華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)的改進(jìn)及2020年梅雨期降水試驗(yàn)

譚燕 黃偉 楊玉華 張旭 陳葆德 2

1 中國氣象局上海臺(tái)風(fēng)研究所, 上海 200030

2 中國氣象局臺(tái)風(fēng)數(shù)值預(yù)報(bào)重點(diǎn)實(shí)驗(yàn)室, 上海 200030

1 引 言

經(jīng)過近半個(gè)世紀(jì)的發(fā)展，集合預(yù)報(bào)的研究已經(jīng)從全球大尺度數(shù)值預(yù)報(bào)擴(kuò)展到中尺度區(qū)域數(shù)值預(yù)報(bào)，甚至更小尺度的對流尺度數(shù)值預(yù)報(bào)（Clark et al.,2009; Kain et al., 2013）。模式的時(shí)空分辨率更為精細(xì)，集合擾動(dòng)的技術(shù)也更為全面，集合預(yù)報(bào)已經(jīng)逐步從研究領(lǐng)域向業(yè)務(wù)預(yù)報(bào)部門推廣應(yīng)用，并取了良好的應(yīng)用成效（Schwartz et al., 2015; Swinbank et al., 2016）。而這其中，短期的中尺度區(qū)域集合預(yù)報(bào)是這十多年來從研究領(lǐng)域向應(yīng)用領(lǐng)域轉(zhuǎn)化的熱點(diǎn)，雖然國內(nèi)外的研究成果頗豐，但卻很難取得重大的根 本 性 的 進(jìn) 展（Hacker et al., 2011; Jankov et al.,2017）。難點(diǎn)可能有兩方面的原因：其一是與區(qū)域集合預(yù)報(bào)關(guān)注的預(yù)報(bào)對象有關(guān)，因?yàn)閰^(qū)域模式更多地關(guān)注中小尺度高影響天氣的發(fā)生發(fā)展，而這類天氣過程的空間尺度小，生命史短并且移動(dòng)迅速，且伴隨著強(qiáng)烈的突發(fā)性和轉(zhuǎn)折性，同時(shí)與大尺度環(huán)境場之間還存在著復(fù)雜的相互作用，其物理和動(dòng)力的機(jī)制較為復(fù)雜（孫建華等, 2013），此外，中小尺度天氣系統(tǒng)還會(huì)受到如地形等局地環(huán)境因素的影響（Volker et al., 2008），所以要想全面地認(rèn)知這類高影響天氣的本質(zhì)仍然需要時(shí)間。其二來自集合方法本身，我們知道，集合預(yù)報(bào)研究的核心問題即集合擾動(dòng)方法的研究，當(dāng)今成熟的集合擾動(dòng)方法是針對大尺度的天氣過程提出，以大尺度的斜壓不穩(wěn)定理論為基礎(chǔ)，有著明確的物理含義（Buizza et al.,2005），而對中小尺度的天氣對象而言，其動(dòng)力過程是以對流不穩(wěn)定為主，誤差增長和發(fā)展的方式與大尺度過程截然不同（Mass et al., 2002; Grimit and Mass, 2002），對一種尺度適合的擾動(dòng)方法對其它尺度并不一定適合，這就使得構(gòu)造合理的集合擾動(dòng)難度增大，以至于現(xiàn)有的各類擾動(dòng)方案是否同樣適用于中小尺度天氣過程至今仍沒有統(tǒng)一答案。近十年來，大量的研究來探討初始誤差、模式誤差，以及側(cè)邊界條件的重要性問題，評估各類擾動(dòng)方案在區(qū)域集合預(yù)報(bào)系統(tǒng)中的作用（Ha et al., 2015; 劉暢等, 2018），業(yè)務(wù)應(yīng)用上也取得了很好的效果，例如：美國空軍的中尺度集合預(yù)報(bào)系統(tǒng)（The U.S. Air Force Weather Agency’ s mesoscale ensemble；Hacker et al., 2011）采用分辨率為45 km和15 km的兩層嵌套方式來構(gòu)建10個(gè)集合成員，測試各類不同的擾動(dòng)方案，發(fā)現(xiàn)通過集合后，其效果明顯優(yōu)于控制預(yù)報(bào)，且任意一種集合擾動(dòng)方法所構(gòu)建的集合預(yù)報(bào)均比直接降尺度全球集合的效果好，其中初始場的擾動(dòng)會(huì)對12 h之內(nèi)地面要素的預(yù)報(bào)有顯著影響；采用隨機(jī)物理擾動(dòng)方案，會(huì)比多物理參數(shù)化組合的效果好，后者的影響主要體現(xiàn)在邊界層附近；當(dāng)同時(shí)結(jié)合多種隨機(jī)物理擾動(dòng)方案時(shí)，效果最優(yōu)。同樣的，在分辨率為13 km的北美快速更新集合系統(tǒng)（North American RAP Ensemble；Jankov et al.,2017）和分辨率為15 km的GRAPES中尺度集合預(yù)報(bào)系統(tǒng)中（張涵斌等, 2014; Xu et al., 2020）也開展了類似的工作。此外，對于區(qū)域模式所面臨的側(cè)邊界條件的不確定性問題，已有的研究大都表明，有必要對集合成員的側(cè)邊界進(jìn)行擾動(dòng)（Nutter et al.,2004a, 2004b; Hohenegger and Sch?r, 2007;Hohenegger et al., 2008; Saito et al., 2012）。其中最直接的方法即從全球集合預(yù)報(bào)或較大尺度的集合預(yù)報(bào)中獲取側(cè)邊界資料，為較小尺度的集合預(yù)報(bào)各成員提供側(cè)邊界條件，如Nutter et al.（2004a, 2004b）采用該方法發(fā)現(xiàn)側(cè)邊界條件的擾動(dòng)能夠迅速地傳遍整個(gè)嵌套區(qū)域，從而改善區(qū)域集合的離散度；Hohenegger et al.（2008）后續(xù)指出：隨著預(yù)報(bào)時(shí)效的延長，側(cè)邊界擾動(dòng)的影響可以疊加到初始場的擾動(dòng)上，從而改善集合系統(tǒng)的預(yù)報(bào)性能。

整體而言，當(dāng)綜合地考慮各類不確定性的來源，集合系統(tǒng)的離散度會(huì)增加，對強(qiáng)降水和地面變量的預(yù)報(bào)能力會(huì)顯著提升。然而，在各類擾動(dòng)方案的比較研究中，Hamill and Whitaker（2011）也指出：增加的各類誤差，在一些情況下，不僅會(huì)抑制集合離散度的發(fā)散，還會(huì)使得集合平均的誤差增大，效果適得其反?？偟膩碚f，怎樣結(jié)合各類擾動(dòng)方法，構(gòu)建一個(gè)有效的中尺度集合預(yù)報(bào)系統(tǒng)，與模式系統(tǒng)自身有著密切的關(guān)系。如何針對區(qū)域數(shù)值預(yù)報(bào)中的不確定性構(gòu)建有效的區(qū)域集合擾動(dòng)方法，初始誤差、模式誤差、以及側(cè)邊界條件的作用如何考慮，以及他們相對于模式分辨率和天氣系統(tǒng)時(shí)空尺度的配置等，仍然是值得深入研究的問題，也是集合預(yù)報(bào)技術(shù)在業(yè)務(wù)應(yīng)用中的關(guān)鍵點(diǎn)。

華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)（SWARMSENV1）自2010年在華東區(qū)域氣象中心投入業(yè)務(wù)應(yīng)用，主要用于支撐3～5天的短期預(yù)報(bào)。在常年的應(yīng)用和檢驗(yàn)中，發(fā)現(xiàn)SWARMS-ENV1也存在著大多數(shù)集合預(yù)報(bào)系統(tǒng)的通病之一，即系統(tǒng)發(fā)散度不足（Stensrud et al., 1999; Buizza et al., 2005; Romine et al., 2014），從而使得集合預(yù)報(bào)系統(tǒng)不能有效地體現(xiàn)預(yù)報(bào)的不確定性，使用效果往往達(dá)不到預(yù)期。

SWARMS-ENV1采用增長模繁殖向量來表征初始場的不確定性；同時(shí)通過數(shù)值試驗(yàn)，最終選取三類積云對流參數(shù)化方案（Kain-Fritsch new方案、Betts-Miller-Janjic方 案 和Grell-Devenyi ensemble方案）、兩類地表參數(shù)化方案[Monin-Obukhov方案和Monin-Obukhov（Janjic）方案]以及2類邊界層方案（MYJ方案和YSU方案）進(jìn)行優(yōu)化組合（Skamarock et al., 2008），最終形成21個(gè)集合成員。短期集合預(yù)報(bào)常用上述多物理參數(shù)化方案的組合來表征模式的不確定性，一方面，因各種參數(shù)化方案之間的差異性較大，可增加集合的離散度，有助于提升預(yù)報(bào)技巧（Berner et al., 2011, 2015），但另一方面，該方法在理論和實(shí)際應(yīng)用上也存在著明顯的缺點(diǎn)。Knutti et al.（2013）的研究明確指出：從統(tǒng)計(jì)學(xué)的角度看，集合預(yù)報(bào)所添加的小擾動(dòng)應(yīng)滿足隨機(jī)變量的統(tǒng)計(jì)特征，即變量之間是相互獨(dú)立且滿足一定的概率密度分布，集合預(yù)報(bào)所表征的預(yù)報(bào)不確定性是隨機(jī)的預(yù)報(bào)誤差隨時(shí)間演化的結(jié)果，而多物理參數(shù)化方案并不符合這一前提，不同的物理參數(shù)化方案之間的物理假定、觸發(fā)機(jī)制、概念模型等均存在差異，不同方案也有各自不同的氣候特征和系統(tǒng)性的誤差分布特征（Jankov et al., 2017），從而導(dǎo)致系統(tǒng)偏差或成員聚類（Johnson et al.,2011）。此外，要發(fā)展和運(yùn)維多套物理參數(shù)化方案也要耗費(fèi)大量的資源，目前，各大數(shù)值預(yù)報(bào)中心所采用的主流模式擾動(dòng)技術(shù)均為隨機(jī)物理擾動(dòng)方案，（Palmer et al., 2009; Charron et al., 2010; Bouttier et al., 2012; Weisheimer et al., 2014; Zhou et al., 2017）因此，隨著現(xiàn)今隨機(jī)物理擾動(dòng)方案受到越來越多的關(guān)注，有必要進(jìn)行新的嘗試。

中國氣象局上海數(shù)值預(yù)報(bào)模式系統(tǒng)（CMASH9）于2015年底完成升級，無論是對高低空形勢場預(yù)報(bào)還是降水預(yù)報(bào)，其預(yù)報(bào)性能均得到明顯改善（徐同等, 2016），這為中尺度集合預(yù)報(bào)系統(tǒng)的升級提供了優(yōu)良的基礎(chǔ)。本文希望以CMA-SH9的初始場作為控制預(yù)報(bào)，并在此基礎(chǔ)上開展中尺度集合預(yù)報(bào)試驗(yàn)：一方面充分地利用全球集合預(yù)報(bào)的信息來構(gòu)造區(qū)域集合的初始擾動(dòng)和側(cè)邊界擾動(dòng)，從而整體上提升區(qū)域集合預(yù)報(bào)系統(tǒng)的預(yù)報(bào)精度；另一方面針對集合離散度偏低的現(xiàn)象，開展隨機(jī)物理傾向擾動(dòng)方案的參數(shù)優(yōu)化試驗(yàn)，確定適合模式配置的最優(yōu)參數(shù)，最大可能地表征模式的不確定性，從而提高集合系統(tǒng)離散度；并最終通過批量試驗(yàn)來全面地評估集合預(yù)報(bào)系統(tǒng)升級前后的預(yù)報(bào)能力。本文的結(jié)構(gòu)安排如下：第二部分介紹華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)的概況以及本文所進(jìn)行的集合試驗(yàn)的設(shè)計(jì)和檢驗(yàn)所用的資料；第三部分評估為期一個(gè)月的梅雨期試驗(yàn)結(jié)果；第四部分簡要給出典型個(gè)例的降水預(yù)報(bào)；最后為小結(jié)與討論。

2 集合預(yù)報(bào)系統(tǒng)與資料

2.1 集合預(yù)報(bào)系統(tǒng)介紹

華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)（SWARMSENV1，以下簡稱V1）于2010年建成并投入業(yè)務(wù)使用，系統(tǒng)的主要特點(diǎn)可以概括為：采用增長模繁殖法和多種物理參數(shù)化方案的組合，構(gòu)建21個(gè)集合預(yù)報(bào)成員，預(yù)報(bào)范圍如圖1中虛線區(qū)域所示，模式水平格點(diǎn)數(shù)為159×159，水平分辨率15 km，垂直方向27層，控制預(yù)報(bào)的初始場使用ADAS（ARPS Data Analysis System；Brewster, 1996）提供的分析場，側(cè)邊界條件為NCEP全球預(yù)報(bào)系統(tǒng)（Global Forecast System，簡稱GFS）的預(yù)報(bào)場，側(cè)邊界條件每6小時(shí)更新一次，每日00:00和12:00（協(xié)調(diào)世界時(shí)，下同）啟動(dòng)，進(jìn)行120小時(shí)預(yù)報(bào)，結(jié)果每小時(shí)輸出一次。

圖1 第一代中尺度集合預(yù)報(bào)系統(tǒng)（SWARMS-ENV1，簡稱V1，黑虛線）與擴(kuò)展區(qū)域后第二代中尺度集合預(yù)報(bào)系統(tǒng)（SWARMS-ENV2，簡稱V2）的預(yù)報(bào)范圍Fig. 1 Horizontal domain of SWARMS-ENV1 (V1) model (black and dashed) and the expanded domain of SWARMS-ENV2 model (V2)

升級后的華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)（SWARMS-ENV2，以下簡稱V2），其預(yù)報(bào)范圍如圖1所示，控制預(yù)報(bào)的初始場同中國氣象局上海數(shù)值預(yù)報(bào)模式系統(tǒng)（CMA-SH9），側(cè)邊界通過降尺度NCEP全球集合預(yù)報(bào)系統(tǒng)（Global Ensemble Forecast System，簡稱GEFS）的控制預(yù)報(bào)獲取，模式水平格點(diǎn)數(shù)為760（緯向）×600（經(jīng)向），水平分辨率為9 km，垂直方向51層。模式選用Thompson雙參數(shù)云微物方案、RRTMG長短波輻射參數(shù)化以及YSU邊界層參數(shù)化方案（Zhang et al., 2021）。模式通過ADAS客觀分析系統(tǒng)和復(fù)雜云分析技術(shù)實(shí)現(xiàn)對觀測資料的同化，目前ADAS同化的觀測資料主要包括常規(guī)探空觀測和地面自動(dòng)氣象站觀測，后者包括常規(guī)地面觀測（SYNOP）、船舶觀測（SHIP）、機(jī)場地面報(bào)（METAR）、浮標(biāo)（BUOY）、飛機(jī)觀測（AMDAR）等；同時(shí)模式利用復(fù)雜云分析技術(shù)對新一代天氣雷達(dá)（China new generation weather radar，簡稱CINRAD；李柏等, 2013）的SA、SB、SC波段雷達(dá)的反射率進(jìn)行同化。表1給出升級前后華東區(qū)域中尺度集合系統(tǒng)的基礎(chǔ)配置情況。

表1 華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)Table 1 The setup of regional ensemble forecast system

采用動(dòng)力降尺度方法來獲取集合預(yù)報(bào)的初始擾動(dòng)場，是一種直接且簡單有效的方法（Bowler and Mylne, 2009; Montani et al., 2011; Kühnlein et al.,2014），當(dāng)今一些中尺度集合預(yù)報(bào)系統(tǒng)（如COSMOLEPS、MOGREPS）也均有所采用，其模式分辨率從9～25 km不等，甚至有研究直接將其用于更高分辨率的對流尺度模式中（Peralta, 2012）。GEFS采用集合卡爾曼濾波（EnKF）方法（Zhou et al.,2017）來表征大氣初始時(shí)刻預(yù)報(bào)的不確定性，同時(shí)引入隨機(jī)物理傾向擾動(dòng)來表征模式的不確定性，生成21個(gè)集合成員。V2的集合初始擾動(dòng)生成分為三個(gè)步驟：第一步，通過動(dòng)力降尺度方法直接將GEFS全球集合預(yù)報(bào)系統(tǒng)的初值場和預(yù)報(bào)場插值到區(qū)域模式的分辨率和范圍，從而形成區(qū)域模式積分所需的初始場和側(cè)邊界條件。第二步，計(jì)算降尺度后各集合成員（Vien）與控制預(yù)報(bào)（Vc）的差，從而形成各變量的擾動(dòng)場（Pien），如公式（1）所示，其中擾動(dòng)變量包括：風(fēng)場、氣壓場、溫度場和濕度場；第三步，將CMA-SH9同化后的分析場（Va）作為V2的控制預(yù)報(bào)，在其基礎(chǔ)上，將（1）式得到的擾動(dòng)場與其進(jìn)行融合，從而形成新的集合初始擾動(dòng)場（VPien）。在這個(gè)過程中，由于初始擾動(dòng)和側(cè)邊界條件均來自GEFS，也從一個(gè)側(cè)面避免了兩者之間的不協(xié)調(diào)、激發(fā)虛假波動(dòng)等問題（Caron, 2013）。

其中，Vi表示集合成員，Vien表示直接動(dòng)力降尺度得到的各成員的物理量場，Vc為GEFS全球集合控制預(yù)報(bào)降尺度后的初始場，Pien是各物理量的擾動(dòng)場，Va為CMA-SH9同化后的分析場（同時(shí)也是V2控制預(yù)報(bào)的初值場），VPien為融合以后新的集合初始場，ien=（1, 2, ···,M）為集合成員序號，M為集合成員數(shù)（M＝20）。

2.2 隨機(jī)物理傾向擾動(dòng)方案（SPPT）的優(yōu)化

模式物理過程的傾向項(xiàng)用于表征不能被數(shù)值模式解析的次網(wǎng)格物理過程的總體效應(yīng)，這類過程包含輻射、微物理、深對流、淺對流和邊界層過程。Buizza et al.（1999）首次提出將隨機(jī)擾動(dòng)加入模式物理過程的傾向項(xiàng)中來體現(xiàn)次網(wǎng)格物理過程的不確定性，即隨機(jī)物理傾向擾動(dòng)方案（Stochastically Perturbed Parameterization Tendencies， 簡 稱SPPT），Berner et al.（2015）在 前 人 的 基 礎(chǔ) 上（Palmer et al., 2009），將該 方案 引 進(jìn) 至WRF模式中，并在實(shí)際業(yè)務(wù)預(yù)報(bào)中取得了較好的效果（Sanchez et al., 2016; Kevin et al., 2020）。

其中，Xphys表示溫度、緯向風(fēng)、經(jīng)向風(fēng)和濕度等參數(shù)的傾向，r(x,y,t)是一個(gè)與時(shí)間與空間相關(guān)的隨機(jī)擾動(dòng)場，x、y和z分別表示經(jīng)度、緯度和時(shí)間。每個(gè)格點(diǎn)上的隨機(jī)數(shù)滿足均值為0，方差為σ2的高斯分布，且|r|≤1。將隨機(jī)擾動(dòng)場r(x,y,t)通過二維傅里葉展開，得到：

式中，

通過上述一系列的數(shù)學(xué)變換，可以看到，SPPT方案中有三個(gè)參數(shù)會(huì)影響到隨機(jī)擾動(dòng)場的形態(tài)，即格點(diǎn)方差（σ2下文記作A）、隨機(jī)擾動(dòng)場的去相關(guān)時(shí)間（τ，下文記作T）和隨機(jī)擾動(dòng)場的去相關(guān)空間（k，下文記作L）。已有學(xué)者對SPPT方案中的各參數(shù)在不同天氣尺度背景下對預(yù)報(bào)變量所起的作用進(jìn)行研究（Bouttier et al., 2012; 袁月等,2016; 閔錦忠等, 2018; 徐致真等, 2019），但研究成果很大程度上依賴于所研究的動(dòng)力系統(tǒng)，至今仍沒有明確的結(jié)論，因此仍然需要根據(jù)具體的模式配置和關(guān)注的預(yù)報(bào)對象進(jìn)行大量的適應(yīng)性試驗(yàn)。

本文選取兩個(gè)典型個(gè)例，一是2019年11月23～25日強(qiáng)降溫個(gè)例，其影響系統(tǒng)的水平尺度相對較大，約有上百千米；二是2020年6月15～17日強(qiáng)降水個(gè)例，其影響系統(tǒng)為水平尺度200 km內(nèi)的中尺度渦；這兩類天氣發(fā)生的季節(jié)不同，影響系統(tǒng)的特征尺度也存在差異，上述三個(gè)參數(shù)對預(yù)報(bào)的影響如何？參數(shù)值的選取是否具有一定的通用性？它們之間怎樣的配置可以最大程度地表征V2模式誤差的不確定性？為了回答上述問題，設(shè)計(jì)表2的敏感性試驗(yàn)，其中參考試驗(yàn)REF的參數(shù)取默認(rèn)值，A、T和L為單一要素的敏感性試驗(yàn)，PHY為同時(shí)調(diào)整三參數(shù)的試驗(yàn)，試驗(yàn)中初始場和側(cè)邊界條件均不做擾動(dòng)，取兩倍的方差作為臨界振幅值；需要說明的是，由于計(jì)算資源的限制，表2中各試驗(yàn)的集合成員數(shù)均為9。

圖2給出表2各組試驗(yàn)離群值（Outlier，數(shù)據(jù)中有一個(gè)或幾個(gè)數(shù)值與其他數(shù)值相比差異較大）的時(shí)序圖，這里選取850 hPa溫度場，850 hPa緯向風(fēng)場和2 m溫度場進(jìn)行分析，試驗(yàn)中成員數(shù)取N=9，則理想的離群值即為0.2 [計(jì)算公式為2/(N+1)]，越接近理想值則說明系統(tǒng)的可信度越高?？梢钥吹綄τ诓煌竟?jié)，不同尺度的天氣個(gè)例，三個(gè)敏感參數(shù)的表現(xiàn)一致，說明這些參數(shù)具有較好的代表性和通用性。它們之間對預(yù)報(bào)的相對作用各不相同，對格點(diǎn)方差（A）進(jìn)行改變后，各預(yù)報(bào)變量均出現(xiàn)了較大的變化，增加方差會(huì)系統(tǒng)性的降低離群值，反之，則增加了離群值，說明方差的增加使得集合系統(tǒng)的離散度隨之增加，從而使得成員間的差異性增大，反映出更多預(yù)報(bào)的不確定性。隨機(jī)擾動(dòng)場的去相關(guān)空間（L）和隨機(jī)擾動(dòng)場的去相關(guān)時(shí)間（T）的改變，對預(yù)報(bào)的影響較小，與參考預(yù)報(bào)的結(jié)果相差不大，其影響遠(yuǎn)遠(yuǎn)小于方差改變帶來的影響；但仔細(xì)分析也會(huì)發(fā)現(xiàn)，在夏季個(gè)例中，當(dāng)增加L和延長T時(shí)，也會(huì)微弱地降低離群值，在一定程度上改進(jìn)預(yù)報(bào)的可信度；三個(gè)參數(shù)對預(yù)報(bào)的影響大小依次為：A＞L＞T。當(dāng)PHY試驗(yàn)根據(jù)模式自身的配置，合理調(diào)整SPPT方案中參數(shù)的閾值，并將其進(jìn)行合理地組合后，在整個(gè)預(yù)報(bào)階段，系統(tǒng)的離群值與理想的離群值最為接近，說明增強(qiáng)模式中隨機(jī)物理過程的作用，更能有效地提高集合系統(tǒng)整體的可信度和預(yù)報(bào)能力。

表2 隨機(jī)物理傾向擾動(dòng)方案（SPPT）的優(yōu)化試驗(yàn)Table 2 Sensitive experiment of stochastic parameters

同時(shí)，上述變量集合平均的均方根誤差隨時(shí)間的變化（圖略）曲線也反映出：在整個(gè)預(yù)報(bào)時(shí)段，各組試驗(yàn)集合平均的預(yù)報(bào)誤差均小于控制預(yù)報(bào)；其中對格點(diǎn)方差進(jìn)行調(diào)整，各變量的預(yù)報(bào)誤差在預(yù)報(bào)初期就有較明顯下調(diào)，且隨著預(yù)報(bào)時(shí)效的延長，集合平均相對于控制預(yù)報(bào)改進(jìn)的幅度更為顯著；相對而言，改變擾動(dòng)的空間尺度和時(shí)間尺度，兩組誤差曲線的走勢較為接近，集合平均對控制預(yù)報(bào)的改進(jìn)幅度較小。從變量上看，850 hPa緯向風(fēng)的誤差減少最為明顯，其次是850 hPa溫度和2 m溫度。

連 續(xù) 分 級 概 率 評 分（Continuous Ranked Probability Score，簡稱CRPS）可以量化預(yù)報(bào)變量的累計(jì)概率分布函數(shù)（CDF）與觀測值Heaviside函數(shù)之間的差異（Hersbach, 2000），可用于評估集合預(yù)報(bào)與確定性預(yù)報(bào)的預(yù)報(bào)準(zhǔn)確率，CRPS越小表示預(yù)報(bào)準(zhǔn)確率越高，理想情況下CRPS等于零，CRPS計(jì)算公式為

CRPS的時(shí)序圖如圖3所示，參數(shù)間的調(diào)整會(huì)引起CRPS不同程度的變化?？偟膩碚f：對不同的變量，減小方差A(yù)，會(huì)增加CRPS，反之則會(huì)減小CRPS，改變A所引起CRPS的變化幅度最為明顯；改變擾動(dòng)場的去相關(guān)空間L和去相關(guān)時(shí)間T，在不同的預(yù)報(bào)時(shí)刻，兩組試驗(yàn)的CRPS曲線在參考預(yù)報(bào)附近上下波動(dòng)，其變化幅度均較小。當(dāng)合理地將參數(shù)進(jìn)行配置后，CRPS值會(huì)明顯降低，這與圖2的結(jié)論一致。注意到不同變量的CRPS也有差別：850 hPa溫度的CRPS變化區(qū)間為0.2～0.7，850 hPa緯向風(fēng)的變化范圍在0.5～1.2，2 m溫度的CRPS在1.4～2.1范圍內(nèi)波動(dòng)，這反映出模式對各變量的預(yù)報(bào)準(zhǔn)確度也存在著差異。同時(shí)注意到：冬夏個(gè)例之間，SPPT各參數(shù)間的影響趨勢相似，但從預(yù)報(bào)的準(zhǔn)確度上看，變量之間卻存在差異：對于850 hPa的溫度和緯向風(fēng)冬季個(gè)例整體CRPS變化區(qū)間小于夏季個(gè)例，反映出模式對冬季個(gè)例中低層的預(yù)報(bào)準(zhǔn)確度更高；而2 m溫度的預(yù)報(bào)，夏季的CRPS評分低于冬季，說明系統(tǒng)對夏季2 m溫度的預(yù)報(bào)技巧更高。

圖2 2019年11月23～25日冬季個(gè)例（左列）和2020年6月15～17日夏季個(gè)例（右列）的各組敏感試驗(yàn)（a、b）850 hPa溫度、（c、d）850 hPa緯向風(fēng)速和（e、f）2 m溫度離群值隨時(shí)間的變化Fig. 2 Time series of the outlier of sensitive experiments for (a, b) 850-hPa temperature, (c, d) 850-hPa zonal wind, and (e, f) 2-m temperature for the winter case from 23 to 25 November 2019 (left column) and for the summer case from 15 to 17 June 2020 (right column)

圖3 同圖2，為連續(xù)分級概率評分CRPS隨時(shí)間變化Fig. 3 Same as Fig.2, but for CRPS (Continuous Ranked Probability Score)

從上述典型個(gè)例的試驗(yàn)及評估結(jié)果可見，SPPT方案中參數(shù)的選取具有一定的通用性，當(dāng)根據(jù)模式自身的配置來合理調(diào)整參數(shù)的閾值，可以強(qiáng)化隨機(jī)過程的影響，對預(yù)報(bào)起到正效果；為此將試驗(yàn)得到的最優(yōu)方案引入到V2中，以最大程度地表征V2模式誤差的不確定性。

2.3 資料

本文降水預(yù)報(bào)檢驗(yàn)使用圖1中SWARMS-ENV1范圍內(nèi)的全國加密自動(dòng)站資料，該區(qū)域內(nèi)有效站點(diǎn)數(shù)超過20000個(gè)；同時(shí)，地面和高空變量的檢驗(yàn)使用同化后的格點(diǎn)分析場資料。需要說明的是，文中V1與V2的比較部分，為了比較的公正性，即將V2的變量值插值到V1的區(qū)域進(jìn)行，其中水平插值方法為雙線性插值，垂直插值方法為線性插值，檢驗(yàn)統(tǒng)一為V1區(qū)域。

3 2020年梅雨期預(yù)報(bào)性能分析

梅雨是我國汛期重要的天氣氣候系統(tǒng)，2020年夏季江淮流域經(jīng)歷了一次典型的梅雨季，梅雨呈現(xiàn)出入梅早、出梅晚、梅雨期長、雨區(qū)范圍廣、累計(jì)雨量大、強(qiáng)降水過程多的特點(diǎn)（劉蕓蕓和丁一匯, 2020），一些學(xué)者從觀測事實(shí)出發(fā)，對這次超強(qiáng)梅雨的形成原因做了探討分析（陳濤等, 2020; 張芳華等, 2020）?；谏鲜龅湫蛡€(gè)例的試驗(yàn)結(jié)果，選取此次梅雨季作為研究對象，試驗(yàn)時(shí)間為2020年6月7日至7月7日，通過對比分析V1和V2的強(qiáng)降水預(yù)報(bào)情況，從而加深對系統(tǒng)現(xiàn)有預(yù)報(bào)能力的認(rèn)識(shí)，也為后續(xù)對V2的進(jìn)一步改進(jìn)提供科學(xué)依據(jù)。

3.1 降水預(yù)報(bào)評分

3.1.1 TS/Bias評分檢驗(yàn)

圖4給出系統(tǒng)升級前后一個(gè)月的梅雨試驗(yàn)的降水TS（Treat Score）評分，圖中藍(lán)色為V1的結(jié)果，紅色為V2的結(jié)果。整體而言，TS評分隨著預(yù)報(bào)時(shí)效的延長呈下降趨勢，對于不同預(yù)報(bào)時(shí)效各量級的降水預(yù)報(bào)，V2較V1均有大幅度改善。具體來說，對于有無降水的預(yù)報(bào)，V2在2天之內(nèi)的預(yù)報(bào)改善顯著，TS評分整體能維持在0.6以上，但之后的預(yù)報(bào)技巧不及V1，略微下降至0.5左右；但降水一旦發(fā)生，V2對降水落區(qū)和強(qiáng)度的描述則更為準(zhǔn)確，表現(xiàn)為在各時(shí)次各量級的TS評分均有所提高。

圖4 2020年6月7日至7月7日（a）0～24 h、（b）24～48 h、（c）48～72 h、（d）72～96 h和（e）96～120 h累計(jì)降水的TS評分箱線圖（橫坐標(biāo)為降水量級，藍(lán)色為V1，紅色為V2）Fig. 4 Boxplot of Treat Score for 24-h accumulated precipitation from June 7 to July 7, 2020: (a) 0–24 h; (b) 24–48 h; (c) 48–72 h; (d) 72–96 h;(e) 96–120 h. The abscissa is the precipitation level, blue is V1, and red is V2

與此同時(shí)，從預(yù)報(bào)偏差的對比結(jié)果看（圖5），兩個(gè)系統(tǒng)的Bias評分均大于1，說明均存在著對各降水量級過度預(yù)報(bào)的趨勢，V1在預(yù)報(bào)時(shí)效96 h之內(nèi)對大雨及以下量級的預(yù)報(bào)偏差變化幅度較小，基本維持在1.5上下，對暴雨量級的預(yù)報(bào)，預(yù)報(bào)偏差明顯增加；V2的偏差在中雨以下量級與V1相當(dāng)，但對于更大量級的降水，偏差則尤為突出?？請?bào)率則從另一個(gè)側(cè)面來評估模式預(yù)報(bào)的準(zhǔn)確性，它衡量的是預(yù)報(bào)將發(fā)生的事件中有多少比例在實(shí)況中并沒有發(fā)生，計(jì)算發(fā)現(xiàn)，V2的空報(bào)率相比于V1，在有無降水和小雨量級的預(yù)報(bào)中，各時(shí)次的空報(bào)率下降明顯；中到大雨的量級，V2的空報(bào)率大于V1（圖略）。

圖5 同圖4，但為Bias評分Fig. 5 Same as Fig. 4, but for Bias score

3.1.2 BSS評分檢驗(yàn)

BSS（Brier Skill Score；Brier, 1950）評 分（?∞，1]之間，其值越大越好，評分為1即表示完美的概率預(yù)報(bào)，計(jì)算公式為

其中，BS為BS評分（Brier Score）， BSref為參考預(yù)報(bào)的BS評分，這里選取試驗(yàn)期間1個(gè)月的平均觀測概率作為參考預(yù)報(bào)，pi為預(yù)報(bào)概率，oi為觀測概率。

圖6給出系統(tǒng)升級前后不同預(yù)報(bào)時(shí)效、各降水量級的BSS，圖中藍(lán)色為V1結(jié)果，紅色為V2結(jié)果。由圖6可見，BSS各時(shí)次走勢相近，整體而言，相同的預(yù)報(bào)時(shí)效，隨著降水量級的增加，評分逐漸降低；同時(shí)相同的降水量級，隨著預(yù)報(bào)時(shí)效的延長，評分也呈下降趨勢。其中，V1對大雨（＜25.0 mm）及以下量級的BSS為正值，說明相對于參考預(yù)報(bào)，V1對于大雨及以下量級的預(yù)報(bào)有正技巧；但隨著降水強(qiáng)度的進(jìn)一步加大和預(yù)報(bào)時(shí)效的延長，BSS有負(fù)值出現(xiàn)，說明預(yù)報(bào)技巧有所下降，其中V1對于50.0 mm以上的強(qiáng)降水，除24 h外，各預(yù)報(bào)時(shí)次均缺乏預(yù)報(bào)能力。反之，V2的BSS曲線對不同的降水量級在各預(yù)報(bào)時(shí)效均為正值，說明相對于參考預(yù)報(bào)，整體上V2的概率預(yù)報(bào)更有參考性；同時(shí)V2的BSS普遍高于V1，反映出V2的預(yù)報(bào)準(zhǔn)確率較V1均有不同程度的改進(jìn)。此外，隨著降水量級的增加，兩組BSS曲線間的差別也逐漸擴(kuò)大，反映出V2對強(qiáng)降水的概率預(yù)報(bào)準(zhǔn)確率和可信度較V1改善幅度更顯著。

圖6 2020年6月7日至7月7日24 h累計(jì)降水的BSS（Brier Skill Score）評分。橫坐標(biāo)為降水量級，藍(lán)色為V1，紅色為V2；圖中f120、f96、f72、f48、f24表示預(yù)報(bào)時(shí)效分別為120 h、96 h、72 h、48 h以及24 hFig. 6 BSS (Brier Skill Score) for 24-h accumulated precipitation from June 7 to July 7, 2020. The abscissa is the precipitation level, blue is V1, and red is V2; f120, f96, f72, f48, f24 mean 120-h, 96-h, 72-h, 48-h, and 24-h forecast

3.1.3 ROC曲線

相對作用特征（Relative Operating Characteristic，簡稱ROC）的原理是將信號探測理論應(yīng)用到數(shù)值天氣預(yù)報(bào)的二分類要素預(yù)報(bào)的檢驗(yàn)中，ROC曲線是對概率預(yù)報(bào)系統(tǒng)的分級概率分別計(jì)算命中率與假警率，用以判斷系統(tǒng)的預(yù)報(bào)準(zhǔn)確率（Harvey et al.,1992），在ROC曲線中，曲線位于對角線左上方則可認(rèn)為系統(tǒng)是具有預(yù)報(bào)能力（Mason and Mimmack,2002），圖中對角線可視為技巧線。由于主要關(guān)注集合預(yù)報(bào)系統(tǒng)在3天以后的降水預(yù)報(bào)，這里給出新舊兩個(gè)系統(tǒng)120 h預(yù)報(bào)時(shí)效對不同降水量級的ROC曲線（圖7），在其他預(yù)報(bào)時(shí)段結(jié)果類似（圖略）。由圖可見，無論是升級之前還是升級之后的系統(tǒng)，其曲線均位于對角線上方，反映出系統(tǒng)具備了一定的預(yù)報(bào)能力；同時(shí)，ROC曲線與對角線所包含的面積，可用ROC面積表示，這也是衡量系統(tǒng)預(yù)報(bào)準(zhǔn)確率的另一種方式，從圖中可以看到，隨著降水量級的增加，ROC 面積呈現(xiàn)逐漸減小的趨勢。具體到各個(gè)降水量級，兩個(gè)系統(tǒng)對各個(gè)分級概率的命中率和假警率變化趨勢一致，即隨著概率臨界值的增加，命中率和假警率也隨之增加；對有無降水的預(yù)報(bào)（圖7a），V1的ROC面積大于V2，反映出V1對有無降水的預(yù)報(bào)準(zhǔn)確率更高；當(dāng)降水量級增加到中雨（圖7b），情況則相反，V2的ROC面積大于V1，相比于有無降水的情況，相同概率臨界值的假警率普遍大幅降低；大雨量級的ROC評分與中雨類似（圖7c）,V2的得分高于V1，且兩者的差別更為顯現(xiàn)，說明對于較大量級的降水預(yù)報(bào)，V2的預(yù)報(bào)準(zhǔn)確率更高，這一結(jié)果與3.1.2節(jié)的結(jié)果一致。

圖7 2020年6月7日至7月7日新舊系統(tǒng)120小時(shí)預(yù)報(bào)時(shí)效（a）0.1 mm、（b）10.0 mm和（c）25.0 mm不同降水量級24 h累計(jì)降水的相對作用特征（ROC）曲線（藍(lán)色為V1，紅色為V2）Fig. 7 ROC (Relative Operating Characteristic) diagram for 24-h accumulated precipitation of (a) 0.1 mm, (b) 10.0 mm, and (c) 25.0 mm for 120-h forecast period from June 7 to July 7, 2020. Blue is V1, and red is V2

3.2 形勢場預(yù)報(bào)

3.2.1 均方根誤差—離散度關(guān)系

常用集合平均的均方根誤差與集合離散度的關(guān)系來探討集合系統(tǒng)的可信度。對于一個(gè)完美的集合系統(tǒng)而言，集合離散度可以反應(yīng)出隨流型變化的預(yù)報(bào)的不確定性，因此，集合離散度與誤差隨時(shí)間應(yīng)有相同的振幅和增長率。許多集合系統(tǒng)的發(fā)散度都偏低，即表現(xiàn)為預(yù)報(bào)的不確定性遠(yuǎn)大于離散度，從而導(dǎo)致預(yù)報(bào)過度自信（Buizza et al., 2005），圖8給出系統(tǒng)升級前后對不同預(yù)報(bào)變量的集合離散度與均方根誤差的變化曲線，兩者越接近則說明集合系統(tǒng)的可信度越高。總體上看，V2系統(tǒng)各個(gè)變量大部分時(shí)次的預(yù)報(bào)誤差均較V1有大幅降低，同時(shí)離散度穩(wěn)步提高，即兩者之間的差值在縮小；而相對而言，V1系統(tǒng)對各變量的預(yù)報(bào)，一方面預(yù)報(bào)誤差較大，另一方面離散度也維持在低位，很難隨著預(yù)報(bào)時(shí)效的延長而得到發(fā)展，致使兩者的差值較大。具體到每個(gè)變量，改善最為明顯的是850 hPa緯向風(fēng)，其次是700 hPa相對濕度和10 m緯向風(fēng)。同時(shí)從均方根誤差（RMSE）的曲線上可見，V1系統(tǒng)對850 hPa的溫度和緯向風(fēng)的預(yù)報(bào)存在波動(dòng)的現(xiàn)象，即有日變化的抖動(dòng)，這種現(xiàn)象在V2系統(tǒng)中得到緩解，反映出預(yù)報(bào)更趨于穩(wěn)定。

3.2.2 Talagrand分布

Talagrand圖表是評估集合預(yù)報(bào)系統(tǒng)常用的工具（Talagrand et al., 1997; Hamill and Colucci, 1997），用于檢查觀測落在排序后的集合成員預(yù)報(bào)的相對區(qū)間的頻數(shù)。一個(gè)可信的集合預(yù)報(bào)系統(tǒng)，能較好地表征預(yù)報(bào)的不確定性，從統(tǒng)計(jì)意義上說，觀測落在集合成員間的頻數(shù)是相同的，Talagrand圖表則表現(xiàn)為相對平坦的分布。圖9給出集合系統(tǒng)對各預(yù)報(bào)變量120小時(shí)的Talagrand分布，根據(jù)21個(gè)集合成員，可以計(jì)算得到觀測頻率的最優(yōu)值，即1/22（0.045），當(dāng)各區(qū)間的數(shù)值越接近這個(gè)最優(yōu)頻率，說明系統(tǒng)成員間的等效性一致，整體性能越好。整體上看，V1的各變量均呈現(xiàn)出明顯的U型分布，反應(yīng)出系統(tǒng)的離散度不足，特別是位勢高度場，整個(gè)垂直層自上而下表現(xiàn)一致，各層的最大頻率均超過0.4，其中500 hPa位勢高度場的最大頻率接近0.438；對比各預(yù)報(bào)變量，發(fā)現(xiàn)V2對系統(tǒng)的改進(jìn)最為顯著的是700 hPa相對濕度、850 hPa緯向風(fēng)和10 m緯向風(fēng)，從圖表中可以看到，各區(qū)間的頻率分布平坦，與最優(yōu)頻率接近，這一結(jié)果與圖8的結(jié)果一致；對其他變量，V2的分布雖依然呈現(xiàn)出U型分布，但整體分布形態(tài)有所緩解，頻率大值區(qū)較V1均有下降，說明系統(tǒng)離散度不足的問題有一定程度的改善。

圖8 2020年6月7日至7月7日新舊系統(tǒng)預(yù)報(bào)的（a）500 hPa位勢高度、（b）700 hPa相對濕度、（c）850 hPa溫度、（d）850 hPa緯向風(fēng)、（e）2 m溫度和（f）10 m緯向風(fēng)集合平均均方根誤差（RMSE）與集合離散度（SPD）隨時(shí)間變化Fig. 8 Time series of the RMSE (root mean square error) and the ensemble mean and the ensemble spread (SPD) from June 7 to July 7, 2020: (a) 500-hPa geopotential height; (b) 700-hPa relative humidity; (c) 850-hPa temperature; (d) 850-hPa zonal wind ; (e) 2-m temperature; (f) 10-m zonal wind.blue is V1, and red is V2

圖9 2020年6月7日至7月7日新舊系統(tǒng)預(yù)報(bào)的120 h的（a）500 hPa位勢高度、（b）700 hPa相對濕度、（c）850 hPa溫度、（d）850 hPa緯向風(fēng)、（e）2 m溫度和（f）10 m緯向風(fēng)的Talagrand分布Fig. 9 Talagrand diagram for (a) 500-hPa geopotential height; (b) 700-hPa relative humidity; (c) 850-hPa temperature; (d) 850-hPa zonal wind; (e) 2-m temperature and (f) 10-m zonal wind for 96–120-h forecast period from June 7 to July 7, 2020. Blue is V1, and red is V2

3.2.3 CRPS評分

進(jìn)一步從概率預(yù)報(bào)的角度來檢驗(yàn)系統(tǒng)升級前后的預(yù)報(bào)能力，圖10給出了各變量CRPS隨時(shí)間的變化曲線。由圖可見，系統(tǒng)升級后，整體的CRPS均呈現(xiàn)出明顯的下降趨勢，說明系統(tǒng)的整體預(yù)報(bào)能力有所提升。對不同的變量，預(yù)報(bào)能力各異，其改進(jìn)的幅度也存在差別。具體而言，CRPS值變化幅度最大的是500 hPa的位勢高度場（圖10a），隨著預(yù)報(bào)時(shí)效的延長，V1的CRPS呈單調(diào)遞增的趨勢，變化區(qū)間為0.5～2.4，V2除前24 h降低，其它時(shí)次的變化趨勢與V1相似，但CRPS的絕對數(shù)值上有大約0.5的降幅。此外，改進(jìn)幅度顯著的還有850 hPa的溫度和緯向風(fēng)，36 h溫度的CRPS值從1.4降低至0.6，120 h緯向風(fēng)的CRPS值從1.3降低至0.65，改進(jìn)幅度均在50%以上。此外，對于溫度的預(yù)報(bào)，無論是大氣中低層850 hPa（圖10c）還是地面2 m的溫度（圖10e），V1的CRPS呈現(xiàn)波動(dòng)的趨勢，V2為相對平滑的曲線，這與其他變量一致，說明V2預(yù)報(bào)的連續(xù)性和一致性更好。CRPS的絕對數(shù)值大小，也反映出系統(tǒng)對各變量的預(yù)報(bào)準(zhǔn)確性，V2對中低層緯向風(fēng)的CRPS各時(shí)次均在0.5附近，700 hPa相對濕度和850 hPa溫度的CRPS也控制在0.4～1.0范圍內(nèi)，說明系統(tǒng)對上述變量的預(yù)報(bào)能力優(yōu)于500 hPa位勢高度場和2 m溫度，這也與前文的結(jié)論一致。

圖10 同圖8，為CRPSFig. 10 Same as Fig.8, but for CRPS

4 2020年6月15～16日梅雨降水

基于全國自動(dòng)站資料繪制2020年6月15日00:00至16日00:00（協(xié)調(diào)世界時(shí)，下同）24 h累計(jì)降水量（圖11a），關(guān)注安徽省中部和南部、江蘇省南部及上海這一范圍的強(qiáng)降水，各站累計(jì)雨量普遍在100～150 mm；從天氣分析可知（圖略），這次過程的環(huán)流背景為典型的江淮梅雨配置：歐亞大陸的中高緯地區(qū)，呈現(xiàn)兩槽一脊的形勢；地面天氣圖上，長江沿岸和四川盆地為靜止鋒，其中中國東部地區(qū)的靜止鋒與中低空切變線位置較重合，給長江下游沿岸帶來持續(xù)性的暴雨。為了解華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)在中后期對強(qiáng)降水的預(yù)報(bào)能力，分析6月13日00:00起報(bào)，系統(tǒng)72 h大于50 mm的降水概率預(yù)報(bào)（圖11b–c）。從預(yù)報(bào)的雨帶位置上看，V1的強(qiáng)雨帶主體位于長江以北，降水中心概率約50%～70%，但相比實(shí)況的強(qiáng)降水落區(qū)，預(yù)報(bào)略微偏北，以致安徽中部的強(qiáng)雨帶出現(xiàn)斷裂，且安徽南部地區(qū)出現(xiàn)漏報(bào)；V2的強(qiáng)雨帶整體組織性較好，從空間分布上看，從河南南部、安徽省中南部至上海一線均呈現(xiàn)出連續(xù)的降水，可以看到其中有兩個(gè)強(qiáng)降水中心，其一位于江蘇省西南部，出現(xiàn)暴雨的概率＞70%；另一個(gè)位于安徽省中南部、豫鄂交界地區(qū)，出現(xiàn)暴雨的概率更高（局部地區(qū)達(dá)到80%以上），而且與實(shí)況的強(qiáng)降水中心更為吻合。

圖11 （a）2020年6月15日00:00至16日00:00 24 h累計(jì)降水量（單位：mm）分布；2020年6月13日00:00起報(bào)（b）V1、（c）V2系統(tǒng)預(yù)報(bào)大于50 mm的降水概率分布Fig. 11 (a) Distributions of 24-h accumulated precipitation (units: mm) from 0000 UTC 15 to 0000 UTC 16 June 2020, and the probability more than 50 mm of (b) V1 and (c) V2 for 96–120-h forecast period

5 小結(jié)與討論

本文通過考慮區(qū)域模式預(yù)報(bào)中不確定性的各種來源，分別引入初始場誤差、側(cè)邊界誤差和模式誤差來構(gòu)建新一代的華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)（SWARMS-ENV2），并從提高集合系統(tǒng)離散度的角度出發(fā)，對SPPT方案的參數(shù)進(jìn)行優(yōu)化；將新舊系統(tǒng)開展2020年為期一個(gè)月的梅雨期降水試驗(yàn)，得到如下結(jié)論：

（1）通過對SPPT方案中參數(shù)的敏感性試驗(yàn)證實(shí)了所調(diào)優(yōu)的參數(shù)具備一定的通用性。對預(yù)報(bào)的影響大小依次為：格點(diǎn)方差、隨機(jī)擾動(dòng)場的去相關(guān)空間和隨機(jī)擾動(dòng)場的去相關(guān)時(shí)間。根據(jù)模式的自身配置，合理調(diào)整三個(gè)參數(shù)的閾值，從而強(qiáng)化物理過程的隨機(jī)效應(yīng)，通過對大氣中低層的風(fēng)場、濕度場的影響，可以有效地提高集合系統(tǒng)整體的可信度和預(yù)報(bào)能力。

（2）梅雨期降水試驗(yàn)的評估結(jié)果表明：升級后的華東區(qū)域中尺度集合預(yù)報(bào)系統(tǒng)在各時(shí)次各量級的降水TS評分均有所提升，但仍然存在著降水強(qiáng)度偏大的問題。

（3）綜合各類降水概率預(yù)報(bào)的評估結(jié)果可見：系統(tǒng)升級后對中到大雨預(yù)報(bào)的準(zhǔn)確率和可信度提升明顯，對強(qiáng)降水事件的描述更準(zhǔn)確。

（4）形勢場的檢驗(yàn)結(jié)果表明，SWARMSENV2各變量的分布表現(xiàn)出不同的特征：系統(tǒng)對大氣中低層風(fēng)場、濕度場和2 m溫度的預(yù)報(bào)效果有明顯改進(jìn)，但對形勢場的預(yù)報(bào)仍存在一定的預(yù)報(bào)偏差。相比SWARMS-ENV1，系統(tǒng)升級后，其整體性能明顯提升，其優(yōu)勢可概括為：系統(tǒng)預(yù)報(bào)誤差的降低，離散度的增加，即系統(tǒng)整體的預(yù)報(bào)可信度增加；從用戶的角度而言，對一些關(guān)鍵過程，預(yù)報(bào)的可提示性增加，產(chǎn)品的可用度提高。