2017, Vol. 43 
2. 中国科学院大气物理研究所，北京 100029
2. Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029
自20世纪90年代以来集合预报技术获得了显著进展，集合预报能够获取更多的可预报性信息，在中短期天气预报中具有越来越重要的作用。全球尺度集合预报较为关注初始条件不确定性，其中基于奇异向量(SVD)、繁殖向量(BGM)和集合卡尔曼滤波(EnKF)等技术的初始扰动生成方法在中期数值天气预报(Buizza et al，2005)中取得了明显进步，但随着数值模式分辨率的提高，对于模式误差的估计获得了更多重视，针对复杂物理过程的误差估计变得越来越重要，Stensrud et al(2000)和Eckel and Mass(2005)强调了短期时段内与模式物理过程相关的模式误差的重要性。国外利用多物理过程的中尺度集合预报模式分析预报不确定性已经有诸多相关研究(Xue，2008; Xue et al, 2013；Clark et al，2011；Nielasen and Schumacher, 2016)，国内陈静等(2003；2005) 发展了异物理模态方法构建的中尺度集合预报；在对河南“75·8”和北京“7·21”等极端降水个例的预报试验中，采用不同分辨率和不同物理过程的中尺度集合预报有效提高了降水预报能力(谭燕和陈德辉，2008；李俊等，2015)；在最近我国发展的GRAPES-REPS区域集合模式预报试验中，采用ETKF联合多物理过程(张涵斌等，2014)和随机物理倾向扰动方案(袁月等，2016)的集合构造方法都显示出较好的预报潜力。然而，由于在集合成员中同时包含多种不同的降水过程、边界层过程、辐射过程等复杂物理过程的参数化方案，针对性的分析某一类物理过程对于集合预报不确定性的贡献还需要进一步研究。
随着中尺度数值模式和计算能力的改进，对流风暴和中尺度对流系统已有可能在模式中显式预报而不需要对流参数化过程，Clark et al(2009)将水平格距1~5 km的模式预报称为“对流允许”(convective allowing)预报。国外对于高分辨率中尺度集合预报已经有了较多研究和业务应用测试，如在美国春季野外试验HWT(2010—2015) 中，来自不同预报中心、科研单位和大学等机构提供的基于WRF-ARW、WRF-NMM和APRS等多个对流尺度集合预报共同参加暖季预报试验，在中尺度模式检验和高分辨率集合产品应用等方面已取得了令人鼓舞的结果(Clark et al，2012)。英国气象局在水平分辨率2.2 km，12个成员组成的中尺度集合预报模式MOGREPS(Bowler et al，2008)中采用了多种针对模式物理过程的误差分析技术，在业务预报中取得了较好的成果(Golding et al，2016)。高分辨率的对流尺度模式降水预报主要依赖于微物理过程参数化方案，暖季对流性降水可能相当多地依赖于微物理过程参数的不确定性。早期研究表明微物理过程中雨、霰和雹等降水粒子的滴谱分布(particle size distribution，PSD)对于累积降水、冷池尺度和强度等方面具有高度敏感性(Xue，2008；Tong and Xue, 2008)，因此在对流尺度模式中利用多参数的微物理参数化方案对天气过程进行敏感性测试具有更好的参考意义。由于暖季对流性降水的预报误差相当明显，同时对流尺度的预报误差是非线性的增长过程，因此对于对流尺度集合预报的模式构建和产品解释应用上仍然有相当多的问题。
受北上黄淮气旋影响，2016年7月18—20日，我国北方地区出现一次极端强降水天气过程，河南、河北和北京等地部分站点降雨量超过历史极端值并造成严重灾害。全球数值预报对于此次极端降雨过程在降雨落区和量级上的预报均有一定误差。应用不同物理过程的中尺度集合模式分析此次降雨过程中不确定性，有助于更好地分析对流尺度集合预报在暖季背景下定量降水预报误差，并进一步理解不同降水物理方案的预报性能。
1 数据与方法 1.1 对流尺度集合数值模式构建参照美国CAPS-SSEF(Xue，2008)对流尺度集合预报系统，本文使用WRF-ARW(3.6.1版本)中尺度数值模式作为构建对流尺度集合模拟试验的基本模式，模式背景场来自GFS-interim 0.5°×0.5° (http://rda.ucar.edu/datasets/ds335.0/)分析场，边界条件6 h更新一次，同化资料包括国家级地面交换站、探空站和ATOVS辐射资料等。WRF模式基本试验参数设置如表 1所示，集合成员均采用单重4 km网格(图 1)，模式地形来自于USGS 30s(~1 km)地形高度插值。模式结果部分采用基于Bessel函数的16点平滑函数进行处理。
|
表 1 基于WRF-ARW模式的对流尺度集合预报试验基本参数 Table 1 Basic parameters used in convective scale ensemble forecast experiments based on WRF-ARW model |
|
图 1 WRF-ARW模式4 km地形 Fig. 1 WRF-ARW model topography at 4 km resolution |
本文将利用两种方法确定此次极端降水过程中微物理方案对于模式误差不确定性的影响：(1) 采用多微物理过程对比，估计各类主流微物理过程参数化方案的不确定性；(2) 利用单个微物理过程进行关键参数的敏感性分析，对比分析对于云和降水等物理量的分布特征。
以WRF-ARW模式为基础构建的中尺度集合预报试验应用了9个不同的微物理方案，相关参数如表 2所示，共9个基本集合成员(ENS00~ENS08)。这些微物理方案虽然在细节上有诸多不同，但在本质上都采用了体积水方案(bulk microphysics)，针对非气相相态粒子的PSD均可使用多参量的Gamma分布函数描述(Duda et al，2014)：
| $ {n_x}\left({{D_x}} \right) = {N_{0x}}D_{{x^x}}^\alpha {{\rm{e}}^{ - {\lambda _x}{D_x}}} $ | (1) |
|
|
表 2 集合预报试验微物理方案参数 Table 2 Microphysical parameters used in ensemble forecast experiments |
式中，Dx为降水粒子直径；nx为降水粒子体积数浓度分布；N0x为截断参数；λx为分布参数；α为降水粒子的形状参数，下标x代表降水粒子相态种类，分别为雨(r)、霰(g)、云冰(i)、雪(s)、雹(h)、液态云滴(c)共计6类非气相相态降水粒子。
在集合成员中，Ferrier方案对于所有相态降水粒子给定了相同的N0x，而其他8种微物理方案的集合成员对于不同相态降水粒子有更为详细的参数设定，表 2给出了各类参数化方案的关键参数取值。雨、霰等降水粒子的N0x、ρx对于云雨分布、水汽收支平衡、潜热释放、对流性上升(下沉)运动等微物理过程均具有显著影响，但参数取值具有显著的不确定性。Joss and Waldvogel(1968)表明N0r可以在106~108 m-4变化；Gilmore et al(2004)表明N0g的范围可达102~108 m-4；Pruppacher and Klett(1978)表明ρg能够在50~890 kg·m-3变化，Tong and Xue(2008)在ARPS的敏感性试验中设定ρg在400~913 kg·m-3。降水由对流性降水向层云降水转变的过程中，N0x也会发生巨大的变化(Cifelli et al，2000)。参照Duda et al(2014)的试验设计，基于WSM6微物理方案设计了4个不同N0x、ρg组合的对比数值试验(WSM6-PX, X=1, 4) 作为集合预报成员ENS09~ENS12，因此总共集合成员为13个(表 2)。
近年来多参量微物理方案获得重视并有较明显的进步。单参量微物理方案通常只对降水粒子的质量混合比进行预报，双参量微物理方案还对各类降水粒子的数浓度具有预报能力。模拟试验表明双参量微物理方案能够产生更为合理的云雨结构分布(Morrison and Milbrandt, 2011)，但也带来了更高的计算代价。在集合成员中，WSM6和NSSL-1moment为单参量方案；Thompson、Morrison、NSSL-2m、MY和WDM6对于雨和某些相态的降水粒子采用了双参量方案。
1.3 检验和诊断方法降水观测实况采用高密度华北区域逐小时雨量站，经过人工质量控制后，在模式区域内采信的加密自动站共计20745个，相邻5站的平均距离为8.2 km。降水检验主要使用了ETS(equivalent threat score)检验评分。为减小高分辨率模式代表性空间误差，Clark et al(2010)和Johnson and Wang(2013)相继在对流尺度集合预报检验中使用了邻域(neighborhood)方法计算ETS评分。本文采用的邻域检验半径为8 km(4×4网格点)，与站点空间分布基本密度相当，邻域站点采样使用区域平均算法。为区分起见，将常规双线性插值的ETS评分方法称为ETSBI，而邻域ETS评分称为ETSND。此外，还利用降水相关系数(R)、均方根误差(RMSE)、降水概率密度分布(PDF)等指标和方法对集合预报进行了分析检验。对于集合模拟降水的检验主要采用了集合平均、百分位和离散度等产品，其中模拟降水百分位产品按照经验函数进行概率拟算后再进行线性内插计算，集合离散度为变量的标准方差；另外对模拟雷达回波、位涡和云微物理特征进行了诊断分析；最后采用了集合分类对比的诊断方法(Schumacher et al，2013；Nielsen and Schumacher, 2016)。
2 基本天气过程形势从2016年7月19日降水分布看(图 2)，大暴雨以上的强降雨落区主要位于山西、河北和河南三省交界处的太行山区东麓，最强中心位于太行山东麓自动站(660478)，24 h累积降水量为619.8 mm。闪电监测表明除去在山地迎风坡处有一定的对流性特征外，华北其余地区以层积混合型降水为主；河南东南部，湖北东部出现了较为明显的对流性降雨。
|
图 2 2016年7月19日08时至20日08时自动站累积降水量(阴影，单位：mm) (“x”符号为最大降雨中心619.8 mm) Fig. 2 Accumulated precipitation (shaded, unit: mm) from 08:00 BT 19 to 08:00 BT 20 July 2016 based on AWS observation (The position marked with "x" denotes maximum precipitation record of 619.8 mm) |
2016年7月19日华北西部高空冷涡东移加深，低层低涡系统从河南北部沿着太行山东麓缓慢北上，地面上对应的气旋进一步加强(图 3)。随着低涡与副热带高压之间的气压梯度增强，低空西南急流增强到24~28 m·s-1，将来自低纬度地区的水汽和热量向华北暴雨区输送，有利于形成持续性的暴雨过程。图 3b表明7月19日20时地面风场上形成了明显的气旋式环流，地面气旋北部的偏东风与太行山能够形成地形性辐合和迎风坡抬升，在太行山东麓有明显的混合型降水回波发展，最强的回波超过45 dBz。
|
图 3 2016年7月19日20:00 GFS(a)500 hPa高度场(单位：dagpm)和850 hPa风场(阴影区风速>12 m·s-1)，(b)海平面气压(单位：hPa)、地面风场以及组合反射率实况(阴影，单位：dBz) Fig. 3 (a) Geopotential height (unit: dagpm) at 500 hPa and wind at 850 hPa (shading for speed beyond 12 m·s-1) from GFS analysis; (b) sea level pressure (unit: hPa), surface wind and observed composite reflectivity (shaded, unit: dBz) at 20:00 BT 19 July 2016 |
图 4a为2016年7月19日降水集合平均，50 mm以上的暴雨落区与实况相当接近，超过100 mm的大暴雨区位于山西、河北和河南北部，最强的降水中心位于河北西南部太行山东麓迎风坡上，与实况降水观测较为接近。图 4a中的列表给出了所有集合成员降水中心值，其中ENS00、ENS05和ENS11都超过800 mm，最低值为ENS06的471 mm，整体上集合成员在降雨强度上与实况都较为接近。相比之下，ECMWF/IFS-C41r2(O1280~9 km)全球模式预报最大值为120~130 mm左右，远小于实况降水的最大强度。图 4b表明降水中心附近集合预报的降水离散度超过200 mm，因此高分辨率数值预报在降水中心的具体位置和强度上都具有明显的不确定性，这种不确定性完全来自于各个集合成员在微物理过程上的差别。图 5为各个集合成员的区域平均逐小时降雨预报以及观测实况，虽然所有集合成员在降水发展趋势上与观测基本保持一致，但各个集合成员之间在强度和强降水出现时间上具有明显区别，尤其在7月19日20时降雨高峰前后，预报不确定性达到最大。
|
图 4 2016年7月19日(a)累积降水集合平均(单位：mm)，(b)华北区降水95%分位数(等值线，单位：mm)和降水离散度(填色，单位：mm) Fig. 4 (a) Ensemble mean of accumulated precipitation (unit: mm), (b) 95% percentiles and spread of the precipitation (shaded, unit: mm) in North China on 19 July 2016 |
|
图 5 区域平均各个集合成员的逐小时预报降水量和自动站降雨量 Fig. 5 Regional hourly precipitation mean of all ensemble members and hourly precipitation from AWS |
图 6为各个集合成员对于2016年7月19日暴雨以上量级的ETSBI和ETSND评分，总体上各个集合成员的暴雨以上评分都较为优越，评分最低的成员ENS00暴雨评分也达到0.445。作为对比，ECMWF/IFS-C41r2的暴雨ETS评分为0.47，因此高分辨率的对流尺度模式还是体现出一定优势。暴雨以上量级评分前两位分别为ENS05(0.54) 和ENS10(0.52)，大暴雨和特大暴雨评分最高的ENS03；另外集合成员ENS03、ENS05、ENS08、ENS10和ENS11的特大暴雨评分还高于大暴雨评分，主要由于这些集合成员的特大暴雨模拟具有相对较低的空报率。在集合成员中ENS00使用了较为简单Ferrier方案，与其他相对复杂的降水方案相比表现出一定差距；但值得注意的是，降雨模拟质量也并非与微物理过程的复杂程度成正相关关系，如集合成员ENS04成员采用了相对复杂的双参量微物理方案MY，但暴雨和大暴雨评分并不理想。从预报评分方法对比看，ETSBI和ETSND基本一致，但ETSND比ETSBI的评分要稍高一些，表明采用邻域方法对于高分辨率数值模式进行产品后处理和检验更为适合。
|
图 6 集合成员2016年7月19日24 h暴雨ETSBI(a)和ETSND(b)评分 Fig. 6 ETSBI (a) and ETSND (b) for heavy rain on 19 July 2016 for all ensemble members |
图 7为采用邻域方法计算的集合预报各个成员降水预报与实况的相关系数(RND)和均方根误差(RMSEND)，其中ENS10具有最高的RND和最低的RMSEND，相对来说具有较高的预报质量。另外从双线性插值和邻域方法两种对于模式的后处理技术上看，邻域方法具有较高的R和较低的RMSE，因此采用邻域方法进行模式降水产品应用和检验有助于降低高分辨率模式的代表性误差。
|
图 7 集合预报各个成员的降水相关系数(R)与均方根误差(RMSE) Fig. 7 Correlation coefficient and RMSE between ensemble precipitation forecast and observation |
依据以上三种降水评分检验评分方法，简单的按照累积排名进行了对比(表 3)。结果表明集合成员ENS10-WSM6_P2预报质量最佳；而采用同一方案，不同参数的ENS11-WMS6_P3预报排名最为靠后，ENS00-Ferrier整体评分也不佳。集合预报试验表明即使采用相同的微物理过程，基本参数的不确定性也能够对降水预报产生较为明显的影响。在采用双参量方案的集合成员中，ENS05-Morrison和ENS08-NSSL-2m模拟结果最佳，但采用较为复杂微物理方案的ENS04-MY预报排名较为靠后，主要是因为与实况相比模拟降水具有较低的R和较高的RMSE。
|
|
表 3 集合成员预报质量综合排名 Table 3 Summarized scores for all ensemble members |
图 8a为2016年7月19日集合平均降水和观测降水的PDF曲线，观测降水PDF与预报降水PDF在50 mm以下相当接近，表明具有较高的预报质量；在50~150 mm，观测降水的PDF略高于预报降水的PDF曲线，而在150 mm以上的观测降水和集合平均降水的PDF较为接近，表明高分辨模式在此次极端降水事件预报上具有一定的预报能力。图 8a中折线图为各成员模拟降水量与观测降水量的频率相关系数Rfreq，所有集合成员的Rfreq都超过了0.97，相关最低的成员为ENS00，最高两个为ENS05和ENS10，与使用ETS、R和RMSE等检验方法得到的质量排名结果基本一致。图 8b为观测降水与集合平均降水散点分布的逐段线性趋势分析，在50 mm以下，集合预报降水与观测降水相对接近，但存在过“湿”的倾向；在50 mm以上，集合预报平均整体偏小，存在过“干”的倾向，并且随着降水量增大有加剧趋势。综合分析降水PDF信息表明，在此次强降水过程中，对流尺度集合预报集合平均降水对于暴雨以下量级存在过高估计的可能性，而在大暴雨和特大暴雨量级上的发生频次仍然具有低估的可能性。
|
图 8 (a)集合平均降水量与观测降水量的PDF(附图为各集合成员的频率相关系数Rfreq)，(b)观测降水量与集合平均降水量预报散点分布的线性趋势 Fig. 8 Precipitation PDF for all ensemble members (blue short line) and observation (red solid line) with correlation coefficients (a), and linearized tendency between ensemble averaged precipitation forecast and observation (b) |
2016年7月19日08时200 hPa集合平均高度场表明在西北地区东部有较深的高空槽系统(图 9a)，华北地区处于高空槽前，具有较好的天气尺度抬升和高空辐散动力条件，有利于出现强降水天气事件。200 hPa高度场离散度中心出现在高空槽前高空急流入口区附近，中心值超过90 gpm，并且随着急流轴向下游延伸。图 9b为集合平均海平面气压及其离散度，在黄淮—华北南部地区有气旋在发展，高离散度中心出现在河北西南部降水中心附近，中心值超过2 hPa。图 9b中的离散彩色点表明了19日海平面气压最低点逐小时分布，基本代表了各个集合成员预报的气旋中心移动路径，随着气旋中心自西南向东北方向移动，路径空间分布离散度也在明显增大，尤其是进入到河北以后，集合预报各成员之间关于地面气旋的中心位置和移动速度都出现明显差异。在相同的初始场和边界条件背景下，由于集合成员之间在微物理过程上的差异，高空急流和地面气旋等关键天气尺度系统在时空分布和系统强度上也出现了明显的不确定性，从而进一步影响到降水分布特征。
|
图 9 2016年7月19日08:00(a)200 hPa集合平均高度场(单位：gpm)、集合平均风场(黑色箭矢风速≥30 m·s-1，红色箭矢风速≥40 m·s-1)和高度场离散度(填色，单位：gpm)，(b)集合平均海平面气压(等值线，单位：hPa)和离散度(填色，单位：hPa；离散点为所有集合成员19日逐小时最低气压位置) Fig. 9 The 08:00 BT 19 July 2016 (a) ensemble mean geopotential height (unit: gpm), wind (black arrow for wind speed ≥30 m·s-1 and red arrow for wind speed ≥40 m·s-1) and height spread (unit: gpm) at 200 hPa, (b) sea level pressure (unit: hPa) and spread (shaded, unit: hPa) with points for the position of hourly minimum sea level pressure of all ensemble members |
图 10a为2016年7月19日集合成员区域平均降水量(PR)与整层可降水含量PWAT、850 hPa相对涡度(VOR850)、上升和下沉运动4个物理诊断量之间的散点联合分布。在PWAT-PR的联合分布图上，ENS04位于最左上角，表明具有最高的降水效率；ENS07位于最右下角，表明其降水效率最低。从VOR850-PR的联合分布上(图 10b)，ENS11具有较强的正涡度和降水，从形势场上分析较强的低涡能够产生更强的辐合上升并导致更强的降水；而具有同一WSM6物理过程、采用不同参数的ENS10和ENS09位于左下角，对应着相对较弱的低涡和降水量。区域平均垂直速度与降水的联合分布表明了两种类型的集合成员，其中ENS02、ENS03、ENS04、ENS08、ENS11、ENS12分别位于右上象限(图 10c)和左上象限(图 10d)，具有较强的上升运动、下沉运动和较大的降雨量，而ENS00、ENS05、ENS06、ENS07、ENS09、ENS10具有相对较弱的垂直运动和较小的降雨量。采用同样WSM6物理方案和不同参数的4个成员ENS09~12在物理量-降水的散点图上占据对角两端位置，ENS01基本处于中间，因此在排除ENS01后，可以将集合成员分为强降水集合ENS-SUB1和弱降水集合ENS-SUB2两个子类进行对比(表 4)。尽管从综合排名(表 3)上看ENS-SUB1稍微落后于ENS-SUB2，但这两个子集合分布代表了集合模拟中的不同特征分布，需要从形势场诊断和物理量分析上做进一步的讨论。
|
图 10 集合成员区域平均2016年7月19日降水量与区域平均PWAT(a)，850 hPa相对涡度(b)，垂直上升速度(c)和垂直下沉速度(d)的散点分布 (5个红色方块代表采用不同微物理参数的WSM6降水方案集合成员) Fig. 10 Scatter plot of regional mean precipitation associated with PWAT (a), relative vorticity at 850 hPa (b), updraft (c) and downdraft (d) on 19 July 2016 (5 red squares denote ensemble members using WSM6 scheme with different microphysical parameters) |
|
|
表 4 集合分类 Table 4 Ensemble sub-classification |
图 11为2016年7月19日20时两个子集合ENS-SUB1和ENS-SUB2集合平均的模拟雷达回波和850 hPa平均风场，相对来说ENS-SUB1在山区附近具有更为明显的对流性降水，具有较明显的45 dBz以上的回波，而ENS-SUB2的山区对流性回波相对较弱，但30~40 dBz的层云回波相对更多一些。与图 3b中雷达组合反射率拼图相比较，其中40 dBz以上的强回波预报相对ENS-SUB1较为准确，而层云回波则是ENS-SUB1更为准确。从850 hPa集合平均风场对比上看，两类子集合低涡中心位置上基本一致，但ENS-SUB1在河南东北部到河北南部具有更强的偏东风急流风速，有利于在河北太行山前产生更强的辐合和降水。
|
图 11 2016年7月19日20时850 hPa集合平均风场和组合反射率(单位：dBz) (a) ENS-SUB1，(b) ENS-SUB2 Fig. 11 Ensemble mean wind barb at 850 hPa and composite reflectivity (unit: dBz) at 20:00 BT 19 July 2016 (a) ENS-SUB1, (b) ENS-SUB2 |
在强降水集合ENS-SUB1的θse垂直剖面上(图 12)，强降水集中在山前地区114°~115°E，700 hPa以上的中高层具有相对明显的正位温异常，1000~850 hPa具有相对明显的负位温异常，分别对应于中高层潜热加热和近地面层降水冷却，在潜热加热作用下，115°E附近中低层出现了对流中性层结(Davis and Emanual, 1991; Stoelinga, 1996)。同时在114.5°~115°E附近具有相对明显的上升和下沉运动，较强降水导致的拖曳下沉效应相对明显。在弱降水集合ENS-SUB2中，地形前降水强度要弱很多，降水分布相对均匀，低层没有出现明显的负位温异常，潜热加热主要出现在700~500 hPa中层区域，在主要降水区域114°~115°E的集合平均垂直运动以上升运动为主，但上升运动速度较ENS-SUB1小很多，下沉运动信息被平滑过程所过滤。图 13为模拟雷达回波垂直剖面和位涡异常，ENS-SUB1在迎风坡前有较强的对流性降水回波，相对应的较强潜热释放造成了明显正位涡异常，并能够进一步影响到低涡和低空急流等系统的发展；相对来说ENS-SUB2在地形附近的对流较弱，但115°E附近的层云回波较为清楚，与潜热释放相关的中高层正位涡异常要弱很多。
|
图 12 2016年7月19日20:00过37.5°N的θse垂直剖面(单位: K)
(a) ENS-SUB1集合平均, (b) ENS-SUB2集合平均 (阴影为位温扰动，风场为纬向风与垂直速度合成，下方为19日20:00—23:00累积降水柱状图) Fig. 12 Vertical section of θse (unit: K), perturbation of potential temperature and composite wind along 37.5°N at 20:00 BT 19 July 2016 (a) ENS-SUB1, (b) ENS-SUB2 (Shaded area for potential temperature perturbation, wind field for composition of zonal wind and vertical speed, with barplot of accumulated precipitation from 20:00 BT to 23:00 BT 19) |
|
图 13 2016年7月19日20:00过37.5°N的位涡(等值线，单位：PVU，1 PVU=10-6 K·m2·kg-1·s-1)垂直剖面和雷达组合反射率(填色，单位：dBz)
(a) ENS-SUB1集合平均, (b) ENS-SUB2集合平均 (风场为纬向风与垂直速度合成) Fig. 13 Vertical Section of perturbation of potential vorticity (contour, unit: PVU, 1 PVU=10-6 K·m2·kg-1·s-1) and radar reflectivity (shaded, unit: dBz) along 37.5°N at 20:00 BT 19 July 2016 (a) ENS-SUB1, (b) ENS-SUB2 (Wind field for composition of zonal wind and vertical speed) |
图 14为ENS05-Morrison和ENS06-WDM模拟的2016年7月19日20时雷达回波垂直剖面。ENS05-Morrison垂直剖面上的层云回波高度更高、更为集中，在0℃层附近出现较为明显的回波，与层云回波亮带的雷达观测事实较为接近，对流空间结构较为合理；从各类评分综合来看ENS05-Morrison属于模拟质量较为均衡的集合成员。ENS06-WDM方案对于层云的预报面积相对较小，同时近地形处对流性回波相对较弱，亮带与0℃等温线的匹配也不如Morrison方案，从各类降水检验评分上看模拟质量要相对较差。
|
图 14 2016年7月19日20时集合成员ENS05 (a)、ENS06 (b)过37.5°N的雷达回波剖面(填色，单位：dBz)、0℃等温线和风场 Fig. 14 Vertical section of radar reflectivity (shaded, unit: dBz), isotherm of 0℃ and wind along 37.5°N for ENS05 (a) and ENS06 (b) at 20:00 BT 19 July 2016 |
在集合成员中，编号为ENS01、ENS09~12的5个集合成员采用了基于不同参数的WSM6方案，区别在于雨和霰PSD的背景分布，因此可以作为相互对照进行参数敏感性分析。图 15为2016年7月19日20时经过降水中心37.5°N的雷达回波垂直剖面。集合成员ENS01-WSM6在迎风坡处产生了强烈的对流活动，30 dBz高度接近300 hPa；在115°~116°E具有广阔的层云降水。ENS10与ENS01相对比，在迎风坡处几乎相同的位置上也产生了对流，但30 dBz的高度基本不超过600 hPa，在下游地区的层云降水与对流中心在空间上相对分离，层云结构相对更为接近实况。ENS01和ENS10之间的区别在于WSM6降水方案中关于降水粒子截断参数和霰密度的参数设置差异，其中ENS01的N0r较ENS10小1个数量级，但最终反映在降雨上，ENS01产生了更强的降水。值得指出的是，WSM6与WDM6方案的区别仅在于对于液态降水粒子的处理上，与图 14b对比表明，WSM6原方案出现了过强的山地对流和宽广的层云降水回波，回波结构差异明显。
|
图 15 同图 14，但为ENS-01(a)、ENS-10(b) (等值线为位温，单位：K) Fig. 15 Same as Fig.14, but for ENS-01 (a) and ENS-10 (b) (contour for potential temperature, unit: K) |
图 16为2016年7月19日20时集合成员ENS01和ENS10区域平均的降水粒子混合比垂直廓线，两个集合成员的qc基本一致，表明由低层供应水汽成云的强迫机制基本一致，但冰相粒子qg和qs的分布具有明显差异，ENS01具有更高的冰相粒子质量混合比，而ENS10的qg和qs含量相对较少。在对降水发展过程起重要作用的“播散”机制(seeder-feeder)中，冰相粒子通过贝吉隆效应(bergeron process)能够快速形成更大、更重的雨滴，从而带来更多的降雨量，这对于对流性降水过程非常重要；同时ENS01采用了相对较大的霰密度参数，较高的降水粒子末端速度进一步加剧了对流性降水过度预报的问题。相比之下，ENS10方案中冰相粒子霰、冰、雪含量相对较低，在反映对流性降水强度上要相对弱一些，但由于较低的霰粒子密度和较高的雨滴截断参数N0r，有助于形成数量较多的雨滴，降水过程由暖云内雨滴碰并增长主导，这对于稳定性的暖云降水更为重要，从预报结果上更为均衡和贴近本次降水过程实况。
|
图 16 2016年7月19日20时集合成员ENS01(a)和ENS10 (b)的区域平均qr, qc, qg, qs, qi的(单位：g·kg-1)垂直廓线 Fig. 16 Vertical profile of regional averaged qr, qc, qg, qs, qi of ENS01 (a) and ENS10 (b) (unit: g·kg-1) at 20:00 BT 19 July 2016 |
雨和霰的PSD分布对于降水过程具有非常复杂的影响，仅通过少数参数的敏感性试验分析降水物理过程还是存在很多困难；简化来说，降水粒子PSD和密度分布的影响可以通过降水粒子有效直径Dx和平均粒子影响面积Sx进行分析(Duda，2014)，其分别定义为：
| $ \begin{array}{l} {D_x} = {\left({\frac{{6{\rho _0}}}{{{\rm{\pi }}{\rho _x}}}{q_x}} \right)^{\frac{1}{3}}}\\ {S_x} = \frac{{{\rm{\pi }}{n_x}\left({2 + \alpha } \right)\left({1 + \alpha } \right)D_x^2}}{{{{\left[ {\frac{{\Gamma \left({4 + \alpha } \right)}}{{\Gamma \left({1 + \alpha } \right)}}} \right]}^{\frac{2}{3}}}}} \end{array} $ | (2) |
式中, Dx、Sx综合反映了降水粒子数浓度、粒子密度和质量混合比的共同影响，这两个参数被认为与降水蒸发和冷池强度有密切关系(Dawson et al, 2010)；其中nx为某一类降水粒子的体积数浓度，qx为某类降水粒子的质量混合比，ρx为某类降水粒子密度，ρ0为干空气密度，Γ为Gamma函数，α为降水粒子形状参数。在集合成员ENS01，ENS09~12共计5种不同参数配置下WSM6物理过程中，图 17a表明霰粒子数浓度Ng的差别可以达到几个量级以上，其中ENS01使用原始参数的WSM6物理方案导致了最高的Ng，ENS09和ENS10两个成员的Ng较为接近，而ENS11、ENS12成员的Ng最低。从雨滴数浓度Nr分布看(图 17b)，ENS09与ENS10和控制预报ENS01较为接近，ENS11与ENS12在边界层内具有最少的Nr。从雨和霰的有效半径Dg和Dr看(图 17c)，ENS01是5个成员中的最小值，而ENS11具有霰的最大值。综合表现在降水粒子有效面积上，ENS11和ENS12形成的雨滴粒子总面积较小，而ENS01、ENS09和ENS10形成的雨滴有效面积最大，在云雨微物理结构分布上有明显区别。
|
图 17 霰粒子数浓度Ng(a, 单位:个·m-3)，雨粒子数浓度Nr(b, 单位:个·m-3)，降水粒子平均直径Dg和Dr(c, 单位: mm)和降水粒子总有效面积Sg和Sr(d, 单位: m2)的垂直分布廓线 Fig. 17 Vertical profiles of number concentration Ng for graupel (a, unit: m-3), Nr for rain (b, unit: m-3), Dg and Dr for mean diameter of graupel and rain particles (c, unit: mm), Sg and Sr for total surface area of graupel and rain particles (d, unit: m2) |
总体来说，这5个集合成员对于冷云过程中霰的预报，存在两种典型特征：成员ENS01、ENS09和ENS10具有较高的Ng和较小的Dg，比较容易形成稳定性的强降水过程，但对流性拖曳较弱，地面冷池较弱；ENS11、ENS12具有最小的Ng和最大的Dg，较大的冰相粒子比较容易形成较强的对流性下沉和地面冷池，但随机性误差也在增大，比较接近于强对流风暴云结构特征。在暖云结构特征上，ENS01、ENS09、ENS10具有较小的Dr和较高的Nr，也代表较为密集和均匀的稳定性降雨过程；ENS11、ENS12具有较大的Dr和较低的Nr，代表了强对流性降雨过程。通过不同参数的设置，基于同一WSM6微物理方案的预报成员表达了对于强对流风暴和具有密集暖云降水两种性质的降雨过程，对于一次特定的天气过程能够预估到更多的不确定性，展现了基于物理过程的对流尺度集合预报的优越性。
4 结论(1) 针对2016年7月19日华北地区的极端暴雨过程，进行了基于云微物理过程差异的对流尺度集合模拟试验，集合模拟由采用相同初始场和边界条件、4 km分辨率、不同降水物理过程的13个集合成员构成。
(2) 利用ETS、相关系数和RMSE对集合模拟降水进行了对比检验，对流尺度集合模式各个成员在降水强度和准确度上较全球尺度模式有一定提升，降水强度和时空分布上与实况较为接近，但同时也表现出明显的不确定性。通过对比采用邻域技术和常规双线性插值技术检验对比表明，邻域技术能够带来更优的ETS评分和更高的相关系数，较适用于高分辨率数值模式检验。频率检验表明集合模式在50 mm以下量级的降水存在过量模拟的倾向，而100 mm以上的强降水模拟相对偏弱。综合检验表明采用Morrison方案和WSM6_P2方案的集合成员取得了较好的模拟效果。
(3) 在同样的初始条件和边界条件下，基于不同降水物理过程的集合预报在高空急流和地面气旋等关键天气尺度系统的发展过程中表现出明显的不确定性。通过降水量与整层可降水含量、低层相对涡度和垂直运动等诊断量的联合分析表明，集合成员可分为强降水集合和弱降水集合两类，其中强降水集合拥有较强的对流性回波、明显的对流性下沉以及强的地面冷池，强的潜热反馈也导致中层出现明显的正位涡异常，并能进一步影响天气系统的发展和对流环境条件的调整。相对来说弱降水集合成员的降水以暖云降水为主，对流性相对较弱，地面冷池也较弱，但较为接近本次以稳定性层云降水为主的天气过程。通过对模拟回波的检验表明，双参量方案在反映层云回波亮带、层云与对流核的分离上更为合理。
(4) 对WSM6物理方案参数设置进行了敏感性分析。通过对雨、霰粒子PSD分布、降水粒子直径和降水粒子有效面积等相关物理量诊断表明，在不同参数设置下，同一个微物理过程分别表达了强对流风暴和暖云强降水两种性质的强降雨过程，对于一次特定天气过程使用集合预报能够预估到对流发展的不确定性，展现了基于物理过程的对流尺度集合预报的优越性。
在实际预报过程中不同地区的对流环境条件往往具有明显差异，在对降水物理过程深入了解的基础上，预报员能够通过局地环境条件分析判定对流系统未来发展的主要特征，从而在对流尺度集合预报中选择适当的成员子集合做进一步的预报分析，并对预报不确定性做出估计。当然，本文仅针对一个特殊天气个例进行了初步讨论，关于对流尺度集合预报的应用还有待于进行更广泛的数值模拟试验分析。
陈静, 薛纪善, 颜宏, 2003. 华南中尺度暴雨数值预报的不确定性与集合预报试验[J]. 气象学报, 61(4): 432-446. DOI:10.11676/qxxb2003.042 |
陈静, 薛纪善, 颜宏, 2005. 一种新型的中尺度暴雨集合预报初值扰动方法研究[J]. 大气科学, 29(5): 717-726. |
李俊, 杜钧, 刘羽, 2015. 北京"7·21"特大暴雨不同集合预报方案的对比试验[J]. 气象学报, 73(1): 50-71. DOI:10.11676/qxxb2015.008 |
谭燕, 陈德辉, 2008. 河南"75·8"大暴雨的中尺度集合预报试验[J]. 气象, 34(9): 10-21. DOI:10.7519/j.issn.1000-0526.2008.09.002 |
袁月, 李晓莉, 陈静, 等, 2016. GRAPES区域集合预报系统模式不确定性的随机扰动技术研究[J]. 气象, 42(10): 1161-1175. DOI:10.7519/j.issn.1000-0526.2016.10.001 |
张涵斌, 陈静, 智协飞, 等, 2014. GRAPES区域集合预报系统应用研究[J]. 气象, 40(9): 1076-1087. DOI:10.7519/j.issn.1000-0526.2014.09.005 |
Bowler N E, Arribas E A, Mylne K R, et al, 2008. The MOGREPS short-range ensemble prediction system[J]. Quart J Roy Meteor Soc, 134(632): 703-722. DOI:10.1002/(ISSN)1477-870X |
Buizza R, Houtekamer P L, Toth Z, et al, 2005. A comparison of the ECMWF, MSC, and NCEP global ensemble prediction system[J]. Mon Wea Rev, 133(5): 1076-1097. DOI:10.1175/MWR2905.1 |
Cifelli R, Williams C R, Rajopadhyaya D K, et al, 2000. Drop-size distribution characteristics in tropical mesoscale convective systems[J]. J Appl Meteor, 39(6): 760-777. DOI:10.1175/1520-0450(2000)039<0760:DSDCIT>2.0.CO;2 |
Clark A J, Gallus W A J, Weisman M L, 2010. Neighborhood-based verification of precipitation forecasts from convection-allowing NCAR WRF model simulations and the operational NAM[J]. Wea Forecasting, 25(5): 1495-1509. DOI:10.1175/2010WAF2222404.1 |
Clark A J, Gallus W A J, Xue M, et al, 2009. A comparison of precipitation forecast skill between small convection-allowing and large convection parameterizing ensembles[J]. Wea Forecasting, 24(4): 1121-1140. DOI:10.1175/2009WAF2222222.1 |
Clark A J, Kain J S, Stensrud D J, et al, 2011. Probabilistic precipitation forecast skills as a function of ensemble size and spatial scale in a convection allowing ensemble[J]. Mon Wea Rev, 139(5): 1410-1418. DOI:10.1175/2010MWR3624.1 |
Clark A J, Weiss S J, Kain J S, et al, 2012. An overview of the 2010 hazardous weather testbed experimental forecast program spring experiment[J]. Bull Amer Meteor Soc, 93(1): 55-74. DOI:10.1175/BAMS-D-11-00040.1 |
Davis C A, Emanuel K A, 1991. Potential vorticity diagnostics of cyclogenesis[J]. Mon Wea Rev, 119(8): 1929-1953. DOI:10.1175/1520-0493(1991)119<1929:PVDOC>2.0.CO;2 |
Dawson D T, Xue M, Milbrandt J A, et al, 2010. Comparison of evaporation and cold pool development between single-moment and multimoment bulk microphysics schemes in idealized simulations of tornadic thunderstorms[J]. Mon Wea Rev, 138(4): 1152-1171. DOI:10.1175/2009MWR2956.1 |
Duda J D, Wang X, Kong F, et al, 2014. Using varied microphysics to account for uncertainty in warm-season QPF in a convection-allowing ensemble[J]. Mon Wea Rev, 142(6): 2198-2219. DOI:10.1175/MWR-D-13-00297.1 |
Eckel F A, Mass C F, 2005. Aspects of effective mesoscale short-range ensemble forecasting[J]. Wea Forecasting, 20(20): 328-350. |
Gilmore M S, Straka J M, Rasmussen E N, 2004. Precipitation uncertainty due to variations in precipitation particle parameters within a simple microphysics scheme[J]. Mon Wea Rev, 132(11): 2610-2627. DOI:10.1175/MWR2810.1 |
Golding B, Roberts N, Leoncini G, et al, 2016. MOGREPS-UK convection-permitting ensemble products for surface water flood forecasting: rationale and first results[J]. J Hydrometeorol, 17(5): 1383-1406. DOI:10.1175/JHM-D-15-0083.1 |
Johnson A, Wang X, 2012. Verification and calibration of neighborhood and object-based probabilistic precipitation forecasts from a multi-model convection-allowing ensemble[J]. Mon Wea Rev, 140(9): 3054-3077. DOI:10.1175/MWR-D-11-00356.1 |
Joss J, Waldvogel A, 1968. Raindrop size distribution and sampling size errors[J]. J Atmos Sci, 26(3): 566-569. |
Morrison H, Milbrandt J, 2011. Comparison of two-moment bulk microphysics schemes in idealized supercell thunderstorm simulations[J]. Mon Wea Rev, 139(4): 1103-1130. DOI:10.1175/2010MWR3433.1 |
Nielsen E R, Schumacher R S, 2016. Using convection-allowing ensembles to understand the predictability of an extreme rainfall event[J]. Mon Wea Rev, 144(10): 3651-3676. DOI:10.1175/MWR-D-16-0083.1 |
Pruppacher H R, Klett J D, 1978. Microphysics of Clouds and Precipitation[M].
Netherlands: Springer, 714.
|
Schumacher R S, Clark A J, Xue M, et al, 2013. Factors influencing the development and maintenance of nocturnal heavy-rain-producing convective systems in a storm-scale ensemble[J]. Mon Wea Rev, 141(8): 2778-2801. DOI:10.1175/MWR-D-12-00239.1 |
Stensrud D J, Bao J, Warner T T, 2000. Using initial conditions and model physics perturbations in short-range ensemble simulations of mesoscale convective systems[J]. Mon Wea Rev, 128(128): 2077-2107. |
Stoelinga M T, 1996. A potential vorticity-based study of the role of diabatic heating and friction in a numerically simulated baroclinic cyclone[J]. Mon Wea Rev, 124(5): 849-874. DOI:10.1175/1520-0493(1996)124<0849:APVBSO>2.0.CO;2 |
Tong M, Xue M, 2008. Simultaneous estimation of microphysical parameters and atmospheric state with simulated radar data and ensemble square root Kalman filter. Part Ⅰ: Sensitivity analysis and parameter identifiability[J]. Mon Wea Rev, 136(5): 1630-1648. DOI:10.1175/2007MWR2070.1 |
Xue M, 2008. CAPS realtime storm-scale ensemble and high-resolution forecasts as part of the NOAA Hazardous Weather Testbed 2008 Spring Experiment[C]. 24th Conf Several Local Storms, Savannah, GA, Amer Meteor Soc, 12.2.
|
Xue M, Kong F, Brewster K A, et al, 2013. Prediction of convective storms at convection-resolving 1 km resolution over continental United States with radar data assimilation: An example case of 26 May 2008 and precipitation forecasts from spring 2009[J]. Adv Meteor, (3): 1-9. |