陳鋒 董美瑩 冀春曉

浙江省氣象科學(xué)研究所，杭州310008

1 引言

模式中濕物理過(guò)程對(duì)降水預(yù)報(bào)有著至關(guān)重要的作用。而在模式背景場(chǎng)中，云水物質(zhì)往往與實(shí)況差異較大，尤其是傳統(tǒng)的“冷啟動(dòng)”方式生成的初始場(chǎng)，一般僅包含溫度場(chǎng)、濕度場(chǎng)、氣壓場(chǎng)和水平風(fēng)場(chǎng)，而云水物質(zhì)等非絕熱參數(shù)則需要通過(guò)模式積分逐步調(diào)整生成（Donner,1988;王瑾和劉黎平,2009）。這種模式“起轉(zhuǎn)（spin-up）”問(wèn)題會(huì)導(dǎo)致初期模式降水明顯滯后于實(shí)況出現(xiàn)，造成較大偏差。

近年來(lái)，利用衛(wèi)星及多普勒雷達(dá)資料開(kāi)展復(fù)雜云分析應(yīng)用，為解決模式spin-up問(wèn)題提供了很好的途徑。復(fù)雜云分析是以模式預(yù)報(bào)或初始分析場(chǎng)為背景場(chǎng)，基于物理定理和經(jīng)驗(yàn)關(guān)系建立觀測(cè)資料與背景場(chǎng)中各要素之間的關(guān)系，更新構(gòu)建更符合實(shí)際的網(wǎng)格尺度初始云水物理場(chǎng)，以緩解數(shù)值模式云水物質(zhì)的spin-up問(wèn)題，從而改進(jìn)模式預(yù)報(bào)結(jié)果的一種方法（Albers et al.,1996;Zhang et al.,1998）。比如，Lin et al.（1993）利用LAPS（Local Analysis and Prediction System）系統(tǒng)開(kāi)展資料融合及云分析，改進(jìn)了初始場(chǎng)信息并明顯改善了短時(shí)（0～6 h）降水的預(yù)報(bào)結(jié)果。Zhang et al.（1998）和Zhang（1999）借鑒LAPS云分析系統(tǒng)，發(fā)展了ADASARPS[(Advanced Regional Prediction System) Data Assimilation System]系統(tǒng)（其中的云分析模塊又被稱為ARPS對(duì)流云方案），并通過(guò)分析吸收雷達(dá)反射率因子，改進(jìn)了模式初始場(chǎng)中的云過(guò)程、水凝物及其混合比。Xue et al.（2003）利用ADAS系統(tǒng)證明了雷達(dá)資料的引入能有效縮短模式的spin-up時(shí)間。Hu et al.（2006）改進(jìn)了ADAS云分析系統(tǒng)，并利用雷達(dá)反射率資料反演了初始場(chǎng)中的云水物質(zhì)，并調(diào)整了云內(nèi)溫度和濕度，有效改進(jìn)了模式對(duì)龍卷風(fēng)暴單體的模擬。Weygandt et al.（2006）提出了直接基于云內(nèi)格點(diǎn)物理量進(jìn)行云水、云冰含量估計(jì)的云分析方案，并在RUC（Rapid Update Cycle）系統(tǒng)（Benjamin et al.,2004,2007;Alexander et al.,2010）中得到應(yīng)用（被稱為RUC層云方案）。近年來(lái)應(yīng)用廣泛的GSI（Gridpoint Statistical Interpolation,Hu et al.,2015）系統(tǒng)則包含了ARPS對(duì)流云方案和RUC層云方案，但因缺乏對(duì)流判據(jù)，無(wú)法同時(shí)使用。

在國(guó)內(nèi)，也有較多學(xué)者利用LAPS、ADAS、RUC等云分析方案開(kāi)展研究（盛春巖等,2006;屈右銘等,2010;胡金磊和郭學(xué)良,2013;程興宏等,2014;王洪等,2015;薛諶彬等,2017）。業(yè)務(wù)上，以北京和上海氣象局為代表的業(yè)務(wù)單位研制了各類快速更新循環(huán)同化數(shù)值預(yù)報(bào)系統(tǒng)（陳敏等,2011;雷蕾等,2012;陳葆德等,2013;邱金晶等,2015），這類系統(tǒng)針對(duì)強(qiáng)對(duì)流短時(shí)臨近預(yù)報(bào)而設(shè)計(jì)，但在模式spin-up過(guò)程中或多或少都存在一定問(wèn)題。朱立娟（2012）利用GRAPES（Global/Regional Assimilation and Prediction System）短時(shí)臨近預(yù)報(bào)模式系統(tǒng)開(kāi)展檢驗(yàn)時(shí)發(fā)現(xiàn)，該系統(tǒng)中的ADAS云分析模塊計(jì)算的水凝物含量比衛(wèi)星觀測(cè)值偏高。李佳等（2017）也在上海的業(yè)務(wù)系統(tǒng)應(yīng)用過(guò)程中發(fā)現(xiàn)了類似的問(wèn)題，并分析這種初始水凝物偏高與模式物理方案的不協(xié)調(diào)，是引起積分初始階段模式調(diào)整劇烈和降水量偏大的根本原因。造成水凝物分析結(jié)果偏高的主要原因與ARPS對(duì)流云方案的設(shè)計(jì)有關(guān)，該方案是針對(duì)于深對(duì)流系統(tǒng)設(shè)計(jì)的，在非對(duì)流格點(diǎn)上使用該方案分析會(huì)導(dǎo)致分析所得的水凝物含量偏高。因此，李佳等（2017）根據(jù)地表感熱和潛熱通量確定對(duì)流尺度速度作為對(duì)流判據(jù)，在ADAS中增加了層云方案，對(duì)不同類型的格點(diǎn)分別采用對(duì)流云方案和層云方案計(jì)算云水、云冰，顯著減輕了模式初始階段的云水、云冰過(guò)量問(wèn)題，提高了降水的預(yù)報(bào)能力。然而，該方法提出的對(duì)流判據(jù)的準(zhǔn)確性依賴于模式對(duì)感熱和潛熱通量模擬的準(zhǔn)確性。

目前，較為常用的對(duì)流云—層狀云劃分一般考慮地面降水強(qiáng)度（Churchill and Houze, 1984;Caniaux et al.,1994）、上升速度（Tao and Simpson,1989;Tao et al.,1993,2000;Xu,1995;Houze, 1997）、相對(duì)濕度（Tao et al.,1993;Chin,1994;Alexander and Cotton,1998）、雷達(dá)反射率（Steiner et al.,1995）等因素，其中地面降水強(qiáng)度和雷達(dá)反射率相對(duì)易于觀測(cè)和獲取。Lang et al.（2003）對(duì)比了六種不同劃分方案后指出，不同方案間的定性劃分結(jié)果是一致的。因此本文擬采用地面降水強(qiáng)度和雷達(dá)反射率作為判別因子，構(gòu)建一種基于觀測(cè)數(shù)據(jù)的對(duì)流云—層狀云劃分方法，并將其應(yīng)用于GSI云分析系統(tǒng)中。針對(duì)2019年梅雨期間的一次混合云降水過(guò)程，分別采用純層云方案（ST 方案），純對(duì)流云方案（CU 方案），基于地表感熱、潛熱通量確定對(duì)流尺度速度作為對(duì)流判據(jù)的混合方案（CSW 方案），以及本文新提出的基于地面降水強(qiáng)度和雷達(dá)反射率劃分對(duì)流云/層狀云作為判據(jù)的混合方案（CUST方案），進(jìn)行循環(huán)同化對(duì)比試驗(yàn)。通過(guò)對(duì)流格點(diǎn)分布、云水云冰物質(zhì)變化和降水的分析，探討新方案對(duì)云分析結(jié)果和降水預(yù)報(bào)的影響。本文的內(nèi)容安排如下：第2節(jié)介紹了云分析方法的改進(jìn)及個(gè)例，第3節(jié)概述了觀測(cè)數(shù)據(jù)和數(shù)值試驗(yàn)設(shè)計(jì)方案。改進(jìn)后的云分析方法的驗(yàn)證及其對(duì)模擬結(jié)果的影響在第4節(jié)進(jìn)行了分析。第5節(jié)是結(jié)論與討論。

2 云分析方法改進(jìn)和個(gè)例選取

2.1 GSI 云分析系統(tǒng)

云分析是使用觀測(cè)資料和模式的初始分析場(chǎng)，通過(guò)物理定律和經(jīng)驗(yàn)關(guān)系，構(gòu)造出網(wǎng)格尺度的初始云水物理場(chǎng)，以緩解數(shù)值模式云水物質(zhì)的spin-up問(wèn)題，使模式積分的早期結(jié)果更接近于實(shí)況（Albers et al.,1996;Zhang et al.,1998）。其基本思路是：首先利用觀測(cè)計(jì)算云覆蓋區(qū)域，在區(qū)域內(nèi)計(jì)算云凝結(jié)物（云冰和云水）含量；再利用反射率因子計(jì)算水物質(zhì)（雨、雪和雹）含量；進(jìn)而調(diào)節(jié)溫度和水汽場(chǎng)。目前，GSI中同時(shí)包含了兩個(gè)較為成熟的方案：ARPS對(duì)流云方案和RUC層云方案。對(duì)于云凝結(jié)物（云冰和云水）含量的計(jì)算，ARPS對(duì)流云方案的計(jì)算在云內(nèi)，即將云從云底到云頂細(xì)分為多層，逐層通過(guò)計(jì)算溫度、氣壓和飽和水汽壓求得飽和水汽混合比，然后計(jì)算相鄰兩層飽和水汽混合比之差作為基本的云水和云冰的增量或減量，最后依據(jù)環(huán)境溫度分離云冰和云水含量；而RUC層云方案的計(jì)算在模式層上，先分別計(jì)算格點(diǎn)液面和冰面的飽和水汽混合比，再根據(jù)溫度確定權(quán)重求取格點(diǎn)上云滴粒子混合比的加權(quán)平均，最后按溫度權(quán)重系數(shù)分離出云水和云冰。對(duì)于水物質(zhì)（雨、雪和雹）含量的計(jì)算，ARPS對(duì)流云方案和RUC層云方案均是在先確定降水類型后，再根據(jù)不同的微物理方案[如KRY 方案（Kessler,1969）或Lin 方案（Ferrier,1994）或Thompson 方案（Thompson et al., 2004）]計(jì)算云內(nèi)雨、雪和雹粒子的含量。對(duì)于云內(nèi)的溫度調(diào)節(jié)，ARPS對(duì)流云方案采用濕絕熱過(guò)程，將云從云底到云頂細(xì)分為多層，利用Smith-Feddes方案（Albers et al.,1996）計(jì)算得到的每層云內(nèi)溫度計(jì)算位溫，進(jìn)而計(jì)算與模式背景位溫差并根據(jù)垂直速度進(jìn)行適當(dāng)調(diào)整；而RUC層云方案采用干絕熱過(guò)程，在模式層上直接計(jì)算位溫并進(jìn)行調(diào)整。對(duì)于水汽調(diào)節(jié)，ARPS對(duì)流云方案同時(shí)根據(jù)格點(diǎn)雷達(dá)反射率觀測(cè)和云量調(diào)整；而RUC層云方案則根據(jù)云量進(jìn)行調(diào)整?？偟膩?lái)說(shuō)，ARPS對(duì)流云方案與RUC層云方案的最大區(qū)別在于：RUC 層云方案的計(jì)算不考慮云的垂直結(jié)構(gòu)即垂直方向的聯(lián)系，而直接以模式層格點(diǎn)的物理量來(lái)估計(jì)云凝結(jié)物含量和調(diào)整云內(nèi)溫度；ARPS對(duì)流云方案的設(shè)計(jì)主要用于深對(duì)流系統(tǒng)，而RUC方案更適用于層狀云降水系統(tǒng)。

2.2 基于對(duì)流云/層狀云劃分的云分析方案改進(jìn)

GSI 云分析系統(tǒng)在結(jié)合背景場(chǎng)和觀測(cè)資料完成三維云場(chǎng)的構(gòu)造后（即確定云底、云高與網(wǎng)格云量），首先進(jìn)行云滴粒子質(zhì)量濃度的估計(jì)。由于缺乏對(duì)流判據(jù)，原始系統(tǒng)在計(jì)算云水、云冰含量時(shí)，只能選擇ARPS對(duì)流云方案或RUC層云方案中的一種，這顯然與實(shí)際情況有較大差異。李佳等（2017）根據(jù)地表感熱和潛熱通量確定對(duì)流尺度速度（convective-scale velocity）作為對(duì)流判據(jù)，來(lái)劃分對(duì)流云和層狀云（簡(jiǎn)稱為CSW 方案），但由于感熱和潛熱均來(lái)自于模式模擬，劃分結(jié)果存在模式依賴性，與實(shí)況存在一定差距。因此，本文對(duì)云分析方案的改進(jìn)，主要在于引入一個(gè)基于可靠實(shí)況的對(duì)流云/層狀云判別因子，認(rèn)為在同一云分析格點(diǎn)中同時(shí)存在一定概率的對(duì)流云/層狀云，通過(guò)判別因子可計(jì)算出每個(gè)網(wǎng)格點(diǎn)中屬于對(duì)流云/層狀云的概率（以下簡(jiǎn)稱占比概率），對(duì)不同性質(zhì)的對(duì)流云或?qū)訝钤品謩e采用ARPS對(duì)流云方案或RUC層云方案來(lái)分析，最終按占比概率加權(quán)得到云水、云冰的混合比。區(qū)別于CSW 方案中以絕對(duì)閾值劃分對(duì)流云和層狀云，新方案由于采用概率來(lái)描述每個(gè)格點(diǎn)中對(duì)流云和層狀云的占比，因此所求得的云水、云冰的混合比在空間上的變化相對(duì)CSW 方案較為平緩一些。新方案中，對(duì)流云/層狀云的占比概率計(jì)算較為關(guān)鍵，這里選擇易于觀測(cè)和獲取的地面降水強(qiáng)度和雷達(dá)反射率作為判別因子，采用模糊邏輯法來(lái)實(shí)現(xiàn)對(duì)對(duì)流云和層狀云的識(shí)別（簡(jiǎn)稱為CUST方案）。具體步驟如下：（1）候選識(shí)別參數(shù)的獲取。為便于業(yè)務(wù)運(yùn)行，這里選取國(guó)家氣象信息中心研制的中國(guó)多源降水融合系統(tǒng)2.1版本（CMPAS,CMA multisource precipitation analysis system,AS-Hourly V2.1）中的三源融合降水（潘旸等,2015,2018）和中國(guó)氣象局氣象探測(cè)中心研制的雷達(dá)反射率拼圖數(shù)據(jù)作為判別因子。CMPAS降水?dāng)?shù)據(jù)融合了CMORPH（CPC MORPHing technique）衛(wèi)星降水估測(cè)資料、雷達(dá)QPE降水資料和地面站點(diǎn)降水資料，實(shí)時(shí)提供1 h、5 km 分辨率的降水產(chǎn)品。雷達(dá)反射率拼圖數(shù)據(jù)是在對(duì)單部雷達(dá)基數(shù)據(jù)做了定標(biāo)、質(zhì)量控制后，將全國(guó)天氣雷達(dá)組網(wǎng)拼圖的資料進(jìn)行網(wǎng)格化、重疊區(qū)域處理，最終生成全國(guó)10 min、1 km 分辨率的反射率拼圖產(chǎn)品。（2）候選識(shí)別參數(shù)統(tǒng)計(jì)特征的獲取。由于不同的降水過(guò)程和不同的降水發(fā)展階段，對(duì)流云和層狀云對(duì)應(yīng)的候選參數(shù)值（CMPAS降水值和雷達(dá)反射率值）的大小會(huì)有變化。理想的統(tǒng)計(jì)特征應(yīng)該來(lái)自大量樣本，這里選取2019年5～7月的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)：首先選取統(tǒng)計(jì)時(shí)間段內(nèi)的小時(shí)強(qiáng)對(duì)流樣本（觀測(cè)站點(diǎn)小時(shí)雨強(qiáng)大于20 mm h-1），共有11493個(gè)站次；其次從CMPAS和雷達(dá)反射率格點(diǎn)數(shù)據(jù)中提取出對(duì)應(yīng)的降水值和反射率值；分別制作這些CMPAS降水和雷達(dá)反射率樣本的分布概率密度函數(shù)和累計(jì)概率密度函數(shù)（如圖1所示）；最后選取90%和50%的累積概率對(duì)應(yīng)的候選參數(shù)值作為對(duì)流發(fā)生的上下閾值。從圖1分析可以看到，CMPAS降水的上下閾值分別為8 mm h-1和16 mm h-1，雷達(dá)反射率的上下閾值為26 dB Z 和38 dB Z。Churchill and Houze（1984）指出，劃分對(duì)流云和層狀云的降水閾值可隨不同情況從10 mm h-1到25 mm h-1不等；Steiner et al.（1995）也認(rèn)為雷達(dá)反射率超過(guò)40 dB Z 的點(diǎn)都應(yīng)該是對(duì)流性降水。與已有研究相比，本研究得到的候選參數(shù)閾值應(yīng)該是恰當(dāng)?shù)?。?）識(shí)別方法。由于候選參數(shù)存在相互交叉部分，選取一組固定參數(shù)閾值不能適用于各種情況下的層狀云和對(duì)流云識(shí)別，因此，這里選用模糊邏輯法（Fuzzy Logic Method；曹俊武等,2005;肖艷姣和劉黎平,2007）來(lái)實(shí)現(xiàn)。模糊邏輯法不追求云類型的具體的識(shí)別參數(shù)量值，而是將識(shí)別參數(shù)分為各種等級(jí)，根據(jù)寬松的分級(jí)原則，求得較為合適的結(jié)果，具有較強(qiáng)的擴(kuò)充性和兼容性。這里采用基本形式為函數(shù)T 的隸屬函數(shù)系對(duì)這兩個(gè)識(shí)別參數(shù)進(jìn)行模糊化。利用由2.2節(jié)中獲取的候選參數(shù)上下閾值，可最終獲得對(duì)流云的模糊基函數(shù)（圖2），根據(jù)這兩個(gè)模糊基函數(shù)可知：某個(gè)格點(diǎn)中，CMPAS降水小于8 mm h-1（雷達(dá)反射率小于26 dB Z）時(shí)，該處屬于對(duì)流云的概率為0（即全部為層狀云）；CMPAS降水大于16 mm h-1（雷達(dá)反射率大于38 dB Z）時(shí)，該處屬于對(duì)流云的概率為100%（即全部為對(duì)流云）；處于兩者之間時(shí)，該處屬于對(duì)流云概率的線性變化。具體的表達(dá)式如下：

2.3 個(gè)例選取

圖1 2019年5～7月基于對(duì)流云/層狀云劃分得到的（a）CMPAS降水量、（c）雷達(dá)反射率的概率密度，（b）CMPAS降水量、（d）雷達(dá)反射率的累積概率密度Fig.1 Probability density function(PDF)of(a)CMPAS(China Meteorological Administration multisource precipitation analysis system)precipitation and(c) radar reflectivity,and accumulated PDF of (b)CMPAS precipitation and(d)radar reflectivity obtained from the separation of the convective and cloud stratiform cloud from May to July 2019

選取2019年6月19日的一次梅雨過(guò)程作為試驗(yàn)個(gè)例。6月17～21日受低空切變線影響，浙江省出現(xiàn)連續(xù)強(qiáng)降雨天氣，強(qiáng)降雨較為穩(wěn)定，主要集中在浙中北地區(qū)，部分有暴雨局部大暴雨。浙江省快速更新同化業(yè)務(wù)系統(tǒng)（邱金晶等,2015）提前6 h 預(yù)報(bào)出了此次降水過(guò)程，對(duì)東西向雨帶的分布有較好的預(yù)報(bào)能力，6 h 的累計(jì)降水在30～60 mm，略小于實(shí)況，但臨近預(yù)報(bào)的降水量偏大，特別在起報(bào)后0～1 h 浙西北及紹興寧波地區(qū)，有空?qǐng)?bào)強(qiáng)降水落區(qū)（圖略），這與朱立娟（2012）和李佳等（2017）指出的問(wèn)題是一致的。

3 數(shù)值試驗(yàn)方案設(shè)計(jì)

3.1 試驗(yàn)配置

試驗(yàn)以浙江省快速更新同化業(yè)務(wù)系統(tǒng)（Zhejiang WRF-ADAS Rapid Refresh System,ZJWARRS；邱金晶等,2015）的系統(tǒng)框架為基礎(chǔ)，選用WRF-ARW V3.7.1（http://www2.mmm.ucar.edu/wrf/users[2020-05-07]；Skamarock et al.,2008）作為預(yù)報(bào)模式，GSI-3DVAR V3.4（Hu et al.,2015）作為資料同化系統(tǒng)，研究區(qū)域以（32°N，117°E）為中心，兩層嵌套網(wǎng)格，分辨率分別為9 km 和3 km，網(wǎng)格數(shù)分別為265×265 和205×187，網(wǎng)格參數(shù)與業(yè)務(wù)版本相同（圖3）。微物理方案采用Thompson方案（Thompson et al.,2008），輻射傳輸方案采用RRTMG 方案（Iacono et al.,2008），表層方案采用修正的Monin-Obukhov 方案（Jiménez et al.,2012），邊界層方案采用YSU 方案（Hong et al.,2006），陸面方案采用Noah 方案（Chen and Dudhia,2001），不采用積云參數(shù)化方案。試驗(yàn)從2019年6月19日08時(shí)（北京時(shí)，下同）冷啟動(dòng)，初始背景場(chǎng)資料由GFS（Global Forecast System）模式每3 h 間隔的0.5°×0.5°實(shí)時(shí)預(yù)報(bào)資料（www.nco.ncep.noaa.gov/pmb/products/gfs[2020-05-07]）通過(guò)WPS（WRF Preprocess System）初始化模塊插值獲取，其他時(shí)刻同化的背景場(chǎng)則由本系統(tǒng)上一時(shí)次的1 h 預(yù)報(bào)場(chǎng)提供，側(cè)邊界全部由GFS資料提供，具體流程如圖4所示。

圖2 基于函數(shù)T 的識(shí)別參數(shù)（a）CMPAS降水量、（b）雷達(dá)反射率的模糊基函數(shù)Fig.2 Fuzzy setting based on function T for the separation parameters:(a)CMPASprecipitation;(b)radar reflectivity

3.2 觀測(cè)資料

本研究用于同化的觀測(cè)資料包括常規(guī)資料、多普勒雷達(dá)資料和風(fēng)云衛(wèi)星二級(jí)產(chǎn)品數(shù)據(jù)。常規(guī)資料主要來(lái)自于NCEP提供的Global Data Assimilation System（GDAS,www.emc.ncep.noaa.gov/gmb/gdas[2020-05-07]）觀測(cè)數(shù)據(jù)，包括地面天氣站點(diǎn)報(bào)（SYNOP）、機(jī)場(chǎng)地面報(bào)（METAR）、船舶和浮標(biāo)觀測(cè)（SHIP+BUOY）、全球GTS探空觀測(cè)數(shù)據(jù)（Rawinsonde）、飛機(jī)報(bào)文觀測(cè)（AMDAR）、衛(wèi)星云導(dǎo)風(fēng)（SATWND）等常規(guī)觀測(cè)資料。雷達(dá)基數(shù)據(jù)資料主要來(lái)自于浙江省氣象信息網(wǎng)絡(luò)中心提供的浙江省內(nèi)的8部多普勒SA/SB波段雷達(dá)的觀測(cè)數(shù)據(jù)，包括衢州、麗水、金華、杭州、湖州、寧波、臺(tái)州、舟山，其觀測(cè)要素為雷達(dá)反射率因子和徑向速度。風(fēng)云衛(wèi)星數(shù)據(jù)來(lái)自于國(guó)家衛(wèi)星氣象中心風(fēng)云衛(wèi)星遙感數(shù)據(jù)服務(wù)網(wǎng)，包括風(fēng)云4A 衛(wèi)星的云檢測(cè)、云頂高度、云頂氣壓和云頂溫度資料。另外，浙江省及其周邊區(qū)域約4000多個(gè)地面自動(dòng)站的小時(shí)降水將用于驗(yàn)證模擬效果，其站點(diǎn)平均空間分辨率為6～7 km。已有研究表明，在較高空間密度情況下，不同插值方法對(duì)結(jié)果影響有限（Ikeda et al.,2010;許孌等,2017）。因此，在定量評(píng)估降水時(shí)，本研究采用簡(jiǎn)單易行的反距離權(quán)重方法將站點(diǎn)數(shù)據(jù)插值到模式格點(diǎn)上。

圖3 浙江快速更新同化系統(tǒng)的模擬區(qū)域，彩色陰影表示地形高度（單位：m）Fig.3 Simulation area of Zhejiang WRF-ADAS(Weather and Forecast Research, ARPS(Advanced Regional Prediction System)Data Assimilation System) rapid refresh system,shadingsrepresent terrain height (units:m)

圖4 循環(huán)同化流程示意圖Fig.4 Flowchart of thecycling assimilation system

3.3 試驗(yàn)設(shè)計(jì)

為探討新改進(jìn)的混合云分析方案對(duì)本次過(guò)程預(yù)報(bào)的影響，本研究設(shè)計(jì)了4個(gè)數(shù)值試驗(yàn)，分2組分析（表1）。（1）層云方案試驗(yàn)（ST）：WPS從GFS資料插值處理得到2019年6月19日08時(shí)的插值場(chǎng)作為初始背景場(chǎng)，并在08時(shí)由GSI-3DVAR（threedimensional variational data assimilation）同化GDAS常規(guī)資料和雷達(dá)徑向速度，采用RUC層云方案進(jìn)行云分析，然后以得到的分析場(chǎng)作為初始場(chǎng)，向前積分預(yù)報(bào)6 h 至14時(shí)。此后的循環(huán)，均以前1 h的預(yù)報(bào)場(chǎng)作為背景場(chǎng)，由GSI-3DVAR 同化雷達(dá)徑向速度并采用RUC層云方案進(jìn)行云分析，然后以得到的分析場(chǎng)作為初始場(chǎng)，向前積分預(yù)報(bào)6 h。（2）對(duì)流云方案試驗(yàn)（CU）：同ST 試驗(yàn)，但采用的是ARPS 對(duì)流云方案做云分析。（3）新改進(jìn)的混合云分析方案試驗(yàn)（CUST）：同ST試驗(yàn)，但采用的是基于CMPAS降水和雷達(dá)反射率的模糊邏輯法的混合云分析方案做云分析。（4）基于對(duì)流尺度速度的云分析方案試驗(yàn)（CSW）：同ST 試驗(yàn)，但采用的是基于地面感熱和潛熱通量的對(duì)流尺度垂直速度法的混合云分析方案做云分析。

表1 數(shù)值試驗(yàn)配置方案Table1 Configuration schemesof experiments

將ST、CU 和CUST試驗(yàn)作為第一組試驗(yàn)，用于對(duì)比改進(jìn)后的混合云分析方案與純層云方案和純對(duì)流云方案的差異及其對(duì)模擬結(jié)果的影響。將CSW 與CUST 試驗(yàn)作為第二組試驗(yàn)，用于比較不同對(duì)流云/層狀云劃分方案對(duì)云分析結(jié)果及模擬結(jié)果的影響。

4 模擬結(jié)果分析

為探討不同云分析方案對(duì)模擬結(jié)果的影響，本文主要從云分析結(jié)果的差異、不同云分析方案對(duì)降水模擬結(jié)果的影響這兩個(gè)方面開(kāi)展對(duì)比分析。

4.1 對(duì)流云/層狀云劃分方法檢驗(yàn)

在改進(jìn)的云分析方案中，對(duì)流云和層狀云的劃分起到了至關(guān)重要的作用。圖5給出了2019年6月19日09時(shí)，分別根據(jù)CMPAS降水、雷達(dá)反射率和同時(shí)考慮兩者的模糊邏輯法劃分得到的對(duì)流云占比概率的分布。表2給出了三種劃分方法與實(shí)況對(duì)流云（實(shí)況小時(shí)降水大于20 mm h-1的站點(diǎn)）分布的定量統(tǒng)計(jì)結(jié)果，可以看到采用模糊邏輯方法的準(zhǔn)確率最高（0.95），僅根據(jù)CMPAS降水劃分的方法次之（0.94），僅根據(jù)雷達(dá)反射率劃分的方法最低（0.92）。模糊邏輯方法有效較低了僅根據(jù)雷達(dá)反射率劃分時(shí)帶來(lái)的空?qǐng)?bào)現(xiàn)象（空?qǐng)?bào)率從0.52下降到0.09），同時(shí)也降低了僅根據(jù)CMPAS降水劃分時(shí)帶來(lái)的漏報(bào)現(xiàn)象（漏報(bào)率從0.73下降到0.56），與實(shí)況更為一致。雖然三種劃分方法均識(shí)別出了浙中北地區(qū)東西向的強(qiáng)對(duì)流區(qū)域，但是僅依據(jù)CMPAS降水劃分的對(duì)流云分布明顯偏小，而僅依據(jù)雷達(dá)反射率劃分的對(duì)流云分布明顯偏大，依據(jù)模糊邏輯法劃分的對(duì)流云，既包含了主要強(qiáng)對(duì)流區(qū)域，也覆蓋了強(qiáng)對(duì)流周邊區(qū)域，對(duì)流云面積大小較為恰當(dāng)。

圖5 2019年6月19日09時(shí)根據(jù)（a）CMPAS降水方法、（b）雷達(dá)反射率方法、（c）模糊邏輯方法劃分的對(duì)流云占比分布。黑點(diǎn)表示觀測(cè)降水量大于20 mm h-1的站點(diǎn)Fig.5 Proportions of convective cloud according to(a)CMPAS precipitation method,(b)radar reflectivity method,(c)fuzzy logical method at 0900 BJT(Beijing time)19 June 2019.Black points denote theobservation stationswith precipitation exceeding 20 mm h-1

表2 對(duì)流云/層狀云劃分方法檢驗(yàn)統(tǒng)計(jì)Table 2 Test statistics of the division method for c onvective cloud and stratiform cloud

4.2 對(duì)云水、云冰分析的影響

不同方案對(duì)分析結(jié)果的影響表現(xiàn)在對(duì)云水、云冰含量的反演。圖6給出了2019年6 月19 日09時(shí)ST 試驗(yàn)、CU 試驗(yàn)及CUST試驗(yàn)分析得到的云水、云冰垂直累積量的水平分布?？梢钥吹剑齻€(gè)試驗(yàn)分析得到的云水、云冰物質(zhì)主要呈東西向分布在浙中北部及安徽東南部，這與雷達(dá)反射率和強(qiáng)對(duì)流區(qū)域的分布是一致的（圖5b）。但三個(gè)試驗(yàn)分析得到的云水、云冰含量大小有較大差距，其中，ST 試驗(yàn)的分析結(jié)果最小，在整個(gè)區(qū)域內(nèi)均處于0.2～2 kg m-2；CU 試驗(yàn)的分析結(jié)果最大，在整個(gè)降水區(qū)域內(nèi)都存在不低于4 kg m-2的云水、云冰總量；而CUST試驗(yàn)的分析結(jié)果介于ST 試驗(yàn)和CU試驗(yàn)之間，在判定為對(duì)流云的區(qū)域，保留了CU 試驗(yàn)對(duì)流特征，云水、云冰總量在4～14 kg m-2，而在判定為層狀云的區(qū)域，保留了ST 試驗(yàn)的層云特征，云水、云冰總量在0.2～4 kg m-2。

圖6 不同云分析試驗(yàn)方法分析得到的2019年6月19日09時(shí)的云冰、云水含量垂直累積量的水平分布（單位：kg m-2）：（a）ST試驗(yàn)；（b）CU 試驗(yàn)；（c）CUST 試驗(yàn)Fig.6 Horizontal distributions(units:kg m-2)of vertically integrated cloud ice content and cloud water content from different cloud analysis experiments at 0900 BJT 19 June 2019:(a)Experiment ST(stratiform cloud analysis);(b)experiment CU(convective cloud analysis);(c)experiment CUST (improved hybrid cloud analysis)

圖7 2019年6月19日09時(shí)不同云分析試驗(yàn)方法分析得到的格點(diǎn)平均云水（q c）質(zhì)量混合比和云冰（q i）質(zhì)量混合比的垂直分布（單位:g kg-1）Fig.7 Vertical distributions(units:g kg-1)of grid-averaged cloud ice(q i)mass mixing ratio and cloud water(q c)mass mixing ratio obtained from different cloud analysismethods at 0900 BJT 19 June2019

圖7進(jìn)一步給出了2019年6月19日09時(shí)ST 試驗(yàn)、CU 試驗(yàn)及CUST 試驗(yàn)分析得到的區(qū)域格點(diǎn)平均云水、云冰混合比的垂直分布。可以看到，三個(gè)試驗(yàn)分析得到的云水均分布在11 km 以下，云冰均分布在6 km 以上，在6～11 km 是云水、云冰共存的區(qū)域，但從量值上來(lái)看有較大差異。ST試驗(yàn)分析的云水、云冰含量最低，云水含量約為CU試驗(yàn)的1/4，云冰含量約為CU 試驗(yàn)的1/10；而CUST 試驗(yàn)分析的云水、云冰含量居于ST試驗(yàn)和CU 試驗(yàn)之間。從峰值來(lái)看，ST 試驗(yàn)云水、云冰含量的峰值分別出現(xiàn)在5 km 和8 km 處，CU 試驗(yàn)的峰值出現(xiàn)位置略高于ST試驗(yàn)，分別出現(xiàn)在6.5 km和11 km 處，而CUST 試驗(yàn)居于兩者之間。另外，無(wú)論是從云水、云冰的水平分布（圖6），還是從垂直分布（圖7）上，都可以明顯看到ST試驗(yàn)分析得到的云水物質(zhì)分布連成一片，階梯變化較小，而CU 試驗(yàn)則相對(duì)梯度更大。這是由于RUC層云方案計(jì)算始終在模式層上，加上在計(jì)算云物質(zhì)總量的事后附加了上限，云分析得到的云水物質(zhì)場(chǎng)梯度不明顯；而ARPS對(duì)流云方案將云從云底到云頂細(xì)分為多層，計(jì)算每層云水物質(zhì)場(chǎng)的分布后再插值到模式層，因此分析得到的云水物質(zhì)量值較大且梯度相對(duì)明顯。CUST 試驗(yàn)依據(jù)對(duì)流判別因子，融合了RUC層云方案和ARPS對(duì)流云方案，在強(qiáng)對(duì)流區(qū)分析的云水、云冰含量高，保留了對(duì)流特性，而在非對(duì)流區(qū)云水、云冰含量低，保留了層云特性。新方案使分析得到的云水、云冰含量的空間分布相對(duì)更為合理。

4.3 對(duì)降水的影響

初始云水物質(zhì)場(chǎng)的變化，將直接影響短時(shí)降水的模擬。由圖8可見(jiàn)，三個(gè)試驗(yàn)?zāi)M的2019年6月19日09時(shí)起報(bào)的1 h 累計(jì)降水分布形態(tài)相似，均呈東西向分布，但在量級(jí)上ST 試驗(yàn)降水最小，CU 試驗(yàn)最大，CUST 試驗(yàn)居于兩者之間。從降水差異圖上可以看到，CUST 試驗(yàn)比ST試驗(yàn)在浙江中北部強(qiáng)對(duì)流區(qū)域模擬了更多的降水（圖8e），而比CU 試驗(yàn)在非強(qiáng)對(duì)流區(qū)域模擬了較少的降水（圖8f）。這表明，新方案能在保留ARPS對(duì)流云方案在強(qiáng)對(duì)流區(qū)域的強(qiáng)降水模擬的同時(shí)，較大程度改進(jìn)了該方案在非對(duì)流區(qū)域的偏濕、降水偏大的不足。

圖8 2019年6月19日10時(shí)的1 h 累計(jì)降水量（單位：mm）：（a）ST 試驗(yàn)；（b）CU 試驗(yàn)；（c）CUST 試驗(yàn)；（d）觀測(cè)；（e）CUST試驗(yàn)與ST 試驗(yàn)的差異；（f）CUST 試驗(yàn)與CU 試驗(yàn)的差異Fig.8 1-h accumulated precipitations(units:mm)at 1000 BJT 19 June 2019:(a)Experiment ST run;(b)experiment CU run;(c)experiment CUST run;(d)observation;(e)experiment CUST run minus experiment ST run;(f)experiment CUST run minus experiment CU run

對(duì)起報(bào)后3 h 內(nèi)逐10 min 累計(jì)降水進(jìn)行的定量評(píng)估顯示，新方案對(duì)模擬結(jié)果的改進(jìn)明顯（圖9）。ST、CU 和CUST試驗(yàn)?zāi)M降水的小雨量級(jí)（≥0.1 mm）的平均ETS評(píng)分分別為0.315、0.294和0.318；大雨量級(jí)（≥3.0 mm）的平均ETS評(píng)分分別為0.018、0.022和0.027。這是由于ST試驗(yàn)中RUC層云方案分析的對(duì)流區(qū)域云水、云冰偏小，導(dǎo)致ST試驗(yàn)對(duì)大雨量級(jí)預(yù)報(bào)ETS評(píng)分較低；CU試驗(yàn)中ARPS對(duì)流云方案分析的非對(duì)流區(qū)域云水、云冰物質(zhì)過(guò)多，導(dǎo)致CU 試驗(yàn)對(duì)小雨量級(jí)預(yù)報(bào)ETS評(píng)分較低；而CUST 試驗(yàn)結(jié)合兩者優(yōu)勢(shì)，所以對(duì)小雨量級(jí)降水預(yù)報(bào)的ETS評(píng)分明顯高于CU試驗(yàn)，而對(duì)大雨量級(jí)降水預(yù)報(bào)的ETS評(píng)分明顯高于ST試驗(yàn)，取得了綜合評(píng)分最好的結(jié)果。需要指出的是，云分析對(duì)降水的影響主要集中在模式起報(bào)的初始時(shí)期（6 h 甚至3 h 內(nèi)），新方案對(duì)模式結(jié)果的改進(jìn)也主要出現(xiàn)在模式起報(bào)初始階段。這和王洪等（2015）、李佳等（2017）的結(jié)論是一致的。

4.4 循環(huán)同化結(jié)果分析

圖10a 給出了2019年6月19 日08～14 時(shí)的逐小時(shí)循環(huán)試驗(yàn)中每次分析得到的對(duì)流格點(diǎn)（對(duì)流云概率大于50%的格點(diǎn)）占區(qū)域總格點(diǎn)數(shù)的比例變化?？梢钥吹剑珻UST 試驗(yàn)分析得到對(duì)流格點(diǎn)的比例在10%～20%不等，這與此次過(guò)程中梅雨鋒上對(duì)流活動(dòng)強(qiáng)弱有關(guān)。圖10b顯示，ST 試驗(yàn)分析得到的云水含量最小，在0.1～0.4 kg m-2之間略有變化；CU 試驗(yàn)分析得到的云水含量最大，在0.9～1.7 kg m-2間變化，幾乎比ST試驗(yàn)大一個(gè)量級(jí)；而CUST 試驗(yàn)分析的云水含量在ST 和CU 試驗(yàn)之間，且與對(duì)流格點(diǎn)的比例變化趨勢(shì)相一致。三個(gè)試驗(yàn)分析得到的云冰含量情況與云水類似（圖10c）。

對(duì)起報(bào)后6 h 的逐小時(shí)累計(jì)降水開(kāi)展定量評(píng)估顯示，新方法對(duì)模擬結(jié)果有一定程度的優(yōu)勢(shì)（圖11）。在小雨量級(jí)，CUST 試驗(yàn)的ETS得分明顯高于CU試驗(yàn)，而空?qǐng)?bào)率（False Alarm,FAR）明顯低于CU 試驗(yàn)。這說(shuō)明原有ARPS 對(duì)流云方案會(huì)使模式對(duì)小雨量級(jí)的降水有較大程度的空?qǐng)?bào)，而CUST試驗(yàn)增加引入層云方案，可有效降低小雨空?qǐng)?bào)率。而在大雨量級(jí)，CUST 試驗(yàn)的ETS評(píng)分和FAR 評(píng)分雖然也優(yōu)于ST 試驗(yàn)和CU 試驗(yàn)，但其優(yōu)勢(shì)并不十分明顯。這說(shuō)明新方案對(duì)小雨量級(jí)的改進(jìn)程度相比大雨量級(jí)要更為明顯。此外，也有一種可能是本次個(gè)例的對(duì)流區(qū)域范圍較小，導(dǎo)致新方案比層云方案的優(yōu)勢(shì)未能充分體現(xiàn)。

圖9 2019年6月19日09～12時(shí)ST 試驗(yàn)、CU 試驗(yàn)、CUST 試驗(yàn)?zāi)M的逐10 min 累計(jì)降水量（a）≥0.1 mm、（b）≥3.0 mm 的ETS評(píng)分Fig.9 ETS(Equitable threat score)for 10-min accumulated precipitation(a)≥0.1 mm,(b)≥3.0 mm from experiments ST,CU,and CUST simulationsfrom 0900 BJT to 1200 BJT 19 June2019

圖10 2019年6月19日08～14時(shí)的逐小時(shí)循環(huán)試驗(yàn)中（a）CUST 方案分析得到的對(duì)流云格點(diǎn)數(shù)目占總格點(diǎn)數(shù)目的比例，ST、CU、CUST 三種方案分析的（b）云水質(zhì)量混合比、（c）云冰質(zhì)量混合比垂直累積的模式內(nèi)層區(qū)域平均Fig.10(a)Percentage of convective cloud grids in total cloud grids obtained from the experiment CUST,vertically integrated(b)cloud water(q c) mass mixing ratio,(c)cloud ice(q i)mass mixing ratio obtained from hourly cycling experiments ST,CU,and CUST averaged in theinner model domain from 0800 BJT to 1400 BJT 19 June2019

4.5 新方案與CSW 方法的比較

圖13b、c給出了CSW 試驗(yàn)和CUST 試驗(yàn)分析得到的云水、云冰含量分布。可以看到，雖然兩個(gè)試驗(yàn)分析的云水、云冰都集中在浙中北雨區(qū)，但與對(duì)流格點(diǎn)分布的相關(guān)性較大。CSW 試驗(yàn)分析的云水、云冰含量主要分布于安徽東南部及浙江寧波地區(qū)，而CUST 試驗(yàn)分析的云水、云冰主要分布于杭州紹興寧波地區(qū)的東西向區(qū)域。對(duì)比實(shí)時(shí)雷達(dá)回波（圖13a），CUST 試驗(yàn)分析的云水、云冰含量的空間分布更具有可靠性。

沿雷達(dá)回波最強(qiáng)區(qū)域（直線AB）及其近似垂向區(qū)域（直線CD）分別取兩個(gè)剖面作進(jìn)一步分析。由于CSW 試驗(yàn)對(duì)直線AB區(qū)域?qū)α鲄^(qū)域的漏報(bào)，其分析的云水、云冰含量明顯偏小（圖14b），沿剖面的分布情況也與實(shí)況回波分布（圖14a）相差較大，而CUST 試驗(yàn)分析的云水、云冰含量較大且分布更為合理（圖14c）。對(duì)于直線CD區(qū)域，CSW方法存在對(duì)CD區(qū)域?qū)α鞯恼`判，導(dǎo)致其分析的云水、云冰含量明顯偏大，而CUST分析的相對(duì)更為合理（圖14d-f）。

圖15給出了CSW 試驗(yàn)及CUST 試驗(yàn)?zāi)M的2019年6月19日10時(shí)1 h 累計(jì)降水及其差異。對(duì)比實(shí)況觀測(cè)可以看到，CSW 試驗(yàn)在安徽東南部、天目山區(qū)、及寧波地區(qū)存在明顯的降水高估現(xiàn)象，而在杭州地區(qū)的強(qiáng)降水中心附近存在明顯的低估。CUST 試驗(yàn)對(duì)于上述降水高估和低估的區(qū)域，均存在一定程度的改善（圖15d），這與云水、云冰含量的改進(jìn)區(qū)域是一致的，說(shuō)明CUST試驗(yàn)對(duì)降水的修正主要是由云分析方案對(duì)云水、云冰含量分析的改進(jìn)造成的。

對(duì)模式起報(bào)后前3 h 的逐10 min 降水定量評(píng)估（圖16）可以看到，CUST 試驗(yàn)對(duì)小雨以上（≥0.1 mm）量級(jí)降水的ETS評(píng)分比CSW 試驗(yàn)有一定程度的提高，而FAR 評(píng)分則有一定程度的下降。這說(shuō)明由于新方案基于實(shí)況融合降水和雷達(dá)反射率劃分的對(duì)流云—層狀云比CSW 基于模式前1 h 預(yù)報(bào)的感熱潛熱計(jì)算得到的劃分更為合理，分析得到的云水、云冰含量量級(jí)和分布也更接近實(shí)況，因此其模擬的降水評(píng)分也更高。這進(jìn)一步證明了新方案的合理性。

圖11 2019年6月19日08～14 時(shí)逐小時(shí)循環(huán)試驗(yàn)中ST、CU、CUST 方案模擬的1 h 累計(jì)降水量（P）平均的（a）ETS評(píng)分（P≥0.1 mm）、（b）空?qǐng)?bào)率（P≥0.1 mm）、（c）ETS評(píng)分（P≥3.0 mm）、（d）FAR 空?qǐng)?bào)率（P≥3.0 mm）Fig.11 Averaged (a) ETS(1-h accumulated precipitation P≥0.1 mm), (b) FAR (false alarm, P≥0.1 mm),(c) ETS(P≥3.0 mm), (d) false alarm (P≥3.0 mm)obtained from hourly cycling experiments ST,CU,and CUST from 0800 BJT to 1400 BJT 19 June 2019

圖12 2019年6月19日09時(shí)（a）上一次循環(huán)模式預(yù)報(bào)的潛熱（單位：W m-2），（b）上一次循環(huán)模式預(yù)報(bào)的感熱（單位：W m-2），采用（c）CSW 方案、（d）CUST 方案分析得到的對(duì)流云所占比例分布。圖c、d 中的黑點(diǎn)表示觀測(cè)降水量大于20 mm h-1的站點(diǎn)Fig.12(a)Latent heat fluxes(units:W m-2)from the last cycle,(b)sensibleheat fluxes(units: W m-2)from the last cycle, proportions of convective cloud obtained from(c)the experiment CSW(Convective-scale velocity)and(d) the experiment CUST at 0900 BJT 19 June 2019.In Figs.c and d,black pointsdenote observation stationswith precipitation exceeding 20 mm h-1

圖13 2019年6月19日09時(shí)（a）雷達(dá)反射率（單位：dB Z），（b）基于CSW 方案、（c）基于CUST 方案分析得到的云水、云冰含量垂直累積的水平分布（單位：kg m-2）。直線AB、CD分別表示雷達(dá)回波最強(qiáng)區(qū)域（直線AB）及其近似垂向區(qū)域（直線CD）Fig.13(a)Radar reflectivity(units:dB Z),horizontal distributions(units:kg m-2)of vertically integrated cloud ice and cloud water obtained from (b)theexperiment CSW,(c)theexperiment CUST at 0900 BJT 19 June 2019.Lines AB and CD represent thestrongest radar echo region (line AB)and its approximatevertical region (line CD), respectively

5 結(jié)論與討論

本文選取了實(shí)況融合降水和雷達(dá)反射率因子作為劃分對(duì)流云和層狀云的判別因子，分析了兩個(gè)判別因子的閾值范圍，并采用模糊邏輯法提出了一個(gè)新的對(duì)流云/層狀云判別方法，基于該劃分方法改進(jìn)了GSI 同化系統(tǒng)中的云分析方案。通過(guò)多組數(shù)值試驗(yàn)的對(duì)比，分析改進(jìn)前后的云分析方案對(duì)2019年6月19日浙江一次梅雨降水過(guò)程模擬的影響，探討了新方案的合理性和對(duì)模式預(yù)報(bào)的改進(jìn)效果。主要結(jié)論如下：（1）基于實(shí)況融合降水（CMPAS）和雷達(dá)組合反射率，采用模糊邏輯法提出的對(duì)流云/層狀云判別方法，可較為準(zhǔn)確地劃分對(duì)流云和層狀云，以此作為判別因子改進(jìn)GSI同化系統(tǒng)中的云分析方案切實(shí)可行。（2）個(gè)例試驗(yàn)表明，單純的對(duì)流云分析方案會(huì)明顯高估非對(duì)流區(qū)域的云水、云冰含量，導(dǎo)致模式積分前期降水量偏大；而單純的層云分析方案恰好相反，會(huì)明顯低估對(duì)流區(qū)域的云水、云冰含量，導(dǎo)致強(qiáng)降水區(qū)雨量偏小。引入對(duì)流云/層狀云判別因子后，新的云分析方案綜合了對(duì)流云分析方案和層云分析方案，在對(duì)流區(qū)域采用對(duì)流云分析方案，在非對(duì)流區(qū)域采用層云分析方案，減小了單純對(duì)流云方案在非對(duì)流區(qū)域的空?qǐng)?bào)現(xiàn)象、以及單純層云方案在強(qiáng)對(duì)流區(qū)域的漏報(bào)現(xiàn)象，有效改進(jìn)了降水的模擬。（3）改進(jìn)后的云分析方案，對(duì)模式預(yù)報(bào)初期（6 h 甚至3 h 內(nèi)）的改善效果較為明顯，且對(duì)小雨量級(jí)的降水改進(jìn)幅度要優(yōu)于大雨量級(jí)。（4）與CSW 方法相比，改進(jìn)后的云分析方案基于實(shí)況資料劃分的對(duì)流云/層狀云更為合理，模擬的降水結(jié)果更優(yōu)，說(shuō)明該方法有較好的應(yīng)用潛力。

圖14 2019年6月19日09時(shí)沿圖13 中直線AB（左）和直線CD（右）的垂直剖面：（a、d）觀測(cè)的雷達(dá)反射率因子（填色，單位：dB Z）；（b、e）CSW 方案、（c、f）CUST方案分析的反射率因子（填色，單位：dB Z）、云水含量（藍(lán)色等值線，單位：g kg-1）、云冰含量（黑色等值線，單位：g kg-1）Fig.14 Vertical cross section along the line AB (left)and line CD(right)in Fig.13 at 0900 BJT 19 June 2019:(a,d)Observed radar reflectivity(shadings, units:dB Z); radar reflectivity(shadings, units:dB Z),cloud water content(blue contours,units:g kg-1),and cloud ice content(black contours,units:g kg-1)obtained from (b,e)theexperiment CSW,(c,f)theexperiment CUST

圖15 2019年6月19日10 時(shí)1 h 累計(jì)降水量（單位：mm）：（a）CSW 試驗(yàn)；（b）CUST 試驗(yàn)；（c）觀測(cè)；（d）CUST 試驗(yàn)與CSW試驗(yàn)的差異Fig.15 1-hourly accumulated precipitations(units:mm)at 1000 BJT 19 June 2019:(a)Experiment CSW run;(b)experiment CUST run;(c)observation;(d)experiment CUST run minus experiment CSW run

圖16 2019年6月19日09～12時(shí)CSW 試驗(yàn)和CUST 試驗(yàn)?zāi)M的逐10 min 累計(jì)降水量（≥0.1 mm）的ETS評(píng)分和FAR 評(píng)分Fig.16 Scores of ETSand FAR(false alarm)for the 10-min accumulated precipitation(≥0.1 mm)of experiment CSW run and experiment CUST run from 0900 BJT to 1200 BJT 19 June2019

綜上所述，基于對(duì)流云/層狀云劃分的混合云分析方法的改進(jìn)能有效提高模式對(duì)降水的模擬性能。但需要指出的是，與CSW 方法相比，CUST方案需要更多的觀測(cè)（或再分析）資料，業(yè)務(wù)應(yīng)用時(shí)需要統(tǒng)籌配合；CUST 方案中的識(shí)別參數(shù)閾值也會(huì)受到樣本數(shù)目、天氣過(guò)程和區(qū)域差異的影響，可能需要進(jìn)一步通過(guò)細(xì)分季節(jié)和區(qū)域、增加樣本數(shù)量等方法提高對(duì)參數(shù)閾值的適用性。此外，CUST方案對(duì)小雨量級(jí)改進(jìn)較大而對(duì)大雨量級(jí)改進(jìn)不明顯，這一結(jié)論可能會(huì)受到個(gè)例選取的影響，對(duì)于有些受水汽條件影響更大的個(gè)例模擬，CUST 方法對(duì)大雨量級(jí)的降水的改進(jìn)也許也會(huì)較大，這有待今后更多研究的開(kāi)展和驗(yàn)證。