南海及沿岸海基观测资料同化对华南暴雨预报的影响

刘泓锴，和杰，丁伟钰，邓华，王洪，黄汝萍，时洋

(1.广东电网有限责任公司阳江供电局，广东 阳江 529599； 2.中国气象局广州热带海洋气象研究所，广东 广州 510641；3.广东省气象台，广东 广州 510641)

1 引 言

华南前汛期（4—6月）暴雨以锋面暴雨和暖区暴雨为主，两者常常同时发生，受到多尺度天气系统相互作用及复杂下垫面的影响[1-2]，例如，锋面、季风气流、低空急流、海陆风等[3-5]，尤其是暖区暴雨过程影响因子复杂，预报能力显著低于锋面暴雨[6-7]。南海及沿岸区域作为华南低层大气系统的上游，该区域在前汛期发生的季风气流、低空急流、海陆风等多尺度天气系统是导致华南前汛期暴雨过程的重要原因。因此，获取更准确的南海海上尺度天气系统条件对进一步改善华南前汛期暴雨预报水平具有重要意义。

资料同化融合观测和模式背景信息，可以产生更准确的模式初值条件[8-10]，从而合理刻画影响华南前汛期暴雨的南海区域天气系统特征。但海上观测数据的不足严重制约了对南海地区天气系统预报准确性的改善，进而影响了华南地区前汛期暴雨预报的水平，特别是在受海洋性对流影响严重的暖区暴雨预报方面。因此，如何充分同化吸收南海及沿岸现有观测资料，改善南海乃至华南区域数值模式初值条件，对进一步提高华南前汛期暴雨预报能力至关重要。随着我国海洋气象综合观测系统的不断完善，南海海洋观测数据和观测变量也不断丰富。海基观测资料作为主要的海洋气象观测类型，包括海岛站、平台站、浮标站、船舶站、海上GNSS/MET 站等[11-13]，对大气和海洋科学的发展起到重要作用。截至当前，南海及沿岸区域的海基观测站数量已达到近百个，具有丰富的气象观测要素，有必要充分利用这部分稀缺海洋观测资料，以改善数值模式对华南前汛期暴雨预报的能力。

现场观测和卫星观测是海洋模式同化吸收的主要资料，海洋模式同化观测通常为温盐剖面、海表气压等要素[11,14]，例如英国气象局海洋预报同化系统（Forecast Ocean Assimilation Model）[15]、美国海军耦合海洋资料同化系统（Navy Coupled Ocean Data Assimilation）[16-17]，以及中国全球海洋模式（Modular Ocean Model）[18-19]等。相较而言，大气数值模式同化的海基观测主要是同化温度、气压、湿度和风场等要素。海基观测通常发生在边界层比较平滑的海面，相对复杂地形处的常规地面站观测，海基观测更容易被模式同化利用。但是，海基观测资料尤其是浮标、船舶观测，受海洋环境影响大，例如观测高度受海浪影响，而近岸风场观测误差不确定性大[20]。因此，有效同化吸收海基观测资料需要复杂细致的质量控制方法和合理的技术手段。英国气象局在对全球地面观测资料同化的研究中，针对多种海基观测的质量控制及其对资料同化的影响进行了详细分析，合理处理观测站点和模式的一致性高度、海岛和岬角风场观测质量控制、近岸海基观测与地面观测的显著差异以及日变化特点等是海基观测资料同化取得正贡献的重要因素[12]。通过同化近海浮标观测及多种观测资料，能够有效探索风能潜力区域，对开展风能发电和近岸观测选址提供重要依据[21]。通过是否同化全球浮标气压观测的预报敏感观测影响（FSOI）试验发现，同化浮标观测资料对减少全球预报误差至关重要，这是因为海洋观测非常稀少，而海平面气压为热带天气变化提供了重要模式信息[22-23]。因此，海洋现场观测资料同化对当前全球天气预报发挥着不可替代的重要作用[24]。

中国气象局的全球/区域同化预报系统（CMA-GFS/CMA-MESO）[25-27]已经实现了部分浮标站观测资料的同化，但仅同化了风场观测，对于其他变量（尤其是气压观测）还未进行业务同化，这严重削弱了本就稀少的海洋观测对提高数值天气预报水平的价值。尽管实现海基观测资料的同化技术比较基础，但是针对海基观测资料同化对CMA 模式预报影响的研究仍然较少，这不利于海基观测资料在CMA 数值模式中长期发展应用，同时也不利于为未来开展海基观测和完善海洋观测系统提供依据。鉴于CMA-MESO 模式对海基观测资料同化的发展现状，本文结合华南前汛期暴雨，尤其是暖区暴雨受海洋性对流影响严重的特点，进行南海及沿岸海基观测资料同化对华南前汛期暴雨预报的影响研究，初步揭示南海海基观测资料对CMA-MESO 模式预报的潜在改善价值，为CMA-MESO 模式实现更多海基观测资料业务同化、提高华南前汛期暴雨预报水平和开展南海海洋观测试验提供重要依据。

2 前汛期暴雨天气过程

2022 年5 月10—17 日，受高空槽、切变线、西南急流和冷空气影响，广东及沿海地区发生一次持续时间长且范围广泛的强降水过程。10—13日（图1a～1d），500 hPa不断有波动从高原东移，沿西风槽槽前西南气流向下游移动，正涡度平流的引入促进了广东及周边区域垂直运动的持续发展，而呈现日变化特征的西南急流在850 hPa 和925 hPa（图略）上持续控制广东上空，不断向华南沿海区域输送暖湿气流，配合海陆地形和山脉的阻挡作用，在夜间沿海地区形成小时雨量超过100 mm的暖区强降水雨带（图1c～1d）。同时，受地形阻挡作用，高原东侧西南涡（图略）在东移过程逐渐演变成东西走向的切变线，并停滞在广东中北部，切变线附近不断有中尺度雨带形成，随引导气流向下游移动，形成珠三角区域的强降水（图1c～1d）。13日-15日，受冷空气影响，切变线南移，强降水中心逐渐移出华南沿岸，在南海近岸区域形成暴雨（图1e～1f），24 h降水达到500 mm量级，15日之后降水逐渐南移减弱。

图1 2022年5月10—15日每天1200 UTC ERA5再分析的850 hPa风场（风羽）和500 hPa位势高度场（蓝线），以及累积到当前时刻的24 h融合降水观测 黑色小矩形为试验模拟区域；黑色粗曲线为青藏高原2 500 m地形高度边界。本文采用的时间均为协调世界时（Universal Coordinated Time，UTC或Z）。

此次天气过程的强降水主要发生在广东和南海区域，雨带向东南和南海方向逐渐移动，并在海上形成强降水过程。鉴于海基观测资料常常部署在近海区域，本文获取的海基观测资料仅来自于广东和海南沿海地区。因此，对海基观测资料同化的研究不宜选取过大的模拟区域，图1中的黑色矩形范围被选定为研究区域（2）。

3 模式与资料

3.1 CMA-MESO模式

CMA-MESO 区域数值模式由GRAPES（Global / Regional Assimilation and PrEdiction System）更名而来，该模式为CMA 在中国区域的主要业务同化预报系统，已在很多领域得到广泛的研究和应用，例如极端天气事件、台风、沙尘暴、干旱等[28-30]。使用的物理方案包括微物理参数方案（WSM6）[31]、边界层方案（NMRF）[32]、陆面过程参数方案（SMS）、长短波辐射方案（RRTMG）[33-34]等。由于模拟试验分辨率约为3 km，达到了对流可分辨的网格尺度，对流参数方案被关闭。试验区域包括华南及南海近岸地区（图2），覆盖了主要的降水研究过程，水平网格为401 × 368，分辨率为0.03 ° × 0.03 °；垂直方向为65 层，最高达到10 hPa。选用ECMWF 12 h 业务预报场作为驱动CMA-MESO模式的初始条件和侧边界条件。

图2 CMA-MESO模式同化预报模拟区域（107～119 °E，15～26 °N）红点表示探空站；绿点表示地面站；蓝点表示海基站，包括海岛站、浮标站、石油平台站。

本文针对海基观测资料同化选取的模式版本为CMA-MESO ver5.0。CMA-MESO 模式采用的同化系统为三维变分（3DVAR）同化方法，其通过最小化模式空间与观测空间之间的距离，求解当前大气的最优估计（初值条件），表示该距离的函数称为3DVAR的目标函数，定义为：

其中等式右侧第一项为背景场目标函数项，x为当前大气状态初值，xb为模式背景场，本文为ECMWF 的预报场，B 为背景误差协方差，本文采用的B 为均匀各向同性的静态矩阵。右侧第二项为观测目标函数项，H为观测算子，yo为观测，R 为观测误差协方差。CMA-MESO 3DVAR 同化系统通过迭代求解目标函数的极小值获取驱动CMAMESO模式预报的初值条件。

3.2 观测资料

本文针对海基观测资料同化对华南及沿海区域暴雨预报影响的研究，选择地面站和海基站观测作为CMA-MESO 模式同化的观测类型，其中地面站观测（图2 绿点所示）来源于CMA 业务同化观测，南海及沿岸的海基站观测数据统一从广东省气象业务网获取，主要包括海岛站、浮标站、石油平台，数量达到近百个，分布在南海近海及沿岸地区（图2 蓝点所示）。海岛站和石油平台站观测提供了丰富的观测要素，有温度、气压、湿度、风场、降水等，浮标站除上述观测要素，还提供海表温度和波高的观测信息。此外，检验观测包括探空站（图2红点所示）观测和降水观测，探空观测来自于CMA每天0000 UTC和1200 UTC的资料，降水观测为CMA 的逐小时多源观测降水融合资料，分辨率为0.05 ° × 0.05 °[35-36]。

3.3 质量控制

质量控制是数值天气预报模式对观测资料有效同化的关键。本文针对地面站和海基站观测资料的质量控制，除了常规的极值检查外，还进行了背景场检查[37]和变分质量控制[38-40]。

背景场检查假设观测与背景场之差（新息向量）必须保持不大于观测误差的α倍，定义为：

首先，在规划水产养殖工作之前，水产养殖管理机构要根据企业内部水资源的实际情况，对其发展规模开展准确的评估工作。评估工作结束后，根据评估结果进行具体的规划，以提升水产养殖的科学性和合理性。

其中σo为观测误差，α为背景场检查阈值系数，通常不同观测类型的不同观测要素具有不同系数，是由历史资料统计获得，本文针对地面站和海基站不同观测要素的背景场检查阈值系数设置为α= 2.5。背景场检查对新息向量偏差显著大的观测予以剔除，可以有效减少异常值观测进入同化系统，是观测资料同化前的重要质量控制步骤。

海基观测受海洋环境影响大，例如海浪高度的实时波动导致观测的高度具有不确定性，观测高度和模式背景高度的不一致会导致获取的海基观测新息向量不够合理。此外，海基近岸风场观测误差同样具有很大的不确定性。考虑到异常值观测可能不全是错误观测，其可能携带有用的观测信息甚至是正确的观测，常规质量控制涉及的阈值设定是根据历史观测统计获得，应用于当前同化观测具有不确定性，可能导致正确（有用）观测被剔除，也可能引入可疑观测到同化系统。因此，基于以上海基观测受海洋环境的影响，本文在同化海基观测过程还执行了变分质量控制。变分质量控制是基于观测误差非高斯分布的假设，在变分同化极小化迭代过程，根据新息向量大小实现观测权重的自适应调整，以促进同化分析的准确性[39]。

根据变分质量控制算法，观测资料在变分迭代极小化过程获得的权重大小是污染率（ε）、观测误差（σo）、新息向量的函数。污染率指导致新息向量非高斯分布的异常值可能概率，通常设为常数。当污染率越高、新息向量（极小化跌过过程则指观测与迭代分析值之差）越大，观测资料获取权重越小，即对分析场影响越小，但仍保持对分析场的调整[41]。借鉴CMA-MESO 模式地面站观测资料同化已经使用的变分质量控制方案，本文针对海基观测资料的同化进行了变分质量控制方案的适用，变分质量控制的以上参数与地面站观测设置相同。

4 循环同化试验

为合理同化海基站（OCEAN）观测资料，首先针对地面站（SYNOP）观测资料设计了冷启动同化（DA_SYNOP_COLD）和连续循环同化（DA_SYNOP_CYCLE）方案的敏感试验（图3）。本文试验选取欧洲中期天气预报中心（European Centre for Medium - Range Weather Forecasts，ECMWF）12 h业务预报场作为初始同化时次的背景场。根据第2 节华南前汛期暴雨天气发展过程（图1），第一次同化的背景场时间设定为2022 年5月10 日0000 UTC，即2022 年5 月9 日1200 UTC 12 h 业务预报作为背景场，侧边界条件由相应时刻的预报场生成，最后一次同化时间为2022 年5月17 日0000 UTC，每间隔3 h 进行观测资料同化和预报，即同化时间窗为3 h，每天8 次同化和预报，共进行57 次同化和预报（图3）。针对地面站观测资料同化方案的敏感试验，其中冷启动同化试验（DA_SYNOP_COLD）每12 h 冷启动一次，背景场均来自ECMWF 12 h 业务预报场（如图3 所示），并在0000 UTC-1200 UTC 期间进行循环同化，背景场则来自CMA-MESO 模式3 h 预报场。连续循环同化试验（DA_SYNOP_CYCLE）则采用CMA-MESO 模式3 h预报场作为下一次同化的背景场，并连续执行循环同化。两组试验每3 h积分预报24 h（如图3 蓝色箭头所示）。根据上述两组敏感试验结果，证明了DA_SYNOP_CYCLE 试验24 h 降水预报显著好于DA_SYNOP_COLD 试验（详见6.1 节）。因此，本文针对地面站和海基站观测的试验研究选定为连续循环同化试验设计方案。

图3 CMA-MESO 3DVAR同化系统连续循环同化和冷启动同化方案设计 红色、黑色、绿色、蓝色分别代表观测资料（OBS）、资料同化、背景场来源、24 h模式预报的相关流程信息。

根据连续循环同化方案，本文针对海基观测资料设计了两组同化试验：DA_SYNOP 和DA_SYNOP_OCEAN。DA_SYNOP 为仅同化地面站观测的连续循环同化试验，作为参考试验；DA_SYNOP_OCEAN 是 在DA_SYNOP 试 验 的 基础上增加海基观测资料循环同化的试验。两组试验除同化观测资料不同，其他与连续循环同化试验（DA_SYNOP_CYCLE）保持相同的设置，具体试验方案如图3和表1所示。根据CMA-MESO 同化系统设计，观测资料的温度和气压要素仅可以选择同化其中的一种，本文试验选择同化气压要素。地面站和海基观测同化的气象要素相同，包括气压（P）、湿度（RH）、纬向风（U）和经向风（V）。

表1 地面站和海基站观测资料同化试验方案总结

5 诊断方法

本文针对同化分析场和模式预报场的诊断主要通过计算平均偏差（Bias）和均方根误差（Rootmean-square Error，RMSE）进行模式评估。平均偏差和均方根误差的计算公式为：

其中Mi和Oi分别表示第i(i= 1，2，3，……，n)个站点或格点上的模式模拟量和观测值。模式模拟量在观测站点位置的值通过双线性插值获得。此外，针对模式预报降水进行了降水评分评估，主要根据观测降水与预报降水按类别分类后列出的频数表统计获得，该表称为列联表（Contingency table），如表2 所示。统计计算的降水评分有频率偏 差（Frequency Bias，FB）、技 巧 评 分（Threat Score，TS）、空报率（False Alarm Rate，FAR）、成功率（Success Ratio，SR）和命中率（Probability of Detection，POD），表3给出了各类降水评分的计算公式、阈值范围和最佳技巧评分值。

表2 降水预报检验方法的二分类列联表

表3 各类降水评分的计算公式及描述

6 试验结果分析

6.1 同化方案分析

DA_SYNOP_COLD 和DA_SYNOP_CYCLE试验在2022 年5 月10 日1200 UTC 之前的同化和预报结果保持一致。2022 年5 月10 日1200 UTC为DA_SYNOP_COLD 试验第2 次冷启动同化时刻，此时DA_SYNOP_CYCLE 试验继续使用3 h预报场进行连续循环同化，即两组同化试验的背景场信息开始不同。10 日1200 UTC 24 h 降水分布在广东大部分地区，强降水中心主要在粤西沿海和粤北区域（图4a），最大降水量超过300 mm。DA_SYNOP_COLD 和DA_SYNOP_CYCLE 试 验（图4e 和图4i）的24 h 降水模拟误差较大，DA_SYNOP_COLD 试验对粤东降水模拟较好，但严重漏报粤西降水，DA_SYNOP_CYCLE 试验漏报了粤东及沿岸地区的较弱降水。相比DA_SYNOP_COLD 试验，DA_SYNOP_CYCLE 准确捕捉到粤西的暖区暴雨，尽管降水预报偏弱。

2022 年5 月12 日1200 UTC 24 h 累积降水面积扩大，在粤中及以东、广西东北部、西南部和福建南部均产生20 mm 以上的降水（图4b），广东降水中心分布在珠江口和粤东中部。DA_SYNOP_COLD 试验此时重新进行1 次冷启动同化，而DA_SYNOP_CYCLE 试验已进行17 次连续循环同化，两组试验模拟的降水分布和中心开始产生显著偏差，DA_SYNOP_CYCLE 试验的降水模拟明显好于DA_SYNOP_COLD试验，尤其在粤中及以东区域，更准确地模拟出珠江口以西的降水强度，同时，显著减少DA_SYNOP_COLD试验在最北侧区域（小于20 mm 降水）的空报现象。对于2022 年5 月13—14 日1200 UTC 24 h 降水，对 比DA_SYNOP_COLD 试 验（图4g～4h），DA_SYNOP_CYCLE 试验同样显著改善了沿海区域的模拟降水分布，同时在降水强度方面也更加接近实况降水（图4k～4l）。根据冷启动和循环同化试验分析可知，连续循环同化试验方案对此次降水分布、中心和强度方面的模拟均显著优于冷启动同化试验方案。

根据图4可知，连续循环同化试验显著优于冷启动同化试验，它们的区别在于背景场来源不同。对于冷启动同化试验，背景场每12 h 采用ECMWF 预报场进行更新，以确保大尺度天气系统的准确性，这导致每次冷启动都需要模式重新进行动力再平衡，从而失去之前同化积累的有用观测信息。因此，确保大尺度天气系统的准确性和保留累积同化观测信息是一个平衡关系。根据本文连续循环同化试验结果，大尺度天气系统和降水预报并未出现偏移（“漂移”）现象，这使得连续循环同化试验结果比冷启动同化试验更优。图5给出了DA_SYNOP_COLD和DA_SYNOP_CYCLE 试验的平均绝对地面气压倾向变化。平均绝对地面气压倾向在动力平衡状态后基本维持在较平稳的状态，可以表征模式对噪声滤除的快慢。较快地滤除噪声并达到平衡，有利于缩短模式平衡（spin-up）时间，进而实现模式稳定积分和预报。 从图中可以看出，DA_SYNOP_CYCLE 试验的地面气压倾向达到平稳状态的速度在大部分时次均要快于DA_SYNOP_COLD 试验，尤其在冷启动同化时刻（0000 UTC 和1200 UTC）。尽管目前CMAMESO 同化系统还未实现标准的暖启动同化功能，仅是通过云分析系统更新模式水物质场以达到缩短spin-up 时间和实现暖启动同化功能，而并没有在3DVAR 过程更新水凝物变量。但是，根据本文试验可知，简单的连续循环同化设计在一定程度上同样可以减少spin-up 时间，通过累积同化观测信息，达到比冷启动同化试验更好的效果。因此，本文针对海基观测资料同化的研究选用连续循环同化试验方案。由于本文仅是海基观测资料同化的初步研究，对于暖启动同化方案将在未来做进一步的探讨。

图5 冷启动（DA_SYNOP_COLD）和连续循环同化（DA_SYNOP_CYCLE）试验过程地面气压倾向随时间的变化

6.2 模式变量诊断

选取独立性探空站观测资料（图2红点所示），对DA_SYNOP 和DA_SYNOP_OCEAN 试验分析场的比湿、温度、纬向风和经向风变量进行平均偏差（Bias）和均方根误差（RMSE）诊断，其中均方根误 差 差 异 （RMSE difference） 为DA_SYNOP_OCEAN 试 验 与DA_SYNOP 试 验 的差，负值表示正贡献。从比湿偏差廓线来看（图6a、6e），两组试验的偏差基本相当，只是在低层DA_SYNOP_OCEAN 试验偏差更小，中层DA_SYNOP 试验偏差更小，比湿场总体在低层呈现弱的干偏差，中层呈现显著的湿偏差。DA_SYNOP_OCEAN 试验的比湿均方根误差在低层（除925 hPa）小于DA_SYNOP 试验，中高层总体大于DA_SYNOP 试验，与比湿偏差廓线基本一致。 这表明，增加同化海基观测资料（DA_SYNOP_OCEAN）对改善低层的湿度场产生了积极的正贡献。

图6 2022年5月10日0000 UTC —2022年5月17日0000 UTC DA_SYNOP和DA_SYNOP_OCEAN试验分析场的偏差（Bias, a～d）和均方根误差差异（RMSE difference, e～h）统计 检验观测为每天0000 UTC和1200 UTC独立性探空站廓线观测，图中右轴表示检验时间段内相应气压层的检验观测数量。均方根误差差异为DA_SYNOP_OCEAN试验与DA_SYNOP试验的差，负值表示DA_SYNOP_OCEAN试验具有正贡献。a, e：比湿（Q）; b, f：温度（T）; c, g：纬向风（U）; d, h：经向风（V）。

两组试验温度场偏差基本一致，低层有显著的暖偏差（图6b），而均方根误差廓线显示，DA_SYNOP_OCEAN 试验的温度场相对DA_SYNOP 试验整体有微弱的改善（图6f）。DA_SYNOP_OCEAN 试验的纬向风在低层的偏差和均方根误差小于DA_SYNOP 试验，中高层则互有优势，不确定性大（图6c、6g）。两组试验的经向风偏差和均方根误差基本相当，互相不具有明显优势（图6d、6h）。总体来看，增加同化海基观测资料显著改善了分析场低层的湿度场和风场，对温度改善不明显，这与同化的海基观测发生在低层具有一致性。

6.3 降水预报分析

受切变线和西南季风影响，广东西部和中北部出现超过250 mm 的24 h 累计降水（图7a），2022 年5 月10 日0000 UTC 为第一次同化时间，DA_SYNOP 和DA_SYNOP_OCEAN 试验24 h 预报较好地模拟出最北侧的降水，对粤东的降水严重偏弱，对粤西的降水几乎漏报（图7f、7k）。随着同化观测和循环同化时次的增加（19 次），5 月12日0600 UTC 两组试验24 h 累积降水预报与观测更接近，较好地模拟出实况降水分布特点，但降水强度明显偏强，降水中心则偏北（图6g、6l）。5 月12 日0600 UTC 前，两组试验24 h 累积降水预报差异不明显，但相比DA_SYNOP 试验，DA_SYNOP_OCEAN 试验仅在粤北和广西东部对大雨量级的降水预报有一定的改善（图6g、6l），这可能是由于同化的海基观测资料主要位于沿海及海上区域，导致在内陆区域还无法获取更准确的天气系统。2022 年5 月13 日前后，降水雨带逐渐从内陆移至沿海及海上地区（图7b、7c），DA_SYNOP（图7g～7h）和DA_SYNOP_OCEAN（图7l～7m）试验有效捕捉这次降水过程，但两组试验的降水中心更偏北，对珠江口附近的中心暴雨严重漏报，但相比 DA_SYNOP 试验，DA_SYNOP_OCEAN 试验在粤东沿海及海上的预报降水更加接近观测（图7l～7m），该区域降水预报的改善与增加同化海基站观测的位置保持一致。

图7 DA_SYNOP（f～j）和DA_SYNOP_OCEAN（k～o）试验分别在2022年5月11日0000 UTC（a、f、k）、12日0600 UTC（b、g、l）、13日0000 UTC（c、h、m）、15日0000 UTC（d、i、n）、16日1200 UTC（e、j、o）的24 h降水预报及与之对应的24 h观测降水（a～e） 黑色线表示25 mm观测降水等值线。

受冷空气影响，雨带沿东南方向逐渐移入南海区域，15 日0000 UTC 24 h 累积降水主体已处在海上（图7d～7e）。两组试验在15 日0000 UTC和16 日1200 UTC 24 h 降水预报有效模拟出这次降水过程和主要分布特点，但降水强度严重偏弱（图7i～7j 和图7n～7o）。相较于DA_SYNOP试验24 h 降水模拟（图7i），同化海基观测资料后，DA_SYNOP_OCEAN 试验（图7j）扩大了海上的降水范围，增强了降水强度（海上区域和粤西沿海区域），尽管与观测降水差异很大，但海基观测资料同化使得降水预报更接近实况降水。随着观测雨带南移，DA_SYNOP_OCEAN 试验相对DA_SYNOP 试验对降水模拟的改善也在逐渐减小（图7d, 7i, 7n），这可能与雨带逐渐远离同化海基站观测的位置有关。总体来看，同化海基站观测，对沿海及海上降水有较明显的改善，对内陆和远离海基站观测位置的降水模拟改善不显著。

鉴于海基观测资料同化有效改善了低层的水汽条件和动力场（图6e 和图6g），以及沿岸和海上的24 h 降水预报（图7m～7o），本文进一步分析了此次降水过程中低层水汽输送条件和动力抬升条件。图8 为2022 年5 月15 日0000 UTC 24 h 预报的925 hPa 水汽通量和风场。从水汽输送条件来看，西南季风从南海中南部向其东北部海域输送大量的湿空气，形成西南季风水汽通道；而粤东沿海偏东气流携带近海海面上大量的湿空气并向珠江口以西沿海地区持续输送。从动力抬升条件来看，南海东北部海域有暖式切变形成，有利于该地区的辐合抬升运动，且持续的水汽输送形成水汽汇，有利于降水的维持，形成大暴雨降水；而珠江口以西沿海地区受到风速辐合影响，形成水汽辐合，同样有利于该地区的暴雨到大暴雨降水的形成。与DA_SYNOP相比，DA_SYNOP_OCEAN试验的水汽通量更强、风切更为显著，使得两地的预报降水更强（椭圆区域），与观测降水也更接近（图7d、7i、7n），在海上的其他时次具有类似的特点（图略）。因此，海基观测资料同化可通过有效改善低层水汽输送和动力抬升条件，从而改善沿岸和海上区域的降水预报。

图8 2022年5月15日0000 UTC 24 h预报的925 hPa水汽通量（阴影）和风场（箭头）a.DA_SYNOP ；b.DA_SYNOP_OCEAN试验。

6.4 降水预报检验

由于TS 评分与空报率和漏报率之间并不独立，不同的空报率和漏报率有可能导致相同的TS评分，为更好反映模式预报能力，采用评分综合展示图呈现出命中率（POD），成功率（SR）、TS 评分以及频率偏差（FB）四种检验评分结果，更能客观地评估模式降水预报好坏，综合评分展示图的右上角位置为最佳降水评分。图9 和图10 分别是2022 年5 月10 日0000 UTC 到2022 年5 月17 日0000 UTC 期间57 次24 h 内降水预报的综合评分展示图，其中图9 为陆地区域的降水评估，图10 为海洋区域的降水评估。

图9 DA_SYNOP和DA_SYNOP_OCEAN试验在陆地区域6 h（a）、12 h（b）、18 h（c）、24 h（d）预报降水的综合评分展示图6～12 h降水评分阈值为0.1 mm、10 mm、30 mm、50 mm、100 mm；18～24 h降水评分阈值为0.1 mm、20 mm、50 mm、100 mm、150 mm。

图10 同图9但为海上区域降水预报的综合评分展示图

从图9中可以看出，两组试验在陆地区域各时段预报降水频率偏差评分均大于1（除大于0.1 mm 降水近似于1外），说明CMA-MESO 模式对此次降水过程在陆地区域的降水总体明显过估DA_SYNOP_OCEAN 试验的6 h 和18 h 预报降水评分和DA_SYNOP 试验几乎一致，12 h 和24 h 预报降水评分除了对12 h 30 mm 降水和24 h 100 mm降水有微弱的优势外，其他阈值降水评分也同DA_SYNOP 试验相当。可见，增加海基观测资料同化对陆地区域降水预报的改善有限，这是因为海基观测远离陆地区域，其同化影响范围有限。此外，当前可同化的海基观测数量仅有几十个，相对于高分辨率数值模式存在明显不足。

图10 同图9 但给出了海上区域的降水评分。从频率偏差评分来看，除6 h 和12 h 的0.1 mm 和10 mm降水频率偏差评分近似等于1外，其他时段较大阈值降水评分均显示两组试验在海上区域的降水明显低估。DA_SYNOP_OCEAN 试验相比DA_SYNOP 试验，对6 h 和12 h 预报降水改善不显著，仅对30 mm 降水有明显改善，其他阈值预报降水评分基本相当。但DA_SYNOP_OCEAN 试验对于18 h 和24 h 预报降水的大部分阈值（除0.1 mm 阈值降水）降水评分均有较明显的改善。总体来看，相比陆地区域的降水预报，增加同化海基观测资料，可显著提高CMA-MESO 模式对海上区域的降水预报评分，显示出海基观测资料同化对沿岸及海上区域天气预报的重要性。

7 结论与讨论

本文通过搜集南海及沿岸海基观测资料，在地面站观测资料同化基础上，额外增加同化搜集海基观测，研究海基观测资料同化对华南前汛期暴雨预报的影响，揭示了南海海基观测资料对CMA-MESO 模式对沿海及海上区域暴雨预报的潜在改善价值，为CMA-MESO 模式实现更多海基观测资料业务同化、提高华南前汛期暴雨预报水平和开展南海海洋观测试验提供了重要依据。根据冷启动和连续循环同化试验分析，即使在无法实现标准暖启动同化的情况下，连续循环同化在试验期间并未出现天气系统或预报降水“漂移”的问题。地面气压倾向变化表明连续循环同化试验相比冷启动同化试验更有利于模式快速平衡，而连续循环同化长期累积的有用观测信息，使其降水预报效果显著优于冷启动同化试验。为此，本文针对海基观测资料同化的研究采用了连续循环同化方案的设计，但暖启动同化试验可能会产生更佳的效果，对此将在未来的研究进一步实现标准暖启动循环同化，以揭示海基观测资料同化可能带来的更好改善效果。

根据地面站和海基观测资料的连续循环同化试验结果，额外增加同化海基观测资料可有效改善分析场低层的湿度场和风场，但对温度改善不明显，这与同化海基观测来自低层保持一致。分析场对低层湿度场和风场的改善进一步改善了华南上游南海区域的水汽输送和动力条件，从而在海上及沿岸区域的降水预报更加接近观测降水，显示出海基观测资料同化起到的重要作用。降水预报检验表明，同化海基观测资料对陆地区域的降水预报改善不明显，但对海上区域的降水预报改善显著，尤其是18 h 和24 h 的强降水预报。总体来看，额外增加海基观测资料同化对华南前汛期海上区域的暴雨预报产生了积极的正贡献。尽管当前海基观测数量有限，可进一步完善同化方案等技术以加快海基观测资料进入业务同化，提高CMA-MESO 模式对华南前汛期暴雨预报的能力，以充分利用海基观测资料同化的增益价值。

致 谢：感谢广东省气象探测数据中心在数据收集上提供的帮助。