2023年河南麦区连阴雨过程的数值模式精细化检验评估

马蕴琦, 栗 晗, 吕林宜

(1.中国气象局·河南省农业气象保障与应用技术重点开放实验室,郑州 450003; 2.河南省气象台,郑州 450003;3.安阳国家气候观象台,河南 安阳 455000)

引 言

连阴雨天气具有气温低、湿度大和日照少的特点,往往推迟农作物的发育或生殖生长,造成农作物不能按时成熟甚至发芽霉变,影响产量和质量[1-2]。河南是全国农业大省,连阴雨天气是河南省主要农业气象灾害之一,常带来严重的经济损失。如2017年8月下旬至10月中旬,河南出现3次区域连阴雨过程。该过程持续时间长、累计雨量大、影响范围广,为河南省自2000年来所罕见,给农业生产带来严重的经济损失[3]。

学者们分析了不同地区连阴雨的时空分布特征。杜明哲等[4]统计1961-2019年河南秋季连阴雨天气后,表明黄河以南地区平均降水量多于黄河以北的,山区的多于平原地区的。史瑞琴等[5]指出,华中地区连阴雨发生频次基本呈径向分布,自北向南增加。朱玉周等[6]指出,河南大部分地区9月份降水中连阴雨成分占比为60%～70%。还有一些学者研究了连阴雨天气成因及发展机制,从天气系统、地形、海温强迫等方面进行研究[7-9]。何慧根等[10]指出,欧亚地区中高纬环流形势有利于冷空气南下,高原高度场偏低,西太平洋副高面积偏小、脊线和北界位置偏南、西脊点偏东,是重庆连阴雨发生的主要原因。潘旸等[11]研究发现,乌拉尔山阻高形势稳定,西太平洋副高位置偏北,但稳定在菲律宾海上空,同时对流层高层的副热带西风急流轴稳定在35°N,造成了2009年的春季连阴雨天气过程。

随着精细化天气预报业务迅速发展,智能网格预报业务对检验分析产品的需求日益增长,以实况场为参考可以实现对高分辨率数值预报的质量跟踪和性能评估。在数值模式预报产品检验评估[12-14]方面也有诸多研究成果。Novak等[15]对美国国家环境预报中心下属的天气预报中心过去60年的预报员、数值模式预报的定量降水预报进行了TS检验。Engel等[16]对澳大利亚的GOCF温度网格预报进行了检验,并与ECMWF、UK等模式进行对比评估。国家气象中心建立了“国家级天气预报检验分析系统”[17],实现对各级网格预报产品的常规检验评估。对客观预报方法进行检验评估,是产品优化升级、进一步开展预报检验、客观订正方法研发等多领域应用的基础[18-20]。因此开展降水评估,尤其是针对某种特定类型降水进行精细化检验评估具有重要意义。

2023年5月25日至6月5日,河南麦收关键期出现大范围阴雨过程。此次连阴雨天气过程降水影响范围广、持续时间长、降水量异常偏多、日照时数严重偏少、气温显著偏低,多项指标突破1961年以来同期观测极值。雨区与河南小麦主产区成熟收获期高度重叠,造成小麦成熟收获进程延迟,部分麦收区出现发芽、霉变、倒伏等灾情。为深入了解数值天气预报(NWP)模式对连阴雨天气过程的预报能力,本文对3种NWP模式的逐1 h降水预报结果进行精细化预报检验,评估模式对连阴雨天气的预报性能,以期为今后业务精细化降水预报提供技术支撑和防灾减灾工作的开展提供参考。

1 资料和方法

1.1 资 料

本文选择欧洲中期天气预报中心的全球模式预报产品(ECMWF)、中国气象局的中尺度模式预报产品(CMA-MESO)和华东区域气象中心的中尺度模式预报产品(CMA-SH9)3个业务主流数值天气预报模式作为检验评估对象。

为了更好地评估小时降水预报的日变化特征,各模式均选用每天20时起报的13-36 h预报时效(即08:00到次日08:00)的逐小时降水预报结果,并采用双线性插值将水平分辨率统一为0.05°×0.05°。实况资料选取河南省2706个自动气象站降水观测资料。数值模式格点资料采用临近法插值到站点上,与实况站点数据对应进行评估。

1.2 检验评估方法

检验指标采用传统二分类降水预报检验方法。该方法基于观测和预报按列联表1中的类别分类后进行相应频数统计。将小时降水量按0.1 mm、2.0 mm、 5.0 mm和10.0 mm 4个降水量级进行检验评估,分别对应小雨、中雨、大雨、暴雨级别[21];采用气象部门预报业务中常使用的TS评分来表示预报技巧,评分越接近1,说明预报效果越好。此外采用BIAS评分进一步评估预报偏差,预报偏差BIAS评分值越接近1越好。当 BIAS为1,表示漏报率和空报率相当;当 BIAS小于1时,预报结果倾向于漏报,大于1时则倾向于空报。两个评分计算方法如下。

表1 降水量观测和预报二分类列联表

技巧评分(TS):

(1)

预报偏差(BIAS):

(2)

此外,还用到统计检验评估方法,采用均方根误差RMSE来评估模式预报偏差。计算方法为

(3)

其中,Fi和Oi分别代表第i个预报值和观测值,n代表检验的总样本个数。

1.3 检验指标说明

为了更好地认识各模式小时降水预报偏差的日变化特征,本文采用平均降水量、平均有效降水频次、平均降水强度等检验指标[22],作为降水过程精细化评估研究指标。各指标定义如下。

平均降水量:统计时段内模式预报及观测降水量的平均值。

平均有效降水频次:统计时段内每24 h有降水(≥0.1 mm)时次数的平均值。

平均有效降水时次占比:统计时段内每24 h有降水(≥0.1 mm)时次数除以非缺测时次数的平均值。

平均降水强度:统计时段内降水量除以有降水(≥0.1 mm)时次数的平均值。

降水强度峰值时间:最大雨强所在时间段。

2 连阴雨降水实况

2023年5月25日至6月5日,河南麦收关键期出现大范围降水过程,降水集中在两个时间段内,分别是5月25日20时至30日20时(第一阶段)及6月3日08时至6月5日08时(第二阶段)。图1显示了两个降水阶段的累计雨量。第一阶段的降水持续时间长达5天,为1961年以来同期影响范围最广、持续时间最长的一次阴雨天气过程;强降水主要集中在河南西北部、西部、中东部及南部,最大累计降水量达199 mm,最大雨强为48.5 mm/h。第二阶段降水过程持续两天,强降水分布在河南西部和南部,最大累计降水量为100.5 mm,雨强最大值为20.5 mm/h。

图1 河南省2023年5月25日20时-30日20时(a)和6月3日08时-6月5日08时(b)累计降水量

3 多模式小时降水精细检验评估

3.1 不同量级降水的分阶段检验评估

图2给出了各模式对第一阶段降水预报的整体TS和BIAS评分。结果显示,随着降水阈值增加,降水预报准确率降低。从TS评分来看,ECMWF对Rh(小时降水量)≥0.1 mm/h的预报效果最优,TS评分高达0.42,CMA-SH9的次之。

图2 第一降水阶段各数值模式不同量级降水预报的TS(a)和BIAS(b)评分

对于Rh≥2 mm/h和Rh≥5 mm/h的降水,评分明显降低,均低于0.07,CMA-SH9预报准确率排在第一位,ECMWF、CMA-MESO分别在Rh≥2 mm/h和Rh≥5 mm/h上排名第二,各模式对Rh≥5 mm/h预报的TS评分接近0;对于Rh≥10 mm/h的降水,各模式几乎无预报能力。

结合BIAS评分,ECMWF对Rh≥0.1 mm/h和2 mm/h的降水BIAS大于1,倾向于空报,其中对Rh≥0.1 mm的BIAS为1.50,空报更明显,ECMWF对Rh≥5 mm/h和Rh≥10 mm/h的预报趋于漏报,BIAS评分均低于CMA-MESO和CMA-SH9,漏报现象明显。

从BIAS评分综合来看,CMA-SH9在各个降水量级上相对于其他模式更接近1,降水落区范围预报更加准确。

对于第二阶段的降水(图3),ECMWF对Rh≥0.1 mm/h和Rh≥2 mm/h的预报性能最优,TS评分分别为0.50和0.21,BIAS评分也更接近1,CMA-SH9的次之。各模式对Rh≥5 mm/h和Rh≥10 mm/h的降水几乎无预报能力。

图3 第二降水阶段各数值模式不同量级降水预报的TS(a)和BIAS(b)评分

3.2 不同量级降水的逐小时检验评估

为了进一步了解各数值模式对不同预报时效降水的预报特点,图4、5给出ECMWF、CMA-SH9和CMA-MESO在13-36 h时效(对应08:00-次日08:00)对不同降水量级逐小时降水预报结果的TS评分。

图4 各数值模式对第一阶段降水不同预报时效不同量级预报结果的TS评分(a)Rh≥0.1 mm/h, (b)Rh≥2 mm/h, (c)Rh≥5 mm/h, (d)Rh≥10 mm/h

根据第一阶段降水TS评分可知,对于Rh≥0.1 mm/h时降水(图4a),整体上ECMWF在不同预报时效内的逐时降水TS评分最高,CMA-SH9的次之,CMA-MESO的排在第三位。其中,ECMWF和CMA-SH9对13-17 h预报时效(09:00-13:00)的表现相当且预报效果好,对于18-21 h和24-36 h预报时效(14:00-17:00和20:00-次日08:00)的逐时降水,ECMWF预报效果明显优于其他模式的。

对于Rh≥2 mm/h的降水(图4b),各家模式预报表现差别较大。其中,CMA-SH9在13-16 h预报时效(09:00-12:00)及29-36 h预报时效(次日01:00-08:00)的预报效果较优,ECMWF则是在13:00至次日00:00的预报性能好;CMA-MESO相对其他模式预报效果较差。

在Rh≥5 mm/h(图4c)和Rh≥10 mm/h(图4d)的量级上,各个模式的预报效果明显下降,区域数值模式CMA-SH9和CMA-MESO表现出一定的优势,二者主要对次日夜里到早上的降水具有一定预报能力。

图5显示了各个模式对第二阶段的3个降水量级(0.1 mm、2 mm、5 mm)逐小时预报结果的TS评分。对于Rh≥0.1 mm/h的降水(图5a),各个模式随着预报时效的增长评分呈现一致的变化趋势,在09:00-13:00、14:00-17:00、18:00-次日01:00和次日02:00-08:00四个时间段TS评分的变化趋势为先减少再增加、再减少再增加的趋势。ECMWF对09:00-20:00的逐小时预报性能最好,排名第一,TS评分在0.6附近,CMA-SH9排在第二位,CMA-MESO的预报表现最差。对于21:00-次日08:00的逐小时降水预报,CMA-SH9排在第一位,ECMWF次之。对于Rh≥2 mm/h的降水(图5b),ECMWF在12:00-次日04:00的逐小时预报中排名靠前,最高TS评分接近0.4,CMA-SH9对09:00-11:00和次日03:00-08:00的预报效果较好。在Rh≥5 mm的降水(图5c)预报上,各个模式TS评分显著下降,CMA-SH9和CMA-MESO在个别时间表现出较弱预报能力。

图5 各数值模式对第二阶段降水不同预报时效不同量级预报结果的TS评分(a)Rh≥0.1 mm/h, (b)Rh≥2 mm/h, (c)Rh≥5 mm/h

4 连阴雨预报偏差空间分布特征

图6显示了预报结果的均方根误差(RMSE)。对于第一阶段(图6a-c)降水,3个模式都呈现出在阶段降水量大值区预报偏差大的特点。对于豫北的降水,CMA-SH9和CMA-MESO预报偏差小,ECMWF对豫西南的降水预报效果好。对于第二阶段(图6d-f)降水,3个模式同样表现出对降水大值区预报偏差大的特点,ECMWF对豫中和豫北的降水低值区把握较好,RMSE均在0.8 mm以下。

图6 各数值模式对第一阶段(a-c)和第二阶段(d-f)预报结果的均方根误差分布图

在降水的第一阶段,河南中部和西部山区的平均有效降水频次大,平均每天有12～15 h都出现0.1 mm以上降水(图7a)。ECMWF预报的降水频次明显偏多(图7b),这也是其倾向空报(>0.1 mm/h的BIAS=1.50)的重要原因;CMA-MESO预报的降水频次明显偏少(图7d),CMA-SH9的与实况最为接近,尤其对西部山区的降水频次预报偏差小(图7c)。

图7 第一阶段(a)和第二阶段(e)有效降水时次及各数值模式对第一阶段(b-d)和第二阶段(f-h)预报的平均有效降水时次分布图

对于第二阶段降水,平均有效降水频次从南向北递减(图7e)。ECMWF预报的有效降水频次最贴近实况,偏差主要来源于对豫南的降水频次预报偏多(图7f),CMA-SH9(图7g)和CMA-MESO(图7h)预报的降水频次分别明显偏多和偏少。

图8为两个降水阶段的降水强度峰值时间分布。对于第一阶段的降水(图8a),豫北和豫东的雨强峰值时间集中在白天时段(09:00-18:00),河南中西部和南部雨强峰值时间主要集中在03:00-09:00。ECMWF预报的雨强峰值滞后3～6 h,峰值时间差别较大(图8b);CMA-SH9对河南中西部雨强峰值时间的预报结果与实况较为一致,预报的豫北地区峰值时间在03:00-09:00,与实况相差较大,预报的南部峰值时间在09:00-18:00,滞后于实况6 h左右(图8c);CMA-MESO预报的雨强峰值时间主要集中在03:00-06:00,对豫东南的预报与实况较为一致(图8d)。

图8 第一阶段(a)和第二阶段(e)降水强度峰值时间及各数值模式对第一阶段(b-d)和第二阶段(f-h)预报的降水强度峰值时间分布图

对于第二阶段降水(图8e),豫南雨强峰值时间集中在09:00-15:00,其余地区集中在03:00-06:00。ECMWF的预报与实况的峰值时间接近(图8f),CMA-SH9对中东部的雨强峰值时间滞后3～9 h(图8g),CMA-MESO的偏差主要是对豫南的雨强峰值时间预报偏早6～9 h(图8h)。综合来讲,ECMWF对第二阶段的降水强度峰值时间预报较为准确,CMA-SH9对第一阶段雨强峰值出现时间把握更好。

5 典型区域预报偏差日变化特征

根据下垫面特征及实况降水落区分布特征,选取豫西(33.0°-35.3°N、110.2°-113.4°E)、豫东(33.1°-34.9°N、113.8°-116.8°E)、豫东南(31.3°-33.1°N、113.0°-116.0°E)3个典型区域作为研究对象,分析整个麦收期连阴雨期间各模式偏差的日变化特征(图9)。其中,豫西为复杂地形区、平均海拔较高,豫东为平原区,豫东南为混合地形区且在两个阶段中均出现大范围暴雨天气。

图9 2023年5月25日08时-6月5日08时各模式不同区域观测和预报的平均降水量(a-c)、降水强度(d-f)、有效降水频次占比(g-j)日变化特征短竖线代表预报与观测的差值通过0.05的显著性检验

从小时平均降水量预报偏差对比来看,除CMA-MESO在豫东和豫东南夜间个别时次出现预报偏弱的特征以外,其他大多数时次各模式预报偏差并没有通过0.05的显著性检验,即没有表现出显著的偏强或偏弱的偏差特征。对比不同区域降水强度预报日变化特征发现,仅有CMA-SH9在豫东下午至傍晚(15:00及17:00-20:00)预报的降水强度较实况显著偏弱,其他模式偏差特征并不明显。从有效降水频次占比来看,ECMWF和CMA-MESO均表现出了较显著的偏差特征,其中ECMWF对于豫西(12:00-20:00)、豫东(09:00-12:00及21:00-次日03:00)、豫东南(几乎所有时次)均表现出显著偏多的特征,CMA-MESO则在豫西夜间、豫东午后至夜间及豫东南后半夜等时段表现出显著偏少的特征。

综上,此次连阴雨过程中各模式小时降水量和小时降水强度尽管平均偏差较大,但并没有表现出显著偏强或偏弱的特征;对于有效降水频次占比预报,ECMWF和CMA-MESO在大多数时次分别表现出显著偏多、偏少的特征,CMA-SH9的预报则与实况更为接近。

6 结论与讨论

本文以2023年5月25日到6月5日麦收关键期间的连阴雨为例,对业务中常用的ECMWF、CMA-SH9和CMA-MESO高分辨率数值模式的小时降水预报进行精细化评估,主要结论如下:

(1)整体上,ECMWF对小雨以上(Rh≥0.1 mm/h)的预报表现好,CMA-SH9对中雨以上(Rh≥2 mm/h)和大雨以上(Rh≥5 mm/h)的预报效果较优,CMA-MESO预报性能较差,各个模式对暴雨以上(Rh≥10 mm/h)降水几乎无预报能力。针对不同时效的逐小时降水预报结果,对中雨以上(Rh≥2 mm/h)降水,CMA-SH9对上午和夜间的降水预报效果较优,ECMWF对中午到夜里的预报表现好。

(2)从预报偏差的空间分布来看,各模式都表现出在降水量大值区预报偏差大的特点。CMA-SH9对第一阶段的平均有效降水频次预报与实况最为接近,尤其在西部山区,ECMWF则对第二阶段有效降水频次的预报更贴合实况;对于降水强度峰值时间预报,CMA-SH9对第一阶段的预报较为准确,ECMWF 对第二阶段的预报更好。

(3)尽管此次连阴雨过程中各模式小时降水量和小时降水强度的平均值偏差较大,但并没有表现出显著偏强或偏弱的特征。对于有效降水频次占比预报,ECMWF和CMA-MESO的预报在大多数时次分别表现出显著偏多或显著偏少的特征,CMA-SH9的预报则与实况更为接近。

综合分析,ECMWF对弱降水预报效果好,CMA-SH9对降水偏强的过程具有优势,这对业务预报有一定指示意义。本次工作只是针对一次连阴雨过程进行评估,今后还需开展更长时间段的模式降水评估,并采用更多检验方法从多角度评估模式的预报价值和分析误差信息来源,为精细化预报提供更多的检验信息和改善建议。