APP下载

ECMWF模式对2020年夏季江淮流域降水的预报偏差分析

2022-12-01卜文惠陈昊明李普曦

暴雨灾害 2022年3期
关键词:纬度南风强降水

卜文惠,陈昊明,李普曦

(中国气象科学研究院,北京 100081)

引言

中国地处东亚季风区,夏季风影响降水导致中东部地区夏季旱涝频发(陶诗言,1980;丁一汇,1993;丁一汇等,2007)。梅雨是东亚夏季风的重要降水过程,雨带随西北太平洋副热带高压(以下简称副高)第一次北跳后稳定在江淮流域(Tao and Chen,1987;Ding,1992;Ding and Chan,2005)。江淮流域气候统计意义的梅雨期为6月中下旬至7月中上旬,梅雨期间平均降雨量达200~300 mm,约占夏季降水总量的一半(梁萍和丁一汇,2012;Ding et al.,2020)。梅雨锋两侧的湿度纬向梯度较大,低层有明显的水平风切变(郑永光等,2007)。在日内时间尺度上,中国中东部地区表现为午后、午夜至清晨的双峰特征(Yu et al.,2007a,2007b;Yuan et al.,2010;Yuan et al.,2013;宇如聪等,2014;傅云飞等,2020)。前人研究表明,梅雨受到多种天气尺度系统的综合影响,如对流层上层的南亚高压和西风急流形成的高层辐散场有利于垂直运动的产生与发展(况雪源和张耀存,2006);中低层的西北太平洋副高影响着降水的落区位置(陶诗言和卫捷,2006);西南低空急流作为强降水的水汽输送带,可将低纬度地区的暖湿气团输送至梅雨锋区,同时在梅雨锋南侧的低层大气形成辐合场,为强降水的触发积累对流有效位能(孙淑清和翟国庆,1980;周静等,2017)。与此同时,影响梅雨期强降水的低层环流系统诸如低层切变线的东移,可有利于地面低压发展,导致切变线前侧垂直上升运动增加的同时,也为强降水提供了较为丰沛的水汽输送(徐双柱和邹立维,2008)。在高低层系统的共同作用下形成大范围、长时间的降水(张顺利等,2002;Guan et al.,2020)。

此前已有大量研究评估不同模式对梅雨锋的模拟性能。从CMIP3到CMIP5,多模式的集合平均对东亚夏季风气候态的模拟表现为降水偏少且雨带位置偏北,这与模式对西北太平洋副高模拟偏差有关(周天军等,2018)。受制于较粗的空间分辨率以及模式中不完备的物理过程等,对降水的数值模拟仍存在一定偏差(Li et al.,2015;周天军等,2018)。围绕ECMWF模式对2016年持续性梅雨过程的预报评估表明,当预报的中纬度(500 hPa)槽偏强时,集合预报系统的雨带位置偏北(Ma et al.,2019)。同时,ECMWF模式对副高的预报偏强也可导致预报的雨带位置偏北(周宁芳等,2018)。研究表明,ECMWF模式对不同影响系统下形成的降水预报偏差各有不同(符娇兰和代刊,2016;庞玥等,2019)。此外,我国GRAPES-GFS全球模式对于对流性较强、斜压性较弱的降水过程呈现出预报雨带偏北的偏差特征,这可能与模式对雨带南侧的偏南气流预报过强有关(宫宇等,2018)。

传统的数值模式检验评分方法(如Threat Score评分等),给出预报准确度的评价,缺乏导致误差原因的信息。在模式分辨率提高的情况下,可能出现双重惩罚现象(戴建华等,2013)。空间检验技术如面向对象的诊断评估方法MODE(Method for Object-based Diag⁃nostic Evaluation)是近年来数值预报检验评估领域的研究热点,能给出模式偏差更多的空间信息(Davis et al.,2006a,2006b;Skok et al.,2010;白慧和高辉,2016)。使用MODE方法得到的最大相似度中值(Median of Maxi⁃mum Interest),评估模式与观测中识别对象的相似度,以此考察模式对不同环流型降水漏报、空报的偏差特征(尤凤春等,2011)。MODE方法量化了空间特征信息,丰富对模式性能的分析,如ECMWF模式评估台风强降水对象存在偏北的系统误差(苏翔和康志明,2020)。

2020年6月10日—7月20日,江淮流域出现持续性大范围强降水过程,梅雨的汛期长,暴雨过程频繁(刘芸芸和丁一汇,2020;罗琪和张芳华,2020)。总降水量达历年峰值,异常程度超1998年,造成了严重的洪涝及地质灾害,降水过程的极端性较强(Liu et al.,2020;蔡芗宁等,2020;陈涛等,2020;任宏昌和符娇兰,2020;王永光等,2020;张芳华等,2020)。此前针对梅雨强降水过程评估多关注其气候平均态或单次事件,较少有研究评估模式对强降水时空演变特征的预报性能。本文拟从降水的空间尺度出发,评估当前较为先进的数值预报产品对我国2020年梅雨期极端强降水过程的预报性能,以期了解当前业务数值预报模式对于梅雨降水的预报能力及关键偏差,为提升数值预报产品的应用能力和数值模式的改进提供有益参考。

1 数据与评估方法

1.1 数据说明

本文使用的降水数据为国家气象信息中心发布的中国地面-卫星-雷达三源融合逐小时降水产品(China Hourly Merged Precipitation Analysis combining observations from automatic weather stations,meteorolog⁃ical satellite and weather radar,CMPAS)V2.0,水平分辨率为0.05°×0.05°。分析时段为2020年6月10日—7月20日,空间范围为105°—125°E,20°—40°N。为了分析与梅雨降水过程相对应的大尺度环流背景,使用ERA5再分析产品,ERA5是由哥白尼气候变化服务部门开发(Copernicus Climate Change Service,C3S)的EC⁃MWF第5代全球气候再分析资料(http://climate.coper⁃nicus.eu/products/climate-reanalysis),水平分辨率为0.25°×0.25°,时间分辨率为1 h。本文评估的业务数值预报模式为ECMWF的全球高分辨率确定性预报产品(下文简称ECMWF),其水平分辨率为0.125°×0.125°。针对分析时段内每日08时(北京时,下同)起报的12—36 h逐3 h预报结果进行评估。为了客观比较观测和模式预报结果,将降水观测资料(0.05°×0.05°)插值到ECMWF模式网格(0.125°×0.125°)。我们比较了不同插值方法(双线性插值、面积守恒插值)对结果的相对影响,结果表明不同插值方法差别不大。此外,本文关注的是大尺度的雨带信息,插值所带来的误差不影响本文结论。因此,本文采用了双线性插值方法将观测和模式统一至相同网格(ECMWF的模式网格),方便客观比较观测和模式的预报结果。日降水量定义为当日20时至次日20时的24 h累积降水量。

1.2 评估方法

MODE方法给定卷积半径R对原始降水场卷积,设定阈值T,采用非0即1的方法,解析出满足条件的空间降水对象,在此基础上计算各对象的质心、面积等信息(Brown et al,2004;刘凑华和牛若芸,2013;潘留杰等,2016)。降水落区近似为不规则椭圆形,其长轴为雨带长度;短轴为雨带宽度。纵横比为长短轴之比,纵横比越大,雨带趋于扁平,比值越小,雨带越接近圆形。降水落区的空间范围则以椭圆的面积为代表,面积越大,降水范围越大。雨带轴角为长轴与纬圈之间的夹角,角度越小,雨带形态越为平直、呈准东西向空间分布;角度越大,雨带则越倾向于西南-东北走向或者西北-东南走向。根据2020年梅雨降水特性,下文在MODE方法中使用卷积方法(R>15×12.5 km),并根据24 h降水量>25 mm选择降水面积最大的雨带为研究对象。小于阈值的降水日未做统计,得到研究时段内实际大范围雨带降水日共34 d。MODE方法对于3 h累积降水过程的识别,卷积半径R>3×12.5 km,3 h降水量>4 mm,且纬度偏差在5°范围内的降水为研究对象,得到降水过程共287次。

2 ECMWF模式对2020年梅雨期强降水预报性能的检验评估

2.1 日平均降水的时空演变特征评估

2020年梅雨期我国江淮流域发生持续性强降水过程,相较历史同期入梅早、出梅晚,梅雨期间总降水量偏多,极端性强,形成了严重的洪涝灾害。图1中给出2020年6月10日—7月20日梅雨期间中国中东部地区观测和ECMWF模式预报的日平均降水量的空间分布,图中黑色粗曲线为使用MODE方法识别的目标降水的落区范围,得到雨带空间信息如表1所示。由图1a可见,观测雨带为准纬向型,呈现出两个降水大值中心,东侧的强降水中心(~116°E)位于大别山东南以及皖南山区,西侧的强降水中心(~110°E)位于我国二阶地形附近的湖北鄂西山区,降水大值中心的日平均降水量可达30 mm·d-1以上。ECMWF模式预报如图1b所示,雨带在形态上与观测较为接近,但降水面积(降水中心的空间范围)相较观测明显偏大。ECMWF预报东侧大别山区、皖南山区的降水中心在空间位置上较观测偏西约0.21经度、偏北约0.35纬度,而西侧鄂西山区的预报降水量偏多且强降水中心面积偏大。总体而言,ECMWF模式对于2020年梅雨期主雨带的位置和降水量有着较为合理的预报,但是从定量的空间特征评估可见,ECMWF对于主雨带的面积及强降水中心位置仍存在一定的预报偏差。

表1 MODE识别观测(CMPAS)和模式预报(ECMWF)的雨带空间信息Table 1 Spatial information of rain belt for observation(CMPAS)and forecast(ECMWF)identified by MODE.

图1 CMPAS(a)和ECMWF预报(b)的2020年6月10日—7月20日我国中东部地区日平均降水量的空间分布(单位:mm·d-1)。其中黑色粗曲线为MODE识别的降水落区范围,黑色细等值线为地形高度(500 m,1 500 m),蓝色曲线分别为黄河(北)、长江(南)Fig.1 Spatial distribution of daily averaged precipitation of(a)CMPAS and(b)ECMWF forecast from June 10th to July 20th,2020(unit:mm·d-1,shadow).The black thicker contours indicate the spatial distribution of heavy rainfall identified by MODE.The black thinner contours are terrain heights(500 m,1 500 m).The blue lines are the Yellow River(north)and the Yangtze River(south).

图2为2020年6月10日—7月20日 江 淮 流 域(112°—120°E,28°—34°N)区域平均观测和ECMWF预报的降水量逐日演变序列。梅雨期间观测和EC⁃MWF预报的区域平均降水量分别为14.03 mm·d-1和16.11 mm·d-1,预报高估区域平均降水量。观测中6月28日、7月6日、7月7日、7月8日、7月11日、7月18日、7月19日这7次降水过程,观测中平均降水量在20 mm·d-1以上,平均降水量为26.93 mm·d-1。ECMWF预报这7日平均降水量为28.06 mm·d-1。除7月18日外,预报均高估降水量但偏差较小,表明ECMWF对强降水过程的预报能力较强。在分析时段内ECMWF对于江淮流域区域平均降水量的预报小于观测,即偏差小于0 mm·d-1的低估过程共9次,进一步分析24 h累积降水的空间分布图(图略)可知,对于7月2日,观测中降水范围较为广泛,降水中心分别位于鄂西山区,而ECMWF预报强降水中心位置较观测中偏西、偏南,且未能再现降水中心东侧的降水,从而导致对区域平均降水量的低估。

图2 2020年6月10日—7月20日江淮流域(112°—120°E,28°—34°N)区域平均的降水量(单位:mm·d-1)逐日演变序列(黑色实线为CMPAS,红色实线为ECMWF预报;柱状图为模式的预报偏差(预报减去观测),其中黑色代表低估,红色代表高估;水平虚线为20 mm·d-1)Fig.2 The sequence of averaged daily precipitation in the Yangtze-Huaihe River Valley(112°—120°E,28°—34°N)from June 10th to July 20th,2020.The black line indicates CMPAS,and red line is ECMWF forecast.The histogram shows the forecast bias(forecast minus observation),where black represents underestimation and red represents overestimation.The daily precipitation of 20 mm·d-1 is indicated by the horizontal dashed line.

2.2 基于MODE方法的雨带预报评估

使用MODE方法识别降水落区,通过设定卷积半径对空间降水进行模糊处理,设定日降水量阈值确定研究降水的目标范围。图3为2020年6月10日—7月20日基于24 h累积降水量得到观测和ECMWF预报的降水落区质心经纬度,评估ECMWF对降水落区的预报性能。图3a中观测雨带质心的纬度处于30°N附近的降水过程最多,最北位置在34.07°N,最南位置25.31°N。ECMWF预报最北和最南位置分别为34.08°N,最南位置25.25°N。图3c中为雨带纬度偏差,北向偏差最大为2.05个纬度,南向偏差最大为1.86个纬度。其中偏差在0.3个纬度范围内的降水过程次数(17 d)占总降水次数(34 d)50%。预报偏差大于0.3个纬度的过程(即北偏过程)占26%,偏差小于0.3个纬度(南偏)为24%。图3b为雨带质心的经度分布,雨带位置在东西方向分布上较为分散。观测中经度最西位置为111.17°E,最东位置为119.29°E,ECMWF预报最西位置为110.36°E,最东位置为118.62°E。图3d中为雨带经度偏差,东向偏差最大为2.97个经度,西向偏差最大为4.09个经度。ECMWF预报偏差在0.3个经度范围内的过程约为17.6%,大于0.3个经度(东偏)约14.7%,小于0.3个经度(西偏)约为67.6%。由上可知,ECMWF对主雨带的空间位置具有较好的预报能力,但仍存在一定的预报偏差。

图3 2020年6月10日—7月20日MODE识别的CMPAS与ECMWF预报中基于24 h累积降水量的降水落区质心纬度(a),经度(b),纬度偏差(c),经度偏差(d)(图a、b中黑色点代表观测中落区位置,红色代表模式位置;图c、d中蓝色点代表预报减去观测的偏差)Fig.3 The(a)latitude,(b)longitude(c)latitude bias and(d)longitude bias of rain belt identified by MODE based on 24 hours accumulated precipitation in CMPAS and ECMWF forecast from June 10th to July 20th,2020.The black dots represent the spatial position of the observed rain area and the red dots represent the forecast in fig.a-b.The blue dots indicate the forecast bias(forecast minus observation)in fig.c-d.

接下来从雨带空间形态的角度分析ECMWF预报偏差。图4a为MODE识别的观测和ECMWF预报降水落区的面积。面积越大代表降水范围越大,显然EC⁃MWF预报的主雨带面积偏大,平均面积较观测大35.45%。由图4c可知,ECMWF高估24 h累积降水空间范围的过程约占85.29%,低估(小于0)雨区面积的过程约占14.70%。图4b中为主雨带轴角的倾斜角度,观测雨带的角度大多位于0°~15°的范围内,即主雨带为准纬向型或西南—东北走向。ECMWF对于主雨带形态的预报较为准确,从图4d中的偏差分布可知,ECMWF预报偏差在5°范围内的天数可占总降水天数的50%。

图4 2020年6月10日—7月20日MODE识别的CMPAS与ECMWF预报中基于24 h累积降水量降水落区面积(a,单位:103 km2),角度(b,单位:°),面积偏差(c,单位:103 km2)和角度偏差(d,单位:°)(图a、b中黑色点代表观测,红色代表ECMWF预报,图c、d中蓝色点代表预报减去观测的偏差)Fig.4 The(a)area(unit:103 km2),(b)angle(unit:°)(c)area bias(unit:103 km2),(d)angle bias(unit:°)of rain belt identified by MODE based on 24-hours accumulated precipitation in CMPAS and ECMWF forecast from June 10th to July 20th,2020.The black dots represent the observed rain belt and the red represent the forecast in fig.a-b.The blue dots represent the forecast minus observation bias in fig.c-d

图5为观测与ECMWF预报在江淮流域(112°—120°E,28°—34°N)区域平均降水量的日变化特征。观测中降水日变化曲线为单峰分布,峰值时间为08时。观测中区域平均的降水量在夜间20时为1.57 mm,23时后逐渐增加并在峰值后减少。ECMWF能够预报观测的降水日变化特征。ECMWF预报20时平均降水量为1.41 mm,即低估了夜间降水(偏差为-0.16 mm)。ECMWF预报23时低估降水,但偏差较小(为-0.04 mm)。23时后,ECMWF预报降水也逐渐增加,呈现高估降水的预报偏差,并随着观测中降水量的增加,对降水的预报偏差也随之增大,在清晨08时ECMWF预报的降水偏差达到最大,高估降水量0.56 mm。

为进一步定量评估ECMWF模式的降水预报偏差,使用MODE方法识别逐3 h累积降水的雨带质心纬度。ECMWF预报偏差以0.4个纬度为阈值,得到预报的雨带位置纬度偏差分布频次图(图6)。黑色柱状图代表ECMWF预报的南北位置偏差相对较小,约占44.5%,同时其日变化分布与江淮流域区域平均降水的日变化曲线一致,在凌晨至上午的频次较高(图5)。红色柱状图代表ECMWF预报位置偏北偏差,多发生在傍晚至夜间和午后,最高出现在23时。雨带位置偏南偏差的频次为单峰分布,在05时相对较高。

图5 2020年6月10日—7月20日江淮流域区域(112°—120°E,28°—34°N)平均的降水量日变化(单位:mm,黑色实线为CMPAS,红色为ECMWF预报)Fig.5 Diurnal variation of averaged precipitation(unit:mm)in the Yangtze-Huaihe River Valley(112°—120°E,28°—34°N)from June 10th to July 20th,2020.The black line is CMPAS,and the red line is ECMWF forecast.

图6 基于逐3 h累积降水的模式与观测雨带质心纬度偏差频次日变化(模式预报偏差以0.4个纬度为阈值,红色代表模式预报雨带位置偏北,蓝色代表位置偏南,黑色代表预报偏差较小)Fig.6 The frequency distribution of latitude deviation of rain belt in 3 hours accumulated precipitation.The threshold of forecast error is zero point four of latitude.Red histogram represents north bias,the blue represents south bias and the black represents small bias

3 典型降水过程预报偏差分析

低空急流是影响梅雨降水的重要系统之一。图7为2020年6月10日—7月20日江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量逐日演变序列,其中黑色实线为ERA5,红色实线为ECMWF预报。黑色圆点为MODE识别观测雨带质心纬度,红色圆点为ECMWF预报雨带质心纬度(同图3a)。观测的南风分量平均值为6.10 m·s-1,纬度位置平均为30.43°N。整体而言,当南风强度增强大于6 m·s-1时,主雨带的质心伴随有明显的北移;相反地,当南风分量小于6 m·s-1时,雨带质心则向南偏移。ECMWF对南风分量预报的平均值为6.53 m·s-1,相较观测(平均值6.25 m·s-1)有明显的高估,平均的偏差为0.28 m·s-1。当ECMWF预报的雨带位置北偏时,对应的预报南风分量较观测大0.43 m·s-1,高于平均偏差。预报的雨带位置南偏时,偏差为0.25 m·s-1。综上,ECMWF预报的南风分量明显高于观测时,可以将其作为预报雨带位置偏北的依据之一。相对的,低估南风分量时则大多呈现预报的降水位置偏南。

图7 2020年6月10日—7月20日江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量逐日演变序列(单位:m·s-1,黑色实线为ERA5,红色实线为ECMWF预报,黑色点代表观测雨带质心纬度,红色代表ECMWF预报)Fig.7 ThesequenceofaveragedsouthwindinthesouthoftheYangtze-Huaihe River Valley(112°—120°E,26°—30°N)from June 10th to July 20th,2020.The black line indicates ERA5,and red line is ECMWF forecast.The black dots represent the latitude of observed rain belt and the red dots represent the ECMWF forecast.

有研究表明江淮流域低空急流的日变化特征明显,急流在夜间增强并于凌晨达峰,日出后则逐渐减弱(王东阡和张耀存,2012;周静等,2017)。图8为江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量的日变化特征。观测中南风分量在夜间开始加强,至凌晨02—05时达到最大后开始减弱。图5中江淮流域降水日变化的峰值时间出现在08时,南风分量的峰值出现时刻早于降水峰值时刻,表明南风分量的预报对强降水的预报有一定的指示意义。ECMWF预报的南风分量在23—02时达到最强,02时后开始减弱。图8的南风分量在夜间的偏差较大,EC⁃MWF预报的南风开始加强的时刻相较观测更早,23时的偏差为0.99 m·s-1。在08时后的白天偏差较小,平均为0.05 m·s-1。从图7的分析可知,日时间尺度上雨带位置的偏差与850 hPa风场南风分量的预报偏差密切相关。图8则进一步表明南风分量预报偏差多在夜间发生。

图8 2020年6月10日—7月20日江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量日变化(单位:m·s-1,黑色实线为ERA5,红色为ECMWF预报)Fig.8 Diurnal variation of averaged south wind(unit:m·s-1)In the south of the Yangtze-Huaihe River Valley(112°—120°E,26°—30°N)from June 10th to July 20th,2020.The black line is ERA5,and red line is ECMWF forecast.

根据图2中MODE识别的主雨带的纬度预报偏差,选择ECMWF预报位置偏北较大(7月3日)和位置偏差较小(7月6日)两次降水过程进行对比分析。图9分别为观测和ECMWF预报降水空间分布,得到雨带空间信息如表2所示。7月3日的主雨带位置在长江以南,质心29.68°N(图9a),而ECMWF预报主雨带位置在长江以北,质心31.13°N(图9b),质心位置偏北1.45个纬度,但在东西方向预报偏差较小。观测的主雨带的为西南-东北向,ECMWF预报的形态更接近准纬向型。7月6日为强降水过程,准纬向型的雨带自东向西横跨近10个经度,降水中心降水量可达100 mm·d-1以上(图9c)。ECMWF预报雨带的位置在30°N附近(图9d),在南北方向上的预报偏差较小。

表2 MODE识别观测(CMPAS)和模式预报(ECMWF)的雨带空间信息Table 2 Spatial information of rain belt for observation(CMPAS)and forecast(ECMWF)identified by MODE.

图9 CMPAS(a,b)和ECMWF(c,d)预报的2020年7月3日(a,c)和7月6日(b,d)中东部地区降水量(单位:mm·d-1,填色)的空间分布。其中黑色粗曲线为MODE识别的降水落区范围,黑色细等值线为地形高度(500 m,1 500 m),蓝色曲线分别为黄河(北)、长江(南)Fig.9 Spatial distribution of daily accumulated precipitation(unit:mm·d-1,shaded)of(a,b)CMPAS and(c,d)ECMWF forecast on(a,c)July 3rd,(b,d)July 6th,2020.Black contour indicates the spatial distribution of heavy rainfall identified by MODE.The black contours are terrain heights(500 m,1 500 m).The blue lines are Yellow River(north)and the Yangtze River(south).

进一步分析两次降水过程中低层环流场与降水的对应关系。图10中折线为江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量日变化,叠加MODE识别的降水落区的纬度。图10 a中7月3日南风分量的平均预报偏差为0.71 m·s-1,纬度平均偏北1.08纬度。20—02时ECMWF预报南风分量的平均偏大2.51 m·s-1,雨带位置偏北2.39纬度。ECMWF对05时后减弱过程的预报性能较好,南风分量的偏差越小,对雨带位置预报偏差减小。相较而言,图10b中7月6日中南风分量的平均预报偏差为-0.33 m·s-1,纬度的平均偏差为偏南0.18纬度。尽管观测南风分量的峰值时刻在05时,ECMWF预报峰值时刻相较观测有所提前,但是模式预报的南风分量偏差均较小,所以模式对于7月6日降水过程的预报能力较高。

图10 2020年7月3日(a)和7月6日(b)江淮流域南部(112°—120°E,26°—30°N)区域平均的850 hPa风场南风分量日变化(单位:m·s-1,黑色实线为ERA5,红色实线为ECMWF预报,黑色点代表观测雨带质心纬度,红色代表ECMWF预报)Fig.10 Diurnal variation of averaged south wind(unit:m·s-1)In the south of the Yangtze-Huaihe River Valley(112°—120°E,26°—30°N)on(a)July 3rd,and(b)July 6th,2020.The black line is ERA5,and red line is ECMWF forecast.The black dots represent the latitude of observed rain belt and the red dots represent the ECMWF forecast.

4 结论与讨论

基于MODE方法,评估ECMWF模式对2020年6月10日—7月20日我国江淮流域强降水过程的预报性能,重点关注ECMWF对雨带落区位置的预报能力。并基于两次典型强降水事件,从环流的角度探讨ECMWF模式对雨带位置预报偏差与低层环流场的关联。主要结论如下:

(1)2020年江淮流域梅雨期与历史同期相比入梅早、出梅晚,持续时间长。雨带为准东西向,降水大值中心位于长江中下游的大别山和皖南山区,以及鄂西山区。总体而言,ECMWF对2020年梅雨期主雨带的位置和强度有着较为合理的预报,但也存在着一定的偏差。如预报高估江淮流域平均降水量。观测中降水日变化单峰分布,峰值时刻在08时,预报能够再现日变化特征,除20—23时的降水,其余时刻预报对降水量均有高估。

(2)采用MODE方法定量评估了降水空间特征,质心经纬度确定雨带空间位置,雨带面积、轴角确定雨带形态。基于24 h累积降水量对降水落区检验评估分析表明,ECMWF预报空间位置偏北、偏西较多。ECMWF预报降水面积较观测面积平均大34.45%。预报轴角倾斜度大,角度偏差在5个纬度范围内的雨带约占50%。基于3 h累积降水量的分析表明,ECMWF预报主雨带偏北多出现在傍晚至夜间最高为23时,南偏更多出现在05时,而空间位置偏差较小的过程在08—11时频次较高。

(3)降水落区南侧南风分量在6 m·s-1时,雨带质心位置在30°N附近。ECMWF对南风分量的预报偏差越大,雨带落区位置预报偏差也增大。ECMWF预报的日平均南风分量与观测的平均差值为0.28 m·s-1。对于降水雨带纬度位置的预报,ECMWF预报的雨带北偏时南风的偏差要明显大于平均偏差。预报的雨带南偏时的南风偏差则低于平均差值。对于日内尺度,预报偏差主要发生在夜间,20—02时的偏差最大。

值得注意的是,MODE方法在使用过程中对卷积范围和降水阈值具有敏感性,针对不同的降水过程使用不同的阈值是否会对评估产生影响需要未来进一步探究。本文的研究主要以空间特征为主,后续工作中可以在典型天气降水过程中对降水雨团进行追踪,以便更好地探究天气系统与降水过程之间的内在关联。

猜你喜欢

纬度南风强降水
2010—2020年舟曲短时强降水时空特征分析
2020年8月中旬成都强降水过程的天气学分析
2020年江淮地区夏季持续性强降水过程分析
南风颂
临汾市多尺度短时强降水时空分布特征*
诡异的偷蛋贼
纬度
关于正午太阳高度(角)公式的推导
现代透视眼
南风易逝,醉沉年