林琳 卢楚翰 周菲凡 ,

1 南京信息工程大学气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心，南京 210044

2 中国科学院大气物理研究所云降水物理与强风暴实验室，北京 100029

3 中国科学院大学，北京 100049

1 引言

我国位于东亚季风区，春夏季的降水活动与夏季风联系密切（陶诗言, 1980）。受季风影响夏季江淮地区会迎来梅雨期，梅雨期的开始标志着北半球夏季风在东亚地区的爆发，梅雨季节的长短及雨量多寡对我国长江、淮河流域的国民经济都有很大影响，关于梅雨特别是梅雨锋暴雨的研究一直备受关注（陶诗言等, 1958）。有研究表明夏季风到达关键区的时间与梅雨持续日期及梅雨量关系密切，如果到达偏早，出梅偏晚，梅雨量偏多，到达偏晚时，出梅日偏早，梅雨量偏少（蔡芗宁等, 2020; 彭菊香等, 2020）。2020 年梅雨期降水具有持续时间长、雨量多、暴雨范围广、强降水落区重叠度高的特点（蔡芗宁等, 2020）。梅汛期暴雨不仅会造成洪涝灾害，同时还会引发泥石流等次生灾害（陈茂钦和徐海明, 2011; 裴昌春和仇耀, 2020），极易造成财产损失及人员伤亡，对国家发展和人民安全十分不利，提高梅汛期暴雨的预报能力对于减灾、防灾工作意义重大（李祥等, 2020; 赵益帆等, 2020）。

对于梅汛期暴雨的降水机制，前人已经进行了较为深入的研究。前人探索与之相关的前兆信号发现：江淮夏季降水的变化不仅与夏季的NAO 显着相关，江淮梅雨的多时间尺度变化同时也与热带、中高纬度地区的准两周一次和30～60 d 的振荡的影 响 关 系 密 切（Wang et al., 2018; Ding et al.,2020）。有学者发现东亚—太平洋遥相关型与江淮降雨均表现出明显的10～30 d 和30～60 d 振荡，利用东亚—太平洋遥相关型探究江淮流域持续性极端降水预报具有一定的可行性（Li et al., 2016; 翟盘茂等, 2016）。而西太平洋副热带高压（WPSH）的北移和东亚沿海南风的弱季风，也会导致江淮梅雨的预测偏差（Liu et al., 2019, 2020）。此外梅汛期暴雨从天气形势可分为准静止锋、气旋锋生两类过程，前者高空环流较为平直，低层切变和降水带稳定少动；气旋锋生梅雨暴雨伴随显著的高空波动，梅雨锋低涡附近往往伴随有中尺度对流系统发展，并可能具有更复杂的β 中尺度对流雨带结构（陈涛等, 2020）。有学者研究与梅汛期相关的局地对流系统究发现，低空急流和超低空急流可为梅汛期暴雨提供充足的动力和水汽（陈中赟等, 2021）。不同天气形势及系统影响下梅雨期暴雨具有不同的形成及维持机制，2003 年7 月的梅雨锋暴雨过程中，梅雨锋上不同尺度、高度的天气系统之间的相互作用主要通过梅雨锋附近的4 种垂直环流系统调整实现（廖捷和谈哲敏, 2005）。有学者研究2011 年梅雨锋暴雨过程发现，区别于普通梅雨的垂直对流，边界层辐合、锋面和高空急流等抬升机制共同作用使湿对称不稳定能量释放从而产生倾斜对流。（郑婧等, 2015）。江淮梅雨期暴雨的生成机制与对称不稳定、涡度场、β 中尺度对流线、边界层扰动以及动热力不稳定等条件都有关（高守亭等, 2018）。由于梅雨锋暴雨形成及维持机制的复杂性，目前在梅雨期暴雨的精细结构及发展机理方面仍有难点，对梅雨锋暴雨的认识仍有待于进一步加强。

随着科技不断进步，模式水平及垂直分辨率的提高使得降水预报的准确率有所提升，但目前的暴雨预报仍不尽如人意，远不能满足气象服务需求（寿绍文, 2019）。当前主流全球确定性数值模式在暴雨落区及量级上仍存在较大误差，关于暴雨强度和落区的预报目前仍是预报业务中的难点和热点，暴雨预报具有很强的不确定性，梅雨锋暴雨预报理论和方法更是学者关注的重点。有学者以2009 年6 月29 日梅汛期暴雨事件为例，探究发现1DVAR方法在GRAPES-3DVAR 系统以及局地分析预报系统（LAPS）的应用可在较大程度上改善预报效果（王叶红等, 2012）。有学者探究2020 年7 月7 日梅雨锋暴雨过程发现，3 km 水平分辨率的WRF 模式中采用积云参数化方案能显著提升对梅汛期降雨强度的预报技巧，且混合同化方案能明显提高梅汛期暴雨预报准确率（李祥等, 2020）。此外混合同化方案能够明显地提高梅雨锋暴雨预报准确率，可有效改善风场、温度场和相对湿度场等各个气象要素的初始场结构（梅疏影和闵锦忠, 2018）。有学者研究表明，数值预报对初始条件非常敏感，小尺度的初始误差可能迅速增长并由较小尺度上发展到较大范围，对中尺度数值预报造成重要影响（Bei and Zhang, 2007; 杨舒楠, 2011）。初始场误差随积分过程的延长对模拟结果的影响逐渐增大，且伴随着降水的发生和发展,误差演变逐渐由局地增长发展为全局传播，雨区内的初始误差对降水预报误差具有重要贡献（罗雨和张立凤, 2010）。此外湿对流是导致误差快速增长导致中尺度可预测性有限的关键，湿度场扰动对降水量的影响最大，其次是风场扰动和温度场扰动，且湿度场扰动引起的降水误差最大，水汽初始场越准确,暴雨的模式可预报性就越好（袁有林等, 2017; 刘蕾等, 2018）。为提高梅汛期暴雨的预报技巧，改善其预报结果，探讨预报误差尤其是初始预报误差的来源至关重要（Chen et al., 2017）。但目前针对江淮梅汛期强降水的预报误差来源问题的研究相对较少，因此本研究将着重考虑江淮梅汛期强降水的预报误差来源。

2 资料与方法

2.1 研究对象介绍

本文不考虑台风系统影响产生降水，筛选出2020 年6～7 月的11 次梅汛期暴雨事件。以中国自动站与CMORPH 降水产品融合的逐时降水量网格数据集（1.0 版）（以下简称OBS）作为降水真值，计算每次暴雨事件江淮区域内的总过程累积降水量以及单点的累积最大降水量如表1。

表1 2020 年11 次梅汛期暴雨事件的降水时次、区域实测累积总降水量以及单个格点的实测累积最大降水量Table 1 Characteristics of eleven heavy precipitation events during the Meiyu period in 2020, including the precipitation time, cumulative precipitation, and maximum cumulative precipitation in a grid

2.2 数值模拟试验设计

本文运用WRF（Weather Research and Forecasting Model）V3.6.1 数值模式对选取的2020 年11 次梅汛期强降水事件进行数值模拟。初始场和侧边界场分别由NCEP_FNL（Final Global Data Assimilation System，每6 h、水平分辨率为1°×1°）与TIGGE_EC（THORPEX Interactive Grand Global Ensemble from European Centre for Medium-Range Weather Forecasts，12 h、水平分辨率为0.5°×0.5°）分析场资料通过WRF 模式生成，得到的预报结果分别为WRF_FNL、WRF_EC。模拟网格水平分辨率为3 km，水平格点数约1100×700，覆盖整个江淮区域。垂直方向60 层，模拟区域中心为各事件的降水中心，积分时间步长15 s，模拟未采用嵌套。地图投影采用兰波托投影。物理参数化方案的设置中, 短波辐射方案采用Goddard 短波方案，长波辐射方案采用RRTM（Rapid Radiative Transfer Model）方案，边界层采用EtaMellor-Yamada-Janjic-TKE 方案，陆面过程方案采用Noah land-surface model 方案，不使用积云参数化方案，不考虑积云对流。

此外，本文采用美国环境预测中心（National Weather Service's National Centers for Environmental Prediction）的全球数据同化系统GDAS（Global Data Assimilation System）得到的gdas1 数据作为HYSPLIT模式的输入场以探究水汽来源路径。

2.3 方法

2.3.1 误差来源识别方法

本文采用Zhou et al.（2016, 2018）的误差来源识别方法，即选择一个较为准确的预报为参考，将该预报所用初值作为较准确的初值，通过分析采用该初值后预报的改善程度考察初始误差对预报误差的贡献，并进一步分析初始误差的主要来源区域及变量并通过敏感性试验考察敏感区及敏感变量的准确性。

2.3.2 敏感区识别方法

为综合对比FNL、TIGGE_EC 作为WRF 模式初始场的差异，确定初始误差的主要来源区域，引入湿能量的计算公式（周菲凡, 2009），对每一水平格点所在的垂直空气柱，我们根据如下公式计算垂直积分：

2.3.3 相关系数

为更直观地表示梅汛期暴雨事件的预报情况，考察预报累计降水与观测累计降水位置和强度的相似性，计算相关系数如下：其中，F为江淮地区累积预报降水量（TIGGE_EC、WRF_FNL 或WRF_EC），O为江淮地区累积观测降水量（OBS），r(F,O)为F与O的相关系数，Cov(F,O)为F与O的协方差，Var[F]为F的方差，Var[O]为O的方差。

2.3.4 TS 评分

为进一步考察梅汛期暴雨事件的预报情况，采用格点对格点的方法计算TS 评分，公式如下：其中，NA表示预报的降水量和观测的降水量同在大雨以上量级的格点数，NB为空报的格点数，NC为漏报的格点数。

2.3.5 水汽贡献率

为说明轨迹的水汽含量及对研究区域的水汽贡献率，引入公式：其中，Qs表示某一水汽通道的水汽贡献率，qlast表示气流到达最终位置时的比湿，m表示某一水汽通道上的轨迹数量，n表示所有水汽通道上的总气流轨迹数。

3 初始场敏感性分析

根据Huang and Luo（2017）对2013～2015 年华南前汛期的5 d 降水预报分析，ECMWF 总体来说具有很高的预报技巧。此外，有研究表明，TIGGE_EC 资料中的控制预报对江淮区域各要素预报也具有较高的准确性（舒章康等, 2021）。针对本研究关注的11 次暴雨事件，TIGGE_EC 资料中的控制预报也显示出了优越的预报性能，总体而言，具有相对较高的TS 评分（图1），且与实测降水OBS 具有较高的相关系数（图2）。因此我们可认为TIGGE_EC 资料的控制预报的初值和模式都是较为准确的。因此，以TIGGE_EC 资料的控制预报的初值做为初值的模拟预报（WRF_EC）相比于以NCEP_FNL 为初值的模拟预报（WRF_FNL），可认为具有较为准确的初始场，因此也有望得到更好的模拟预报结果。

图1 2020 年11 次 梅 汛 期 暴 雨 事 件TIGGE_EC、WRF_FNL、WRF_EC 预报累积降水在大雨以上量级的TS 评分Fig. 1 TS scores of the heavy rain for TIGGE_EC, WRF_FNL, and WRF_EC forecast cumulative precipitation of the eleven rainstorm events during the Meiyu period in 2020

图2 2020 年11 次 梅 汛 期 暴 雨 事 件TIGGE_EC、WRF_FNL、WRF_EC 预报累积降水分别与OBS 实测累计降水的相关，其中红色阴影为WRF_EC 优于WRF_FNL 的程度，黑色阴影为WRF_FNL优于WRF_EC 的程度Fig. 2 Correlation coefficient of the TIGGE_EC, WRF_FNL, and WRF_EC forecast cumulative precipitation, respectively, with OBS(observation) in the eleven rainstorm events during the Meiyu period in 2020. The red shade is the degree to which WRF_EC is better than WRF_FNL, and the black shade is the degree to which WRF_FNL is better than WRF_EC

下面我们考察采用不同的资料做为初始场对预报结果的影响，也即考察WRF_EC 以及WRF_FNL对11 次梅汛期强降水事件的预报效果。首先分析TS 评分，由图1 可见，总体而言WRF_EC 以及WRF_FNL 相差较小，因此为更准确地把握WRF_EC及WRF_FNL 的预报效果差异，我们以实测降水OBS 作为降水真值，分别计算WRF_FNL、WRF_EC预报累积降水与OBS 实测累积降水的相关系数，结合相关系数的结果进行判断。图2 显示，11 次梅汛期强降水事件中，有9 个暴雨事件WRF_EC与OBS 的相关系数显著高于WRF_FNL 与OBS 的相关系数，表明WRF_EC 的预报效果优于WRF_FNL。此外，图2 中的红色阴影面积可表示WRF_EC 相对WRF_FNL 的改善程度，11 次暴雨事件中WRF_EC相较WRF_FNL 的改善程度是较为可观的。因此可得出结论，WRF_EC 的预报效果普遍优于WRF_FNL，这和前面我们的猜想一致。同时可见，不同的初始场对梅汛期强降水事件的预报具有较大的影响。这表明强降水预报对初始场较为敏感。

4 初始误差来源区域分析

为探究两种不同初始场产生预报效果差异的原因，引入湿能量分析两种初始场的差异。前人研究发现对预报效果综合影响较大的区域可以通过计算两种初始场的湿能量差值扰动场得到，湿能量差值扰动场的大值区可以做为初始误差的主要来源区域（卢楚翰等, 2020）。因此，用该方法识别出此11次梅汛期暴雨事件对应的敏感区，并与各事件的降水区对比探究规律。图3 为事件2、5、6 的敏感区与降水区对比示例，可看出暴雨事件的敏感区多分布于降水区西侧上游。总结敏感区分布规律发现，11 次梅汛期强降水事件的敏感区分布较为集中如图4，集中分布于以下3 块区域，所处地形包括青藏高原东南缘、四川盆地西部、黄土高原、秦岭以及大巴山，其中秦岭同时包含于选定的两块敏感区内。

图3 2020 年梅汛期暴雨事件2（左）、事件5（中）、事件6（右）的（a、b、c）累积实测降水（单位：mm）及（d、e、f）扰动湿能量（单位：105 J）分布。a-c 中红框为选定的降水区，d-f 中红框为选定的敏感区Fig. 3 (a, b, c)Precipitation (units: mm) distribution and (d, e, f) wet energy (units: 105 J) distribution of rainstorm event 2 (left), event 5 (middle), and event 6 (right) in 2020, respectively, where the red frame in (a)-(c) is the selected precipitation area, and the red frame in (d)-(f) is the selected sensitive area

图4 模拟区域内地形（单位：m）分布。红框为2020 年11 次梅汛期暴雨事件敏感区的集中分布位置Fig. 4 Distribution of terrain (units: m) in the simulation area. The red box is the concentrated distribution position of the sensitive area of eleven rainstorm events during the Meiyu period in 2020

下面我们针对WRF_EC 预报效果较好的9 个个例考察所选敏感区的有效性，分别将9 次暴雨事件FNL 初始场中敏感区内的基础要素场（温、压、湿、风等）替换为更准确的TIGGE_EC 初始场，保持边界场、参数化方案等其他条件不变重新进行预报，得到新的预报结果记为F-sens。为定量考察敏感性实验的预报结果，计算F-sens 预报累积降水与降水真值OBS 的相关，并与WRF_FNL、WRF_EC分别与OBS 的相关进行比较如图5。可见9 次强降水事件中有8 次事件替换敏感区内的初始场为更准确的初始场后，新的预报效果相较原初始场得到改善，此8 次事件中又有7 次事件F-sens 的预报效果要优于WRF_EC。这说明敏感区内要素场变化对预报效果的提升具有重要的影响。这一方面验证EC 初始场更为准确，另一方面也验证了敏感区的准确性。在此基础上，进一步考察初始场敏感区内具体哪种气象要素场的改进对预报结果的改进作用最大，即探究敏感区内初始误差来源的敏感变量问题。

图5 2020 年9 次梅汛期暴雨事件WRF_FNL、WRF_EC、 F-sens预报累积降水量分别与OBS 实测累积降水量的相关Fig. 5 Correlation coefficients of WRF_FNL, WRF_EC, and F-sens forecast cumulative precipitation, respectively, with OBS in the nine rainstorm events during the Meiyu period in 2020

5 敏感区内误差扰动因子的贡献分析

在确定敏感区位置后，进一步分析敏感区内的初始误差来源变量。根据前文中湿能量的计算公式，湿能量可根据其物理意义将公式右侧进行划分，公式右侧前两项之和为扰动动能，第三项与第四项之和为扰动有效位能，最后一项为扰动比湿能。在敏感区内分别就扰动动能、扰动有效位能、扰动比湿能进行讨论，探究对预报效果影响最大的敏感要素。

首先探究扰动动能、扰动有效位能以及扰动比湿能的分布特征。首先，在各个例对应敏感区内找到湿能量最大值点，在此点分别作经向、纬向的垂直剖面（图6），可见不论在哪一层次，扰动有效位能量级都最大，可达102量级，其次是扰动动能，量级为10，扰动比湿能量级最小，量级为10-1。在垂直层上，扰动动能、扰动有效位能大值区主要分布于对流层中高层500 hPa 及以上；扰动比湿能的大值区则主要分布在对流层中底层500 hPa 以下，最大值在800 hPa 左右，这说明水汽主要集中在中低层。在同一高度层扰动动能、扰动有效位能几乎无变化，扰动比湿能则有明显的大值中心，且大值中心经纬度位置与湿能量大值中心对应良好。这说明水平分布的湿能量的大值中心主要由比湿能所决定，也即敏感区位置主要由比湿能所决定。虽然扰动动能、扰动有效位能具有较大的量值，但是由于它们在同一高度层上分布较为均匀，所以敏感区不由它们主导，而由分布不均的小量值的比湿能所主导。

图6 2020 年梅汛期暴雨事件3 敏感区内湿能量最大值点的扰动动能、扰动有效位能以及扰动比湿能（单位：J）分别沿（a、b、c）纬向、（d、e、f）经向的剖面：（a、d）扰动动能；（b、e）扰动有效位能；（c、f）扰动比湿能Fig. 6 Cross-sectional view of the disturbance’s kinetic energy, effective potential energy, and specific humidity energy (units: J) at the maximum moisture energy point in the sensitive area of rainstorm event 3 in 2020 along the (a, b, c) longitudinal and (d, e, f) latitude directions: (a, d)Perturbation kinetic energy; (b, e) perturbation effective potential energy; (c, f) perturbation specific humidity energy

为进一步验证各种扰动对于预报效果的影响，设置一组针对变量的敏感性实验。分别将各事件初始场敏感区内的扰动动能、扰动有效位能以及扰动比湿能包含的要素场替换为EC 更准确的要素场，保持其他条件不变重新进行预报，得到新的预报结果并进行比较。敏感性实验结果如表2。

表2 2020 年梅汛期11 次暴雨事件敏感性实验预报累积降水量与OBS 实测累积降水量的相关。表中为各事件分别替换扰动动能、扰动有效位能、扰动比湿能，其中黄色、蓝色、绿色阴影分别为替换扰动有效位能、扰动动能、扰动比湿能中的气象要素场后预报效果最好的事件Table 2 Correlation coefficients between the precipitation of OBS and the sensitivity experiment forecast after replacing the disturbance’s kinetic energy, effective potential energy, and specific humidity. Yellow, blue, and green shades indicate the best forecast effect after replacing the meteorological element field in terms of the disturbance’s effective potential energy, kinetic energy, and specific humidity, respectively

11 次梅汛期暴雨事件中，绿色表示替换扰动比湿能包含的要素后预报效果最好的事件，包含事件4～9 和事件11；黄色表示替换扰动有效位能包含的要素后预报效果最好的事件，包含事件1、2；蓝色表示替换扰动动能包含的要素后预报效果最好的事件，包含事件3 和事件10。由表2 可清楚地看到，在11 个研究个例中，7 个个例替换扰动比湿能扰动包含的要素后，预报效果得到明显改善，改善的范围达到64%。由公式（1）可知，可见，虽然扰动比湿能项，即水汽项虽然在整体湿能量中占比最小，但它不可忽略，在扰动比湿能中起决定作用，且对预报效果的改善起着至关重要的作用。

既然敏感区内的水汽扰动对暴雨预报具有较大的影响，下面我们考察暴雨区水汽的来源，以进一步探究敏感区内的水汽扰动对梅汛期暴雨预报结果的影响机制。选取水汽扰动对预报效果改进最明显且WRF_EC 预报相对较好的6 个事件，利用HYSPLIT 后向轨迹模式分别分析其水汽源地，追踪各事件降水时段内累积降水量最大值点的水汽来源 及 路 径（Draxler and Hess, 1998; 姚 俊 强 等,2018）。由于水汽输送主要集中在对流层中低层，本文将追踪高度定在700 hPa 及850 hPa 高度上。6 个事件的水汽聚类结果如图7，事件4、5、7、8、9、11 均有延伸至降水区西侧上游的水汽通道，这说明确实是西侧上游的水汽由水汽通道输送到了江淮区域，因此改善西侧敏感区内的水汽项对梅汛期暴雨的预报效果有较大改进。这一结论也与朱丰等（2014）的结论相吻合。此外事件4、8、9、11 的敏感区与水汽来源路径一致，水汽来源路径经过或者落于敏感区内，该追踪试验也表明敏感区内的水汽扰动可沿着水汽通道进而影响下游的暴雨预报。

由于HYSPLIT 后向轨迹模式只能分析出气流的后向轨迹及源地，无法直接说明轨迹的水汽含量及对研究区域的水汽贡献率。根据公式（4）进一步计算水汽贡献率发现，多数事件水汽贡献率均在15%以上，且该路径的水汽贡献率占总路径比重最大，这说明降水区西侧上游的水汽项对预报效果确实有较大影响，降水区西侧上游的水汽项变化是2020 年梅汛期暴雨预报重要的初始误差来源。

6 总结

利用不同初始场结合WRF 模式对2020 年的11 次梅汛期暴雨事件进行模拟预报，发现以TIGGE_EC 控制预报的初始场做为WRF 模式的初始场模拟效果比以FNL 资料做为初始场的模拟效果更好（WRF_EC 的预报结果相对WRF_FNL 有普遍改善），且TIGGE_EC、FNL 两种初始场的差异造成了预报效果的显著差异，因此初始条件的不确定性是这11 次梅汛期暴雨事件预报不确定性的重要来源。进而探究初始条件中的敏感性区域，梅汛期暴雨的敏感区分布较为集中，主要分布于降水区的西侧上游，位于青藏高原东南缘、四川盆地西部、黄土高原、秦岭以及大巴山区域。将敏感区内的气象要素场替换为更准确的初始场后预报效果有了不同程度的改进，这进一步证明了本文所识别的敏感区的准确性。

在上述基础上，进一步探究敏感性变量，确定敏感区内的敏感要素场。通过分析湿能量中各项的占比以及它们的空间分布，发现虽然水汽项对应的量级较小，然而其大值中心与敏感区中心位置对应良好，且敏感性试验分析发现，11 次梅汛期暴雨事件中有7 次事件将敏感区内的水汽场替换为更为准确的场后预报效果达到最优。这说明水汽项虽然在整体扰动湿能量中占比较小，但不可忽略，西侧上游的水汽项的改善对于改善预报效果起着至关重要的作用。

进一步，对于扰动水汽对预报效果改进最明显且WRF_EC 预报结果相对WRF_FNL 更好的6 个事件，通过HYSPLIT 后向轨迹模式分别追踪各事件降水时段内累计降水量最大值点的水汽来源及路径发现，6 个事件的水汽来源路径均有向降水区西侧上游延伸的水汽通道，且存在明显的降水贡献，进一步说明西侧上游的水汽项误差是2020 年梅汛期暴雨预报重要的初始误差来源。