新型局地增長(zhǎng)模培育法對(duì)兩次颮線個(gè)例的對(duì)流尺度集合預(yù)報(bào)試驗(yàn)

李坤 陳超輝 何宏讓 馬申佳 姜勇強(qiáng)

摘要 利用局地增長(zhǎng)模培育法對(duì)兩次典型颮線過程進(jìn)行了對(duì)流尺度集合預(yù)報(bào)試驗(yàn)，通過與傳統(tǒng)增長(zhǎng)模培育法對(duì)比，檢驗(yàn)了局地增長(zhǎng)模培育法的實(shí)際預(yù)報(bào)效果。通過概率匹配平均處理后，將降水預(yù)報(bào)結(jié)果與實(shí)況資料進(jìn)行對(duì)比分析，并用分?jǐn)?shù)技巧評(píng)分來(lái)代替?zhèn)鹘y(tǒng)公平技巧評(píng)分實(shí)現(xiàn)對(duì)降水結(jié)果的合理檢驗(yàn)，得出結(jié)論：1）在颮線降水預(yù)報(bào)上，局地增長(zhǎng)模培育法優(yōu)于增長(zhǎng)模培育法。2）分?jǐn)?shù)技巧評(píng)分比公平技巧評(píng)分更好地反映對(duì)流尺度集合預(yù)報(bào)能力，特別是在大暴雨量級(jí)降水評(píng)估上。3）降水評(píng)分結(jié)果顯示，集合平均對(duì)于小雨、中雨和大雨級(jí)別降水的預(yù)報(bào)技巧高于概率匹配平均，概率匹配平均對(duì)于暴雨和大暴雨級(jí)別降水更有優(yōu)勢(shì)。

關(guān)鍵詞 局地增長(zhǎng)模培育法; 對(duì)流尺度集合預(yù)報(bào); 概率匹配平均; 分?jǐn)?shù)技巧評(píng)分

強(qiáng)對(duì)流天氣時(shí)空尺度小、破壞性大，一直以來(lái)都是天氣預(yù)報(bào)關(guān)注的重點(diǎn)。但由于對(duì)流過程具有高度非線性特征，數(shù)值模式預(yù)報(bào)往往面臨著巨大的挑戰(zhàn)。因此，發(fā)展能夠直接描述對(duì)流過程的對(duì)流尺度集合預(yù)報(bào)（預(yù)報(bào)時(shí)效為0～24 h，分辨率為1～4 km，不采用積云參數(shù)化）有助于提高強(qiáng)對(duì)流天氣的預(yù)報(bào)能力（Hohenegger and Schar，2007）。目前，對(duì)流尺度集合預(yù)報(bào)在初值擾動(dòng)上一般有兩種途徑。一是利用現(xiàn)有的全球或區(qū)域集合預(yù)報(bào)成員進(jìn)行降尺度處理（Hohenegger et al.，2008;Kühnlein et al.，2014）。該方法耗費(fèi)資源少，簡(jiǎn)便易行，但是缺少小尺度和對(duì)流尺度的不確定信息（Zhang et al.，2015）。二是將集合資料同化系統(tǒng)中的分析場(chǎng)集合作為初始成員（Bouttier et al.，2015;Harnisch and Keil，2015）。這種方法可以使得各成員包含所有尺度的不確定信息，但受計(jì)算資源限制，成員數(shù)目和分辨率往往受到限制（Schumacher and Clark，2014;Schwartz et al.，2014）。所以，如何設(shè)計(jì)對(duì)流尺度集合預(yù)報(bào)系統(tǒng)的初值擾動(dòng)仍然是目前國(guó)際上亟需解決的問題。

全球集合預(yù)報(bào)系統(tǒng)經(jīng)過多年的發(fā)展，已形成了一系列成熟的擾動(dòng)生成技術(shù)。理論上而言，將這些擾動(dòng)技術(shù)運(yùn)用到對(duì)流尺度當(dāng)中是可行的（孔凡鈾，2018）。而增長(zhǎng)模培育法（Breeding Growing Mode，BGM;Toth and Kalnay，1993，1997）作為其中比較經(jīng)典的擾動(dòng)方法，在區(qū)域中尺度集合預(yù)報(bào)上已取得不少成果（智協(xié)飛等，2015a，2015b，閔錦忠和房麗娟，2017，陳超輝等，2018）。隨著模式分辨率的不斷提高，BGM已從中尺度轉(zhuǎn)入至對(duì)流尺度研究中（高峰等，2010;Li et al.，2017;馬申佳等，2018）。這些工作表明BGM用于對(duì)流尺度集合預(yù)報(bào)中，能夠?qū)刂祁A(yù)報(bào)起到一定改善效果，但也存在著集合成員不夠發(fā)散，局地特征不強(qiáng)等缺陷（馬申佳等，2018）。為了彌補(bǔ)這些缺陷，Chen et al.（2018）提出了局地增長(zhǎng)模算法（Local Breeding Growing Mode，LBGM），在BGM擾動(dòng)培育階段引入了局地特征，一定程度上提高了離散度。Ma et al.（2019）將該方法運(yùn)用到颮線個(gè)例中，從信息熵（Abramov et al.，2005）的角度證明了LBGM能夠改善集合成員的局地信息量。但是，Chen et al.（2018）和Ma et al.（2019）的試驗(yàn)大部分為理想試驗(yàn)，且研究的側(cè)重點(diǎn)放在培育階段擾動(dòng)變量的離散度上，所以，LBGM在強(qiáng)對(duì)流天氣預(yù)報(bào)中的實(shí)際效果如何，尚不可知。

此外，集合預(yù)報(bào)產(chǎn)品的釋用一直是集合預(yù)報(bào)研究的重點(diǎn)。集合平均（Ensemble mean，EM）作為最基本的集合預(yù)報(bào)產(chǎn)品，通常比單一預(yù)報(bào)更加準(zhǔn)確，甚至比更高分辨率的確定性預(yù)報(bào)結(jié)果要更好一些（Du et al.，1997;Stensrud et al.，1999）。然而，EM對(duì)于高分辨率的對(duì)流尺度集合預(yù)報(bào)并不完全適用。特別是在強(qiáng)降水事件的預(yù)報(bào)上，EM由于平滑作用會(huì)降低對(duì)降水強(qiáng)度的預(yù)報(bào)能力。為此，Ebert （2001）提出了概率匹配平均法（Probability Matched Mean，PMM）來(lái)提取集合成員信息。李俊等（2015）和榮艷敏等（2017）對(duì)PMM在不同量級(jí)降水中的預(yù)報(bào)效果開展了研究，發(fā)現(xiàn)PMM對(duì)大量級(jí)降水預(yù)報(bào)有著改善作用。然而，這些研究在檢驗(yàn)降水預(yù)報(bào)結(jié)果時(shí)均采用傳統(tǒng)的技巧評(píng)分（Threat Score，TS）或公平技巧評(píng)分（Equitable Threat Score，ETS），其評(píng)分原理仍依賴于觀測(cè)場(chǎng)和預(yù)報(bào)場(chǎng)的“點(diǎn)對(duì)點(diǎn)”比較。而在高分辨率模式下，由于預(yù)報(bào)場(chǎng)與觀測(cè)場(chǎng)之間的時(shí)空微小差異，可能會(huì)給評(píng)分帶來(lái)“雙重懲罰”（Mittermaier et al.，2013），從而使得模式評(píng)分結(jié)果不合理。因此，需要更加合適的降水評(píng)估方法來(lái)重新衡量PMM較EM對(duì)降水預(yù)報(bào)的改善作用。為了解決高分率模式下的降水評(píng)估問題，一些空間方法提了出來(lái)，主要包括MODE（Method for Object-Based Diagnostic Evaluation;Davis et al.，2009），鄰域法（Neighborhood;Ebert，2009），CRA法（Contiguous Rainfall Area;Ebert and Gallus，2009），分?jǐn)?shù)技巧評(píng)分FSS （Fractions Skill Score;Roberts and Lean，2008）等。其中，F(xiàn)SS法作為一種改進(jìn)的鄰域技巧評(píng)分，構(gòu)造簡(jiǎn)單，避免了濾波閾值等復(fù)雜因素的影響，近幾年已逐漸替代傳統(tǒng)的降水評(píng)分（趙濱和張博，2018）。

本文利用LBGM對(duì)兩次典型的颮線個(gè)例開展對(duì)流尺度集合預(yù)報(bào)試驗(yàn)，通過PMM來(lái)生成集合預(yù)報(bào)產(chǎn)品后，利用FSS對(duì)降水預(yù)報(bào)進(jìn)行了評(píng)估，檢驗(yàn)LBGM實(shí)際預(yù)報(bào)效果的同時(shí)重新評(píng)判PMM較EM對(duì)不同量級(jí)降水預(yù)報(bào)的改善作用。

1 試驗(yàn)設(shè)計(jì)

1.1 兩次個(gè)例簡(jiǎn)介

個(gè)例一選取2014年3月底發(fā)生在我國(guó)華南地區(qū)的一次颮線過程。2014年3月29晚至31日下午，我國(guó)華南地區(qū)遭受了一次強(qiáng)對(duì)流天氣過程，廣西、廣東、云南等省份均受到了不同程度的影響。其中，30日20時(shí)—31日04時(shí)（世界時(shí)，下同），一條長(zhǎng)颮線自西北至東南方向經(jīng)過廣東省，部分城市出現(xiàn)冰雹、大風(fēng)等災(zāi)害性天氣，中部地區(qū)累計(jì)降水量達(dá)160 mm。圖1a、b給出了2014年3月30日12時(shí)的大尺度環(huán)流形勢(shì)。整個(gè)華南地區(qū)位于200 hPa高空急流入口處右后方的輻散區(qū)，因此高空急流對(duì)該地區(qū)的空氣有很強(qiáng)的抽吸作用。500 hPa高空中，受高緯地區(qū)強(qiáng)高壓脊影響，源源不斷的冷空氣輸入至華南地區(qū)，為強(qiáng)對(duì)流的發(fā)展提供了中層冷空氣條件。同時(shí)，廣東省西部有一高空槽，有利于空氣的上升運(yùn)動(dòng)。在低空，受700 hPa急流和850 hPa暖式切變線的影響，大量暖濕空氣經(jīng)過廣東省，提供水汽條件的同時(shí)還加劇了該地區(qū)的對(duì)流不穩(wěn)定，有利于強(qiáng)對(duì)流天氣的發(fā)展。

個(gè)例二選取2014年7月底發(fā)生在我國(guó)江淮地區(qū)的一次颮線過程。2014年7月30日06—11時(shí)，一條東西走向的颮線自北向南橫掃安徽、江蘇兩省中北部。30日16時(shí)，颮線轉(zhuǎn)為南北走向，并向東移動(dòng)，于30日19時(shí)左右，在江蘇省境內(nèi)消散。受此颮線影響，鹽城等多個(gè)城市出現(xiàn)短時(shí)強(qiáng)降水，小時(shí)雨量達(dá)20～50 mm，內(nèi)澇災(zāi)害嚴(yán)重。滁州市及其附屬地區(qū)出現(xiàn)7級(jí)以上雷暴大風(fēng)，房屋受損，人員出現(xiàn)傷亡。圖1c、d給出了2014年7月30日00時(shí)的大尺度環(huán)流形勢(shì)。500 hPa高空槽在200 hPa高空急流的引導(dǎo)下向東移動(dòng)，至蘇皖地區(qū)上空時(shí)，受副高的阻擋作用，使得槽線最終停滯在蘇皖地區(qū)，從而不斷為強(qiáng)對(duì)流的發(fā)展提供中層冷空氣。在700 hPa低空，受急流影響，大量暖濕空氣輸送至蘇皖地區(qū)，最終堆積在850 hPa暖式切變線南側(cè)。故在高低空環(huán)流形勢(shì)的配合下，蘇皖地區(qū)發(fā)生強(qiáng)對(duì)流天氣的可能性大大增加。

1.2 模式配置與資料

試驗(yàn)基于WRFV3.6版本，采用雙向雙層嵌套方案，外區(qū)域分辨率設(shè)置為9 km，內(nèi)區(qū)域（分析區(qū)域）分辨率設(shè)置為3 km，垂直不等距分為35層。兩次個(gè)例的控制預(yù)報(bào)試驗(yàn)（未加入任何擾動(dòng)，后文中用CTL表示）物理參數(shù)化方案選取和網(wǎng)格設(shè)置，如表1所示。模式驅(qū)動(dòng)采用NCEP全球預(yù)報(bào)系統(tǒng)（Global Forecast System，GFS）資料，天氣形勢(shì)分析采用FNL再分析資料，以中國(guó)氣象局氣象數(shù)據(jù)中心發(fā)布的自動(dòng)站與CMORPH衛(wèi)星融合降水（0.1°×0.1°）資料作為實(shí)況，以此檢驗(yàn)試驗(yàn)結(jié)果。

為了更好地評(píng)判LBGM的優(yōu)勢(shì)，本文采用了傳統(tǒng)BGM方法作為對(duì)照試驗(yàn)。每個(gè)個(gè)例均進(jìn)行了兩組集合預(yù)報(bào)試驗(yàn)，擾動(dòng)成員數(shù)均為10，擾動(dòng)方法分別采用傳統(tǒng)BGM和新型LBGM（見2.1節(jié)）。為了保證試驗(yàn)結(jié)果只受初值擾動(dòng)的影響，兩組試驗(yàn)中各擾動(dòng)成員的物理參數(shù)化方案配置與控制試驗(yàn)一致，未引入側(cè)邊界和模式上的擾動(dòng)，且未同化任何觀測(cè)資料。所有集合試驗(yàn)分為培育階段和預(yù)報(bào)階段，詳情見表2。

2 方法介紹

2.1 LBGM

LBGM是基于傳統(tǒng)的BGM方法提出來(lái)的。兩者的最大區(qū)別主要體現(xiàn)在培育階段的動(dòng)態(tài)調(diào)整上。BGM中，擾動(dòng)調(diào)整公式為

xat（k）=xft（k）×e0（k）et（k），

et（k）=1N2×∑Ni=1[Xpert（i，j，k）-Xctlt（i，j，k）]2。（1）

其中：k和t分別表示垂直層數(shù)和當(dāng)前培育時(shí)刻;xat（k）和xft（k）分別對(duì)應(yīng)為分析擾動(dòng)（調(diào)整后的擾動(dòng)）和上一個(gè)培育周期得到的預(yù)報(bào)擾動(dòng)（調(diào)整前的擾動(dòng)）;N為k層的格點(diǎn)總數(shù)。e0（k）和et（k）分別為培育初始時(shí)刻和當(dāng)前時(shí)刻的均方根誤差（RMSE），其比值e0（k）et（k）為調(diào)整系數(shù)。et（k）是在全局角度來(lái)計(jì)算的，同一垂直層上的格點(diǎn)擾動(dòng)調(diào)整系數(shù)相等。但由于對(duì)流尺度天氣系統(tǒng)具有很強(qiáng)的局地性特征，系統(tǒng)內(nèi)部水平差異性很大，故而BGM的直接應(yīng)用可能會(huì)限制對(duì)流尺度集合預(yù)報(bào)的結(jié)果。

LBGM中，將局地半徑參數(shù)r引入至擾動(dòng)調(diào)整公式：

xat（i，j，k）=xft（i，j，k）×e0（k）et（i，j，k），

et（i，j，k）=1（2r+1）2× ∑i+ri-r∑j+rj-r[Xpert（i，j，k）-Xctlt（i，j，k）]2。 （2）

其中：i和j分別表示緯向和徑向上的格點(diǎn)數(shù);et（i，j，k）為當(dāng)前時(shí)刻垂直方向上第k層的格點(diǎn)（i，j）上的RMSE;Xpert（i，j，k）和Xctlt（i，j，k）分別為該點(diǎn)在t時(shí)刻的擾動(dòng)預(yù)報(bào)結(jié)果和控制預(yù)報(bào)結(jié)果。參數(shù)r的引入，使得擾動(dòng)的調(diào)整對(duì)象從單個(gè)垂直層變?yōu)榇怪睂由系拿恳粋€(gè)格點(diǎn)，實(shí)現(xiàn)了局地調(diào)整，詳見Chen et al.（2018）和Ma et al.（2019）。在Chen et al.（2018）的研究基礎(chǔ)上，本次試驗(yàn)選取的r為13。

2.2 PMM

PMM的基本原理是保留了EM的空間分布特點(diǎn)，但格點(diǎn)上的預(yù)報(bào)值已經(jīng)被各個(gè)成員中的極值給替換。為了得到PMM結(jié)果，將所有成員（n個(gè)成員）的所有網(wǎng)格點(diǎn)的預(yù)報(bào)值按降序排列，每n個(gè)值為一個(gè)子序列，提取子序列中的第一個(gè)值并形成序列1。然后，將EM的所有預(yù)報(bào)值降序排列形成序列2。序列2中的排名則與模式格點(diǎn)位置相對(duì)應(yīng)。最后，將序列2中的值替換為序列1中的值，并將新的序列2轉(zhuǎn)換至對(duì)應(yīng)格點(diǎn)上。詳情請(qǐng)見Ebert （2001）。

2.3 FSS

FSS是一種基于鄰域法的技術(shù)，可用于評(píng)估定量降水預(yù)報(bào)。其計(jì)算公式為：

FSS=1-∑（N2Pf-N2Po）∑（N2Pf+N2Po）。? （3）

其中：NPf和NPo分別代表預(yù)報(bào)結(jié)果和實(shí)況的鄰域概率場(chǎng)。各格點(diǎn)上的鄰域概率是指以該格點(diǎn)為中心的鄰域范圍內(nèi)降水量超過一定閾值的格點(diǎn)比例。具體過程請(qǐng)參考Roberts and Lean（2008）。FSS的取值范圍為0～1，結(jié)果越接近于1，表示降水預(yù)報(bào)技巧越高。

3 降水預(yù)報(bào)效果檢驗(yàn)

3.1 累計(jì)降水分布

強(qiáng)降水往往是強(qiáng)對(duì)流天氣的一個(gè)重要表現(xiàn)特征，通過對(duì)降水預(yù)報(bào)結(jié)果的分析，可以評(píng)價(jià)集合預(yù)報(bào)系統(tǒng)的優(yōu)劣。圖2給出了兩次颮線持續(xù)期間12 h累計(jì)降水量。對(duì)于個(gè)例一（圖2a），降水主要集中在廣東省中部。南部也有少量降水，但強(qiáng)度和范圍均不如中部。

114°E經(jīng)線附近為兩個(gè)降水中心，強(qiáng)度分別達(dá)140 mm和100 mm。相較于個(gè)例一，個(gè)例二（圖2b）的降水強(qiáng)度偏弱，分布較零散。雨帶主體位于江蘇和安徽省的中部和北部，呈東北-西南走向。雨量達(dá)70 mm以上的強(qiáng)降水中心有兩個(gè)，分布在江蘇省北部。

圖3和圖4分別給出了兩次個(gè)例與圖2實(shí)況對(duì)應(yīng)時(shí)間內(nèi)12 h累計(jì)降水量的EM和PMM結(jié)果。對(duì)于個(gè)例一，LBGM和BGM得到的EM結(jié)果（圖3a、b）除了廣東省南部珠海區(qū)域存在漏報(bào)現(xiàn)象，雨區(qū)主體分布基本上與實(shí)況相吻合。但LBGM較好地模擬出114°E附近的兩個(gè)降水中心，強(qiáng)度與實(shí)況接近。而BGM中，降水中心不明顯，且強(qiáng)度偏強(qiáng)。個(gè)例二中，LBGM和BGM（圖4a、b）均得到了東北-西南走向的雨區(qū)分布，實(shí)況中兩個(gè)強(qiáng)降水中心的位置也被準(zhǔn)確預(yù)報(bào)出來(lái)，但蘇皖地區(qū)中部出現(xiàn)漏報(bào)，蘇北地區(qū)存在部分虛報(bào)。與實(shí)況對(duì)比，BGM得到的皖北雨區(qū)強(qiáng)度嚴(yán)重偏弱，效果明顯不如LBGM。相較于EM，PMM（圖3c、d），圖4c、d更多地考慮了集合成員中的極值信息，使得兩種方法下的降水強(qiáng)度增強(qiáng)。這對(duì)于極端降水預(yù)報(bào)有更明顯的指示作用，但也降低了弱降水地區(qū)的預(yù)報(bào)技巧，使得降水整體分布上，PMM效果不如EM。

3.2 累計(jì)降水評(píng)分檢驗(yàn)

考慮到強(qiáng)對(duì)流降水強(qiáng)度沒有一個(gè)嚴(yán)格的規(guī)定，為了分析集合預(yù)報(bào)對(duì)不同量級(jí)降水的預(yù)報(bào)效果，本文在降水閾值的選擇上參考了國(guó)家氣象部門規(guī)定的降水量標(biāo)準(zhǔn)（表3）。通過對(duì)個(gè)例一3月30日18時(shí)—31日06時(shí)和個(gè)例二7月30日07—19時(shí)的12 h累計(jì)降水量進(jìn)行ETS和FSS評(píng)分檢驗(yàn)，評(píng)估降水預(yù)報(bào)的同時(shí)，考察兩種評(píng)分在對(duì)流尺度下的合理性。根據(jù)趙濱和張博（2018）和Ma et al.（2018）的工作，F(xiàn)SS鄰域尺度選擇60 km（20倍網(wǎng)格空間）。

圖5為兩次個(gè)例12 h累計(jì)降水量在不同閾值下的降水評(píng)分。

從評(píng)分大小看，ETS評(píng)分明顯低于FSS，且對(duì)于大暴雨量級(jí)（>70 mm）降水，個(gè)例一中EM的ETS評(píng)分高于PMM，個(gè)例二中EM評(píng)分基本為0，這均與之前12 h累計(jì)降水量分析結(jié)果不一致。這是因?yàn)镋TS依賴于預(yù)報(bào)場(chǎng)和觀測(cè)場(chǎng)的“點(diǎn)對(duì)點(diǎn)”比較。當(dāng)模式分辨率較高時(shí)，預(yù)報(bào)場(chǎng)和觀測(cè)場(chǎng)之間的空間誤差往往會(huì)被放大，從而產(chǎn)生“雙重懲罰”現(xiàn)象，造成預(yù)報(bào)評(píng)分較低，無(wú)法正常反映預(yù)報(bào)能力。因此，在對(duì)流尺度集合預(yù)報(bào)檢驗(yàn)時(shí)，均采用FSS評(píng)分用于降水評(píng)估。從兩次個(gè)例的FSS結(jié)果（圖5b、d）可以看出，無(wú)論是EM和PMM結(jié)果，LBGM評(píng)分基本高于BGM。雖然個(gè)例一中小雨（>1 mm）、暴雨（>30 mm）量級(jí)降水預(yù)報(bào)上，BGM評(píng)分略高于LBGM，這可能是由于個(gè)例的差異性導(dǎo)致的，對(duì)評(píng)估LBGM并無(wú)太大影響。對(duì)比EM和PMM結(jié)果，對(duì)于暴雨以下量級(jí)（<30 mm）的降水，EM評(píng)分均高于PMM，對(duì)于暴雨和大暴雨量級(jí)的降水，PMM評(píng)分要高于EM。這與PMM增強(qiáng)降水強(qiáng)度、改善極端降水（圖3c、d，圖4c、d）是一致的。

3.3 逐小時(shí)降水評(píng)分檢驗(yàn)

圖6和圖7分別給出了不同閾值下兩次個(gè)例逐小時(shí)降水FSS評(píng)分與預(yù)報(bào)時(shí)間的關(guān)系。

對(duì)于小雨和中雨（圖6a、b，圖7a、b），兩次個(gè)例的EM預(yù)報(bào)評(píng)分均高于PMM，且LBGM得到的EM預(yù)報(bào)技巧最高。雖然LBGM和BGM的PMM評(píng)分基本一致，但在颮線發(fā)生發(fā)展期間LBGM結(jié)果更優(yōu)。對(duì)于大雨，個(gè)例一在颮線生成前，BGM的EM和PMM評(píng)分相當(dāng)，略高于LBGM。當(dāng)颮線生成后，LBGM的PMM評(píng)分接近于EM，整體預(yù)報(bào)效果要優(yōu)于BGM，并且，BGM中EM評(píng)分仍高于PMM。個(gè)例二中，LBGM與BGM下的EM和PMM評(píng)分差別不大，但仍能大致看出LBGM結(jié)果要略優(yōu)于BGM。對(duì)于暴雨和大暴雨，兩次個(gè)例中的PMM評(píng)分均有了很大改善，效果明顯要優(yōu)于EM。個(gè)例一在颮線生成前，BGM下的PMM效果評(píng)分最佳，其EM結(jié)果對(duì)暴雨的預(yù)報(bào)效果也要優(yōu)于LBGM，這可能是因?yàn)锽GM預(yù)報(bào)的強(qiáng)降水出現(xiàn)時(shí)間偏早，故當(dāng)在颮線生成后，BGM的PMM評(píng)分逐漸低于LBGM。個(gè)例二中集合預(yù)報(bào)整體效果降低，反映了極端降水的預(yù)報(bào)困難。但PMM在一定程度改善了暴雨和大暴雨量級(jí)降水的預(yù)報(bào)效果，特別是LBGM下的PMM結(jié)果，評(píng)分明顯優(yōu)于其他結(jié)果。因此，LBGM在對(duì)降水預(yù)報(bào)上整體上要優(yōu)于BGM。在降水后處理上，對(duì)于暴雨以下量級(jí)的降水，EM的預(yù)報(bào)效果要優(yōu)于PMM。PMM對(duì)暴雨以上量級(jí)的降水預(yù)報(bào)技巧要高于EM。

4 討論和結(jié)論

利用LBGM對(duì)兩次典型颮線個(gè)例進(jìn)行了對(duì)流尺度集合預(yù)報(bào)試驗(yàn)。通過PMM生成集合預(yù)報(bào)產(chǎn)品，結(jié)合降水實(shí)況，與傳統(tǒng)BGM法進(jìn)行了對(duì)比，檢驗(yàn)了基于LBGM法的集合預(yù)報(bào)系統(tǒng)對(duì)颮線活動(dòng)的實(shí)際預(yù)報(bào)效果。由于高分辨率模式下的降水評(píng)估存在著“雙重懲罰”現(xiàn)象，所以FSS和ETS均用于不同量級(jí)降水中的檢驗(yàn)，合理評(píng)估PMM對(duì)降水預(yù)報(bào)的改善作用，得到以下結(jié)論：

1）LBGM生成的對(duì)流尺度集合預(yù)報(bào)對(duì)颮線降水的預(yù)報(bào)能力均優(yōu)于傳統(tǒng)BGM。

2）由ETS和FSS的評(píng)分差異以及12 h累計(jì)降水分布可見，F(xiàn)SS評(píng)分更加適合于對(duì)流尺度集合預(yù)報(bào)的降水評(píng)估。

3）由12 h累計(jì)降水和逐小時(shí)降水演變的FSS評(píng)分可見，對(duì)于小雨、中雨和大雨級(jí)別的降水，EM的預(yù)報(bào)技巧高于PMM，在暴雨和大暴雨級(jí)別的降水預(yù)報(bào)上，PMM預(yù)報(bào)效果要優(yōu)于EM。

初值擾動(dòng)設(shè)計(jì)是對(duì)流尺度集合預(yù)報(bào)研究的重點(diǎn)。與國(guó)際上普遍的動(dòng)態(tài)降尺度和集合資料同化技術(shù)相比，LBGM的計(jì)算成本更低，生成的擾動(dòng)包含了局地信息。盡管本文試驗(yàn)僅用了兩個(gè)颮線個(gè)例，但可以為L(zhǎng)BGM的操作使用和基于LBGM的對(duì)流可分辨尺度集合預(yù)報(bào)產(chǎn)品的評(píng)估提供指導(dǎo)。此外，關(guān)于LBGM仍有許多問題需要更深入研究。例如，LBGM擾動(dòng)的空間特征以及模型分辨率對(duì)擾動(dòng)質(zhì)量的影響需要進(jìn)一步評(píng)估。LBGM是否適合其他類型的強(qiáng)對(duì)流天氣系統(tǒng)也需要研究。

參考文獻(xiàn)（References）

Abramov R，Majda A，Kleeman R，2005.Information theory and predictability for low-frequency variability[J].J Atmos Sci，62（1）：65-87.doi：10.1175/jas-3373.1.

Bouttier F，Raynaud L，Nuissier O，et al.，2015.Sensitivity of the AROME ensemble to initial and surface perturbations during HyMeX[J].Quart J Roy Meteor Soc，142：390-403.doi：10.1002/qj.2622.

Chen C H，Li X，He H R，et al.，2018.Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting[J].Sci China Earth Sci，61（4）：462-472.doi：10.1007/s11430-017-9167-5.

陳超輝，劉梅，智協(xié)飛，等，2018.基于BGM框架的短期集合預(yù)報(bào)擾動(dòng)典型規(guī)律研究[J].大氣科學(xué)學(xué)報(bào)，41（4）：483-493. Chen C H，Liu M，Zhi X F，et al.，2018.Typical characteristics of spatio-temporal evolution of initial perturbations in short-range ensemble prediction system based on the breeding method[J].Trans Atmos Sci，41（4）：483-493.doi：10.13878/j.cnki.dqkxxb.20171210001.（in Chinese）.

Davis C A，Brown B G，Bullock R，et al.，2009.The method for object-based diagnostic evaluation （MODE） applied to numerical forecasts from the 2005 NSSL/SPC spring program[J].Wea Forecasting，24（5）：1252-1267.doi：10.1175/2009waf2222241.1.

Du J，Mullen S L，Sanders F，1997.Short-range ensemble forecasting of quantitative precipitation[J].Mon Wea Rev，125（10）：2427-2459.doi：10.1175/1520-0493（1997）125<2427：srefoq>2.0.co;2.

Ebert E E，2001.Ability of a poor mans ensemble to predict the probability and distribution of precipitation[J].Mon Wea Rev，129（10）：2461-2480.doi：10.1175/1520-0493（2001）129<2461：aoapms>2.0.co;2.

Ebert E E，2009.Neighborhood verification：a strategy for rewarding close forecasts[J].Wea Forecasting，24（6）：1498-1510.doi：10.1175/2009waf2222251.1.

Ebert E E，Gallus W A Jr，2009.Toward better understanding of the contiguous rain area （CRA） method for spatial forecast verification[J].Wea Forecasting，24（5）：1401-1415.doi：10.1175/2009waf2222252.1.

高峰，閔錦忠，孔凡鈾，2010.基于增長(zhǎng)模繁殖法的風(fēng)暴尺度集合預(yù)報(bào)試驗(yàn)[J].高原氣象，29（2）：429-436. Gao F，Min J Z，Kong F Y，2010.Experiment of the storm-scale ensemble forecast based on breeding of growing mode[J].Plateau Meteor，29（2）：429-436.（in Chinese）.

Harnisch F，Keil C，2015.Initial conditions for convective-scale ensemble forecasting provided by ensemble data assimilation[J].Mon Wea Rev，143（5）：1583-1600.doi：10.1175/mwr-d-14-00209.1.

Hohenegger C，Schar C，2007.Atmospheric predictability at synoptic versus cloud-resolving scales[J].Bull Amer Meteor Soc，88（11）：1783-1794.doi：10.1175/bams-88-11-1783.

Hohenegger C，Walser A，Langhans W，et al.，2008.Cloud-resolving ensemble simulations of the August 2005 Alpine flood[J].Quart J Roy Meteor Soc，134（633）：889-904.doi：10.1002/qj.252.

孔凡鈾，2018.雷暴尺度天氣集合數(shù)值預(yù)報(bào)研究[J].氣象科技進(jìn)展，8（3）：53-60. Kong F Y，2018.A study of storm-scale ensemble forecast[J].Adv Meteor Sci Technol，8（3）：53-60.（in Chinese）.

Kühnlein C，Keil C，Craig G C，et al.，2014.The impact of downscaled initial condition perturbations on convective-scale ensemble forecasts of precipitation[J].Quart J Roy Meteor Soc，140（682）：1552-1562.doi：10.1002/qj.2238.

李俊，杜鈞，陳超君，2015.“頻率匹配法”在集合降水預(yù)報(bào)中的應(yīng)用研究[J].氣象，41（6）：674-684. Li J，Du J，Chen C J，2015.Applications of “frequency-matching” method to ensemble precipitation forecasts[J].Meteor Mon，41（6）：674-684.doi：10.7519/j.issn.1000-0526.2015.06.002.（in Chinese）.

Li X，He H R，Chen C H，et al.，2017.A convection-allowing ensemble forecast based on the breeding growth mode and associated optimization of precipitation forecast[J].J Meteor Res，31（5）：955-964.doi：10.1007/s13351-017-6695-0.

馬申佳，陳超輝，何宏讓，等，2018.基于BGM的對(duì)流尺度集合預(yù)報(bào)試驗(yàn)及其檢驗(yàn)[J].高原氣象，37（2）：495-504. Ma S J，Chen C H，He H R，et al.，2018.Experiment and verification of the convective-scale ensemble forecast based on BGM[J].Plateau Meteor，37（2）：495-504.doi：10.7522/j.issn.1000-0534.2017.00073.（in Chinese）.

Ma S J，Chen C H，He H R，et al.，2018.Assessing the skill of convection-allowing ensemble forecasts of precipitation by optimization of spatial-temporal neighborhoods[J].Atmosphere，9（2）：43.doi：10.3390/atmos9020043.

Ma S J，Chen C H，He H R，et al.，2019.An analysis on perturbation features of convection-allowing ensemble prediction based on the local breeding growth mode[J].Wea Forecasting，34（2）：289-304.doi：10.1175/waf-d-18-0111.1.

閔錦忠，房麗娟，2017.基于增長(zhǎng)模繁殖法的暴雨集合預(yù)報(bào)[J].大氣科學(xué)學(xué)報(bào)，40（1）：1-12. Min J Z，F(xiàn)ang L J，2017.Storm ensemble forecast based on the BGM method[J].Trans Atmos Sci，40（1）：1-12.doi：10.13878/j.cnki.dqkxxb.20140404002.（in Chinese）.

Mittermaier M，Roberts N，Thompson S A，2013.A long-term assessment of precipitation forecast skill using the fractions skill score[J].Meteor Appl，20（2）：176-186.doi：10.1002/met.296.

Roberts N M，Lean H W，2008.Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events[J].Mon Wea Rev，136（1）：78-97.doi：10.1175/2007mwr2123.1.

榮艷敏，盛春巖，范蘇丹，等，2017.概率匹配平均法在山東強(qiáng)降水預(yù)報(bào)中的應(yīng)用[J].海洋氣象學(xué)報(bào)，37（3）：95-101. Rong Y M，Sheng C Y，F(xiàn)an S D，et al.，2017.Applications of probability matching method in heavy rainfall forecast in Shandong Province[J].J Mar Meteor，37（3）：95-101.doi：10.19513/j.cnki.issn2096-3599.2017.03.011.（in Chinese）.

Schumacher R S，Clark A J，2014.Evaluation of ensemble configurations for the analysis and prediction of heavy-rain-producing mesoscale convective systems[J].Mon Wea Rev，142（11）：4108-4138.

Schwartz C S，Romine G S，Smith K R，et al.，2014.Characterizing and optimizing precipitation forecasts from a convection-permitting ensemble initialized by a mesoscale ensemble kalman Filter[J].Wea Forecasting，29（6）：1295-1318.

Stensrud D J，Brooks H E，Du J，et al.，1999.Using ensembles for short-range forecasting[J].Mon Wea Rev，127（4）：433-446.

Toth Z，Kalnay E，1993.Ensemble forecasting at NMC：the generation of perturbations[J].Bull Amer Meteor Soc，74（12）：2317-2330.

Toth Z，Kalnay E，1997.Ensemble forecasting at NCEP and the breeding method[J].Mon Wea Rev，125（12）：3297-3319.

Zhang H，Chen J，Zhi X，et al.，2015.A comparison of ETKF and downscaling in a regional ensemble prediction system[J].Atmos，6（3）：341-360.

趙濱，張博，2018.鄰域空間檢驗(yàn)方法在降水評(píng)估中的應(yīng)用[J].暴雨災(zāi)害，37（1）：1-7. Zhao B，Zhang B，2018.Application of neighborhood spatial verification method on precipitation evaluation[J].Torrential Rain and Disasters，37（1）：1-7.（in Chinese）.

智協(xié)飛，孫晶，周文友，2015a.2009年夏季西太平洋臺(tái)風(fēng)的集合預(yù)報(bào)和多模式集成預(yù)報(bào)試驗(yàn)[J].大氣科學(xué)學(xué)報(bào)，38（5）：633-640. Zhi X F，Sun J，Zhou W Y，2015a.Ensemble and multimodel ensemble forecasts of western Pacific typhoons during summer 2009[J].Trans Atmos Sci，38（5）：633-640.doi：10.13878/j.cnki.dqkxxb.20130620010.（in Chinese）.

智協(xié)飛，朱壽鵬，孫晶，等，2015b.基于BGM與ETKF的臺(tái)風(fēng)“蘇拉”（1209）集合預(yù)報(bào)的對(duì)比試驗(yàn)Ⅰ：路徑預(yù)報(bào)[J].大氣科學(xué)學(xué)報(bào)，38（6）：776-784. Zhi X F，Zhu S P，Sun J，et al.，2015b.Comparative experiments of ensemble forecasting of typhoon Saola（1209） based on BGM and ETKF，Part Ⅰ：track forecast[J].Trans Atmos Sci，38（6）：776-784.doi：10.13878/j.cnki.dqkxxb.20150420002.（in Chinese）.

Convection-allowing ensemble forecasts of two squall line cases using a novel local breeding growth mode method

LI Kun1，CHEN Chaohui1，HE Hongrang1，MA Shenjia2，JIANG Yongqiang1

1College of Meteorology and Oceanography，National University of Defense Technology，Nanjing 211101，China;

2PLA Troop 78127，Chengdu 610000，China

In the present study，a new local breeding growth mode （LBGM） method is used to conduct convection-allowing ensemble prediction experiments regarding two typical squall line cases.Next，by comparing the results with the traditional breeding growth mode （BGM） method，the actual forecast effect of the LBGM is tested.The simulations of precipitation are performed using the probability-matched mean （PMM） method，then compared with the observational data.Finally，the fraction skill score （FSS） is used to replace the traditional equitable threat score （ETS），so as to reasonably evaluate the precipitation prediction.We obtained the following results：（1） The LBGM is observed to be superior to the BGM in the forecast of the precipitation in the squall line.（2） The FSS better represents the convection-allowing ensemble prediction capability better than ETS，particularly for extremely severe rain assessments.（3） The precipitation scoring results show that the EM is superior to the PMM method for light，moderate and heavy rainfall，whereas the PMM method is better for severe and extremely severe rainfall.

local breeding growth mode;convection-allowing ensemble forecasting;probability-matched mean;fraction skill score

doi：10.13878/j.cnki.dqkxxb.20200420001

（責(zé)任編輯：劉菲）