張玉濤 佟 華* 孫 健

1)(國家氣象中心， 北京 100081)

2)(中國氣象局數(shù)值預(yù)報中心， 北京 100081)

引 言

第23屆冬季奧運會和第13屆冬季殘奧會分別于2018年2月9—25日、3月8—18日在韓國平昌舉辦。為全面了解復(fù)雜地形下冬季惡劣天氣事件、提高平昌冬奧會臨近預(yù)報和超短期預(yù)報能力，在世界氣象組織(World Meteorological Organization，WMO) 世界天氣研究項目組(World Weather Research Programme，WWRP)的支持下，韓國氣象廳組織了2018年平昌冬奧會和殘奧會國際合作試驗項目ICE-POP 2018(International Collaborative Ex- periments for Pyeongchang 2018 Olympic and Par- alympic Winter Games)，其目的是通過不同國家或國際組織的數(shù)值天氣預(yù)報模式研究部門的合作，更好地完成平昌冬奧會期間氣象服務(wù)保障工作。

冬奧會比賽項目賽道落差較大，比賽場地風(fēng)場會影響比賽成績，因而復(fù)雜地形下的時空精細化預(yù)報能力尤為重要。為了提高成員國對流尺度數(shù)值天氣預(yù)報模式的能力，了解高影響天氣系統(tǒng)，世界氣象組織天氣研究項目組批準(zhǔn)并支持了多種國際項目，如預(yù)報示范項目和研究與發(fā)展項目。首次針對冬季天氣預(yù)報項目是在2010年加拿大溫哥華冬奧會[1](SNOW-V10,Science of Nowcasting Olympic Wea- ther for Vancouver 2010),重點關(guān)注高影響天氣在復(fù)雜地形下6 h以內(nèi)的短期和短時臨近預(yù)報，提高對低云和能見度、降水量和降水類型以及風(fēng)速、陣風(fēng)的臨近預(yù)報。第2次是在2014年俄羅斯索契冬奧會[2](FROST-2014,Forecast and Research in the Olympic Sochi Testbed program),側(cè)重高分辨率預(yù)報，中尺度集合和確定性預(yù)報。ICE-POP 2018是第3次，致力于通過加密觀測網(wǎng)，建立冬季復(fù)雜地形下從臨近到短期的無縫隙預(yù)報。

作為中國氣象局自主研發(fā)的數(shù)值天氣預(yù)報模式，GRAPES_Meso于2010年受邀參與了溫哥華冬奧會SNOW-V10項目[3]，該次預(yù)報服務(wù)中，模式采用15 km和3 km兩重嵌套網(wǎng)格，提供每日兩次針對奧運會各賽場天氣要素(地面2 m氣溫、露點溫度、相對濕度、風(fēng)速、風(fēng)向和降水量)、各層位勢高度和水平風(fēng)場(200，300，500，700，850，925 hPa)、相對濕度(700，850，925 hPa)、海平面氣壓、溫度等的圖形產(chǎn)品。結(jié)果表明：GRAPES_Meso對溫度和相對濕度的預(yù)報效果較好，風(fēng)速的預(yù)報準(zhǔn)確率最高可達62.39%，但風(fēng)向的預(yù)報效果不理想。同時，模式存在一定系統(tǒng)性誤差，若可進行有效訂正，將有助于改進模式預(yù)報。自2010年參加加拿大溫哥華SNOW-V10到2017年參加韓國平昌ICE-POP 2018，GRAPES區(qū)域模式經(jīng)過不斷改進和發(fā)展[4-6]，原始水平分辨率由15 km 提高到10 km,模式預(yù)報從每日2次增加到每日8次，并且開發(fā)了基于GRAPES區(qū)域模式框架的高分辨率模式GRAPES_3 km, GRAPES_3 km模式初始場中增加了云分析及同化了覆蓋全國范圍的雷達產(chǎn)品，垂直分辨率可達50層，在強對流天氣業(yè)務(wù)預(yù)報中表現(xiàn)出較為優(yōu)異的預(yù)報能力[7-8]。

但要滿足平昌冬奧會的服務(wù)需求，GRAPES_3 km 模式面臨兩個主要難題：一是模式的水平分辨率尚不足以模擬精細化的地形；二是數(shù)據(jù)傳輸?shù)瓤陀^原因模式初始場無法使用和同化平昌冬奧會提供的精細化觀測數(shù)據(jù)，這將影響模式在平昌范圍內(nèi)的預(yù)報能力。為了提高預(yù)報性能，模式偏差訂正方法的使用成為一種有效、便捷的方法。模式的后處理一般從兩方面考慮：一是通過降尺度技術(shù)提高模式分辨率；二是對模式數(shù)據(jù)進行偏差訂正。本文主要評估通過偏差訂正方法提高模式在復(fù)雜地形下的預(yù)報能力。

針對模式輸出數(shù)據(jù)偏差的訂正方法，國內(nèi)外均開展了廣泛研究。美國環(huán)境預(yù)報中心(NCEP)的北美集合預(yù)報系統(tǒng)通過采用自適應(yīng)的卡爾曼濾波方案對模式輸出數(shù)據(jù)進行訂正[9-10]，歐洲中期天氣預(yù)報中心(ECMWF)通過采用卡爾曼濾波雙因子訂正方法[11-12]對復(fù)雜地形進行訂正處理。此外，業(yè)務(wù)中常使用MOS(Model Output Statistics)方法，采用長期穩(wěn)定的模式預(yù)報，利用回歸方程來改進局地天氣要素的預(yù)報能力[13-17]。同時，利用神經(jīng)網(wǎng)絡(luò)方法建模也是模式訂正的重要手段[18-19]，但該方法依然依賴長期穩(wěn)定的歷史數(shù)據(jù)。中國氣象局數(shù)值預(yù)報中心主要采用自適應(yīng)的卡爾曼濾波方案對模式數(shù)據(jù)進行偏差訂正，該方法構(gòu)造簡單，對GRAPES系列模式的訂正效果較為顯著[20-23]。 但以前的訂正研究均針對大尺度模式，旨在訂正模式自身的系統(tǒng)性誤差，在平昌冬奧會中，中國氣象局實時獲得觀測數(shù)據(jù)進行預(yù)報，缺乏長期穩(wěn)定的觀測數(shù)據(jù)為支撐，自適應(yīng)的卡爾曼濾波是最符合實際需求且最穩(wěn)妥的方案。但對于冬奧會這樣短時臨近預(yù)報以及精細化、復(fù)雜地形條件下的應(yīng)用場景，其效果仍有待檢驗。

在平昌冬奧會期間，中國氣象局的GRAPES_3 km 模式、韓國氣象廳的 LDAPS(Local Data Assimilation and Prediction System)模式[24]和美國宇航局的NU-WRF(NASA-Unified WRF)[25]模式均承擔(dān)12～24 h的短期預(yù)報并提供實時運行的服務(wù)產(chǎn)品。

本文基于16個場館的加密觀測數(shù)據(jù)，利用自適應(yīng)的卡爾曼濾波方法，對GRAPES_3 km模式開展偏差訂正，以滿足平昌冬奧會復(fù)雜地形條件下的精細化預(yù)報要求。通過與其他模式產(chǎn)品的對比了解模式性能，為今后預(yù)報服務(wù)提供有力保障。

1 數(shù)據(jù)和方法

1.1 觀測站及觀測數(shù)據(jù)

平昌冬奧會期間，16個站點(詳見表1和圖1)的觀測數(shù)據(jù)全部由韓國氣象廳提供，時間分辨率達每分鐘1次，包含降水、風(fēng)向、風(fēng)速、相對濕度，氣溫等變量。

其中，位于阿爾卑西亞的4個站點分別在阿爾卑西亞跳臺滑雪中心(承擔(dān)跳臺滑雪、單板滑雪、北歐兩項)、冬季兩項中心(承擔(dān)冬季兩項項目)、越野滑雪中心(承擔(dān)越野滑雪、北歐兩項)、滑行中心(承擔(dān)雪橇、雪車、鋼架雪車項目)；位于龍坪的3個站點分別在龍坪高山滑雪中心(承擔(dān)高山滑雪中回轉(zhuǎn)、大回轉(zhuǎn)項目)賽道的起點、中點、終點；位于旌善的3個站點在旌善高山滑雪中心(承擔(dān)高山滑雪中滑降、超級大回轉(zhuǎn)、全能等項目)賽道的起點、中點、終點；位于寶光的4個站點分別是寶光鳳凰山滑雪公園(承擔(dān)自由式滑雪、單板滑雪)兩種項目的賽道起點、終點；有2個站分別位于大關(guān)嶺和江陵(包括江陵冰壺中心、冰球中心、冰上運動場、速滑館)。

表1 站點信息表

圖1 站點分布

1.2 模式及模式產(chǎn)品

GRAPES_3 km模式是中國氣象局數(shù)值預(yù)報中心自主研發(fā)的數(shù)值天氣預(yù)報模式，于2016年下半年實現(xiàn)準(zhǔn)業(yè)務(wù)運行。LDAPS模式[24]是韓國氣象廳引入英國氣象局的1.5 km×1.5 km水平分辨率的UM(Unified Models)模式，于2012年在韓國業(yè)務(wù)運行。NU-WRF模式[25]是美國宇航局(NASA) GSFC(Goddard Space Flight Center)基于WRF核心動力框架，增加了GSFC自己研發(fā)的陸地信息系統(tǒng)、物理過程和衛(wèi)星數(shù)據(jù)模擬單元，并耦合了GOCART模式的WRF-Chem版本，最終生成以觀測為驅(qū)動，可在衛(wèi)星可分辨尺度上表征氣溶膠、云、降水和陸地過程的區(qū)域地球系統(tǒng)和同化系統(tǒng)模式。以上模式具體配置詳見表2。

按照ICE-POP 2018項目組的要求，在平昌冬奧會氣象服務(wù)期間，所有模式預(yù)報產(chǎn)品均需嚴(yán)格按照統(tǒng)一標(biāo)準(zhǔn)提供，分為格點(GRIB2格式)和站點(文本格式)兩類。中國氣象局提供的站點產(chǎn)品是將模式輸出的格點數(shù)據(jù)，采用雙線性插值方法插值到目標(biāo)站點，并根據(jù)韓國提供的觀測數(shù)據(jù)進行偏差訂正之后的產(chǎn)品。本文只評估平昌冬奧會期間，模式預(yù)報的站點產(chǎn)品，包括2 m氣溫、10 m風(fēng)速、10 m風(fēng)向、2 m相對濕度。

表2 模式對比

1.3 訂正方法簡介

一階自適應(yīng)的卡爾曼濾波方法，是一種基于卡爾曼濾波思想[29]，通過不斷對模式誤差進行更新，獲得當(dāng)前時刻的誤差估計值，降低偏差尺度的方法。該方法最早應(yīng)用于NCEP模式中[9-10]，也稱之為decaying-average方法[9,23],公式如下：

Bi(t)=(1-ω)Bi(t-1)+

ω[fi(t-1)-Oi(t-1)]，

(1)

Fi(t)=fi(t)-Bi(t)。

(2)

其中，t代表當(dāng)前預(yù)報時間，i代表站點，fi和Oi分別代表站點的預(yù)報值和對應(yīng)時間的觀測值，Bi(t)定義為當(dāng)前預(yù)報時間經(jīng)過權(quán)重平均后的模式預(yù)報偏差估算值，通過權(quán)重系數(shù)ω的選擇，對兩個不同時段(前一日和歷史累積)的模式預(yù)報偏差加權(quán)平均獲得。對權(quán)重系數(shù)，本文選用0.05，該系數(shù)由中國氣象局2017年參加ICE-POP 2018冬季試驗時確定。利用系統(tǒng)平均加權(quán)誤差Bi(t)對預(yù)報值fi(t)進行誤差訂正，得到各站點當(dāng)前預(yù)報時間訂正后的預(yù)報值Fi(t)。訂正過程針對16個站點的1～24 h時效預(yù)報開展。

2 訂正效果評估

選取冬奧會時段(2018年2月9—25日，3月8—18日)分別從GRAPES_3 km模式預(yù)報要素偏差訂正及GRAPES_3 km模式與其他模式的對比兩方面進行評估。

2.1 GRAPES_3 km模式預(yù)報要素偏差訂正改進

基于韓國提供的站點觀測數(shù)據(jù)，通過偏差訂正方法對2 m氣溫、10 m風(fēng)、2 m相對濕度等地面要素24 h內(nèi)預(yù)報進行逐小時訂正。本文采用均方根誤差和改善率(訂正前后均方根誤差的差值與訂正前均方根誤差比值的百分率)兩個指標(biāo)，從模式的日變化、逐日變化、逐站點變化特征等方面評估偏差訂正方法的有效性。

2.1.1 模式誤差日變化特征

圖2是2018年2月9日—3月18日韓國當(dāng)?shù)貢r間21:00(對應(yīng)北京時20:00，本文出現(xiàn)時間統(tǒng)一用韓國當(dāng)?shù)貢r間，下同)起報，2 m氣溫、10 m風(fēng)速和2 m相對濕度1～24 h預(yù)報的訂正前后的均方根誤差(整個時段的平均)和訂正后模式均方根誤差的改善率。

由圖2可見，經(jīng)過偏差訂正，模式1～24 h預(yù)報的2 m氣溫、2 m相對濕度和10 m風(fēng)速均方根誤差均明顯降低，其中，2 m氣溫的訂正效果最好，10 m風(fēng)速次之(2 m氣溫的改善率最高達到50%以上，10 m 風(fēng)速的改善率最高達到40%左右，2 m相對濕度的改善率最高達到25%以上)。2 m相對濕度和2 m氣溫的誤差相對于10 m風(fēng)速對模式起報時間更敏感，整體而言，模式09:00 起報(圖略)的2 m相對濕度和2 m氣溫準(zhǔn)確率更高(與2010年參加溫哥華冬奧會時GRAPES_Meso模式的誤差特征一致[3])。09：00起報的2 m相對濕度訂正前的均方根誤差為16%～22%，21:00 起報的2 m相對濕度訂正前的均方根誤差為19%～27%，并且09:00起報的2 m相對濕度隨著預(yù)報時效增加均方根誤差增大，而21:00 起報的則相反，但經(jīng)過訂正均可減小到20%以下。09:00起報的2 m溫度訂正前的均方根誤差為2.2℃～4℃，21:00起報的均方根誤差約為2.9℃～5℃，且09:00起報的2 m氣溫，隨著預(yù)報時效的增加均方根誤差減小，21:00則相反，但經(jīng)過訂正均減小到2℃左右。GRAPES_3 km模式誤差有明顯日變化特征，2 m氣溫和2 m相對濕度的晝夜誤差呈相反趨勢，2 m 氣溫白天的均方根誤差大于夜間，而2 m相對濕度則是夜間的誤差大于白天，經(jīng)過偏差訂正，這種日變化帶來的誤差有所減弱。此外，在一些溫度、濕度、風(fēng)速變化的轉(zhuǎn)折點，模式的均方根誤差也表現(xiàn)出偏大特征，2 m氣溫在08:00,20:00和14:00均方根誤差偏大，2 m相對濕度在08:00，20:00，23：00和17：00均方根誤差偏大，10 m風(fēng)速則在16:00均方根誤差偏大。經(jīng)過偏差訂正，2 m氣溫因為日變化特征帶來的誤差有明顯改善，對于2 m氣溫和10 m風(fēng)速最后兩個時效的均方根誤差極大值，也有明顯的訂正效果，改善率達到50% 。

圖2 2018年2月9日—3月18日平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)日變化特征

2.1.2 模式誤差逐日變化特征

圖3是2019年2月9日—3月18日21:00起報的2 m氣溫、10 m風(fēng)速和2 m相對濕度訂正前后的均方根誤差(24個預(yù)報時效的平均)的逐日變化?？梢钥吹?，2 m氣溫訂正效果顯著(改善率最高可達60%以上)，但10 m風(fēng)速和2 m相對濕度的訂正在部分時次效果并不理想，主要由于降水事件頻發(fā)引起。由于2 m相對濕度對降水事件的敏感性遠大于2 m氣溫，嚴(yán)重影響訂正效果，同時10 m風(fēng)速相對于2 m氣溫在短時間內(nèi)較不穩(wěn)定，訂正效果相對較弱。因此，偏差訂正方法雖可在一定程度上訂正模式較為穩(wěn)定的系統(tǒng)性誤差，但對一些天氣過程帶來的隨機性轉(zhuǎn)折訂正能力有限。

圖3 2018年2月9日—3月18日24個預(yù)報時效平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)逐日變化特征 (a)2 m氣溫,(b)10 m風(fēng)速,(c)2 m相對濕度

2.1.3 模式誤差逐站點變化特征

圖4是21:00起報的2 m氣溫、10 m風(fēng)速、2 m相對濕度在訂正前后的均方根誤差(整個時段的平均)和改善率?？梢钥吹?，偏差訂正方法對16個站點的2 m氣溫、10 m風(fēng)速、2 m相對濕度均有改進，其中2 m氣溫的訂正最佳，改善率最高可達50%以上，10 m風(fēng)速次之，改善率最高可達40%左右，2 m相對濕度改善率最大約15%。部分站點2 m 氣溫出現(xiàn)均方根誤差極大值，氣溫均方根誤差為4℃以上，而其他站點為3℃左右。部分站點10 m風(fēng)速出現(xiàn)極大值，風(fēng)速均方根誤差最高達到3.7 m·s-1左右。2 m相對濕度在2560站、2584站、2580站、2588站和105站出現(xiàn)極大值，和2 m氣溫一致，最大均方根誤差達到30%。

圖4 2018年2月9日—3月18日平均的誤差訂正前后均方根誤差(折線)和改善率(柱狀)變化特征

續(xù)圖4

為了進一步探討偏差訂正方法對復(fù)雜地形的訂正能力，圖5是3個場館滑雪賽道不同高度觀測站的結(jié)果對比?？梢钥吹?，龍坪、旌善、寶光3個場館都是賽道地形落差較大的站點，地形高度不同，模式的預(yù)報能力有差別， 2560站(1416 m)、2584站(1370 m)、2580站(856.3 m)、2588站(874 m)均為滑雪賽道的起點，同一賽道，地形高度越高，模式2 m 氣溫和2 m相對濕度的均方根誤差越大。而10 m風(fēng)速，在龍坪高山滑雪賽道中(2560站、2579站、2561站)高度越高誤差越大，但在寶光隨著高度增加誤差降低。

圖5 不同高度站點訂正前后的均方根誤差(折線)的對比(柱狀，顏色表示觀測站點的所在的場館)

圖6是2018年2月12日09：00起報的6 h，12 h，24 h預(yù)報時次各個站點的觀測和訂正前后模式預(yù)報的2 m氣溫的對比?？梢钥吹?，在同一場館，不同的地形高度，模式訂正前的2 m氣溫預(yù)報幾乎無差別，這表明模式3 km水平分辨率不具備對冬奧會這樣復(fù)雜地形的預(yù)報能力。而訂正后的2 m 氣溫預(yù)報顯示出明顯的改進，說明偏差訂正方法可在一定程度上有效提高模式的精細化預(yù)報效果。

圖6 2018年2月12日訂正前后2 m氣溫(折線)及不同站點高度(柱狀、顏色表示不同場館)對比

2.2 不同模式對比

綜合考慮模式在ICE-POP 2018中的定位和數(shù)據(jù)的易獲得性，最終選擇了韓國氣象廳的業(yè)務(wù)模式LDAPS、美國宇航局的NU-WRF模式和中國氣象局的GRAPES_3 km模式進行對比評估。從表2可以看到，GRAPES_3 km模式在分辨率和同化方面存在一定不足，因此，將通過偏差訂正方法以彌補劣勢。

圖7是GRAPES_3 km模式與LDAPS模式、NU-WRF模式預(yù)報的2 m氣溫均方根誤差的對比。整體上，GRAPES_3 km模式比NU-WRF模式準(zhǔn)確性高，但與LDAPS模式相比還有差距。LDAPS模式預(yù)報的2 m氣溫均方根誤差約為1.5℃，GRAP- ES_3 km預(yù)報的2 m氣溫均方根誤差約為1.52～2.5℃，而NU-WRF模式預(yù)報的2 m氣溫均方根誤差約為2.5～4.5℃。2 m氣溫均方根誤差的日變化特征，NU-WRF模式和LDAPS模式比較相似，22：00到次日07：00均方根誤差逐漸增大，之后逐漸減小直到傍晚，但GRAPES_3 km模式預(yù)報的均方根誤差在14：00前均呈逐漸變大趨勢，之后才開始減小，所以08：00—17：00即使訂正后均方根誤差減小了很多，依然沒有LDAPS模式預(yù)報準(zhǔn)確性高，均方根誤差為2.0～2.5℃，而LDAPS模式均方根誤差在1.5℃以下。但GRAPE_3 km模式夜間時段的預(yù)報準(zhǔn)確性和LDAPS模式持平，均為1.5℃左右。2 m氣溫均方根誤差的逐日變化特征對比，可以看到，除2月10—12日和3月15日GRAPES_3 km 模式預(yù)報的2 m氣溫均方根誤差明顯比LDAPS模式大外，其他時間接近，均方根誤差基本在2.5℃以下，且都明顯好于NU-WRF模式(均方根誤差約為4.0℃)。對于各個站點的預(yù)報，LDAPS模式要好于GRAPES_3 km模式，兩者最大均方根誤差約為2.5℃，但LDAPS模式在一些站點的均方根誤差僅為1.0℃，而GRAPES_3 km模式預(yù)報的2 m 氣溫相較NU-WRF模式更接近于觀測，LDAPS模式預(yù)報的2 m氣溫均方根誤差最小，依然存在2560站、2581站、2583站等由于地形引起的誤差極值點，而GRAPES_3 km模式經(jīng)過訂正后對這種由于地形引起的系統(tǒng)性誤差有所改善。

圖7 不同模式預(yù)報的2 m氣溫均方根誤差的對比

圖8是GRAPES_3 km模式與LDAPS，NU-WRF模式預(yù)報的2 m相對濕度的均方根誤差對比。由圖8可以看到，3個模式對2 m相對濕度的預(yù)報能力差異較小，均方根誤差基本約在30%以下。從2 m 相對濕度的日變化特征可知，LDAPS模式和GRAPES_3 km模式的均方根誤差變化特征較相似，22：00至次日09：00均方根誤差逐漸上升，之后減小直到晚上，而NU-WRF模式在次日18：00前均方根誤差均逐漸增大。09：00前，3個模式基本相當(dāng)，NU-WRF模式在02：00—09：00略好，均方根誤差約為13%，LDAPS和GRAPES_3 km約為15%，但13：00后，NU-WRF模式均方根誤差一直增長，最大達到20%左右，大于其他兩個模式。而09：00—21：00，LDAPS模式均表現(xiàn)最好，均方根誤差基本一直在15%以下。3個模式均方根誤差的逐日變化均不穩(wěn)定，GRAPES_3 km模式在2月23日、3月15日出現(xiàn)明顯極大值，遠大于其他兩個模式，均方根誤差大部分在25%以下。對于復(fù)雜地形的描述3個模式均有欠缺，由前面的分析可知，GRAPES_3 km的2 m氣溫在復(fù)雜地形條件下訂正效果明顯，但2 m相對濕度較弱。 LDAPS模式在阿爾卑西亞(2575站、2557站、2577站、2554站)、龍坪(2560站、2579站、2561站)和旌善(2584站、2586站、2587站)的均方根誤差變化特征，和GRAPES_3 km 一致，但寶光(2580站、2581站、2588站、2583站)均方根誤差特征相反。

圖8 不同模式預(yù)報的2 m相對濕度均方根誤差對比 (a)日變化,(b)逐日變化,(c)逐站點變化

圖9給出了GRAPES_3 km模式和LDAPS，NU-WRF模式預(yù)報的10 m風(fēng)速的均方根誤差對比?？梢钥吹?，不論從預(yù)報時效，逐日變化還是逐站點角度評估，GRAPES_3 km模式的10 m風(fēng)速均方根誤差均明顯小于其他兩個模式(GRAPES_3 km保持在2 m·s-1左右，而LDAPS模式和NU-WRF模式普遍處于3 m·s-1以上)。對于10 m風(fēng)速的預(yù)報，LDAPS模式及NU-WRF的模式的誤差日變化、逐日變化、逐站點變化特征相似，對復(fù)雜地形的風(fēng)速模擬能力有待提高。

為了更直觀地了解平昌冬奧會期間站點的風(fēng)向情況，圖10給出了2018年2月9日—3月18日2561站的風(fēng)玫瑰圖，圖10a～圖10d分別表示觀測、GRAPES_3 km模式、NU-WRF模式、LDAPS模式的風(fēng)玫瑰圖?？梢钥吹?，在平昌冬奧會期間，2561站以南風(fēng)-東南風(fēng)為主(圖10a)，NU-WRF模式和LDAPS模式預(yù)報的風(fēng)向分別以西風(fēng)(圖10c)，西風(fēng)-西南風(fēng)(圖10d)為主，而訂正后的GRAPES_3 km模式風(fēng)向(圖10b)以偏南風(fēng)為主，與觀測的主導(dǎo)風(fēng)向更接近，風(fēng)速分布也更接近于觀測。

圖9 不同模式預(yù)報的10 m風(fēng)速均方根誤差的對比 (a)日變化,(b)逐日變化,(c)逐站點變化

將各個站點的風(fēng)向根據(jù)所落的象限大致分為西南-東南風(fēng)(SW-SE)、東北-東南風(fēng)(NE-SE)、西南-西北風(fēng)(SW-NW)、不規(guī)律風(fēng)向4種進行對比評估。由此可知,主導(dǎo)風(fēng)向為SW-SE的代表站包括2561站、2588站、2587站和2586站。對于2561站和2588站，GRAPES_3 km的風(fēng)玫瑰圖明顯比其他兩種模式更接近觀測；對于2587站和2586站，NU-WRF模式和GRAPES_3 km模式的風(fēng)向預(yù)報接近。主導(dǎo)風(fēng)為NE-SE的代表站包括2575站、2577站和2580站, GRAPES_3 km相對其他兩個模式更接近觀測。主導(dǎo)風(fēng)為SW-NW的代表站包括105站、100站、2560站、2554站、2579站、2577站和2584站，3個模式預(yù)報的風(fēng)向也以偏西風(fēng)為主，但NU-WRF模式和LDAPS模式的風(fēng)向更集中，更接近于觀測。 不規(guī)律風(fēng)向代表站包括2583站和2581站，此兩站在平昌冬奧會期間風(fēng)向變化復(fù)雜、不穩(wěn)定，3個模式均難以準(zhǔn)確模擬其變化特征。

因此，對于平昌冬奧會期間的10 m風(fēng)向預(yù)報，大多數(shù)觀測站以偏西風(fēng)為主，LDAPS模式、NU-WRF模式預(yù)報的風(fēng)向更接近觀測(GRAPES_3 km雖也預(yù)報偏西風(fēng)，但與觀測差別稍大)，對一些以非偏西風(fēng)為主導(dǎo)風(fēng)向的站，NU-WRF模式和LDAPS模式依然預(yù)報偏西，對這種復(fù)雜地形引起的風(fēng)向變化預(yù)報能力有限，而訂正后的GRAPES_3 km 模式表現(xiàn)相對較好。

圖10 2018年2月9日—3月18日2561站10 m風(fēng)玫瑰圖

3 結(jié)論和討論

中國氣象局自主研發(fā)的GRAPES_3 km模式參加了韓國平昌冬奧會的ICE-POP 2018項目，實時提供了預(yù)報產(chǎn)品。本文分別從GRAPES_3 km模式訂正前后的要素對比和GRAPES_3 km模式與其他模式的對比兩方面評估GRAPES_3 km模式在平昌冬奧會期間的表現(xiàn)，結(jié)果表明：

1) 采用偏差訂正方法可簡單有效地改善模式對復(fù)雜地形的預(yù)報能力。經(jīng)過偏差訂正，2 m氣溫的均方根誤差減小到2℃左右，站點訂正改善率為10%～60%，10 m風(fēng)速的均方根誤差減小到2 m·s-1左右，站點的訂正改善率為10%～45%，2 m相對濕度減小到20%以下，站點訂正改善率為0～20%。

2) 與LDAPS模式、NU-WRF模式預(yù)報地面要素對比發(fā)現(xiàn)，訂正方法一定程度上彌補了GRAPES_3 km 模式分辨率低及同化的劣勢。LDAPS模式2 m 氣溫預(yù)報能力最好，GRAPES_3 km模式表現(xiàn)明顯優(yōu)于NU-WRF模式。10 m風(fēng)速的預(yù)報，GRAPES_3 km 模式的預(yù)報能力遠遠優(yōu)于其他兩個模式。10 m風(fēng)向的預(yù)報方面，對于個別非偏西風(fēng)主導(dǎo)的站點，GRAPES_3 km模式預(yù)報更接近觀測。2 m 相對濕度的預(yù)報，3個模式預(yù)報能力差別不大。

本文結(jié)果分析可知，一階自適應(yīng)卡爾曼濾汲方法消除和減小模式的系統(tǒng)性誤差，主要包括兩種：一是由于模式地形、插值算法和物理過程不確定帶來的系統(tǒng)性誤差，二是模式對某次天氣過程預(yù)報的偏差。第1種系統(tǒng)性誤差源于模式地形不夠精細準(zhǔn)確，插值算法等造成的誤差會較穩(wěn)定地反映在模式的預(yù)報中，用觀測數(shù)據(jù)進行自適應(yīng)地滾動訂正時，這些穩(wěn)定的誤差可以消除或減小。對于第2種系統(tǒng)性誤差，由于該訂正方法通過歷史誤差的不斷累積和更新訂正后續(xù)預(yù)報，以誤差變化較穩(wěn)定和連續(xù)為假設(shè)，因此，訂正效果取決于天氣過程的穩(wěn)定性?；谶@樣的思想，也不難理解本文的結(jié)論，對2 m氣溫、10 m風(fēng)速、2 m相對濕度的訂正均有一定的效果，對2 m氣溫的訂正效果最佳，因為氣溫相對風(fēng)速和濕度變化更穩(wěn)定。在訂正復(fù)雜地形帶來的誤差時，2 m 氣溫訂正效果也最明顯。但該方法對于天氣轉(zhuǎn)折過程的訂正存在缺陷，因為天氣的轉(zhuǎn)折性變化使第2種系統(tǒng)性誤差不穩(wěn)定，偏差規(guī)律不連續(xù)，訂正效果不理想，所以對于轉(zhuǎn)折性天氣過程，使用該方法需要特別注意。另外，該方法對非連續(xù)性變量如降水等要素的訂正能力有限，需結(jié)合實際進行深入探討。