CMA高分辨區域集合預報系統支撐北京冬奧會氣象服務保障的評估分析*

鄧 國 戴玲玲 周玉淑 陳 靜 李紅祺 陳法敬 王繼志

1 中國氣象局地球系統數值預報中心，北京 100081

2 災害天氣國家重點實驗室，北京 100081

3 國家氣象中心，北京 100081

4 安徽省滁州市氣象局，滁州 239004

5 中國科學院大氣物理研究所云降水物理與強風暴重點實驗室，北京 100029

6 中國科學院大學，北京 100049

提 要： 冰雪運動項目與氣象條件關系密切，氣象條件是冬奧會賽事順利進行的關鍵因素之一。中國氣象局地球系統數值預報中心根據2022年北京冬奧會比賽氣象保障需求，基于多尺度混合初值擾動方法和側邊界擾動方法，初步建立了高分辨率區域集合預報試驗系統，針對北京冬奧會比賽同期時段開展了連續試驗。初步試驗統計結果表明：主要預報變量高、中、低層等壓面要素集合平均值的均方根誤差基本小于等于控制預報誤差，體現了集合平均相對于單一確定性預報的優勢；地面要素風和降水預報效果較好，但溫度24 h預報偏差高于2 ℃，距離精準冬奧氣象保障還有一定差距。針對試驗期間兩次寒潮大風過程開展了高分辨率區域集合預報，天氣學分析的檢驗結果表明，集合預報產品可以比較準確地描述地面溫度主要分布特征、寒潮移動過程和降水預報，為預報員提供寒潮標準24 h變溫預報、大風預報等有價值的概率預測信息。基于診斷方法開發了能見度、大風、降水相態等對冬奧賽事運行和運動員表現有重要影響的天氣要素集合預報產品，初步試驗結果表明不同集合成員的取舍對能見度預報反應敏感，具有一定預報能力，但預報范圍偏大，數值偏低，需進一步改進；陣風預報與實況大值區分布比較一致，降水相態預報與觀測分布吻合，雨雪分界線，降雨、雨夾雪、雪、冰粒落區范圍合理，進一步提升了北京冬奧會氣象的保障能力。

引 言

精準氣象預報服務是歷屆冬季奧林匹克運動會(以下簡稱冬奧會)成功舉辦的最重要條件之一。近幾屆冬奧會舉辦前，相關國家均開展了氣象保障關鍵科學問題和技術攻關。加拿大環境部針對2010年溫哥華冬奧會氣象保障服務，提出了SNOW-V10計劃(Science of Nowcasting Olympic Weather for Vancouver 2010)，開發針對冬奧氣象保障的精細預報系統，包括1 km分辨率數值預報系統、多模式預報集成系統、模式與觀測融合預報系統、高分辨率區域集合預報系統、微尺度地表氣象特征模擬系統等，并開展復雜地形下降水相態、瞬時大風和低能見度等關鍵問題的深入研究(Joe et al，2010；Mailhot et al，2010；2014；Bailey et al，2014；Isaac et al，2014)。俄羅斯水文氣象中心針對2014年索契冬奧會，提出了FROST-2014計劃(Forecast and Research: the Olympic Sochi Testbed 2014)，開展賽場周邊冬奧高影響天氣研究，通過局地資料同化、高分辨率數值模式和集合預報等技術研發，提高冬奧賽區客觀氣象預報水平(Kiktev et al，2015；2017)；韓國氣象廳針對2018年平昌冬奧會，提出了ICE-POP 2018計劃(ICE-Pyeong Chang 2018 Winter Olympic Game Project)，從觀測、預報、服務三方面提高氣象保障能力(Korea Meteorological Administration，2018)。第24屆冬奧會將于2022年2月在北京和河北舉辦，具體地點包括北京城區、延慶和河北賽區，后兩個賽區地形復雜，溝壑縱橫，氣象條件多樣。從北京冬奧氣候風險評估來看，冬奧期間存在多種氣象風險，可能會對比賽產生重要影響。冬奧會雪上項目主賽場均位于山區，對氣象保障服務有極高要求。根據北京冬奧組委“一項一策”氣象保障需求，需要為冬奧會賽事提供賽場、賽道、轉場交通通道及其他關鍵區域在時間上的精準氣象監測、預警預報及賽事專項的服務產品。眾所周知，山區地形復雜，氣象數據稀少，小尺度山地氣象監測預報是國際難題。由于賽區的復雜地形和氣象特征的巨大差異，無法移植國際現有技術方案，必須開展針對北京冬奧會的氣象保障關鍵技術研發，力爭到2022年冬奧會舉辦時，用先進的氣象科技手段和精準的氣象服務為賽事運行提供最好的氣象保障。在我國，氣象部門針對夏季強天氣精細預報，開展了大量研究和應用工作，積累了豐富的氣象保障服務經驗，但是專門針對復雜地形下冬季大型冰雪運動氣象精細監測、預報和服務的系統性研究還很少(李炬等，2020)。尤其北京冬奧會是近20年內唯一一次在大陸性冬季風主導的氣候條件下舉辦的冬奧會，與往屆冬奧會氣象條件不同，中小尺度天氣特征不同，氣象預報服務關注重點不同，原有在冬季雪上項目預報技術服務方面的研究比較少，特別是溫度、濕度、能見度、大風等氣象條件的準確可靠的預報和預警，是保障冬季賽事運行和影響運動員表現的重要外部因素，需要重點考慮。

數值預報方法預測大氣會面臨著固有的不確定性，那么解決問題的方法也要從這一本質問題出發來考慮，擺脫追求確定性的思維方式，集合預報就是面對大氣運動混沌的本質而設計出的解決方案(許小峰，2018)。目前，集合預報已經成為各國業務數值天氣預報系統的基礎組成部分(Kalnay，2002；沈學順等，2021)，在天氣預報業務中發揮關鍵作用(端義宏和金榮花，2012)。根據區域模式的特點，集合預報可通過初值擾動、模式擾動、側邊界擾動等技術構成預報集合成員，體現數值預報模式初值誤差、模式誤差和大氣系統混沌特性引起的數值預報的不確定性，取得了令人矚目的進展(Duan et al，2012；張涵斌等，2017；2019；王璐和沈學順，2019；范宇恩等，2019)。目前，國內集合預報系統的水平分辨率為10 km，國外建立的區域高分辨率集合預報系統已經為千米級，如英國為2.2 km(Golding et al，2014)、法國為2.5 km(Nuissier et al，2012)、德國為2.8 km(Bouallégue et al，2013)等。從集合預報技術特點和時空分辨能力來看，國內區域集合預報研發已經相對落后，需要中國科學家和業務人員奮起直追。目前，初始擾動生成方案依然是區域集合預報技術的重點和難點，對于風暴尺度、云尺度的集合預報，初始場的生成還有更高的要求(杜鈞，2002；Hagelin et al，2017；Wang et al，2014)。現階段國際上較為流行的方法主要包括兩大類，一種是基于全球集合預報的動力降尺度方法(Frogner et al，2006)：區域集合預報初值擾動場直接來源于全球集合預報初值場的動力降尺度，受到分辨率限制，降尺度擾動不能充分包含區域模式所能分辨的小尺度擾動信息(Zhang et al，2015a；2015b)。另外一類方法是集合預報根據自身循環產生擾動初值(Wei et al，2008；陳靜等，2002；張涵斌等，2017；王婧卓等，2018)，這種根據模式自身擾動循環產生的擾動信息，尺度一般比較小，包含大尺度擾動信息有限，部分誤差信息隨模式積分不增長或者轉化為增長的擾動需要一定積分時間因而較慢，而較大尺度的擾動可能具有“組織化結構”，一般對應于較高的離散度增長速度和評分(Zhang et al，2015b)。綜合以上兩種方法的特點，開展多尺度混合擾動初值擾動構造方法已經成為國際區域集合預報研究的新技術(Caron，2013；Wang et al，2014；Zhang et al，2015a；2015b)。從最近三屆冬奧會關于氣象條件預測保障關鍵科學和技術研發來看，集合預報特別是高分辨區域集合預報技術在冬奧會氣象保障中發揮了重要作用，也是開展冬奧會服務高時空分辨率無縫隙客觀預報和智能化預報服務的核心產品。根據索契冬奧會FROST-2014計劃的總結報告，無論高精度確定性預報還是集合預報產品，對冬奧會均提供了技巧很高的服務支撐作用。其中高分辨確定性預報對2 m溫度預報較好，但對風的預報稍差；而集合預報(索契冬奧會包含5個7～11 km分辨率對流參數化集合預報系統和2個2～3 km對流可分辨高分辨率區域集合預報系統)則對2 m溫度、風和降水預報均表現出較高的預報技巧。基于索契冬奧會測試和比賽期間的表現，FROST-2014報告建議加強集合預報特別是對流可分辨高分辨率集合預報產品的應用。因為對于冬奧會氣象保障服務，氣象預報服務精度要求高，但是單一確定性預報的不確定性很高，所以要發揮千米級集合預報的優勢，通過集合預報產品的應用，給出賽區高影響天氣發生概率和賽事關注的氣象要素閾值的概率信息，最大程度降低冬奧氣象預報服務的不確定性。國家氣象中心是世界上最早開展集合預報研發和業務系統建設的預報中心之一，先后研發了基于歐洲中心(EC)引進的全球模式和美國的全球/區域集合預報系統，到完全基于中國科學家自主研發的全球與區域同化預報系統(薛紀善和陳德輝，2008)的集合預報系統體系。目前，國家氣象中心的全球集合預報系統空間分辨率為50 km，區域集合預報系統空間分辨率為10 km(陳雨瀟等，2020；王婧卓等，2021)，均難以滿足北京冬奧氣象保障高時空分辨率的要求。為此，本研究針對北京冬奧賽事區域，發展復雜地形條件下高分辨率區域集合預報系統初值擾動和模式擾動技術構造方法，開展3 km高分辨區域集合預報系統研發和試驗，開發可為北京冬奧服務的溫度、能見度、極端風、降水和降雪的診斷產品和短期精細化概率預報產品，提高對高影響天氣過程的預報和服務能力；針對北京冬奧會期間可能出現的高影響天氣過程進行分析，開展高分辨率區域集合預報天氣過程檢驗；通過天氣學檢驗和統計檢驗，評估高分辨率區域集合預報系統的冬奧氣象保障能力，為進一步提高我國高分辨率區域集合預報系統預報和服務能力奠定基礎。

1 資料和方法

本文使用的站點觀測資料來源于國家氣象業務內網(具體下載鏈接：http:∥idata.cma/)提供的氣溫、過去24 h變溫、24 h降水量、水平能見度(人工)、極大風速、自動站輸出地面1 h資料里的風向風速資料以及冬奧服務保障團隊提供的加密觀測資料(崇禮賽區和延慶賽區)。預報模式為中國氣象局中尺度天氣數值預報系統(CMA-MESO)，初始場和側邊界條件來自國家氣象中心T639全球集合預報系統。在國家氣象中心業務化的區域集合預報系統基礎上，針對北京冬奧會氣象保障要求，發展了新的區域集合預報初值擾動產生和側邊界擾動更新方法，選取北京冬奧會賽區及賽事時間段開展3 km高分辨率集合預報試驗和產品開發分析，評估高分辨率集合預報對北京冬奧會氣象保障能力。

1.1 高分辨區域集合預報試驗方案

為提高復雜地形條件下區域集合預報北京冬奧會氣象保障能力，從預報模式和集合預報技術兩方面入手提高賽事關注的氣象要素閾值預報能力，以便提前做好規避賽事風險準備。現有國家級區域集合預報業務系統分辨率為10 km，而各冬奧賽區比賽地點水平距離只有幾千米甚至幾百米，不能精確捕捉局地賽道地面重要氣象要素不確定性信息，同時兼顧建立實時預報系統計算資源能力，最終構建了以北京冬奧會賽區為中心的華北區域高分辨區域集合預報系統。針對復雜地形條件特點，預報模式中增加了區域模式研發團隊的成果，包括為提高計算穩定性和局地中小尺度天氣過程捕捉能力，將水平分辨率提高到3 km，垂直分辨率由33層提高到50層，積分步長自動調整，在動力框架中增加物理過程熱膨脹項的影響，采用新的模式初始靜態資料；為降低近地面溫度預報偏差，更新了RRTM長波輻射參數化方案、優化陸面參數化方案(包括地面輻射、地表凈輻射通量)、引入CP格點的近地層方案。在集合預報技術方面，分析冬奧比賽區域復雜地形地貌特征對數值天氣預報影響，基于3 km模式重新統計了集合預報初始誤差協方差特征，作為區域集合預報初值不確定性特征，并以此調整高分辨集合預報擾動結構；采用多尺度混合擾動初值產生方法以包含局地小尺度不確定性信息；更新側邊界條件以減少側邊界虛假波動影響；基于診斷方法開發了對冬奧賽事運行有重要影響的能見度、大風、降水相態等產品等，從而建立了復雜地形條件下冬奧賽區高分辨率集合預報系統。

1.1.1 初值擾動方法

區域模式需要準確描述中小尺度天氣系統，同時也受到大尺度天氣系統的影響，區域集合預報需要能夠同時描述模式所能分辨的多種尺度的擾動信息。Wang et al(2011；2014)和Zhang et al(2015a；2015b)利用濾波技術和譜分析方法，對全球集合預報大尺度擾動進行低通濾波而保留較大尺度擾動結構，對區域集合預報小尺度擾動進行高通濾波而保留中小尺度擾動結構，由此獲得不同尺度的初值擾動量。但是，由于目前集合成員數量太小(集合成員均為15個)，對應的初始擾動場遠遠不能覆蓋區域模式概率密度函數描述的相空間，無論是全球集合預報的擾動信息，還是區域集合預報的擾動信息，兩種不同來源的擾動信息重疊冗余部分很少，來自全球集合擾動信息和區域集合擾動信息都可以充實和豐富區域模式初值不確定的描述能力，因此，本研究采用多尺度混合初值擾動技術構造高分辨率區域集合預報初始擾動場。考慮全球集合預報和區域集合預報描述的大氣運動尺度特征和不確定性信息存在顯著差異，構造融合源于全球集合預報較大尺度的擾動信息和區域集合預報自身循環產生的中小尺度擾動信息的多尺度混合初值擾動場。

區域模式自身擾動循環采用集合變換卡爾曼濾波(ETKF)初值擾動方法。ETKF方法是一種次優的卡爾曼濾波(Wang and Bishop，2003；馬旭林，2008)，它通過集合預報擾動的協方差矩陣來估計預報誤差協方差矩陣。增長模繁殖法(BGM)中，每次繁殖循環后得到的預報擾動，需要乘以一個固定的尺度化算子使其擾動量級減小，從而得到分析擾動，與BGM方法不同的是，ETKF方法是通過將預報擾動乘以一個變換矩陣T來使之變為分析擾動的，即

Xa=XfT

(1)

式中：Xa為分析擾動，Xf為預報擾動，通過轉換矩陣T將預報擾動向量進行線性組合產生當前時刻的分析擾動向量，變換矩陣T的推導過程見Wang and Bishop(2003)。

由于集合成員數明顯少于預報誤差方差投影的方向數，式(1)得到的分析擾動協方差達不到真實的分析誤差協方差的量級，此時需要在每一次循環，如第i次循環引入一個放大因子Π來使分析擾動成員的協方差與控制預報分析場的誤差方差大體相當，即ti時刻的分析擾動為：

(2)

集合擾動進行中心化擾動時，需要遵守三個條件：(1)中心化后的分析擾動的總和為零；(2)由分析擾動估計的分析誤差協方差在中心化前后不變；(3)每個成員的誤差方差在中心化前后不變，也就是成員等同性。為了使集合擾動成員相對于集合平均中心化，引入球面單形中心化方案(Wang et al，2004)，在式(2)的基礎上乘以矩陣U=CT，C是預報擾動向量投影到觀測空間中的協方差矩陣的特征向量，根據此得到ETKF方法的最終表達式：

(3)

然后，對大尺度擾動場Xga和區域ETKF初值擾動場小尺度擾動場Xra進行融合，得到混合初值擾動場Xma：

Xma=Xga+Xra

(4)

混合擾動場既包含大尺度信息，又具有中小尺度信息，最后通過尺度調整因子調整混合擾動場的擾動幅度，使之具有動力意義的、誤差快速增長的特性。

1.1.2 模式擾動方法

采用隨機物理過程傾向項擾動方案(SPPT)表征模式不確定性。方案通過隨機擾動凈傾向來表示模式不確定性，從而改善集合離散度與概率預報技巧。即：

δXp=Ψ(λ,φ,t)δX

(5)

式中：第一項δXp表示模式積分過程擾動的物理傾向，δX為模式物理傾向項，而Ψ(λ,φ,t)表示隨機擾動項。本擾動方案基于一階Markov過程的隨機擾動，產生的隨機擾動為時間和空間的函數，在空間和時間上相關，同時，擾動場服從正態分布結構。

1.1.3 側邊界更新

區域模式通過標準初始化過程產生初始場和側邊界條件。前面基于多尺度混合初值擾動方法產生包含多種擾動信息的新初始場，這些新初始場中包含的擾動信息與來自全球集合預報初始化過程產生的側邊界條件中包含的擾動信息不一致，會在邊界區域產生虛假擾動，影響模式預報效果(Caron，2013)。考慮初值和側邊界條件存在的不連續、不匹配情況，參考CMA-MESO同化系統更新側邊界條件的方法，在完成混合初值擾動技術產生新的初始場以后，再對模式側邊界條件進行更新，使新的初值和側邊界條件匹配，減少不連續和虛假波動影響。

1.2 北京冬奧氣象保障針對性產品開發

根據北京冬奧服務需求和敏感氣象要素，重點關注賽前和賽事期間大風、低溫(風寒)、低能見度、降雪等高影響天氣，開發集合預報能見度、極端風、降水相態產品，為北京冬奧氣象保障提供更有針對性的預報產品。

(1)大氣能見度

大氣能見度是氣象觀測的常規項目, 它是表征大氣透明程度的一個重要物理量(傅剛等，2009)。目前數值研究工作中普遍采用的是根據消光系數計算出大氣的水平能見度，公式是Stoelinga and Warner(1999)給出的：

vis=-lnε/β

(6)

式中：vis是水平能見度，單位：m；ε為常數，取值為0.02；β為消光系數。該經驗公式被后來的數值研究工作普遍采用，為水平能見度的數值預報建立了可行方案，消光系數又可細分為四個部分，分別為云水、雨水、冰和雪的影響，表示為：

β=β1+β2+β3+β4

(7)

云水：β1=144.7C1(0.88)

(8)

雨水：β2=2.24C2(0.75)

(9)

冰：β3=327.8C3(1.0)

(10)

雪：β4=10.36C4(0.7776)

(11)

(12)

式中：T為溫度，單位：K；Qc，Qr，Qi和Qs分別表示云水、雨水、冰水和雪水的混合比，單位：kg·kg-1；p為地面氣壓，單位：hPa；C1,C2,C3和C4分別表示云水、雨水、冰水和雪水的液態水含量。

(2)陣風產品

大風天氣對冬奧會賽事影響非常明顯，往往會導致比賽臨時中斷、賽程調整甚至取消，加強大風災害的預報對賽事保障至關重要。基于數值模式的近地面風速預報是冬奧會氣象保障的關鍵一環。本研究采用的陣風產品診斷公式[注]陣風產品診斷公式來自于CMA-MESO統一后處理診斷程序cal_gust.F為：

(13)

從邊界層高度的混合動量來計算地面陣風。其中，GUST表示地表最大陣風風速，ZPBL表示大氣邊界層的高度，U10和V10分別表示10 m風分量，Ulpbl和Vlpbl分別表示邊界層高度的風分量。

(3)降水相態產品

降水相態預報就是預報降水時的降水類型及降水發生的時段，包括液態(降雨)、固態(降雪、冰粒、凍雨等)以及混合態(雨夾雪)3種。目前，考慮到不同降水相態的算法均不能完全準確地診斷所有類型的降水，數值預報中心模式后處理采用4種算法進行集合，根據不同方案中相同結果最多的，并根據降水相態造成危害的程度確定最終的診斷結果(佟華和張玉濤，2019)。這4種算法分別是BTC方案(Baldwin et al，1994)、改進的BTC方案、Ramer方案(Ramer，1993)和Bourgouin方案(Bourgouin，2000)。其中，BTC方案是基于觀測的熱力垂直廓線，用一些經驗性的常數和公式設定來檢查水凝物在降落過程中的溫度垂直廓線結構，從而判斷水凝物到達地面的降水相態。Ramer方案是根據地面降水的冰分數和近地面的濕球溫度來判斷是哪種降水相態。Bourgouin方案基于能量的觀點，用是否有足夠的能量使水凝物融化或者冰凍來判斷降水相態。輸出結果包括凍雨、冰粒、雪、雨。

1.3 試驗資料和試驗時間

本文研究內容采用CMA-MESO為基礎的高分辨區域集合預報試驗系統，模式垂直層次為51層，水平格距為0.03°，格點數為533×467，試驗區域是以北京為中心的華北區域，具體模式范圍和地形信息參考圖1，集合預報成員數為14個集合擾動成員和1個控制預報成員，一共15個集合成員，側邊界擾動由中國氣象局數值預報中心T639全球集合預報系統提供。考慮試驗區域范圍、中緯度地區大氣運動的速度和冬奧氣象保障時效要求，本試驗預報時效為36 h。集合預報試驗檢驗所需的等壓面要素緯向風U、經向風V、溫度T、高度H和地面2 m 百葉箱溫度、10 m風速的實況資料為CMA-MESO同化分析場。對于降水預報檢驗，采用了國家氣象信息中心華北地區國家級自動觀測站的站點降水觀測資料。

圖1 高分辨區域集合預報系統預報范圍和地形Fig.1 Domain and terrain of the 3 km high resolution regional ensemble prediction system

由于北京冬奧會的舉辦時段為2022年2月4—20日，在冬奧會開展前的同期時段，都是冬奧氣象保障能力的關鍵測試時期。因此，本研究以2019年2月1—15日為時間段開展連續半個月的預報試驗。

2 高分辨區域集合預報冬奧氣象保障能力檢驗

為考察高分辨區域集合預報冬奧氣象保障能力，需要通過等壓面要素、近地面要素綜合檢驗評估模式的綜合預報能力。連續性變量的檢驗主要考慮離散度-技巧關系，離散型降水變量檢驗包括AROC評分和Brier評分。圖2表示集合預報不同要素(溫度場和風場)、不同層次(低、中、高)的控制預報、集合平均均方根誤差以及集合離散度。其中，集合平均是包括控制預報在內的15個集合成員的等權重數學平均(下同)。從圖2可見，總體來說，無論溫度場還是風場，集合預報平均值的均方根誤差基本小于等于控制預報誤差，體現了集合平均相對控制預報的優勢，即集合預報對確定性預報具有一定的改善作用，這是由于集合平均過濾掉了集合成員的不確定因素。但不同要素在不同層次上表現不一樣：比如，500 hPa溫度場的集合平均和控制預報基本相同，而風場U分量則在高層與控制預報誤差基本一樣(圖2b)，說明集合預報還需要進一步改進。集合平均均方根誤差和集合預報離散度的關系是衡量集合預報系統可靠性的一個重要標準，一個好的集合預報系統的集合平均均方根誤差和集合離散度應該基本一致。從各個變量各個層次相互關系來看，預報變量中高層兩者一致性關系較好，且集合離散度與均方根誤差隨預報時效延長呈增長趨勢(圖2a～2d)，在一定程度上體現了預報的不確定性；但兩種變量低層欠離散明顯，而且初始時刻，離散度高于均方根誤差(圖2e，2f)，說明如何改善低層預報要素的離散特征，是發展高分辨區域集合預報系統(水平1～4 km分辨率)面臨的技術挑戰。

圖2 2019年2月1日00時至15日00時250 hPa(a,b), 500 hPa(c,d), 850 hPa(e,f)平均溫度場(a,c,e)和緯向風U分量(b,d,f)的控制預報均方根誤差(藍線)、集合平均均方根誤差(紅線)和集合離散度(綠線)隨預報時效的演變(每日兩個起報時次：00時和12時，共計29時次，世界時，下同)Fig.2 Evolution with forecast timeliness of control forecast root-mean-square error (RMSE) (blue line), ensemble mean RMSE (red line) and ensemble spread (green line) of temperature field (a, c, e) and U component of zonal wind (b, d, f) at 250 hPa (a, b), 500 hPa (c, d), 850 hPa (e, f) on average from 00 UTC 1 to 00 UTC 15 February 2019(two starting times every day: 00 UTC and 12 UTC, totally 29 times, the same below)

地表要素預報，特別是溫度、風、降水預報，是保障賽事運行和運動員表現的重要外部因素。圖3為2 m溫度集合平均誤差，預報時效內誤差一直緩慢增長，24 h預報誤差略高于2.5 ℃，36 h最高超過3 ℃ 以上，雖然與冬奧氣象保障要求的24 h溫度預報偏差在±2 ℃內還有一定差距，但3 km的集合預報系統提供了未來大氣狀況變化的更多可能性信息，為預報員制定預報結果提供了修正空間。檢驗結果表明，地面氣象要素，尤其是溫度的預報誤差，還需要針對性改進和訂正，后面可以通過改進模式下墊面描述能力、資料同化、改進預報模式等方法解決。從地面風速預報檢驗來看，風速預報均方根誤差24 h基本小于2 m·s-1，36 h略高于2 m·s-1，與EC地面要素預報結果相比，還存在一定差距，但與大部分其他業務模式平均預報誤差比較，已經具有一定優勢(參考中國氣象局數值預報中心業務檢驗評估和區域高分辨數值預報檢驗評估結果)。

圖3 同圖2，但為平均地面溫度場(a)和緯向風U分量(b)的集合平均均方根誤差Fig.3 Same as Fig.2, but for ensemble mean RMSE of surface temperature field (a) and U component of zonal wind field (b) on average

AROC利用相對作用特征曲線來衡量，其原理是將信號探測理論應用到數值天氣預報的二分類要素預報的檢驗方法中，在每個格點上，考慮一個事件(如降水)發生或不發生兩種狀態。檢驗的結果為預報正確、空報和漏報，用雙態分類聯列表表示。將命中率沿著假警報率增加方向積分，可以得到ROC面積，即AROC，來描述預報系統的能力。AROC面積越大，表明概率預報技巧越高。6 h累計降水量閾值分別設為0.1、4.0和13.0 mm，降水量級為小、中、大。由圖4可見，檢驗時段對于降水小量級、中級評分均大于0.5，說明概率預報有正技巧，但對于大量級降水預報，AROC約等于0.5，預報沒有技巧。說明試驗期間，雖然經歷兩次寒潮過程，試驗區域發生多次降水，高分辨區域集合預報對小到中雪預報技巧較好，對大量級降水預報而言，因本次過程基本達不到該量級，因此評分意義不大。

圖4 2019年2月1日00時至15日00時的6 h累計降水AROC(a)和BS(b)評分隨預報時效演變(Ps，Pm和Pl分別表示降水量級小、中、大，降水閾值劃分為6 h累計降水量達到0.1，4.0和13.0 mm)Fig.4 Evolution with forecast timeliness of AROC (a) and BS (b) score of 6 h accumulated precipitation from 00 UTC 1 February to 00 UTC 15 February 2019(Ps, Pm and Pl represent small, medium and large precipitation magnitudes respectively, the precipitation threshold is divided into 0.1, 4.0 and 13.0 mm within 6 h)

Brier評分(簡稱BS)為均方概率誤差，是一種用來檢驗概率預報準確性的傳統方法，BS取值范圍為0～1，越小越好。對于BS評分而言，各個級別降水評分值都比較低，說明集合概率與真實觀測概率的偏差不大，降水預報準確性較好；預報降水量級從小到大，評分依次降低，同樣對于大的降水量級統計評分意義不顯著。

3 冬奧賽事高影響事件天氣學分析及檢驗

3.1 天氣過程簡介

模式開展的2019年2月1—15日的連續高分辨區域集合預報試驗期間，包含了兩次冷空氣南下影響我國大范圍區域的過程，華北地區出現大風、降溫和降雪。第一次過程發生在6—10日，第二次過程為14—15日，分別有強冷空氣和中等強度冷空氣南下。第一次冷空氣降溫幅度較大，中東部大部分地區出現4～6級偏北風、陣風7～8級，華北氣溫下降6～10 ℃；華北西部、黃淮等地出現小到中雪或雨夾雪；第二次過程導致華北北部出現4～5級偏北風，華北南部氣溫普遍下降4～6 ℃，發生小到中雪或雨夾雪過程。第一次過程(圖5a)，500 hPa有歐亞大陸中高緯阻塞高壓發展東移，阻塞高壓東部出現切斷低渦，來自阻塞高壓和低渦的干冷偏北風和東北風南下匯入到華北地區上空的槽后，高空槽東移時，槽后偏北大風影響到華北地區，產生強烈降溫。同時，華北也位于200 hPa高空急流出口區左側，為強高空輻散。地面為大范圍冷高壓控制，高壓東部偏北風環流攜帶洋面上的水汽進入陸地，華北地區處于地面高壓南部的東風氣流中，偏東風水汽輸送明顯。近地面西北大風與偏東風氣流輻合抬升形成上升運動，配合中層低槽和高層輻散，低層水汽輻合抬升，最終造成降水和降雪。第二次過程中，對流層中層500 hPa有高空槽東移發展加強(圖5b)，槽區正渦度發展，有低渦形成，200 hPa上空有明顯高空急流維持，華北地區正好位于500 hPa槽前上升氣流區，也基本處于高空急流入口區左后側，高層輻散效應明顯。700 hPa上則位于低渦南部槽區干冷的西北風與來自南方相對暖濕的西南風的輻合帶北部，從低層到高層均為有利的環流配置，利于上升運動維持加強和水汽抬升。

圖5 2019年2月兩次過程的天氣形勢(a)6日12時500 hPa位勢高度(紫色線，單位：dagpm)、溫度(紅色線，單位：℃)和850 hPa風場(風矢量，單位：m·s-1)(填色為地面氣壓；白色線為200 hPa風速≥40 m·s-1區域)；(b)14日06時500 hPa位勢高度(藍色線，單位：dagpm)、溫度(紅色線，單位：℃)和700 hPa風場(風矢量，單位：m·s-1)(填色為200 hPa風速≥40 m·s-1區域)Fig.5 Synoptic situation of two processes in February 2019(a) 500 hPa geopotential height (purple line, unit: dagpm), temperature (red line, unit: ℃) and 850 hPa wind field (wind vector, unit: m·s-1) at 12 UTC 6 (colored: ground pressure; white line: 200 hPa wind with speed ≥40 m·s-1); (b) 500 hPa geopotential height (blue line, unit: dagpm)， temperature (red line, unit: ℃) and 700 hPa wind field (wind vector, unit: m·s-1) at 06 UTC 14 (colored area: 200 hPa wind with speed ≥40 m·s-1)

3.2 地表要素預報檢驗分析

3.2.1 第一次寒潮大風過程

近地面溫度和風場變化對冬奧賽事影響較大，是冬奧期間需要重點關注的兩個物理量。預報期間的兩次冷空氣南下均引發大風降溫，第一次過程風速較大，降溫明顯，對這次過程的預報情況分析主要針對降溫和大風過程。圖6a，6b顯示，集合預報的平均2 m溫度預報與同時次的實況較為一致。從高分辨區域集合預報24 h集合平均預報可見(圖6a)，內蒙古和河北北部地區溫度為-24 ℃以上，同一緯度地區西部溫度低于東部地區，顯示寒潮過程自西向東方向移動，與實況吻合較好。預報不確定性(集合離散度)較大區域與寒潮移動過程密切相關(預報區域西部離散度較高)，說明寒潮天氣過程大氣發展演變非線性特征顯著，不同集合成員對于寒潮降溫幅度預報存在一定差異，這種集合預報不同成員的敏感性特征對實際預報中確定寒潮影響關鍵區位置具有一定參考價值。在24 h變溫預報中(圖6c)，京津冀地區均有大幅度降溫，張家口和北京地區預報24 h 變溫為-10 ℃，強度與實況降溫幅度(降溫約7～12 ℃)相當，達到冷空氣過境后日最低氣溫24 h內下降8 ℃及以上的寒潮標準，雖然降溫預報降溫范圍略大于實況，但是系統還是較好地預報了這次強降溫過程。圖7a，7b為預報的大風與實況對比：從集合預報24小時10 m風平均值和離散度來看，即便是集合平均風場，也顯示了有一個氣旋性擾動氣流經過北京地區。同時，沿太行山地區，有一條明顯的西南—東北走向的風切變線，與觀測實況較為一致；除黃渤海地區顯著的大風過程外，山區(太行山和冬奧賽區)風速普遍高于平原地區，北京地區風速離散度達到2～3 m·s-1，不同集合成員地面風預報差異較大，指示出類似的大風降溫過程對開展室外雪上項目明顯有不利影響。

圖6 2019年2月7日00時地面溫度(a，b，距離地面2 m高度)和24 h變溫(c，d)(單位：℃)(a,c)6日00時24 h預報，(b,d)對應實況(圖6a和6c中等值線表示集合平均，填色表示離散度)Fig.6 Ground temperature (a, b, 2 m above the ground) and 24 h temperature variation (c, d) at 00 UTC 7 February 2019 (unit: ℃) (a, c) 24 h forecast at 00 UTC 6, (b, d) corresponding observation (In Figs.6a and 6c, isoline represents the ensemble mean, and the colored area represents the spread)

圖7 2019年2月7日00時地表風速(距離地面10 m高度，單位：m·s-1)(a)6日00時24 h預報，(b)對應實況(圖7a中風桿表示集合平均，填色表示離散度)Fig.7 The ground wind (10 m above the ground, unit: m·s-1) at 00 UTC 7 February 2019(a) 24 h forecast at 00 UTC 6, (b) corresponding observation(Wind pole represents the ensemble mean, and the colored area represents the spread in Fig.7a)

3.2.2 2月14日北京周邊降雪過程

第二次寒潮過程以降雪為主要特征，發生小到中雪或雨夾雪過程，本文主要關注這次過程的地表風速預報和降水預報。

圖8a，8b為第二次寒潮過程預報的地表風與實況對比。從24 h預報10 m風平均值和離散度來看(圖8a)，15日00時，華北北部、黃渤海地區風速較大，冬奧賽區北京和張家口地區風力較高，北京佛爺頂風力實況達到10 m·s-1以上，雖然預報風速略偏大，但總體大風區分布和量級與實況吻合較好；與第一次寒潮過程類似，風場預報離散度較大區域依然位于太行山和軍都山等地，說明復雜地形對數值預報結果影響明顯，預報不確定性較大，而冬奧雪上項目均位于復雜山區，在提高數值預報模式精細預報能力的同時，需要考慮模式預報的不確定性，這也是高分辨區域集合預報的優勢所在。

圖8 同圖7，但為2019年2月15日00時Fig.8 Same as Fig.7, but at 00 UTC 15 February 2019

圖9為第二次寒潮過程高分辨區域集合預報降水集合平均值和觀測實況，從預報結果來看，雖然各個集合成員包括控制預報在內，在華北北部地區預報降雪量較實況普遍偏大，但集合預報對本次降雪過程的預報落區和與實況吻合較好，特別是北京和張家口地區普降中到大雪，對降雪還是有較好的預報效果。

圖9 2019年2月14日00時至15日00時24 h集合平均(a)和對應實況(b)累計降水Fig.9 The 24 h accumulated precipitation of ensemble mean (a) and corresponding observation (b) from 00 UTC 14 to 00 UTC 15 February 2019

3.2.3 2月14日北京周邊降雪過程典型測站單點檢驗評估

集合箱線圖是顯示集合預報值概率分布情況的圖形，能夠定點地顯示特定氣象要素隨時間的分布特征和演變趨勢，可以同時顯示集合預報的平均信息(中位數)和集合預報的不確定性(盒子的長度)。以2月14日北京周邊降雪過程為例，主要針對地形比較復雜，預報難度較大的崇禮賽區和延慶賽區典型測站的單點集合預報結果開展檢驗評估。評估要素為冬奧賽事最關注的地面要素，圖10給出崇禮站和延慶佛爺頂站2 m溫度、逐小時降雪、10 m風速和比濕箱線圖。從崇禮和和延慶地區代表站點(海拔高度均超過1 200 m)箱線圖要素的結果來看，單站預報要素與實況無論分布特征還是演變趨勢均有較好的一致性，預報誤差除降雪以外都較小，大部分時效集合平均溫度預報誤差在2 ℃左右，負偏差居多(預報低于觀測值)，風速相較于瞬時風速大部是正偏差，偏大1～2 m·s-1左右(實況風速包括瞬時風、2 min平均風速和10 min最大風速，差別很大)；濕度偏差整體效果也較好。針對這次高影響天氣過程，不同集合成員對各個要素總體預報差別較小，大部分時刻分位數和極值均比較集中。然而，這并不意味著集合預報同一預報時刻針對不同地點預報的差異也相同：以地面溫度為例，崇禮6 h和24 h預報箱線圖盒子距離比較長，說明這兩個時刻集合成員預報不確定性較大，而在延慶佛爺頂則在初始時刻和18 h預報不確定性大，特別是18 h預報，不同成員預報最大差別可以達到4～5 ℃。降雪單點要素預報結果與實況差別較大，但總體趨勢與實況很接近，原因除了模式預報偏差以外，可能與實況觀測的特點有關，因為在分析降雪實況資料發現，逐時降雪資料通常很小或者沒有明確的觀測值，但24 h累計值卻可能較大。此外，箱線圖同時給出了集合平均和控制預報結果，可以為預報提供更豐富的信息。總體來說，針對2月14日降雪過程，針對地面要素36 h預報時效內，各個要素預報誤差特別是賽事特別關注的2 m溫度和10 m 風，基本能滿足比賽要求的24 h預報誤差溫度低于2 ℃、風速小于2 m·s-1的要求，同時給出預報不確定性信息，這對于觀測資料缺乏、地形復雜、海拔高度較高的地區具有較好的參考價值。

圖10 兩個典型代表站點崇禮(a,b)和延慶佛爺頂(c,d)2019年2月14日00時起報36 h箱線圖要素的天氣學檢驗分析(a,c)預報，(b,d)實況Fig.10 Comparisons between diagram of box-plot (a, c) of 36 h forecast initialized at 00 UTC 14 February 2019 and corresponding observations (b, d) for two typical spots at Chongli (a, b) and Foyeding (c, d)

3.3 冬奧氣象保障診斷產品檢驗分析

北京冬奧會是近20年內唯一一次在大陸性冬季風主導的氣候條件下舉辦的冬奧會，能見度、大風、降雪相態等氣象條件的預報和預警，是保障北京冬奧賽事運行和影響運動員表現的重要外部因素，需要重點考慮。冬季山地氣象預報經驗欠缺，預報難度較大。本研究針對北京冬奧氣象保障的重點關注氣象條件，在發展高分辨區域集合預報基礎上，在后處理系統中也需增加冬奧保障后處理產品，以檢驗集合預報診斷產品的冬奧氣象保障能力。

能見度是影響冬奧賽事的重要因素，不僅直接影響到某些賽事能否舉行(比如高山滑雪和自由式爭霸賽則要求能見度>2 km)，對賽事后勤支援保障和直升飛機救援等影響也很大。從第一次寒潮過程能見度來看(圖11a，11b)，低能見度區域主要位于太行山以及淮河一帶，而能見度24 h集合平均預報低能見度區域與實況吻合較好，對應區域離散度較大，顯示不同集合成員能見度預報差別較大，預報不確定性較大。第二次寒潮過程能見度低值區主要分布在華北南部廣大區域以及內蒙古南部、河北北部和遼西一帶(圖11c，11d)。集合預報對此次過程北方地區低能見度區域落區預報較好，而南部低值區域僅在山東、河北一帶，在淮河流域廣大地區低能見度明顯漏報。從能見度預報數值來看，還存著北方地區能見度預報總體偏低、南部地區偏高問題，還需要進行針對性改進。

圖11 2019年2月7日00時(a,b)和15日00時(c,d)的能見度(a,c)24 h預報，(b，d)實況(圖11a,11c中填色表示集合平均，等值線表示離散度)Fig.11 Visibility at 00 UTC 7 (a, b) and 00 UTC 15 (c, d) February 2019(a, c) 24 h forecast, (b, d) observation(Colored area represents ensemble mean and isoline represents the spread in Figs.11a, 11c)

大風天氣對冬奧會影響特別明顯，韓國平昌冬奧會期間發生多起因大風導致比賽推遲和改期的情況。從兩次寒潮過程24 h陣風集合預報來看，第一次寒潮過程，陣風高值區主要分布在河北北部以及與河北接壤的遼西和內蒙古南部，以及華北南部的黃渤海平原地區，與實況非常接近(圖12a，12b)；第二次寒潮過程陣風大值區分布在沿太行山脈自西南向東北廣大區域，與實況分布也很相似(圖12c，12d)，但預報值比實況偏大。比較兩次寒潮過程的陣風與實況，并沒有發現陣風預報存在系統性偏高的現象；與對應的地面風相比，陣風預報值普遍高2～3 m·s-1左右，更接近觀測實況，說明陣風預報相較模式直接輸出地面風預報，更能體現室外實際風速極值變化情況，特別是基于集合預報的陣風預報產品可以提供極大風速出現的概率，對冬奧比賽安排具有參考意義。

圖12 同圖11，但實況(a，c)和預報(b，d)分別為瞬時大風和陣風預報Fig.12 Same as Fig.11, but for observation (instantaneous gale) (a, c) and gust forecast (b, d)

降水相態是指降水的形態，包括液態(降雨)、固態(降雪、冰粒、凍雨等)以及混合態(雨夾雪)3種。降水相態預報不僅反映冬奧比賽關注的未來天氣現象，而且由于降水相態變化引起的雪溫、雪質的變化直接會對室外比賽產生影響。降水相態通常比較復雜，空中的熱力狀況和近地面溫度對降水相態影響很大，是準確預報地表降水類型的關鍵(Yang et al，2021)。地面溫度在0 ℃左右通常是相態變化的臨界點，即0 ℃以下降水相態基本是雪，2～3 ℃以上時，基本上是雨，在0 ℃至2～3 ℃，出現雨、雨夾雪、雪、冰粒的可能性都有。從兩次寒潮過程的降水相態預報郵票圖可見(圖13)，第一次過程降水量總體較小，降雪主要出現在地面溫度0 ℃以北的山東、河北地區，降雨主要出現在淮河以南地區，在降雨和降雪區過渡地帶，出現冰粒現象，而這種過渡帶，在實況中比集合預報結果的范圍更寬廣。第二次寒潮過程出現較大范圍的降水天氣，從實況和預報來看，降雪分布在山東以北廣大地區，降水主要分布在江蘇和安徽北部。與第一次過程類似，實況中出現冰粒的大部分區域在模式預報中都統計為降雪，與區域CMA-MESO后處理方案傾向于過高估計凍雨和冰粒的預報落區(佟華和張玉濤，2019)的說法不同，需要后續開展更多試驗做出判斷。另外，在模式預報中，河南部分地區出現凍雨天氣，但在實況中記錄很少，這也是值得關注的地方，需要后續開展更仔細的對比分析研究。

圖13 2019年2月7日00時(a)和15日00時(b)降水相態郵票圖Fig.13 Stamp pictures of precipitation phase at 00 UTC 7 (a) and 00 UTC 15 (b) February 2019

3.4 高分辨區域集合預報系統后續發展

隨著中國氣象局全球集合預報系統(CMA-REPS)業務化，CMA-REPS的全球背景驅動場將不可避免由T639-GEPS轉向CMA-GEPS，加之CMA-3 km對流尺度模式全球背景場的變化和云分析技術的應用，國家級區域集合預報業務系統以及冬奧會保障高分辨實時系統技術也隨之升級，包括初值擾動技術、側邊界條件更新、模式不確定性以及云分析方案等引入，改進診斷產品，將進一步提升高分辨區域集合預報實時系統冬奧會保障能力，向冬奧會氣象保障24 h地面溫度集合平均預報誤差達到2 ℃、地面風速預報誤差小于2 m·s-1的預報要求，發揮概率預報在賽事關注的氣象要素閾值預報方面的優勢，提高比賽風險管理和評估能力。

續圖13continued

4 結論與討論

本文針對北京冬奧會比賽預報服務需求，在國家級區域集合預報系統基礎上，進一步優化初值擾動和側邊界擾動構建方法，針對冬奧氣象保障要求，首次研發了高分辨區域集合預報實時系統，具備了為冬奧氣象保障提供實時服務產品和保障能力。針對北京冬奧會比賽時段開展了連續試驗，可以為賽事關注的氣象要素閾值提供概率預報產品，以便提前做好規避風險準備；開展了試驗期間高分辨區域集合預報對主要高影響天氣過程的天氣檢驗和統計學檢驗，評估了高分辨集合預報對冬奧高影響天氣過程的預報能力；針對北京冬奧會賽事影響的關鍵要素開發了能見度、陣風、降水相態等概率預報產品，提高了對高影響天氣過程的預報和服務能力。了解了冬季復雜下墊面條件下高分辨區域集合預報系統現階段北京冬奧會氣象保障能力和存在問題，為進一步分析和改進系統提供依據。主要結論如下：

(1)該研究基于全球集合預報大尺度擾動信息和區域模式自身擾動循環產生的較小擾動信息融合的多尺度混合初值擾動方法，以及高分辨區域集合預報側邊界擾動方法，減低側邊界虛假擾動影響，更新改進了混合側邊界條件信息，是國內針對北京冬奧會保障需求研發的首個CMA高分辨區域集合預報實時系統。統計檢驗結果表明，主要預報變量高、中、低等壓面要素集合平均值的均方根誤差小于控制預報誤差，表明集合預報相對應于單一確定性預報具有優勢；此外，集合預報可以給出未來賽事關注的氣象要素風險閾值，這是單一確定性預報不具備的優勢。地面要素預報檢驗表明，地面風和溫度24 h 預報誤差略高于2 ℃和2 m·s-1，接近冬奧氣象保障要求24 h溫度預報偏差在±2 ℃、風速誤差小于2 m·s-1的指標要求；降水預報在小、中級別降水效果較好(AROC評分高于0.6，試驗階段沒有出現大級別降水)。后續需要結合區域CMA模式自身特點，針對冬季山地復雜地形下墊面特點，改進集合預報技術方法，采用地面變量偏差訂正技術進一步改進系統預報能力。

(2)試驗期間兩次寒潮大風過程開展高分辨區域集合預報天氣學分析的檢驗結果表明，通過最普通的集合預報平均值/離散度產品，可較為準確地描述地面溫度主要分布特征和寒潮移動過程，24 h達標的寒潮變溫預報，變溫中心位置與實況吻合，大風預報顯示北京等冬奧賽區存在氣旋性擾動氣流及風切變等。另外，較好地預報出了兩次降水的落區和強度，但第二次降雪預報較實況偏大，需對微物理過程進行進一步分析改進。總的來說，高分辨區域集合預報提供了有價值的概率預測信息。

(3)冬奧會氣象保障對能見度、大風、降雪相態等氣象條件特別關注。本文在CMA模式后處理基礎上，針對性開發了相應的能見度、陣風及降水相態等冬奧氣象保障產品。兩次寒潮過程分析表明，不同集合成員的能見度預報對反映實況十分敏感。陣風預報與實況大值區分布較一致，第二次過程強度稍偏大，輸出的10 m風預報、降水相態預報與觀測分布吻合，雨雪分界線，降雨、雨夾雪、雪、冰粒落區范圍合理，提升北京冬奧氣象保障能力。

數值預報的概率預報業務的發展，是最近三屆冬奧會氣象預測保障的關鍵技術，是開展冬奧會服務高時空分辨率無縫隙客觀預報和智能化預報服務的核心技術。根據“2022年冬奧會和冬殘奧會氣象服務需求分析報告(2020版)”，需了解不同比賽項目對氣象條件的不同需求，并對氣象條件閾值進行綜合和提取，另外，針對不同的天氣情況，制作相應的氣象保障預案。以高山滑雪為例，當氣溫低于-15 ℃、風力大于5級或氣溫低于-20 ℃、賽道能見度低于500 m，局部區域能見度低于200 m，日降雪量大于5 cm，2 h降雪量高于2 cm，出現混合性降水或凍雨時比賽暫停。因此，北京冬奧氣象保障中，需要提升每一個重要氣象要素的預報能力，考慮不同要素之間的組合預報能力。基于本文的研究工作，國家氣象中心已經初步建立了3 km高分辨區域集合預報實時保障系統(已完成初值和側邊界條件等技術更新，集合預報能力有提升)，提供關鍵比賽需求的閾值概率預報能力(比如6級大風)和賽事安排風險預警產品，將通過引入分析同化和改進集合預報擾動方法，進一步提高冬奧賽事氣象保障能力。

致謝：論文在集合預報后處理和產品制作過程得到了中國氣象局地球系統數值預報中心佟華正研級高級工程師、高麗高級工程師，王婧卓工程師以及北京城市氣象研究院張涵斌高級工程師的鼎力幫助，論文所用觀測和檢驗資料來自國家氣象信息中心、國家氣象業務內網以及冬奧專項課題組。