重庆一次暴雨过程的数值模拟与初值分析

2022-12-06呼延李豆翟丹华

陕西气象 2022年6期

呼延李豆, 吴钲,翟丹华,高松

(1.重庆市气象科学研究所,重庆 401147；2.重庆市农业气象与卫星遥感工程技术研究中心，重庆 401147；3.重庆市气象台,重庆 401147；4.重庆市长寿区气象局,重庆 401220)

关于初始条件对天气系统发生发展和数值模拟问题，学者们已经做了大量的工作[1-7]，大家普遍认同的观点是数值天气预报的难点很大程度上是由于天气形势的演变对初始条件的敏感性，初始环境中微小的差异在时间的推移下会逐渐扩散，误差增长的速率也随尺度大小表现不同。天气尺度的可预报性时效是有限的这一观念现在逐渐被认可。Zhang等针对美国东海岸2000年1月的一次暴雪过程分析了初始误差对数值模式预报产生的可能影响[8-9]，其结果在Tan等的工作中得到证实[10]。在以上工作基础上Zhang等研究了包含对流的理想斜压波试验中模式预报误差的增长情况[11]。

针对我国的暴雨过程，学者们也分析了在暴雨的发生发展过程中数值模拟的初值问题。Bei和Zhang研究了我国的一次梅雨锋暴雨事件初始误差相关的可预报性问题[12]。Zhai和Lin利用模式的扰动能量偏差分析了上海地区发生的一次特大暴雨事件的可预报性时效[13]。吴亚丽等[14]通过数值试验分析了模式初始湿度条件差异对暖区对流系统的可预报性造成的影响。徐幼平等[15]研究了我国南方暴雨中不同资料分析场对暴雨数值预报结构的作用。唐永兰等[16]针对2008年一次西南涡暴雨过程研究了数值模式中不同初值的问题。这些结果深化了对我国暴雨过程中尺度可预报性的理解和认识，但关于中国暴雨事件数值模拟的初值问题，还有待于更多的个例研究。

重庆地区有着特殊的地理位置和气候条件，每年由于暴雨产生的次生灾害给工农业生产带来巨大经济损失。以往对重庆暴雨的研究主要集中在其产生的动力和热力条件等方面[17-18]，对暴雨本身的可预报时限问题知之甚少。在实际业务中，暴雨预报的不确定性越来越受到气象工作者的关注和重视，因此研究暴雨本身的不确定性及其物理成因对提升预报能力，降低暴雨对人民生产生活的不利影响有着重大的科学和现实意义。2017年5月2日到3日重庆地区发生了2017年首次区域性暴雨过程，重庆东北部大部地区、中西部部分地区出现大雨到暴雨，局地大暴雨天气。本次过程中有7个区县达到暴雨量级，其中最大降雨量出现在梁平的聚奎村(197.8 mm)。本文利用重庆市气象局天资·高分辨率预报系统，主要着眼于不同初始资料的差异对2017年5月2日到3日暴雨过程可预报性产生的影响，旨在增强对暴雨过程模拟中初值问题的理解和认识。

1 资料和方法

所用的资料包括全球大气数据同化系统(global data assimilation system，GDAS)再分析资料(6 h间隔)和欧洲中期天气预报中心(European Centre for medium-range weather forecast)全球再分析资料(6 h间隔，简称ERA)，其中包括位势高度、相对湿度、垂直速度以及水平风场等信息；降水数据使用的是中国自动站与CMORPH(climate prediction center morphing technique)降水产品融合的逐小时格点资料，水平分辨率为0.05°×0.05°[19-20]。为方便叙述，文中出现的时间除特殊说明外，均为世界时。控制试验的初始值和边界值来源于GDAS的0.25°×0.25°全球再分析格点资料[21]，模拟时间从2017年5月2日0000UTC到5月3日0000UTC。

计算模式区域内总能量偏差DTE采用的是Zhang等讨论模式误差的时间演变及其可预报性问题时使用的计算公式[9]，即

(1)

式(1)中，U′、V′和T′分别是两个模拟试验的风场、温度场之间的差值；κ=Cp/Tr，Cp为定压比热，一般取1 004.6 m2/(s2K)，Tr为参考温度，一般取287 K；i，j，k分别为x，y和σ方向的格点数。

2 模式介绍

本文基于重庆市气象局业务运行的天资·高分辨率数值预报系统(Tianzi high resolution numerical weather prediction system,CQHPS)开展预报试验。该模式由美国俄克拉荷马大学风暴分析和预测中心、重庆市气象局、重庆市气象科学研究所和中国科学院重庆绿色智能技术研究院联合研发。该模式自研发应用以来，在重庆地区发生的多次区域性暴雨天气过程中，较准确地提前预报出了暴雨发生的落区和量级，为业务部门提前发布暴雨预警信息提供了有价值的参考[22]。该模式采用三层单向嵌套，模式分辨率分别为27、9、3 km，其中D01区域中心位置为(34.5°N，104.5°E)，区域分辨率为27 km，格点数为200×160，覆盖了中国及周边地区；D02区域分辨率为9 km，覆盖了黄河、长江流域大部分区域及周边地区，格点数为288×216；D03区域分辨率为3 km，格点数为480×360，覆盖了重庆及周边地区(24.5°N～34.5°N，99°E～113°E；图1)。垂直方向为51层[23]。模式采用的微物理参数化方案为含有冰、积雪过程等的WSM6方案[24]，边界层方案使用了Mellor-Yamada-Jajic (简称MYJ)方案[25]，积云参数化方案选用了Betts-Miller-Janjic(简称BMJ)方案[26]。考虑到本次暴雨过程和计算时效性等，采用GDAS和ERA两种资料为初始场作对比分析，模式的起报时间为2017年5月2日0000UTC，预报时间为24 h，下文中均选取的是D03输出的模拟结果。

图1 CQHPS模式嵌套区域图(填色为地形高度，单位为m)

3 数值模拟结果

3.1 模拟结果与观测对比

暴雨主要降水时段集中在2017年5月2日白天到3日白天。图2a为2017年5月2日0000UTC到5月3日0000UTC的24 h观测累积降雨量，可以看出本次暴雨过程主要降雨中心在30.5°N，107°E。图2b给出了利用GDAS资料为初始场，CQHPS模拟的 24 h累积降雨量和位置，模拟的主要降水位置在30.1°N，106.5°E。与观测相比，模拟的降水落区稍偏南偏西，降雨量偏小，由于数值模式模拟大气系统会存在一些局限，认为本次过程降水的模拟结果是有参考价值的。

图2 2017-05-02T0000UTC—03T0000UTC 24 h累积降雨量(单位为mm；a 实况观测，b GDAS资料为初始场的CQHPS模拟结果，c ERA资料为初始场的CQHPS模拟结果；审图号为GS(2019)3082号)

3.2 天气形势场模拟结果

图3为GDAS再分析资料在D01区域500 hPa和700 hPa两个等压面上2日1200 UTC 及3日0000 UTC风场、位势高度场及比湿场(将GDAS再分析资料视为实况观测资料)。图4则给出了使用GDAS资料的CQHPS模拟结果。通过对比分析表明，虽然模式模拟的西南低涡偏弱，与对应的实况观测形势存在一定差异，但是模式结果可以较好地模拟出高原低槽的移动过程及其在四川盆地东部的停滞，而且也较好地模拟出了本次区域性暴雨发生过程中高低层环流系统的配置情况。

图3 实际观测的水平风场、比湿(>60%)和位势高度场(a 2017-05-02T1200UTC 500 hPa，b 2017-05-03T0000UTC 500 hPa，c 2017-05-02T1200UTC 700 hPa，d 2017-05-03T0000UTC 700 hPa；审图号为GS(2019)3082号)

图4 GDAS资料为初始场的CQHPS水平风场、位势高度场和比湿(>60%)模拟结果(a 2017-05-02T1200UTC 500 hPa，b 2017-05-03T0000UTC 500 hPa，c 2017-05-02T1200UTC 700 hPa，d 2017-05-03T0000UTC 700hPa；审图号为GS(2019)3082号)

通过比较分析本次暴雨过程模拟的24 h累积降水量和大尺度环流背景场,可以得出利用GDAS资料为初始场的CQHPS模拟结果和实际观测非常接近，模式的模拟比较合理，因此本文将此试验称为控制试验(control试验，下简称CNTL)。下文中的敏感试验以CNTL为背景展开对比研究。

4 初始误差的敏感性试验研究

下面主要利用实际的模式扰动误差，探讨不同扰动误差的演变特征及其对2017年5月2日重庆区域暴雨过程中尺度可预报性的影响。敏感性试验为初始场来自ERA全球格点资料的CQHPS模拟结果(下简称EXP-ERA)，模式中其它的设置与CNTL一致。

比较EXP-ERA的24 h累积降水量(图2c)与CNTL的(图2b)可以看到，二者之间存在比较大的差异。图 2c的模拟结果中暴雨中心位置在31.5°N，106.5°E，与图2b模拟的降水大值落区的中心位置相比偏西偏北，且降雨量在重庆地区偏少。二者模拟降水结果差异较大，表明在本次过程的模拟中，模式初始资料的差异对此次过程的降水预报结果产生了比较明显的影响。

通过功率谱分析的方法进一步分析初始资料的差异对此次暴雨过程模拟结果的影响。图5表示CNTL与EXP-ERA的DTE的时间演变。可以看出，初始时刻CNTL与EXP-ERA之间的DTE在积分开始时刻主要出现在200 km以上的较大尺度上。从整个积分时间来看，DTE在大于200 km的尺度上增加的较为缓慢，而在小于200 km的尺度范围内增加的速度比较快，这和前人的研究结果是一致的[27-28]。图6表示对CNTL的3 h累积降水量进行功率谱分析，结果反映了积分初始时刻降水尺度主要集中在700 km附近，随着积分时间的推移，降水的主要尺度也逐渐转向大尺度范围。