同化青藏高原地区GPSPW数据对长江中下游地区降水预报的影响评估*

朱丰 徐国强李莉郑晓辉张胜军

1中国气象科学研究院，北京100081

2国家气象中心/数值预报中心，北京100081

3宁夏气象台，银川750002

4中国气象科学研究院灾害天气国家重点实验室，北京100081

4 State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081

1 引言

降水预报历来是数值预报的难点，而缺少精确连续的水汽数据是短期降水预报的主要问题之一（Kuo et al., 1993, 1996）。众所周知，初始场对于客观世界刻画的准确程度直接影响着数值预报的准确程度。而资料同化是改进初始场的有效手段，它通过生成在时空上不规则分布的估计，为模式提供一个最优估计的初始场，能够提高模式的预报能力（Wang et al., 2000）。随着技术手段的进步，能够被有效同化的遥感资料越来越多，如雷达资料（兰伟仁等，2010a，2010b）、卫星资料（Bauer et al.,2011；冉令坤和周玉淑，2011）等，使得进一步提高数值预报中降水预报的能力成为可能。利用资料同化技术提高模式的降水预报性能，人们做出了多种尝试，其中之一便是对大气可降水量 （Precipitable Water，PW）资料的同化。

早在20世纪90年代，以Bevis为代表的学者们的一系列工作指出：利用全球定位系统（Global Positioning System, GPS）得到大气天顶湿延迟（Zenith Wet Delay, ZWD）估计值后，可以十分准确地计算PW值（Bevis et al., 1992, 1994; Duan et al., 1996）。1993年 5月，在美国开展了一项名为GPS/STORM的野外试验，用以评估地基GPS对于大气水汽的观测。Businger et al.（1996）认为，地基GPS能够以相对低增长的成本在科研和业务工作中投入使用，利用GPS获得的PW数据（GPSPW）在短期天气预报应用中具有可观的潜在价值。

随后，国外学者开展了大量对GPSPW资料的同化试验。Kusaka et al.,（2004）针对2002年6月13日在美国的一次飑线过程，利用WRF（Weather Research and Forcasting）模式三维变分同化模块（Three Dimentional Variational, 3DVAR）WRF-3DVAR进行了 GPS资料的同化试验，结果表明GPSPW 资料的同化能消除强降水过程中过量的降水估计。Smith et al.（2007）研究了同化GPSPW资料对快速更新系统（Rapid Update Cycle, RUC）的影响，发现GPSPW资料作为有用的实时水汽信息，能提高短期水汽预报的准确性，并且同化在不同时段以及不同季节有着不同程度的正面影响。

国内在 2004年也开始了这方面的工作。袁招洪等（2004a）利用长三角地区GPS观测网中11个站点提供的可降水量数据，针对长三角地区 2002年6月23～24日的降水过程进行Nudging同化试验，发现可降水量数据能明显增强模式初始场描述水汽分布的能力，改善次网格降水的预报能力。袁招洪等（2004b）还比较了2002年梅雨期MM5模式 24小时预报结果和长三角地区 4个站点的GPSPW观测资料结果，发现GPSPW资料与探空观测有较高的一致性。此外，袁招洪（2005）还利用GPSPW资料，针对长三角地区2002年6月27～28日的降水过程进行三维变分同化试验，结果表明三维变分技术能有效同化GPSPW资料，该资料的变分同化有利于模式降水预报能力的提高。朱男男等（2008）利用GPS可降水资料针对2005年7月23～24日发生在京、津、冀地区的一次强降水过程进行伴随同化试验，证明加入GPS可降水资料能对初始温度场、高度场以及风场产生不同程度的改善。顾莹等（2010）利用实时GPSPW资料针对2007年7月 2～3日发生在日本的一次梅雨锋降水过程进行同化试验，发现GPSPW资料能有效提高降水预报业务的实时性。万文龙等（2010）利用GPSPW资料对2008年9月23～25日的一次川西暴雨进行同化试验，发现同化GPSPW资料对初始场的湿度场影响明显，而对其他变量场影响相对较弱。陈敏等（2010）在北京地区利用GPSPW资料，使用快速更新循环系统进行同化试验，分析了一次强对流个例，发现由于使用资料极为局地，同化并不能对模式总体预报性能带来明显差异，但快速循环同化能使同化效果累积，为气象要素在局地的预报效果带来显著正面影响。

由上述可知，历史上国内外的GPSPW数据同化试验多为个例分析，且预报的关注区域基本局限在同化区域局地。而本文研究同化青藏高原地区GPSPW 数据对长江中下游地区降水预报的影响，立足于GPSPW数据同化的批量试验，且降水预报的关注区域不在同化区域局地，这两点是本文不同于以往研究工作的地方。

长江中下游地区位于东亚季风区，其夏季降水的来源一部分来自东海及南海洋面气流或台风携带而来的水汽，一部分来自南亚孟加拉湾经四川盆地长途输送的水汽。徐祥德等（2002）指出青藏高原地区是长江流域梅雨带水汽输送西边界重要的水汽“转运站”。苗秋菊等（2005）研究发现高原周边水汽输送对长江流域洪涝过程的形成有重要影响。利用美国国家环境预报中心/美国国家大气研究中心（National Center for Atmospheric Research/National Centers for Environmental Prediction,NCAR/NCEP）的再分析资料可以得到长江中下游地区7月份水汽输送的气候特征，如图1。由图可知，7月份自孟加拉湾而来的水汽输送带在90.0°E经线附近分支转向，其中的一支围绕高原地形往北输送，另一支沿高原东部盆地继续向东，而长江中下游正处于这支水汽输送带的下游方向，其降水所需的水汽更多的来源于此。因此，如果通过同化GPSPW 数据的方法，将这支水汽输送带的信息同化进数值模式，从而形成对客观世界刻画更准确的初始场，可以期望在一定程度上改善长江中下游地区的降水预报。

图1 东亚地区7月份1981～2010年长期平均的700 hPa水汽输送。图中矢量箭头表示700 hPa风场，单位：m s–1；阴影区表示700 hPa水汽通量，单位：g cm–1 hPa–1 s–1。虚线框表示长江中下游地区，其范围是：（25.0°N～35.0°N，110.0°E～125.0°E），下同Fig.1 Long-time mean transfer of water vapor in East Asian area in July 1981–2010.The vector arrow is the wind field at 700 hPa, unit: m s–1; the shaded area is water vapor flux, unit: g cm–1 hPa–1 s–1.The dashed box outlines the area of the middle and lower reaches of the Yangtze River (25.0°N～35.0°N，110.0°E～125.0°E), the same below

本文利用青藏高原地区GPS站网的GPSPW数据，针对长江中下游地区2012年7月的降水过程进行批量试验，探究青藏高原地区GPS数据的同化对于长江中下游地区降水预报的影响。同时，选取2012年7月发生的两次降水过程，对比分析何种情况下同化对提高模式降水预报能力有益。此外，进行延长预报时长的补充试验以探究同化正效果最明显的时段。同时，进行同化部分GPS站点的补充试验，进一步探究和验证同化有益的条件。通过批量试验、个例分析以及补充试验，全面评估同化青藏高原地区GPSPW数据对于长江中下游地区降水预报的影响，探究同化有益的条件，期望为今后我国GPS站点的全面布点产生一定的借鉴意义。

2 资料及同化系统简介

2.1 背景场数据与GPSPW数据

本文运转模式采用的背景场数据为美国全球预报系统（Global Forecast System，GFS）的模式输出，分辨率为 1.0°×1.0°，以 6小时为间隔，取前72小时的预报结果为模式提供初值和边界。青藏高原地区的 GPSPW 数据由中国气象科学研究院提供，时间间隔为1小时，测站数为20个。站名分别为：BAIS、BFLJ、CQBB、BFDI、DAXI、GAIZ、GANZ、BEKM、LINZ、LITA、LNGZ、MNZI、NAQU、RUOE、SHEN、TNCH、XICH、XINJ、DING、MNLA，其具体分布见图 2。该资料已经剔除了缺测时次较多的其他站点，并经过了质量控制。

2.2 实况数据

本文采用的实况降水数据由国家气象信息中心气象数据研究室提供，分为两部分。用于形势对比与实况绘图的是 “中国自动站与 CMORPH降水产品融合的逐时降水量0.1°网格数据集（1.0版）”，资料时间间隔为1小时。用于模式结果统计检验的是从国家气象信息中心实时库中提取的全国测站00时（协调世界时，下同）逐日24小时累积降水资料，测站数接近6000个。

本文采用的实况水汽和风场数据为NCEP/ NCAR免费公开发布的基于 GFS资料的再分析资料——FNL（NCEP Final Analysis）资料，其分辨率和时间间隔与GFS资料一致，但相对GFS资料更接近实况，用以分析东亚地区的水汽输送情况。而图1所用的气候数据为NCEP/NCAR再分析资料。

2.3 WRF和WRFDA

本文采用的数值模式是2012年4月6日发布的WRF 3.4版，采用的同化系统是WRF的同化模块WRFDA。WRF是目前全球在业务与科研领域运用最为广泛的中尺度模式之一，它由美国国家大气研究中心（NCAR）、美国环境预测中心（NCEP）等美国的科研机构为中心开发维护。它采用完全可压的非静力模式，水平网格采用Arakawa-C格点，垂直方向采用地形追随质量坐标，时间积分采用Runge-Kutta三步时间积分方案，可在全球或区域应用，并支持多重嵌套网格与网格的双向嵌套（Wanget al., 2012）。

图2 模拟区域设置及GPS和常规观测站点分布Fig.2 The simulation domains and the locations of the GPS and conventional observation sites

WRF的三维变分同化模块3DVAR的第一版于2003年6月发布，2004年5月发布了它的第二版，2008年发布第三版。2004年，WRF同化模块引入了四维变分技术（Four Dimentional Variational,4DVAR），于是更名为 WRF-VAR。2008年引入了混合变分集合算法，更名为WRFDA（Barker et al.,2012）。与4DVAR相比，3DVAR在计算资源有限的情况下性价比更高，且理论成熟，在业务上已得到普遍使用，因此本文选用3DVAR进行同化试验。

3 试验方案设计

模式采用双层嵌套网格，粗网格精度为21 km，格点数为220×331，细网格精度为7 km，格点数为253×541。粗网格区域覆盖了约50°N以南、70°E以东的东南亚地区，细网格区域覆盖了青藏高原至长江中下游地区。模式模拟区域及青藏高原GPS站点和长江中下游地区常规观测站点分布如图 2。模式的在垂直方向取不均匀的 28层。模式中的物理过程方案设置如表1。

表1 物理过程方案设置Table 1 Setting of physics processes

为了评估同化GPSPW数据对于长江中下游地区降水预报的影响，我们进行了三组试验，分别为：无资料同化的控制试验（NoDA）、冷启动同化试验（Cold）以及循环同化试验（Cycling）。模式积分时长为72小时，同化试验的同化窗取6小时。其中 Cold方案只在模式起报时刻进行一次冷启动同化，然后一直积分到结束；而Cycling方案除了在模式起报时刻进行一次冷启动同化外，还在以后的每6小时都进行一次热启动同化，这样在积分时段内一共进行了12次同化（同化分析时刻为： 00时，06时，12时，18时，24时，30时，36时，42时，48时，54时，60时，66时），如图3。因此，这三组试验分别对应了对GPSPW数据不进行同化、进行单次同化与进行多次同化。

4 试验结果检验

4.1 批量试验的降水预报检验

表2 检验指标Table 2 Statistics for inspection

表3 分级降水的双态分类列联表Table 3 Contingency table of dimorphic distribution of classified precipitation

图3 Cycling方案3DVAR同化流程Fig.3 The process of cycling scheme with 3DVAR

本文对模式预报的 24小时累积降水量进行五级划分：小雨（R≥0.1 mm）、中雨（R≥10.0 mm）、大雨（R≥25.0 mm）、暴雨（R≥50.0 mm）以及大暴雨（R≥100.0 mm）。降水检验采用二分类预报检验法，检验指标TS和Bias的计算公式及含义见表2（陈超君等 2012）。以 2012年7月2日～7月31日每天 00时（协调世界时，下同）为起报点，对实况降水采用NoDA方案、Cold方案以及Cycling方案进行 72小时模拟试验，并以长江中下游地区（25°N～35°N，110°E以东之间）的站点为标准，剔除在所有时段内有缺测的站点（余下站点数为654，站点分布见图2），计算 00～24小时、24～48小时、48～72小时三个时段针对5个累积降水等级的TS和Bias得分，得到图4。

由图4左栏TS评分可见，00～24小时，降水预报同化后比不同化有微弱的正效果。Cold方案相对于NoDA方案，对0.1 mm以上的累积降水等级有微弱负效果，而对其他各累积降水等级都有不同程度的提升。Cycling方案对10 mm以上的累积降水等级不如NoDA方案，但对其他各累积降水等级均有最佳效果。24～48小时，同化方案（Cycling方案和Cold方案）的正效果比00～24小时略微明显些，但对100 mm以上的累积降水等级有微弱负效果。Cold方案对除100 mm以上累积降水等级外的其他累积降水等级均保持平稳的0.01～0.02左右的提升。而Cycling方案对10 mm以及25 mm以上的累积降水等级正效果不如 Cold方案明显，但对50 mm以上的累积降水等级有接近0.03的提升。48～72小时，同化的正效果变得十分明显。Cold方案除了对100 mm以上的累积降水等级有微弱负效果外，对其他累积降水等级均有约0.02～0.04的提升。Cycling方案则表现出了明显的优越性，对5个累积降水等级都有约0.02～0.05的提升，且得分均高于Cold方案。

从整体上看，对于各时段的各累积降水等级的预报，经过GPSPW数据的同化后，降水预报的TS评分得到了一定程度的改善。00～24小时和 24～48小时时段同化的正效果并不十分明显，原因可能是同化区域位于我国四川盆地、广西、云南及青藏高原地区，优化后的湿度场还没有完全输送到长江中下游地区。48～72小时，随着同化后更准确的湿度场信息输送进长江中下游地区，同化给降水预报带来的正效果相对显著。Cycling方案的TS评分略高于 Cold方案，原因可能是循环同化方案能够将同化的正效果进行不断累积，使模式的湿度场在72小时的预报时段内都比 Cold方案更接近实况。同时，从图中还能看出，同化GPSPW数据后，对于日降水50 mm以上的暴雨的预报，同化后在各时段均有一定程度的提升，且在 48～72小时提升最为明显。而对于日降水100 mm以上的特大暴雨的预报，在00～24和24～48小时时段，同化几乎没有改善效果，但在48～72小时，Cycling方案带来的正面效果尤为明显。

图4 NoDA、Cold、Cycling 试验中模式对不同强度降水预报的TS评分以及预报偏差（Bias），时段为（a, b）0～24 h、（c, d）24～48 h、（e, f）48～72 hFig.4 TS score and Bias in the prediction of different intensity of precipitation from schemes NoDA, Cold, and Cycling, the time period is (a, b) 0–24 h, (c,d) 24–48 h, (e, f) 48–72 h

由图4右栏预报偏差（Bias）可见，除了00～24小时NoDA方案对100 mm以上累积降水等级有略微的偏少外，模式三种方案对降水发生的预报在整体上都比实况偏多。00～24小时时段，Cycling方案偏差最小，NoDA方案次之，Cold方案偏差较大；24～48小时时段，Cycling方案对于0.1 mm、10 mm以及25 mm以上的累积降水等级的预报偏差最小，但对50 mm以及100 mm以上累积降水等级偏差最大；48～72小时时段，Cycling方案对50 mm以上累积降水等级的预报偏差最大，但对其他累积降水等级的预报偏差最小。可见，Cycling方案使得模式过多地预报有降水的倾向在整体上有所缓解，但在24～48小时时段内对于50 mm和100 mm以上累积降水等级以及48～72小时时段内对于50 mm以上累积降水等级偏差较大，意味着Cycling方案使得模式倾向于更多地预报有暴雨以上等级的降水发生。而Cold方案在00～24小时以及24～48小时时段内加剧了模式更多地预报有降水发生的倾向，到 48～72小时才起到了抑制这种倾向的作用。

由图4分析可以知道，同化方案（Cold方案和Cycling方案）在整体上优于不同化方案（NoDA方案），且对于降水预报的提升在48～72小时时段内最明显。而 Cycling方案与 Cold方案相比更具优势，主要体现在对降水预报的偏差（Bias）上。可见在起报时刻的一次冷启动同化在整体上不如循环同化更能提升模式降水预报的性能。

以上检验方法的结果受降水落区预报的影响较大。为了全面评估同化的效果，还要对最大降水量进行检验。

将各时段各方案预报降水插值到站点上后，统计每日的最大降水量，计算与实况站点最大降水量的绝对误差后得到图 5。该图主要反映了同化方案产生正效果的频数。经统计，对于最大降水量的预报，00～24小时时段内，Cold方案在30天中有14天相对于NoDA方案有正效果，在24～48小时时段，正效果天数为18天，在48～72小时时段内，正效果天数为14天。而Cycling方案在三个时段内都有17天相对于NoDA方案有正效果。可见，在正效果的频数方面，Cycling方案表现较为稳定，对于最大降水量的预报有一定程度的改善作用。而Cold方案综合三个时段来看，正效果不明显。同时，我们也注意到Cycling方案在7月12日的00～24小时时段、7月15日的24～48小时时段以及7月14日的48～72小时时段对于最大降水量的预报有着较大的偏差，说明在某些特殊时段内，Cycling方案仍然可能会给模式带来某些负面影响，其具体原因有待于进一步研究。

计算各方案相对于实况最大降水量的均方根误差（RMSE），得到表4。该表反映了同化方案正效果的总体程度。由表可见，在 00～24小时时段内，Cold方案和 Cycling方案对于最大降水量的误差均大于NoDA方案，Cycling方案的误差最大。24小时以后，同化方案表现出了优越性：在 24～48小时时段，Cold方案都表现出了最佳的预报效果，Cycling方案次之；在48～72小时时段，Cycling方案最佳，Cold方案次之。

表4 各方案相对于实况最大降水量的均方根误差 RMSE（单位：mm d–1）Table 4 RMSE of the maximum precipitation from every scheme with regard to the observation (unit: mm d–1)

综上可知，对于最大降水量的预报，从同化正效果的频数以及程度综合来看，Cycling方案和Cold方案与NoDA方案相比都有一定程度的正效果，正效果的程度在24小时内不甚明显，但在24小时以后逐渐加大。

通过对批量试验的以上检验分析，可以得出结论：从整体上看，对于降水落区的预报，Cycling方案和 Cold方案都有一定程度的正效果，00～24小时时段内正效果不明显，24～48小时正效果逐渐显现，48～72小时正效果突出，且Cycling方案在整体上略优于Cold方案。对于最大降水量的预报，与NoDA方案相比，Cycling方案和Cold方案也都有一定程度的正效果，正效果主要在 24小时以后出现，且Cycling方案的效果更好。正如上文所述，同化方案的正效果在 24小时以后才逐渐显现的原因，可能是由于同化信息在 24小时内没有完全输送进关注区域，而在 24小时以后，模式因同化而逐渐获得更加接近实况的湿度场。而Cycling方案的正效果比 Cold方案更明显，说明多次同化能够不断累积同化正效果，比单次同化更具优越性。此外，同化GPSPW数据能在一定程度上改善模式针对暴雨及特大暴雨的预报能力。

图5 各时段各方案预报降水插值到站点上后所得最大降水量与实况站点最大降水量的绝对误差，时段为（a）0～24 h、（b）24～48 h、（c）48～72 h。单位：mm d–1Fig.5 The absolute differences of the maximum of precipitation between the results interpolated to the sites from every scheme and the observations, the time period is (a) 0–24 h, (b) 24–48 h, (c) 48–72 h.unit: mm d–1

4.2 个例分析

为了探究同化青藏高原地区GPSPW数据对长江中下游地区的降水预报在何种情况下有益，何种情况下效果不明显。下面将选取两次降水个例，针对我国西南部水汽输送的情况与降水TS评分的关系，进行对比分析。

（1）效果明显的个例

2012年7月14日00时至17日00时，长江中下游地区经历了一次降水过程。从起报时刻开始，00～24小时时段内降水量100 mm以上的大暴雨区分布在湖南、江西、安徽、浙江、江苏等地；24～48小时，长江以北地区雨势减小，大暴雨带横跨在江西中部；48～72小时，大暴雨区主要在湖南东部以及江西西部，范围最大。

图6是针对这个降水个例的实况以及NoDA、Cold、Cycling三种方案的模拟结果。从图中可以看出，00～24小时 NoDA、Cold、Cycling三种预报方案都较好地模拟出了大暴雨区的位置，但在浙江省内都有一定程度的漏报。在这一时段内，Cycling方案与Cold方案和NoDA方案相比，对于大暴雨带的预报并无明显优势。24～48小时，NoDA方案对于江西中部的大暴雨带预报的位置偏东偏南，而Cold方案与Cycling方案针对这一大暴雨带有较好的模拟效果，且Cycling方案模拟的形状比Cold方案更接近实况，但在湖南中部，两种同化方案对于大暴雨都存在着较多的空报。48～72小时，NoDA方案未能预报出位于湖南中北部的大暴雨区，Cold方案与Cycling方案对于这一大暴雨区有着较好的察觉，且Cycling方案模拟出的暴雨区范围比Cold方案更大些，相对更接近实况，不过仍然显得滞后于实况。而三种方案对于江西地区的局部大暴雨区都存在着不同程度的漏报。

图6 2012年7月14日00时起报的三种方案的0～24 h、24～48 h以及48～72 h的24 h累积降水与实况的对比。0～24 h累积降水为（a）实况、（d）NoDA、（g）Cold、（j）Cycling；24～48 h 累积降水为（b）实况、（e）NoDA、（h）Cold、（k）Cycling；48～72 h 累积降水为（c）实况、（f）NoDA、（i）Cold、（l）Cycling。单位：mm d–1Fig.6 Contrast between the 24-hour cumulative precipitation predicted with three schemes and the observations, the initial time is 0000 UTC on 14 July 2012.Cumulative precipitation for 0–24 h is from (a) observation, (d) NoDA, (g) Cold, (j) Cycling; 24–48 h is from (b) observation, (e) NoDA, (h) Cold, (k)cycling; 48–72 h is from (c) observation, (f) NoDA, (i) Cold, (l) Cycling.unit: mm d–1

图7左栏是针对这个降水个例的TS评分。评分结果与以上分析基本一致。从图中可以看出，00～24小时时段，同化方案产生了一定程度的负效果，整体上不如 NoDA方案。24～48小时时段，同化方案对于除100 mm以上的累积降水等级外的其他等级的预报都有大幅度改善，且 Cycling方案改善效果比Cold方案更明显，而对于100 mm以上的累积降水等级，Cold方案与 Cycling方案都不如NoDA方案，这主要是由于湖南中部地区的空报造成了减分。在 48～72小时时段，相对于NoDA方案，Cycling方案与 Cold方案对各累积降水等级的预报都有非常明显的改善，而 Cycling方案对于100 mm以上累积降水的预报效果尤为突出。

水汽的空间分布具有连续性，因此某地某时的水汽供应将主要来自其上游前一时段内的水汽通量的输送。从天气学角度看，对于长江中下游地区，从GPS站网所在位置输送而来的水汽，大约要经过24小时的输送时间。因此，下面关注24小时平均水汽输送情况与长江中下游地区降水TS评分的关系。

图7 （a，c，e）同图4中的TS评分，但针对的是2012年7月14日00时起报的降水个例。（b，d，f）2012年7月14日00时～15日00时各层的24 h 平均水汽输送情况：（a）500 hPa；（d）600 hPa；（f）700 hPa。图中圆点表示 GPS 站点。风矢量单位：m s–1，水汽通量单位：g cm–1 hPa–1 s–1Fig.7 (a, c, e) Same as Fig.4 (a, c, e), but for the initial time is 0000 UTC on 14 July 2012.(b, d, f) The 24-hour mean water vapor flux from 0000 UTC on 14 July 2012 to 0000 UTC on 15 July 2012: (b) 500 hPa; (d) 600 hPa; (f) 700 hPa.The dots stand for the GPS sites; wind speed units: m s–1

图7右栏是2012年7月14日00时～15日00时500 hPa、600 hPa、700 hPa三层的24小时平均水汽输送情况。从图中可以看出，在这一时段内，700 hPa层次上，有向长江中下游地区输送趋势的水汽输送带主要通过了云南地区的5个GPS站点以及广西地区的1个GPS站点。600 hPa层次上的情况与700 hPa层次上的情况基本相同，但水汽输送带不仅经过广西地区的1个GPS站点，同时也将云南地区所有6个GPS站点都覆盖了，且覆盖到了位于四川地区的个别GPS站点。500 hPa层次与600 hPa和700 hPa层次上的水汽输送相比，水汽输送量相对较小，但可以看出，对长江中下游地区降水具有贡献的水汽输送带较多地经过了高原上的GPS站点。所以，不论在中低层还是高层，对长江中下游地区降水具有贡献的水汽输送带都比较多地经过了GPS站点所在区域。

与此形成鲜明对比的是下面要分析的效果不明显的个例。

（2）效果不明显的个例

图8左栏为2012年7月18日00时起报进行72小时预报的TS评分结果，从图中可以看出，这次预报同化方案在各时段针对各累积降水等级整体上没有明显的正效果。

图8右栏是2012年7月18日00时～19日00时500 hPa、600 hPa、700 hPa三层的24小时平均水汽输送情况。该时段内的水汽输送情况比较有趣，对于长江中下游地区降水有贡献的水汽输送带在三个层次上都只覆盖到了位于广西地区的 1个GPS站点，绕开了大部分GPS站点所在的位置。

（3）讨论

众所周知，天气尺度的降水主要受两方面条件的影响：一是水汽的供应，二是垂直运动的发展。GPSPW 资料对湿度的时间变化较为敏感，因此同化GPSPW数据主要修正的是模式场的水汽信息，这一修正有助于模式更加准确地捕捉水汽带的变化趋势，从而改进模式对于降水的预报性能。

对于同化方案具有明显正效果的个例，在起报时刻开始的 00～24小时时段内，对长江中下游地区 72小时降水有贡献的水汽输送带较多地经过了GPS站点所在的位置，因此水汽输送带的信息被GPS站网很好地捕捉到，并通过同化系统同化进模式，使后续时段的预报准确度得以提高。而与此相对应的是，正如上文所述的同化正效果不明显的个例，如果水汽输送带不经过或者较少地经过 GPS站点所在位置，那么同化这些站点的GPSPW数据将很难对远在近千公里外地区的未来 24～72小时的降水预报起到正面效果。

图8 同图7，但（a, c, e）TS评分的起报时刻为2012年7月18日00时，（b, d, f）时段为2012年7月18日00时～19日00时Fig.8 Same as Fig.7, but that (a, c, e) the initial time is 0000 UTC on 18 July 2012 and (b, d, f) the time period is from 0000 UTC on 18 July 2012 to 0000 UTC on 19 July 2012

5 补充试验

5.1 关于同化正效果最明显时段的探索

通过以上对批量试验的降水预报检验以及个例分析可知，同化青藏高原地区的GPSPW数据对于长江中下游地区的降水预报是有益的。而同化带来的正效果表现出了明显的时段性，在 00～24小时、24～48小时、48～72小时三个时段内，同化带来的正效果呈现递增趋势。那么，这种递增趋势是否能在更长的预报时段内继续维持，同化GPSPW 数据究竟在哪个预报时段能给模式的降水预报性能带来最明显的提升？为了探究这一问题，进行延长预报时长的批量试验，将原来的 72小时预报时长延长至120小时，寻找同化正效果最明显的预报时段。由于Cycling方案在整体上表现出了比Cold方案更优的性能，这里只比较Cycling方案相对于NoDA方案的性能提升。同时，这组批量试验只选取7月2日至7月16日每日00时的15个起报点进行，因为在4.1节的批量试验中，发现从7月22日以后同化带来的正效果并不明显（其中原因将在5.2节予以解释）。

图 9a–e分别是延长预报时长后批量试验中Cycling方案与NoDA方案在00～24小时、24～48小时、48～72小时、72～96小时以及 96～120小时时段内的TS评分。从图中可以看出，WRF作为中尺度模式，随着预报时长的延长，模式的降水预报能力在72小时以后明显下降（比如对于0.1 mm以上累积降水等级，在72小时前NoDA方案作为控制试验，TS得分高于0.5，但在72小时以后，TS得分低于0.5）。而图 9f显示了各时段的 Cycling方案与NoDA方案的TS评分差值。由图可以看出，同化青藏高原地区GPS站点的GPSPW数据对长江中下游地区带来的性能提升在 5个预报时段内呈现出一种以 48～72小时时段为分水岭的对称性。即同化的最大正面效果出现在48～72小时预报时段，在该时段以前同化的正效果不够明显，而在该时段以后，同化带来的正效果也逐渐减弱。同时注意到，72～96小时时段与 24～48小时时段相比，以及96～120小时时段与00～24小时时段相比，都是前者的提升较明显一些。可见同化的累积效果给模式带来了较为深远的正面影响，这种正面影响比模式刚启动时更大。但是WRF作为一个中尺度模式有着固有的有效预报时长，当预报时长延长到一定程度时，受到模式本身性能下降的限制，同化的正效果逐渐被模式其他方面的误差所掩盖，因此不可避免地趋于微弱。

图9 2012年7月2日至7月16日每日00时起报的15个起报点的批量试验。Cycling方案与NoDA方案的TS评分：（a）0～24 h时段；（b）24～48 h时段；（c）48～72 h时段；（d）72～96 h时段；（e）96～120 h时段内。（f）各时段Cycling方案与NoDA方案的TS评分差值Fig.9 A batch experiment consisting of fifteen initial time points at 0000 UTC from 2 July 2012 to 16 July 2012.The TS scores for schemes Cycling and NoDA: (a) 0–24 h; (b) 24–48 h; (c) 48–72 h; (d) 72–96 h; (e) 96–120 h.(f) The difference of TS scores between schemes Cycling and NoDA during each time period

综上可以基本认为，对于Cycling方案，同化GPSPW数据获得正效果最明显的时段为48～72小时。

5.2 关于同化正效果来源的探索

通过4.2节中的个例分析可知，同化是否能够带来正效果可能与水汽输送带覆盖 GPS站点的程度有关。如果水汽输送带较多的覆盖到 GPS站点，那么关于水汽输送带的准确信息将被模式捕捉到，从而提高降水预报性能；反之，则同化趋于无益。为了进一步验证上述猜想，进行减少同化GPS站点的同化试验，即只同化部分GPS站点的资料，检验其降水预报性能，并与原同化方案比较。同样根据前文的研究，Cycling方案的整体性能优于Cold方案，因此这里只针对Cycling方案进行减少GPS站点的同化试验，命名为Cycling_less方案。

图10是2012年7月12日00时～13日00时500 hPa、600 hPa、700 hPa三层的24小时平均水汽输送情况。从图中可以看到，对长江中下游地区降水有较大贡献的水汽输送带覆盖的站点主要为青藏高原东南部及东部的10个站点：BAIS、BFLJ、CQBB、BFDI、DAXI、BEKM、MNZI、TNCH、XICH、MNLA。虽然在高原上仍有几个站被500 hPa层次上的水汽输送带覆盖，但相对而言水汽通量量级较小。因此首先优先选取上述 10个站点进行Cycling_less方案的试验，命名为Cycling_less_a方案。

对模拟结果进行TS评分，得到图11。由图可以看出，Cycling_less_a方案与Cycling方案相比，几乎具有同等程度的正效果。在00～24小时与24～48小时时段内，Cycling_less_a方案比Cycling方案略差，但差距很小。而 48～72小时时段内，Cycling_less_a方案甚至整体上还优于 Cycling方案，它对0.1 mm、10 mm以及50 mm以上的三个累积降水等级的预报都得到了比Cycling方案更高的TS评分。

图10 同图7右栏，但时段为2012年7月12日00时～13日00时Fig.10 Same as the right column in Fig.7, but that the time period is from 0000 UTC on 12 July 2012 to 0000 UTC on 13 July 2012

那么，如果同化上述10个站点以外的另外10个站点会是怎样的结果呢？

对另外10个站点进行GPSPW数据的同化，进行 72小时的数值模拟，这 10个站点为：GAIZ、GANZ、LINZ、LITA、LNGZ、NAQU、RUOE、SHEN、XINJ、DING。命名该方案为Cycling_less_b方案。图12是模拟结果的TS评分。从图中可以明显地看出，同化这10个GPS站点的GPSPW数据对于降水预报的 TS评分改善作用并不明显。Cycling_less_b方案在00～24小时以及24～48小时时段存在一定的负效果，只有在 48～72小时时段内才在一定程度上靠近Cycling方案。

同化GPSPW数据直接修正的是初始场的PW场，因此我们可以从 PW 场的角度来检查两种Cycling_less方案的同化作用。

图13a、b 是2012年 7月12日 00时刻两种Cycling_less方案与 Cycling方案的 PW 场的差值场。从图13a可以看出，在00时，由于没有同化高原上的10个GPS站点，导致PW值在这些区域有约0.4～2.4 mm的偏少，而在孟加拉国和缅甸与高原交界处PW值偏少得更厉害。从图13b可以看出，由于起报时刻没有同化高原东南部及东部的10个 GPS站点，而这些区域又是主要水汽输送带通过的地方（图 10），因此这些区域的 PW 值相对于 Cycling方案有较多的偏差，在重庆、西安地区存在两个偏差大值区，且位于西安地区的偏差大值区直接影响到了部分长江中下游地区。而图13c是各时刻两方案相对于Cycling方案的RMSE。由图可见，Cycling_less_a方案的RMSE值在72小时内的各个时刻都低于Cycling_less_b方案，这意味着 Cycling_less_a方案对 PW 场的刻画相对Cycling_less_b方案更接近Cycling方案，也就是说，Cycling_less_a方案对于 PW 场的调整能力比Cycling_less_b方案更接近Cycling方案。这在一定程度上导致了 Cycling_less_a方案的 TS评分比Cycling_less_b方案更接近Cycling方案。

图11 同图7左栏，但起报时刻为2012年7月12日00时，比较的是NoDA、Cycling_less_a、Cycling方案Fig.11 Same as the left column in Fig.7, but that the initial time is 0000 UTC on 12 July 2012 and that the contrast is conducted among schemes NoDA,Cycling_less_a, and Cycling

为了进一步验证上述对于个别站点进行针对性同化的可行性，进行批量的针对性同化试验Cycling_less_a。选站原则仍然基于水汽通量的分布，即选取被对长江中下游地区有贡献的水汽输送带覆盖到的站点进行同化。由于每天的天气状况不同，选取的站点组合并不固定，具体选站情况见表5。同样为了突出对比选择站点不同带来的同化效果的差异，对上述站点选取情况进行反选（不选择表中出现的站点），即选择水汽输送带较少覆盖到的站点进行批量的同化试验Cycling_less_b。

表5 针对性批量同化试验Cycling_less_a的站点选取Table 5 The stations picked to conduct targeted batch assimilation experiment Cycling_less_a

图 14是两种选站情况下针对性同化批量试验的TS评分对比，图中虚线表示Cycling方案而实线代表 NoDA方案。由图 14c可见，Cycling_less_a方案对于各累积降水等级的 TS评分都比较接近Cycling方案，而Cycling_less_b方案与NoDA方案比正效果并不明显。该图很好地印证了前面的猜想，即只同化被水汽输送带主要覆盖到的GPS站点也能够保持住大部分的同化正效果，而只同化那些不被水汽输送带覆盖到的GPS站点，同化带来的正效果不明显。值得注意的是，基于能够保持住大部分同化正效果的选站原则，从7月2日00时至7月31日00时30个起报点的平均同化站点数只有6个。

需要再次说明的是，表5中站点的选取是定性的，是根据如图10的水汽通量情况人为判定的，并不精确。而选取的情况虽然每天有细微的差异，但大多选择了高原东部和东南部的站点，这种大体上一致但每日有差别的选取情况，与水汽输送的气候态以及每日变化相对应。7月18日只选择了BAIS一个站点，因为从图8右栏可以看出只有BAIS这个站点被对长江中下游地区有贡献的水汽输送带覆盖。而在7月22日以后，由于第8号台风“韦森特”的逐渐靠近，中国南部的风速流场从原来的西南气流转为偏东气流（图略），这意味着长江中下游地区的降水水汽来源发生了改变，自南亚孟加拉湾而来的水汽带受到台风影响而转变了方向。这种影响一直持续到7月末都未能改变，因为在“韦森特”离开以后，第9号台风“苏拉”又接踵而至了。因此，基于前面提到的选站原则，认为7月下旬时段内同化青藏高原地区的 GPS站点无法期望得到正面效果。

图12 同图11，但同化的是另外10个站点：GAIZ、GANZ、LINZ、LITA、LNGZ、NAQU、RUOE、SHEN、XINJ、DINGFig.12 Same as Fig.11, but that the assimilated ten sites are: GAIZ, GANZ, LINZ, LITA, LNGZ, NAQU, RUOE, SHEN, XINJ, DING

综上可知，降水的TS评分与水汽输送带经过同化区域的站点数量存在一定的联系，同化的正效果主要来源于水汽输送带覆盖到的 GPS站点的GPSPW 数据的同化。只同化被水汽输送带覆盖到的GPS站点的GPSPW数据，仍然能够保留住大部分的同化正效果。同化不被水汽输送带覆盖到的GPS站点的GPSPW数据对于提高降水预报能力贡献不大。因此，针对性地同化GPSPW数据是可行的。

6 结语

通过进行对于青藏高原地区GPSPW数据的一系列同化试验，检验并评估其对长江中下游地区降水预报的影响，得出以下结论：

（1）同化青藏高原地区GPSPW数据，对长江中下游地区的降水预报有一定程度的正面效果。正效果在00～24小时时段内不是很明显，在24～48小时时段内正效果逐渐显现，在 48～72小时时段内具有明显正效果。而基于多次同化的循环同化方案 （Cycling）在整体上优于基于单次同化的冷启动同化方案（Cold）。

图13 2012年7月12日00时的（a）Cycling_less_a方案与Cycling方案的PW差值场以及（b）Cycling_less_b方案与Cycling方案的PW差值场。图中圆点表示该站点参与同化，“×”号表示该站点不参与同化。（a）2012年7月12日00时起报的各时刻Cycling_less_a方案与Cycling_less_b方案相对于Cycling方案的PW场的RMSE，考察范围为长江中下游地区。单位：mmFig.13 The differences of PW fields at 0000 UTC on 12 July 2012 between (a) schemes Cycling_less_a and Cycling, (b) schemes Cycling_less_b and Cycling.The dots stand for the GPS sites that are assimilated while “×” stands for the ones that are not.(c) The RMSEs of PW fields between the results from schemes Cycling_less_a, Cycling_less_b and Cycling respectively, the initial time is 0000 UTC on 12 July 2012 and the area of inspection is the middle and lower reaches of the Yangtze River.Units: mm

（2）对于Cycling方案，在120小时预报时长内，同化上游 GPS站点数据对长江中下游地区带来最大正面效果的时段为 48～72小时，在该时段以前同化的正效果不够明显，而在该时段以后，中尺度模式WRF的降水预报能力大幅度下降，同化带来的正效果也逐渐减弱。

（3）当水汽输送带较多地经过同化区域时，降水的TS评分在整体上能得到明显改善；而当水汽输送带较少地经过同化区域时，整体上降水的TS评分改善效果不明显。

（4）与同化所有GPS站点的GPSPW数据相比，只对被水汽输送带覆盖的GPS站点进行GPSPW数据同化，仍然可以保留住大部分的同化正效果，提高模式的降水预报能力。因此，对于长江中下游地区的降水预报而言，针对性地同化青藏高原地区的GPSPW数据是可行的。

目前，我国GPS站网还没有全面建起，针对长江中下游地区的降水预报，在今后的站网布点时，可以适当减少现有 GPS站点中不被长期水汽输送带覆盖到的站点，而在水汽输送带长期经过的位置加密GPS站点的分布，从而更具效益地提高降水预报能力。推而广之，可以逐渐增设可移动的GPS站点。由于水汽输送具有一定的连续性，其预报相对容易，因此，利用可移动的GPS站点，根据水汽输送情况灵活变动其位置，可以最大限度地发挥既有GPS站点的作用，从而有效提高长江中下游地区的降水预报能力。

本文最后一部分中探索同化正效果来源的补充试验仍是基于定性分析，选择同化哪些站点的GPSPW 数据只依据水汽输送带的覆盖范围。该依据较为粗略，且基于经验性的判定而没有量化，因此受人为因素影响较大，但依然取得了不错的效果。这意味着针对性同化GPSPW数据具有较大的潜力，如何更具技巧地对GPSPW数据进行针对性同化有待于进一步深入研究。

图14 同图4左栏，但比较的是NoDA、Cycling_less_a、Cycling_less_b以及Cycling方案Fig.14 Same as the left column in Fig.4, but that the contrast is conducted among schemes NoDA, Cycling_less_a, Cycling_less_b, and Cycling

致谢 感谢中国气象科学研究院提供青藏高原地区的GPSPW资料，感谢国家气象中心以及国家气象信息中心为本文提供实况降水数据，同时感谢NCEP/NCAR免费公开发布GFS、FNL资料以及气候态再分析资料。

（References）

Barker D, Huang X Y, Liu Z, et al.2012.The weather research and forecasting model’s community variational/ ensemble data assimilation system: WRFDA [J].Bull.Amer.Meteor.Soc., 93 (6): 831–843.

Bauer P, Ohring G, Kummerow C, et al.2011.Assimilating satellite observations of clouds and precipitation into NWP Models [J].Bull.Amer.Meteor.Soc., 92 (6): ES25-ES28.

Bevis M, Businger S, Herring T A, et al.1992.GPS Meteorology: Remote sensing of atmospheric water vapor using the Global Positioning System[J].J.Geophys.Res., 97 (14): 15787–15801.

Bevis M, Businger S, Chiswell S, et al.1994.GPS Meteorology: Mapping zenith wet delays onto precipitable water [J].J.Appl.Meteor., 33 (3):379–386.

Businger S, Chiswell S R, Bevis M, et al.1996.The promise of GPS in atmospheric monitoring [J].Bull.Amer.Meteor.Soc., 77 (1): 5–17.

陈超君, 王东海, 李国平, 等.2012.冬季高海拔复杂地形下GRAPES-Meso要素预报的检验评估 [J].气象, 38 (6): 657–668.Chen Chaojun, Wang Donghai, Li Guoping, et al.2012.A study of the GRAPES-Meso prediction verification for high altitude and complex terrain during winter time [J].Meteorological Monthly (in Chinese), 38(6): 657–668.

陈敏, 范水勇, 仲跻芹, 等.2010.全球定位系统的可降水量资料在北京地区快速更新循环系统中的同化试验 [J].气象学报, 68 (4): 450–463.Chen Min, Fan Shuiyong, Zhong Jiqin, et al.2010.An experimental studyof assimilating the Global Position System-precipitable water vapor observations into the rapid updated cycle system for the Beijing area [J].Acta Meteorologica Sinica (in Chinese), 68 (4): 450–463.

Duan J P, Bevis M, Fang P, et al.1996.GPS meteorology: Direct estimation of the absolute value of precipitable water [J].J.Appl.Meteor., 35 (6):830–837.

顾莹, 日下博幸, 束炯, 等.2010.实时 GPS 可降水量资料的变分同化个例研究 [J].气象科学, 30 (2):172–178.Gu Ying, Hiroyuki KUSAKA, Shu Jiong, et al.2010.A case study of variational assimilation of true real-time GPS precipitable water [J].Scientia Meteorologica Sinica (in Chinese), 30 (2): 172–178.

Kusaka H, Guo Y R, Crook A, et al.2004.The impact of assimilating GPSPW data using WRF-3DVAR on a simulation of a squall line observed during IHOP [C] // 20th Conference on Weather Analysis and Forecasting/16th Conference on Numerical Weather Prediction.Seattle,WA, USA: Amer.Meteor.Soc.: p1.23.

Kuo Y H, Guo Y R, Westwater E R.1993.Assimilation of precipitable water measurements into a mesoscale numerical model [J].Mon.Wea.Rev.,121 (4): 1215–1238.

Kuo Y H, Zou X, Guo Y R.1996.Variational assimilation of precipitable water using a nonhydrostatic mesoscale adjoint model.Part I: Moisture retrieval and sensitivity experiments [J].Mon.Wea.Rev., 124 (1):122–147.

兰伟仁, 朱江, Xue M，等.2010a.风暴尺度天气下利用集合卡尔曼滤波模拟多普勒雷达资料同化试验 I.不考虑模式误差的情形 [J].大气科学, 34 (3): 610–652.Lan Weiren, Zhu Jiang, Xue Ming, et al.2010.Storm-scale ensemble Kalman filter data assimilation experiments using simulated Doppler radar data.Part I: Perfect model tests [J].Chinese Journal of Atmospheric Sciences (in Chinese), 34 (3): 640–652.

兰伟仁, 朱江, Xue M，等.2010b.风暴尺度天气下利用集合卡尔曼滤波模拟多普勒雷达资料同化试验 II.考虑模式误差的情形 [J].大气科学, 34 (4): 737–753.Lan Weiren, Zhu Jiang, Xue Ming, et al.2010.Storm-scale ensemble Kalman filter data assimilation experiments using simulated Doppler radar data.Part II: Imperfect model tests [J].Chinese Journal of Atmospheric Sciences (in Chinese), 34 (4): 737–753.

苗秋菊, 徐祥德, 张胜军.2005.长江流域水汽收支与高原水汽输送分量“转换”特征 [J].气象学报, 63 (1): 93–99.Miao Qiuju, Xu Xiangde, Zhang Shengjun.2005.Whole layer water vapor budget of Yangtze River valley and moisture flux components transform in the key areas of the plateau [J].Acta Meteorologica Sinica (in Chinese), 63 (1):93–99.

冉令坤, 周玉淑.2011.TRMM 卫星的闪电观测资料在中尺度数值模式中的 Nudging 同化应用研究 [J].大气科学, 35 (6): 1145–1158.Ran Lingkun, Zhou Yushu.2011.Application of lightning observations of TRMM satellite to the mesoscale numerical model by a New Nudging assimilation adjustment technique [J].Chinese Journal of Atmospheric Sciences (in Chinese), 35 (6): 1145–1158.

Smith T L, Benjamin S G, Gutman S I, et al.2007.Short-range forecast impact from assimilation of GPS-IPW observations into the rapid update cycle [J].Mon.Wea.Rev., 135 (8): 2914–2930.

Wang B, Zou X, Zhu J.2000.Data assimilation and its applications [J].Proceedings of the National Academy of Sciences of the United States of America, 97 (21): 11143–11144.

Wang W, Bruyere C, Duda M, et al.2012.ARW Version 3 Modeling System User’s Guide [M].USA: M&MMD/NCAR, 384pp.

万文龙, 张杰, 朱克云, 等.2010.GPS-PW 资料在川西暴雨中的应用研究 [J].安徽农业科学, 38 (13): 6759–6764.Wan Wenlong, Zhang Jie,Zhu Keyun, et al.2010.Study on the application of GPS-PW data in the rainstorm in Western Sichuan [J].Journal of Anhui Agricultural Sciences(in Chinese), 38 (13): 6759–6764.

徐祥德, 陶诗言, 王继志, 等.2002.青藏高原——季风水汽输送 “大三角扇型” 影响域特征与中国区域旱涝异常的关系 [J].气象学报, 60(3): 257–264.Xu Xiangde, Tao Shiyan, Wang Jizhi, et al.2002.The relationship between water vapor transport features of Tibetan Plateau-Monsoon “large triangle” affecting region and drought-flood abnormality of China [J].Acta Meteorologica Sinica (in Chinese), 60 (3):257–264.

袁招洪.2005.GPS 可降水量资料应用于 MM5 模式的变分同化试验[J].气象学报, 63 (4): 391–402.Yuan Zhaohong.2005.Variational assimilation of GPS precipitable water into MM5 mesoscale model [J].Acta Meteorologica Sinica (in Chinese), 63 (4): 391–402.

袁招洪, 丁金 才, 陈敏.2004a.GPS观测资料应用于中尺度数值预报模式的初步研究 [J].气象学报, 62 (2): 200–212.Yuan Zhaohong, Ding Jincai, Chen Min.2004a.Preliminary study on applying GPS observations to mesoscale numerical weather prediction model [J].Acta Meteorologica Sinica (in Chinese), 62 (2): 200–212.

袁招洪, 丁金才, 陈永林.2004b.中尺度数值预报模式预报水汽与 GPS观测的比较研究 [J].大气科学, 28 (3):433–440.Yuan Zhaohong,Ding Jincai, Chen Yonglin.2004b.A comparison study of precipitable water simulated by NWP and GPS observations [J].Chinese Journal of Atmospheric Sciences (in Chinese), 28 (3): 433–440.

朱男男, 沈桐立, 朱伟军.2008.一次降水过程的 GPS 可降水量资料同化试验 [J].南京气象学院学报, 31 (1): 26–32.Zhu Nannan, Shen Tongli, Zhu Weijun.2008.An adjoint assimilation experiment of GPS precipitable water [J].Journal of Nanjing Institute of Meteorology (in Chinese), 31 (1): 26–32.