湖北省持续低温雨雪过程评估与分析

气候变化背景下,极端持续低温雨雪过程时有发生,给社会生活带来诸多不利影响,为了进一步评估持续低温雨雪天气,对湖北省单站持续低温雨雪过程的评估指标进行了修订,同时建立区域性持续低温雨雪过程评估模型,并将修订后的评估指标应用于湖北省单站及区域性持续低温雨雪过程的梳理及分析。结果表明:(1)湖北省最严重的5次区域性持续低温雨雪过程分别出现在1954、1969、1977、1984和2008年,最严重的是1954年12月24日-1955年1月18日的过程,其次是2008年1月12日-2008年2月5日的过程。(2)湖北省区域性持续低温雨雪过程的易发区主要集中在鄂西的高山或半高山地区、江汉平原荆州一带、汉江河谷一带、鄂东南南部低山平原地区以及鄂东北山脉的缺口处。(3)气候变暖的背景下,湖北省单站和区域性持续低温雨雪过程均是在20世纪80年代前发生次数多,90年代后属于减少的阶段,但其强度更趋极端。

近62 a华南“龙舟水”气候特征及变化

每年端午节前后龙舟竞渡之时,是华南前汛期降水最多、最为集中的时段,容易引发严重洪涝灾害,并对早稻生产造成严重影响,称之为“龙舟水”。对华南“龙舟水”期间暴雨过程的频次和强度进行研究是当前防灾减灾的迫切需求。利用1961—2022年华南192个国家气象观测站逐日降水资料,采用EOF、线性趋势、M-K突变等方法,分析了华南“龙舟水”期间降水量的时空特征及变化;构建了一个表征华南“龙舟水”暴雨过程的综合强度指数,由此分析华南近62 a“龙舟水”期间暴雨过程频次、强度以及“龙舟水”强度年景指数的特征和变化。结果表明,华南“龙舟水”一致性变化是其最主要的特点。1961—2022年“龙舟水”期间,华南共出现229次暴雨过程,平均每年3.7次。近62 a来华南区域平均“龙舟水”降水量和暴雨过程频次变化趋势不显著,但“龙舟水”强度年景指数以1.2·(10 a)^(-1)的速率显著上升。评估得到近62 a华南“龙舟水”最强暴雨过程出现在2022年6月4—21日,华南“龙舟水”强年有4 a,分别出现在2022年、2020年、2008年和2006年。

1961—2020年松花江流域作物生长季降水主模态气候特征及其异常成因分析

选用1961—2020年5—9月松花江流域95站逐日降水观测资料、JRA-55逐月再分析资料及海表温度资料,分析该地区作物生长季降水主模态气候特征及其异常成因,探讨其形成机制及前兆信号。结果表明:松花江流域作物生长季降水主要存在两类空间模态,即全流域一致型和东西反相型。20世纪80—90年代主要模态为全流域一致型,21世纪前10 a以东西反向型为主,近年以全流域一致型为主。降水全流域一致型模态受中高纬系统和低纬系统共同影响,降水东西反相型模态主要受欧亚中高纬度环流的影响,影响松花江流域降水的环流主要位于贝加尔湖和鄂霍茨克海地区。全流域一致型降水水汽收支均为西边界水汽输入、东边界水汽输出;降水偏多时,南、北边界均为水汽输入,偏少时为北边界水汽输入、南边界水汽输出。东西反相型降水的南、北边界和东、西边界水汽收支均为一收一支。

河南省近30年分级短时强降水时空分布特征分析

利用1992-2021年4-10月河南省101个台站逐时降水资料并结合地形,统计分析了河南省不同量级短时强降水的时空演变特征及其与地形的关系。结果表明:(1)R1h≥20 mm·h^(-1)的短时强降水和3个不同量级的短时强降水频次分布均呈东多西少的分布特征,短时强降水和[20 mm·h^(-1),50mm·h^(-1))量级的短时强水出现的频次均呈南多北少的分布特征,[50 mm·h^(-1),80 mm·h^(-1))量级的短时强水出现的频次表现为南北之间差别不大,而[80 mm·h^(-1),+∞)量级的短时强水出现的频次呈南少北多的分布特征。各月短时强降水频次的空间分布为东多西少,7月、8月和10月南北之间差别不大,其他月份呈南多北少的分布特征。(2)短时强降水年际变化差别大,月变化呈单峰型,6月下旬-8月上旬是各量级短时强降水多发时段。(3)短时强降水频次日变化分布呈双峰型,16-21时的发生频次最高,00-05时的次之,09-14时的最低。6-8月短时强降水频次的日变化特征呈双峰型,其他月份的双峰特征不明显。4-10月16-21时出现日峰值的站点最多,00-05时的次之,空间分布呈东大西小、南大北小的分布特征,各月00-05时出现日峰值的站数最多,16-21时的次之。(4)最大雨强和短时强降水量的占比均呈东高西低、北高南低的分布特征。(5)短时强降水的空间分布、日变化空间分布、最大雨强高值区和短时强降水量占比等均与河南省地形关系密切,地形对短时强降水有增(减)幅作用。

海南岛4—9月短时强降水的天气型和环境参数特征

利用海南岛加密自动站逐小时降水资料、ERA5再分析资料,对海南岛短时强降水日环流配置进行了天气学分型,并进一步探讨了各天气型下海南岛短时强降水的时空分布、环流形势和关键环境参数特征。结果表明:(1)海南岛短时强降水有明显的日变化特征,呈单峰型,主要出现在15:00—19:00。(2)海南岛短时强降水的天气型主要有南海低压槽、华南沿海槽、西南低压槽和冷锋型。(3)南海低压槽、华南沿海槽、西南低压槽和冷锋型短时强降水分别占37%,31%,16%和16%。南海低压槽和华南沿海槽型主要出现在7、8和9月;西南低压槽型除9月外,其余各月份均可能出现;冷锋型绝大多数出现在4、5月。(4)南海低压槽和华南沿海槽型整层湿度条件都较好,不稳定能量较大,垂直风切变较弱。西南低压槽型不稳定能量较大,湿度条件一般,垂直风切变较弱。冷锋型存在明显的上干下湿特征,垂直风切变最大,0~6 km风速差75%分位大于10 m/s,不稳定能量最小。

基于高密度站点的四川复杂地形下大风特征分析

基于四川省2016—2021年4—9月大风事件和闪电资料,将大风类型分为雷暴大风和一般大风,统计分析了两类大风的时空分布特征及与地形因子的关系。结果表明:四川地区两类大风均呈现高原多、盆地少的特征,大风类型普遍以一般大风为主,盆地内部分站点雷暴大风占比较高。各个分区不同类型大风发生频次均存在日变化和月变化。对于风速,盆地南部大风更强,盆地东北部和攀西地区的雷暴大风次之。对于风向,川西高原一般大风以北风和西南风为主,雷暴大风以北风为主,攀西地区和盆地不同分区的两类大风均以北风和东北风为主。大风的发生频次和风速与不同地形因子有一定的关系,不同类型大风总体变化趋势类似。发生频次均随海拔高度的增大逐渐增大,随坡度、粗糙度和起伏度的增大先增大后减小。风速随海拔高度的增大而增大,随坡度增大先增大后减小,而粗糙度和起伏度越小,平均风速和最大风速越大。

印-太暖池高温暖水的移位与南海夏季风爆发

为了揭示高温暖水在中国南海(文中简称南海)夏季风爆发中所起的作用,依据欧洲中期天气预报中心发布的第5代全球大气海洋再分析资料,发现气候平均意义下印度洋—太平洋暖池中30℃以上高温暖水会在5月出现移位:5月上旬高温暖水出现在孟加拉湾中部,而到下旬消退并移位到南海南部。通过分析局地天气尺度的海洋-大气相互作用过程,揭示了上述高温暖水月内移位的物理机制:在孟加拉湾夏季风爆发后,逐渐增强的潜热释放和减少的短波辐射会导致孟加拉湾高温暖水的面积逐渐缩小;与此同时,在副热带高压影响下,南海菲律宾岛西南高温暖水出现,并因其面积逐渐增大,并与泰国湾的高温暖水共同构成了南海南部的高温暖水。研究发现南海季风爆发几乎都出现在上述高温暖水移位之后,因此孟加拉湾中部和南海南部海表温度的差由正转负可以作为南海季风爆发的先兆。

渠江流域短时强降水气候特征分析

利用2009—2018年达州、巴中、广安14个国家基本观测站和117个区域自动站逐时降水资料,分析渠江流域短时强降水发生频次、小时雨强极值的多尺度时空变化特征。结果表明:(1)除个别年份外,2009—2018年渠江流域≥50 mm/h短时强降水每年发生频次均在10次以上,特别是2014年以后呈增加趋势。(2)渠江流域多年平均的短时强降水发生频次月际变化呈单峰型分布,峰值均出现在7月。(3)渠江流域短时强降水多发生在02—08时,夜雨特征非常显著,白天随着气温升高在16时左右有一个次高峰。(4)春季渠江流域短时强降水主要出现在早晨,白天不易出现短时强降水;夏季峰值在06时前后,白天午后也有一个次峰值,谷值在19—23时;秋季峰值在早晨,谷值不明显。(5)渠江流域短时强降水平均强度介于28~29 mm/h之间,2014年以后40 mm/h以上的短时强降水呈增加趋势。(6)年内最大小时雨强主要出现在5—9月,7月最多,6月次之。(7)渠江流域下游地区短时强降水发生频次较中上游偏少。

1961-2018年三江平原旱涝变化特征

采用14个气象站1961-2018年5-9月降水资料,基于Z指数,通过线性趋势估计、高斯滤波、小波分析等方法分析了三江平原作物生长季旱涝变化特征。结果表明:(1)作物生长季Z指数变化趋势表现为明显的阶段性,上升(下降)趋势易发生大(或重)涝(旱)事件,21世纪初以来为上升趋势,春季5月、秋季9月异常年份以涝居多。(2)小波分析表明,生长季Z指数存在明显年代际尺度的周期变化,在年代际尺度高(低)指数期上叠加的年际尺度低(高)指数年出现重(或大)旱(涝)的可能性小,可能为偏旱(涝),反之亦然。(3)旱涝分析得出,作物生长季连续旱(或涝)不超过3 a。21世纪初涝年少,20世纪80-90年代、21世纪10年代异常以涝为主,2011年以来春、秋季旱的次数减少。(4)月异常持续性分析发现,5-6月、6-7月更易发生低(高)Z指数转高(低)指数的逆转事件,而7-8月、8-9月持续高指数事件出现频率大。

2002—2021年北半球中高纬度典型山脉积雪的时空变化对比分析

积雪是冰冻圈的重要组成部分,其对气候变化的响应存在明显的空间差异。阿尔泰山脉、阿尔卑斯山脉和喀斯喀特山脉分别是亚洲、欧洲和北美洲最重要的山脉之一,三条山脉同处于北半球中高纬度,具有丰富的积雪资源。本文基于MODIS每日积雪产品,获得阿尔泰山脉、阿尔卑斯山脉和喀斯喀特山脉的积雪覆盖率、积雪日数、积雪初日和积雪终日四个积雪参数,对比分析了三条山脉2002—2021年积雪的时空变化,并研究了气候因子对积雪参数的影响。结果表明,三条山脉积雪参数的空间分布差异明显。阿尔泰山脉积雪覆盖率最大,积雪日数最长,积雪初日最早,积雪终日最晚,分别为38.00%、141 d、66 d、207 d;阿尔卑斯山脉的积雪覆盖率、积雪日数、积雪初日、积雪终日分别为21.68%、79 d、97 d、194 d;喀斯喀特山脉的积雪覆盖率最小,积雪日数最短,积雪初日最晚,积雪终日最早,分别为15.18%、56 d、103 d、183 d。就趋势而言,阿尔泰山脉积雪覆盖率增大,更早的积雪和更晚的融雪使积雪日数增加;阿尔卑斯山脉积雪覆盖率减小,更早的融雪使得积雪日数减少;喀斯喀特山脉积雪覆盖率增大,更晚的融雪使得积雪日数增加。各气候因子中,地表温度对三条山脉积雪的影响比降水大。对三条山脉积雪时空变化的一致性对比分析,有助于全面了解北半球中高纬度山区积雪对气候变化响应的时空差异。

内蒙古呼伦贝尔林区动态融雪过程及其影响因子

春季融雪过程不仅能反映地域的物候特征,也是陆面过程与水文研究领域的关注重点。林地冠层及枝干遮盖是否影响到地表积雪的维持与消融,是一个值得关注的方面。近年来,小时级野外雪深自动观测站网的陆续组建与运行,为日尺度融雪动态过程及其空间差异性认识提供了条件。本文利用布设于内蒙古呼伦贝尔森林地带的5个野外雪深自动观测站,基于2021—2022年逐小时雪深与同步气温、地温等气象观测数据,分析了呼伦贝尔林区地表积雪的动态融雪规律及其主导因子。结果表明,呼伦贝尔林区冬季积雪可稳定维持约102~155天,大致在每年3月上旬进入融雪期。融雪过程一般约持续5~18天,并可区分为持续融雪与快速融雪两个阶段。当积雪深度<3 cm时,地面积雪覆盖进入迅速融化阶段,若当日10:00—20:00平均气温>0℃,林地积雪将在36小时内完全消融。融雪日变化呈现先平后急又缓的特征,最大融雪量出现在10:00—15:00,与草地相比出现时段明显推迟。热量条件是呼伦贝尔林区积雪消融的主要影响因素,以积雪为因变量研究时发现,14:00时0 cm地温是影响积雪消融过程与速率的主导因子。

2022年夏季重庆极端高温天气特征及其成因分析

2022年夏季,重庆出现两次极端高温天气过程。利用重庆地区34个气象站点观测资料和ERA5再分析资料,分析了两次高温过程的主要环流异常特征。结果表明:南亚高压加强东伸和西太平洋副热带高压(以下简称副高)异常加强及西伸北抬,日本海以北至鄂霍次克海地区异常强盛的阻塞高压(以下简称鄂海阻高),使北方冷空气盘踞在40°—50°N以北地区,难以南下影响包括重庆在内的长江流域,重庆处于副高西段异常强盛的下沉和水汽辐散中心区,造成该地区持续极端高温天气。分析2001年以来不同等级区域性高温天气过程中的副高和南亚高压指数发现,2022年夏季副高西伸至最西,同时南亚高亚中心异常偏东,二者直接造成了重庆的极端高温天气。并且2022年夏季赤道太平洋西部海温的异常偏暖,130°E—150°W、30°—60°N区域平均距平值为1961年以来同期最高值,促使鄂海阻高强盛。在La-Niña事件作用下,110°—120°E范围内Hadley环流在20°—30°N为强盛的下沉运动,其下沉支与副高中心下沉区叠加,造成副高异常偏强和西伸,进而引发重庆极端高温天气。

基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

作为中国三大积雪区之一,青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题,不适用于青藏高原复杂的山区地形。因此,本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型,利用机器学习算法,将筛选后的亮温差作为参数输入,同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征,最终进行了500 m分辨率的青藏高原雪深制图。结果显示,极端梯度提升XGBoost算法的决定系数(R^(2))和均方根误差(root mean square error,RMSE)分别为0.762和5.732 cm,明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化,结果表明,在积雪天数为30~60 d时,模型表现良好,平均相对误差(mean relative error,MRE)最低为36.79%,RMSE为2.78 cm;随着积雪覆盖度的增加,模型的RMSE逐渐增大,在积雪覆盖度为0.25~0.50时,MRE和RMSE分别达到39.97%和3.12 cm;植被覆盖度对模型精度的影响较为复杂,可能与具体的土地覆盖类型相关,在0.25~0.50范围内模型表现出较高的精度,MRE和RMSE分别为32.77%和2.94 cm。

CMIP6模式对北半球春季积雪覆盖度的评估及预估

积雪是对气候变化响应最敏感的自然要素之一,对地表的辐射平衡和水循环有着重要影响,全球积雪覆盖面积约为46×10~6 km2,且98%分布在北半球,由于积雪具有独特的辐射(高表面反照率)和热(低热传导率)特性,其变化对陆地和大气之间的能量平衡和水循环过程具有重要的影响,在全球变暖背景下,近几十年来北半球积雪覆盖面积减少趋势明显,尤其春季最明显,基于观测数据评估CMIP6模式数据对于积雪覆盖面积的模拟能力,应用多模式平均评估未来时期积雪覆盖度的变化情况。本文以美国国家海洋和大气管理局/美国国家气候数据中心(NOAA/NCDC)的积雪产品为参考数据,采用泰勒技巧评分、相对偏差等方法,对国际耦合模式比较计划第六阶段(CMIP6)发布的1982-2014年北半球春季积雪覆盖度(SCF)数据进行评估,并选取排名前三的模式的集合平均预估未来(2015-2099年)不同排放情景下SCF的时空变化特征。结果表明:历史时期(1982-2014年)从整体上看,积雪覆盖度呈现出高纬高,低纬低,青藏高原和亚洲东部等高海拔地区较同纬地区高的特点,北半球的积雪覆盖度呈减少趋势地区为68.37%,积雪覆盖度呈现增加趋势的区域面积占北半球总面积的31.63%,与参考数据相比,CMIP6各模式模拟北半球春季SCF在大部分地区表现为减少特征,多数CMIP6模式高估了青藏高原地区的SCF,大多模式的SCF结果呈减少趋势的地区大于参考区域,并且低估了3月、4月和5月的SCF。总体来看,各模式模拟SCF的能力存在差异,其中NorESM2-MM、CESM2、BBC-CSM2-MR、NorESM2-LM和CESM2-WACCM综合模拟能力最优,模拟能力最差的是MIROC-ES2L、MPI-ESM1-2-LR和MPIESM-1-2-HAM。而多模式集合平均(MME)的模拟能力在各方面都优于多数单个模式,其综合模拟能力泰勒得分与NorESM2-MM模式和CESM2-WACCM模式均为最高的0.984,在空间分布、年际变化趋势、年内变化三个方面,CMIP6各模式模拟北半球春季SCF的能力差异显著,CMIP6 MME模拟的北半球春季SCF更接近观测数据(CMIP6各模式的偏差值为-14.27%~5.96%,CMIP6 MME的偏差值为-2.3%),相对于1982-2014年参考时段,21世纪末期(2067-2099年)北半球春季SCF在大部分地区表现为减少特征,随着排放强度的提高,SCF的减少程度愈加显著,SCF呈减少的地区也愈加扩大,在2015-2099年期间,不同排放情景下SCF的变化在2040年之前较一致,2040年之后,SSP1-2.6情景下SCF维持稳定状态,在SSP2-4.5情景下呈微弱减少趋势,在SSP5-8.5情景下则呈显著减少趋势。

中国典型积雪区MODIS积雪产品精度评价及影响因素分析

MODIS V6不再提供二值积雪分布及积雪面积比例产品,而是仅仅给出像元的归一化差值积雪指数NDSI。因此,基于MODIS V6进行积雪制图时,NDSI阈值的选取及相应的积雪制图精度有待研究。本文基于2013—2021年间250个地面气象站点逐日实测积雪深度数据,对中国三大典型积雪区内1927景MOD10A1和1936景MYD10A1影像中的NDSI_Snow_Cover波段进行评价,分别计算了逐站点像元在积雪产品制图中的最优精度及对应的最优NDSI阈值,并对影响精度的因素进行了分析。基于站点雪深的评价结果表明:(1)1 cm雪深阈值下,MOD10A1和MYD10A1的最优NDSI阈值均值±标准差分别为0.16±0.09和0.17±0.10,对应的总体精度OA、FS指数和CK指数的均值±标准差分别为0.96±0.05和0.94±0.05、0.84±0.19和0.75±0.24、0.81±0.20和0.71±0.24,MOD10A1的精度要优于MYD10A1。(2)MODIS积雪产品精度具有明显的空间异质性,青藏高原地区要远小于东北-内蒙古地区和北疆地区。(3)基于站点的积雪制图精度评价中,站点雪深阈值将会影响评价结果。采用2 cm和4 cm雪深阈值评价MOD10A1和MYD10A1时对应的积雪制图精度最高。(4)积雪存在率SCO、积雪持续时间SDI与积雪产品MOD10A1和MYD10A1的精度CK存在显著的正相关关系,相关系数分别为0.72和0.77、0.67和0.71。(5)青藏高原地形复杂,积雪以浅雪为主,站点积雪信息不能很好地代表像元。因此,对青藏高原积雪产品的精度评估,最好采用同步的无人机观测或者更高分辨率的遥感影像。

2013—2020年冀中南地区夏季短时强降水精细化分布特征

选用2013—2020年6—8月河北省中南部(冀中南)地区1115个自动站逐小时降水数据与地形高度资料,统计该地区夏季小时强降水(hourly heavy rainfall,HHR)和暴雨日的发生频次、持续时间、降水强度等方面的分布特征。结果表明:冀中南地区夏季发生频次为2.2~3.0次·a-1的HHR对降水贡献率大于35%,高频区有6个,在沧州东部沿海呈片状分布,在西部山区呈点状分布。小于60 mm·h^(-1)的HHR发生站次日变化特征为单峰、单谷,60 mm·h^(-1)以上发生站次随降水强度增大而锐减,日变化特征不明显。降水性质方面,冀中南地区的西部山区HHR高频区多积状云对流性降水,常发生在12:00—18:00;沧州东部沿海多受台风和切变线影响,HHR为降水强度较大的层状云和积状云混合性降水。

东北冷涡发生次数和日数气候分析

基于ERA5再分析资料筛选的东北冷涡过程数据,分析1961—2021年东北冷涡过程发生次数和日数气候和气候变化特征,发现:(1)东北冷涡平均每年发生31次,初夏5月最多,晚秋11月最少;冷涡过程持续日数平均4.2 d,6月最长,4月最短;年平均东北冷涡发生日数126.6 d;东北冷涡持续日数多为3-4 d。(2)2000年代和1970年代东北冷涡发生较多,1960年代和1980年代较少;1997年东北冷涡过程最多(39次),1982年最少(20次);东北冷涡过程5月显著增多趋势(速率0.38次/10 a),7月减少趋势(速率0.24次/10 a)。(3)年东北冷涡日数有两次趋势突变,发生在1980年和2017年;5月冷涡日数有两次趋势突变,发生在1990年和2004年。各月和年冷涡日数主要表现为年际尺度振荡。

2022年盛夏自贡市极端高温特征及气象服务技术总结

利用四川省自贡市1959—2022年盛夏3个国家气象站和55个区域气象站监测资料,分析了2022年极端高温天气特征,并对高温气象服务进行了总结。结果表明:2022年高温开始时间最早、持续时间最长、强度最强、影响范围最广,具有极端异常性,是自贡市有完整气象记录以来综合强度最大的高温事件;此次高温气象服务监测精密、预报精准、服务精细,充分发挥了作为自贡市防御应对高温天气第一道战线的先导性作用。

“23·12”山东半岛特大海效应暴雪特征及成因

采用地面气象观测站、多普勒天气雷达、闪电、积雪深度人工加密观测资料、常规观测及欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)第五代大气再分析(ECMWF Reanalysis v5,ERA5)资料,对2023年12月15—22日山东半岛特大海效应暴雪过程的降雪特征及极端性成因进行了分析。结果表明:(1)此次过程有4站积雪深度突破本站历史极值,有1站2 d的日降雪量为山东半岛海效应降雪有气象记录以来的最大值,文登积雪深度达74 cm,超过山东所有国家级地面气象观测站纪录,是一次极端海效应暴雪事件。(2)欧亚中高纬度阻塞形势下两次异常强冷空气持续影响渤海和山东半岛地区,850 hPa温度最低降至-21~-20℃,冷空气强度明显强于往年12月海效应暴雪过程,造成降雪持续时间长、累计降雪量大。异常强冷空气是此次极端暴雪过程产生的关键因素,渤海海面温度(简称“海温”)异常偏高是有利的海温背景。(3)冷空气强、海温偏高造成海气温差偏大,700 hPa以下产生对流不稳定,使得降雪强度大;强降雪发生在海气温差快速增大阶段。(4)925 hPa以下存在来自渤海的北—东北风与内陆地区的西北风构成的切变线,产生强上升运动,切变线长时间维持形成“列车效应”。(5)主要降雪时段强垂直上升运动、高相对湿度层的温度为-20~-12℃,适宜树枝状冰晶形成和维持,有利于产生大的积雪和降雪含水比;2 m气温持续低于-5℃,0 cm地温在降雪开始时即降至0℃以下,且两次强降雪过程仅间隔1 d,均有利于降雪累积产生极端积雪深度。

2023年河南麦区连阴雨过程的数值模式精细化检验评估

基于河南省2706个自动气象站降水观测资料及欧洲中期天气预报中心(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),从不同量级降水的TS评分和BIAS评分、误差空间分布特征及典型区域预报偏差日变化特征等方面,检验评估了2023年5月25日至6月5日河南省麦收关键期连阴雨过程的数值模式小时降水预报效果。结果表明:ECMWF对Rh(小时降水量)≥0.1 mm/h的预报表现好,CMA-SH9对Rh≥2 mm/h和Rh≥5 mm/h的预报效果较优,CMA-MESO预报性能较差。对于Rh≥2 mm/h, 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。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则对第二阶段的预报更贴合实况。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在大多数时次的预报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。