GRAPES_Meso模式及其云分析系统在中国西北地区降水预报中的应用评估

任绪伟，陈晓燕，蔡迪花，李兰倩，邵爱梅

(1.兰州大学大气科学学院，甘肃 兰州 730000；2.兰州中心气象台，甘肃 兰州 730020； 3.中国气象局兰州干旱气象研究所，甘肃 兰州 730020)

引 言

GRAPES(global/regional assimilation and prediction system)是中国气象局自主研发的多尺度通用资料同化与数值预报系统[1-2]，包括全球中期天气预报系统(GRAPES_GFS)和区域中尺度数值预报系统(GRAPES_Meso)。自2006年7月GRAPES_Meso模式正式业务运行至今，已从模式动力框架升级、同化系统改进、空间分辨率提升以及物理参数化方案优化等方面开展了大量研究[3-13]。科学、准确地检验评估模式预报能力是模式系统不断优化升级的重要部分，这对进一步改进模式性能有着积极作用[14-16]。

降水预报检验是考察模式综合性能的关键要素，为此学者们已针对不同版本的GRAPES_Meso模式开展了降水预报效果的检验和评估研究[17-22]。GRAPES_Meso V3.3版本具有15 km的水平空间分辨率，其对东北和华北等地区的强降水有一定的预报能力，但对受地形影响的强降水预报能力有限[17]。随着模式版本升级至V4.0，模式水平分辨率提高到10 km，垂直分层从31层增加至50层，同时完善了物理参数化方案和动力框架，增加了地基GPS (global position system)大气水汽含量等资料的同化应用。GRAPES_Meso V4.0版本进一步提升了降水预报能力，对雨带的细致结构有较好的刻画能力，模式预报的降水与实况较为接近，且对温度、风速、位势高度等气象要素的预报也有正作用[18]。总体来说，V4.0版本对我国西部地区的降水预报能力低于东部地区[19]，在西南地区的预报偏差主要表现为降水范围偏大、强度偏强或预报的降水中心值较实况偏小[20]，而在西北地区的降水预报也存在一定偏差[21]。目前GRAPES_Meso模式水平分辨率已提升至3 km，能够更好地预报出我国东南部地区降水的空间结构，对日均降水量和降水频率的预报好于10 km分辨率[22]。

中尺度数值模式普遍存在spin-up问题，即模式初始场动力、热力条件与湿物理过程不匹配，导致模式对云和降水的响应存在时间上明显滞后现象，进而影响模式对局地强对流等高影响天气过程的预报性能。为提高短临预报能力，缩短模式spin-up时间，GRAPES_Meso模式引入了中尺度模式ARPS的云分析系统[23-24]，该系统利用卫星、雷达以及地面等观测资料，结合模式物理量场，展开三维云量分析和降水粒子场(雨水、雪和冰雹等)的计算。为了使云内温度场和云分析场一致，该云分析系统根据湿绝热假设对云内温度场、湿度场和垂直速度场进行调整，以完成对模式初始场的修正与更新[25]。云分析系统的引入提高了GRAPES_Meso模式业务版本的短临预报性能，对华南地区降水预报有着积极作用[26]。然而，当前对GRAPES_Meso模式及其云分析系统降水预报性能的检验评估多集中在我国东部及南部地区，而对千米尺度分辨率模式及其云分析系统在西北地区的应用效果评估较少。为此，本文利用GRAPES_Meso模式(3 km)及其云分析系统，针对我国西北地区2018年夏季13次强降水天气过程和一个月天气开展降水预报批量试验，评估该模式及其云分析系统在西北地区的降水预报能力，并结合一次典型强降水个例的试验结果给出GRAPES_Meso模式及其云分析系统的应用效果。

1 模式和方法

1.1 模式及云分析系统简介

GRAPES_Meso模式采用半隐式半拉格朗日时间积分方案，水平方向为Arakawa-C网格点，垂直方向采用Charney-Phillips非均匀跳层以及高度地形追随坐标设置；物理过程主要有次网格积云对流参数化、云微物理显式降水、短波辐射、长波辐射、边界层以及陆面过程；三维变分同化系统可同化船舶、地面、云导风、飞机报、探空等多种观测资料。动力框架和经过优化改进的物理参数化方案是GRAPES_Meso模式核心部分[3]，经过十余年的改进，该模式目前已具有较好的预报性能。

GRAPES_Meso云分析系统的设计思路是通过综合模式背景场信息以及各种观测资料(雷达组网拼图、卫星相当黑体温度和总云量、探空、地面观测)，根据云的动力、热力学原理和观测试验获得的经验关系修正云信息[26]。具体来说，云分析系统通过模式背景湿度场信息确定云区和云量，通过地面观测资料估算云底高度和云层厚度，通过卫星数据调整云顶高度，通过雷达回波修正云量，通过静力稳定度和温度识别云状，通过简单非绝热方案或Smith-Feddes方案分离云水与云冰；之后，根据雷达回波与不同类型降水的关系进一步对雷达回波覆盖区降水进行分类(雨、雪、雹)；最后，根据Nudging方法完成对云内信息的初始化。

1.2 试验设计

试验采用GRAPES_Meso模式，模拟区域范围88°E—112°E、31°N—43°N(图1)，积分时间步长60 s，物理参数化方案选取WSM6微物理过程方案、Dudhia短波辐射方案、RRTM长波辐射方案、Noah陆面过程方案、MRF边界层方案以及Monin-Obukhov近地面层方案等。模式水平分辨率0.03°×0.03°，水平方向格点数800×400，垂直方向分为50层，模式预报结果逐小时输出一次。文中涉及的地图均基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2020)4630的标准地图制作，底图无修改。

图1 模式研究区域和多普勒雷达站点分布 (虚线所围区域为雷达组合反射率评估区域)Fig.1 The domain setting of the model and spatial distribution of Doppler radar stations (The area enclosed with dashed line is the evaluation area of radar composite reflectivity)

通过2018年夏季西北地区13次强降水过程(表1)和7月天气批量试验，检验GRAPES_Meso模式及其云分析系统的预报性能，共设计3组试验(表2)：控制试验(Con_exp)为冷启动试验，即模式初始场和边界条件基于美国NCEP GFS提供的0.5°×0.5°分辨率资料(https://www.nco.ncep.noaa.gov/pmb/products/gfs/)，对13次强降水过程，模式于强降水过程当天00:00(世界时，下同)启动，进行24 h预报；云分析试验(Gcas_exp)是在控制试验基础上在积分初始时刻增加云分析过程；热启动试验(Hot_exp)则是在强降水过程前一天18:00启动，每隔3 h使用云分析至降水过程当天00:00，即在前一天18:00和21:00及当天00:00更新云、水信息，之后进行24 h预报。7月天气批量试验的启动时间与强降水个例的设置相同，Con_exp和Gcas_exp试验于每日00:00启动，Hot_exp于前一天18:00启动并每隔 3 h循环使用云分析至当日00:00，之后进行24 h预报。

表1 2018年夏季西北地区13次强降水过程概述Tab.1 Introduction of 13 heavy rainfall cases in Northwest China in summer of 2018

表2 试验设计Tab.2 Experimental design

1.3 资料和评估方法

云分析系统所用的观测资料包括西北地区雷达组网拼图、FY-2E总云量(CTA)和相当黑体温度(TBB)(http://satellite.nsmc.org.cn/PortalSite/Data/Satellite.aspx)，其中雷达组网拼图由8部C波段多普勒雷达资料处理得到，雷达位置如图1所示。另外，使用西北4省(区)及其周边地区2018年6—8月自动气象站逐小时降水资料，小雨、中雨、大雨、暴雨和大暴雨对应的阈值分别为0.1、10、25、50、100 mm。

将模式输出的格点要素预报值通过双线性插值方法插值到观测站点上，并与观测值进行统计分析。降水预报检验方法包括TS(threat score)评分、BS(bias score)评分、命中率(probability of detection，POD)、相关系数(correlation coefficient，CC)和平均绝对误差(mean absolute error，MAE)。TS评分用以定量评价降水预报效果，BS评分用以反映降水总体预报效果，而POD则用以表征预报降水区占实况降水区的比重。

(1)

(2)

(3)

式中：NA、NB、NC分别表示降水预报准确、空报、漏报的站点数。可以看出，TS评分值在0～1之间，分值越高表示预报效果越好[27]。大多情况下，BS值大于1表明降水存在空报，且数值越大空报现象越严重；小于1则表示存在漏报，且数值越小漏报现象越严重。POD数值越高说明预报效果越好。

2 降水预报效果评估

2.1 强降水天气个例试验

为检验GRAPES_Meso模式及其云分析系统的降水预报能力，计算了3组试验对2018年夏季西北地区13次强降水过程的降水预报评分。从图2(a)看出，3 km水平分辨率的GRAPES_Meso模式对西北地区强降水过程有着较好的预报能力，小雨的平均TS评分超过0.5，大雨约为0.2，且模式对强降水也有一定的预报能力；模式积分初始时刻通过云分析系统引入雷达与卫星观测资料对降水预报有正作用，Gcas_exp的降水预报准确率较高，各量级降水预报TS评分均优于控制试验。循环更新背景场云、水凝物信息的Hot_exp对降水预报同样有正作用，但仅小雨和中雨量级的降水预报效果优于Gcas_exp。从BS评分[图2(b)]发现，各量级24 h累计降水BS评分均低于1，说明模式预报的降水普遍较实况偏弱。其中，Gcas_exp通过引入云分析系统明显降低了模式对各量级降水的漏报，而Hot_exp除中雨预报效果明显较好外，其他量级均不如Gcas_exp。从图2(c)看出，Gcas_exp对各量级的降水预报有着较高的命中率，而Hot_exp对小雨、中雨量级的降水表现较好，但对大雨及以上量级的强降水预报POD偏低。

图2 西北地区2018年夏季13个强降水个例3组试验预报的24 h不同量级 累计降水的平均TS(a)、BS(b)评分及POD(c)Fig.2 Mean TS (a), BS (b) and POD (c) of 24 h accumulative precipitation with different magnitudes forecasted by three tests for 13 heavy rainfall cases in summer of 2018 in Northwest China

Gcas_exp的预报降水与观测之间相关系数为0.281，Con_exp次之，相关系数为0.271，而Hot_exp的相关系数最低为0.263；Con_exp、Gcas_exp和Hot_exp预报降水与观测之间的MAE接近，分别为11.12、11.22、11.11 mm。对比降水观测与预报结果的时空分布(图略)可知，虽然Gcas_exp一定程度上提高了强降水的预报能力，使模式在降水大值区预报更加合理，但对某些地区的降水预报偏强，导致MAE略高。

GRAPES_Meso模式云分析系统的应用主要是为了减少模式积分初期的spin-up时间，提高短临预报性能，因此对3组试验逐小时降水预报结果进行检验。图3是3组试验对13个强降水个例逐小时降水预报的平均TS评分，其中设定的降水阈值分别为0.1、5 mm及以上，前者可以表征3组试验对逐小时降水落区的预报能力，后者则反映对短时强降水的预报性能。从图3(a)看出，Con_exp对前2 h大于0.1 mm的降水预报TS评分略低，其余时次TS均超过0.3，说明GRAPES_Meso模式对降水落区有一定的预报能力，且在24 h预报时效内稳定性较好；Gcas_exp各时次大于0.1 mm的降水预报TS评分均优于Con_exp，说明云分析的引入提高了模式对各时次降水落区的预报能力，尤其对前3 h降水预报质量有显著提升；Hot_exp进一步改善了云和降水响应滞后的问题，对最初3 h的降水预报更加准确，13～24 h预报效果也明显好于Gcas_exp，但5～12 h的降水预报效果差于Gcas_exp。

相较于逐小时降水落区预报，3组试验对大于5 mm降水的预报性能差异较大[图3(b)]。相比控制试验，Gcas_exp除了在前4 h和个别时次的强降水预报中略差，其余时次均更好，表明云分析的引入总体上对短时强降水预报有正作用；Hot_exp对最初的2 h强降水预报有明显优势，说明提前6 h启动模式可以有效减小spin-up对模式预报的影响，合理的背景场水汽信息的引入是改善强降水预报效果的方法之一，但稳定性较差。

雷达反射率强度可以反映降水粒子的尺度和密度分布，因此，检验雷达组合反射率预报结果同样可以在一定程度上考察模式的预报性能。其中，模式的雷达组合反射率由预报的云水、雨水、雪等物理量根据Ferrier方案[28]计算获得。图4是3组试验预报的13次强降水过程不同阈值雷达组合反射率24 h预报时效内平均TS和BS评分。可以看出，GRAPES_Meso模式对降水雷达回波有一定的预报能力，且云分析系统能够提高模式对雷达组合反射率的预报质量。其中，Con_exp、Gcas_exp和Hot_exp对大于10 dBZ的组合反射率预报的BS评分分别为0.653、0.695、0.715，说明云分析的加入使模式对回波位置的预报能力也有所提高。然而，GRAPES_Meso模式存在对西北地区回波大值区预报偏强的问题，而云分析系统的引入导致模式预报的回波更强，如Hot_exp对大于30 dBZ的组合反射率BS评分接近3，这与目前模式后处理中组合反射率的计算方案与模式采用的微物理参数化方案不一致有一定关系。

图3 西北地区2018年夏季13个强降水个例3组试验预报的不同量级逐小时降水的平均TS评分 (a) 0.1mm及以上，(b) 5 mm及以上Fig.3 Mean TS of hourly precipitation with different magnitudes forecasted by three tests for 13 heavy rainfall cases in summer of 2018 in Northwest China (a) precipitation with 0.1 mm and above, (b) precipitation with 5 mm and above

图4 西北地区2018年夏季13个强降水个例3组试验预报的逐小时 不同强度雷达组合反射率的平均TS(a)、BS(b)评分Fig.4 Mean TS (a) and BS (b) of hourly radar composite reflectivity with different intensities forecasted by three tests for 13 heavy rainfall cases in summer of 2018 in Northwest China

2.2 批量试验

为进一步检验GRAPES_Meso模式在西北地区的业务应用能力，开展了2018年7月批量试验及评估。由图5(a)可知，2018年7月批量试验的24 h降水平均TS评分与13次强降水过程结果相似，但3组批量试验预报的各量级降水平均TS评分相较于强降水个例结果略低，表明3 km水平分辨率的GRAPES_Meso模式对西北地区降水有良好且稳定的预报能力，但仍存在一定程度的漏报。从图5(b)看出，云分析系统的引入提高了各量级降水预报的TS评分，且中雨、大雨量级BS评分超过0.6，很大程度上改善了降水预报偏弱的问题。同化雷达与卫星观测资料对模式降水预报有较好的应用效果，多次更新背景场水汽信息的Hot_exp在小、中、大雨量级降水预报上命中率较高，而暴雨及以上量级强降水的预报效果不如Gcas_exp[图5(c)]。与强降水个例相比，Con_exp、Gcas_exp、Hot_exp批量预报降水与实况的相关系数较低，分别为0.198、0.206、0.187；由于批量试验降水强度整体不如强降水个例，因此预报误差也较低，MAE分别为6.839、7.090、7.040 mm。

7月批量试验预报的逐小时降水TS评分随预报时长的变化与13次强降水个例的结果基本一致[图5(d)]，预报起始时刻应用云分析的Gcas_exp表现比较稳定，在整个预报时段内降水预报效果均好于Con_exp，尤其是0～12 h的预报；Con_exp受spin-up影响导致降水预报初期TS评分较低，而Hot_exp虽然显著提高了0～4 h的降水预报效果，但随着预报时长增加这一优势未能维持，甚至部分时段的预报效果低于Con_exp，稳定性较差。3组试验方案在积分前12 h降水TS评分均值分别为0.310、0.389、0.356，整体上Gcas_exp的预报效果较好。

相对于13次强降水天气个例，7月批量试验预报的雷达组合反射率的TS评分略低，预报起始时刻应用云分析系统的Gcas_exp对回波预报有正效果[图6(a)]。不同回波强度的BS评分[图6(b)]显示，3组试验对7月大于10 dBZ的组合回波预报范围偏小，对大于20 dBZ的组合回波有较好的预报效果，BS均接近1，而对大于30 dBZ的强回波仍存在预报过强的问题。

图5 西北地区2018年7月3组试验批量预报的不同量级24 h累计降水的平均 TS(a)、BS(b)评分和POD(c)以及0.1 mm及以上降水平均TS评分随预报时长的演变(d)Fig.5 Mean TS (a), BS (b) and POD (c) of 24 h accumulative precipitation with different magnitudes forecasted by three tests and evolution of average TS of 0.1 mm precipitation and above with forecast time (d) on each day of July 2018 in Northwest China

图6 西北地区2018年7月3组试验预报的逐小时不同强度雷达组合反射率的平均TS(a)、BS(b)评分Fig.6 Mean TS (a) and BS (b) of hourly radar composite reflectivity with different intensities forecasted by three tests in July 2018 in Northwest China

3 个例分析

前面分析可见，3 km水平分辨率的GRAPES_Meso模式及其云分析系统对我国西北地区降水有着良好且稳定的预报性能，云分析系统的引入对提高短临降水预报有积极作用。研究表明，西北地区夏季降水主要出现在青海东部、甘肃南部、宁夏以及陕西部分地区[29]。2018年夏季西北地区13个个例的降水落区与李飞[29]研究结果基本一致，且这13个个例和7月批量试验的预报结果有较好的一致性。为检验降水预报的空间一致性，以2018年7月10—11日强降水过程为例，进一步探讨GRAPES_Meso模式及其云分析系统对西北地区降水的预报能力。

图7是2018年7月10日00:00至11日00:00累计降水观测与各试验预报结果。可以看出，此次强降水过程具有降水面积广、强度大的特点，强雨带主要集中在甘肃陇南至陕西榆林一带，多个自动站24 h累计雨量达到大暴雨[图7(a)]，且多次出现短时强降水过程。3组试验预报的强降水落区与强度基本与实况吻合。其中，Con_exp与Gcas_exp预报的雨带位置与观测基本一致，但对陕西延安、榆林等地区的强降水预报强度偏低[图7(b)和图7(c)]，Gcas_exp云分析试验提高了模式在甘肃南部和陕西北部的降水强度和位置预报；Hot_exp修正了陕西北部降水落区位置，同时改善了四川北部降水预报偏强的问题，但对多地大暴雨存在漏报[图7(d)]，说明这些地区模式预报的降水量级偏低。

图7 西北地区2018年7月10日00:00至11日00:00观测与3组试验预报的累计降水分布(单位：mm) (a)实况，(b)Con_exp，(c)Gcas_exp，(d)Hot_expFig.7 The distribution of accumulative precipitation observed and forecasted by three tests from 00:00 UTC 10 to 00:00 UTC 11 July 2018 in Northwest China (Unit: mm) (a) the observation, (b) Con_exp, (c) Gcas_exp, (d) Hot_exp

从图8看出，Con_exp、Gcas_exp和Hot_exp三个试验对此次强降水过程各时次均有着很好的预报。除1～2 h预报，其余时段Con_exp的降水预报TS评分均高于0.7；在此基础上，云分析Gcas_exp进一步提高了降水预报能力，尤其是前2 h的预报，而循环应用云分析的热启动Hot_exp的降水预报不够稳定[图8(a)]。从图8(b)看出，Con_exp对此次过程中5 mm以上强降水有一定的预报能力，启动云分析系统的Gcas_exp明显提高了起始时刻、7～15 h的强降水预报技巧，但热启动Hot_exp的强降水预报效果较前2个试验差。

图8 西北地区2018年7月10—11日3组试验预报的不同量级降水TS评分随预报时效的演变 (a) 0.1 mm及以上，(b) 5 mm及以上Fig.8 The evolution of TS of precipitation with different magnitudes with forecast time forecasted by three tests from 10 to 11 July 2018 in Northwest China (a) precipitation with 0.1 mm and above, (b) precipitation with 5 mm and above

从7月10日00:00西北地区观测的雷达回波组合反射率和卫星黑体亮温(TBB)分布(图9)看出，云分析引入的雷达回波观测区域集中在研究区域东南部，最大回波超过45 dBZ，且雷达观测回波大值区与亮温低值区(极小值达120 K)存在明显对应关系。

图9 2018年7月10日00:00西北地区观测的雷达回波组合反射率(a,单位：dBZ)和TTB(b，单位：K)Fig.9 The observed radar composite reflectivity (a, Unit: dBZ) and TBB (b, Unit: K) over Northwest China at 00:00 UTC on 10 July 2018

图10是不同预报时刻云分析试验Gcas_exp与Con_exp预报的云水(qc)、雨水(qr)和水汽(qv)等水凝物垂直含量的差值。可以看出，模式积分1 h后，Gcas_exp预报的qc含量较Con_exp试验略小，部分地区数值减小超过3 g·kg-1。结合此时段内模式降水预报结果(图略)发现，qc含量减小区域与降水大值区基本重合，说明雷达回波与卫星TBB观测资料的引入改变了区域内水凝物含量，部分qc转化为降水粒子，qr垂直累积含量明显增加，导致在最初的几小时预报降水增加，从而改善模式本身(控制试验)对强降水预报偏弱的问题。云分析系统的引入对水汽场也有增强作用，这在一定程度上也改善了模式降水预报普遍偏弱的问题。随着模式积分至3 h，Con_exp和Gcas_exp得到的qc和qr垂直累积含量相当，而水汽含量则前者小于后者，说明云分析系统对qc、qr的影响随预报时长的增加逐渐减小，但对水汽含量仍有明显增加作用。

图10 Gcas_exp与Con_exp试验1 h(a、c、e)和3 h (b、d、f)预报 的水凝物垂直累积含量差值(单位：g·kg-1) (a、b)云水，(c、d)雨水，(e、f)水汽Fig.10 Difference of 1 h-forecast (a, c, e) and 3 h-forecast (b, d, f) vertically integrated content of hydrometeor between Gcas_exp and Con_exp (Unit: g·kg-1) (a, b) cloud water, (c, d) rain water, (e, f) water vapor

图11是7月10日01:00观测和预报的雷达组合反射率。可以看出，雷达组合反射率观测的大值区主要集中在甘肃甘南、天水以及陇南等地区，最大值超过45 dBZ；3 km分辨率的GRAPES_Meso模式对雷达组合反射率有一定的预报能力，Con_exp预报的回波位置与实况基本吻合，而Gcas_exp和Hot_exp预报的回波范围偏大，尤其是Hot_exp，但3个试验对区域西部的弱回波预报均偏强，且对陇南地区的强回波都有不同程度的预报偏差。综上所述，模式预报的回波普遍偏强，云分析系统的应用导致模式预报的回波更强。

图11 2018年7月10日01:00观测和模式预报的雷达组合反射率(单位:dBZ) (a)实况，(b)Con_exp，(c)Gcas_exp，(d)Hot_expFig.11 The observed and forecasted radar composite reflectivity at 01:00 UTC 10 July 2018 (Unit: dBZ) (a) the observation, (b) Con_exp, (c) Gcas_exp, (d) Hot_exp

4 结 论

(1)3 km水平分辨率的GRAPES_Meso模式对我国西北地区降水有着良好且稳定的预报性能，可为短时临近天气预报业务提供支撑。13个强降水个例和1个月批量试验的逐小时降水预报结果表明，该模式可以较好地再现西北地区降水的发生发展过程，但各量级降水存在一定程度的漏报。

(2)云分析系统通过引入雷达和卫星观测资料实现对水凝物等信息的合理调整，明显改善了中尺度模式存在的spin-up问题，提高了模式对各量级降水预报能力，尤其是短临降水的预报质量。此外，云分析的循环应用可以提高降水预报能力，尤其是前几个小时的降水预报，但整体表现不稳定。

(3)3 km水平分辨率的GRAPES_Meso模式及云分析系统对雷达回波有一定的预报能力，预报的雷达组合反射率的范围与观测较为一致，但对回波大值区存在预报过强的问题。

本文仅根据业务中使用的参数运行GRAPES_Meso (3 km)模式及其云分析系统，检验评估的个例有限，且对不同预报起始时刻、云分析系统参数在西北地区的适用性等未加考虑，所得的结论未必反映出模式及其云分析系统的最佳性能。未来将对云分析系统各参数的适用性进行评估，以期进一步提升云分析系统在西北地区的应用效果。