留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

GRAPES_MesoV4.0主要技术改进和预报效果检验

黄丽萍 陈德辉 邓莲堂 徐枝芳 于翡 江源 周非非

引用本文:
Citation:

GRAPES_MesoV4.0主要技术改进和预报效果检验

Main Technical Improvements of GRAPES_Meso V4.0 and Verification

  • 摘要: 针对GRAPES_Meso V3.0存在的降水量偏大、模式运行不稳定、近地面温度预报偏差较大、可同化资料偏少以及分辨率偏低等问题,开展了多方面的改进工作:引入变分质量控制以及探空湿度的偏差订正,实现了GPS/PW资料、FY-2E云导风资料以及无线电掩星资料的同化应用,提高了模式分辨率,引入四阶水平扩散方案,调整了微物理参数化方案与动力框架的耦合方案,完善了地面辐射能量平衡方程以及优化了后处理雷达组合反射率因子的诊断方案,并集成所有改进成果形成新的业务化GRAPES_Meso V4.0。批量试验结果表明:GRAPES_Meso V4.0降水ETS评分普遍提高,同时预报偏差明显降低,月平均降水更接近实况,且能够较好地刻画雨带细节;2 m温度预报偏差有较为显著的改善,大部分地区24 h预报有1~2℃左右的降低,有些地区有3~5℃的降低;GRAPES_Meso V4.0对高度场、温度场和风场的改进效果比较显著,500 hPa的温度、风速、位势高度场的相关系数均有显著提高,850 hPa的均方根误差也明显降低,整体性能明显高于GRAPES_Meso V3.0。
  • 图 1  2013年6月20日-7月20日有无GPS/PW资料同化应用连续试验降水预报的ETS评分(a)0~24 h, (b)24~48 h

    Fig.1  Equitable threat score for 24 h accumulated precipitation forecast with and without GPS/PW data assimilated from 20 Jun to 20 Jul in 2013 (a)0-24 h, (b)24-48 h

    图 2  2013年6月20日-7月20日有无FY-2E云导风资料同化应用连续试验降水预报的ETS评分(a)0~24 h, (b)24~48 h

    Fig.2  Equitable threat score for 24 h accumulated precipitation forecast with and without FY-2E atmospheric wind vector data assimilated from 20 Jun to 20 Jul in 2013 (a)0-24 h, (b)24-48 h

    图 3  GRAPES_Meso不同垂直分层方案对比(a)全部层次, (b)3000 m以下

    Fig.3  Comparison of different GRAPES_Meso level schemes (a) all levels, (b) below 3000 m

    图 4  2013年7月有无四阶水平扩散方案24 h和48 h预报逐日距平相关系数(a)500 hPa高度场, (b)500 hPa温度场

    Fig.4  Correlation coefficients of 24 h and 48 h forecast with and without the 4th horizontal diffusion in Jul 2013 (a)500 hPa height, (b)500 hPa temperature

    图 5  2008年7月15日GRAPES_Meso V3.0全场总水汽(a)和云水(b)时间演变

    Fig.5  Time evolution of total water vapor (a) and cloud water (b) by GRAPES_Meso V3.0 on 15 Jul 2008

    图 6  观测及GRAPES_Meso V3.0模拟的24 h降水分布(a)实况,(b) GRAPES_Meso V3.0 18~42 h预报,(c)优化地表水汽通量计算以及微物理动力耦合后18~42 h预报

    Fig.6  Observed and simulated 24-hour accumulated precipitation from 0000 UTC 16 Jul to 0000 UTC 17 Jul in 2008 (a) observation, (b)18-42 h forecast by GRAPES_Meso V3.0, (c)18-42 h forecast after adjusting moisture flux scheme and couple between WSM6 and dynamical core

    图 7  2012年7月GRAPES_Meso地表能量平衡方案改进前后12 h和36 h 2 m温度预报逐日均方根误差

    Fig.7  The root mean square error for 2 m temperature of 12 h and 36 h forecast before and after the improvement of GRAPES_Meso surface energy balance equation

    图 8  2013年6月20日-7月20日GRAPES_Meso V3.0和V4.0连续试验降水预报检验评分(a)0~24 h预报ETS评分,(b)24~48 h预报ETS评分,(c)0~24 h预报Bias评分,(d)24~48 h预报Bias评分

    Fig.8  Scores for 24 h accumulated precipitation by GRAPES_Meso V3.0 and V4.0 from 20 Jun to 20 Jul in 2013 (a) ETS of 0-24 h forecast, (b) ETS of 24-48 h forecast, (c) Bias of 0-24 h forecast, (d) Bias of 24-48 h forecast

    图 9  2013年6月20日-7月20日观测及模拟月平均24 h累积降水分布(a)实况,(b) V4.0 24 h预报,(c) V3.0 24 h预报,(d) V4.0 48 h预报,(e) V3.0 48 h预报

    Fig.9  Monthly mean 24 h accumulated precipitation distribution from 20 Jun to 20 Jul in 2013 (a) observation, (b)24 h forecast of V4.0, (c)24 h forecast of V3.0, (d)48 h forecast of V4.0, (e)48 h forecast of V3.0

    图 10  2013年6月20日-7月20日GRAPES_Meso 2 m温度24 h预报月平均偏差分布(a) V3.0,(b) V4.0

    Fig.10  Monthly mean error of 2 m temperature of GRAPES_Meso 24 h forecast from 20 Jun to 20 Jul in 2013 (a) V3.0, (b) V4.0

    图 11  2013年6月20日-7月20日GRAPES_Meso 24 h及48 h预报逐日距平相关系数和均方根误差(a)500 hPa高度场距平相关系数,(b)850 hPa高度场均方根误差,(c)500 hPa温度场距平相关系数(d)850 hPa温度场均方根误差,(e)500hPa纬向风场距平相关系数,(f)850 hPa纬向风场均方根误差

    Fig.11  The anomaly correlation coefficient and root mean square error (RMSE) of GRAPES_Meso 24 h and 48 h forecast from 20 Jun to 20 Jul 2013 (a) correlation coefficient of 500 hPa height, (b) RMSE of 850 hPa height, (c) correlation coefficient of 500 hPa temperature, (d) RMSE of 850 hPa temperature, (e) correlation coefficient of 500 hPa zonal wind, (f) RMSE of 850 hPa zonal wind

    表 1  GRAPES_Meso V3.0和V4.0系统主要差别

    Table 1.  Differences between GRAPES_Meso V3.0 and V4.0

    项目 GRAPES_Meso V3.0 GRAPES_Meso V4.0
    观测资料 AOB AOB,GPS/PW,FY-2E
    水平分辨率 0.15° 0.1°
    垂直层次数 L33 L50
    分析系统 无变分质量控制 增加变分质量控制
    无探空湿度偏差订正 增加探空湿度偏差订正
    微物理参数化 WSM6 改进耦合方案的WSM6
    陆面参数化 NOAH 改进地表辐射平衡的NOAH
    辐射参数化 RRTM RRTM (新)
    积云参数化 BMJ KF
    下载: 导出CSV
  • [1] 陈德辉, 沈学顺.新一代数值预报系统GRAPES研究进展.应用气象学报, 2006, 17(6):773-777. 
    [2] Xue J S, Zhuang S Y, Zhu G F, et al.Scientific design and preliminary results of three-dimensional variational data assimilation system of GRAPES.Chin Sci Bull, 2008, 53(22):3446-3457. 
    [3] Chen D H, Xue J S, Yang X S, et al.New generation of multi-scale NWP system (GRAPES):General scientific design.Chin Sci Bull, 2008, 53(22):3433-3445. 
    [4] Xu G Q, Chen D H, Xue J S, et al.The program structure designing and optimizing tests of GRAPES physics.Chin Sci Bull, 2008, 53(22):3470-3476. 
    [5] 叶成志, 欧阳里程, 李象玉, 等.GRAPES中尺度模式对2005年长江流域重大灾害性降水天气过程预报性能的检验分析.热带气象学报, 2006, 26(4):393-399. 
    [6] 徐双柱, 张兵, 谌伟.GRAPES模式对长江流域天气预报的检验分析.气象, 2006, 33(11):393-399. 
    [7] Zhang R H, Shen X S.On the development of the GRAPES-A new generation of the national operational NWP system in China.Chin Sci Bull, 2008, 53(22):3429-3432. 
    [8] 王光辉, 陈峰峰, 沈学顺, 等.数值模式中地形滤波处理及水平扩散对降雨预报的影响.地球物理学报, 2008, 51(6):1642-1650. 
    [9] 马旭林, 庄照荣, 薛纪善, 等.GRAPES非静力数值预报模式的三维变分资料同化系统的发展.气象学报, 2009, 67(1):50-60. 
    [10] 沈学顺, 王明欢, 肖锋.GRAPES模式中高精度正定保形物质平流方案的研究Ⅰ:理论方案设计与理想试验.气象学报, 2011, 69(1):1-15. 
    [11] 沈元芳, 胡江林.GRAPES模式中的坡地辐射方案及其对短期天气过程模拟的影响.大气科学, 2006, 30(6):1129-1137. 
    [12] 王雨, 李莉.GRAPES_Meso V3.0模式预报效果检验.应用气象学报, 2010, 21(5):393-399. 
    [13] 熊秋芬.GRAPES_Meso模式的降水格点检验和站点检验分析.气象, 2011, 37(2):185-193. 
    [14] 陈超君, 王东海, 李国平, 等.冬季高海拔复杂地形下GRAPES-Meso要素预报的检验评估.气象, 2012, 38(6):657-668. 
    [15] 庄照荣, 薛纪善.云迹风资料的三维变分同化及对台风预报的影响试验.热带气象学报, 2004, 20(3):225-236. 
    [16] 薛湛彬, 龚建东, 何财福, 等.静止卫星云导风的质量控制及在同化中的应用.应用气象学报, 2013, 24(3):356-364. 
    [17] 薛湛彬, 龚建东, 薛纪善, 等.FY-2E卫星云导风定高误差及在同化中的应用.应用气象学报, 2011, 22(6):681-690. 
    [18] 王金成, 龚建东, 邓莲堂.GNSS反演资料在GRAPES_Meso三维变分中的应用.应用气象学报, 2014, 25(6):654-668. 
    [19] 郝民, 张华, 陶士伟, 等.变分质量控制在区域GRAPES-3DVAR中的应用研究.高原气象, 2013, 32(1):122-132. 
    [20] 郝民, 龚建东, 王瑞文, 等.中国L波段探空湿度观测的质量评估及偏差订正.气象学报, 2015, 73(1):187-199. 
    [21] 盛春岩, 薛德强, 雷霆, 等.雷达资料同化与提高模式水平分辨率对短时预报影响的数值对比试验.气象学报, 2006, 64(3):293-308. 
    [22] Bernadet L R, Grasso L D, Nachamkin J E, et al.Simulating convective events using a high-resolution mesoscale model.J Geophys Res, 2000, 105:14963-14982. doi: 10.1029/2000JD900100
    [23] Lauritzen P H, Mirin A A, Truesdale J, et al.Implementation of new diffusion/filtering operators in the CAM-FV dynamical core.Int J High Perform Comput Appl, 2012, 26(1):63-73. doi: 10.1177/1094342011410088
    [24] Chen F, Dudhia J.Coupling an advanced land-surface/hydrology model with the Penn State/NCAR MM5 modeling system.Part Ⅰ:Model description and implementation.Mon Wea Rev, 2001, 129:569-585.
    [25] 苏勇, 沈学顺, 张倩, 等.应用样条插值提高GRAPES模式物理过程反馈精度.应用气象学报, 2014, 25(2):202-211. 
    [26] 盛裴轩, 毛节泰, 李建国, 等.大气物理学.北京:北京大学出版社, 2003.
  • [1] 胡志晋,  严采蘩.  层状云微物理过程的数值模拟(一)——微物理模式 . 应用气象学报, 1986, 1(1): 37-52.
    [2] 胡志晋,  严采蘩.  层状云微物理过程的数值模拟(二)—中纬度气旋云系的微物理过程 . 应用气象学报, 1987, 2(2): 133-142.
    [3] 陈孝源,  莫敏华,  胡厚麟.  地面信息化资料文件管理检索软件 . 应用气象学报, 1986, 1(1): 102-106.
    [4] 郑庆林,  邢久星.  一个六层亚洲有限区域模式及对一次西南涡过程的数值模拟 . 应用气象学报, 1990, 1(1): 12-23.
    [5] 游来光,  陈跃,  王涛.  雪晶尺度与质量的相关 . 应用气象学报, 1987, 2(2): 197-201.
    [6] 陆龙骅.  1984年夏季张掖地区辐射参数的振荡特征 . 应用气象学报, 1989, 4(1): 43-51.
    [7] 王鹏举,  周秀骥.  陆地上空大气温度廓线及地面辐射参数的卫星遥感 . 应用气象学报, 1988, 3(2): 120-128.
    [8] 葛润生.  “七五”攻关项目9—2课题“短时预报研讨会”在武汉召开 . 应用气象学报, 1990, 1(1): -.
    [9] 安顺清,  邢久星.  帕默尔旱度模式的修正 . 应用气象学报, 1986, 1(1): 75-82.
    [10] 章文茜,  陈明萱.  逐步综合决策的天气预报模式 . 应用气象学报, 1986, 1(2): 212-218.
    [11] 赵宗慈.  利用大气环流模式制做夏季季风模拟 . 应用气象学报, 1989, 4(2): 199-206.
    [12] 陈宏尧.  探空资料在微波辐射计资料处理中的应用 . 应用气象学报, 1989, 4(2): 186-192.
    [13] 陈德林,  谷淑芳,  李洪珍.  降水酸度与降水物理量关系的分析 . 应用气象学报, 1989, 4(1): 82-87.
    [14] 金鸿祥,  杨金政,  冯斌贤,  陈少林,  李平文,  万玉发.  武汉数字化天气雷达系统微机远程终端网络(WMSN)及其应用 . 应用气象学报, 1990, 1(1): 86-92.
    [15] 郭锡钦,  安务政,  曾书儿,  刘维衡.  我国艰苦地区地面气象观测自动化试验计划 . 应用气象学报, 1988, 3(1): 109-112.
    [16] 王谦,  胡志晋.  凝结(华)过程的数值模拟方法研究 . 应用气象学报, 1989, 4(2): 207-213.
    [17] 陈善敏,  夏建国,  卞林根,  贾朋群编译.  介绍《南半球数值分析资料图集》 . 应用气象学报, 1989, 4(3): 331-331.
    [18] 郑庆林.  非线性平衡方程初值化方法及其在中期数值天气预报试验中的应用 . 应用气象学报, 1987, 2(2): 113-122.
    [19] 王以农,  朱永禔.  应用于双向套网格模式的一种变格距差分解法 . 应用气象学报, 1988, 3(1): 25-35.
    [20] 陈桂英,  李小泉,  林本达.  地气耦合非定常距平模式的准业务预报试验 . 应用气象学报, 1990, 1(1): 24-33.
  • 加载中
图(11) / 表(1)
计量
  • 文章访问数:  4974
  • HTML全文浏览量:  2700
  • PDF下载量:  1617
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-22
  • 修回日期:  2016-10-12
  • 刊出日期:  2017-01-31

GRAPES_MesoV4.0主要技术改进和预报效果检验

  • 中国气象局数值预报中心, 北京 100081

摘要: 针对GRAPES_Meso V3.0存在的降水量偏大、模式运行不稳定、近地面温度预报偏差较大、可同化资料偏少以及分辨率偏低等问题,开展了多方面的改进工作:引入变分质量控制以及探空湿度的偏差订正,实现了GPS/PW资料、FY-2E云导风资料以及无线电掩星资料的同化应用,提高了模式分辨率,引入四阶水平扩散方案,调整了微物理参数化方案与动力框架的耦合方案,完善了地面辐射能量平衡方程以及优化了后处理雷达组合反射率因子的诊断方案,并集成所有改进成果形成新的业务化GRAPES_Meso V4.0。批量试验结果表明:GRAPES_Meso V4.0降水ETS评分普遍提高,同时预报偏差明显降低,月平均降水更接近实况,且能够较好地刻画雨带细节;2 m温度预报偏差有较为显著的改善,大部分地区24 h预报有1~2℃左右的降低,有些地区有3~5℃的降低;GRAPES_Meso V4.0对高度场、温度场和风场的改进效果比较显著,500 hPa的温度、风速、位势高度场的相关系数均有显著提高,850 hPa的均方根误差也明显降低,整体性能明显高于GRAPES_Meso V3.0。

English Abstract

    • GRAPES (Global/Regional Assimilation and PrEdiction System)[1]是中国气象局自主开发建立的多尺度通用资料同化与数值预报系统,包括了三维/四维资料变分同化系统[2]和数值模式预报系统[3]两大功能系统,并针对不同尺度过程,分别选择区域中尺度和全球中期物理过程软件包[4],形成有限区域中尺度天气数值预报系统(GRAPES_Meso)和全球中期天气预报系统(GRAPES_GFS)两个版本。

      有限区域中尺度数值预报系统于2006年在国家气象中心正式投入国家级业务化运行,为2.0版本,水平分辨率为0.3°×0.3°,其对中小尺度天气系统有一定的业务预报能力[5-6],与当时国际先进模式相比,在中国区域的降水预报能力略差或相当[7]。随后几年,针对GRAPES_Meso在实际业务中存在的问题,数值预报中心开展了GRAPES_Meso业务应用优化,实现了GRAPES_Meso业务系统的数次升级:2008年汛期前升级到V2.5,优化改进了湿度场分析,对地形资料进行滤波处理[8],采用更合理的垂直分层,同时将水平分辨率提高到0.15°×0.15°,升级后其预报效果较原来0.3°×0.3°模式有了实质性的改善;2010年3月GRAPES_Meso业务升级到V3.0,主要是针对当时的业务化运行出现的雨带不稳定、华南降水漏报以及预报场在青藏高原附近出现系统偏差等问题,将等压面分析系统更新为模式面分析系统[9],引入新的水汽平流方案[10],优化改进动力框架,并引入新的物理过程参数化方案[11],改进后,GRAPES_Meso的降水预报TS评分有了进一步提高,无论是小雨、中雨,还是大雨、暴雨和大暴雨,改进模式的评分均高于原业务模式,其中,大雨和暴雨的提高率超过50%,对业务模式存在的漏报现象以及秋冬季我国东部降水明显偏小有显著改进,对春夏季强降水中心位置及强度预报都优于GRAPES_Meso V2.5,同时对高度场、温度场和风场的改进效果也比较显著[12],GRAPES_Meso V3.0系统在实际业务中也表现良好[13-14]

      虽然GRAPES_Meso V3.0取得了明显的进步,仍存在一定不足:①降水预报有一定程度的空报,降水预报尤其是中雨以上量级预报偏差偏大,降水量级随预报时效有偏大趋势,48 h预报降水范围和量级均明显偏大;②与其他业务模式(如全球业务模式T639)相比,预报评分不高;③地面2 m温度预报均方根误差偏大; ④GRAPES_Meso V3.0业务化以来,出现了多次计算不稳定现象,影响业务连续、可靠运行;⑤能实时同化应用到的观测资料仍局限于常规的GTS观测资料(主要是探空、地面观测资料等),局地稠密非常规观测资料得不到有效应用,同化分析系统对整套预报系统的正贡献没有得到很好的体现;⑥系统分辨率偏低,水平分辨率为0.15°×0.15°,垂直方向只有31层,最低层离地面有32.5 m,这样的分辨率难以较好地描述中小尺度天气系统,也不能很好地刻画强对流天气下复杂的边界层结构。这些问题严重影响着GRAPES_Meso在实际业务中的应用,因此,尽快诊断并解决这些问题,进一步提升GRAPES_Meso对中尺度天气系统尤其是强对流系统的预报能力,是一项必然而且很紧迫的任务。

      本文将介绍如何围绕GRAPES_Meso V3.0业务应用中出现的这些问题,分别从GRAPES区域变分同化系统、模式框架与物理过程、后处理产品开发及系统流程等方面开展了一系列研究,以期提高GRAPES_Meso的预报性能,同时通过连续试验对集成所有研发成果而形成的GRAPES_Meso V4.0的性能进行检验评估。

    • 水汽资料的同化对区域系统的预报性能有很重要的影响,而GRAPES_Meso V3.0中能够同化的水汽资料种类非常少,只有探空湿度资料,增加更多的水汽观测信息,提高模式初始场中水汽场的精度,对降水预报是很关键的。国家气象信息中心实时数据库能够提供实时解算的地基GPS (Global Position System)大气水汽含量(GPS/PW)观测,在2013年夏季可以接收大约六七百个站点的资料,因此,根据GRAPES_3DVar的控制变量特点,采用了Exner气压变量(π)和比湿计算GPS/PW的切线性观测算子,通过GRAPES_3DVar系统同化应用GPS/PW资料,实现地基GPS大气水汽含量在GRAPES_Meso系统中的实时同化应用。2013年6月20日-7月20日为期1个月的批量试验结果可以看到,在GRAPES_Meso V3.0系统中增加GPS/PW资料的同化应用后,各个量级的降水预报评分均有不同程度的提高(图 1)。

      图  1  2013年6月20日-7月20日有无GPS/PW资料同化应用连续试验降水预报的ETS评分(a)0~24 h, (b)24~48 h

      Figure 1.  Equitable threat score for 24 h accumulated precipitation forecast with and without GPS/PW data assimilated from 20 Jun to 20 Jul in 2013 (a)0-24 h, (b)24-48 h

    • 很多研究结果表明,同化云导风资料能够有效提高分析场尤其是风场质量,改进台风路径预报以及改善降水预报准确性[15-17]。但在实际业务应用中,云导风的高度偏差订正是决定其同化预报效果的关键因子。经多年与国家卫星气象中心的云导风研究团队的合作,FY-2E云导风资料已在全球GRAPES_3DVar得到实际应用。因此,针对云导风同化存在的高度不准问题,将全球的高度订正方案引入GRAPES_Meso V3.0系统中:高度订正采用标准气压廓线,垂直范围从100 hPa到1000 hPa,间隔为10 hPa,共91层;高度最大的调整不超过±150 hPa,采用代价函数进行质量控制,对于代价函数大于5.0的资料进行剔除,其中代价函数综合考虑了风向和总风速信息。解决了云导风的高度偏差问题后,可直接将云导风引入GRAPES区域三维变分同化系统,实现了云导风资料在GRAPES_Meso V3.0系统中的同化应用。通过2013年6月20日-7月20日为期1个月的批量试验可以发现,在GRAPES_Meso V3.0系统中增加云导风资料同化应用后,对系统的降水预报有一定程度的改善(图 2)。

      图  2  2013年6月20日-7月20日有无FY-2E云导风资料同化应用连续试验降水预报的ETS评分(a)0~24 h, (b)24~48 h

      Figure 2.  Equitable threat score for 24 h accumulated precipitation forecast with and without FY-2E atmospheric wind vector data assimilated from 20 Jun to 20 Jul in 2013 (a)0-24 h, (b)24-48 h

    • GRAPES_Meso系统自2006年业务化以来, 虽然在模式和同化系统方面都取得了很多进展, 但GRAPES_Meso V3.0可同化的观测资料依然有限, 只包含了探空、飞机报、地面报、船舶报这些常规观测资料, 而这些常规观测在青藏高原附近资料稀少, 可能会带来分析精度不高的问题。因此,王金成等[18]基于GRAPES_Meso V3.0,建立了同化GNSS (Global Navigat Satellite System)无线电掩星(GNSS/RO)数据反演的气压和湿度廓线资料的观测算子,利用新息增量法(innovation vector method)估计无线电掩星数据反演的大气资料的观测误差方差,选取与模式层最近的观测资料的简单方法进行资料稀疏化,在GRAPES_Meso系统中实现了对GNSS/RO反演大气资料的同化,其分析结果表明,同化GNSS/RO反演的气压和湿度后,明显提高了GRAPES区域模式位势高度分析场的精度,在青藏地区和西北地区东部等常规观测稀少的区域,能够明显增加降水预报评分,对全国区域的大量级降水预报技巧也有明显改善。

    • 气象观测质量的好坏直接影响分析系统的结果,因此, 对观测资料采取必要的质量控制非常重要。变分质量控制是以变分同化系统为基础的观测资料质量控制过程,其基本原理是根据观测误差分布特性(随机误差满足正态分布,过失误差满足均匀分布), 应用贝叶斯概率理论,在变分同化迭代过程中实现的资料质量控制,其对资料的质量控制不做简单的剔除与否处理,根据资料过失误差概率,确定资料应用的权重,当过失误差概率愈大,观测资料的权重愈小;过失误差概率愈小,观测资料的权重愈大[19]。欧洲中期天气预报中心(ECMWF)在其变分同化系统中通过引入变分质量控制方案,很好地改进了模式分析场。

      根据GRAPES_3DVar变分同化系统特征,郝民等[19]在GRAPES_Meso V3.0中实现了变分质量控制方案。理想场试验、个例分析以及批量试验的结果表明:引入变分资料质量控制方案,不仅能够得到误差更小、更为合理的分析场,而且对模式的降水预报包括雨带分布和降水评分均有明显的正贡献。

    • 针对GRAPES_Meso V3.0存在的在我国南部有时出现分析场偏干的现象,对探空资料中的湿度观测资料进行了偏差订正。郝民等[20]在借鉴英国气象局探空湿度偏差订正方法的基础上,结合我国探空观测湿度偏差的实际情况及特点,采用改进的分段订正函数、按比率对探空湿度资料进行偏差订正,并在GRAPES_Meso V3.0系统中实现上述改进的探空湿度偏差订正方案,有效提高了整套分析预报系统对降水预报的检验评分,尤其对强降水的强度预报改进较为明显。

    • 许多研究结果表明,提高模式的分辨率对提高数值模式预报技巧有重要作用[21-22]。中国气象局于2013年采购了IBM-Flex高性能计算机,计算能力有了大幅度提升,为提高模式分辨率提供了有力的计算机支撑。因此,参考美国WRF-ARW中尺度模式垂直层次方案,并考虑GRAPES高度地形追随的垂直坐标特征,确定增加GRAPES_Meso模式垂直分层至50层(图 3),其特点主要是对低层加密,特别是对流层低层和边界层垂直分层层数增加为原来的2~3倍,同时提高模式水平分辨率至0.1°×0.1°。1个月的连续试验结果表明:在保证降水预报质量不降低(少有改进)的情况下,显著降低了高度场及近地面要素的计算误差(图略)。

      图  3  GRAPES_Meso不同垂直分层方案对比(a)全部层次, (b)3000 m以下

      Figure 3.  Comparison of different GRAPES_Meso level schemes (a) all levels, (b) below 3000 m

    • GRAPES_Meso在2010年3月由V2.5升级到V3.0后,预报性能得到很大提高。但在业务运行过程中,经常出现计算不稳定的情况,如2010年出现了13次不稳定。频繁的系统中断,一方面造成业务系统维护困难,另一方面中断个例的预报性能也明显降低,因此,提高GRAPES_Meso V3.0模式的稳定性是迫切需要解决的问题。

      很多数值模式通常采用适当的扩散方案控制由数值频散、非线性不稳定、不连续物理过程及外部强迫等引起的小尺度噪音和能量积累。与大多数业务数值预报模式一样,GRAPES_Meso引入四阶水平扩散方案[23]提高模式的稳定性,并对2012年业务运行中出现的16个溢出个例进行了回算, 结果显示这些个例均能正常稳定运行, 说明四阶水平扩散方案能有效地提高GRAPES_Meso的稳定性。同时,为评估四阶水平扩散方案对预报效果的影响,开展了2013年7月逐日00:00(世界时, 下同)起报的48 h预报批量试验。试验结果表明:在GRAPES_Meso中增加四阶水平扩散方案后,500 hPa的高度场和温度场预报性能均有一定的提高(图 4),中小雨的降水评分也略有提高(图略)。

      图  4  2013年7月有无四阶水平扩散方案24 h和48 h预报逐日距平相关系数(a)500 hPa高度场, (b)500 hPa温度场

      Figure 4.  Correlation coefficients of 24 h and 48 h forecast with and without the 4th horizontal diffusion in Jul 2013 (a)500 hPa height, (b)500 hPa temperature

    • 通常低分辨率模式降水物理过程包含两个:微物理参数化和积云参数化, 而这两类参数化方案的模拟结果均严重依赖于大气中的水汽含量分布。诊断分析个例(2008年7月15日)全场总水汽含量时间演变图(图略)发现, 积分12 h后,GRAPES_Meso V3.0预报的水汽含量呈稳步上涨趋势,没有很好地反映出物理过程日变化特征。因此,GRAPES_Meso V3.0预报的水汽含量增长可能是模式降水量偏大的主要原因。

      通过对GRAPES_Meso V3.0水汽源汇项分析可以发现, 除了大气中各种水物质相态变化外, 陆面参数化方案计算的地表水汽通量通过边界层作用也为大气提供水汽源,V3.0采用的Noah陆面参数化方案[24]中地表水汽通量的计算主要决定于总蒸发量,而近地层饱和混合比是影响总蒸发量的重要因子之一。诊断发现,V3.0计算近地层饱和混合比时直接用地表温度近似作为近地层温度,而通常地表温度高于近地层温度,从而造成近地层饱和混合比偏大,进而使模拟的地表水汽通量偏大。针对此问题,参考WRF模式中采取的方法,即用模式最低半层的温度作为近地层温度来计算近地层饱和混合比,可以一定程度上降低地表水汽通量。

      而降水量级在很大程度上受到大气中云水分布及量级的影响,观察V3.0模拟的全场总云水发现,其在模式第13层附近的量级随预报时效呈现异常的稳定增长趋势,通常模式微物理参数化中云水总源汇项的主要贡献则来自于水汽饱和凝结,考虑到模式第13层是0℃层附近,而GRAPES_Meso温度和水汽场在动力框架和物理过程中的层次不同[25],动力框架的计算中温度和水汽场定义在整层上,物理过程中则定义在半层上,这种差别使每步积分都必须经过两次插值,所以很可能插值误差使得冰晶的Bergeron-Findeisen增长机制在第13层异常活跃从而造成云水的异常增长,因此,通过改写微物理参数化方案与动力框架的耦合方案,尝试将微物理参数化方案由原来的模式半层计算改为在模式整层计算从而消除反复插值带来的误差积累,修改后发现模式第13层的云水异常得到了解决。

      图 5给出了优化地表水汽通量计算以及改进微物理参数化与动力框架的耦合方案后的模式全场总水汽、总云水含量以及GRAPES_Meso预报区内NCEP再分析场的全场总水汽含量,可以看到,改进后GRAPES_Meso全场总水汽和总云水含量的量级随时间增长的趋势得到了大幅度的缓解,模式降水预报量级也明显降低,更接近观测,雨带分布也更接近实况(图 6)。GRAPES_Meso V3.0模式预报降水量偏大的现象基本得到解决。

      图  5  2008年7月15日GRAPES_Meso V3.0全场总水汽(a)和云水(b)时间演变

      Figure 5.  Time evolution of total water vapor (a) and cloud water (b) by GRAPES_Meso V3.0 on 15 Jul 2008

      图  6  观测及GRAPES_Meso V3.0模拟的24 h降水分布(a)实况,(b) GRAPES_Meso V3.0 18~42 h预报,(c)优化地表水汽通量计算以及微物理动力耦合后18~42 h预报

      Figure 6.  Observed and simulated 24-hour accumulated precipitation from 0000 UTC 16 Jul to 0000 UTC 17 Jul in 2008 (a) observation, (b)18-42 h forecast by GRAPES_Meso V3.0, (c)18-42 h forecast after adjusting moisture flux scheme and couple between WSM6 and dynamical core

    • 2012年GRAPES_Meso V3.0业务运行的2 m温度24 h预报年平均偏差(实况来自于中国基本站观测资料)结果(图略)可以看到,与观测相比,除了青藏高原附近呈现负偏差外,全国大部最低2 m温度预报表现出明显的正偏差,其中西部偏差较大,最高约为7℃,中东部较小,为2~3℃,整体偏差略大。

      GRAPES_Meso V3.0业务模式中地表温度的预报直接影响2 m温度的预报,而地表温度预报则是由地表能量辐射平衡方程来确定,其中的地表净辐射通量计算公式为

      (1)

      式(1)中,E0*为地表净辐射通量,Es, 0为地表太阳短波辐射通量,EI, 0为地表长波辐射通量,Tg表示地表温度,Rg是地表反射率,σ是斯蒂芬-玻尔兹曼常数。

      而参考文献[26]得到的地表净辐射通量计算公式为

      (2)

      式(2)中,εg为地表的比辐射率,其取值范围为0~1,随地表温度有日变化,午后最强,早晨最弱。比较式(1)和式(2)可以发现,GRAPES模式地表净辐射通量计算中的右端后两项未考虑系数εg,使GRAPES模式模拟的地面净辐射通量明显偏大,最终表现出GRAPES模式的近地表温度预报明显偏高。

      因此,将GRAPES模式中地面净辐射通量计算式(1)更换为式(2),为期1个月(2012年7月)的连续试验结果表明,经修改的地表能量平衡方案,无论对近地表温度、降水、高度场都有正贡献,尤其是地表 2m温度均方根误差降低很明显(图 7)。

      图  7  2012年7月GRAPES_Meso地表能量平衡方案改进前后12 h和36 h 2 m温度预报逐日均方根误差

      Figure 7.  The root mean square error for 2 m temperature of 12 h and 36 h forecast before and after the improvement of GRAPES_Meso surface energy balance equation

    • GRAPES_Meso V3.0的诊断后处理产品中提供了雷达组合反射率因子产品,其诊断程序来自于RIP (read/Interpolate/plot)。RIP是中尺度模式输出的后诊断程序包,最早是MM5模式的后处理包,易接入任何中尺度模式。但在GRAPES_Meso V3.0业务运行中,诊断出的雷达组合反射率因子场与实况相比,经常表现出分布范围偏小、强度偏弱的现象。对其算法分析诊断后发现有两方面的不足:①诊断方案中只考虑了雨水和水汽的影响,而忽略了其他水成物如雪和霰的影响;②该产品是在后处理等压面上进行计算,而各种水物质信息在从模式面插值到等压面的过程中存在一定量的丢失。

      针对这些问题,考虑到模式面的层数更密,分辨率更高,能够比较真实地反映模式模拟的水物质信息, 首先将诊断模块的计算调用改在模式面上进行, 从而消除垂直插值带来的偏差;其次,对诊断程序进行优化,计算中用到的水物质在雨水水汽混合比的基础上增加了雪和霰的水汽混合比,模式模拟的水物质更为全面。通过这两方面的改进,诊断出的雷达回波产品明显更合理、信号更强,更接近观测(图略)。

    • 结合原GRAPES_RAFS (Rapid Analysis and Forecast System)和GRAPES_Meso系统流程的优点,建立了一体化系统流程, 系统流程主要包括初值和边界条件资料预处理、观测资料预处理(包括资料收集与质量控制)、三维变分同化系统、云分析与数字滤波初始化、中尺度数值模式等模块,可同化探空(气压、湿度)、飞机报(温度、风场)、地面资料(气压、湿度)、船舶资料(气压、风场、湿度)、雷达VAD风、GPS/PW和FY-2E云导风等资料。GRAPES_Meso与GRAPES_RAFS系统的程序与作业流程完全统一,通过参数设置可自由选择需要的系统类型,其同化更新循环时间(1,3,6 h同化更新)和预报更新通过参数设置即可满足不同用户的需求。

    • 基于GRAPES_Meso V3.0集成前面介绍的所有改进,形成了GRAPES_Meso V4.0,为评估其总体性能,分别用V3.0和V4.0进行了从2013年6月20日-7月20日为期1个月的批量试验,试验所需的背景场及侧边界条件均来自美国全球业务模式的预报场,两个版本的主要差别见表 1

      表 1  GRAPES_Meso V3.0和V4.0系统主要差别

      Table 1.  Differences between GRAPES_Meso V3.0 and V4.0

      项目 GRAPES_Meso V3.0 GRAPES_Meso V4.0
      观测资料 AOB AOB,GPS/PW,FY-2E
      水平分辨率 0.15° 0.1°
      垂直层次数 L33 L50
      分析系统 无变分质量控制 增加变分质量控制
      无探空湿度偏差订正 增加探空湿度偏差订正
      微物理参数化 WSM6 改进耦合方案的WSM6
      陆面参数化 NOAH 改进地表辐射平衡的NOAH
      辐射参数化 RRTM RRTM (新)
      积云参数化 BMJ KF

      降水检验ETS评分(图 8)显示,不论24 h和48 h预报,GRAPES_Meso V4.0(以下简称V4.0)各个量级的降水预报评分都明显高于GRAPES_Meso V3.0(以下简称V3.0)的结果,而且48 h的改进幅度更为明显,说明V4.0的降水预报准确率优于V3.0;而从降水的预报偏差可以看到,V3.0存在的中小雨偏差偏大的现象在V4.0中有明显的缓解,尤其是48 h的预报偏差,V4.0的中小雨偏差量级都在1附近,预报效果较好。但V4.0的特大暴雨量级Bias评分出现明显偏大的现象,可能是因为分辨率提高易带来大量级降水偏大现象。由降水的月平均分布(图 9)也可以看到,V3.0与V4.0的降水分布比较一致,但与观测相比,V3.0雨区范围明显偏大,V4.0的雨带分布更接近观测,且能更好地描述降水细节分布。

      图  8  2013年6月20日-7月20日GRAPES_Meso V3.0和V4.0连续试验降水预报检验评分(a)0~24 h预报ETS评分,(b)24~48 h预报ETS评分,(c)0~24 h预报Bias评分,(d)24~48 h预报Bias评分

      Figure 8.  Scores for 24 h accumulated precipitation by GRAPES_Meso V3.0 and V4.0 from 20 Jun to 20 Jul in 2013 (a) ETS of 0-24 h forecast, (b) ETS of 24-48 h forecast, (c) Bias of 0-24 h forecast, (d) Bias of 24-48 h forecast

      图  9  2013年6月20日-7月20日观测及模拟月平均24 h累积降水分布(a)实况,(b) V4.0 24 h预报,(c) V3.0 24 h预报,(d) V4.0 48 h预报,(e) V3.0 48 h预报

      Figure 9.  Monthly mean 24 h accumulated precipitation distribution from 20 Jun to 20 Jul in 2013 (a) observation, (b)24 h forecast of V4.0, (c)24 h forecast of V3.0, (d)48 h forecast of V4.0, (e)48 h forecast of V3.0

      相比V3.0(图略),V4.0的2 m温度逐日均方根误差有明显改善,其偏差逐日演变形势与V3.0一致,但24 h预报月平均偏差降低了将近0.7℃,48 h预报月平均偏差降低了1.17℃,整体预报偏差有了大幅度的降低。从月平均偏差水平分布图(图 10)也可以看到,V4.0的偏差水平分布与V3.0相同,但误差的量级有明显减小,全国大部分偏差有1~2℃左右的降低,在西北部及四川地区误差较大的地方,V4.0的预报偏差能比V3.0的偏差降低3~5℃,总体来看,V4.0对近地面2 m温度的预报改进显著。

      图  10  2013年6月20日-7月20日GRAPES_Meso 2 m温度24 h预报月平均偏差分布(a) V3.0,(b) V4.0

      Figure 10.  Monthly mean error of 2 m temperature of GRAPES_Meso 24 h forecast from 20 Jun to 20 Jul in 2013 (a) V3.0, (b) V4.0

      从500 hPa高度场和温度场距平相关系数(图 11a图 11c)看,无论是24 h预报还是48 h预报,V4.0温度场和高度场逐日距平相关系数较V3.0均有提高,尤其是高度场预报改进更为明显,V3.0的距平相关系数存在大幅度波动现象,而V4.0逐日演变趋势比较平稳,即V4.0的预报稳定性也较V3.0有明显提高。从850 hPa温度场和高度场的均方根误差看(图 11b图 11d),同样是24 h和48 h预报,V4.0均较V3.0有明显改进:温度场的月平均均方根误差24 h预报降低了0.45℃左右,48 h温度均方根误差降低了0.55℃;高度场的月平均均方根误差24 h预报降低了8.5 gpm左右,48 h高度场均方根误差降低更多,达到13 gpm左右。整体来看,V4.0的形势场预报性能较V3.0有了明显的提高。

      图  11  2013年6月20日-7月20日GRAPES_Meso 24 h及48 h预报逐日距平相关系数和均方根误差(a)500 hPa高度场距平相关系数,(b)850 hPa高度场均方根误差,(c)500 hPa温度场距平相关系数(d)850 hPa温度场均方根误差,(e)500hPa纬向风场距平相关系数,(f)850 hPa纬向风场均方根误差

      Figure 11.  The anomaly correlation coefficient and root mean square error (RMSE) of GRAPES_Meso 24 h and 48 h forecast from 20 Jun to 20 Jul 2013 (a) correlation coefficient of 500 hPa height, (b) RMSE of 850 hPa height, (c) correlation coefficient of 500 hPa temperature, (d) RMSE of 850 hPa temperature, (e) correlation coefficient of 500 hPa zonal wind, (f) RMSE of 850 hPa zonal wind

      对于风场预报,V4.0的24 h和48 h逐日距平相关系数基本均高于V3.0的结果(图 11e图 11f),24 h预报月平均距平相关系数偏高0.3左右,48 h预报高出0.6左右;同时逐日及平均均方根误差V4.0版本也有明显降低,24 h月平均均方根误差降低了0.5 m·s-1左右,48 h预报降低了1.1 m·s-1左右;风场的预报性能V4.0也较V3.0有明显改进

    • 为了解决GRAPES_Meso在实际业务预报中存在的问题,提升其对中尺度天气系统尤其是强对流系统的预报能力,分别从变分同化系统、模式框架、物理过程参数化、后处理以及流程框架等方面进行了改进,并集成改进成果形成了GRAPES_Meso V4.0。开展了从2013年6月20日-7月20日为期1个月的批量试验,通过对降水、近地面2 m温度、形势场以及风场检验结果的分析,得到了以下主要结论:

      1) GRAPES_3DVar系统实现了大气水汽含量、FY-2E云导风及GNSS无线电掩星(GNSS/RO)的同化应用,引入变分质量控制,进行探空湿度的偏差订正,资料同化能力有了明显的提升,GRAPES_Meso分析场精度得到提高,同化预报系统的降水预报性能明显改进。

      2) GRAPES_Meso引入四阶水平扩散方案,能够有效提高模式运行稳定性,同时使模式温度场和高度场的相关系数有明显提高,中低层均方根误差显著降低;调整微物理参数化方案与动力框架的耦合方案,消除了反复插值带来的偏差,基本解决了区域模式中存在的降水随预报时效越来越大的问题;调整陆面参数化方案中的地面长波辐射能量平衡方案,明显改进了近地面2 m温度的预报偏差;提高模式分辨率,尤其是加密边界层层数,能够显著降低模式低层的预报偏差。

      3) GRAPES_Meso V4.0较V3.0预报性能有明显改进:降水ETS评分普遍提高,同时大雨、中雨及小雨的预报偏差明显降低,月平均降水无论是雨带分布还是量级都更接近实况,并且能够较好地刻画雨带细节;2 m温度预报偏差有较为显著的改善,24 h预报全国大部分地区有1~2℃左右的降低,有些地区有3~5℃的降低;GRAPES_Meso V4.0对高度场、温度场和风场的改进效果比较显著,500 hPa的温度、风速、位势高度场的距平相关系数均有显著提高,850 hPa的均方根误差也明显降低,预报技巧普遍提高,整体性能明显高于GRAPES_Meso V3.0。

      4) GRAPES_Meso V4.0实现了GRAPES_Meso中尺度预报系统流程与GRAPES_RAFS快速分析预报系统流程的一体化,通过不同参数的选择以及灵活的作业运行脚本控制,能够满足各种系统运行需求,从而提高了整套系统的运行效率,降低了系统维护管理成本。

      GRAPES_Meso V4.0已于2014年7月在国家气象中心正式业务运行,系统运行稳定,产品分发至全国各气象台实时应用。通过实时业务应用发现,虽然GRAPES_Meso V4.0的预报性能明显优于GRAPES_Meso V3.0,但仍存在一些不足,具体表现在:①能够同化的局地稠密观测资料仍然有限,如高时空分辨率的雷达资料,还不能体现在实际数值预报业务中;②虽然GRAPES_Meso V4.0的分辨率较V3.0有一定提高,但其分辨率仍然较粗,尤其是与国际上先进的业务中心的区域模式相比,还有不小的差距;③针对高分辨模式的物理过程研发还远远不够,这在很大程度上影响着GRAPES_Meso系统对强对流天气过程的预报能力。因此,针对这些问题,下一步将开展更多适用于实际业务应用的研究,不断改进完善我国自主研发的GRAPES_Meso中尺度数值预报系统。

参考文献 (26)

目录

    /

    返回文章
    返回