2015年5—8月贵州区域中尺度WRF模式降水检验

朱文达，万雪丽，彭　芳，李天江，张　媛

(1.贵州省气象台，贵州　贵阳　550002；2.甘肃省武威市气象局，甘肃　武威　733000;3.民航贵州空管分局，贵州　贵阳　550012)



2015年5
—8月贵州区域中尺度WRF模式降水检验

朱文达1，万雪丽1，彭芳1，李天江2，张媛3

(1.贵州省气象台，贵州贵阳550002；2.甘肃省武威市气象局，甘肃武威733000;3.民航贵州空管分局，贵州贵阳550012)

运用贵州区域中尺度WRF模式资料和贵州省85个区域自动站5—8月24 h累积降水观测资料，利用TS评分降水客观检验方法，分别对24 h预报时效、48 h预报时效和72 h预报时效降水量达到中雨量级及以上的过程按中雨、大雨和暴雨3个级别进行评分。评分以5—8月平均、逐月平均对比和暴雨过程5—8月评分的结果来评测模式对贵州区域5—8月降水预报的性能。评分结果显示，贵州区域中尺度WRF模式对于中雨量级以上降水的评分随预报时效增长而降低，伴随大气环流的季节变换表现出明显的不同特征；模式对于4站以上暴雨过程评分高于1站以上中雨量级及以上过程评分；模式降水预报在雨带的走势上较实况有较好的对应，降水强度中心和降水极值也能够为预报做参考；但模式预报的降水也存在雨带位置偏移、强度中心较实况存在偏差、降水强度过大、雨带周边地区出现暴雨空报的问题。

WRF模式; 暴雨过程; 降水检验; TS评分

1　引言

贵州地处青藏高原向我国东部丘陵地区过渡的斜坡地带，是国内唯一没有平原的山区省份，贵州地势高差悬殊，垂直方向差异较大，各地气候差别也较大，天气变化剧烈，气象灾害频发，其中汛期中等强降水引发的灾害和次生灾害尤为突出。针对这一特点，贵州省气象台引入了中尺度The Weather Research and Forecasting(简称WRF)模式，以满足预报业务需求。对数值模式进行降水统计检验能够客观定量的反映数值预报模式预报水平，同时又可以帮助业务人员分析中尺度预报模式中存在的问题，为改进模式提供可靠依据。张秀年等通过云南地区2009年全球模式降水检验，发现日本和T639模式在高原东侧降水预报效果较好，但模式预报偏差随时效减小[1]。王雨通过高原降水的模式检验，发现模式对青藏高原的降水都存在较大偏差[2]。毛冬艳等指出GRAPES_meso模式的时空分辨率与较好反应天气过程的演变过程呈正相关[3]；同时该模式对强对流降水系统有较好的刻画能力[4]。除了统计检验，也有通过天气学检验方法，从降水中心强度、中心位置、降水主体强度、落区、范围和移速等对中尺度模式降水预报产品的预报性能进行检验[5]。也有研究表明数值模式的参数组合、不同的降水预报检验方案、天气过程类型、降水量级对检验结果都有一定的影响[6-8]。

本文运用统计检验方法对贵州区域中尺度数值模式2015年5—8月降水进行TS评分检验，根据检验结果对模式进行下一步改进。

2　模式介绍

贵州区域中尺度数值模式基于WRF模式，WRF模式是新一代中尺度天气预报系统，它不仅可以用来做大气活动研究，还可以用来做实时天气预报。WRF模式包含2大部分，一部分为数据预算处理系统，一部分为便于并行计算和系统扩展设计的软件系统。WRF模式适用于从几十米到数千公里的天气尺度系统。WRF开始研发于20世纪后期，主要的研发成员为美国国家大气研究中心(National Center for Atmospheric Research，简称NCAR)、以美国国家环境预测中心(National Centers for Environmental Prediction，简称NCEP) 和美国预报系统实验室(Forecast Systems Laboratory，简称FSL)为代表的美国海洋暨大气总署(National Oceanic and Atmospheric Administration，简称NOAA)、美国空军气象局(Air Force Weather Agency，简称AFWA)、海军研究实验室(Naval Research Laboratory)，俄克拉何马大学(University of Oklahoma)和美国联邦航空管理局(Federal Aviation Administration，简称FAA)。 WRF模式的初始场数据可以为实际数据(观测数据和分析数据)，也可以是理想数据。WRF为预报业务提供了一个灵活和高效的计算平台，它不断的提供加入在物理参数化方案、数值解和资料同化方面的最新研究成果。WRF目前业务运行在像NCEP、AFWA和其它一些中心[9]。

贵州区域中尺度WRF模式于2014年9月开始调试，2015年1月实现稳定运行。目前由贵州省气象台负责模式的日常维护和数值模式产品释用。模式采用3重嵌套(图1)，嵌套之间Two-way(内外嵌套网格之间数据相互影响)方式数据运算。目前模式所选取的物理化参数(表1)组合能够较好的适应贵州地区特殊的地形特性和气候特征，目前未采用同化。

贵州区域中尺度WRF模式采用冷启动[10]方式，采用Global Forecast System(美国全球预报系统，简称GFS)0.5°×0.5°的96 h预报场资料，每天00时、12时(世界时)启动，预报时效为72 h。

图1　贵州区域中尺度WRF模式3重嵌套区域Fig.1　Guizhou limited WRF 3 domains

参数名称第1重嵌套D01第2重嵌套D02第3重嵌套D03格点数格距/km100×8627199×1819256×3073积分步长/s垂直层次输出产品间隔/h物理参数化方案积云参数化方案边界层参数化方案长波辐射方案短波辐射方案陆面过程方案过渡边界90453WSM6-classBMJMYJTKErrtmGoddardshortwaveUNland-surface930451WSM6-classBMJMYJTKErrtmGoddardshortwaveUNland-surface910451WSM6-class—MYJTKErrtmGoddardshortwaveUNland-surface9

3　资料和方法

降水实况资料采用贵州区域85个国家级自动站08—08 h(北京时)的24 h累积降水资料，国家级自动站具有较好的代表性，建站时间较早，资料时间序列长且数值准确。贵州区域中尺度数值模式资料采用D03区域分辨率为3 km的格点降水资料双线性插值方法插值到85个所选站点。所选取的资料时间为2015年5月1日—8月31日。

降水检验方法采用TS评分的降水客观检验方法[2]，根据TS评分公式：

(1)

式中NAk为预报正确的站数，NBk为空报站数，NCk为漏报站数。k为降水的分级，一般可分为1～12个级别。按照累加降水检验方案，把降水分为中雨(≥10 mm)、大雨(≥25 mm)、暴雨级以上(≥50 mm)3级。根据贵州省气象局重大灾害天气考核工作[11]的规定，以至少有5～7个国家级自动站24 h累积降水达到暴雨及以上量级降水定义为1次暴雨天气过程，对5—8月贵州地区4个以上的国家级自动站08—08时(北京时)24 h累积降水达到暴雨级以上的21次暴雨天气过程进行了单独检验。

4　模式降水检验

统计5—8月降水R实况(表2)，其中85个国家级自动站中有1站出现中雨量级及以上过程94次，5月为25次，6月为24次，7月为20次，8月为25次；5—8月出现中雨量级及以上大于4站的过程为73次。相应的出现1站以上大雨及以上的过程有70次，对应各月分别为18次、18次、16次和18次；5—8月出现大雨量级及以上大于4站的过程为45次。对于暴雨及以上过程，出现1站以上的暴雨及以上过程有50次，对应各月分别为13次、12次、11次和14次；5—8月出现暴雨量级及以上大于4站的过程为21次(图2)，暴雨过程最多、单次暴雨过程站数最多的月份为6月，其中单次暴雨过程站数在6月30日到达最多，为30站；最少为5月27日和6月4日的6站。降水TS评分样本充足，能够较好反应贵州区域中尺度WRF模式对贵州5-8月降水预报能力。

表2　实况降水R各月分布情况

图2　5—8月大于4站的暴雨过程站数统计Fig.2　The number of May to August more than 4 stations torrential rainfall

运用降水TS评分客观检验方法，分别做模式24 h预报场、48 h预报场和72 h预报场对实况24 h降水的TS评分。对中雨、大雨和暴雨3个量级的每次过程进行评分，并作5—8月的平均(图3)。在同一预报时效内，降水评分都是随着降水量级的增加而快速衰减，导致这一现象的原因主要是由于TS检验方法本身的特点决定，另外随着降水量级增大，模式预报结果中包含的天气系统偏差和中小尺度系统刻画程度[4]也是导致评分随着降水量级增大而快速衰减的重要原因。对于中雨量级及以上5—8月平均评分结果为24 h预报场42.81%、 48 h预报场39.27%、 72 h预报场38.69%。 相应的大雨量级及以上5—8月平均评分结果分别为26.47%、 25.04%、 23.17%。 对应的暴雨量级及以上5—8月平均评分结果分别为18.19%、 17.65%、 14.55%。随着预报时效的增长，数值模式的计算偏差和系统误差逐渐增大，因此平均的降水评分呈现出明显的下降趋势[6]；48 h预报场评分对比24 h预报场评分中雨量级降低了3.54%，大雨量级降低了1.43%，暴雨量级降低了0.54%。相应的72 h预报场对比24 h预报场和48 h预报场，中雨量级分别降低了4.12%和0.58%，大雨量级分别降低了3.3%和1.87%，暴雨量级分别降低了0.54%和3.64%。预报时效从24 h增加到72 h后，中雨量级降水评分的衰减大值段出现在24～48 h，达到3.5%以上；大雨和暴雨量级降水评分的衰减大值段出现在48～72 h，分别为3.3%和3.64%。

统计5—8月逐月平均的TS评分(图4)，24 h预报场的降水评分中雨量级及以上的评分5月最高，为48.10%，7月份以43.39%排第2位，6月的41.21%排第3位，最低为8月份的38.54%；大雨量级及以上的评分和中雨量级趋势一致，从高到低依次为5月的29.39%、7月的28.77%、6月的25.91%和8月的21.83%；暴雨量级及以评分7月最高，为22.98%、 5月次之，为18.71%、 第3位的是6月的16.67%，最低为8月的14.39%。48 h预报场中雨量级及以上的评分5月的40.46%最高，8月的39.91%次之，第3位的是7月39.10%，最低的是6月的37.63%; 大雨量级及以上评分排名依次为5月的26.78%、 7月的25.25%、 8月的24.19%和6月的23.94%；暴雨量级及以上评分中7月最高，为28.56%， 5月评分显著降低为18.33%, 8月和6月评分未达到15%，仅为12.18%和11.55%。72 h的预报场中雨量级及以上评分最高为8月的42.49%， 7月的42.04%次之，排第3位的是5月的36.79%，最低的为6月的33.42%；大雨量级及以上的评分次序依次为8月的26.73%、7月的23.23%、5月的22.09%和6月的20.63%；暴雨量级及以上评分中5月的16.67%为最高，次之为7月的15.06%，第3位的是8月的14.26%，最低的是6月的12.15%。从24～72 h的预报时效演变中，各个量级降水的TS评分是逐渐降低的，24 h和48 h预报时效中5月和7月的降水评分都较高；72 h预报时效8月则反超，不仅在中雨和大雨两个量级中排名第1，暴雨量级中较第1位的5月差距也较小。总体来看，6月的降水评分最差，在各量级降水和各预报时效中排名最低；7月降水评分最为稳定，中雨和大雨量级中在各预报时效内都是排名第2，并且与第1位仅存微小差距。伴随大气环流的转变，季风环流强弱、副高位置气候差异、水汽输送源地改变和热带气旋发展都导致了影响贵州地区的天气系统发生着变化，而模式参数化方案并不能完全伴随其改变和对相应的变化刻画不完全，因此模式降水评分在5—8月的季节转换中也表现出明显的不同特征[3]。

单独统计暴雨站数大于4站的暴雨天气过程评分情况(图5)，中雨和大雨的降水评分明显提高，暴雨量级降水的评分变化不大。中雨的评分都在0.5以上，最高为24 h预报时效的59.53%，最低则出现在48 h预报时效的50.33%,72 h预报时效为54.27%；大雨以上评分在29%以上，最高依旧出现

在24 h预报时效内，为37.01%，最低为48 h预报时效的29.13%, 72 h预报时效为30.04%；暴雨以上量级评分最高为24 h时效的19.63%，最低为48 h的14.50%, 72 h预报时效为16.26%。总体来看，对于暴雨过程，模式24 h预报时效评分最高，72 h预报时效次之，48 h预报时效和72 h预报时效相差较小。模式对于暴雨过程的评分中雨量级及以上在50%以上，大雨量级及以上基本在30%以上，暴雨量级及以上在14%～20%之间。

总之，贵州区域中尺度WRF模式对于中雨量级以上降水的评分随预报时效增长而降低，伴随大气环流的季节变换表现出明显的不同特征；对于暴雨过程评分预报时效24 h和72 h评分高于48 h预报时效，各量级评分中，中雨量级及以上能够达到50%以上，大雨量级及以上基本在30%以上，暴雨量级及以上在14%～20%之间。

图3　5—8月平均降水TS评分Fig.3　TS grade of precipitation from May to August

图4　5—8月逐月平均降水TS评分对比(横坐标：预报时效和降水分级，预报时效单位：h)Fig.4　Monthly comparison of precipitation TS grade from May to August(X-axis: forecast time and precipitation class, unit of forecast time: hour, Y-axis: TS grade, unit: %)

图5　5—8月暴雨站数大于4县站平均降水TS评分Fig.5　The mean precipitation TS grade of more than 4 stations torrential rainfall from May to August

5　暴雨过程个例检验

选取2015年5月26日、6月2日和6月17日3个24 h累积降水达到暴雨量级的过程个例，运用天气学检验方法，以暴雨落区形态和走势分析贵州区域中尺度WRF模式的趋势预报效果，从模式预报的降水强度和中心分布分析模式的强度预报效果[5]。

5月26日08时—27日08时的暴雨过程(图6)，黔东南州南部、黔南州北部和贵阳市南部出现较强降水，模式预报雨带的走势较实况较为一致，但量级和强降水中心较实况偏东，贵州西北部出现了暴雨的空报。6月2日08时—3日08时暴雨过程(图7)，贵州中部出现东北—西南向带状强降水区，模式预报雨带的走势较实况一致，强度中心也和实况吻合。6月17日08时—18日08时暴雨过程(图8)，强降水分布在铜仁市南部、黔东南州和黔南州大部、安顺市大部，模式预报雨带走势较实况一致，降水中心的位置略偏南，空报了贵州省西部和西北部地区的暴雨；模式预报量级偏大。

图6　5月26日暴雨过程24 h降水实况与模式预报对比图(a：24 h降水实况，b：模式预报24 h降水量，单位：mm)Fig.6　The contrast between observation and model of 24 h accumulated Torrential rainfall on 26th May(a: observation, b: model, unit: mm)

图7　6月2日暴雨过程24 h降水实况与模式预报对比图(a：24 h降水实况，b：模式预报24 h降水量，单位：mm)Fig.7　The contrast between observation and model of 24 h accumulated Torrential rainfall on 2nd June(a: observation, b: model, unit: mm)

图8　6月17日暴雨过程24 h降水实况与模式预报对比图(a：24 h降水实况，b：模式预报24 h降水量，单位：mm)Fig.8　The contrast between observation and model of 24 h accumulated Torrential rainfall on 17th June(a: observation, b: model, unit: mm)

从暴雨过程的个例检验中可以得出：模式降水预报在雨带的走势上较实况有较好的对应，降水强度中心和降水极值也能够为实际预报做参考。但也存在模式预报的雨带位置偏移、强中强度中心较实况存在偏差、降水强度过大、雨带周边地区出现暴雨空报的问题；导致以上问题的原因主要有数值模式的GFS初始场存在系统偏差；随着模式积分时间增长，初始场的强迫作用逐渐减弱，模式可能自主订正偏差，也可能放大偏差；WRF模式对于大量级降水的预报总是偏大；模式积分运算中存在系统误差。

6　结论与讨论

贵州区域中尺度WRF模式运用适应西南区域的参数化组合，较好的反应了贵州区域的天气系统演变特征。模式产品释用丰富多样，包含网页显示的图片产品、MICAPS格式格点产品和城镇精细化格式产品。运用TS评分的模式降水客观检验方法，对贵州5—8月的降水进行了检验，得出以下结论：

①贵州区域中尺度WRF模式在同一时效内降水评分随着降水量级增大而快速衰减；对于中雨量级以上降水的评分随预报时效增长而降低，伴随大气环流的季节变换表现出明显的不同特征；模式对于暴雨过程评分预报时效24 h和72 h评分高于48 h预报时效。

②模式降水预报在雨带的走势上较实况有较好的对应，降水强度中心和降水极值也能够为实际预报做参考。

③初始场强迫和模式误差导致模式预报的降水存在雨带位置偏移、强度中心较实况存在偏差、降水强度过大、雨带周边地区出现暴雨空报的问题。

本文仅从降水一项对模式性能进行了初步检验，还有很多不完善之处，如所选取资料仅为5—8月，选取降水量级在中雨量级及以上，选取站点仅为国家级自动站等；除此之外，贵州区域中尺度WRF模式本身也存在一些问题，如模式所选取的区域较小，不能反应北方冷空气、南支波动和海上系统的活动情况；模式目前采用GFS作为初始场，未采用同化，对于近地面层的物理量预报误差较大；目前模式在硬件稳定的情况下每天只运行2次，分别在00时、12时(世界时)启动，预报时间间隔较长，对于转折性天气不能及时更新预报结果。对于模式的预报性能，今后还需进行更为全面细致的检验，从而为实际业务提供模式应用方面的参考。

[1] 张秀年, 曹杰, 杨素雨. 云南2009年雨季T639、日本、德国3个数值模式的降水预报检验[J]. 云南地理环境研究,2010,22(6):15-23.

[2] 王雨. 若干数值模式对2003年夏季青藏高原中南部降水预报检验[J]. 高原气象,2004, 23(Suppl): 53-58.

[3] 毛冬艳, 朱文剑, 樊利强, 等. GRAPS_MESO V3.3模式强天气预报性能的初步检[J]. 气象, 2014, 40(12): 1 429-1 438.

[4] 彭新东, 常燕, 王式功. GRAPS模式对2008年两次强降水过程的数值预报检验[J]. 高原气象, 2010,29(2):321-330.

[5] 崔锦, 周晓珊， 张爱忠, 等. 天气学检验在东北区域数值模式秋冬季降水预报中的应用[J]. 气象与环境学报, 2009,25(4):17-22.

[6] 肖明静, 盛春岩, 石春玲, 等.2010年汛期多模式对山东降水预报的检验[J]．气象与环境学报,2013,29(2):27-33．

[7] 陈超君, 李俊, 王明欢. 2013年汛期华中区域业务数值模式降水预报检验[J]. 气象与环境学报,2015,31(2):01-08.

[8] 郭云云, 邓莲堂, 范广洲, 等. GRAPS中尺度模式中不同积云参数化方案预报性能对比研究[J]. 气象, 2015,41(8):932-941.

[9] William C. S , Joseph B. K , Jimy D, et al. A Description of the Advanced Research WRF Version 3[M]. NCAR TECHNICAL NOTE, 2008:1-28.

[10]朱丰, 徐国强, 李莉, 等. 同化青藏高原地区 GPSPW 数据对长江中下游地区降水预报的影响评估[J]. 大气科学, 2014,38(1):171-189.

Precipitation Forecast Verification of Guizhou Limited Area WRF Model from May to August in 2015

ZHU Wenda1，WAN Xueli1，PENG Fang1，LI Tianjiang2，ZHANG Yuan3

(1.Guizhou Meteorological Observatory, Guiyang, 550002, China; 2.Wuwei Meteorological Bureau,Wuwei 733000,China; 3.Guizhou Air Traffic Management Bureau of CAAC, Guiyang 550012, China)

With Guizhou limited area WRF model data and the 85 stations Guizhou area automatic station 24 h Accumulated precipitation data from May to August, the TS grading method was used to graded that the model precipitation data which is separated by precipitation intensity in 24 h, 48 h and 72 h period of validity. Results show in May-August average TS grading, month average TS grading and Torrential rainfall events average TS grading. It indicates that Guizhou limited area WRF model rain TS grading gradually increases with period of validity growing. It shows the different characteristics in difference atmospheric circulation. The torrential rainfall events TS grading is higher than moderate rain events TS grading. The model forecast rain is similar to the observation in the rain pattern and intensity, but has discrepancy in details.

WRF model; torrential rainfall events; forecast verification; TS grading

1003-6598(2016)03-0024-07

2015-11-05

朱文达(1985—)，男，工程师，硕士，主要从事短期天气预报和数值模拟研究工作，E-mail:wendazhu@yeah.net。

国家自然科学基金41265005；贵州省气象局青年基金黔气科合QN[2015]09资助。

P426.6

A