热带气象学报  2021, Vol. 37 Issue (2): 154-165  DOI: 10.16032/j.issn.1004-4965.2021.015
0

引用本文  

汪瑛, 胡胜, 涂静, 等. 2016-2020年广东省定量降水预报检验评估[J]. 热带气象学报, 2021, 37(2): 154-165.  DOI: 10.16032/j.issn.1004-4965.2021.015.
WANG Ying, HU Sheng, TU Jing, et al. Verification and evaluation of quantitative precipitation forecast for guangdong province during 2016-2020[J]. JOURNAL OF TROPICAL METEOROLOGY, 2021, 37(2): 154-165.  DOI: 10.16032/j.issn.1004-4965.2021.015.

基金项目

广东省科技计划项目(2019B020208016、2018B020207012);广东省气象局科技项目(GRMC2018Z05);广东省气象局智能网格预报技术创新团队(GRMCTD202004)共同资助

通讯作者

胡胜,男,湖北省人,研究员级高级工程师,从事短临预报技术、格点预报技术研究。Email: sheng_hu@gd121.cn

文章历史

收稿日期:2020-12-11
修订日期:2021-02-18
2016-2020年广东省定量降水预报检验评估
汪瑛 1, 胡胜 2, 涂静 1, 曾沁 3, 张红艳 1, 黄晓莹 1, 龚月婷 1, 张华龙 1     
1. 广东省气象台,广东 广州 510641;
2. 中国气象局广州热带海洋气象研究所,广东 广州 510641;
3. 国家气象信息中心,北京 100081
摘要:对2016-2020年全球模式ECMWF和区域模式GZ_GRAPES、基于模式的解释应用和广东省气象局发布的定量降水预报(QPF)进行检验和评估。结果表明:ECMWF和GZ_GRAPES模式对一般性降水预报技巧在逐年提升,对大雨或以上的降水预报技巧的提升缓慢。GZ_GRAPES对大雨以上降水的预报技巧和定量降水预报的精细时空分布均优于ECMWF,区域模式更易预报出中小尺度降水信息。分类暴雨评定表明,模式对台风暴雨预报最好、锋面暴雨次之、季风暴雨预报最差。模式的暴雨预报落区偏小、低估明显,预报员通过经验订正明显提升了暴雨预报评分,其中季风暴雨的订正量最大,但存在预报范围偏大、空报较高的问题。基于ECMWF集合预报的解释应用与预报员的定量降水预报能力相当,降水越强,解释应用技术的优势越明显,但对季风暴雨也存在严重低估或漏报。目前降水精细时空分布、季风暴雨、极端性暴雨等依然靠预报员的经验订正为主,随着集合预报模式和区域高分辨率模式能力的提升,将预报经验客观化并与数值预报解释应用技术结合是提升QPF的一个方向。
关键词定量降水预报    暴雨    模式解释应用    检验和评估    预报员作用    
VERIFICATION AND EVALUATION OF QUANTITATIVE PRECIPITATION FORECAST FOR GUANGDONG PROVINCE DURING 2016-2020
WANG Ying 1, HU Sheng 2, TU Jing 1, ZENG Qin 3, ZHANG Hong-yan 1, HUANG Xiao-ying 1, GONG Yue-ting 1, ZHANG Hua-long 1     
1. Guangdong Meteorological Observatory, Guangzhou 510641, China;
2. Guangzhou Institute of Tropical and Marine Meteorology, Guangzhou 510641, China;
3. National Meteorological Information Centre, Beijing 100080, China
Abstract: The present study examines and evaluates the 2016-2020 global model ECMWF and regional model GZ_GRAPES, model-based interpretation and application, and quantitative precipitation forecasts (QPF) issued by forecasters from the Guangdong Meteorological Service. The results show that the forecast skill of QPF (< 25mm) by the ECMWF and GZ_GRAPES increases year by year and the skill of QPF (≥25mm) varies from year to year. The GZ_GRAPES forecast skill for precipitation stronger than heavy rain and the fine temporal and spatial distribution of QPF are better than those of the ECMWF, and it is easier for the regional model to forecast small and medium-scale precipitation. Classified rainstorm evaluation shows that the models have the best forecast for typhoon rain, followed by frontal rainstorm and monsoon rain. The models'rainstorm forecast underestimates the rainfall area, and the underestimation is obvious. Forecasters have significantly improved the rainstorm forecast score through empirical corrections. Among them, the amount of correction for monsoon rain is the largest, but there are problems of a large forecast range and high false alarms. The interpretation and application based on the ECMWF ensemble forecast is equivalent to the QPF ability of forecasters. The stronger the precipitation, the more obvious the advantages of model interpretation and application, but there is also serious underestimation or underreporting of the monsoon rain. At present, the precise temporal and spatial distribution of precipitation, monsoon rains and extreme rainstorms still rely mainly on the empirical correction of forecasters. With the improvement of the capabilities of ensemble forecasting models and regional high-resolution models, forecasts will become more objective, which, combined with numerical forecasting techniques, can help improve QPF.
Key words: quantitative precipitation forecast    heavy rain    model-based interpretation and application    verification and evaluation    the role of forecasters    
1 引言

定量降水预报(Quantitative Precipitation Forecast,QPF)由于影响其时间和空间分布的变量太多,被认为是天气预报领域最困难的挑战之一,其预报技巧提升也相对缓慢。因此,2015年之前的几十年内我国降水业务预报以文字预报为主。近年来随着数值模式空间分辨率的提升、数据同化能力改善、数值计算方法和次网格物理过程参数化的完善,模式对于降水的预报技巧不断提高,如Forbes等[1]对ECMWF全球模式在2000-2015年的降水性能进行评估表明:模式降水的预报可用时效相当于提高了1天左右。2006年中国气象局自主研发了全球/区域业务模式GRAPES,基于此框架,广东省气象局结合区域特点建立了更高分辨率的华南区域数值天气预报业务模式(GZ_GRAPES)。模式时空分辨率和预报能力提升,为高分辨率QPF业务提供了核心支撑,很多国家都建立了人机交互的格点天气预报业务,如美国2003年率先建立数字化天气预报业务,2008年澳大利亚和韩国开始了格点预报业务[2]。广东省气象局2014年起在国内率先建立了人机交互的网格天气预报业务,要素预报空间分辨率为5 km,时间分辨率为3天内逐小时,4~7天逐6小时。

网格预报产品检验评估是监控预报性能、理解模式误差以及改进预报的基础[3],WWRP / WGNE的检验工作组[4]形成了一套用于QPF的检验标准,为不同空间区域、不同强度的模式定量降水预报提供了对比的可能。Ian等[5]在2012年第二版预报检验书中,详细介绍模式定量降水预报技术检验方法。基于这些检验方法,国内外对模式定量降水预报开展的检验较多,如:Atger[6]比较了确定性模式和集合预报系统的降水检验;钟有亮等[7]对GRAPES区域集合预报系统的登陆台风降水进行了AROC检验,评定模式在不同降水量级的预报能力。Novak等[8]对美国国家环境预报中心(National Centers for Environmental Precipitation, NCEP)下属的天气预报中心(Weather Prediction Center, WPC)过去60年的预报员、模式预报、数值预报解释应用的定量降水预报进行了TS检验,发现QPF预报技巧总体提升,预报员对模式仍有正订正能力。王雨等[9]对2004年汛期的主客观预报进行了TS评分,对比多个业务模式和预报员的表现,评估不同模式在暴雨过程中的表现。毕宝贵等[3]、金荣花等[10]认为检验是精细化网格定量预报中的重要环节,国家气象中心也建立国家级业务化的检验系统对预报开展实时检验[11]。由于检验数据完整性不够、检验方法统一性等方面原因,国内开展长时间、全面的QPF检验评估较少,对预报质量的对比分析不够完整,对分类致灾性暴雨在时间和空间方面的预报能力的分析还比较欠缺。

随着模式时空分辨率提高和预报能力的提升,预报员对模式订正的附加值在下降[3],传统预报的落区和过程预报思维与现在格点、定量、逐时预报的技术要求已经无法匹配。为了支撑定时、定点和定量的要求,基于模式的解释应用技术快速发展,国家气象中心开展了多种基于模式的定量降水预报的解释应用技术[12-13],其中基于集合预报的降水解释应用技术产品TS评分略超过预报员。吴启树等[14]设计的基于评分最优化的模式降水预报订正算法在2015年全国暴雨TS评分平均达到0.194。美国天气局将业务中可获取到的不同集合预报、确定性预报进行超级集合,两年检验表明预报能力与预报员相当或略优[8]。广东省气象局对模式的解释应用技术进行了单模式释用、多模式集成、集合预报释用,但解释应用技术对QPF业务的支撑缺乏系统检验和评价。

本文对2016-2020年全球模式ECMWF、区域模式GZ_GRAPES、基于ECMWF集合预报的解释应用、预报员制作的业务QPF开展检验分析,评估现代化格点预报业务中定量降水预报的价值和进展,分析目前网格化定量降水预报精细预报能力,研究主客观预报对台风暴雨、季风暴雨、锋面暴雨的预报误差原因,并对数值预报解释应用的能力进行检验评估。通过主客观预报检验,分析预报员基于现有定量降水预报指导场的订正作用,讨论在现代天气预报业务流程中,预报员的作用和未来发展方向。

2 资料和检验方法 2.1 资料说明

参与检验的预报产品包括广东省气象局(GRMC)业务化的智能网格定量降水预报、全球模式ECWMF和区域模式GZ_GRAPES、基于确定性模式和ECWMF集合预报模式的解释应用,检验的预报时效为1~3天(DAY1, DAY2, DAY3),表 1列出了检验对象及其时空分辨率。本文评定每日20时起报的预报,业务预报时间节点为当日15时前后,预报员获取的模式参考场大部分是前一日20时起报的24~48 h预报。因此,本文DAY1的预报员主观预报为20时起报的24 h预报,模式客观预报为前一天20时起报的24~48 h预报。DAY2和DAY3依此类推。定量降水预报产品时间为2016-2020年,数值模式解释应用产品检验时间为2019和2020年。参与检验的实况资料为2016 -2020年广东省内2 500~3 000个自动站,利用格点预报和最近自动站的单点匹配方式开展检验。

表 1 参与检验的预报产品说明表
2.2 检验方法

本文评定晴雨准确率(PC)、暴雨TS [5],这些方法由于开展时间较长、应用广泛,有利于评估预报能力的时间变化、不同预报场之间的对比。

$ \begin{array}{l} {\rm{PC = }}\frac{{\sum\nolimits_{i = 1}^n {({A_i} + {D_i})} }}{{\sum\limits_{i = 1}^n {({A_i} + {B_i} + {C_i} + {D_i})} }} \times 100\% ,\\ \;\;\;\;\;\;\;{\rm{TS}} = \frac{{\sum\nolimits_{i = 1}^n {{A_i}} }}{{\sum\limits_{i = 1}^n {({A_i} + {B_i} + {C_i})} }}, \end{array} $

其中Ai代表预报正确站(次)数,Bi为空报站(次)数、Ci为漏报站(次)数,Di为无降水预报正确的站(次)数。

3 全球模式和区域模式的QPF检验评估

通过2016-2020年全球模式ECMWF和区域模式GZ_GRAPRES两个业务参考模式的DAY1-DAY3的晴雨预报准确率和QPF的分级TS检验,分析预报能力进展、区域模式和全球模式的应用价值。从图 1的晴雨检验来看,两个模式的晴雨预报评分都在稳定提升,2016-2020年GZ_GRAPES均优于ECMWF,2016年区域模式GZ_GRAPES准确率为69%,2020年提升到77.4%。DAY2和DAY3的晴雨预报准确率逐年变化与DAY1一致,均为稳定提升,GZ_GRAPES技巧优于ECMWF。随着预报时效的延长,准确率略有下降,2020年GZ_GRAPES的DAY3晴雨准确率为73.4%,已经达到2019年DAY1(73.8%)的水平,模式在晴雨预报技巧上提升较快。

图 1 2016-2020年晴雨预报准确率和暴雨TS(20时起报)

对分级累积降水进行检验,考察模式在不同降水量级的预报能力。过去五年,小雨(0.1~9.9 mm/d)、中雨以上(≥10 mm/d)的TS整体表现出上升的趋势,大雨以上(≥25 mm /d)、暴雨以上(≥50 mm/d)、大暴雨以上(≥100 mm/d)TS在年度间有高低变化。以暴雨(≥50 mm/d)为例(图 1,见下页),年和年之间的TS虽有波动但都较低,ECMWF的值在0.085~0.147之间,GZ_GRAPES的值在0.098~0.144之间,总体来说两者对DAY1-DAY3的24 h累积降水预报能力相当。以上检验表明,过去5年模式对强降水的预报能力没有反映出整体提升,但Ebert等[1]指出,在短时间内(4~5年)模式的升级并不能促使模式QPF能力的快速提高,模式的暴雨预报技巧提升是一个长期的过程,需要更长时间的检验评估才能追踪模式对QPF预报能力的进展。

对比两个模式的12小时、3小时的QPF检验,评估更高分辨率模式对中小尺度降水的预报能力。检验发现,GZ_GRAPES和ECMWF在降水量<25 mm/(12 h)的QPF预报上,技巧相当,但是降水量≥25 mm/(12 h)以上的QPF,GZ_GRAPES明显高于ECMWF(表 2,见下页),降水越强,优势越明显。3 h的QPF检验也反映出降水越强,区域模式更优的特点,说明模式分辨率更高模式更易预报出中小尺度降水的信息,但是降水量达到50 mm/(3 h)或以上的TS得分已非常低,区域模式对QPF的精细时空预报能力还较低。

表 2 模式12小时QPF和3小时QPF的分级TS
4 预报员的QPF检验和评估 4.1 定量降水预报技术简介

目前广东省气象局业务化的定量降水预报技术流程包括5个环节(图 2)。第一步是全球模式、区域模式等业务模式提供的客观QPF,这是定量降水预报最核心和最重要的数据支撑。第二步是基于实时检验数值模式QPF场,利用统计方法对业务模式进行后处理和订正,消除模式的系统性误差,得出准确率更高的客观QPF。第三步是基于预报员的天气学概念模型、预报经验、检验结果,对客观QPF进行主观订正。第四步是通过智能工具箱,实现高时空分辨率的降尺度、地形订正客观检验结果,也实现了对客观方法和预报员主等精细订正功能,得到业务应用的主客观融合观订正的信息反馈。QPF。第五步开展全流程预报检验评估,既得到客观检验结果,也实现了对客观方法和预报员主观订正的信息反馈。

图 2 广东省网格定量降水预报业务流程

广东气象局开展的降水释用技术主要包括多模式集成、基于EC集合预报定量降水释用技术。多模式集成释用算法集成了EC细网格确定性模式、GZ_GRAPES区域模式、国家气象中心GRAPES-MESO、NCEP确定性模式,通过实时检验优选形成降水格点预报融合场。集合预报降水释用方法是基于ECMWF集合预报模式系统,实现了一系列集合预报技术的串联,包括频率匹配法、最优百分位融合法、晴雨降水消空技术、一致性消空技术和分类型降水落区订正技术。与单一集合释用产品相比,经过融合串联的释用方法能较充分利用集合预报的各种不确定和极端信息,并对不同天气类型采取不同的融合方案,以提高QPF精准度和适用性。

本章节通过晴雨、暴雨、分类暴雨的检验,评估目前QPF的预报水平。

4.2 晴雨预报准确率

由2016-2020年预报员(GRMC)的晴雨预报准确率评分(图 1)变化可见,过去5年间预报员晴雨准确率随模式逐年提升而提升,都优于模式预报。DAY2和DAY3的准确率数值比DAY1稍低,例如2020年DAY1的晴雨预报准确率达到83.2%,DAY3也达到了79.6%,三天内晴雨预报准确率技巧都较高;DAY2和DAY3的晴雨准确率也呈现出逐年上升的趋势。对ECMWF、GZ_GRAPES以及预报员的晴雨命中、空报、漏报数量进行分析,发现晴雨准确率得分较高的主要技巧是减少空报数量,比如2020年,ECMWF和>GZ_GRAPES的命中次数分别是324 386和257 571站次,但是ECMWF的晴雨准确率低于GZ_GRAPES,ECMWF的晴雨准确率是70.2%、GZ_GRAPES的准确率是77.4%,GZ_GRAPES的空报数量少,仅为112 053站次,ECMWF的空报数量高达276 115站次。预报员基于模式空报较多的检验结果,进行消空订正,空报数量减少到72 310站次,2020年预报员的晴雨准确率达到83.2%。

4.3 暴雨精细时空预报能力 4.3.1 暴雨的三天预报能力评估

对未来三天暴雨和大暴雨的TS进行分析(图 3),考察业务暴雨能力随时间的进展、在未来三天内的预报能力。2016-2020年,DAY1的暴雨和大暴雨TS在年度间波动较大,没有表现出一致上升的趋势,与模式的分析结果一致;DAY2和DAY3的暴雨和大暴雨TS在年度间也有高低变化,但波动较小,DAY3的TS总体来说稳中有升,与DAY2的水平越来越接近,但距离DAY1的差距依然较大,说明预报员对暴雨预报技巧的提升主要反映在预报提前量增加上,这是模式对形势场预报能力的提升和预报员对QPF订正的双重结果;目前大暴雨的DAY1水平还达不到暴雨DAY3的水平,降水越强,预报难度越大、预报提前量越少,大暴雨预报能力依然较低。

图 3 2016-2020年主观预报未来3天暴雨(实线)和大暴雨TS(虚线)
4.3.2 暴雨精细时空预报能力检验和评估

图 4给出了2015-2019年基于广东86个国家站和基于广东2 500个左右稠密自动站的QPF_d(日定量降水)的检验结果(DAY1),QPF在基于广东86个国家站和稠密自动站的检验差距越来越小,例如,格点预报刚刚业务化的前3年(2015-2017年),国家站暴雨TS评分高于区域自动站,随着高分辨率模式的提升和应用,2018-2019年基于区域自动站的暴雨TS评分与基于国家站的TS评分缩小差距并略有反超,说明在日降水的精细空间预报能力提升。

图 4 2015-2019年国家站和区域站暴雨TS评分

通过对2015-2020年期间未来24小时内逐24小时、12小时、6小时、3小时和1小时的50 mm以上降水进行TS评分,对暴雨的空间和时间精细预报能力进行评估,分析目前预报难点,开展格点暴雨的定量降水预报应用价值评估。图 5给出了未来24小时预报时效中的各累积时段的TS评分,累计时间越短,TS越低,1小时的TS接近于零。2015-2020年的平均来看,对于50 mm以上降水,3小时TS约为0.004 3,6小时和12小时约为0.025和0.07,说明对于时间精细度3小时或者以内的50 mm强降水几乎没有预报能力

图 5 2015-2020年各预报时效的50 mm以上TS评分

对比强降水的预报频次和实况观测频次,分析暴雨精细时间预报能力低的原因。2018年和2019年,自动站数量约为3 000个,观测到50 mm/ h以上的站次分别有2 433站次、1 891站次;两年中格点预报命中次数仅为3次,空报共1 792次,漏报共4 321次,预报未来24小时中50 mm/h以上的降水概率较低,预报频次达不到观测站次的一半,因为空间或者时间的微小错位,造成接近0的命中率。

即使强降水精细时间预报能力水平还较低,但是逐小时晴雨预报准确率较高,平均约为80%;小于20 mm/h的降水预报TS达到了0.24,高于24小时暴雨TS的评分;气温的逐小时预报误差仅为1.46 ℃。可见格点预报对于一般天气、晴雨变化的逐时预报能够提供较好的预报效果,对于50 mm/h以上的极端强降水预报能力很低。

从上述分析可以看出,格点化定量降水预报在以小时为时间单位的预报难度最大,逐小时格点预报的TS评分,同时涉及到时间、空间、强度三个维度的检验,也就是业务中定时、定点、定量的要求,任何一方面稍有偏差就造成TS评分极低,反应不出预报价值。未来一段时间内,一方面需要研发更合适的检验方法,评估精细时空QPF的预报价值和误差来源;另一方面需要研发精细时空的QPF支撑技术,提升强降水的定时、定点、定量预报能力。

4.4 分类暴雨的检验评估

广东省的区域暴雨按照主要影响系统分为锋面暴雨、台风暴雨、季风暴雨。锋面暴雨定义为地面有锋面活动或地面较难分析出锋面但低层切变线存在明显的冷暖系统对峙,此时强降水出现在锋面或切变线附近;台风暴雨定义为受热带气旋影响的降水;季风暴雨定义为季风爆发后(季风爆发后到10月),排除热带系统影响,暴雨发生在距地面锋前200~300 km的暖区一侧,或者发生在偏南风汇合气流中。

4.4.1 分类暴雨的空漏报分析

不同天气类型暴雨,主客观的预报能力不同。依据天气类型的定义和经验预报员的主观判定,本文对广东的台风暴雨、锋面暴雨和季风暴雨过程进行分类评定,进一步分析主客观模式的对分类暴雨的预报能力。2017-2019年三年间共97天系统降水,实况监测到34 185站次的暴雨,其中台风暴雨日数34天、锋面暴雨日数35天、季风暴雨日数17天,其他暴雨日数11天。

表 3给出的是分类暴雨的空漏报率和TS评分。无论是全球模式(ECMWF)还是区域模式(GZ_GRAPES),台风暴雨预报TS最高,TS值在0.17~0.20之间;季风暴雨TS最低,TS值仅为0.05~0.08;模式对锋面暴雨的预报能力优于季风暴雨;其中GZ_GRAPES的台风和锋面暴雨预报优于ECMWF, 季风暴雨则是ECMWF略优于GZ_GRAPES。

表 3 2017-2019年分类暴雨的空漏报率(DAY1)

预报员对台风暴雨的预报能力最强,三年平均TS达到0.32(表 3),高于所有暴雨的三年平均值(0.18),也高于全球和区域模式预报;其次是季风暴雨,TS达到0.2;锋面暴雨的预报TS(0.16)最低。预报员基于两个模式指导场订正的预报,基本都是正改进,但在季风暴雨的改进量上最大、对锋面暴雨的改进量最小。

用预报的空报、漏报来分析误差来源。ECMWF模式和GZ_GRAPES区域模式对三类暴雨的漏报率明显高于空报率,说明模式对24小时暴雨落区预报具有偏小的特点。预报员发布的暴雨预报空报率高于漏报率,主观预报具有暴雨落区偏大的特点。从表 3可见,命中率最高的是台风暴雨,但空报率也接近了命中率,漏报率则较低,空报明显。锋面暴雨和季风暴雨命中率较低,还不到空报率和漏报率的一半,容易又空又漏。主客观的空漏报分析表明,预报员捕捉到模式漏报较多的特点,对模式预报暴雨具有正的订正能力,降低了漏报率,尤其是季风降水,预报员与模式相比大幅减少了漏报,使得TS评分提升了将近4倍。然而,预报员对模式补漏的能力还停留在天气尺度系统造成的落区预报水平,因此也造成了暴雨主观预报落区大、空报明显的特点。

表 3也给出了2019年基于EC集合预报的解释应用算法的暴雨TS,台风和锋面暴雨都略高于预报员,季风暴雨TS值仅为0.043,略低于模式、远低于预报员。对于系统性降水,客观释用方法优于确定性模式,接近预报员水平,但在季风降水方面,还是预报员订正作用更显著,说明对于模式本身无法预报的季风暴雨,模式后处理技术也无法捕捉到,目前只能靠预报员的经验订正为主。

4.4.2 分类暴雨预报误差的天气学原因分析

通过分类暴雨的天气形势分析预报偏差的天气学原因。模式对于锋面暴雨预报有空报和漏报,除了对量级预报不够准确外,低层切变线移动速度偏慢,导致降水落区预报较实况偏北,造成暴雨大面积空漏报。相对而言,GZ_GRAPES较ECMWF对雨带南压节奏的预报更为准确。空漏报统计发现,模式均表现为漏报多于空报,预报员则相反,空报站点远多于漏报站点,也体现了预报员在对降水落区预报把握不足时容易造成一定范围的空报。

台风暴雨准确率跟台风路径、台风本体降水、周边系统相关。对台风暴雨的检验开展空间对比发现,台风本体降水预报技巧较高,预报误差主要来源于台风边缘或者外围环流降水。例如,受2020年第7号台风“海高斯”影响,8月19-20日广东省肇庆、云浮、江门等市及珠江口两侧出现暴雨到大暴雨降水,两家模式对于台风本体影响的降水落区预报均较为准确,但对于台风外围环流影响的珠江口以东地区强降水预报能力偏弱,相对而言,GZ_GRAPES能预报出此次珠江口以东的大暴雨中心,而ECMWF则完全漏报,这也许和ECMWF模式分辨率相对较低,无法细致分析南风辐合程度有一定关系。预报员在模式基础上仍然减少了大量漏报,同样的,也造成了相对多的空报。

模式对季风暴雨的总体预报能力较弱。2020年6月6-9日季风暴雨过程,6-8日连续三天每天清晨。3时(除标明外为北京时,下同)前后,在广东中部沿海一带有对流开始发展并向内陆推进,小时雨量为30~60 mm,部分站点小时雨量超过80 mm,午后季风降水减弱,粤北的西风槽降水发展。从ECMWF和GZ_GRAPES在6月5日、6日、7日的20时起报的QPF分析,模式一次也没有预报出沿海一带的季风降水。对2016-2019年39个季风暴雨日回顾,发现模式几乎漏报或者严重低估了广东沿海的季风暴雨,而模式对形势场的预报和实况大体比较一致,主要辐合区偏北,例如2020年6月6日20时起报的8日08时的850 hPa形势场和观测对比ECMWF(图 6a)和GZ_GRAPES(图 6b)都比较准确地预报出了风向、风速和辐合区,其辐合区主要在粤北到江南一带,但从8日03-08时的雨量和实况的对比来看(图 6c6d),模式预报珠江三角洲地区降水为小雨,雨量为10 mm,但观测到了100 mm以上降水,两个模式都是严重低估。2020年6月5-9日的暴雨TS评分显示,ECMWF和GZ_GRAPES的暴雨TS分别为0.10和0.13,模式在粤北的暴雨命中率高,在沿海的季风暴雨区漏报,但预报员通过经验订正,暴雨TS达到了0.28。吴亚丽等[15]、蒙伟光等[16]分析发现在季风暴雨中,暖区暴雨大多形成于弱的大尺度强迫环境中,中小尺度扰动信息(如中小尺度地形、外流边界等)是暴雨中尺度对流系统发生更重要的强迫源[17-18],预报员也认为模式无法预报出低空急流在广东海陆一带地形抬升触发季风暴雨发生。降水触发后,降水降落地面过程中,由于蒸发冷却而引起的地面弱冷池的发展及其出流气流对新对流的触发有很大影响,这一过程可直接影响到降水的持续和暴雨的形成[15],虽然模式分辨率提升能让模式模拟出更合理的降水,但是结果仍然有不确定性[16],目前季风暴雨还依赖预报员的经验订正为主。

图 6 2020年6月8日08时ECMWF(a)和GZ_GRAPES(b)风场预报和实况对比以及8日03-08时ECMWF(c)和GZ_GRAPES(d)雨量预报和观测对比 a、b中红色风为观测,黑色风为模式;蓝色等值线为500 hPa位势高度;c、d中填色为观测;等值线为模式预报。
5 预报员基于指导场的订正能力分析

预报员的作用在国内外各时期都有热烈的讨论。Olson等[19]认为,人工预测精度缓慢而稳定的上升归因于数值模型精度缓慢而稳定的上升,Novak等[8]评估了50年间美国WPC、数值预报和数值预报解释应用的预报结果,表明预报员对降水预报的改进是基于模式预报能力的提升;毕宝贵等[3]指出,随着数值模式的发展和统计处理方法的深入应用,预报员在最优预报基础上添加附加值的空间越来越小。

对2016-2020年的DAY1-DAY3的主客观预报QPF的检验对比分析,讨论数值预报模式和预报员预报的能力。前面主客观的晴雨和暴雨检验的分析可以知道,预报员预报技巧随着模式预报能力的变化而变化,模式晴雨预报稳定提高,预报员的晴雨预报也稳定提高,而暴雨则是随着模式逐年波动也呈现逐年波动,但预报员的技巧都优于模式。DAY2和DAY3的暴雨,预报员基于模式改进更明显,从而延长了暴雨预报的可用时效。

利用2019年预报员相对指导场(模式及其解释应用产品)的订正量来进一步分析预报员在现代预报流程中的作用。预报员的预报检验评分值减去参考场评分值,再除以参考场得到改进量的百分比,改进量数值越大,预报员对于参考场的正订正作用越显著,负订正量说明预报员得分比参考场得分低,是负技巧。参考场包括基于确定性业务模式ECMWF和GZ_GRAPES,基于多业务模式的多模式集成算法、基于ECMWF集合预报的解释应用算法产品。图 7给出了2019年预报员基于参考场的订正量,表明预报员对于单一模式和多模式集成都有正订正,但基于集合预报的解释应用订正技巧较小。对DAY1的大暴雨和暴雨,改进量是负值,且降水越大,集合预报释用技术的优势更加明显[20];对DAY2和DAY3的暴雨,预报员基于EC集合预报解释应用的改进量为-4.2%和0.8%,对大暴雨改进量为-54.4%、-49.9%,从TS评分来说,基于集合预报释用的暴雨以上预报优于预报员预报,这与解释应用算法的设计是以提高TS评分来研发的也有关系。总体来说,在极端降水上,预报员在模式后处理方法上能够提供的附加值越来越有限,基于集合预报释用的客观QPF技术在可预期的时间内是提高QPF技巧方向。

以上检验发现,基于集合预报的解释应用技术优于多模式集成预报,多模式集成预报优于确定性模式预报,预报员与集合预报解释应用水平相当,对强降水甚至是负技巧,说明集合的预报成员反应出更多不确定性信息,未来格点定量预报技术应该朝着集合预报释用或者所有业务模式的集合释用发展。

图 7 2019年预报员对客观指导场的改进量(DAY1)
6 小结与讨论

本文通过降水的检验,对目前主客观预报能力、模式解释应用技术发展、预报员对指导场的订正能力和分类暴雨预报水平和原因进行了分析,主要结论如下。

(1)对ECMWF和GZ_GRAPES降水评估发现,模式对中雨及其以下(≤25 mm/d)的降水预报技巧在逐年提升,大雨以上的降水预报在年度间有明显波动,模式对暴雨预报的提升缓慢;从ECMWF和GZ_GRAPES对比发现,对于24小时累积QPF,区域模式预报技巧略高于全球模式,但是区域模式对12小时和3小时的强降水预报优势明显,说明区域模式在中小尺度的降水预报,尤其是强降水预报明显优于全球模式,提供了更精细的QPF指导场。

(2)业务QPF质量是随着模式预报能力提升而提升的,预报员在各量级的降水预报都优于业务确定性模式,5年间模式对DAY3的暴雨预报能力有所提升,暴雨预报可用时效延长,但是对于大暴雨的预报能力很低。因为模式对强降水精细时间预报能力很弱,目前业务中强降水时间分布产品应用价值较低。

(3)分类暴雨评定表明,无论是模式还是预报员,台风暴雨预报评分最高、季风暴雨的预报难度最大。台风本体降水预报技巧高,锋面系统因锋面雨区移动速度难以精确预报,造成暴雨有空报和漏报;模式及其解释应用技术都漏报或者严重低估季风暴雨,预报员对模式季风暴雨的补漏明显提高了季风暴雨能力。

(4)模式在预报业务环节中处于技术核心地位,预报员基于业务确定性模式和多模式集成算法都有明显的正订正量,尤其是在台风暴雨和季风暴雨的预报中预报员正订正技巧很高,预报员的作用依然无法被模式和客观算法取代。

(5)集合预报给出了更多预报可能性,基于集合预报的解释应用技术通过统计和检验,给出了更多参考信息,检验显示基于其QPF与预报员能力相当,在不久的将来,集合预报释用或者所有业务模式的超级集合释用发展,是格点定量预报技术的发展方向。但是在季风暴雨预报方面,由于目前数值模式往往难以预报其发生,集合预报及解释应用产品的预报评分也很低,依然需要预报员的经验订正提升QPF的准确率。

需要说明的是,降雨通常是在多种尺度的天气系统相互作用下产生的,TS检验给出定点的检验结果,难以评价模式全面的价值,仅能提供一个方面的参考。另外,不同模式和主观预报的格点分辨率不同,格点预报和实况站点的匹配距离不一致,不同QPF间的对比误差信息来源不同,也难以确保检验结果的客观性,需加强对模式检验方法的挖掘,更客观评价模式的预报价值和探寻误差信息来源。

致谢: 感谢广东省生态气象中心的吴乃庚研究员,广东省气象台的罗聪、陈炳洪高级工程师等人在多模式集成算法、集合预报算法提供的预报结果。
参考文献
[1]
FORbES R M, HAIDEN T, MAGNUSSON L. Improvements in IFS forecasts of heavy preicipitation[J]. ECMWF Newsletter, 2015, 144: 21-26.
[2]
曾沁, 胡胜. 网格数字天气预报之广东实践[M]. 北京: 气象出版社, 2019.
[3]
毕宝贵, 代刊, 王毅, 等. 定量降水预报技术进展[J]. 应用气象学报, 2016, 27(5): 534-549.
[4]
WWRP / WGNE JOINT Working Group on Verification. Recommendations for the verification and intercomparison of QPFs from operational NWP models[R]. 2004.
[5]
IAN T J, DAVID B S. Forecast verification: A practitioner's guide in atmospheric science (second edition)[M]. West Sussex. Wiley Blackwell & Sons. Ltd. Publication. 2012.
[6]
ATGER F. Verification of intense precipitation forecasts from single models and ensemble prediction systems[J]. Nonlin Proc Geophys, 2001, 8: 401-417. DOI:10.5194/npg-8-401-2001
[7]
钟有亮, 陈静, 王静, 等. GRAPES区域集合预报系统对登陆台风预报的检验评估[J]. 热带气象学报, 2017, 33(6): 953-964.
[8]
NOVAK R D, BAILEY C, BRILL F K, et al. Precipitation and temperature forecast performance at the Weather Prediction Center[J]. Wea Forecasting, 2014, 29(6): 489-504.
[9]
王雨, 闫之辉. 2002年汛期(5-9月)主客观降水预报检验[J]. 热带气象学报, 2006, 22(4): 331-339. DOI:10.3969/j.issn.1004-4965.2006.04.004
[10]
金荣花, 代刊, 赵瑞霞, 等. 我国无缝隙精细化网格天气预报技术进展与挑战[J]. 气象, 2019, 45(4): 445-457.
[11]
韦青, 李伟, 彭颂, 等. 国家级天气预报检验分析系统建设与应用[J]. 应用气象学报, 2019, 30(2): 245-256.
[12]
代刊, 朱跃建, 毕宝贵. 集合模式定量降水预报的统计后处理技术研究综述[J]. 气象学报, 2018, 76(4): 493-510.
[13]
董全, 代刊, 陶亦为, 等. 基于ECMWF集合预报的极端天气预报产品应用和检验[J]. 气象, 2017, 43(9): 1095-1109.
[14]
吴启树, 韩美, 刘铭, 等. 基于评分最优化的模式降水预报订正算法对比[J]. 应用气象学报, 2015, 28(3): 306-317.
[15]
吴亚丽, 蒙伟光, 陈德辉, 等. 一次华南暖区暴雨过程可预报性的初值影响研究[J]. 气象学报, 2018, 76(3): 323-342.
[16]
蒙伟光, 张艳霞, 吴亚丽, 等. 季风槽环境中暴雨中尺度对流系统的分析与数值预报试验[J]. 气象学报, 2019, 77(6): 980-998.
[17]
梁巧倩, 蒙伟光, 孙喜艳, 等. 广东前汛期锋面强降水和后汛期季风强降水特征对比分析[J]. 热带气象学报, 2019, 35(1): 51-62.
[18]
张艳霞, 蒙伟光, 徐道生, 等. 华南锋面和季风降水环流特征及加热结构对比分析[J]. 热带气象学报, 2020, 36(1): 1-12.
[19]
OLSON D A, JUNKER N W, KORTY B. Evaluation of 33 years of quantitative precipitation forecasting at the NMC[J]. Weather & Forecasting, 1995, 10(3): 498-511.
[20]
王德立, 黄辉军, 陈训来, 等. 深圳对流尺度集合预报系统对台风降水预报的检验评估[J]. 热带气象学报, 2020, 36(6): 759-771.