南海及沿岸?；^測資料同化對華南暴雨預報的影響

劉泓鍇，和杰，丁偉鈺，鄧華，王洪，黃汝萍，時洋

(1.廣東電網有限責任公司陽江供電局，廣東 陽江 529599； 2.中國氣象局廣州熱帶海洋氣象研究所，廣東 廣州 510641；3.廣東省氣象臺，廣東 廣州 510641)

1 引 言

華南前汛期（4—6月）暴雨以鋒面暴雨和暖區暴雨為主，兩者常常同時發生，受到多尺度天氣系統相互作用及復雜下墊面的影響[1-2]，例如，鋒面、季風氣流、低空急流、海陸風等[3-5]，尤其是暖區暴雨過程影響因子復雜，預報能力顯著低于鋒面暴雨[6-7]。南海及沿岸區域作為華南低層大氣系統的上游，該區域在前汛期發生的季風氣流、低空急流、海陸風等多尺度天氣系統是導致華南前汛期暴雨過程的重要原因。因此，獲取更準確的南海海上尺度天氣系統條件對進一步改善華南前汛期暴雨預報水平具有重要意義。

資料同化融合觀測和模式背景信息，可以產生更準確的模式初值條件[8-10]，從而合理刻畫影響華南前汛期暴雨的南海區域天氣系統特征。但海上觀測數據的不足嚴重制約了對南海地區天氣系統預報準確性的改善，進而影響了華南地區前汛期暴雨預報的水平，特別是在受海洋性對流影響嚴重的暖區暴雨預報方面。因此，如何充分同化吸收南海及沿岸現有觀測資料，改善南海乃至華南區域數值模式初值條件，對進一步提高華南前汛期暴雨預報能力至關重要。隨著我國海洋氣象綜合觀測系統的不斷完善，南海海洋觀測數據和觀測變量也不斷豐富。?；^測資料作為主要的海洋氣象觀測類型，包括海島站、平臺站、浮標站、船舶站、海上GNSS/MET 站等[11-13]，對大氣和海洋科學的發展起到重要作用。截至當前，南海及沿岸區域的?；^測站數量已達到近百個，具有豐富的氣象觀測要素，有必要充分利用這部分稀缺海洋觀測資料，以改善數值模式對華南前汛期暴雨預報的能力。

現場觀測和衛星觀測是海洋模式同化吸收的主要資料，海洋模式同化觀測通常為溫鹽剖面、海表氣壓等要素[11,14]，例如英國氣象局海洋預報同化系統（Forecast Ocean Assimilation Model）[15]、美國海軍耦合海洋資料同化系統（Navy Coupled Ocean Data Assimilation）[16-17]，以及中國全球海洋模式（Modular Ocean Model）[18-19]等。相較而言，大氣數值模式同化的?；^測主要是同化溫度、氣壓、濕度和風場等要素。?；^測通常發生在邊界層比較平滑的海面，相對復雜地形處的常規地面站觀測，?；^測更容易被模式同化利用。但是，?；^測資料尤其是浮標、船舶觀測，受海洋環境影響大，例如觀測高度受海浪影響，而近岸風場觀測誤差不確定性大[20]。因此，有效同化吸收?；^測資料需要復雜細致的質量控制方法和合理的技術手段。英國氣象局在對全球地面觀測資料同化的研究中，針對多種?；^測的質量控制及其對資料同化的影響進行了詳細分析，合理處理觀測站點和模式的一致性高度、海島和岬角風場觀測質量控制、近岸?；^測與地面觀測的顯著差異以及日變化特點等是?；^測資料同化取得正貢獻的重要因素[12]。通過同化近海浮標觀測及多種觀測資料，能夠有效探索風能潛力區域，對開展風能發電和近岸觀測選址提供重要依據[21]。通過是否同化全球浮標氣壓觀測的預報敏感觀測影響（FSOI）試驗發現，同化浮標觀測資料對減少全球預報誤差至關重要，這是因為海洋觀測非常稀少，而海平面氣壓為熱帶天氣變化提供了重要模式信息[22-23]。因此，海洋現場觀測資料同化對當前全球天氣預報發揮著不可替代的重要作用[24]。

中國氣象局的全球/區域同化預報系統（CMA-GFS/CMA-MESO）[25-27]已經實現了部分浮標站觀測資料的同化，但僅同化了風場觀測，對于其他變量（尤其是氣壓觀測）還未進行業務同化，這嚴重削弱了本就稀少的海洋觀測對提高數值天氣預報水平的價值。盡管實現?；^測資料的同化技術比較基礎，但是針對?；^測資料同化對CMA 模式預報影響的研究仍然較少，這不利于?；^測資料在CMA 數值模式中長期發展應用，同時也不利于為未來開展?；^測和完善海洋觀測系統提供依據。鑒于CMA-MESO 模式對?；^測資料同化的發展現狀，本文結合華南前汛期暴雨，尤其是暖區暴雨受海洋性對流影響嚴重的特點，進行南海及沿岸?；^測資料同化對華南前汛期暴雨預報的影響研究，初步揭示南海?；^測資料對CMA-MESO 模式預報的潛在改善價值，為CMA-MESO 模式實現更多?；^測資料業務同化、提高華南前汛期暴雨預報水平和開展南海海洋觀測試驗提供重要依據。

2 前汛期暴雨天氣過程

2022 年5 月10—17 日，受高空槽、切變線、西南急流和冷空氣影響，廣東及沿海地區發生一次持續時間長且范圍廣泛的強降水過程。10—13日（圖1a～1d），500 hPa不斷有波動從高原東移，沿西風槽槽前西南氣流向下游移動，正渦度平流的引入促進了廣東及周邊區域垂直運動的持續發展，而呈現日變化特征的西南急流在850 hPa 和925 hPa（圖略）上持續控制廣東上空，不斷向華南沿海區域輸送暖濕氣流，配合海陸地形和山脈的阻擋作用，在夜間沿海地區形成小時雨量超過100 mm的暖區強降水雨帶（圖1c～1d）。同時，受地形阻擋作用，高原東側西南渦（圖略）在東移過程逐漸演變成東西走向的切變線，并停滯在廣東中北部，切變線附近不斷有中尺度雨帶形成，隨引導氣流向下游移動，形成珠三角區域的強降水（圖1c～1d）。13日-15日，受冷空氣影響，切變線南移，強降水中心逐漸移出華南沿岸，在南海近岸區域形成暴雨（圖1e～1f），24 h降水達到500 mm量級，15日之后降水逐漸南移減弱。

圖1 2022年5月10—15日每天1200 UTC ERA5再分析的850 hPa風場（風羽）和500 hPa位勢高度場（藍線），以及累積到當前時刻的24 h融合降水觀測 黑色小矩形為試驗模擬區域；黑色粗曲線為青藏高原2 500 m地形高度邊界。本文采用的時間均為協調世界時（Universal Coordinated Time，UTC或Z）。

此次天氣過程的強降水主要發生在廣東和南海區域，雨帶向東南和南海方向逐漸移動，并在海上形成強降水過程。鑒于?；^測資料常常部署在近海區域，本文獲取的?；^測資料僅來自于廣東和海南沿海地區。因此，對?；^測資料同化的研究不宜選取過大的模擬區域，圖1中的黑色矩形范圍被選定為研究區域（2）。

3 模式與資料

3.1 CMA-MESO模式

CMA-MESO 區域數值模式由GRAPES（Global / Regional Assimilation and PrEdiction System）更名而來，該模式為CMA 在中國區域的主要業務同化預報系統，已在很多領域得到廣泛的研究和應用，例如極端天氣事件、臺風、沙塵暴、干旱等[28-30]。使用的物理方案包括微物理參數方案（WSM6）[31]、邊界層方案（NMRF）[32]、陸面過程參數方案（SMS）、長短波輻射方案（RRTMG）[33-34]等。由于模擬試驗分辨率約為3 km，達到了對流可分辨的網格尺度，對流參數方案被關閉。試驗區域包括華南及南海近岸地區（圖2），覆蓋了主要的降水研究過程，水平網格為401 × 368，分辨率為0.03 ° × 0.03 °；垂直方向為65 層，最高達到10 hPa。選用ECMWF 12 h 業務預報場作為驅動CMA-MESO模式的初始條件和側邊界條件。

圖2 CMA-MESO模式同化預報模擬區域（107～119 °E，15～26 °N）紅點表示探空站；綠點表示地面站；藍點表示?；?，包括海島站、浮標站、石油平臺站。

本文針對?；^測資料同化選取的模式版本為CMA-MESO ver5.0。CMA-MESO 模式采用的同化系統為三維變分（3DVAR）同化方法，其通過最小化模式空間與觀測空間之間的距離，求解當前大氣的最優估計（初值條件），表示該距離的函數稱為3DVAR的目標函數，定義為：

其中等式右側第一項為背景場目標函數項，x為當前大氣狀態初值，xb為模式背景場，本文為ECMWF 的預報場，B 為背景誤差協方差，本文采用的B 為均勻各向同性的靜態矩陣。右側第二項為觀測目標函數項，H為觀測算子，yo為觀測，R 為觀測誤差協方差。CMA-MESO 3DVAR 同化系統通過迭代求解目標函數的極小值獲取驅動CMAMESO模式預報的初值條件。

3.2 觀測資料

本文針對?；^測資料同化對華南及沿海區域暴雨預報影響的研究，選擇地面站和?；居^測作為CMA-MESO 模式同化的觀測類型，其中地面站觀測（圖2 綠點所示）來源于CMA 業務同化觀測，南海及沿岸的?；居^測數據統一從廣東省氣象業務網獲取，主要包括海島站、浮標站、石油平臺，數量達到近百個，分布在南海近海及沿岸地區（圖2 藍點所示）。海島站和石油平臺站觀測提供了豐富的觀測要素，有溫度、氣壓、濕度、風場、降水等，浮標站除上述觀測要素，還提供海表溫度和波高的觀測信息。此外，檢驗觀測包括探空站（圖2紅點所示）觀測和降水觀測，探空觀測來自于CMA每天0000 UTC和1200 UTC的資料，降水觀測為CMA 的逐小時多源觀測降水融合資料，分辨率為0.05 ° × 0.05 °[35-36]。

3.3 質量控制

質量控制是數值天氣預報模式對觀測資料有效同化的關鍵。本文針對地面站和?；居^測資料的質量控制，除了常規的極值檢查外，還進行了背景場檢查[37]和變分質量控制[38-40]。

背景場檢查假設觀測與背景場之差（新息向量）必須保持不大于觀測誤差的α倍，定義為：

首先，在規劃水產養殖工作之前，水產養殖管理機構要根據企業內部水資源的實際情況，對其發展規模開展準確的評估工作。評估工作結束后，根據評估結果進行具體的規劃，以提升水產養殖的科學性和合理性。

其中σo為觀測誤差，α為背景場檢查閾值系數，通常不同觀測類型的不同觀測要素具有不同系數，是由歷史資料統計獲得，本文針對地面站和?；静煌^測要素的背景場檢查閾值系數設置為α= 2.5。背景場檢查對新息向量偏差顯著大的觀測予以剔除，可以有效減少異常值觀測進入同化系統，是觀測資料同化前的重要質量控制步驟。

?；^測受海洋環境影響大，例如海浪高度的實時波動導致觀測的高度具有不確定性，觀測高度和模式背景高度的不一致會導致獲取的?；^測新息向量不夠合理。此外，?；讹L場觀測誤差同樣具有很大的不確定性?？紤]到異常值觀測可能不全是錯誤觀測，其可能攜帶有用的觀測信息甚至是正確的觀測，常規質量控制涉及的閾值設定是根據歷史觀測統計獲得，應用于當前同化觀測具有不確定性，可能導致正確（有用）觀測被剔除，也可能引入可疑觀測到同化系統。因此，基于以上?；^測受海洋環境的影響，本文在同化?；^測過程還執行了變分質量控制。變分質量控制是基于觀測誤差非高斯分布的假設，在變分同化極小化迭代過程，根據新息向量大小實現觀測權重的自適應調整，以促進同化分析的準確性[39]。

根據變分質量控制算法，觀測資料在變分迭代極小化過程獲得的權重大小是污染率（ε）、觀測誤差（σo）、新息向量的函數。污染率指導致新息向量非高斯分布的異常值可能概率，通常設為常數。當污染率越高、新息向量（極小化跌過過程則指觀測與迭代分析值之差）越大，觀測資料獲取權重越小，即對分析場影響越小，但仍保持對分析場的調整[41]。借鑒CMA-MESO 模式地面站觀測資料同化已經使用的變分質量控制方案，本文針對?；^測資料的同化進行了變分質量控制方案的適用，變分質量控制的以上參數與地面站觀測設置相同。

4 循環同化試驗

為合理同化?；荆∣CEAN）觀測資料，首先針對地面站（SYNOP）觀測資料設計了冷啟動同化（DA_SYNOP_COLD）和連續循環同化（DA_SYNOP_CYCLE）方案的敏感試驗（圖3）。本文試驗選取歐洲中期天氣預報中心（European Centre for Medium - Range Weather Forecasts，ECMWF）12 h業務預報場作為初始同化時次的背景場。根據第2 節華南前汛期暴雨天氣發展過程（圖1），第一次同化的背景場時間設定為2022 年5月10 日0000 UTC，即2022 年5 月9 日1200 UTC 12 h 業務預報作為背景場，側邊界條件由相應時刻的預報場生成，最后一次同化時間為2022 年5月17 日0000 UTC，每間隔3 h 進行觀測資料同化和預報，即同化時間窗為3 h，每天8 次同化和預報，共進行57 次同化和預報（圖3）。針對地面站觀測資料同化方案的敏感試驗，其中冷啟動同化試驗（DA_SYNOP_COLD）每12 h 冷啟動一次，背景場均來自ECMWF 12 h 業務預報場（如圖3 所示），并在0000 UTC-1200 UTC 期間進行循環同化，背景場則來自CMA-MESO 模式3 h 預報場。連續循環同化試驗（DA_SYNOP_CYCLE）則采用CMA-MESO 模式3 h預報場作為下一次同化的背景場，并連續執行循環同化。兩組試驗每3 h積分預報24 h（如圖3 藍色箭頭所示）。根據上述兩組敏感試驗結果，證明了DA_SYNOP_CYCLE 試驗24 h 降水預報顯著好于DA_SYNOP_COLD 試驗（詳見6.1 節）。因此，本文針對地面站和?；居^測的試驗研究選定為連續循環同化試驗設計方案。

圖3 CMA-MESO 3DVAR同化系統連續循環同化和冷啟動同化方案設計 紅色、黑色、綠色、藍色分別代表觀測資料（OBS）、資料同化、背景場來源、24 h模式預報的相關流程信息。

根據連續循環同化方案，本文針對?；^測資料設計了兩組同化試驗：DA_SYNOP 和DA_SYNOP_OCEAN。DA_SYNOP 為僅同化地面站觀測的連續循環同化試驗，作為參考試驗；DA_SYNOP_OCEAN 是 在DA_SYNOP 試 驗 的 基礎上增加?；^測資料循環同化的試驗。兩組試驗除同化觀測資料不同，其他與連續循環同化試驗（DA_SYNOP_CYCLE）保持相同的設置，具體試驗方案如圖3和表1所示。根據CMA-MESO 同化系統設計，觀測資料的溫度和氣壓要素僅可以選擇同化其中的一種，本文試驗選擇同化氣壓要素。地面站和?；^測同化的氣象要素相同，包括氣壓（P）、濕度（RH）、緯向風（U）和經向風（V）。

表1 地面站和?；居^測資料同化試驗方案總結

5 診斷方法

本文針對同化分析場和模式預報場的診斷主要通過計算平均偏差（Bias）和均方根誤差（Rootmean-square Error，RMSE）進行模式評估。平均偏差和均方根誤差的計算公式為：

其中Mi和Oi分別表示第i(i= 1，2，3，……，n)個站點或格點上的模式模擬量和觀測值。模式模擬量在觀測站點位置的值通過雙線性插值獲得。此外，針對模式預報降水進行了降水評分評估，主要根據觀測降水與預報降水按類別分類后列出的頻數表統計獲得，該表稱為列聯表（Contingency table），如表2 所示。統計計算的降水評分有頻率偏 差（Frequency Bias，FB）、技 巧 評 分（Threat Score，TS）、空報率（False Alarm Rate，FAR）、成功率（Success Ratio，SR）和命中率（Probability of Detection，POD），表3給出了各類降水評分的計算公式、閾值范圍和最佳技巧評分值。

表2 降水預報檢驗方法的二分類列聯表

表3 各類降水評分的計算公式及描述

6 試驗結果分析

6.1 同化方案分析

DA_SYNOP_COLD 和DA_SYNOP_CYCLE試驗在2022 年5 月10 日1200 UTC 之前的同化和預報結果保持一致。2022 年5 月10 日1200 UTC為DA_SYNOP_COLD 試驗第2 次冷啟動同化時刻，此時DA_SYNOP_CYCLE 試驗繼續使用3 h預報場進行連續循環同化，即兩組同化試驗的背景場信息開始不同。10 日1200 UTC 24 h 降水分布在廣東大部分地區，強降水中心主要在粵西沿海和粵北區域（圖4a），最大降水量超過300 mm。DA_SYNOP_COLD 和DA_SYNOP_CYCLE 試 驗（圖4e 和圖4i）的24 h 降水模擬誤差較大，DA_SYNOP_COLD 試驗對粵東降水模擬較好，但嚴重漏報粵西降水，DA_SYNOP_CYCLE 試驗漏報了粵東及沿岸地區的較弱降水。相比DA_SYNOP_COLD 試驗，DA_SYNOP_CYCLE 準確捕捉到粵西的暖區暴雨，盡管降水預報偏弱。

2022 年5 月12 日1200 UTC 24 h 累積降水面積擴大，在粵中及以東、廣西東北部、西南部和福建南部均產生20 mm 以上的降水（圖4b），廣東降水中心分布在珠江口和粵東中部。DA_SYNOP_COLD 試驗此時重新進行1 次冷啟動同化，而DA_SYNOP_CYCLE 試驗已進行17 次連續循環同化，兩組試驗模擬的降水分布和中心開始產生顯著偏差，DA_SYNOP_CYCLE 試驗的降水模擬明顯好于DA_SYNOP_COLD試驗，尤其在粵中及以東區域，更準確地模擬出珠江口以西的降水強度，同時，顯著減少DA_SYNOP_COLD試驗在最北側區域（小于20 mm 降水）的空報現象。對于2022 年5 月13—14 日1200 UTC 24 h 降水，對 比DA_SYNOP_COLD 試 驗（圖4g～4h），DA_SYNOP_CYCLE 試驗同樣顯著改善了沿海區域的模擬降水分布，同時在降水強度方面也更加接近實況降水（圖4k～4l）。根據冷啟動和循環同化試驗分析可知，連續循環同化試驗方案對此次降水分布、中心和強度方面的模擬均顯著優于冷啟動同化試驗方案。

根據圖4可知，連續循環同化試驗顯著優于冷啟動同化試驗，它們的區別在于背景場來源不同。對于冷啟動同化試驗，背景場每12 h 采用ECMWF 預報場進行更新，以確保大尺度天氣系統的準確性，這導致每次冷啟動都需要模式重新進行動力再平衡，從而失去之前同化積累的有用觀測信息。因此，確保大尺度天氣系統的準確性和保留累積同化觀測信息是一個平衡關系。根據本文連續循環同化試驗結果，大尺度天氣系統和降水預報并未出現偏移（“漂移”）現象，這使得連續循環同化試驗結果比冷啟動同化試驗更優。圖5給出了DA_SYNOP_COLD和DA_SYNOP_CYCLE 試驗的平均絕對地面氣壓傾向變化。平均絕對地面氣壓傾向在動力平衡狀態后基本維持在較平穩的狀態，可以表征模式對噪聲濾除的快慢。較快地濾除噪聲并達到平衡，有利于縮短模式平衡（spin-up）時間，進而實現模式穩定積分和預報。 從圖中可以看出，DA_SYNOP_CYCLE 試驗的地面氣壓傾向達到平穩狀態的速度在大部分時次均要快于DA_SYNOP_COLD 試驗，尤其在冷啟動同化時刻（0000 UTC 和1200 UTC）。盡管目前CMAMESO 同化系統還未實現標準的暖啟動同化功能，僅是通過云分析系統更新模式水物質場以達到縮短spin-up 時間和實現暖啟動同化功能，而并沒有在3DVAR 過程更新水凝物變量。但是，根據本文試驗可知，簡單的連續循環同化設計在一定程度上同樣可以減少spin-up 時間，通過累積同化觀測信息，達到比冷啟動同化試驗更好的效果。因此，本文針對?；^測資料同化的研究選用連續循環同化試驗方案。由于本文僅是?；^測資料同化的初步研究，對于暖啟動同化方案將在未來做進一步的探討。

圖5 冷啟動（DA_SYNOP_COLD）和連續循環同化（DA_SYNOP_CYCLE）試驗過程地面氣壓傾向隨時間的變化

6.2 模式變量診斷

選取獨立性探空站觀測資料（圖2紅點所示），對DA_SYNOP 和DA_SYNOP_OCEAN 試驗分析場的比濕、溫度、緯向風和經向風變量進行平均偏差（Bias）和均方根誤差（RMSE）診斷，其中均方根誤 差 差 異 （RMSE difference） 為DA_SYNOP_OCEAN 試 驗 與DA_SYNOP 試 驗 的差，負值表示正貢獻。從比濕偏差廓線來看（圖6a、6e），兩組試驗的偏差基本相當，只是在低層DA_SYNOP_OCEAN 試驗偏差更小，中層DA_SYNOP 試驗偏差更小，比濕場總體在低層呈現弱的干偏差，中層呈現顯著的濕偏差。DA_SYNOP_OCEAN 試驗的比濕均方根誤差在低層（除925 hPa）小于DA_SYNOP 試驗，中高層總體大于DA_SYNOP 試驗，與比濕偏差廓線基本一致。 這表明，增加同化?；^測資料（DA_SYNOP_OCEAN）對改善低層的濕度場產生了積極的正貢獻。

圖6 2022年5月10日0000 UTC —2022年5月17日0000 UTC DA_SYNOP和DA_SYNOP_OCEAN試驗分析場的偏差（Bias, a～d）和均方根誤差差異（RMSE difference, e～h）統計 檢驗觀測為每天0000 UTC和1200 UTC獨立性探空站廓線觀測，圖中右軸表示檢驗時間段內相應氣壓層的檢驗觀測數量。均方根誤差差異為DA_SYNOP_OCEAN試驗與DA_SYNOP試驗的差，負值表示DA_SYNOP_OCEAN試驗具有正貢獻。a, e：比濕（Q）; b, f：溫度（T）; c, g：緯向風（U）; d, h：經向風（V）。

兩組試驗溫度場偏差基本一致，低層有顯著的暖偏差（圖6b），而均方根誤差廓線顯示，DA_SYNOP_OCEAN 試驗的溫度場相對DA_SYNOP 試驗整體有微弱的改善（圖6f）。DA_SYNOP_OCEAN 試驗的緯向風在低層的偏差和均方根誤差小于DA_SYNOP 試驗，中高層則互有優勢，不確定性大（圖6c、6g）。兩組試驗的經向風偏差和均方根誤差基本相當，互相不具有明顯優勢（圖6d、6h）?？傮w來看，增加同化?；^測資料顯著改善了分析場低層的濕度場和風場，對溫度改善不明顯，這與同化的?；^測發生在低層具有一致性。

6.3 降水預報分析

受切變線和西南季風影響，廣東西部和中北部出現超過250 mm 的24 h 累計降水（圖7a），2022 年5 月10 日0000 UTC 為第一次同化時間，DA_SYNOP 和DA_SYNOP_OCEAN 試驗24 h 預報較好地模擬出最北側的降水，對粵東的降水嚴重偏弱，對粵西的降水幾乎漏報（圖7f、7k）。隨著同化觀測和循環同化時次的增加（19 次），5 月12日0600 UTC 兩組試驗24 h 累積降水預報與觀測更接近，較好地模擬出實況降水分布特點，但降水強度明顯偏強，降水中心則偏北（圖6g、6l）。5 月12 日0600 UTC 前，兩組試驗24 h 累積降水預報差異不明顯，但相比DA_SYNOP 試驗，DA_SYNOP_OCEAN 試驗僅在粵北和廣西東部對大雨量級的降水預報有一定的改善（圖6g、6l），這可能是由于同化的?；^測資料主要位于沿海及海上區域，導致在內陸區域還無法獲取更準確的天氣系統。2022 年5 月13 日前后，降水雨帶逐漸從內陸移至沿海及海上地區（圖7b、7c），DA_SYNOP（圖7g～7h）和DA_SYNOP_OCEAN（圖7l～7m）試驗有效捕捉這次降水過程，但兩組試驗的降水中心更偏北，對珠江口附近的中心暴雨嚴重漏報，但相比 DA_SYNOP 試驗，DA_SYNOP_OCEAN 試驗在粵東沿海及海上的預報降水更加接近觀測（圖7l～7m），該區域降水預報的改善與增加同化?；居^測的位置保持一致。

圖7 DA_SYNOP（f～j）和DA_SYNOP_OCEAN（k～o）試驗分別在2022年5月11日0000 UTC（a、f、k）、12日0600 UTC（b、g、l）、13日0000 UTC（c、h、m）、15日0000 UTC（d、i、n）、16日1200 UTC（e、j、o）的24 h降水預報及與之對應的24 h觀測降水（a～e） 黑色線表示25 mm觀測降水等值線。

受冷空氣影響，雨帶沿東南方向逐漸移入南海區域，15 日0000 UTC 24 h 累積降水主體已處在海上（圖7d～7e）。兩組試驗在15 日0000 UTC和16 日1200 UTC 24 h 降水預報有效模擬出這次降水過程和主要分布特點，但降水強度嚴重偏弱（圖7i～7j 和圖7n～7o）。相較于DA_SYNOP試驗24 h 降水模擬（圖7i），同化?；^測資料后，DA_SYNOP_OCEAN 試驗（圖7j）擴大了海上的降水范圍，增強了降水強度（海上區域和粵西沿海區域），盡管與觀測降水差異很大，但?；^測資料同化使得降水預報更接近實況降水。隨著觀測雨帶南移，DA_SYNOP_OCEAN 試驗相對DA_SYNOP 試驗對降水模擬的改善也在逐漸減?。▓D7d, 7i, 7n），這可能與雨帶逐漸遠離同化?；居^測的位置有關?？傮w來看，同化?；居^測，對沿海及海上降水有較明顯的改善，對內陸和遠離?；居^測位置的降水模擬改善不顯著。

鑒于?；^測資料同化有效改善了低層的水汽條件和動力場（圖6e 和圖6g），以及沿岸和海上的24 h 降水預報（圖7m～7o），本文進一步分析了此次降水過程中低層水汽輸送條件和動力抬升條件。圖8 為2022 年5 月15 日0000 UTC 24 h 預報的925 hPa 水汽通量和風場。從水汽輸送條件來看，西南季風從南海中南部向其東北部海域輸送大量的濕空氣，形成西南季風水汽通道；而粵東沿海偏東氣流攜帶近海海面上大量的濕空氣并向珠江口以西沿海地區持續輸送。從動力抬升條件來看，南海東北部海域有暖式切變形成，有利于該地區的輻合抬升運動，且持續的水汽輸送形成水汽匯，有利于降水的維持，形成大暴雨降水；而珠江口以西沿海地區受到風速輻合影響，形成水汽輻合，同樣有利于該地區的暴雨到大暴雨降水的形成。與DA_SYNOP相比，DA_SYNOP_OCEAN試驗的水汽通量更強、風切更為顯著，使得兩地的預報降水更強（橢圓區域），與觀測降水也更接近（圖7d、7i、7n），在海上的其他時次具有類似的特點（圖略）。因此，?；^測資料同化可通過有效改善低層水汽輸送和動力抬升條件，從而改善沿岸和海上區域的降水預報。

圖8 2022年5月15日0000 UTC 24 h預報的925 hPa水汽通量（陰影）和風場（箭頭）a.DA_SYNOP ；b.DA_SYNOP_OCEAN試驗。

6.4 降水預報檢驗

由于TS 評分與空報率和漏報率之間并不獨立，不同的空報率和漏報率有可能導致相同的TS評分，為更好反映模式預報能力，采用評分綜合展示圖呈現出命中率（POD），成功率（SR）、TS 評分以及頻率偏差（FB）四種檢驗評分結果，更能客觀地評估模式降水預報好壞，綜合評分展示圖的右上角位置為最佳降水評分。圖9 和圖10 分別是2022 年5 月10 日0000 UTC 到2022 年5 月17 日0000 UTC 期間57 次24 h 內降水預報的綜合評分展示圖，其中圖9 為陸地區域的降水評估，圖10 為海洋區域的降水評估。

圖9 DA_SYNOP和DA_SYNOP_OCEAN試驗在陸地區域6 h（a）、12 h（b）、18 h（c）、24 h（d）預報降水的綜合評分展示圖6～12 h降水評分閾值為0.1 mm、10 mm、30 mm、50 mm、100 mm；18～24 h降水評分閾值為0.1 mm、20 mm、50 mm、100 mm、150 mm。

圖10 同圖9但為海上區域降水預報的綜合評分展示圖

從圖9中可以看出，兩組試驗在陸地區域各時段預報降水頻率偏差評分均大于1（除大于0.1 mm 降水近似于1外），說明CMA-MESO 模式對此次降水過程在陸地區域的降水總體明顯過估DA_SYNOP_OCEAN 試驗的6 h 和18 h 預報降水評分和DA_SYNOP 試驗幾乎一致，12 h 和24 h 預報降水評分除了對12 h 30 mm 降水和24 h 100 mm降水有微弱的優勢外，其他閾值降水評分也同DA_SYNOP 試驗相當?？梢?，增加?；^測資料同化對陸地區域降水預報的改善有限，這是因為?；^測遠離陸地區域，其同化影響范圍有限。此外，當前可同化的?；^測數量僅有幾十個，相對于高分辨率數值模式存在明顯不足。

圖10 同圖9 但給出了海上區域的降水評分。從頻率偏差評分來看，除6 h 和12 h 的0.1 mm 和10 mm降水頻率偏差評分近似等于1外，其他時段較大閾值降水評分均顯示兩組試驗在海上區域的降水明顯低估。DA_SYNOP_OCEAN 試驗相比DA_SYNOP 試驗，對6 h 和12 h 預報降水改善不顯著，僅對30 mm 降水有明顯改善，其他閾值預報降水評分基本相當。但DA_SYNOP_OCEAN 試驗對于18 h 和24 h 預報降水的大部分閾值（除0.1 mm 閾值降水）降水評分均有較明顯的改善?？傮w來看，相比陸地區域的降水預報，增加同化?；^測資料，可顯著提高CMA-MESO 模式對海上區域的降水預報評分，顯示出?；^測資料同化對沿岸及海上區域天氣預報的重要性。

7 結論與討論

本文通過搜集南海及沿岸?；^測資料，在地面站觀測資料同化基礎上，額外增加同化搜集?；^測，研究?；^測資料同化對華南前汛期暴雨預報的影響，揭示了南海?；^測資料對CMA-MESO 模式對沿海及海上區域暴雨預報的潛在改善價值，為CMA-MESO 模式實現更多?；^測資料業務同化、提高華南前汛期暴雨預報水平和開展南海海洋觀測試驗提供了重要依據。根據冷啟動和連續循環同化試驗分析，即使在無法實現標準暖啟動同化的情況下，連續循環同化在試驗期間并未出現天氣系統或預報降水“漂移”的問題。地面氣壓傾向變化表明連續循環同化試驗相比冷啟動同化試驗更有利于模式快速平衡，而連續循環同化長期累積的有用觀測信息，使其降水預報效果顯著優于冷啟動同化試驗。為此，本文針對?；^測資料同化的研究采用了連續循環同化方案的設計，但暖啟動同化試驗可能會產生更佳的效果，對此將在未來的研究進一步實現標準暖啟動循環同化，以揭示?；^測資料同化可能帶來的更好改善效果。

根據地面站和?；^測資料的連續循環同化試驗結果，額外增加同化?；^測資料可有效改善分析場低層的濕度場和風場，但對溫度改善不明顯，這與同化?；^測來自低層保持一致。分析場對低層濕度場和風場的改善進一步改善了華南上游南海區域的水汽輸送和動力條件，從而在海上及沿岸區域的降水預報更加接近觀測降水，顯示出?；^測資料同化起到的重要作用。降水預報檢驗表明，同化?；^測資料對陸地區域的降水預報改善不明顯，但對海上區域的降水預報改善顯著，尤其是18 h 和24 h 的強降水預報?？傮w來看，額外增加?；^測資料同化對華南前汛期海上區域的暴雨預報產生了積極的正貢獻。盡管當前?；^測數量有限，可進一步完善同化方案等技術以加快?；^測資料進入業務同化，提高CMA-MESO 模式對華南前汛期暴雨預報的能力，以充分利用?；^測資料同化的增益價值。

致 謝：感謝廣東省氣象探測數據中心在數據收集上提供的幫助。