• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      全球和區(qū)域數(shù)值模式在甘肅2020年汛期降水預(yù)報(bào)中的檢驗(yàn)評(píng)估

      2022-07-01 16:47:22陳曉燕孔祥偉劉新偉任淑媛
      干旱氣象 2022年3期
      關(guān)鍵詞:邊緣型中雨大雨

      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)

      引 言

      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。

      1 資料與方法

      1.1 資 料

      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

      1.2 MET檢驗(yàn)工具

      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。

      1.3 MODE空間檢驗(yàn)

      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。

      2 模式定量檢驗(yàn)分析

      2.1 全球模式晴雨準(zhǔn)確率和分級(jí)降水檢驗(yàn)

      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。

      2.2 區(qū)域模式晴雨準(zhǔn)確率和分級(jí)降水檢驗(yàn)

      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。

      3 分型降水檢驗(yàn)

      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)。

      3.1 副高邊緣型降水過程

      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

      3.2 低槽型降水過程

      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。

      4 MODE空間檢驗(yàn)

      4.1 副高邊緣型降水過程

      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)。

      4.2 低槽型降水過程空間檢驗(yàn)

      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)。

      4.3 個(gè)例分析

      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

      5 結(jié) 論

      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)。

      猜你喜歡
      邊緣型中雨大雨
      起落架用30CrMnSiNi2A鋼表面Cd-Ti鍍層在海水和鹽霧環(huán)境中的腐蝕行為研究
      下 雨
      邊緣型人格障礙的“三不穩(wěn)”“一沖動(dòng)”
      心理與健康(2021年2期)2021-07-22 01:17:20
      淺談跨座式單軌交通建設(shè)中雨污水管線遷改工作
      大雨
      無題(6)
      大雨
      邊緣型人格障礙患者自殺意念特征及危險(xiǎn)因素分析
      大雨
      內(nèi)心滿是空洞的“邊緣人”
      健康博覽(2017年11期)2017-12-07 21:12:49
      望江县| 平原县| 饶阳县| 隆林| 双城市| 德钦县| 和田县| 灵宝市| 廊坊市| 靖宇县| 东海县| 东明县| 田林县| 大丰市| 通州区| 天津市| 中江县| 丰镇市| 运城市| 香河县| 宜宾市| 云梦县| 全椒县| 崇信县| 突泉县| 江西省| 南和县| 融水| 葫芦岛市| 曲麻莱县| 洛宁县| 东平县| 长垣县| 濮阳县| 讷河市| 壤塘县| 永春县| 重庆市| 三穗县| 贵港市| 姚安县|