RAMS 在复杂地形下的次百米级预报效果检验

杨智灵 , 郭在华* , 史 磊 , 赵金玲 , 何梦雨 , 刘洪晓

（1.成都信息工程大学，成都 610225；2.中国气象局大气探测重点实验室，成都 610225）

引言

随着观测资料不断完善和计算机运行性能日益提高，数值模式已成为天气预报业务系统中不可或缺的一部分，作为当前主要的客观预报工具，它为预报员提供了对未来天气发展的客观预测，减少了对预报员经验的依赖性[1-3]。目前，如何利用中尺度数值模式提高对复杂地形模拟效果，是数值预报研究领域中需要攻克的难题之一[4]。

用于山地气象预报研究的中尺度模式有MM5、RAMS、APPS 等[5-6]。Cox 等[7]比较了RAMS、MM5、NOPAPS6、RWM4 四种模式的模拟性能，发现RAMS模式最佳，MM5 模式次之。吴建成等[8]、李磊等[9]、张吉等[10]利用RAMS 对降雨进行数值模拟，均发现RAMS能较好地模拟出降雨过程、降雨中心落区以及降雨量。李磊等[11]、李江林等[12]还运用RAMS 模式对山谷城市进行风场研究，发现RAMS 能成功模拟出山谷城市局地环流特征和地面风场时空变化。Gómeza 和Casellesa[13]利用 RAMS 对巴伦西亚一次降水过程进行模拟，发现6 小时降水总量模拟效果良好，气温、相对湿度等气象要素模拟结果与观测值基本一致。美国国家气象局（National Weather Service，NWS）在利用研发的局地分析和预报系统（Local Analysis and Prediction System，LAPS）为RAMS 提供初始条件的基础上，开发了奥运会天气支持系统（Olympic Weather Support System，OWSS），为1996 年亚特兰大百年奥运会提供专门的气象业务支持[14]。在澳大利亚和新西兰，RAMS已实现气象业务应用[15]。综上所述，RAMS 用于气象预报是可行的，且在常用的山地气象预报模式中表现最佳。

2022 年北京冬奥会赛场地形复杂，延庆区北东南三面环山，全境平均海拔500 m 以上，境内最高峰为北京第二高峰海坨山，海拔2241 m。地形作为大气运动的障碍物，可使气流因阻挡而产生扰流和翻越运动，进而改变风场，最终导致降水、温度等气象要素发生变化[16]，而温度、降水、湿度等气象要素会直接影响冬奥会各项目的顺利开展，同时也会影响到运动员水平的发挥。已有多项研究[17-22]利用WRF、MM5 模式对北京地区降水参数化方案、降水发展过程和环流特征、温度和湿度等气象要素进行模拟分析及结果检验，但效果差强人意。究其原因，很可能是所用数值模式时空分辨率不够，无法精细刻画延庆区复杂地形，导致对中小尺度天气系统模拟效果不佳。根据已有研究[23-24]，高分辨率的模式更能真实刻画复杂地形，能更好地模拟中小尺度天气系统。因此，本文选用高分辨率的RAMS 模式，对2022 年北京冬奥会延庆山地赛场作“百米级、分钟级”精准天气预报，通过对降水、风、温度等预报结果进行量化检验，以此评估模式预报效果，旨在为精细化天气预报在气象保障和防灾减灾等方面更好地发挥作用提供科学参考。

1 模式简介与试验设计

选用区域大气数值模式RAMS 6.0 版本。RAMS模式是20 世纪70 年代William R.Cotton 博士结合3个相关模式发展而成，包括云物理参数化、积云参数化辐射参数化、边界层参数化、土壤和植被参数化方案等。研究采用NCEP 逐3 h 的0.25°×0.25°格点资料作为RAMS 模式初始场和侧边界条件。模式使用美国 USGS 30 s 地表资料，预报时间为2022 年2 月15—19 日。模式选用 σ- z 地形跟随坐标，采用三重网格嵌套，网格分辨率分别为10 km、1 km、100 m，对应格点数分别为 60×55、122×142、142×142，垂直方向不等间距分为35 层，侧边界方案采用Klemp-Wilhelmson 方案，辐射参数化方案采用Harrington 长短波辐射方案，湍流参数化方案采用Smagorinsky 方案，陆面过程采用Leaf3 陆面模式。模式每日08 时和20 时（北京时）对延庆赛区温度、风、相对湿度、降水等气象要素分别预报两次。模式参数详细说明和模拟区域地形分布如表1 和图1～3 所示。

图2 延庆地区高程分布

图3 d03 站点位置

表1 试验设计

2 检验资料和方法

2.1 检验资料

站点信息如表2 所示，为了全面检验RAMS 模式对延庆赛区各气象要素的预报能力，选取 A1701、A1703、A1705 等8 个赛场作为检验站点。8 个站点经纬度比较接近，但海拔差异显著，实际观测海拔从最低A1489（928 m）到最高A1701（2177.5 m），对表中8 个站点的风速、风向、温度、相对湿度进行逐日检验，降水进行逐时检验。检验数据来自于智慧冬奥2022 天气预报示范计划（SMSRT2022-FDP）集成显示平台（http://smart 2022-fdp.ium.cn/#/verify）。

表2 延庆赛场预报站点信息

2.2 检验方法

本文主要利用准确率、评分、平均误差、平均绝对误差、均方根误差等指标来定量分析RAMS 模式对风向风速、温度、降水、相对湿度的预报性能。

2.2.1 风的检验方法

(1) 风向预报准确率

风向依照8 个方位划分来对结果进行检验。式中：NRdi表示对方位i预报准确的总站数，NF为预报总站数，k表示1～8 方位当中的某一个方位。

(2) 风向预报评分

式中：SCdi为第i个站风向预报得分，NF为预报总站（次）数。

(3) 风速预报准确率

风速依照蒲氏风力等级对结果进行检验。式中：NRsi为对第i级风力预报正确站的个数，表示预报的风速和实际风速在一个等级，NF为预报总站数，k为风力等级当中的一个等级。

(4) 风速预报评分

式中：SCsi为第i个站风速预报得分，NF为预报总站数。

2.2.2 温度的检验方法

(1) 预报准确率

式中：Nr为预报正确总站数，Nf为预报的总站数。当预报≥0 ℃、实况≥0 ℃且预报实况差在±2 ℃之间，表示该站点温度预报正确。

(2) 均方根误差

2.2.3 降水的检验方法

(1) TS 评分

式中：NAk为预报正确总站数，NBk为空报总站数，NCk为漏报总站数。降水等级划分见表3。

表3 降水等级划分

2.2.4 相对湿度的检验方法

(1) 平均绝对误差

式中：Fi为预报值,Oi为观测值。

3 检验结果分析

3.1 风向风速

本节通过分析冬奥会延庆赛区8 个站点的风速、风向预报准确率和评分来检验RAMS 模式对风的预报效果。如图4a～c 所示，A1711、A1712 站点风速总体预报和4 m/s 阈值检验预报准确率最高，A1705、A1708 站点次之；A1711、A17124 站点在风速总体预报中平均准确率均高于35%，而4 m/s 风速准确率分别为 61%、78%。如图4d、e 所示，A1701 站点MAE和ME 最大，风速预报准确率最低；15—19 日各站点ME 负值远大于正值，表明RAMS 模式对风速预报偏小，这可能是数值网格高度低于站点实际高度所致[11]；各站点MAE 和ME 变化存在差异，但变化趋势一致，说明RAMS 模式对复杂地形的风速预报存在一定的系统误差，可以通过订正方法减小系统误差。同一站点在不同时间与同一时间在不同站点的风速偏差并不一致，具有随机性。根据已有研究[25]，风速本身的不确定性、复杂地形以及中尺度模式本身存在的湍流随机性问题都是影响风速预报效果的重要原因。如图4f、g 所示，A1701 站点风向预报准确率最高可达82%，风向评分平均高达93%，其次是A1489 站点平均准确率为27.2%，A1708 站点预报准确率最低。分析图4a～f 可知，相较于其他位置的站点，海拔集中在中间区域的风速预报效果最佳；而风向预报效果最好的站点是海拔最高站点，并不在海拔中间区域，这说明地形对风速的影响较大，尤其是近地面风场受局地地形影响更为显著，即使微小的地形差异也可能对风场造成不可忽略的影响。由图4h、i 可知，RAMS模式预报风向准确率在多个模式中位置靠前，具有一定的参考价值，而风速预报表现较为一般。

图4 2022 年2 月15—19 日风速、风向检验

3.2 温度

如图5a、b 所示，RAMS 模式温度平均预报准确率高达75%，其中A1711、A1712 站点温度准确率最高，均为90%，A1701 站点表现最差；各站点RMSE 介于0.69～4.29 之间，其变化趋势基本一致，说明温度预报结果比较稳定。从表2 中可知，模式地形高度和实际地形高度存在差异，RMSE 值随地形差异减小而减小，说明模式中地形高度刻画不真实也是影响温度预报准确率的一个重要原因。温度预报ME 主要分布在1～2 ℃之间（图5c），说明预报值比实况偏高，存在系统误差，这常常与物理过程、参数化方案以及数值计算等有关[26]。如图5d 所示，在2 月15 日、16 日及19 日晴朗的天气条件下，RAMS 模式预报准确率高且稳定；在17 日降水条件下，该模式温度预报准确率依然较高；18 日小雨伴有大风时，该模式预报准确率有所下降，说明天气状况会影响模式对温度的预报效果。总体来说，RAMS 模式预报温度排名靠前，具有较好的参考性。

图5 2022 年2 月15—19 日温度检验

3.3 降水

定量降水预报一直是模式预报中的重难点。为评估RAMS 模式在复杂地形下预报降水效果，重点分析了2 月17 日09—20 时赛区各个站点0.1 mm 降水和小雨等级下的TS 评分（图6a、b）。如图所示，RAMS模式启动速度快，对降水预报影响较小；不同站点降水TS 评分差异显著，其中A1705、A1712 站点评分明显高于A1701。A1705、A1712 海拔低于A1701 海拔500 m 以上，这可能是影响降水TS 评分的一个主要原因。因RAMS 模式对地形高度刻画存在一定误差，降水又是局部变量，网格点相对于站点实际位置的错位即使是1 km 量级，也可能会导致降水预报出现显著差异。由表2 可知，经纬度误差是0.0001 量级，因此位置错位差异可以忽略不计。RAMS 模式的网格分辨率为次百米，随着分辨率的提高，这种差异可能归因于模式在充分再现观测数据时捕捉特定或局部特征的内在局限性[27]。在12 h 预报时效内，预报评分随着时间延长呈波动变化特征，并没有表现出单调增大或减小的倾向性，而是整体较为稳定且略有下降，说明RAMS 模式降水预报在12 h 内是稳定有效的。如图6c～f 所示，随定量降水等级的增加，累计1 h 和累计3 h 降水TS 评分都没有明显变化。量级不变，累计3 h 降水TS 评分明显高于累计1 h 降水。从各站点晴雨预报准确率（图6g）可以看出，各站点的准确率波动不大，在晴朗天气准确率最好表现为100%，晴雨预报准确率为71%，降水预报也具有一定的可信度。数值模式预报降水过程与积云对流参数化方案、微物理过程、模式算法等相关[28]，这是预报准确率在出现降水天气的情况下有所下降的原因之一，而且本文中没有选择积云对流参数化方案，这也许是影响预报准确率的另一个重要因素。如图6h、i 所示，RAMS模式预报降水TS 评分排名靠前，说明其对降水有一定的预报能力。

图6 2022 年2 月15—19 日降水检验

3.4 相对湿度

冬奥会期间相对湿度的检验指标主要采用MAE。如图7a 所示，站点优势不明显，具有随机性，说明地形对相对湿度影响不大；2 月15—16 日MAE 较小且集中，说明天气状况复杂使得相对湿度预报难度加大，而单纯的降水、晴朗天气对相对湿度的影响不会很大；2 月17 日MAE 介于8.43%～14.92% 之间，误差比较集中且相对较低；2 月18 日各站点MAE 明显偏大。如图7b 所示，除了2 月16 日A1701 站点相对湿度ME 为负值以外，其他均为正值，说明预报值较实况偏高。如图7c 所示，2 月16 日RAMS 模式预报相对湿度的MAE 高于大多数模式，说明该模式对相对湿度预报能力有限，还有待进一步改进。

图7 2022 年2 月15—19 日相对湿度检验

4 结论

本文利用RAMS 模式，对2022 年北京冬奥会延庆山地赛场进行“百米级、分钟级”精准天气预报，并对其预报结果进行检验评估，得出以下主要结论：

(1) RAMS 模式预报温度平均准确率高达75%，晴雨预报准确率为71%，总体降水TS 评分为50%。与其他模式相比，RAMS 模式在温度和风向预报上有明显的优势，预报降水也排名靠前，但相对湿度预报效果不佳。可见，RAMS 模式对复杂地形下温度和风向预报具有一定参考价值，降水预报具有一定的可信度，但相对湿度和风速的预报水平还需进一步提高。

(2) 复杂地形和模式中地形高度刻画不真实对温度的影响最大，其次是降水与风，而相对湿度所受的影响最小。

(3) 风速预报值比实况偏小，温度和相对湿度预报值比实况偏大，存在系统误差，这种通常与物理过程、参数化方案以及数值计算等有关，可以通过订正进行改善。

(4) 在12 h 内，随预报时效延长，降水预报评分呈波动变化，并未表现出一致增大或减小的倾向性，虽有略微下降，但整体较为稳定。随着降水量级的增加，降水TS 评分下降明显，最高下降37%。

(5) 天气状况对温度和相对湿度的影响较大，温度和相对湿度预报效果在晴朗天气下表现更佳，复杂天气状况下则相对偏差。