趙濱　張博

摘要利用模式三維預(yù)報(bào)變量，結(jié)合地面要素預(yù)報(bào)產(chǎn)品，采用2 m溫度三維插值方法進(jìn)行地形訂正，以確保預(yù)報(bào)與觀測(cè)三維空間上的一致性，在地形訂正基礎(chǔ)上，利用歷史月均預(yù)報(bào)誤差作為參考誤差，剔除模式系統(tǒng)性誤差，獲取具備日變化特征的預(yù)報(bào)產(chǎn)品。基于陜西地區(qū)復(fù)雜地形條件下的典型觀測(cè)站點(diǎn)，利用2016年8月28日48 h預(yù)報(bào)個(gè)例進(jìn)行對(duì)比分析發(fā)現(xiàn)，三維插值方法有效改善了地形差異引起的評(píng)估誤導(dǎo)問(wèn)題，但無(wú)法改進(jìn)模式預(yù)報(bào)的日變化趨勢(shì)，進(jìn)一步采用系統(tǒng)性誤差訂正后，日變化特征明顯改善，特別是前24 h預(yù)報(bào)效果體現(xiàn)出與實(shí)況良好的一致性及更佳的預(yù)報(bào)技巧。通過(guò)2016年夏季統(tǒng)計(jì)評(píng)估表明，誤差訂正后的2 m溫度預(yù)報(bào)產(chǎn)品有效改善了周期性誤差振蕩，均方根誤差穩(wěn)定在2 K左右，顯示出明顯的改進(jìn)優(yōu)勢(shì)。

關(guān)鍵詞2 m溫度；三維插值方法；復(fù)雜地形區(qū)；誤差訂正；日變化

隨著數(shù)值預(yù)報(bào)技術(shù)及計(jì)算能力的不斷提高，數(shù)值模式已具備千米尺度逐時(shí)精細(xì)化預(yù)報(bào)能力，可提供更為精確的預(yù)報(bào)信息。而隨著精細(xì)化產(chǎn)品的逐步應(yīng)用，中小尺度預(yù)報(bào)更為關(guān)注的地面要素（降水、2 m溫度、10 m風(fēng)場(chǎng)等）產(chǎn)品的應(yīng)用能力及實(shí)際預(yù)報(bào)效果則漸漸成為研究人員分析的重點(diǎn)，開(kāi)展針對(duì)地面要素的精細(xì)化檢驗(yàn)評(píng)估是了解預(yù)報(bào)能力的必然途徑。實(shí)況站點(diǎn)與模式格點(diǎn)之間的匹配問(wèn)題是研究人員首要關(guān)注的問(wèn)題，通常采用特定的插值計(jì)算方法使得預(yù)報(bào)與觀測(cè)可以在相同位置上進(jìn)行比較，并采用誤差訂正方法提高產(chǎn)品的應(yīng)用能力。

為保證預(yù)報(bào)與觀測(cè)空間的一致性可采用兩種插值方案，一種是將觀測(cè)實(shí)況通過(guò)空間插值方法及融合分析的方法插值到模式格點(diǎn)空間上（李新等，2000；劉宇等，2006；Degratano and Belcher，2007；Kann et al.，2009；Engel and Ebert，2012；王智等，2012），可使預(yù)報(bào)和觀測(cè)在相同格點(diǎn)空間上進(jìn)行評(píng)估。此類(lèi)方法可在不改變模式預(yù)報(bào)信息的條件下獲取精細(xì)化實(shí)況產(chǎn)品，但由于實(shí)況分布不均勻難以匹配高分辨率格點(diǎn)空間，必須采用大量非常規(guī)資料（衛(wèi)星、雷達(dá)等）加以融合（潘旸等，2015；Shen et al.，2010，2014），而非常規(guī)資料的自身系統(tǒng)性誤差也將嚴(yán)重制約融合產(chǎn)品應(yīng)用效果。

另一種是將格點(diǎn)預(yù)報(bào)插值到實(shí)況觀測(cè)位置上，通?？刹捎秒p線性插值、樣條插值及權(quán)重插值等（王思維等，2011）方法實(shí)現(xiàn)。此類(lèi)方法大多僅考慮觀測(cè)和預(yù)報(bào)在水平二維空間上的一致性（Pitman and Perkins，2009），而忽略了垂直方向上的差異，使得預(yù)報(bào)和觀測(cè)在不同三維空間內(nèi)進(jìn)行比較，而作為與地形高度具有較強(qiáng)相關(guān)性的變量，溫度檢驗(yàn)中忽視垂直方向上的差異將引起嚴(yán)重的評(píng)估誤導(dǎo)問(wèn)題，此類(lèi)問(wèn)題在復(fù)雜地形區(qū)尤為突出。因此，研究人員在2 m溫度插值過(guò)程中往往采用垂直地形訂正的方法提高產(chǎn)品的可用性。Lussana et al.（2010）考慮模式地形與實(shí)況地形間的差異，采用分類(lèi)檢驗(yàn)方法，將觀測(cè)地形分為平原、高原、谷地，分別分析不同地形條件下2 m溫度的誤差特征，結(jié)果表明，復(fù)雜地形區(qū)影響遠(yuǎn)高于平原地區(qū)，誤差來(lái)源可歸因于地形差異及系統(tǒng)性誤差的共同影響。但該方法并未優(yōu)化插值算法，無(wú)法根本解決誤差來(lái)源問(wèn)題。垂直遞減率是垂直訂正的常用手段，通常人為定義06 K/（100 m）為統(tǒng)一的垂直遞減律，但實(shí)際預(yù)報(bào)空間上的垂直遞減率受地形影響差異巨大，采用統(tǒng)一的垂直遞減律進(jìn)行訂正將嚴(yán)重影響訂正效果。趙濱等（2016）開(kāi)發(fā)的2 m溫度三維插值方法將預(yù)報(bào)和觀測(cè)統(tǒng)一到相同三維空間內(nèi)進(jìn)行檢驗(yàn)，有效地提高了2 m溫度的訂正效果，同時(shí)通過(guò)青藏高原復(fù)雜地形區(qū)不同分辨率條件下的分析發(fā)現(xiàn)，三維插值方法在高分辨率（2 km）條件下，依然存在明顯的改進(jìn)趨勢(shì)。

模式的系統(tǒng)性誤差是制約預(yù)報(bào)產(chǎn)品應(yīng)用的瓶頸，國(guó)內(nèi)外針對(duì)地面要素均開(kāi)展了大量的誤差訂正技術(shù)研究（Fan and Huug，2011；North et al.，2011），劉還珠等（2004）開(kāi)發(fā)了MOS（Model Output Statistical）預(yù)報(bào)方法，該方法基于歷史預(yù)報(bào)與實(shí)況觀測(cè)通過(guò)數(shù)學(xué)建模獲得系統(tǒng)性誤差方程，以此訂正預(yù)報(bào)產(chǎn)品。佟華等（2014）采用自適應(yīng)卡曼濾波方法對(duì)大尺度模式預(yù)報(bào)誤差進(jìn)行偏差訂正，但未考慮模式地形影響，并且該方法過(guò)于依賴(lài)模式啟動(dòng)頻次，難以進(jìn)行逐時(shí)產(chǎn)品的訂正分析。同時(shí)，日變化特征一直是研究人員關(guān)注的重點(diǎn)（張海東等，2010；黃利萍等，2012，2013；Yuan et al.，2013；傅娜等，2014；林春澤等，2016），受到輻射等物理過(guò)程尚難以完整反映實(shí)際大氣狀況的限制，諸多模式在2 m溫度的日變化模擬上均存在一定的偏差，如能通過(guò)系統(tǒng)性誤差訂正方法提高2 m溫度的日變化預(yù)報(bào)能力，將很大程度地提高預(yù)報(bào)產(chǎn)品的應(yīng)用效果。

本文旨在構(gòu)建一種全新的2 m溫度誤差訂正方法，可在保證預(yù)報(bào)與觀測(cè)空間一致的基礎(chǔ)上獲取更為穩(wěn)定的日變化特征，即首先采用三維插值方法，實(shí)現(xiàn)模式預(yù)報(bào)與實(shí)況觀測(cè)在三維空間上保持一致性，同時(shí)利用歷史月平均預(yù)報(bào)誤差作為參考誤差，剔除模式系統(tǒng)性誤差，最終獲得具有較好日變化特征的2 m溫度預(yù)報(bào)產(chǎn)品。采用陜西地區(qū)復(fù)雜地形條件下具有代表性的27個(gè)站點(diǎn)，利用所開(kāi)發(fā)的誤差訂正方法對(duì)2016年8月28日一次短波槽東移帶來(lái)的弱降水過(guò)程進(jìn)行效果分析，并通過(guò)2016年夏季三個(gè)月的誤差訂正產(chǎn)品考察該方法的綜合改進(jìn)效果。

1資料與方法

11誤差訂正方法

通常條件下，所考慮的模式誤差如公式（1）所示，即預(yù)報(bào)與實(shí)況之間的偏差，考慮到2 m溫度自身的特點(diǎn)，可將模式誤差進(jìn)一步分解為由于地形誤差所引起的預(yù)報(bào)誤差SBIAST和模式自身誤差SBIASM共同組成（公式（2））。模式自身誤差存在于兩個(gè)方面，即具備規(guī)律性可進(jìn)行誤差訂正的系統(tǒng)性誤差SBIASS及難以人為訂正的固有誤差SBIASF。由此，最終可獲得誤差表達(dá)式（公式（3））。受輻射等物理參數(shù)化方案對(duì)實(shí)際大氣狀況描述不足的影響，很多模式在處理2 m溫度日變化特征時(shí)均存在日變化特征預(yù)報(bào)過(guò)弱的問(wèn)題，通過(guò)系統(tǒng)性誤差SBIASS的訂正扣除可有效提升模式日變化特征的預(yù)報(bào)能力。本文即探討結(jié)合地形誤差及系統(tǒng)性誤差訂正方法以達(dá)到削弱模式預(yù)報(bào)誤差從而提高預(yù)報(bào)產(chǎn)品應(yīng)用能力的目的。

常規(guī)的插值方法往往忽略預(yù)報(bào)與實(shí)況間垂直方向的地形差異，水平二維插值僅考慮預(yù)報(bào)與實(shí)況在水平方向上的一致性，這樣就使得預(yù)報(bào)和觀測(cè)往往在不同的三維空間上進(jìn)行比較，從而導(dǎo)致嚴(yán)重的評(píng)估誤導(dǎo)問(wèn)題，采用垂直遞減率進(jìn)行垂直訂正是解決這一問(wèn)題的重要手段，但通常采用的垂直遞減率常值訂正方法則無(wú)法滿足不同地形條件下的普適性原則。趙濱等（2016）開(kāi)發(fā)的三維插值方法可使預(yù)報(bào)和觀測(cè)在相同三維空間上進(jìn)行檢驗(yàn)，此方法可獲取動(dòng)態(tài)的垂直遞減律，規(guī)避了采用相同垂直遞減率引起的問(wèn)題，可更為準(zhǔn)確地獲取評(píng)估信息。

日變化特征是2 m溫度最重要的預(yù)報(bào)特征之一，由于輻射等物理過(guò)程尚不完備，諸多模式在日變化特征的模擬上均存在一定的缺陷，難以完整反映日變化的基本演變趨勢(shì)，通常表現(xiàn)為預(yù)報(bào)相對(duì)于實(shí)況日變化振蕩不明顯，這就使得在實(shí)際檢驗(yàn)評(píng)估中模式夏季預(yù)報(bào)低溫誤差偏小，而高溫偏差過(guò)大。這是由于模式預(yù)報(bào)維持在一個(gè)較低的量值上未能反映日變化特征，消除系統(tǒng)性誤差將有效提高2 m溫度的實(shí)際應(yīng)用效果。

利用三維插值訂正后的長(zhǎng)時(shí)間序列預(yù)報(bào)產(chǎn)品，獲取各個(gè)站點(diǎn)月平均預(yù)報(bào)誤差，誤差中包含了扣除地形誤差后的系統(tǒng)性誤差。采用月平均誤差作為系統(tǒng)性誤差（SBIASS）進(jìn)行扣除的原因是，如選擇年平均誤差則無(wú)法反映月尺度誤差特征的差異性，而如采用日預(yù)報(bào)誤差作為系統(tǒng)性誤差進(jìn)行扣除則受限于樣本數(shù)過(guò)少，無(wú)法具備統(tǒng)計(jì)意義，在月平均誤差計(jì)算中考慮到不同預(yù)報(bào)樣本的不確定性，可利用顯著性方法扣除總體樣本中的異常樣本。本文采用滿足95%的置信區(qū)間（confidence interval）方法剔除異常樣本，即所有樣本應(yīng)處于-tασn，+tασn區(qū)間范圍內(nèi)，其中方差σ2=1n-1∑ni=1[（Xi-）]2，樣本有95%可能性處于該區(qū)間之內(nèi)，超出區(qū)間范圍內(nèi)的樣本將被視為異常樣本進(jìn)行剔除。

GRAPES_MESOv40區(qū)域預(yù)報(bào)模式自2015年初正式運(yùn)行，可為參考誤差提供兩年預(yù)報(bào)樣本，為保持建模樣本及檢驗(yàn)樣本的獨(dú)立性，避免“回報(bào)”檢驗(yàn)，本文僅利用2015年逐月模式預(yù)報(bào)產(chǎn)品獲取系統(tǒng)性誤差（參考誤差），并通過(guò)系統(tǒng)性誤差訂正獲得訂正產(chǎn)品。

本文中首先采用三維插值方法扣除地形因素所引起的地形誤差（SBIAST），繼而采用月尺度參考誤差扣除系統(tǒng)性誤差（SBIASS），最終獲得訂正后的預(yù)報(bào)產(chǎn)品，該產(chǎn)品可保持與實(shí)況一致三維空間位置并具有更佳的日變化特征預(yù)報(bào)效果。

12統(tǒng)計(jì)評(píng)估方法

本文采用Murphy and Epstein（1989）所提出的均方誤差技巧評(píng)分（MSE Skill Score）方法對(duì)訂正的綜合性能進(jìn)行檢驗(yàn)，該技巧評(píng)分構(gòu)造如公式（4），

其中：EMSE為預(yù)報(bào)與觀測(cè)的均方誤差；f為預(yù)報(bào)；o為站點(diǎn)觀測(cè)；c為氣候態(tài)參考預(yù)報(bào)（reference forecast）；i為站點(diǎn)編號(hào)。當(dāng)預(yù)報(bào)均方誤差（EMSE（f，o））為0，技巧評(píng)分SS（f，c，o）=1，即預(yù)報(bào)技巧最高；當(dāng)預(yù)報(bào)均方誤差達(dá)到參考預(yù)報(bào)的水平，即EMSE（f，o）=EMSE（c，o），技巧評(píng)分SS（f，c，o）=0，則預(yù)報(bào)無(wú)技巧；當(dāng)實(shí)際預(yù)報(bào)均方誤差大于參考預(yù)報(bào)，則技巧評(píng)分SS（f，c，o）為負(fù)，也表明實(shí)際預(yù)報(bào)沒(méi)有技巧。

13資料

實(shí)況資料采用國(guó)家氣象信息中心提供的2 m溫度逐小時(shí)加密觀測(cè)產(chǎn)品，該產(chǎn)品在中國(guó)區(qū)域（70～145°E、15～65°N范圍內(nèi)的中國(guó)陸面區(qū)域）內(nèi)共約2 600站。模式預(yù)報(bào)選取中國(guó)氣象局?jǐn)?shù)值預(yù)報(bào)中心開(kāi)發(fā)運(yùn)行的GRAPES_MESOV40區(qū)域模式預(yù)報(bào)產(chǎn)品，模式分辨率10 km，預(yù)報(bào)范圍與站點(diǎn)觀測(cè)覆蓋區(qū)域吻合。

本文選取陜西地區(qū)復(fù)雜地形條件下的27個(gè)觀測(cè)站點(diǎn)（表1）進(jìn)行分析，該區(qū)域觀測(cè)站點(diǎn)高度從2908～1 0321 m，跨度較大，地形較為復(fù)雜，通過(guò)水平雙線性插值方法獲取觀測(cè)站點(diǎn)位置上的模式地形高度，模式地形高度從5068～1 5149 m，模式與實(shí)況地形間存在較為明顯的偏差，在模式訂正中具有一定的代表性。

2個(gè)例分析

選取2016年8月28日1200 UTC起報(bào)的48 h預(yù)報(bào)資料與所對(duì)應(yīng)的2 m溫度實(shí)況進(jìn)行對(duì)比分析，分別考察采用三維插值方法（3D）進(jìn)行地形訂正及在地形訂正基礎(chǔ)上進(jìn)行系統(tǒng)性誤差訂正（BC）相對(duì)于傳統(tǒng)二維插值方法（2D）在2 m溫度預(yù)報(bào)中的改進(jìn)效果。

首先考察該地區(qū)地形條件的基本特征，圖1給出了陜西地區(qū)27個(gè)站點(diǎn)模式于實(shí)況地形差異的分布，其中實(shí)況地形做了高度遞增排序，橫坐標(biāo)為站點(diǎn)序號(hào)?？梢园l(fā)現(xiàn)，500 m以下的站點(diǎn)（10個(gè)，占總數(shù)37%）實(shí)況和模式地形之間差異較為明顯，最大地形差異可達(dá)6698 m；500～600 m間的站點(diǎn)（6個(gè)，占總數(shù)22%）地形差異較小，最大地形差異3699 m；600 m以上站點(diǎn)（11個(gè)，占總數(shù)41%）最大地形差異可達(dá)5802 m，如采用常規(guī)垂直遞減率（06 K/100 m）估算，由地形高度差異引起的溫度評(píng)估誤差最大可超過(guò)4 K。

圖2給出了分別采用二維插值方法（2D）、三維插值方法 （3D）、系統(tǒng)性誤差訂正方法（BC）所獲得的27站平均的逐小時(shí)預(yù)報(bào)與實(shí)況分布特征。可以看到，實(shí)況溫度顯示出明顯的日變化特征，其分別在0600 UTC及0700 UTC（北京時(shí)間14時(shí)及15時(shí)）呈現(xiàn)最高溫度，而在2200 UTC及2300 UTC（北京時(shí)間06時(shí)及07時(shí)）溫度最低。高低溫度差異可達(dá)8 K以上。二維插值方法 （2D）的預(yù)報(bào)結(jié)果反映出一定的日變化特征，但該特征不甚明顯，前24 h高低溫度差僅為5 K左右，后24 h日變化特征預(yù)報(bào)效果更差，高低溫度差僅為2 K左右。從均方根誤差（RMSE）分布上可以看到，誤差呈現(xiàn)明顯的日變化特征，均在高溫時(shí)段顯示峰值，而低溫時(shí)段顯示谷值。這與研究人員通常提及的模式夏季高溫預(yù)報(bào)較差而低溫預(yù)報(bào)較好的結(jié)論一致，這一結(jié)論很大程度上是由模式預(yù)報(bào)日變化特征不明顯造成的。

采用地形訂正后（3D）誤差分布趨勢(shì)與2D結(jié)果基本一致，通過(guò)地形訂正后2 m溫度預(yù)報(bào)整體上調(diào)2 K左右，從均方根誤差分布可以看到，三維插值方法具有有效改進(jìn)預(yù)報(bào)誤差的能力，高度誤差訂正后可顯示出整體改進(jìn)效果，但由于并未改善2 m溫度誤差演變趨勢(shì)，因此尚不能解決模式日變化特征預(yù)報(bào)較弱的問(wèn)題。繼而采用系統(tǒng)性誤差訂正后（BC），2 m溫度前24 h高溫預(yù)報(bào)已與實(shí)況基本吻合，相對(duì)單純地形訂正方法，系統(tǒng)誤差訂正后的改進(jìn)效果更為顯著。同時(shí)，訂正后的低溫預(yù)報(bào)有效改善了地形訂正所引起的升溫過(guò)快的問(wèn)題，預(yù)報(bào)與實(shí)況更為接近并在后續(xù)預(yù)報(bào)中顯示出明顯的改進(jìn)趨勢(shì)。從誤差及均方根誤差分布上看，訂正后誤差不再呈現(xiàn)明顯的日變化特征，即預(yù)報(bào)具有明顯的日變化特征，更符合實(shí)際情況。均方根誤差維持在2 K左右，可提供穩(wěn)定的預(yù)報(bào)效果，提高產(chǎn)品的適用性這也正是本文研究的目的。

進(jìn)一步選取不同地形條件下的代表站點(diǎn)進(jìn)行分析，圖3給出了陜西地區(qū)27個(gè)站點(diǎn)分布區(qū)域，可見(jiàn)，站點(diǎn)57245及57242，高度均在290 m左右，實(shí)況地形高度較低，與模式地形差異較大（近500 m）；站點(diǎn)57126及57128，高度在480 m左右，模式與實(shí)況地形較為接近，高度差異保持在100 m以內(nèi)；站點(diǎn)57057及57124，實(shí)況地形高度在1 000 m左右，為27個(gè)站中實(shí)況地形最高的兩個(gè)站點(diǎn)，模式與實(shí)況地形間差異最大可達(dá)500 m。此三類(lèi)站點(diǎn)分布特征較為典型，選擇此6個(gè)代表性站點(diǎn)進(jìn)一步分析。

實(shí)況與模式地形較為接近的站點(diǎn)，其高低溫預(yù)報(bào)差異均較小，日變化特征不明顯且隨著預(yù)報(bào)時(shí)效的增加，預(yù)報(bào)效果衰減顯著。對(duì)于實(shí)況地形較高且地形差異較小站點(diǎn)（57057），前24 h預(yù)報(bào)效果尚可接受，但地形差異較大站點(diǎn)（57124）的預(yù)報(bào)效果隨時(shí)間變化微弱，其原因可能是模式地形與實(shí)況地形間固有差異、模式物理過(guò)程缺陷及系統(tǒng)性和隨機(jī)性誤差。

對(duì)于實(shí)況地形較低的站點(diǎn)，經(jīng)過(guò)三維插值方法地形訂正后在高低溫預(yù)報(bào)上均發(fā)生明顯的改進(jìn)，而對(duì)于地形較高（57057及57124）的站點(diǎn)，單純的地形訂正存在誤差繼續(xù)放大的趨勢(shì)。經(jīng)過(guò)系統(tǒng)性誤差訂正后的預(yù)報(bào)產(chǎn)品在任意地形條件下均體現(xiàn)出與實(shí)況更為接近的趨勢(shì)，即使在模式表現(xiàn)欠佳的42 h（0600 UTC）高溫預(yù)報(bào)時(shí)段，訂正后的預(yù)報(bào)依然體現(xiàn)出較為明顯的改進(jìn)效果，而該時(shí)段高溫預(yù)報(bào)效果不理想，很大程度上可歸因于模式自身的性能缺陷。

進(jìn)一步考察各預(yù)報(bào)時(shí)次27個(gè)站點(diǎn)的預(yù)報(bào)效果，圖5給出了預(yù)報(bào)與觀測(cè)逐6 h散點(diǎn)分布?？梢钥吹?，三維插值方法已有效地改進(jìn)了二維插值方法的溫度誤差，彌補(bǔ)了部分評(píng)估誤導(dǎo)的問(wèn)題，而系統(tǒng)性誤差訂正后改進(jìn)效果更為顯著，特別是前24 h各站點(diǎn)各時(shí)效的預(yù)報(bào)與實(shí)況更為接近，可用性更強(qiáng)。隨著預(yù)報(bào)時(shí)效的增加，預(yù)報(bào)與觀測(cè)間誤差有所起伏，但整體顯示改進(jìn)趨勢(shì)。由于預(yù)報(bào)與觀測(cè)間理應(yīng)存在誤差，隨著預(yù)報(bào)時(shí)效的增加，誤差增長(zhǎng)是正常的現(xiàn)象，部分預(yù)報(bào)時(shí)次誤差較大的現(xiàn)象反映了實(shí)際的預(yù)報(bào)效果。

利用均方誤差技巧評(píng)分（MSE skill score）考察2 m溫度的整體訂正效果在統(tǒng)計(jì)檢驗(yàn)中的表現(xiàn)，圖6給出了通過(guò)地形訂正及系統(tǒng)誤差訂正后的2 m溫度預(yù)報(bào)統(tǒng)計(jì)指標(biāo)?？梢钥吹?，二維插值方法（2D）整體保持較低的預(yù)報(bào)技巧，特別是在高溫時(shí)段的技巧更低，這與圖2c中獲得的結(jié)論一致。通過(guò)地形訂正及系統(tǒng)性誤差訂正（BC）后，有效改進(jìn)了由于地形誤差所引起的評(píng)估誤導(dǎo)并彌補(bǔ)了日變化預(yù)報(bào)不足的問(wèn)題?？梢钥吹剑w技巧顯著提高（保持在09以上），特別是高溫預(yù)報(bào)時(shí)段（42 h）不再呈現(xiàn)明顯下掉現(xiàn)象。

3夏季綜合評(píng)估

在個(gè)例分析基礎(chǔ)上，進(jìn)一步考察模式綜合改進(jìn)效果，選取2016年6—8月夏季預(yù)報(bào)產(chǎn)品進(jìn)行分析以獲取誤差訂正方法的綜合改進(jìn)能力。圖7給出了不同時(shí)效逐日誤差訂正效果，可以發(fā)現(xiàn)，系統(tǒng)誤差訂正后各時(shí)效均有較為明顯的改進(jìn)效果。

圖8給出了系統(tǒng)性誤差訂正后的夏季平均預(yù)報(bào)與二維插值方法獲取的2 m溫度預(yù)報(bào)的均方根誤差及技巧評(píng)分分布?？梢钥吹?，未采用誤差訂正方法所獲取的2 m溫度預(yù)報(bào)隨著時(shí)效增加呈現(xiàn)明顯的日變化趨勢(shì)，在高溫時(shí)段的預(yù)報(bào)誤差明顯偏大（可達(dá)595 K），低溫時(shí)段則處于相對(duì)的谷值（218 K），表明模式存在明顯的日變化預(yù)報(bào)過(guò)弱現(xiàn)象。系統(tǒng)性誤差訂正后有效消減了2 m溫度誤差的日變化趨勢(shì)，整體誤差穩(wěn)定地保持在2 K左右，沒(méi)有過(guò)于明顯的峰值和谷值，顯示出較好的誤差訂正效果。從技巧評(píng)分上看，未經(jīng)訂正的2 m溫度預(yù)報(bào)技巧較低，且存在周期性技巧下掉的情況，而系統(tǒng)誤差訂正后的結(jié)果顯示出整體改進(jìn)趨勢(shì)，綜合技巧均處于095左右，與個(gè)例分析結(jié)果基本一致。

4結(jié)論與討論

實(shí)況與模式地形間固有差異嚴(yán)重影響2 m溫度的評(píng)估精度，常規(guī)的插值方法（二維插值方法）僅考慮水平方向上預(yù)報(bào)與觀測(cè)的一致性，而忽略垂直方向上的一致性，從而易受實(shí)況與預(yù)報(bào)間巨大地形差異影響而產(chǎn)生評(píng)估誤導(dǎo)問(wèn)題。日變化是2 m溫度的重要特征，由于輻射等物理過(guò)程參數(shù)化方案的不完備，導(dǎo)致模式預(yù)報(bào)中難以完整地反映2 m溫度的真實(shí)演變規(guī)律。本文針對(duì)這一問(wèn)題開(kāi)展2 m溫度誤差訂正方法研究，首先采用三維插值方法去除地形誤差影響，使預(yù)報(bào)與觀測(cè)在相同的三維空間上進(jìn)行比較，然后采用歷史月平均參考誤差剔除系統(tǒng)性預(yù)報(bào)誤差，最終獲取訂正后的2 m溫度預(yù)報(bào)產(chǎn)品。

利用2016年8月28日1200 UTC起報(bào)的48 h預(yù)報(bào)個(gè)例，逐步考察通過(guò)地形訂正及系統(tǒng)性誤差訂正后的改進(jìn)效果。結(jié)果表明：三維插值方法有效改善了由地形差異所引起的評(píng)估誤導(dǎo)問(wèn)題，但并未提高日變化特征預(yù)報(bào)能力，進(jìn)一步通過(guò)系統(tǒng)性誤差訂正后，日變化特征明顯改善，特別是前24 h各站預(yù)報(bào)效果均體現(xiàn)出與實(shí)況良好的一致性，統(tǒng)計(jì)指標(biāo)上也體現(xiàn)出明顯的優(yōu)勢(shì)。進(jìn)一步通過(guò)2016年夏季綜合評(píng)估發(fā)現(xiàn)，訂正后明顯改善了2 m溫度日變化特征預(yù)報(bào)，均方跟誤差保持在2 K左右，并具有更佳的預(yù)報(bào)技巧。

本文重點(diǎn)介紹所開(kāi)發(fā)的誤差訂正方法的有效性，其改進(jìn)趨勢(shì)是最為關(guān)注的內(nèi)容，系統(tǒng)性誤差的獲取需多年月均資料作為參考誤差，但本文所選用的GRAPES_MESOv40區(qū)域預(yù)報(bào)模式運(yùn)行時(shí)間較短（2 a），可獲得的月均樣本偏少，一定程度上制約了誤差訂正效果。待GRAPES_MESO模式運(yùn)行時(shí)間延長(zhǎng)，可繼續(xù)補(bǔ)充參考樣本，使誤差訂正方法在該模式中的應(yīng)用更加完善。同時(shí)，對(duì)于已運(yùn)行時(shí)間較長(zhǎng)的模式（如ECMWF、T639模式等），可獲取更為理想的參考誤差建模樣本，該方法將體現(xiàn)更好的有效性及適用性。

參考文獻(xiàn)（References）

Degratano A T，Belcher B N，2007.Spatial interpolation of daily maximum and minimum air temperature based on meteorological model analyses and independent observations[J].J Appl Meteor，46：19811992.

Engel C，Ebert E，2012.Gridded operational consensus forecasts of 2m temperature over Australia[J].Wea Forecasting，27：301322.

Fan Y，Huug V D，2011.Bias correction and forecast skill of NCEP GFS ensemble week1 and week2 precipitation，2m surface air temperature，and soil moisture forecasts[J].Wea Forecasting，26：354370.

傅娜，陳葆德，譚燕，等，2014.上海自動(dòng)站氣溫資料的空間質(zhì)量控制與特征分析[J].大氣科學(xué)學(xué)報(bào)，37（2）：199207.Fu N，Chen B D，Tan Y，et al.，2014.Spatial quality control and characteristic analysis of AWS temperature data in Shanghai[J].Trans Atmos Sci，37（2）：199207.（in Chinese）.

黃利萍，苗峻峰，劉月琨，2012.天津城市熱島效應(yīng)的時(shí)空變化特征[J].大氣科學(xué)學(xué)報(bào)，35（5）：620632.Huang L P，Miao J F，Liu Y K，2012.Spatial and temporal variation characteristics of urban heat island in Tianjin[J].Trans Atmos Sci，35（5）：620632.（in Chinese）.

黃利萍，苗峻峰，劉月琨，等，2013.天津地區(qū)夏季海陸風(fēng)對(duì)城市熱島日變化特征影響的觀測(cè)分析[J].大氣科學(xué)學(xué)報(bào)，36（4）：417425.Huang L P，Miao J F，Liu Y K，et al.，2013.Observational analysis of influence of sealand breeze on diurnal characteristics of urban heat island in Tianjin during summer[J].Trans Atmos Sci，36（4）：417425.（in Chinese）.

Kann A，Wittmann C，Wang Y，et al.，2009.Calibrating 2m temperature of limitedarea ensemble forecasts using highresolution analysis[J].Mon Wea Rev，137：33733387.

李新，程國(guó)棟，盧玲，2000.空間內(nèi)插方法比較[J].地球科學(xué)進(jìn)展，15（3）：260265.Li X，Cheng G，Lu L，2000.Comparison of spatial interpolation methods[J].Advance in Earth Sciences，15（3）：260265.（in Chinese）.

林春澤，劉琳，林文才，等，2016.湖北省夏季降水日變化特征[J].大氣科學(xué)學(xué)報(bào)，39（4）：490500.Lin C Z，Liu L，Lin W C，et al.，2016.Characteristics of summer precipitation diurnal variations in Hubei Province[J].Trans Atmos Sci，39（4）：490500.（in Chinese）.

劉還珠，趙聲蓉，陸志善，等，2004.國(guó)家氣象中心氣象要素的客觀預(yù)報(bào)MOS系統(tǒng)[J].應(yīng)用氣象學(xué)報(bào)，15（2）：181.Liu H J，Zhao S R，Lu Z S，et al.，2004.Objective element forecasts at NMCA MOS system[J].J APPL Meteor Sci，15（2）：181.（in Chinese）.

劉宇，陳泮勤，張穩(wěn)，等，2006.一種地面氣溫的空間插值方法及其誤差分析[J].大氣科學(xué)，30（1）：146152.Liu Y，Chen P Q，Zhang W，et al.，2006.A spatial interpolation method for surface air temperature and its error analysis[J].Chin J Atmos Sci，30（1）：146152.（in Chinese）.

Lussana C，Uboldi F，Salvati M R，2010.A spatial consistency test for surface observations from mesoscale meteorological networks[J].Quart J Roy Meteor Soc，136：10751088.

Murphy A H，Epstein E S，1989.Skill scores and correlation coefficients in model verification[J].Mon Wea Rev，117：572581.

North G R，Wang J，Genton M G，2011.Correlation models for temperature fields[J].J Climate，24：58505862.

潘旸，沈艷，宇婧婧，等，2015.基于貝葉斯融合方法的高分辨率地面-衛(wèi)星-雷達(dá)三源降水融合試驗(yàn)[J].氣象學(xué)報(bào)，73（1）：177186.Pan Y，Shen Y，Yu J J，et al.，2015.An experiment of highresolution gaugeradarsatellite combined precipitation retrieval based on the Bayesian merging method[J].Acta Meteor Sinica，73（1）：177186.（in Chinese）.

Pitman A J，Perkins S E，2009.Global and regional comparison of daily 2m and 1000hPa maximum and minimum temperatures in three global reanalyses[J].J Climate，22：44674681.

Shen Y，Xiong A Y，Wang Y，et al.，2010.Performance of highresolution satellite precipitation products over China[J].J Geophys Res，115（2）：355365.

Shen Y，Zhao P，Pan Y，et al.，2014.A high spatiotemporal gauge satellite merged precipitation analysis over China[J].J Geophys Res，119（6）：30633075.

佟華，郭品文，朱躍建，等，2014.基于大尺度模式產(chǎn)品的誤差訂正與統(tǒng)計(jì)降尺度氣象要素預(yù)報(bào)技術(shù)[J].氣象，40（1）：6675.Tong H，Guo P W，Zhu Y J，et al.，2014.Bias correction and statistical downscaling meteorological parameters forecast technique based on largescale numerical model products[J].Meteor Mon，40（1）：6675.（in Chinese）.

王思維，劉勇，朱超洪，等，2011.青海省逐日地面氣溫?cái)?shù)據(jù)不同插值方法的對(duì)比[J].高原氣象，30（6）：16401646.Wang S W，Liu Y，Zhu C H，et al.，2011.Contrast on different spatial interpolation methods of daily surface temperature data in terrain complex area，Qinghai Province[J].Plateau Meteor，30（6）：16401646.（in Chinese）.

王智，師慶東，常順利，等，2012.新疆地區(qū)平均氣溫空間插值方法研究[J].高原氣象，31（1）：201208.Wang Z，Shi Q D，Chang S L，et al.，2012.Study on spatial interpolation method of mean air temperature in Xinjiang[J].Plateau Meteor，31（1）：201208.（in Chinese）.

Yuan W，Rucong Y U，Jian L I，2013.Changes in the diurnal cycles of precipitation over Eastern China in the past 40 years[J].Adv Atmos Sci，30（2）：461467.

張海東，張昕璇，孫照渤，等，2010.中國(guó)近50 a來(lái)度日變化的研究[J].大氣科學(xué)學(xué)報(bào)，33（5）：593599.Zhang H D，Zhang X X，Sun Z B，et al.，2010.A study on degree days change in China in the past fifty years[J].Trans Atmos Sci，33（5）：593599.（in Chinese）.

趙濱，李子良，張博，2016.三維插值方法在2 m溫度評(píng)估中的應(yīng)用[J].南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），8（4）：343355.Zhao B，Li Z L，Zhang B，2016.Application of a 3D interpolation scheme for 2 meter temperature verification[J].Journal of Nanjing University of Information Science & Technology（Natural Science Edition），8（4）：343355.（in Chinese）.

Application of a bias correction scheme for 2meter temperature levels over complex terrain

ZHAO Bin1，2，ZHANG Bo1

1National Meteorological Center，Beijing 100081，China；

2Numerical Weather Prediction Center，China Meteorological Administration，Beijing 100081，China

The inherent differences between observational topography and model terrain have seriously affected the verification accuracies of 2 m temperature levels.The traditional twodimensional interpolation schemes are only able to ensure the forecasting elements and observational consistency in latitude and longitude locations of twodimensional spaces，while ignoring the vertical direction consistency.This has the effect of the forecasting and observational verification results not originating from the same spatial positions，thereby causing misleading evaluations.The diurnal cycles are important features of the 2 m temperatures.However，due to the limitations of the physical processes（such as radiation），large bias have consistently appeared in the diurnal cycle forecasts.In this research study，threedimensional forecast variables were combined with the nearsurface elements of the forecasting products，and an advanced threedimensional interpolation scheme was developed in order to ensure a consistency with the observations in the threedimensional spatial forecasting processes.Then，based on topography correction methods，the monthly forecasting errors were used as reference bias products for the purpose of eliminating systematic errors and obtaining forecasting products with characteristic diurnal cycles.The abnormal datasets were rejected using a significance test in order to ensure the validity of the samples.In this study，using a classification analysis based on 27 typical observational gauges selected in the complex terrain of Shanxi Province，six major gauge stations were selected which were known to have different height biases between the model terrain and observational heights.The 48hour forecasting products in August of 2016 were used for this studys comparison process.It was found that the threedimensional interpolation scheme effectively solved the misleading evaluations caused by the height bias between the model terrain and observation topography，regardless of whether the large height bias gauge stations or small height bias gauge stations were examined.However，it was observed that the scheme had not effectively improved the diurnal cycle trends of 2 m temperature forecasting.Therefore，it was determined that the threedimensional interpolation scheme could only modify the overall bias magnitude，and could not improve the forecasting abilities of the diurnal cycles.However，it was observed that after systematic error corrections were adopted，the diurnal cycle forecasting features had been obviously improved.In particular，it was found that a better consistency with the observations had been attained，as well as higher skill scores，particularly in the first 24 hours.The results of the seasonal statistical evaluation of the summer of 2016 indicated that，after the bias corrections，the 2 m temperatures could be effectively improve the oscillation of the periodic errors.Furthermore，the RMSE had been maintained at approximately 2 K，which indicated the obvious advantages of the improvements.This study focused on the effectiveness of the bias correction method，and was most concerned with the improvement trends.The systematic errors required monthly forecasting data for many years as reference errors，and the number of forecasting samples was found to restrict the bias correction effects to some extent.Therefore，it was concluded in this study that by increasing the forecasting samples，more reference samples could be added to ensure the error correction methods were perfected.In this way，the proposed bias correction effects could potentially be more significant in the future.At the same time，some of the related operational models have been running for long periods of time（such as the NCEPGFS，ECMWF，T639，and so on）.A more ideal reference data base could be obtained using these long period forecasting products，which would potentially display superior effectiveness and applicability in 2 m temperature bias corrections in future studies.

2 m temperatures；threedimensional interpolation schemes；complex terrain；bias corrections；diurnal cycles

doi：1013878/j.cnki.dqkxxb.20170821001

（責(zé)任編輯：劉菲）