GRAPES区域集合预报对2019年中国汛期降水预报评估

王婧卓 陈法敬 陈静 刘雪晴 李红祺 邓国 李晓莉 王远哲

1 中国气象局数值预报中心，北京 100081

2 国家气象中心，北京 100081

3 浙江省气象科学研究所，杭州 310016

1 引言

降水是影响中国的主要天气事件（翟盘茂等,1999; 江志红等, 2007），强降水过程经常会引起洪涝、泥石流、山体滑坡等气象灾害，对人民的生命财产和国家经济发展带来较大的威胁，故降水预报（尤其是汛期强降水预报）是气象部门及各级政府非常关注的问题（陶诗言等, 2004; 齐艳军等, 2016;孙建华等, 2018）。随着计算机技术的发展及数值模式方法和理论的研究，数值天气预报模式成为降水预报的有效手段（彭新东等, 2010; 王婧卓等,2018b）。

降水数值预报存在较大的不确定性。一方面，降水预报受数值模式初值影响较大（王叶红等,2006），但初始场受观测仪器误差，资料同化方法的影响存在较大不确定性，大量研究（Zhang and Fritsch, 1986; Stensrud and Fritsch, 1994; 贝耐芳和赵思雄, 2002; 闫敬华和Majewski, 2003; 谭燕和陈德辉, 2007; 张立凤和罗雨, 2010）均表明初值误差通过影响对中尺度系统刻画程度进而影响强降水及对流的发生发展，只有将反应误差不确定性的信息包含到模式中，才能更好捕捉中尺度系统特征，提高降水预报性能。另一方面，中尺度降水发生发展和演变过程受与对流、湍流输送和凝结相联系的非绝热物理过程影响较大，由于模式分辨率影响，常采用物理过程参数化方案描述次网格尺度物理过程（吴秋霞等, 2007），参数化不确定性引起的模式误差通过影响对流触发条件，进而影响降水发生时间、空间特征及降水强度（陈静等,2003a; 徐致真等, 2019），是描述中尺度降水可预报性的关键（Stensrud et al., 2000; 陈静等, 2003a, 2003b）。

集合预报是描述降水数值预报不确定性的重要技术方法（Buizza, 2008; Friederichs and Hense,2008; 陈洪滨和范学花, 2009; 杜钧和陈静, 2010;Zhang et al., 2015），集合预报通过积分略有差异的多个初值或采用多个模式估计预报误差概率分布，提供不确定预报信息（Molteni et al., 1996; 陈静等,2003a Du, 2007; Saito et al., 2012; Huo et al., 2019;段晚锁等, 2019）。大量学者评估了中尺度集合预报对强降水预报不确定性的代表性。早期的研究（Du et al., 1997; Stensrud et al., 1999）表明基于初值的集合预报系统可以提供更为准确的强降水概率预报；Chen and Xue（2009）发展了一种异物理模态初值扰动方法，并应用到中尺度强降水集合预报中，结果表明初始扰动场有合理的中尺度环流结构并能反应对流不稳定区的预报不确定性，且集合预报能显著提高控制预报的降水预报效果；李俊等（2015）采用6种扰动方案对2012年7月21日（“7.21”）北京特大暴雨过程进行了集合预报试验，研究表明所有方案的集合预报相对控制预报在暴雨强度和位置上均有明显改进，为用户决策提供了强降水预报强度及落区不确定性信息。Stensrud et al. (2000)分析了集合预报初值扰动和模式扰动对预报不确定性的相对贡献，表明对小尺度强降水过程，物理扰动可能贡献更大。上述研究均表明中尺度集合预报方法可以有效表征强降水预报的不确定性，但对影响降水预报不确定性的物理机制分析较少，且缺少对我国自主研发的集合预报系统降水预报能力的认识与综合评估。

GRAPES（Global and Regional Assimilation and Prediction Enhanced System）模式是中国科学家自主发展的数值预报系统（Xue and Liu, 2007），2008年国家气象中心启动GRAPES-REPS区域集合预报系统（Global and Regional Assimilation and Prediction Enhanced System-Regional Ensemble Prediction System）研发。本文采用2019年业务化运行的GRAPES-REPS V3.0区域中尺度集合预报模式表征降水预报不确定性，开展了2019年7～9月夏季汛期实时运行试验，从统计检验及个例分析角度对该模式降水预报能力进行了总体评估，与GRAPES-REPS V2.0和国际先进的ECMWF全球集合预报系统降水预报能力进行对比，说明GRAPES-REPS V3.0区域集合预报模式对降水预报价值，并分析了影响降水预报不确定性的物理机制，上述结论可为模式研发人员诊断GRAPES-REPS区域集合预报模式及改进集合预报方法提供依据，同时，可帮助预报员从复杂繁多的集合预报结果中提取有效信息，开展精细化数值预报。

2 集合预报模式系统和检验方法简介

2.1 GRAPES-REPS V3.0模式系统简介

表1给出了GRAPES-REPS V1.0，V2.0，V3.0系统参数配置。GRAPES-REPS V3.0控制预报模式版本采用GRAPES-MESO V4.3，水平分辨率从0.15°提高到0.1°，垂直分辨率为50层。GRAPES-REPS V3.0区域集合预报中控制预报初值和侧边界来源于NCEP-GFS（National Centers for Environmental Prediction-Global Forecast System）全球模式的预报场；初值扰动采用6 h循环计算方案的GRAPES模式面集合变换卡尔曼滤波（Ensemble Transform Kalman Filter, ETKF）（王婧卓等, 2018a）方法，即将集合预报系统的6 h短期预报场构成的预报扰动向量，通过变换矩阵及放大因子转换成当前时刻的分析扰动；模式扰动采用单一物理过程参数化方案与随机物理过程倾向项（Stochastic Perturbed Parameterization Tendencies, SPPT）（袁月等, 2016）组合，以解决原模式中多物理参数化方案降水成员不等同性问题；边界扰动来源于2018年业务化的

表1 GRAPES-REPS V1.0, V2.0和V3.0系统参数对比Table 1 Comparison of the system configurations of GRAPES-REPS V1.0, V2.0, and V3.0

GRAPES-GEPS（Global and Regional Assimilation and Prediction Enhanced System-Global Ensemble Prediction System）全球集合预报系统，即提取GRAPES-GEPS扰动成员相对于自身控制预报的扰动侧边界，并叠加在GRAPES-REPS V3.0的控制预报侧边界上得到集合预报成员的侧边界场；相比于GRAPES-REPS V1.0和GRAPES-REPS V2.0区域集合预报模式，GRAPES-REPS V3.0区域集合预报模式加入了云分析同化技术与条件性台风涡旋重定位技术（吴政秋等, 2020），以期提高短临降水和台风预报能力。集合预报成员数15个，预报区域中国区域，预报时效84 h [00时, 12时（协调世界时，下同）]，6 h（06时, 18时）。

2.2 集合预报统计检验方法

为了评估模式对降水的预报能力，引进了确定性预报检验评分预报偏差BIAS（Donaldson et al.,1975），公平技巧评分ETS（Schaefer, 1990），概率预报检验评分Brier（Brier, 1950），相对作用特征（Relative Operating Characteristic, ROC）（Mason,1979; Swets, 1986），可靠性reliability评分（Bröcker and Smith, 2007）和降水FSS（fraction skill score）评分（Roberts and Lean, 2008; 刘雪晴等, 2020）。检 验 区 域 为 中 国 区 域（15°N～65°N，70°E～140°E）。并针对小雨、中雨、大雨、暴雨和大暴雨事件，给定5个阈值，对于12 h累积降水，分别为0.1、5、15、30、70 mm（12 h）-1；对于24 h累积降水，分别为0.1、10、25、50、100 mm d-1。

（1）降水BIAS评分

降水预报偏差BIAS衡量了预报降水出现频数与观测降水出现频数的比值，是一种二分类要素的检验方法，在某一个格点或是站点上，通过实况判断一个事件发生与否，以检验预报，得到预报准确、空报和漏报，并通过双态联列表（表2）来表示。如公式（1），范围从0到无穷，BIAS＞1，表示模式预报降水范围大于观测降水范围，反之，观测降水范围大于预报降水范围，取1时评分最优。该指标无法衡量预报与观测吻合度，只能计算相对频率。

（2）降水ETS评分

公平TS评分（ETS评分），表达式如下：

其中，a、b、c和d定义如表2。公平ETS评分是衡量观测出现降水与预报出现降水之间的匹配程度，ETS评分的理想值是1，取值范围为-1/3至1，0表示没有技巧。

表2 双态分类联列表Table 2 The binary classification contingency table

（3）Brier评分

Brier评分是集合预报常用的评分方法，表示的是均方概率误差，即集合概率与真实观测概率的偏差，表达式如下：

其中，N为二态分类事件的样本数，Pn是第n个样本点被检验事件（如24 h累积降水）的集合预报概率，其值为0～1。On是第n个样本的观测频率，如果观测大于设定的阈值，则事件发生，值为1，否则为0。Brier范围为0～1，值越小越好，越大表明系统的准确性较差。

对于特定的二分类事件，针对N个样本，Murphy（1973）提出了Brier评分有指导意义的代数分解：

公式（4）右边三项依次为可靠性（reliability）、分辨率（resolution）和不确定性（uncertainty）。其中，K为概率区间数目；ni为第i个概率区间内的样本数；fi为第i个概率区间的预报概率，oi为当预报概率为fi时被检验事件出现的观测频率；为在总样本中被检验事件出现的观测频率。

第一项是可靠性项，它衡量预报中预报值与子样本中检验事件的相对频率之间的差异。对于完美可靠的预报，子样本相对频率恰巧等于每个子样本中的预报概率。对于可靠的或者校准良好的预报，可靠性项将接近于零。该指标是对（5）可靠性曲线的量化，两者表征的物理意义是一致的。

第二项是分辨率项，反应了预报将事件分为不同相对频率子样本的能力。理想情况下，预报将观测分为与总样本气候基本上不同相对频率的子样本。则分辨率项将是一个大值。

第三项是不确定性项，它取决于观测值的变化，不受预报的影响，取值范围0～0.25。

（4）相对作用特征（ROC）曲线及ROC面积（AROC）

相对作用特征（relative operation characteristic，简称ROC）是信号探测理论（Signal Detection Theory）在集合预报中的一种应用。该指标可以衡量预报区分两类事件的能力，即分辨率resolution。

具体计算方法为，根据表2，预报正确为a，漏报为c，空报为b，正确否定为d。从而得出信号探测理论中两个主要的量；假警报率用g表示，命中率用h表示。

将假警报率和命中率在同一坐标中以命中率为纵轴，假警报率为横轴绘制的曲线即为ROC曲线。ROC曲线越接近左上角，系统对事件的预报技巧就越好；越接近于对角线，预报技巧就越差。

AROC是ROC曲线和x轴围成的面积，可作为ROC曲线的技巧评分，集合预报系统对特定阈值事件的判别能力（模式预报事件发生或不发生）的信息。ROC面积取值范围0～1，评分越高，说明系统对降水的分辨能力越好。AROC大于等于0.5说明概率预报有正技巧；完美的预报AROC等于1，没有技巧的预报AROC等于0.5。

（5）可靠性曲线

可靠性曲线描述的是预报概率与观测频率的吻合程度，即把预报概率划分为K等份，计算预报发生的情况下观测出现频率。可靠性曲线越接近于对角线，可靠性越高；曲线在对角线以下，说明预报概率过高，反之说明预报概率过低。

（6）降水FSS评分

其中， 和 分别为观测格点和预报格点的累积降水。因此，邻域范围内预报与观测降水发生概率分别为

O(i,j)F(i,j)

与Brier评分相同，FBS也是一种负向评分指数，即FBS越小，概率预报技巧越高。预报效果最坏的情况下，FBS值最大，即：

因此，可以将FBS评分转换为FSS评分：

FSS评分的取值范围为0到1之间，FSS值为1时表示完美匹配，即概率预报技巧最高，而FSS值为0，则表示完全不匹配，即无预报技巧。

3 统计分析及结果

3.1 GRAPES-REPS V3.0与GRAPES-REPS V2.0区域集合预报降水对比分析

3.1.1 确定性降水预报检验

图1给出了GRAPES-REPS V2.0，GRAPESREPS V3.0区域集合预报模式的0～24 h不同集合成员24 h累积降水ETS评分。由于GRAPESREPS V2.0区域集合预报模式只运行到7月份，故该部分结果均为2019年7月份月平均结果。从图中可见，无论是对小雨、中雨、大雨和暴雨量级降水而言，GRAPES-REPS V2.0不同成员降水ETS评分存在较大的波动（红线），尤以大雨和暴雨量级降水波动最为显著。如对25 mm降水而言，成员6的ETS评分最大，为0.152，成员1的ETS评分最小，为0.098，不同成员降水评分差异较大，说明GRAPES-REPS V2.0区域集合预报系统的多物理组合方案丢失了物理上的一致性，较难满足“成员”等同性需求，且增加了概率计算中处理集合预报成员权重的复杂性。而采用单物理参数化方案的GRAPES-REPS V3.0区域集合预报模式明显改进了成员降水的不等同性，不同成员降水ETS评分较为接近。且与GRAPES-REPS V2.0相比，GRAPES-REPS V3.0区域集合预报降水ETS评分更高，说明GRAPES-REPS V3.0区域集合预报模式观测出现降水与预报出现降水的匹配程度更好，24～48 h和48～72 h累积降水ETS评分分布类似，在这里不再赘述。

图1 GRAPES-REPS V2.0区域集合预报系统（红色），GRAPES-REPS V3.0区域集合预报系统（蓝色）的0～24 h预报时效不同集合成员24h累积降水ETS评分：（a）小雨；（b）中雨；（c）大雨；（d）暴雨。上述为2019年7月1日至7月31日（每日两个起报时次，00时和12时）月平均结果Fig. 1 24-h accumulated precipitation ETS scores of different ensemble members at 0-24-h forecast lead times for the GRAPES-REPS V2.0 regional ensemble prediction system (red) and GRAPES-REPS V3.0 regional ensemble prediction system (blue): (a) Light rain; (b) moderate rain; (c) heavy rain; (d) rainstorm. The above results are monthly averages from 1 to 31 July, 2019 (two forecast initial times a day, 0000 UTC and 1200 UTC)

3.1.2 降水概率预报检验

图2给出了GRAPES-REPS V3.0区域集合预报（图2a1-d1）和GRAPES-REPS V2.0区域集合预报（图2a2-d2）不同邻域半径逐6小时24 h累积降水的FSS评分随预报时效演变。从图中可见，对各种量级降水而言，FSS值均随邻域半径的增加呈增大趋势，但在60 km邻域半径以后，FSS评分增加较为缓慢，故下文中以60 km作为邻域半径比较不同集合预报模式的概率预报技巧。

图2 （a1-d1）GRAPES-REPS V3.0区域集合预报系统和（a2-d2）GRAPES-REPS V2.0区域集合预报系统逐6小时24 h累积降水的不同邻域半径r的FSS评分随预报时效演变：（a1，a2）小雨；（b1，b2）中雨；（c1，c2）大雨；（d1，d2）暴雨。统计时段如图1Fig. 2 Evolution of 24-h accumulated precipitation FSS scores at 6-h intervals with forecast lead times in different neighborhood radiuses r for(a1-d1) the GRAPES-REPS V3.0 regional ensemble prediction system and (a2-d2) the GRAPES-REPS V2.0 regional ensemble prediction system: (a1,a2) Light rain; (b1, b2) moderate rain; (c1, c2) heavy rain; (d1, d2) rainstorm. The statistical periods are the same as those in Fig. 1

图3给出了GRAPES-REPS V2.0区域集合预报（红线）和GRAPES-REPS V3.0区域集合预报（蓝线）邻域半径为60 km时不同降水阈值逐6小时24 h累积降水的FSS评分随预报时效演变。从图中可见，随着预报时效延长，降水FSS评分降低，说明降水概率预报技巧随预报时效延长而下降。对比两个系统的降水FSS评分，我们发现，对小雨量级降水而言，GRAPES-REPS V3.0区域集合预报模式在预报前期（0～30 h预报时效）的降水FSS评分明显高于GRAPES-REPS V2.0；对中雨及暴雨量级降水而言，GRAPES-REPS V3.0基本在所有预报时效的降水FSS评分均高于等于GRAPESREPS V2.0；对大雨量级降水而言，GRAPESREPS V3.0的降水FSS评分明显高于GRAPESREPS V2.0，表明降水预报和观测发生频率更为接近，降水概率预报技巧更高。故综合而言，GRAPES-REPS V3.0区域集合预报系统的降水FSS评分优于GRAPES-REPS V2.0集合预报，展现了较高的概率预报技巧。

图3 GRAPES-REPS V2.0区域集合预报系统（红线）和GRAPES-REPS V3.0区域集合预报系统（蓝线）邻域半径为60 km时逐6小时24 h累积降水的FSS评分随预报时效演变：（a）小雨；（b）中雨；（c）大雨；（d）暴雨。统计时段同图1Fig. 3 Evolution of 24-h accumulated precipitation FSS scores at 6-h intervals with forecast lead times in a 60-km neighborhood radius for the GRAPES-REPS V2.0 regional ensemble prediction system (red) and the GRAPES-REPS V3.0 regional ensemble prediction system (blue): (a) Light rain; (b) moderate rain; (c) heavy rain; (d) rainstorm. The statistical periods are the same as those in Fig. 1

综上所述，GRAPES-REPS V3.0相比于GRAPESREPS V2.0在确定性预报及概率预报技巧上均有明显改进，满足模式升级要求。接下来，将进一步详细对比GRAPES-REPS V3.0区域集合预报与国际先进的ECMWF全球集合预报对中国汛期（2019年7～9月）降水预报效果，进而说明GRAPESREPS V3.0区域集合预报模式降水附加价值。

3.2 GRAPES-REPS V3.0区域集合预报与ECMWF全球集合预报降水对比分析

3.2.1 确定性降水预报检验

图4给出了GRAPES-REPS V3.0区域集合预报系统和ECMWF全球集合预报系统不同集合预报成员的12～24 h预报时效的12 h累积降水ETS评分。GRAPES-REPS集合预报成员数为1个控制预报加上14个扰动成员共15个，而ECMWF全球集合预报成员数为1个控制预报加50个扰动成员共51个。从图中可见，对小雨及暴雨量级降水而言，GRAPES-REPS V3.0区域集合预报的不同成员12～24 h累积降水ETS评分均明显高于ECMWF全球集合预报系统，说明GRAPES区域集合预报的降水预报与观测降水匹配度更高；对中雨量级降水而言，ECMWF降水的ETS评分高于GRAPESREPS V3.0集合预报；对大雨量级降水而言，ECMWF的降水ETS评分与GRAPES区域集合预报模式表现相当或略优。

图4 GRAPES-REPS V3.0区域集合预报系统（蓝色），ECMWF全球集合预报系统（红色）不同集合预报成员12～24 h预报时效的12 h累积降水ETS评分：（a）小雨；（b）中雨；（c）大雨；（d）暴雨。上述为2019年7月1日至9月30日（每日两个起报时次：00时和12时）3个月平均结果Fig. 4 12-h accumulated precipitation ETS scores of different ensemble members at 12-24-h forecast lead times for the GRAPES-REPS V3.0 regional ensemble prediction system (blue) and the ECMWF global ensemble prediction system (red): (a) Light rain; (b) moderate rain; (c) heavy rain;(d) rainstorm. The above results are three-month averages from 1 July to 30 September 2019 (two forecast initial times a day, 0000UTC and 1200UTC)

图5a1-d1给出了不同预报时效的集合平均降水ETS评分。对小雨和暴雨量级降水而言，在所有预报时效内，GRAPES-REPS V3.0集合预报的降水ETS评分均明显优于ECMWF集合预报，如对0～12 h小雨而言，GRAPES-REPS V3.0集合平均降水ETS评分为0.246，相应的ECMWF评分为0.206，改进率为19.4%，对0～12 h暴雨的改进率为22.1%。对中雨量级降水而言，ECMWF集合预报表现更优；对大雨量级降水而言，除预报前期（0～12 h）外，ECMWF集合预报的集合平均降水ETS评分要高于GRAPES区域集合预报系统或与之相当。综上所述，GRAPES-REPS V3.0集合预报的小雨，暴雨集合平均降水ETS评分明显优于ECMWF全球集合预报系统。

图5a2-d2给出了GRAPES-REPS V3.0区域集合预报系统和ECMWF全球集合预报系统不同预报时效的集合平均降水BIAS评分。从图中可见，与ECMWF全球集合预报系统相比，GRAPESREPS V3.0区域集合预报模式可以明显改进集合平均小雨、中雨的空报现象及大雨和暴雨的漏报现象，BIAS评分更接近于1，降水表现更优。故综上所述，GRAPES-REPS V3.0区域集合预报系统降水BIAS评分在所有量级降水内均明显优于ECMWF全球集合预报系统。

3.2.2 降水概率预报检验

图6给出了两个系统的12 h累积降水Brier评分。从图中可见，GRAPES-REPS V3.0区域集合预报小雨量级降水Brier评分明显低于ECMWF全球集合预报系统，如ECMWF全球集合预报模式的0～12 h累积降水的Brier评分为0.257，而GRAPESREPS V3.0区域集合预报模式的评分为0.155，改进率为39.7%，说明GRAPES区域集合预报相比于ECMWF全球集合预报小雨量级降水的集合概率与真实观测概率的偏差更小，集合预报降水概率预报技巧更高。对中雨、大雨和暴雨量级降水而言，ECMWF全球集合预报12 h累积降水的Brier评分比GRAPES区域集合预报模式表现略优，但改进率较低，位于20%以下。故综上所述，GRAPESREPS V3.0和ECMWF集合预报模式的降水概率预报技巧具有一定的可比性，具体表现为GRAPESREPS V3.0区域集合预报模式的小雨量级降水Brier评分明显优于ECMWF全球集合预报模式，而ECMWF全球集合预报模式的中雨、大雨和暴雨概率预报技巧略优于GRAPES-REPS V3.0区域集合预报模式。

为更清楚比较不同集合预报系统降水预报的Brier评分分解项分辨率和可靠性，图7、8分别给出了相对作用特征AROC和可靠性曲线。从图7中可见，对小雨和大雨量级降水而言，GRAPESREPS V3.0集合预报在预报前期及中期（0～36 h）的12 h累积降水AROC评分均明显优于ECMWF全球集合预报系统，这可能是与GRAPES-REPS V3.0区域集合预报模式加入了云分析方案后同化了卫星雷达资料有关；对暴雨量级降水而言，GRAPES-REPS V3.0区域集合预报模式在整个预报时效的AROC评分均高于ECMWF全球集合预报模式。对中雨而言，ECMWF全球集合预报模式对降水的分辨能力更好。

图5 GRAPES-REPS V3.0区域集合预报系统（蓝色），ECMWF全球集合预报系统（红色）不同预报时效的集合平均12 h累积降水（a1-d1）ETS评分和（a2-d2）BIAS评分：（a1，a2）小雨；（b1，b2）中雨；（c1，c2）大雨；（d1，d2）暴雨。统计时段同图4Fig. 5 Ensemble mean 12-h accumulated precipitation (a1-d1) ETS and (a2-d2) bias scores with different forecast lead times for the GRAPES-REPS V3.0 regional ensemble prediction system (blue) and the ECMWF global ensemble prediction system (red): (a1, a2) Light rain; (b1, b2) moderate rain;(c1, c2) heavy rain; (d1, d2) rainstorm. The statistical periods are the same as those in Fig. 4

图8给出了GRAPES-REPS V3.0区域集合预报系统与ECMWF全球集合预报系统12 h累积降水可靠性曲线。从图中可见，对小雨和中雨量级降水而言，GRAPES-REPS区域集合预报模式的可靠性曲线相比于ECMWF全球集合预报模式更接近于对角线，可靠性更高；对大雨及暴雨量级而言，GRAPES-REPS区域集合预报模式的可靠性曲线较ECMWF全球集合预报模式偏离对角线更远，可靠性更低，预报概率在所有预报时效内均明显大于观测频率，GRAPES-REPS V3.0集合预报总体表现为对大雨和暴雨量级降水预报偏大，存在一定的偏差，故从集合预报降水应用角度出发，预报员应该对模式降水结果进行偏差订正再开展预报；从模式研发角度出发，研发人员应该对影响降水的物理过程参数化方案做进一步优化，提高GRAPES-REPS V3.0区域集合预报模式对大量级降水的概率预报效果。

综上所述，GRAPES-REPS V3.0区域集合预报模式和ECMWF全球模式对降水的概率预报具有一定可比性，两者各有优势。具体体现在，GRAPESREPS V3.0区域集合预报模式的小雨Brier评分明显优于ECMWF全球集合预报模式，表现为更高的分辨率和可靠性。而ECMWF全球集合预报模式的中雨、大雨和暴雨的Brier评分表现更优，究其本质，是因为GRAPES-REPS V3.0区域集合预报模式对中雨预报分辨率较低，对大雨和暴雨预报可靠性较低引起。

4 降水个例检验及结果

4.1 降水空间分布特征

以上统计分析结果表明，GRAPES-REPS V3.0区域集合预报模式对中国夏季降水具有相当不错的预报能力。为了更直观评估不同模式对强降水个例的预报能力，下面给出了模式预报与观测的24 h累积降水量时空分布对比图。

图6 GRAPES-REPS V3.0区域集合预报系统（蓝色），ECMWF全球集合预报系统（红色）的12 h累积降水Brier评分：（a）小雨；（b）中雨；（c）大雨；（d）暴雨。统计时段同图4Fig. 6 12-h accumulated precipitation Brier scores for the GRAPES-REPS V3.0 regional ensemble prediction system (blue) and the ECMWF global ensemble prediction system (red): (a) Light rain; (b) moderate rain; (c) heavy rain; (d) rainstorm. The statistical periods are the same as those in Fig. 4

图7 GRAPES-REPS V3.0区域集合预报系统（蓝色），ECMWF全球集合预报系统（红色）的12 h累积降水AROC评分：（a）小雨；（b）中雨；（c）大雨；（d）暴雨。统计时段同图4Fig. 7 12-h accumulated precipitation AROC scores for the GRAPES-REPS V3.0 regional ensemble prediction system (blue) and the ECMWF global ensemble prediction system (red): (a) Light rain; (b) moderate rain; (c) heavy rain; (d) rainstorm. The statistical periods are the same as those in Fig. 4

图8 GRAPES-REPS V3.0区域集合预报系统（实线）和ECMWF全球集合预报系统（短虚线）的12 h累积降水可靠性曲线（横坐标为预报概率，表示为对某类降水事件，预报出现降水的集合成员数与总集合成员数比值。纵坐标为观测频率，表示在该预报概率下，观测出现降水的格点数与预报出现降水的格点数之比）（蓝色：小雨，红色：中雨，绿色：大雨，紫色：暴雨）：（a1，a2）12～24 h预报时效的12 h累积降水;（b1，b2）36～48 h预报时效的12 h累积降水；(c1，c2) 60～72 h预报时效的12 h累积降水。统计时段同图4Fig. 8 12-h accumulated precipitation reliability diagrams (Horizontal coordinate is forecast probability, which is expressed as the ratio of the ensemble member numbers for predicted precipitation to the total ensemble member numbers for the certain precipitation events. Vertical coordinate is observation frequency, which is expressed as the ratio of the grid numbers for observed precipitation to the grid numbers for predicted precipitation under the corresponding forecast probability) for the GRAPES-REPS V3.0 regional ensemble prediction system (solid line) and the ECMWF global ensemble prediction system (short dashed line): (a1, a2) 12-h accumulated precipitation at 12-24-h forecast lead times; (b1, b2) 12-h accumulated precipitation at 36-48-h forecast lead times; (c1, c2) 12-h accumulated precipitation at 60-72-h forecast lead times. Blue: light rain, red: moderate rain,green: heavy rain, and purple: rainstorm. The statistical periods are the same as those in Fig.4

图9为2019年8月4日12:00起报的12～36 h预报时效的24 h累积降水量实况图（图9a），GRAPES-REPS V3.0区域集合预报（图9b1，b2），ECMWF全球集合预报（图9c1，c2）的集合平均（图9b1，c1）与大于或等于50 mm（图9b2，c2）降水概率预报图。本次降水主雨带位于四川省地区，降水区域呈东北—西南走向，最大降水量达到大暴雨量级，位于乐山市中区凌云乡，24 h累积降水量达到382.8 mm。对比集合平均与大于等于50 mm降水概率预报分布图可见，ECMWF全球集合预报系统对降水雨带走向预报较好，但暴雨落区存在明显的偏差。GRAPES-REPS V3.0区域集合预报系统的集合平均与暴雨概率预报结果对此次降水雨带位置、落区及强度预报相对较好，报出了两个大值中心。故综上所述，相比于ECMWF预报的平滑降水带，GRAPES-REPS V3.0对降水的细节捕捉能力更强，无论从雨带的走向、形状、位置及强度均有良好的表现，且GRAPES-REPS V3.0区域集合预报系统可提前12 h预报出此次降水，故GRAPESREPS V3.0区域集合预报系统对此次降水预报能力较好。

图9显示GRAPES-REPS V3.0区域集合预报系统与ECMWF全球集合预报系统对此次四川省强降水个例预报存在不确定性，下面具体分析引起此次强降水预报不确定性的物理机制。通过对不同高度层不同时刻环流形势分析（图略），发现此次降水过程是受高空槽和低层切变线、低涡共同影响，对比ECMWF全球集合预报模式和GRAPES-REPS V3.0区域集合预报模式降水预报结果，从大尺度环流形势场（500 hPa高度场）很难分析出降水雨带的差异，故我们着重分析引起此次强降水过程的中尺度天气系统。

图9 2019年8月4日12:00起报的12～36 h预报时效的24 h累积降水量（a）实况（单位：mm），（b1，c1）集合平均降水量分布（单位：mm），（b2，c2）大于或等于50 mm降水概率预报。（b1，b2）GRAPES-REPS V3.0区域集合预报系统，（c1, c2）ECMWF全球集合预报系统Fig. 9 24-h accumulated precipitation at 12-36-h forecast lead times initialized from 1200 UTC 4 August 2019: (a) Observed precipitation (units:mm); (b1, c1) ensemble mean precipitation (units: mm); (b2, c2) probability of 24-h accumulated precipitation greater or equal to 50 mm. (b1, b2)GRAPES-REPS V3.0 regional ensemble prediction system, (c1, c2) ECMWF global ensemble prediction system

图10给出了2019年8月4日12:00起报的0 h预报时效集合平均环流形势分布图，从700 hPa风场及涡度场（图10a1，a2）分析可见，在初始时刻，GRAPES-REPS V3.0区域集合预报模式在西藏与四川交界处存在一个闭合的低压环流中心（图10a1中标注“D”区域），而ECMWF全球集合预报模式在该区域存在一个气旋性切变线，没有形成闭合的环流中心，这可能是与ECMWF全球集合预报模式分辨率较低，对中尺度天气系统分辨率不高引起，另外，两个集合预报模式对初始时刻700 hPa涡度场预报较为相似，在四川省正涡度区较为吻合，但GRAPES-REPS V3.0区域集合预报模式对涡度场预报比ECMWF全球集合预报模式更为精细。另外，沿实况降水量分布主雨带做个剖面（图9a白色直线），给出了涡度场（图10b1，b2）和假相当位温场（图10c1，c2）垂直分布，从图中可见，两个集合预报系统在（29°N，103.5°E）至（31.7°N，105.3°E）区间表现一致，均在中低层存在明显的正涡度，同时，两个系统在对流层中低层假相当位温随高度是降低的，属于位势不稳定层结。结合动力场和热力场，两个集合预报模式在0～3 h预报的累积降水量大值区域分布也较为一致，主要集中在（29°N，103.5°E）至（31.7°N，105.3°E）区间，GRAPES-REPS V3.0区域集合预报模式在（30.8°N，104.7°E）处正涡度存在大值区，故相应降水量级较大。

故综合而言，两个集合预报系统在初始时刻环流形势分布较为相似，只是分辨率较高的GRAPESREPS V3.0区域集合预报模式对中尺度天气系统分辨率更高。

图11给出了2019年8月4日12:00起报的12 h预报时效集合平均结果。从700 hPa环流形势（图11a1，a2）图可见，低涡逐渐发展，并向东移动，GRAPES-REPS V3.0区域集合预报模式最大涡度中心达到了1.5×10-4s-1。沿着24 h累积降水雨带的涡度剖面图可见，GRAPES-REPS V3.0区域集合预报系统在（33.05°N，106.2°E）以南区域均为正涡度区域，且涡度发展较深，有些区域发展到了500 hPa高度层（图11b1），而ECMWF全球集合预报系统正涡度分布区域偏南，且涡度量级较小（图11b2）。从假相当位温与垂直速度剖面图可见，GRAPES-REPS V3.0区域集合预报系统在（29.9°N，104.1°E）至（32.6°N，105.9°E）区域内存在位势不稳定层结，且该区域有较强的上升运动，垂直速度量级及覆盖层次较大，动力和热力共同作用使得12～15 h累积3 h降水强度较大，且存在两个强降水大值区域，与图9b1中集合平均降水量两个大值中心相吻合，而ECMWF全球集合预报模式位势不稳定区域主要分布在（29.9°N，104.1°E）至（30.8°N，104.7°E），配合垂直速度和涡度场分布，3 h累积降水量大值区域也位于此，与图9b2中ECMWF集合平均降水雨带分布类似。相比于ECMWF全球集合预报模式，GRAPES-REPS V3.0区域集合预报模式垂直速度与正涡度量级较大，故引起降水量级也较大。两个集合预报系统随预报时效演变的环流形势与降水分布也是对应的（图略）。

故不同集合预报系统通过中尺度特征物理量不确定性来捕捉降水预报的不确定性。在初始时刻，两个集合预报系统环流形势分布较为类似，中尺度特征物理量不确定性主要体现在随预报时效演变阶段，相比于ECMWF全球集合预报模式，GRAPESREPS V3.0区域集合预报模式对中尺度天气系统捕捉更为准确，相应的集合平均与概率预报降水雨带位置和强度与实况更为接近。

图10 2019年8月4日12:00模式起报的集合平均（a1，a2）0 h预报时效的环流形势（阴影：700 hPa涡度场，单位：10-5 s-1，蓝色：700 hPa风向杆）；（b1-d1，b2-d2）沿图9a白色直线 [过（29°N，103.5°E）和（33.5°N，106.5°E）两点直线] 的剖面，其中（b1，b2）0 h预报时效的涡度场（阴影，单位：10-5 s-1），（c1，c2）0 h预报时效的假相当位温场（阴影，单位：K），（d1，d2）0～3 h预报时效的3 h累积降水量（单位：mm）。（a1-d1）GRAPES-REPS V3.0区域集合预报模式，（a2-d2）ECMWF全球集合预报模式Fig. 10 Ensemble mean circulation situation diagrams initialized from 1200 UTC 4 August 2019. (a1, a2) Shaded circulation pattern at 00 h forecast lead time: vortex field at the 700-hPa level (units: 10-5 s-1), blue: wind-direction shaft at the 700-hPa level; (b1-d1, b2-d2) The cross section along the white line in Fig. 9a [crossing (29°N，103.5°E) and (33.5°N，106.5°E) points), where (b1, b2) the vortex field at 00 h forecast lead time (shaded,units: 10-5 s-1), (c1, c2) pseudo-equivalent potential temperature at 00 h forecast lead time (shaded, units: K), (d1-d2) The 3-h model forecasted accumulated precipitation (units: mm) at 0-3-h forecast lead times. (a1-d1) GRAPES-REPS V3.0 regional ensemble prediction system and (a2-d2)ECMWF global ensemble prediction system

图11 同图10，但为2019年8月4日12:00模式起报的集合平均结果：（a1-c1，a2-c2）12 h预报时效，其中（c1, c2）等值线：大于0 m s-1的垂直速度（单位：m s-1），（d1-d2）12～15 h预报时效Fig. 11 Same as Fig. 10, but for the ensemble mean results initialized from 1200 UTC 4 August 2019: (a1-c1, a2-c2) at 12 h forecast lead time,where (c1, c2) is contour: vertical wind exceeding 0 m s-1 (units: m s-1), (d1-d2) at 12-15-h forecast lead times

4.2 降水时间分布特征

对模式的综合评估，除了要关注降水个例的空间分布外，还需关注降水的时间分布特征。针对图9四川省降水个例，发现观测强降水中心主要有两个，分别位于区域A（30.3°N～33°N，103°E～106.5°E）和 区 域B（28.3°N～30.3°N，101°E～105.5°E）（图9a中红色长虚线标注区域），选取这两个区域作为降水研究区域。图12分别给出了2019年8月4日12:00起报的区域A和区域B格点平均的集合成员6 h累积降水时间演变曲线和对应观测降水。由于GRAPES-REPS V3.0区域集合预报模式和ECMWF全球集合预报模式的集合成员数存在差异，但对比发现，ECMWF全球集合预报系统的15个集合成员与更多成员预报结果是一致的，故为对比方便及图形简单，图12均给出了不同集合预报模式前15个集合预报成员的结果。我们从图中可见，对区域A而言，GRAPES-REPS V3.0区域集合预报模式所有成员大体可以模拟出此区域降水发生、发展、演变过程，集合成员逐6 h累积降水量与观测降水量较为吻合，但ECMWF全球集合预报模式降水演变与实况相差较大，降水峰值出现时间相差24 h，预报前期模式预报降水强度小于观测降水强度，预报后期模式预报降水强度偏大，降水持续时间较长；对区域B而言，GRAPESREPS V3.0区域集合预报模式降水演变与实况较为接近，但量级存在一定的差异，而ECMWF全球集合预报模式在区域B降水峰值时段内（30～36 h预报时段），模式预报降水量级明显小于观测降水量级，结合两个集合预报模式逐6 h累积降水量邮票图（图略），我们发现这可能是由于GRAPESREPS V3.0区域集合预报模式预报降水与观测降水区域较为吻合，而ECMWF全球集合预报模式预报降水较观测降水位置存在一定偏差引起的。故综上所述，相比于ECMWF全球集合预报模式，GRAPES-REPS V3.0区域集合预报模式集合成员可以较为准确地预报此次四川省两个降水雨带的发生、发展、消亡过程。

图12 2019年8月4日12:00起报的（a1，a2）区域A（30.3°N～33°N，103°E～106.5°E）和（b1，b2）区域B（28.3°N～30.3°N，101°E～105.5°E）平均的6 h累积降水量随预报时效的演变（蓝色实线：控制预报，黑色虚线：集合成员）及相应时效的观测（红色实线，单位：mm）。（a1，b1）GRAPES-REPS V3.0区域集合预报系统，（a2，b2）ECMWF全球集合预报系统Fig. 12 Evolution of (a1, a2) domain-A averaged (30.3°N-33°N, 103°E-106.5°E) and (b1, b2) domain-B averaged (28.3°N-30.3°N, 101°E-105.5°E)6-h accumulated precipitation with forecast lead times initialized from 1200 UTC 4 August 2019 (blue solid line: control forecast, black dashed line:ensemble members) and the observation in corresponding times (red solid line, units: mm). (a1, b1) GRAPES-REPS V3.0 regional ensemble prediction system, (a2, b2) ECMWF global ensemble prediction system

5 结论与讨论

本文采用降水确定性预报评分ETS，BIAS和概率预报评分Brier，AROC，可靠性曲线和降水FSS评分对GRAPES-REPS V2.0，ECMWF全球集合预报系统和GRAPES-REPS V3.0区域集合预报系统在中国区域夏季降水预报不确定性进行评估，并通过典型代表个例分析降水时空分布特征及引起降水预报不确定性的物理机制。主要结论如下：

（1）GRAPES-REPS V2.0区域集合预报与GRAPES-REPS V3.0区域集合预报降水统计分析结果显示，GRAPES-REPS V3.0在所有量级及预报时效的降水ETS评分均明显高于GRAPES-REPS V2.0系统，且集合成员降水具有明显的等同性。GRAPES-REPS V3.0的降水FSS评分高于GRAPESREPS V2.0，降水概率预报技巧更高。

（2）GRAPES-REPS V3.0区域集合预报与ECMWF全球集合预报统计分析结果显示，GRAPESREPS V3.0区域集合预报的集合平均降水BIAS评分及小雨和暴雨ETS评分均明显优于ECMWF全球集合预报，降水概率预报结果与ECMWF全球集合预报系统降水概率具有一定的可比性，各有优势。

（3）个例分析结果表明，不同集合预报模式通过中尺度特征物理量不确定性捕捉降水预报不确定性，相比于ECMWF全球集合预报系统，GRAPESREPS V3.0区域集合预报模式对中尺度天气系统捕捉更为准确，使得降水雨带走向、形状、位置及强度预报更好，概率预报效果更优。同时，GRAPESREPS V3.0区域集合预报模式集合成员对降水个例的发生、发展、消亡预报较好，与观测较为接近。

统计分析及个例研究结果均表明，GRAPESREPS V3.0区域集合预报模式对中国汛期降水具有很强的预报能力，这也是首次将GRAPES-REPS区域集合预报模式与ECMWF全球集合预报模式进行对比。本文研究结果只是帮助我们认识不同集合预报模式开展中尺度降水预报不确定性的特点及效果，并分析了引起降水预报不确定性的物理机制，研究结果可为预报员从众多集合预报结果中提取有效信息开展中尺度数值预报提供依据，同时为研发人员诊断模式及发展集合预报方法提供一定的参考。当然，要作好降水的集合预报，还需进一步从引发降水预报误差来源出发构造更为合理的集合预报扰动方法，捕捉动热力场不确定性。

另外，值得指出的是，集合预报系统分辨率越高，对中小尺度系统捕捉能力越好，目前10 km区域集合预报系统仍采用物理参数化方案代表次网格尺度物理过程，存在一定的不确定性，研究3 km对流尺度集合预报系统至关重要，如何捕捉小尺度误差源特征，中尺度系统的扰动方法是否适用于对流尺度集合预报系统是需深入探索的问题。同时，目前GRAPES集合预报模式分为全球和区域两个版本，未来加入对流尺度集合预报系统，模式开发及维护成本会较大，开发全球区域对流尺度一体化集合预报模式也是未来发展趋势。