刘建勇 谈哲敏 顾思南

1 南京大学中尺度灾害性天气教育部重点实验室、大气科学学院,南京 210093

2 宁波市气象台,宁波 315012

梅雨期暴雨系统的流依赖中尺度可预报性

刘建勇1,2谈哲敏1顾思南2

1 南京大学中尺度灾害性天气教育部重点实验室、大气科学学院,南京 210093

2 宁波市气象台,宁波 315012

中尺度天气系统的初值敏感性,导致了中尺度系统预报极限的存在。中尺度系统的初始误差的快速增长及其中尺度可预报性依赖于系统流的特征。梅雨暴雨形成是多尺度天气系统共同作用的结果,决定了梅雨期暴雨的形成机制的多样性,也决定了其初值敏感性的差异性。本文重点对比分析了五种不同类型的梅雨暴雨的误差增长特征及其机制。冷空气抬升、低层涡旋、边界层冷池、重力波等在梅雨期暴雨系统的误差增长发挥着重要作用,它们通过不同方式促使初始误差由小尺度向大尺度传递。利用初始随机扰动和系统扰动方法构造的初始误差试验表明,系统扰动试验中误差的初始调整较小,能够快速到达误差最优增长尺度。

冷槽推进型的误差扰动尺度大,冷空气抬升控制不稳定区域的误差尺度,可预报性强;西南涡移出型和北槽南涡型的低层涡旋平流作用抵消涡旋内的正负偏差,加快了误差能量向大尺度传递,提高了暖季降水的预报技巧;自组织型中重力波、冷池强迫抬升等拟连机制使得误差能量快速频散,出现误差在多个尺度上共同增长,且误差饱和尺度小于上述三种类型,可预报性略差;受局地地形和热力条件影响,非组织局地型的中小尺度误差能量很难饱和,可预报性最差。

梅雨期暴雨的误差结构主要决定于暴雨形成中起主要作用的系统。冷空气抬升使得冷槽推进型暴雨中误差沿锋面垂直倾斜;冷空气侵入致使冷槽推进型和北槽南涡型的中层温度误差出现显著性增长;在西南涡移出型、北槽南涡型、自组织型、非组织局地类型中,冷池的形成导致出现了低层的高动量偏差;在所有的暴雨类型中,在对流发展后期,误差向高层传递并增大,导致在高层出现大误差带。

误差增长 中尺度可预报性 暴雨 梅雨类型

1 引言

关于大气可预报性问题最早由 Thompson(1957)和Lorenz(1969)在20世纪60年代提出,特别对天气尺度的可预报性有较深入的研究。近年来,关于大气可预报性已经从单纯的预报性时间尺度问题向与大气可预报性有着本质联系的初始误差增长动力学研究转变 (Hollingsworth and Lönnberg,1986;Dalcher and Kalnay,1987)。Dalcher and Kalnay(1987)对欧洲中期天气预报中心 (ECMWF)的10天预报产品进行统计分析,发现初始误差增长取决于二维空间的总波数而不单单是纬向波数。Ho llingswo rth and Lönnberg(1986)利用 ECMWF的全球资料同化系统分析北美地区的风场误差分布特征,发现风场的预报误差主要由天气尺度流函数控制。Hakim(2005)利用集合预报业务分析系统估测了中纬度地区预报和分析的误差垂直结构,研究结果表明水平风场误差的最大值位于对流层顶,而温度误差的最大值位于对流层低层。通过对高层风场的加密观测和增加高层扰动的集合预报成员,可以有效地提高中纬度数值天气预报的技巧,而低层预报误差的增长可能与边界层参数化的模式误差有关,因为数值预报模式中边界层风场的日变化不明显,需要改进模式的边界层参数化。Rabier et al.(1996)利用伴随模式研究初始条件对短期数值预报的误差增长影响,指出由于季节、预报区域的差异,其预报的初值敏感区域各不相同,冬季太平洋是欧洲地区预报的最敏感区域,还发现误差会快速由小尺度向大尺度和高层传播,这些理论结果为资料同化系统完善和预报技巧提高提供了基础。

初始误差增长机制和误差结构主要取决于大气背景流场的不稳定性质。Langland et al.(2002)利用伴随方法研究美国一次暴雪过程,发现初始误差增长主要是由斜压不稳定决定,但其研究侧重于天气尺度的斜压波,没有考虑湿对流不稳定引起的中尺度降水的预报偏差。Zhang et al.(2002,2003)和 Tan et al.(2004)分别从实际个例和理论模型证明了湿物理过程对于含有湿对流的斜压系统误差增长起关键作用,误差尺度分布完全取决于湿过程,误差增长与湿对流强度密切相关。然而暖季降水通常斜压性偏弱、对流不稳定性强、多尺度系统相互作用复杂,大气流型结构与冬季斜压波系统有显著差异,它的误差增长有着自身的特点。Zhang et al.(2006)通过对美国一次暖季极端降水过程的研究,发现小尺度误差向大尺度传播偏慢,误差能量主要集中在中小尺度。Bei and Zhang(2007)针对一次中国江淮梅雨个例进行初值敏感性分析,发现大尺度、大振幅的误差会对梅雨暴雨造成更大的预报偏差,小尺度、小振幅的初始误差也会迅速增长并向大尺度传递,最终污染确定性预报。这与Tribbia and Baum hheifner(2004)的初始误差能量串级相类似,大尺度误差会向小尺度传递,小尺度误差也会向大尺度传递。朱本璐等 (2009)在华南前汛期暴雨初始扰动试验中发现,降水对温度扰动最为敏感,小振幅的扰动非线性增长,很快就会影响大尺度降水,不利于提高小尺度降水的预报时效。Liu and Tan(2009)通过对一次典型梅雨暴雨研究,发现整个暴雨过程的初始误差增长存在明显阶段性特征。第一阶段对流不稳定造成误差的振幅快速增长,第二阶段通过能量频散误差尺度增长,第三阶段误差尺度饱和而新生对流引起振幅再次增长。所以,不同大气流型特征可以导致不同的误差增长机制,即为流依赖可预报性 (flow-dependent predictability),根据大气流型结构 (flow regime)可以构造不同的初始扰动成员,从而能更好地提高预报技巧和时效 (Hamill et al.,2003)

梅雨锋暴雨是副热带高压、南海季风涌、中高纬度冷空气和青藏高原中尺度对流系统的最佳锁定,当这些系统同时处于活跃阶段时,容易形成大范围、长时间的梅雨锋暴雨 (张顺利等,2002)。另外,一般活跃的梅雨锋由多种α、β、γ中尺度天气系统相依存组成 (A kiyama 1990)。梅雨锋上的大尺度云系一般可由尺度约1000～2000 km的α中尺度云系组成,而在α中尺度云系中包含尺度约100～200 km的β中尺度云系,通过β中尺度系统合并、加强反过来维持α中尺度系统,在β中尺度云系中又嵌套着更小尺度的γ中尺度系统 (Ninomiya and A kiyama,1992)。梅雨锋这种多尺度天气系统的复杂组成及其相互作用决定了梅雨锋暴雨类型的多样化。根据梅雨期暴雨形成机制的不同,刘建勇等 (2010)将梅雨暴雨分为外强迫型、自组织型和非组织局地型三种类型。其中,外强迫型又可分冷槽推进型、西南涡移出型和北槽南涡型三种子类型。虽然,它们同属于暖季降水,但它们的流型结构和形成机制具有较大的差异,而梅雨暴雨的初始误差增长及其可预报性与暴雨的形成机制和流型结构密切相关 (Liu and Tan,2009)。所以,研究不同类型梅雨期暴雨是否具有明显不同的初始误差增长特征,对梅雨期暴雨的认识和预报水平的提高有重要意义。本文将通过对冷槽推进型(MCT)、西南涡移出型 (WSV)、北槽南涡型(NTSV)、自组织型 (SO)和非组织局地型 (NOL)五种梅雨期暴雨类型的初始误差的增长机制及其误差分布结构的对比分析,进一步认识梅雨暴雨系统的初始误差增长及其中尺度可预报性极限差异,从而为改进梅雨暴雨的数值预报技巧提供参考。

本研究将首先选取刘建勇等 (2010)根据不同的形成机制划分的五类梅雨期暴雨的典型个例,设计相应的可预报性数值试验,分析其初始误差的增长特征。

2 数值试验设计

本文采用中尺度数值模式MM 5对比分析五种不同类型的梅雨锋暴天气过程中的初始误差增长特征。模式试验采用单向的两层嵌套,水平分辨率分别为36 km和12 km,垂直23层,中心为 (35.0°N,110.7°E),内外层计算范围分别为121×173和268×268格点,内层区域涵盖四川盆地和整个江淮流域。模拟采用比较完整的湿物理过程Reisner2方案,它可分辨云、雨、冰、雪、霰等不同相态的水凝物;对流参数化采用对流有效位能释放方案 Kain-Fritsch修改参数化方案 (Kain and Fritsch,1993;Kain,2004);行星边界层和湍流过程采用 MRF方案(Hong and Pan,1996);辐射采用包含长波辐射和短波辐射参数化方案的简单云方案。初始场和侧边界采用时间间隔6小时、分辨率1°×1°FNL(Final Global Data A ssimilation System)再分析资料,数值模式内外两层 (D01、D02)单向嵌套积分48小时,其中内层D02为分析范围 (图1)。

为了研究梅雨期暴雨系统的中尺度可预报性及其初始误差增长特征,设计了三组试验:控制试验(CNTL)、随机误差扰动试验 (PERT-R)和系统误差扰动试验 (PERT-S)。具体试验内容如下:

控制试验 (CNTL):由D01、D02的初始分析场积分48小时,D02的侧边界由D01提供,D02结果作为分析之用。

随机误差扰动试验 (PERT-R):外层区域(D01)的初始场和侧边界与控制试验 (CNTL)相同,但在内层 (D02)区域初始场由控制试验的初始场中叠加一个高斯分布随机误差温度扰动组成,其初始误差的误差标准差T′=0.2 K,具体初始误差的设计与 Tan et al.(2004)相同。与控制试验相同,D02的侧边界由D01提供。与 Tan et al.(2004)相类似,将D02中扰动试验 (PERTR、PERT-S)与控制试验 (CNTL)之差定义为误差。

系统误差扰动试验 (PERT-S):与随机误差扰动试验 (PERT-R)的差异主要是引入初始误差的结构与性质不同。在该试验中,初始误差是通过与集合预报的生长繁殖法 (Toth and Kalnay,1997)相类似的方法来构造。具体的初始误差构造过程如下:在模式开始进行扰动试验的前三天,在内层D02的初值场首先引入与 PERT-R相同的随机扰动误差,每积分24小时扰动误差振幅调整一次,使得扰动误差总能量与积分前相等,再将其叠加到新的初始场进行扰动的繁殖增长,三次循环调整后的繁殖增长的误差作为系统误差扰动试验 (PERTS)的初始误差。

图1 MM 5模拟区域和地形 (单位:m)。区域D01、D02的水平分辨率:36 km、12 kmFig.1 MM 5 model domains and terrain(units:m).The grid resolutionsof domain 1(D01)and domain 2(D02)are 36 and 12 km,respectively

显然,对于初始误差为随机误差时 (PERTR),这种初始误差是一种格点性质的随机扰动,虽然各个尺度波动振幅相同,但总能量集中在格点尺度,它主要是由初值过程的观测不确定性和初始分析引入。然而,通过繁殖模增长构造的初始误差(PERT-S),由于通过多次扰动繁殖增长过程,其误差可以更好地反映出背景场的特征。所以,繁殖增长方法大量被应用于集合预报的初值构造中。本文采用两种不同构造的初始误差,其目的是更好地反映出梅雨期暴雨系统的初始误差增长特征及其中尺度可预报性的限制。

为了能揭示梅雨期暴雨系统的中尺度可预报性的流依赖特征,根据刘建勇等 (2010)划分梅雨期暴雨分类:冷槽推进型 (MCT)、西南涡移出型(WSV)、北槽南涡型 (NTSV)、自组织型 (SO)和非组织局地型 (NOL)五种暴雨类型,分别选取相应类型的典型个例,总计五个个例进行中尺度的可预报性研究。具体五个个例的特征见表1。

3 误差的总体特征:能谱尺度结构

本文采用 Zhang et al.(2003)和 Tan et al.(2004)定义的总体误差能量DTE(Difference Total Energy)来衡量误差增长特征,它可以综合考虑初始误差导致的动能偏差和位能偏差两者的共同效果,其定义为:

其中 ,U′、V′和T′分别是 PERT-R(或 PERT-S)试验和CNTL试验之间的风场偏差和温度偏差,κ=cp/Tr(参考温度Tr=287K),cp为定压比热容,i、j覆盖内层区域水平空间,k包括扣除上下边界外的所有层次。

图2为初始误差是随机误差的五类梅雨期暴雨的误差能谱结构。由图2可知,其初始误差主要位于在小尺度,而大尺度误差能量较小,误差尺度和其能量在对数坐标中呈线性关系,这与 Tan et al.(2004)的初始误差结构相类似。为了叙述方便,避免与气象学一般尺度分类相混淆,文中定义三个特征尺度:小尺度 (≤80 km)、中尺度 (80～200 km)、大尺度 (≥200 km)来分析误差尺度。在扰动试验 (PERT-R,PERT-S)的积分初始阶段中,总体误差能量 (D TE)在小尺度衰减最为明显,误差能量衰减与模式耗散调整有关 (Snyder et al.,2003),但在不同类型暴雨过程中,其流型结构可以影响初始误差能量的衰减幅度和尺度。从3小时误差能谱与初始时刻误差能谱交点可以发现 (图2),经过 3小时积分调整,在随机扰动试验(PERT-R)中,冷槽推进型 (图2a)、西南涡移出型(图2b)和北槽南涡型 (图2c)的70 km以下尺度的误差能量小于初始状态,70 km以上尺度误差都开始快速增长。而自组织型 (图2d)误差增长的尺度宽度明显大于上述三种类型,50 km以上尺度的误差均已快速增长。由于在冷槽推进型和西南涡移出型的个例中都有斜压槽活动,斜压槽前的不稳定对流活动发展迅速,误差扰动能量也随之增长,不利于大尺度扰动误差能量的衰减。北槽南涡型个例中的对流启动较晚,误差能量的维持来自于大尺度不稳定,此时总体误差能量小于其它三种类型。自组织型个例的初始阶段有移动冷槽在高纬地区活动,大尺度误差衰减同样很小,并且对流活动旺盛,中尺度误差能量能够快速增长。非组织局地型个例 (图 2e)有槽前对流云团活动,形成 40～50 km尺度的能量峰值,但该峰值随后迅速衰减。误差能量初始增长主要由浮力项 (包括潜热释放、蒸发冷却、云水和雨水的垂直输送)、误差平流输送项和扩散项三部分,而最初阶段主要是由浮力项和扩散项控制 (Zhang et al,2007)。0～3小时,冷槽推进型和自组织型的对流活动尺度大、启动早,造成0～3小时图2a、d比较接近;北槽南涡型和非组织局地型的对流启动晚,误差增长的浮力项小,造成图2c、e误差小而且尺度均匀。

表1 不同类型的梅雨期暴雨过程Table 1 The description of five typesof heavy rainfall associated with Meiyu front

随后12小时中,不同暴雨类型的随机扰动误差能量都迅速增长,50～80 km尺度的误差能量增长最快,这与嵌套在梅雨锋系统γ中尺度对流系统最先得到充分发展有关。这一阶段误差能量增长最为迅速,误差增长的幅度与降水的阶段性特征有关(Liu and Tan,2009)。当至24小时,五种类型的暴雨系统都达到旺盛发展阶段,误差能量尺度和振幅得到充分发展。冷槽推进型中槽前组织性抬升和大尺度的斜压不稳定通过控制对流的空间结构,影响误差能量的尺度分布。它的对流活动平缓并且系统组织性强,对流尺度的误差通过能量频散能够很快向更大尺度传递。五种类型的暴雨系统中,冷槽推进型的误差能量尺度传递速度最快,至24小时最优增长尺度已经由100 km传向200 km左右 (图2a),但仍然低于含有对流系统的湿斜压波的最优增长尺度 (Tan et al.,2004)。西南涡移出型的误差能量的振幅增长最快,尺度主要集中在100 km以下,最优尺度特征明显。在此期间,西南涡移出形成的新生涡旋快速发展,旺盛的新生对流附近的对流不稳定性强,大量的凝结潜热释放和风场、气压场的适应调整引起中小尺度的误差能量迅速堆积,此时中小尺度能量堆积速度快于大气能量频散过程,形成80～100 km的误差能量峰值 (图2b)。初始阶段误差扰动能量衰减最强的北槽南涡型的中小尺度误差在12～24小时的增长幅度变大,它的误差最优增长尺度的峰值能量已经接近冷槽推进型和自组织型,但大尺度误差能量仍然很小。北槽南涡型的涡旋组织系统尺度小,短波槽前的对流活动随着涡旋系统发展而逐渐组织化,造成小尺度误差能量能够快速发展,大尺度误差能量增长缓慢,形成跨越幅度较大的50～200 km最优增长尺度。自组织型中小尺度误差能量增长速度仅次于西南涡移出型,它的误差最优增长尺度特征不明显,各个尺度同时增长。非组织局地型的误差主要由周围环境系统造成,高纬地区的冷槽和副热带高压南侧海上的对流活动是误差的主要来源,处于浙闽一带的局地强对流的误差增长相对比较小,误差能谱结构接近冷槽推进型,误差能量振幅最小。

图2 随机扰动试验的误差能谱曲线:(a)冷槽推进型;(b)西南涡移出型;(c)北槽南涡型;(d)自组织型;(e)非组织局地型Fig.2 Power spectra of DTE in the random perturbation(PERT-R)experiments of five types of heavy rainfall(a)MCT,(b)WSV,(c)NTSV,(d)SO,and(e)NOL

在暴雨发展后期,至模拟36小时后,五种类型中的误差能量的尺度分布非常相似,中小尺度误差能量已经到达饱和,在60 km以下尺度的误差能量在过去12小时中几乎没有大的变化。冷槽推进型的最优增长尺度仍然最大,北槽南涡的最优增长尺度最小,这与对流活动强度和性质密切相关。孤立对流活动越强,误差能量在小尺度堆积也就越多,误差最优增长尺度也就越小;系统性对流活动越平缓,误差最优增长尺度也就越大。梅雨暴雨是一种连续性多系统的暴雨系统,旧的对流活动刚消亡就会有新生对流系统发展。当至48小时,由于一些新生对流发展,误差能量再次快速增长,北槽南涡型的低层新生涡旋系统形成大范围暴雨,并在涡旋系统的组织作用下,误差能量的最优增长尺度也迅速向200 km左右调整。

图3 同图2,但为系统扰动试验 (PERT-S)Fig.3 Same as Fig.2,except for the systematic perturbation(PERT-S)experiments

图3给出系统误差扰动试验 (PERT-S)的总体误差能量 (DTE)的谱结构。通过繁殖增长法构造了依赖于背景环境场的系统性初始误差,它的结构和性质与流型不稳定结构有关。经过三次循环繁殖增长,误差能量主要集中在100 km左右。对于不同类型暴雨系统的初始误差能谱结构在大尺度上非常相近,在小于100 km的尺度上有一定的差别(图3)。在最初3小时内,系统误差能量仍然出现不同程度的衰减,但衰减的幅度明显小于随机误差扰动试验。与PERT-R试验相比,在试验PERT-S中初始误差的衰减主要发生在100 km左右尺度,而不是在小尺度。这表明误差能量最先是小尺度增长,然后向大尺度传播。冷槽推进型和北槽南涡型的误差衰减幅度最大,而在西南涡移出型、自组织型和非组织局地型中小尺度的误差能量还有较大的增长。由于通过繁殖法生成的系统性初始误差能够快速投影至大气不稳定增长最优尺度,相应可部分抵消模式的耗散调整,系统性初始误差的小尺度能量较小,在对流活动发展后就能很快增长,这些决定了系统误差初始阶段的选择性衰减。

当至12小时,五种类型暴雨系统的误差都得到了迅速增长,自组织型50～80 km的误差增长最显著 (图3d),北槽南涡型误差增长最慢 (图3c),这些特征与随机扰动误差增长情况相似。在此期间,非组织局地型的系统扰动误差中小尺度能量增长幅度相对较大,主要是对流活动停留在局部单点系统,但误差最优增长尺度仍然超过100 km,略大于随机扰动试验情况 (图3e),与其它四种类型相似。24小时以后,冷槽推进型、西南涡移出型、北槽南涡型和自组织型在小尺度误差达到饱和,该尺度误差能量增长缓慢,而非组织局地型小尺度误差能量仍在继续增长。在总体上,系统性初始误差增长速度明显快于随机扰动试验,中小尺度能够很快进入饱和,饱和误差能量与PERT-R试验的大小相当。这说明随机扰动和系统性扰动试验中,其中小尺度区域的不确定性程度相近,随着误差能量的饱和逐渐向大尺度传播。然而,误差饱和时间和饱和程度却有较大差别,在PERT-S试验中误差饱和时间早,其饱和尺度明显,没有PERT-R中围绕饱和点附近的波动。冷槽推进型中误差饱和的尺度分布范围广,可预报性最好;西南涡移出型和北槽南涡型的误差饱和尺度大约为90～100 km,大于自组织型中误差饱和尺度的60～70 km,可预报性略好于自组织型;非组织局地型的误差能量几乎在所有的尺度没有出现饱和,显然,其可预报性最差。这些结果也为刘建勇等 (2010)提出的按照不同梅雨暴雨形成机制进行梅雨期暴雨分类进一步提供了理论基础。从上面的分析结果可知,外强迫型暴雨系统的可预报性好于自组织型暴雨系统,自组织型暴雨系统通过重力波、冷池抬升等构成了内在相关的拟连性降水,其可预报性要好于非组织局地型暴雨系统。

随着积分时间长度的增加,随机扰动误差试验与系统扰动误差试验两者的误差尺度差异变得越来越小。误差增长的总体特征都是:首先初始误差能量投影到不稳定环境场中;由于不稳定对流发展,误差在中小尺度迅速增长;在背景流型的约束下,中小尺度误差能量首先达到饱和,误差最优增长尺度继续增大;当最优增长尺度达到梅雨期暴雨背景流型约束的100～200 km左右时,误差尺度不再增长,随着新生对流的发展,误差振幅再次增长。这种误差阶段性增长特征与Liu and Tan(2009)一致。

4 误差水平空间结构

不同时间的误差能谱结构能够表征误差能量的多尺度间的传播,误差能量增长和传播机制主要取决于梅雨期暴雨系统的背景流型结构 (Liu and Tan,2009)。Zhang et al.(2007)利用误差能量的诊断分析发现,误差能量的平流输送和局地潜热释放项是局地误差增长的两个主要来源,大尺度系统的适应性调整和重力波频散决定误差能量的传播和尺度的增长。本文通过对误差能量的水平结构分析,希望进一步揭示出梅雨暴雨系统的误差能量的尺度传播特征和机制。由于对流系统在不同发展阶段中其结构差异较大,不同层次的误差能量的水平结构难以直接对比。所以文中采用公式 (1)的垂直层次求和,而对于水平空间不求和,给出误差能量的水平结构,称为 HDTE。

图4至图8分别给出了这五种梅雨期暴雨类型的不同时间的误差能量的水平分布。冷槽推进型的误差随着锋面系统性东移,误差沿槽前锋面带状分布 (图4)。在初始阶段,槽前有多个对流系统相继发展,误差集中在单个对流系统附近,误差能量呈对称性尺度增长 (图4a),随着误差振幅和尺度的增加,误差连成一片。冷槽前缘的冷空气系统性抬升,首先使得锋面对流活动组织化,伴有天气尺度特征的对流活动区促成多个单点误差协同增长、合并。槽前的带状位涡可以表征对流旺盛区域,误差能量主要分布在高位涡附近,并同步东移。由于冷槽推进型有较强的斜压性,锋面后向倾斜,低层不稳定区域位于高位涡前缘,锋前对流性降水产生了误差的局地高值中心。由于锋面倾斜特点,锋后的层状云降水伴有弱湿对流不稳定性,受潜热释放的影响,误差随着锋面东移,同时也向锋面后侧传播和增长 (图4b)。由局地对流活动强度决定小尺度误差能量的振幅,锋面的倾斜性和槽前冷空气的系统性抬升控制着冷槽推进型的误差尺度增长。

图4 冷槽推进型的随机扰动试验的误差能量的水平分布:(a)18小时;(b)36小时。阴影:位涡≥1 PVU(1 PVU=1.0×10-6m2·s-1·K·kg-1);粗实线:误差能量 (自外向内依次为50、100、200、400、800 m2/s2);虚线:500 hPa位势高度 (间隔20 gpm)Fig.4 The distribution of the difference energy in the random perturbation experiment of the MCT type(thick solid lines,the contours are 50 m2/s2,100 m2/s2,200 m2/s2,400 m2/s2,800 m2/s2 in turn from the outside)at(a)18 h and(b)36 h.Dashed line:500-hPa geopotential height(20 gpm interval);shading:potential vorticity≥1 PVU

图5 西南涡移出型的随机扰动试验的误差能量的水平分布:(a)18小时;(b)24小时。其余同图4Fig.5 Same as Fig.4,but for the difference energy in the random perturbation experiment of the WSV type at(a)18 h and(b)24 h

在西南涡移出型暴雨系统中,冷空气的强迫抬升较小,其作用主要是维持切变涡度和增强对流不稳定度。沿暖性切变线,随着西南涡的移出和新生涡旋系统的发展,误差自西南向东北移动。误差中心位于涡旋的对流最为活跃的西南象限,在平流的作用下,下游误差尺度较大、振幅较小,沿切变线呈狭窄带状分布。西南涡移出型暴雨系统斜压性弱,没有冷槽推进型那种后倾特征。误差沿跨锋面方向对称性传播,尺度增长慢,误差与高位涡带重合 (图5)。在低空急流区的边缘,误差增长最快,这意味着中尺度低空急流不确定性大。由于低层的涡旋特性,低层误差向下游传播没有随着低空急流风速增强而加速,而是随着涡旋系统组织的对流活动同时减弱、消亡,并在低层涡旋的平流作用下,低空急流正负偏差加快抵消减弱 (图5)。西南涡移出型仅是切变涡度移出,四川盆地仍有低涡对流活动,误差能量在此区域继续增长,围绕对流系统形成多个高值中心。随着西南地区的涡旋再次加强东传和对流的加强,误差能谱曲线的最优增长尺度出现减小的过程,再次表明暖季降水的中小尺度误差增长取决于湿对流不稳定性 (图2、图5)。

图6 同图4,但为北槽南涡型Fig.6 Same as Fig.4,except for the NTSV experiment

北槽南涡型暴雨系统中,伴随500 hPa槽前的位涡带中没有出现很强的误差,这与由于高空槽偏北、槽前缺少暖湿空气输送,因而对流活动微弱有关,而在青藏高原东侧和两湖流域有小尺度降水系统,误差在该地区相对集中 (图6)。至18小时后,随着短波槽的南压和青藏高原东侧对流系统的东移,梅雨锋的对流不稳定性加强,误差迅速增大。在此过程中,长江中下游地区高位涡区伴有单点误差增长,受对流强度偏弱的限制,该地区的误差增长幅度较小。在随后18小时中,扰动误差尺度快速增长达到梅雨锋尺度,即接近于250 km左右,这个过程已经在Liu and Tan(2009)讨论过,这种误差的阶段性增长是由降水分段特征决定的。与西南涡移出型相似,低层涡旋通过平流作用,加快正负偏差相互抵消,降低单点误差的增长。由于北槽南涡型的短波槽和高空急流位置偏北,对流层顶部对误差平流作用小于西南涡移出型,误差能量经向、纬向呈对称分布 (图6)。虽同属于外强迫型梅雨暴雨,在北槽南涡型中,短波槽前的误差增长明显要较冷槽推进型和西南涡移出型中的弱。与西南涡移出相似,对流发展后期,涡旋系统将多个对流系统进行有效组织,相应也增大了误差的尺度,大尺度的适应性调整和误差的平流输送促进小尺度误差能量向大尺度传递。这种小尺度误差能量快速向大尺度传递的过程降低了局地不确定性,增加了单点降水的可预报性。

通过对自组织型暴雨和外强迫型暴雨的误差能谱对比发现,在自组织型暴雨系统中,其初期误差增长都是最快的,至36小时,自组织型暴雨系统的误差总能量与外强迫型三种子类型暴雨系统的误差总能量相近。从图7可以看到,至18小时两湖流域存在两簇误差,而在36小时,自组织的多对流系统周围的误差能量快速增长,与几种外强迫型暴雨不同的是,其误差快速增长的尺度范围大。在自组织型暴雨中,在整个降水过程中相继存在多个对流系统,即存在一定的内在拟连特性,它们通过冷池、重力波等机制维持对流系统的时空连续性(刘建勇等,2010)。与 Zhang et al(2007)分析的误差结构相似,风速误差正负相间分布,误差主体与高位涡重合,误差能量的传播有明显的重力波特征 (图略)。通过冷池、重力波的串联作用,误差迅速由单个对流的尺度向更大尺度传递,形成自组织型暴雨系统中的误差能量多尺度快速增长。误差主体与高位涡重合,沿锋面向下游传播,跨锋面呈对称分布。在重力波作用下,误差有部分后向传播,与后侧不稳定对流产生的误差合并加强,相应加剧后向传播的对流系统的不确定性。经过较长时间后,自组织型暴雨系统的误差结构与外强迫型暴雨具有相似的特征。

图7 同图4,但为自组织型Fig.7 Same as Fig.4,except for the SO experiment

图8 非组织局地型的误差能量24小时的水平分布:(a)PERT-R;(b)PERT-S。其余同图4Fig.8 Same as Fig.4,excep t for the difference energy in the(a)PERT-R and(b)PERT-S experiments of NOL type at 24 h

与上述外强迫型和自组织型暴雨不同,非组织局地型降水的误差增长局地性更强,受到局地地形的强迫作用,位于浙江附近的副热带高压边缘强对流降水的小振幅、小尺度的随机误差增长很小 (图8a),这表明大尺度系统观测足够精确时,局地强迫型的强对流过程具有很高的可预报性。然而在实际预报过程中,这种局地强迫型的局地暴雨受到大尺度系统的不确定性影响,预报精确度很难把握。小尺度、小振幅的随机误差扰动沿着副热带高压边缘高位涡带向北移动,误差发展组织性差。在副热带高压西北侧的高CAPE区域,虽然有局地强对流发展,但它的误差发展非常缓慢。在系统扰动试验中,其初始阶段的误差主要位于副高西南侧,由于在副高边缘有很强的不稳定性,在副高边缘的引导气流作用下迅速将误差传播至副高西北侧,并在局地强对流发展作用下,误差扰动得到快速发展。影响副热带高压边缘强对流系统的主要因子包括有副热带高压西南侧的暖湿气流、副热带高压边缘的切变不稳定、北方冷空气入侵以及局地的地形强迫和热力强迫,这些因子将影响误差的增长与传播。在随机扰动试验 (PERT-R)中,由于副热带高压相对稳定,其边缘的切变涡度和西南暖湿气流的误差增长缓慢,北方冷空气非常微弱,局地的地形强迫是不随时间变化的,这些导致了在随机扰动试验中误差增长缓慢。而在系统扰动试验 (PERT-S)中,在北方冷空气和副热带高压区域都出现了初始系统性误差,随着系统发展,两个区域的误差在24小时叠加在一起,导致局地强对流系统周围的误差大范围的快速增长,由此说明局地强对流系统对系统性误差更为敏感。同化过程中应着重考虑整体系统的准确性,单个站点的观测精度提高对预报技巧的提高作用有限。

5 误差垂直结构

在不同的暴雨类型和暴雨的不同发展阶段,随着大气结构的变化,误差的垂直廓线有较大差异。图9a、b给出冷槽推进型经过暴雨中心并与梅雨锋面垂直的纬向风偏差和温度偏差的垂直剖面,由图可以看出误差沿着锋面向西北倾斜,误差垂直分布系统性强。对流活动偏弱时,误差沿锋面离散分布,当对流加强时,误差的后向倾斜减弱,主要围绕对流上升气流附近竖直向上分布。中层误差向高层传递,使得高层误差增长明显比中层误差增长速度快 (Rabier et al.,1996)。冷槽推进型的风场误差高值中心位于高层,这与 Hakim(2005)结论相似;与 Hakim(2005)不同的是温度误差中心没有出现在低层而是位于中层。温度误差主要位于对流活动的后侧,该区域的相当位温曲线存在短波扰动(图9b),这种短波扰动是高频重力波的体现,在对流系统后侧的干空气入侵是出现温度误差的原因之一,这与 Hakim(2005)的边界层不确定性不同。风场误差位于对流活动的前缘,误差传播速度快于对流系统移动速度,风场的误差传播方向能够反映出对流活动未来的移动方向。

选取经过成熟期涡旋中心 (32°N,118°E),分别作平行和垂直梅雨锋锋面的西南涡移出型暴雨系统24小时的误差垂直剖面。此时局地对流活动旺盛,误差能量相对集中在对流旺盛区域的中下层(图9c、d)。不同于冷槽推进型,在西南涡移出型中的温度误差主要位于对流层低层,纬向风误差在中低层与高位涡重合。从相当位温来看,西南涡移出型中层的干冷空气活动很弱,相当位温也不存在高频重力波扰动,然而低层存在明显的冷空气堆,冷空气堆附近的温度误差和水平风速误差都很大。中低层西南急流与湿对流正反馈机制决定了中尺度急流的误差的非线性增长。高层受高空急流影响,误差向下游传播速度远远大于中低层,使得对流层顶层误差偏差堆积较小。

北槽南涡型中,在中层存在冷性切变线,梅雨锋的中层有弱的干冷性空气侵入,使得蒸发冷却和凝结释放潜热共存,温度误差明显大于冷槽推进型和西南涡移出型 (图9e、f)。沿冷性切变线,梅雨锋垂直倾斜较小,误差能量中心与强对流的高位涡区重合。中层冷空气的侵入,使得梅雨锋区弱对流区也有较大的温度误差,温度误差随着对流上升运动向对流顶部传播。由于北槽南涡型的高空急流区位置偏北,远离锋面,对锋面附近的误差水平平流作用较小,对流层顶部误差能量堆积较大。与西南涡移出型相近,强对流系统近地层存在很强冷空气堆,冷空气堆前缘不稳定造成较强的温度和水平风速偏差。

自组织型误差在多系统间的能量传递极其明显,图9g、h给出30°N纬向剖面。模拟18小时,大别山西侧有对流系统发展加强,对流活动旺盛,误差围绕高位涡带竖直分布,误差能量以风场偏差为主,温度偏差很小,高低层都有误差能量向下游传递。36小时后,自组织型暴雨系统开始有多个对流系统,系统间距离仅有几十公里,冷池动力强迫和重力波在高低层的误差能量传播中发挥了重要作用,抑制了单点误差过快增长,这也许可以解释Carbone et al.(2002)的拟连降水系统的可预报性相对高于单个对流系统。

非组织局地型的误差主要位于中低层,边界层不稳定和冷池可能是误差的主要来源,其中的机理还需要进一步研究 (图略)。

6 结论

梅雨暴雨是弱斜压性、多尺度系统相互依存的暖季降水,其预报误差要受湿对流不稳定性控制。随着对流系统的发展,中小尺度误差最先增长,同时向大尺度传播,随之误差最优增长尺度增大。经过24小时,60 km以下的小尺度误差基本都达到饱和,梅雨锋边界限定了中低层的误差尺度的增长,至36小时,不同类型的梅雨暴雨的误差最优增长尺度均接近梅雨锋宽度200 km左右,相应误差的水平尺度不再增长。与斜压系统不同,梅雨暴雨的误差呈现多尺度共同增长,最优增长尺度不够明显,这是与梅雨暴雨系统多尺度性密切相关。梅雨锋的切变涡度区和水汽辐合带区域中的对流系统的相继发展,使得梅雨暴雨系统的误差增长具有阶段性特征。

图9 误差垂直剖面:(a、b)冷槽推进型;(c、d)西南涡移出型;(e、f)北槽南涡型;(g、h)自组织型。蓝线:纬向风偏差 (间隔2m/s);红线:温度偏差 (间隔1 K);黑线:位温 (间隔4 K);阴影:位涡≥1 PVU(间隔0.5 PVU)Fig.9 The verticalcross sections of the errors:(a,b)MCT;(c,d)WSV;(e,f)NTSV;(g,h)SO.Blue line:zonal wind difference(2 m/s interval);red line:temperature difference(1 K interval);black line:potential temperature(4 K interval);shading:potential vorticity≥1 PVU(0.5 PVU interval)

不同的梅雨暴雨系统其对流不稳定发展机制和环流有很大差异,它们决定了梅雨暴雨系统的误差增长呈现出多类型特征。冷槽推进型的误差最优增长尺度大,可预报性最强。冷槽通过控制降水系统的组织结构,影响不稳定区域的误差水平尺度;锋面的垂直倾斜结构决定了误差空间分布的特征。在西南涡移出型和北槽南涡型中,涡旋系统将多单体对流系统有效组织在一起,通过涡旋性平流抵消涡旋内的正负偏差,减少单点误差增长,加快误差能量向大尺度传递。这种能量由小尺度向大尺度的传播机制能够降低局地不确定性的快速增长,可以提高暖季降水的预报技巧。西南涡移出型中的高空急流引导误差从高层向东传播,不易形成高层的误差堆积。在北槽南涡型中,高空急流对误差传播的引导作用没有在西南涡移出型的大,相应其低层冷池的重力波频散对误差传播作用更大。在自组织型暴雨系统中,决定自组织型的内在拟连特征的重力波、冷池强迫抬升等机制能促进局部误差能量向大尺度快速频散,这使得在自组织型暴雨系统发展中后期的误差能谱尺度分布特征与上述三种外强迫型相似。在非组织局地型中,受局地地形和热力强迫影响,其误差增长相对缓慢,小尺度误差的误差能量很难饱和,不确定性较大,相应可预报性差。

在系统性误差扰动试验中,由于其初始误差主要通过繁殖方法产生,相应初始误差依赖于背景环境不稳定特征,其误差能量快速投影至大气不稳定增长最优尺度,加快了中小尺度误差向大尺度传递。在暴雨系统发展初期,PERT-S试验的误差比PERT-R试验增长更快,中小尺度能够很快进入饱和,但两者的中小尺度误差饱和能量接近,说明中小尺度的不确定性相当。通过不同类型梅雨暴雨系统的误差增长特征的比较分析,可以给出梅雨暴雨系统可预报性差异性及其总体特征。在对流发展成熟期,冷槽推进型中误差能量饱和尺度范围较大,误差增长变缓,可预报性最好;西南涡移出型和北槽南涡型中,其误差的饱和尺度为90～100 km,大于自组织型中误差饱和尺度 (60～70 km),可预报性略好于自组织型;在非组织局地型的误差能量几乎没有尺度饱和,可预报性最差。在自组织型中,其饱和误差能量要小于外强迫型,但总体扰动能量两者相当,误差能量能够更快地向大尺度传播,虽然误差带来的不确定性范围扩大,但可以提升中小尺度的可预报性,减小局地极端天气的不确定性。

References)

Akiyama T.1990.Large,synoptic and meso-scale variations of the Baiu front,during July 1982.Part III:Space-time scale and structure of frontal disturbances[J].J.Meteo r.Soc.Japan,68:705-727.

Bei N F,Zhang F Q.2007.Impacts of initial condition errors on mesoscale predictability of heavy precipitation along the Mei-Yu front of China[J].Quart.J.Roy.Meteor.Soc.,133:83-99.

Carbone R E,Tuttle JD,Ahijevych D A,et al.2002.Inferencesof predictability associated with warm season precipitation episodes[J].J.A tmos.Sci.,59:2033-2056.

Dalcher A,Kalnay E.1987.Error grow th and predictability in operational ECMWF forecast[J].Tellus,39A:474-491.

Hamill T M,Snyder C,Whitaker J S.2003.Ensemble forecasts and properties of flow-dependent analysis-error covariance singular vectors[J].Mon.Wea.Rev.,131:1741-1758.

Hakim G J.2005.Vertical structure of midlatitude analysis and forecast errors[J].Mon.Wea.Rev.,133:567-578.

Hollingsworth A,Lönnberg P.1986.The statistical structure of short-range fo recast errors as determined from radiosonde data.Part I:The wind field[J].Tellus,38A:111-136.

Hong S-Y,Pan H L.1996.Nonlocal boundary layer vertical diffusion in a medium-range forecast model[J].Mon.Wea.Rev.,124:2322-2339.

Kain J S,Fritsch J M.1993.Convective parameterization for mesoscale model:The Kain-Fritsch scheme[M]∥The Rep resentation of Cumulus Convection in Numerical Models.Amer.Meteor.Soc.,165-170.

Kain J S.2004.The Kain-Fritsch convective parameterization:An update[J].J.Appl.Meteor.,43:170-181.

Langland R H,Shapiro M A,Gelaro R.2002.Initial condition sensitivity and error grow th in forecasts of the 25 January 2000 east coast snow storm[J].Mon.Wea.Rev.,130:957-974.

Liu J Y,Tan ZM.2009.Mesoscale predictability of Mei-yu heavy rainfall[J].Adv.A tmos.Sci.,26:438-450.

刘建勇,谈哲敏,张熠.2011.梅雨期三类不同形成机制的暴雨[J].气象学报,待刊. Liu J Y,Tan Z M,Zhang Y.2011.Three typesof the heavy rainfallswith different formationmechanism during Meiyu-period[J].Acta Meteo r.Sinica(in Chi-nese),in Press.

Lorenz E N.1969.The predictability of a flow which possesses many scales of motion[J].Tellus,21:289-307.

Ninomiya K,Akiyama T.1992.Multi-scale features of Baiu,the summer monsoon over Japan and the East Asia[J].J.Meteor.Soc.Japan,70(1B):467-495.

RabierF,Klinker E,Courtier P,et al.1996.Sensitivity of forecast errors to initial conditions[J].Quart.J.Roy.Meteor.Soc.,122:121-150.

Snyder C,Hamill T M,Trier SB.2003.Linear evolution of error covariances in a quasigeostrophic model[J].Mon.Wea.Rev.,131:189-205.

Tan ZM,Zhang FQ,Rotunno R,et al.2004.Mesoscale predictability of moist baroclinic waves:Experiments with parameterized convection[J].J.A tmos.Sci.,61:1794-1804.

Thompson P D.1957.Uncertainty of initial state as a facto rin the predictability of large scale atmospheric flow patterns[J].Tellus,9:275-295.

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

Tribbia J J,Baumhefner D P.2004.Scale interactions and atmospheric predictability:An updated perspective[J].Mon.Wea.Rev.,132:703-713.

Zhang F,Snyder C,Rotunno R.2002.Mesoscale predictability of the“surp rise”snow storm of 24-25 January 2000[J].Mon.Wea.Rev.,130:1617-1632.

Zhang F,Snyder C,Rotunno R.2003.Effects of moist convection on mesoscale predictability[J].J.A tmos.Sci.,60:1173-1185.Zhang F,Odins A M,Nielsen-Gammon JW.2006.Mesoscale predictability of an extreme warm-season precipitation event[J].Wea.Forecasting,21:149-166.

Zhang F,Bei N,Rotunno R,et al.2007.Mesoscale predictability of moist baroclinic waves:Convection-permitting experimentsand multistage error grow th dynamics[J].J.A tmos.Sci.,64:3579-3594.

张顺利,陶诗言,张庆云,等.2002.长江中下游致洪暴雨的多尺度条件[J].科学通报,47(6):467-473. Zhang Shunli,Tao Shiyan,Zhang Qingyun,et al.2002.Multi-scale conditions of torrential rain causing floods in the mid-and low er reaches of the Yangtze River[J].Chinese Science Bulletin(in Chinese),47(6):467-473.

朱本璐,林万涛,张云.2009.初始扰动对一次华南暴雨预报的影响的研究[J].大气科学,33(6):1333-1347. Zhu Benlu,Lin Wantao,Zhang Yun.2009.Impacts of initial perturbations on prediction of a heavy rain in South China[J].Chinese Journal of A tmospheric Sciences(in Chinese),33(6):1333-1347.

Flow-Dependen t Mesoscale Predictability of Meiyu Heavy Rainfall

L IU Jianyong1,2,TAN Zhemin1,and GU Sinan2

1KeyLabofMesoscaleSevereWeather/MOE,andSchoolofAtmosphericSciences,NanjingUniversity,Nanjing210093
2NingboMeteorologicalObservatory,Ningbo315012

The initial condition sensitivity leads to a limit for the prediction of mesoscale weather systems.The rapid grow th of initial erro rs and associated mesoscale predictability depend on the features of flow.The generation of Meiyu heavy rainfall is the result of interaction of many different-scale weather system s.Therefo re,there are differ-entmechanism s for the fo rmation and the sensitivity to initial condition of Meiyu heavy rainfall.

The mechanism sof erro rgrow th for five different typesof Meiyu rainfall are investigated.It is the larger scale cold air lifting,low level vo rtex,boundary layer cold pool,and gravity wave that play important roles in the error grow th of Meiyu rainfall systems.They promote the scale grow th of initial erro rs from small to larger scales in different ways.The perturbation simulationswith random or systematic initial errors demonstrate that the initial errors can quickly reach itsop timal scales in the systematic perturbation experiment.

The cold air lifting controls the scaleof erro rin themoving trough type of Meiyu rainfall,as a result,the scale of error is rather large and the predictability is rather high.The low-level vo rtex advection inthe Meiyu rainfall of themoving-out Southwest China vo rtex type and the north-trough with south-vo rtex type can offset the deviation within the vo rtex,and accelerate the transpo rt of erro renergy f rom the small scale to large scale,and then the fo recast skill of warm-season heavy rainfall is imp roved.The self-organizing rainfall system has a smaller saturation scale of error and lower predictability than those of the first two types of rainfall,because the immanent coup ling mechanism of gravity wave and the cold pool can accelerate the dispersion of erro renergy,w hich results in the cogrow th of errors atmany scales.It is difficult for small scale error to reach its saturation in the non-organizing local rainfall systems,w hich is usually influenced by local terrain and thermal-dynamic conditions,and therefo re it has the lowest predictability.

The structure of error in Meiyu heavy rainfall ismainly dependent on the sub-weather system s,w hich play the most important role in the formation of Meiyu rainfall.The error in the moving trough type slants vertically along the f ront.Cold air intruding in themoving-trough and north-trough with south-vo rtex types leads to a prominent increasing of temperature erro rat the mid-levels.The genesisof cold pool in themoving-out Southwest China vo rtex,no rth-trough with south-vo rtex,self-o rganizing,and non-o rganizing local system types results in a high momentum difference at the lower levels.During the later stage of all typesof rainfall,therew ill be a large erro rzone at the upper levels,due to the transportation from the low er levels to upper levels.

erro rgrow th,mesoscale predictability,Meiyu,heavy rainfall

1006-9895(2011)05-0912-15

P445

A

刘建勇,谈哲敏,顾思南.2011.梅雨期暴雨系统的流依赖中尺度可预报性 [J].大气科学,35(5):912-926.Liu Jianyong,Tan Zhemin,Gu Sinan.2011.Flow-dependent mesoscale predictability of Meiyu heavy rainfall[J].Chinese Journal of A tmospheric Sciences(in Chinese),35(5):912-926.

2010-10-29,2011-03-21收修定稿

国家自然科学基金资助项目40828005、40921160382,国家公益性行业科研专项 GYHY201006004,国家科技支撑计划重点项目2006BAC02B03,高等学校博士学科点专项科学基金20080284019

刘建勇,男,1980年出生,博士,主要从事中尺度动力学和数值模拟研究。E-mail:jianyong.liu@gmail.com

谈哲敏,E-mail:zm tan@nju.edu.cn