CWRF降尺度提高BCC_CSM1.1m对中国夏季降水跨季度动力预测能力

张焓 梁信忠 汪方 谢冰 李清泉

摘要 利用CWRF模式（Climate-Weather Research and Forecasting model）对国家气候中心BCC_CSM1.1m业务预测模式短期气候预测结果进行中国区域降尺度，并使用1991—2010年3—8月逐日气温降水观测数据评估预测能力。结果表明：CWRF预测地面2 m气温、降水气候平均态的空间分布比BCC_CSM1.1m更接近观测，分布误差更小;在保持总体技巧不低于BCC_CSM1.1m的同时，CWRF对我国华东和华中地区的降水年际变化预测准确率更高;对不同强度的降水预测CWRF表现均优于BCC_CSM1.1 m模式，尤其在极端降水预测准确率上更优。总之，得益于更高的空间分辨率和优化的低空物理过程模拟，CWRF降尺度可以提高中国夏季跨季度降水预测能力。

关键词 季节预测; 夏季降水; 降尺度; CWRF; BCC_CSM

我国位于东亚季风区，气候复杂多样。受全球变暖的影响，频发的灾害性极端气候事件对我国人民群众安居乐业和社会经济平稳运行造成了严重威胁（张霞等，2021）。随着人民生活水平不断提高，国家和社会对短期气候预测的需求越来越高。气候预测在国家防灾减灾和气候应对决策中的作用日益凸显，对我国短期气候预测的精细化程度和准确程度提出了更高要求（孙照渤和陈海山，2020）。

数值模式已经成为短期气候预测的重要方法之一。经过几十年的持续努力，数值模式的季节尺度气候预测能力有了长足的进步。美国国家环境预测中心（National Centers for Environmental Prediction，NCEP）的CFSv2模式（Saha et al.，2014）、日本东京气候中心（Tokyo Climate Center，TCC）的耦合环流模式MRI-CGCM （Yukimoto et al.，2012）等都已进入跨季节尺度气候预测业务。然而Saha et al.（2014）指出，虽然上述模式对东亚夏季风（East Asian Summer Monsoon，EASM）和夏季西太平洋副热带高压（Western Pacific Subtropical High，WPSH）的预测技巧较高，但对东亚季风区气温和降水的预测技巧偏低，并且预测技巧的年际差异明显。这显然不能满足我国短期气候预测需求。

我国短期气候预测研究和应用始于“九五”期间，先后建立了物理统计预测模型、动力模式预测系统（BCC_CSM1.0）（丁一汇等，2004;李维京等，2005）和动力统计相结合的预测资料释用方法（李维京和陈丽娟，1999）。从2005年开始，国家气候中心在BCC_CSM1.0的基础上，通过对海冰过程、陆面生态过程和对流参数化等多方面的持续优化改进，同时耦合全球碳循环和动态植被过程，研制出国家气候中心海-陆-气-冰多圈层耦合气候系统模式（BCC_CSM1.1m;Wu et al.，2010），并基于此模式研发了第二代短期气候预测模式系统（吴统文等，2013，2014）。研究发现BCC_CSM1.1m模式系统对全球气温、降水和环流的预报性能相较之前版本有所提升，但对中国东部夏季降水的空间分布和降水强度的预测技巧仍然有限。BCC_CSM1.1m版本（后简称CSM）是当前国家气候中心短期气候预测业务使用的模式，也是本研究所选取的研究对象。

中国区域地形复杂，以当前主流业务全球气候数值模式的空间分辨率（约100 km）难以准确刻画中国地形特征（贺嘉樱等，2020），因而对区域和局地尺度的动力过程及热力过程模拟能力较弱，尤其是对东亚地区独特而极为复杂的夏季风系统很难准确捕捉。而区域气候模式的动力降尺度应用则能在一定程度上改善这一问题（Yuan and Liang，2011a;Chen et al.，2016），同时对区域物理过程的参数化有着更加丰富的选择（Liang et al.，2012，2018;Sun and Liang，2020;Li et al.，2021），适应性更强。本文应用区域气候模式动力降尺度全球模式的方法进行短期气候预测研究，目标提升业务预测水平。

1 模式、方法和资料

1.1 模式描述

本研究针对中国夏季降水的跨季节动力预测展开，建立了CSM单向嵌套CWRF的降尺度预测系统。其中CSM先进行大气环流场预测，再使用预测结果作为CWRF的初始、边界条件对预测的粗网格环流做精细化的动力降尺度。CSM是国家气候中心组织开发的大气-海洋-陆地-海冰多圈层耦合模式系统（吴统文等，2013），是我国气候预测业务的重要预测成员。本研究中CSM采用最新的1.1m版本，其大气模块为AGCM的2.2版本（Wu et al.，2010），采用T106波的水平离散网格和26层的混合地形跟随垂直层离散网格。陆面模块为AVIM（Atmosphere and Vegetation Interaction Model）模式，是在NCAR CLM3（Community Land Model version 3.0）模式（Dickinson el al.，2006）基础上，融合加入了动态植被模型和生物化学模块。海洋模块和海冰模块分别采用美国地球物理流体动力学实验室研发的40层MOM4模式（Griffies et al.，2004）和SIS模式（Winton，2000;邓汝漳等，2021）。以上模块通过美国国家大气研究中心研制的Coupler5（Kiehl and Gent，2004）进行动态耦合。

CWRF作为WRF的气候尺度延伸版本（Liang et al.，2012），在WRF模式的基础上对以下3个方面进行了重要改进。a）对环流侧边界采用垂直张弛参数逼近的方案（Liang et al.，2001），使得GCM到RCM的能量和质量通量可以平顺的过渡，并且在GCM表现较弱的低空降低GCM的主导作用，而在高空保留更多GCM信息。b）在WRF原有参数化方案之上，充分耦合已有和新增参数化方案。以物理基础为模型组织原则，将云微物理过程、对流云和辐射传输过程重新整合，改善了对流-云-辐射相互作用（Liang and Zhang 2013;Zhang et al.，2013）。c）加强物理过程参数化方案，包括积云（Qiao and Liang，2015，2017）、陆面水文（Choi et al.，2007，2013;Choi and Liang，2010;Yuan et al.，2011b）、湖泊（Subin et al.，2012）和海洋（Ling et al.，2015）等过程。这些改动改善了海-陆-气之间相互作用的模拟（Zhu and Liang，2007;Choi and Liang，2010;Liang et al.，2018）。近年來，CWRF在中国的应用得到发展，已有研究对其模拟中国区域气候特征及东亚夏季风能力进行了详细的评估（Liang et al.，2018;Jiang et al.，2021;徐蓉蓉等，2021;Xu et al.，2022）。研究表明，CWRF对中国区域气候特征模拟有着较好的表现，对关键物理过程的捕捉准确，有能力参与气候预测业务。

1.2 实验设计

旨在评估CWRF降尺度在中国区域对BCC CSM跨季节降水预测的提升作用，本研究选取1991—2010年春夏季节为研究时段进行回报试验。实验目标区域采用网格中心设置在（110°E，35.18°N）的兰伯特保形投影，水平网格分辨率为30 km，共计232×172个格点，覆盖了中国大陆和周边陆地以及临近海洋。CWRF的水平网格采用与目标区域相同的设置，垂直分层采用36层的地形跟随网格，模式层顶设置在50 hPa。CSM采用截断波数为106的水平网格（T106），水平分辨率约1.125°×1.125°。物理过程参数化方面，本研究中CWRF的参数配置遵循CWRF标准控制方案（Liang et al.，2018），CSM采用模式默认物理参数化方案。

回报实验参照业务汛期降水预报的预测场景，以每年3月1日为起报日，向未来预测积分6 mon。首先使用CSM自2月初起进行为期一个月的以NCEP再分析资料为目标的逼近（nudging）积分，生成接近实际观测大气海洋初始状态。积分至起报时刻后解除逼近积分并进行全耦合自由积分。CSM预测积分结束后，进行CWRF动力降尺度积分。具体的，以积分至起报日的CSM大气状态作为CWRF初始大气场。考虑到CSM陆面水文模拟本身存在的问题，为避免因CSM与CWRF陆面物理过程差异造成的严重不协调，我们以再分析资料驱动CWRF连续积分产生的陆面状态替换CSM模拟陆面状态（如土壤温度、湿度、雪盖等）。再以CSM生成的大气环流信息作为模式侧边界场，每6 h更新一次侧边界信息，进行动力降尺度积分。最终得到CWRF对CSM降尺度的预测结果。

1.3 验证方法

为了对模式预测结果进行检验，本研究采用了基于中国2 416个地面观测站点测量的地面2 m气温和降水网格化逐日观测资料（吴佳和高学杰，2013）对CSM和CWRF预测结果在多个方面的表现进行了对比分析。考虑到降水预测的复杂性，除了降水量这一指标之外，本研究特别对比了降水强度指数（Simple Daily Intensity Index，SDII）和极端降水事件即每月日降水量95百分位（PCT95）。为了提升模式结果的实用性，验证评估预测技巧时，我们采用业务上常用的评分手段：公平预兆评分（Equitable Threat Score，ETS）、距平相关系数（Anomaly Correlation Coefficient，ACC）等对预测结果进行业务化评分的检验。

2 气候平均分布

图1对比了CSM和CWRF对中国大陆1991—2010年气候态平均地面2 m气温的预测误差及对应的核密度分布。考虑到中国西部观测站点较为稀疏，可靠性有限，在核密度分布图上针对东部观测可靠区域额外进行了统计和比较（虚线）。从核密度分布可以看出，CWRF的提升主要体现在修正了CSM预测的系统性冷偏差和缩小了CSM误差范围两个方面。CSM对春季地面气温的预测整体偏冷，密度峰整体位于4 ℃冷偏差至1 ℃冷偏差之间，对东部地区模拟误差减小，核密度峰更向0（无误差）附近收束。地理分布上看，CSM低估了华南以北的绝大部分大陆地区的地面温度，尤其是新疆西部和青藏高原西部，最大冷偏差达到10 ℃以上。经过CWRF降尺度之后的地面气温预测误差普遍降低，春季CWRF预测的地面气温误差整体密度峰在正负2 ℃以内主体分布在1 ℃暖偏差附近，尤其对东部地区模拟误差更小。从空间分布上看，CWRF预测结果在一定程度上改善了CSM在新疆、内蒙古、华北、东北地区的预测冷偏差，但同时在华中、华东地区产生了1 ℃的暖偏差。在夏季，CWRF整体误差相较于CSM更低，更加集中在0 ℃附近。而CSM的预测表现与春季类似，整体冷偏差现象有所缓解，但仍然低估新疆西部和青藏高原边缘的地面气温，这可能与模式中的积雪模拟偏高有关（宋敏红等，2020）。核密度估计显示，CWRF预测相较于CSM的整体偏冷现象有较大的改善，总体误差密度峰集中在1 ℃冷偏差以内并且分布集中，双侧分布离散更小，说明整体误差显著小于CSM。从地理分布上看，CWRF降尺度显著降低了CSM的夏季地面气温预测误差，提升主要分布在我国北部和西部地区。

图2对比了实测与CSM及CWRF预测的1991—2010年平均春、夏季日降水量的空间分布和预测误差的核密度分布。从降水的空间分布上看，实测降水总体呈现从东南沿海向西北内陆递减分布，在南岭山脉和武夷山附近存在两个大值中心。CWRF能较好地展现降水总体呈东南向西北内陆递减的分布特点，并改进CSM对沿海降水大值中心模拟较弱的问题。从降水的地理分布上看，CSM对地形强迫降水的模拟存在较多的问题，对东南丘陵地区的局地陡峭地形存在低估，导致地形动力因素致使的沉降过程模拟偏弱。CWRF预测很大程度上解决了CSM在西北、华北、东北地区高估了降水范围的弊病：总体分布趋势与观测基本一致，同时准确捕捉了南岭和武夷山脉的降水大值中心的位置，但有3 mm／d的高估。空间相关系数从CSM的0.68大幅提升至CWRF的0.83。从核密度分布上看，CWRF也将误差密度峰从1 mm／d左右降低至0.1 mm／d。

进入夏季，气候态平均观测降水呈现从南向北的递减趋势，降水大值中心在华南沿海和长江以南地区的陡峭地形附近。CWRF改善了CSM在空间分布上的扭曲分布，对华南降水大值中心、东北降水空间分布模拟较好，但亦低估了长江流域南北侧的降水量。从核密度分布上看，CWRF降低了降水低估事件的比例，误差密度峰更加向0收束，将与实测的空间相关系数从CSM的0.66提升至0.72。

图3对比了降水强度指数SDII的空间分布及其误差的核密度分布。春季，實测SDII在长江中下游南侧存在大值中心。CSM对降水强度指数模拟较差，模拟偏弱的同时中心位置也向东偏离。CWRF模拟与观测基本一致，但强度略弱。夏季，实测分布出现了明显的分支，分别在华南沿海和华东北部地区存在大值中心，其间为一条东西走向的弱降水带。这样的空间分布形势反映了汛期中降水从南向北移动并在华南和华东北部停滞的物理图像。CWRF预测的SDII分布与观测更加相似，对两支强降水带和间隔的少雨带模拟清晰，将与实测的空间相关系数从CSM的0.61提升至0.76。

图4使用泰勒图将CSM和CWRF对春、夏两季的气候平均预测结果进行了综合统计，其中包括地面2 m气温（T2M）、降水量（PR）、日降水第95百分位（PCT）、降水日数（日降水大于0.1 mm日数，NRD）、大雨日数（日降水大于10 mm日数，R10）和降水强度指数（SDII）。CWRF和CSM预测的T2M与实测的空间相关系数都较高，CWRF略高于CSM但高估了春季气温的空间变率，这可能因为实测资料及CSM模拟的分辨率偏低，无法捕捉实际的中小尺度特征。对于降水，CWRF相较于对应季节的CSM总能提供更高的空间相关系数，但在夏季同样高估了空间变率。类似的情况除了平均降水量PR之外，也出现在了PCT、R10、SDII这些与强降水相关的变量上。考虑到地面观测站点的分布稀疏这一特点，高分辨率模式所模拟的降水分布细节可能无法被地面站点观测所捕捉。CWRF一方面模拟出更精细的地理分布使得总体空间相关系数更高，但精细化的强弱分布则提高了空间变率，在观测网格密度不及模式网格的情况下，这样的高估是可以理解的。在降水日数的模拟上，春季CWRF的表现要强于CSM，而夏季要弱一些。这与CWRF低估青藏高原、华北和华中地区降水日数有关，但同样不可忽视观测资料存在误差的问题。

3 年际变化

首先采用预测数据与地面观测数据的年际相关系数来评估模式对关键物理量年际变化的捕捉能力。图5展示了1991—2010年期间CSM和CWRF预测与实测气温的年际相关系数分布图及其核密度估计。为了量化模式对物理量年际变化的模拟能力，对核密度估计曲线下方显著正相关的面积进行积分，并将得到的结果定义为模式预测年际相关的技巧总分。核密度估计显示，春季CSM预测与实测的相关系数和CWRF预测接近，CWRF预测技巧总分略高于CSM。春季，CSM对青藏高原和新疆西北气温的年际变化捕捉较好，而对内蒙古中部和华西地区预测较差，相关系数在-0.4～-0.2。CWRF预测则提高了青藏高原北侧的年际相关，同时对东北气温年际变化的捕捉也要优于CSM。夏季，CWRF预测的年际相关系数技巧总分比CSM高，显著正相关区域分布更广。CSM的预测技巧主要集中在新疆北部和青藏高原南侧，对华北华中和华南地区的气温预测相关系数较差。CWRF在保持新疆北部和青藏高原预测技巧的情况下，显著提升了内蒙古、西南、西北和华北的气温预测技巧。

图6展示了降水预测年际相关系数的地理分布和它们的核密度估计。春季，CWRF预测年际相关的总体技巧更强。改善了CSM对东北和华南降水较弱的预测技巧。CWRF对降水年际相关的预测技巧分布总体上与CSM类似，但正相关的范围更大，有更多的地区相关系数高于0.5。CWRF缩小了CSM对华南预测无技巧地区的范围。夏季，CSM预测技巧总分很低，其累计预测显著相关系数为-3.7，预测技巧较差。而CWRF技巧总分高达1.06，明显改进了预测能力。从核密度估计分布上看，CWRF预测结果整体优于CSM，密度峰更加偏向正方向。从空间分布上看，CSM对东北、内蒙古、华北和华中地区预测相关系数均为负值，经过CWRF降尺度后的预测有了明显的改进，对华中和华东地区的降水预测技巧有了显著的提升。

4 降水预测指标

4.1 降水距平相关系数（ACC）与同号概率（Pc）

汛期降水预报对防汛工作的重要决策支撑作用是通过对汛期降水异常程度进行预测实现的。数值模式预测对气候异常（气候距平）空间分布和距平方向一致性的预测尤为重要。因此模式预测气候态距平和观测气候态距平之间的空间相关系数，即距平相关系数（ACC）和模式距平和观测距平在同一格点符号一致的概率（Pc）是一组对汛期降水预报能力的优秀评估指标。图7和8分别为1991—2010年其间3月起报的CSM和CWRF在各月和各季节的距平相关系数和同号概率箱线图。

降水的距平相关系数和同号概率在3月最高，在4月至8月较低。由于距离起报时间更短，CSM和CWRF都能较好的模擬3月的距平空间分布。4月起距平相关系数显著降低至0上下，不过同号概率略仍然高于50％，说明目前主流模式对降水年际异常的捕捉还存在一定难度。值得注意的是，CWRF预测月距平相关系数的最大值均大于CSM预测。季节尺度上，春季CSM预测距平相关系数的中位数高于CWRF，但从箱线图箱体上看，CWRF预测主体更高且最大最小值都高于CSM。夏季CWRF预测距平相关系数和同号概率的主体和中位数都比CSM要高，但最大值略小。降水强度指数SDII和极端降水PCT展现出与平均降水PR类似的情况，即季节尺度上春季两模式预测的平均得分较接近，但夏季CWRF预测评分的均值和上限更高。

4.2 降水预测ETS评分及综合表现评估

公平预兆评分（ETS）的计算依赖于给定阈值下的列联表（Contegency table）：当某一事件在观测中真实发生且预测中也确定发生则标注为预测命中（Hit），当观测中发生而预测中确定不发生则标注为漏报（Miss），当观测中不发生而预测发生则标注为空报（False Alarm），当观测和预测都不发生时则标注为正确无事件（Correct Negative）。在这个基础上，公平预兆得分（ETS）得分为（Hits—随机Hits）／（Hits+Misses+False Alarms-随机Hits），反映预测的正样本（发生事件）与观察到的正样本对应的程度如何，其中扣除了随机预报产生的命中数量，随机Hits=预测发生事件×观测发生事件／事件总数。成功率（SR）定义为Hits／（Hits+False Alarms），反映预报的正样本中实际发生的比例。命中率（POD）定义为Hits／（Hits+Misses），反映观测的正样本中多少被预报出来。

图8展示了1991—2010年期间CSM和CWRF从3月起报对春、夏季节平均降水强度预报不同阈值下的ETS评分，所有ETS得分均乘以10以便对比。CWRF的预测技巧可以延伸至降水强度达到11 mm／d，相比CSM仅在6 mm／d以下降水有预测技巧可以覆盖更宽强度范围的降水事件。从CWRF减去CSM对应得分的差值图上看，CWRF在2 mm／d强度以上的降水事件中比CSM存在绝对的优势和提升。夏季，由于平均降水强度增加，预报时效增长，CWRF夏季的平均得分也小于对应春季预测水平，但有预测技巧的阈值范围则明显提升，最大可达15 mm／d。从两个模式预测结果的差值上看，CWRF再一次在2 mm／d以上的降水事件中改进了CSM的预测结果。对于1 mm／d阈值的小雨降水事件，CSM在部分年份表现好些，这与CSM倾向于模拟更大的降水范围有关。为了确定CWRF对CSM预测技巧提升发生在哪一地区，图9展示了1991—2010年期间中国12个地理分区不同阈值下的预测ETS得分及两个模式的差值。由于春季降水主要发生在我国南方，从ETS得分上看，CWRF相比CSM在华南、华中和台湾岛三个区域的提升最明显和普遍，而在青藏高原南部的2～3 mm／d的阈值表现弱于CSM，考虑到高原上地面观测站稀疏，降水观测可靠程度有限，在此不做详细讨论。进入夏季之后，CWRF相比CSM在预测技巧的范围上更大，得分也高，但是在西南地区8 mm／d以上的降水预测得分不及CSM。

为了进一步评估模式预测的命中率和成功率，我们选取华南、华中、华北、东北四个东部地面测站空间密度较高的区域作为目标，比较季节平均降水强度对应不同阈值下的降水预测命中率（POD）和预测成功率（SR）的分布，春、夏季结果分别如图10和图11所示。并将同阈值CSM和CWRF的结果标注连线便于对比。原点至标注点的斜率即为偏差率（Bias Rate），反应观测正例与实测正例的比例，越接近1则表示预测正例和实测正例的数量越接近。标注与（1，1）点的距离则反映了TS评分高低。春季，当降水阈值小于等于1.5 mm／d时，CSM的预测命中率（POD）高于CWRF，但预测成功率（SR）反而要低，说明CSM模拟了过多的小雨事件，造成更高的误差率。当降水阈值大于2 mm／d时，CWRF相比CSM的提升更加显著，在提供更高POD的同时有着更高的SR。值得注意的是，CSM对降水强度大于7.5 mm／d的降水事件几乎没有预测能力，而CWRF对10 mm／d的降水事件的发生频率存在一定程度高估，但仍然保持了超过40％的命中率。总体上看，CSM对低强度降水事件模拟偏多而对3 mm／d以上的降水事件预测能力较低。从TS评分上看，CWRF在各个阈值下的预测能力均强于CSM。夏季，平均降水强度增大，选取分类阈值上限相应从10 mm／d增加至16 mm／d。CSM在小于2.5 mm／d的小雨預测上略强于CWRF，而CWRF在3 mm／d以上的所有阈值下均强于CSM。尤其在强降水的阈值下，CSM的命中率较低，CWRF的提升优势十分明显。对于3 mm／d以上的降水事件，CWRF在保持更高的检出率的同时也有着与CSM更高的预测成功率和更高的TS评分。总体上，CWRF在夏季对小雨预测技巧略弱于CSM，但对中雨以上量级的降水预测技巧全面领先。在业务预测中对灾害性降水的预测技巧也明显更高。

5 低空环流分析

为了解释CWRF对CSM预测降尺度的提升究竟来源于何处，本研究对两种模式在中国区不同垂直高度上环流关键变量的预测空间相关系数进行了计算，并绘制了相关系数的垂直廓线（图12）。

在600 hPa以下的低空，CWRF模拟的环流变量模拟空间相关系数显著地高于CSM，而在高空则与CSM表现接近。这样的表现与CWRF的特殊设计有关：区域模式需要调和边界强迫与内部模拟之间的潜在不一致，因此对从侧边界传入的大气环流条件作适当处理。CWRF采用了动态张弛技术来接受侧边界强迫信息，在垂直方向上采用了不同的张弛系数，对于大气环流模式模拟较好的高层，系数取得较大，侧边界强迫为主，而对于大气环流模式模拟较差的低空，系数取得较小，CWRF内部预报为主。这种设计使得CWRF在模拟区域大气系统时，在高空倾向于由边界强迫控制，而在低空则允许动力和物理过程相互作用并充分发展，因此图12展现出CWRF在低空模拟出的更高空间相关系数是合理的。接下来我们对影响我国春夏季节降水的重要低空环流的关键成员：低空急流及对应的水汽条件分布进行对比分析，解释CWRF在降水预测上的优势。

图13展示了春季ERA5资料和模式预测的700 hPa相对湿度空间分布、850 hPa风向和风速。ERA5再分析资料上展示的相对湿度空间分布显示，低层湿区主要分布在中南半岛、青藏高原南坡和东坡以及我国华南地区。在我国东部存在由南向北的明显梯度。850 hPa风向和风速显示，在我国华南存在一支强劲的西南低空急流从北海附近出发在南岭附近分为两支。结合水汽分布分析可知，向东到达长江中下游流域的低空急流与水汽湿度场相互配合存在越湿度梯度的输送。这样的输送将南方的暖湿气流向北输送，形成降水条件。另一支向四川盆地转向的急流则平行于水汽梯度运动，越梯度输送较少，因此对四川盆地并没有额外的输送水汽作用。这样的水汽输运条件与春季观测降水的空间分布是匹配的：降水的主要中心在华东地区，四川盆地降水有限。

CWRF降尺度的相对湿度分布和环流风场分布明显优于CSM，与ERA5更加接近。CSM高估了青藏高原上的湿度而低估了青藏高原南麓尤其是中南半岛和孟加拉湾附近的湿度。850 hPa风向和风速方面，CSM高估了青藏高原西侧和南侧的纬向风速，同时对高原东南侧存在明显的风速高估。这一支过强的气流把本该从高原南侧绕行并被高大地形阻挡在南侧的水汽堆积在了高原西侧，而高原东南的高风速又将剩余的水汽输送至横断山区附近。这样的表现或与CSM的空间分辨率较低，无法对地形梯度变化较大的高原西侧、南侧和横断山区附近的粗糙地形做出良好的响应有关。CWRF降尺度改善了CSM模式的低空模拟弊病，尤其是青藏高原以南和以东地区的湿度中心位置与同化结果较为接近，模拟出了更接近实测大气的水汽-环流配合分布：一支从中南半岛经过我国华南向北运动的急流，其向西偏折入四川盆地的分支跨湿度梯度输送较弱，符合ERA5同化结果。对应了CWRF模拟并未高估四川和西南地区的降水。而转向长江中下游流域的急流支则较好地完成了跨相对梯度梯度输送的作用，同时急流出口左侧位置与ERA5同化结果接近，提供了较好的对流触发条件对应了CWRF模拟对华东地区降水模拟较好。不过CWRF模拟的急流强度偏强，因而输送的水汽通量也偏大，一定程度上造成了对降水的高估。CWRF模拟在华南沿海地区湿度模拟的表现与CSM相似，未能处理好海陆交界处的湿度梯度模拟，造成南风逆湿度态度抵达华南，减弱了降水模拟，这一点也是与CWRF模拟降水气候态的特征对应的。

图14展示了夏季低空850 hPa的风向风速和700 hPa相对湿度的空间分布。ERA5同化资料显示湿度中心分布在青藏高原东南侧，中国东部的湿度呈现自西南向东北的递减趋势。低空风向风速分布上，ERA5显示在青藏高原、横断山区和青海一带，平均的低空风速较低，不受某一特定方向气流控制。而孟加拉湾存在一股较强的西风气流，登录陆地后一支向北被青藏高原南侧和横断山区截断。另一支继续向东在北海附近转而向北再次登录我国华南地区，并在南岭附近减速。结合湿度的分布，我国夏季东部的降水的低空水汽输送主要由华南一支的低空气流跨越湿度等值线由南向北输送，这一支低空气流为我国东南部夏季降水输送了水汽。在华北，850 hPa气流呈现出顺时针的反气旋旋转对应了观测上华北平均降水的抑制。CWRF在夏季相比CSM也改进了低空环流的模拟，主要体现在更加接近实测大气的水汽分布特征。华南地区CWRF模拟的湿度分布呈现出了非常强的地形强迫。在中国北方，ERA5再分析资料中存在一套由华中延伸至东北的湿度带，CSM未能模拟出这样的分布而CWRF很好再现了同样走向的湿度带。850 hPa环流场的模拟CWRF在华南地区模拟出了一个更强的气旋式环流而在华北地区模拟出了一个反气旋式环流。这样环流分布特征对应较强的华南降水和较弱的华北降水，这样的降水空间分布也更加接近地面观测。

得益于CWRF的更高的空间分辨率和改进的物理过程参数化（Liang et al.，2018;Sun and Liang，2020），CWRF在低层对环流和湿度的模拟空间分布更优。这样的优势不仅使得CWRF在预测的气温、降水气候态空间分布上更加接近观测，也使得CWRF在水汽输送和低空环流条件的模拟的模拟上更具合理性，进而改善平均降水的空间分布和极端降水的捕捉能力。

6 讨论和结论

数值模式是汛期降水预报的重要支撑环节，本文对BCC_CSM1.1m和CWRF降尺度对降水预测能力进行评估，从气候平均、年际变化和常用业务评分三个方面，针对业务关心的预测性能展开一定的评估，并针对CWRF相比BCC_CSM1.1m预测技巧提升的来源进行了一定的分析。结果表明：

1）CWRF动力降尺度相比CSM驱动本身对预测气候平均地面两米气温、日降水量、日降水第95百分位、降水日数、大雨日数和简单强度指数等多个指标均展示出了更好的空间分布，将与实测空间分布相关系数提升了22％。CWRF这种提升除了有更高的空间分辨率外，主要源于其更加合理真实的物理过程刻画。

2） 关键物理量的年际相关，一直是预测中的难点和重点。CSM在我国东部的预测技巧较差，甚至出现与观测呈现负相关的现象。而CWRF在这里的预测技巧得到了显著的提升，春季和夏季预测技巧总体分别提升了1.03和4.76。

3） 距平相关系数和同号概率是评估降水异常预测的重要指标。据箱线图分析，夏季CWRF将CSM距平相关系数平均提升约0.082，同号概率平均提升3.5分，为部署旱涝灾害预防工作提供更准确的信息支撑。

4） 两个模式对不同量级降水的预测技巧存在一定的差异。从综合评估图上看，CSM在夏季小于3 mm／d的弱降水预测上技巧略好，而CWRF在3 mm／d以上降水事件的预测技巧有显著的优势，并且降水强度越强，这样的优势就越明显。从ETS评分上看，CWRF平均得分比CSM在春季和夏季分别高0.119分（147％）和0.134分（98％）。可见CWRF对不同强度的降水事件的预测技巧的综合水平要强于CSM。

5） CWRF對于BCC_CSM1.1m预测的技巧提升主要源于低空环流的改进。BCC_CSM1.1m较粗的网格分辨率使其在模拟高原相关的动力绕流过程和水汽输送-沉降过程时产生了较大的偏差，这一点在CWRF降尺度中得以解决。

源于更精细更合理的物理过程刻画和良好的嵌套技术，CWRF有能力在BCC CSM全球模式季节尺度预测的基础上进行可靠的动力降尺度，其结果可对现有的业务预测进行良好的补充和提升，有潜力为灾害性气候事件提供更准确的预测和提前防范都具有重要的决策支撑作用，为提升综合防灾减灾能力和保障人民群众安居乐业贡献力量。

致谢：本论文的数值计算得到了南京信息工程大学高性能计算中心和国家超级计算无锡中心的计算支持和帮助，在此表示由衷的感谢！

参考文献（References）

Chen L G，Liang X Z，DeWitt D，et al.，2016.Simulation of seasonal US precipitation and temperature by the nested CWRF-ECHAM system［J］.Climate Dyn，46（3／4）：879-896.doi：10.1007／s00382-015-2619-9.

Choi H I，Liang X Z，2010.Improved terrestrial hydrologic representation in mesoscale land surface models［J］.J Hydrometeorol，11（3）：797-809.doi：10.1175／2010jhm1221.1.

Choi H I，Kumar P，Liang X Z，2007.Three-dimensional volume-averaged soil moisture transport model with a scalable parameterization of subgrid topographic variability［J］.Water Resour Res，43（4）：W04414.doi：10.1029／2006wr005134.

Choi H I，Liang X Z，Kumar P，2013.A conjunctive surface-subsurface flow representation for mesoscale land surface models［J］.J Hydrometeorol，14（5）：1421-1442.doi：10.1175／jhm-d-12-0168.1.

邓汝漳，储敏，任宏利，等，2021.BCC-CSM北极海冰模拟性能的改进对东亚冬季气候模拟的影响［J］.大气科学学报，44（1）：61-74. Deng R Z，Chu M，Ren H L，et al.，2021.Impact of BCC-CSM Arctic Sea ice simulation improvement on East Asian winter climate simulation［J］.Trans Atmos Sci，44（1）：61-74.doi：10.13878／j.cnki.dqkxxb.20201103002.（in Chinese）.

Dickinson R E，Oleson K W，Bonan G，et al.，2006.The community land model and its climate statistics as a component of the community climate system model［J］.J Climate，19（11）：2302-2324.doi：10.1175／jcli3742.1.

丁一匯，李清泉，李维京，等，2004.中国业务动力季节预报的进展［J］.气象学报，62（5）：598-612. Ding Y H，Li Q Q，Li W J，et al.，2004.Advance in seasonal dynamical prediction operation in China［J］.Acta Meteorol Sin，62（5）：598-612.doi：10.3321／j.issn：0577-6619.2004.05.007.（in Chinese）.

Griffies S M，Harrison M J，Pacanowski R C，et al.，2004.A technical guide to MOM4［J］.GFDL Ocean Group Tech Rep，5（5）：371.

贺嘉樱，伍继业，罗京佳，2020.南京信息工程大学气候预测系统1.0版简介［J］.大气科学学报，43（1）：128-143. He J Y，Wu J Y，Luo J J，2020.Introduction to climate forecast system version 1.0 of Nanjing University of Information Science and Technology［J］.Trans Atmos Sci，43（1）：128-143.doi：10.13878／j.cnki.dqkxxb.20191110007.（in Chinese）.

Jiang R S，Sun L，Sun C，et al.，2021.CWRF downscaling and understanding of China precipitation projections［J］.Climate Dyn，57（3／4）：1079-1096.doi：10.1007／s00382-021-05759-z.

Kiehl J T，Gent P R，2004.The community climate system model，version 2［J］.J Climate，17（19）：3666-3682.doi：10.1175／1520-0442（2004）017<3666：tccsmv>2.0.co;2.

李维京，陈丽娟，1999.动力延伸预报产品释用方法的研究［J］.气象学报，57（3）：338-345. Li W J，Chen L J，1999.Research on reexplanation and reanalysis method of dynamical extended range forecast products［J］.Acta Meteorol Sin，57（3）：338-345.doi：10.3969／j.issn.1001-7313.2005.06.009.（in Chinese）.

李维京，张培群，李清泉，等，2005.动力气候模式预测系统业务化及其应用［J］.应用气象学报，16（S1）：1-11. Li W J，Zhang P Q，Li Q Q，et al.，2005.Research and operational application of dynamical climate model prediction system［J］.Q J Appl Meteor，16（S1）：1-11.doi：10.3969／j.issn.1001-7313.2005.z1.001.（in Chinese）.

Li Q Q，Wang T，Wang F，et al.，2021.Dynamical downscaling simulation of the East Asian summer monsoon in a regional Climate-Weather Research and Forecasting model［J］.Int J Climatol，41（S1）：1-17.doi：10.1002／joc.6800.

Liang X Z，Zhang F，2013.The cloud-aerosol-radiation （CAR） ensemble modeling system［J］.Atmos Chem Phys，13（16）：8335-8364.doi：10.5194／acp-13-8335-2013.

Liang X Z，Kunkel K E，Samel A N，2001.Development of a regional climate model for U.S.Midwest applications.part I：sensitivity to buffer zone treatment［J］.J Climate，14（23）：4363-4378.doi：10.1175／1520-0442（2001）014<4363：doarcm>2.0.co;2.

Liang X Z，Xu M，Yuan X，et al.，2012.Regional climate-weather research and forecasting model［J］.Bull Amer Meteor Soc，93（9）：1363-1387.doi：10.1175／bams-d-11-00180.1.

Liang X Z，Sun C，Zheng X，et al.，2018.CWRF Performance at Downscaling China Climate Characteristics［J］.Climate Dyn，52（3/4）：2159—2184.

Ling T J，Xu M，Liang X Z，et al.，2015.A multilevel ocean mixed layer model resolving the diurnal cycle：development and validation［J］.J Adv Model Earth Syst，7（4）：1680-1692.doi：10.1002／2015ms000476.

Qiao F X，Liang X Z，2015.Effects of cumulus parameterizations on predictions of summer flood in the Central United States［J］.Climate Dyn，45（3）：727-744.doi：10.1007／s00382-014-2301-7.

Qiao F X，Liang X Z，2017.Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States［J］.Climate Dyn，49（1）：225-247.doi：10.1007／s00382-016-3338-6.

Saha S，Moorthi S，Wu X R，et al.，2014.The NCEP climate forecast system version 2［J］.J Climate，27（6）：2185-2208.

宋敏红，吴统文，张宇，等，2020.近30年BCC-CSM（m）模拟高原积雪状况评估及其对夏季降水的影响［J］.高原气象，39（1）：15-23. Song M H，Wu T W，Zhang Y，et al.，2020.Evaluation on simulated snow depth over Qinghai-Tibetan Plateau with BCC-CSM（m） model during recent 30 years and its impact on precipitation in summer［J］.Plateau Meteor，39（1）：15-23.doi：10.7522／j.issn.1000-0534.2019.00076.（in Chinese）.

Subin Z M，Riley W J，Mironov D，2012.An improved lake model for climate simulations：model structure，evaluation，and sensitivity analyses in CESM1［J］.J Adv Model Earth Syst，4：M02001.doi：10.1029／2011ms000072.

Sun C，Liang X Z，2020.Improving US extreme precipitation simulation：sensitivity to physics parameterizations［J］.Climate Dyn，54（11）：4891-4918.doi：10.1007／s00382-020-05267-6.

孙照渤，陈海山，2020.短期气候预测：南京信息工程大学60年回顾与展望［J］.大气科学学报，43（5）：745-767. Sun Z B，Chen H S，2020.Short-term climate prediction：a review for the related work in NUIST in the past 60 years and an outlook for the future［J］.Trans Atmos Sci，43（5）：745-767.doi：10.13878／j.cnki.dqkxxb.20200905017.（in Chinese）.

Winton M，2000.A reformulated three-layer sea ice model［J］.J Atmos Oceanic Technol，17（4）：525-531.doi：10.1175／1520-0426（2000）017<0525：artlsi>2.0.co;2.

吴佳，高学杰，2013.一套格点化的中国区域逐日观测资料及与其它资料的对比［J］.地球物理学报，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu T W，Yu R C，Zhang F，et al.，2010.The Beijing Climate Center atmospheric general circulation model：description and its performance for the present-day climate［J］.Climate Dyn，34（1）：123-147.doi：10.1007／s00382-008-0487-2.

吳统文，宋连春，刘向文，等，2013.国家气候中心短期气候预测模式系统业务化进展［J］.应用气象学报，24（5）：533-543. Wu T W，Song L C，Liu X W，et al.，2013.Progress in developing the short-range operational climate prediction system of China national climate center［J］.J Appl Meteorol Sci，24（5）：533-543.doi：10.11898／1001-7313.20130503.（in Chinese）.

吴统文，宋连春，李伟平，等，2014.北京气候中心气候系统模式研发进展：在气候变化研究中的应用［J］.气象学报，72（1）：12-29. Wu T W，Song L C，Li W P，et al.，2014.Progress in research and development of climate system model of Beijing climate center：application in climate change research［J］.Acta Meteorol Sin，72（1）：12-29.doi：10.11676／qxxb2013.084.（in Chinese）.

Xu H R，Liang X Z，Xue Y K，2022.Regional climate modeling to understand Tibetan heating remote impacts on East China precipitation［J］.Climate Dyn，1-19.doi：10.1007／s00382-022-06266-5.

徐蓉蓉，梁信忠，段明铿，2021.CWRF对青藏高原气温和降水模拟效果的综合评估［J］.大气科学学报，44（1）：104-117. Xu R R，Liang X Z，Duan M K，2021.Evaluation of CWRF simulation of temperature and precipitation on the Qinghai-Tibet Plateau［J］.Trans Atmos Sci，44（1）：104-117.doi：10.13878／j.cnki.dqkxxb.20201103001.（in Chinese）.

Yuan X，Liang X Z，2011a.Improving cold season precipitation prediction by the nested CWRF-CFS system［J］.Geophys Res Lett，38（2）：1-5.doi：10.1029／2010gl046104.

Yuan X，Liang X Z，2011b.Evaluation of a Conjunctive Surface-Subsurface Process Model （CSSP） over the Contiguous United States at Regional—Local Scales［J］.Journal of Hydrometeorology，12（4）：579—599.

Yukimoto S，Adachi Y，Hosaka M，et al.，2012.A new global climate model of the Meteorological Research Institute：MRI-CGCM3—Model description and basic performance［J］.Journal Meteorological Society Japan，90A：23-64.doi：10.2151／jmsj.2012-a02.

Zhang F，Liang X Z，Zeng Q C，et al.，2013.Cloud-Aerosol-Radiation （CAR） ensemble modeling system：overall accuracy and efficiency［J］.Adv Atmos Sci，30（4）：955-973.doi：10.1007／s00376-012-2171-z.

张霞，杨慧，王新敏，等，2021.“21·7”河南极端强降水特征及环流异常性分析［J］.大气科学学报，44（5）：672-687. Zhang X，Yang H，Wang X M，et al.，2021.Analysis on characteristic and abnormality of atmospheric circulations of the July 2021 extreme precipitation in Henan［J］.Trans Atmos Sci，44（5）：672-687.doi：10.13878／j.cnki.dqkxxb.20210907001.（in Chinese）.

Zhu J H，Liang X Z，2007.Regional climate model simulations of U S precipitation and surface air temperature during 1982—2002：interannual variation［J］.J Climate，20（2）：218-232.doi：10.1175／jcli4129.1.

The regional Climate-Weather Research and Forecasting model （CWRF） is used to downscale the National Climate Centers operational short-term climate prediction based on the Beijing Climate Center Climate System Model （BCC_CSM1.1m）.The prediction skill is assessed for daily precipitation and surface air temperature （2 m） from March to August during 1991—2010.As compared to BCC_CSM1.1m，CWRF predicts more realistic seasonal mean precipitation and temperature spatial distributions and resolves more detailed features over mountainous regions with large terrain variations.It also predicts interannual variations in precipitation East and Central China more accurately.Overall，CWRF outperforms BCC_CSM1.1m in predicting precipitation of different intensities，especially extreme events.Benefiting from higher spatial resolution and advanced physical process simulation at lower levels，CWRF downscaling can improve the seasonal prediction of summer precipitation in China.

seasonal prediction;summer precipitation;downscaling;CWRF;BCC_CSM

doi：10.13878／j.cnki.dqkxxb.20210116001

（責任编辑：袁东敏）