CMA-MESO关键技术集成及应用

黄丽萍 邓莲堂 王瑞春 庄照荣 江 源 徐枝芳 朱立娟 张 进 王莉莉 于 翡 孙 琴 王 丹 王 皓 周非非 徐国强

(中国气象局地球系统数值预报中心，北京 100081)

引 言

在全球变暖背景下，世界范围内极端天气事件频繁发生。为提高对灾害性天气和高影响天气的预报准确率，国外很多天气预报业务中心建立了高分辨率(低于5 km分辨率)区域数值预报系统，如美国分辨率为3 km的快速循环同化预报系统、日本外层5 km内层2 km的云分辨数值同化预报系统、德国2.8 km的高分辨率数值同化预报模式、加拿大高分辨率精细预报系统(水平分辨率为2.5 km)。

在我国，局地强降水、洪涝干旱等天气灾害、极端天气事件造成的社会经济损失日趋严重[1-2]。2009—2014年灾情统计结果显示：自然灾害致灾经济损失中38.7%～72.2%由强降水、风雹等灾害性天气导致，而灾害性天气导致的死亡人数则占自然灾害死亡人数的49.2%～93%。提高灾害性天气和极端天气事件预报准确率，对高分辨精细数值预报系统提出了迫切要求。

中国气象局自主开发建立的GRAPES(Global/Regional Assimilation and PrEdiction System)系统[3-4]中的有限区中尺度天气数值预报系统(GRAPES-MESO)于2006年在国家气象中心业务运行，水平分辨率为30 km。经过不断发展，其降水预报能力逐渐提高，近地面要素预报水平也有明显进步[5-7]，但其水平分辨率(10 km)和垂直分辨率均明显偏低，不能满足局地强对流天气定量降水预报需求。因此，为提高中国强对流高影响天气的预报准确率，需要建立中国区域对流可分辨数值预报系统。

发展对流尺度数值预报系统通常包含几个方面的关键科学问题。首先，如何形成包含丰富中小尺度信息的高质量初始场。中小尺度天气系统具有时空尺度小、垂直运动强、非线性强等特征，传统天气系统资料同化方法在背景误差、同化变量、空间尺度、平衡关系等方面存在一定局限性，对局地时空稠密观测资料的同化应用效果也难以令人满意。因此，发展对流尺度资料同化方法，需要考虑对流尺度强非线性带来流依赖特征、能够更好表征中小尺度特征的背景误差和同化变量以及有效融合具有对流尺度分辨率的观测资料。目前国际业务中心采用的对流尺度业务系统方法包括变分方法(3DVar[8-10]和4DVar[9])、集合方法(LETKF[11])以及变分和集合混合方法(3DEnVar[12])，同时还应用其他同化算法，如潜热张驰逼近方法[13]改善模式初始对流尺度状态。集合方法、变分与集合混合方法以及4DVar方法均能不同程度引入背景流依赖信息，方法更为先进。但3DVar方法简单、计算量小，和其他方法如潜热张驰逼近结合，也被很多业务中心采用。研究结果表明：基于对流尺度同化方法的初始状态预报结果明显优于基于大尺度降尺度的结果，且采用比较先进的对流尺度同化方法得到的预报结果优于简单同化方法的结果[14]。

其次，如何提高模式系统对局地中小尺度系统的描述能力。一方面，通过改进模式动力框架的计算精度，可以提高处理中小尺度动力结构的能力；另一方面，针对云可分辨尺度的降水触发及发展机制，发展适合对流尺度模式的精细化物理过程，重点是边界层、微物理参数化方案及浅对流参数化方案[15-17]。

最后，如何使用高频观测信息建立快速更新分析预报系统，提高对局地中小尺度的短时临近预报能力。由于中小尺度系统具有时间尺度短、非线性特征强等特征，通过快速分析更新能够引入高频观测信息使初值包含更多对流系统信息，从而缓解模式调整适应问题。但在循环过程需要解决由于动力热力不平衡而产生噪音问题，目前使用较多的方法有两种，数字滤波初始化方法[18]和IAU方法[19]。

本文基于水平分辨率为10 km的GRAPES-MESO V4.0预报系统，从发展GRAPES公里尺度同化系统、提高模式计算精度及调试边界层方案以改进对流出发机制等关键科学问题出发，研发建立CMA-MESO(GRAPES-MESO 3 km)预报系统，以期提高CMA-MESO系统对强对流天气的预报性能，同时通过对实时业务化运行结果的诊断检验，分析其对强对流天气的预报能力。

另外，本文插图中所涉及的中国国界及省界均基于审图号为GS(2019)1786号标准地图制作，底图无修改。

1 CMA-MESO系统关键技术

1.1 模式关键技术

对流可分辨模式系统对动力框架的计算精度和稳定性提出了更高要求。CMA-MESO开展3个方面的研发改进工作以提高模式计算精度和稳定性：首先，引入初始场水平平均的一维参考大气[20]代替原来的等温参考大气，其优势在于既考虑参考大气廓线随高度的变化，又部分考虑参考大气随时间变化，与实际大气更为接近，从而可以获得更合理的扰动项，在提高空间计算精度的同时，减小非线性项的数量级，进而提高时间积分的计算精度。其次，针对传统的四阶水平扩散方案本身有时会产生一定的数值振荡，即产生新的最大值和新的最小值[21-22]影响模式稳定性，通过在CMA-MESO中引入单调扩散方案[22]，解决传统水平扩散方案中出现的数值振荡现象。最后，相对10 km分辨率系统，对流可分辨模式能够模拟出的垂直速度数量级明显更大[23]，对保持模式积分稳定性提出了更大挑战，CMA-MESO中通过限制库朗数阈值动态调整时间步长，综合考虑CMA-MESO动力特征、稳定性、业务运行效率及预报性能等影响后，设定最大库朗数值为1.2。

随着模式分辨率提高到对流可分辨尺度，积云参数化方案的影响逐渐变小，显式微物理参数化方案的降水占比越来越大。CMA-MESO选择采用单一湿过程——显式微物理参数化方案完成水汽和水成物的相互转化，而显式方案对网格的水汽描述精度要求更高。边界层参数化方案在数值预报模式中负责处理除了辐射传输以外所有动量、热量、水分等的垂直交换，因此，其对水汽垂直输送的合理准确描述在高分辨率模式中对微物理参数化成云致雨过程影响更大。GRAPES-MESO 10 km系统边界层参数化方案采用K闭合假设的MRF方案[24-26]，该方案应用于CMA-MESO多次出现重要天气过程的降水漏报。分析发现MRF方案对水汽垂直输送明显不合理，水汽倾向大值中心达到700 hPa或更高，向上输送过大过高。Stevens[27]和Troen等[24]在WRF模式中应用MRF方案时发现类似湿输送过多过深问题，通过改进动量和热量稳定性函数的计算方法，采用NMRF边界层参数化方案得到水汽倾向垂直分布较为合理。

1.2 CMA-MESO高分辨率同化系统

与全球以及较低分辨率区域分析系统相比，高分辨率同化系统在中小尺度天气系统误差结构特征、分析变量间的动力约束关系、控制变量的相关模型等方面明显不同，关注对象更偏重中低层尤其是边界层附近的风场、温度、湿度场信息。针对上述问题，一方面开展高分辨率同化框架研发以便有效提取中小尺度关键信息，另一方面实现时空稠密观测资料的有效应用为模式分析场提供观测的中小尺度信息。

建立适用于CMA-MESO同化系统的背景误差协方差矩阵。基于CMA全球区域一体化变分同化系统[28]，采用统计平衡算子替换原有线性平衡方程，并补充与散度有关的平衡约束，从而优化背景误差变量间的相关模型；选取24 h和12 h的模式预报场构建样本，统计适用于高分辨率的背景误差均方差；采用统计得到的空间协相关替换经验模型和经验参数，建立水平垂直不可分离的空间相关模型[29-30]；研究设计尺度叠加高斯相关模型，进一步增加分析场中小尺度信息的同时，有效缓解采用单一高斯模型时存在的风场分析不合理负相关问题[31]；同时采用二维离散余弦变换对背景误差样本进行尺度分离，拟合得到更加合理的水平相关尺度长度，并将其用于CMA-MESO。

重构适合高分辨率同化系统的控制变量。首先，质量场控制变量采用温度T以及地表气压ps替换Exner气压πu(量纲为1)，改进低层温度观测资料的同化与应用；其次，风场控制变量采用纬向风u和经向风v替换流函数和势函数，改善对中小尺度天气系统的同化分析能力，更好同化应用径向风等时空稠密观测资料，同时引入连续方程约束保证风场分析的合理性[32]。图1为各控制变量水平相关尺度统计值，可以看到，新的控制变量T,ps以及u,v的水平相关尺度远小于对应的质量场πu和流函数ψ及势函数χu，较小的相关尺度使局地观测资料影响范围变小，有利于在背景场中增加丰富的中小尺度信息。

图1 流函数ψ、非平衡势函数χu、Exner气压πu、纬向风u、经向风v、温度T和地面气压ps水平相关尺度随高度变化

开展局地稠密资料在高分辨率同化系统中的同化应用。研发重点为多普勒天气雷达、风云静止气象卫星以及近地面观测三大类资料的同化应用。针对我国雷达径向风资料质量问题，研发小风速噪音的质量控制技术，在GRAPES_3DVAR变分系统中增加径向风同化算子，并增加退模糊算子从而避免速度模糊资料的残余进入同化系统，实现径向风资料的同化应用；采用两步质量控制方案实现对奇异点数据的识别和剔除、确定测风精度、时间一致性平均、去除地形以下测风、设定有效探测高度、建立黑名单、垂直稀疏化以及同化格式转化等预处理过程，建立风廓线雷达的观测算子，实现风廓线雷达资料的同化应用[33]；发展我国静止气象卫星FY-4A搭载的地球静止轨道干涉式探测仪GIIRS观测算子，选用Harris和Kelly的静态偏差订正方案，采用气团因子对资料进行订正，采用匹配国家卫星气象中心L2级云检测产品以及窗区通道结合方案剔除受云污染的资料，剔除观测与模拟的亮温差大于3倍标准差的资料，实现FY-4A成像仪辐射率资料的直接同化应用；采用潜热加热纳近方法，根据观测降水率与模式预报降水率之比约束调整模式的总潜热加热廓线，实现地面稠密降水观测在CMA-MESO中的同化应用；依据观测站地形高度和模式地形高度差异以及背景场低层多层的稳定度特征，提高地面湿度资料的应用效率。

基于上述核心变分框架技术及多源高时空分辨率资料同化应用建立了高分辨率三维变分资料同化系统，大幅提高了对中小尺度天气系统的分析精度。

1.3 三维雷达反射率因子质量控制拼图系统及其在云分析系统中的应用

为满足数值预报资料融合应用需求，针对我国业务运行雷达资料主要质量问题，开展雷达资料质量控制算法研究。基于模糊逻辑算法，运用CSI(critical success index)评判标准确定地物回波识别的最佳线性梯形隶属函数从而识别和剔除地物回波和超折射地物回波[34]；针对电磁干扰回波的孤立性及其条幅状分布特征，结合滤波的部分方法和径向连续性检查方法，提出电磁干扰回波自动识别方案并进行剔除[35]；针对故障回波特点，发展了基于模糊逻辑故障回波的识别方法[36]；基于雷达回波方位连续性判断和识别环状回波等。经过一系列质量控制处理后，通过反射率因子组网拼图系统得到我国业务运行的包含SA/SB/CB/SC/CD/CC型号的200余部雷达三维格点化拼图资料，与风云静止卫星云总量(CTA)、风云二号静止卫星黑体亮度温度(TBB)通过初始云分析系统[37]为CMA-MESO提供包含云水、雨水、冰晶、雪水、霰比含水量初始信息以及对应的水汽和位温场，并通过张驰逼近方法，在模式积分开始逐渐引入这些初始云信息场，明显提高模式前24 h尤其是临近时刻预报能力(图2)。

图2 2019年6月1日—8月31日CMA-MESO逐3 h 累积降水量(不小于5 mm)预报TS评分

1.4 陆面资料同化系统建立

下垫面信息精度对数值预报模式性能影响很大，其中，土壤湿度和土壤温度通过感热通量和潜热通量影响大气要素的模拟精度。在高分辨率模式中，由于中低层温度、湿度垂直分布廓线直接影响强对流的触发及发展，因此，对高精度土壤温湿度初值的需求更为迫切。王莉莉等[38]参考欧洲中期天气预报中心(ECMWF)陆面资料同化方案，通过概率统计方法，建立土壤湿度、温度与观测2 m温度、相对湿度之间的关系，在CMA-MESO中实现最优插值技术[39-40]陆面资料同化方案。试验结果表明：增加陆面同化技术能够明显降低近地面 2 m温度的预报偏差，对降水预报尤其是临近前12 h降水预报ETS评分也提高明显。

2 关键技术集成试验和改进效果

2.1 模式部分集成效果

根据业务应用需求及研发进展，基于雷达反射率因子预处理系统、云分析系统和3 km水平分辨率的模式系统建立了CMA-MESO试验系统，开展2018年3月1日—8月31日每日00：00(世界时，下同)和12：00起报全国3 km水平分辨率的回算试验并与GRAPES-MESO 10 km业务系统进行对比。

由半年平均的GRAPES-MESO 10 km业务与CMA-MESO试验系统预报降水逐24 h(图略)和逐6 h的TS评分(图3)可以看到，相对于业务GRA-PES-MESO 10 km系统，CMA-MESO试验系统36 h 预报时效内各降水量级均表现出一定优势，逐6 h累积降水评分优势更为明显。

图3 2018年3—8月GRAPES-MESO 10 km和CMA-MESO逐6 h累积降水预报检验TS评分

图4为半年平均的GRAPES-MESO 10 km业务与CMA-MESO试验系统预报2 m温度平均绝对偏差和10 m风场均方根误差随预报时效演变，可以看到，两个系统预报2 m温度和10 m风场偏差时间演变特征基本一致，均表现出明显的日变化特征，误差呈波浪式周期性上升趋势，但总体上CMA-MESO预报偏差明显小于GRAPES-MESO 10 km。

图4 2018年3—8月GRAPES-MESO 10 km和CMA-MESO预报检验

上述结果显示CMA-MESO试验系统基本要素(降水、2 m温度、10 m风场)预报评分全面超越业务GRAPES-MESO 10 km系统结果，反映日变化的6 h累积降水预报TS评分优势更明显，因此，CMA-MESO试验系统于2019年6月开始准业务化运行。

2.2 同化部分集成效果

基于CMA-MESO试验系统，进一步集成GRAPES高分辨率同化系统，并研究其对分析和预报的影响。

采用增加同化系统的CMA-MESO进行试验，试验时段为2019年6月1日—9月30日，每日00：00和12：00进行两次分析和36 h预报，区域为10°～60.1°N，70°～145°E，同化分析的观测资料包括探空风场、温度和相对湿度, 地面报的气压和相对湿度, 船舶报的气压、风场和相对湿度, 飞机报的风场和温度, 云导风以及GPS反演降水资料。

图5为2020年7月27日00：00背景误差协方差矩阵改进前后纬向风分析增量。由图5可知，改进前后分析增量大致结构比较一致，但优化背景误差协方差后，能够明显增加分析增量的中小尺度信息。

图5 2020年7月27日00：00背景误差协方差改进前(a)和改进后(b)的第10层纬向风分析增量

由连续试验的逐24 h累积降水检验TS评分(图6)可知，增加变分同化系统可明显提高CMA-MESO对降水的预报能力，逐24 h累积降水TS评分在前24 h提高明显，36 h降水TS评分变化不大，对比逐3 h累积降水TS评分(图略)可以发现，同化系统对降水预报的影响在前6 h更为突出，正贡献可持续到21 h预报时效。同时，增加同化系统可以明显改善3 km水平分辨率模式对大量级降水预报Bias评分偏高的问题。

图6 2019年6—9月CMA-MESO 24 h累积降水预报检验评分

由连续试验的2 m温度逐小时平均绝对偏差和10 m风场均方根误差统计(图略)可知，增加同化分析后，2 m温度和10 m风场偏差的日变化特征无变化，2 m温度平均绝对偏差降低约0.1℃，但10 m 风场在预报前9 h出现偏差增加现象。

3 快速循环关键技术研发及系统建立

3.1 快速循环系统关键技术

中小尺度灾害性天气的时间和空间尺度小，其环境场短时间内变化剧烈，因此建立快速更新同化、尽可能融合多种高时空稠密资料是精准刻画这类天气发生发展初始条件或环境条件的有效方法。如何在保证中小尺度系统得到有效分析的同时，保证大尺度环流准确维持，以及如何控制同化预报循环中的噪音缩短模式调整适应时间十分关键。

为增加热力动力相对平衡的大尺度信息、同时控制循环过程中噪音发展，CMA-MESO开展以下3个方面的研发：

①引入大尺度环流弱约束方案。王瑞春等[41]采用低通滤波方法获取全球波长大于1.125°的大尺度信息，对其进行稀疏化处理后，作为独立的大尺度环流弱约束信息增加到CMA-MESO变分同化框架的目标函数中进行极小化迭代，从而增加高分辨率同化框架大尺度环流的描述能力。

②实现区域和全球分析混合同化方案。庄照荣等[42-43]采用二维离散余弦转换方法分别对全球和高分辨区域模式的分析场进行谱分解，并将全球分析增量的大尺度部分以及高分辨分析增量的中小尺度部分混合得到新的分析增量，该分析增量及高分辨率模式背景场形成综合全球分析和高分辨系统各自优势的分析场，使动力场和热力场更为协调，从而减少模式调整适应时间。

③改进优化非绝热数字滤波初始化方案：GRAPES-MESO采用非绝热数字滤波[1]，方案中截断周期对滤波效果影响大。庄照荣等[44]通过详细分析DDFI滤波效果与截断周期的敏感程度，根据其所关注的水平尺度特征，将数字滤波方案的滤波截断周期参数由GRAPES-MESO 10 km系统中的2 h调整到15 min，并应用于CMA-MESO，批量试验结果表明：15 min滤波截断周期能有效滤除高频噪音，同时基本保留了所关注的分析信息。

图7为GRAPES-MESO 10 km和CMA-MESO从2020年6月26日00：00开始冷启动、3 h循环间隔、经过6 h循环同化后06：00预报的前12 h全场平均地面气压倾向。由图7可以看到，GRAPES-MESO 10 km和CMA-MESO预报的地面气压倾向时间演变趋势较接近，CMA-MESO初始时刻的地面气压倾向略小于GRAPES-MESO 10 km，随着模式运行，动力热力相互作用，变量间相互影响调整，气压倾向也逐渐减小。积分前1.5 h，CMA-MESO气压倾向下降速度略小于GRAPES-MESO 10 km，随后CMA-MESO调整速度加快，积分约3 h附近气压倾向变化较小开始趋于平衡，说明虚假噪音基本消除。而GRAPES-MESO 10 km积分约4 h气压倾向变化开始减小，平衡时间晚于CMA-MESO约1 h。从全场平均地面气压倾向时间演变可知，CMA-MESO在3 h的循环周期内基本能消除虚假噪音，为下一次循环同化提供动力热力相对平衡的背景场。

图7 2020年6月26日06：00起报的地面气压倾向

3.2 快速循环同化系统建立

基于GRAPES-MESO V4.0集成上述高分辨率同化方法、稠密资料应用、高分辨率模式系统以及快速循环关键技术，建立CMA-MESO快速循环系统。通过CMA高分辨率变分同化系统，将最新观测信息以及全球大尺度环流信息融合到背景场中，形成同化分析场。混合公里尺度同化分析场与全球大尺度分析场，弥补高分辨率有限区域系统在描述大尺度环流方面的不足，形成新的分析场。采用数字滤波技术滤除分析场中的噪音，结合陆面同化系统更新土壤初值，三维云分析系统更新初始水物质信息，从而为对流可分辨非静力模式提供积分初值；模式启动后，采用潜热张驰逼近方案将地面自动气象站降水资料融合到模式积分轨迹中，进一步提高短期定量降水预报效果。非静力高分辨率模式的短时临近预报提供下一时次同化背景场，同时更多预报时效产品经后处理向全国预报员提供高分辨率数值预报产品。

表1给出目前CMA-MESO能够同化融合的观测资料，与GRAPES-MESO 10 km相比CMA-MESO对雷达、卫星以及近地面稠密观测资料的同化融合能力大幅度提高。

表1 CMA-MESO同化融合的观测资料

CMA-MESO于2020年6月在国家气象中心实现业务升级，其水平分辨率为0.03°×0.03°，垂直方向为50层，模式预报区域为10°～60.01°N,70°～145°E。模式采用的物理过程参数化方案包括WSM6微物理过程方案、Noah陆面过程参数化、MO相似理论表面层、NMRF 边界层参数化、Dudhia短波辐射以及RRTM长波辐射参数化方案。同化循环过程中边界条件采用NCEP全球预报场。该系统每日运行8次(00：00，03：00，06：00，09：00，12：00，15：00，18：00，21：00)，00：00和12：00起报的预报时效为72 h，其他起报时次预报时效为36 h,提供中国区域逐小时常规要素预报及多种强对流天气诊断产品。

4 CMA-MESO业务应用检验

利用2020年汛期(6—9月)实时业务运行结果，分别从降水常规检验、降水过程检验以及近地面温度检验等方面对比CMA-MESO，GRAPES-MESO 10 km以及ECMWF预报结果，评估CMA-MESO预报能力，尤其是强对流天气的精细预报能力。

对比CMA-MESO与GRAPES-MESO 10 km 24 h累积降水检验TS评分(图略)可以看到，对于24 h和36 h预报，CMA-MESO各量级的降水预报评分均高于GRAPES-MESO 10 km，即CMA-MESO的预报时效内24 h累积降水预报准确率更高。图8a为逐3 h累积降水TS评分随预报时效的时间演变，结果显示CMA-MESO在所有降水阈值以及绝大多数降水时效方面均表现出优势，且随着降水阈值增大，CMA-MESO优势更为明显，表明CMA-MESO不仅在常规降水预报方面优于GRAPES-MESO 10 km，强降水预报能力更为突出。此外，对于2 m温度预报(图8b)，CMA-MESO的各项指标也全面超越GRAPES-MESO 10 km，表现为在CMA-MESO所有预报时效内其2 m温度均方根误差相对于GRAPES-MESO 10 km显著降低，平均偏差降低约0.5℃，尤其是对于预报偏差较大的下午时段改进更为明显，最大偏差降低约0.9℃。

图8 2020年6—9月CMA-MESO和GRAPES-MESO 10 km业务预报检验(a)逐3 h 累积降水TS评分，(b)2 m 温度均方根误差

定量降水是预报员最为关注的预报，也是表现数值预报系统综合预报能力的关键，对比CMA-MESO与ECMWF降水预报能力所用检验数据均来自于中国气象局实时业务运行的区域高分辨率数值预报检验评估平台。

传统的24 h累积降水预报检验结果(图略)表明，CMA-MESO仅在0.1 mm,1 mm阈值的TS评分优于ECMWF，其他中雨、大雨、暴雨等的评分均偏低，总体上，24 h累积降水评分低于ECMWF。

但从对降水时间要求更精细的逐3 h降水检验TS评分可以看到，对于表征晴雨预报的0.1 mm阈值及较小量级的1.0 mm和5 mm阈值(图9a)，CMA-MESO在前12 h以及24～33 h降水TS评分均优于ECMWF，中间预报时效对应夜间时段降水效果不及ECMWF；而对于较大量级的10.0 mm，25 mm和50 mm阈值(图9b), CMA-MESO的逐3 h 降水TS评分在其预报时效基本上优于ECMWF，且随降水阈值的增大，其优势更为明显；以25 mm 阈值为例，CMA-MESO降水预报相对于ECMWF提高百分比(图10)，预报时效在前9 h和30 h后(对应着北京时间白天时段)的提高比较明显，相对提高百分比大部分超过50%，预报后期时效达到100%左右，预报中间时效(对应着北京时间夜间时段)，相对提高百分比为20%～40%。相对来说，CMA-MESO白天时段预报优势更为明显。

图9 2020年6-9月CMA-MESO和ECMWF的3 h 累积降水预报TS评分(a)0.1 mm,1.0 mm,5.0 mm,(b)10 mm,25 mm,50 mm

图10 2020年6—9月CMA-MESO和ECMWF 3 h累积降水(不小于25 mm)预报检验

定量、定时的精细化降水预报服务需要有针对性检验方法[23,45]。下面从平均降水量、降水频次以及降水强度3个方面综合比较评估CMA-MESO和ECMWF精细化降水预报能力。由汛期平均降水量分布(图11a～图11c)可知，CMA-MESO和 ECMWF预报的24 h累积降水空间分布比较一致，且与观测接近，雨带大值中心落区基本与观测相同，但与观测相比，CMA-MESO的降水预报量级偏大。由降水频次可知，ECMWF的降水频次明显偏大，且其降水频次空间分布也与观测差异大，而CMA-MESO预报的降水频次空间分布接近观测，但量级略偏大。由降水强度可知，ECMWF的降水强度预报无论是分布还是量级，均与观测差异较大，强度明显偏低，大值中心明显偏少，而CMA-MESO的降水强度预报空间分布与观测基本一致，大值中心落区也接近观测，量级略偏大。

图11 2020年6—9月观测与模式预报的24 h平均降水量、降水频次以及降水强度分布(a)观测降水量，(b)ECMWF预报降水量，(c)CMA-MESO预报降水量，(d)观测降水频次，(e)ECMWF预报降水频次，(f)CMA-MESO预报降水频次 (g)观测降水强度，(h)ECMWF预报降水强度，(i)CMA-MESO预报降水强度

综合平均降水量、降水频次以及降水强度特征可知，ECMWF的24 h累积降水量虽然比较接近观测，但降水频次过大，降水强度过小，其累积降水是由多次偏小量级降水累积而成，而CMA-MESO在降水频次和降水强度方面的预报更为准确，对降水精细化时空特征预报能力更强，尤其是对短时强降水预报更有优势。

5 结论与讨论

为提高对灾害性天气和极端天气事件的预报准确率，基于GRAPES-MESO 10 km系统，分别从高分辨率模式、公里尺度变分同化系统、时空稠密资料同化应用、陆面资料同化以及快速循环关键技术等方面开展系列研发，并建立了CMA-MESO业务系统。分析评估2020年汛期CMA-MESO对降水和近地面2 m温度检验结果，得到以下主要结论：

1)发展公里尺度适用的极小化质量场和风场控制变量，优化变分系统背景误差协方差矩阵，研发尺度叠加高斯函数水平相关模型，设计实现基于背景误差尺度分离及特征尺度拟合的多尺度资料同化技术，建立面向中小尺度系统的高分辨率同化系统，研发针对业务雷达资料的质量控制技术及多型号多普勒天气雷达三维组网拼图融合技术，改进优化云分析系统，实现以雷达、卫星以及近地面等稠密资料为核心的多源资料同化应用，明显提升非常规局地稠密资料同化能力，建立基于土壤温湿与近地面观测的统计关系的最优插值陆面同化系统，大幅度提高对中小尺度天气系统的分析精度。

2)采用初始时刻水平平均场优化初始参考廓线，实现单调水平扩散方案，引进时间步长自动调整方案，明显提高动力框架计算精度以及稳定性，同时大幅度减小系统预报偏差；改进优化边界层方案，改善中低层水汽输送结构，有利于提升弱强迫下暖区对流预报性能。

3)设计实现大尺度弱约束方案、研发区域和全球分析混合尺度方案技术、改进优化数字滤波方案等面向快速循环的关键技术，有效消除快速同化预报循环系统中的噪音，实现高时空稠密观测资料较快地融合到模式轨迹中。

4)汛期业务检验结果表明：CMA-MESO预报的3 h和24 h累积降水TS评分在各个检验阈值范围内均高于GRAPES-MESO 10 km，2 m温度预报偏差大幅度降低，总体上CMA-MESO预报性能明显优于GRAPES-MESO 10 km；相比ECMWF降水预报结果，CMA-MESO的24 h累积降水预报TS评分略低，但对时空精细化程度要求更高的3 h累积降水TS评分、降水频次和降水强度，CMA-MESO的预报准确率更高，尤其是大量级降水更有优势。

CMA-MESO快速循环同化系统预报性能较GRAPES-MESO 10 km区域业务系统有明显的提升，对大雨、暴雨及局地强对流天气的预报表现出一定优势，但针对局地强天气尺度小、发展快、生命史较短等特征，目前3 km水平分辨率和3 h时间间隔可融合的高时空多源观测资料种类和类型仍然不足。因此，下一步将选取重点区域开展1 km分辨率1 h间隔的快速同化预报循环系统的研发，通过提高动力框架精度、引进精细下垫面资料、优化高分辨率模式物理过程、研究变分与集合方法相结合的混合同化技术、更高频次的局地稠密资料同化融合应用，进一步提升高分辨率模式系统预报性能。

致 谢：本文业务检验得到中国气象科学研究院陈昊明博士的支持和帮助，在此表示衷心感谢！