CMA-GFS云预报的偏差分布特征

李 喆 陈 炯 马占山3) 陆慧娟 胡江凯 刘奇俊

1)(中国气象局地球系统数值预报中心， 北京 100081) 2)(中国气象科学研究院灾害天气国家重点实验室， 北京 100081) 3)(北京师范大学全球变化与地球系统科学研究院， 北京 100875)

引 言

云在天气和气候系统中起着至关重要的作用[1-3],是大气水循环的重要环节[4]。云中水汽与水凝物相变所伴随的热力、动力效应能够直接影响天气过程的发展[5]。云也是地气系统辐射平衡重要的参与者，不同类型的云对气候系统的影响各不相同：低云对地面有降温效应，高云对地面有增温效应，而深厚的对流云对地面的温度影响接近中性[6-7]。在数值模式中，云微物理过程的模拟直接影响云的形成、发展和结构，进而影响云降水过程的预报能力。

从宏观角度，云分布广泛，种类繁多，不同区域的云属性差异巨大；从微观角度，云的形成涉及多种粒子，不同相态、种类间转化过程复杂。上述因素均增加了数值模式模拟云的难度。政府间气候变化专门委员会(IPCC)的报告及相关研究表明：云模拟的不确定性已成为天气和气候模式误差的主要来源之一[8-11]。

数值模式的云微物理方案研发可追溯到20世纪70年代，时至今日，经过多年发展，已形成诸多各具特色的云微物理方案[12-27]。近年随着计算机的发展，数值模式趋向使用高分辨率和复杂物理参数化方案对天气过程进行模拟。在全球业务模式中，欧洲中期天气预报中心(ECMWF)、美国环境预报中心(NCEP)和中国气象局研发的全球数值预报系统(CMA-GFS，原GRAPES_GFS)使用的云微物理方案比较具有代表性[28]。

数值模式预报结果的检验评估是数值模式研发的重要环节，合理的检验评估方法既能为模式研发工作者优化模式方案提供参考，也能为模式使用者了解模式预报性能提供帮助[29-30]。由于不同区域云的属性差异巨大，云的检验需要考虑不同区域、季节的特征，因而更加复杂。目前云预报的检验评估主要分为两类：一类是将再分析数据或观测数据(包括卫星、雷达等)反演出的云量、云顶温度、柱云水/冰水总量、雷达回波、水凝物廓线和降水与模拟预报的结果进行直接对比[31-38]；另一类是采用统计学方法将数据处理后进行间接对比，如概率密度法、等高频率图法、强度标度法、变形法等[39-47]。国内针对数值模式的检验评估主要集中在模式预报结果的降水场、大尺度形势场以及温度场[48-53]。针对云的宏、微观特性的检验评估主要集中在中尺度模式[54-58],而针对全球数值模式云量、云水凝物的检验评估相对匮乏[28,38，59]。

中国气象局数值预报中心研发的CMA-GFS使用双参数云微物理方案。此云微物理方案由中尺度区域模式移植而来，经过多次改进已在全球模式中实现与大尺度宏观云方案、云量显式预报方案及次格点对流卷出影响项的耦合[37]。目前专门针对CMA-GFS云微物理方案的检验评估工作尚不完善，且CMA-GFS预报的云降水过程仍有不足[28]。本研究拟从云发生、云量、不同层次的液相水凝物积分和冰相水凝物积分等方面，对CMA-GFS全球云预报性能和偏差进行诊断评估，了解目前CMA-GFS对云预报性能和偏差特征，通过深入分析偏差分布探讨存在的问题及相关改进方向，为后续云微物理方案的优化改进提供参考。

1 数 据

CMA-GFS是我国自主研发的新一代数值预报系统，在业务中表现良好[60-63]。其核心技术包括四维变分同化系统，半隐式-半拉格朗日全可压非静力动力模式，可灵活组合的物理过程方案模块等。其中，CMA-GFS的物理过程包括辐射传输、边界层、微物理、陆面、积云对流和云微物理等过程。本研究选取2021年3月—2022年2月1年业务预报数据作为分析时段，评估CMA-GFS全球云发生、云量、液相水凝物积分和冰相水凝物积分的偏差分布特征。

利用欧洲中期天气预报中心最新发布的全球大气再分析数据(ERA5),及全球降水观测计划的卫星反演数据(GPM)对模式预报效果进行检验评估。ERA5再分析数据是欧洲中期天气预报中心发布的第5代产品，水平分辨率为0.25°×0.25°，能够在时间/空间上提供多种云和降水的相关数据[64]。

评估按照3—5月、6—8月、9—11月、12月—次年2月4个季节进行，评估区域分别为全球、北半球、南半球和热带(20°S～20°N)4个区域。分辨率相同但格点位置不同的ERA5再分析数据已匹配到CMA-GFS数据格点，ERA5再分析数据与CMA-GFS结果、GPM数据格点已统一。

2 检验评估

2.1 检验评估对象

在CMA-GFS中，云量作为预报量，其生消与大尺度水平垂直运动、积云对流以及宏观云凝结和蒸发过程有直接关系。云的凝结和蒸发与云水凝物密切相关[65-66]。根据世界气象组织/世界天气研究项目(WMO/WWRP)提供的云及相关参数检验评估参考指南[40]，选取云发生、云量、液相水凝物积分和冰相水凝物积分进行诊断评估。为对比不同种类云量与相应层次云水凝物的关系，设地面气压为p,按照气压从高到低排列，将液相水凝物和冰相水凝物也按照低层(1p，0.8p] 、中层(0.8p，0.45p]、高层(0.45p，0.05p]以及整层(1p,0.05p]进行积分。

2.2 检验评估流程

2.2.1 云发生的检验评估

云发生分为有云/无云两种情况。模式预报与ERA5再分析数据在同一格点结果，可分为4种情况：模式预报和ERA5再分析数据均有云记为事件a；模式预报有云，ERA5再分析数据为无云记为事件b；模式预报无云，ERA5再分析数据为有云记为事件c，模式预报和ERA5再分析数据均无云记为事件d。根据这4种情况，使用频率偏差(FB)[39]作为云发生的评估标准。FB定义为模式预报有云事件(a+b)与实况(ERA5再分析数据)有云事件(a+c)的比值：

FB=(a+b)/(a+c)。

(1)

如果FB为1，则模式预报与实况完全一致；如果FB大于(小于)1，则模式预报出的云大于(小于)实况。

2.2.2 云量、云水凝物积分的检验评估

通过计算云量、液相水凝物积分和冰相水凝物积分的平均偏差与均方根误差进行评估。

3 试验结果

3.1 模式云发生及云量检验评估

由ERA5再分析数据云量分布(图1)可知，全球高云、中云、低云的云量分布有显著区别，且4个季节的云量分布略有差异。总体而言，总云量高值区(大于0.8)集中在大西洋、太平洋北部、南半球中高纬度、孟加拉湾及印度半岛地区。总云量低值区(小于0.4)集中在太平洋东部以及大陆部分地区。海洋总云量高于陆地总云量。由高云、中云、低云的云量分布可知，热带地区高云居多，南半球风暴路径区域内低云居多，极地区域主要为低云和中云。按季节区分，6—8月北半球云量较多，12月—次年2月南半球云量较多，云量分布差异在4个季节的区别弱于高云、中云、低云之间的云量分布差异。

图2为云发生频率偏差分布。由图2可知，高云、中云、低云的云发生频率偏差分布不同，且云发生频率偏差存在季节变化。总云的云发生频率偏差普遍接近1，仅在非洲及澳大利亚局部区域偏离1，说明CMA-GFS总云量与ERA5再分析数据总云量的分布基本符合。高云、中云、低云的云发生频率偏差均以高估为主。与图1对比可知，云发生频率偏差高估区域主要位于无云区。在FB计算中a较低，b较高，容易出现云发生频率偏差显著偏大的结果。需要注意的是，尽管高云、中云、低云的云发生频率偏差均有较大值(大于5)存在，但发生地点并不重合。在计算总云的云发生频率偏差时，a整体较大，b较小，云发生频率偏差相对较小。此外，云发生频率偏差的季节差异小于高云、中云、低云之间的云发生频率偏差的差异。需要注意的是，与ERA5再分析数据低云相比，CMA-GFS低云在高海拔地区显著偏小，影响统计结果的可靠性，因此后续分析均未考虑海拔高度高于2800 m区域的低云。

图3为云量经向平均分布。由图3可知，云量沿经向存在峰谷分布，并存在季节变化。总云量、高云量在20°S～20°N之间存在两个明显的峰值，分别位于10°S和10°N附近，6—8月峰值位于北半球，12月—次年2月峰值位于南半球，北半球6—8月峰值略高于南半球12月—次年2月峰值，3—5月和9—11月的峰值位于两者之间。总云量和高云量在热带地区的峰值变化能够反映出明显的季节特征。云量的另一峰值位于南北半球中纬度，也存在季节变化，南半球6—8月达到最大，反映了该时段风暴路径区域天气系统十分活跃。北半球高纬度云量在4个季节均可达0.8以上。总体而言，与ERA5再分析数据云量相比，CMA-GFS云量能够反映全球云量经向分布的峰谷特征。CMA-GFS总云、高云、中云的云量较ERA5再分析数据普遍偏小，偏差极大值出现在热带云量峰值区域(约为0.3)，以及北半球高纬度云量高值区(可达0.4以上)。南北半球中纬度云量偏差相对较小，仅为 0.1。CMA-GFS低云量与ERA5再分析数据低云量分布较为一致，除北半球高纬度外，偏差小于 0.1。CMA-GFS云量偏差在4个季节均偏小，说明CMA-GFS云量存在系统性偏小。

图4为云发生与云量的综合评估柱状图。由图4可知，不同区域、不同类型的CMA-GFS云量产品、云发生频率偏差具有不同的特点，且存在较为明显的季节变化。总云的云发生频率偏差在各地区均接近1，这说明CMA-GFS总云区域与ERA5再分析数据总云区域十分接近。南北半球高云的云发生频率偏差接近2，中云的云发生频率偏差为1.5～2，低云的云发生频率偏差接近1.5。这是由于高云的云发生频率偏差在全球普遍高估，中云的云发生频率偏差在太平洋东部无云区存在高估，低云的云发生频率偏差在海洋上接近1，陆地上存在高估。各地区云发生频率偏差均能够体现季节变化特点，但其差异小于不同类型云之间云发生频率偏差的差异。结合云量产品的平均偏差和均方根误差可以看出，CMA-GFS云预报存在系统性偏差，云发生频率偏差为正、云量偏差为负，即有云事件预报过多、云量的量值偏小。高云、中云的偏差普遍大于低云，高云、中云的预报均方根误差较低云偏小，反映出模式对高云和中云的预报稳定性优于低云。CMA-GFS云量预报偏差存在季节特征，北半球12月—次年2月云量预报偏差最小，6—8月最大，南半球则相反，这与天气系统的季节性活跃有关。此外，图3表明总云量与低云显著相关，在北半球尤为明显，这说明模式改进要更多关注低云，特别是北半球的低云。

综合云发生频率偏差、云量预报偏差和均方根误差的评估可知，CMA-GFS能够较为准确地预报是否有云，但预报云量普遍偏小。云发生频率偏差的评估侧重于判断是否预报出云，结果可能会掩盖预报云量数值上的差异。云量偏差评估能够体现云量在量值上的差异。准确地评估模式对云的预报除了需要综合云发生、云量的区域/经向平均结果，还需要结合其平面分布综合分析。综合多种检验评估手段更有利于云微物理方案的改进和发展。

3.2 模式水凝物积分的检验评估

图5为液相水凝物积分偏差分布。总体而言，液相水凝物积分偏差在北极及热带地区偏小，中纬度地区偏大。液相水凝物积分偏差在陆地小于海洋，这与液相水凝物积分绝对值在陆地小于海洋有关。热带地区液相水凝物积分负偏差主要分布于云量高值区(图1),可达-75～-50 g·m-2,主要来源于中层和低层。中纬度地区液相水凝物积分正偏差主要位于南半球风暴路径和北半球太平洋北部区域，其中北半球主要来源于中层，南半球主要来源于低层。北极地区液相水凝物积分负偏差主要来源于低层。此外，图5表明液相水凝物积分偏差呈季节性变化，表现为6—8月北极地区负偏差最大，南半球风暴路径正偏差最大。

冰相水凝物积分偏差普遍大于液相水凝物积分偏差见图6。由图6可见，整层冰相水凝物积分偏差高值分别位于南半球中纬度(大于150 g·m-2)和太平洋北部(大于200 g·m-2)。海洋上整层冰相水凝物积分正偏差主要来源于中层和低层。与液相水凝物积分偏差分布不同，陆地上也存在整层冰相水凝物积分正偏差(大于100 g·m-2)，位于南亚、印度半岛及非洲、美洲大陆部分地区，这些区域也是云量较高的区域(图1)。陆地上整层冰相水凝物积分正偏差主要来源于高层和中层。冰相水凝物积分偏差存在明显的季节特征，表现为6—8月南半球风暴路径正偏差最大，12月—次年2月太平洋北部区域正偏差最大。

图7为水凝物积分经向分布。由图7可知，液相水凝物积分、冰相水凝物积分沿经向存在峰谷分布，并存在季节变化。液相水凝物积分和冰相水凝物积分在20°S～20°N之间存在两个峰值，6—8月位于北半球，12月—次年2月位于南半球，且前者大于后者，3—5月和9—11月两季的峰值位于两者之间，这与云量经向分布一致(图3)。整层液相水凝物积分峰值主要来源于中层和低层。液相水凝物积分的另一峰值位于南北半球中纬度，该峰值也存在季节性特征，这反映了南半球风暴路径区天气系统在6—8月最为活跃，太平洋北部海洋区域低云在12月—次年2月较为活跃。与液相水凝物积分相比，冰相水凝物积分峰值在热带地区的主要来源于高层，在中纬度来源于中层和低层。总体而言，CMA-GFS水凝物积分与ERA5再分析数据水凝物积分的全球经向峰谷分布较为一致。其中，液相水凝物积分在热带区域显著小于ERA5再分析数据液相水凝物积分，两者在中纬度地区较为接近；冰相水凝物积分在中纬度风暴路径区域显著大于ERA5再分析数据冰相水凝物积分，两者在热带地区较为一致。

由水凝物积分偏差评估柱状图(图8)可知，液相水凝物积分以负偏差为主，冰相水凝物积分以正偏差为主。高层液相水凝物积分偏差最小，这与高层暖云较少有关。整层液相水凝物积分偏差主要来源于中层和低层。热带地区液相水凝物积分负偏差最大，可达-20 g·m-2。北半球6—8月液相水凝物积分负偏差主要来源于北极地区。液相水凝物积分均方根误差与绝对偏差呈正相关。冰相水凝物积分正偏差来源于中层和低层，最大值可达40 g·m-2。与液相水凝物积分类似的，冰相水凝物积分均方根误差与绝对偏差呈正相关。热带地区冰相水凝物积分偏差最小(接近0)，但均方根误差偏大，这是由于偏差存在正负相抵的情况(图6)。

结合图5～图8可知，CMA-GFS水凝物积分与ERA5再分析数据水凝物积分较为一致，但液相水凝物积分偏差在热带地区以负偏差为主，冰相水凝物积分在南半球中纬度以正偏差为主。在热带地区，冰相水凝物积分平均偏差接近0，而均方根误差较大，这是由于冰相水凝物积分在海洋以负偏差为主，陆地上以正偏差为主，简单的区域平均掩盖了冰相水凝物积分的实际偏差特征。类似地，北半球高层冰相水凝物积分偏差接近0，这是由于赤道地区负偏差和太平洋北部地区正偏差相抵，北半球高层冰相水凝物积分实际分布与ERA5再分析数据高层冰相水凝物积分存在差异。正是由于云在不同区域，不同高度种类各有差异，选取评估区域至关重要，只有根据云的特征进行有针对性的检验评估，才能为改进相应物理过程提供有利线索。

3.3 CMA-GFS模式预报偏差

与ERA5再分析数据相比，CMA-GFS云预报存在系统性偏差。并且云预报偏差特征在不同纬度、不同高度不尽相同，这与各类云在不同地区的分布特征有关，低纬度热带地区对流活动旺盛，水汽充足，云体深厚，中纬度地区云系多为冷、暖空气交汇的锋面系统，对流活动相对较弱[67]。目前CMA-GFS水平分辨率为25 km，其中云降水过程涉及到的主要物理过程参数化包括云微物理方案和对流参数化方案。在中纬度，主要由微物理方案影响云降水过程。因此，云量、液相水凝物积分和冰相水凝物积分预报偏差成因需要按照不同地区分别讨论。

图9为季节平均的CMA-GFS预报降水与ERA5再分析数据、GPM降水率的经向分布。由图9可知，预报的热带地区对流性降水为ERA5再分析数据的对流性降水的2倍。热带地区预报格点降水显著低于ERA5再分析数据格点降水，没有明显的峰值特征。CMA-GFS在中高纬度降水与ERA5再分析数据降水相近。说明热带地区对流参数化方案预报的对流过强，对流参数化和云微物理方案之间不协调，云微物理方案无法达到凝结条件成云降水。这与云量、液相水凝物积分和冰相水凝物积分预报在热带地区的偏差相符。采用GPM降水数据进行对比，可以看到CMA-GFS预报和ERA5再分析数据总降水分布与观测分布具有一致性，采用ERA5再分析数据对CMA-GFS预报进行检验评估具有合理性。

由CMA-GFS预报与ERA5再分析数据季节平均的相对湿度高度-经向分布图可知(图略),CMA-GFS预报的相对湿度与ERA5再分析数据相对湿度分布类似，但在南北半球中高纬度中低层明显偏强。ERA5再分析数据相对湿度在地区南北半球中纬度中低层接近70%，CMA-GFS预报相对湿度在此范围可达85%，相对湿度偏高容易使得水汽凝结/冻结成云，造成云水凝物偏多，这与图5～图8的结论相符。相对湿度偏高与水汽和温度分布相关，CMA-GFS预报的温湿场和ERA5再分析数据差异小(图略)，但温度和湿度的微小差异会造成相对湿度的显著差异，进而影响到云的预报。

4 结 论

利用2021年3月—2022年2月1年的ERA5再分析数据云量、云水凝物，对同期CMA-GFS全球模式云量产品和由云量、云水凝物产品计算的云发生、云水凝物积分偏差特征进行了细致的诊断评估，并以全球、北半球、南半球、热带地区进行分区，初步探讨了模式云预报偏差特征在不同区域，不同高度显著区别的可能原因，为模式云微物理改进提供参考。结论如下：

1) CMA-GFS预报云量、云水凝物整体分布合理，能够较好地描述全球范围内云发生、云量和云水凝物积分分布的特征，并能够描述云量、云水凝物积分沿经向分布的峰谷特点及季节特征。

2) CMA-GFS预报总云量分布与ERA5再分析数据总云量基本符合，高云的云发生频率偏差相对较大，中云、低云的云发生频率偏差偏小。高云和中云平均偏差大于低云，而高云和中云的均方根误差较低云偏小。这反映模式对高云和中云预报的稳定性优于低云。液相水凝物积分以负偏差为主，冰相水凝物积分以正偏差为主。

3) CMA-GFS预报云量、云水凝物能够反映明显的季节分布特征，不同季节云量、云水凝物的偏差分布特征弱于不同云类型间的偏差分布特征。

4) CMA-GFS预报云量、云水凝物在不同地区的偏差成因不同。在热带地区，偏差由对流参数化和微物理方案的不协调导致，该地区高温高湿，易达到对流参数化方案中触发对流的条件，微物理方案的调整效果有限。热带地区对流参数化方案产生的对流过强，云微物理方案无法达到凝结条件成云降水。南北半球中高纬度云水凝物偏差与环境场的温湿分布密切相关，尽管CMA-GFS温湿场分布和ERA5再分析数据温湿场差异小，相对湿度南北半球中高纬度中层和低层明显偏大，造成南半球中高纬度云水凝物偏大。

本研究针对CMA-GFS的云发生、云量、云水凝物积分进行诊断评估，为模式改进提供重要参考。然而，研究存在一定局限性，区域仅分为全球、南北半球和热带地区，今后工作中应根据具体天气过程采用更有针对性的区域诊断评估，使结果更精细。