張焓 梁信忠 汪方 謝冰 李清泉

摘要 利用CWRF模式（Climate-Weather Research and Forecasting model）對(duì)國(guó)家氣候中心BCC_CSM1.1m業(yè)務(wù)預(yù)測(cè)模式短期氣候預(yù)測(cè)結(jié)果進(jìn)行中國(guó)區(qū)域降尺度，并使用1991—2010年3—8月逐日氣溫降水觀測(cè)數(shù)據(jù)評(píng)估預(yù)測(cè)能力。結(jié)果表明：CWRF預(yù)測(cè)地面2 m氣溫、降水氣候平均態(tài)的空間分布比BCC_CSM1.1m更接近觀測(cè)，分布誤差更小;在保持總體技巧不低于BCC_CSM1.1m的同時(shí)，CWRF對(duì)我國(guó)華東和華中地區(qū)的降水年際變化預(yù)測(cè)準(zhǔn)確率更高;對(duì)不同強(qiáng)度的降水預(yù)測(cè)CWRF表現(xiàn)均優(yōu)于BCC_CSM1.1 m模式，尤其在極端降水預(yù)測(cè)準(zhǔn)確率上更優(yōu)?？傊?，得益于更高的空間分辨率和優(yōu)化的低空物理過程模擬，CWRF降尺度可以提高中國(guó)夏季跨季度降水預(yù)測(cè)能力。

關(guān)鍵詞 季節(jié)預(yù)測(cè); 夏季降水; 降尺度; CWRF; BCC_CSM

我國(guó)位于東亞季風(fēng)區(qū)，氣候復(fù)雜多樣。受全球變暖的影響，頻發(fā)的災(zāi)害性極端氣候事件對(duì)我國(guó)人民群眾安居樂業(yè)和社會(huì)經(jīng)濟(jì)平穩(wěn)運(yùn)行造成了嚴(yán)重威脅（張霞等，2021）。隨著人民生活水平不斷提高，國(guó)家和社會(huì)對(duì)短期氣候預(yù)測(cè)的需求越來越高。氣候預(yù)測(cè)在國(guó)家防災(zāi)減災(zāi)和氣候應(yīng)對(duì)決策中的作用日益凸顯，對(duì)我國(guó)短期氣候預(yù)測(cè)的精細(xì)化程度和準(zhǔn)確程度提出了更高要求（孫照渤和陳海山，2020）。

數(shù)值模式已經(jīng)成為短期氣候預(yù)測(cè)的重要方法之一。經(jīng)過幾十年的持續(xù)努力，數(shù)值模式的季節(jié)尺度氣候預(yù)測(cè)能力有了長(zhǎng)足的進(jìn)步。美國(guó)國(guó)家環(huán)境預(yù)測(cè)中心（National Centers for Environmental Prediction，NCEP）的CFSv2模式（Saha et al.，2014）、日本東京氣候中心（Tokyo Climate Center，TCC）的耦合環(huán)流模式MRI-CGCM （Yukimoto et al.，2012）等都已進(jìn)入跨季節(jié)尺度氣候預(yù)測(cè)業(yè)務(wù)。然而Saha et al.（2014）指出，雖然上述模式對(duì)東亞夏季風(fēng)（East Asian Summer Monsoon，EASM）和夏季西太平洋副熱帶高壓（Western Pacific Subtropical High，WPSH）的預(yù)測(cè)技巧較高，但對(duì)東亞季風(fēng)區(qū)氣溫和降水的預(yù)測(cè)技巧偏低，并且預(yù)測(cè)技巧的年際差異明顯。這顯然不能滿足我國(guó)短期氣候預(yù)測(cè)需求。

我國(guó)短期氣候預(yù)測(cè)研究和應(yīng)用始于“九五”期間，先后建立了物理統(tǒng)計(jì)預(yù)測(cè)模型、動(dòng)力模式預(yù)測(cè)系統(tǒng)（BCC_CSM1.0）（丁一匯等，2004;李維京等，2005）和動(dòng)力統(tǒng)計(jì)相結(jié)合的預(yù)測(cè)資料釋用方法（李維京和陳麗娟，1999）。從2005年開始，國(guó)家氣候中心在BCC_CSM1.0的基礎(chǔ)上，通過對(duì)海冰過程、陸面生態(tài)過程和對(duì)流參數(shù)化等多方面的持續(xù)優(yōu)化改進(jìn)，同時(shí)耦合全球碳循環(huán)和動(dòng)態(tài)植被過程，研制出國(guó)家氣候中心海-陸-氣-冰多圈層耦合氣候系統(tǒng)模式（BCC_CSM1.1m;Wu et al.，2010），并基于此模式研發(fā)了第二代短期氣候預(yù)測(cè)模式系統(tǒng)（吳統(tǒng)文等，2013，2014）。研究發(fā)現(xiàn)BCC_CSM1.1m模式系統(tǒng)對(duì)全球氣溫、降水和環(huán)流的預(yù)報(bào)性能相較之前版本有所提升，但對(duì)中國(guó)東部夏季降水的空間分布和降水強(qiáng)度的預(yù)測(cè)技巧仍然有限。BCC_CSM1.1m版本（后簡(jiǎn)稱CSM）是當(dāng)前國(guó)家氣候中心短期氣候預(yù)測(cè)業(yè)務(wù)使用的模式，也是本研究所選取的研究對(duì)象。

中國(guó)區(qū)域地形復(fù)雜，以當(dāng)前主流業(yè)務(wù)全球氣候數(shù)值模式的空間分辨率（約100 km）難以準(zhǔn)確刻畫中國(guó)地形特征（賀嘉櫻等，2020），因而對(duì)區(qū)域和局地尺度的動(dòng)力過程及熱力過程模擬能力較弱，尤其是對(duì)東亞地區(qū)獨(dú)特而極為復(fù)雜的夏季風(fēng)系統(tǒng)很難準(zhǔn)確捕捉。而區(qū)域氣候模式的動(dòng)力降尺度應(yīng)用則能在一定程度上改善這一問題（Yuan and Liang，2011a;Chen et al.，2016），同時(shí)對(duì)區(qū)域物理過程的參數(shù)化有著更加豐富的選擇（Liang et al.，2012，2018;Sun and Liang，2020;Li et al.，2021），適應(yīng)性更強(qiáng)。本文應(yīng)用區(qū)域氣候模式動(dòng)力降尺度全球模式的方法進(jìn)行短期氣候預(yù)測(cè)研究，目標(biāo)提升業(yè)務(wù)預(yù)測(cè)水平。

1 模式、方法和資料

1.1 模式描述

本研究針對(duì)中國(guó)夏季降水的跨季節(jié)動(dòng)力預(yù)測(cè)展開，建立了CSM單向嵌套CWRF的降尺度預(yù)測(cè)系統(tǒng)。其中CSM先進(jìn)行大氣環(huán)流場(chǎng)預(yù)測(cè)，再使用預(yù)測(cè)結(jié)果作為CWRF的初始、邊界條件對(duì)預(yù)測(cè)的粗網(wǎng)格環(huán)流做精細(xì)化的動(dòng)力降尺度。CSM是國(guó)家氣候中心組織開發(fā)的大氣-海洋-陸地-海冰多圈層耦合模式系統(tǒng)（吳統(tǒng)文等，2013），是我國(guó)氣候預(yù)測(cè)業(yè)務(wù)的重要預(yù)測(cè)成員。本研究中CSM采用最新的1.1m版本，其大氣模塊為AGCM的2.2版本（Wu et al.，2010），采用T106波的水平離散網(wǎng)格和26層的混合地形跟隨垂直層離散網(wǎng)格。陸面模塊為AVIM（Atmosphere and Vegetation Interaction Model）模式，是在NCAR CLM3（Community Land Model version 3.0）模式（Dickinson el al.，2006）基礎(chǔ)上，融合加入了動(dòng)態(tài)植被模型和生物化學(xué)模塊。海洋模塊和海冰模塊分別采用美國(guó)地球物理流體動(dòng)力學(xué)實(shí)驗(yàn)室研發(fā)的40層MOM4模式（Griffies et al.，2004）和SIS模式（Winton，2000;鄧汝漳等，2021）。以上模塊通過美國(guó)國(guó)家大氣研究中心研制的Coupler5（Kiehl and Gent，2004）進(jìn)行動(dòng)態(tài)耦合。

CWRF作為WRF的氣候尺度延伸版本（Liang et al.，2012），在WRF模式的基礎(chǔ)上對(duì)以下3個(gè)方面進(jìn)行了重要改進(jìn)。a）對(duì)環(huán)流側(cè)邊界采用垂直張弛參數(shù)逼近的方案（Liang et al.，2001），使得GCM到RCM的能量和質(zhì)量通量可以平順的過渡，并且在GCM表現(xiàn)較弱的低空降低GCM的主導(dǎo)作用，而在高空保留更多GCM信息。b）在WRF原有參數(shù)化方案之上，充分耦合已有和新增參數(shù)化方案。以物理基礎(chǔ)為模型組織原則，將云微物理過程、對(duì)流云和輻射傳輸過程重新整合，改善了對(duì)流-云-輻射相互作用（Liang and Zhang 2013;Zhang et al.，2013）。c）加強(qiáng)物理過程參數(shù)化方案，包括積云（Qiao and Liang，2015，2017）、陸面水文（Choi et al.，2007，2013;Choi and Liang，2010;Yuan et al.，2011b）、湖泊（Subin et al.，2012）和海洋（Ling et al.，2015）等過程。這些改動(dòng)改善了海-陸-氣之間相互作用的模擬（Zhu and Liang，2007;Choi and Liang，2010;Liang et al.，2018）。近年來，CWRF在中國(guó)的應(yīng)用得到發(fā)展，已有研究對(duì)其模擬中國(guó)區(qū)域氣候特征及東亞夏季風(fēng)能力進(jìn)行了詳細(xì)的評(píng)估（Liang et al.，2018;Jiang et al.，2021;徐蓉蓉等，2021;Xu et al.，2022）。研究表明，CWRF對(duì)中國(guó)區(qū)域氣候特征模擬有著較好的表現(xiàn)，對(duì)關(guān)鍵物理過程的捕捉準(zhǔn)確，有能力參與氣候預(yù)測(cè)業(yè)務(wù)。

1.2 實(shí)驗(yàn)設(shè)計(jì)

旨在評(píng)估CWRF降尺度在中國(guó)區(qū)域?qū)CC CSM跨季節(jié)降水預(yù)測(cè)的提升作用，本研究選取1991—2010年春夏季節(jié)為研究時(shí)段進(jìn)行回報(bào)試驗(yàn)。實(shí)驗(yàn)?zāi)繕?biāo)區(qū)域采用網(wǎng)格中心設(shè)置在（110°E，35.18°N）的蘭伯特保形投影，水平網(wǎng)格分辨率為30 km，共計(jì)232×172個(gè)格點(diǎn)，覆蓋了中國(guó)大陸和周邊陸地以及臨近海洋。CWRF的水平網(wǎng)格采用與目標(biāo)區(qū)域相同的設(shè)置，垂直分層采用36層的地形跟隨網(wǎng)格，模式層頂設(shè)置在50 hPa。CSM采用截?cái)嗖〝?shù)為106的水平網(wǎng)格（T106），水平分辨率約1.125°×1.125°。物理過程參數(shù)化方面，本研究中CWRF的參數(shù)配置遵循CWRF標(biāo)準(zhǔn)控制方案（Liang et al.，2018），CSM采用模式默認(rèn)物理參數(shù)化方案。

回報(bào)實(shí)驗(yàn)參照業(yè)務(wù)汛期降水預(yù)報(bào)的預(yù)測(cè)場(chǎng)景，以每年3月1日為起報(bào)日，向未來預(yù)測(cè)積分6 mon。首先使用CSM自2月初起進(jìn)行為期一個(gè)月的以NCEP再分析資料為目標(biāo)的逼近（nudging）積分，生成接近實(shí)際觀測(cè)大氣海洋初始狀態(tài)。積分至起報(bào)時(shí)刻后解除逼近積分并進(jìn)行全耦合自由積分。CSM預(yù)測(cè)積分結(jié)束后，進(jìn)行CWRF動(dòng)力降尺度積分。具體的，以積分至起報(bào)日的CSM大氣狀態(tài)作為CWRF初始大氣場(chǎng)?？紤]到CSM陸面水文模擬本身存在的問題，為避免因CSM與CWRF陸面物理過程差異造成的嚴(yán)重不協(xié)調(diào)，我們以再分析資料驅(qū)動(dòng)CWRF連續(xù)積分產(chǎn)生的陸面狀態(tài)替換CSM模擬陸面狀態(tài)（如土壤溫度、濕度、雪蓋等）。再以CSM生成的大氣環(huán)流信息作為模式側(cè)邊界場(chǎng)，每6 h更新一次側(cè)邊界信息，進(jìn)行動(dòng)力降尺度積分。最終得到CWRF對(duì)CSM降尺度的預(yù)測(cè)結(jié)果。

1.3 驗(yàn)證方法

為了對(duì)模式預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，本研究采用了基于中國(guó)2 416個(gè)地面觀測(cè)站點(diǎn)測(cè)量的地面2 m氣溫和降水網(wǎng)格化逐日觀測(cè)資料（吳佳和高學(xué)杰，2013）對(duì)CSM和CWRF預(yù)測(cè)結(jié)果在多個(gè)方面的表現(xiàn)進(jìn)行了對(duì)比分析?？紤]到降水預(yù)測(cè)的復(fù)雜性，除了降水量這一指標(biāo)之外，本研究特別對(duì)比了降水強(qiáng)度指數(shù)（Simple Daily Intensity Index，SDII）和極端降水事件即每月日降水量95百分位（PCT95）。為了提升模式結(jié)果的實(shí)用性，驗(yàn)證評(píng)估預(yù)測(cè)技巧時(shí)，我們采用業(yè)務(wù)上常用的評(píng)分手段：公平預(yù)兆評(píng)分（Equitable Threat Score，ETS）、距平相關(guān)系數(shù)（Anomaly Correlation Coefficient，ACC）等對(duì)預(yù)測(cè)結(jié)果進(jìn)行業(yè)務(wù)化評(píng)分的檢驗(yàn)。

2 氣候平均分布

圖1對(duì)比了CSM和CWRF對(duì)中國(guó)大陸1991—2010年氣候態(tài)平均地面2 m氣溫的預(yù)測(cè)誤差及對(duì)應(yīng)的核密度分布。考慮到中國(guó)西部觀測(cè)站點(diǎn)較為稀疏，可靠性有限，在核密度分布圖上針對(duì)東部觀測(cè)可靠區(qū)域額外進(jìn)行了統(tǒng)計(jì)和比較（虛線）。從核密度分布可以看出，CWRF的提升主要體現(xiàn)在修正了CSM預(yù)測(cè)的系統(tǒng)性冷偏差和縮小了CSM誤差范圍兩個(gè)方面。CSM對(duì)春季地面氣溫的預(yù)測(cè)整體偏冷，密度峰整體位于4 ℃冷偏差至1 ℃冷偏差之間，對(duì)東部地區(qū)模擬誤差減小，核密度峰更向0（無誤差）附近收束。地理分布上看，CSM低估了華南以北的絕大部分大陸地區(qū)的地面溫度，尤其是新疆西部和青藏高原西部，最大冷偏差達(dá)到10 ℃以上。經(jīng)過CWRF降尺度之后的地面氣溫預(yù)測(cè)誤差普遍降低，春季CWRF預(yù)測(cè)的地面氣溫誤差整體密度峰在正負(fù)2 ℃以內(nèi)主體分布在1 ℃暖偏差附近，尤其對(duì)東部地區(qū)模擬誤差更小。從空間分布上看，CWRF預(yù)測(cè)結(jié)果在一定程度上改善了CSM在新疆、內(nèi)蒙古、華北、東北地區(qū)的預(yù)測(cè)冷偏差，但同時(shí)在華中、華東地區(qū)產(chǎn)生了1 ℃的暖偏差。在夏季，CWRF整體誤差相較于CSM更低，更加集中在0 ℃附近。而CSM的預(yù)測(cè)表現(xiàn)與春季類似，整體冷偏差現(xiàn)象有所緩解，但仍然低估新疆西部和青藏高原邊緣的地面氣溫，這可能與模式中的積雪模擬偏高有關(guān)（宋敏紅等，2020）。核密度估計(jì)顯示，CWRF預(yù)測(cè)相較于CSM的整體偏冷現(xiàn)象有較大的改善，總體誤差密度峰集中在1 ℃冷偏差以內(nèi)并且分布集中，雙側(cè)分布離散更小，說明整體誤差顯著小于CSM。從地理分布上看，CWRF降尺度顯著降低了CSM的夏季地面氣溫預(yù)測(cè)誤差，提升主要分布在我國(guó)北部和西部地區(qū)。

圖2對(duì)比了實(shí)測(cè)與CSM及CWRF預(yù)測(cè)的1991—2010年平均春、夏季日降水量的空間分布和預(yù)測(cè)誤差的核密度分布。從降水的空間分布上看，實(shí)測(cè)降水總體呈現(xiàn)從東南沿海向西北內(nèi)陸遞減分布，在南嶺山脈和武夷山附近存在兩個(gè)大值中心。CWRF能較好地展現(xiàn)降水總體呈東南向西北內(nèi)陸遞減的分布特點(diǎn)，并改進(jìn)CSM對(duì)沿海降水大值中心模擬較弱的問題。從降水的地理分布上看，CSM對(duì)地形強(qiáng)迫降水的模擬存在較多的問題，對(duì)東南丘陵地區(qū)的局地陡峭地形存在低估，導(dǎo)致地形動(dòng)力因素致使的沉降過程模擬偏弱。CWRF預(yù)測(cè)很大程度上解決了CSM在西北、華北、東北地區(qū)高估了降水范圍的弊病：總體分布趨勢(shì)與觀測(cè)基本一致，同時(shí)準(zhǔn)確捕捉了南嶺和武夷山脈的降水大值中心的位置，但有3 mm／d的高估?？臻g相關(guān)系數(shù)從CSM的0.68大幅提升至CWRF的0.83。從核密度分布上看，CWRF也將誤差密度峰從1 mm／d左右降低至0.1 mm／d。

進(jìn)入夏季，氣候態(tài)平均觀測(cè)降水呈現(xiàn)從南向北的遞減趨勢(shì)，降水大值中心在華南沿海和長(zhǎng)江以南地區(qū)的陡峭地形附近。CWRF改善了CSM在空間分布上的扭曲分布，對(duì)華南降水大值中心、東北降水空間分布模擬較好，但亦低估了長(zhǎng)江流域南北側(cè)的降水量。從核密度分布上看，CWRF降低了降水低估事件的比例，誤差密度峰更加向0收束，將與實(shí)測(cè)的空間相關(guān)系數(shù)從CSM的0.66提升至0.72。

圖3對(duì)比了降水強(qiáng)度指數(shù)SDII的空間分布及其誤差的核密度分布。春季，實(shí)測(cè)SDII在長(zhǎng)江中下游南側(cè)存在大值中心。CSM對(duì)降水強(qiáng)度指數(shù)模擬較差，模擬偏弱的同時(shí)中心位置也向東偏離。CWRF模擬與觀測(cè)基本一致，但強(qiáng)度略弱。夏季，實(shí)測(cè)分布出現(xiàn)了明顯的分支，分別在華南沿海和華東北部地區(qū)存在大值中心，其間為一條東西走向的弱降水帶。這樣的空間分布形勢(shì)反映了汛期中降水從南向北移動(dòng)并在華南和華東北部停滯的物理圖像。CWRF預(yù)測(cè)的SDII分布與觀測(cè)更加相似，對(duì)兩支強(qiáng)降水帶和間隔的少雨帶模擬清晰，將與實(shí)測(cè)的空間相關(guān)系數(shù)從CSM的0.61提升至0.76。

圖4使用泰勒?qǐng)D將CSM和CWRF對(duì)春、夏兩季的氣候平均預(yù)測(cè)結(jié)果進(jìn)行了綜合統(tǒng)計(jì)，其中包括地面2 m氣溫（T2M）、降水量（PR）、日降水第95百分位（PCT）、降水日數(shù)（日降水大于0.1 mm日數(shù)，NRD）、大雨日數(shù)（日降水大于10 mm日數(shù)，R10）和降水強(qiáng)度指數(shù)（SDII）。CWRF和CSM預(yù)測(cè)的T2M與實(shí)測(cè)的空間相關(guān)系數(shù)都較高，CWRF略高于CSM但高估了春季氣溫的空間變率，這可能因?yàn)閷?shí)測(cè)資料及CSM模擬的分辨率偏低，無法捕捉實(shí)際的中小尺度特征。對(duì)于降水，CWRF相較于對(duì)應(yīng)季節(jié)的CSM總能提供更高的空間相關(guān)系數(shù)，但在夏季同樣高估了空間變率。類似的情況除了平均降水量PR之外，也出現(xiàn)在了PCT、R10、SDII這些與強(qiáng)降水相關(guān)的變量上。考慮到地面觀測(cè)站點(diǎn)的分布稀疏這一特點(diǎn)，高分辨率模式所模擬的降水分布細(xì)節(jié)可能無法被地面站點(diǎn)觀測(cè)所捕捉。CWRF一方面模擬出更精細(xì)的地理分布使得總體空間相關(guān)系數(shù)更高，但精細(xì)化的強(qiáng)弱分布則提高了空間變率，在觀測(cè)網(wǎng)格密度不及模式網(wǎng)格的情況下，這樣的高估是可以理解的。在降水日數(shù)的模擬上，春季CWRF的表現(xiàn)要強(qiáng)于CSM，而夏季要弱一些。這與CWRF低估青藏高原、華北和華中地區(qū)降水日數(shù)有關(guān)，但同樣不可忽視觀測(cè)資料存在誤差的問題。

3 年際變化

首先采用預(yù)測(cè)數(shù)據(jù)與地面觀測(cè)數(shù)據(jù)的年際相關(guān)系數(shù)來評(píng)估模式對(duì)關(guān)鍵物理量年際變化的捕捉能力。圖5展示了1991—2010年期間CSM和CWRF預(yù)測(cè)與實(shí)測(cè)氣溫的年際相關(guān)系數(shù)分布圖及其核密度估計(jì)。為了量化模式對(duì)物理量年際變化的模擬能力，對(duì)核密度估計(jì)曲線下方顯著正相關(guān)的面積進(jìn)行積分，并將得到的結(jié)果定義為模式預(yù)測(cè)年際相關(guān)的技巧總分。核密度估計(jì)顯示，春季CSM預(yù)測(cè)與實(shí)測(cè)的相關(guān)系數(shù)和CWRF預(yù)測(cè)接近，CWRF預(yù)測(cè)技巧總分略高于CSM。春季，CSM對(duì)青藏高原和新疆西北氣溫的年際變化捕捉較好，而對(duì)內(nèi)蒙古中部和華西地區(qū)預(yù)測(cè)較差，相關(guān)系數(shù)在-0.4～-0.2。CWRF預(yù)測(cè)則提高了青藏高原北側(cè)的年際相關(guān)，同時(shí)對(duì)東北氣溫年際變化的捕捉也要優(yōu)于CSM。夏季，CWRF預(yù)測(cè)的年際相關(guān)系數(shù)技巧總分比CSM高，顯著正相關(guān)區(qū)域分布更廣。CSM的預(yù)測(cè)技巧主要集中在新疆北部和青藏高原南側(cè)，對(duì)華北華中和華南地區(qū)的氣溫預(yù)測(cè)相關(guān)系數(shù)較差。CWRF在保持新疆北部和青藏高原預(yù)測(cè)技巧的情況下，顯著提升了內(nèi)蒙古、西南、西北和華北的氣溫預(yù)測(cè)技巧。

圖6展示了降水預(yù)測(cè)年際相關(guān)系數(shù)的地理分布和它們的核密度估計(jì)。春季，CWRF預(yù)測(cè)年際相關(guān)的總體技巧更強(qiáng)。改善了CSM對(duì)東北和華南降水較弱的預(yù)測(cè)技巧。CWRF對(duì)降水年際相關(guān)的預(yù)測(cè)技巧分布總體上與CSM類似，但正相關(guān)的范圍更大，有更多的地區(qū)相關(guān)系數(shù)高于0.5。CWRF縮小了CSM對(duì)華南預(yù)測(cè)無技巧地區(qū)的范圍。夏季，CSM預(yù)測(cè)技巧總分很低，其累計(jì)預(yù)測(cè)顯著相關(guān)系數(shù)為-3.7，預(yù)測(cè)技巧較差。而CWRF技巧總分高達(dá)1.06，明顯改進(jìn)了預(yù)測(cè)能力。從核密度估計(jì)分布上看，CWRF預(yù)測(cè)結(jié)果整體優(yōu)于CSM，密度峰更加偏向正方向。從空間分布上看，CSM對(duì)東北、內(nèi)蒙古、華北和華中地區(qū)預(yù)測(cè)相關(guān)系數(shù)均為負(fù)值，經(jīng)過CWRF降尺度后的預(yù)測(cè)有了明顯的改進(jìn)，對(duì)華中和華東地區(qū)的降水預(yù)測(cè)技巧有了顯著的提升。

4 降水預(yù)測(cè)指標(biāo)

4.1 降水距平相關(guān)系數(shù)（ACC）與同號(hào)概率（Pc）

汛期降水預(yù)報(bào)對(duì)防汛工作的重要決策支撐作用是通過對(duì)汛期降水異常程度進(jìn)行預(yù)測(cè)實(shí)現(xiàn)的。數(shù)值模式預(yù)測(cè)對(duì)氣候異常（氣候距平）空間分布和距平方向一致性的預(yù)測(cè)尤為重要。因此模式預(yù)測(cè)氣候態(tài)距平和觀測(cè)氣候態(tài)距平之間的空間相關(guān)系數(shù)，即距平相關(guān)系數(shù)（ACC）和模式距平和觀測(cè)距平在同一格點(diǎn)符號(hào)一致的概率（Pc）是一組對(duì)汛期降水預(yù)報(bào)能力的優(yōu)秀評(píng)估指標(biāo)。圖7和8分別為1991—2010年其間3月起報(bào)的CSM和CWRF在各月和各季節(jié)的距平相關(guān)系數(shù)和同號(hào)概率箱線圖。

降水的距平相關(guān)系數(shù)和同號(hào)概率在3月最高，在4月至8月較低。由于距離起報(bào)時(shí)間更短，CSM和CWRF都能較好的模擬3月的距平空間分布。4月起距平相關(guān)系數(shù)顯著降低至0上下，不過同號(hào)概率略仍然高于50％，說明目前主流模式對(duì)降水年際異常的捕捉還存在一定難度。值得注意的是，CWRF預(yù)測(cè)月距平相關(guān)系數(shù)的最大值均大于CSM預(yù)測(cè)。季節(jié)尺度上，春季CSM預(yù)測(cè)距平相關(guān)系數(shù)的中位數(shù)高于CWRF，但從箱線圖箱體上看，CWRF預(yù)測(cè)主體更高且最大最小值都高于CSM。夏季CWRF預(yù)測(cè)距平相關(guān)系數(shù)和同號(hào)概率的主體和中位數(shù)都比CSM要高，但最大值略小。降水強(qiáng)度指數(shù)SDII和極端降水PCT展現(xiàn)出與平均降水PR類似的情況，即季節(jié)尺度上春季兩模式預(yù)測(cè)的平均得分較接近，但夏季CWRF預(yù)測(cè)評(píng)分的均值和上限更高。

4.2 降水預(yù)測(cè)ETS評(píng)分及綜合表現(xiàn)評(píng)估

公平預(yù)兆評(píng)分（ETS）的計(jì)算依賴于給定閾值下的列聯(lián)表（Contegency table）：當(dāng)某一事件在觀測(cè)中真實(shí)發(fā)生且預(yù)測(cè)中也確定發(fā)生則標(biāo)注為預(yù)測(cè)命中（Hit），當(dāng)觀測(cè)中發(fā)生而預(yù)測(cè)中確定不發(fā)生則標(biāo)注為漏報(bào)（Miss），當(dāng)觀測(cè)中不發(fā)生而預(yù)測(cè)發(fā)生則標(biāo)注為空?qǐng)?bào)（False Alarm），當(dāng)觀測(cè)和預(yù)測(cè)都不發(fā)生時(shí)則標(biāo)注為正確無事件（Correct Negative）。在這個(gè)基礎(chǔ)上，公平預(yù)兆得分（ETS）得分為（Hits—隨機(jī)Hits）／（Hits+Misses+False Alarms-隨機(jī)Hits），反映預(yù)測(cè)的正樣本（發(fā)生事件）與觀察到的正樣本對(duì)應(yīng)的程度如何，其中扣除了隨機(jī)預(yù)報(bào)產(chǎn)生的命中數(shù)量，隨機(jī)Hits=預(yù)測(cè)發(fā)生事件×觀測(cè)發(fā)生事件／事件總數(shù)。成功率（SR）定義為Hits／（Hits+False Alarms），反映預(yù)報(bào)的正樣本中實(shí)際發(fā)生的比例。命中率（POD）定義為Hits／（Hits+Misses），反映觀測(cè)的正樣本中多少被預(yù)報(bào)出來。

圖8展示了1991—2010年期間CSM和CWRF從3月起報(bào)對(duì)春、夏季節(jié)平均降水強(qiáng)度預(yù)報(bào)不同閾值下的ETS評(píng)分，所有ETS得分均乘以10以便對(duì)比。CWRF的預(yù)測(cè)技巧可以延伸至降水強(qiáng)度達(dá)到11 mm／d，相比CSM僅在6 mm／d以下降水有預(yù)測(cè)技巧可以覆蓋更寬強(qiáng)度范圍的降水事件。從CWRF減去CSM對(duì)應(yīng)得分的差值圖上看，CWRF在2 mm／d強(qiáng)度以上的降水事件中比CSM存在絕對(duì)的優(yōu)勢(shì)和提升。夏季，由于平均降水強(qiáng)度增加，預(yù)報(bào)時(shí)效增長(zhǎng)，CWRF夏季的平均得分也小于對(duì)應(yīng)春季預(yù)測(cè)水平，但有預(yù)測(cè)技巧的閾值范圍則明顯提升，最大可達(dá)15 mm／d。從兩個(gè)模式預(yù)測(cè)結(jié)果的差值上看，CWRF再一次在2 mm／d以上的降水事件中改進(jìn)了CSM的預(yù)測(cè)結(jié)果。對(duì)于1 mm／d閾值的小雨降水事件，CSM在部分年份表現(xiàn)好些，這與CSM傾向于模擬更大的降水范圍有關(guān)。為了確定CWRF對(duì)CSM預(yù)測(cè)技巧提升發(fā)生在哪一地區(qū)，圖9展示了1991—2010年期間中國(guó)12個(gè)地理分區(qū)不同閾值下的預(yù)測(cè)ETS得分及兩個(gè)模式的差值。由于春季降水主要發(fā)生在我國(guó)南方，從ETS得分上看，CWRF相比CSM在華南、華中和臺(tái)灣島三個(gè)區(qū)域的提升最明顯和普遍，而在青藏高原南部的2～3 mm／d的閾值表現(xiàn)弱于CSM，考慮到高原上地面觀測(cè)站稀疏，降水觀測(cè)可靠程度有限，在此不做詳細(xì)討論。進(jìn)入夏季之后，CWRF相比CSM在預(yù)測(cè)技巧的范圍上更大，得分也高，但是在西南地區(qū)8 mm／d以上的降水預(yù)測(cè)得分不及CSM。

為了進(jìn)一步評(píng)估模式預(yù)測(cè)的命中率和成功率，我們選取華南、華中、華北、東北四個(gè)東部地面測(cè)站空間密度較高的區(qū)域作為目標(biāo)，比較季節(jié)平均降水強(qiáng)度對(duì)應(yīng)不同閾值下的降水預(yù)測(cè)命中率（POD）和預(yù)測(cè)成功率（SR）的分布，春、夏季結(jié)果分別如圖10和圖11所示。并將同閾值CSM和CWRF的結(jié)果標(biāo)注連線便于對(duì)比。原點(diǎn)至標(biāo)注點(diǎn)的斜率即為偏差率（Bias Rate），反應(yīng)觀測(cè)正例與實(shí)測(cè)正例的比例，越接近1則表示預(yù)測(cè)正例和實(shí)測(cè)正例的數(shù)量越接近。標(biāo)注與（1，1）點(diǎn)的距離則反映了TS評(píng)分高低。春季，當(dāng)降水閾值小于等于1.5 mm／d時(shí)，CSM的預(yù)測(cè)命中率（POD）高于CWRF，但預(yù)測(cè)成功率（SR）反而要低，說明CSM模擬了過多的小雨事件，造成更高的誤差率。當(dāng)降水閾值大于2 mm／d時(shí)，CWRF相比CSM的提升更加顯著，在提供更高POD的同時(shí)有著更高的SR。值得注意的是，CSM對(duì)降水強(qiáng)度大于7.5 mm／d的降水事件幾乎沒有預(yù)測(cè)能力，而CWRF對(duì)10 mm／d的降水事件的發(fā)生頻率存在一定程度高估，但仍然保持了超過40％的命中率。總體上看，CSM對(duì)低強(qiáng)度降水事件模擬偏多而對(duì)3 mm／d以上的降水事件預(yù)測(cè)能力較低。從TS評(píng)分上看，CWRF在各個(gè)閾值下的預(yù)測(cè)能力均強(qiáng)于CSM。夏季，平均降水強(qiáng)度增大，選取分類閾值上限相應(yīng)從10 mm／d增加至16 mm／d。CSM在小于2.5 mm／d的小雨預(yù)測(cè)上略強(qiáng)于CWRF，而CWRF在3 mm／d以上的所有閾值下均強(qiáng)于CSM。尤其在強(qiáng)降水的閾值下，CSM的命中率較低，CWRF的提升優(yōu)勢(shì)十分明顯。對(duì)于3 mm／d以上的降水事件，CWRF在保持更高的檢出率的同時(shí)也有著與CSM更高的預(yù)測(cè)成功率和更高的TS評(píng)分?？傮w上，CWRF在夏季對(duì)小雨預(yù)測(cè)技巧略弱于CSM，但對(duì)中雨以上量級(jí)的降水預(yù)測(cè)技巧全面領(lǐng)先。在業(yè)務(wù)預(yù)測(cè)中對(duì)災(zāi)害性降水的預(yù)測(cè)技巧也明顯更高。

5 低空環(huán)流分析

為了解釋CWRF對(duì)CSM預(yù)測(cè)降尺度的提升究竟來源于何處，本研究對(duì)兩種模式在中國(guó)區(qū)不同垂直高度上環(huán)流關(guān)鍵變量的預(yù)測(cè)空間相關(guān)系數(shù)進(jìn)行了計(jì)算，并繪制了相關(guān)系數(shù)的垂直廓線（圖12）。

在600 hPa以下的低空，CWRF模擬的環(huán)流變量模擬空間相關(guān)系數(shù)顯著地高于CSM，而在高空則與CSM表現(xiàn)接近。這樣的表現(xiàn)與CWRF的特殊設(shè)計(jì)有關(guān)：區(qū)域模式需要調(diào)和邊界強(qiáng)迫與內(nèi)部模擬之間的潛在不一致，因此對(duì)從側(cè)邊界傳入的大氣環(huán)流條件作適當(dāng)處理。CWRF采用了動(dòng)態(tài)張弛技術(shù)來接受側(cè)邊界強(qiáng)迫信息，在垂直方向上采用了不同的張弛系數(shù)，對(duì)于大氣環(huán)流模式模擬較好的高層，系數(shù)取得較大，側(cè)邊界強(qiáng)迫為主，而對(duì)于大氣環(huán)流模式模擬較差的低空，系數(shù)取得較小，CWRF內(nèi)部預(yù)報(bào)為主。這種設(shè)計(jì)使得CWRF在模擬區(qū)域大氣系統(tǒng)時(shí)，在高空傾向于由邊界強(qiáng)迫控制，而在低空則允許動(dòng)力和物理過程相互作用并充分發(fā)展，因此圖12展現(xiàn)出CWRF在低空模擬出的更高空間相關(guān)系數(shù)是合理的。接下來我們對(duì)影響我國(guó)春夏季節(jié)降水的重要低空環(huán)流的關(guān)鍵成員：低空急流及對(duì)應(yīng)的水汽條件分布進(jìn)行對(duì)比分析，解釋CWRF在降水預(yù)測(cè)上的優(yōu)勢(shì)。

圖13展示了春季ERA5資料和模式預(yù)測(cè)的700 hPa相對(duì)濕度空間分布、850 hPa風(fēng)向和風(fēng)速。ERA5再分析資料上展示的相對(duì)濕度空間分布顯示，低層濕區(qū)主要分布在中南半島、青藏高原南坡和東坡以及我國(guó)華南地區(qū)。在我國(guó)東部存在由南向北的明顯梯度。850 hPa風(fēng)向和風(fēng)速顯示，在我國(guó)華南存在一支強(qiáng)勁的西南低空急流從北海附近出發(fā)在南嶺附近分為兩支。結(jié)合水汽分布分析可知，向東到達(dá)長(zhǎng)江中下游流域的低空急流與水汽濕度場(chǎng)相互配合存在越濕度梯度的輸送。這樣的輸送將南方的暖濕氣流向北輸送，形成降水條件。另一支向四川盆地轉(zhuǎn)向的急流則平行于水汽梯度運(yùn)動(dòng)，越梯度輸送較少，因此對(duì)四川盆地并沒有額外的輸送水汽作用。這樣的水汽輸運(yùn)條件與春季觀測(cè)降水的空間分布是匹配的：降水的主要中心在華東地區(qū)，四川盆地降水有限。

CWRF降尺度的相對(duì)濕度分布和環(huán)流風(fēng)場(chǎng)分布明顯優(yōu)于CSM，與ERA5更加接近。CSM高估了青藏高原上的濕度而低估了青藏高原南麓尤其是中南半島和孟加拉灣附近的濕度。850 hPa風(fēng)向和風(fēng)速方面，CSM高估了青藏高原西側(cè)和南側(cè)的緯向風(fēng)速，同時(shí)對(duì)高原東南側(cè)存在明顯的風(fēng)速高估。這一支過強(qiáng)的氣流把本該從高原南側(cè)繞行并被高大地形阻擋在南側(cè)的水汽堆積在了高原西側(cè)，而高原東南的高風(fēng)速又將剩余的水汽輸送至橫斷山區(qū)附近。這樣的表現(xiàn)或與CSM的空間分辨率較低，無法對(duì)地形梯度變化較大的高原西側(cè)、南側(cè)和橫斷山區(qū)附近的粗糙地形做出良好的響應(yīng)有關(guān)。CWRF降尺度改善了CSM模式的低空模擬弊病，尤其是青藏高原以南和以東地區(qū)的濕度中心位置與同化結(jié)果較為接近，模擬出了更接近實(shí)測(cè)大氣的水汽-環(huán)流配合分布：一支從中南半島經(jīng)過我國(guó)華南向北運(yùn)動(dòng)的急流，其向西偏折入四川盆地的分支跨濕度梯度輸送較弱，符合ERA5同化結(jié)果。對(duì)應(yīng)了CWRF模擬并未高估四川和西南地區(qū)的降水。而轉(zhuǎn)向長(zhǎng)江中下游流域的急流支則較好地完成了跨相對(duì)梯度梯度輸送的作用，同時(shí)急流出口左側(cè)位置與ERA5同化結(jié)果接近，提供了較好的對(duì)流觸發(fā)條件對(duì)應(yīng)了CWRF模擬對(duì)華東地區(qū)降水模擬較好。不過CWRF模擬的急流強(qiáng)度偏強(qiáng)，因而輸送的水汽通量也偏大，一定程度上造成了對(duì)降水的高估。CWRF模擬在華南沿海地區(qū)濕度模擬的表現(xiàn)與CSM相似，未能處理好海陸交界處的濕度梯度模擬，造成南風(fēng)逆濕度態(tài)度抵達(dá)華南，減弱了降水模擬，這一點(diǎn)也是與CWRF模擬降水氣候態(tài)的特征對(duì)應(yīng)的。

圖14展示了夏季低空850 hPa的風(fēng)向風(fēng)速和700 hPa相對(duì)濕度的空間分布。ERA5同化資料顯示濕度中心分布在青藏高原東南側(cè)，中國(guó)東部的濕度呈現(xiàn)自西南向東北的遞減趨勢(shì)。低空風(fēng)向風(fēng)速分布上，ERA5顯示在青藏高原、橫斷山區(qū)和青海一帶，平均的低空風(fēng)速較低，不受某一特定方向氣流控制。而孟加拉灣存在一股較強(qiáng)的西風(fēng)氣流，登錄陸地后一支向北被青藏高原南側(cè)和橫斷山區(qū)截?cái)唷Ａ硪恢Ю^續(xù)向東在北海附近轉(zhuǎn)而向北再次登錄我國(guó)華南地區(qū)，并在南嶺附近減速。結(jié)合濕度的分布，我國(guó)夏季東部的降水的低空水汽輸送主要由華南一支的低空氣流跨越濕度等值線由南向北輸送，這一支低空氣流為我國(guó)東南部夏季降水輸送了水汽。在華北，850 hPa氣流呈現(xiàn)出順時(shí)針的反氣旋旋轉(zhuǎn)對(duì)應(yīng)了觀測(cè)上華北平均降水的抑制。CWRF在夏季相比CSM也改進(jìn)了低空環(huán)流的模擬，主要體現(xiàn)在更加接近實(shí)測(cè)大氣的水汽分布特征。華南地區(qū)CWRF模擬的濕度分布呈現(xiàn)出了非常強(qiáng)的地形強(qiáng)迫。在中國(guó)北方，ERA5再分析資料中存在一套由華中延伸至東北的濕度帶，CSM未能模擬出這樣的分布而CWRF很好再現(xiàn)了同樣走向的濕度帶。850 hPa環(huán)流場(chǎng)的模擬CWRF在華南地區(qū)模擬出了一個(gè)更強(qiáng)的氣旋式環(huán)流而在華北地區(qū)模擬出了一個(gè)反氣旋式環(huán)流。這樣環(huán)流分布特征對(duì)應(yīng)較強(qiáng)的華南降水和較弱的華北降水，這樣的降水空間分布也更加接近地面觀測(cè)。

得益于CWRF的更高的空間分辨率和改進(jìn)的物理過程參數(shù)化（Liang et al.，2018;Sun and Liang，2020），CWRF在低層對(duì)環(huán)流和濕度的模擬空間分布更優(yōu)。這樣的優(yōu)勢(shì)不僅使得CWRF在預(yù)測(cè)的氣溫、降水氣候態(tài)空間分布上更加接近觀測(cè)，也使得CWRF在水汽輸送和低空環(huán)流條件的模擬的模擬上更具合理性，進(jìn)而改善平均降水的空間分布和極端降水的捕捉能力。

6 討論和結(jié)論

數(shù)值模式是汛期降水預(yù)報(bào)的重要支撐環(huán)節(jié)，本文對(duì)BCC_CSM1.1m和CWRF降尺度對(duì)降水預(yù)測(cè)能力進(jìn)行評(píng)估，從氣候平均、年際變化和常用業(yè)務(wù)評(píng)分三個(gè)方面，針對(duì)業(yè)務(wù)關(guān)心的預(yù)測(cè)性能展開一定的評(píng)估，并針對(duì)CWRF相比BCC_CSM1.1m預(yù)測(cè)技巧提升的來源進(jìn)行了一定的分析。結(jié)果表明：

1）CWRF動(dòng)力降尺度相比CSM驅(qū)動(dòng)本身對(duì)預(yù)測(cè)氣候平均地面兩米氣溫、日降水量、日降水第95百分位、降水日數(shù)、大雨日數(shù)和簡(jiǎn)單強(qiáng)度指數(shù)等多個(gè)指標(biāo)均展示出了更好的空間分布，將與實(shí)測(cè)空間分布相關(guān)系數(shù)提升了22％。CWRF這種提升除了有更高的空間分辨率外，主要源于其更加合理真實(shí)的物理過程刻畫。

2） 關(guān)鍵物理量的年際相關(guān)，一直是預(yù)測(cè)中的難點(diǎn)和重點(diǎn)。CSM在我國(guó)東部的預(yù)測(cè)技巧較差，甚至出現(xiàn)與觀測(cè)呈現(xiàn)負(fù)相關(guān)的現(xiàn)象。而CWRF在這里的預(yù)測(cè)技巧得到了顯著的提升，春季和夏季預(yù)測(cè)技巧總體分別提升了1.03和4.76。

3） 距平相關(guān)系數(shù)和同號(hào)概率是評(píng)估降水異常預(yù)測(cè)的重要指標(biāo)。據(jù)箱線圖分析，夏季CWRF將CSM距平相關(guān)系數(shù)平均提升約0.082，同號(hào)概率平均提升3.5分，為部署旱澇災(zāi)害預(yù)防工作提供更準(zhǔn)確的信息支撐。

4） 兩個(gè)模式對(duì)不同量級(jí)降水的預(yù)測(cè)技巧存在一定的差異。從綜合評(píng)估圖上看，CSM在夏季小于3 mm／d的弱降水預(yù)測(cè)上技巧略好，而CWRF在3 mm／d以上降水事件的預(yù)測(cè)技巧有顯著的優(yōu)勢(shì)，并且降水強(qiáng)度越強(qiáng)，這樣的優(yōu)勢(shì)就越明顯。從ETS評(píng)分上看，CWRF平均得分比CSM在春季和夏季分別高0.119分（147％）和0.134分（98％）?？梢奀WRF對(duì)不同強(qiáng)度的降水事件的預(yù)測(cè)技巧的綜合水平要強(qiáng)于CSM。

5） CWRF對(duì)于BCC_CSM1.1m預(yù)測(cè)的技巧提升主要源于低空環(huán)流的改進(jìn)。BCC_CSM1.1m較粗的網(wǎng)格分辨率使其在模擬高原相關(guān)的動(dòng)力繞流過程和水汽輸送-沉降過程時(shí)產(chǎn)生了較大的偏差，這一點(diǎn)在CWRF降尺度中得以解決。

源于更精細(xì)更合理的物理過程刻畫和良好的嵌套技術(shù)，CWRF有能力在BCC CSM全球模式季節(jié)尺度預(yù)測(cè)的基礎(chǔ)上進(jìn)行可靠的動(dòng)力降尺度，其結(jié)果可對(duì)現(xiàn)有的業(yè)務(wù)預(yù)測(cè)進(jìn)行良好的補(bǔ)充和提升，有潛力為災(zāi)害性氣候事件提供更準(zhǔn)確的預(yù)測(cè)和提前防范都具有重要的決策支撐作用，為提升綜合防災(zāi)減災(zāi)能力和保障人民群眾安居樂業(yè)貢獻(xiàn)力量。

致謝：本論文的數(shù)值計(jì)算得到了南京信息工程大學(xué)高性能計(jì)算中心和國(guó)家超級(jí)計(jì)算無錫中心的計(jì)算支持和幫助，在此表示由衷的感謝！

參考文獻(xiàn)（References）

Chen L G，Liang X Z，DeWitt D，et al.，2016.Simulation of seasonal US precipitation and temperature by the nested CWRF-ECHAM system［J］.Climate Dyn，46（3／4）：879-896.doi：10.1007／s00382-015-2619-9.

Choi H I，Liang X Z，2010.Improved terrestrial hydrologic representation in mesoscale land surface models［J］.J Hydrometeorol，11（3）：797-809.doi：10.1175／2010jhm1221.1.

Choi H I，Kumar P，Liang X Z，2007.Three-dimensional volume-averaged soil moisture transport model with a scalable parameterization of subgrid topographic variability［J］.Water Resour Res，43（4）：W04414.doi：10.1029／2006wr005134.

Choi H I，Liang X Z，Kumar P，2013.A conjunctive surface-subsurface flow representation for mesoscale land surface models［J］.J Hydrometeorol，14（5）：1421-1442.doi：10.1175／jhm-d-12-0168.1.

鄧汝漳，儲(chǔ)敏，任宏利，等，2021.BCC-CSM北極海冰模擬性能的改進(jìn)對(duì)東亞冬季氣候模擬的影響［J］.大氣科學(xué)學(xué)報(bào)，44（1）：61-74. Deng R Z，Chu M，Ren H L，et al.，2021.Impact of BCC-CSM Arctic Sea ice simulation improvement on East Asian winter climate simulation［J］.Trans Atmos Sci，44（1）：61-74.doi：10.13878／j.cnki.dqkxxb.20201103002.（in Chinese）.

Dickinson R E，Oleson K W，Bonan G，et al.，2006.The community land model and its climate statistics as a component of the community climate system model［J］.J Climate，19（11）：2302-2324.doi：10.1175／jcli3742.1.

丁一匯，李清泉，李維京，等，2004.中國(guó)業(yè)務(wù)動(dòng)力季節(jié)預(yù)報(bào)的進(jìn)展［J］.氣象學(xué)報(bào)，62（5）：598-612. Ding Y H，Li Q Q，Li W J，et al.，2004.Advance in seasonal dynamical prediction operation in China［J］.Acta Meteorol Sin，62（5）：598-612.doi：10.3321／j.issn：0577-6619.2004.05.007.（in Chinese）.

Griffies S M，Harrison M J，Pacanowski R C，et al.，2004.A technical guide to MOM4［J］.GFDL Ocean Group Tech Rep，5（5）：371.

賀嘉櫻，伍繼業(yè)，羅京佳，2020.南京信息工程大學(xué)氣候預(yù)測(cè)系統(tǒng)1.0版簡(jiǎn)介［J］.大氣科學(xué)學(xué)報(bào)，43（1）：128-143. He J Y，Wu J Y，Luo J J，2020.Introduction to climate forecast system version 1.0 of Nanjing University of Information Science and Technology［J］.Trans Atmos Sci，43（1）：128-143.doi：10.13878／j.cnki.dqkxxb.20191110007.（in Chinese）.

Jiang R S，Sun L，Sun C，et al.，2021.CWRF downscaling and understanding of China precipitation projections［J］.Climate Dyn，57（3／4）：1079-1096.doi：10.1007／s00382-021-05759-z.

Kiehl J T，Gent P R，2004.The community climate system model，version 2［J］.J Climate，17（19）：3666-3682.doi：10.1175／1520-0442（2004）017<3666：tccsmv>2.0.co;2.

李維京，陳麗娟，1999.動(dòng)力延伸預(yù)報(bào)產(chǎn)品釋用方法的研究［J］.氣象學(xué)報(bào)，57（3）：338-345. Li W J，Chen L J，1999.Research on reexplanation and reanalysis method of dynamical extended range forecast products［J］.Acta Meteorol Sin，57（3）：338-345.doi：10.3969／j.issn.1001-7313.2005.06.009.（in Chinese）.

李維京，張培群，李清泉，等，2005.動(dòng)力氣候模式預(yù)測(cè)系統(tǒng)業(yè)務(wù)化及其應(yīng)用［J］.應(yīng)用氣象學(xué)報(bào)，16（S1）：1-11. Li W J，Zhang P Q，Li Q Q，et al.，2005.Research and operational application of dynamical climate model prediction system［J］.Q J Appl Meteor，16（S1）：1-11.doi：10.3969／j.issn.1001-7313.2005.z1.001.（in Chinese）.

Li Q Q，Wang T，Wang F，et al.，2021.Dynamical downscaling simulation of the East Asian summer monsoon in a regional Climate-Weather Research and Forecasting model［J］.Int J Climatol，41（S1）：1-17.doi：10.1002／joc.6800.

Liang X Z，Zhang F，2013.The cloud-aerosol-radiation （CAR） ensemble modeling system［J］.Atmos Chem Phys，13（16）：8335-8364.doi：10.5194／acp-13-8335-2013.

Liang X Z，Kunkel K E，Samel A N，2001.Development of a regional climate model for U.S.Midwest applications.part I：sensitivity to buffer zone treatment［J］.J Climate，14（23）：4363-4378.doi：10.1175／1520-0442（2001）014<4363：doarcm>2.0.co;2.

Liang X Z，Xu M，Yuan X，et al.，2012.Regional climate-weather research and forecasting model［J］.Bull Amer Meteor Soc，93（9）：1363-1387.doi：10.1175／bams-d-11-00180.1.

Liang X Z，Sun C，Zheng X，et al.，2018.CWRF Performance at Downscaling China Climate Characteristics［J］.Climate Dyn，52（3/4）：2159—2184.

Ling T J，Xu M，Liang X Z，et al.，2015.A multilevel ocean mixed layer model resolving the diurnal cycle：development and validation［J］.J Adv Model Earth Syst，7（4）：1680-1692.doi：10.1002／2015ms000476.

Qiao F X，Liang X Z，2015.Effects of cumulus parameterizations on predictions of summer flood in the Central United States［J］.Climate Dyn，45（3）：727-744.doi：10.1007／s00382-014-2301-7.

Qiao F X，Liang X Z，2017.Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States［J］.Climate Dyn，49（1）：225-247.doi：10.1007／s00382-016-3338-6.

Saha S，Moorthi S，Wu X R，et al.，2014.The NCEP climate forecast system version 2［J］.J Climate，27（6）：2185-2208.

宋敏紅，吳統(tǒng)文，張宇，等，2020.近30年BCC-CSM（m）模擬高原積雪狀況評(píng)估及其對(duì)夏季降水的影響［J］.高原氣象，39（1）：15-23. Song M H，Wu T W，Zhang Y，et al.，2020.Evaluation on simulated snow depth over Qinghai-Tibetan Plateau with BCC-CSM（m） model during recent 30 years and its impact on precipitation in summer［J］.Plateau Meteor，39（1）：15-23.doi：10.7522／j.issn.1000-0534.2019.00076.（in Chinese）.

Subin Z M，Riley W J，Mironov D，2012.An improved lake model for climate simulations：model structure，evaluation，and sensitivity analyses in CESM1［J］.J Adv Model Earth Syst，4：M02001.doi：10.1029／2011ms000072.

Sun C，Liang X Z，2020.Improving US extreme precipitation simulation：sensitivity to physics parameterizations［J］.Climate Dyn，54（11）：4891-4918.doi：10.1007／s00382-020-05267-6.

孫照渤，陳海山，2020.短期氣候預(yù)測(cè)：南京信息工程大學(xué)60年回顧與展望［J］.大氣科學(xué)學(xué)報(bào)，43（5）：745-767. Sun Z B，Chen H S，2020.Short-term climate prediction：a review for the related work in NUIST in the past 60 years and an outlook for the future［J］.Trans Atmos Sci，43（5）：745-767.doi：10.13878／j.cnki.dqkxxb.20200905017.（in Chinese）.

Winton M，2000.A reformulated three-layer sea ice model［J］.J Atmos Oceanic Technol，17（4）：525-531.doi：10.1175／1520-0426（2000）017<0525：artlsi>2.0.co;2.

吳佳，高學(xué)杰，2013.一套格點(diǎn)化的中國(guó)區(qū)域逐日觀測(cè)資料及與其它資料的對(duì)比［J］.地球物理學(xué)報(bào)，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu T W，Yu R C，Zhang F，et al.，2010.The Beijing Climate Center atmospheric general circulation model：description and its performance for the present-day climate［J］.Climate Dyn，34（1）：123-147.doi：10.1007／s00382-008-0487-2.

吳統(tǒng)文，宋連春，劉向文，等，2013.國(guó)家氣候中心短期氣候預(yù)測(cè)模式系統(tǒng)業(yè)務(wù)化進(jìn)展［J］.應(yīng)用氣象學(xué)報(bào)，24（5）：533-543. Wu T W，Song L C，Liu X W，et al.，2013.Progress in developing the short-range operational climate prediction system of China national climate center［J］.J Appl Meteorol Sci，24（5）：533-543.doi：10.11898／1001-7313.20130503.（in Chinese）.

吳統(tǒng)文，宋連春，李偉平，等，2014.北京氣候中心氣候系統(tǒng)模式研發(fā)進(jìn)展：在氣候變化研究中的應(yīng)用［J］.氣象學(xué)報(bào)，72（1）：12-29. Wu T W，Song L C，Li W P，et al.，2014.Progress in research and development of climate system model of Beijing climate center：application in climate change research［J］.Acta Meteorol Sin，72（1）：12-29.doi：10.11676／qxxb2013.084.（in Chinese）.

Xu H R，Liang X Z，Xue Y K，2022.Regional climate modeling to understand Tibetan heating remote impacts on East China precipitation［J］.Climate Dyn，1-19.doi：10.1007／s00382-022-06266-5.

徐蓉蓉，梁信忠，段明鏗，2021.CWRF對(duì)青藏高原氣溫和降水模擬效果的綜合評(píng)估［J］.大氣科學(xué)學(xué)報(bào)，44（1）：104-117. Xu R R，Liang X Z，Duan M K，2021.Evaluation of CWRF simulation of temperature and precipitation on the Qinghai-Tibet Plateau［J］.Trans Atmos Sci，44（1）：104-117.doi：10.13878／j.cnki.dqkxxb.20201103001.（in Chinese）.

Yuan X，Liang X Z，2011a.Improving cold season precipitation prediction by the nested CWRF-CFS system［J］.Geophys Res Lett，38（2）：1-5.doi：10.1029／2010gl046104.

Yuan X，Liang X Z，2011b.Evaluation of a Conjunctive Surface-Subsurface Process Model （CSSP） over the Contiguous United States at Regional—Local Scales［J］.Journal of Hydrometeorology，12（4）：579—599.

Yukimoto S，Adachi Y，Hosaka M，et al.，2012.A new global climate model of the Meteorological Research Institute：MRI-CGCM3—Model description and basic performance［J］.Journal Meteorological Society Japan，90A：23-64.doi：10.2151／jmsj.2012-a02.

Zhang F，Liang X Z，Zeng Q C，et al.，2013.Cloud-Aerosol-Radiation （CAR） ensemble modeling system：overall accuracy and efficiency［J］.Adv Atmos Sci，30（4）：955-973.doi：10.1007／s00376-012-2171-z.

張霞，楊慧，王新敏，等，2021.“21·7”河南極端強(qiáng)降水特征及環(huán)流異常性分析［J］.大氣科學(xué)學(xué)報(bào)，44（5）：672-687. Zhang X，Yang H，Wang X M，et al.，2021.Analysis on characteristic and abnormality of atmospheric circulations of the July 2021 extreme precipitation in Henan［J］.Trans Atmos Sci，44（5）：672-687.doi：10.13878／j.cnki.dqkxxb.20210907001.（in Chinese）.

Zhu J H，Liang X Z，2007.Regional climate model simulations of U S precipitation and surface air temperature during 1982—2002：interannual variation［J］.J Climate，20（2）：218-232.doi：10.1175／jcli4129.1.

The regional Climate-Weather Research and Forecasting model （CWRF） is used to downscale the National Climate Centers operational short-term climate prediction based on the Beijing Climate Center Climate System Model （BCC_CSM1.1m）.The prediction skill is assessed for daily precipitation and surface air temperature （2 m） from March to August during 1991—2010.As compared to BCC_CSM1.1m，CWRF predicts more realistic seasonal mean precipitation and temperature spatial distributions and resolves more detailed features over mountainous regions with large terrain variations.It also predicts interannual variations in precipitation East and Central China more accurately.Overall，CWRF outperforms BCC_CSM1.1m in predicting precipitation of different intensities，especially extreme events.Benefiting from higher spatial resolution and advanced physical process simulation at lower levels，CWRF downscaling can improve the seasonal prediction of summer precipitation in China.

seasonal prediction;summer precipitation;downscaling;CWRF;BCC_CSM

doi：10.13878／j.cnki.dqkxxb.20210116001

（責(zé)任編輯：袁東敏）