动态垂直变率降尺度方法在气温智能网格预报中的应用*

赵瑞霞 代 刊 王 勇 曹 勇 朱跃建 王宝利

1.国家气象中心，北京，100081

2.南京信息工程大学，南京，210044

3.美国国家环境预报中心/环境模式中心，马里兰，20740

4.北京文泽智远信息技术有限公司，北京，100081

1 引言

当前，无缝隙精细化网格气象预报已经成为世界各国气象业务中的主流产品。与传统站点预报相比，精细网格预报不仅可以提供人口密集、气象观测良好地区的丰富预报信息，也可以为复杂地形和观测站较稀疏地区的气象服务提供有力支撑（Engel，et al，2012），并且更有利于气象预报在各相关行业的应用，尤其是水文、生态和农业等领域（Walton，et al，2018）。虽然数值预报模式本身就可以提供大气状态的三维网格预报，但是基于大气动力学的数值模式仍然无法清晰描述所有物理关系，其预报也无法解决近地面的天气细节问题，具有较大的系统和随机误差（丁一汇，2005；Boeing，2016）。因此，在实际天气预报业务中，仍然需要在模式预报基础上利用实况信息进行解释应用，提高预报技巧（Glahn，et al，1972；Carter，et al，1989；Vislocky，et al，1995；Krishnamurti，et al，1999；刘还珠等，2004；赵声蓉等，2012；代刊等，2016；赵瑞霞等，2020；杨绚等，2022）。

气温是天气预报中十分重要的要素，对农业、航空及人民日常生活出行等都有广泛影响。在制作气温网格预报过程中，鉴于站点观测实况具备的更高可信度，通常仍然采用在站点上进行模式预报统计后处理，获得预报性能良好的气温客观预报，然后结合网格背景预报场，采用克里金法、反距离权重法、梯度距离平方反比法（Nalder，et al，1998）等插值方法进行客观分析，使网格点预报逐步向站点预报逼近，形成最终的网格预报结果。譬如，美国为了适应数字预报数据库发展趋势（Glahn，et al，2003），Glahn 等（2009）基于站点MOS 预报通过CRESSMAN 逐步订正方法生成了网格化MOS 气温指导预报产品。客观分析过程中，考虑了气温垂直变率，为了正确反映垂直变率随不同空间位置、一天中不同时间、一年中不同日期以及天气状况的变化，他们采用了实时统计每个网格点一定半径范围内MOS 站点预报随高度实际变化率的方法。中国当前网格预报体系中，短时滚动更新气温预报采取格点化建模的方式实现网格化预报产品的生成（曾晓青等，2019）；短中期和延伸期气温都采用将网格点背景场预报逐步向站点释用预报逼近的方法生成网格预报（金荣花等，2019），客观分析过程中也考虑了高程影响，气温垂直变率目前采用固定经验值。

在整个格点站点预报融合生成网格预报的过程中，作为背景场的网格预报的准确率和空间精细刻画能力，对最终网格预报性能及精细化表征能力具有重要影响，尤其对于观测资料较少而且地形复杂地区。由于数值模式的空间分辨率通常不能满足网格预报的精细分辨率需求，为了提供精细刻画不同地形条件下近地面天气细节的网格背景预报场，首先必须进行空间降尺度（Ben Alaya，et al，2015；曹勇等，2016；Tang，et al，2018；Price，et al，2022）。一种比较高效的统计降尺度方法是，基于物理原理将低分辨率预报与高分辨率数据联系起来，譬如结合高分辨率的高程数据，采用考虑气温垂直变率的插值或者线性回归等方法，将较低分辨率的模式气温预报降尺度为较高分辨率产品（Willmott，et al，1995;Gardner，et al，2009；李框宇等，2019）。近年的很多研究发现，早期经常使用的0.55—0.65℃/（100 m）气温垂直递减率定常数值并不能很好地支持水文及大气研究（Minder，et al，2010；Holden，et al，2011；Shen，et al，2016；Yadav，et al，2019；He，et al，2020；罗伦等，2021，陈志军等，2022），因为观测数据表明大气近地层气温垂直变率具有十分明显的时空变化。

为了提高网格预报背景场对高程等地理信息的精细刻画能力，并且反映不同地区、不同时间和不同天气形势下气温随高度的实际变化情况，本研究设计了一种动态垂直变率高程降尺度方法（DRD，Downscaling method considering elevation by Dynamic vertical lapse Rate）。针对每次起报时间、每个预报时效的每个目标格点，利用该点周围的数值模式地面气温预报，结合模式格点及目标格点的高程数据，实时动态统计该点附近气温的垂直变率（VCE，the Vertical Change of surface temperature with Elevation，Glahn，et al，2009），尽可能遵照模式地表气温的垂直变化规律，以实现经过高程订正的降尺度预报。另外，将DRD 方法运用在生成稠密站点预报中，也可以作为一种站点统计后处理预报结果，提高预报准确率，可以作为站点多源预报产品融合的基础产品之一。文中将针对中国区域，尤其是最具地形复杂性的青藏高原等地区，分析DRD 方法的合理性和应用效果。

2 资料和方法

本研究基于0.125°×0.125°分辨率的ECMWF数值模式的地面气温预报开展动态垂直变率高程降尺度（DRD）试验，生成0.05°×0.05°目标分辨率的网格预报背景场，以及中国10461 个站点预报。文章除了使用ECMWF 数值模式0.125°×0.125°分辨率的地面气温外，还使用了该模式相应分辨率的高程数据，国际科学数据服务平台（http://datamirror.csdb.cn）下载的0.05°×0.05°高程数据（与 ECMWF模式高程数据具备较好一致性），以及10154 个站的地面气温观测资料及其经度、纬度和海拔高度数据。网格预报覆盖范围为（EQ—60°N，70°—140°E）。

针对任意起报时间和任意预报时效，为了实时统计任意目标格点或站点（简称“目标地点”）附近气温的垂直变率（VCE），以ECMWF 数值模式的0.125°×0.125°分辨率网格为准，选取目标地点周围邻近16 个格点作为统计样本量（图1），利用ECMWF模式的地面气温及其高程数据计算VCE 值。本研究通过开展9 和16 个格点样本量方案的对比分析获知，16 个格点样本量方案的预报准确率相对更高（图表略）。首先，选取目标地点最近1 个格点作为区域内“基准点”，然后利用周围其他15 个格点及该“基准点”的地面气温和高程，求取VCE，见式（1）。

图1 基于ECMWF 数值模式0.125°×0.125°分辨率网格选取目标地点D 周围最近16 个格点作为VCE 统计样本量的示意（点B 为离目标地点最近的基准点（也有可能B、D 重合），绿色实心圆标记网格点是用于与B 点结合求取VCE 的其他15 个点）Fig.1 Schematic diagram for the selection of 16 grid points nearest to the target site D as the VCE statistical samples based on the 0.125°×0.125° resolution grids of the ECMWF numerical model（Point B is the reference point closest to the target site（it is also possible that B and D coincide），and the green solid circle grid points are the other 15 points used to calculate VCE in combination with point B）

式中，tc和hc分别为“基准点”的基准地面气温和基准高程，ti和hi分别为目标点周围除基准点之外的其他m个点中任意点的地面气温和高程（m≤15），VCE为目标地点及附近的气温垂直变率。

在气温垂直变率求取过程中，除基准点外的其他15 个点中，只有与基准点高程差值的绝对值超过130 m（秋季和冬季）或者150 m（春季和夏季）的站点被选入，该高程差阈值是基于降尺度预报准确率对比试验结果确定的（图表略），该数值与Glahn等（2009）研究中使用的130 m 比较接近。VCE 的计算过程中，针对每个起报时次、每个时效的预报场，实时动态统计了所有目标地点对应的全场VCE的百分位分布，当目标地点周围所有参与计算VCE的15 个点与基准点的高程差绝对值均不满足大于130（或150）m 条件时，则该目标点的VCE 值近似采用当前VCE 分布场的50%分位值。

当计算得到目标地点及附近气温的VCE 后，先将目标地点周围邻近4 个格点的气温按照该VCE 值转化为与目标地点相同海拔高度平面上的气温（式（2）），然后利用双线性插值方法生成目标地点地面气温预报值（式（3）—（5））。

本研究以2021 年4、7、10 月和2022 年1 月为例，基于ECMWF 全球数值模式，代表性分析春、夏、秋、冬四个季节VCE 的时空分布情况，并且通过与DMO 方法对比，分析中国及部分复杂地形区域DRD 站点气温预报的准确率，以及DRD 网格气温预报的空间精细刻画能力，以了解DRD 方法的合理性和效果。

3 VCE 时、空分布特征

3.1 日变化

由中国区域0.05°×0.05°网格DRD 预报的VCE全场不同百分位的预报时效分布可以看到（图2），地面气温VCE 存在明显日变化，不论5%、50%或是95%分位VCE 在所有季节都具有十分相似的日变化规律。各分位值一般在08 时（北京时，下同）具备逐日最大值，即地面气温随高度递减最慢或者递增最快，其中5%分位VCE 在1 月于11 时达到最大，95%分位VCE则在4、7、10 月于05 时即达到最大。之后逐渐减小，各分位值一般至17 时达到日最小值，地面气温随高度递减最快或递增最慢，其中5%分位VCE 在4、10、1 月，以及95%分位VCE在7 月至20 时才达到最小值。5%和50%分位VCE在各个季节平均值大部分为负值，即地面气温随高度为递减，其日内变化幅度大约为0.3℃/（100 m）；而95%分位VCE 在大部分季节以正值为主，尤其是冬季，只有夏季正负值比例相对接近，95%分位VCE 的日内变化幅度在不同季节内大约为0.5—0.8℃/（100 m），明显大于较小百分位值的日变化幅度。

图2 基于ECMWF 模式08 时起报的中国区域2021 年4 月（红色）、7 月（绿色）、10 月（黄色）及2022 年1 月（蓝色）地面气温的DRD 网格预报中不同分位（5%（点划线）、50%（实线）和95%（虚线））的VCE 随240 h 预报时效的分布Fig.2 Monthly mean VCE variations at lead times up to 240 h during April（red），July（green），October（yellow）2021 and January 2022（blue）over China based on ECMWF surfac air temperature forecast initialized at 08:00 BT（unit: ℃/（100 m）;VCEs of 5%（dash-doted line），50%（solid line）and 95%（dashed line）quantiles are displayed respectively）

VCE 的日变化规律是合理的。大气最重要的加热源来自地面长波辐射，白天随着太阳照射增强，地表逐渐受热升温，来自地面的长波辐射加热能力逐渐加强，靠近地表的大气首先受热升温，气温随高度递减的现象便逐渐加强，原本随高度递增的现象则逐渐减弱，累积至17 或20 时VCE 变为最小值，达到垂直递减速度最快或者垂直递增最慢；晚上随着到达地面太阳辐射的消失，地表逐渐降温，地面长波辐射的加热能力比白天明显下降，并逐渐转变为辐射冷却作用，高空气温降温较慢，因此气温随高度的递减率逐渐减小，甚至出现递增现象形成辐射逆温，而冬季部分地区一整天均为递增的情况下，则递增率在夜里逐渐增大，经过一晚上累积效应，至05、08 或11 时VCE 变为最大，达到最小垂直递减率或者最大垂直递增率。

3.2 季节差异

结合图2—4 还可以看到，地面气温VCE 还存在明显的季节差异。春季4 月、夏季7 月、秋季10 月、冬季1 月的5%至95%分位VCE 值范围（图2）分别为-1.44—0.57、-1.21—0.25、-1.46—0.69、-1.44—1.62℃/（100 m），冬季VCE 数值的变化范围显著大于其他季节，主要体现在部分地区近地面大气的逆温情况比较显著，地面气温随高度递增，尤其是08 时（图3）和11 时，中国以北的大片高地形区域的气温随高度上升大幅度升高，最高递增率可达到1.62℃/（100 m），有的区域（如阿尔泰山和杭爱山等地）甚至全天VCE均为正值，保持逆温状态（参照图2 中的95%分位VCE 值及图3d 和图4d，其他时效VCE 空间分布图略）。夏季VCE数值的波动范围最小，表现为地面气温随高度的最大递减率和最大递增率均比其他季节偏小，如最大递增率，即使是95%分位VCE，除02、05 和08 时等3 个时次出现较小正值以外均为负值，表明夏季文中所研究区域的地面气温随高度上升总体为递减。春季和秋季的VCE 波动幅度相对接近，秋季幅度略大。240 h 内80 个时效50%分位VCE 数值在春、夏、秋、冬季4 个月份预报中分别为-0.84—-0.51、-0.76— -0.51、-0.75— -0.46 和-0.63—-0.28℃/（100 m），地面气温随高度上升递减，其中冬季递减率明显较小，其他三季与传统研究中使用的气温垂直递减率（0.55—0.65℃/（100 m））接近。

图3 2021 年4 月（a）、7 月（b）、10 月（c）、2022 年1 月（d）基于ECMWF 模式的5 km 网格气温预报垂直变率的空间分布（对应于北京时08 时起报的24 h 预报；单位：℃/（100 m））Fig.3 Spatial distributions of 5 km resolution VCE in April（a），July（b），October（c）2021 and January（d）2022 based on ECMWF surface temperature forecast（initialized at 08:00 BT，lead time +24 h；unit：℃/（100 m））

图4 同图3，但为9 h 预报（17 时）Fig.4 Same as Fig.3 but for the lead time of 9 h（17:00 BT）

总体而言，冬季不同区域VCE 变化较大，地面气温随高度的递减率比其他季节明显偏小，这与以往的研究结论一致（Blandford，et al，2008；翟丹平等，2016；马新萍等，2017），部分高地形区域存在随高度上升迅速递增现象，这主要由于冬季夜间地面辐射降温更加明显，且夜晚更长，大气低空更容易出现辐射逆温层，并且蒙古高原等高纬度高地形区域冬季多受高压系统控制，长时间的辐射冷却及下沉绝热升温作用，都加剧了这些区域逆温层的出现和保持（图3d）。夏季地面气温大部分情况随高度递减，不同区域VCE 变化幅度相对较小，递减率整体比较大（He，et al，2020），这与夏季白天太阳辐射对地表加热相对更强、同时夜晚地表辐射的冷却作用相对其他季节较弱有关；春季和秋季情况介于冬季与夏季之间。

3.3 空间分布

由DRD 方法的VCE 空间分布（图3—4，其他时效图略）可以看到，VCE 的空间分布与地形和海陆分布密切相关。在大地形边缘的地形梯度大值地区，VCE 通常相对周围区域具备更大数值，地面气温随地形增高表现为递减速度相对较慢或者出现逆温递增。这应该主要是由于这些区域地形导致的山风、谷风、地形强迫平流上升等的山地气流效应，加强了气流垂直交换，譬如白天的谷风将山脚地表迅速加热的空气吹向山坡，与之相伴随的是山脚上空相对较冷空气出现下沉，减弱了气温随高度递减率增强的趋势；而夜间的山风将山坡地表附近迅速冷却的空气吹向山脚，同时伴随山坡上空相对较暖空气下沉，有时甚至会导致山坡地表气温高于山脚而促使VCE 正值出现。同时，与大部分研究一致（Beniston，et al，1994；Sun，et al，2017;Wang，et al，2018），复杂高地形区域的地面气温随高度变化幅度一般比较大，例如青藏高原、大兴安岭、长白山、蒙古高原和斯塔诺夫山脉等地区，通常更容易出现较大正值VCE 或者较大负值VCE，地面气温随高度上升会快速升温或者降温。这应该主要是因为复杂高地形区地表的白天升温和夜晚降温相对更快、日较差较大，放大了VCE 的日变化幅度。

海岸线附近，VCE 值在白天08—17 时有时表现为逆温现象。这是由于白天海洋比陆地升温慢导致海岸线附近随地形增高气温也增高，因此VCE 表现为正值。另外，与此相似，以贝加尔湖、青海湖等为代表的陆面湖区边缘，在春季的4 月白天（08—17 时）以及夏季全天经常表现为逆温区。但是对于秋季和冬季的高纬度贝加尔湖区则相反，除气温较高的11—14 时外，其他大部分时间湖区边缘与周围区域相比为递减率大值区。这主要是因为此时湖面气温经常显著高于周围陆地，所以湖区边缘随着地形的增高地面气温迅速变低。

由上述可见，基于ECMWF 模式预报实时动态统计的地面气温随高度的垂直变率，不论日循环、季节变化或是空间分布特征，均与之前基于实况观测资料统计结果的大部分研究结论一致，并且符合大气热力和动力变化规律，说明ECMWF 地面气温随高程的变化比较合理，为DRD 方法应用的合理性和可行性提供了支撑。需要补充说明的是，DRD方法在华北平原、长江中下游平原、东北平原、恒河平原以及图兰低地等地形平坦地区和海区，由于高程差不满足大于130（或150）m 条件，因此很大一部分区域采用了50%分位VCE 值（见图3、4）。这在一定程度上会导致图3、4 中大地形边缘和海陆边界（简称边界线区域）等的VCE 分布与周围的差异看起来更加明显，但即使不考虑平坦区域的对比，由大地形内部、海陆边界附近陆地区域的VCE 空间分布也可以看出这些边界线区域VCE 分布的不同。

4 DRD 气温预报性能评估

为了解DRD 方法预报性能，考虑站点观测资料与网格实况分析数据相比具备更高可靠性，选取中国10154 个站对比检验了DRD 与DMO 预报的误差情况。图5 给出了DRD 和DMO 各自预报平均绝对误差（MAE，Mean Absolute Error）更小的站点分布情况，以及它们各自预报性能更优或者相等的站点总和，图中绿色表示DRD 具备更小误差，预报性能更好，黄色至红色表示DMO 预报性能更好，蓝色表示两者性能相等。可以看出，4 个季节的月份中，DRD 方法预报性能整体明显优于DMO，尤其是春、夏和秋季，DRD 预报性能更好的站点分别占总站点的65.0%、64.2%和65.7%，且大部分复杂地形区DRD 预报效果更好，例如青藏高原、太行山、大兴安岭、长白山、天山山脉等地区。同时，由春、夏和秋季预报可以看到，整体而言DRD 更好的绿色部分深色更多，DMO 更好的黄色和红色部分一般颜色较浅，说明DRD 改进MAE 幅度比较大，尤其是高地形及其周围高程梯度大值区，而DMO预报性能相对更好区域的MAE 偏小幅度比较小，DMO 的MAE 较小站点通常集中在云贵高原东部至东南丘陵中西部的部分地区、江淮平原东部沿海区域、松嫩平原等地区，其中部分区域由于高程差不满足大于130（150）m 条件，VCE 采用了与经典定常数值比较接近的50%分位值，这种近似可能会影响DRD 的预报效果，业务应用中可以尝试这些区域采用与DMO 预报方案相结合。冬季1 月的预报中只有54.8%的站点DRD 预报性能更好，说明ECMWF 的地面气温预报在1 月随高程的分布没有其他3 个月份更加合理，与其他3 个季节相比，地形梯度大值区及高地形区的预报误差改进效果明显变差，可能与实际气温的分布情况相比，ECMWF模式对于冬季这些区域的较大正值VCE 的逆温现象模拟有些夸张。另外，气温的变化除了受高程影响外，还会受到天气系统水平移动等其他因素的影响，在VCE 的计算过程中，虽然为了更多体现高程的作用开展了高程差阈值限制，但由于忽略了VCE统计范围（ECMWF 模式分辨率下最大距离约为35 km）内的其他影响因素，这种近似还是会带来一定误差，造成DRD 方法存在一定局限。

图5 中国区域10154 站基于ECMWF 模式北京时08 时起报的3—72 h 时效DRD 与DMO 气温预报平均绝对误差的差值（单位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月；图中DRD 和DMO 对应数字表示它们各自平均绝对误差小于对方的站点数目，绿色为DRD 误差更小的站点，黄色至红色为DMO 误差更小的站点，蓝色为两者误差相等）Fig.5 Differences（unit：℃）between MAEs of DRD and DMO 2m temperature forecasts at 10154 stations in China based on the ECMWF model（initialized at 08:00 BT，lead time up to 72 h）during（a）April，（b）July and（c）October 2021 and（d）January 2022（the corresponding numbers of DRD and DMO refers to their respective better performance stations；the green points correspond to the stations where DRD forecast is better，the yellow ones indicate the DMO forecast is better，and the blue ones indicate the DRD and DMO perform the same）

需要说明的是，由于中国10154 个站的空间覆盖范围相对较小，站点DRD 预报的VCE 变化幅度（图6）比（EQ—60°N，70°—140°E）范围网格预报（图2）小，春季的4 月、夏季的7 月、秋季的10 月、冬季的1 月的5%至95%分位VCE 值范围分别为-1.23—0.40、-1.18—0.00、-1.18—0.39、-1.27—0.73℃/（100 m），但同样是冬季的VCE 变化范围最大，而且VCE 的日变化和季节差异特征与网格预报也基本一致。

图6 同图2，但为中国10154 个站地面气温的VCEFig.6 Same as in Fig.2 but for 10154 stations

选取青藏高原南部（Tibet：22°—34°N，85°—110°E）和天山山脉区域（Tianshan：42°—43°N，80°—90°E）作为复杂地形区域代表，分析它们以及中国区域（CHN，China）的DRD 和DMO 预报性能。由图7 可知，就中国范围而言，4 个月份的预报几乎所有时效都是DRD 预报的MAE 明显小于DMO 预报，MAE 减小幅度分别为0.10—0.39、0.06—0.52、0.09—0.53 和0.04—0.40℃，与图5 结论一致，春、夏和秋季的改进效果优于冬季。青藏高原南部和天山山脉的MAE 减小幅度更大，分别为：4 月约为0.65—1.85 和0.26—1.26℃，7 月约为0.16—1.37 和0.28—1.22℃，10 月约为0.08—1.23 和0.38—1.29℃，1 月约为-0.44—0.49 和0.19—1.16℃，可以看到，青藏高原南部4 月改进幅度最大，MAE 减小幅度为14.3%—52.5%，但是1 月高原南部除了17 和20 时为DRD的MAE 更小外，其他时间反而是DMO 预报性能更好，而天山山脉则4 个月份都是DRD 预报性能明显优于DMO 预报。另外，还可以看到，所有区域DRD 的改进效果总体随着预报时效的延长存在较小幅度的变弱趋势，说明随着预报时效的延长，ECMWF 模式对于VCE 的模拟性能有轻微下降；与此同时，DRD 的改进效果还存在明显的日变化，一般分别在08 和17 时达到最小和最大的改进幅度，恰好对应于VCE 值达到最大和最小的时间点，说明与白天地表加热大气过程相比，ECMWF 模式对夜间地表辐射逐渐冷却大气过程中地表气温随高程变化的模拟性能相对较差。

图7 青藏高原南部、天山山脉及全中国区域08 时起报的240 h 内DMO 和DRD 预报的平均绝对误差对比（单位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月）Fig.7 Time series of MAEs（unit：℃）for DMO and DRD forecasts at lead times up to 240 h initialized at 08:00 BT in（a）April，（b）July，（c）October 2021 and（d）January 2022 over China and the regions of southern Qinghai-Tibet plateau and Tianshan mountain

可见，对于ECMWF 模式地面气温，基于DRD方法制作的预报比使用双线性插值的DMO 预报具有更好的预报性能，尤其对于复杂地形区，春、夏、秋季改进效果比冬季更加稳定和显著。DRD 方法对于预报性能的提升，进一步说明DRD 方法的合理性和应用于智能网格预报流程的可行性。

但考虑DMO 也存在相对优势的区域和时段，业务应用中可以考虑在这些情况下将DRD 和DMO 方法结合使用，例如在高程差不满足大于130（或150）m 时，将VCE 采用50%分位值的方案直接切换为采用DMO 预报，其他区域仍然采用DRD预报，简称为COM1 综合方案。由图8 可以看到，COM1 综合方案在全国和天山山脉区域的MAE 在所有时效都比单纯DRD 方法有所减小，青藏高原南部地区的MAE也在大部分时效减小，减小量级比较小，冬季相对大一些。可见，DRD 和DMO 组合可以进一步小幅度提升预报性能。另外，针对冬季青藏高原等VCE出现极大正值情况，后期也可以尝试使用VCE 中位值或固定递减率，或者与DMO预报相结合。

图8 青藏高原南部、天山山脉及整个中国区域08 时起报的240 h 内COM1 预报方案的MAE 与DRD 预报的MAE 的差异（DIF，单位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月）Fig.8 Time series of difference（DIF；unit: ℃）between MAEs for COM1 and DRD forecasts at lead times up to 240 h initialized at 08:00 BT in（a）April，（b）July，（c）October 2021，and（d）January 2022 over China and the regions of southern Qinghai-Tibet plateau and Tianshan mountains

5 DRD 气温预报的空间精细特征

青藏高原地势陡峭复杂，受到复杂动力、热力和摩擦作用（丑纪范，1989）影响，气象要素的空间变率很大。因此，选取高原地区作为代表，并且考虑预报效果改进及对应的VCE 分布合理性，选择2021 年4 月15 日ECMWF 模式08 时起 报的3 h 预报个例，对比分析DRD 和DMO 气温预报的空间精细特征刻画能力。图9 中DMO 和DRD 气温预报均为0.05°×0.05°分辨率，但是可以看到，DRD 气温预报清晰细致地刻画出了随地形的变化细节，更好地捕捉到高原地形的沟壑起伏、河流等区域的气温变化特征，这是因为通过结合更加精细的地理高程信息，可以识别出0.05°分辨率下的精细河谷和山脉等的分布特征，进一步基于数值模式的VCE 规律，实现了对小尺度地形造成的气温变化细节的识别；而DMO 预报虽然分辨率比原始0.125°有所提高，但是由于只是简单双线性插值，并没有增加任何可以提供降尺度信息的内容，所以DMO 气温的空间分布无法刻画出比原始分辨率模式预报更丰富的变化细节。对比之下，DRD 方法显著提高了对地面气温预报空间特征的精细刻画能力，明显优于DMO 方法。

图9 2021 年4 月15 日08 时起报的青藏高原南部（a）DMO 和（b）DRD 气温3 h 预报平面分布对比（单位：℃）Fig.9 Maps of（a）DMO and（b）DRD surfac air temperature（unit: ℃）forecasts at 3 h lead time over the south of the Qinghai-Tibet Plateau initialized at 08:00 BT on 15 April 2021

6 结论与讨论

为提高智能网格天气预报的空间精细特征刻画能力和预报准确率，针对网格预报初始背景场及站点初始预报的制作过程，设计研发了动态垂直变率高程降尺度预报方法（DRD），基于ECMWF 数值模式08 时起报的预报和精细高程数据开展了DRD气温降尺度试验，分析动态垂直变率（VCE）的日变化、季节差异及空间分布特征，对比DRD 与DMO气温预报的准确性及其对复杂地形区域空间精细特征的刻画能力。得到如下结论：

（1）基于ECMWF 模式的中国区域地面气温VCE 存在明显的日变化、季节差异和空间变化。适应大气最重要的加热源——地面长波辐射的日循环，白天VCE 逐渐减小，至17 时（或20 时）达到日最小值，夜里VCE 逐渐增大，至08 时（或05、11 时）达到日最大值。VCE 在冬季变化幅度最大，突出表现为中国以北大片高地形区等区域的VCE 出现较大正值，部分区域甚至全天均为逆温状态，主要是由于冬季夜间地面辐射降温强烈而进一步增强了这些区域的低空辐射逆温层；夏季地面气温大部分情况随高度上升递减，VCE 空间和日变化幅度相对较小，这与夏季地表辐射白天加热较强和夜晚冷却较弱有关；春季和秋季情况介于冬、夏季之间。VCE 分布与地形地势、海陆和内陆湖分布等密切相关。大地形边缘受山地气流垂直交换加强影响，VCE 数值明显大于周围区域；青藏高原等高地形区由于白天升温和夜间降温都相对更快，通常更容易出现较大正值或负值VCE；另外，受水体和陆面热容量差异影响，部分海岸线在08—17 时，以及贝加尔湖和青海湖等内陆湖区边缘在春季08—17 时和夏季全天，VCE 通常突出表现为正值区，而秋冬季高纬度的贝加尔湖区情况相反，大部分时间（除11—14 时外）表现为递减率大值区。

（2）中国区域DRD 气温预报的准确性以及对空间精细特征的刻画能力均明显优于DMO。全国DRD 预报的平均绝对误差（MAE）全年均比DMO明显减小，改进效果在复杂地形区更为显著，尤其是4、7 和10 月，以青藏高原南部和天山山脉地区为例，MAE 减小幅度最大可达1.22—1.85℃。DRD改进效果随着预报时效延长存在变弱趋势，还存在明显的日变化，一般分别在08 和17 时达到最小和最大改进幅度，说明ECMWF 模式对VCE 的模拟性能随预报时效延长有轻微下降，且对白天地表气温随高程变化的模拟性能更好一些。另外，DRD 预报清晰细致地刻画出地面气温随地形的变化细节，较好地捕捉到复杂地形的沟壑起伏、河流等区域的气温变化特征，而DMO 气温预报的空间分布则无法刻画出比原始分辨率模式预报更加丰富的变化细节。

综上所述，DRD 气温预报的VCE 具备比较合理的日变化、季节差异和空间分布特征，并且DRD气温预报准确性和空间精细特征刻画能力整体显著优于DMO，因此DRD 方法可以有效运用于智能网格预报初始背景场以及站点初始预报的制作过程中。

与此同时，考虑到DMO 预报在某些区域和时间段也存在一定性能优势，后续业务应用中可以进一步探索将DRD 和DMO 气温预报合理集成的有效方案，持续提升降尺度预报性能；另外，本研究主要基于ECMWF 数值模式08 时起报的气温开展了DRD 预报试验，针对20 时起报数据选取2021 年4 月15 日、7 月15 日、10 月15 日和2022 年1 月15 日等代表日期开展了个例分析（图表略），结果表明，VCE 的时空分布特征以及DRD 的预报性能，与08 时起报预报的试验结论大致相同。