【AI气象强短强1】基于ECMWF细网格、GRAPES的短时强降水潜势预报和检验

目录

研究背景与目标

研究方法

结果与分析

结论

总结

---

研究背景与目标

短时强降水（STR）具有突发性、局部性和短时效性，预报具有较大的挑战性，尤其是在强降水的分布零散、持续时间短的情况下。研究重点是如何结合ECMWF细网格模式和GRAPES模式，利用强降水的物理因子（如水汽、不稳定性、抬升等）进行有效的预报，并通过统计与模型检验分析其准确性和潜力。

研究方法

1. 数据来源：

   • 采用了2016至2018年6月至8月期间的ECMWF细网格、GRAPES模式和黑龙江省的822个自动气象站数据。
   • 研究将强降水分为一般强降水（小时雨量 >20mm）和极端强降水（小时雨量 >40mm 或2小时雨量 >50mm）。

2. 物理因子选择与预报方法：

   • 水汽：使用了比湿、相对湿度、气柱含水量等因子，这些因子决定了降水的水汽供应。
   • 不稳定性：通过中低层温差、位温差等因子来评估大气不稳定性。
   • 抬升：通过散度、垂直上升速度、水汽通量散度等来描述空气的上升运动，这对强降水的发生至关重要。
   • 分位数法和配料法：这些方法用于确定物理因子的阈值，预判降水潜势。

3. 预报和检验方法：

   • 使用了逐3小时的降水数据进行点对点和点对面检验。
   • 在点对点检验中，通过评估漏报率和空报率来检验预报的准确性。
   • 在点对面检验中，考虑了不同半径（如14km和40km）范围的降水预报效果。

结果与分析

1. 强降水的影响因子：

   • 论文指出，强降水不仅受各物理因子阈值的限制，还与这些因子之间的融合密切相关。
   • 水汽相关的因子在夜间的阈值高于白天，而热力不稳定性白天高于夜间。
   • 6月中上旬，水汽含量相关的因子阈值相对较低。

2. 检验结果：

   • 点对点检验：一般性强降水的空报率很高，特别是在6月，漏报率较低，但准确率较低。
   • 点对面检验：通过使用14km和40km的半径进行检验，发现随着检验半径的增大，准确率有所提高。
   • 极端强降水：在极端强降水的检验中，两种模式的准确率较低，尤其是在夜间，GRAPES模式的准确率较高。

3. 预报误差的原因：

   • 预报误差主要由以下因素引起：
     1. 模式本身的误差，分辨率限制导致无法捕捉到中小尺度的强降水系统。
     2. 强降水的局地性、突发性特征导致空报率较高，漏报率较低。
     3. 空间分析未考虑水平梯度，且时效误差较大。
     4. 物理因子的垂直和水平梯度分析密度不足，且未能及时同化雷达和自动站数据。

结论

• 强降水的预报方法需要结合水汽、不稳定性和抬升等因子的分析，这些因子不仅需要满足各自的阈值，还需要在一定条件下相互融合才能有效预测强降水。
• 极端强降水的识别更加依赖于对积云对流的维持机制分析。
• 由于强降水的局地性和突发性，逐3小时的检验结果空报率很高，但整体检验结果随着预报半径的增加而有所提高。
• 在极端强降水的检验中，GRAPES模式相比ECMWF细网格模式表现较好。

总结

该研究提出的基于ECMWF细网格和GRAPES模式的短时强降水潜势预报方法，尽管在实际应用中仍面临一定的误差和挑战，但其结合了水汽、不稳定性和抬升等多个物理因子的分析，能够为短时强降水预报提供有力的支持