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

CWRF模式极端降水模拟误差订正

董晓云 余锦华 梁信忠 王琛

引用本文:
Citation:

CWRF模式极端降水模拟误差订正

Bias Correction of Summer Extreme Precipitation Simulated by CWRF Model

  • 摘要: 基于1980—2015年6—8月CWRF模式(Climate-Weather Research and Forecasting model)14种方案的模拟结果和全国逐日降水观测资料,对比了Q-lin,Q-tri,RQ-lin,RQ-tri,SSP-lin和CDFt 6种误差订正方法对CWRF模式控制化方案(C1)模拟中国东部夏季日极端降水的订正效果,以CWRF模式14种方案日极端降水的模拟效果排名为基础,对比了模拟效果较好的4种方案集合、模拟较差的4种方案集合以及14种方案集合的订正效果,选出相对较好的订正方案进一步评估其成员集合后订正和成员分别订正后再集合的订正效果,结果表明:采用6种误差订正方法均可明显减少日极端降水模拟误差,其中RQ-lin方法订正效果最佳。CWRF模式对中国东部的极端降水指数均表现出较好的模拟能力,不同参数化集合方案得到14种方案成员先订正再集合与观测日极端降水平均值最为接近,研究结果对于改进模拟结果、提高其预测能力有重要应用价值。
  • 图 1  验证时期CWRF模式C1方案日极端降水平均值及经6种方法的订正值与观测值

    Fig.1  Daily extreme precipitation from observation and simulation by CWRF control scheme(C1) with its revision under 6 methods in validation period

    图 2  CWRF模式14种方案下5种极端降水指数的泰勒评分

    Fig.2  Taylor score for 5 simulated extreme indices of 14 parameterization schemes of CWRF Model

    图 3  CWRF模式14种方案下5种极端指数的M2指数

    Fig.3  M2 for 5 simulated extreme indices of 14 parameterization schemes of CWRF Model

    图 4  RQ-lin方法订正后不同方案集合的日极端降水平均值和观测值(a)观测,(b)C1,(c)C1,C12,C13和C14的集合,(d)C3,C4,C6和C10的集合,(e)C1~C14的集合

    Fig.4  Daily extreme precipitation mean for different parameterization schemes under RQ-lin revision and observation (a)observation, (b)C1, (c)sets of C1, C12, C13 and C14, (d)sets of C3, C4, C6 and C10, (e)sets of C1-C14

    图 5  14种方案成员分别订正后再集合的日极端降水平均值空间分布

    Fig.5  Daily extreme precipitation mean of 14 parameterization schemes revised and regrouped

    表 1  CWRF模式参数化方案组合

    Table 1.  Parameterization schemes of CWRF

    方案积云对流参数化微物理过程参数化
    C1ECP & UWGSFCGCE
    C2KFetaGSFCGCE
    C3BMJGSFCGCE
    C4GrellGSFCGCE
    C5NSASGSFCGCE
    C6DonnerGSFCGCE
    C7EmanuelGSFCGCE
    C8ECP & UWLin
    C9ECP & UWWSM6
    C10ECP & UWEtamp-new
    C11ECP & UWThompson
    C12ECP & UWThompson-aero
    C13ECP & UWMorrison
    C14ECP & UWMorrison-aerosol
    下载: 导出CSV

    表 2  极端降水指数

    Table 2.  Extreme rainfall indices

    指数名称缩写定义单位
    降水强度SDII总降水量/有雨日数mm·d-1
    暴雨日数R50日降水量不低于50 mm的日数d
    第95百分位降水量P95日降水量在第95百分位的值mm
    强降水量R95P日降水量大于第95百分位值的总降水量mm
    极端降水贡献率R95T超过第95百分位降水量之和占总降水量的百分率%
    下载: 导出CSV

    表 3  验证时期CWRF模式C1方案模拟的日极端降水平均值经6种方法订正后与观测值的区域相关系数以及均方根误差

    Table 3.  Regional correlation coefficient and root mean square error of daily extreme precipitation mean from observation to revision of CWRF control scheme(C1) under 6 methods in validation period

    订正方法相关系数均方根误差
    Q-lin0.8110.29
    Q-tri0.7811.64
    RQ-lin0.8210.03
    RQ-tri0.8010.75
    SSP-lin0.6718.76
    CDFt0.7315.77
    下载: 导出CSV

    表 4  14种方案模拟能力排名

    Table 4.  Ranking of simulation capabilities of 14 parameterization schemes

    方案泰勒评分时间变率综合
    C1384
    C2845
    C3101312
    C4141113
    C51128
    C6131414
    C712710
    C8588
    C9485
    C1091111
    C11665
    C12643
    C13111
    C14222
    下载: 导出CSV
  • [1] 王静, 余锦华, 何俊琦.江淮地区极端降水特征及其变化趋势的研究.气候与环境研究, 2015, 20(1):80-88. 
    [2] 霍治国, 范雨娴, 杨建莹, 等.中国农业洪涝灾害研究进展.应用气象学报, 2017, 28(6):641-653. 
    [3] 甘衍军, 徐晶, 赵平, 等.暴雨致洪预报系统及其评估.应用气象学报, 2017, 28(4):385-398. 
    [4] 翟盘茂, 王萃萃, 李威.极端降水事件变化的观测研究.气候变化研究进展, 2007, 3(3):144-148. 
    [5] 伍红雨, 邹燕, 刘尉.广东区域性暴雨过程的定量化评估及气候特征.应用气象学报, 2019, 30(2):233-244. 
    [6] Liang X Z, Sun C, Zheng X, et al.CWRF performance at downscaling China climate characteristics.Climate Dyn, 2018, 12:1-26. 
    [7] 刘冠州, 梁信忠.新一代区域气候模式(CWRF)国内应用进展.地球科学进展, 2017, 32(7):781-787. 
    [8] Liang X Z, Xu M, Yuan X, et al.Regional climate-weather research and forecasting model (CWRF).Bull Amer Meteor Soc, 2012, 93(9):1363-1387.
    [9] 董晓云, 余锦华, 梁信忠, 等.CWRF模式在中囯夏季极端降水模拟的误差订正.应用气象学报, 2019, 30(2):223-232. 
    [10] Khain A, Lang S, Lynn B, et al.Microphysics, radiation and surface processes in the Goddard Cumulus Ensemble (GCE) model.Meteor Atmos Phy, 2003, 82(1):97-137. 
    [11] Qiao F, Liang X Z.Effects of cumulus parameterization closures on simulations of summer precipitation over the United States coastal oceans.J Adv Model Earth Sys, 2016, 8(1/2):1-23. 
    [12] Qiao F, Liang X Z.Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States.Climate Dyn, 2017, 49(1/2):225-247. 
    [13] Bretherton C S, Park S S.A new moist turbulence parameterization in the Community Atmosphere Model.J Climate, 2009, 22(12):3422-3448. 
    [14] Kain J S.The Kain-Fritsch convective parameterization:An update.J Appl Meteor, 2004, 43:170-181. 
    [15] Janji c' I J.The step-mountain eta coordinate model:Further developments of the convection, viscous sublayer, and turbulence closure schemes.Mon Wea Rev, 1994, 122(5):927-945. 
    [16] Grell G A, Dévényi D.A generalized approach to parameterizing convection combining ensemble and data assimilation techniques.Geophys Res Lett, 2002, 29(6):587-590. 
    [17] Han J, Pan H L.Revision of convection and vertical diffusion schemes in the NCEP Global Forecast System.Wea Forecasting, 2011, 26(4):520-533. 
    [18] Donner L J.A cumulus parameterization including mass fluxes, convective vertical velocities, and mesoscale effects:Thermodynamic and hydrological aspects in a general circulation model.J Climate, 2001, 14(16):3444-3463. 
    [19] Emanuel K A, Ivkovirothman M.Development and evaluation of a convection scheme for use in climate models.J Atmos Sci, 1999, 56(11):1766-1782. 
    [20] Lin Y L, Farley R D, Orville H D.Bulk parameterization of the snow field in a cloud model.J Appl Meteor, 1983, 22(6):1065-1092. 
    [21] Hong S Y, Lim J O J.The WRF single-moment 6-class microphysics scheme (WSM6).J Korean Medi Sci, 2006, 42:129-151. 
    [22] Thompson G, Rasmussen R M, Manning K, et al.Explicit forecasts of winter precipitation using an improved bulk microphysics scheme.Part Ⅰ:Description and sensitivity analysis.Mon Wea Rev, 2004, 136(12):5095-5115. 
    [23] Thompson G, Eidhammer T.A study of aerosol impacts on clouds and precipitation development in a large winter cyclone.J Atmos Sci, 2014, 71(10):3636-3658. 
    [24] Morrison H, Thompson G, Tatarskii V.Impact of cloud microphysics on the development of trailing stratiform precipitation in a simulated squall line:Comparison of one- and two-moment schemes.Mon Wea Rev, 2009, 137(3):991-1007. 
    [25] Taylor K E.Summarizing multiple aspects of model performance in a single diagram.J Geophys Res, 2001, 106(D7):7183-7192. 
    [26] Chen W, Jiang Z, Li L.Probabilistic projections of climate change over China under the SRES A1B Scenario using 28 AOGCMs.J Climate, 2011, 24(17):4741-4756. 
    [27] 杭月荷.CMIP5多模式对中国极端降水的模拟评估及未来情景预估.南京: 南京信息工程大学, 2013.
    [28] 童尧, 高学杰, 韩振宇, 等.基于RegCM4模式的中国区域日尺度降水模拟误差订正.大气科学, 2017, 41(6):1156-1166. 
    [29] 曾晓青, 薛峰, 姚莉, 等.针对模式风场的格点预报订正方案对比.应用气象学报, 2019, 30(1):51-62. 
    [30] 郝民, 龚建东, 田伟红, 等.L波段探空仪湿度资料偏差订正及同化试验.应用气象学报, 2018, 29(5):49-60. 
    [31] 卢新玉, 魏鸣, 王秀琴.TRMM月降水量产品在新疆地区的订正.应用气象学报, 2017, 28(3):379-384. 
    [32] 朱连华.中国地区极端降水的统计建模及其未来概率预估.南京: 南京信息工程大学, 2017.
    [33] 郭玉娣, 刘彬贤, 梁冬坡.变分方法在渤海海域ASCAT风场订正中的应用.应用气象学报, 2019, 30(3):122-130. 
    [34] 刘甲毅, 邓丽姣, 傅国斌, 等.两种统计降尺度方法在秦岭山地的适用性.应用气象学报, 2018, 29(6):99-109. 
    [35] Michelangeli P A, Vrac M, Loukos H.Probabilistic downscaling approaches:Application to wind cumulative distribution functions.Geophys Res Lett, 2009, 36(11):163-182. 
  • [1] 陈孝源,  俞善贤.  基于预测均方误差为最小的梅雨期长度统计预报模型 . 应用气象学报, 1988, 3(1): 100-104.
    [2] 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.
    [3] 吴正华.  北方强降水的气候特征 . 应用气象学报, 1988, 3(1): 86-92.
    [4] 刘玉宝,  游来光,  胡志晋.  新疆准噶尔盆地冬季系统性降水研究——Ⅰ.降水模型 . 应用气象学报, 1988, 3(1): 36-45.
    [5] 赵宗慈.  “三维气候模拟引论”介绍 . 应用气象学报, 1989, 4(1): -.
    [6] 陈万奎,  马培民.  四川春季一次层状云宏微观特征和降水机制 . 应用气象学报, 1986, 1(1): 53-58.
    [7] 陈万奎,  游来光.  融化层附近降水粒子微物理特征的个例分析 . 应用气象学报, 1987, 2(2): 143-150.
    [8] 刘玉宝,  胡志晋,  游来光.  新疆准噶尔盆地冬季系统性降水研究Ⅱ.理论探讨 . 应用气象学报, 1988, 3(2): 159-168.
    [9] 王玉清,  朱永禔.  双涡藤原效应的数值模拟研究 . 应用气象学报, 1989, 4(1): 13-20.
    [10] 张杰英,  杨梅玉,  姜达雍.  考虑大尺度凝结加热的数值模拟试验 . 应用气象学报, 1987, 2(2): 123-132.
    [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] 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.
    [13] 刘煜,  周秀骥,  李维亮.  对流层臭氧的数值模拟试验 . 应用气象学报, 1990, 1(1): 45-55.
    [14] 游来光,  刘延刚,  李炎辉.  新疆乌鲁木齐地区冬季降水与云水酸度及其化学成分的初步观测分析 . 应用气象学报, 1987, 2(1): 60-66.
    [15] 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.
    [16] 曹鸿兴.  我国气候对北太平洋海温的响应的模拟试验 . 应用气象学报, 1986, 1(1): 68-74.
    [17] 何溪澄,  党人庆.  长江中下游中尺度云团演变过程的数值模拟 . 应用气象学报, 1988, 3(2): 129-137.
    [18] 王思微,  许焕斌.  不同流型雹云中大雹增长运行轨迹的数值模拟 . 应用气象学报, 1989, 4(2): 171-177.
    [19] 赵宗慈.  黄河流域旱涝物理成因模拟与分析 . 应用气象学报, 1990, 1(4): 415-421.
    [20] 张德二,  王宝贯.  用清代《晴雨录》资料复原18世纪南京、苏州、杭州三地夏季月降水量序列的研究 . 应用气象学报, 1990, 1(3): 260-270.
  • 加载中
图(5) / 表(4)
计量
  • 文章访问数:  619
  • HTML全文浏览量:  456
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-05
  • 修回日期:  2020-04-28
  • 刊出日期:  2020-07-31

CWRF模式极端降水模拟误差订正

  • 1. 南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心, 南京 210044
  • 2. 河北省气象台, 石家庄 050021
  • 3. 美国马里兰大学地球系统多学科中心, 马里兰 20740
  • 4. 河南省许昌市气象局, 许昌 461000

摘要: 基于1980—2015年6—8月CWRF模式(Climate-Weather Research and Forecasting model)14种方案的模拟结果和全国逐日降水观测资料,对比了Q-lin,Q-tri,RQ-lin,RQ-tri,SSP-lin和CDFt 6种误差订正方法对CWRF模式控制化方案(C1)模拟中国东部夏季日极端降水的订正效果,以CWRF模式14种方案日极端降水的模拟效果排名为基础,对比了模拟效果较好的4种方案集合、模拟较差的4种方案集合以及14种方案集合的订正效果,选出相对较好的订正方案进一步评估其成员集合后订正和成员分别订正后再集合的订正效果,结果表明:采用6种误差订正方法均可明显减少日极端降水模拟误差,其中RQ-lin方法订正效果最佳。CWRF模式对中国东部的极端降水指数均表现出较好的模拟能力,不同参数化集合方案得到14种方案成员先订正再集合与观测日极端降水平均值最为接近,研究结果对于改进模拟结果、提高其预测能力有重要应用价值。

English Abstract

    • 极端降水常伴随洪涝等灾害的发生,对社会生产、经济安全、生态环境系统和人身安全等诸多方面造成巨大影响,受到极大关注[1-5]。准确预测极端降水特征,做好灾害的防御工作是当前极端气候变化研究的热点和难点。

      气候模式是极端气候变化模拟和预测研究的重要手段,由于区域气候模式具有更高分辨率、物理参数化方案的局地性表现更合适,使模式对区域气候变化具有较好的模拟和预测能力。CWRF模式是在WRF模式基础上改进并丰富了诸多物理参数化过程的区域气候模式[6-8],目前已经用于国家气候中心的业务预报试验中。由于中国复杂的气候环境和模式固有缺陷,预测与观测之间仍存在误差[9],因此,完善物理过程和参数化方案,并用合适的方法订正模式结果误差,有助于提高模拟的准确性和预报的可信度。

    • CWRF模式以EIR(ECMWF Interim reanalysis)驱动,输出场采用30 km网格距的东西向232格点、南北向172格点的兰伯特投影。CWRF为每一个关键的物理过程(包括陆面过程(地面、河流)行星边界层、积云对流过程、微物理过程、辐射过程等)集成全面的交替参数化方案。

      本文以CWRF控制化方案Cl为基础[6],C1方案中微物理过程采用GSFCGCE参数化方案[10],积云对流过程采用ECP & UW参数化方案[11-13],每次仅置换C1方案中积云对流参数化方案ECP & UW为KFeta[14],BMJ[15],Grell[16],NSAS[17],Donner[18]和Emanuel[19]之一,或置换C1方案中微物理参数化方案GSFCGCE为Lin[20],WSM6[21],Etamp-new[8],Thompson[22],Thompson-aero[23],Morrison[24]和Morrison-aerosol[8]之一,其他参数化方案保持与C1方案一致从而得到13种组合方案(表 1)。选取C1方案和13种方案模拟1980—2015年6—8月中国地区逐日降水场,将中国2416个气象台站1980—2015年6—8月的逐日降水观测资料插值到CWRF网格上,将模拟结果和观测资料统一划分为建模时期(1980—1996年)和验证时期(1997—2015年)。此外模式将中国大陆分为11个区域[6], 分别为华南、华中、华北、东北、内蒙古、西南、藏东、藏南、藏西、南疆和北疆。由于中国东部降水量大且极端降水出现概率高,伴随危害大,因此本文特选华北、华中、华南3个东部区域进行模拟评估和误差订正研究。

      表 1  CWRF模式参数化方案组合

      Table 1.  Parameterization schemes of CWRF

      方案积云对流参数化微物理过程参数化
      C1ECP & UWGSFCGCE
      C2KFetaGSFCGCE
      C3BMJGSFCGCE
      C4GrellGSFCGCE
      C5NSASGSFCGCE
      C6DonnerGSFCGCE
      C7EmanuelGSFCGCE
      C8ECP & UWLin
      C9ECP & UWWSM6
      C10ECP & UWEtamp-new
      C11ECP & UWThompson
      C12ECP & UWThompson-aero
      C13ECP & UWMorrison
      C14ECP & UWMorrison-aerosol
    • 本文从世界气象组织(WMO)针对气候监测和变化提出的27个极端气候核心指标中筛选出3种有关降水的指数(表 2),分别为降水强度、暴雨日数和强降水量。另定义2种与极端降水相关的极端指数,分别是第95百分位降水量和极端降水贡献率,用于评估CWRF模式模拟极端降水的效果。

      表 2  极端降水指数

      Table 2.  Extreme rainfall indices

      指数名称缩写定义单位
      降水强度SDII总降水量/有雨日数mm·d-1
      暴雨日数R50日降水量不低于50 mm的日数d
      第95百分位降水量P95日降水量在第95百分位的值mm
      强降水量R95P日降水量大于第95百分位值的总降水量mm
      极端降水贡献率R95T超过第95百分位降水量之和占总降水量的百分率%
    • 采用泰勒评分S定量评估模式极端降水模拟能力[25],公式如下,

      $ S = \frac{{4{{(1 + R)}^4}}}{{{{\left( {{{\hat \sigma }_{\rm{f}}} + 1/{{\hat \sigma }_{\rm{f}}}} \right)}^2}{{\left( {1 + {R_0}} \right)}^4}}}。 $

      (1)

      式(1)中, R是模拟与观测的相关系数,R0是模拟与观测可能取得的最大相关系数,当模式方差接近观测方差(即${{{\hat \sigma }_{\rm{f}}}}$趋近于1),同时R无限趋近于R0,表示模式效果与观测接近一致。

      M2指数用于评估模拟气候场每一个格点上时间序列相对于该格点上观测时间序列的年际变率的差值,主要以标准差衡量, 公式如下:

      $ {M_2} = {\left( {\frac{{{D_{\rm{m}}}}}{{{D_{\rm{o}}}}} - \frac{{{D_{\rm{o}}}}}{{{D_{\rm{m}}}}}} \right)^2}。 $

      (2)

      式(2)中, DmDo分别是模拟和观测的标准差。M2越接近于0,表示模拟年际变率的能力就越强,当DmDo相同时,M2等于0[26-27]

    • 国内外学者围绕模式误差订正进行了一系列研究,包括简单的线性订正到基于概率分布以及空间场的订正[28-34],目前基于概率分布的订正方法较为常用,通过对比模拟与观测的累积概率分布函数构建传递函数进行订正(TF方法),根据构建概率分布函数和传递函数的不同,TF方法可以有多种扩展延伸。本文采用多种非参数化传递法对极端降水的模拟进行订正。

      Q-lin方法是基于经验累积分布函数,该方法认为模式模拟降水Xc与观测降水Yc两者的经验累积概率分布函数相等,即

      $ {F_{\rm{m}}}\left( {{X_{\rm{c}}}} \right) = {F_{\rm{o}}}\left( {{Y_{\rm{c}}}} \right), $

      (3)

      从式(3)得到观测和模拟降水的传递函数:

      $ {Y_{\rm{c}}} = F_{\rm{o}}^{ - 1}\left( {{F_{\rm{m}}}\left( {{X_{\rm{c}}}} \right)} \right)。 $

      (4)

      其中,Fm(Xc)是建模时期的模式降水对应的经验累积分布,Fo(Yc)为同时期观测降水对应的经验累积分布,拟合传递值之间的插值类型选择线性插值,应用该传递函数可得到验证时期订正后降水。

      本文其他5种订正方法与Q-lin方法类似,区别是RQ-lin方法选择局部线性最小二乘回归拟合观测与模拟的经验累积分布函数,SSP-lin方法使用三次光滑样条拟合模拟和观测的分位数关系,Q-tri方法和RQ-tri方法选择的是单调三次样条插值方法拟合传递值,CDFt方法则考虑了模拟与观测的累积概率分布随时间的变化[35]

      本文的误差订正方法计算基于R语言Qmap程序包进行。

    • 针对CWRF模式C1方案,给出模拟的中国东部夏季日极端降水平均值及经6种方法订正后与观测值的空间分布,由图 1看到,经过6种方法订正后的C1方案日极端降水平均值误差有所减少,其中RQ-lin方法和Q-lin方法的订正结果与观测较为接近,CDFt方法和SSP-lin方法订正结果与观测误差较大,表 3给出了C1方案日极端降水平均值经6种方法订正后与观测值的相关系数和均方根误差的区域平均值,C1方案模拟与观测的相关系数为0.66,均方根误差为13.27,6种方法订正结果相比模拟均有改进,其中RQ-lin方法订正后与观测的相关系数达到0.82,均方根误差减小为10.03。对6种订正方法订正后与观测日极端降水平均值的相关系数和均方根误差进行区域平均排名可以得到,相关系数和均方根误差排名趋势一致,从日极端降水量的平均值的订正看,订正效果好坏依次是RQ-lin方法、Q-lin方法、RQ-tri方法、Q-tri方法、CDFt方法和SSP-lin方法。在各种方法均有较好订正效果的同时,RQ-lin方法表现更为突出,因此,RQ-lin方法被选为中国东部地区夏季日极端降水模拟误差订正最佳方法,用于下文订正不同方案集合的研究。

      图  1  验证时期CWRF模式C1方案日极端降水平均值及经6种方法的订正值与观测值

      Figure 1.  Daily extreme precipitation from observation and simulation by CWRF control scheme(C1) with its revision under 6 methods in validation period

      表 3  验证时期CWRF模式C1方案模拟的日极端降水平均值经6种方法订正后与观测值的区域相关系数以及均方根误差

      Table 3.  Regional correlation coefficient and root mean square error of daily extreme precipitation mean from observation to revision of CWRF control scheme(C1) under 6 methods in validation period

      订正方法相关系数均方根误差
      Q-lin0.8110.29
      Q-tri0.7811.64
      RQ-lin0.8210.03
      RQ-tri0.8010.75
      SSP-lin0.6718.76
      CDFt0.7315.77
    • 本文选取CWRF模式模拟效果较好的4种方案集合、模拟效果较差的4种方案集合以及14种方案集合作为订正对象进行研究。首先评估CWRF模式14种方案日极端降水的模拟能力,5个极端指数在华北、华中和华南3个区域的平均泰勒评分如图 2所示,泰勒评分越接近于1,说明模拟效果越好。由图 2可见,不同方案对5种极端指数的模拟结果存在显著差异,同一极端指数在14种方案间的表现也不一致,总体来说,强降水量R95P和极端降水贡献率R95T的模拟效果优于其他极端指数,降水强度SDII的模拟能力较差,将每种方案5种极端指数的泰勒评分进行分析并排名(图略)可以看出,C13,C14,C1和C9方案对极端指数模拟能力的刻画较为突出,C4,C6,C7和C5方案则相对较差。

      图  2  CWRF模式14种方案下5种极端降水指数的泰勒评分

      Figure 2.  Taylor score for 5 simulated extreme indices of 14 parameterization schemes of CWRF Model

      为了评估CWRF模式对华北、华中和华南3个区域日极端降水在时间变率上的模拟能力,不同方案极端指数区域平均的M2指数见图 3M2指数越接近于0,则模式模拟极端降水的时间变率效果越好,总体来说,第95百分位数降水量P95、强降水量R95P、暴雨日数R50和降水强度SDII的M2指数较低,除个别方案以外基本不超过10,这4种极端指数的时间变率模拟效果相对较好,但极端降水贡献率R95T的M2指数在不同方案间差距大,C7方案M2指数误差最大,C11,C12,C13和C14方案相对较小,但基本没有对时间变率的模拟能力,M2指数较低的极端指数在不同方案之间的表现也有差距。综合5种极端指数,定性判断,C3和C6方案M2指数偏大,对时间变率的模拟能力较差,C13,C14方案对于5种极端指数的时间变率均有不错的模拟效果。

      图  3  CWRF模式14种方案下5种极端指数的M2指数

      Figure 3.  M2 for 5 simulated extreme indices of 14 parameterization schemes of CWRF Model

      为全面考察各方案对3个区域时间变化趋势的模拟能力, 计算1980—2015年5种极端指数观测与模拟时间序列的相关系数,综合考虑区域平均时间序列相关系数和M2指数对各极端指数模拟的定量评估,得到14种方案对日极端降水时间变率模拟能力的排名。

      表 4是CWRF模式14种方案极端降水基于泰勒评分和时间变率(M2指数和相关系数)的模拟能力排名以及两者的综合排名,对比泰勒评分和时间变率模拟能力排名,发现两者有一定的相似,相关系数达到0.566,达到0.05显著性水平,综合排名模拟较好的4种方案为C13,C14,C12和C1,模拟较差的4种方案为C6,C4,C3和C10。

      表 4  14种方案模拟能力排名

      Table 4.  Ranking of simulation capabilities of 14 parameterization schemes

      方案泰勒评分时间变率综合
      C1384
      C2845
      C3101312
      C4141113
      C51128
      C6131414
      C712710
      C8588
      C9485
      C1091111
      C11665
      C12643
      C13111
      C14222
    • 图 4给出经RQ-lin方法订正后4种不同方案集合的夏季日极端降水平均值和观测的空间分布对比,由图 4可知,只订正C1方案的结果在华中南部误差仍较大,华北东部和华南南部也存在一定的误差,对模拟较好的4种方案集合、模拟较差的4种方案集合和14种方案集合的订正相比C1方案误差均有所减小。经过RQ-lin方法订正过的C1方案夏季日极端降水平均值与观测的相关系数为0.82,均方根误差为10.03,4种模拟较好的方案集合订正后相关系数提高到0.82,均方根误差减小为9.31,4种模拟较差的方案集合订正后与观测的相关系数提升为0.85,均方根误差进一步减小到8.57,14种方案集合订正后与观测的相关系数达到最大,为0.86,均方根误差也降到更低,为8.36。

      图  4  RQ-lin方法订正后不同方案集合的日极端降水平均值和观测值(a)观测,(b)C1,(c)C1,C12,C13和C14的集合,(d)C3,C4,C6和C10的集合,(e)C1~C14的集合

      Figure 4.  Daily extreme precipitation mean for different parameterization schemes under RQ-lin revision and observation (a)observation, (b)C1, (c)sets of C1, C12, C13 and C14, (d)sets of C3, C4, C6 and C10, (e)sets of C1-C14

      进一步研究订正效果最好的14种方案集合后订正与各成员先分别订正再集合的效果,14种方案先订正再集合的夏季日极端降水平均值的空间分布如图 5所示,分别订正后再集合的夏季日极端降水平均值与观测夏季日极端降水平均值相关系数达到0.89,均方根误差减小到7.31,由此可见,成员分别由RQ-lin方法订正后再集合的效果与观测最为接近,该方案为最佳日极端降水订正方案。

      图  5  14种方案成员分别订正后再集合的日极端降水平均值空间分布

      Figure 5.  Daily extreme precipitation mean of 14 parameterization schemes revised and regrouped

    • 本文基于1980—2015年6—8月逐日降水观测资料和CWRF模式14种方案的模拟结果,对比6种误差订正方法对C1方案在华北、华中和华南3个区域模拟夏季日极端降水的订正效果,评估CWRF模式14种方案对日极端降水的模拟能力,并对比不同集合订正方案和最佳订正方案中成员集合后订正以及成员先分别订正再集合的效果,结论如下:

      1) 不同误差订正方法均可有效地改进日极端降水模拟误差,其中RQ-lin订正方法相比其他订正方法与观测日极端降水平均值的相关系数更高,均方根误差最低。

      2) 虽然方案之间对极端降水指数的模拟存在较大差异,但CWRF模式对中国东部的极端降水指数均表现出较好的模拟能力,综合评估得到极端降水模拟能力较好的前4种方案为C13,C14,C12和C1,较差的后4种方案分别为C6,C4,C3和C10。

      3) 对比CWRF模式模拟效果较好的4种方案集合、模拟效果较差的4种方案集合、14种方案集合以及C1方案的极端降水经RQ-lin方法误差订正后的表现得到,14种方案成员先订正再集合与观测结果最为接近。

      误差订正仅能作为改进极端降水预测的辅助手段,对物理过程的精细化描述,提高模式的分辨率等仍是提高日极端降水预测水平的关键。

参考文献 (35)

目录

    /

    返回文章
    返回