂正方法可簡(jiǎn)單有效地改善模式對(duì)復(fù)雜地形的預(yù)報(bào)能力。經(jīng)過(guò)偏差訂正，2 m氣溫的均方根誤差減小到2℃左右，站點(diǎn)訂正改善率為10%～60%，10 m風(fēng)速的均方根誤差減小到2 m·s-1左右，站點(diǎn)的訂正改善率為10%～45%，2 m相對(duì)濕度減小到20%以下，站點(diǎn)訂正改善率為0～20%。

2) 與LDAPS模式、NU-WRF模式預(yù)報(bào)地面要素對(duì)比發(fā)現(xiàn)，訂正方法一定程度上彌補(bǔ)了GRAPES_3 km 模式分辨率低及同化的劣勢(shì)。LDAPS模式2 m 氣溫預(yù)報(bào)能力最好，GRAPES_3 km模式表現(xiàn)明顯優(yōu)于NU-WRF模式。10 m風(fēng)速的預(yù)報(bào)，GRAPES_3 km 模式的預(yù)報(bào)能力遠(yuǎn)遠(yuǎn)優(yōu)于其他兩個(gè)模式。10 m風(fēng)向的預(yù)報(bào)方面，對(duì)于個(gè)別非偏西風(fēng)主導(dǎo)的站點(diǎn)，GRAPES_3 km模式預(yù)報(bào)更接近觀測(cè)。2 m 相對(duì)濕度的預(yù)報(bào)，3個(gè)模式預(yù)報(bào)能力差別不大。

本文結(jié)果分析可知，一階自適應(yīng)卡爾曼濾汲方法消除和減小模式的系統(tǒng)性誤差，主要包括兩種：一是由于模式地形、插值算法和物理過(guò)程不確定帶來(lái)的系統(tǒng)性誤差，二是模式對(duì)某次天氣過(guò)程預(yù)報(bào)的偏差。第1種系統(tǒng)性誤差源于模式地形不夠精細(xì)準(zhǔn)確，插值算法等造成的誤差會(huì)較穩(wěn)定地反映在模式的預(yù)報(bào)中，用觀測(cè)數(shù)據(jù)進(jìn)行自適應(yīng)地滾動(dòng)訂正時(shí)，這些穩(wěn)定的誤差可以消除或減小。對(duì)于第2種系統(tǒng)性誤差，由于該訂正方法通過(guò)歷史誤差的不斷累積和更新訂正后續(xù)預(yù)報(bào)，以誤差變化較穩(wěn)定和連續(xù)為假設(shè)，因此，訂正效果取決于天氣過(guò)程的穩(wěn)定性?；谶@樣的思想，也不難理解本文的結(jié)論，對(duì)2 m氣溫、10 m風(fēng)速、2 m相對(duì)濕度的訂正均有一定的效果，對(duì)2 m氣溫的訂正效果最佳，因?yàn)闅鉁叵鄬?duì)風(fēng)速和濕度變化更穩(wěn)定。在訂正復(fù)雜地形帶來(lái)的誤差時(shí)，2 m 氣溫訂正效果也最明顯。但該方法對(duì)于天氣轉(zhuǎn)折過(guò)程的訂正存在缺陷，因?yàn)樘鞖獾霓D(zhuǎn)折性變化使第2種系統(tǒng)性誤差不穩(wěn)定，偏差規(guī)律不連續(xù)，訂正效果不理想，所以對(duì)于轉(zhuǎn)折性天氣過(guò)程，使用該方法需要特別注意。另外，該方法對(duì)非連續(xù)性變量如降水等要素的訂正能力有限，需結(jié)合實(shí)際進(jìn)行深入探討。