Application of Rain and Snow Phase Criterion Based on Ice-phase Particle Content Forecast by CMA-MESO
-
摘要: 利用中国气象局中尺度模式(CMA-MESO)云降水物理直接输出的水凝物混合比, 确定基于冰相水凝物占比的雨雪相态判据, 并应用于2023年1月14—15日我国大范围降水过程的雨雪相态判别。结果表明:该判据明显改善了基于温度和高度场的厚度判据对我国东部地区雨夹雪范围判别偏大、对分散性雨夹雪漏报的问题, 6~18 h时效雨夹雪预报TS评分较厚度判据提升75%~100%, 24 h时效降雪预报TS评分较厚度判据提升67%;对全国雨雪范围判别合理, 对小范围雨夹雪具有指示作用;对全国3~36 h时效降雨、降雪和雨夹雪预报TS评分为0.76~0.62, 0.69~0.63和0.11~0.08;对降雨和降雪存在一定空报和漏报, 对24 h时效雨夹雪空报明显;对相态转换过程有较好指示效果, 判别代表站相态转换开始时间误差为1~2 h, 对我国东部地区代表站的相态转换和雨夹雪持续时间判别优于厚度判据, 基于厚度判据雨夹雪预报持续时间偏长。研究结果可为雨雪相态业务预报提供客观预报产品参考。Abstract: The forecast of rain and snow phase is one of the difficulties in precipitation forecast, which is of great significance for disaster prevention and reduction. Rain or snow phase is mainly discriminated according to the traditional temperature-thickness criterion, or the combination of numerical model results with the judgment of forecasters on environmental conditions in present operatorial forecast. However, the determination of temperature-thickness criterions is subjective, complicated and various in different regions. The precipitation phase product of numerical model is based on temperature, humidity and liquid water content forecasts, resulting in errors of other variables besides microphysics introduced. Therefore, many uncertainties exist in the forecast of the transition of rain and snow, especially in the mixed phase. China Meteorological Administration mesoscale model (CMA-MESO) is a regional numerical model and has been applied to national operatorial weather forecast. Its precipitation phase is diagnosed using temperature, humidity and other basic atmospheric variables, including only rain, snow, freezing rain and hail, excluding mixed phase. Therefore, it is urgent to study on a more effective method for rain and snow, especially for the sleet forecast.A criterion for discriminating rain and snow phase is determined using the ice-phase particle content directly output from microphysics scheme of CMA-MESO, and applied to discriminate the range and transition of rain and snow in a widespread precipitation process in China during 14-15 January 2023. The proportion threshold of ice particles is firstly determined by the statistical threat scores. Results show that problems of larger range of sleet and underreporting scattered sleet in eastern China discriminated by traditional thickness criterion are obviously improved by ice-phase criterion. Threat scores for 6-18 h forecast of sleet increase by 75%-100%, and those for 24 h forecast of snow increase by 67% using ice-phase criterion compared with those using thickness criterion, respectively. Threat scores of 3-36 h forecast for rain, snow and sleet are 0.76 to 0.62, 0.69 to 0.63 and 0.11 to 0.08. There are false alarm and missing for rain and snow, respectively, and obvious false alarm for sleet within 24 h. The ice-phase criterion performs well on discriminating the transition process of rain and snow. The forecast error of phase transition start time at representative stations is about 1-2 h using ice-phase criterion, better than thickness criterion. Besides, the ice-phase criterion performs better in discriminating the duration of sleet for the representative station in eastern China too, while the thickness criterion will make forecast results longer than observations. These results could provide a more reliable and objective forecast product for the rain and snow phase forecast in operation.
-
引言
雨雪相态预报是冬春季降水预报的重要方面,对公共安全应急管理措施制定及防灾减灾具有重要意义。雨雪相态变化可能造成道路结冰、农作物受损、城市积水等问题,给交通运输、农业生产、城市管理等领域带来不利影响[1-2]。因此,提高雨雪相态预报的准确性和时效性是气象部门的重要任务之一,对保障社会经济发展和人民生活安全意义重大。但由于降水形成和发展过程复杂[3],涉及多种物理过程和微物理机制[4-7],对温度垂直分布、水汽含量和云层结构等多种要素敏感,雨雪相态预报一直是冬春季降水预报面临的重大难题之一[8-9]。
雨雪相态预报方法发展主要经历了指标判据法—数值模式预报方法—人工智能方法。长期以来雨雪相态预报多依靠基于个例总结的指标判据法,该方法以对雨雪相态敏感的大气垂直温度和湿度要素阈值作为判断指标,主要包括特定层温度预报方法[10-13]、垂直温湿度廓线预报方法[14-17]和气压层厚度预报方法[18-21]等。预报员根据观测或数值模式预报的温度、湿度和高度等要素,结合统计或诊断模型,预报降水过程的雨雪相态。漆梁波等[22]比较国内外多种判据对雨雪相态的预报效果,建立一套综合温度和厚度、适用于我国东部地区冬季雨雪相态的识别判据,取得较好识别效果。随着数值模式发展,云降水物理过程复杂程度逐渐提升,可逐层计算水凝物并定量输出到达地面的水凝物含量,实现地面降水类型的定量化预报[23]。董全等[24]检验欧洲中期天气预报中心全球模式(ECMWF)降水相态预报产品发现,确定性预报对降雨和降雪的预报效果较好,对雨夹雪的预报能力最低,范围显著偏小,TS评分不足0.1。集合预报产品提供不同降水相态的概率预报[25],研究者后续在集合预报产品的基础上开发了降水相态客观预报产品[26-27]。近年人工智能技术在气象领域的研究和应用不断深入,基于海量历史数据得到预报模型,可对雨雪相态进行判别。决策树[28-29]、人工神经网络[30-31]、深度学习[32]等技术的应用使雨雪相态的判识准确率得到提高,但由于人工智能主要以统计为基础,缺乏对物理规律的描述,对现象的解释性不足[33],因此其在雨雪相态判别中的应用尚处于探索阶段。目前业务上主要依靠数值模式直接输出及预报员对环境条件判断进行雨雪相态预报。雨雪相态判别指标的定义具有较高主观性,计算复杂且不同地区标准不一,数值模式雨雪相态产品为温度、湿度等基本要素的诊断结果[34],或在液态水比例的基础上考虑温度要素[35],引入了其他变量预报误差,因此对雨雪相态,特别是混合相态的预报存在诸多不确定性。
中国气象局中尺度模式(CMA-MESO)是我国自主研发的全球/区域多尺度通用同化预报系统中尺度模式[36],已应用于国家级天气预报业务,在降水预报中表现良好[37-38]。降水相态产品基于模式预报的温度、湿度、气压、高度和降水量,仅诊断输出雨、冻雨、雪和冰粒4类[34],不包含混合相态。本文利用由CMA-MESO直接输出的水凝物含量确定的雨雪相态判据对1次大范围降水过程的雨雪相态进行判别,探索数值模式雨雪相态预报方法。
1. 数据与方法
1.1 观测与模式数据
观测的雨雪相态来自全国地面逐小时数据中的“现在天气”字段,该数据包含1951年后我国国家站逐小时的本站天气现象,数据实时更新,可通过天擎气象大数据平台获取。
模式数据来自CMA-MESO业务预报模式面输出结果。CMA-MESO动力框架采用全可压原始方程、半隐式半拉格朗日时间平流方案、水平等经纬度Arakawa-C网格、垂直高度地形追随坐标、静力/非静力灵活切换设计,物理过程主要采用改进的WSM6云微物理方案[39-41]、ECMWF云量诊断方案、RRTM LW&Dudhia SW辐射方案[42-43]、Noah陆面过程方案[44]以及NMRF边界层方案[45],同化系统包括三维变分同化、三维云分析和陆面数据同化系统。目前模式业务版本水平分辨率为3 km,垂直方向为50层,每日02:00,05:00,08:00,11:00,14:00,17:00,20:00和23:00(北京时间,下同)起报,其中08:00和20:00采用NCEP-GFS背景场冷启动,预报时效为72 h,其余时次为暖启动,预报时效为36 h,运行区域范围10°~60.1°N,70°~145°E。使用的模式输出变量包括高度、温度、降水量、云水、雨水、冰晶、雪和霰混合比。
1.2 方法
CMA-MESO采用的WSM6云微物理方案为单参数方案,由Rutledge等[39]以及Dudhia[40]云微物理方案经过优化冰核和冰晶数浓度参数化改进而来[41],可对液相水凝物(云水和雨水)和冰相水凝物(冰晶、雪和霰)的混合比进行逐层预报。
本研究以冰相水凝物在总水凝物中的比例判断雨雪相态,即判别指标(K)为
(1) 式(1)中,qi为冰晶混合比,qs为雪混合比,qg为霰混合比,qc为云水混合比,qr为雨水混合比。理论上,K=0时,为液态降水;K=1时,为固态降水;0<K<1时,为混合态降水。但计算结果表明:采用K=1判断雪区范围较观测明显偏小,该阈值应减小。为确定雪的判别阈值,对历史个例采用不同阈值进行TS评分比较。表 1为用于确定阈值的大范围雨雪天气过程及各次过程中用于计算TS评分的时刻。2021年11月22日CMA-MESO业务升级,升级版本针对云降水物理进行了一系列改进,因本文判据依赖于模式云物理方案,为避免CMA-MESO升级前后云降水物理差异对阈值的影响,仅选择升级后的历史个例。为避免引入后处理插值误差,选取CMA-MESO直接预报的模式面数据。由于CMA-MESO第2层模式面高度为52.26 m,远高于观测站高度,仅选用第1层模式面数据。模式水凝物和总降水的格点数值采用邻近点插值方法插值到站点位置后进行相态判断,仅计算站点现象为雨、雨夹雪或雪,且该站的模式总降水量不低于0.1 mm的TS评分。确定阈值时使用的模式数据均为挑选的每个观测时刻最临近的起报结果。
表 1 用于确定雨夹雪与雪判别阈值的个例Table 1. Cases for determining threshold of sleet and snow序号 雨雪过程时间 用于计算阈值的时刻 CMA-MESO起报时刻 1 2022-11-10—12 2022-11-11T14:00
2022-11-12T05:00
2022-11-12T12:002022-11-11T11:00
2022-11-12T02:00
2022-11-12T11:002 2022-02-16—17 2022-02-16T21:00
2022-02-17T12:00
2022-02-17T22:002022-02-16T20:00
2022-02-17T11:00
2022-02-17T20:003 2022-02-11—13 2022-02-11T03:00
2022-02-12T23:00
2022-02-13T09:002022-02-11T02:00
2022-02-12T20:00
2022-02-13T08:004 2022-01-25—27 2022-01-25T06:00
2022-01-26T04:00
2022-01-27T04:00
2022-01-27T22:002022-01-25T05:00
2022-01-26T02:00
2022-01-27T02:00
2022-01-27T20:005 2022-01-20—24 2022-01-20T21:00
2022-01-21T09:00
2022-01-22T06:00
2022-01-22T15:00
2022-01-23T09:00
2022-01-24T10:002022-01-20T20:00
2022-01-21T08:00
2022-01-22T05:00
2022-01-22T14:00
2022-01-23T08:00
2022-01-24T08:006 2022-01-04—07 2022-01-04T18:00
2022-01-05T10:00
2022-01-06T16:00
2022-01-07T17:002022-01-04T17:00
2022-01-05T08:00
2022-01-06T12:00
2022-01-07T14:007 2021-12-25—27 2021-12-25T09:00
2021-12-26T13:00
2021-12-27T14:002021-12-25T08:00
2021-12-26T11:00
2021-12-27T11:008 2021-11-29—30 2021-11-29T13:00 2021-11-29T11:00 表 2为1.00至0.50每间隔0.05作为阈值计算的历史个例中雨夹雪和降雪预报的平均TS评分。降雪预报的TS评分随阈值减小总体呈上升趋势,雨夹雪预报的TS评分在阈值为1.00至0.85之间时保持稳定,之后随阈值减小总体呈下降趋势。本文重点关注混合相态预报和雨雪转换,优先考虑雨夹雪的判别效果,综合降雪预报的TS评分,最终确定0.85为区分雨夹雪与降雪的阈值,即K≥0.85时,判断为雪;0<K<0.85时,判断为雨夹雪。
表 2 不同阈值确定的雨夹雪和降雪预报平均TS评分Table 2. Mean threat score for sleet and snow determined by various thresholds阈值 TS评分 雨夹雪 降雪 1.00 0.118 0.805 0.95 0.118 0.808 0.90 0.118 0.815 0.85 0.119 0.820 0.80 0.115 0.826 0.75 0.114 0.835 0.70 0.115 0.835 0.65 0.113 0.848 0.60 0.114 0.854 0.55 0.113 0.853 0.50 0.112 0.859 2. 雨雪过程概况
2023年1月14—15日,受500 hPa南支槽和北方短波槽影响,配合850 hPa水汽条件(图 1),我国江淮、黄淮、西南和华南地区出现自北向南的大范围雨雪天气过程。该过程发生在2023年我国首次强寒潮背景下,具有雨雪范围广和雨雪转换相态复杂等特点,河南信阳、安徽池州等多地出现大暴雪,多个气象站日降水量突破1月历史极值,最大24 h累积降水量为33.8 mm,发生在安徽九华山。14日08:00雨雪分界线位于江苏北部—湖北—四川北部一线,15日08:00南移至浙江中部—湖南—贵州南部一线。安徽、湖北、湖南、重庆、贵州、江西等地出现雨夹雪。雨雪相态是此次过程的预报难点。
图 1 2023年1月14日08:00 500 hPa高度场(等值线,单位:dagpm)、850 hPa风场(风羽) 和850 hPa水汽通量(填色)(+为安徽青阳站和贵州绥阳站)Figure 1. 500 hPa geopotential height (the contour, unit:dagpm), 850 hPa wind (the barb) and 850 hPa water vapor flux (the shaded)(+ denote locations of Qingyang Station of Anhui and Suiyang Station of Guizhou)3. 雨雪相态判别
此次过程的雨雪相态转换主要发生在2023年1月14日白天至15日白天,以14日14:00,20:00和15日02:00,08:00 4个时刻为代表进行雨雪相态判别,并与文献[19]的传统判据(以下称厚度判据)判别结果进行对比。使用厚度判据时,仅判断总降水量不小于0.1 mm格点的降水相态。由于该厚度判据仅适用于我国东部地区(25°~38°N,112°~122°E),因此这里只讨论厚度判据在我国东部地区的判别结果。对降水相态空间分布进行判别结果比较,并选取在此次过程中发生雨雪相态转换、同时适合两种判据的我国东部代表站(安徽青阳站)和仅适用于冰相水凝物判据的其他地区代表站(贵州绥阳站)进行判别分析。
图 2为2023年1月14—15日观测和基于两类判据的雨雪分布。由14日14:00观测可见,雨雪分界线位于江苏北部—湖北北部—陕西南部一线,江苏、安徽、河南、湖北、湖南、江西、贵州、四川和重庆等出现雨夹雪。由于模式漏报山东、河南南部、湖北和湖南的大部分降水,导致厚度判据和冰相水凝物判据在上述地区均为漏报。由14日14:00厚度判据结果可知,其判别的雨夹雪范围偏大,集中在安徽北部到河南东南部,对河南西北部、湖北北部、湖南及江西的雨夹雪漏报。由于厚度判据依赖空间上平滑性和连续性较好的高度和温度变量,易将雨夹雪判别在雨雪分界线附近;水凝物受微物理过程影响,空间上多呈现不连续分布,对观测中较分散的小范围雨夹雪具有指示作用。对比14日14:00观测和冰相水凝物判据结果可见,基于冰相水凝物判据得到的雨夹雪范围更合理,不仅能够判别江苏中部到河南东南部的雨夹雪,对河南西北部、湖北北部及湖南的分散性雨夹雪的判别效果也较好。在厚度判据不适用的其他地区,冰相水凝物判据同样适用,可以准确判别湖北西部—陕西南部—甘肃南部的雨雪分界线位置,对贵州北部、四川、重庆及陕西南部的雨夹雪的判别效果也较好。
由1月14日20:00观测可知,雨雪分界线南移至江苏中部—湖北南部—四川北部一线,雨夹雪在雨雪分界线附近和福建北部、江西、湖南中部及贵州中北部。由14日20:00厚度判据结果可知,厚度判据无法识别湖南北部到湖北南部的降水相态,雨夹雪范围判别偏大且集中。部分降水相态无法识别与厚度判据的不连续性有关,因为3种相态的判别条件不完全闭合,导致部分降水区域不满足任何一种相态的判别条件。由14日20:00冰相水凝物判据结果可知,其判别结果与观测一致,较厚度判据更能准确判别浙江北部的雨夹雪,且对贵州、四川、重庆、陕西和甘肃等厚度判据不适用地区的雨雪相态也有较好的判别效果。
对比1月15日02:00观测和两类判据结果可知,厚度判据判别雨夹雪范围偏大,位置偏北,冰相水凝物判据判别我国东部地区雨、雪和雨夹雪范围与观测更一致,对浙江北部和湖南中南部的雨夹雪判别效果较厚度判据改善明显,对东部地区以外的陕西南部、重庆、四川和贵州地区雨夹雪的判别效果较好。15日08:00降水范围进一步南推,东部地区雨雪分界线位于浙江和江西北部,雨夹雪出现在雨雪分界线周围包括浙江、江西北部和江苏、安徽和湖北南部地区,以及湖南南部、贵州、四川、重庆地区。对东部地区降雪相态的分布,冰相水凝物判据的结果较厚度判据与观测更一致,对其他地区降水相态的判别,特别是雨夹雪分布,效果也较好。
在图 2降水相态空间分布基础上采用TS评分和偏差评分进行定量比较。采用厚度判据时,对温度场和高度场采用双线性插值方法,对总降水量采用邻近点插值方法,将温度、高度和总降水量插值到站点,对总降水量不小于0.1 mm的站点进行降水相态判断;采用冰相水凝物判据时,采用邻近点插值方法将水凝物含量插值到站点,进行相态判断。基于两类判据预报的TS评分和偏差评分均仅统计观测为雨、雪或雨夹雪,且模式预报该站点出现降水的样本。
图 3为CMA-MESO 2023年1月14日08:00起报的我国东部地区(25°~38°N,112°~122°E)基于厚度判据和冰相水凝物判据的不同时刻降雨、降雪和雨夹雪预报的TS评分和偏差评分。由图 3可知,对于降雨,14日14:00,20:00和15日02:00冰相水凝物判据预报TS评分低于厚度判据,15日08:00高于厚度判据,这是由于15日08:00冰相水凝物判据的漏报较少。对于降雪,14日14:00基于冰相水凝物判据预报TS评分为0.78,基于厚度判据预报TS评分为0.45,15日08:00基于冰相水凝物判据预报TS评分为0.72,相对于厚度判据预报TS评分(0.43)仍有67%的提升。降雪偏差评分表明两类判据对东部地区降雪判断均存在判别不足。雨夹雪预报TS评分明显低于降雨和降雪,董全等[24]检验ECMWF细网格降水相态预报产品在我国6 h时效雨夹雪预报TS评分仅为0.07,24 h时效预报TS评分为0.06,表明混合相态预报难度较高。对于雨夹雪,14日14:00,20:00和15日02:00基于冰相水凝物判据预报TS评分分别为0.14,0.15和0.12,较基于厚度判据预报TS评分(分别为0.08,0.09和0.06)提升明显。15日08:00东部地区出现雨夹雪的站点较少,基于冰相水凝物判据仅命中1站,基于厚度判据命中3站,因此该时刻虽然基于冰相水凝物判据空报和漏报明显偏少,但其预报TS评分仍低于厚度判据。雨夹雪预报偏差评分表明两类判据对雨夹雪均空报明显。
图 3 CMA-MESO 2023年1月14日08:00起报的东部地区(25°~38°N,112°~122°E) 基于厚度判据和冰相水凝物判据的不同时刻降雨、降雪和雨夹雪预报TS评分和偏差评分Figure 3. Threat score and bias for rain, sleet and snow discriminated by thickness criterion and ice-phase criterion based on CMA-MESO forecast in eastern China (25°-38°N,112°-122°E) initialized at 0800 BT 14 Jan 2023图 4为基于冰相水凝物判据的我国雨雪相态预报TS评分和偏差评分。由图 4 TS评分可知,降雨和降雪预报的TS评分相当,降雨预报的TS评分为0.45~0.81,降雪预报的TS评分为0.48~0.80,雨夹雪预报评分较低,1月14日14:00的TS评分为0.12,15日08:00的TS评分为0.09。由图 4偏差评分可知,除1月15日08:00对雨夹雪预报不足外,其余时刻对雨夹雪均存在不同程度空报。
对CMA-MESO不同时效预报进行统计评分检验。图 5是CMA-MESO逐3 h时效基于冰相水凝物判据雨雪相态预报的平均TS评分和偏差评分。由图 5可知,雨夹雪预报36 h时效内的判别效果稳定,TS评分约为0.1,其中3 h时效预报TS评分为0.11, 36 h时效预报TS评分为0.08。降雨和降雪判别效果随预报时效呈下降趋势,其中3 h和36 h时效降雨预报TS评分分别为0.76和0.62,3 h和36 h时效降雪预报TS评分分别为0.69和0.63。偏差评分表明CMA-MESO对降雨和降雪分别存在一定空报和漏报,对雨夹雪24 h时效内的空报较明显。
以下对同时适用厚度判据和冰相水凝物判据的我国东部代表站——安徽青阳站和仅适用冰相水凝物判据的其他地区代表站——贵州绥阳站进行分析,讨论对雨雪相态过程转换的判别效果。
图 6为2023年1月14—15日青阳站观测和CMA-MESO基于两类判据预报的降水相态,图 7为2023年1月14—15日青阳站水凝物含量垂直廓线。由图 6观测可知,14日青阳站白天温度在0℃以上,降水相态为雨,21:00发生雨雪相态转换,23:00至次日08:00降水相态为雪。由图 6水凝物判据结果可知,雨雪相态转换发生在14日22:00,较观测偏晚1 h,22:00前为雨,23:00后为雪。由图 7可知,降雨阶段(14日11:00)低层主要为云水和雨水,冰晶、雪和霰粒子位于对流层中层;雨雪转换阶段(14日22:00)低层液态水凝物逐渐减少,冰相粒子下沉并在近地层占主导;降雪阶段(15日06:00)低层完全为冰相水凝物。由图 6厚度判据结果可知,14日19:00发生雨雪相态转换,较观测偏早2 h,雨夹雪相态持续至14日23:00,持续时间偏长。
图 6 2023年1月14—15日青阳站观测和CMA-MESO 2023年1月14日08:00起报的2 m温度(黑色实线)、小时降水量(柱状图) 及基于冰相水凝物判据和厚度判据的降水相态Figure 6. 2 m temperature (the black curve), hourly precipitation (the bar) and precipitation phase discriminated by ice-phase criterion and thickness criterion based on CMA-MESO forecast initialized at 0800 BT 14 Jan 2023 and observations at Qingyang Station during 14-15 Jan 2023图 8为2023年1月14—15日绥阳站观测和CMA-MESO基于冰相水凝物判据预报的降水相态,图 9为2023年1月14—15日绥阳站水凝物含量垂直廓线。由图 8可知,2023年1月15日05:00前绥阳站降水相态为雨,05:00—09:00雨夹雪和雨交替出现,为雨雪转换阶段,10:00后降水相态为雪。冰相水凝物判据得到雨雪转换阶段为03:00—09:00,起始时间偏早2 h,结束时间与观测一致。由图 9可知,3种相态水凝物垂直廓线特征与青阳站一致,降雨阶段低层主要为液相水凝物,雨夹雪阶段冰相水凝物逐渐下沉至对流层低层,液相水凝物减少,降雪阶段低层主要为冰相水凝物。水凝物垂直廓线特征说明冰相水凝物判据的合理性。
图 8 2023年1月14—15日绥阳站观测和CMA-MESO 2023年1月14日11:00起报的2 m温度(黑色实线)、降水量(柱状图) 及基于冰相水凝物判据得到的降水相态Figure 8. 2 m temperature (the black curve), hourly precipitation (the bar) and precipitation phase discriminated by ice-phase criterion based on CMA-MESO forecast initialized at 1100 BT 14 Jan 2023 and observations at Suiyang Station during 14-15 Jan 20234. 结论
本文利用CMA-MESO业务预报输出的水凝物混合比确定的冰相水凝物判据,判别2023年1月14—15日我国大范围雨雪过程的雨雪范围及相态转换,得到以下主要结论:
1) 冰相水凝物判据能较好地判别雨雪,特别是雨夹雪范围。用于我国东部地区可明显改善厚度判据判别雨夹雪范围偏大的问题,但对我国东部地区降雪预报存在不足,对雨夹雪空报明显。对于全国范围,冰相水凝物判据对降雨和降雪判断效果较好,3~36 h时效降雨预报的TS评分为0.76~0.62,降雪预报的TS评分为0.69~0.63。对雨夹雪判别的TS评分较降雪和降雨预报偏低,此次过程不同时效预报的平均TS评分约为0.1。
2) 降雨阶段对流层低层主要为液相水凝物,冰相水凝物位于对流层中层,雨雪相态转换的雨夹雪阶段冰相水凝物逐渐下沉至对流层低层,液相水凝物减少,降雪阶段冰相水凝物在低层占据主导地位。
3) 冰相水凝物判据对雨雪相态转换过程的判别能力较好。对厚度判据适用的青阳站雨雪相态转换时间判别较观测偏晚1 h,相态转换和雨夹雪持续时间的判别优于厚度判据。对厚度判据不适用的绥阳站雨雪相态转换过程的判别效果较好,判别的雨夹雪相态起始时间偏早2 h,结束时间与观测一致。
本文采用冰相水凝物判据对此次过程雨雪范围和相态转换的判别效果较好,在我国东部地区判别效果较厚度判据具有优势,特别是对预报难度较高的雨夹雪判别效果提升明显。
冰相水凝物判据也存在一定局限性。区分雨夹雪与雪的阈值仅针对目前业务运行的3 km水平分辨率CMA-MESO版本,不同模式、分辨率及物理过程改变均可能影响该阈值的确定,需要通过历史预报个例重新确定阈值。本文利用多个历史个例确定阈值,仅分析了1次雨雪过程的判别效果,对其他雨雪过程的判别效果还有待验证。另外,该判据无法判断冻雨相态,冻雨作为重要灾害性天气之一,如何建立更有效的判别指标,需要进一步研究。
-
图 1 2023年1月14日08:00 500 hPa高度场(等值线,单位:dagpm)、850 hPa风场(风羽) 和850 hPa水汽通量(填色)
(+为安徽青阳站和贵州绥阳站)
Figure 1. 500 hPa geopotential height (the contour, unit:dagpm), 850 hPa wind (the barb) and 850 hPa water vapor flux (the shaded)
(+ denote locations of Qingyang Station of Anhui and Suiyang Station of Guizhou)
图 3 CMA-MESO 2023年1月14日08:00起报的东部地区(25°~38°N,112°~122°E) 基于厚度判据和冰相水凝物判据的不同时刻降雨、降雪和雨夹雪预报TS评分和偏差评分
Figure 3. Threat score and bias for rain, sleet and snow discriminated by thickness criterion and ice-phase criterion based on CMA-MESO forecast in eastern China (25°-38°N,112°-122°E) initialized at 0800 BT 14 Jan 2023
图 6 2023年1月14—15日青阳站观测和CMA-MESO 2023年1月14日08:00起报的2 m温度(黑色实线)、小时降水量(柱状图) 及基于冰相水凝物判据和厚度判据的降水相态
Figure 6. 2 m temperature (the black curve), hourly precipitation (the bar) and precipitation phase discriminated by ice-phase criterion and thickness criterion based on CMA-MESO forecast initialized at 0800 BT 14 Jan 2023 and observations at Qingyang Station during 14-15 Jan 2023
图 8 2023年1月14—15日绥阳站观测和CMA-MESO 2023年1月14日11:00起报的2 m温度(黑色实线)、降水量(柱状图) 及基于冰相水凝物判据得到的降水相态
Figure 8. 2 m temperature (the black curve), hourly precipitation (the bar) and precipitation phase discriminated by ice-phase criterion based on CMA-MESO forecast initialized at 1100 BT 14 Jan 2023 and observations at Suiyang Station during 14-15 Jan 2023
表 1 用于确定雨夹雪与雪判别阈值的个例
Table 1 Cases for determining threshold of sleet and snow
序号 雨雪过程时间 用于计算阈值的时刻 CMA-MESO起报时刻 1 2022-11-10—12 2022-11-11T14:00
2022-11-12T05:00
2022-11-12T12:002022-11-11T11:00
2022-11-12T02:00
2022-11-12T11:002 2022-02-16—17 2022-02-16T21:00
2022-02-17T12:00
2022-02-17T22:002022-02-16T20:00
2022-02-17T11:00
2022-02-17T20:003 2022-02-11—13 2022-02-11T03:00
2022-02-12T23:00
2022-02-13T09:002022-02-11T02:00
2022-02-12T20:00
2022-02-13T08:004 2022-01-25—27 2022-01-25T06:00
2022-01-26T04:00
2022-01-27T04:00
2022-01-27T22:002022-01-25T05:00
2022-01-26T02:00
2022-01-27T02:00
2022-01-27T20:005 2022-01-20—24 2022-01-20T21:00
2022-01-21T09:00
2022-01-22T06:00
2022-01-22T15:00
2022-01-23T09:00
2022-01-24T10:002022-01-20T20:00
2022-01-21T08:00
2022-01-22T05:00
2022-01-22T14:00
2022-01-23T08:00
2022-01-24T08:006 2022-01-04—07 2022-01-04T18:00
2022-01-05T10:00
2022-01-06T16:00
2022-01-07T17:002022-01-04T17:00
2022-01-05T08:00
2022-01-06T12:00
2022-01-07T14:007 2021-12-25—27 2021-12-25T09:00
2021-12-26T13:00
2021-12-27T14:002021-12-25T08:00
2021-12-26T11:00
2021-12-27T11:008 2021-11-29—30 2021-11-29T13:00 2021-11-29T11:00 表 2 不同阈值确定的雨夹雪和降雪预报平均TS评分
Table 2 Mean threat score for sleet and snow determined by various thresholds
阈值 TS评分 雨夹雪 降雪 1.00 0.118 0.805 0.95 0.118 0.808 0.90 0.118 0.815 0.85 0.119 0.820 0.80 0.115 0.826 0.75 0.114 0.835 0.70 0.115 0.835 0.65 0.113 0.848 0.60 0.114 0.854 0.55 0.113 0.853 0.50 0.112 0.859 -
[1] Changnon S A.Characteristics of ice storms in the United States.J Appl Meteor Climatol, 2003, 42(5):630-639. DOI: 10.1175/1520-0450(2003)042<0630:COISIT>2.0.CO;2
[2] 赵琳娜, 马清云, 杨贵名, 等. 2008年初我国低温雨雪冰冻对重点行业的影响及致灾成因分析. 气候与环境研究, 2008, 13(4): 556-566. https://www.cnki.com.cn/Article/CJFDTOTAL-QHYH200804020.htm Zhao L N, Ma Q Y, Yang G M, et al. Disasters and its impact of a severe snow storm and freezing rain over Southern China in January 2008. Climatic Environ Res, 2008, 13(4): 556-566. https://www.cnki.com.cn/Article/CJFDTOTAL-QHYH200804020.htm
[3] 林佳璐, 李英, 柳龙生. 风暴-低涡影响下青藏高原一次强降水过程. 应用气象学报, 2023, 34(2): 166-178. DOI: 10.11898/1001-7313.20230204 Lin J L, Li Y, Liu L S. A heavy precipitation process over the Tibetan Plateau under the joint effects of a tropical cyclone and vortex. J Appl Meteor Sci, 2023, 34(2): 166-178. DOI: 10.11898/1001-7313.20230204
[4] Stewart R E, King P. Freezing precipitation in winter storms. Mon Wea Rev, 1987, 115(7): 1270-1280. DOI: 10.1175/1520-0493(1987)115<1270:FPIWS>2.0.CO;2
[5] Ryzhkov A V, Zrnić D S. Discrimination between rain and snow with a polarimetric radar. J Appl Meteor Climatol, 1998, 37(10): 1228-1240. DOI: 10.1175/1520-0450(1998)037<1228:DBRASW>2.0.CO;2
[6] 常祎, 郭学良, 唐洁, 等. 青藏高原夏季对流云微物理特征和降水形成机制. 应用气象学报, 2021, 32(6): 720-734. DOI: 10.11898/1001-7313.20210607 Chang Y, Guo X L, Tang J, et al. Microphysical characteristics and precipitation formation mechanisms of convective clouds over the Tibetan Plateau. J Appl Meteor Sci, 2021, 32(6): 720-734. DOI: 10.11898/1001-7313.20210607
[7] 郭学良, 付丹红, 郭欣, 等. 我国云降水物理飞机观测研究进展. 应用气象学报, 2021, 32(6): 641-652. DOI: 10.11898/1001-7313.20210601 Guo X L, Fu D H, Guo X, et al. Advances in aircraft measurements of clouds and precipitation in China. J Appl Meteor Sci, 2021, 32(6): 641-652. DOI: 10.11898/1001-7313.20210601
[8] 赵琳娜, 慕秀香, 马翠平, 等. 冬季稳定性降水相态预报研究进展. 应用气象学报, 2021, 32(1): 12-24. DOI: 10.11898/1001-7313.20210102 Zhao L N, Mu X X, Ma C P, et al. A review on stable precipitation type forecast in winter. J Appl Meteor Sci, 2021, 32(1): 12-24. DOI: 10.11898/1001-7313.20210102
[9] Stewart R E, Thériault J M, Henson W. On the characteristics of and processes producing winter precipitation types near 0℃. Bull Amer Meteor Soc, 2015, 96(4): 623-639. DOI: 10.1175/BAMS-D-14-00032.1
[10] 许爱华, 乔林, 詹丰兴, 等. 2005年3月一次寒潮天气过程的诊断分析. 气象, 2006, 32(3): 49-55. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200603008.htm Xu A H, Qiao L, Zhan F X, et al. Diagnosis of a cold wave weather event in March 2005. Meteor Mon, 2006, 32(3): 49-55. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200603008.htm
[11] 郑婧, 许爱华, 许彬. 2008年江西省冻雨和暴雪过程对比分析. 气象与减灾研究, 2008, 31(2): 29-35. https://www.cnki.com.cn/Article/CJFDTOTAL-HXQO200802008.htm Zheng J, Xu A H, Xu B. Contrastive analysis of the freezing rain and heavy snow processes in 2008. Meteor Disaster Reduction Res, 2008, 31(2): 29-35. https://www.cnki.com.cn/Article/CJFDTOTAL-HXQO200802008.htm
[12] 李江波, 李根娥, 裴雨杰, 等. 一次春季强寒潮的降水相态变化分析. 气象, 2009, 35(7): 87-94. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200907014.htm Li J B, Li G E, Pei Y J, et al. Analysis on the phase transformation of precipitation during a strong cold wave happened in spring. Meteor Mon, 2009, 35(7): 87-94. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX200907014.htm
[13] 梁红, 马福全, 李大为, 等. "2009.2"沈阳暴雪天气诊断与预报误差分析. 气象与环境学报, 2010, 26(4): 22-27. https://www.cnki.com.cn/Article/CJFDTOTAL-LNQX201004005.htm Liang H, Ma F Q, Li D W, et al. Diagnostic analysis of heavy snow in February 2009 and its forecast error in Shenyang. J Meteor Environ, 2010, 26(4): 22-27. https://www.cnki.com.cn/Article/CJFDTOTAL-LNQX201004005.htm
[14] Birk K, Lenning E, Donofrio K, et al. A revised bourgouin precipitation-type algorithm. Wea Forecasting, 2021, 36(2): 425-438. DOI: 10.1175/WAF-D-20-0118.1
[15] Bocchieri J R. A new operational system for forecasting precipitation type. Mon Wea Rev, 1979, 107(6): 637-649. DOI: 10.1175/1520-0493(1979)107<0637:ANOSFF>2.0.CO;2
[16] Bourgouin P. A method to determine precipitation types. Wea Forecasting, 2000, 15(5): 583-592. DOI: 10.1175/1520-0434(2000)015<0583:AMTDPT>2.0.CO;2
[17] Hux J D, Knappenberger P C, Michaels P J, et al. Development of a discriminant analysis mixed precipitation(DAMP) forecast model for mid-Atlantic winter storms. Wea Forecasting, 2001, 16(2): 248-259. DOI: 10.1175/1520-0434(2001)016<0248:DOADAM>2.0.CO;2
[18] Heppner P. Snow versus rain: Looking beyond the "magic" numbers. Wea Forecasting, 1992, 7(4): 683-691. DOI: 10.1175/1520-0434(1992)007<0683:SVRLBT>2.0.CO;2
[19] Czys R R, Scott R W, Tang K C, et al. A physically based, nondimensional parameter for discriminating between locations of freezing rain and ice pellets. Wea Forecasting, 1996, 11(4): 591-598. DOI: 10.1175/1520-0434(1996)011<0591:APBNPF>2.0.CO;2
[20] 段云霞, 李得勤, 李大为, 等. 沈阳降水相态特征分析及预报方法. 干旱气象, 2016, 34(1): 51-57;74. https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201601007.htm Duan Y X, Li D Q, Li D W, et al. Analysis on precipitation phase characteristics and its forecast methods of Shenyang. Arid Meteor, 2016, 34(1): 51-57;74. https://www.cnki.com.cn/Article/CJFDTOTAL-GSQX201601007.htm
[21] 徐辉, 宗志平. 一次降水相态转换过程中温度垂直结构特征分析. 高原气象, 2014, 33(5): 1272-1280. https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201405011.htm Xu H, Zong Z P. Analysis on characteristics of thermal vertical structure evolution during the transition of precipitation type in winter. Plateau Meteor, 2014, 33(5): 1272-1280. https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201405011.htm
[22] 漆梁波, 张瑛. 中国东部地区冬季降水相态的识别判据研究. 气象, 2012, 38(1): 96-102. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201201012.htm Qi L B, Zhang Y. Research on winter precipitation types' discrimination criterion in eastern China. Meteor Mon, 2012, 38(1): 96-102. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201201012.htm
[23] Forbes R, Tsonevsky I, Hewson T, et al. Towards predicting high-impact freezing rain events. ECMWF Newsletter, 2014, 141: 15-21.
[24] 董全, 胡宁, 宗志平. ECMWF降水相态预报产品(PTYPE)应用和检验. 气象, 2020, 46(9): 1210-1221. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX202009008.htm Dong Q, Hu N, Zong Z P. Application and verification of the ECMWF precipitation type forecast product(PTYPE). Meteor Mon, 2020, 46(9): 1210-1221. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX202009008.htm
[25] Gascón E, Hewson T, Haiden T. Improving predictions of precipitation type at the surface: Description and verification of two new products from the ECMWF ensemble. Wea Forecasting, 2018, 33(1): 89-108.
[26] 董全, 张峰, 宗志平. 基于ECMWF集合预报产品的降水相态客观预报方法. 应用气象学报, 2020, 31(5): 527-542. DOI: 10.11898/1001-7313.20200502 Dong Q, Zhang F, Zong Z P. Objective precipitation type forecast based on ECMWF ensemble prediction product. J Appl Meteor Sci, 2020, 31(5): 527-542. DOI: 10.11898/1001-7313.20200502
[27] Scheuerer M, Gregory S, Hamill T M, et al. Probabilistic precipitation-type forecasting based on GEFS ensemble forecasts of vertical temperature profiles. Mon Wea Rev, 2017, 145(4): 1401-1412.
[28] 彭霞云, 裘薇, 李文娟, 等. 数据挖掘技术用于降水相态判别的尝试. 科技通报, 2018, 34(1): 44-47. https://www.cnki.com.cn/Article/CJFDTOTAL-KJTB201801010.htm Peng X Y, Qiu W, Li W J, et al. Apply the data digging technique on discerning the precipitation type. Bull Sci Technol, 2018, 34(1): 44-47. https://www.cnki.com.cn/Article/CJFDTOTAL-KJTB201801010.htm
[29] 陈双, 谌芸, 何立富, 等. 我国中东部平原地区临界气温条件下降水相态判别分析. 气象, 2019, 45(8): 1037-1051. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201908001.htm Chen S, Chen Y, He L F, et al. Discrimination analysis of snow and rain occurring under critical temperature conditions in central and eastern China. Meteor Mon, 2019, 45(8): 1037-1051. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201908001.htm
[30] 陆虹, 翟盘茂, 覃卫坚, 等. 低温雨雪过程的粒子群-神经网络预报模型. 应用气象学报, 2015, 26(5): 513-524. DOI: 10.11898/1001-7313.20150501 Lu H, Zhai P M, Qin W J, et al. A particle swarm optimization-neural network ensemble prediction model for persistent freezing rain and snow storm in Southern China. J Appl Meteor Sci, 2015, 26(5): 513-524. DOI: 10.11898/1001-7313.20150501
[31] 董全, 黄小玉, 宗志平. 人工神经网络法和线性回归法对降水相态的预报效果对比. 气象, 2013, 39(3): 324-332. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201303007.htm Dong Q, Huang X Y, Zong Z P. Comparison of artificial neural network and linear regression methods in forecasting precipitation types. Meteor Mon, 2013, 39(3): 324-332. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201303007.htm
[32] 黄骄文, 蔡荣辉, 姚蓉, 等. 深度学习网络在降水相态判识和预报中的应用. 气象, 2021, 47(3): 317-326. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX202103005.htm Huang J W, Cai R H, Yao R, et al. Application of deep learning method to discrimination and forecasting of precipitation type. Meteor Mon, 2021, 47(3): 317-326. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX202103005.htm
[33] 孙健, 曹卓, 李恒, 等. 人工智能技术在数值天气预报中的应用. 应用气象学报, 2021, 32(1): 1-11. DOI: 10.11898/1001-7313.20210101 Sun J, Cao Z, Li H, et al. Application of artificial intelligence technology to numerical weather prediction. J Appl Meteor Sci, 2021, 32(1): 1-11. DOI: 10.11898/1001-7313.20210101
[34] 佟华, 张玉涛. GRAPES_MESO模式预报降水相态诊断及应用研究. 大气科学学报, 2019, 42(4): 502-512. https://www.cnki.com.cn/Article/CJFDTOTAL-NJQX201904003.htm Tong H, Zhang Y T. Diagnosis of precipitation types and its application in the GRAPES-MESO forecasts. Trans Atmos Sci, 2019, 42(4): 502-512. https://www.cnki.com.cn/Article/CJFDTOTAL-NJQX201904003.htm
[35] ECMWF. Part Ⅳ: Physical Processes//ECMWF. IFS Documentation Cy43R1. ECMWF, 2016: 118-120.
[36] 薛纪善, 陈德辉. 数值预报系统GRAPES的科学设计与应用. 北京: 科学出版社, 2008. Xue J S, Chen D H. Scientific Design and Application of Numerical Forecasting System GRAPES. Beijing: Science Press, 2008.
[37] 黄丽萍, 邓莲堂, 王瑞春, 等. CMA-MESO关键技术集成及应用. 应用气象学报, 2022, 33(6): 641-654. DOI: 10.11898/1001-7313.20220601 Huang L P, Deng L T, Wang R C, et al. Key technologies of CMA-MESO and application to operational forecast. J Appl Meteor Sci, 2022, 33(6): 641-654. DOI: 10.11898/1001-7313.20220601
[38] 黄丽萍, 陈德辉, 邓莲堂, 等. GRAPES_Meso V4.0主要技术改进和预报效果检验. 应用气象学报, 2017, 28(1): 25-37. DOI: 10.11898/1001-7313.20170103 Huang L P, Chen D H, Deng L T, et al. Main technical improvements of GRAPES_Meso V4.0 and verification. J Appl Meteor Sci, 2017, 28(1): 25-37. DOI: 10.11898/1001-7313.20170103
[39] Rutledge S A, Hobbs P V. The mesoscale and microscale structure and organization of clouds and precipitation in midlatitude cyclones. Ⅷ: A model for the "seeder-feeder" process in warm-frontal rainbands. J Atmos Sci, 1983, 40(5): 1185-1206.
[40] Dudhia J. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model. J Atmos Sci, 1989, 46(20): 3077-3107.
[41] Hong S Y, Dudhia J, Chen S H. A revised approach to ice microphysical processes for the bulk parameterization of clouds and precipitation. Mon Wea Rev, 2004, 132(1): 103-120.
[42] Mlawer E J, Taubman S J, Brown P D, et al. Radiative transfer for inhomogeneous atmosphere: RRTM, a validated correlated-k model for the longwave. J Geophys Res Atmos, 1997, 102(D14): 16663-16682.
[43] 庄照荣, 陈静, 黄丽萍, 等. 全球和区域分析的混合方案对区域预报的影响试验. 气象, 2018, 44(12): 1509-1517. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201812001.htm Zhuang Z R, Chen J, Huang L P, et al. Impact experiments for regional forecast using blending method of global and regional analyses. Meteor Mon, 2018, 44(12): 1509-1517. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXX201812001.htm
[44] Chen F, Dudhia J. Coupling an advanced land surface hydrology model with the Penn State-NCAR MM5 modeling system. Part Ⅰ: Model implementation and sensitivity. Mon Wea Rev, 2001, 129: 569-585.
[45] Han J, Pan H L. Sensitivity of hurricane intensity forecast to convective momentum transport parameterization. Mon Wea Rev, 2006, 134(2): 664-674.
-
期刊类型引用(2)
1. 付涛,杨智鹏,陶法,胡树贞,卢郁香,付长青. 基于贝叶斯-随机森林的云粒子相态识别算法. 应用气象学报. 2025(01): 43-52 . 本站查看
2. 董全,陈博宇,胡宁,孔铃涵,陈涛,王佳,张博. 2024年2月我国两次大范围雨雪冰冻天气对比. 应用气象学报. 2024(04): 385-399 . 本站查看
其他类型引用(0)