第46卷第12期气象Vol.46No.12 2020年12月METEOROLOGICAL MONTHLY December2020
薛文博，余晖，汤胜茗，等，2020.上海快速更新同化数值预报系统(SMS-WARR)的近地面风速预报检验评估气象，46 (12)：1529-1542.Xue W3,Yu H,Tang S M,et al,2020.Verification on surface wind speed forecast of Shanghai Meteorological Service-WRF ADAS Rapid Refresh System(SMS-WARR)Meteor Mon,46(12) ：1529-1542(in Chinese).
上海快速更新同化数值预报系统(SMS-WARR)
的近地面风速预报检验评估!
薛文博1余晖2汤胜茗2黄伟2姜文东M周象贤4陆逸2
1中国气象科学研究院，北京100081
2中国气象局上海台风研究所，上海200030
3国网浙江省电力有限公司，杭州310007
4国网浙江省电力有限公司电力科学研究院，杭州310014
提要：对上海快速更新同化数值预报系统(Shanghai Meteorological Service-WRF ADAS Rapid Refresh System,SMS-WARR)的10m预报风速进行分级检验评估，在此基础上进一步研究了台风影响期间的风速预报误差特征，并探讨了误差的可能成因。结果表明：SMS-WARR在各预报时效都存在对实测小于6级的风预报偏大，对6级及以上的风预报偏小的特点(随着预报时效的增长，小于6级风的预报评分降低6级及以上风的评分增大；预报风速与实测风速在5%〜90%分位数之间的分布呈明显的线性相关。在台风影响期间,SMS-WARR预报的强风区域与实际位置基本符合，但范围明显偏大，预报偏差大值区主要集中在预报强风区域’这些误差特征与模式冷、热启动方案的设置、模式对台风快速增强的预报能力较弱等有关’
关键词：风速预报，检验，台风
中图分类号：P456文献标志码：A DOI：10.7519/j.issn.1000-0526.2020.12.001
Verification on Surface Wind Speed Forecast of Shanghai Meteorological Service-WRF ADAS Rapid Refresh System(SMS-WARR)
XUE Wenbo1YU Hui TANG Shengming2HUANG Wei
JIANG Wendong3ZHOU Xiangxian4LU Yi
1Chinese Academy of Meteorological Sciences，Beijing100081
上海台风什么时候来2Shanghai Typhoon Institute，CMA，Shanghai200030
3State Grid Zhejiang Electric Power Co.LTD，Hangzhou310007
4Research Insttute.State Grid Zhejiang Electric Power Co.LTD,Hangzhou310014
Abstract:In order to evaluate the wind speed forecast ability of Shanghai Meteorological Service-WRF ADAS Rapid Refresh System(SMS-WARR)，the10m wind was divided into three levels to analyze the errorcharac:eris:icsandcorrespondingcausesofforma:ion，especia l yduring:heperiodof:yphooninflu-ence.The results show that the SMS-WARR model overestimates the wind weaker t h an Grade6and underestimates the wind stronger than or equal to Grade6in each lead time.The wind speed forecast score decreases for the wind weaker than Grade6and increases for the wind stronger than or equal to Grade6
*国网浙江省电力有限公司科技项目(5211DS18002P)、国家重点研发计划(2018YFB1501104)、国家重点基础研究发展计划(015CB452806)、国家自然科学基金项目(41805088)和上海市自然科学基金(18ZR1449100)共同资助
2019年9月23日收稿(2020年10月19日收修定稿
第一作者：薛文博，主要从事热带气旋研究工作.E-mail：
通讯作者：余晖，主要从事热带气旋研究工作.E-mail:
1530气象第46卷
with the increase of lead time.The forecast and observed wind speeds are obviously linearly correlated between5%—90%quartiles.During the period of typhoon influence,the area of strong wind(Grade6)is much larger than the area where the strong wind was actually measured.The area of large deviation is mainly distributed in the area of forecast strong wind.These error characteristics may be related to the scheme setting of the cold and hot starting of the model and the model's weak predicability t o the wind field during t h e rapid s t r eng t h ening phase of t y phoons.
Key words：wind speed forecast,verification,typhoon
引言
针对强对流天气短时临近预报的主要技术有基于雷达回波和卫星图像的外推、数值预报技术和基于观
测资料建立概念模型等(Wilson et al,1998)。由于缺乏对天气系统物理机制的描述，基于雷达回波和卫星图像外推技术的预报能力会随预报时效的增长而迅速降低(Wilson et al,2010)。相比之下，利用高频资料同化，即快速更新同化技术来调整初始场，再利用数值模式进行预报的方法既弥补了传统预报模式中初始场更新较慢的缺点，也包含了对天气系统物理机制的描述。虽然目前模式对大气中动力和物理过程的描述还不够完善，但这依然是针对强对流天气短时临近预报的重要方向之一(陈葆德等,2013)。除此之外，近年来回波外推和高分辨率数值模式预报相结合的方法也在不断发展并应用到实际业务(Wang et al,2015；薛峰等，2017)。
美国国家环境预报中心(NCEP)的快速更新同化系统(Rapid Update Cycle,RUC)在1994年正式业务化(Benjamin et al,2004)，新一代的快速更新同化预报系统(Rapid Refresh,RR)在2012年正式业务化，更高分辨率的RR系统(High-Resolution Rapid Refresh,HRRR)于2014年实现业务化(James et al,2017) 0我国的快速更新同化和预报技术研究起步较晚，但近几年也不断地快速发展(张小玲等，2018)，具代表性的有：北京基于WRF模式和三维变分同化技术，建立了北京快速更新循环预报系统(BJ-RUC)(魏东等，2011)；广州在GRAPES 区域中尺度数值预报系统(GRAPES_meso)及三维变分同化技术的基础上建立逐时同化分析与模式预报循环系统(CHAF)(陈子通等，2010；黄燕燕等，2011)；上海在2009年基于WRF模式和ADAS (ARPS Data Analysis System)同化系统，建立了第一代上海快速更新同化数值预报系统(Shanghai Meteorological Service-WRF ADAS Rapid Refesh System,Version1.0,SMS-WARR V1.0)(陈葆德等，2013)'
检验评估是增强对模式预报能力的认知，合理使用预报产品的重要环节(Chakraborty,2010；Gofa et al,2018)。Chen(2013)对国内8个区域模式(沈阳、北京、上海、武汉、成都、广州、兰州和乌鲁木齐)和数值天气预报中心的GRAPES_meso做了比较评估，结果表明各区域模式的误差特点各不相同，上海、北京、广州和沈阳区域模式的预报误差相对较低，表现更稳定。目前,SMS-WARR已经是华东区域气象中心主要的数值预报业务模式系统之一，针对SMS-WARR的检验评估也已经有了不少研究工作，例如王晓峰等(2015)对一次上海局地强对流过程的试验结果表明，采用WRF和资料同化系统ADAS能够较好地模拟降水的发生时间、落区和随时间的演变。李佳等(2017)利用SMS-WARR在江苏阜宁附近模拟出了类似龙卷母体的涡旋结构，发展过程与实况基本吻合，逐小时的观测资料循环同化对此次龙卷天气的模拟起着关键作用。
随着人们对精细化风场预报需求的提高，模式对风场预报能力的检验也愈加重要，但已有关于SMS-WARR的检验评估大多关注模式在降水以及强对流天气的预报表现，缺乏对模式风场预报结果的检验评估。本研究就将针对这一不足，对SMS-WARR在2018年8月至2019年2月期间的近地面风速预报能力进行评估，特别地将对研究期间内台风近地面风场的预报能力进行分析，以期对SMS-WARR的近地面风速预报能力有更清晰的认识，为该模式风速预报产品的应用和模式本身的进一步改进提供参考。
第12期薛文博等：上海快速更新同化数值预报系统（SMS-WARR ）的近地面风速预报检验评估
1531
1
模式、资料以及检验方法
1.1 SMS-WARR 模式简介基于美国俄克拉何马大学开发的ADAS 资料 同化系统和中尺度数值预报模式（WRF ），上海在 2009年建立了 SMS-WARR V1. 0，并在同年年底实 现业务运行（陈葆德等，2013）。2014年升级研发得
到SMS-WARR V2. 0，进一步经过优化后的SMS- WARR V2. 1在2018年8月开始业务测试，12月
正式业务化。针对开始业务测试之后的SMS- WARR V2. 1系统，本研究对其近地面风速的预报
进行检验评估。
SMS-WARR V2. 1模式每小时启动一次，每次 进行24 h 的逐小时预报。在02时（北京时，下同）,
系统进行冷启动：背景场由华东区域中尺度模式 SMS-WARMS V2. 0（Shanghai Meteorological Service-
WRF ADAS Real-Time Modeling System , Version
2.0）前一日20时起报的6 h 预报场提供，水平分辨 率为9 km 。其他预报时刻均为热启动，背景场由循 环系统上一时次的1 h 预报场提供。在背景场的基 础上同化各种观测资料之后得到WRF 模式的预报 初始场（图1）该系统对观测资料采用逐小时循环
同化，同化的观测资料主要包括地面自动气象站观 测、探空观测、雷达资料和FY-2G 卫星资料等。 SMS-WARR V2. 1系统的水平分辨率为3 km，垂
直方向为51层，模式层高约为30 km，未采用积云
对流参数化方案，预报的区域范围主要是我国华东 区域（王晓峰等，2015；李佳等，2017）。
1.2资料及检验方法
用于模式检验评估的观测资料是由上海市气象 信息与技术支持中心提供的约5 500个自动观测站
点资料，区域范围是江苏省、上海市、浙江省和福建 省（图2），时间范围是2018年8月1日至2019年2
月28日，包含的风场信息有逐小时地面10 m 高度的 2 min 平均风向和平均风速。其中静风（取小于0.5
m - s '1 ；严婧等,2017）和低风速（取小于1.5 m - s '1 ；
唐敬等,2011）的样本数分别为600万和1 400万个, 小于6级风的总样本数大于2 700万个，6〜8级风的
样本数约为14万个，大于8级风的样本数约为1200
个。用于个例分析的台风资料来源于中国气象局上 海台风研究所整编的热带气旋最佳路径数据集
（http ： #tcdata. typhoon, org. cn/ ; Ying et al,2014）。
对模式的检验评估方法是将模式格点数据通过
双线性插值到挑选出的站点，然后进行所选区域的 整体统计检验以及台风个例分析。评估模式风速预
报能力主要的检验指标有预报风速的偏差（Bias ）、 均方根误差（RMSE ） （Pinson and Hagedorn, 2012 ； Chen et al,2013；何晓凤等，2014 ；曾瑾瑜等，2015；
卢冰等,2017）以及准确率等检验评分。参考《全国
智能网格气象预报业务规定（2017）》！，本研究将使 用Bias 、RMSE 及以下评分指标：
03时间/BT
图1 SMS-WARR V2. 1模式循环同化设置框架图
Fig. 1 Flow chart of the assimilation cycle in SMS-WARR V2. 1
《全国智能网络气象预报业务产品陆面基本要素预报检验办法》（气预函［2017］）36号。
02
04
1532"气象第46卷
$NR,
风速预报准确率:AC=—
N（
$
$NS%
风速预报偏强率:FS=%#1—
N（
$
$NW%
风速预报偏弱率:FW=「
NF
$
$SC t
风速预报评分：SC=-
式中:NR%为第％级风力预报正确的站（次）数，表示预报风速和实况风速在同一等级;NS t为第％级风力预报偏强的站（次）数，表示预报风速大于实况风速等级;NW t为第％级风力预报偏弱的站（次）数，表示预报风速小于实况风速等级；SC，来自业务规定中的风速预报评分对照表（表略）;NF为预报总站（次）数。K为风速预报等级，取1〜13。
2风速预报误差的总体特征
2.1均方根误差和偏差检验
分析SMS-WARR在不同等级风力下的偏差
图2研究区域内的自动观测站点分布
(+号表示站点位置)
Fig.2Distribution of automatic surface observation
stations in verification region
(Asterisks show the locations of the automatic
surface observation stations)（Bias）和均方根误差（RMSE）（图3）可以看出，随着风速增大,Bias逐渐减小。当风力较小时，模式存在正的Bias，即预报风速偏强，且随着风力等级加大，Bias逐渐减小。对于静风和低风速，Bias分别为2.2和1.8m-s'1。当风力超过5级之后Bias变为负值，即在强风条件下预报风速偏弱。这些预报偏差随风速的变化特征与已有研究一致（Cheng and Steen-burgh,2015；Henckes et al,2018），究其原因可能和模式对地形的平滑处理有关。模式对次网格地形拖曳作用的考虑不足，会使得小风速被高估；而在复杂地形区域，模式中的山顶会比实际山顶更加平滑，使得大风速被低估（Jimenez and Dudhia,2012；2013；刘郁珏等，2019）。风力小于6级时，模式预报风速的RMSE维持在2〜3m-s'10此后RMSE随着风力的增大而明显增大，当风力大于8级时，RMSE可达8m-s
'1以上。根据上述误差特征，同时参考《全国智能网格气象预报业务规定（2017）》和业务中灾害大风的标准，以下将观测资料按照风速分为三个等级进行统计检验：小于10.7m-s'1（小于6级）、10.7〜20.8m-s'1（6〜8级）和大于20.8m-s'1（大于8级）。
对7个月的总体误差进行分析（图4a，b），可以发现，随着预报时效的增长，小于6级的风速预报RMSE从1h预报时效的2.3m-s'1增大到24h 的3.5m-s'1，增幅约为1.2m-s'10但对6级及以上的风速预报，不同预报时效的RMSE基本相当。其中6〜8级风的RMSE约为4.5m-s'1，大于 8级风的RMSE约为9.0m-s'1。风速预报Bias的统计结果如下：对于实测小于6级的风，模式的正Bias 从1h的1.5m-s'1增大到24h的2.4m-s'1；实
012345678>9
风力/级
图3SMS-WARR模式在不同等级风力下
的偏差和均方根误差
Fig.3Bias and RMSE of10m wind speed
forecastbySMS-WARR
underdi f
erentwindforces
第12期薛文博等：上海快速更新同化数值预报系统（SMS-WARR ）的近地面风速预报检验评估
1533
测6〜8级的风速，模式的负Bias 绝对值从1 h 的3. 5 m - s '1减小到24 h 的2. 3 m - s '1 ；实测8级以
上的风速，模式的负Bias 绝对值从1h 的7. 8 m -
s '1减小到24 h 的7. 7 m - s '1。可见，模式预报对 于实测小于6级的风存在系统性的高估，且预报时 效越长，正偏差越大，即高估越明显；对于实测6级
及以上的风存在系统性的低估，且预报时效越长，负 偏差越小，即低估会改善。
由于8月受台风影响较多，大风速样本占比较
大，将其单独统计分析。图4c 表明，8月6级及以上 风速预报的RMSE 随预报时效的增长有明显增大, 尤其是大于8级的风速预报，RMSE 在第11小时达
13. 2 m - s '1，之后趋于平稳。8月Bias 随预报时效 的变化趋势则与7个月总体的变化趋势相反，即随
着预报时效的增长，小风速的正偏差略微减小，而大 风速的负偏差绝对值则明显增大，其中对于实测6〜
8级和8级以上的风速，24 h 的Bias 绝对值比1 h 预报时效分别增大了 2.1和3. 7 m - s '1（图4d ）
20 n （C ）
15-10-
5-⑹
-一
---------------
0 5 0 52 11(-s
• u o 'a s w y
8 12 16
预报时效/h
....大于8级-----6-8 级—
—小于傲20
24
....大于8级-----6~8 级—
—小于鍛12 16
20
24
预报时效/h
....大于8级-----6~8级—
—小于載4 8
12 16 20
24预报时效/h
>0n -(“ ……大于8级-B
—
—6~8级—
—小于毀10-
5-
10目
(b)
10n
(d)
....大于8级-----6〜8级—
—小于嚴8
12 16 20
24
预报时效/h
....大于8级-----6~8级—
—小于嚴o
t
(
T s •
旦
(T s •
(
〒s
•
10n
5-
15 |~|~~r
4
10n
(h)
5 一
-10^
8 12 16 20
预报时效/h
....大于8级-----6~8级—
—小于嚴「24
8
12 16
20
24
预报时效/h
....大于8级-----6~8 级----小于嚴
(T s •
日)、w
s
w ¥
5 o
5
5匚
5
-T
(
T s • m )
4
〒8
-
15 4
5 一
-15 4
0 -I _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _4 8 12 16 20 24
预报时效/h —15 ~_ ___ __ __ ___ __ ___4 8 12 16 20 24
预报时效/h
图4 SMS-WARR 模式10 m 风速各预报时效的RMSE(a, c, e, g)和Bias(b,d,f,h)检验结果
(a,b)全体样本，(c,d)2018年8月，(e,f)秋季(2018年9—11月)，(g,h)冬季(2018年12月至2019年2月)
Fig.4 Lead imeseriesofRMSE (a !c !e !g )andBias (b !d !f !h )of10 m windspeedforecas:bySMS-WARR
(a !b )seven mon:hs !(c !d ) Augus:2018!(e !f )au:umn (Sep:ember !
Oc:oberandNovember2018!:hesamebelow )!(g !h ) win:er (from December 2018:o February 2019
)
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论