APP下载

多数值模式对2021年7月两次大暴雨过程预报能力检验评估

2022-07-08屠妮妮衡志炜何光碧吴蓬萍

高原山地气象研究 2022年2期
关键词:实况邻域质心

屠妮妮 , 衡志炜 , 何光碧 , 吴蓬萍

(中国气象局成都高原气象研究所/高原与盆地暴雨旱涝灾害省重点实验室,成都 610072)

引言

传统的点对点检验方法能够客观给定模式预报的整体表现,存在双重惩罚的现象,同时由于站点分布不均匀而模式分辨率较高时,站点检验法无法准确反映模式的预报能力,也不能解释预报误差的主要来源[1-3]。为了解决降水检验中的双重惩罚问题,空间检验方法得到发展和广范的使用,常用的空间检验方法大致可分为两类[4-8]。一类是通过计算不同空间尺度上的统计评分获取不同尺度上的预报性能和预报技巧,如邻域法和尺度分离法,有研究指出邻域法对小概率事件更为敏感,可评估区域模式在小尺度对流预报能力的差异;另一类是通过分析预报对象和观测对象的空间属性诊断误差来源,如CRA(Contiguous Rain Area)、SAL (Structure Amplitude Location)和MODE(Method of Object-based Diagnostic Evaluation)等,相对于传统的点对点检验方法,面向对象检验方法综合考虑了位置、形状、面积等多种因素,克服了传统检验方法对于空间位置的过度依赖以及TS评分中的“双重惩罚”等不足。

王新敏[7]等使用CRA方法评估三次台风暴雨过程,指出区域模式对极值估计优于全球模式,模式预报降水个体误差主要来源于位移误差,强度和形态误差大致相当。符娇兰等[8]利用CRA方法对西南地区东部强降水检验评估ECMWF模式预报误差来源,发现形态误差占比最大,其次为落区误差。潘留杰等[9-10]使用MODE方法评估高分辨率格点降水,指出MODE方法能统计传统技巧评分和预报性能的尺度变化,还能提供目标对象的多种属性,ECMWF、日本模式分别在局地性和系统性降水上有较好的预报表现,对系统性降水来说,50~110 km空间尺度能够取得较好的技巧评分(Fraction Skill Score,FSS)。曲巧娜等[11]使用目标对象检验方法,通过比较山东主汛期强降水过程落区的面积、位置、形状和强度获得空间场潜在的预报信息,发现模式对质心位置评分最好,其次是面积评分,形状评分中的轴向角评分可用,椭圆率评分效果最差。茅懋等[12]指出空间检验方法能针对用户关注的检验对象形态、结构等预报效果,给出综合的评价结果,在提供预报误差来源的同时提高应用效果。

本文综合运用传统站点检验、邻域法和MODE空间检验法,对2021年7月影响四川的两次区域性大暴雨过程进行评估,帮助业务和科研人员进一步了解各个模式对系统性暴雨预报的性能差异。

1 资料与方法

1.1 资料

本文选取2021年7月影响四川北部和中部的两次大暴雨过程进行检验,时段分别为2021年7月9日00时~11日00时、7月14日00时~16日00时(文中所用时间均为世界时)。参与检验的模式分别有SWCWARMS(简称SW9KM,分辨率为 9 km×9 km)、SWCWARR(简称SW3KM,分辨率为 3 km×3 km)、ECMWF(分辨率为 0.1°×0.1°)和华东区域(简称 BCSH,分辨率为9 km×9 km)模式,取各模式每日00时和12时起报72 h预报时效内结果。实况降水资料为包括区域站在内四川省24 h累计雨量和国家气象信息中心多元融合降水格点资料,该格点资料时间分辨率为1h,空间分辨率为0.01°×0.01°。站点检验将模式格点资料通过双线性插值至站点,邻域法和空间检验则将模式预报结果和多元融合降水资料通过ESMF_regrid双线性插值法插值至0.1°×0.1°。日雨量等级的定义如下:0.1~9.99 mm为小雨、10~24.99 mm为中雨、25~49.99 mm为大雨、50~99.99mm为暴雨、100 mm及以上为大暴雨。

1.2 降水检验方法

研究选取的常规评估指标包括:TS(Threat Score)评分、BS(Bias Score)评分和 ETS(Equitable Threat Score)评分。TS评分对小概率事件的评分趋向于气候概率;BS评分能反映预报与实况近似程度,偏差>1说明该量级降水预报面积大于实况,即出现空报,反之则为漏报,偏差=1时与实况一致;ETS评分表示除去随机偶然事件后,事件发生且正确的样本数与事件发生总样本数的比率,ETS评分介于-1/3~1,ETS=0表示无预报技巧,理想值为1。具体公式如下:

公式(1)~(3)中:A表示预报时段内预报和实况降雨量均出现在某一降水等级内的站点数,即预报命中的站数;B表示预报出现降水而实况未出现的站点数,即空报站数;C表示未预报而实况出现降水的站点数,即漏报站数;D表示观测和预报都未出现降水的站点数(表1)。公式(3)中C1表示随机预报值,计算公式如下:

表1 降水检验列联表

为了更好地检验模式性能,本文还选用了邻域法,该方法通过比较预报和观测中对应邻近区域内的特征而命名。当预报值对于观测有偏移时,邻域法认为预报仍然是可用,能够接受位移的大小或程度被定义为邻域[9],其FSS评分考虑了格点邻域一定范围内的降水,相当于对原来的分辨率较高的格点场进行降尺度处理,其对于同一个降水预报场得到的评分数值相对增大[7]。FSS评分介于0~1,预报与观测降水完全匹配时,FSS=1,否则为0。具体公式如下:

公式(5)中:Pfcst和Pobs分别为每个邻域尺度内预报与观测降水发生概率,N为邻域尺度内网格点数量,FBS(Fraction Brier Score)为邻域范围内预报与观测降水面积的均方误差,具体公式如下:

基于对象诊断的空间检验方法(MODE)方法通过给定卷积半径对观测和预报降水场进行卷积处理,按给定的阈值识别出满足条件的目标降水对象,计算观测和预报对象的相似度,从而进一步计算不同属性值。MODE空间检验能提供降水质心距离、轴角差、面积比、交集比、降水强度、综合匹配度等属性值,具有较高的灵活性,能够提供更为全面的模式预报误差来源。

2 过程介绍

2021年7月9 日12时~10日12时,四川省共计563站出现暴雨,其中227站为大暴雨,5站为超级大暴雨;7月14日12时~15日12时,四川省共计717站出现暴雨,其中482站为大暴雨,2站为超级大暴雨。图1给出了7月9日12时~10日12时和14日12时~15日12时两次大暴雨过程24 h累计雨量散点分布。过程一中(图1a),2021年7月9~10日四川全境均有不同程度的降水,暴雨落区主要集中在四川东北部,川西高原上有中到大雨;10~11日雨带向东北方向移动,大部分地区以小到中雨为主,甘孜至雅安有大雨,暴雨主要集中在达州和南充一带(图略);11~12日,四川全境以小到中雨为主,雅安和广安有大雨和暴雨(图略)。过程二中(图1b),7 月 14~15 日大雨及以上量级降水主要分布在盆地至川北一带,强降水落区呈东北西南向,四川地区有两个大暴雨区,分别在川东北和川中;15~16日,雨带向东南方向移动,暴雨测站数量减小,分布较为零散(图略);16~17日,四川全境以小到中雨为主,大到暴雨主要集中在泸州(图略)。总之,4个模式均能预报出这两次降水过程并对雨带的移动把控较好,但雨区位置和雨强存在不同程度的偏差(图略)。

图1 2021年7月两次区域性大暴雨过程24 h累计雨量散点分布(a.9日12时~10日12时,b.14日12时~15日12时,单位:mm)

3 检验结果分析

3.1 传统站点检验

图2为两次暴雨过程3天逐日00~00时和12~12时的24 h雨量检验TS评分。过程一中(图2a),BCSH模式在48 h小雨和大雨TS评分上高于其它模式,ECMWF模式在24 h小到大雨、48 h中雨、72 h小雨和中雨TS评分上高于其它模式,SW3KM模式在24 h暴雨和48 h暴雨TS评分上高于其它模式,SW9KM模式在72 h大雨和暴雨TS评分上高于其它模式。从预报偏差分布(图略)来看,BCSH模式前48 h各级降水多空报,暴雨空报多于其它量级降水,ECMWF模式小雨和中雨多空报而暴雨易漏报,SW3KM和SW9KM模式中到暴雨多空报,暴雨空报多于其它量级降水。过程二中(图2b),BCSH模式在24 h小雨、48 h小雨、72 h小雨和暴雨TS评分高于其它模式,ECMWF模式优势体现在24 h中雨、大雨和72 h中雨上,SW3KM模式优势在24 h暴雨、48 h中到暴雨和72 h大雨上,SW9KM模式平均整体偏低,仅在48 h小雨和72 h暴雨评分上略高于SW3KM模式。对应预报偏差分布(图略),ECMWF和SW3KM两模式预报偏差略大于BCSH和SW9KM模式,BCSH和ECMWF两模式小到暴雨多空报,BCSH模式大雨和暴雨空报多于其它量级降水,ECMWF模式中雨和大雨空报略偏多,SW3KM模式中到暴雨多空报,SW9KM模式暴雨多空报,小到大雨多漏报,SW3KM和SW9KM模式暴雨空报多于其它量级降水。统计两次过程中4个降水量级在3个预报时效上的空报频率可知,总样本数为24个,BS值>1时记为1个空报样本,BCSH模式空报频率可达79.2%,ECMWF和SW3KM模式空报频率达87.5%,SW9KM模式空报频率为45.8%,BCSH模式无显著规律,ECMWF模式在小雨和中雨过报略多于其它模式,SW3KM模式在强降水上易过报偏多,SW9KM模式预报过程一的小雨范围偏少而其它量级降水范围偏大,而过程二小到大雨预报偏多且暴雨偏少。

图2 不同预报时效两次过程传统站点检验TS评分(a.过程一,7月9~12日;b.过程二,7月14~17日)

通过比较4个模式TS评分可知,ECMWF模式对过程一预报较好较优,SW3KM对过程二预报较好,ECMWF模式优势在中雨,SW3KM模式优势在暴雨,BCSH模式优势在小雨。

3.2 邻域法

文中邻域半径包括1、3、5、7、9、11、13、15个格点,数据分辨率为0.1°×0.1°,即每个邻域半径约为10 km,计算的空间尺度介于10~150 km,FSS检验时效为24 h、30 h、36 h、42 h、48 h、54 h、60 h、66 h和 72 h,24 h表示0~24 h预报时效内的累计雨量,30 h表示6~30 h预报时效内的累计雨量,36 h表示12~36 h预报时效内的累计雨量,42 h表示18~42 h预报时效内的累计雨量,以此类推,开展24 h降水检验,检验区域均为四川全省范围。图3给出4个模式每日00时起报和每日12时起报不同邻域半径和5个降水阈值下31 d平均的24 h预报时效上FSS评分。如图所示,随着邻域半径增大,FSS评分也增加,其中30 km空间尺度评分较10 km增幅最大,00时起报30 km空间尺度FSS评分相对10 km提高16%~148%,12时提高16%~194%。00时起报31 d平均的FSS评分(图3a)显示,邻域半径为1个格点时,ECMWF模式预报小雨、中雨和大雨的FSS评分高于其它模式,SW3KM模式预报暴雨的FSS评分高于其它模式,BCSH模式预报大暴雨的FSS评分高于其它模式;当邻域半径为3和5个格点时,ECMWF模式预报小雨和中雨、SW3KM模式预报大雨和暴雨、BCSH模式预报大暴雨的FSS评分高于其它模式;当邻域半径为7和9个格点时,ECMWF模式预报小到大雨、SW3KM模式预报暴雨和大暴雨的FSS评分高于其它模式;当邻域半径为11个格点时,ECMWF模式预报小到大雨、BCSH模式预报暴雨和SW3KM模式预报大暴雨的FSS评分高于其它模式;当邻域半径为13和15个格点时,BCSH模式预报小雨和暴雨、ECMWF模式预报中到大雨和SW3KM模式预报大暴雨的FSS评分高于其它模式。12时起报31 d平均的FSS评分(图3b)显示,邻域半径为1个格点时,ECMWF模式预报小雨、中雨和大暴雨、SW3KM模式预报大雨和暴雨的FSS评分高于其它模式;邻域半径为3个格点时,ECMWF模式预报大暴雨、SW3KM模式预报小到暴雨的FSS评分高于其它模式;邻域半径为5~15个格点时,SW3KM模式预报小到大暴雨的FSS评分均高于其它模式。

图3 4个模式每日00时(a)和12时(b)起报24 h预报时效7月1~31日平均FSS评分

增加空间尺度,FSS也逐渐增大,但这种增幅不是无限制的,空间尺度达到70 km时增幅逐渐开始减缓。分析对应各个邻域半径内每日00时起报31 d平均的24 h预报时效上预报偏差分布(图略)可知,4个模式中到暴雨BS值并未随邻域半径增大而线性增加,而是呈波浪形分布,邻域半径为11或13个格点时空报常常相对偏大。5个降水量级中BCSH和ECMWF模式预报小雨较实况偏多,随邻域半径增大其BS值也线性增大,SW3KM和SW9KM模式预报小雨较实况偏少,随邻域半径增大其BS值线性减小;模式均对中雨和大雨空报多于其它量级降水,即4个模式对中雨和大雨预报范围较实况偏大;当邻域半径为1时,4个模式大暴雨均为预报偏过,随邻域半径增大,其空报先增加再减小,大暴雨以漏报为主,BCSH和ECMWF模式当邻域半径为3和13时空报最多,SW3KM和SW9KM模式邻域半径为1和3时空报最多。由12时平均预报偏差分布(图略)可知,4个模式小雨BS值随邻域半径增大误差线性变化,BCSH和ECMWF模式小雨预报较实况偏多,SW3KM模式小雨由漏报转为空报,SW9KM模式为线性减小即小雨漏报增多;4个模式中雨均预报偏过,邻域半径为11和13时空报相对偏多;大雨和暴雨以空报为主,当邻域半径为1~3时误差略偏大;4个模式大暴雨以漏报为主,对于BCSH、SW3KM和SW9KM模式而言,暴雨预报偏差随邻域半径增大而减小,而ECMWF模式则相反。

综上可知,在0~24 h预报时效上,就每日00时起报结果而言,EC模式在小雨、中雨和大雨预报上更有优势,SW3KM模式和BCSH模式在暴雨和大暴雨预报上更有优势,区域模式在强降水预报上优于ECMWF模式;就每日12时起报结果而言,随着邻域半径增加,SW3KM模式各量级降水FSS评分均高于其它模式,相比其它三个模式,SW3KM模式能有效预报降水事件发生与否,但降水落区预报存在一定程度的误差,SW3KM模式各级降水FSS评分以高于SW9KM模式为主。对于小雨预报,增加空间尺度会提高模式FSS评分,但对预报偏差没有改善,反而会增加其偏差,表现为负效果;增加空间尺度,模式中雨和大雨空报以大于邻域半径为1时为主,邻域半径为11和13个格点时预报偏差相对偏大。

在分析7月各级降水月平均FSS评分随邻域半径变化的基础上,选取70 km作为评估的空间分析尺度,比较邻域半径为7个格点时FSS及TS评分(图4)。整体来看,FSS评分高于格点检验的TS评分,随着降水阈值增大评分逐渐降低,随着预报时效增长评分也逐渐降低。过程一降水格点检验显示:对于小雨,ECMWF模式在24 h、30 h和36 h预报时效上FSS评分高于其它模式,BCSH模式在42~54 h预报时效上FSS评分高于其它模式,SW3KM模式在60~72 h预报时效上FSS评分高于其它模式;对于中雨,SW3KM模式 24 h、ECMWF模式 30~48 h和 72 h、BCSH 模式54~66 h预报时效上FSS评分高于其它模式;对于大雨,ECMWF模式 24 h和 30 h、SW3KM 模式 36~72 h预报时效上FSS评分高于其它模式;对于暴雨,SW3KM模式24~66 h、SW9KM模式72 h预报时效上FSS评分高于其它模式。过程二降水格点检验显示:对于小雨,ECMWF模式24 h和30 h、BCSH模式36 h、42 h、54 h、60 h和 66 h、SW3KM 模式 48 h和 72 h预报时效上FSS评分高于其它模式;对于中雨,ECMWF模式 24~36 h、SW3KM 模式 42~72 h预报时效上FSS评分高于其它模式;对于大雨,ECMWF模式24 h和30 h、SW3KM模式36~72 h预报时效上FSS评分高于其它模式;对于暴雨,SW3KM模式各个预报时效上FSS评分均高于其它模式。

图4 4个模式对过程一(上)和过程二(下)在不同时效预报小雨(a,e)、中雨(b,f)、大雨(c,g)和暴雨(d、h)FSS及TS评分

比较两次过程小到暴雨FSS评分可知,BCSH模式在42 h和54 h预报时效上小雨评分高于其它模式,SW3KM模式在72 h预报时效上小雨、36~72 h预报时效上大雨、24~66 h预报时效上暴雨评分高于其它模式,ECMWF模式在24~30 h预报时效上小到大雨预报以优于区域模式为主,其它时段各个模式各有优劣;对于区域模式而言,模式分辨率提高其FSS和TS评分相应增加,随着预报时效延长,区域模式FSS评分以大于ECMWF模式为主,4个模式中SW9KM模式各级降水评分整体偏低。FSS评分对于强降水检验优于TS评分,当TS评分为0或NA时,各个模式预报效果无法进行比较,FSS仍有对应数值,能有效比较各个模式评分高低,24 h累计雨量分布(图略)显示模式预报有暴雨但落区与实况存在偏差,随预报时间延长各模式暴雨TS评分为0,而FSS评分仍有数值,在多个模式预报性能比较中有一定的参考价值。

3.3 MODE 空间检验

表2为两次过程3天中每日2次起报24~72 h预报时效内识别降水样本数。对于50 mm及以上量级降水,SW3KM模式识别降水样本数略多于其它模式,SW9KM模式最少;对于大暴雨,ECMWF模式识别出过程一样本数多于其它模式,BCSH和SW3KM模式区别不大,SW9KM模式识别样本数最少。对于过程一,BCSH、ECMWF和SW3KM模式识别暴雨及以上量级降水样本数差距不大;对于过程二,BCSH和SW3KM这两个区域模式识别出样本数略偏多。下文对两次过程6个起报时间9个预报时效上50 mm降水阈值相对实况位置偏差、质心距离、面积比等进行对比分析。

表2 MODE识别各模式不同阈值降水样本数(过程一/过程二)

图5给出了6个起报时间在不同预报时效上降水落区目标质心偏差分布。在过程一的50 mm降水阈值上,BCSH模式目标质心偏北16次、偏西14次,整体降水范围较实况偏西北频次居多;ECMWF模式质心偏北20次、偏西24次,整体降水较实况偏西北频次最多;SW3KM模式质心偏南21次、偏西25次,降水落区较实况偏西南次数最多;SW9KM模式质心偏北17次、偏西14次,降水落区较实况偏西北次数最多。在过程一的100 mm降水阈值上,BCSH模式质心偏北6次、偏西6次,降水落区较实况偏西北频次最多;ECMWF模式质心偏南10次、偏西15次,整体降水较实况偏西南频次最多;SW3KM模式质心偏北8次、偏西7次,降水落区较实况偏西北居多;SW9KM模式质心偏北3次、偏东3次,降水落区较实况偏东北次数最多。在过程二的50 mm降水阈值上,BCSH模式目标质心偏北30次、偏西28次,整体降水范围较实况偏西北频次居多;ECMWF模式质心偏北21次、偏西29次,整体降水较实况偏西北频次最多;SW3KM模式质心偏北21次、偏西21次,降水落区较实况偏西南和东北一样多;SW9KM模式质心偏北24次、偏西26次,降水落区较实况偏西北频次最多。在过程二的100 mm降水阈值上,BCSH模式质心偏北13次、偏西11次,降水落区较实况偏北;ECMWF模式质心偏南6次、偏西7次,整体降水较实况偏西南频次最多;SW3KM模式质心偏北8次、偏西13次,降水落区较实况偏西北频次最多;SW9KM模式质心偏北5次、偏西6次,降水落区较实况偏西北频次最多。BCSH模式暴雨及大暴雨目标质心较实况经向上偏西多于偏东、纬向上偏北多于偏南,经向偏差介于-1.55°~0.7°,纬向偏差介于-0.71°~1.22°;ECMWF模式质心经向偏差以偏西为主,纬向上偏北多于偏南,经向偏差介于-1.93°~0.09°,纬向偏差介于-1.04°~0.71°;SW3KM模式目标经向上偏西多于偏东,纬向上无显著规律,偏南或偏北一样多,经向偏差介于-1.67°~0.82°,纬向偏差介于-1.37°~1.03°;SW9KM模式质心偏西北居多,纬向上偏北多于偏南,经向偏差介于-1.62°~1.67°,纬向偏差介于-0.64°~1.78°,这可能是由于模式预报西南低涡位置偏西北导致的。

图5 4个模式对过程一(上,7月9~12日)和过程二(下,7月14~17日)在9个预报时效≥50 mm降水阈值相对多元融合降水质心位置偏差散点分布(纬向正(负)值表示预报偏东(西),经向正(负)值表示预报偏北(南),单位:°)

总的来看,4个模式预报两次过程降水落区较实况均有不同程度的偏差,BCSH、ECMWF和SW9KM模式预报50 mm以上降水质心较实况偏西北,SW3KM模式多偏西南;BCSH、SW3KM和SW9KM模式预报100 mm以上降水质心较实况多偏西北,ECMWF模式较实况偏西南。

由过程一7月9日00时起报的间隔6 h暴雨和大暴雨目标质心分布(图6)可知,模式预报≥50 mm降水质心与实况较为接近,移动趋势一致。其中,BCSH模式与实况差异较小,当模式预报降水面积远大于实况时目标质心与实况出现较大偏差,ECMWF模式11日06时(积分54 h)质心较实况偏西南较多,SW3KM模式随预报时间延长模式预报质心位置与实况差异越小,而SW9KM模式随预报时间延长二者偏差先减小再增大。对于≥100 mm降水,BCSH和ECMWF模式识别的样本数多于SW3KM和SW9KM模式,BCSH和ECMWF两模式预报大暴雨移动趋势与实况一致,BCSH模式预报雨带较实况偏西北,ECMWF模式预报雨带较实况偏西,SW3KM和SW9KM模式预报大暴雨较实况偏东北。

图6 过程一7月9日00时起报暴雨和大暴雨目标质心分布逐6 h变化(黑色和蓝色为多源融合降水,红色和橙色为模式预报)

质心位置分布与目标降水面积大小有关,给定阈值内预报降水面积越大,其与实况质心偏差也越大,因此在统计质心偏差分布基础上给出轴角差、面积比、强度比等属性值。表3为过程一3天中每日00时和12时起报共计6次预报结果配对目标的平均属性,包括质心距离、轴角差、面积比、交集比、百分位强度比、目标匹配度等,这些属性能客观反映模式预报性能、各模式预报差异及误差源。ECMWF模式在24 h和48 h预报时效上质心距离小于其它模式,反映预报对象与观测对象落区偏差很小。SW9KM模式落区偏差大于其它模式,72 h预报时效上SW3KM模式对观测对象偏差小于其它模式,SW9KM模式在72 h预报时效上没有结果,这与预报对象和观测对象没有交集、模式没有可参与识别的预报目标或者二者匹配度<0.8时不计算属性值有关。轴角差是当降水对象拟合为椭圆时,其长轴与x轴的夹角[9],能体现预报对象和观测对象外形偏差程度。从平均轴角差分布来看,BCSH和ECMWF模式在48 h预报时效上雨带走向与实况差异大于西南区域模式,24 h预报时效上ECMWF模式预报对象雨带走向与观测对象最接近,48 h预报时效上SW9KM模式与观测对象最接近,72 h预报时效上BCSH模式轴角差为3.56°,与观测对象最接近,SW9KM 模式轴角差维持在10°~12°,其他三个模式暴雨雨带调整与实况不完全一致,因此轴角差随预报时间延长无显著变化规律。预报目标与观测目标面积比在0.9以下,即模式对暴雨落区的预报是以小于实况为主,ECMWF和SW3KM模式暴雨落区面积与实况接近程度高于BCSH和SW9KM模式。交集比越大预报对象与观测对象重合度就越高,4个模式交集比均在80%以下,即模式预报暴雨面积与实况存在不同程度上偏差,ECMWF模式在24 h预报时效上交集比大于其它模式,BCSH模式在72 h预报时效上交集比大于其它模式,BCSH模式在3个预报时效上交集比数值变化较小。对称偏差为预报相对观测的非重叠面积,在24 h和48 h预报时效上ECMWF模式偏差小于其它模式,在72 h预报时效上SW3KM模式偏差小于其它模式。从预报强度来看,BCSH、ECMWF和SW3KM模式在24 h和48 h预报时效上预报目标50%分位强度降水略大于观测目标,SW9KM模式预报暴雨强度在24 h预报时效上大于实况而48 h预报时效上小于实况;90%分位强度降水值显示,BCSH模式降水强度总体弱于实况尤其是72 h预报时效上,ECMWF模式有10%格点降水大于实况,SW3KM模式在前48 h预报时效上大于实况而72 h预报时效上弱于实况,SW9KM模式在24 h预报时效上略大于实况而48 h预报时效上远小于实况。总体匹配度表明ECMWF模式在24 h和48 h预报时效上匹配度最高,其次为SW3KM模式。对于过程一,ECMWF模式预报在24 h和48 h预报时效上暴雨落区、面积比、交集比、目标匹配度都优于其它模式,即暴雨面积、走向与实况接近度最高,SW3KM模式在72 h预报时效上质心距离、面积比、对称偏差、匹配度都优于其它模式。

表3 过程一≥50 mm匹配目标属性值和属性比值

表4为过程二3天中每日00时和12时起报共计6次预报结果配对目标的平均属性。由于过程二存在两个大暴雨中心,因此部分模式识别目标分成两个,表中给出的是川东北降水目标1和目标2平均后的空间检验统计结果。如表所示,BCSH和SW3KM这两个区域模式在质心距离、交集比、对称偏差上优于ECMWF和SW9KM模式;ECMWF模式在轴角差、面积比和50%降水强度比上优于其它模式,即ECMWF模式雨带走向和面积与实况最为接近;BCSH和ECMWF模式预报暴雨和大暴雨较实况偏强;SW3KM和SW9KM模式部分时次上雨强弱于实况。

表4 过程二≥50 mm匹配目标属性值和属性比值

综上所述,ECMWF模式对于≥50 mm降水轴角偏差小、面积和匹配度与实况最接近,降水强度偏强,全球模式轴向偏差以小于区域模式为主;SW3KM模式在72 h预报时效上质心距离、对称偏差、90%降水强度和目标匹配度等多个属性值优于BCSH模式,SW3KM模式匹配目标属性值以优于SW9KM模式为主;BCSH、ECMWF和SW3KM模式都存在降水强度预报偏强的特征。

4 结论

本文综合运用传统站点检验、邻域法和MODE空间检验法,对2021年7月影响四川的两次区域性大暴雨过程进行检验评估,得出以下几点主要结论:

(1)TS评分显示,BCSH和ECMWF模式在小到中雨评分上略优于西南区域2个模式,SW3KM模式在暴雨预报上略优于全球模式。预报偏差分布显示,BCSH模式大雨和暴雨以空报为主,ECMWF模式小到大雨多空报,SW3KM模式在中到暴雨多空报,SW9KM模式预报过程一小雨预报范围偏少且其它量级降水范围偏大,而过程二小到大雨预报偏多且暴雨偏少。

(2)邻域法检验结果显示,7月月平均 0~24 h预报时效上邻域法检验显示,邻域半径为3和5个格点时FSS评分增幅较大,每日00时起报结果,EC模式在小雨、中雨和大雨预报上更有优势,SW3KM模式和BCSH模式在暴雨和大暴雨预报上更有优势,区域模式在强降水预报上优于ECMWF模式;每日12时起报结果,SW3KM模式在3~15个格点邻域内各量级降水FSS评分均高于其它模式。在邻域半径为7个格点时,SW3KM模式72 h预报时效上小雨、36~72 h预报时效上大雨、24~66 h预报时效上暴雨评分高于其它模式,ECMWF模式在24~36 h预报时效上小到大雨预报以优于区域模式为主;对于区域模式而言,模式分辨率提高其FSS和TS评分相应增加,随着预报时间延长区域模式FSS评分以大于ECMWF模式为主,SW9KM模式各级降水评分以低于SW3KM模式为主。

(3)针对这两次区域性暴雨过程,4个模式预报降水落区较实况均有不同程度的偏差,经向偏差略大于纬向,BCSH、ECMWF和SW9KM模式预报50 mm以上降水质心较实况偏西北,SW3KM模式多偏西南;BCSH、SW3KM和SW9KM模式预报100 mm以上降水质心较实况多偏西北,ECMWF模式较实况偏西南。ECMWF模式对于≥50 mm降水轴角偏差小、面积和匹配度与实况最接近,但降水强度偏强,ECMWF模式轴向偏差以小于区域模式为主,全球模式对雨带走向和面积大小的把控好于区域模式,这与ECMWF对环流形势预报更接近实况有关;SW3KM模式在72 h预报时效上质心距离、对称偏差、90%降水强度和综合目标匹配度等多个属性值优于BCSH模式,SW3KM模式匹配目标属性值以优于SW9KM模式为主;BCSH、ECMWF和SW3KM模式都存在降水强度预报偏强的特征。

猜你喜欢

实况邻域质心
重型半挂汽车质量与质心位置估计
基于混合变邻域的自动化滴灌轮灌分组算法
基于GNSS测量的天宫二号质心确定
乡村小学的愿望与现实——宜君乡村教育实况
基于轨迹的平面气浮台质心实时标定方法
尖锐特征曲面点云模型各向异性邻域搜索
天舟一号货运飞船发射实况掠影
基于细节点邻域信息的可撤销指纹模板生成算法
可爱潮咖们的独门彩妆实况直播
一种海洋测高卫星质心在轨估计算法