動態(tài)垂直變率降尺度方法在氣溫智能網(wǎng)格預報中的應用*

趙瑞霞 代 刊 王 勇 曹 勇 朱躍建 王寶利

1.國家氣象中心，北京，100081

2.南京信息工程大學，南京，210044

3.美國國家環(huán)境預報中心/環(huán)境模式中心，馬里蘭，20740

4.北京文澤智遠信息技術(shù)有限公司，北京，100081

1 引言

當前，無縫隙精細化網(wǎng)格氣象預報已經(jīng)成為世界各國氣象業(yè)務中的主流產(chǎn)品。與傳統(tǒng)站點預報相比，精細網(wǎng)格預報不僅可以提供人口密集、氣象觀測良好地區(qū)的豐富預報信息，也可以為復雜地形和觀測站較稀疏地區(qū)的氣象服務提供有力支撐（Engel，et al，2012），并且更有利于氣象預報在各相關行業(yè)的應用，尤其是水文、生態(tài)和農(nóng)業(yè)等領域（Walton，et al，2018）。雖然數(shù)值預報模式本身就可以提供大氣狀態(tài)的三維網(wǎng)格預報，但是基于大氣動力學的數(shù)值模式仍然無法清晰描述所有物理關系，其預報也無法解決近地面的天氣細節(jié)問題，具有較大的系統(tǒng)和隨機誤差（丁一匯，2005；Boeing，2016）。因此，在實際天氣預報業(yè)務中，仍然需要在模式預報基礎上利用實況信息進行解釋應用，提高預報技巧（Glahn，et al，1972；Carter，et al，1989；Vislocky，et al，1995；Krishnamurti，et al，1999；劉還珠等，2004；趙聲蓉等，2012；代刊等，2016；趙瑞霞等，2020；楊絢等，2022）。

氣溫是天氣預報中十分重要的要素，對農(nóng)業(yè)、航空及人民日常生活出行等都有廣泛影響。在制作氣溫網(wǎng)格預報過程中，鑒于站點觀測實況具備的更高可信度，通常仍然采用在站點上進行模式預報統(tǒng)計后處理，獲得預報性能良好的氣溫客觀預報，然后結(jié)合網(wǎng)格背景預報場，采用克里金法、反距離權(quán)重法、梯度距離平方反比法（Nalder，et al，1998）等插值方法進行客觀分析，使網(wǎng)格點預報逐步向站點預報逼近，形成最終的網(wǎng)格預報結(jié)果。譬如，美國為了適應數(shù)字預報數(shù)據(jù)庫發(fā)展趨勢（Glahn，et al，2003），Glahn 等（2009）基于站點MOS 預報通過CRESSMAN 逐步訂正方法生成了網(wǎng)格化MOS 氣溫指導預報產(chǎn)品。客觀分析過程中，考慮了氣溫垂直變率，為了正確反映垂直變率隨不同空間位置、一天中不同時間、一年中不同日期以及天氣狀況的變化，他們采用了實時統(tǒng)計每個網(wǎng)格點一定半徑范圍內(nèi)MOS 站點預報隨高度實際變化率的方法。中國當前網(wǎng)格預報體系中，短時滾動更新氣溫預報采取格點化建模的方式實現(xiàn)網(wǎng)格化預報產(chǎn)品的生成（曾曉青等，2019）；短中期和延伸期氣溫都采用將網(wǎng)格點背景場預報逐步向站點釋用預報逼近的方法生成網(wǎng)格預報（金榮花等，2019），客觀分析過程中也考慮了高程影響，氣溫垂直變率目前采用固定經(jīng)驗值。

在整個格點站點預報融合生成網(wǎng)格預報的過程中，作為背景場的網(wǎng)格預報的準確率和空間精細刻畫能力，對最終網(wǎng)格預報性能及精細化表征能力具有重要影響，尤其對于觀測資料較少而且地形復雜地區(qū)。由于數(shù)值模式的空間分辨率通常不能滿足網(wǎng)格預報的精細分辨率需求，為了提供精細刻畫不同地形條件下近地面天氣細節(jié)的網(wǎng)格背景預報場，首先必須進行空間降尺度（Ben Alaya，et al，2015；曹勇等，2016；Tang，et al，2018；Price，et al，2022）。一種比較高效的統(tǒng)計降尺度方法是，基于物理原理將低分辨率預報與高分辨率數(shù)據(jù)聯(lián)系起來，譬如結(jié)合高分辨率的高程數(shù)據(jù)，采用考慮氣溫垂直變率的插值或者線性回歸等方法，將較低分辨率的模式氣溫預報降尺度為較高分辨率產(chǎn)品（Willmott，et al，1995;Gardner，et al，2009；李框宇等，2019）。近年的很多研究發(fā)現(xiàn)，早期經(jīng)常使用的0.55—0.65℃/（100 m）氣溫垂直遞減率定常數(shù)值并不能很好地支持水文及大氣研究（Minder，et al，2010；Holden，et al，2011；Shen，et al，2016；Yadav，et al，2019；He，et al，2020；羅倫等，2021，陳志軍等，2022），因為觀測數(shù)據(jù)表明大氣近地層氣溫垂直變率具有十分明顯的時空變化。

為了提高網(wǎng)格預報背景場對高程等地理信息的精細刻畫能力，并且反映不同地區(qū)、不同時間和不同天氣形勢下氣溫隨高度的實際變化情況，本研究設計了一種動態(tài)垂直變率高程降尺度方法（DRD，Downscaling method considering elevation by Dynamic vertical lapse Rate）。針對每次起報時間、每個預報時效的每個目標格點，利用該點周圍的數(shù)值模式地面氣溫預報，結(jié)合模式格點及目標格點的高程數(shù)據(jù)，實時動態(tài)統(tǒng)計該點附近氣溫的垂直變率（VCE，the Vertical Change of surface temperature with Elevation，Glahn，et al，2009），盡可能遵照模式地表氣溫的垂直變化規(guī)律，以實現(xiàn)經(jīng)過高程訂正的降尺度預報。另外，將DRD 方法運用在生成稠密站點預報中，也可以作為一種站點統(tǒng)計后處理預報結(jié)果，提高預報準確率，可以作為站點多源預報產(chǎn)品融合的基礎產(chǎn)品之一。文中將針對中國區(qū)域，尤其是最具地形復雜性的青藏高原等地區(qū)，分析DRD 方法的合理性和應用效果。

2 資料和方法

本研究基于0.125°×0.125°分辨率的ECMWF數(shù)值模式的地面氣溫預報開展動態(tài)垂直變率高程降尺度（DRD）試驗，生成0.05°×0.05°目標分辨率的網(wǎng)格預報背景場，以及中國10461 個站點預報。文章除了使用ECMWF 數(shù)值模式0.125°×0.125°分辨率的地面氣溫外，還使用了該模式相應分辨率的高程數(shù)據(jù)，國際科學數(shù)據(jù)服務平臺（http://datamirror.csdb.cn）下載的0.05°×0.05°高程數(shù)據(jù)（與 ECMWF模式高程數(shù)據(jù)具備較好一致性），以及10154 個站的地面氣溫觀測資料及其經(jīng)度、緯度和海拔高度數(shù)據(jù)。網(wǎng)格預報覆蓋范圍為（EQ—60°N，70°—140°E）。

針對任意起報時間和任意預報時效，為了實時統(tǒng)計任意目標格點或站點（簡稱“目標地點”）附近氣溫的垂直變率（VCE），以ECMWF 數(shù)值模式的0.125°×0.125°分辨率網(wǎng)格為準，選取目標地點周圍鄰近16 個格點作為統(tǒng)計樣本量（圖1），利用ECMWF模式的地面氣溫及其高程數(shù)據(jù)計算VCE 值。本研究通過開展9 和16 個格點樣本量方案的對比分析獲知，16 個格點樣本量方案的預報準確率相對更高（圖表略）。首先，選取目標地點最近1 個格點作為區(qū)域內(nèi)“基準點”，然后利用周圍其他15 個格點及該“基準點”的地面氣溫和高程，求取VCE，見式（1）。

圖1 基于ECMWF 數(shù)值模式0.125°×0.125°分辨率網(wǎng)格選取目標地點D 周圍最近16 個格點作為VCE 統(tǒng)計樣本量的示意（點B 為離目標地點最近的基準點（也有可能B、D 重合），綠色實心圓標記網(wǎng)格點是用于與B 點結(jié)合求取VCE 的其他15 個點）Fig.1 Schematic diagram for the selection of 16 grid points nearest to the target site D as the VCE statistical samples based on the 0.125°×0.125° resolution grids of the ECMWF numerical model（Point B is the reference point closest to the target site（it is also possible that B and D coincide），and the green solid circle grid points are the other 15 points used to calculate VCE in combination with point B）

式中，tc和hc分別為“基準點”的基準地面氣溫和基準高程，ti和hi分別為目標點周圍除基準點之外的其他m個點中任意點的地面氣溫和高程（m≤15），VCE為目標地點及附近的氣溫垂直變率。

在氣溫垂直變率求取過程中，除基準點外的其他15 個點中，只有與基準點高程差值的絕對值超過130 m（秋季和冬季）或者150 m（春季和夏季）的站點被選入，該高程差閾值是基于降尺度預報準確率對比試驗結(jié)果確定的（圖表略），該數(shù)值與Glahn等（2009）研究中使用的130 m 比較接近。VCE 的計算過程中，針對每個起報時次、每個時效的預報場，實時動態(tài)統(tǒng)計了所有目標地點對應的全場VCE的百分位分布，當目標地點周圍所有參與計算VCE的15 個點與基準點的高程差絕對值均不滿足大于130（或150）m 條件時，則該目標點的VCE 值近似采用當前VCE 分布場的50%分位值。

當計算得到目標地點及附近氣溫的VCE 后，先將目標地點周圍鄰近4 個格點的氣溫按照該VCE 值轉(zhuǎn)化為與目標地點相同海拔高度平面上的氣溫（式（2）），然后利用雙線性插值方法生成目標地點地面氣溫預報值（式（3）—（5））。

本研究以2021 年4、7、10 月和2022 年1 月為例，基于ECMWF 全球數(shù)值模式，代表性分析春、夏、秋、冬四個季節(jié)VCE 的時空分布情況，并且通過與DMO 方法對比，分析中國及部分復雜地形區(qū)域DRD 站點氣溫預報的準確率，以及DRD 網(wǎng)格氣溫預報的空間精細刻畫能力，以了解DRD 方法的合理性和效果。

3 VCE 時、空分布特征

3.1 日變化

由中國區(qū)域0.05°×0.05°網(wǎng)格DRD 預報的VCE全場不同百分位的預報時效分布可以看到（圖2），地面氣溫VCE 存在明顯日變化，不論5%、50%或是95%分位VCE 在所有季節(jié)都具有十分相似的日變化規(guī)律。各分位值一般在08 時（北京時，下同）具備逐日最大值，即地面氣溫隨高度遞減最慢或者遞增最快，其中5%分位VCE 在1 月于11 時達到最大，95%分位VCE則在4、7、10 月于05 時即達到最大。之后逐漸減小，各分位值一般至17 時達到日最小值，地面氣溫隨高度遞減最快或遞增最慢，其中5%分位VCE 在4、10、1 月，以及95%分位VCE在7 月至20 時才達到最小值。5%和50%分位VCE在各個季節(jié)平均值大部分為負值，即地面氣溫隨高度為遞減，其日內(nèi)變化幅度大約為0.3℃/（100 m）；而95%分位VCE 在大部分季節(jié)以正值為主，尤其是冬季，只有夏季正負值比例相對接近，95%分位VCE 的日內(nèi)變化幅度在不同季節(jié)內(nèi)大約為0.5—0.8℃/（100 m），明顯大于較小百分位值的日變化幅度。

圖2 基于ECMWF 模式08 時起報的中國區(qū)域2021 年4 月（紅色）、7 月（綠色）、10 月（黃色）及2022 年1 月（藍色）地面氣溫的DRD 網(wǎng)格預報中不同分位（5%（點劃線）、50%（實線）和95%（虛線））的VCE 隨240 h 預報時效的分布Fig.2 Monthly mean VCE variations at lead times up to 240 h during April（red），July（green），October（yellow）2021 and January 2022（blue）over China based on ECMWF surfac air temperature forecast initialized at 08:00 BT（unit: ℃/（100 m）;VCEs of 5%（dash-doted line），50%（solid line）and 95%（dashed line）quantiles are displayed respectively）

VCE 的日變化規(guī)律是合理的。大氣最重要的加熱源來自地面長波輻射，白天隨著太陽照射增強，地表逐漸受熱升溫，來自地面的長波輻射加熱能力逐漸加強，靠近地表的大氣首先受熱升溫，氣溫隨高度遞減的現(xiàn)象便逐漸加強，原本隨高度遞增的現(xiàn)象則逐漸減弱，累積至17 或20 時VCE 變?yōu)樽钚≈担_到垂直遞減速度最快或者垂直遞增最慢；晚上隨著到達地面太陽輻射的消失，地表逐漸降溫，地面長波輻射的加熱能力比白天明顯下降，并逐漸轉(zhuǎn)變?yōu)檩椛淅鋮s作用，高空氣溫降溫較慢，因此氣溫隨高度的遞減率逐漸減小，甚至出現(xiàn)遞增現(xiàn)象形成輻射逆溫，而冬季部分地區(qū)一整天均為遞增的情況下，則遞增率在夜里逐漸增大，經(jīng)過一晚上累積效應，至05、08 或11 時VCE 變?yōu)樽畲?，達到最小垂直遞減率或者最大垂直遞增率。

3.2 季節(jié)差異

結(jié)合圖2—4 還可以看到，地面氣溫VCE 還存在明顯的季節(jié)差異。春季4 月、夏季7 月、秋季10 月、冬季1 月的5%至95%分位VCE 值范圍（圖2）分別為-1.44—0.57、-1.21—0.25、-1.46—0.69、-1.44—1.62℃/（100 m），冬季VCE 數(shù)值的變化范圍顯著大于其他季節(jié)，主要體現(xiàn)在部分地區(qū)近地面大氣的逆溫情況比較顯著，地面氣溫隨高度遞增，尤其是08 時（圖3）和11 時，中國以北的大片高地形區(qū)域的氣溫隨高度上升大幅度升高，最高遞增率可達到1.62℃/（100 m），有的區(qū)域（如阿爾泰山和杭愛山等地）甚至全天VCE均為正值，保持逆溫狀態(tài)（參照圖2 中的95%分位VCE 值及圖3d 和圖4d，其他時效VCE 空間分布圖略）。夏季VCE數(shù)值的波動范圍最小，表現(xiàn)為地面氣溫隨高度的最大遞減率和最大遞增率均比其他季節(jié)偏小，如最大遞增率，即使是95%分位VCE，除02、05 和08 時等3 個時次出現(xiàn)較小正值以外均為負值，表明夏季文中所研究區(qū)域的地面氣溫隨高度上升總體為遞減。春季和秋季的VCE 波動幅度相對接近，秋季幅度略大。240 h 內(nèi)80 個時效50%分位VCE 數(shù)值在春、夏、秋、冬季4 個月份預報中分別為-0.84—-0.51、-0.76— -0.51、-0.75— -0.46 和-0.63—-0.28℃/（100 m），地面氣溫隨高度上升遞減，其中冬季遞減率明顯較小，其他三季與傳統(tǒng)研究中使用的氣溫垂直遞減率（0.55—0.65℃/（100 m））接近。

圖3 2021 年4 月（a）、7 月（b）、10 月（c）、2022 年1 月（d）基于ECMWF 模式的5 km 網(wǎng)格氣溫預報垂直變率的空間分布（對應于北京時08 時起報的24 h 預報；單位：℃/（100 m））Fig.3 Spatial distributions of 5 km resolution VCE in April（a），July（b），October（c）2021 and January（d）2022 based on ECMWF surface temperature forecast（initialized at 08:00 BT，lead time +24 h；unit：℃/（100 m））

圖4 同圖3，但為9 h 預報（17 時）Fig.4 Same as Fig.3 but for the lead time of 9 h（17:00 BT）

總體而言，冬季不同區(qū)域VCE 變化較大，地面氣溫隨高度的遞減率比其他季節(jié)明顯偏小，這與以往的研究結(jié)論一致（Blandford，et al，2008；翟丹平等，2016；馬新萍等，2017），部分高地形區(qū)域存在隨高度上升迅速遞增現(xiàn)象，這主要由于冬季夜間地面輻射降溫更加明顯，且夜晚更長，大氣低空更容易出現(xiàn)輻射逆溫層，并且蒙古高原等高緯度高地形區(qū)域冬季多受高壓系統(tǒng)控制，長時間的輻射冷卻及下沉絕熱升溫作用，都加劇了這些區(qū)域逆溫層的出現(xiàn)和保持（圖3d）。夏季地面氣溫大部分情況隨高度遞減，不同區(qū)域VCE 變化幅度相對較小，遞減率整體比較大（He，et al，2020），這與夏季白天太陽輻射對地表加熱相對更強、同時夜晚地表輻射的冷卻作用相對其他季節(jié)較弱有關；春季和秋季情況介于冬季與夏季之間。

3.3 空間分布

由DRD 方法的VCE 空間分布（圖3—4，其他時效圖略）可以看到，VCE 的空間分布與地形和海陸分布密切相關。在大地形邊緣的地形梯度大值地區(qū)，VCE 通常相對周圍區(qū)域具備更大數(shù)值，地面氣溫隨地形增高表現(xiàn)為遞減速度相對較慢或者出現(xiàn)逆溫遞增。這應該主要是由于這些區(qū)域地形導致的山風、谷風、地形強迫平流上升等的山地氣流效應，加強了氣流垂直交換，譬如白天的谷風將山腳地表迅速加熱的空氣吹向山坡，與之相伴隨的是山腳上空相對較冷空氣出現(xiàn)下沉，減弱了氣溫隨高度遞減率增強的趨勢；而夜間的山風將山坡地表附近迅速冷卻的空氣吹向山腳，同時伴隨山坡上空相對較暖空氣下沉，有時甚至會導致山坡地表氣溫高于山腳而促使VCE 正值出現(xiàn)。同時，與大部分研究一致（Beniston，et al，1994；Sun，et al，2017;Wang，et al，2018），復雜高地形區(qū)域的地面氣溫隨高度變化幅度一般比較大，例如青藏高原、大興安嶺、長白山、蒙古高原和斯塔諾夫山脈等地區(qū)，通常更容易出現(xiàn)較大正值VCE 或者較大負值VCE，地面氣溫隨高度上升會快速升溫或者降溫。這應該主要是因為復雜高地形區(qū)地表的白天升溫和夜晚降溫相對更快、日較差較大，放大了VCE 的日變化幅度。

海岸線附近，VCE 值在白天08—17 時有時表現(xiàn)為逆溫現(xiàn)象。這是由于白天海洋比陸地升溫慢導致海岸線附近隨地形增高氣溫也增高，因此VCE 表現(xiàn)為正值。另外，與此相似，以貝加爾湖、青海湖等為代表的陸面湖區(qū)邊緣，在春季的4 月白天（08—17 時）以及夏季全天經(jīng)常表現(xiàn)為逆溫區(qū)。但是對于秋季和冬季的高緯度貝加爾湖區(qū)則相反，除氣溫較高的11—14 時外，其他大部分時間湖區(qū)邊緣與周圍區(qū)域相比為遞減率大值區(qū)。這主要是因為此時湖面氣溫經(jīng)常顯著高于周圍陸地，所以湖區(qū)邊緣隨著地形的增高地面氣溫迅速變低。

由上述可見，基于ECMWF 模式預報實時動態(tài)統(tǒng)計的地面氣溫隨高度的垂直變率，不論日循環(huán)、季節(jié)變化或是空間分布特征，均與之前基于實況觀測資料統(tǒng)計結(jié)果的大部分研究結(jié)論一致，并且符合大氣熱力和動力變化規(guī)律，說明ECMWF 地面氣溫隨高程的變化比較合理，為DRD 方法應用的合理性和可行性提供了支撐。需要補充說明的是，DRD方法在華北平原、長江中下游平原、東北平原、恒河平原以及圖蘭低地等地形平坦地區(qū)和海區(qū)，由于高程差不滿足大于130（或150）m 條件，因此很大一部分區(qū)域采用了50%分位VCE 值（見圖3、4）。這在一定程度上會導致圖3、4 中大地形邊緣和海陸邊界（簡稱邊界線區(qū)域）等的VCE 分布與周圍的差異看起來更加明顯，但即使不考慮平坦區(qū)域的對比，由大地形內(nèi)部、海陸邊界附近陸地區(qū)域的VCE 空間分布也可以看出這些邊界線區(qū)域VCE 分布的不同。

4 DRD 氣溫預報性能評估

為了解DRD 方法預報性能，考慮站點觀測資料與網(wǎng)格實況分析數(shù)據(jù)相比具備更高可靠性，選取中國10154 個站對比檢驗了DRD 與DMO 預報的誤差情況。圖5 給出了DRD 和DMO 各自預報平均絕對誤差（MAE，Mean Absolute Error）更小的站點分布情況，以及它們各自預報性能更優(yōu)或者相等的站點總和，圖中綠色表示DRD 具備更小誤差，預報性能更好，黃色至紅色表示DMO 預報性能更好，藍色表示兩者性能相等?？梢钥闯觯? 個季節(jié)的月份中，DRD 方法預報性能整體明顯優(yōu)于DMO，尤其是春、夏和秋季，DRD 預報性能更好的站點分別占總站點的65.0%、64.2%和65.7%，且大部分復雜地形區(qū)DRD 預報效果更好，例如青藏高原、太行山、大興安嶺、長白山、天山山脈等地區(qū)。同時，由春、夏和秋季預報可以看到，整體而言DRD 更好的綠色部分深色更多，DMO 更好的黃色和紅色部分一般顏色較淺，說明DRD 改進MAE 幅度比較大，尤其是高地形及其周圍高程梯度大值區(qū)，而DMO預報性能相對更好區(qū)域的MAE 偏小幅度比較小，DMO 的MAE 較小站點通常集中在云貴高原東部至東南丘陵中西部的部分地區(qū)、江淮平原東部沿海區(qū)域、松嫩平原等地區(qū)，其中部分區(qū)域由于高程差不滿足大于130（150）m 條件，VCE 采用了與經(jīng)典定常數(shù)值比較接近的50%分位值，這種近似可能會影響DRD 的預報效果，業(yè)務應用中可以嘗試這些區(qū)域采用與DMO 預報方案相結(jié)合。冬季1 月的預報中只有54.8%的站點DRD 預報性能更好，說明ECMWF 的地面氣溫預報在1 月隨高程的分布沒有其他3 個月份更加合理，與其他3 個季節(jié)相比，地形梯度大值區(qū)及高地形區(qū)的預報誤差改進效果明顯變差，可能與實際氣溫的分布情況相比，ECMWF模式對于冬季這些區(qū)域的較大正值VCE 的逆溫現(xiàn)象模擬有些夸張。另外，氣溫的變化除了受高程影響外，還會受到天氣系統(tǒng)水平移動等其他因素的影響，在VCE 的計算過程中，雖然為了更多體現(xiàn)高程的作用開展了高程差閾值限制，但由于忽略了VCE統(tǒng)計范圍（ECMWF 模式分辨率下最大距離約為35 km）內(nèi)的其他影響因素，這種近似還是會帶來一定誤差，造成DRD 方法存在一定局限。

圖5 中國區(qū)域10154 站基于ECMWF 模式北京時08 時起報的3—72 h 時效DRD 與DMO 氣溫預報平均絕對誤差的差值（單位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月；圖中DRD 和DMO 對應數(shù)字表示它們各自平均絕對誤差小于對方的站點數(shù)目，綠色為DRD 誤差更小的站點，黃色至紅色為DMO 誤差更小的站點，藍色為兩者誤差相等）Fig.5 Differences（unit：℃）between MAEs of DRD and DMO 2m temperature forecasts at 10154 stations in China based on the ECMWF model（initialized at 08:00 BT，lead time up to 72 h）during（a）April，（b）July and（c）October 2021 and（d）January 2022（the corresponding numbers of DRD and DMO refers to their respective better performance stations；the green points correspond to the stations where DRD forecast is better，the yellow ones indicate the DMO forecast is better，and the blue ones indicate the DRD and DMO perform the same）

需要說明的是，由于中國10154 個站的空間覆蓋范圍相對較小，站點DRD 預報的VCE 變化幅度（圖6）比（EQ—60°N，70°—140°E）范圍網(wǎng)格預報（圖2）小，春季的4 月、夏季的7 月、秋季的10 月、冬季的1 月的5%至95%分位VCE 值范圍分別為-1.23—0.40、-1.18—0.00、-1.18—0.39、-1.27—0.73℃/（100 m），但同樣是冬季的VCE 變化范圍最大，而且VCE 的日變化和季節(jié)差異特征與網(wǎng)格預報也基本一致。

圖6 同圖2，但為中國10154 個站地面氣溫的VCEFig.6 Same as in Fig.2 but for 10154 stations

選取青藏高原南部（Tibet：22°—34°N，85°—110°E）和天山山脈區(qū)域（Tianshan：42°—43°N，80°—90°E）作為復雜地形區(qū)域代表，分析它們以及中國區(qū)域（CHN，China）的DRD 和DMO 預報性能。由圖7 可知，就中國范圍而言，4 個月份的預報幾乎所有時效都是DRD 預報的MAE 明顯小于DMO 預報，MAE 減小幅度分別為0.10—0.39、0.06—0.52、0.09—0.53 和0.04—0.40℃，與圖5 結(jié)論一致，春、夏和秋季的改進效果優(yōu)于冬季。青藏高原南部和天山山脈的MAE 減小幅度更大，分別為：4 月約為0.65—1.85 和0.26—1.26℃，7 月約為0.16—1.37 和0.28—1.22℃，10 月約為0.08—1.23 和0.38—1.29℃，1 月約為-0.44—0.49 和0.19—1.16℃，可以看到，青藏高原南部4 月改進幅度最大，MAE 減小幅度為14.3%—52.5%，但是1 月高原南部除了17 和20 時為DRD的MAE 更小外，其他時間反而是DMO 預報性能更好，而天山山脈則4 個月份都是DRD 預報性能明顯優(yōu)于DMO 預報。另外，還可以看到，所有區(qū)域DRD 的改進效果總體隨著預報時效的延長存在較小幅度的變?nèi)踮厔?，說明隨著預報時效的延長，ECMWF 模式對于VCE 的模擬性能有輕微下降；與此同時，DRD 的改進效果還存在明顯的日變化，一般分別在08 和17 時達到最小和最大的改進幅度，恰好對應于VCE 值達到最大和最小的時間點，說明與白天地表加熱大氣過程相比，ECMWF 模式對夜間地表輻射逐漸冷卻大氣過程中地表氣溫隨高程變化的模擬性能相對較差。

圖7 青藏高原南部、天山山脈及全中國區(qū)域08 時起報的240 h 內(nèi)DMO 和DRD 預報的平均絕對誤差對比（單位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月）Fig.7 Time series of MAEs（unit：℃）for DMO and DRD forecasts at lead times up to 240 h initialized at 08:00 BT in（a）April，（b）July，（c）October 2021 and（d）January 2022 over China and the regions of southern Qinghai-Tibet plateau and Tianshan mountain

可見，對于ECMWF 模式地面氣溫，基于DRD方法制作的預報比使用雙線性插值的DMO 預報具有更好的預報性能，尤其對于復雜地形區(qū)，春、夏、秋季改進效果比冬季更加穩(wěn)定和顯著。DRD 方法對于預報性能的提升，進一步說明DRD 方法的合理性和應用于智能網(wǎng)格預報流程的可行性。

但考慮DMO 也存在相對優(yōu)勢的區(qū)域和時段，業(yè)務應用中可以考慮在這些情況下將DRD 和DMO 方法結(jié)合使用，例如在高程差不滿足大于130（或150）m 時，將VCE 采用50%分位值的方案直接切換為采用DMO 預報，其他區(qū)域仍然采用DRD預報，簡稱為COM1 綜合方案。由圖8 可以看到，COM1 綜合方案在全國和天山山脈區(qū)域的MAE 在所有時效都比單純DRD 方法有所減小，青藏高原南部地區(qū)的MAE也在大部分時效減小，減小量級比較小，冬季相對大一些?？梢?，DRD 和DMO 組合可以進一步小幅度提升預報性能。另外，針對冬季青藏高原等VCE出現(xiàn)極大正值情況，后期也可以嘗試使用VCE 中位值或固定遞減率，或者與DMO預報相結(jié)合。

圖8 青藏高原南部、天山山脈及整個中國區(qū)域08 時起報的240 h 內(nèi)COM1 預報方案的MAE 與DRD 預報的MAE 的差異（DIF，單位：℃；a.2021 年4 月，b.7 月，c.10 月，d.2022 年1 月）Fig.8 Time series of difference（DIF；unit: ℃）between MAEs for COM1 and DRD forecasts at lead times up to 240 h initialized at 08:00 BT in（a）April，（b）July，（c）October 2021，and（d）January 2022 over China and the regions of southern Qinghai-Tibet plateau and Tianshan mountains

5 DRD 氣溫預報的空間精細特征

青藏高原地勢陡峭復雜，受到復雜動力、熱力和摩擦作用（丑紀范，1989）影響，氣象要素的空間變率很大。因此，選取高原地區(qū)作為代表，并且考慮預報效果改進及對應的VCE 分布合理性，選擇2021 年4 月15 日ECMWF 模式08 時起 報的3 h 預報個例，對比分析DRD 和DMO 氣溫預報的空間精細特征刻畫能力。圖9 中DMO 和DRD 氣溫預報均為0.05°×0.05°分辨率，但是可以看到，DRD 氣溫預報清晰細致地刻畫出了隨地形的變化細節(jié)，更好地捕捉到高原地形的溝壑起伏、河流等區(qū)域的氣溫變化特征，這是因為通過結(jié)合更加精細的地理高程信息，可以識別出0.05°分辨率下的精細河谷和山脈等的分布特征，進一步基于數(shù)值模式的VCE 規(guī)律，實現(xiàn)了對小尺度地形造成的氣溫變化細節(jié)的識別；而DMO 預報雖然分辨率比原始0.125°有所提高，但是由于只是簡單雙線性插值，并沒有增加任何可以提供降尺度信息的內(nèi)容，所以DMO 氣溫的空間分布無法刻畫出比原始分辨率模式預報更豐富的變化細節(jié)。對比之下，DRD 方法顯著提高了對地面氣溫預報空間特征的精細刻畫能力，明顯優(yōu)于DMO 方法。

圖9 2021 年4 月15 日08 時起報的青藏高原南部（a）DMO 和（b）DRD 氣溫3 h 預報平面分布對比（單位：℃）Fig.9 Maps of（a）DMO and（b）DRD surfac air temperature（unit: ℃）forecasts at 3 h lead time over the south of the Qinghai-Tibet Plateau initialized at 08:00 BT on 15 April 2021

6 結(jié)論與討論

為提高智能網(wǎng)格天氣預報的空間精細特征刻畫能力和預報準確率，針對網(wǎng)格預報初始背景場及站點初始預報的制作過程，設計研發(fā)了動態(tài)垂直變率高程降尺度預報方法（DRD），基于ECMWF 數(shù)值模式08 時起報的預報和精細高程數(shù)據(jù)開展了DRD氣溫降尺度試驗，分析動態(tài)垂直變率（VCE）的日變化、季節(jié)差異及空間分布特征，對比DRD 與DMO氣溫預報的準確性及其對復雜地形區(qū)域空間精細特征的刻畫能力。得到如下結(jié)論：

（1）基于ECMWF 模式的中國區(qū)域地面氣溫VCE 存在明顯的日變化、季節(jié)差異和空間變化。適應大氣最重要的加熱源——地面長波輻射的日循環(huán)，白天VCE 逐漸減小，至17 時（或20 時）達到日最小值，夜里VCE 逐漸增大，至08 時（或05、11 時）達到日最大值。VCE 在冬季變化幅度最大，突出表現(xiàn)為中國以北大片高地形區(qū)等區(qū)域的VCE 出現(xiàn)較大正值，部分區(qū)域甚至全天均為逆溫狀態(tài)，主要是由于冬季夜間地面輻射降溫強烈而進一步增強了這些區(qū)域的低空輻射逆溫層；夏季地面氣溫大部分情況隨高度上升遞減，VCE 空間和日變化幅度相對較小，這與夏季地表輻射白天加熱較強和夜晚冷卻較弱有關；春季和秋季情況介于冬、夏季之間。VCE 分布與地形地勢、海陸和內(nèi)陸湖分布等密切相關。大地形邊緣受山地氣流垂直交換加強影響，VCE 數(shù)值明顯大于周圍區(qū)域；青藏高原等高地形區(qū)由于白天升溫和夜間降溫都相對更快，通常更容易出現(xiàn)較大正值或負值VCE；另外，受水體和陸面熱容量差異影響，部分海岸線在08—17 時，以及貝加爾湖和青海湖等內(nèi)陸湖區(qū)邊緣在春季08—17 時和夏季全天，VCE 通常突出表現(xiàn)為正值區(qū)，而秋冬季高緯度的貝加爾湖區(qū)情況相反，大部分時間（除11—14 時外）表現(xiàn)為遞減率大值區(qū)。

（2）中國區(qū)域DRD 氣溫預報的準確性以及對空間精細特征的刻畫能力均明顯優(yōu)于DMO。全國DRD 預報的平均絕對誤差（MAE）全年均比DMO明顯減小，改進效果在復雜地形區(qū)更為顯著，尤其是4、7 和10 月，以青藏高原南部和天山山脈地區(qū)為例，MAE 減小幅度最大可達1.22—1.85℃。DRD改進效果隨著預報時效延長存在變?nèi)踮厔?，還存在明顯的日變化，一般分別在08 和17 時達到最小和最大改進幅度，說明ECMWF 模式對VCE 的模擬性能隨預報時效延長有輕微下降，且對白天地表氣溫隨高程變化的模擬性能更好一些。另外，DRD 預報清晰細致地刻畫出地面氣溫隨地形的變化細節(jié)，較好地捕捉到復雜地形的溝壑起伏、河流等區(qū)域的氣溫變化特征，而DMO 氣溫預報的空間分布則無法刻畫出比原始分辨率模式預報更加豐富的變化細節(jié)。

綜上所述，DRD 氣溫預報的VCE 具備比較合理的日變化、季節(jié)差異和空間分布特征，并且DRD氣溫預報準確性和空間精細特征刻畫能力整體顯著優(yōu)于DMO，因此DRD 方法可以有效運用于智能網(wǎng)格預報初始背景場以及站點初始預報的制作過程中。

與此同時，考慮到DMO 預報在某些區(qū)域和時間段也存在一定性能優(yōu)勢，后續(xù)業(yè)務應用中可以進一步探索將DRD 和DMO 氣溫預報合理集成的有效方案，持續(xù)提升降尺度預報性能；另外，本研究主要基于ECMWF 數(shù)值模式08 時起報的氣溫開展了DRD 預報試驗，針對20 時起報數(shù)據(jù)選取2021 年4 月15 日、7 月15 日、10 月15 日和2022 年1 月15 日等代表日期開展了個例分析（圖表略），結(jié)果表明，VCE 的時空分布特征以及DRD 的預報性能，與08 時起報預報的試驗結(jié)論大致相同。