袁有林，杨必华，周 宏，康小平，陈 广，赵 军

（1．中国人民解放军63610部队，新疆 库尔勒 841001；2．中国人民解放军61243部队，新疆 乌鲁木齐 830000）

WRF模式不同集合预报方案对一次大范围暴雨过程的模拟研究

袁有林1，杨必华1，周 宏2，康小平1，陈 广1，赵 军1

（1．中国人民解放军63610部队，新疆 库尔勒 841001；2．中国人民解放军61243部队，新疆 乌鲁木齐 830000）

应用WRF V3．6模式，对陕、晋、冀、鲁4省2013年7月12—13日的一次大范围暴雨过程，从初值、侧边界和物理过程扰动出发进行了集合预报研究。结果表明：（1）物理过程扰动对此次降水的影响最大，初值扰动在积分初期影响较大，而后逐渐减弱，而侧边界扰动随着时间积分向模拟区域中心传播并逐步增大；（2）物理过程扰动、初值扰动的集合预报分别对小雨和大雨及以上量级降水预报最优，而侧边界扰动的集合预报对中雨和暴雨及以上量级的降水预报最优；（3）从集合预报的离散度分析得出，物理过程扰动的集合预报最优，其次是侧边界扰动，初值扰动最差；（4）同时考虑3种不确定性的集合预报，总体上好于单个因子扰动的集合预报，使模式的降水预报效果得到显著改善。

集合预报；初值；物理过程；侧边界；WRF；暴雨

袁有林，杨必华，周 宏，等．WRF模式不同集合预报方案对一次大范围暴雨过程的模拟研究［J］．干旱气象，2016，34（6）：1027－1036，［YUAN Youlin，YANG Bihua，ZHOUHong，etal．Simulation ofDifferent Ensemble Forecast Schemeson a Large Area Heavy RainfallbyWRFModel［J］．Journal of Arid Meteorology，2016，34（6）：1027－1036］，DOI：10．11755／j．issn．1006－7639（2016）－06－1027

引 言

研究暴雨的发生发展机制，提高暴雨的预报准确率，是数值模式的一项重要研究内容［1－6］。然而，模式预报水平在实际预报过程中往往因许多不可避免的误差受到限制，误差有：①初值误差：观测误差、资料同化和分析处理中引入的误差；②模式误差：模式中描述的物理过程并不完全符合实际大气中的物理过程，致使模式在结构、参数设置或者是数值计算上等存在的误差［7］；③侧边界误差：地球上的大气在特殊地形以外不存在水平上的边界，而区域模式却假定大气是有边界的，我们通常给出的边界条件并不能完全反映大气的真实状况［8－9］。Lorenz［10］指出，大气具有混沌特征，也就是说大气运动是非线性的，因此初值和模式误差引起的小扰动在模式积分过程中可能会使误差快速增长，从而降低了模式的预报能力。

集合预报是针对数值预报的“不确定性”问题而提出的一种动力随机预报技术，其成员考虑了初值和模式的不确定性［11］。国内外学者对数值模式中的“不确定性”开展了多方面研究，探讨了构造集合预报的合理方法。Houtekamer等［12］首次通过模式扰动构造了集合预报，模式扰动后的集合预报有效改善了降水预报。Hou等［13］研究指出，对侧边界扰动可以增加集合预报的发散度，改善预报效果。Krishnamurti等［14］从模式和初值不确定性出发，提出了多模式超级集合预报的思想。Zhang等［15］从模式的物理参数化方案、分辨率、侧边界和初始场扰动等方面对中尺度暴雨的可预报性进行比较全面的研究，表明模式分辨率即使提高到3．3 km，其模拟效果也不是很好，这是因为模式和初值误差影响了预报结果。徐广阔等［16］用繁殖循环法对初值进行了扰动，采用MPGM模式对2003年汛期淮河流域特大暴雨进行了集合预报试验，表明集合预报结果好于控制试验。张涵斌等［17］基于GRASPE＿Meso区域集合预报系统，连续进行了1个月的批量试验，表明多初值多物理多边值为最优方案。陈静等［18］从初值、模式和侧边界3个方面建立了中尺度暴雨集合预报，设计了异物理模态的初值扰动法，该方法扰动对流不稳定区的初值，从而促进了与对流有关的不稳定扰动快速增长，对暴雨预报技巧有较大提高。

目前，采用WRF模式从不同误差角度出发构建的集合预报对比分析研究较少，在WRF模拟过程中，初值、侧边界和物理过程中存在的误差对降水如何产生影响？它们有何差异？怎样设计集合预报能更好地提高降水预报准确率？研究这些问题很有必要。因此，本文采用WRF模式，对陕、晋、冀、鲁地区2013年7月12—13日一次大范围的暴雨过程进行集合预报试验，详细比较了初值、侧边界和物理过程扰动构造的集合预报差异，以期为提高数值模式对暴雨等极端天气过程的模拟能力提供参考。

1 降水过程分析

2013年7月12日08：00—13日08：00（北京时，下同），西风槽携带的干冷气流和副热带高压外侧的暖湿气流于陕西、山西、河北、山东上空交汇，且低层有明显的切变线配合，使得上述4省出现了大范围东西向带状雨带，陕西中部、山西中南部、河北南部和山东北部等地出现了强降雨过程。根据24 h降水量的等级划分标准（小雨0．1～9．9 mm，中雨10．0～24．9 mm，大雨25．0～49．9 mm，暴雨50．0～99．9 mm，大暴雨100．0～249．9 mm），352个站点中发生暴雨的有43个，大暴雨的有4个，其中山东周村24 h降雨最多，达131mm（图1）。此次降水过程雨量大、范围广，是一次典型的暴雨过程。

图1 2013年7月12日08：00—13日08：00陕西、山西、河北及山东累计降水实况（单位：mm）Fig．1 The observed accumulative precipitation in Shaanxi，Shanxi，Hebei and Shandong Provinces from 08：00 BST 12 to 08：00 BST 13 July 2013（Unit：mm）

2 资料与方法

2．1 资 料

所用资料有：欧洲中期数值预报中心（ECMWF）提供的逐6 h ERA－interim再分析资料，水平分辨率分别为0．75°×0．75°、0．25°×0．25°、1．5°× 1．5°和2．5°×2．5°，垂直分为37层；美国国家环境预报中心（NCEP）提供的逐6 h FNL再分析资料（水平分辨率为1°×1°，垂直分为26层）、逐6 h CFSv2全球耦合再分析资料（水平分辨率为1°×1°，垂直分为37层）以及逐6 h GFS全球预报数据（水平分辨率为0．5°×0．5°，垂直分为26层）；美国国家环境预报中心和美国大气研究中心（NCEP／NCAR）共同制作的逐6 h全球大气再分析资料（以下简称NCEP－1），水平分辨率为2．5°×2．5°，垂直分为17层；美国国家环境预报中心和美国能源部（NCEP／DOE）联合制作的逐6 h再分析资料，校正了 NCEP －1中存在的一些误差问题，水平分辨率为2．5°× 2．5°，垂直分为17层；美国国家环境预报中心和海洋模式研究中心（NCEP／MMAB）制作的逐24 h海表温度（SST）数据，水平分辨率为0．5°×0．5°；国际地圈—生物圈计划在2000年获得的MODIS遥感土地覆盖分类数据，水平分辨率为2′、30″；（108°E—123°E，33°N—38°N）区域内352个气象站的24 h降水量。以上资料的起止时间都是2013年7月12日08：00—13日08：00。

2．2 方 法

（1）标准差

标准差可以反映数据与其平均值之间的分散程度，标准差越大表明数据与其平均值的差异越大，反之数据越接近其平均值。其公式为：

式中：σ为标准差，μ为平均值，N是集合成员个数，xi是第i个成员的降水量。

（2）降水格点逐时平均离散度

离散度反映了在不同预报时效内，各扰动预报与集合平均预报之间的平均距离，其公式为：

式中，“—”是对模拟区域内的格点值求平均，t是预报时效，N是集合成员个数，fi（t）为第i个成员在预报时效t内的预报值，f0（t）为集合平均场。

（3）误差能量

为了定量分析扰动试验与控制试验的差异，参考文献［19］，定义误差能量（domain－integrated difference total energy，DTE）为：

其中，i、j、k为x、y、z方向上的格点数，扰动试验和控制试验的纬向风、经向风和温度的差值分别用U′ijk、V′ijk、T′ijk表示，DTE为误差能量，Tr为常数，取270 K，Cp为干空气比定压热容，Cp＝1 004 J·kg－1·K－1。通常情况下，DTE越大表示扰动对预报的影响越大。

（4）TS评分

式中，HA为预报正确的格点数，HB为空报的格点数，HC为漏报的格点数。TS值的范围为0～1，TS值越大表示预报效果越好。

（5）Talagrand分布

假设构建的集合预报成员为N，需要检验的区域有效格点数为M，把第j个格点上N个成员的预报值按从小到大的顺序排列，这样就有N+1个区间，将观测值落在每个区间的次数记为Si（i＝1，2，3，4，…，N+1），则观测值落在第i个区间的概率分布（Pi）及概率均方差（Q）按下式计算［20］：

（6）均方根误差（RMSE）和空间相关系数（CORR）

式中，N表示台站总数，Mi为第i站降水的集合平均，Oi为第i站的实况降水，¯M为所有站点集合预报降水的平均值，¯O为所有站点的实况降水平均值。

（7）改进率

参考王洋等［21］的研究结果，利用空间相关系数定义了集合预报相对于控制预报的改进率（R），其公式如下：

式中，R为改进率，CORRe、CORRc分别为集合和控制预报的空间相关系数。

也可以利用均方根误差定义集合预报相对于控制预报的改进率，其公式如下：

式中，R为改进率，RMSEe、RMSEc分别为集合和控制预报的均方根误差。

3 控制试验设计

采用WRF V3．6，选用的物理方案主要包括WSM3－class simple ice［22］微物理方案（以下简称WSM3），RRTM［23］长波辐射方案，Dudhia［24］短波辐射方案，YSU［25］边界层方案，Betts－Miller－Janjic［26］（以下简称BMJ）积云对流参数化方案，Unified Noah land－surface model［27］陆面过程方案，Revised MM5 Monin－Obukhov近地层方案。模拟区域设置如图2所示，采用双向2层嵌套方案，D01（100°E—130°E，21°N—47°N），D02（108°E—123°E，30°N—40°N），中心位置为（115．5°E，35°N），水平网格距分别为30 km和10 km，格点数分别为110×100和166× 106，垂直分为31层，模式层顶为50 hPa。采用0．75°×0．75°ERA－interim资料、0．5°×0．5°SST资料作为模式初始场，每6 h更新一次。为反映实际下垫面状况，采用MODIS下垫面资料，2层嵌套分别采用分辨率为2′和30″地形数据。积分时间从2013年7月12日08：00—13日08：00，共积分24 h，2层网格的积分步长分别为180 s和60 s，1 h输出一次模拟结果（记为CTL试验）。如不作特别说明，以下均是对D02内的模拟结果进行分析。

图2 模式嵌套区域Fig．2 The setting ofmodel domain

4 集合预报构建方法

4．1 初值扰动法

采用的初值扰动方法是考虑误差随机分布的蒙特卡罗预报法［28］（Monte Carlo Forecasting，MCF），扰动场的生成方法如下式：

其中，P是随机扰动场，C是最大扰动振幅，Rand是（－1，1）之间均匀分布的随机数。Houtekamer等［12］研究表明，当集合成员有8个时，集合平均值明显优于控制预报，若再增加成员个数，也只有微小的改善效果。为了节省计算资源，本文采用8个成员构造集合预报。最大扰动振幅C的计算主要参考陈静等［18］的方法。

控制试验CTL是用ERA－interim资料驱动的，所以最大扰动振幅C是参考ECMWF的实际大气观测误差给出的。假设风速（uv，单位：m·s－1）、温度（T，单位：K）和比湿（q，单位：kg·kg－1）的观测误差为Cuv（Z）、CT（Z）、Cq（Z），其中 Z为高度，它们都是垂直坐标的函数，于是就定义Cuv（Z）、CT（Z）、Cq（Z）为模式变量的最大扰动振幅，具体数值如下式：

式中，Z0＝0．65，是模式第 14层，约为500 hPa高度，δr为相对湿度的误差。用MCF方法分别对模式初始温度场、湿度场和风场同时加减4种不同的随机扰动，构建了8个初值扰动成员（以下简称IV （Initial Value）试验）。

4．2 侧边界扰动法

控制试验采用特定边界条件，侧边界的格点数为5。利用ERA－interim（0．25°×0．25°、1．5°× 1．5°和2．5°×2．5°）、FNL、CFSv2、GFS、NCEP－1和NCEP／DOE不同的再分析资料提供的侧边界条件代替0．75°×0．75°的ERA－interim资料生成的控制试验侧边界条件，构造了8个侧边界扰动成员（以下简称MB（Multi Boundaries）试验）。

4．3 物理过程扰动法

从模式的不确定性出发，用多种物理参数化方案的随机组合构造物理过程随机扰动。微物理方案为WSM3和Lin，积云对流参数化方案为BMJ和Grell－Devenyi ensemble（简称 GD），边界层方案为YSU和Mellor－Yamada－Janjic TKE（简称MYJ），通过以上方案组合构造了8个集合成员（以下简称MP（Multi Physics）试验）。

4．4 对初值、侧边界和物理过程同时扰动

微物理方案为WSM3和Lin，积云对流参数化方案为 BMJ和 GD；初值、侧边界扰动方法同试验IV、MB。对初值、物理过程和侧边界均进行扰动构造的集合预报简称IV＿MP＿MB，具体组合方案见表1。

表1 IV＿MP＿MB试验方案Tab．1 The schemes of IV＿MP＿MB test

5 结果分析

5．1 控制试验预报

图3是2013年7月12日08：00—13日08：00模拟的D02区24 h累计降水量。可见，WRF模拟的暴雨区的位置和范围与实况基本一致，但大暴雨的模拟存在差异，WRF模拟出4个大暴雨中心，分别位于陕西、山西和山东，而实况只有山东的2个大暴雨中心，总体来看，模拟的降雨和实况相似，雨带呈东西向分布，WRF模式对此次暴雨的主要特征模拟出来了，但降水的范围和雨量大小还存在着一些差异。

图3 2013年7月12日08：00—13日08：00模拟的D02区域24 h累计降水量分布（单位：mm）Fig．3 The spatial distribution of simulated accumulative precipitation in D02 domain from 08：00 BST 12 to 08：00 BST 13 July 2013（Unit：mm）

5．2 集合试验预报

5．2．1 3种不同扰动方案对降水模拟结果的影响

分别计算扰动试验IV、MB、MP各成员在D02区域内的24 h降水面积，并对比控制试验预报结果，得到最大差异百分比和标准差（图4）。由图4a可以看出，小雨及以上量级降水落区面积的最大差异百分比最小，IV、MB、MP试验的最大差异百分比分别为3．47%、4．41%、7．48%；随着降水量的增加，降水面积最大差异逐渐增大，其中IV、MB试验模拟的降水面积与控制试验之间的差异增加平缓，均＜20%，而MP试验差异急剧增加，中雨、大雨、暴雨及以上降水面积最大差异分别增至53．86%、56．74%、52．57%。可见，降水量级越大，扰动试验的预报结果与控制试验之间的差异也越大，其中对大雨的扰动最大。此外，各量级降水面积最大差异均是IV试验最小，MP试验最大，表明IV试验对降水面积预报扰动最小，MP试验扰动最大，尤其是中雨及以上量级的降水面积。

图4 2013年7月12日08：00—13日08：00不同集合试验与控制试验在D02区域内不同量级降水落区面积最大差异百分比（a）和标准差（b）Fig．4 Themaximum difference percentage between control test and disturbance tests（a）and the standard deviation（b）of precipitation areaswith different magnitude rainfall in D02 area from 08：00 BST 12 to 08：00 BST 13 July 2013

上述分析仅代表了降水面积的极值情况，为反映集合预报成员的离散程度，计算了各扰动试验预报的降水面积标准差（图4b），发现集合预报中各成员预报的不同量级降水面积差异较大。总体来看，IV扰动试验预报的降水面积波动最小，稳定性最好，而MP试验预报的降水面积波动最大，稳定性较差，尤其是对中雨的预报最不稳定。

图5 2013年7月12日08：00—13日08：00不同试验各成员D02区域平均降水量Fig．5 The average accumulated precipitation simulated by the different disturbance tests in D02 area from 08：00 BST 12 to 08：00 BST 13 July 2013

图5是2013年7月12日08：00—13日08：00期间IV、MB、MP扰动试验各成员在 D02区域内累计降水量平均。可知，与控制试验CTL模拟的 D02区域平均降水量13．22 mm相比，试验IV、MB、MP成员最大差异分别为1．58 mm、0．65 mm、3．48 mm，最大差异百分比分别为11．97%、4．95%、26．3%，表明MP试验对本次降水过程的扰动最大，IV试验的影响最小。

图6是2013年7月12日08：00—13日08：00期间不同扰动试验预报的降水格点平均离散度和误差能量的逐时变化。由图6a可看出，在积分初始时刻，IV试验的离散度最大，其次是MP试验，最小的是MB试验。随后，IV试验的离散度短暂上升后开始持续减小，3 h后离散度已小于MP试验，14 h后（12日22：00）开始迅速持续增大，于22 h后（13日06：00）达到最大极值0．89 mm，而后略有减小；MP试验的离散度持续增长，至9 h后的12日17：00开始逐渐减小，14 h后（12日22：00）的变化趋势与IV试验相同，最大值为13日05：00的1．04 mm；MB试验在1～2 h降水离散度为0，而后缓慢增长，至12 日20：00以后开始快速增长，17 h后的13日01：00离散度大于IV试验，最大值达1．0 mm。总体而言，物理过程扰动对降水的影响最大，初值扰动在积分初期影响较大，而侧边界扰动随着时间积分向模拟区域中心传播逐步增大，在积分一定时间后，其对降水的影响与物理过程扰动的影响相当。可见，不同的误差来源可对降水产生不同影响，综合考虑这3个因子，可能对降水预报的改善起到积极作用。

图6 2013年7月12日08：00—13日08：00不同扰动试验在D02区域的格点平均降水离散度（a）及误差能量（集合平均相对于控制试验）（b）的逐时演变Fig．6 The hourly variation of the dispersion and total energy difference （the ensemble forecast compared to the control test）of precipitation forecasted by the different disturbance tests in D02 area from 08：00 BST 12 to 08：00 BST 13 July 2013

由图6b看出，初始时刻只有试验IV的DTE不为0，其它2个试验均为0，这是因为在初始时刻IV试验的初始场叠加了扰动，而 MB和 MP试验则使用了与控制试验相同的初始场。在积分6 h（12日14：00）后，MP试验的DTE超过了IV试验，积分22 h后（13日06：00）IV和MP试验的DTE逐渐减小。MB试验的DTE在初期增长较缓慢，积分6 h后快速增长，积分12 h后（12日19：00）DTE与MP试验相当，而后持续增长，只是在12日22：00—13日00：00时段增加缓慢，22 h后（13日06：00）超过了其他2个试验，DTE值为3个试验中最大。可见，积分24 h后 DTE从大到小依次为 MB、MP和IV，说明侧边界扰动从边界向中心传播过程中而迅速增大，积分一定时间后甚至大于物理过程扰动的影响，而初值扰动只是在积分初期起着主导作用。

5．2．2 集合平均对降水模拟结果的影响

假设集合预报中每个成员有相同权重，那么集合预报平均就是集合成员的算术平均。一般情况下，对所有成员求算术平均往往会平滑掉单个成员随机的预报误差，给出预报结果的最大可能性。图7是4个集合预报方案24 h累计降水量的集合平均。与CTL试验相比，IV试验在陕西、山西25．0 mm以上降水范围增大，而河南25．0 mm以上降水范围减小（图7a）；MB试验在陕西、山西25．0 mm和山东100．0 mm以上降水范围增大（图7b）；MP试验的10．0 mm以上降水范围增大，而山东100．0 mm以上降水范围减小（图7c）；IV＿MP＿MB试验的10．0 mm以上降水范围增大，模拟的暴雨中心位于山西和山东半岛。总体来看，IV＿MP＿MB试验的降水分布和雨量大小与实况更接近，模拟效果得到改善。

5．3 TS评分

为了客观反映各方案的降水预报水平，对降水预报进行TS评分，具体方法是将D02区域内352个气象站的24 h降水实况作为参考标准，把预报场的格点值线性插值到站点上进行评分（图8）。整体来看，5个试验的TS评分均随着降水量级的增大而减少，其中小雨及以上量级的TS评分均在0．87以上，而中雨、大雨、大暴雨及以上量级的TS评分均在0．5以下，可见各试验对小雨预报最优。控制试验CTL对小雨及以上量级的TS评分最高（0．89），对暴雨及以上量级评分最低（0．19）；IV、MB和MP扰动试验相比，中雨及以上量级的TS评分MB试验整体偏高，MP试验最低，而小雨及以上量级的TS评分MP最高，MB最低，但3个扰动试验相差不大。与控制试验CTL相比，除MP试验的大雨、暴雨及以上TS评分低于控制试验CTL外，其它单独集合预报方案的TS评分都优于控制试验，这可能是由于增加的物理过程参数化方案对大雨及以上量级的降水预报能力不足。试验IV＿MP＿MB，除暴雨及以上量级的TS评分低于IV、MB试验外，其它量级的降水TS值都最高。可见，IV＿MP＿MB集合预报方案相对最优，尤其是对大雨及以下量级的预报效果最好。

图7 2013年7月12日08：00—13日08：00不同扰动试验在D02区域累计降水量的集合平均（单位：mm）（a）IV试验；（b）MB试验；（c）MP试验；（d）IV＿MP＿MB试验Fig．7 The ensemblemeans of accumulated precipitation forecasted by the different disturbance tests in D02 area from 08：00 BST 12 to 08：00 BST 13 July 2013（Unit：mm）（a）IV test，（b）MB test，（c）MP test，（d）IV＿MP＿MB test

图8 2013年7月12日08：00—13日08：00控制试验和集合平均试验的不同量级降水TS评分Fig．8 The threat scores of differentmagnitude precipitation simulated by control test and ensemble forecast tests in D02 area from 08：00 BST 12 to 08：00 BST 13 July 2013

5．4 Talagrand分布

衡量一个集合预报系统好坏的重要指标是离散度。利用ERA－interim再分析资料代替观测值来检验集合预报效果，鉴于ERA－interim再分析资料与模式的分辨率不同，为了便于比较，采用双线性插值法把两者的分辨率调整一致。图9给出2013年7月12日08：00—13日08：00不同扰动试验方案模拟的850 hPa纬向风场的Talagrand分布图和概率均方差Q值。可看出，4个集合预报Talagrand分布呈典型的两头大中间小的“U”型分布，说明集合系统的离散度偏小（图9a）；MP、MB、IV试验的概率均方差Q值逐渐增大，说明3个试验的集合预报系统从好变差，而IV＿MP＿MB试验的集合预报系统 Q值显著偏小（0．064），说明考虑了初值、物理过程和侧边界不确定性的集合预报系统最优。

5．5 改进率

利用均方根误差（RMSE）和空间相关系数（CORR）来定量计算集合平均试验对降水预报的改进程度（图10）。可以看出，4个集合试验对24 h累计降水的预报结果均好于控制试验CTL，相对于控制试验RMSE的改进率为3．22%～12．22%，IV＿MP ＿MB试验改进最大，而IV和MB试验改进较弱；而对CORR的改进率为8．11%～37．84%，IV＿MP＿MB 和MB试验改进均较大，而MP试验改进最弱。可见，IV＿MP＿MB试验对24 h累计降水的RMSE和CORR改进率最大。就单个因子扰动而言，MB试验对MSRE和CORR的改进均最大，而IV试验和 MP试验则各有优劣。

图9 2013年7月12日08：00—13日08：00不同扰动试验方案模拟的850 hPa纬向风场的Talagrand分布图（a）和概率均方差Q值（b）Fig．9 Talagrand distribution（a）and Q value（b）of zonalwind on 850 hPa simulated by the different disturbance tests from 08：00 BST 12 to 08：00 BST 13 July 2013

图10 2013年7月12日08：00—13日08：00不同集合预报试验的累计降水均方根误差（a）、空间相关系数（b）及其相对于控制预报的改进率（a，b）Fig．10 RMSE（a）and CORR（b）of accumulative precipitation simulated by the different ensemble forecast tests and corresponding improving rate（a，b）compared with the control test from 08：00 BST 12 to 08：00 BST 13 July 2013

由Talagrand分布图、概率均方差Q值、TS评分和改进率综合来看，IV＿MP＿MB试验构建的集合预报最优，显著改善了此次降水模拟效果，表明考虑初值、物理过程、侧边界不确定性的集合预报，对降水预报有显著改善。

6 结 论

（1）物理过程扰动对整个降水过程的影响最大，初值扰动在积分初期影响较大，而侧边界扰动随着时间积分向模拟区域中心传播逐步增大，在积分一定时间后，其对降水的影响与物理过程扰动的影响相当。

（2）对小雨及以上量级降水预报，物理过程扰动构建的集合预报最优；大雨及以上量级的降水预报，初值扰动的集合预报最优；而中雨和暴雨及以上量级的降水预报，则是基于侧边界扰动的集合预报最优。

（3）4个集合预报Talagrand分布呈典型的“U”型分布，说明集合系统的离散度偏小。单个因子构造的集合预报中，物理过程扰动构建的集合预报最优，其次是侧边界扰动，最后是初值扰动。

（4）同时考虑初值、侧边界和物理过程不确定性的集合预报方案IV＿MP＿MB，24 h累计降水均方根误差和空间相关系数的改进率分别为12．22%和37．84%，对降水预报有显著改善，好于单因子构造的集合预报。

由于本文只研究了1次暴雨个例，所得的结论必然有其局限性，还需要更多的个例来补充和修正。另外，本文构建的集合预报离散度偏小，可能是集合预报的成员数不够多造成的，要提高集合预报质量和离散度就需要构造更多的成员，这些问题将在下一步工作中进行研究。

［1］杜钧，陈静．单一值预报向概率预报转变的基础：谈谈集合预报及其带来的变革［J］．气象，2010，36（11）：1－11．

［2］张涵斌，陈静，智协飞，等．GRAPES区域集合预报系统应用研究［J］．气象，2014，40（9）：1076－1087．

［3］张晓露，李照荣，周筠珺，等．西北地区东部夏季一次典型暴雨的分析和数值模拟［J］．干旱气象，2015，33（4）：616－625．

［4］董春卿，苗爱梅，郭媛媛，等．地形对山西垣曲“0729”特大暴雨影响的数值模拟分析［J］．干旱气象，2015，33（3）：452－457．

［5］李俊，杜钧，刘羽．北京“7．21”特大暴雨不同集合预报方案的对比试验［J］．气象学报，2015，73（1）：50－71．

［6］薄燕青，闵锦忠，赵桂香．黄河中下游地区一次暴雨过程的数值模拟和诊断［J］．干旱气象，2014，32（1）：60－69．

［7］Arribas A．Results of an initial stochastic physics scheme for the Met Office Unified Model［J］．Forecasting Research Technical Report，2004，69（452）：342－357．

［8］Errico R，Baumhefner D．Predictability experiments using a highresolution limited－area model［J］．Monthly Weather Review，1987，115（2）：488－504．

［9］Warner T T，Peterson R A，Treadon R E．A tutorial on lateral boundary conditions as a basic and potentially serious limitation to regional numericalweather prediction［J］．Bulletin of the American Meteorological Society，1997，78（11）：2599－2617．

［10］Lorenz E N．The Essence of Chaos［M］．Seattle：University of Washington Press，1993．

［11］杜钧，钱维宏．天气预报的三次跃进［J］．气象科技进展，2014，4（6）：13－26．

［12］Houtekamer P L，Derome J．Methods for ensemble prediction［J］．Monthly Weather Review，1995，123（7）：2181－2196．

［13］Hou D，Kalnay E，Droegemeier K K．Objective verification of the SAMEX'98 ensemble forecasts［J］．Monthly Weather Review，2001，129（1）：73－91．

［14］Krishnamurti T N，Kishtawal C M，LaRow T E，et al．Improved weather and seasonal climate forecasts from multimodel superensemble［J］．Science，1999，285（5433）：1548－1550．

［15］Zhang F，Odins A M，Nielsen－Gammon JW．Mesoscale predictability of an extreme warm－season precipitation event［J］．Weather and Forecasting，2006，21（2）：149－166．

［16］徐广阔，赵思雄，王业桂，等．2003年汛期淮河流域降水的集合预测试验研究［J］．气候与环境研究，2008，12（4）：481－488．

［17］张涵斌，陈静，智协飞，等．基于GRAPES＿Meso的集合预报扰动方案设计与比较［J］．大气科学学报，2014，37（3）：276－284．

［18］陈静，薛纪善，颜宏．一种新型的中尺度暴雨集合预报初值扰动方法研究［J］．大气科学，2005，29（5）：717－726．

［19］Zhang F，Snyder C，Rotunno R．Effects of moist convection on mesoscale predictability［J］．Journal of the Atmospheric Sciences，2003，60（9）：1173－1185．

［20］Talagrand O，Vautard R，Strauss B．Evaluation of probabilistic prediction systems［C］／／Proc．ECMWFWorkshop on Predictability．1997，1：25．

［21］王洋，曾新民，葛洪砘，等．陆面特征量初始扰动的敏感性及集合预报试验［J］．气象，2014，40（2）：146－157．

［22］Hong SY，Dudhia J，Chen SH．A revised approach to icemicrophysical processes for the bulk parameterization of clouds and precipitation［J］．Monthly Weather Review，2004，132（1）：103－120．

［23］Mlawer E J，Taubman SJ，Brown PD，etal．Radiative transfer for inhomogeneous atmospheres：RRTM，a validated correlated-k model for the longwave［J］．Journal of Geophysical Research：Atmospheres，1997，102（D14）：16663－16682．

［24］Dudhia J．Numerical study of convection observed during thewinter monsoon experiment using a mesoscale two－dimensional model ［J］．Journal of the Atmospheric Sciences，1989，46（20）：3077－3107．

［25］Hong S Y，Noh Y，Dudhia J．A new vertical diffusion package with an explicit treatment of entrainment processes［J］．MonthlyWeather Review，2006，134（9）：2318－2341．

［26］Janjic Z I．The step－mountain eta coordinate model：Further developments of the convection，viscous sublayer，and turbulence closure schemes［J］．Monthly Weather Review，1994，122（5）：927－945．

［27］Chen F，Dudhia J．Coupling an advanced land surface－hydrology modelwith the Penn State－NCARMM5 modeling system．Part I：Model implementation and sensitivity［J］．Monthly Weather Review，2001，129（4）：569－585．

［28］Zhang Z，Krishnamurti T N．A perturbation method for hurricane ensemble predictions［J］．Monthly Weather Review，1999，127 （4）：447－469．

Simulation of Different Ensemble Forecast Schemes on a Large Area Heavy Rainfall by WRF M odel

YUAN Youlin1，YANG Bihua1，ZHOU Hong2，KANG Xiaoping1，CHEN Guang1，ZHAO Jun1

（1．Unit of63610 of the Chinese People's Liberation Army，Korla 841001，China；2．Unit of 61243 of the Chinese People's Liberation Army，Urumqi830000，China）

In order to examine the effects of uncertainty in ensemble forecast，a typical large range rainstorm process occurred in Shaanxi，Shanxi，Hebei and Shandong Provinces from 12 to 13 July 2013 was simulated by WRF V3．6 meso－scalemodel from the disturbance of initial value，lateral boundary and physical process．The results are as follows：（1）The effects of uncertainty in WRF model on the simulation of the rainstorm were great．The perturbation of physical process had the greatest influence on the simulation of the rainstorm．The effectof initial value perturbation on the simulation resultwas obvious in the beginning of simulation，but gradually weakened in the later stage．However，the effect of lateral boundary uncertainty on the simulation resultwas small in the beginning of integral，subsequently became larger and largerwith the transportation of perturbation to the simulation centre．（2）The ensemble forecasts of physical process scheme and initial value in WRFmodelwere optimal to light rain and heavy rain and above，while that of lateral boundary scheme were optimal tomoderate rain and rainstorm and above．（3）Comparing the dispersion of three kinds ofensemble forecast，we found that the ensemble forecast of physical process perturbationswas the best，while that of initial value uncertainty was the worst．（4）The ensemble forecast considering three kinds of uncertainty was better than that of simple uncertainty，which significantly improved the forecast of the rainfall．

ensemble forecast；initial value；physical process；lateral boundary；WRF；rainstorm

1006－7639（2016）－06－1027－10

10．11755／j．issn．1006－7639（2016）－06－1027

P458．1+21．1

A

2016－05－23；改回日期：2016－07－17

袁有林（1987－），男，甘肃平凉人，硕士，主要从事天气预报工作．E－mail：908248336＠qq．com