基于GRAPES_3 km模式输出的风雹概率预报技术研究

基于我国自主研发的GRAPES_3 km高分辨率模式预报数据,通过计算逐时最大上升螺旋度(updraft helicity,UH)产品,发展了不同预报时效时段内超过指定阈值的UH格点概率预报技术。由于UH能够表征对流风暴的上升运动和中低层旋转强度,因此通过UH格点概率预报产品得到了综合表征对流性大风或冰雹(简称风雹)的概率预报指导产品。对2019年6月14日至7月31日我国华北东北区域和华南区域两个风雹高发区的逐日试验和典型个例预报结果进行了细致评估,结果表明该产品具有良好的预报能力。该产品对华北东北区域和华南区域的风雹TS评分均明显高于主观预报,特别是对于华南区域可预报性较低的弱天气尺度强迫过程,能够显著降低漏报率从而明显提高预报准确率。预报产品还能够很好地指示对流风暴的形态分布和移动传播特征,概率落区与实况风雹的落区位置具有较好的匹配效果。对选取不同的UH阈值和空间高斯平滑系数的概率产品对比检验结果表明,基于较低UH阈值计算的概率预报产品由于漏报率更低,其TS评分要高于较高阈值的预报结果,高斯平滑系数取值20 km得到的概率产品在各等级概率评分中预报效果总体表现最佳。

GRAPES对流尺度集合预报模式中不同尺度初始扰动能量的演变特征

对流尺度数值预报对初始场的微小扰动非常敏感,且初始扰动的演变具有模式依赖、环流依赖和尺度依赖特征,如何构建合理的初始扰动场是国内外对流尺度集合预报领域尚未解决的难点问题和研究前沿。本文基于中国气象局3 km水平分辨率的GRAPES(Global/Regional Assimilation and Prediction Enhanced System)对流尺度模式,利用其同化分析系统的背景误差和一个二维随机型,构建大、中、小三个尺度的初始扰动场,并选取中国夏季一次典型的多区域强降水天气个例,开展对流尺度集合预报试验,对比分析了大、中、小尺度初始扰动能量的时空演变和谱分解特征,以期为构建适用于GRAPES对流尺度集合预报的初始扰动场提供依据。研究结果表明,在GRAPES 3 km对流尺度模式中:(1)大、中、小尺度初始扰动总能量的增长过程具有明显差异。大尺度初始扰动总能量随着模式积分呈增长趋势,尤以对流层中高层的持续增长为甚;而中、小尺度初始扰动总能量随着模式积分以日变化为主,表现为下午至傍晚(夜晚至清晨),扰动总能量显著增加(减小),且扰动总能量小尺度分量的日变化占主导,这可能是由于太阳辐射引起地表加热,使得白天的对流活动比夜晚活跃,且对流直接影响了扰动总能量小尺度分量的变化。此外,大、中、小尺度初始扰动总能量增长均以扰动动能增长为主,扰动位能在对流层低层的增长不可忽略。(2)大、中、小尺度初始扰动总能量增长具有环流依赖特征。对北支气流控制的中高纬天气区,在斜压不稳定较强的低槽区,大尺度初始扰动总能量增长突出,而在槽后西北气流区,大、中、小尺度初始扰动总能量均不增长;对南北气流交汇区,仍以大尺度初始扰动总能量增长最为明显;对南海夏季风影响区,大、中、小尺度初始扰动总能量发展均较弱,扰动位能增长与区域降水大值率演变有较好的对应关系。(3)大、中、小尺度初始扰动总能量的谱分析结果显示,不同积分时段扰动总能量的多尺度串级特征有差异。积分前3 h主要为扰动总能量的大尺度分量向小尺度分量降尺度串级,积分6 h后则为中、小尺度分量的升尺度串级。上述研究结果表明,在天气系统复杂、动力不稳定时空分布不均匀的区域(如中国区域)发展对流尺度集合预报时,有必要针对不同的不稳定天气区,构建具有尺度依赖和环流依赖的初始扰动结构。

一种偏差订正方法在平昌冬奥会气象预报的应用

为了提高GRAPES3 km(Global/Regional Assimilation and Prediction System)模式在2018年平昌冬奥会气象服务中的预报能力,采用一阶自适应的卡尔曼滤波方法对GRAPES_3km模式的2 m气温、2 m相对湿度和10 m风开展偏差订正。结果表明:偏差订正方法明显提高了地面要素的预报效果,其中2 m气温的均方根误差整体减小到2℃左右,站点订正改善率为10%~60%;10 m风速的均方根误差减小到2 m·s^-1左右,站点订正改善率为10%~45%;2 m相对湿度减小到20%以下,站点订正改善率为0~20%。与韩国气象厅LDAPS(Local Data Assimilation and Prediction System)及美国宇航局NU-WRF(NASA-Unified WRF)模式相比,GRAPES3 km模式的风速预报表现更为优异,各站点整体预报效果明显优于LDAPS和NU-WRF模式。偏差订正方法可有效改善模式在复杂地形条件下的预报能力,是提高精细化预报准确率的重要手段。

利用遥感数据估算四川省PM2.5的4种模型对比

基于2015年四川省PM2.5地面监测数据、MODIS 3 km气溶胶光学厚度(AOD)数据和地面气象站点数据,采用简单线性回归模型、多元线性回归模型、BP神经网络模型、线性混合模型预测近地面PM2.5浓度,并利用地面监测站点数据评估模型的拟合结果。同时利用GIS分析技术,得到四川省2015年空间连续的PM2.5年均、季均浓度分布。结果表明:(1) 利用线性混合模型反演的PM2.5浓度精度最高、效果最好,其可以解释四川省PM2.5浓度75.77%的变异。(2) 线性混合模型预测的PM2.5浓度与地面实测PM2.5浓度在时空变化趋势上基本一致,即东高西低,其中成都平原经济区、川南经济区的PM2.5浓度最大,其次为川东北经济区,最低的为攀西经济区和川西北经济区。PM2.5浓度大小关系为:冬季 】春季 】秋季 】夏季。

MODIS卫星遥感估计福州地区近地面PM_(2.5)浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R^2分别为0.724(RMSE=10.993μg·m^(-3))和0.781(RMSE=9.687μg.m^(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R^2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。