CMA高分辨区域集合预报系统支撑北京冬奥会气象服务保障的评估分析*

邓 国 戴玲玲 周玉淑 陈 静 李红祺 陈法敬 王继志

1 中国气象局地球系统数值预报中心，北京 100081

2 灾害天气国家重点实验室，北京 100081

3 国家气象中心，北京 100081

4 安徽省滁州市气象局，滁州 239004

5 中国科学院大气物理研究所云降水物理与强风暴重点实验室，北京 100029

6 中国科学院大学，北京 100049

提 要： 冰雪运动项目与气象条件关系密切，气象条件是冬奥会赛事顺利进行的关键因素之一。中国气象局地球系统数值预报中心根据2022年北京冬奥会比赛气象保障需求，基于多尺度混合初值扰动方法和侧边界扰动方法，初步建立了高分辨率区域集合预报试验系统，针对北京冬奥会比赛同期时段开展了连续试验。初步试验统计结果表明：主要预报变量高、中、低层等压面要素集合平均值的均方根误差基本小于等于控制预报误差，体现了集合平均相对于单一确定性预报的优势；地面要素风和降水预报效果较好，但温度24 h预报偏差高于2 ℃，距离精准冬奥气象保障还有一定差距。针对试验期间两次寒潮大风过程开展了高分辨率区域集合预报，天气学分析的检验结果表明，集合预报产品可以比较准确地描述地面温度主要分布特征、寒潮移动过程和降水预报，为预报员提供寒潮标准24 h变温预报、大风预报等有价值的概率预测信息。基于诊断方法开发了能见度、大风、降水相态等对冬奥赛事运行和运动员表现有重要影响的天气要素集合预报产品，初步试验结果表明不同集合成员的取舍对能见度预报反应敏感，具有一定预报能力，但预报范围偏大，数值偏低，需进一步改进；阵风预报与实况大值区分布比较一致，降水相态预报与观测分布吻合，雨雪分界线，降雨、雨夹雪、雪、冰粒落区范围合理，进一步提升了北京冬奥会气象的保障能力。

引 言

精准气象预报服务是历届冬季奥林匹克运动会(以下简称冬奥会)成功举办的最重要条件之一。近几届冬奥会举办前，相关国家均开展了气象保障关键科学问题和技术攻关。加拿大环境部针对2010年温哥华冬奥会气象保障服务，提出了SNOW-V10计划(Science of Nowcasting Olympic Weather for Vancouver 2010)，开发针对冬奥气象保障的精细预报系统，包括1 km分辨率数值预报系统、多模式预报集成系统、模式与观测融合预报系统、高分辨率区域集合预报系统、微尺度地表气象特征模拟系统等，并开展复杂地形下降水相态、瞬时大风和低能见度等关键问题的深入研究(Joe et al，2010；Mailhot et al，2010；2014；Bailey et al，2014；Isaac et al，2014)。俄罗斯水文气象中心针对2014年索契冬奥会，提出了FROST-2014计划(Forecast and Research: the Olympic Sochi Testbed 2014)，开展赛场周边冬奥高影响天气研究，通过局地资料同化、高分辨率数值模式和集合预报等技术研发，提高冬奥赛区客观气象预报水平(Kiktev et al，2015；2017)；韩国气象厅针对2018年平昌冬奥会，提出了ICE-POP 2018计划(ICE-Pyeong Chang 2018 Winter Olympic Game Project)，从观测、预报、服务三方面提高气象保障能力(Korea Meteorological Administration，2018)。第24届冬奥会将于2022年2月在北京和河北举办，具体地点包括北京城区、延庆和河北赛区，后两个赛区地形复杂，沟壑纵横，气象条件多样。从北京冬奥气候风险评估来看，冬奥期间存在多种气象风险，可能会对比赛产生重要影响。冬奥会雪上项目主赛场均位于山区，对气象保障服务有极高要求。根据北京冬奥组委“一项一策”气象保障需求，需要为冬奥会赛事提供赛场、赛道、转场交通通道及其他关键区域在时间上的精准气象监测、预警预报及赛事专项的服务产品。众所周知，山区地形复杂，气象数据稀少，小尺度山地气象监测预报是国际难题。由于赛区的复杂地形和气象特征的巨大差异，无法移植国际现有技术方案，必须开展针对北京冬奥会的气象保障关键技术研发，力争到2022年冬奥会举办时，用先进的气象科技手段和精准的气象服务为赛事运行提供最好的气象保障。在我国，气象部门针对夏季强天气精细预报，开展了大量研究和应用工作，积累了丰富的气象保障服务经验，但是专门针对复杂地形下冬季大型冰雪运动气象精细监测、预报和服务的系统性研究还很少(李炬等，2020)。尤其北京冬奥会是近20年内唯一一次在大陆性冬季风主导的气候条件下举办的冬奥会，与往届冬奥会气象条件不同，中小尺度天气特征不同，气象预报服务关注重点不同，原有在冬季雪上项目预报技术服务方面的研究比较少，特别是温度、湿度、能见度、大风等气象条件的准确可靠的预报和预警，是保障冬季赛事运行和影响运动员表现的重要外部因素，需要重点考虑。

数值预报方法预测大气会面临着固有的不确定性，那么解决问题的方法也要从这一本质问题出发来考虑，摆脱追求确定性的思维方式，集合预报就是面对大气运动混沌的本质而设计出的解决方案(许小峰，2018)。目前，集合预报已经成为各国业务数值天气预报系统的基础组成部分(Kalnay，2002；沈学顺等，2021)，在天气预报业务中发挥关键作用(端义宏和金荣花，2012)。根据区域模式的特点，集合预报可通过初值扰动、模式扰动、侧边界扰动等技术构成预报集合成员，体现数值预报模式初值误差、模式误差和大气系统混沌特性引起的数值预报的不确定性，取得了令人瞩目的进展(Duan et al，2012；张涵斌等，2017；2019；王璐和沈学顺，2019；范宇恩等，2019)。目前，国内集合预报系统的水平分辨率为10 km，国外建立的区域高分辨率集合预报系统已经为千米级，如英国为2.2 km(Golding et al，2014)、法国为2.5 km(Nuissier et al，2012)、德国为2.8 km(Bouallégue et al，2013)等。从集合预报技术特点和时空分辨能力来看，国内区域集合预报研发已经相对落后，需要中国科学家和业务人员奋起直追。目前，初始扰动生成方案依然是区域集合预报技术的重点和难点，对于风暴尺度、云尺度的集合预报，初始场的生成还有更高的要求(杜钧，2002；Hagelin et al，2017；Wang et al，2014)。现阶段国际上较为流行的方法主要包括两大类，一种是基于全球集合预报的动力降尺度方法(Frogner et al，2006)：区域集合预报初值扰动场直接来源于全球集合预报初值场的动力降尺度，受到分辨率限制，降尺度扰动不能充分包含区域模式所能分辨的小尺度扰动信息(Zhang et al，2015a；2015b)。另外一类方法是集合预报根据自身循环产生扰动初值(Wei et al，2008；陈静等，2002；张涵斌等，2017；王婧卓等，2018)，这种根据模式自身扰动循环产生的扰动信息，尺度一般比较小，包含大尺度扰动信息有限，部分误差信息随模式积分不增长或者转化为增长的扰动需要一定积分时间因而较慢，而较大尺度的扰动可能具有“组织化结构”，一般对应于较高的离散度增长速度和评分(Zhang et al，2015b)。综合以上两种方法的特点，开展多尺度混合扰动初值扰动构造方法已经成为国际区域集合预报研究的新技术(Caron，2013；Wang et al，2014；Zhang et al，2015a；2015b)。从最近三届冬奥会关于气象条件预测保障关键科学和技术研发来看，集合预报特别是高分辨区域集合预报技术在冬奥会气象保障中发挥了重要作用，也是开展冬奥会服务高时空分辨率无缝隙客观预报和智能化预报服务的核心产品。根据索契冬奥会FROST-2014计划的总结报告，无论高精度确定性预报还是集合预报产品，对冬奥会均提供了技巧很高的服务支撑作用。其中高分辨确定性预报对2 m温度预报较好，但对风的预报稍差；而集合预报(索契冬奥会包含5个7～11 km分辨率对流参数化集合预报系统和2个2～3 km对流可分辨高分辨率区域集合预报系统)则对2 m温度、风和降水预报均表现出较高的预报技巧。基于索契冬奥会测试和比赛期间的表现，FROST-2014报告建议加强集合预报特别是对流可分辨高分辨率集合预报产品的应用。因为对于冬奥会气象保障服务，气象预报服务精度要求高，但是单一确定性预报的不确定性很高，所以要发挥千米级集合预报的优势，通过集合预报产品的应用，给出赛区高影响天气发生概率和赛事关注的气象要素阈值的概率信息，最大程度降低冬奥气象预报服务的不确定性。国家气象中心是世界上最早开展集合预报研发和业务系统建设的预报中心之一，先后研发了基于欧洲中心(EC)引进的全球模式和美国的全球/区域集合预报系统，到完全基于中国科学家自主研发的全球与区域同化预报系统(薛纪善和陈德辉，2008)的集合预报系统体系。目前，国家气象中心的全球集合预报系统空间分辨率为50 km，区域集合预报系统空间分辨率为10 km(陈雨潇等，2020；王婧卓等，2021)，均难以满足北京冬奥气象保障高时空分辨率的要求。为此，本研究针对北京冬奥赛事区域，发展复杂地形条件下高分辨率区域集合预报系统初值扰动和模式扰动技术构造方法，开展3 km高分辨区域集合预报系统研发和试验，开发可为北京冬奥服务的温度、能见度、极端风、降水和降雪的诊断产品和短期精细化概率预报产品，提高对高影响天气过程的预报和服务能力；针对北京冬奥会期间可能出现的高影响天气过程进行分析，开展高分辨率区域集合预报天气过程检验；通过天气学检验和统计检验，评估高分辨率区域集合预报系统的冬奥气象保障能力，为进一步提高我国高分辨率区域集合预报系统预报和服务能力奠定基础。

1 资料和方法

本文使用的站点观测资料来源于国家气象业务内网(具体下载链接：http:∥idata.cma/)提供的气温、过去24 h变温、24 h降水量、水平能见度(人工)、极大风速、自动站输出地面1 h资料里的风向风速资料以及冬奥服务保障团队提供的加密观测资料(崇礼赛区和延庆赛区)。预报模式为中国气象局中尺度天气数值预报系统(CMA-MESO)，初始场和侧边界条件来自国家气象中心T639全球集合预报系统。在国家气象中心业务化的区域集合预报系统基础上，针对北京冬奥会气象保障要求，发展了新的区域集合预报初值扰动产生和侧边界扰动更新方法，选取北京冬奥会赛区及赛事时间段开展3 km高分辨率集合预报试验和产品开发分析，评估高分辨率集合预报对北京冬奥会气象保障能力。

1.1 高分辨区域集合预报试验方案

为提高复杂地形条件下区域集合预报北京冬奥会气象保障能力，从预报模式和集合预报技术两方面入手提高赛事关注的气象要素阈值预报能力，以便提前做好规避赛事风险准备。现有国家级区域集合预报业务系统分辨率为10 km，而各冬奥赛区比赛地点水平距离只有几千米甚至几百米，不能精确捕捉局地赛道地面重要气象要素不确定性信息，同时兼顾建立实时预报系统计算资源能力，最终构建了以北京冬奥会赛区为中心的华北区域高分辨区域集合预报系统。针对复杂地形条件特点，预报模式中增加了区域模式研发团队的成果，包括为提高计算稳定性和局地中小尺度天气过程捕捉能力，将水平分辨率提高到3 km，垂直分辨率由33层提高到50层，积分步长自动调整，在动力框架中增加物理过程热膨胀项的影响，采用新的模式初始静态资料；为降低近地面温度预报偏差，更新了RRTM长波辐射参数化方案、优化陆面参数化方案(包括地面辐射、地表净辐射通量)、引入CP格点的近地层方案。在集合预报技术方面，分析冬奥比赛区域复杂地形地貌特征对数值天气预报影响，基于3 km模式重新统计了集合预报初始误差协方差特征，作为区域集合预报初值不确定性特征，并以此调整高分辨集合预报扰动结构；采用多尺度混合扰动初值产生方法以包含局地小尺度不确定性信息；更新侧边界条件以减少侧边界虚假波动影响；基于诊断方法开发了对冬奥赛事运行有重要影响的能见度、大风、降水相态等产品等，从而建立了复杂地形条件下冬奥赛区高分辨率集合预报系统。

1.1.1 初值扰动方法

区域模式需要准确描述中小尺度天气系统，同时也受到大尺度天气系统的影响，区域集合预报需要能够同时描述模式所能分辨的多种尺度的扰动信息。Wang et al(2011；2014)和Zhang et al(2015a；2015b)利用滤波技术和谱分析方法，对全球集合预报大尺度扰动进行低通滤波而保留较大尺度扰动结构，对区域集合预报小尺度扰动进行高通滤波而保留中小尺度扰动结构，由此获得不同尺度的初值扰动量。但是，由于目前集合成员数量太小(集合成员均为15个)，对应的初始扰动场远远不能覆盖区域模式概率密度函数描述的相空间，无论是全球集合预报的扰动信息，还是区域集合预报的扰动信息，两种不同来源的扰动信息重叠冗余部分很少，来自全球集合扰动信息和区域集合扰动信息都可以充实和丰富区域模式初值不确定的描述能力，因此，本研究采用多尺度混合初值扰动技术构造高分辨率区域集合预报初始扰动场。考虑全球集合预报和区域集合预报描述的大气运动尺度特征和不确定性信息存在显著差异，构造融合源于全球集合预报较大尺度的扰动信息和区域集合预报自身循环产生的中小尺度扰动信息的多尺度混合初值扰动场。

区域模式自身扰动循环采用集合变换卡尔曼滤波(ETKF)初值扰动方法。ETKF方法是一种次优的卡尔曼滤波(Wang and Bishop，2003；马旭林，2008)，它通过集合预报扰动的协方差矩阵来估计预报误差协方差矩阵。增长模繁殖法(BGM)中，每次繁殖循环后得到的预报扰动，需要乘以一个固定的尺度化算子使其扰动量级减小，从而得到分析扰动，与BGM方法不同的是，ETKF方法是通过将预报扰动乘以一个变换矩阵T来使之变为分析扰动的，即

Xa=XfT

(1)

式中：Xa为分析扰动，Xf为预报扰动，通过转换矩阵T将预报扰动向量进行线性组合产生当前时刻的分析扰动向量，变换矩阵T的推导过程见Wang and Bishop(2003)。

由于集合成员数明显少于预报误差方差投影的方向数，式(1)得到的分析扰动协方差达不到真实的分析误差协方差的量级，此时需要在每一次循环，如第i次循环引入一个放大因子Π来使分析扰动成员的协方差与控制预报分析场的误差方差大体相当，即ti时刻的分析扰动为：

(2)

集合扰动进行中心化扰动时，需要遵守三个条件：(1)中心化后的分析扰动的总和为零；(2)由分析扰动估计的分析误差协方差在中心化前后不变；(3)每个成员的误差方差在中心化前后不变，也就是成员等同性。为了使集合扰动成员相对于集合平均中心化，引入球面单形中心化方案(Wang et al，2004)，在式(2)的基础上乘以矩阵U=CT，C是预报扰动向量投影到观测空间中的协方差矩阵的特征向量，根据此得到ETKF方法的最终表达式：

(3)

然后，对大尺度扰动场Xga和区域ETKF初值扰动场小尺度扰动场Xra进行融合，得到混合初值扰动场Xma：

Xma=Xga+Xra

(4)

混合扰动场既包含大尺度信息，又具有中小尺度信息，最后通过尺度调整因子调整混合扰动场的扰动幅度，使之具有动力意义的、误差快速增长的特性。

1.1.2 模式扰动方法

采用随机物理过程倾向项扰动方案(SPPT)表征模式不确定性。方案通过随机扰动净倾向来表示模式不确定性，从而改善集合离散度与概率预报技巧。即：

δXp=Ψ(λ,φ,t)δX

(5)

式中：第一项δXp表示模式积分过程扰动的物理倾向，δX为模式物理倾向项，而Ψ(λ,φ,t)表示随机扰动项。本扰动方案基于一阶Markov过程的随机扰动，产生的随机扰动为时间和空间的函数，在空间和时间上相关，同时，扰动场服从正态分布结构。

1.1.3 侧边界更新

区域模式通过标准初始化过程产生初始场和侧边界条件。前面基于多尺度混合初值扰动方法产生包含多种扰动信息的新初始场，这些新初始场中包含的扰动信息与来自全球集合预报初始化过程产生的侧边界条件中包含的扰动信息不一致，会在边界区域产生虚假扰动，影响模式预报效果(Caron，2013)。考虑初值和侧边界条件存在的不连续、不匹配情况，参考CMA-MESO同化系统更新侧边界条件的方法，在完成混合初值扰动技术产生新的初始场以后，再对模式侧边界条件进行更新，使新的初值和侧边界条件匹配，减少不连续和虚假波动影响。

1.2 北京冬奥气象保障针对性产品开发

根据北京冬奥服务需求和敏感气象要素，重点关注赛前和赛事期间大风、低温(风寒)、低能见度、降雪等高影响天气，开发集合预报能见度、极端风、降水相态产品，为北京冬奥气象保障提供更有针对性的预报产品。

(1)大气能见度

大气能见度是气象观测的常规项目, 它是表征大气透明程度的一个重要物理量(傅刚等，2009)。目前数值研究工作中普遍采用的是根据消光系数计算出大气的水平能见度，公式是Stoelinga and Warner(1999)给出的：

vis=-lnε/β

(6)

式中：vis是水平能见度，单位：m；ε为常数，取值为0.02；β为消光系数。该经验公式被后来的数值研究工作普遍采用，为水平能见度的数值预报建立了可行方案，消光系数又可细分为四个部分，分别为云水、雨水、冰和雪的影响，表示为：

β=β1+β2+β3+β4

(7)

云水：β1=144.7C1(0.88)

(8)

雨水：β2=2.24C2(0.75)

(9)

冰：β3=327.8C3(1.0)

(10)

雪：β4=10.36C4(0.7776)

(11)

(12)

式中：T为温度，单位：K；Qc，Qr，Qi和Qs分别表示云水、雨水、冰水和雪水的混合比，单位：kg·kg-1；p为地面气压，单位：hPa；C1,C2,C3和C4分别表示云水、雨水、冰水和雪水的液态水含量。

(2)阵风产品

大风天气对冬奥会赛事影响非常明显，往往会导致比赛临时中断、赛程调整甚至取消，加强大风灾害的预报对赛事保障至关重要。基于数值模式的近地面风速预报是冬奥会气象保障的关键一环。本研究采用的阵风产品诊断公式[注]阵风产品诊断公式来自于CMA-MESO统一后处理诊断程序cal_gust.F为：

(13)

从边界层高度的混合动量来计算地面阵风。其中，GUST表示地表最大阵风风速，ZPBL表示大气边界层的高度，U10和V10分别表示10 m风分量，Ulpbl和Vlpbl分别表示边界层高度的风分量。

(3)降水相态产品

降水相态预报就是预报降水时的降水类型及降水发生的时段，包括液态(降雨)、固态(降雪、冰粒、冻雨等)以及混合态(雨夹雪)3种。目前，考虑到不同降水相态的算法均不能完全准确地诊断所有类型的降水，数值预报中心模式后处理采用4种算法进行集合，根据不同方案中相同结果最多的，并根据降水相态造成危害的程度确定最终的诊断结果(佟华和张玉涛，2019)。这4种算法分别是BTC方案(Baldwin et al，1994)、改进的BTC方案、Ramer方案(Ramer，1993)和Bourgouin方案(Bourgouin，2000)。其中，BTC方案是基于观测的热力垂直廓线，用一些经验性的常数和公式设定来检查水凝物在降落过程中的温度垂直廓线结构，从而判断水凝物到达地面的降水相态。Ramer方案是根据地面降水的冰分数和近地面的湿球温度来判断是哪种降水相态。Bourgouin方案基于能量的观点，用是否有足够的能量使水凝物融化或者冰冻来判断降水相态。输出结果包括冻雨、冰粒、雪、雨。

1.3 试验资料和试验时间

本文研究内容采用CMA-MESO为基础的高分辨区域集合预报试验系统，模式垂直层次为51层，水平格距为0.03°，格点数为533×467，试验区域是以北京为中心的华北区域，具体模式范围和地形信息参考图1，集合预报成员数为14个集合扰动成员和1个控制预报成员，一共15个集合成员，侧边界扰动由中国气象局数值预报中心T639全球集合预报系统提供。考虑试验区域范围、中纬度地区大气运动的速度和冬奥气象保障时效要求，本试验预报时效为36 h。集合预报试验检验所需的等压面要素纬向风U、经向风V、温度T、高度H和地面2 m 百叶箱温度、10 m风速的实况资料为CMA-MESO同化分析场。对于降水预报检验，采用了国家气象信息中心华北地区国家级自动观测站的站点降水观测资料。

图1 高分辨区域集合预报系统预报范围和地形Fig.1 Domain and terrain of the 3 km high resolution regional ensemble prediction system

由于北京冬奥会的举办时段为2022年2月4—20日，在冬奥会开展前的同期时段，都是冬奥气象保障能力的关键测试时期。因此，本研究以2019年2月1—15日为时间段开展连续半个月的预报试验。

2 高分辨区域集合预报冬奥气象保障能力检验

为考察高分辨区域集合预报冬奥气象保障能力，需要通过等压面要素、近地面要素综合检验评估模式的综合预报能力。连续性变量的检验主要考虑离散度-技巧关系，离散型降水变量检验包括AROC评分和Brier评分。图2表示集合预报不同要素(温度场和风场)、不同层次(低、中、高)的控制预报、集合平均均方根误差以及集合离散度。其中，集合平均是包括控制预报在内的15个集合成员的等权重数学平均(下同)。从图2可见，总体来说，无论温度场还是风场，集合预报平均值的均方根误差基本小于等于控制预报误差，体现了集合平均相对控制预报的优势，即集合预报对确定性预报具有一定的改善作用，这是由于集合平均过滤掉了集合成员的不确定因素。但不同要素在不同层次上表现不一样：比如，500 hPa温度场的集合平均和控制预报基本相同，而风场U分量则在高层与控制预报误差基本一样(图2b)，说明集合预报还需要进一步改进。集合平均均方根误差和集合预报离散度的关系是衡量集合预报系统可靠性的一个重要标准，一个好的集合预报系统的集合平均均方根误差和集合离散度应该基本一致。从各个变量各个层次相互关系来看，预报变量中高层两者一致性关系较好，且集合离散度与均方根误差随预报时效延长呈增长趋势(图2a～2d)，在一定程度上体现了预报的不确定性；但两种变量低层欠离散明显，而且初始时刻，离散度高于均方根误差(图2e，2f)，说明如何改善低层预报要素的离散特征，是发展高分辨区域集合预报系统(水平1～4 km分辨率)面临的技术挑战。

图2 2019年2月1日00时至15日00时250 hPa(a,b), 500 hPa(c,d), 850 hPa(e,f)平均温度场(a,c,e)和纬向风U分量(b,d,f)的控制预报均方根误差(蓝线)、集合平均均方根误差(红线)和集合离散度(绿线)随预报时效的演变(每日两个起报时次：00时和12时，共计29时次，世界时，下同)Fig.2 Evolution with forecast timeliness of control forecast root-mean-square error (RMSE) (blue line), ensemble mean RMSE (red line) and ensemble spread (green line) of temperature field (a, c, e) and U component of zonal wind (b, d, f) at 250 hPa (a, b), 500 hPa (c, d), 850 hPa (e, f) on average from 00 UTC 1 to 00 UTC 15 February 2019(two starting times every day: 00 UTC and 12 UTC, totally 29 times, the same below)

地表要素预报，特别是温度、风、降水预报，是保障赛事运行和运动员表现的重要外部因素。图3为2 m温度集合平均误差，预报时效内误差一直缓慢增长，24 h预报误差略高于2.5 ℃，36 h最高超过3 ℃ 以上，虽然与冬奥气象保障要求的24 h温度预报偏差在±2 ℃内还有一定差距，但3 km的集合预报系统提供了未来大气状况变化的更多可能性信息，为预报员制定预报结果提供了修正空间。检验结果表明，地面气象要素，尤其是温度的预报误差，还需要针对性改进和订正，后面可以通过改进模式下垫面描述能力、资料同化、改进预报模式等方法解决。从地面风速预报检验来看，风速预报均方根误差24 h基本小于2 m·s-1，36 h略高于2 m·s-1，与EC地面要素预报结果相比，还存在一定差距，但与大部分其他业务模式平均预报误差比较，已经具有一定优势(参考中国气象局数值预报中心业务检验评估和区域高分辨数值预报检验评估结果)。

图3 同图2，但为平均地面温度场(a)和纬向风U分量(b)的集合平均均方根误差Fig.3 Same as Fig.2, but for ensemble mean RMSE of surface temperature field (a) and U component of zonal wind field (b) on average

AROC利用相对作用特征曲线来衡量，其原理是将信号探测理论应用到数值天气预报的二分类要素预报的检验方法中，在每个格点上，考虑一个事件(如降水)发生或不发生两种状态。检验的结果为预报正确、空报和漏报，用双态分类联列表表示。将命中率沿着假警报率增加方向积分，可以得到ROC面积，即AROC，来描述预报系统的能力。AROC面积越大，表明概率预报技巧越高。6 h累计降水量阈值分别设为0.1、4.0和13.0 mm，降水量级为小、中、大。由图4可见，检验时段对于降水小量级、中级评分均大于0.5，说明概率预报有正技巧，但对于大量级降水预报，AROC约等于0.5，预报没有技巧。说明试验期间，虽然经历两次寒潮过程，试验区域发生多次降水，高分辨区域集合预报对小到中雪预报技巧较好，对大量级降水预报而言，因本次过程基本达不到该量级，因此评分意义不大。

图4 2019年2月1日00时至15日00时的6 h累计降水AROC(a)和BS(b)评分随预报时效演变(Ps，Pm和Pl分别表示降水量级小、中、大，降水阈值划分为6 h累计降水量达到0.1，4.0和13.0 mm)Fig.4 Evolution with forecast timeliness of AROC (a) and BS (b) score of 6 h accumulated precipitation from 00 UTC 1 February to 00 UTC 15 February 2019(Ps, Pm and Pl represent small, medium and large precipitation magnitudes respectively, the precipitation threshold is divided into 0.1, 4.0 and 13.0 mm within 6 h)

Brier评分(简称BS)为均方概率误差，是一种用来检验概率预报准确性的传统方法，BS取值范围为0～1，越小越好。对于BS评分而言，各个级别降水评分值都比较低，说明集合概率与真实观测概率的偏差不大，降水预报准确性较好；预报降水量级从小到大，评分依次降低，同样对于大的降水量级统计评分意义不显著。

3 冬奥赛事高影响事件天气学分析及检验

3.1 天气过程简介

模式开展的2019年2月1—15日的连续高分辨区域集合预报试验期间，包含了两次冷空气南下影响我国大范围区域的过程，华北地区出现大风、降温和降雪。第一次过程发生在6—10日，第二次过程为14—15日，分别有强冷空气和中等强度冷空气南下。第一次冷空气降温幅度较大，中东部大部分地区出现4～6级偏北风、阵风7～8级，华北气温下降6～10 ℃；华北西部、黄淮等地出现小到中雪或雨夹雪；第二次过程导致华北北部出现4～5级偏北风，华北南部气温普遍下降4～6 ℃，发生小到中雪或雨夹雪过程。第一次过程(图5a)，500 hPa有欧亚大陆中高纬阻塞高压发展东移，阻塞高压东部出现切断低涡，来自阻塞高压和低涡的干冷偏北风和东北风南下汇入到华北地区上空的槽后，高空槽东移时，槽后偏北大风影响到华北地区，产生强烈降温。同时，华北也位于200 hPa高空急流出口区左侧，为强高空辐散。地面为大范围冷高压控制，高压东部偏北风环流携带洋面上的水汽进入陆地，华北地区处于地面高压南部的东风气流中，偏东风水汽输送明显。近地面西北大风与偏东风气流辐合抬升形成上升运动，配合中层低槽和高层辐散，低层水汽辐合抬升，最终造成降水和降雪。第二次过程中，对流层中层500 hPa有高空槽东移发展加强(图5b)，槽区正涡度发展，有低涡形成，200 hPa上空有明显高空急流维持，华北地区正好位于500 hPa槽前上升气流区，也基本处于高空急流入口区左后侧，高层辐散效应明显。700 hPa上则位于低涡南部槽区干冷的西北风与来自南方相对暖湿的西南风的辐合带北部，从低层到高层均为有利的环流配置，利于上升运动维持加强和水汽抬升。

图5 2019年2月两次过程的天气形势(a)6日12时500 hPa位势高度(紫色线，单位：dagpm)、温度(红色线，单位：℃)和850 hPa风场(风矢量，单位：m·s-1)(填色为地面气压；白色线为200 hPa风速≥40 m·s-1区域)；(b)14日06时500 hPa位势高度(蓝色线，单位：dagpm)、温度(红色线，单位：℃)和700 hPa风场(风矢量，单位：m·s-1)(填色为200 hPa风速≥40 m·s-1区域)Fig.5 Synoptic situation of two processes in February 2019(a) 500 hPa geopotential height (purple line, unit: dagpm), temperature (red line, unit: ℃) and 850 hPa wind field (wind vector, unit: m·s-1) at 12 UTC 6 (colored: ground pressure; white line: 200 hPa wind with speed ≥40 m·s-1); (b) 500 hPa geopotential height (blue line, unit: dagpm)， temperature (red line, unit: ℃) and 700 hPa wind field (wind vector, unit: m·s-1) at 06 UTC 14 (colored area: 200 hPa wind with speed ≥40 m·s-1)

3.2 地表要素预报检验分析

3.2.1 第一次寒潮大风过程

近地面温度和风场变化对冬奥赛事影响较大，是冬奥期间需要重点关注的两个物理量。预报期间的两次冷空气南下均引发大风降温，第一次过程风速较大，降温明显，对这次过程的预报情况分析主要针对降温和大风过程。图6a，6b显示，集合预报的平均2 m温度预报与同时次的实况较为一致。从高分辨区域集合预报24 h集合平均预报可见(图6a)，内蒙古和河北北部地区温度为-24 ℃以上，同一纬度地区西部温度低于东部地区，显示寒潮过程自西向东方向移动，与实况吻合较好。预报不确定性(集合离散度)较大区域与寒潮移动过程密切相关(预报区域西部离散度较高)，说明寒潮天气过程大气发展演变非线性特征显著，不同集合成员对于寒潮降温幅度预报存在一定差异，这种集合预报不同成员的敏感性特征对实际预报中确定寒潮影响关键区位置具有一定参考价值。在24 h变温预报中(图6c)，京津冀地区均有大幅度降温，张家口和北京地区预报24 h 变温为-10 ℃，强度与实况降温幅度(降温约7～12 ℃)相当，达到冷空气过境后日最低气温24 h内下降8 ℃及以上的寒潮标准，虽然降温预报降温范围略大于实况，但是系统还是较好地预报了这次强降温过程。图7a，7b为预报的大风与实况对比：从集合预报24小时10 m风平均值和离散度来看，即便是集合平均风场，也显示了有一个气旋性扰动气流经过北京地区。同时，沿太行山地区，有一条明显的西南—东北走向的风切变线，与观测实况较为一致；除黄渤海地区显著的大风过程外，山区(太行山和冬奥赛区)风速普遍高于平原地区，北京地区风速离散度达到2～3 m·s-1，不同集合成员地面风预报差异较大，指示出类似的大风降温过程对开展室外雪上项目明显有不利影响。

图6 2019年2月7日00时地面温度(a，b，距离地面2 m高度)和24 h变温(c，d)(单位：℃)(a,c)6日00时24 h预报，(b,d)对应实况(图6a和6c中等值线表示集合平均，填色表示离散度)Fig.6 Ground temperature (a, b, 2 m above the ground) and 24 h temperature variation (c, d) at 00 UTC 7 February 2019 (unit: ℃) (a, c) 24 h forecast at 00 UTC 6, (b, d) corresponding observation (In Figs.6a and 6c, isoline represents the ensemble mean, and the colored area represents the spread)

图7 2019年2月7日00时地表风速(距离地面10 m高度，单位：m·s-1)(a)6日00时24 h预报，(b)对应实况(图7a中风杆表示集合平均，填色表示离散度)Fig.7 The ground wind (10 m above the ground, unit: m·s-1) at 00 UTC 7 February 2019(a) 24 h forecast at 00 UTC 6, (b) corresponding observation(Wind pole represents the ensemble mean, and the colored area represents the spread in Fig.7a)

3.2.2 2月14日北京周边降雪过程

第二次寒潮过程以降雪为主要特征，发生小到中雪或雨夹雪过程，本文主要关注这次过程的地表风速预报和降水预报。

图8a，8b为第二次寒潮过程预报的地表风与实况对比。从24 h预报10 m风平均值和离散度来看(图8a)，15日00时，华北北部、黄渤海地区风速较大，冬奥赛区北京和张家口地区风力较高，北京佛爷顶风力实况达到10 m·s-1以上，虽然预报风速略偏大，但总体大风区分布和量级与实况吻合较好；与第一次寒潮过程类似，风场预报离散度较大区域依然位于太行山和军都山等地，说明复杂地形对数值预报结果影响明显，预报不确定性较大，而冬奥雪上项目均位于复杂山区，在提高数值预报模式精细预报能力的同时，需要考虑模式预报的不确定性，这也是高分辨区域集合预报的优势所在。

图8 同图7，但为2019年2月15日00时Fig.8 Same as Fig.7, but at 00 UTC 15 February 2019

图9为第二次寒潮过程高分辨区域集合预报降水集合平均值和观测实况，从预报结果来看，虽然各个集合成员包括控制预报在内，在华北北部地区预报降雪量较实况普遍偏大，但集合预报对本次降雪过程的预报落区和与实况吻合较好，特别是北京和张家口地区普降中到大雪，对降雪还是有较好的预报效果。

图9 2019年2月14日00时至15日00时24 h集合平均(a)和对应实况(b)累计降水Fig.9 The 24 h accumulated precipitation of ensemble mean (a) and corresponding observation (b) from 00 UTC 14 to 00 UTC 15 February 2019

3.2.3 2月14日北京周边降雪过程典型测站单点检验评估

集合箱线图是显示集合预报值概率分布情况的图形，能够定点地显示特定气象要素随时间的分布特征和演变趋势，可以同时显示集合预报的平均信息(中位数)和集合预报的不确定性(盒子的长度)。以2月14日北京周边降雪过程为例，主要针对地形比较复杂，预报难度较大的崇礼赛区和延庆赛区典型测站的单点集合预报结果开展检验评估。评估要素为冬奥赛事最关注的地面要素，图10给出崇礼站和延庆佛爷顶站2 m温度、逐小时降雪、10 m风速和比湿箱线图。从崇礼和和延庆地区代表站点(海拔高度均超过1 200 m)箱线图要素的结果来看，单站预报要素与实况无论分布特征还是演变趋势均有较好的一致性，预报误差除降雪以外都较小，大部分时效集合平均温度预报误差在2 ℃左右，负偏差居多(预报低于观测值)，风速相较于瞬时风速大部是正偏差，偏大1～2 m·s-1左右(实况风速包括瞬时风、2 min平均风速和10 min最大风速，差别很大)；湿度偏差整体效果也较好。针对这次高影响天气过程，不同集合成员对各个要素总体预报差别较小，大部分时刻分位数和极值均比较集中。然而，这并不意味着集合预报同一预报时刻针对不同地点预报的差异也相同：以地面温度为例，崇礼6 h和24 h预报箱线图盒子距离比较长，说明这两个时刻集合成员预报不确定性较大，而在延庆佛爷顶则在初始时刻和18 h预报不确定性大，特别是18 h预报，不同成员预报最大差别可以达到4～5 ℃。降雪单点要素预报结果与实况差别较大，但总体趋势与实况很接近，原因除了模式预报偏差以外，可能与实况观测的特点有关，因为在分析降雪实况资料发现，逐时降雪资料通常很小或者没有明确的观测值，但24 h累计值却可能较大。此外，箱线图同时给出了集合平均和控制预报结果，可以为预报提供更丰富的信息。总体来说，针对2月14日降雪过程，针对地面要素36 h预报时效内，各个要素预报误差特别是赛事特别关注的2 m温度和10 m 风，基本能满足比赛要求的24 h预报误差温度低于2 ℃、风速小于2 m·s-1的要求，同时给出预报不确定性信息，这对于观测资料缺乏、地形复杂、海拔高度较高的地区具有较好的参考价值。

图10 两个典型代表站点崇礼(a,b)和延庆佛爷顶(c,d)2019年2月14日00时起报36 h箱线图要素的天气学检验分析(a,c)预报，(b,d)实况Fig.10 Comparisons between diagram of box-plot (a, c) of 36 h forecast initialized at 00 UTC 14 February 2019 and corresponding observations (b, d) for two typical spots at Chongli (a, b) and Foyeding (c, d)

3.3 冬奥气象保障诊断产品检验分析

北京冬奥会是近20年内唯一一次在大陆性冬季风主导的气候条件下举办的冬奥会，能见度、大风、降雪相态等气象条件的预报和预警，是保障北京冬奥赛事运行和影响运动员表现的重要外部因素，需要重点考虑。冬季山地气象预报经验欠缺，预报难度较大。本研究针对北京冬奥气象保障的重点关注气象条件，在发展高分辨区域集合预报基础上，在后处理系统中也需增加冬奥保障后处理产品，以检验集合预报诊断产品的冬奥气象保障能力。

能见度是影响冬奥赛事的重要因素，不仅直接影响到某些赛事能否举行(比如高山滑雪和自由式争霸赛则要求能见度>2 km)，对赛事后勤支援保障和直升飞机救援等影响也很大。从第一次寒潮过程能见度来看(图11a，11b)，低能见度区域主要位于太行山以及淮河一带，而能见度24 h集合平均预报低能见度区域与实况吻合较好，对应区域离散度较大，显示不同集合成员能见度预报差别较大，预报不确定性较大。第二次寒潮过程能见度低值区主要分布在华北南部广大区域以及内蒙古南部、河北北部和辽西一带(图11c，11d)。集合预报对此次过程北方地区低能见度区域落区预报较好，而南部低值区域仅在山东、河北一带，在淮河流域广大地区低能见度明显漏报。从能见度预报数值来看，还存着北方地区能见度预报总体偏低、南部地区偏高问题，还需要进行针对性改进。

图11 2019年2月7日00时(a,b)和15日00时(c,d)的能见度(a,c)24 h预报，(b，d)实况(图11a,11c中填色表示集合平均，等值线表示离散度)Fig.11 Visibility at 00 UTC 7 (a, b) and 00 UTC 15 (c, d) February 2019(a, c) 24 h forecast, (b, d) observation(Colored area represents ensemble mean and isoline represents the spread in Figs.11a, 11c)

大风天气对冬奥会影响特别明显，韩国平昌冬奥会期间发生多起因大风导致比赛推迟和改期的情况。从两次寒潮过程24 h阵风集合预报来看，第一次寒潮过程，阵风高值区主要分布在河北北部以及与河北接壤的辽西和内蒙古南部，以及华北南部的黄渤海平原地区，与实况非常接近(图12a，12b)；第二次寒潮过程阵风大值区分布在沿太行山脉自西南向东北广大区域，与实况分布也很相似(图12c，12d)，但预报值比实况偏大。比较两次寒潮过程的阵风与实况，并没有发现阵风预报存在系统性偏高的现象；与对应的地面风相比，阵风预报值普遍高2～3 m·s-1左右，更接近观测实况，说明阵风预报相较模式直接输出地面风预报，更能体现室外实际风速极值变化情况，特别是基于集合预报的阵风预报产品可以提供极大风速出现的概率，对冬奥比赛安排具有参考意义。

图12 同图11，但实况(a，c)和预报(b，d)分别为瞬时大风和阵风预报Fig.12 Same as Fig.11, but for observation (instantaneous gale) (a, c) and gust forecast (b, d)

降水相态是指降水的形态，包括液态(降雨)、固态(降雪、冰粒、冻雨等)以及混合态(雨夹雪)3种。降水相态预报不仅反映冬奥比赛关注的未来天气现象，而且由于降水相态变化引起的雪温、雪质的变化直接会对室外比赛产生影响。降水相态通常比较复杂，空中的热力状况和近地面温度对降水相态影响很大，是准确预报地表降水类型的关键(Yang et al，2021)。地面温度在0 ℃左右通常是相态变化的临界点，即0 ℃以下降水相态基本是雪，2～3 ℃以上时，基本上是雨，在0 ℃至2～3 ℃，出现雨、雨夹雪、雪、冰粒的可能性都有。从两次寒潮过程的降水相态预报邮票图可见(图13)，第一次过程降水量总体较小，降雪主要出现在地面温度0 ℃以北的山东、河北地区，降雨主要出现在淮河以南地区，在降雨和降雪区过渡地带，出现冰粒现象，而这种过渡带，在实况中比集合预报结果的范围更宽广。第二次寒潮过程出现较大范围的降水天气，从实况和预报来看，降雪分布在山东以北广大地区，降水主要分布在江苏和安徽北部。与第一次过程类似，实况中出现冰粒的大部分区域在模式预报中都统计为降雪，与区域CMA-MESO后处理方案倾向于过高估计冻雨和冰粒的预报落区(佟华和张玉涛，2019)的说法不同，需要后续开展更多试验做出判断。另外，在模式预报中，河南部分地区出现冻雨天气，但在实况中记录很少，这也是值得关注的地方，需要后续开展更仔细的对比分析研究。

图13 2019年2月7日00时(a)和15日00时(b)降水相态邮票图Fig.13 Stamp pictures of precipitation phase at 00 UTC 7 (a) and 00 UTC 15 (b) February 2019

3.4 高分辨区域集合预报系统后续发展

随着中国气象局全球集合预报系统(CMA-REPS)业务化，CMA-REPS的全球背景驱动场将不可避免由T639-GEPS转向CMA-GEPS，加之CMA-3 km对流尺度模式全球背景场的变化和云分析技术的应用，国家级区域集合预报业务系统以及冬奥会保障高分辨实时系统技术也随之升级，包括初值扰动技术、侧边界条件更新、模式不确定性以及云分析方案等引入，改进诊断产品，将进一步提升高分辨区域集合预报实时系统冬奥会保障能力，向冬奥会气象保障24 h地面温度集合平均预报误差达到2 ℃、地面风速预报误差小于2 m·s-1的预报要求，发挥概率预报在赛事关注的气象要素阈值预报方面的优势，提高比赛风险管理和评估能力。

续图13continued

4 结论与讨论

本文针对北京冬奥会比赛预报服务需求，在国家级区域集合预报系统基础上，进一步优化初值扰动和侧边界扰动构建方法，针对冬奥气象保障要求，首次研发了高分辨区域集合预报实时系统，具备了为冬奥气象保障提供实时服务产品和保障能力。针对北京冬奥会比赛时段开展了连续试验，可以为赛事关注的气象要素阈值提供概率预报产品，以便提前做好规避风险准备；开展了试验期间高分辨区域集合预报对主要高影响天气过程的天气检验和统计学检验，评估了高分辨集合预报对冬奥高影响天气过程的预报能力；针对北京冬奥会赛事影响的关键要素开发了能见度、阵风、降水相态等概率预报产品，提高了对高影响天气过程的预报和服务能力。了解了冬季复杂下垫面条件下高分辨区域集合预报系统现阶段北京冬奥会气象保障能力和存在问题，为进一步分析和改进系统提供依据。主要结论如下：

(1)该研究基于全球集合预报大尺度扰动信息和区域模式自身扰动循环产生的较小扰动信息融合的多尺度混合初值扰动方法，以及高分辨区域集合预报侧边界扰动方法，减低侧边界虚假扰动影响，更新改进了混合侧边界条件信息，是国内针对北京冬奥会保障需求研发的首个CMA高分辨区域集合预报实时系统。统计检验结果表明，主要预报变量高、中、低等压面要素集合平均值的均方根误差小于控制预报误差，表明集合预报相对应于单一确定性预报具有优势；此外，集合预报可以给出未来赛事关注的气象要素风险阈值，这是单一确定性预报不具备的优势。地面要素预报检验表明，地面风和温度24 h 预报误差略高于2 ℃和2 m·s-1，接近冬奥气象保障要求24 h温度预报偏差在±2 ℃、风速误差小于2 m·s-1的指标要求；降水预报在小、中级别降水效果较好(AROC评分高于0.6，试验阶段没有出现大级别降水)。后续需要结合区域CMA模式自身特点，针对冬季山地复杂地形下垫面特点，改进集合预报技术方法，采用地面变量偏差订正技术进一步改进系统预报能力。

(2)试验期间两次寒潮大风过程开展高分辨区域集合预报天气学分析的检验结果表明，通过最普通的集合预报平均值/离散度产品，可较为准确地描述地面温度主要分布特征和寒潮移动过程，24 h达标的寒潮变温预报，变温中心位置与实况吻合，大风预报显示北京等冬奥赛区存在气旋性扰动气流及风切变等。另外，较好地预报出了两次降水的落区和强度，但第二次降雪预报较实况偏大，需对微物理过程进行进一步分析改进。总的来说，高分辨区域集合预报提供了有价值的概率预测信息。

(3)冬奥会气象保障对能见度、大风、降雪相态等气象条件特别关注。本文在CMA模式后处理基础上，针对性开发了相应的能见度、阵风及降水相态等冬奥气象保障产品。两次寒潮过程分析表明，不同集合成员的能见度预报对反映实况十分敏感。阵风预报与实况大值区分布较一致，第二次过程强度稍偏大，输出的10 m风预报、降水相态预报与观测分布吻合，雨雪分界线，降雨、雨夹雪、雪、冰粒落区范围合理，提升北京冬奥气象保障能力。

数值预报的概率预报业务的发展，是最近三届冬奥会气象预测保障的关键技术，是开展冬奥会服务高时空分辨率无缝隙客观预报和智能化预报服务的核心技术。根据“2022年冬奥会和冬残奥会气象服务需求分析报告(2020版)”，需了解不同比赛项目对气象条件的不同需求，并对气象条件阈值进行综合和提取，另外，针对不同的天气情况，制作相应的气象保障预案。以高山滑雪为例，当气温低于-15 ℃、风力大于5级或气温低于-20 ℃、赛道能见度低于500 m，局部区域能见度低于200 m，日降雪量大于5 cm，2 h降雪量高于2 cm，出现混合性降水或冻雨时比赛暂停。因此，北京冬奥气象保障中，需要提升每一个重要气象要素的预报能力，考虑不同要素之间的组合预报能力。基于本文的研究工作，国家气象中心已经初步建立了3 km高分辨区域集合预报实时保障系统(已完成初值和侧边界条件等技术更新，集合预报能力有提升)，提供关键比赛需求的阈值概率预报能力(比如6级大风)和赛事安排风险预警产品，将通过引入分析同化和改进集合预报扰动方法，进一步提高冬奥赛事气象保障能力。

致谢：论文在集合预报后处理和产品制作过程得到了中国气象局地球系统数值预报中心佟华正研级高级工程师、高丽高级工程师，王婧卓工程师以及北京城市气象研究院张涵斌高级工程师的鼎力帮助，论文所用观测和检验资料来自国家气象信息中心、国家气象业务内网以及冬奥专项课题组。