陳曉燕,孔祥偉,彭 筱,劉新偉,吳 晶,任淑媛
(1. 蘭州中心氣象臺(tái),甘肅 蘭州 730020;2. 甘肅省蘭州市氣象局,甘肅 蘭州 730020)
隨著數(shù)值天氣預(yù)報(bào)的不斷發(fā)展完善、預(yù)報(bào)時(shí)效延長(zhǎng)且預(yù)報(bào)準(zhǔn)確率不斷提高,數(shù)值天氣預(yù)報(bào)在客觀定量降水預(yù)報(bào)上表現(xiàn)出巨大潛力,逐漸成為業(yè)務(wù)預(yù)報(bào)領(lǐng)域重要且有效的預(yù)報(bào)方法[1-2]。甘肅天氣預(yù)報(bào)業(yè)務(wù)中常用數(shù)值模式有7 種,其中全球模式3 種:ECMWF、GRAPES_GFS、NCEP_GFS 模式,區(qū)域模式4 種:GRAPES 區(qū)域數(shù)值預(yù)報(bào)業(yè)務(wù)系統(tǒng)(GRAPES_3 km)、西北區(qū)域區(qū)域模式(GRAPES_LZ10 km)、西北區(qū)域快速更新循環(huán)預(yù)報(bào)系統(tǒng)(GRAPES_LZ3 km)和華東區(qū)域模式(SMS-WARMS)。由于數(shù)值模式預(yù)報(bào)結(jié)果受動(dòng)力框架、物理過程和初始場(chǎng)等諸多要素影響,加之甘肅地處黃土高原、青藏高原和蒙古高原交匯地帶,境內(nèi)地形復(fù)雜,導(dǎo)致不同數(shù)值模式的降水預(yù)報(bào)在時(shí)空分布和降水量級(jí)等方面存在差異,這給預(yù)報(bào)員從海量數(shù)據(jù)中挖掘有效預(yù)報(bào)信息帶來巨大挑戰(zhàn)。因此,開展數(shù)值模式產(chǎn)品檢驗(yàn),特別是降水預(yù)報(bào)產(chǎn)品檢驗(yàn)顯得尤為重要,及時(shí)了解各數(shù)值模式的預(yù)報(bào)特點(diǎn)和性能,對(duì)提高數(shù)值模式應(yīng)用能力和天氣預(yù)報(bào)準(zhǔn)確率具有重要意義[3-5]。
目前關(guān)于各種數(shù)值模式定量降水預(yù)報(bào)的檢驗(yàn)分析已有不少研究成果。有針對(duì)ECMWF、日本、T639 等全球模式的客觀檢驗(yàn)分析[6-9];也有針對(duì)區(qū)域高分辨率數(shù)值模式降水預(yù)報(bào)效果的評(píng)估,如華東區(qū)域數(shù)值預(yù)報(bào)模式對(duì)華東地區(qū)、西南地區(qū)暴雨和大暴雨的預(yù)報(bào)技巧較高[10-12],華中區(qū)域區(qū)域模式24 h降水預(yù)報(bào)能力優(yōu)于48 h,對(duì)強(qiáng)降水存在較明顯的空?qǐng)?bào)[13],GRAPES_MESO 區(qū)域模式對(duì)小雨預(yù)報(bào)效果較好,對(duì)暴雨及以上降水預(yù)報(bào)能力相對(duì)較弱[14-16];還有針對(duì)多種數(shù)值模式在預(yù)報(bào)業(yè)務(wù)應(yīng)用中的檢驗(yàn)評(píng)估[17-18]。GILLELAND 等[19]對(duì)多種檢驗(yàn)方法進(jìn)行對(duì)比,指出可以簡(jiǎn)單地通過提高乖離率來提高傳統(tǒng)檢驗(yàn)方法評(píng)分,即高空?qǐng)?bào)率有利于高TS 評(píng)分;潘留杰等[20]對(duì)比分析ECMWF模式和日本高分辨率模式對(duì)降水的預(yù)報(bào)能力,發(fā)現(xiàn)調(diào)整閾值改變預(yù)報(bào)偏差能夠在一定程度上提高降水預(yù)報(bào)技巧。
由于不同數(shù)值模式對(duì)不同區(qū)域的預(yù)報(bào)性能差異較大,因此有必要開展多模式的本地化客觀檢驗(yàn)工作。2020年汛期6—8月甘肅降水日數(shù)多、持續(xù)時(shí)間長(zhǎng)、范圍廣、強(qiáng)度大,與近7 a 歷史同期相比,降水日數(shù)偏多1成,降水量偏多2成。本文針對(duì)3種全球模式和4種區(qū)域模式的24 h累計(jì)降水預(yù)報(bào)效果開展檢驗(yàn)評(píng)估,并采用MODE 方法對(duì)不同類型暴雨天氣過程進(jìn)行空間檢驗(yàn),總結(jié)各數(shù)值模式對(duì)甘肅汛期降水的預(yù)報(bào)性能及特點(diǎn),以期為數(shù)值模式在甘肅地區(qū)業(yè)務(wù)應(yīng)用提供一定參考。
實(shí)況降水?dāng)?shù)據(jù)有2 種:蘭州中心氣象臺(tái)提供的2020 年6—8 月甘肅境內(nèi)78 個(gè)觀測(cè)站(圖1)逐日08:00—08:00(北京時(shí),下同)24 h累計(jì)降水量;國(guó)家氣象信息中心提供的逐日5 km 分辨率多源融合降水產(chǎn)品。被檢驗(yàn)的模式資料采用業(yè)務(wù)預(yù)報(bào)中常用的7 種數(shù)值模式(表1),包括3 種全球模式和4 種區(qū)域模式,其中華東區(qū)域模式基于美國(guó)ADAS-WRF 模式建立,其余3 個(gè)區(qū)域模式則是GRAPES 模式系統(tǒng)。根據(jù)實(shí)際業(yè)務(wù)應(yīng)用,選取數(shù)值模式每日20:00起報(bào),08:00—08:00 的24 h 累計(jì)降水量作為檢驗(yàn)對(duì)象,資料時(shí)長(zhǎng)為2020 年6 月1 日至8 月31 日,各模式樣本數(shù)均為92。
表1 7種數(shù)值模式基本屬性Tab.1 Introduction of seven operational models
圖1 甘肅國(guó)家氣象觀測(cè)站點(diǎn)空間分布Fig.1 Distribution of national meteorological stations in Gansu Province
MET(model evaluation tools)是由美國(guó)國(guó)家大氣研究中心(National Center for Atmospheric Research,NCAR)數(shù)值預(yù)報(bào)發(fā)展試驗(yàn)中心(Developmental Test?bed Center,DTC)研發(fā)的功能強(qiáng)大的數(shù)值天氣預(yù)報(bào)檢驗(yàn)工具,具有較好的可移植性,不僅提供一系列產(chǎn)品檢驗(yàn)評(píng)估方案,也為模式使用者客觀把握模式預(yù)報(bào)性能、獲取預(yù)報(bào)指標(biāo)提供參考。本文基于MET7.0檢驗(yàn)系統(tǒng)開展數(shù)值模式的客觀檢驗(yàn),并進(jìn)行對(duì)比分析。檢驗(yàn)指標(biāo)有晴雨準(zhǔn)確率(ACC)和風(fēng)險(xiǎn)評(píng)分(TS)、公平風(fēng)險(xiǎn)評(píng)分(ETS)、命中率(POD)、空?qǐng)?bào)率(FAR)和預(yù)報(bào)偏差(Bias),各檢驗(yàn)評(píng)分計(jì)算如下:
式中:NA、NB、NC分別為降水預(yù)報(bào)正確、空?qǐng)?bào)和漏報(bào)的站(次)數(shù),ND為無降水預(yù)報(bào)正確的站(次)數(shù);TS評(píng)分反映模式有效預(yù)報(bào)的準(zhǔn)確程度,其值越大模式預(yù)報(bào)降水能力越強(qiáng)[21];FAR 值越低表示降水預(yù)報(bào)技巧越好;POD 取值范圍為0~1;ETS 評(píng)分是對(duì)TS評(píng)分的改進(jìn),能對(duì)空?qǐng)?bào)或漏報(bào)進(jìn)行懲罰,使評(píng)分相對(duì)TS評(píng)分更加公平,其值一般低于TS 評(píng)分;Bias 最佳為1,Bias>1 表示模式預(yù)報(bào)有過度或偏強(qiáng)傾向,Bias<1表示模式預(yù)報(bào)有不足或偏弱傾向。
基于對(duì)象診斷的檢驗(yàn)方法MODE(method for object-based diagnostic evaluation,MODE)[22-23]是通過在預(yù)報(bào)場(chǎng)和觀測(cè)場(chǎng)中識(shí)別一系列“對(duì)象”,并賦予這些對(duì)象一定的空間屬性,包括面積、質(zhì)心、軸角、復(fù)雜度、強(qiáng)度百分位數(shù)等,通過定量計(jì)算分析預(yù)報(bào)和觀測(cè)重構(gòu)場(chǎng)中每一個(gè)目標(biāo)單體的空間屬性參數(shù),可以得到整體的空間檢驗(yàn)效果。其中面積為目標(biāo)物的范圍;質(zhì)心為目標(biāo)物的幾何中心,如果目標(biāo)只有一個(gè)對(duì)稱軸,質(zhì)心在軸上,若有2 個(gè)對(duì)稱軸,質(zhì)心為兩軸的相交點(diǎn);軸角為目標(biāo)物對(duì)稱軸與東西向水平軸線所成的銳角,用來評(píng)估目標(biāo)的空間走向;強(qiáng)度百分位數(shù)是將目標(biāo)物內(nèi)部的要素量值從小到大排列,分別對(duì)預(yù)報(bào)和觀測(cè)的各目標(biāo)做10、25、50、75、90 百分位上的強(qiáng)度之比,根據(jù)比值大小評(píng)估預(yù)報(bào)要素量級(jí)的偏大或偏小。
文中附圖涉及的地圖均基于國(guó)家測(cè)繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號(hào)為GS(2019)1824號(hào)的中國(guó)地圖制作,底圖無修改。
從圖2 看出,全球模式的晴雨準(zhǔn)確率在0.70 左右,其中ECMWF 模式最高為0.76,GRAPES_GFS 模式次之(0.73)。隨著降水量級(jí)增大,TS 評(píng)分、ETS評(píng)分和命中率逐漸減小,ECMWF 模式小雨、中雨、大雨的TS 評(píng)分和ETS 評(píng)分及大雨和暴雨的命中率高于其他2個(gè)模式???qǐng)?bào)率隨著降水量級(jí)增大而增大,NCEP 模式空?qǐng)?bào)率整體較小,全球模式中雨以上量級(jí)降水的空?qǐng)?bào)率大于命中率。
圖2 2020年6—8月全球模式的晴雨準(zhǔn)確率和24 h累計(jì)降水預(yù)報(bào)評(píng)分(a)ACC,(b)TS評(píng)分,(c)ETS評(píng)分,(d)POD,(e)FAR,(f)BiasFig.2 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models from June to August 2020(a)ACC,(b)TS,(c)ETS,(d)POD,(e)FAR,(f)Bias
ECMWF 模式各量級(jí)降水Bias 均大于1,GRAPES_GFS 模式小雨、中雨、大雨的預(yù)報(bào)偏差亦大于1,說明2個(gè)模式對(duì)降水事件的預(yù)報(bào)相對(duì)實(shí)況偏多;NCEP_GFS 模式中雨以上量級(jí)降水Bias<1,即對(duì)降水事件的預(yù)報(bào)相對(duì)實(shí)況偏少,與空?qǐng)?bào)率低一致。
區(qū)域模式的晴雨準(zhǔn)確率(圖3)均在0.70 以上,GRAPES_3 km 模式最高為0.81,SMS-WARMS 模式次之,區(qū)域模式的晴雨準(zhǔn)確率高于全球模式。TS 評(píng)分、ETS 評(píng)分和命中率隨著降水量級(jí)增大而減小,SMS-WARMS 模式對(duì)各量級(jí)降水的評(píng)分均優(yōu)于其他區(qū)域模式,其次是GRAPES_3 km 模式。空?qǐng)?bào)率隨著降水量級(jí)增大而增大,GRAPES_LZ3 km 模式中雨、大雨和暴雨空?qǐng)?bào)率均最低。區(qū)域模式中雨以上量級(jí)降水的空?qǐng)?bào)率大于命中率,尤其是大雨和暴雨。
圖3 2020年6—8月區(qū)域模式的晴雨準(zhǔn)確率和24 h累計(jì)降水預(yù)報(bào)評(píng)分(a)ACC,(b)TS評(píng)分,(c)ETS評(píng)分,(d)POD,(e)FAR,(f)BiasFig.3 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of regional models from June to August 2020(a)ACC,(b)TS,(c)ETS,(d)POD,(e)FAR,(f)Bias
除GRAPES_LZ3 km 模式暴雨的預(yù)報(bào)偏差明顯小于1 外,其他模式各量級(jí)降水的預(yù)報(bào)偏差均在1以上,表明區(qū)域模式對(duì)降水事件的預(yù)報(bào)相對(duì)實(shí)況偏多。GRAPES_LZ10 km模式大雨和暴雨的預(yù)報(bào)偏差明顯高于其他模式,與其空?qǐng)?bào)率高、TS 評(píng)分低結(jié)果一致。
總體而言,全球模式小雨和中雨的TS 評(píng)分、ETS 評(píng)分和命中率高于區(qū)域模式,暴雨則低于區(qū)域模式,大雨預(yù)報(bào)能力相當(dāng);區(qū)域模式大雨和暴雨的命中率、空?qǐng)?bào)率和預(yù)報(bào)偏差均高于全球模式。
甘肅暴雨的環(huán)流形勢(shì)以副高邊緣型和低槽型為主[24],低槽型降水發(fā)生時(shí)副熱帶高壓(簡(jiǎn)稱“副高”)整體偏南,主體位于海洋上,西風(fēng)帶中的短波槽東移南壓過程中與高原槽疊加,引導(dǎo)北方冷空氣南下,同時(shí)高空槽前的西南暖濕氣流向西北地區(qū)東部輸送,冷暖氣流在西北地區(qū)東部相遇,暴雨主要發(fā)生在高空槽前、低層切變線附近。副高邊緣型降水主要特征是副高西伸北抬,西脊點(diǎn)達(dá)110°E 附近,脊線位于30°N 附近,西北地區(qū)東部受副高外圍較強(qiáng)西南氣流影響,其與低層700 hPa 偏南氣流重疊地區(qū)時(shí)常產(chǎn)生暴雨。這種形勢(shì)下,新疆至甘肅西北部的西風(fēng)帶冷槽常引導(dǎo)冷空氣東移南下,到西北地區(qū)東部與南來的暖濕氣流相遇,形成大范圍東北—西南向雨帶。
根據(jù)暴雨位置和環(huán)流形勢(shì)特征,挑選2020 年6—8 月2 種類型降水過程,其中副高邊緣型降水有4 次:7 月24—25 日及8 月6—7 日、11—12 日、15—17 日,低槽型降水有3 次:6 月7—8 日、25—26 日及8 月23—24 日,分別對(duì)2 種類型降水過程開展定量檢驗(yàn)。
圖4為2020年汛期4 次副高邊緣型降水過程的預(yù)報(bào)檢驗(yàn)評(píng)分。全球模式和區(qū)域模式預(yù)報(bào)的晴雨準(zhǔn)確率均在0.80 以上,SMS-WARMS 模式最高為0.90,ECMWF 模式次之為0.89。全球模式小雨和中雨TS 評(píng)分略高于區(qū)域模式;大雨TS 評(píng)分各模式相差不大,均在0.2 以上;暴雨的TS 評(píng)分全球模式低于區(qū)域模式。ETS 評(píng)分和命中率與TS 評(píng)分相同。全球模式和區(qū)域模式對(duì)小雨的空?qǐng)?bào)率均較低,中雨和大雨的空?qǐng)?bào)率全球模式低于區(qū)域模式,暴雨空?qǐng)?bào)率相反。全球模式和區(qū)域模式小雨、中雨預(yù)報(bào)偏差相當(dāng),全球模式大雨和暴雨的預(yù)報(bào)偏差明顯低于區(qū)域模式,尤其是NCEP_GFS 模式。GRAPES_GFS 模式和GRAPES_3 km模式中雨、大雨的預(yù)報(bào)偏差明顯高于其他模式,TS評(píng)分卻不是最高,表明2個(gè)模式對(duì)中雨和大雨預(yù)報(bào)偏多,而對(duì)暴雨預(yù)報(bào)偏少。GRAPES_LZ3 km 模式暴雨預(yù)報(bào)偏差和空?qǐng)?bào)率均較高,而TS評(píng)分偏低,即暴雨落區(qū)與實(shí)況落區(qū)有偏差。
圖4 2020年汛期4次副高邊緣型降水過程全球模式及區(qū)域模式晴雨準(zhǔn)確率和24 h累計(jì)降水預(yù)報(bào)評(píng)分(a、b)ACC,(c、d)TS,(e、f)ETS,(g、h)POD,(i、j)FAR,(k、l)BiasFig.4 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models and regional models for 4 sub-high marginal precipitation processes in flood season of 2020(a,b)ACC,(c,d)TS,(e,f)ETS,(g,h)POD,(i,j)FAR,(k,l)Bias
從2020 年3 次低槽型降水過程預(yù)報(bào)檢驗(yàn)結(jié)果(圖5)來看,全球模式和區(qū)域模式對(duì)低槽型降水過程的晴雨預(yù)報(bào)準(zhǔn)確率在0.70以上,明顯低于副高邊緣型降水過程。全球模式小雨和中雨的TS 評(píng)分略高于區(qū)域模式,大雨和暴雨的TS 評(píng)分低于區(qū)域模式,尤其是暴雨。ETS 評(píng)分和命中率與TS 評(píng)分相同。全球模式和區(qū)域模式對(duì)小雨的空?qǐng)?bào)率在0.30左右,暴雨空?qǐng)?bào)率在0.90 以上,均高于副高邊緣型降水過程,全球模式大雨的空?qǐng)?bào)率低于區(qū)域模式。全球模式和區(qū)域模式小雨的預(yù)報(bào)偏差相當(dāng),全球模式中雨、大雨和暴雨的預(yù)報(bào)偏差大多在1以下,明顯低于區(qū)域模式。綜合來看,區(qū)域模式對(duì)低槽型降水過程大雨和暴雨的預(yù)報(bào)能力明顯優(yōu)于全球模式,其中SMS-WARMS模式表現(xiàn)最優(yōu)。
圖5 2020年汛期3次低槽型降水過程全球模式及區(qū)域模式晴雨準(zhǔn)確率和24 h累計(jì)降水預(yù)報(bào)評(píng)分(a、b)ACC,(c、d)TS,(e、f)ETS,(g、h)POD,(i、j)FAR,(k、l)BiasFig.5 The accuracy of rain probability forecast and forecast scores of 24h accumulated rainfall of global models and regional models for 3 low-trough precipitation processes in flood season of 2020(a,b)ACC,(c,d)TS,(e,f)ETS,(g,h)POD,(i,j)FAR,(k,l)Bias
綜上所述,副高邊緣型降水過程的晴雨準(zhǔn)確率和各量級(jí)降水的TS 評(píng)分、ETS 評(píng)分和命中率均優(yōu)于低槽型降水過程,全球模式和區(qū)域模式對(duì)副高邊緣型降水過程預(yù)報(bào)能力優(yōu)于低槽型降水過程;全球模式對(duì)2種類型降水過程的小雨和中雨預(yù)報(bào)評(píng)分略高于區(qū)域模式,暴雨預(yù)報(bào)評(píng)分則相反。
采用MODE 方法對(duì)4 次副高邊緣型降水過程和3 次低槽型降水過程進(jìn)行空間檢驗(yàn),分析不同尺度數(shù)值模式的預(yù)報(bào)性能。從全球模式和區(qū)域模式對(duì)副高邊緣型降水過程經(jīng)由MODE 方法識(shí)別出的配對(duì)目標(biāo)對(duì)象簇屬性診斷量(表2)可以看出,全球模式中雨和大雨的面積比(預(yù)報(bào)與觀測(cè)之比,下同)在1.00~1.70,表明全球模式預(yù)報(bào)降水面積較觀測(cè)略偏大;除NCEP_GFS 模式暴雨面積比小于1,其余2個(gè)模式暴雨面積比均大于1,尤其GRAPES_GFS 模式;ECMWF 和NCEP_GFS 模式大暴雨面積比也大于1。各量級(jí)降水的質(zhì)心距離均在30 km以下,中雨和大雨的軸角偏差基本在10°以內(nèi),說明3個(gè)全球模式對(duì)中雨和大雨的走向預(yù)報(bào)較為準(zhǔn)確,但對(duì)暴雨和大暴雨空間位置預(yù)報(bào)有偏差。ECMWF 模式各量級(jí)降水的50%分位降水強(qiáng)度比率(預(yù)報(bào)比觀測(cè),下同)平均值為1.02,說明模式預(yù)報(bào)的各量級(jí)降水與觀測(cè)較為一致;其余2 個(gè)模式小于1,即GRAPES_GFS 和NCEP_GFS 模式預(yù)報(bào)的各量級(jí)降水較觀測(cè)偏弱,尤其是GRAPES_GFS 模式。ECMWF 模式各量級(jí)降水的90%分位降水強(qiáng)度比率均在1 以上,說明模式預(yù)報(bào)的各量級(jí)降水較觀測(cè)偏強(qiáng),尤其在降水中心區(qū)域,其余2個(gè)模式偏弱。
表2 全球模式和區(qū)域模式對(duì)2020年汛期4次副高邊緣型降水過程的24 h累計(jì)降水預(yù)報(bào)和觀測(cè)值組成的對(duì)象簇屬性值Tab.2 The attribute values of matching objects of 24 h accumulated rainfall prediction based on global and regional models and observations for 4 sub-high marginal precipitation processes in flood season of 2020
區(qū)域模式中雨、大雨和暴雨面積比均大于1,其中暴雨面積比均大于4,即模式預(yù)報(bào)的暴雨面積明顯大于觀測(cè);SMS-WARMS 模式和GRAPES_3 km 模式預(yù)報(bào)的大暴雨面積較觀測(cè)亦偏大,而GRAPES_LZ3 km 模式明顯偏小。中雨和大雨的質(zhì)心距離在30 km以內(nèi),軸角偏差基本在12°以內(nèi),說明4個(gè)區(qū)域模式對(duì)中雨和大雨的走向預(yù)報(bào)較為準(zhǔn)確;暴雨和大暴雨質(zhì)心距離最小為7.05 km,最大為36.47 km,軸角偏差在30°~60°之間,表明4個(gè)區(qū)域模式預(yù)報(bào)的空間位置與觀測(cè)有偏差。區(qū)域模式中雨、大雨和暴雨50%和90%分位降水強(qiáng)度比率均大于1,說明模式預(yù)報(bào)的各量級(jí)降水較觀測(cè)偏強(qiáng),其中SMS-WARMS模式較其他模式偏強(qiáng)更為明顯。SMS-WARMS 模式對(duì)大暴雨預(yù)報(bào)與觀測(cè)接近,其余模式預(yù)報(bào)偏弱,尤其是GRAPES_LZ10 km模式。
綜合來看,全球模式中ECMWF 模式各項(xiàng)空間屬性值表現(xiàn)最好,區(qū)域模式中SMS-WARMS 模式表現(xiàn)最優(yōu),與統(tǒng)計(jì)評(píng)分結(jié)果一致;SMS-WARMS 模式對(duì)副高邊緣型降水空間位置預(yù)報(bào)能力優(yōu)于其余6個(gè)模式,GRAPES_3 km 模式在降水面積和降水強(qiáng)度上更接近于觀測(cè)。
表3為2020 年汛期3 次低槽型降水過程經(jīng)MODE檢驗(yàn)方法識(shí)別的配對(duì)目標(biāo)對(duì)象簇屬性診斷量值??梢钥闯觯蚰J匠齆CEP_GFS模式外,其余2 個(gè)模式中雨和大雨面積比均大于1,尤其GRAPES_GFS 模式。低槽型降水過程中雨和大雨的質(zhì)心距離較副高邊緣型降水過程偏大,軸角偏差最小值為9.62°,最大值為26.50°,說明3 個(gè)全球模式對(duì)中雨和大雨的空間位置預(yù)報(bào)與觀測(cè)有偏差。各量級(jí)降水50%分位與90%分位降水強(qiáng)度比率大多小于1.00,即模式預(yù)報(bào)的各量級(jí)降水較觀測(cè)偏弱,尤其是NCEP_GFS模式。
表3 全球模式和區(qū)域模式對(duì)2020年汛期3次低槽型降水過程24 h累計(jì)降水預(yù)報(bào)和觀測(cè)值組成的對(duì)象簇屬性值Tab.3 The attribute values of matching objects of 24 h accumulated rainfall forecast based on global and regional models and observations for 3 low-trough precipitation processes in flood season of 2020
區(qū)域模式除GRAPES_LZ3 km 模式暴雨面積比小于1,其余模式各量級(jí)降水的面積比均大于1,說明模式預(yù)報(bào)的降水面積明顯大于觀測(cè)。中雨和大雨軸角偏差基本在17°以內(nèi),表明區(qū)域模式對(duì)中雨和大雨的走向預(yù)報(bào)較為準(zhǔn)確;暴雨質(zhì)心距離在26~56 km 之間,軸角偏差在30°以內(nèi),表明區(qū)域模式預(yù)報(bào)的暴雨空間位置與觀測(cè)有偏差。除GRAPES_LZ3 km模式外,其余3個(gè)區(qū)域模式中雨、大雨和暴雨50% 和90% 分位降水強(qiáng)度比率均大于1,SMSWARMS 模式預(yù)報(bào)的降水強(qiáng)度較其他模式更為偏強(qiáng)。SMS-WARMS 模式和GRAPES_3 km 模式對(duì)暴雨預(yù)報(bào)與觀測(cè)接近,其余2個(gè)模式預(yù)報(bào)偏弱。
對(duì)于低槽型降水過程,ECMWF 模式各項(xiàng)空間屬性值優(yōu)于其他2 個(gè)全球模式,SMS-WARMS 模式和GRAPES_3 km 模式優(yōu)于其余5 個(gè)模式,其中GRAPES_3 km 模式對(duì)降水面積和降水強(qiáng)度預(yù)報(bào)與觀測(cè)更接近;全球模式和區(qū)域模式對(duì)副高邊緣型降水過程的預(yù)報(bào)能力優(yōu)于低槽型降水過程,全球模式對(duì)大雨以上量級(jí)的降水預(yù)報(bào)偏弱,區(qū)域模式預(yù)報(bào)整體偏強(qiáng)。
根據(jù)以上分析得知,ECMWF 模式、SMSWARMS 模式和GRAPES_3 km 模式的預(yù)報(bào)效果優(yōu)于其余模式,故分別選取副高邊緣型和低槽型降水過程中降水強(qiáng)度最強(qiáng)和范圍最大的過程作為個(gè)例(2020 年8 月15—17 日和6 月25—26 日降水過程),對(duì)3 個(gè)模式預(yù)報(bào)的暴雨開展空間檢驗(yàn)。8 月15—17日副高邊緣型降水過程空間檢驗(yàn)識(shí)別出1個(gè)配對(duì)目標(biāo)(圖6),對(duì)比預(yù)報(bào)場(chǎng)和觀測(cè)場(chǎng)的目標(biāo)1,模式預(yù)報(bào)的暴雨面積大于觀測(cè)。結(jié)合屬性值(表4)來看,3個(gè)模式的面積比均大于1,預(yù)報(bào)目標(biāo)1 較觀測(cè)目標(biāo)1 的質(zhì)心位置略偏西北,質(zhì)心距離和軸角偏差均較小,反映出3 個(gè)模式預(yù)報(bào)的暴雨區(qū)位置與實(shí)況較接近;模式降水強(qiáng)度比率均大于1,即模式預(yù)報(bào)的暴雨量級(jí)大于實(shí)況。
圖6 2020年8月15—17日降水過程MODE檢驗(yàn)識(shí)別的暴雨合成目標(biāo)(數(shù)字1表示各模式與觀測(cè)配對(duì)成功的目標(biāo)對(duì),藍(lán)色區(qū)域?yàn)楸┯曷鋮^(qū)。下同)(a)ECMWF,(b)SMS-WARMS,(c)GRAPES_3 km,(d)觀測(cè)Fig.6 The matching objects of rainstorm identified by MODE method during the rainfall process on 15-17 August 2020(The number“1”represents a successful target pair of observation and model forecast,the blue area is rainstorm area. the same as below)(a)ECMWF,(b)SMS-WARMS,(c)GRAPES_3 km,(d)observation
2020 年6 月25—26 日低槽型降水過程相對(duì)較弱,暴 雨TS 評(píng) 分 偏 低(ECMWF 模式 為0,SMSWARMS 模式為0.11,GRAPES_3 km 模式為0.10)。這次降水過程也識(shí)別出1個(gè)暴雨區(qū)配對(duì)目標(biāo)(圖7)。對(duì)比預(yù)報(bào)場(chǎng)和觀測(cè)場(chǎng)的目標(biāo)1,SMS-WARMS模式和GRAPES_3 km 模式預(yù)報(bào)的暴雨面積大于觀測(cè),ECMWF 模式則小于觀測(cè)??臻g檢驗(yàn)指標(biāo)(表4)顯示,ECMWF 模式的質(zhì)心距離最小,對(duì)暴雨預(yù)報(bào)有一定指導(dǎo)意義;2 個(gè)區(qū)域模式的面積比均在7 以上,預(yù)報(bào)目標(biāo)1 較觀測(cè)目標(biāo)1 質(zhì)心位置偏西南,軸角偏差較小,即模式預(yù)報(bào)的暴雨區(qū)整體趨勢(shì)與實(shí)況一致,但暴雨空?qǐng)?bào)面積偏大。
表4 3種模式對(duì)2次降水過程暴雨預(yù)報(bào)和觀測(cè)組成的對(duì)象簇屬性值Tab.4 The attribute values of matching objects of rainstorm prediction based on three models and observation for the two rainfall processes
圖7 2020年6月25—26日降水過程MODE檢驗(yàn)識(shí)別的暴雨合成目標(biāo)(a)ECMWF,(b)SMS-WARMS,(c)GRAPES_3 km,(d)觀測(cè)Fig.7 The matching objects of rainstorm identified by MODE method during the rainfall process on 25-26 June 2020(a)ECMWF,(b)SMS-WARMS,(c)GRAPES_3 km,(d)observation
基于MET 檢驗(yàn)系統(tǒng)對(duì)甘肅2020 年6—8 月全球模式和區(qū)域模式24 h 累計(jì)降水預(yù)報(bào)進(jìn)行客觀檢驗(yàn)和空間檢驗(yàn)及對(duì)比分析,得到以下主要結(jié)論:
(1)全球模式晴雨準(zhǔn)確率及小雨和中雨的TS 評(píng)分、ETS評(píng)分、命中率均表現(xiàn)較好,ECMWF 模式預(yù)報(bào)效果優(yōu)于其余2個(gè)模式;NCEP_GFS模式的空?qǐng)?bào)率和預(yù)報(bào)偏差整體偏低,即對(duì)降水事件預(yù)報(bào)相對(duì)觀測(cè)偏少。
(2)區(qū)域模式晴雨準(zhǔn)確率及小雨和中雨的TS評(píng)分、ETS 評(píng)分、命中率低于全球模式,暴雨優(yōu)于全球模式;大雨、暴雨的空?qǐng)?bào)率和預(yù)報(bào)偏差均高于全球模式,表明對(duì)降水事件預(yù)報(bào)相對(duì)觀測(cè)偏多;其中SMS-WARMS表現(xiàn)最優(yōu),其次為GRAPES_3 km。
(3)副高邊緣型降水過程的晴雨準(zhǔn)確率和各量級(jí)降水的TS 評(píng)分、ETS 評(píng)分和命中率均優(yōu)于低槽型降水過程,表明全球模式和區(qū)域模式對(duì)副高邊緣型降水過程預(yù)報(bào)能力優(yōu)于低槽型降水過程;全球模式對(duì)2種類型降水過程的小雨和中雨預(yù)報(bào)評(píng)分略高于區(qū)域模式,ECMWF 模式和區(qū)域模式對(duì)大雨和暴雨的預(yù)報(bào)效果優(yōu)于NCEP_GFS和GRAPES_GFS模式。
(4)2 種類型降水過程空間檢驗(yàn)結(jié)果表明,全球模式中ECMWF 模式各項(xiàng)空間屬性值表現(xiàn)最好,SMS-WARMS 模式各項(xiàng)空間屬性值優(yōu)于其余區(qū)域模式,與客觀檢結(jié)果相一致;全球模式和區(qū)域模式對(duì)副高邊緣型降水過程的空間位置預(yù)報(bào)效果優(yōu)于低槽型降水過程,尤其是暴雨落區(qū)預(yù)報(bào)。