基于LAPS分析场的中尺度模式暴雨预报检验

2022-12-02巩力源徐建飞

气象灾害防御 2022年4期

尚博巩力源徐建飞雷敏

（1.长春市气象局，吉林长春 130013；2.吉林省气象探测保障中心，吉林长春 130062）

1 引言

随着大气探测和资料同化技术的发展，雷达、卫星、自动站、探空、微波辐射计等多种探测资料用于重建连续的格点再分析资料，与单一观测资料相比，融合资料分辨率高，能够较好地反映云和降水的宏微观信息，不仅在天气形势分析中具有重要作用，同时也为模式预报提供了更详细的初始信息，对强天气预报具有改善效果[1-6]。

LAPS是美国国家海洋大气管理局研发的局地气象预报分析系统，该系统最重要的特点是能够将多源观测资料在同一数值平台上统一同化处理，且时空分辨率高[7]。上海中心气象台于2010年引入LAPS，并针对夏季6个强对流个例，分析了热岛效应和海陆风环流对强对流触发机制的影响[8]。杨磊等[9]应用辽宁本地化LAPS系统，分析了2013年8月16日辽宁抚顺地区一次特大暴雨过程，检验了LN-LAPS融合多种观测资料后的预报效果。彭菊香等[10]利用LAPS中尺度分析场对华中区域进行了检验与评估，定量对比分析了各种观测资料在LAPS中的应用，结果表明LAPS融合所有观测资料后得到的分析场最优。李红莉等[11]利用LAPS融合了中国多普勒雷达观测资料，对输出场在梅雨期强降水过程中的应用进行了研究，指出LAPS融合雷达径向风后，对风场预报的改善效果较明显，可以揭示流场的中尺度信息。

吉林省西部多平原东部多山区，气候背景复杂，夏季暴雨是主要的灾害性天气之一。冷涡天气、台风北上和中小尺度系统触发的强对流等都是引发吉林省暴雨的主要天气系统。近年来，极端降水事件明显增多，给人民财产和安全带来巨大的损失。本文使用LAPS系统，同化了吉林省范围内多部雷达、卫星和自动站的资料，形成高精度的分析场，并将其作为WRF模式初始场进行数值模拟，利用吉林省2019—2020年6次暴雨个例，对比检验高精度初始场在暴雨中的预报能力，为局地气象灾害的监测、预警服务提供参考。

2 资料和试验方案介绍

2.1 资料和方法介绍

选取2019—2020年夏季6次暴雨个例，使用吉林省774个地面观测站的实况降水数据用于模式预报检验。插值方法使用临近插值法，即将模式预报数据按邻近点方法取值到观测站点后进行对比与统计。

依据预报正确站数、空报站数和漏报站数，计算TS评分、空报率和漏报率[12]。评估时效为6次降水个例当日17时至次日05时累计实况降水量，12h降水量级定义，按照小雨、中雨、大雨、暴雨、大暴雨、特大暴雨进行区分，得到6次个例不同量级降水的站点个数（表1）。

表1 2019—2020年吉林省6次降水个例不同量级降水站点个数个

2.2 试验方案设置

LAPS包括风分析、地面分析、温度分析、云分析、水汽分析等模块。本文使用LAPS系统融合GFS预报场以及吉林省范围内4部雷达、葵花卫星的红外通道和可见光通道数据、质量控制后的区域站资料，形成一个覆盖吉林全省的三维高分辨率格点场，水平分辨率9km，时间分辨率10min。输出产品主要有云顶高度、云底高度、云总量、三维比湿、三维云冰总含量、云水总含量、三维温度场、三维风场、总降水量、沙氏指数等。WRFLAPS是以LAPS分析场作为WRF模式的初始场，运行输出WRF模式数值天气预报系统。

GFS（Global Forecasting System）是美国国家环境预测中心（NCEP）的分析及预报场资料，2019年6月GFS v16升级为基于立方球有限体积算法，取代了原谱模型，此次升级将模型顶部从平流层上部扩展到中间层，新的方案对模型未明确解析的静止和非静止重力波进行参数化。WRF-GFS以0.5°×0.5° GFS数据作为WRF模式的初始场，运行输出WRF模式数值天气预报系统。

WRF模式设置分为两层嵌套，外层嵌套网格距为9km，内层格距为3km，垂直方向39层，积分时间步长为27s，积云对流化参数方案为Grell 3D，微物理过程方案为WSM5，长波辐射方案为RRTM，边界层方案为Thermal Diffusion，输出的微物理参量主要包含水汽、云水、雨水、雪、冰晶混合比，地图投影方式为兰伯特投影。为便于对比LAPS高精度初始场对暴雨预报的影响，WRFGFS和WRF-LAPS这两种模式均采用相同的运算范围和参数化方案设置，起报时刻为当日14时。

3 结果分析

3.1 12h降水定性检验

为检验LAPS高精度分析场作为模式初始场后暴雨的预报效果，从6次个例17时至次日05时12h降水实况、WRF-LAPS预报和WRF-GFS预报降水量可以看出，6次个例吉林省均发生了暴雨，其中4次发生了大暴雨，两种模式都给出了暴雨提示，WRF-LAPS给出了大暴雨提示4次，WRF-GFS给出了大暴雨提示2次，但不同个例暴雨落区与实况有一定差异。个例一（图1），实况降水主要发生在吉林省的中部，其中长春西南部雨量较大，暴雨集中在长春市区44°N附近，呈块状分布。两种模式预报的降水落区比实况略大，WRF-GFS预报的暴雨落区更接近实况，且形状相似；WRF-LAPS预报的暴雨落区形状相似但落区偏南，且在吉林市东南部存在暴雨的空报区域。实况7个站点出现了大暴雨，WRF-GFS给出了大暴雨的提示。

图1 个例一吉林省实况（a）、WRF-LAPS预报（b）和WRF-GFS预报（c）降水量

个例二（图2），实况降水主要发生在吉林省的中东部，由西向东降水量级逐渐增大，东部存在两条暴雨带，一条贯穿吉林市，一条位于延边州珲春一带。WRF-LAPS预报的降水范围主要位于吉林省的中东部，且自西向东雨量逐渐增大，吉林市和珲春市的暴雨落区与实况一致，但总体WRFLAPS预报的量级偏大，吉林、通化、珲春预报均比实况大一个量级。WRF-GFS预报的降水范围比实况更偏西，没有预报出吉林中部的带状暴雨，量级偏小，珲春市的暴雨在落区和量级上与实况较吻合。两个模式的共同点是通化一带均出现了暴雨的空报。

图2 个例二吉林省实况（a）、WRF-LAPS预报（b）和WRF-GFS预报（c）降水量

个例三，除了白城地区外，全省有分布不均匀的降水，强降水区位于吉林省中部的长春、四平地区，呈带状分布，其中暴雨区位于四平地区以及长春北部的榆树和南部的公主岭。WRF-LAPS预报的降水范围和暴雨的形态与实况较一致，暴雨落区在南北两侧，中部为中到大雨。WRF-GFS虽然较好地预报了南北两侧降水量级大中间小的带状形态，但位置略有偏北。

个例四，吉林全省范围内有分布不均匀的降水，中西部以中到大雨为主，白城、松原、延边、四平有分散的暴雨区，呈点状。WRF-LAPS预报的降水范围与实况基本吻合，中西部雨量大，东部雨量小，暴雨呈点状分布，但落区有一定偏差。WRFGFS预报的降水范围与实况亦基本吻合，白城地区同样预报了散点式分布的暴雨，吉林省南部预报的大雨和暴雨区与实况位置接近，但中部地区预报的降水量级偏小。

个例五，降水主要位于吉林省中西部地区，降水梯度明显，自西向东逐渐减小，暴雨区主要在白城北部和松原的扶余。WRF-LAPS预报的降水范围、降水梯度和暴雨区的位置均与实况接近。WRF-GFS预报的降水范围偏大，且对于暴雨模式基本没有提示。

个例六，降水分布不均匀，实况有13站发生了暴雨，但较为分散，仅在松原南部呈现点状的暴雨区。WRF-LAPS预报的降水分布不均匀，松原地区发生的暴雨模式给出了提示，且位置对应较好，但范围略大；吉林市北部有暴雨的空报，降水范围与实况略有偏差；白城地区存在中到大雨漏报；东部地区存在大雨空报。WRF-GFS预报的降水分布不均匀，但松原地区的暴雨漏报，吉林市北部存在小范围的暴雨空报区。6次暴雨个例表明LAPS作为模式初始场在降水范围、降水梯度、暴雨落区和极值的预报上有一定的改善作用。

3.2 12h降水定量检验

以上定性分析了两种模式对暴雨预报的影响，为了定量检验高精度初始场对暴雨预报的效果，本文采用气象业务预报中常用的降水量级预报统计检验量TS评分、空报率和漏报率。检验使用的不同量级实况降水站点数见表1，6次个例产生大雨及大雨以上量级的降水总站数共711个，其中暴雨为268个站，大暴雨为19个站。

3.2.1 12h降水TS评分

图3给出了WRF-LAPS和WRF-GFS预报的12h不同量级降水的TS评分，从图中可以看到，个例一至个例六WRF-LAPS预报的暴雨量级TS评分分别为0.237、0.558、0.299、0.083、0.214、0，WRF-GFS预报的暴雨量级TS评分分别为0.026、0.186、0.209、0、0.036、0。6次个例实况均发生了暴雨，WRF-LAPS成功预报了其中的5次，WRF-GFS成功预报了其中的4次，且每次WRFLAPS的暴雨TS评分均高于WRF-GFS。个例一至个例四降水实况均发生了大暴雨，WRF-LAPS成功预报了其中的2次，为个例二和个例三；WRFGFS预报了0次。可见，WRF-LAPS对于暴雨和大暴雨的预报具有改善作用。

图3 个例一（a）、个例二（b）、个例三（c）、个例四（d）、个例五（e）、个例六（f）WRF-LAPS与WRF-GFS预报12h累计降水分级TS评分

在个例二和个例三中，WRF-LAPS不仅成功预报了大暴雨的量级和落区，还可以看到其暴雨的TS评分明显高于其他4个个例；WRF-GFS预报的个例二和个例三的暴雨TS评分也高于其他4个个例。说明模式对于降水区呈带状的区域性暴雨的预报效果好于降水区呈块状和点状的局地性暴雨。

3.2.2 12h降水空报率

表2给出了两种模式对6次个例12h累计降水预报的分级空报率。在暴雨量级的预报中可以看出，个例一至个例四WRF-LAPS暴雨空报率均低于WRF-GFS，个例五WRF-LAPS暴雨空报率比WRF-GFS高0.029，个例六两者相同。个例一至个例四实况均有大暴雨，WRF-LAPS在大暴雨量级有3次空报，个例二和个例三都为0.8；WRF-GFS没有预报出大暴雨，不存在空报率。可见，WRF-LAPS在大暴雨量级的预报上具有提示性，在暴雨量级预报上空报率比WRFGFS低。

同时还发现在6次暴雨个例中，个例二和个例三WRF-LAPS的暴雨空报率分别为0.586和0.688，WRF-GFS的暴雨空报率分别为0.619和0.778，与TS评分有相似之处，即个例二和个例三的暴雨空报率明显低于其他个例。亦说明模式对于降水区呈带状的区域性暴雨的预报效果好于降水区呈块状和点状的局地性暴雨。

3.2.3 12h降水漏报率

表3给出了两种模式对6次个例12h累计降水预报的分级漏报率，从表中可以看出，个例一至个例五，WRF-LAPS预报的暴雨漏报率分别为0.763、0.429、0.697、0.917、0.786，WRF-GFS预报的暴雨漏报率分别为0.974、0.814、0.791、1.0、0.964，WRF-LAPS预报的暴雨漏报率均低于WRF-GFS。两者差值最大为个例二，相差0.385；个例六两者漏报率相同，为100%暴雨漏报。4次大暴雨降水个例中，WRF-GFS漏报率均为100%，WRF-LAPS在个例二和个例三中存在大暴雨预报正确的站点。可以看出WRF-LAPS在暴雨的预报中具有一定改善效果。