中國區(qū)域3種數(shù)值模式的地面氣象要素預(yù)報初步評估

岳艷霞 任芝花 劉娜 石巖

1 石家莊市氣象局，石家莊 050081 2 國家氣象信息中心，北京 100081

1 引言

世界上主要數(shù)值天氣預(yù)報中心都擁有各自的全球中期預(yù)報模式，歐洲模式預(yù)報的準確性、精細化始終是各國模式發(fā)展的主要目標（管成功等, 2008）。

GRAPES（Global/Regional Assimilation and Prediction System）模式是我國自主研發(fā)的新一代數(shù)值預(yù)報模式，它兼顧全球與有限區(qū)兩種性質(zhì)不同的預(yù)報區(qū)域，填補了我國數(shù)值預(yù)報領(lǐng)域的數(shù)項技術(shù)空白 （張人禾和沈?qū)W順, 2008; 陳超君等, 2012）。另外它基于多尺度通用模式，能夠針對不同的區(qū)域和物理過程選擇不同的運行模塊，在提高模式精度并有利于后續(xù)研發(fā)的同時有效降低業(yè)務(wù)運行成本（閆之輝等, 2010; 張萌等, 2018）。GRAPES模式的區(qū)域版本GRAPES_MESO自2004年5月9日開始業(yè)務(wù)試運行（毛冬艷等, 2014），經(jīng)過十幾年不斷改進完善，2018年已發(fā)展到V4.3版本。GRAPES模式的全球版本GRAPES_GFS于2009年實現(xiàn)準業(yè)務(wù)化，之后經(jīng)過模式物理過程的完善、三維變分同化系統(tǒng)的改進、衛(wèi)星資料同化應(yīng)用的增加和模式協(xié)同的調(diào)整，于2016年建立了GRAPES_GFS2.0的預(yù)報模式（張萌等, 2018）。

數(shù)值預(yù)報理論的不斷發(fā)展完善，加上高速度、大容量的巨型計算機及網(wǎng)絡(luò)的快速發(fā)展，使得數(shù)值預(yù)報成為天氣預(yù)報的基礎(chǔ)和重要手段。然而，大氣是極其復(fù)雜的系統(tǒng)，受多種因素影響，天氣系統(tǒng)的演變是非線性、不確定性和時變的過程。因此對數(shù)值預(yù)報產(chǎn)品進行檢驗不僅可以為模式改進提供建議 （董全等, 2016），也可以讓氣象服務(wù)人員更好地了解各種數(shù)值模式產(chǎn)品的性能，在提供數(shù)值預(yù)報產(chǎn)品的服務(wù)中更具針對性。許多學(xué)者對中國區(qū)域多種模式多種要素進行了不同時間段的檢驗評估，龔偉偉等 （龔偉偉等, 2015a）用ECMWF（歐洲中期數(shù)值預(yù)報中心）和JMA（日本氣象廳）及GFS（美國國家海洋大氣局的全球預(yù)測系統(tǒng)）3種模式對中國區(qū)域氣溫、濕度、風(fēng)速等要素進行了評估，指出ECMWF模式優(yōu)于其他模式，東部預(yù)報效果好于西部。龔偉偉等（龔偉偉等, 2015b）還用JMA、ECMWF兩種數(shù)值模式對中國區(qū)域平均海平面氣壓和地面風(fēng)速等要素進行了評估，指出兩種模式東部適用性優(yōu)于西部，JMA、ECMWF在不同區(qū)域各具優(yōu)勢。趙天保等（趙天保和符淙斌, 2009; 趙天保和華麗娟, 2009）對幾種再分析地表氣溫、地表氣壓資料在中國區(qū)域的適用性進行了評估，指出再分析產(chǎn)品與觀測資料的差異具有明顯的區(qū)域和季節(jié)變化特征。上述檢驗評估多采用誤差、標準差、相關(guān)等指標，使用的站點多為國家氣象站。近年來關(guān)于GRAPES_MESO和GRAPES_GFS預(yù)報與實況檢驗的研究不斷增多，但關(guān)于兩種預(yù)數(shù)值報之間的對比及兩種數(shù)值預(yù)報與ECMWF等其他數(shù)值模式的對比檢驗還不多見。陳超君等（陳超君等, 2012）對溫哥華冬奧會場館GRAPES_MESO 濕度、氣溫、風(fēng)、降水預(yù)報與實況進行了對比分析，指出氣溫預(yù)報偏低，風(fēng)速預(yù)報偏大，濕度預(yù)報準確率最高，0.1 mm降水評分最高且存在系統(tǒng)誤差等；張萌等（2018）對比分析了GRAPES_GFS2.0 與 NCEP FNL的差異，指出誤差大值集中在中高緯度地區(qū)，且冬季最大，夏季最?。幻G等（毛冬艷等, 2014）對GRAPES_MESOv3.3模式強天氣預(yù)報性能進行了初步檢驗，指出模式降水空報改進明顯，對強降水有一定預(yù)報能力，但預(yù)報性能不夠穩(wěn)定，對臺風(fēng)降水強度預(yù)報較好，但落區(qū)具有一定誤差。

氣象預(yù)報應(yīng)用于社會各行各業(yè)，對國民經(jīng)濟和社會發(fā)展的作用越來越受到重視。ECMWF和GRAPES預(yù)報產(chǎn)品是國內(nèi)目前主要的應(yīng)用服務(wù)產(chǎn)品。為了了解ECMWF和GRAPES預(yù)報產(chǎn)品的性能，使用戶在實際應(yīng)用中，根據(jù)需求可選擇性地應(yīng)用上述預(yù)報產(chǎn)品，本文分別利用中國氣象局2421個國家級自動站和8155個地面天氣站（骨干站）逐時觀測資料對ECMWF和GRAPES_MESOv4.3、GRAPES_GFSv 2.0的氣溫、地表溫度、濕度、風(fēng)速、降水在中國區(qū)域的適用性進行了對比研究。

2 資料及處理

2.1 資料說明

本文所用的數(shù)值模式資料為2017年7月（簡稱7月）和11月（簡稱11月）、2018年1月（簡稱1月）和4月（簡稱4月）ECMWF確定性預(yù)報模式（簡稱C1D）的0～72 h氣溫、地表溫度、露點溫度、風(fēng)速、小時累積降水預(yù)報資料以及GRAPES_MESO v4.3 （簡稱Meso）和GRAPES_GFS v2.0（簡稱Gfs）的0～72 h氣溫、地表溫度、相對濕度、風(fēng)速、小時累積降水預(yù)報資料。這3種數(shù)值模式資料的詳細介紹見表1。4月、7月、11月、1月的統(tǒng)計結(jié)果分別代表春、夏、秋、冬4個季節(jié)的特征。

表1 數(shù)值模式資料說明Table 1 Information of numerical model data

本文分別利用中國氣象局國家級自動站和地面天氣站觀測資料與模式預(yù)報進行了對比研究，發(fā)現(xiàn)在站點較多且數(shù)據(jù)較完整的東部地區(qū)評估結(jié)果與站點類型選取關(guān)系不大。王雨等（王雨和閆之輝, 2007）也曾進行了降水檢驗方案變化對降水檢驗評估效果的影響分析，指出不同站點不同分區(qū)大雨以下各級降水評估結(jié)果差別不大。本文分析中使用的站點為國家站和地面天氣站，增大西部站點數(shù)量。站點分布和站點海拔高度及分區(qū)（趙天保和華麗娟, 2009）見圖1a（其中，北方半干旱區(qū)簡稱為北半干）。因為地面天氣站為區(qū)域自動站，觀測要素種類不同，所以分析中不同要素參與統(tǒng)計的臺站數(shù)量不同（圖1b）。臺站觀測資料取自于國家氣象信息中心的CIMISS系統(tǒng)。

圖1 （a）本文使用的站點分布與站點海拔高度及中國9個分區(qū)；（b）中國9個分區(qū)氣溫、地表溫度、風(fēng)速、濕度的站點數(shù)量Fig. 1 (a) Distribution of observation stations with altitudes presented in this article and the nine subregions over China; (b) station numbers of different elements and the nine subregions over China

2.2 資料處理

因為所獲取的ECMWF資料沒有地面相對濕度信息，所以本文通過露點溫度和氣溫計算出相對濕度（盛裴軒等, 2005）。

本文采用雙線性插值法將數(shù)值模式格點資料插值到觀測站點，將模式與觀測同一時刻數(shù)據(jù)形成的匹配樣本數(shù)據(jù)進行分析。對氣溫在插值過程中由于地形差異引起的誤差進行了地形訂正（趙天保和符淙斌, 2009a）。

2.3 評估方法

本文主要采用誤差E與平均誤差ME、均方根誤差RMSE、預(yù)報準確率、相關(guān)系數(shù)r等參數(shù)評估各數(shù)值預(yù)報模式的預(yù)報性能。

（1）誤差E與平均誤差ME

Ei為預(yù)報與實況的誤差值：Ei=Fi-Oi，F(xiàn)i為預(yù)報值，Oi為觀測值。

分析中同時計算了誤差的概率分布情況及平均誤差統(tǒng)計值，綜合分析二者可以看出模式預(yù)報是否存在系統(tǒng)誤差。

（2）均方根誤差RMSE

預(yù)報與觀測實況的均方根誤差表示模式預(yù)報與觀測實況的誤差大小。

（3）預(yù)報準確率為模式預(yù)報正確的站次數(shù)與模式預(yù)報總站次數(shù)之比。參照中國氣象局《天氣分析預(yù)報質(zhì)量檢驗方法》中的規(guī)定（陳超君等, 2012）：氣溫： |Fi-Oi|≤2 K；地表溫度： |Fi-Oi|≤5 K；相對濕度： |Fi-Oi|≤10%； 風(fēng)速： |Fi-Oi|≤2m/s。若要素滿足上述各檢驗公式，則認為模式預(yù)報準確。預(yù)報準確率可以反映一個模式對不同氣象要素的預(yù)報性能優(yōu)劣。

（4）相關(guān)系數(shù)r

模式預(yù)報與觀測實況的相關(guān)系數(shù)可檢驗?zāi)Ｊ綄τ^測實況日變化、逐日變化的模擬預(yù)報能力，相關(guān)系數(shù)越大模擬能力越強。

3 結(jié)果與分析

因為不同要素、不同季節(jié)對比分析的站點數(shù)量不同，所以樣本數(shù)量也不同。去除缺測數(shù)據(jù)，樣本數(shù)量最多的是7月的氣溫，樣本量超過1000×104，樣本數(shù)量最少的是1月的地表溫度，樣本量約為160×104。

3.1 氣溫

3.1.1 評估參數(shù)均值特征

表2給出數(shù)值模式與觀測氣溫的平均誤差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)在不同月份和年的統(tǒng)計值。結(jié)合誤差概率分布（圖略）和各評估參數(shù)的統(tǒng)計值可以發(fā)現(xiàn)：氣溫誤差主要集中在[-5 K，5 K]，此區(qū)間樣本數(shù)量Meso和Gfs占全部樣本的90%，C1D超過95%。平均誤差4月和7月Meso為正值，Gfs為負值，C1D接近0值。11月Gfs平均誤差為負值，Meso和C1D為正值，1月3個模式的平均誤差均為正值。說明春、夏季氣溫Meso預(yù)報易高估，Gfs預(yù)報易低估，冬季3個模式預(yù)報均易高估。均方根誤差Meso和Gfs大于3 K，C1D在2.5 K左右，預(yù)報準確率Meso和Gfs低于65%，C1D高于73%，相關(guān)系數(shù)Meso和Gfs大于0.8，C1D大于0.9。3個模式總體表現(xiàn)出4月、1月相比7月、11月均方根誤差略高，預(yù)報準確率略低，相關(guān)系數(shù)略小，說明3個模式氣溫預(yù)報能力夏秋季優(yōu)于冬春季。另外從各評估參數(shù)的數(shù)值可以看出C1D氣溫預(yù)報能力最好，Gfs略好于Meso。

表2 數(shù)值模式模擬與觀測氣溫資料各評估參數(shù)統(tǒng)計值T able 2 Statistics of evaluation parameters of the air temperature between the numerical model predictions and observations

3.1.2 評估參數(shù)空間分布特征

圖2給出數(shù)值模式資料和觀測氣溫的平均誤差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)年均值的空間分布特征。圖3給出不同評估參數(shù)在不同月份、不同區(qū)域的平均值分布特征。綜合圖2和圖3可以看出：3個模式在青藏地區(qū)均為負誤差，新疆地區(qū)4月為負誤差，1月為正誤差。C1D除4月外，其他月份全國大部分地區(qū)為正誤差，誤差值較小。Gfs除1月外，其他月份全國大部分地區(qū)均為負誤差，特別是東北地區(qū)，負誤差值較大。Meso在4月、7月全國大部分地區(qū)為正誤差，11月、1月區(qū)域分布特征沒有明顯規(guī)律。還可以看出Gfs和Meso不同區(qū)域間誤差值差異較大。3個模式青藏和新疆地區(qū)的均方根誤差明顯高于其他地區(qū)，青藏地區(qū)3種模式均方根誤差相差不大，在4 K左右；新疆地區(qū)Meso、Gfs、C1D均方根誤差分別為4.1 K、4.3 K、3.1 K；其他地區(qū)C1D均方根誤差在2～2.5 K，Gfs和Meso均方根誤差相當(dāng)，在2.5～3.5 K。3個模式青藏和新疆地區(qū)的預(yù)報準確率明顯低于其他地區(qū)，青藏地區(qū)3種模式預(yù)報準確率相差不大，在50%左右；新疆地區(qū)Meso、Gfs、C1D預(yù)報準確率分別為38%、33%、58%；其他地區(qū)C1D預(yù)報準確率在70%～90%，Gfs和Meso預(yù)報準確率接近，在50%～70%。除7月外，3個模式青藏地區(qū)相關(guān)系數(shù)明顯低于其他地區(qū)，新疆地區(qū)相關(guān)系數(shù)與其他地區(qū)相似，大于0.8。Meso 7月南部地區(qū)相關(guān)系數(shù)較低，11月北部地區(qū)相關(guān)系數(shù)較低，在0.75左右。3個模式所有評估指標均有明顯的區(qū)域分布特征，多表現(xiàn)為從東南向西北預(yù)報能力越來越差，青藏、新疆地區(qū)的預(yù)報能力最差。

圖2 Meso（第一列）、Gfs（第二列）、C1D（第三列）數(shù)值模式模擬與觀測氣溫評估參數(shù)的空間分布：（a、b、c）平均誤差；（d、e、f）均方根誤差；（g、h、i）預(yù)報準確率；（j、k、l）相關(guān)系數(shù)Fig. 2 Spatial distribution of evaluation parameters of the air temperature between the numerical model predictions using Meso (the first column), Gfs(the second column), and C1D (the third column) and observations: (a, b, c) ME (Mean Erro); (b, e, f) RMSE ( Root-Mean-Square Error); (g, h, i) the forecast accuracy of models; (j, k, l) correlation coeffcient

圖3 Meso、Gfs、C1D數(shù)值模式模擬與觀測氣溫在4月（第一列）、6月（第二列）、11月（第三列）、1月（第四列）中國9個分區(qū)上各評估參數(shù)統(tǒng)計值：（a-d）平均誤差；（e-h）均方根誤差；（i-l）預(yù)報準確率；（m-p）相關(guān)系數(shù)Fig. 3 Evaluation parameters of the air temperature between the numerical model predictions (Meso, Gfs, and C1D) and observations in the nine subregions over China in April (first column), July (second column), November (third column), and January (fourth column): (a-d) ME; (e-h) RMSE;(i-l) the forecast accuracy of models; (m-p) correlation coeffcient

3.1.3 均方根誤差日變化特征

圖4給出數(shù)值模式資料與觀測氣溫資料不同時刻均方根誤差的統(tǒng)計特征，進一步說明3個模式預(yù)報與氣溫觀測資料的差異。可以看出，3個模式均存在隨預(yù)報時效增長，均方根誤差增大的特征，Meso該特征表現(xiàn)最顯著，說明3個模式均表現(xiàn)隨預(yù)報時效增長，預(yù)報能力下降，Meso該特征表現(xiàn)最明顯。7月、1月北京時間白天氣溫較高時C1D的均方根誤差值較高，夜間氣溫較低時C1D的均方根誤差值較低，Gfs僅在7月，Meso僅在1月具有該特征，其他月份均方根誤差沒有明顯的晝夜差異。

圖4 Meso、Gfs、C1D數(shù)值模式模擬與觀測氣溫均方根誤差日變化特征：（a）4月；（b）7月；（c）11月；（d）1月Fig. 4 Diurnal variations of RMSE between the numerical model predictions (Meso, Gfs, and C1D) and observations of air temperature: (a) April; (b)July; (c) November; (d) January

3.2 地表溫度

3.2.1 評估參數(shù)均值特征

表3給出數(shù)值模式與地表溫度觀測值的平均誤差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)在不同月份和年統(tǒng)計值。綜合誤差概率分布情況和各評估參數(shù)的統(tǒng)計值可以發(fā)現(xiàn)：地表溫度誤差主要集中在[-20 K, 5 K]，此區(qū)間樣本數(shù)量Meso與Gfs占全部樣本的90%，C1D超過95%。3個模式平均誤差均為負值，7月負誤差最大，1月最小。說明3個模式地表溫度預(yù)報均易低估，夏季低估最明顯。3個模式中Gfs地表溫度的預(yù)報準確率最低，與觀測資料的均方根誤差最大，相關(guān)系數(shù)最小。Meso與C1D的各評估參數(shù)接近，但略低于C1D。說明地表溫度C1D和Meso的預(yù)報能力好于Gfs。3個模式均表現(xiàn)為4月、7月較11月、1月均方根誤差略高，預(yù)報準確率略低，但相關(guān)系數(shù)只有C1D具有該特征。說明3個模式地表溫度預(yù)報能力秋冬季優(yōu)于春夏季。

表3 數(shù)值模式模擬與觀測地表溫度資料各評估參數(shù)統(tǒng)計值Table 3 Statistics of evaluation parameters of the ground temperature between the numerical models and observations

3.2.2 評估參數(shù)空間分布特征

圖5給出數(shù)值模式資料和地表溫度觀測值的平均誤差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)年均值的空間分布特征。圖6給出不同評估參數(shù)在不同月份、不同區(qū)域的平均值分布特征。

綜合圖5和圖6可以看出，除7月外，3個模式在青藏地區(qū)平均誤差低于-10 K，Gfs低于-15 K。1月北半干地區(qū)Meso和Gfs平均誤差明顯低于C1D，約為-8 K。除1月新疆地區(qū)Gfs平均誤差為正值外，其他時段全區(qū)域3個模式均為負值。4月、7月全國區(qū)域內(nèi)Meso平均誤差均低于C1D。說明3個模式地表溫度預(yù)報存在系統(tǒng)誤差，除1月新疆地區(qū)Gfs易高估外，其他時段3個模式在全國區(qū)域均易低估，Gfs低估值最大，4月、7月Meso低估值最小。除7月外，3個模式青藏地區(qū)的均方根誤差明顯偏高，在15 K左右，預(yù)報準確率明顯偏低，在20%左右。1月Meso、Gfs在北半干和新疆地區(qū)的均方根誤差明顯高于其他地區(qū)，在10 K左右，預(yù)報準確率明顯偏低，在30%左右。3個模式華南、華東、西南、華北、東北等地區(qū)均方根誤差11月、1月在4～6 K，預(yù)報準確率在70%～90%，4月、7月均方根誤差在5～10 K，預(yù)報準確率在50%～80%，存在明顯的季節(jié)差異，預(yù)報能力春夏季低于秋冬季。除7月外，3個模式在青藏地區(qū)相關(guān)系數(shù)均明顯低于其他地區(qū)，其他時間地區(qū)差異不明顯。C1D相關(guān)系數(shù)最高，Gfs和Meso不同區(qū)域不同月份各有高低。和氣溫相似，3個模式所有評估指標均有明顯的區(qū)域分布特征，多表現(xiàn)為從東南向西北預(yù)報能力越來越差，青藏地區(qū)的預(yù)報能力最差，但新疆地區(qū)與其他地區(qū)預(yù)報能力差異不明顯。

圖5 Meso（第一列）、Gfs（第二列）、C1D（第三列）數(shù)值模式模擬與觀測地表溫度評估參數(shù)的空間分布：（a、b、c）平均誤差；（d、e、f）均方根誤差；（g、h、i）預(yù)報準確率；（j、k、l）相關(guān)系數(shù)Fig. 5 Spatial distribution of evaluation parameters of the ground temperature between the numerical model predictions using Meso (the first column), Gfs (the second column), and C1D (the third column) and observations: (a, b, c) ME; (b, e, f) RMSE; (g, h, i) the forecast accuracy of models;(j, k, l) correlation coeffcient

圖6 Meso、Gfs、C1D數(shù)值模式模擬與觀測地表溫度在4月（第一列）、6月（第二列）11月（第三列）、1月（第四列）中國9個分區(qū)上各評估參數(shù)統(tǒng)計值：（a-d）平均誤差；（e-h）均方根誤差；（i-l）預(yù)報準確率；（m-p）相關(guān)系數(shù)Fig. 6 Evaluation parameters of the ground temperature between the numerical model predictions (Meso, Gfs, and C1D) and observations in the nine subregions over China in April (first column), July (second column), November (third column), and January (fourth column): (a-d) ME; (e-h) RMSE;(i-l) the forecast accuracy of models; (m-p) correlation coeffcient

3.2.3 均方根誤差日變化特征

圖7給出不同時刻均方根誤差的統(tǒng)計特征?？梢钥闯觯?個模式特征相似，北京時間白天氣溫較高時均方根誤差值較高，夜間氣溫較低時均方根誤差值較低，存在明顯的晝夜差異。夜間不同季節(jié)均方根誤差最低值在2～4 K，白天均方根誤差最高值季節(jié)差異較大，4、7月在12～15 K，11月、1月在7～10 K，同樣表現(xiàn)出春夏季高于秋冬季的特征?？梢?，前面提到的華南、華東、西南、華北、東北等地區(qū)預(yù)報能力春夏季高于秋冬季主要體現(xiàn)在白天最高地表溫度的預(yù)報。

圖7 Meso、Gfs、C1D數(shù)值模式模擬與觀測地表溫度均方根誤差日變化特征：（a）4月；（b）7月；（c）11月；（d）1月Fig. 7 Diurnal variations of RMSE between the numerical model predictions (Meso, Gfs, and C1D) and observations of the ground temperature: (a)April; (b) July; (c) November; (d) January

3.3 風(fēng)速

3.3.1 評估參數(shù)均值特征

表4給出數(shù)值模式與風(fēng)速觀測值的平均偏差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)在不同月份和年統(tǒng)計值。綜合誤差概率分布情況和各評估參數(shù)的統(tǒng)計值可以發(fā)現(xiàn)：風(fēng)速誤差主要集中在[-2 m/s,5 m/s]，此區(qū)間樣本數(shù)量C1D與Gfs占全部樣本的95%，Meso為85%。3個模式風(fēng)速平均誤差均為正值，Meso平均偏差值最大，說明模式預(yù)報易高估，Meso高估最明顯。均方根誤差Meso最大，在2.7～3.1 m/s，Gfs次之，在2.2 m/s左右，C1D最小，在1.9 m/s左右。預(yù)報準確率C1D最高，大于85%，Gfs次之，在75%左右，Meso最低，小于70%。3個模式均表現(xiàn)為4月均方根誤差最大，預(yù)報準確率最低，說明3個模式風(fēng)速預(yù)報能力春季最差。相關(guān)系數(shù)同樣表現(xiàn)為C1D最高，Meso最低，Gfs居中。3個模式相關(guān)系數(shù)值明顯低于其他觀測要素。從各評估參數(shù)的數(shù)值可以看出C1D風(fēng)速預(yù)報能力最好，Gfs次之，Meso最差。

表4 數(shù)值模式模擬與觀測風(fēng)速資料各評估參數(shù)統(tǒng)計值Table 4 Statistics of evaluation parameters of the wind speed between the numerical model predictions and observations

3.3.2 評估參數(shù)空間分布特征

圖8給出數(shù)值模式資料和風(fēng)速觀測值的平均偏差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)年均值的空間分布特征。圖9給出不同評估參數(shù)在不同月份、不同區(qū)域的平均值分布特征。

綜合圖8和圖9可以看出：青藏地區(qū)C1D全年平均誤差為負值，Gfs和Meso為正值。說明除C1D青藏地區(qū)風(fēng)速預(yù)報易低估外，3個模式風(fēng)速預(yù)報易高估。華北及以南地區(qū)3個模式誤差值差異明顯，Meso誤差值最大，華北以北地區(qū)Meso與Gfs誤差值相近，略高于C1D。C1D均方根誤差不同區(qū)域間差異較小，華北及以南地區(qū)Meso均方根誤差明顯高于C1D和Gfs，在3 m/s左右，Gfs在2 m/s左右，C1D在1.5～2 m/s；華北以北地區(qū)4月、7月Meso均方根誤差仍高于Gfs和C1D，11月、1月Meso均方根誤差與Gfs接近，略高于C1D；華北以北地區(qū)Meso均方根誤差存在明顯的季節(jié)差異，春夏季高，秋冬季低。東北地區(qū)3個模式均方根誤差值差異最小。3個模式的均方根誤差特征在預(yù)報準確率有相同的表現(xiàn)。華北及以南地區(qū)Meso預(yù)報準確率明顯低于C1D和Gfs，在60%左右，Gfs在80%左右，C1D高于80%，華東和西南地區(qū)C1D預(yù)報準確率達到90%；華北以北地區(qū)Meso與Gfs接近，在70%左右，C1D高于80%，華北、東北C1D1月預(yù)報準確率達到90%。相關(guān)系數(shù)3個模式分布特征相似，華北、東北、北半干地區(qū)最高，大于0.6。華東、華南次之，在0.5～0.6。西南、新疆、西藏最低，在0.2～0.4。以上描述說明華北及以南地區(qū)Meso預(yù)報能力明顯低于GFS和C1D，華北以北地區(qū)Meso預(yù)報能力優(yōu)于華北及以南地區(qū)。所有評估指標均有明顯的區(qū)域分布特征，3個模式華北及以南地區(qū)空間分布特征差異大，華北以北地區(qū)相似度較高。

圖8 Meso（第一列）、Gfs（第二列）、C1D（第三列）數(shù)值模式模擬與觀測風(fēng)速評估參數(shù)的空間分布：（a、b、c）平均誤差；（d、e、f）均方根誤差；（g、h、i）預(yù)報準確率；（j、k、l）相關(guān)系數(shù)Fig. 8 Spatial distribution of evaluation parameters of the wind speed between the numerical model predictions using Meso (the first column), Gfs(the second column), and C1D (the third column) and observations: (a, b, c) ME; (b, e, f) RMSE; (g, h, i) the forecast accuracy of models; (j, k, l)correlation coeffcient

圖9 Meso、Gfs、C1D數(shù)值模式模擬與觀測風(fēng)速在4月（第一列）、6月（第二列）11月（第三列）、1月（第四列）中國9個分區(qū)上各評估參數(shù)統(tǒng)計值：（a-d）平均誤差；（e-h）均方根誤差；（i-l）預(yù)報準確率；（m-p）相關(guān)系數(shù)Fig. 9 Evaluation parameters of the wind speed between the numerical model predictions (Meso, Gfs, and C1D) and observations in the nine subregions over China in April (first column), July (second column), November (third column), and January (fourth column): (a-d) ME; (e-h) RMSE;(i-l) the forecast accuracy of models; (m-p) correlation coeffcient

3.3.3 均方根誤差日變化特征

圖10給出不同時刻均方根誤差的統(tǒng)計特征。可以看出，Gfs與C1D特征相似，均方根誤差北京時間晝高夜低，Meso沒有此特征，說明Gfs和C1D預(yù)報能力白天優(yōu)于夜間。Meso隨時效增長均方根誤差增大，4月、7月增長趨勢更明顯，說明Meso隨預(yù)報時效增長預(yù)報能力下降明顯。3個模式4月均方根誤差值高于其他季節(jié)。

圖10 Meso、Gfs、C1D數(shù)值模式模擬與觀測風(fēng)速均方根誤差日變化特征：（a）4月；（b）7月；（c）11月；（d）1月Fig. 10 Diurnal variations of RMSE between the numerical model predictions (Meso, Gfs, and C1D) and observations of the wind speed: (a) April;(b) July; (c) November; (d) January

3.4 濕度

3.4.1 評估參數(shù)均值特征

表5給出數(shù)值模式與風(fēng)速觀測值的平均偏差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)在不同月份和年統(tǒng)計值。綜合誤差概率分布情況和各評估參數(shù)的統(tǒng)計值可以發(fā)現(xiàn)：濕度誤差集中在[-20%, 20%]，此區(qū)間樣本數(shù)量Meso和Gfs占總樣本量70%以上，C1D在80%以上。與其他觀測要素相比，3個模式濕度誤差概率分布曲線的收斂度最差。Gfs平均誤差為較大正值，Meso和C1D為負值。3個模式中C1D濕度的預(yù)報準確率最高，與觀測資料的均方根誤差最小，相關(guān)系數(shù)最大。Meso與Gfs的各評估參數(shù)值接近。說明濕度C1D預(yù)報能力最好，Meso與Gfs相似。3個模式均表現(xiàn)為7月均方根誤差最小，預(yù)報準確率和相關(guān)系數(shù)最高的特征，說明3個模式均為夏季濕度預(yù)報能力最好。

表5 數(shù)值模式模擬與觀測濕度資料各評估參數(shù)統(tǒng)計值Table 5 Statistics of evaluation parameters of the humidity between the numerical model predictions and observations

3.4.2 評估參數(shù)空間分布特征

圖11給出數(shù)值模式資料和濕度觀測值的平均偏差、均方根誤差、預(yù)報準確率和相關(guān)系數(shù)年均值的空間分布特征。圖12給出不同評估參數(shù)在不同月份、不同區(qū)域的平均值分布特征。

綜合圖11和圖12可以看出：3個模式平均偏差區(qū)域分布和月際間差異沒有明顯共性特征。Gfs在不同季節(jié)所有地區(qū)誤差均為正值，Meso青藏和華北以北地區(qū)誤差普遍為正值，華南、華東、西南和華北地區(qū)誤差多為負值，C1D青藏地區(qū)誤差為正值，華南、華東、西南地區(qū)誤差多為正值且接近0，華北及以北地區(qū)誤差多為負值。說明所有區(qū)域濕度預(yù)報Gfs易高估，華北及以南地區(qū)Meso預(yù)報易低估，C1D易高估，華北以北地區(qū)Meso易高估，C1D易低估。青藏地區(qū)3個模式均方根誤差均明顯高于其他地區(qū)，在20%左右；華南、華東、西南等地區(qū)3個模式均方根誤差接近，普遍在10～15%；華北及以北地區(qū)C1D均方根誤差仍在10%～15%， Meso和Gfs均方根誤差偏高，在15～20%，且不同區(qū)域、不同季節(jié)間差異較大，沒有明顯規(guī)律。除1月外，青藏地區(qū)3個模式預(yù)報準確率均明顯低于其他地區(qū)，小于50%；華南、華東、西南等地區(qū)3個模式預(yù)報準確率接近且高低順序相同，C1D預(yù)報準確率最高，Gfs次之，Meso最低；青藏及華北以北地區(qū)C1D預(yù)報準確率仍為3個模式中最高，且各區(qū)域間差異較小，Meso和Gfs預(yù)報準確率在不同區(qū)域、不同季節(jié)各有高低，且各區(qū)域間差異較大。相關(guān)系數(shù)與均方根誤差、預(yù)報準確率表現(xiàn)出相似的區(qū)域分布特征，4月3個模式間相關(guān)系數(shù)差異最小。3個模式空間分布特征差異較大，除青藏地區(qū)預(yù)報能力最差、東南地區(qū)預(yù)報能力最好外3個模式空間分布特征沒有明顯的共性，說明3個模式區(qū)域間預(yù)報能力差異很大。

圖11 Meso（第一列）、Gfs（第二列）、C1D（第三列）數(shù)值模式模擬與觀測濕度評估參數(shù)的空間分布：（a、b、c）平均誤差；（d、e、f）均方根誤差；（g、h、i）預(yù)報準確率；（j、k、l）相關(guān)系數(shù)Fig. 11 Spatial distribution of evaluation parameters of the humidity between the numerical model predictions using Meso (the first column), Gfs (the second column), and C1D (the third column) and observations: (a, b, c) ME; (b, e, f) RMSE; (g, h, i) the forecast accuracy of models; (j, k, l)correlation coeffcient

圖12 Meso、Gfs、C1D數(shù)值模式模擬與觀測濕度在4月（第一列）、6月（第二列）11月（第三列）、1月（第四列）中國9個分區(qū)上各評估參數(shù)統(tǒng)計值：（a-d）平均誤差；（e-h）均方根誤差；（i-l）預(yù)報準確率；（m-p）相關(guān)系數(shù)Fig. 12 Evaluation parameters of the humidity between the numerical model predictions (Meso, Gfs, and C1D) and observations in the nine subregions over China in April (first column), July (second column), November (third column), and January (fourth column): (a-d) ME; (e-h) RMSE;(i-l) the forecast accuracy of models; (m-p) correlation coeffcient

3.4.3 均方根誤差日變化特征

圖13給出不同時刻均方根誤差的統(tǒng)計特征。可以看出，Meso與C1D特征相似，7月均方根誤差北京時間晝高夜低（17:00出現(xiàn)最高值，08:00出現(xiàn)最低值），其他季節(jié)均方根誤差北京時間05:00達到最高值，14:00達到最低值。Gfs所有季節(jié)均是北京時間白天均方根誤差較大，夜間較低。

圖13 Meso、Gfs、C1D數(shù)值模式模擬與觀測濕度均方根誤差日變化特征：（a）4月；（b）7月；（c）11月；（d）1月Fig. 13 Diurnal variations of RMSE between the numerical model predictions (Meso, Gfs, and C1D) and observations of the humidity : (a) April; (b)July; (c) November; (d) January

4 結(jié)論與討論

本文分別利用中國氣象局2421個國家級自動站和8155個地面天氣站（骨干站）逐時觀測資料對2017年7月和11月、2018年1月和4月的ECMWF確定性預(yù)報C1D、GRAPES_MESO、GRAPES_GFS的氣溫、地表溫度、風(fēng)速、濕度在中國區(qū)域的適用性進行了對比分析，得到如下結(jié)論：

（1）3個模式預(yù)報均存在系統(tǒng)誤差。氣溫預(yù)報7月華北、東北等北部地區(qū)Meso和C1D易高估。除1月外，Gfs全國范圍氣溫預(yù)報易低估，東北地區(qū)低估值最大。地表溫度預(yù)報除1月新疆地區(qū)Gfs易高估外，其他時段3個模式預(yù)報在全國范圍均易低估，Gfs低估值最大。風(fēng)速預(yù)報除青藏地區(qū)C1D易低估外，3個模式預(yù)報易高估。濕度預(yù)報Gfs全國范圍易高估，華北及以南地區(qū)Meso預(yù)報易低估，C1D易高估，華北以北地區(qū)Meso易高估，C1D易低估。

（2）所有分析的氣象要素中，3個模式中C1D均方根誤差最小、預(yù)報準確率最高、相關(guān)系數(shù)最大，說明C1D預(yù)報能力最好。Meso和Gfs在不同季節(jié)、不同區(qū)域預(yù)報能力各有千秋。地溫預(yù)報Meso優(yōu)于Gfs，風(fēng)速預(yù)報Gfs優(yōu)于Meso，氣溫、濕度預(yù)報Meso和Gfs相近。

（3）3個模式預(yù)報能力存在相似特征，但也存在一些差異。3個模式青藏地區(qū)預(yù)報能力均明顯低于其他地區(qū)；氣溫和地表溫度預(yù)報3個模式均表現(xiàn)為從東南向西北預(yù)報能力越來越差；風(fēng)速預(yù)報華北以北地區(qū)3個模式預(yù)報能力相近，華北及以南地區(qū)差異較大，Meso預(yù)報能力顯著偏低；C1D濕度預(yù)報能力各區(qū)域間差異較小，Gfs和Meso各區(qū)域間差異較大，且沒有明顯規(guī)律；3個模式華南、華東、西南、華北、東北等地區(qū)地表溫度預(yù)報能力春夏季低于秋冬季。

（4）3個模式的均方根誤差大多存在明顯的晝夜變化特征。所有分析的氣象要素中，3個模式均存隨預(yù)報時效增長均方根誤差增大的趨勢。Meso氣溫、風(fēng)速均方根誤差沒有明顯的晝夜差異，且兩個要素隨預(yù)報時效增長均方根誤差顯著增大。除7月外，Gfs濕度的均方根誤差晝夜變化特征與Meso、C1D差異明顯。

（5）3個模式均為濕度預(yù)報準確率最低，Meso的地表溫度預(yù)報準確率最高， Gfs和C1D風(fēng)速預(yù)報準確率最高。3個模式與觀測資料的相關(guān)系數(shù)均表現(xiàn)為氣溫的相關(guān)系數(shù)最高，風(fēng)速的相關(guān)系數(shù)最小。

很多研究中表明ECMWF預(yù)報性能優(yōu)于其他數(shù)值預(yù)報模式（劉靜等, 2014; 張宏芳等, 2014; 龔偉偉等, 2015a, 2015b ）。C1D為ECMWF確定性預(yù)報模式，本文研究指出了C1D與我國自主研發(fā)的數(shù)值模式Meso、Gfs相似特征和差異。可以看出，雖然現(xiàn)階段Meso和Gfs整體預(yù)報性能低于C1D，但在一定程度上能夠反映觀測資料所具有的時空分布特征，具有一定的適用性。隨著我國數(shù)值預(yù)報技術(shù)的不斷提高，Meso和Gfs預(yù)報性能也會提升。本文僅使用4種基本的評估參數(shù)對3個模式部分氣象要素的預(yù)報性能進行了評估，對造成預(yù)報性能差異的原因未做探究，在今后的工作中會結(jié)合模式機理和氣象要素的物理特性進行針對性評估，并提出合理應(yīng)用建議。