CWRF降尺度提高BCC_CSM1.1m對中國夏季降水跨季度動力預測能力

張焓 梁信忠 汪方 謝冰 李清泉

摘要 利用CWRF模式（Climate-Weather Research and Forecasting model）對國家氣候中心BCC_CSM1.1m業(yè)務預測模式短期氣候預測結(jié)果進行中國區(qū)域降尺度，并使用1991—2010年3—8月逐日氣溫降水觀測數(shù)據(jù)評估預測能力。結(jié)果表明：CWRF預測地面2 m氣溫、降水氣候平均態(tài)的空間分布比BCC_CSM1.1m更接近觀測，分布誤差更小;在保持總體技巧不低于BCC_CSM1.1m的同時，CWRF對我國華東和華中地區(qū)的降水年際變化預測準確率更高;對不同強度的降水預測CWRF表現(xiàn)均優(yōu)于BCC_CSM1.1 m模式，尤其在極端降水預測準確率上更優(yōu)。總之，得益于更高的空間分辨率和優(yōu)化的低空物理過程模擬，CWRF降尺度可以提高中國夏季跨季度降水預測能力。

關鍵詞 季節(jié)預測; 夏季降水; 降尺度; CWRF; BCC_CSM

我國位于東亞季風區(qū)，氣候復雜多樣。受全球變暖的影響，頻發(fā)的災害性極端氣候事件對我國人民群眾安居樂業(yè)和社會經(jīng)濟平穩(wěn)運行造成了嚴重威脅（張霞等，2021）。隨著人民生活水平不斷提高，國家和社會對短期氣候預測的需求越來越高。氣候預測在國家防災減災和氣候應對決策中的作用日益凸顯，對我國短期氣候預測的精細化程度和準確程度提出了更高要求（孫照渤和陳海山，2020）。

數(shù)值模式已經(jīng)成為短期氣候預測的重要方法之一。經(jīng)過幾十年的持續(xù)努力，數(shù)值模式的季節(jié)尺度氣候預測能力有了長足的進步。美國國家環(huán)境預測中心（National Centers for Environmental Prediction，NCEP）的CFSv2模式（Saha et al.，2014）、日本東京氣候中心（Tokyo Climate Center，TCC）的耦合環(huán)流模式MRI-CGCM （Yukimoto et al.，2012）等都已進入跨季節(jié)尺度氣候預測業(yè)務。然而Saha et al.（2014）指出，雖然上述模式對東亞夏季風（East Asian Summer Monsoon，EASM）和夏季西太平洋副熱帶高壓（Western Pacific Subtropical High，WPSH）的預測技巧較高，但對東亞季風區(qū)氣溫和降水的預測技巧偏低，并且預測技巧的年際差異明顯。這顯然不能滿足我國短期氣候預測需求。

我國短期氣候預測研究和應用始于“九五”期間，先后建立了物理統(tǒng)計預測模型、動力模式預測系統(tǒng)（BCC_CSM1.0）（丁一匯等，2004;李維京等，2005）和動力統(tǒng)計相結(jié)合的預測資料釋用方法（李維京和陳麗娟，1999）。從2005年開始，國家氣候中心在BCC_CSM1.0的基礎上，通過對海冰過程、陸面生態(tài)過程和對流參數(shù)化等多方面的持續(xù)優(yōu)化改進，同時耦合全球碳循環(huán)和動態(tài)植被過程，研制出國家氣候中心海-陸-氣-冰多圈層耦合氣候系統(tǒng)模式（BCC_CSM1.1m;Wu et al.，2010），并基于此模式研發(fā)了第二代短期氣候預測模式系統(tǒng)（吳統(tǒng)文等，2013，2014）。研究發(fā)現(xiàn)BCC_CSM1.1m模式系統(tǒng)對全球氣溫、降水和環(huán)流的預報性能相較之前版本有所提升，但對中國東部夏季降水的空間分布和降水強度的預測技巧仍然有限。BCC_CSM1.1m版本（后簡稱CSM）是當前國家氣候中心短期氣候預測業(yè)務使用的模式，也是本研究所選取的研究對象。

中國區(qū)域地形復雜，以當前主流業(yè)務全球氣候數(shù)值模式的空間分辨率（約100 km）難以準確刻畫中國地形特征（賀嘉櫻等，2020），因而對區(qū)域和局地尺度的動力過程及熱力過程模擬能力較弱，尤其是對東亞地區(qū)獨特而極為復雜的夏季風系統(tǒng)很難準確捕捉。而區(qū)域氣候模式的動力降尺度應用則能在一定程度上改善這一問題（Yuan and Liang，2011a;Chen et al.，2016），同時對區(qū)域物理過程的參數(shù)化有著更加豐富的選擇（Liang et al.，2012，2018;Sun and Liang，2020;Li et al.，2021），適應性更強。本文應用區(qū)域氣候模式動力降尺度全球模式的方法進行短期氣候預測研究，目標提升業(yè)務預測水平。

1 模式、方法和資料

1.1 模式描述

本研究針對中國夏季降水的跨季節(jié)動力預測展開，建立了CSM單向嵌套CWRF的降尺度預測系統(tǒng)。其中CSM先進行大氣環(huán)流場預測，再使用預測結(jié)果作為CWRF的初始、邊界條件對預測的粗網(wǎng)格環(huán)流做精細化的動力降尺度。CSM是國家氣候中心組織開發(fā)的大氣-海洋-陸地-海冰多圈層耦合模式系統(tǒng)（吳統(tǒng)文等，2013），是我國氣候預測業(yè)務的重要預測成員。本研究中CSM采用最新的1.1m版本，其大氣模塊為AGCM的2.2版本（Wu et al.，2010），采用T106波的水平離散網(wǎng)格和26層的混合地形跟隨垂直層離散網(wǎng)格。陸面模塊為AVIM（Atmosphere and Vegetation Interaction Model）模式，是在NCAR CLM3（Community Land Model version 3.0）模式（Dickinson el al.，2006）基礎上，融合加入了動態(tài)植被模型和生物化學模塊。海洋模塊和海冰模塊分別采用美國地球物理流體動力學實驗室研發(fā)的40層MOM4模式（Griffies et al.，2004）和SIS模式（Winton，2000;鄧汝漳等，2021）。以上模塊通過美國國家大氣研究中心研制的Coupler5（Kiehl and Gent，2004）進行動態(tài)耦合。

CWRF作為WRF的氣候尺度延伸版本（Liang et al.，2012），在WRF模式的基礎上對以下3個方面進行了重要改進。a）對環(huán)流側(cè)邊界采用垂直張弛參數(shù)逼近的方案（Liang et al.，2001），使得GCM到RCM的能量和質(zhì)量通量可以平順的過渡，并且在GCM表現(xiàn)較弱的低空降低GCM的主導作用，而在高空保留更多GCM信息。b）在WRF原有參數(shù)化方案之上，充分耦合已有和新增參數(shù)化方案。以物理基礎為模型組織原則，將云微物理過程、對流云和輻射傳輸過程重新整合，改善了對流-云-輻射相互作用（Liang and Zhang 2013;Zhang et al.，2013）。c）加強物理過程參數(shù)化方案，包括積云（Qiao and Liang，2015，2017）、陸面水文（Choi et al.，2007，2013;Choi and Liang，2010;Yuan et al.，2011b）、湖泊（Subin et al.，2012）和海洋（Ling et al.，2015）等過程。這些改動改善了海-陸-氣之間相互作用的模擬（Zhu and Liang，2007;Choi and Liang，2010;Liang et al.，2018）。近年來，CWRF在中國的應用得到發(fā)展，已有研究對其模擬中國區(qū)域氣候特征及東亞夏季風能力進行了詳細的評估（Liang et al.，2018;Jiang et al.，2021;徐蓉蓉等，2021;Xu et al.，2022）。研究表明，CWRF對中國區(qū)域氣候特征模擬有著較好的表現(xiàn)，對關鍵物理過程的捕捉準確，有能力參與氣候預測業(yè)務。

1.2 實驗設計

旨在評估CWRF降尺度在中國區(qū)域?qū)CC CSM跨季節(jié)降水預測的提升作用，本研究選取1991—2010年春夏季節(jié)為研究時段進行回報試驗。實驗目標區(qū)域采用網(wǎng)格中心設置在（110°E，35.18°N）的蘭伯特保形投影，水平網(wǎng)格分辨率為30 km，共計232×172個格點，覆蓋了中國大陸和周邊陸地以及臨近海洋。CWRF的水平網(wǎng)格采用與目標區(qū)域相同的設置，垂直分層采用36層的地形跟隨網(wǎng)格，模式層頂設置在50 hPa。CSM采用截斷波數(shù)為106的水平網(wǎng)格（T106），水平分辨率約1.125°×1.125°。物理過程參數(shù)化方面，本研究中CWRF的參數(shù)配置遵循CWRF標準控制方案（Liang et al.，2018），CSM采用模式默認物理參數(shù)化方案。

回報實驗參照業(yè)務汛期降水預報的預測場景，以每年3月1日為起報日，向未來預測積分6 mon。首先使用CSM自2月初起進行為期一個月的以NCEP再分析資料為目標的逼近（nudging）積分，生成接近實際觀測大氣海洋初始狀態(tài)。積分至起報時刻后解除逼近積分并進行全耦合自由積分。CSM預測積分結(jié)束后，進行CWRF動力降尺度積分。具體的，以積分至起報日的CSM大氣狀態(tài)作為CWRF初始大氣場。考慮到CSM陸面水文模擬本身存在的問題，為避免因CSM與CWRF陸面物理過程差異造成的嚴重不協(xié)調(diào)，我們以再分析資料驅(qū)動CWRF連續(xù)積分產(chǎn)生的陸面狀態(tài)替換CSM模擬陸面狀態(tài)（如土壤溫度、濕度、雪蓋等）。再以CSM生成的大氣環(huán)流信息作為模式側(cè)邊界場，每6 h更新一次側(cè)邊界信息，進行動力降尺度積分。最終得到CWRF對CSM降尺度的預測結(jié)果。

1.3 驗證方法

為了對模式預測結(jié)果進行檢驗，本研究采用了基于中國2 416個地面觀測站點測量的地面2 m氣溫和降水網(wǎng)格化逐日觀測資料（吳佳和高學杰，2013）對CSM和CWRF預測結(jié)果在多個方面的表現(xiàn)進行了對比分析。考慮到降水預測的復雜性，除了降水量這一指標之外，本研究特別對比了降水強度指數(shù)（Simple Daily Intensity Index，SDII）和極端降水事件即每月日降水量95百分位（PCT95）。為了提升模式結(jié)果的實用性，驗證評估預測技巧時，我們采用業(yè)務上常用的評分手段：公平預兆評分（Equitable Threat Score，ETS）、距平相關系數(shù)（Anomaly Correlation Coefficient，ACC）等對預測結(jié)果進行業(yè)務化評分的檢驗。

2 氣候平均分布

圖1對比了CSM和CWRF對中國大陸1991—2010年氣候態(tài)平均地面2 m氣溫的預測誤差及對應的核密度分布。考慮到中國西部觀測站點較為稀疏，可靠性有限，在核密度分布圖上針對東部觀測可靠區(qū)域額外進行了統(tǒng)計和比較（虛線）。從核密度分布可以看出，CWRF的提升主要體現(xiàn)在修正了CSM預測的系統(tǒng)性冷偏差和縮小了CSM誤差范圍兩個方面。CSM對春季地面氣溫的預測整體偏冷，密度峰整體位于4 ℃冷偏差至1 ℃冷偏差之間，對東部地區(qū)模擬誤差減小，核密度峰更向0（無誤差）附近收束。地理分布上看，CSM低估了華南以北的絕大部分大陸地區(qū)的地面溫度，尤其是新疆西部和青藏高原西部，最大冷偏差達到10 ℃以上。經(jīng)過CWRF降尺度之后的地面氣溫預測誤差普遍降低，春季CWRF預測的地面氣溫誤差整體密度峰在正負2 ℃以內(nèi)主體分布在1 ℃暖偏差附近，尤其對東部地區(qū)模擬誤差更小。從空間分布上看，CWRF預測結(jié)果在一定程度上改善了CSM在新疆、內(nèi)蒙古、華北、東北地區(qū)的預測冷偏差，但同時在華中、華東地區(qū)產(chǎn)生了1 ℃的暖偏差。在夏季，CWRF整體誤差相較于CSM更低，更加集中在0 ℃附近。而CSM的預測表現(xiàn)與春季類似，整體冷偏差現(xiàn)象有所緩解，但仍然低估新疆西部和青藏高原邊緣的地面氣溫，這可能與模式中的積雪模擬偏高有關（宋敏紅等，2020）。核密度估計顯示，CWRF預測相較于CSM的整體偏冷現(xiàn)象有較大的改善，總體誤差密度峰集中在1 ℃冷偏差以內(nèi)并且分布集中，雙側(cè)分布離散更小，說明整體誤差顯著小于CSM。從地理分布上看，CWRF降尺度顯著降低了CSM的夏季地面氣溫預測誤差，提升主要分布在我國北部和西部地區(qū)。

圖2對比了實測與CSM及CWRF預測的1991—2010年平均春、夏季日降水量的空間分布和預測誤差的核密度分布。從降水的空間分布上看，實測降水總體呈現(xiàn)從東南沿海向西北內(nèi)陸遞減分布，在南嶺山脈和武夷山附近存在兩個大值中心。CWRF能較好地展現(xiàn)降水總體呈東南向西北內(nèi)陸遞減的分布特點，并改進CSM對沿海降水大值中心模擬較弱的問題。從降水的地理分布上看，CSM對地形強迫降水的模擬存在較多的問題，對東南丘陵地區(qū)的局地陡峭地形存在低估，導致地形動力因素致使的沉降過程模擬偏弱。CWRF預測很大程度上解決了CSM在西北、華北、東北地區(qū)高估了降水范圍的弊病：總體分布趨勢與觀測基本一致，同時準確捕捉了南嶺和武夷山脈的降水大值中心的位置，但有3 mm／d的高估。空間相關系數(shù)從CSM的0.68大幅提升至CWRF的0.83。從核密度分布上看，CWRF也將誤差密度峰從1 mm／d左右降低至0.1 mm／d。

進入夏季，氣候態(tài)平均觀測降水呈現(xiàn)從南向北的遞減趨勢，降水大值中心在華南沿海和長江以南地區(qū)的陡峭地形附近。CWRF改善了CSM在空間分布上的扭曲分布，對華南降水大值中心、東北降水空間分布模擬較好，但亦低估了長江流域南北側(cè)的降水量。從核密度分布上看，CWRF降低了降水低估事件的比例，誤差密度峰更加向0收束，將與實測的空間相關系數(shù)從CSM的0.66提升至0.72。

圖3對比了降水強度指數(shù)SDII的空間分布及其誤差的核密度分布。春季，實測SDII在長江中下游南側(cè)存在大值中心。CSM對降水強度指數(shù)模擬較差，模擬偏弱的同時中心位置也向東偏離。CWRF模擬與觀測基本一致，但強度略弱。夏季，實測分布出現(xiàn)了明顯的分支，分別在華南沿海和華東北部地區(qū)存在大值中心，其間為一條東西走向的弱降水帶。這樣的空間分布形勢反映了汛期中降水從南向北移動并在華南和華東北部停滯的物理圖像。CWRF預測的SDII分布與觀測更加相似，對兩支強降水帶和間隔的少雨帶模擬清晰，將與實測的空間相關系數(shù)從CSM的0.61提升至0.76。

圖4使用泰勒圖將CSM和CWRF對春、夏兩季的氣候平均預測結(jié)果進行了綜合統(tǒng)計，其中包括地面2 m氣溫（T2M）、降水量（PR）、日降水第95百分位（PCT）、降水日數(shù)（日降水大于0.1 mm日數(shù)，NRD）、大雨日數(shù)（日降水大于10 mm日數(shù)，R10）和降水強度指數(shù)（SDII）。CWRF和CSM預測的T2M與實測的空間相關系數(shù)都較高，CWRF略高于CSM但高估了春季氣溫的空間變率，這可能因為實測資料及CSM模擬的分辨率偏低，無法捕捉實際的中小尺度特征。對于降水，CWRF相較于對應季節(jié)的CSM總能提供更高的空間相關系數(shù)，但在夏季同樣高估了空間變率。類似的情況除了平均降水量PR之外，也出現(xiàn)在了PCT、R10、SDII這些與強降水相關的變量上。考慮到地面觀測站點的分布稀疏這一特點，高分辨率模式所模擬的降水分布細節(jié)可能無法被地面站點觀測所捕捉。CWRF一方面模擬出更精細的地理分布使得總體空間相關系數(shù)更高，但精細化的強弱分布則提高了空間變率，在觀測網(wǎng)格密度不及模式網(wǎng)格的情況下，這樣的高估是可以理解的。在降水日數(shù)的模擬上，春季CWRF的表現(xiàn)要強于CSM，而夏季要弱一些。這與CWRF低估青藏高原、華北和華中地區(qū)降水日數(shù)有關，但同樣不可忽視觀測資料存在誤差的問題。

3 年際變化

首先采用預測數(shù)據(jù)與地面觀測數(shù)據(jù)的年際相關系數(shù)來評估模式對關鍵物理量年際變化的捕捉能力。圖5展示了1991—2010年期間CSM和CWRF預測與實測氣溫的年際相關系數(shù)分布圖及其核密度估計。為了量化模式對物理量年際變化的模擬能力，對核密度估計曲線下方顯著正相關的面積進行積分，并將得到的結(jié)果定義為模式預測年際相關的技巧總分。核密度估計顯示，春季CSM預測與實測的相關系數(shù)和CWRF預測接近，CWRF預測技巧總分略高于CSM。春季，CSM對青藏高原和新疆西北氣溫的年際變化捕捉較好，而對內(nèi)蒙古中部和華西地區(qū)預測較差，相關系數(shù)在-0.4～-0.2。CWRF預測則提高了青藏高原北側(cè)的年際相關，同時對東北氣溫年際變化的捕捉也要優(yōu)于CSM。夏季，CWRF預測的年際相關系數(shù)技巧總分比CSM高，顯著正相關區(qū)域分布更廣。CSM的預測技巧主要集中在新疆北部和青藏高原南側(cè)，對華北華中和華南地區(qū)的氣溫預測相關系數(shù)較差。CWRF在保持新疆北部和青藏高原預測技巧的情況下，顯著提升了內(nèi)蒙古、西南、西北和華北的氣溫預測技巧。

圖6展示了降水預測年際相關系數(shù)的地理分布和它們的核密度估計。春季，CWRF預測年際相關的總體技巧更強。改善了CSM對東北和華南降水較弱的預測技巧。CWRF對降水年際相關的預測技巧分布總體上與CSM類似，但正相關的范圍更大，有更多的地區(qū)相關系數(shù)高于0.5。CWRF縮小了CSM對華南預測無技巧地區(qū)的范圍。夏季，CSM預測技巧總分很低，其累計預測顯著相關系數(shù)為-3.7，預測技巧較差。而CWRF技巧總分高達1.06，明顯改進了預測能力。從核密度估計分布上看，CWRF預測結(jié)果整體優(yōu)于CSM，密度峰更加偏向正方向。從空間分布上看，CSM對東北、內(nèi)蒙古、華北和華中地區(qū)預測相關系數(shù)均為負值，經(jīng)過CWRF降尺度后的預測有了明顯的改進，對華中和華東地區(qū)的降水預測技巧有了顯著的提升。

4 降水預測指標

4.1 降水距平相關系數(shù)（ACC）與同號概率（Pc）

汛期降水預報對防汛工作的重要決策支撐作用是通過對汛期降水異常程度進行預測實現(xiàn)的。數(shù)值模式預測對氣候異常（氣候距平）空間分布和距平方向一致性的預測尤為重要。因此模式預測氣候態(tài)距平和觀測氣候態(tài)距平之間的空間相關系數(shù)，即距平相關系數(shù)（ACC）和模式距平和觀測距平在同一格點符號一致的概率（Pc）是一組對汛期降水預報能力的優(yōu)秀評估指標。圖7和8分別為1991—2010年其間3月起報的CSM和CWRF在各月和各季節(jié)的距平相關系數(shù)和同號概率箱線圖。

降水的距平相關系數(shù)和同號概率在3月最高，在4月至8月較低。由于距離起報時間更短，CSM和CWRF都能較好的模擬3月的距平空間分布。4月起距平相關系數(shù)顯著降低至0上下，不過同號概率略仍然高于50％，說明目前主流模式對降水年際異常的捕捉還存在一定難度。值得注意的是，CWRF預測月距平相關系數(shù)的最大值均大于CSM預測。季節(jié)尺度上，春季CSM預測距平相關系數(shù)的中位數(shù)高于CWRF，但從箱線圖箱體上看，CWRF預測主體更高且最大最小值都高于CSM。夏季CWRF預測距平相關系數(shù)和同號概率的主體和中位數(shù)都比CSM要高，但最大值略小。降水強度指數(shù)SDII和極端降水PCT展現(xiàn)出與平均降水PR類似的情況，即季節(jié)尺度上春季兩模式預測的平均得分較接近，但夏季CWRF預測評分的均值和上限更高。

4.2 降水預測ETS評分及綜合表現(xiàn)評估

公平預兆評分（ETS）的計算依賴于給定閾值下的列聯(lián)表（Contegency table）：當某一事件在觀測中真實發(fā)生且預測中也確定發(fā)生則標注為預測命中（Hit），當觀測中發(fā)生而預測中確定不發(fā)生則標注為漏報（Miss），當觀測中不發(fā)生而預測發(fā)生則標注為空報（False Alarm），當觀測和預測都不發(fā)生時則標注為正確無事件（Correct Negative）。在這個基礎上，公平預兆得分（ETS）得分為（Hits—隨機Hits）／（Hits+Misses+False Alarms-隨機Hits），反映預測的正樣本（發(fā)生事件）與觀察到的正樣本對應的程度如何，其中扣除了隨機預報產(chǎn)生的命中數(shù)量，隨機Hits=預測發(fā)生事件×觀測發(fā)生事件／事件總數(shù)。成功率（SR）定義為Hits／（Hits+False Alarms），反映預報的正樣本中實際發(fā)生的比例。命中率（POD）定義為Hits／（Hits+Misses），反映觀測的正樣本中多少被預報出來。

圖8展示了1991—2010年期間CSM和CWRF從3月起報對春、夏季節(jié)平均降水強度預報不同閾值下的ETS評分，所有ETS得分均乘以10以便對比。CWRF的預測技巧可以延伸至降水強度達到11 mm／d，相比CSM僅在6 mm／d以下降水有預測技巧可以覆蓋更寬強度范圍的降水事件。從CWRF減去CSM對應得分的差值圖上看，CWRF在2 mm／d強度以上的降水事件中比CSM存在絕對的優(yōu)勢和提升。夏季，由于平均降水強度增加，預報時效增長，CWRF夏季的平均得分也小于對應春季預測水平，但有預測技巧的閾值范圍則明顯提升，最大可達15 mm／d。從兩個模式預測結(jié)果的差值上看，CWRF再一次在2 mm／d以上的降水事件中改進了CSM的預測結(jié)果。對于1 mm／d閾值的小雨降水事件，CSM在部分年份表現(xiàn)好些，這與CSM傾向于模擬更大的降水范圍有關。為了確定CWRF對CSM預測技巧提升發(fā)生在哪一地區(qū)，圖9展示了1991—2010年期間中國12個地理分區(qū)不同閾值下的預測ETS得分及兩個模式的差值。由于春季降水主要發(fā)生在我國南方，從ETS得分上看，CWRF相比CSM在華南、華中和臺灣島三個區(qū)域的提升最明顯和普遍，而在青藏高原南部的2～3 mm／d的閾值表現(xiàn)弱于CSM，考慮到高原上地面觀測站稀疏，降水觀測可靠程度有限，在此不做詳細討論。進入夏季之后，CWRF相比CSM在預測技巧的范圍上更大，得分也高，但是在西南地區(qū)8 mm／d以上的降水預測得分不及CSM。

為了進一步評估模式預測的命中率和成功率，我們選取華南、華中、華北、東北四個東部地面測站空間密度較高的區(qū)域作為目標，比較季節(jié)平均降水強度對應不同閾值下的降水預測命中率（POD）和預測成功率（SR）的分布，春、夏季結(jié)果分別如圖10和圖11所示。并將同閾值CSM和CWRF的結(jié)果標注連線便于對比。原點至標注點的斜率即為偏差率（Bias Rate），反應觀測正例與實測正例的比例，越接近1則表示預測正例和實測正例的數(shù)量越接近。標注與（1，1）點的距離則反映了TS評分高低。春季，當降水閾值小于等于1.5 mm／d時，CSM的預測命中率（POD）高于CWRF，但預測成功率（SR）反而要低，說明CSM模擬了過多的小雨事件，造成更高的誤差率。當降水閾值大于2 mm／d時，CWRF相比CSM的提升更加顯著，在提供更高POD的同時有著更高的SR。值得注意的是，CSM對降水強度大于7.5 mm／d的降水事件幾乎沒有預測能力，而CWRF對10 mm／d的降水事件的發(fā)生頻率存在一定程度高估，但仍然保持了超過40％的命中率。總體上看，CSM對低強度降水事件模擬偏多而對3 mm／d以上的降水事件預測能力較低。從TS評分上看，CWRF在各個閾值下的預測能力均強于CSM。夏季，平均降水強度增大，選取分類閾值上限相應從10 mm／d增加至16 mm／d。CSM在小于2.5 mm／d的小雨預測上略強于CWRF，而CWRF在3 mm／d以上的所有閾值下均強于CSM。尤其在強降水的閾值下，CSM的命中率較低，CWRF的提升優(yōu)勢十分明顯。對于3 mm／d以上的降水事件，CWRF在保持更高的檢出率的同時也有著與CSM更高的預測成功率和更高的TS評分。總體上，CWRF在夏季對小雨預測技巧略弱于CSM，但對中雨以上量級的降水預測技巧全面領先。在業(yè)務預測中對災害性降水的預測技巧也明顯更高。

5 低空環(huán)流分析

為了解釋CWRF對CSM預測降尺度的提升究竟來源于何處，本研究對兩種模式在中國區(qū)不同垂直高度上環(huán)流關鍵變量的預測空間相關系數(shù)進行了計算，并繪制了相關系數(shù)的垂直廓線（圖12）。

在600 hPa以下的低空，CWRF模擬的環(huán)流變量模擬空間相關系數(shù)顯著地高于CSM，而在高空則與CSM表現(xiàn)接近。這樣的表現(xiàn)與CWRF的特殊設計有關：區(qū)域模式需要調(diào)和邊界強迫與內(nèi)部模擬之間的潛在不一致，因此對從側(cè)邊界傳入的大氣環(huán)流條件作適當處理。CWRF采用了動態(tài)張弛技術來接受側(cè)邊界強迫信息，在垂直方向上采用了不同的張弛系數(shù)，對于大氣環(huán)流模式模擬較好的高層，系數(shù)取得較大，側(cè)邊界強迫為主，而對于大氣環(huán)流模式模擬較差的低空，系數(shù)取得較小，CWRF內(nèi)部預報為主。這種設計使得CWRF在模擬區(qū)域大氣系統(tǒng)時，在高空傾向于由邊界強迫控制，而在低空則允許動力和物理過程相互作用并充分發(fā)展，因此圖12展現(xiàn)出CWRF在低空模擬出的更高空間相關系數(shù)是合理的。接下來我們對影響我國春夏季節(jié)降水的重要低空環(huán)流的關鍵成員：低空急流及對應的水汽條件分布進行對比分析，解釋CWRF在降水預測上的優(yōu)勢。

圖13展示了春季ERA5資料和模式預測的700 hPa相對濕度空間分布、850 hPa風向和風速。ERA5再分析資料上展示的相對濕度空間分布顯示，低層濕區(qū)主要分布在中南半島、青藏高原南坡和東坡以及我國華南地區(qū)。在我國東部存在由南向北的明顯梯度。850 hPa風向和風速顯示，在我國華南存在一支強勁的西南低空急流從北海附近出發(fā)在南嶺附近分為兩支。結(jié)合水汽分布分析可知，向東到達長江中下游流域的低空急流與水汽濕度場相互配合存在越濕度梯度的輸送。這樣的輸送將南方的暖濕氣流向北輸送，形成降水條件。另一支向四川盆地轉(zhuǎn)向的急流則平行于水汽梯度運動，越梯度輸送較少，因此對四川盆地并沒有額外的輸送水汽作用。這樣的水汽輸運條件與春季觀測降水的空間分布是匹配的：降水的主要中心在華東地區(qū)，四川盆地降水有限。

CWRF降尺度的相對濕度分布和環(huán)流風場分布明顯優(yōu)于CSM，與ERA5更加接近。CSM高估了青藏高原上的濕度而低估了青藏高原南麓尤其是中南半島和孟加拉灣附近的濕度。850 hPa風向和風速方面，CSM高估了青藏高原西側(cè)和南側(cè)的緯向風速，同時對高原東南側(cè)存在明顯的風速高估。這一支過強的氣流把本該從高原南側(cè)繞行并被高大地形阻擋在南側(cè)的水汽堆積在了高原西側(cè)，而高原東南的高風速又將剩余的水汽輸送至橫斷山區(qū)附近。這樣的表現(xiàn)或與CSM的空間分辨率較低，無法對地形梯度變化較大的高原西側(cè)、南側(cè)和橫斷山區(qū)附近的粗糙地形做出良好的響應有關。CWRF降尺度改善了CSM模式的低空模擬弊病，尤其是青藏高原以南和以東地區(qū)的濕度中心位置與同化結(jié)果較為接近，模擬出了更接近實測大氣的水汽-環(huán)流配合分布：一支從中南半島經(jīng)過我國華南向北運動的急流，其向西偏折入四川盆地的分支跨濕度梯度輸送較弱，符合ERA5同化結(jié)果。對應了CWRF模擬并未高估四川和西南地區(qū)的降水。而轉(zhuǎn)向長江中下游流域的急流支則較好地完成了跨相對梯度梯度輸送的作用，同時急流出口左側(cè)位置與ERA5同化結(jié)果接近，提供了較好的對流觸發(fā)條件對應了CWRF模擬對華東地區(qū)降水模擬較好。不過CWRF模擬的急流強度偏強，因而輸送的水汽通量也偏大，一定程度上造成了對降水的高估。CWRF模擬在華南沿海地區(qū)濕度模擬的表現(xiàn)與CSM相似，未能處理好海陸交界處的濕度梯度模擬，造成南風逆濕度態(tài)度抵達華南，減弱了降水模擬，這一點也是與CWRF模擬降水氣候態(tài)的特征對應的。

圖14展示了夏季低空850 hPa的風向風速和700 hPa相對濕度的空間分布。ERA5同化資料顯示濕度中心分布在青藏高原東南側(cè)，中國東部的濕度呈現(xiàn)自西南向東北的遞減趨勢。低空風向風速分布上，ERA5顯示在青藏高原、橫斷山區(qū)和青海一帶，平均的低空風速較低，不受某一特定方向氣流控制。而孟加拉灣存在一股較強的西風氣流，登錄陸地后一支向北被青藏高原南側(cè)和橫斷山區(qū)截斷。另一支繼續(xù)向東在北海附近轉(zhuǎn)而向北再次登錄我國華南地區(qū)，并在南嶺附近減速。結(jié)合濕度的分布，我國夏季東部的降水的低空水汽輸送主要由華南一支的低空氣流跨越濕度等值線由南向北輸送，這一支低空氣流為我國東南部夏季降水輸送了水汽。在華北，850 hPa氣流呈現(xiàn)出順時針的反氣旋旋轉(zhuǎn)對應了觀測上華北平均降水的抑制。CWRF在夏季相比CSM也改進了低空環(huán)流的模擬，主要體現(xiàn)在更加接近實測大氣的水汽分布特征。華南地區(qū)CWRF模擬的濕度分布呈現(xiàn)出了非常強的地形強迫。在中國北方，ERA5再分析資料中存在一套由華中延伸至東北的濕度帶，CSM未能模擬出這樣的分布而CWRF很好再現(xiàn)了同樣走向的濕度帶。850 hPa環(huán)流場的模擬CWRF在華南地區(qū)模擬出了一個更強的氣旋式環(huán)流而在華北地區(qū)模擬出了一個反氣旋式環(huán)流。這樣環(huán)流分布特征對應較強的華南降水和較弱的華北降水，這樣的降水空間分布也更加接近地面觀測。

得益于CWRF的更高的空間分辨率和改進的物理過程參數(shù)化（Liang et al.，2018;Sun and Liang，2020），CWRF在低層對環(huán)流和濕度的模擬空間分布更優(yōu)。這樣的優(yōu)勢不僅使得CWRF在預測的氣溫、降水氣候態(tài)空間分布上更加接近觀測，也使得CWRF在水汽輸送和低空環(huán)流條件的模擬的模擬上更具合理性，進而改善平均降水的空間分布和極端降水的捕捉能力。

6 討論和結(jié)論

數(shù)值模式是汛期降水預報的重要支撐環(huán)節(jié)，本文對BCC_CSM1.1m和CWRF降尺度對降水預測能力進行評估，從氣候平均、年際變化和常用業(yè)務評分三個方面，針對業(yè)務關心的預測性能展開一定的評估，并針對CWRF相比BCC_CSM1.1m預測技巧提升的來源進行了一定的分析。結(jié)果表明：

1）CWRF動力降尺度相比CSM驅(qū)動本身對預測氣候平均地面兩米氣溫、日降水量、日降水第95百分位、降水日數(shù)、大雨日數(shù)和簡單強度指數(shù)等多個指標均展示出了更好的空間分布，將與實測空間分布相關系數(shù)提升了22％。CWRF這種提升除了有更高的空間分辨率外，主要源于其更加合理真實的物理過程刻畫。

2） 關鍵物理量的年際相關，一直是預測中的難點和重點。CSM在我國東部的預測技巧較差，甚至出現(xiàn)與觀測呈現(xiàn)負相關的現(xiàn)象。而CWRF在這里的預測技巧得到了顯著的提升，春季和夏季預測技巧總體分別提升了1.03和4.76。

3） 距平相關系數(shù)和同號概率是評估降水異常預測的重要指標。據(jù)箱線圖分析，夏季CWRF將CSM距平相關系數(shù)平均提升約0.082，同號概率平均提升3.5分，為部署旱澇災害預防工作提供更準確的信息支撐。

4） 兩個模式對不同量級降水的預測技巧存在一定的差異。從綜合評估圖上看，CSM在夏季小于3 mm／d的弱降水預測上技巧略好，而CWRF在3 mm／d以上降水事件的預測技巧有顯著的優(yōu)勢，并且降水強度越強，這樣的優(yōu)勢就越明顯。從ETS評分上看，CWRF平均得分比CSM在春季和夏季分別高0.119分（147％）和0.134分（98％）。可見CWRF對不同強度的降水事件的預測技巧的綜合水平要強于CSM。

5） CWRF對于BCC_CSM1.1m預測的技巧提升主要源于低空環(huán)流的改進。BCC_CSM1.1m較粗的網(wǎng)格分辨率使其在模擬高原相關的動力繞流過程和水汽輸送-沉降過程時產(chǎn)生了較大的偏差，這一點在CWRF降尺度中得以解決。

源于更精細更合理的物理過程刻畫和良好的嵌套技術，CWRF有能力在BCC CSM全球模式季節(jié)尺度預測的基礎上進行可靠的動力降尺度，其結(jié)果可對現(xiàn)有的業(yè)務預測進行良好的補充和提升，有潛力為災害性氣候事件提供更準確的預測和提前防范都具有重要的決策支撐作用，為提升綜合防災減災能力和保障人民群眾安居樂業(yè)貢獻力量。

致謝：本論文的數(shù)值計算得到了南京信息工程大學高性能計算中心和國家超級計算無錫中心的計算支持和幫助，在此表示由衷的感謝！

參考文獻（References）

Chen L G，Liang X Z，DeWitt D，et al.，2016.Simulation of seasonal US precipitation and temperature by the nested CWRF-ECHAM system［J］.Climate Dyn，46（3／4）：879-896.doi：10.1007／s00382-015-2619-9.

Choi H I，Liang X Z，2010.Improved terrestrial hydrologic representation in mesoscale land surface models［J］.J Hydrometeorol，11（3）：797-809.doi：10.1175／2010jhm1221.1.

Choi H I，Kumar P，Liang X Z，2007.Three-dimensional volume-averaged soil moisture transport model with a scalable parameterization of subgrid topographic variability［J］.Water Resour Res，43（4）：W04414.doi：10.1029／2006wr005134.

Choi H I，Liang X Z，Kumar P，2013.A conjunctive surface-subsurface flow representation for mesoscale land surface models［J］.J Hydrometeorol，14（5）：1421-1442.doi：10.1175／jhm-d-12-0168.1.

鄧汝漳，儲敏，任宏利，等，2021.BCC-CSM北極海冰模擬性能的改進對東亞冬季氣候模擬的影響［J］.大氣科學學報，44（1）：61-74. Deng R Z，Chu M，Ren H L，et al.，2021.Impact of BCC-CSM Arctic Sea ice simulation improvement on East Asian winter climate simulation［J］.Trans Atmos Sci，44（1）：61-74.doi：10.13878／j.cnki.dqkxxb.20201103002.（in Chinese）.

Dickinson R E，Oleson K W，Bonan G，et al.，2006.The community land model and its climate statistics as a component of the community climate system model［J］.J Climate，19（11）：2302-2324.doi：10.1175／jcli3742.1.

丁一匯，李清泉，李維京，等，2004.中國業(yè)務動力季節(jié)預報的進展［J］.氣象學報，62（5）：598-612. Ding Y H，Li Q Q，Li W J，et al.，2004.Advance in seasonal dynamical prediction operation in China［J］.Acta Meteorol Sin，62（5）：598-612.doi：10.3321／j.issn：0577-6619.2004.05.007.（in Chinese）.

Griffies S M，Harrison M J，Pacanowski R C，et al.，2004.A technical guide to MOM4［J］.GFDL Ocean Group Tech Rep，5（5）：371.

賀嘉櫻，伍繼業(yè)，羅京佳，2020.南京信息工程大學氣候預測系統(tǒng)1.0版簡介［J］.大氣科學學報，43（1）：128-143. He J Y，Wu J Y，Luo J J，2020.Introduction to climate forecast system version 1.0 of Nanjing University of Information Science and Technology［J］.Trans Atmos Sci，43（1）：128-143.doi：10.13878／j.cnki.dqkxxb.20191110007.（in Chinese）.

Jiang R S，Sun L，Sun C，et al.，2021.CWRF downscaling and understanding of China precipitation projections［J］.Climate Dyn，57（3／4）：1079-1096.doi：10.1007／s00382-021-05759-z.

Kiehl J T，Gent P R，2004.The community climate system model，version 2［J］.J Climate，17（19）：3666-3682.doi：10.1175／1520-0442（2004）017<3666：tccsmv>2.0.co;2.

李維京，陳麗娟，1999.動力延伸預報產(chǎn)品釋用方法的研究［J］.氣象學報，57（3）：338-345. Li W J，Chen L J，1999.Research on reexplanation and reanalysis method of dynamical extended range forecast products［J］.Acta Meteorol Sin，57（3）：338-345.doi：10.3969／j.issn.1001-7313.2005.06.009.（in Chinese）.

李維京，張培群，李清泉，等，2005.動力氣候模式預測系統(tǒng)業(yè)務化及其應用［J］.應用氣象學報，16（S1）：1-11. Li W J，Zhang P Q，Li Q Q，et al.，2005.Research and operational application of dynamical climate model prediction system［J］.Q J Appl Meteor，16（S1）：1-11.doi：10.3969／j.issn.1001-7313.2005.z1.001.（in Chinese）.

Li Q Q，Wang T，Wang F，et al.，2021.Dynamical downscaling simulation of the East Asian summer monsoon in a regional Climate-Weather Research and Forecasting model［J］.Int J Climatol，41（S1）：1-17.doi：10.1002／joc.6800.

Liang X Z，Zhang F，2013.The cloud-aerosol-radiation （CAR） ensemble modeling system［J］.Atmos Chem Phys，13（16）：8335-8364.doi：10.5194／acp-13-8335-2013.

Liang X Z，Kunkel K E，Samel A N，2001.Development of a regional climate model for U.S.Midwest applications.part I：sensitivity to buffer zone treatment［J］.J Climate，14（23）：4363-4378.doi：10.1175／1520-0442（2001）014<4363：doarcm>2.0.co;2.

Liang X Z，Xu M，Yuan X，et al.，2012.Regional climate-weather research and forecasting model［J］.Bull Amer Meteor Soc，93（9）：1363-1387.doi：10.1175／bams-d-11-00180.1.

Liang X Z，Sun C，Zheng X，et al.，2018.CWRF Performance at Downscaling China Climate Characteristics［J］.Climate Dyn，52（3/4）：2159—2184.

Ling T J，Xu M，Liang X Z，et al.，2015.A multilevel ocean mixed layer model resolving the diurnal cycle：development and validation［J］.J Adv Model Earth Syst，7（4）：1680-1692.doi：10.1002／2015ms000476.

Qiao F X，Liang X Z，2015.Effects of cumulus parameterizations on predictions of summer flood in the Central United States［J］.Climate Dyn，45（3）：727-744.doi：10.1007／s00382-014-2301-7.

Qiao F X，Liang X Z，2017.Effects of cumulus parameterization closures on simulations of summer precipitation over the continental United States［J］.Climate Dyn，49（1）：225-247.doi：10.1007／s00382-016-3338-6.

Saha S，Moorthi S，Wu X R，et al.，2014.The NCEP climate forecast system version 2［J］.J Climate，27（6）：2185-2208.

宋敏紅，吳統(tǒng)文，張宇，等，2020.近30年BCC-CSM（m）模擬高原積雪狀況評估及其對夏季降水的影響［J］.高原氣象，39（1）：15-23. Song M H，Wu T W，Zhang Y，et al.，2020.Evaluation on simulated snow depth over Qinghai-Tibetan Plateau with BCC-CSM（m） model during recent 30 years and its impact on precipitation in summer［J］.Plateau Meteor，39（1）：15-23.doi：10.7522／j.issn.1000-0534.2019.00076.（in Chinese）.

Subin Z M，Riley W J，Mironov D，2012.An improved lake model for climate simulations：model structure，evaluation，and sensitivity analyses in CESM1［J］.J Adv Model Earth Syst，4：M02001.doi：10.1029／2011ms000072.

Sun C，Liang X Z，2020.Improving US extreme precipitation simulation：sensitivity to physics parameterizations［J］.Climate Dyn，54（11）：4891-4918.doi：10.1007／s00382-020-05267-6.

孫照渤，陳海山，2020.短期氣候預測：南京信息工程大學60年回顧與展望［J］.大氣科學學報，43（5）：745-767. Sun Z B，Chen H S，2020.Short-term climate prediction：a review for the related work in NUIST in the past 60 years and an outlook for the future［J］.Trans Atmos Sci，43（5）：745-767.doi：10.13878／j.cnki.dqkxxb.20200905017.（in Chinese）.

Winton M，2000.A reformulated three-layer sea ice model［J］.J Atmos Oceanic Technol，17（4）：525-531.doi：10.1175／1520-0426（2000）017<0525：artlsi>2.0.co;2.

吳佳，高學杰，2013.一套格點化的中國區(qū)域逐日觀測資料及與其它資料的對比［J］.地球物理學報，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Wu T W，Yu R C，Zhang F，et al.，2010.The Beijing Climate Center atmospheric general circulation model：description and its performance for the present-day climate［J］.Climate Dyn，34（1）：123-147.doi：10.1007／s00382-008-0487-2.

吳統(tǒng)文，宋連春，劉向文，等，2013.國家氣候中心短期氣候預測模式系統(tǒng)業(yè)務化進展［J］.應用氣象學報，24（5）：533-543. Wu T W，Song L C，Liu X W，et al.，2013.Progress in developing the short-range operational climate prediction system of China national climate center［J］.J Appl Meteorol Sci，24（5）：533-543.doi：10.11898／1001-7313.20130503.（in Chinese）.

吳統(tǒng)文，宋連春，李偉平，等，2014.北京氣候中心氣候系統(tǒng)模式研發(fā)進展：在氣候變化研究中的應用［J］.氣象學報，72（1）：12-29. Wu T W，Song L C，Li W P，et al.，2014.Progress in research and development of climate system model of Beijing climate center：application in climate change research［J］.Acta Meteorol Sin，72（1）：12-29.doi：10.11676／qxxb2013.084.（in Chinese）.

Xu H R，Liang X Z，Xue Y K，2022.Regional climate modeling to understand Tibetan heating remote impacts on East China precipitation［J］.Climate Dyn，1-19.doi：10.1007／s00382-022-06266-5.

徐蓉蓉，梁信忠，段明鏗，2021.CWRF對青藏高原氣溫和降水模擬效果的綜合評估［J］.大氣科學學報，44（1）：104-117. Xu R R，Liang X Z，Duan M K，2021.Evaluation of CWRF simulation of temperature and precipitation on the Qinghai-Tibet Plateau［J］.Trans Atmos Sci，44（1）：104-117.doi：10.13878／j.cnki.dqkxxb.20201103001.（in Chinese）.

Yuan X，Liang X Z，2011a.Improving cold season precipitation prediction by the nested CWRF-CFS system［J］.Geophys Res Lett，38（2）：1-5.doi：10.1029／2010gl046104.

Yuan X，Liang X Z，2011b.Evaluation of a Conjunctive Surface-Subsurface Process Model （CSSP） over the Contiguous United States at Regional—Local Scales［J］.Journal of Hydrometeorology，12（4）：579—599.

Yukimoto S，Adachi Y，Hosaka M，et al.，2012.A new global climate model of the Meteorological Research Institute：MRI-CGCM3—Model description and basic performance［J］.Journal Meteorological Society Japan，90A：23-64.doi：10.2151／jmsj.2012-a02.

Zhang F，Liang X Z，Zeng Q C，et al.，2013.Cloud-Aerosol-Radiation （CAR） ensemble modeling system：overall accuracy and efficiency［J］.Adv Atmos Sci，30（4）：955-973.doi：10.1007／s00376-012-2171-z.

張霞，楊慧，王新敏，等，2021.“21·7”河南極端強降水特征及環(huán)流異常性分析［J］.大氣科學學報，44（5）：672-687. Zhang X，Yang H，Wang X M，et al.，2021.Analysis on characteristic and abnormality of atmospheric circulations of the July 2021 extreme precipitation in Henan［J］.Trans Atmos Sci，44（5）：672-687.doi：10.13878／j.cnki.dqkxxb.20210907001.（in Chinese）.

Zhu J H，Liang X Z，2007.Regional climate model simulations of U S precipitation and surface air temperature during 1982—2002：interannual variation［J］.J Climate，20（2）：218-232.doi：10.1175／jcli4129.1.

The regional Climate-Weather Research and Forecasting model （CWRF） is used to downscale the National Climate Centers operational short-term climate prediction based on the Beijing Climate Center Climate System Model （BCC_CSM1.1m）.The prediction skill is assessed for daily precipitation and surface air temperature （2 m） from March to August during 1991—2010.As compared to BCC_CSM1.1m，CWRF predicts more realistic seasonal mean precipitation and temperature spatial distributions and resolves more detailed features over mountainous regions with large terrain variations.It also predicts interannual variations in precipitation East and Central China more accurately.Overall，CWRF outperforms BCC_CSM1.1m in predicting precipitation of different intensities，especially extreme events.Benefiting from higher spatial resolution and advanced physical process simulation at lower levels，CWRF downscaling can improve the seasonal prediction of summer precipitation in China.

seasonal prediction;summer precipitation;downscaling;CWRF;BCC_CSM

doi：10.13878／j.cnki.dqkxxb.20210116001

（責任編輯：袁東敏）