1 引言

由于全球气候变暖, 区域极端天气事件频繁发生, 如何提高区域集合预报对中小尺度极端天气预报准确率是集合预报发展中的主要难点问题之一。杜钧等^[1]提出了集合预报在暴雨研究和预报中的应用, 如初始扰动的分析、目标观测、集合敏感性法等。张涵斌等^[2]指出我国GRAPES区域集合预报系统能够产生随预报时效保持较合理增长状态的集合扰动。GRAPES区域集合预报对台风的登陆地点、时间、强度和降水等方面的预报可以提供预报不确定性信息^[3]。而针对区域集合预报, 怎样获得更合理的初始扰动是研究的一个重点问题。目前, 区域集合预报获得初始扰动方法主要有两种。第一种是采用传统的扰动方法, 如:增长模繁殖法^[4-5]、奇异向量法^[6]和时间滞后平均法^[7]等。第二种是利用全球集合预报初始扰动进行动力降尺度以获得区域集合预报初始扰动^[8-10]。

区域集合预报在我国的业务和研究中也已广泛展开, 张涵斌等^[11]针对扰动尺度对区域集合预报的影响, 展开了滤波敏感性试验, 指出较大尺度ETKF扰动增长较快, 而且滤波后的ETKF扰动方案比未滤波的ETKF扰动明显更优。由于全球集合预报的分辨率较低, 无法将区域中小尺度的不确定性进行较好的模拟, 而通过ETKF方案在循环过程中加入全球预报系统提供的大尺度侧边界扰动以获得的初始扰动可包含多尺度的不确定性^[12]。加入初值场不确定性信息后, 并且考虑初值场的不确定性和模式的不确定性, 有助于捕捉更多中小尺度系统的不确定性信息^[13]。此外, 有研究表明多物理参数化方案形成模式物理扰动能够对集合离散度产生贡献^[14]。例如积云对流参数化方案和云微物理参数化方案主要影响着降雨的预报效果, 在针对华南一次降水过程的预报中, 采用Lin等云微物理参数化方案和KF积云对流参数化方案的预报效果更好^[15-16]。辅天华等^[17]针对8种积云参数化方案展开对东亚近海热带气旋的模拟, 提出KF方案模拟的热带气旋生成频数明显较高, 而BJM方案模拟的热带气旋生成频数明显较低。对模式初值扰动和物理扰动的研究分析中, 董海萍等^[18]基于一次华南暴雨的区域集合预报试验研究中提出相同的模式物理过程扰动会由于不同的初值扰动而产生较大的差异。在一般情况下, 模式初始扰动在叠加物理扰动后会增加扰动的增长速度。Zhang等^[19]基于华南降水研究提出在初值扰动过大的情况下, 叠加模式物理过程扰动会有可能导致扰动的衰减, 尤其在中β尺度上, 这有利于改善集合预报对降水预报的效果。同时有研究表明在较小尺度(< 100 km)上, 物理扰动对集合离散度的贡献会大于初始扰动的贡献^[20]。

本文拟研究的华南地区地域特征复杂且降水突发性强, 对于华南前汛期降水已开展了很多研究^[21-23]。集合预报在华南前汛期暴雨模拟的相关应用也已初步展开。针对华南前汛期预报, 与控制性成员的预报比较, 概率匹配平均预报、百分之九十的概率分布预报以及两者的线性组合对中雨和暴雨级别的降水预报更有优势, 最优概率预报技术和临近概率预报技术能改善小雨量级别的降水预报^[23]。唐圣钧等^[24]利用混合集合预报方法, 通过低分辨率集合预报和高分辨率单一预报实现华南强降水过程的高分辨率集合预报, 改善了降水预报效果。陈静等^[25]提出单一的确定性预报在暴雨落区和强度方面的可信度存在不稳定性, 集合预报产品能给华南暴雨过程提供更有价值的指导预报。但是从以往的研究得出全球集合预报对华南汛期降水模拟还存在很大的局限性, Huang等^[26]基于欧洲ECMWF、美国NCEP(The National Centers for Environmental Prediction, NCEP)、日本JMA(Japan Meteorological Agency)、韩国KMA(Korean Meteorological Administration)和中国CMA(China Meteorological Administration)的全球集合预报系统对华南前汛期降水的模拟展开研究, 表明集合预报系统仍然高估了中到大雨的降水强度, 而低估了暴雨的降水强度, 同时指出对广东本地发展起的对流系统所导致的局地暴雨的预报能力仍然表现较差。因此, 研究更高分辨率的区域集合预报方案和不同参数化方案对华南暴雨的改善作用的研究就显得尤为重要。为了研究全球集合预报和通过动力降尺度获得的区域集合预报对华南暴雨的影响, 本研究以全球集合预报通过动力降尺度方法获得区域集合预报, 结合不同物理参数化方案构建华南前汛期的区域集合预报。首先展开32天的批量试验对不同集合预报方法进行TS降水评估和集合统计方法检验。然后进行个例试验, 对比分析不同集合预报方法的降水、集合离散度和集合扰动的异同。对全球集合预报和区域集合预报的预报效果进行评估, 以期能够更好地对华南前汛期降水过程进行预报。

2 模式设置与试验方法方案 2.1 资料

区域集合预报试验中的动力降尺度所使用到的全球集合预报场为美国国家环境预报中心全球集合预报系统所提供^[27], 其中包含一个控制性预报和20个扰动成员预报, 作为模式试验的背景场和侧边界场。时间分辨率为6小时, 水平格点数为360×181, 垂直层数为26层, 模式层顶为10 hPa。

为了对集合预报的降水预报效果进行检验, 本文采用中国地面逐时站点实况降水资料, 时间段为2019年5月15日08时-6月17日08时(北京时, 下同), 观测资料的站点分布如图 1所示。此外, 利用欧洲中期天气预报中心的第5代全球气候再分析资料ERA5(Fifth generation of ECMWF atmospheric reanalysis of the global climate)对集合预报高空风场、温度场和湿度场的预报效果进行检验。ERA5数据的水平分辨率为0.25°×0.25 °, 时间分辨率为1小时, 垂直层数为37层。

2.2 模式设置与试验方案

本文区域集合预报试验采用WRF V4.0数值模式预报系统, 模式试验区域如图 1所示, 水平分辨率为9 km, 水平格点数为178×129, 垂直层数为43层, 模式层顶为50 hPa, 预报时效为48小时, 时间分辨率为1小时。

为了深入探讨针对华南地区的三种集合方案及其预报效果, 本文分别进行了批量试验和个例试验分析。其中, 批量试验时段为2019年5月15日-6月15日共32天的华南前汛期, 其中6月6-13日, 江南、华南北部等地出现持续性强降水天气过程。6月11-13日都有明显的降水过程, 12日08时-13日08时广西东北部和西部、广东中东部等地发生暴雨或大暴雨, 广西柳州、来宾和贺州、广东广州等局地200~240 mm, 广东江门局地特大暴雨(276 mm)。本文基于2019年6月11日08时-13日08时的强降水过程展开华南前汛期个例试验研究。

本文为了充分对比全球集合预报场(GEFS)与通过全球集合预报场以动力降尺度方法获得的区域集合预报场(REFS)的预报效果, 同时考虑不同物理参数化方案组合对区域集合预报效果的影响, 设计如下两组试验。

试验1(REFS_MULTI):以全球集合预报系统的预报场作为模式的背景场和侧边界场, 以动力降尺度结合多物理参数化方案(表 1), 并进行21个成员的不同参数化方案组合(表 2)获得区域集合预报场。

试验2(REFS_SINGLE):以全球集合预报系统的预报场作为模式的背景场和侧边界场, 以动力降尺度方法获得区域集合预报场。本试验采用单一参数化方案设计(表 2中编号为00的成员)获得区域集合预报场。

2.3 检验方法

为了对比分析三种集合预报方法对华南前汛期降水过程的预报效果, 本文进行了确定性预报和集合预报检验。确定性预报检验主要通过对比分析集合平均预报和控制性预报, 并使用TS评分方法对降水进行评估。由于集合预报性能受多方面因素的影响, 主要包含初始扰动对预报误差结构描述的合理性、模式性能和模式物理过程对大气不确定性的模拟能力等, 因此衡量集合预报性能需要对集合离散度、预报可辨识度等多方面的检验, 文中主要对集合扰动和集合离散度与预报误差的关系、ROC曲线和Talagrand分布等方面进行检验。此外, 针对批量试验, 对不同方案之间的评分差异进行显著性检验。

2.3.1 TS评分

为了对比分析不同试验对华南前汛期降水过程的预报效果, 本文使用降水TS评分进行评估分析。由表 3所示, a、b、c、d分别为报对(发生)、漏报、空报和报对(未发生)的站点次数, TS评分值在0~1之间, 反应对降水有效预报的准确程度, 数值越大, 准确程度越高。公式如下:

$\mathrm{TS}=\frac{a}{a+b+c}$

(1)

2.3.2 集合扰动与预报误差

集合预报方法是有一组不相关的随机扰动产生初始扰动成员, 经过扰动随时间的发展, 给出未来大气状态的概率密度分布。Toth等^[28]指出增长型的初始扰动叠加到初始时刻分析场和未叠加初始扰动的分析场在随着预报时长的增加, 两者产生的预报场会逐渐发生偏离, 前者更接近大气的真实状态。因此, 在各种随机初始扰动中, 增长型初始扰动可以更好地描述初始分析场的不确定性。而扰动振幅和预报误差的增长是否保持一致可以用来衡量一个集合预报系统能力的重要标准, 即集合预报系统在每个时次每个格点上的扰动振幅与预报误差之间的差异尽可能地小, 也称为集合扰动的准确性^[29]。

本文采用干空气扰动总能量(DET)^[30-31]来对三组方案的扰动特征进行描述, 定义某个格点的扰动总能量为:

$\mathrm{DTE}=\frac{1}{2}\left[u^{\prime 2}(i, j, k)+v^{\prime 2}(i, j, k)\right]+\frac{C_{p}}{T_{r}} T^{\prime 2}(i, j, k)$

(2)

式(2)中, u'、v'和T'分别表示水平风场和温度的扰动, 扰动值定义为集合成员预报和集合平均之差, T_r为参考温度(取值为270 K), C_P为干空气定压比热(取值为1 005.7 K/kg), i、j分别代表水平东西向和南北向的格点数, k为垂直层数。

2.3.3 集合离散度与预报误差

集合预报的作用不仅在于改进单一预报本身的准确性, 更多是针对某一特定的预报系统来实时定量模拟该系统对任意气象要素随时间和空间以及天气系统而变化的可能预报误差的分布^[32]。一个较好的集合预报, 其成员应该尽可能地表现出未来大气可能的真实状态, 离散度表征集合成员与集合平均的距离之和。同时, 集合扰动和预报误差的增长率分布可以用离散度来衡量, 较大的扰动振幅表示着较大的离散度。一般来说, 离散度太小, 容易出现系统性偏高或者偏低; 离散度太大, 会导致预报误差偏大, 预报可信度较低。一个集合预报系统的可靠性可以用集合离散度在整个预报时段内与集合平均预报误差是否相等或者相近来衡量^[33]。离散度公式如下:

$S_{i, t}=\sqrt{\frac{1}{N} \sum\limits_{n=1}^{N}\left(f_{i, t}^{n}-\overline{f_{i, t}}\right)^{2}}$

(3)

式中f_{i, t}ⁿ为第i个站点、第t个时间点和第n个集合成员预报, $\overline{f_{i, t}}$为集合平均预报, N为集合成员数。

预报误差公式如下:

$E_{i, t}=\sqrt{\frac{1}{M} \sum\limits_{i=1}^{M}\left(\overline{f_{i, t}}-\mathrm{obs}_{i, t}\right)^{2}}$

(4)

式中obs_{i, t}第i个站点、第t个时次的实况, M为站点数。

2.3.4 ROC检验

基于信号探测理论, ROC(the Relative Operating Characteristic)曲线针对某一站点或格点, 通过实况和预报判断一个事件是否发生的二分类检验方法, 其中以降水量达到大雨级别以上为事件的发生。ROC曲线可用来衡量集合预报对未来不同天气事件的区分能力, 即预报的可辨识度。根据表 2可以得出预报的命中率H和假警报率F。公式如下:

$H=\frac{a}{a+c} ; \quad F=\frac{b}{b+d}$

(5)

ROC曲线将不同概率分类所对应的命中率和假警报率结合在一起, AUC值为ROC曲线下方的面积, 取值范围为0.5~1.0。曲线越靠近左上角, AUC值越接近1, 系统对事件的预报技巧就越好, 可辨识度越高; 曲线越接近对角线, AUC值越接近0.5, 则预报技巧越差, 可辨识度越低^[34]。

2.3.5 Talagrand分布检验

Talagrand^[35]分布通过检验集合离散度在何种程度上体现观测值的不确定性, 即集合成员和观测之间的一致性, 也可以评估集合离散度和系统偏差的特征。在理想的集合预报中, Talagrand分布应该是趋于平直。"U"型分布表明实况主要分布在集合预报区间之外, 系统离散度过小; "A"型分布表明实况主要分布在集合预报的中间区域, 系统发散过高; "L"型分布表明实况主要分布在集合预报小值区, 系统有预报过量的偏差特性, "J"型分布表明实况主要分布在集合预报大值区, 系统有预报不足的偏差特性。

在理想状况下, 观测值会与集合成员近似相同的概率发生, 观测值也必当落在某个区间(N+1)上, 当检验样本数M达到一定程度时, 便可以检验观测值在每个区间发生的频数S_i, 则某个区间发生的频率为P_i:

$P_{i}=\frac{S_{i}}{M}$

(6)

概率均方根误差Q反映了每个预报等级实际发生的频率和理想频率之间的差距, P是每个成员间每一等级所发生的平均频率。当Q值越小, Talagrand分布越接近完美, 离散度分布越合理。

$Q=\left[\frac{1}{N+1} \sum\limits_{i=1}^{N+1}\left(\bar{P}-P_{i}\right)^{2}\right]^{\frac{1}{2}}$

(7)

2.3.6 显著性检验

为了评估区域集合预报方案相对于全球集合预报方案的TS和AUC值的改进显著性, 本文基于32天的批量试验进行统计显著性检验(t检验)。不同方案的降水TS和AUC评估值的统计显著性检验依照如下公式:

$t=\frac{\bar{x}-\bar{y}}{\sqrt{\frac{\left(n_{1}-1\right) s_{1}^{2}+\left(n_{2}-1\right) s_{2}^{2}}{n_{1}+n_{2}-2}} \sqrt{\frac{1}{n_{1}}+\frac{1}{n_{2}}}}$

(8)

其中t为统计量, x为REFS评估值的均值, y为GEFS评估值的均值, s₁和n₁为REFS评估值的标准差和样本数, s₂和n₂为GEFS评估值的标准差和样本数, t遵循自由度为n₁+n₂-2的t分布。

3 批量试验分析

为了定量分析三组集合预报方案对华南前汛期暴雨的预报效果, 避免单一个例试验结果可能存在的偶然性, 本文对三种集合方案的批量试验进行TS评分检验和集合统计检验的对比分析。

3.1 TS评分

针对三组集合预报方案集合平均24小时累积降水TS评分。由于24小时累积降水在50 mm以上的样本数较少, 导致对降水的代表性不足, 因此批量试验的TS评分检验主要针对小雨、中雨和大雨。如图 2所示, 在三组集合方案小雨量级别的降水TS评分中(图 2a), REFS_MULTI有24天好于GEFS, REFS_SINGLE有20天好于GEFS, REFS_MULTI有18天好于REFS_SINGLE。对于中雨量级别的降水TS评分(图 2b), 有8天三组方案的降水TS评分都为0, REFS的降水TS评分明显好于GEFS, 有12天REFS_MULTI好于REFS_SINGLE。而大雨量级别的降水(图 2c), 仅有14天三组集合方案的TS评分是大于0, REFS的TS降水评分好于GEFS, 有8天REFS_MULTI好于REFS_SINGLE, 且REFS试验与GEFS试验的TS评分差异通过了0.05的显著性检验, 表明从统计意义上, REFS试验在降水TS评分上有显著的改进作用。

同时对32天的TS值求平均, 从表 4中也可以直观看出REFS_MULTI的降水评分值最大, 其次是REFS_SINGL, GEFS最小。综上所述, 针对华南地区的三种集合预报降水模拟试验中, 降水级别越大, REFS的TS评分效果就越好于GEFS, REFS_MULTI略微好于REFS_SINGLE。

3.2 ROC检验

图 3为不同集合预报方案在预报时效为24~48 h的24 h累积降水AUC柱状图。在32天的预报中, REFS的AUC值都比GEFS的AUC值高, 有24天的预报是REFS_MULTI的AUC值高于REFS_SINFLE, 其中REFS试验与GEFS试验的AUC值差异通过了0.05的显著性检验。且32天的AUC平均值:REFS_MULTI为0.746 5, REFS_SINGLE为0.736 8, GEFS为0.636 2。综上所述, REFS的预报技巧好于GEFS, REFS_MULTI的预报技巧好于REFS_SINGLE。

3.3 离散度与预报误差检验

为了更直观地展示出2019年5月15日-6月15日的32天预报中不同变量第48小时预报的集合离散度和预报误差的变化情况, 这里采用集合离散度与预报误差比率来体现集合预报的可靠性, 比率越接近于1表明离散度与预报误差的一致性越好, 系统的可靠性也越好。从图 4可以看出, REFS不同变量的集合离散度与预报误差的比率明显更接近于1。其中U风(图 4a)和V风(图 4b)有较好的体现。其中REFS_MULTI比REFSS_SINGLE更接近于1的天数, U风有28天, V风有27天, 降水(图 4c)有14天。综上所述, REFS的集合离散度与预报误差的一致性好于GEFS; 风场是REFS_MULTI好于REFS_SINGLE, 降水是REFS_SINGLE略微好于REFS_MULTI。

4 个例试验结果

从批量试验中可以看出, 针对华南前汛期降水的区域模拟, REFS好于GEFS, REFS_MULTI略微好于REFS_SINGLE。为了进一步分析三种集合方案的预报效果, 本文挑选了2019年6月11-13日的华南降水过程进行个例试验。

4.1 降水预报 4.1.1 降水空间分布

图 5为三组集合方案控制性预报及其实况的24小时累积降水空间分布图。从实况看出, 12-13日降水主要分布在广东北部和广西湖南交界地区, 强降水中心主要位于广东河源、江门和广西贺州, 最大累计降水量可达150 mm(图 5d)。与实况相比, REFS_MULTI的24小时累积降水(图 5a)和REFS_SINGLE(图 5b)整体上与实况较为接近, 均能模拟出广东北部的大值中心位置, 但预报的降水量级偏大, 最大达到了250 mm。REFS对广西贺州和广东江门的降水中心位置及强度的模拟效果相对一般, 与实况相比, 模拟的降水中心位置偏西南, 降水量达到了200 mm。而GEFS(图 5c)模拟的降水时空分布与实况相差较大。

4.1.2 降水TS评分

图 6为控制性预报在预报时段为24~48 h的24 h累计降水量TS评分图。降水量在50 mm以下级别的三组方案的TS评分相差较小; 降水量在50 mm以上, 降水量级别越大, REFS的TS评分越好于GEFS, 且REFS_MULTI好于REFS_SINGLE; 当降水量在100 mm以上时, REFS_SINGLE好于REFS_MULTI。此结论与批量实验的TS降水评分结果保持一致。

4.2 集合离散度 4.2.1 离散度特征

图 7为2019年6月11日08时起报的24~48 h降水集合平均和降水离散度。三组集合平均预报和控制性预报的降水落区和雨带走向基本一致。REFS的集合平均预报对降水中心的模拟效果更好, 降水中心雨量与实况(图 5d)一致, 达到了150 mm。对于GEFS(图 7c)而言, 集合平均预报对控制性预报的改善作用不明显。

总体上, 降水的集合平均预报对控制性预报有较好的改善, 由于集合预报考虑了不同初值、不同物理和模式动力框架, 使得集合离散度较大, 成员之间的系统性偏差不一致, 导致控制性预报的效果并不理想, 而集合平均预报可以使各个成员之间的偏差相互抵消, 从而过滤掉可预报性较低的预报信息, 提高控制性预报的准确性。

4.2.2 集合离散度与预报误差

图 8为三组集合方案24~48 h实况降水减去集合平均降水的差值, 即降水的集合平均预报误差。与图 7的降水离散度进行对比分析可以看出, REFS_MULTI和REFS_SINGLE对广东北部的降水中心的模拟均存在较大的预报负偏差和较大离散度值, 最大离散度值达到了50以上。其中, 广西贺州的预报误差为正偏差, 说明模式对降水的预报偏弱, 其对应的离散度值达40以上。而广东江门有明显的模式预报正偏差, 而离散度值较小。

整体上, 集合离散度和预报误差有较好的对应关系, 在一定程度上说明离散度可以代表模式的预报技巧, REFS均具有一定的可靠性。GEFS模拟的三个降水中心, 预报误差都为正偏差, 说明模式对降水的预报系统性偏弱。而GEFS集合离散度(都小于10)与预报误差没有很好的对应关系, 说明针对华南降水的区域模拟, GEFS全球集合预报方案的可靠性较差。

此外, 集合离散度和集合均方根误差(RMSE)是否相当也是衡量一个集合预报系统的可靠性的标准之一。图 9给出了预报时效为48 h的逐6 h累计降水集合离散度和RMSE的时间序列图。从图中可看出, REFS好于GEFS。GEFS在整个预报时段内的均方根误差都比离散度大, 且预报30 h后的RMSE和离散度相差较大。REFS的0~24 h均方根误差和离散度的一致性较差, 而在24~48 h的RMSE和离散度的随时间变化基本保持一致。

4.3 扰动特征 4.3.1 扰动发展特征

图 10为三组方案在500 hPa下不同预报时效的扰动能量分布图, 起报时间是2019年6月11日08时。由图可见, 预报24小时后, REFS的扰动能量均在广西、贵州和湖南交界地区发展, REFS_MULTI的扰动能量发展较快, 量级达到20 J/kg。而GEFS的扰动能量级别虽然同样达到12 J/kg, 但其大值区仍然停留在广东福建交界的沿海地区, 与降水的发展并不一致。预报48 h后, GEFS的最大扰动能量基本不变, 而REFS_SINGLE扰动发展较快, 大值区主要分布在广西北部和广东中东部地区。其中, 广西北部达到了56 J/kg, 广东珠三角和粤东地区达到了76 J/kg。REFS_MULTI扰动能量的空间分布与REFS_SINGLE基本一致, 但量级偏小, 为56 J/kg。由此说明, REFS的初始扰动时一个增长型扰动, GEFS的扰动能量发展较弱。

4.3.2 扰动与预报误差

本文用集合平均扰动和集合平均预报误差的相关性来衡量集合扰动的准确性, 图 11为在500 hPa高度下的U风和V风集合平均扰动和集合平均预报误差的散点图。从图中可以看出, 三组方案的散点主要分布在对角线以上, 表明集合系统的预报误差较大而扰动较小, 集合扰动明显低估了预报误差的增长。而REFS方案的散点相比GEFS在对角线分布更加均匀, 即REFS的集合平均预报误差和集合扰动的相关性比GEFS好。

4.4 集合检验 4.4.1 Talagrand分布

图 12分别给出了三组方案预报0 h、12 h、24 h、36 h和48 h的500 hPa U分量风Talagrand分布。从图 12中可以看出, REFS预报效果好于GEFS。REFS的Talagrand分布较趋于平直, 而GEFS呈"U"型分布, 系统的离散度较小。对比五个预报时刻可以看出, GEFS呈现出"J"型分布特征, 说明系统有预报过量的偏差特性。而REFS在00和12时刻, 呈现出"U"型分布状态; 在24时刻达到最好的分布状态; 在36和48时刻, 呈现出" J型分布, 说明随着预报时长的增加, 系统的离散度是有所增大的, 但在后期系统存在预报过量的偏差特性。

图 13的500 hPa的U分量风在不同预报时效的概率均方根误差分布表明, GEFS的Q值远大于REFS。说明GEFS在具有大尺度信息, 缺乏小尺度信息的情况下, 系统的离散度较差。相反, REFS是通过动力降尺度得到的区域集合预报, 从而获得小尺度信息, Q值都较小, 说明REFS的Talagrand分布好于GEFS。

4.4.2 ROC检验

图 14为预报24~48 h的24 h累计降水量ROC曲线图, 三组方案中, REFS_MULTI的AUC值最大, 说明预报技巧最好, 而GEFS的AUC值最小, 预报技巧最差。

5 总结与讨论 5.1 总结

本文以全球集合预报通过动力降尺度方法获得区域集合预报, 结合不同物理参数化方案设计三组集合预报方案。进行了32天的批量试验和个例试验。通过相关的统计检验方法对三组集合方案的集合平均、集合离散度和集合扰动进行分析。

(1) 对于降水的TS评分, 无论是批量试验还是个例试验, 三组集合方案都能够对小雨量级别的降水有较好的模拟, 但对于大于50 mm的降水, REFS好于GEFS, REFS_MULTI与REFS_SINGLE表现相当。在32天的批量试验中, GEFS的AUC值有28天大于REFS, REFS_MULTI有22天好于REFS_SINGLE。GEFS的Talagrand分布呈"U"型分布, 系统的离散度较小, REFS的Talagrand分布较趋于平直, REFS的系统可靠性好于GEFS。GEFS的500 hPa U风概率均方根误差Q值远大于REFS, 说明REFS的可信度高于GEFS。

(2) 集合平均预报能够使各个成员之间的预报偏差相互抵消, 过滤掉可预报性较低的预报信息, 提高了控制性预报的准确性。REFS的集合平均预报对降水中心的模拟效果更好, 降水中心雨量与实况一致。而GEFS集合平均预报对控制性预报的改善作用不明显。

(3) REFS_MULTI和REFS_SINGLE的预报误差在广东北部呈现负偏差, 在广西贺州呈现正偏差, 均对应有较大的集合离散度, 说明集合离散度与预报误差有较好的对应关系。GEFS离散度较小, 与模式预报误差的对应关系较差, 说明REFS的系统可靠性好于GEFS。

(4) 三组集合方案的初始扰动场是基本一致的, 但随着预报时效的增长, 通过动力降尺度得到的REFS的初始扰动呈增长型扰动, 预报48 h后的REFS-MULTI和REFS-SINGLE扰动量级分别达到56 J/kg和76 J/kg, 是GEFS扰动能量的4.7倍和6.3倍。

5.2 讨论

本文的试验结果表明, 针对华南前汛期降水过程, 通过动力降尺度获得的区域集合预报明显好于全球集合预报, 集合平均预报能够有效提高单一预报的预报质量。但区域集合预报的多物理参数化方案对预报效果的改进略微好于单物理参数化方案。在此次试验中, 前期预报的MULTI方案扰动增长更明显, 但在后期SINGLE方案扰动能量会更高, 表明在叠加物理扰动后会造成扰动能量的衰减。同样有研究指出在没有初始扰动和侧边界扰动的情况下, 物理扰动会使离散度更小, 而在有初始扰动和侧边界扰动下增加物理扰动会对近地面温度和相对湿度的离散度和预报技巧有正的效果, 而对降水有负的效果^[36]。当大尺度向上运动能力较弱时, 具有物理扰动的集合预报比具有初始扰动的集合预报更具有预报技巧; 当大尺度向上运动的能力较强时, 初始扰动的集合预报技巧会更好; 同时指出初始扰动的集合预报在叠加物理扰动后前12 h的预报方差能够得到有效的提高, 在预报24 h以后预报方差开始减小^[37]。本文在叠加物理扰动导致扰动能量的衰减, 可能是由于物理扰动对全球集合预报场的大尺度信息不够敏感, 今后仍需进一步分析叠加物理扰动方案后, 对初始扰动进行尺度分解, 分析在不同尺度下扰动的传播情况; 特别是针对华南前汛期, 围绕如何去更好获得中小尺度天气系统的不确定信息去改善对华南前汛期的预报效果。