RAMS 在復雜地形下的次百米級預報效果檢驗

楊智靈 , 郭在華* , 史 磊 , 趙金玲 , 何夢雨 , 劉洪曉

（1.成都信息工程大學，成都 610225；2.中國氣象局大氣探測重點實驗室，成都 610225）

引言

隨著觀測資料不斷完善和計算機運行性能日益提高，數值模式已成為天氣預報業務系統中不可或缺的一部分，作為當前主要的客觀預報工具，它為預報員提供了對未來天氣發展的客觀預測，減少了對預報員經驗的依賴性[1-3]。目前，如何利用中尺度數值模式提高對復雜地形模擬效果，是數值預報研究領域中需要攻克的難題之一[4]。

用于山地氣象預報研究的中尺度模式有MM5、RAMS、APPS 等[5-6]。Cox 等[7]比較了RAMS、MM5、NOPAPS6、RWM4 四種模式的模擬性能，發現RAMS模式最佳，MM5 模式次之。吳建成等[8]、李磊等[9]、張吉等[10]利用RAMS 對降雨進行數值模擬，均發現RAMS能較好地模擬出降雨過程、降雨中心落區以及降雨量。李磊等[11]、李江林等[12]還運用RAMS 模式對山谷城市進行風場研究，發現RAMS 能成功模擬出山谷城市局地環流特征和地面風場時空變化。Gómeza 和Casellesa[13]利用 RAMS 對巴倫西亞一次降水過程進行模擬，發現6 小時降水總量模擬效果良好，氣溫、相對濕度等氣象要素模擬結果與觀測值基本一致。美國國家氣象局（National Weather Service，NWS）在利用研發的局地分析和預報系統（Local Analysis and Prediction System，LAPS）為RAMS 提供初始條件的基礎上，開發了奧運會天氣支持系統（Olympic Weather Support System，OWSS），為1996 年亞特蘭大百年奧運會提供專門的氣象業務支持[14]。在澳大利亞和新西蘭，RAMS已實現氣象業務應用[15]。綜上所述，RAMS 用于氣象預報是可行的，且在常用的山地氣象預報模式中表現最佳。

2022 年北京冬奧會賽場地形復雜，延慶區北東南三面環山，全境平均海拔500 m 以上，境內最高峰為北京第二高峰海坨山，海拔2241 m。地形作為大氣運動的障礙物，可使氣流因阻擋而產生擾流和翻越運動，進而改變風場，最終導致降水、溫度等氣象要素發生變化[16]，而溫度、降水、濕度等氣象要素會直接影響冬奧會各項目的順利開展，同時也會影響到運動員水平的發揮。已有多項研究[17-22]利用WRF、MM5 模式對北京地區降水參數化方案、降水發展過程和環流特征、溫度和濕度等氣象要素進行模擬分析及結果檢驗，但效果差強人意。究其原因，很可能是所用數值模式時空分辨率不夠，無法精細刻畫延慶區復雜地形，導致對中小尺度天氣系統模擬效果不佳。根據已有研究[23-24]，高分辨率的模式更能真實刻畫復雜地形，能更好地模擬中小尺度天氣系統。因此，本文選用高分辨率的RAMS 模式，對2022 年北京冬奧會延慶山地賽場作“百米級、分鐘級”精準天氣預報，通過對降水、風、溫度等預報結果進行量化檢驗，以此評估模式預報效果，旨在為精細化天氣預報在氣象保障和防災減災等方面更好地發揮作用提供科學參考。

1 模式簡介與試驗設計

選用區域大氣數值模式RAMS 6.0 版本。RAMS模式是20 世紀70 年代William R.Cotton 博士結合3個相關模式發展而成，包括云物理參數化、積云參數化輻射參數化、邊界層參數化、土壤和植被參數化方案等。研究采用NCEP 逐3 h 的0.25°×0.25°格點資料作為RAMS 模式初始場和側邊界條件。模式使用美國 USGS 30 s 地表資料，預報時間為2022 年2 月15—19 日。模式選用 σ- z 地形跟隨坐標，采用三重網格嵌套，網格分辨率分別為10 km、1 km、100 m，對應格點數分別為 60×55、122×142、142×142，垂直方向不等間距分為35 層，側邊界方案采用Klemp-Wilhelmson 方案，輻射參數化方案采用Harrington 長短波輻射方案，湍流參數化方案采用Smagorinsky 方案，陸面過程采用Leaf3 陸面模式。模式每日08 時和20 時（北京時）對延慶賽區溫度、風、相對濕度、降水等氣象要素分別預報兩次。模式參數詳細說明和模擬區域地形分布如表1 和圖1～3 所示。

圖2 延慶地區高程分布

圖3 d03 站點位置

表1 試驗設計

2 檢驗資料和方法

2.1 檢驗資料

站點信息如表2 所示，為了全面檢驗RAMS 模式對延慶賽區各氣象要素的預報能力，選取 A1701、A1703、A1705 等8 個賽場作為檢驗站點。8 個站點經緯度比較接近，但海拔差異顯著，實際觀測海拔從最低A1489（928 m）到最高A1701（2177.5 m），對表中8 個站點的風速、風向、溫度、相對濕度進行逐日檢驗，降水進行逐時檢驗。檢驗數據來自于智慧冬奧2022 天氣預報示范計劃（SMSRT2022-FDP）集成顯示平臺（http://smart 2022-fdp.ium.cn/#/verify）。

表2 延慶賽場預報站點信息

2.2 檢驗方法

本文主要利用準確率、評分、平均誤差、平均絕對誤差、均方根誤差等指標來定量分析RAMS 模式對風向風速、溫度、降水、相對濕度的預報性能。

2.2.1 風的檢驗方法

(1) 風向預報準確率

風向依照8 個方位劃分來對結果進行檢驗。式中：NRdi表示對方位i預報準確的總站數，NF為預報總站數，k表示1～8 方位當中的某一個方位。

(2) 風向預報評分

式中：SCdi為第i個站風向預報得分，NF為預報總站（次）數。

(3) 風速預報準確率

風速依照蒲氏風力等級對結果進行檢驗。式中：NRsi為對第i級風力預報正確站的個數，表示預報的風速和實際風速在一個等級，NF為預報總站數，k為風力等級當中的一個等級。

(4) 風速預報評分

式中：SCsi為第i個站風速預報得分，NF為預報總站數。

2.2.2 溫度的檢驗方法

(1) 預報準確率

式中：Nr為預報正確總站數，Nf為預報的總站數。當預報≥0 ℃、實況≥0 ℃且預報實況差在±2 ℃之間，表示該站點溫度預報正確。

(2) 均方根誤差

2.2.3 降水的檢驗方法

(1) TS 評分

式中：NAk為預報正確總站數，NBk為空報總站數，NCk為漏報總站數。降水等級劃分見表3。

表3 降水等級劃分

2.2.4 相對濕度的檢驗方法

(1) 平均絕對誤差

式中：Fi為預報值,Oi為觀測值。

3 檢驗結果分析

3.1 風向風速

本節通過分析冬奧會延慶賽區8 個站點的風速、風向預報準確率和評分來檢驗RAMS 模式對風的預報效果。如圖4a～c 所示，A1711、A1712 站點風速總體預報和4 m/s 閾值檢驗預報準確率最高，A1705、A1708 站點次之；A1711、A17124 站點在風速總體預報中平均準確率均高于35%，而4 m/s 風速準確率分別為 61%、78%。如圖4d、e 所示，A1701 站點MAE和ME 最大，風速預報準確率最低；15—19 日各站點ME 負值遠大于正值，表明RAMS 模式對風速預報偏小，這可能是數值網格高度低于站點實際高度所致[11]；各站點MAE 和ME 變化存在差異，但變化趨勢一致，說明RAMS 模式對復雜地形的風速預報存在一定的系統誤差，可以通過訂正方法減小系統誤差。同一站點在不同時間與同一時間在不同站點的風速偏差并不一致，具有隨機性。根據已有研究[25]，風速本身的不確定性、復雜地形以及中尺度模式本身存在的湍流隨機性問題都是影響風速預報效果的重要原因。如圖4f、g 所示，A1701 站點風向預報準確率最高可達82%，風向評分平均高達93%，其次是A1489 站點平均準確率為27.2%，A1708 站點預報準確率最低。分析圖4a～f 可知，相較于其他位置的站點，海拔集中在中間區域的風速預報效果最佳；而風向預報效果最好的站點是海拔最高站點，并不在海拔中間區域，這說明地形對風速的影響較大，尤其是近地面風場受局地地形影響更為顯著，即使微小的地形差異也可能對風場造成不可忽略的影響。由圖4h、i 可知，RAMS模式預報風向準確率在多個模式中位置靠前，具有一定的參考價值，而風速預報表現較為一般。

圖4 2022 年2 月15—19 日風速、風向檢驗

3.2 溫度

如圖5a、b 所示，RAMS 模式溫度平均預報準確率高達75%，其中A1711、A1712 站點溫度準確率最高，均為90%，A1701 站點表現最差；各站點RMSE 介于0.69～4.29 之間，其變化趨勢基本一致，說明溫度預報結果比較穩定。從表2 中可知，模式地形高度和實際地形高度存在差異，RMSE 值隨地形差異減小而減小，說明模式中地形高度刻畫不真實也是影響溫度預報準確率的一個重要原因。溫度預報ME 主要分布在1～2 ℃之間（圖5c），說明預報值比實況偏高，存在系統誤差，這常常與物理過程、參數化方案以及數值計算等有關[26]。如圖5d 所示，在2 月15 日、16 日及19 日晴朗的天氣條件下，RAMS 模式預報準確率高且穩定；在17 日降水條件下，該模式溫度預報準確率依然較高；18 日小雨伴有大風時，該模式預報準確率有所下降，說明天氣狀況會影響模式對溫度的預報效果?？傮w來說，RAMS 模式預報溫度排名靠前，具有較好的參考性。

圖5 2022 年2 月15—19 日溫度檢驗

3.3 降水

定量降水預報一直是模式預報中的重難點。為評估RAMS 模式在復雜地形下預報降水效果，重點分析了2 月17 日09—20 時賽區各個站點0.1 mm 降水和小雨等級下的TS 評分（圖6a、b）。如圖所示，RAMS模式啟動速度快，對降水預報影響較??；不同站點降水TS 評分差異顯著，其中A1705、A1712 站點評分明顯高于A1701。A1705、A1712 海拔低于A1701 海拔500 m 以上，這可能是影響降水TS 評分的一個主要原因。因RAMS 模式對地形高度刻畫存在一定誤差，降水又是局部變量，網格點相對于站點實際位置的錯位即使是1 km 量級，也可能會導致降水預報出現顯著差異。由表2 可知，經緯度誤差是0.0001 量級，因此位置錯位差異可以忽略不計。RAMS 模式的網格分辨率為次百米，隨著分辨率的提高，這種差異可能歸因于模式在充分再現觀測數據時捕捉特定或局部特征的內在局限性[27]。在12 h 預報時效內，預報評分隨著時間延長呈波動變化特征，并沒有表現出單調增大或減小的傾向性，而是整體較為穩定且略有下降，說明RAMS 模式降水預報在12 h 內是穩定有效的。如圖6c～f 所示，隨定量降水等級的增加，累計1 h 和累計3 h 降水TS 評分都沒有明顯變化。量級不變，累計3 h 降水TS 評分明顯高于累計1 h 降水。從各站點晴雨預報準確率（圖6g）可以看出，各站點的準確率波動不大，在晴朗天氣準確率最好表現為100%，晴雨預報準確率為71%，降水預報也具有一定的可信度。數值模式預報降水過程與積云對流參數化方案、微物理過程、模式算法等相關[28]，這是預報準確率在出現降水天氣的情況下有所下降的原因之一，而且本文中沒有選擇積云對流參數化方案，這也許是影響預報準確率的另一個重要因素。如圖6h、i 所示，RAMS模式預報降水TS 評分排名靠前，說明其對降水有一定的預報能力。

圖6 2022 年2 月15—19 日降水檢驗

3.4 相對濕度

冬奧會期間相對濕度的檢驗指標主要采用MAE。如圖7a 所示，站點優勢不明顯，具有隨機性，說明地形對相對濕度影響不大；2 月15—16 日MAE 較小且集中，說明天氣狀況復雜使得相對濕度預報難度加大，而單純的降水、晴朗天氣對相對濕度的影響不會很大；2 月17 日MAE 介于8.43%～14.92% 之間，誤差比較集中且相對較低；2 月18 日各站點MAE 明顯偏大。如圖7b 所示，除了2 月16 日A1701 站點相對濕度ME 為負值以外，其他均為正值，說明預報值較實況偏高。如圖7c 所示，2 月16 日RAMS 模式預報相對濕度的MAE 高于大多數模式，說明該模式對相對濕度預報能力有限，還有待進一步改進。

圖7 2022 年2 月15—19 日相對濕度檢驗

4 結論

本文利用RAMS 模式，對2022 年北京冬奧會延慶山地賽場進行“百米級、分鐘級”精準天氣預報，并對其預報結果進行檢驗評估，得出以下主要結論：

(1) RAMS 模式預報溫度平均準確率高達75%，晴雨預報準確率為71%，總體降水TS 評分為50%。與其他模式相比，RAMS 模式在溫度和風向預報上有明顯的優勢，預報降水也排名靠前，但相對濕度預報效果不佳?？梢?，RAMS 模式對復雜地形下溫度和風向預報具有一定參考價值，降水預報具有一定的可信度，但相對濕度和風速的預報水平還需進一步提高。

(2) 復雜地形和模式中地形高度刻畫不真實對溫度的影響最大，其次是降水與風，而相對濕度所受的影響最小。

(3) 風速預報值比實況偏小，溫度和相對濕度預報值比實況偏大，存在系統誤差，這種通常與物理過程、參數化方案以及數值計算等有關，可以通過訂正進行改善。

(4) 在12 h 內，隨預報時效延長，降水預報評分呈波動變化，并未表現出一致增大或減小的傾向性，雖有略微下降，但整體較為穩定。隨著降水量級的增加，降水TS 評分下降明顯，最高下降37%。

(5) 天氣狀況對溫度和相對濕度的影響較大，溫度和相對濕度預報效果在晴朗天氣下表現更佳，復雜天氣狀況下則相對偏差。