多物理过程对流可分辨集合预报中不同方案在四川盆地东部降水预报效果评估*

叶 茂 吴 钲 高 松 陈贵川 翟丹华

1 重庆市气象科学研究所，重庆 401147 2 重庆市气象台，重庆 401147

提 要：利用四川盆地东部站点观测数据和对流可分辨集合预报系统模式数据，评估了该系统各成员及不同物理过程参数化方案在2017—2019年4—9月的降水预报效果。结果表明：概率匹配平均和集合平均相比于各个集合成员存在明显的预报优势。Kain-Fritsch(KF)和Betts-Miller-Janjic(BMJ)积云参数化方案的预报效果相对较好，Grell 3D ensemble(G3)方案在48 h 之后的临界成功指数(critical success index，CSI)评分偏低。Thompson和Morrison微物理参数化方案对小雨量级降水的预报效果较好，WRF Single-Moment 6-class(WSM6)方案对中雨量级降水的预报效果较好，三种方案对大雨和暴雨量级降水的预报效果相当。Mellor-Yamada-Janjic(MYJ)和Mellor-Yamada-Nakanishi-Niino(MYNN)边界层方案的CSI评分相对较高，Yonsei University(YSU)方案在48 h之后的预报评分较低，但YSU方案多和G3方案搭配使用，其评分偏低主要受G3方案影响。各参数化方案均能把握四川盆地东部的降水分布特征，但对华蓥山、武陵山和大娄山的降水存在高估，对渝中至渝东北的降水存在低估。四川盆地东部的降水预报对积云参数化方案最为敏感。将一个成员的G3方案调整为KF方案后，降水预报评分显著提升，且集合离散度有所增加，概率预报技巧得到提高。

引 言

20世纪90年代以来，集合预报技术得到迅速发展和广泛应用，在中短期数值天气预报中发挥着重要作用。全球和区域集合预报技术已相对成熟(陈静等，2005；Ferranti et al，2015)，随着高性能计算机的发展和对灾害性天气预报技术需求的提升，高分辨率的对流尺度集合预报引起越来越多的关注(Baldauf et al，2011；Schwartz et al，2015；Golding et al，2016；Mengaldo et al，2019)。Clark et al(2012)、Duc et al(2013)、Schellander-Gorgas et al(2017)、王璐和沈学顺(2019)研究表明，对流可分辨集合预报能显著提升区域降水强度和强降水落区的识别能力，在降水日变化、对流系统发生发展等方面提供了更准确的指示信息。四川盆地受东亚季风系统、孟加拉湾西南气流、西南涡、高原涡等多尺度天气系统和青藏高原、盆地周边多尺度地形的共同影响，暴雨灾害多发且预报难度大(李强等，2020；方德贤等，2020)，因此重庆市气象局建立了一个多初值、多物理过程的对流可分辨集合预报系统，以期提高四川盆地东部地区的降水预报能力。

李俊等(2015)、Snook et al(2019)、包慧濛等(2019)和徐致真等(2019)研究表明，物理过程方案对降水有显著影响。Zhang et al(2006)开展了不同模式分辨率、初始条件、边界条件和物理过程参数化的集合研究，结果表明积云对流参数化方案在夏季极端降水集合研究中发挥着重要作用。Zhu and Xue(2016)通过采用多种物理过程参数化的对流可分辨集合预报系统对北京“7·21”极端降水事件进行模拟研究，结果表明相比于区域平均降水量，降水极值和落区对物理过程参数化方案更为敏感。许建玉(2018)对鄂东一次暖区暴雨过程的模拟表明，不同边界层方案主要通过影响强对流触发造成短时强降水的模拟差异。以上研究推动了物理过程参数化方案的改进和发展，但由于参数化方案具有很强的区域性，不同方案对降水发生时间、地点、强度的预报存在差异，不同学者的研究结果也并不一致(Giorgi et al，1993；潘劲松等，2002；杨扬等，2021)。

对于一个完美的集合预报，不同集合成员的预报能力是相当的，但由于集合成员同时采用了不同积云对流、微物理和边界层等复杂物理过程的参数化方案，不同成员的预报性能会受方案影响而产生一定差别。基于以上考虑，本文评估了2017—2019年4—9月的对流可分辨集合预报系统各成员以及不同物理过程参数化方案在四川盆地东部的降水预报效果，旨在理解不同物理过程参数化方案的预报性能和影响能力，为提高集合数值预报在四川盆地东部的预报能力提供一些参考。

1 系统和方法

1.1 集合预报系统

以WRF-ARWv3.5.1模式为基础构建集合预报系统，垂直方向共分为51层，水平方向采用3层单向嵌套网格，分辨率分别为27、9、3 km。3 km网格距区域满足对流尺度预报模式的高分辨率要求(Clark et al，2009)，未使用积云对流参数化方案，可以显式地表征对流。最外层区域覆盖了中国及周边地区，最内层区域从青藏高原以东延伸至长江中下游平原以西(24.5°～34.5°N、99°～113°E)。系统每日于08时和20时(北京时，下同)启动，预报时效为96 h。本文的检验评估工作主要针对最内层3 km网格距区域进行，检验时效为24～96 h。

本系统共设计11个集合成员，采用不同的初值和物理过程参数化方案组合。为体现初值的不确定性，采用美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)提供的0.5°×0.5°分辨率的全球预报系统(Global Forecast System，GFS)和1°×1°分辨率的全球集合预报系统(Global Ensemble Forecast System，GEFS)驱动各集合成员。成员m00为控制预报，背景场和侧边界条件来自GFS；其余10个集合成员的背景场和侧边界条件来自随机选择的10个GEFS扰动成员。为体现模式物理过程的不确定性，各集合成员采用不同的积云对流、微物理、边界层参数化方案组合，具体包括KF、BMJ、G3三种积云对流参数化方案，Thompson、Morrison和WSM6三种微物理参数化方案，MYNN、MYJ和YSU三种边界层方案(表1)。

表1 集合系统各成员的物理过程参数化方案

1.2 资料和方法

利用对流可分辨集合预报系统在2017—2019年4—9月的逐日20时起报的模式数据及相应的观测数据进行检验评估和综合分析，检验要素为24 h累计降水。具体检验区域为四川盆地东部，该区域自西向东地形错综复杂，依次是川东平原、大巴山山脉、巫山山脉、大娄山山脉以及长江中下游平原西部等地区。检验针对此区域内的7 213个观测站点进行(图1)，观测数据经过气象资料业务系统(Meteo-rological Data Operatuional System,MDOS)质量控制(李奇临等，2018)。

图1 检验站点分布

模式检验工具(model evaluation tools，MET)是美国国家大气研究中心(National Center for Atmospheric Research，NCAR)数值预报发展试验中心(Developmental Testbed Center，DTC)研发的数值预报检验、评估系统(Brown et al，2009)。基于MET计算了24 h累计降水在小雨(≥0.1 mm)、中雨(≥10 mm)、大雨(≥25 mm)和暴雨(≥50 mm)量级的临界成功指数(critical success index,CSI)和频率偏差(frequency bias，FBIAS)评分(Gandin and Murphy，1992)。所有模式预报数据均采用临近点插值方法匹配到观测站点，并通过1 000次随机取样的bootstrap方法计算了2.5%～97.5%的0.05显著性水平检验区间(Pan et al，2014)。

2 集合预报成员的降水预报效果

为了全面了解对流可分辨集合预报系统对四川盆地东部降水的预报性能，首先对各集合成员及其集合平均、概率匹配平均的降水预报效果进行检验评估(图2)。概率匹配平均的降水预报效果整体优于集合成员，集合平均对小雨至大雨量级降水的预报效果也好于多数集合成员，说明集合预报对提高预报准确率有显著作用。但集合平均的暴雨量级降水预报评分相对多数集合成员偏低，这是因为平滑作用造成强降水区的减小(李俊等，2010；傅娜等，2013；杜钧和李俊，2014)。在11个集合成员中，由GFS驱动的控制预报的预报评分较高，这是因为相比于GEFS驱动场，GFS的初值是统计意义上分析最优的结果，其初始误差在统计意义上更小，提供了最可能的真实大气分布；由GEFS驱动的10个成员间的评分差异在小雨和中雨量级随时效逐渐增大，而在大雨和暴雨量级随时效的变化特征不明显，闵锦忠和吴乃庚(2020)指出对流尺度强天气个例中小尺度扰动受湿对流影响会造成误差快速增长，对于对流尺度强天气带来的暴雨过程，参数化方案差异造成的误差也会由于湿对流过程快速增长，从而显示出与预报时效不相关的特征，而小雨量级降水更多受大尺度天气系统强迫，误差在短期内近线性增长，因此显示出随预报时效线性增加的特征。

图2 集合成员及其集合平均和概率匹配平均对(a，d，g,j)2017年，(b,e,h,k)2018年和(c,f,i,l)2019年4—9月的24 h累计降水不同预报时效的(a～c)小雨，(d～f)中雨，(g～i)大雨,(j～l)暴雨量级的CSI评分(短竖线为2.5%～97.5%的bootstrap显著性检验区间)

3 不同物理过程参数化方案的降水预报效果

3.1 积云参数化方案的降水预报效果

积云对流参数化方案通过局地温度扰动影响垂直运动，对降水模拟非常重要(陈静等，2003)。虽然模式最内层区域可以显式表征对流，但外层区域设置的积云对流参数化方案会通过边界影响最内层的降水。本文评估的2017—2019年，GEFS是通过EnKF同化方案来进行模式初始化，并采用了SPPT、SKEB、SHUM等随机扰动物理过程(Zhou et al，2017)，因此可以认为GEFS驱动的集合成员的初始扰动具有相同分布特征，不同成员初值场的预报性能在统计意义上相当。基于以上考虑，对GEFS驱动的m01～m10这10个成员展开分析，通过对采用相同积云参数化方案的成员的预报评分进行平均来评估该方案在四川盆地东部的降水预报效果，并利用bootstrap方法进行显著性检验。

图3为不同积云参数化方案的降水预报CSI评分，评分随降水量级的增加而逐渐降低，方案之间的评分差异在48 h之后更为显著。相比于2017年，三种方案对2018年和2019年的评分有所下降，尤其对2019年暴雨量级降水的评分偏低，这和天气形势以及GEFS预报场的年际变化有关。对于小雨量级降水，KF和BMJ方案的预报评分较高，其中BMJ方案对2018年和2019年的降水预报更具优势，在48 h之后的评分始终最高，而G3方案的预报评分相对较低，48 h之后在0.05显著性水平检验上显著低于KF和BMJ方案。对于中雨和大雨量级降水，三种方案在前48 h的评分接近，之后整体呈现BMJ方案最高、KF次之、G3最低的评分分布特征。对于暴雨量级降水，2017年的前48 h预报以KF方案最好，之后以BMJ方案最好，G3方案的评分在48 h之后偏低；2018年的前72 h预报以KF方案最好，之后以BMJ方案最好，G3方案的评分在72 h显著偏低；2019年的预报以BMJ方案最好，KF方案次之，G3方案的评分在48 h之后偏低。

图3 不同积云参数化方案对(a,d,g,j)2017年,(b,e,h,k)2018年和(c,f,i,l)2019年4—9月的24 h累计降水不同预报时效(24～96 h)的(a～c)小雨,(d～f)中雨,(g～i)大雨,(j～l)暴雨量级的CSI评分(黑色实线为2.5%～97.5%的bootstrap显著性检验区间)

进一步对比观测以及各方案预报的24 h累计降水分布(图4)。上述研究表明，方案之间的预报差异在48 h之后更为显著，因而主要对比不同方案60 h时效的预报结果。由观测可见，降水分布存在年际差异。2017年的降水呈东多西少的分布形式，渝东北至鄂西南、渝东南至湘西北的降水偏多，四川盆地西部的降水相对较少。2018年的降水大值区主要位于龙门山、大巴山脉和武陵山脉，盆地和丘陵地区的降水相对较少。2019年的降水分布较为分散，大值区主要位于大巴山脉、黔渝交界处以及湘西北，巫山至鄂西的降水偏少。

图4 (a，d，g,j)2017年,(b,e,h,k)2018年和(c,f,i,l)2019年4—9月的(a～c)观测以及(d～f)KF,(g～i)BMJ和(j～l)G3方案60 h预报时效的24 h累计降水分布

由图4d,4g,4j可见，三种方案大体模拟了2017年东多西少的降水分布特征，但对东部的降水大值区有所低估，尤其G3方案预报的降水偏少，而对西部的降水低值区有所高估，尤其BMJ方案预报的降水偏多。三种方案均沿华蓥山、武陵山和大娄山预报了东北—西南走向的虚假强雨带，说明模式过强地体现了地形的作用。图4e,4h,4k为预报的2018年降水分布，各方案对渝中至渝东北的降水存在低估，对其余地区的降水存在高估，在海拔高度较高的山区高估明显。图4f,4i,4l为预报的2019年降水分布，各方案预报的降水大值区由米仓山西移至摩天岭附近，对湘西北的降水大值区存在漏报。总体而言，各方案能够把握降水空间分布特征，但预报的降水落区和量级与观测存在一定偏差。结合各方案对2017—2019年4—9月的24 h累计降水的FBIAS评分可见(图略)，BMJ方案预报的降水整体偏多(FBIAS评分大于1)，G3方案预报的降水整体偏少(FBIAS评分小于1)，KF方案预报的降水频率和观测更为吻合(FBIAS评分最接近1)。

3.2 微物理参数化方案的降水预报效果

研究表明，微物理过程对降水模拟十分重要(马严枝等，2012；滕方达等，2020)。无论在中小尺度模式还是在全球尺度模式中，云和降水的微物理过程方案都决定着定量降水预报的准确性。本系统采用了Thompson、Morrison和WSM6三种微物理参数化方案(表1)，对采用相同微物理参数化方案的成员的预报评分进行平均，从而评估该方案在四川盆地东部的降水预报效果。

图5为各方案的降水预报CSI评分，评分随降水量级的增加而降低，且2017年的评分整体高于2018年和2019年。各微物理参数化方案均有一定的预报优势，对于小雨量级降水，Thompson和Morrison方案的评分较高且接近，WSM6方案的评分相对较低；对于中雨量级降水，WSM6方案的评分相对较高，尤其在48 h之后的评分偏高；对于大雨和暴雨量级降水，2017年前48 h预报以Morrison方案评分最高，之后以WSM6方案评分最高，2018年和2019年不同方案的评分较为接近，方案之间的评分差异在0.05显著性水平内并不显著。

图5 同图3，但为不同微物理参数化方案的CSI评分

考虑到不同微物理参数化方案搭配了不同的积云和边界层参数化方案(表1)，为了验证这一结论是否受其他方案的影响，对比了成员m03、m10和m07的预报效果。m03、m10和m07分别采用了Thompson、Morrison和WSM6微物理参数化方案，而其他参数化方案的设置完全一致。由这三个成员的降水预报CSI评分可以得到和图5类似的结论(图略)，说明对采用相同参数化方案的成员评分进行平均的分类方法对于长期统计检验是可行的。

由图6可见，Thompson和Morrison方案预报的降水分布特征较为一致，WSM6方案预报的降水相对较多。三种方案对渝中至渝东北的降水存在低估，在华蓥山、武陵山和大娄山预报了虚假的强雨带，尤其WSM6方案过强地体现了山地地形的作用。

3.3 边界层方案的降水预报效果

行星边界层直接受下垫面影响，其中的湍流垂直交换十分显著，合理地描述边界层对降水模拟非常重要(王璐璐等，2020)。本系统采用了MYNN、MYJ和YSU三种边界层方案，对采用相同边界层方案的成员的预报评分进行平均，以此探讨该方案在四川盆地东部的降水预报效果。

图7为各方案的降水预报CSI评分，评分随降水量级的增加而降低，小雨量级降水的预报评分介于0.40～0.65，暴雨量级降水的预报评分下降至0.05～0.15，且各方案在2018年和2019年的评分低于2017年，说明各方案对暴雨量级降水以及降水年际变化的把握能力还有待提高。对于小雨量级降水，MYJ和MYNN方案的评分相对较高，其中MYJ方案在2018年和2019的预报效果更好，而YSU方案的评分在2017—2019年均偏低。对于中雨和大雨量级降水，2017年前48 h预报以MYNN方案最好，之后以MYJ方案最好，YSU方案在48 h之后评分偏低；2018年和2019年MYNN和MYJ方案的预报评分接近且高于YSU方案，评分差异在48 h之后更显著。对于暴雨量级降水，2017年前48 h的评分以MYNN方案最高、YSU方案次之、MYJ方案最低，之后以MYJ方案最高、MYNN方案次之、YSU方案最低；2018年72 h时效的评分以YSU方案最低，其余时效的方案之间无显著的评分差异；2019年以MYJ方案的评分最高，YSU方案的评分在48 h之后偏低。

王晨稀和端义宏(2003)的研究指出，边界层方案对降水的影响小于积云参数化方案。由表1可见，本系统中选用YSU边界层方案的成员有m02、m03、m07和m10，其中m03、m07和m10均采用G3积云参数化方案。那么m02、m03、m07和m10平均后得到的低评分主要受YSU方案的影响，还是受G3方案的影响？

为了探讨YSU和G3方案对降水预报效果的影响，对比分析成员m02、m05和m10的CSI评分(图8)。m02和m05分别采用YSU和MYNN边界层方案，m02和m10分别采用KF和G3积云参数化方案，其他参数设置完全一致(表1)。由图8可见，m02与m10的评分分布与图3呈现的KF和G3方案的评分分布相似，m02的评分整体高于m10，进一步验证了KF方案预报效果优于G3方案这一结论。而相对于图7呈现的YSU方案显著低于MYNN方案的评分分布，图8中m02和m05的评分差异有所减小，m02的评分甚至高于m05，可见YSU方案本身的预报效果并不差，m02、m03、m07和m10平均后的评分偏低主要受G3方案的影响。

图7 同图3，但为不同边界层方案的CSI评分

图8 同图3，但为成员m02,m05和m10的CSI评分

图9为三种边界层方案预报的24 h累计降水。MYNN、MYJ和YSU方案预报的降水分布和观测较为一致，但对降水落区和量级的把握还不够准确，对研究区域西部的降水有所高估，尤其MYJ方案预报的降水偏多，主要偏差位于大巴山脉、华蓥山和大娄山；对东部的降水有所低估，尤其YSU方案预报的降水偏少，主要偏差位于渝中至渝东北地区。

图9 同图4，但为(a～c)观测以及(d～f)MYNN，(g～i)MYJ和(j～l)YSU方案

4 参数化方案敏感性试验

为了更直观地对比积云、微物理、边界层参数化方案的预报差异，绘制了各方案的CSI评分散点分布(图10)。可见KF或BMJ方案的预报评分在各年份均为最高，而G3方案的预报评分在各年份始终为最低，即积云参数化方案的评分离散度大于边界层和微物理参数化方案，这一现象在中雨至暴雨量级降水预报中更明显，说明降水预报对积云参数化方案最敏感，这和Jankov et al(2005)的研究结论一致。

图10 积云(CU)、微物理(MP)、边界层(PBL)参数化方案对2017—2019年4—9月的24 h累计降水60 h预报时效的(a)小雨，(b)中雨，(c)大雨，(d)暴雨量级的CSI评分

进一步分析不同积云参数化方案预报差异的可能原因。利用研究区域内的7个探空站点，通过临近点插值的方法对比KF、BMJ和G3方案预报的850 hPa风速值与观测的平均绝对误差(表2)。G3方案预报的风速与观测的误差较大，有4个站点的纬向和经向风速误差大于KF和BMJ方案。图11为不同积云参数化方案预报的850 hPa水汽通量和水汽通量散度，可见三种方案预报的空间分布基本一致，均与地形密切相关。南方的水汽向北输送，水汽通量在盆地辐散，而在大巴山、华蓥山和武陵山脉辐合。由预报差值场可见，相对于KF和BMJ方案，G3方案预报的经向水汽通量偏弱，在盆地的辐散和山地的辐合都偏弱，因此其预报效果相对较差。

图11 2017—2019年4—9月的(a)KF，(b)BMJ和(c)G3方案60 h预报时效的平均850 hPa水汽通量和水汽通量散度空间分布，以及(d)KF与G3方案，(e)BMJ与G3方案之间的差值场(矢量：水汽通量，单位：g·s-1·cm-1·hPa-1；填色：水汽通量散度，单位：10-6 g·s-1·cm-2·hPa-1；灰色实线:500 m地形高度线)

表2 2017—2019年4—9月的KF、BMJ和G3方案60 h预报时效的850 hPa风速与探空站观测值的平均绝对误差

基于以上讨论设计参数化方案敏感性试验，以期提升对流可分辨集合预报系统在四川盆地东部的降水预报效果。保持成员m10的初值和测边界不变，将G3方案更换为KF方案，对比m10在更换方案前(old-m10)、更换方案后(new-m10)的降水预报CSI评分(图12)，可见更换方案后对各量级降水的预报能力在0.05显著性水平上显著提高，大雨量级降水在60 h预报时效的评分增幅达20%。进一步计算本系统在m10更换方案后的概率匹配平均(new-PM)，与m10 采用G3方案时的概率匹配平均(old-PM)进行对比(图12)，同样可见调整方案后的预报评分有所增长，评分增幅在48 h之后更显著。

图12 新方案(虚线)和旧方案(实线)对2020年6—7月24 h累计降水不同预报时效(24～84 h)的(a)小雨、(b)中雨、(c)大雨、(d)暴雨量级的CSI评分(短竖线为2.5%～97.5%的bootstrap显著性检验区间)

图13为对流可分辨集合预报系统在m10更换方案前(old schemes)、更换方案后(new schemes)的60 h 降水预报Talagrand分布，其横坐标表示12个区间，纵坐标为实况值落在各个区间的概率。更换方案前后的Talagrand分布都呈两端高、中间低的“U型”分布，说明大部分实况值落在了集合成员预报最大(小)值之外的区间。更换方案之后的Talagrand分布更加平直，Outlier评分由0.278降至0.275，集合离散度由8.99上升至9.07，大雨量级降水概率预报的相对作用特征面积由0.719上升至0.723，说明概率预报技巧有所提高，更换方案之后的集合预报系统更可靠。

图13 更换方案前后的系统对2020年6—7月24 h累计降水60 h预报时效的Talagrand分布

5 结论与讨论

利用四川盆地东部的站点观测数据和对流可分辨集合预报系统模式数据，评估了该系统在2017—2019年4—9月的降水预报效果，进一步探讨不同物理过程参数化方案的降水预报性能。结果表明：

(1)概率匹配平均和集合平均相比于各个集合成员存在明显的预报优势。集合成员之间的预报评分差异在小雨和中雨量级随时效逐渐增大，而在大雨和暴雨量级随时效增大的特征不明显。

(2)KF和BMJ积云参数化方案的降水预报效果相对较好，G3方案在48 h后的CSI评分偏低。三种方案预报的降水分布特征和观测较为一致，但对降水范围和量级的预报存在一定偏差，BMJ方案预报的降水整体偏多，G3方案预报的降水整体偏少，KF方案预报的降水更接近观测。

(3)Thompson和Morrison微物理参数化方案对小雨量级降水的预报效果较好，WSM6方案对中雨量级降水的预报效果较好，三种方案对大雨和暴雨量级降水的预报效果相当。三种方案对渝中至渝东北的降水存在低估，在华蓥山、武陵山和大娄山预报了虚假的强雨带，尤其WSM6方案过强地体现了山地地形的作用。

(4)MYJ和MYNN边界层方案的CSI评分相对较高，YSU方案的预报评分在48 h之后偏低，但YSU方案多和G3方案搭配使用，其评分偏低主要受G3方案影响。三种方案对研究区域西部的降水有所高估，尤其MYJ方案预报的降水偏多，对东部的降水有所低估，尤其YSU方案预报的降水偏少。

(5)四川盆地东部的降水预报对积云参数化方案最为敏感。G3方案预报的850 hPa 风速和观测的误差较大，经向水汽通量相对KF和BMJ方案偏弱，因此其预报效果较差。将一个成员的G3方案调整为KF方案后，降水预报评分显著提升，60 h预报时效的大雨量级降水评分增幅达20%，集合离散度亦有所增加，概率预报技巧得到提高。

本文通过24 h累计降水分析集合预报系统不同成员的预报效果，得到不同参数化方案的预报性能，继而对系统的方案组合进行优化，后期还需结合降水日变化特征、空间检验开展精细化的检验评估，分析不同物理过程参数化方案的预报性能，改进或优化集合预报系统参数化方案，在保证集合预报系统有一定离散度的情况下各成员有相似预报性能。此外，本研究表明不同方案均在华蓥山、武陵山和大娄山预报虚假的强雨带，说明模式在地形复杂地区存在系统性偏差，具体偏差原因值得进一步研究。