2022 年夏季CMA 区域模式东北冷涡降水预报检验评估

姚 凯 朱晓彤 杨 旭 秦玉琳

（1.吉林省气象台，吉林长春 130062；2.吉林省气象科学研究所，吉林长春 130062；3.长白山气象与气候变化吉林省重点实验室，吉林长春 130062）

1 引言

近年来，随着计算机计算能力的提升，各种数值模式不断发展，各类降水预报产品层出不穷，数值模式的定量降水预报已经成为业务领域重要的参考依据[1-3]。要想了解模式对于降水的预报能力，对于降水产品的检验必不可少[4]。 目前针对ECMW_HR、日本、T639、JLWRF、国家气象中心集合预报等模式降水产品在吉林省表现能力的研究已有不少的成果[5-8]。 前人的研究方向主要集中于研究各个模式产品在不同天气系统下的预报效果， 而东北冷涡背景下模式的降水预报能力评估是其中一个重要的方向。

东北冷涡是夏季影响吉林省的重要天气系统，冷涡背景下的降水多阵性，且局地性、对流性强[9]，因此冷涡降水预报一直是业务预报中的难点之一。 受限于数值模式分辨率与参数化的影响，ECMWF_HR 与CMA-GFS 等大尺度系统对于大量级降水预报能力有限，空报与漏报明显[10-13]，而区域模式能够更细致地描述局地大量级降水的分布， 因此总结不同区域模式对吉林省东北冷涡降水的预报能力能够为今后的东北冷涡降水预报提供参考依据。

2 资料与方法

2.1 资料选取

根据孙力等[6]对东北冷涡的定义，2022 年夏季（6—8 月）有26 d 为东北冷涡影响日。 实况选取东北冷涡影响日吉林省1 445 站 （包括国家站与区域站）的逐小时与逐12h 降水实况资料，模式数据采用国家局中尺度天气数值预报系统（CMA-MESO）、 华北区域数值业务模式 （CMABJ）与华东区域数值模式（CMA-SH9）3 种区域模式08 时与20 时起报的12—36 h 预报时效内的逐小时与逐12h 降水预报数据，3 种区域模式的基本信息如表1 所示。

表1 CMA 区域模式相关信息

2.2 检验方法

根据吉林省气象局科技与预报处2022 年11月印发的《吉林省智能网格天气预报产品质量检验方案》（下称《检验方案》），首先将模式格点数据应用临近点插值方法插值到站点， 在预报与实况数据进行时间匹配后，再计算相关检验指标。

对于24 h 时效的逐12 小时降水预报 （下称24 h 降水预报），使用TS 评分、Bias 评分、均方根误差等进行检验；对于逐小时降水预报，使用均方根误差、短时强降水命中率与空报率等指标进行检验。 其中，短时强降水定义为小时雨强大于20 mm/h，检验时使用领域法对站点周围40 km 半径范围内的强降水进行筛选， 若范围内出现了强降水，即视为此站点出现了短时强降水。各指标详细计算公式与说明参照《检验方法》。

3 结果分析

3.1 2022 年夏季吉林省东北冷涡降水特点

在冷涡影响日中共有8 218 站次出现短时强降水，其中6 月出现3 152 站次，7 月4 696 站次，8 月370 站次， 短时强降水主要集中在6 月和7月。从强降水发生次数的日变化看，其表现出双峰型分布，峰值分别出现在19 时（588 次）与05 时（459 次），19 时强降水主要出现在吉林省东部与北部地区， 而05 时强降水主要出现在辽源地区，这说明吉林省的短时强降水日变化存在凌晨与傍晚两个频次极值， 而非前人认为的单峰型午后极值[14]，其产生原因需要进一步研究。 绝大部分短时强降水过程持续时间不足2 h， 有较强的局地性，仅有10 站次的短时强降水持续时间超过2 h。 从地区分布看，白城北部、四平东部、长春东部、辽源以及通化北部出现短时强降水的频率明显高于其他地区， 辽源东辽明德村出现17 次短时强降水，白城5 站、长春5 站、辽源1 站、四平1 站出现16次短时强降水。

在冷涡影响日中共有2 776 站次出现暴雨，其中6 月1 231 站次，7 月1 438 站次，8 月107 站次。暴雨主要集中在白城北部、松原北部、长春、四平中部以及通化南部， 其中长春的德惠有2 站各出现7 次暴雨， 另外有33 站各出现6 次暴雨，主要集中在长春市中东部。

3.2 24 h 降水预报检验评估

3.2.1 TS 评分与Bias 评分

图1 给出了各区域模式的降水分量级TS 评分与Bias 评分。 由图1 可知， 对于小雨量级，CMA-BJ、CMA-MESO、CMA-SH9 的TS 评分分别为0.80、0.74 和0.77。 从Bias 评分来看，3 个模式的评分均小于1， 小雨误差以漏报为主， 其中CMA-BJ 的Bias 评分最接近于1， 对小雨预报效果最好。对于中雨量级，CMA-MESO 的TS 评分高于其他两个模式，但是同时其Bias 评分大于1，高于其他两个区域模式，对中雨略有空报。

图1 2022 年夏季东北冷涡背景下吉林省CMA 区域模式24 h 降水预报产品分量级TS 评分（a）与Bias 评分（b）

对于大雨及以上量级， 从TS 评分看，CMAMESO 评分较高， 大雨与暴雨的TS 评分分别为0.11 与0.04， 大于CMA-BJ 的0.9、0.03 与CMA-SH9 的0.10、0.03。 但是值得注意的是，从Bias 评分看，3 个区域模式的Bias 评分均大于1，说明模式预报误差主要以空报为主， 相较之下，CMAMESO 暴雨预报的Bias 仅为1.28，预报效果最好。

结合TS 评分与Bias 评分看，CMA-BJ 模式在小雨量级表现最好，CMA-MESO 在大雨及以上量级预报效果最好， 特别是在暴雨量级， 有最大的TS 评分与最接近1 的Bias 评分，大雨以上量级的模式误差主要由降水空报造成。

3.2.2 降水概率分布与频率匹配分析

在晴雨概率分布方面， 实况晴雨概率分别为0.58 与0.42。CMA-MESO 的晴雨预报概率与实况最为接近， 分别为0.58 与0.42；CMA-BJ 为0.49与0.51，对于晴空预报概率偏低，降水概率偏高；CMA-SH9 为0.6 与0.4，对于晴空预报概率偏高，降水概率偏低。

从降水累计概率分布来看（图2a），实况数据在暴雨量级以下的累计概率已接近0.99，而3 个区域模式的累计概率均低于实况，说明3 个区域模式暴雨样本量要高于实况，暴雨以上量级的降水存在空报。 累计降水极值方面，实况最大降水量为173.4 mm，CMA-MESO 与CMA-SH9 极值均低于实况，分别为134.6 mm 与139.6 mm。在实况降水累计降水概率到达1 时，CMA-BJ 概率不足1， 说明此模式对于降水极值明显高估 （为227.31 mm）。

图2 CMA 区域模式24 h 降水预报产品与实况降水的概率分布函数对比（a）、频率匹配映射关系（b，黑色虚线代表完美预报）

在暴雨及以上量级的频率匹配映射关系曲线中（图2b），CMA-MESO 位于最左侧，相同概率下降水的预报值要小于实况，CMA-BJ 与CMA-SH9预报曲线与完美预报更为贴合，但两者在100 mm以上的降水预报表现出现差异，CMA-SH9 倾向于降水低估，而CMA-BJ 倾向于降水高估。

3.2.3 相关性与误差分析

从相关系数可以发现，CMA-BJ 与CMA-SH9的相关系数差距较小， 均为0.27 左右，CMAMESO 相关系数最高，为0.31。从标准差看，3 个模式的标准差均大于实况标准差， 说明模式预报降水的变化幅度较实况偏大，其中CMA-MESO 的变化幅度最小， 预报值更为集中，CMA-BJ 次之，CMA-SH9 最大。均方根误差显示，CMA-MESO 均方根误差较小，CMA-BJ 与CMA-SH9 较大。

从均方根误差的空间分布来看，3 个模式的误差高值区基本集中在吉林省的中部和北部。 表现最优的CMA-MESO（图3）在吉林省东部预报表现要优于其他地区。值得指出的是CMA-MESO 的误差高值区与吉林省中西部暴雨发生频次的空间分布类似，说明在此地区CMA-MESO 对于暴雨预报的误差较大。 东南部地区虽然暴雨发生频次也较高，但是均方根误差较小，说明CMA-MESO 对于东部暴雨的预报能力要优于中西部地区。

图3 CMA-MESO 降水预报产品均方根误差的空间分布

3.3 逐小时降水预报检验评估

对于短时强降水，CMA-MESO 表现最好，命中率最高（0.12），同时空报率最低；其次是CMASH9 与CMA-BJ，命中率分别为0.10 与0.06。在实际业务中， 还需要关注小时雨强大于10 mm/h 的降水，特别是前期累计降水已经较大时，较大的雨强极易引发次生灾害。 对于大于10 mm/h 的降水仍为CMA-MESO 表现最优， 命中率达到0.23，远高于CMA-SH9（0.18）与CMA-BJ（0.11）。

从逐小时的均方根误差分布看（图4），各模式均在21～24 h 时效与32～36 h 时效有较大误差。CMA-BJ 在12～18 h 预报偏差较小，随着预报时效的增加，误差也逐渐波动增大。 CMA-SH9 整体看预报效果较差，大多数时效内，该模式预报误差为3 个模式之最，特别是在12 h 与24 h 时效，其误差均大于4.8。CMA-MESO 在12～30 h 预报偏差较为稳定，相较于其他两个模式预报偏差较小，效果最好；在31 h 之后，其预报偏差才逐渐增大。

图4 CMA 区域模式逐小时降水预报产品均方根误差热力图

4 结语

通过对2022 年夏季东北冷涡背景下3 种CMA 区域模式12～36 h 时效的降水预报产品在吉林省的预报能力进行检验评估，得到了如下结论：

（1）对于24 h 降水，从分量级降水预报能力来看，CMA-BJ 在小雨量级表现最优；CMA-MESO在大雨及以上量级预报较好， 特别是在暴雨及以上量级在3 个模式中表现最为优异。 各模式在小雨量级的误差主要由降水漏报引起， 其他量级的误差主要由降水空报造成。

（2）从降水极值的预报能力来看，CMA-MESO与CMA-BJ 预报偏小，CMA-SH9 预报偏大，CMA-BJ 与CMA-SH9 的频率匹配函数更接近于实况，而CMA-MESO 倾向于对大降水量低估。 从误差来看，CMA-MESO 的相关系数最高，3 个模式的标准差均大于实况， 预报降水的变化幅度较实况偏大，其中CMA-MESO 表现最好，降水预报值更集中。 同时，CMA-MESO 的均方根误差也最低，误差主要集中在吉林省中西部， 且和此地区的暴雨频次空间分布类似，说明CMA-MESO 对于吉林省中西部暴雨预报误差较大而对于东部降水特别是暴雨有较好的预报能力。

（3）对于逐小时降水预报，无论是大于20 mm/h还是大于10 mm/h 雨强的降水，CMA-MESO 均表现最优，特别是对大于10 mm/h 的降水，其命中率要远大于其他两个模式。 同时，CMA-MESO 的逐小时预报误差表现优秀， 在12～31 h 时效误差变化不大，在31 h 时效后误差才逐渐增大。