預報異常極端高影響天氣的“集合異常預報法”：以北京2012年7月21日特大暴雨為例

杜鈞1 Richard H. GRUMM2 鄧國3

?

預報異常極端高影響天氣的“集合異常預報法”：以北京2012年7月21日特大暴雨為例

杜鈞Richard H. GRUMM鄧國

1美國國家海洋大氣局國家環境預報中心，馬里蘭州20740;2美國國家海洋大氣局賓州氣象臺，賓夕法尼亞州19117;3國家氣象中心，北京100081

對罕見極端高影響天氣，既使一個模式有能力預報它，其數值預報也至少有以下難點：一是有多大把握確定所預報的天氣是極端事件？二是其具體的定時、定量、定點預報可靠嗎？本文介紹了集合預報和氣候資料相結合的“集合異常預報法”，并通過北京2012年7月21日（7.21）特大暴雨事件揭示出“集合異常預報法”和集合預報可以提供比單一模式預報更可靠和更準確的信息，從而可有效地緩解上述兩大難點。作者建議中央氣象臺和其他有條件的臺站可采用這種辦法提高重大災害性天氣的預報能力。

文中具體討論了如下三方面：（1）標準化異常度（SA）的定義以及它同集合預報相結合提高對罕見極端高影響天氣預報的可靠性，并由此可導出一個“社會影響矩陣”來定量地表達一個預報對社會的潛在影響；（2）利用集合預報，特別是多模式集合預報可以克服單一模式前后預報的跳躍性或不連續性問題，由此可延長實際可預報時效，如北京7.21事件超過100 mm大暴雨的實際可預報時效提前了2天；（3）SA還有助于認識異常天氣發生的原因：從SA的分布看，造成北京7.21 大暴雨事件的短期天氣尺度背景因素是從西北方向移來的冷鋒和臺風倒槽的相遇；從SA的演變看，該事件的中期大背景因素是在北京東北方向有阻塞高壓發展并導致北京以西地區的低槽加強和發展（地面強冷空氣堆積），在高緯度形成了一個高、低壓系統相間的波列，發展并維持，同時誘導熱帶系統北進。

極端高影響天氣 北京7.21大暴雨 社會影響矩陣 可預報性 標準化異常度 集合預報 集合異常預報法

1 引言

目前，數值預報已是預報員們制作日常天氣預報的主要工具（杜鈞和康志明，2014）。雖然數值預報在一般情況下已基本可信，但對于罕見的重大災害性天氣事件，既使模式有能力預報，它的數值解仍然有兩大難點：一是所預報的事件是否真是異常少見的高影響天氣、可信度多大？二是其相關的細節如降水起止時間、地點以及量級等是否穩定可靠？雖然，改進模式和初值質量會對這些難點有所改善，但基于大氣系統的混沌性和模式的高度非線性和復雜性（Lorenz，1997；丑紀范，2002），這類少見的極端天氣其可預報性往往較低，因此這些難點不可能完全解決，而專門處理數值預報中不確定性的集合預報（杜鈞，2002；杜鈞和陳靜，2010）在此卻大有用武之地。本文旨在討論集合預報、集合預報與氣候資料結合是處理這些難點的一種有效新途徑。本文針對2012年7月21日發生在北京地區的特大暴雨事件，運用這種新方法分析討論，以展示它的有效性和優越性。

2012年7月21～22日北京及其周邊地區發生了近60年來最大的暴雨事件。全市平均日降水量達190.4 mm，個別地區如房山總降水量達470 mm、石景山328 mm、最大小時雨量高達100.3 mm。該事件造成北京城區大面積內澇、交通癱瘓、北京地區79人死亡（如包括河北地區則共計112人死亡）、經濟損失超過百億元。從衛星觀測估計的7月21日降水（圖1）可以看到，主要降水位于河北、北京、天津和黃海沿岸一帶。大片地區日雨量超過150 mm、有些地區超過200 mm。這同實況大致一致（當然，局部性的峰值如位于京西山谷地帶的房山460 mm則沒有被估計出）?？梢?，這次過程的降水強度同登陸臺風造成的暴雨相似，這在北方地區實屬罕見。關于這次暴雨過程的詳細分析，有關文獻（諶蕓等，2012；孫軍等，2012；方翀等，2012；俞小鼎，2012；Zhang et al.，2013）已有報道。

圖1 從CMORPH衛星資料估算得到的2012年7月21日（協調世界時00:00～24:00）的降水量（mm）分布

圖2 “標準化異常度”方法：把一個預報或觀測的氣象要素（粗黑線）同其長期的氣候平均（細黑線）以及標準差（虛線）進行比較來衝量該要素的異常度，即用偏離氣候平均達多少個標準差來表示

2 方法和資料

什么是罕見的或異常的重大影響天氣事件？對于同樣的天氣，在一個地方它可能是常見的普通天氣，但對于另一地方它也許就是罕見的高影響事件。譬如，10 cm的降雪在哈爾濱是常見的天氣，而對于廣州來說卻是極其罕見的，因而引起的社會影響也完全不同。所以，異常天氣的定義應該很自然地要以當地、當時的氣候背景作為參照（圖2）。根據這一觀點，我們把一種天氣要素的異常程度定義為它同實際氣候平均值的差。另外，考慮到天氣要素在不同的地方、不同的季節其本身的變化率是很不一樣的（如一般來說變化率在高緯度地區大些而在低緯度地區小些，冬季大些而夏季小些，等等），為了便于統一比較，再將這一差值用該量的實際氣候標準差進行標準化即公式（1）和（2），并稱為“標準化的異常度”或SA（Standardized Anomaly）：

, （2）

其中，標準化的異常度SA是地點和時間的函數。對于實況o，標準化異常度（，）就用該要素的觀測值OBS（，）和實際大氣的氣候平均MEAN_clim（，）和氣候標準差SD_clim（，）即用公式（1）計算；對于預報f，標準化異常度（，）是用預報值FCST（，）替代觀測值OBS（，）即用公式（2）計算。Grumm等人的早期研究（Grumm and Hart，2001；Hart and Grumm，2001；Junker et al.，2008；Junker et al.，2009；Graham and Grumm，2010；Grumm，2011a，2011b）把異常程度超過氣候平均值3個標準差確定為異常的天氣事件（圖2）。注意，如果是衡量預報的異常度即用公式（2），那么如果預報有很強的系統性偏差的話，結果就有可能會或高估或低估異常度的傾向。所以，在計算A_sf前，最好對原始的預報資料先進行偏差訂正（馬清等，2008；李俊等，2014a）；或者在公式（2）中用模式本身的氣候（平均MEAN_ model和標準差SD_model）代替實際大氣的氣候，即

圖3 極端預報指數（EFI）方法：集合預報的概率分布（實線）同模式氣候的概率分布（虛線）相比較，其中（a）和（c）為概率密度函數,（b）和（d）為累積概率分布函數

Fig. 3 An illustration of Extreme Forecast Index (EFI) method: A comparison between ensemble-based probabilistic distribution (solid line) and model climate-based probabilistic distribution (dash line) in terms of (a, c) probability density function (PDF) and (b, d) cumulative distribution function (CDF)

圖4 NCEP 27 km精度的單個GFS模式48小時預報（起報時間是7月19日12:00，終止時間是7月21日12:00）：（a）850hPa高度上的風場（ms?1，風矢量）和南風分量（v）的異常度SA（填色）；（b）大氣可降水量（mm，等值線）及其異常度SA（填色）；（c）水平水汽輸送通量（0.01gkg?1ms?1）及其異常度SA（填色）。（d）NCEP 27 km精度的單個GFS模式對7月21日24小時（00:00~24:00）累積降水量的60小時預報結果（起報時間是7月19日12:00，終止時間是7月22日00:00）。時間是協調世界時, 圖上的黑點表示北京的大致位置

本文中單一模式預報資料來自美國國家海洋大氣局國家環境預報中心（NCEP）的27 km全球預報系統GFS（Yang et al.，2006），集合預報資料來自TIGGE，包括美國NCEP和歐洲ECMWF的全球集合預報[55 km GEFS（Tracton and Kalnay，1993；Wei et al.，2008）；32 kmECEF（Molteni et al.，1996；Buizza et al.，2001）]，并以NCEP的全球集合預報系統GEFS為主。分析資料用的是美國NCEP的氣候預報系統 CFS（Saha et al.，2006；Saha et al.，2013）的再分析資料CFSR（Saha et al.，2010）。實際大氣的氣候平均和標準差是根據過去31年（1979～2009年）的0.5°×0.5°CFSR資料，應用21天滑動平均法（該天加上前后各10天再乘以30年）計算而得。

3 異常天氣的預報及其可信度

本節應用方程（2）即（，）預報2012年7月21日北京的特大暴雨。這次過程的降水從21日上午北京時間10:00（協調世界時02:00）開始，22日北京時間02:00（協調世界時21日18:00）結束（諶蕓等，2012）。所以，我們選取北京時間21日20:00（協調世界時12:00）為基準點，24小時的累積降水時段選取為該基準點的前后12小時即北京時間21日08:00～22日08:00（協調世界時21日00:00～22日00:00）。根據物理意義和我們的經驗，低層大氣的南風分量、水汽輸送通量以及整層大氣的可降水量是對暴雨預報有指示意義的三個氣象要素（Maddox et al.，1979；Maddox，1980；Corfidi，2003；Junker et al.，2008），圖4a–c是根據公式（2）計算的基于NCEP 27km GFS模式單一預報的三要素場48小時結果（850hPa風的分量、大氣可降水量和850hPa高度上水平水汽通量）的SA。由此可見，在北京及其西南區域2天前的GFS預報的異常度相當明顯：850hPa分量和可降水量場超過氣候平均值達3個標準差，而850hPa高度上的水平水汽通量異常更高達6～7個標準差（北京的氣候值為0.04～0.05 gkgms）。在這樣有利的水汽輻合條件下，2天半前24小時的累積降水預報達到200mm以上（圖4d）、中心峰值更是高達407mm（圖10a），這同實況總降水量是相當接近的。鑒于極端事件往往其可預報性較低，現在關鍵問題是：既使單一模式有能力預報它，但僅僅基于這單一模式對于強烈罕見的異常事件的預報結果，在事件發生前數天敢于相信嗎？

這時，如果能同集合預報結合起來我們就可以定量地估計上述單一GFS模式的異常預報的可信度。首先，把公式（2）應用到集合平均預報，檢查經過平滑后的集合平均預報是否也相當異常；如是，則說明這種異常天氣的信號相當強烈。圖5是GEFS 21個成員集合平均預報的異常度：南風超強達到3～4個標準差（圖5a）、水汽含量超高4～5個標準差（圖5b）、低層水汽輻合超強達5～6個標準差（圖5c）。圖5d是集合平均日降水的60小時預報，可見集合平均在2天半前就指出北京附近的日降水可接近75 mm（半天以后的20日早晨的平均預報則達到近100 mm，見圖10a）。雖然同實況（近200 mm）相比還是低估了許多，但是考慮到55 km的模式低分辨率加上集合平均過程中的平滑作用（Du et al., 1997），這一預報的降水量級已是相當的可觀。當然，更重要的是我們可以把公式（2）應用到每個集合成員得到所有成員的異常度預報；然后，就可進一步得到針對某一特定的異常度閾值（如超過3個標準差）的概率（集合成員數的相對頻率）。此概率的大小就可以用來作為衡量上述單一異常度預報的一種可信度：如概率大，可信度就大，反之就小。同圖4和圖5相對應，圖6a–c是基于相同的GFS模式，但水平分辨率約為55 km的NCEP全球集合預報系統GEFS 21個成員所得到的，相同三要素的異常度超過3個標準差的48小時概率預報?？梢姡本┑貐^超強的南風異常的可信度達到50%～60%（圖6a），水汽含量超強異常的可信度達100%（圖6b），低層水汽輻合超強異常的可信度達80%～90%（圖6c）。如果把異常度的閾值取為超過2個標準差，那么這三個要素場的異常可信度都達到100%（圖略）。圖6d是2天半（60小時）前GEFS所預報的，從7月21日08:00至22日08:00（北京時，協調世界時為7月21日00:00至22日00:00）日雨量達到或超過暴雨（＞50 mm）的概率，北京附近約為60%（半天后這一概率達到81%，1天后達到95%，見圖10b）。所以，集合平均預報本身的異常度和集合預報給出的異常預報可信度，都支持上述單一GFS預報的極端異常天氣可信度很高，這給了預報員做決策時一個非常重要的信息和參考。事后證明GFS的預報是正確的，北京在7月21早晨至22日凌晨出現了60年一遇的特大暴雨。這種集合預報與氣候資料相結合定量估計天氣的異常度以及異常天氣預報的可信度可稱之為“集合異常預報法”。

圖5 同圖4，但是為基于NCEP 55 km精度的GFS全球集合預報系統（GEFS）21個成員的集合平均預報

圖6 NCEP 55 km精度的GEFS模式48小時預報結果（起報時間是7月19日12:00，終止時間是7月21日12:00）：（a）850hPa高度上的風場 （ms?1，風矢量）和南風分量（v）的異常度SA超過3𠆤標準差的概率（填色）；（b）大氣可降水量（mm，等值線）及其異常度SA超過3𠆤標準差的概率（填色）；（c）850hPa高度上的水平水汽輸送通量（0.01gkg?1 ms?1）及其異常度SA超過3𠆤標準差的概率（填色）。（d）NCEP 55 km精度的GEFS對7月21日24小時（00:00～24:00）累積降水量的60小時集合平均預報（mm，等值線）和降水量超過50 mm的概率預報（填色）（起報時間是7月19日12:00，終止時間是7月22日00:00）。時間是協調世界時，圖上的黑點表示北京的大致位置

這樣，有了未來天氣事件的異常度（代表天氣影響的大小）和異常預報的概率（代表預報的可信度），就可以來構制一個二維定量的災害性天氣預報“社會影響矩陣”（圖 7）?！吧鐣绊懢仃嚒本C合考慮了天氣的影響度（橫坐標）和預報的可信度（縱坐標），這里假定橫、縱坐標都被分成11等級，它就可以定量地來表示某一災害性天氣預報可能的社會影響大小，這無疑比現在的單一確定性預報更科學，因此建議在日常業務預報中早日施用。在具體操作中，預報的影響度可以用集合平均預報或某一集合成員（如預報天氣最嚴重的成員）或某一參照預報（如GFS）的，針對某一變量（如圖5b的水汽含量）或某一綜合量（如圖5a–c的南風、水汽含量和水汽輸送量）的異常度來定。下面舉本例來說明，假如我們把異常度超過3個標準差的影響度定為7，那么從圖5知道三要素綜合變量的平均異常度大概為4個標準差，并根據預先制定的某一標準，假定推得其影響度為8；再從圖6看到其三要素異常度超過3個標準差的平均概率為90%，再根據某一預定標準推得其預報可信度為9，這樣GEFS對北京7.21暴雨的預報在“社會影響矩陣”中的元素值就是72（圖7）。影響度和預報可信度具體怎么決定，可在預報實踐中根據集合預報系統的性能和其它情況來決定?！吧鐣绊懢仃嚒钡男畔⒃趺聪蛴脩舯磉_和用戶怎么用它，這可在同用戶交流中逐漸試驗和推廣。

圖7 災害性天氣預報的“社會影響矩陣”（橫坐標表示預報的天氣事件異常的程度代表潛在影響的大小，縱坐標表示預報的可信度）：一個預報所對應的“社會影響矩陣”元素值愈大表示其潛在的社會影響愈大

4 集合預報與單一模式預報的比較

單一模式GFS在5.75天前（即7月16日中午06:00，協調世界時，下同）就預報出了北京地區有大暴雨的可能（其日雨量峰值達115 mm，圖8a和圖10a），根據典型的暴雨形勢（Galarneau et al.，2012；Junker et al.，2009；Bodner et al.，2011），所預報的大尺度的環境場（圖8b）也非常有利暴雨的發生。因 此，從大尺度形勢來說這是一次可預報性很高的事件，現在的數值預報模式已有能力在近一周前作出大致的預測。但問題是在具體的細節方面，如預報的降水落區位置、量級以及起止時間，仍然存在很大的不確定性，其可預報性很低，而單一預報在這方面往往變化很大、無所適從。比較圖9a和d可見，GFS的單一預報從一個時次到另一個時次的強降水落區預報存在很大的跳躍性：暴雨中心從17日早晨（00:00）預報的遼寧西部，在12小時以后的晚間預報（12:00）向南跳躍約700 km到了山東北部，數值預報的這種時間上的不連續性，特別是巨大的變化往往讓預報員不知所措，其預報的應用價值也就大打折扣。而集合預報在解決這一難題面前卻可以起很大的作用，圖9b和e是在相同兩時次上的，基于GFS模式的集合預報，對降水超過25 mm的概率預報，雖然從00:00到12:00大概率中心的向南位移也很明顯（因為用的是同一個GFS模式），但由于初值的擾動作用，其不連續性的程度明顯減輕，只有量變而沒有質變（可能性從原來的50%減少到20%），集合預報的作用顯而易見。但同時這里也看到基于單一模式和單純初值擾動集合預報的一個局限性：即如果集合預報所用的模式同單一預報所用的模式相同，那么集合預報就無法改進該模式的系統性誤差，如這一例子中12:00的降水預報偏南。雖然我們看到初值擾動可以使問題得以緩和，但它不能從根本上得以改進。這時如進一步考慮到模式和物理上的不確定性如應用多模式集合，考慮到不同模式可能有不同的系統性偏差或解，多模式集合預報則有可能使這種系統性的偏差得以糾正，所以我們下面就用多模式的TIGGE資料再來作進一步的分析。圖9c和f是GEFS的21個成員加上歐洲中心ECEF21個集合成員后的多模式集合預報的在這兩個時次上的降水概率，這種暴雨落區預報在不同時次上的不連續性就不明顯了。順便指出，對這次北京7.21大暴雨的預報，歐洲氣象中心的全球集合預報系統表現不如美國NCEP的全球集合預報系統GEFS，尤其在降水強度預報上更是如此（圖略）。

圖8 NCEP 27 km精度的單個GFS模式對（a）7月21日24小時（00:00～24:00）累積降水量（mm）提前5.75天所作的預報（起報時間是7月16日06:00，終止時間是7月22日00:00）；（b）500hPa高度場（m，等值線）及其異常度SA（填色）提前5.25天所作的預報（起報時間是7月16日06:00，終止時間是7月21日12:00）。時間是協調世界時, 圖上的黑點表示北京的大致位置

我們再來看北京單點上降水強度的預報情況：圖10a是降水量的預報，單一GFS模式的降水量預報在不同時次上的變化同樣非常大并且無常，如16日06:00預報115 mm大暴雨，6小時后減為33 mm大雨，再24小時后的17日12:00則變為只有小降水（＜8 mm），直到19日00:00以后其量級才穩定在大暴雨量級上，但期間的強度變化也相當之巨，如19日12:00高達400 mm以上，而后又回到200 mm再漲到300 mm左右；相反，基于集合預報（GEFS和TIGGE）的平均預報的變化就非常平緩，特別是多模式的TIGGE平均預報結果：它們緩慢地隨著時間的逼近而逐漸增加到100 mm左右。當然，由于全球集合預報模式水平分辨率不夠，降水強度被明顯低估了，所以需要發展高分辨率的區域集合預報系統。譬如，我們用一個9 km分辨率的WRF模式區域集合預報系統對此個例進行預報，發現其集合平均的降水就可增加一倍，達到200 mm以上（李俊等，2014b）。除了集合平均預報外，集合預報更重要的信息是導出的概率預報。圖10b是不同時次上的基于集合成員的概率預報，概率在總體上隨時間而不斷增大，表示這一暴雨預報的可信度愈來愈大，這種概率隨時間的逼近而穩定增大是一種衡量可信度的可靠指標。此外，基于單一GFS模式集合預報的概率值從一個時次到另一個時次的變化還是很明顯，而基于兩個模式的TIGGE集合預報的概率值變化就平緩了許多。由上可見，集合預報，特別是既考慮了初值擾動又考慮了模式和物理擾動的，如多模式的集合預報，是解決前后預報之間在空間位置和強度上跳躍或不連貫性的一種有效的方法。由于我們所用的大多數資料其時間分辨率是12小時（個別的為6小時），因此無法準確檢驗暴雨起止時間的預報。但我們有理由相信，單一GFS在對暴雨起止時間的前后預報也一定存在很大的變化，而集合預報可以有效地減輕這種變化的程度。一個前后連貫一致的穩定預報，其應用價值也就大大地得到了提高。所以，在許多情況下特別是對付難以預報的天氣現象，如霧，多模式的集合預報系統往往可以發揮很大的作用（Zhou and Du，2010）。

圖10（a）單個GFS模式、GEFS平均和TIGGE平均對北京單站點7月21日24小時（00:00～24:00）累積降水量（mm）的預報（水平粗黑線表示在相同時段內觀測到的平均降水量）和（b）GEFS（虛線）和 TIGGE（實線）在北京單點對相同24小時時段內的累積降水量超過25、50、75和100mm的概率預報，起報時間分別從7月15日到7月21日的00:00（對應于從7天預報一直到1天預報，見水平軸）。時間是協調世界時

集合預報比單一預報不僅可以在具體細節上能夠提供更加連貫一致的穩定預報結果，而且集合預報還有可能延長實際預報時效。如圖10a所示，GFS單一預報只在事件前3天才穩定在大暴雨量級上（＞100 mm），而基于TIGGE集合預報的＞100 mm大暴雨非零概率則在5天前就穩定出現，并隨時間的接近而不斷增大（圖10b），可見實際可預報時效在本例中提前了2天?？梢韵胂螅绻项A報所用模式的水平空間分辨率（55 km）同單一GFS模式預報的分辨率（27 km）一樣高，大暴雨非零概率出現的時間可能會更提前，即實際可預報時效可能會更長。集合預報較單一預報另一個無可比擬的優點是集合預報的離散度還可以向預報員指明當前預報的問題所在（即集合成員離散度大的地方），如再對離散度作進一步診斷還可以了解造成預報不確定的深層次原因。如Li et al.（2014）用集合預報離散度討論了中國西南渦東移不確定性的短期來源，并從目標觀測的角度提出了改善其預報的途經；而 Zheng et al.（2013）則討論了北美中緯度氣旋強度和路徑不確定性的中期原因。關于集合預報技術在暴雨研究和預報中應用的現狀和進展，已有相關的綜述文獻（杜鈞和李俊，2014）。

圖11 暴雨發生期間7月21日12:00基于NCEP CFS再分析資料的天氣尺度形勢：（a）500hPa高度場（m，等值線）及其異常度SA（填色）；（b）平均海平面氣壓場（hPa，等值線）及其異常度SA（填色）；（c）850hPa高度上的風場（ms?1，風矢量）和南風分量（v）及其異常度SA（填色）；（d）大氣可降水量（mm，等值線）及其異常度SA（填色）。時間是協調世界時，圖上的黑點表示北京的大致位置

5 結合氣候資料分析異常天氣成因

第三節介紹了預報同氣候資料結合（即公式2）可以定量地衡量預報結果的異常度。不但如此，如把實況資料（本文用NCEP CFS的再分析資料）同氣候資料相結合（公式1），即（，），則可衡量所發生事件的異常度，并且根據這種異常度的分布和演變可在事后進一步分析造成該異常天氣事件的氣象原因。圖11是北京暴雨發生當時500 hPa高度場（圖11a）、海平面氣壓場（圖11b）、850 hPa風場（圖11c）、大氣可降水量場（圖11d）以及根據公式（1）計算得到的相應異常度分布。可見，造成這次暴雨過程的短期直接因素是從西北方向移來的冷鋒和臺風倒槽的相遇，從而提供了有利的水汽、輻合和抬升條件，這三個造成大暴雨必備的直接條件（陶詩言，1980），在北京及其附近地區大大地得到了滿足。從異常度的量級可以推斷這種超異常的水汽和輻合條件主要是由于熱帶的臺風倒槽（圖11b–d）；而北京以東、以北地區偏強的高壓脊（圖11a）則加強了北京以西冷空氣的堆積和冷鋒的強度，從而在鋒前的北京地區形成了強烈的垂直抬升機制。所有這一切提供了產生和維持中、小尺度強對流的有利大環境，這些不斷產生的對流系統（大部分）以及冷鋒本身（小部分）直接造成了大暴雨的產生（Zhang et al. 2013），最后導致了這60年一遇的特大暴雨。限于本文所用的是全球模式低分辨率資料，所以只能看到天氣尺度上的原因，而要進一步分析中、小尺度，甚至風暴尺度的原因，則需要具有顯式云和對流能力的高精度風暴尺度的模式所提供的分析資料。

如果我們擴大異常度分析在時間和空間上的范圍，還可以從異常度的演變和分布上看到該事件的中期大背景因素。從圖12看到，北京7.21大暴雨事件是前期高緯度大槽大脊的經向氣流的發展和持續的結果：在北京以東、以北有阻塞高壓發展并導致北京以西地區的低槽加強和發展（地面強冷空氣堆積），在高緯度形成了一個高、低壓系統相間的波列，發展并維持，同時誘導熱帶系統北進，這種強經向型形勢是很典型的導致持續異常天氣，如大暴雨發展的大背景（Galarneau et al.，2012）。

圖12 大尺度天氣形勢的時間演變：（a–f）依次為2012年7月16～21日12:00基于NCEP CFS再分析資料的500hPa高度場（m，等值線）和及其異常度SA（填色）。時間是協調世界時, 圖上的黑點表示北京的大致位置

6 結語與討論

（1）本文介紹了一種預報異常天氣的方法即標準化異常度SA，它是把預報同氣候平均進行比較，以此度量所報預報結果的異常程度，一般超過氣候標準差三倍確定為極端事件的表征；并且再同集合預報相結合，可進一步定量地給出該異常預報的可信度（概率）。這種集合預報與氣候資料相結合，定量估計天氣的異常度以及異常天氣預報的可信度稱之為“集合異常預報法”。通過北京7.21大暴雨事件的預報表明，本方法是預報異常高影響天氣行之有效的一種好辦法。作者建議中央氣象臺和其它有條件的臺站采用這種辦法，以提高重大災害性天氣的預報能力。如果把“集合異常預報法”導出的預報異常度和異常預報的可信度二者結合起來，則可綜合地定義一個災害性天氣預報的“社會影響矩陣”，它可以用來定量地描述一個預報的潛在社會影響。“社會影響矩陣”的信息怎么向用戶表達和用戶怎么用它，這可在將來同用戶交流中逐漸試驗和推廣。

要注意的是，如果模式預報有很強的系統性偏差的話，SA就有可能會或高估或低估。為了排除模式系統性偏差的誤導，在計算SA時最好要先訂正模式偏差或直接用模式氣候結果代替實際大氣氣候。另外，如能在今后實際應用中對“集合異常預報法”和歐洲中期天氣預報中心的極端預報指數EFI法進行具體比較研究，也是一項很有意義的工作。

（2）從大尺度形勢來說，北京7.21 大暴雨事件是一次可預報性很高的事件，現在的數值預報模式已有能力在近6天前作出大致的預測，但問題是在具體的細節方面，如降水落區位置、量級以及起止時間，在后續預報中存在很大的不確定性，其可預報性很低。分析表明，單一模式前后不同時效的細節預報，無論在空間位置上還是在強度上都存在很大的跳躍性或不連續性，這使其應用價值大打折扣，使得預報員無所適從；但基于集合預報特別是多模式集合預報則可以提供更可靠或更連慣的細節預報，從而大大地提高預報的應用價值。不但如此，集合預報還可用來延長實際可預報時效，如在本文中北京地區量級超過100 mm大暴雨的實際可預報時效提前了2天。另一方面，集合預報較單一預報無可比擬的優點是集合預報的離散度還可以指明當前預報的問題所在，但本文對此沒有做討論。

同時文中也指出了集合預報的兩個局限性：

（a）單一模式的初值擾動集合預報系統無法或不能有效地改善預報的系統性誤差（如雨區偏南），所以需采用多模式或有物理擾動的集合預報系統來克服這個缺點；（b）全球集合預報模式水平分辨率不夠而明顯低估降水強度，所以需要應用高分辨率的區域集合預報系統，尤其是對于直接造成大暴雨的中、小尺度強對流系統的預報，則更需要有基于具有顯式云和對流能力的高精度模式的風暴尺度集合預報系統。

（3）SA還可以幫助我們了解異常天氣發生的原因。從SA的分布可見，造成北京7.21大暴雨事件的短期天氣尺度因素是從西北方向移來的冷鋒和臺風倒槽的相遇，因而提供了有利的水汽、輻合和抬升條件的大環境；這一大環境不斷產生和維持中、小尺度強對流系統，是造成這一大暴雨的直接因素。雖然由于本文資料分辨率不夠，中、小尺度的對流活動在我們的分析中無法分辨，但在其他文獻的分析中還是存在的（諶蕓等，2012；孫軍等，2012；方翀等，2012；俞小鼎，2012；Zhang et al.，2013）。從SA的演變可見，該事件的中期大背景因素是在北京東北方向有阻塞高壓發展并導致北京以西地區的低槽加強和發展（地面強冷空氣堆積），在高緯度形成了一個高、低壓系統相間的波列，發展并維持，同時誘導熱帶系統北進。

致謝 本文為紀念中國氣象界大師、中國現代氣象學的主要奠基人之一，陶詩言院士逝世一周年而作。陶先生是本文第一作者杜鈞在中國科學院大氣物理研究所讀研究生期間（1985～1990年）的導師，杜鈞感謝陶先生對他在學術上和生活上多年的教導。眾所皆知，陶先生一生對中國的災害性天氣，特別是暴雨等的預報特別關注，所以我們特以他愛好的主題寫下此文，希望本文對中國災害性天氣的預報有實際的幫助。也感謝中國科學院大氣物理研究所高守亭研究員和黃榮輝院士邀請我們為此特刊撰稿。最后，感謝審稿專家在審核本文時所提的寶貴意見。

BodnerMJ, JunkerN W,GrummRH, et al. 2011. Comparison of atmospheric circulation patterns during the 2008 and 1993 historical Midwest floods [J]. Natl. Wea. Dig., 35: 103–119, http://www.nwas.org/digest/.

Buizza R, Richardson D S, Palmer T N. 2001. The new 80-km high- resolution ECMWF EPS [J]. ECMWF Newsletter, 90: 2–9.

諶蕓, 孫軍, 徐珺, 等. 2012. 北京721特大暴雨極端性分析及思考（一）觀測分析及思考 [J]. 氣象, 38 (10): 1255–1266. Chen Yun, Sun Jun, Xu Jun, et al. 2012. Analysis and thinking on the extremes of the 21 July 2012 torrential rain in Beijing. Part I: Observation and thinking [J]. Meteorological Monthly (in Chinese), 38 (10): 1255–1266.

丑紀范. 2002. 大氣科學中的非線性與復雜性 [M]. 北京：氣象出版社. Chou Jifan. 2002. Nonlinearity and Complexity in Atmospheric Sciences (in Chinese) [M]. Beijing: China Meteorological Press.

CorfidiS F. 2003. Cold pools and MCS propagation: Forecasting the motion of downwind-developing MCSs [J]. Wea.Forecasting, 18(6): 997–1017.

杜鈞. 2002. 集合預報的現狀和前景 [J]. 應用氣象學報, 13 (1): 16–28. Du Jun. 2002. Present situation and prospects of ensemble numerical prediction [J]. Journal of Applied Meteorological Science (in Chinese), 13 (1): 16–28.

杜鈞, 陳靜. 2010. 單一值預報向概率預報轉變的基礎：談談集合預報及其帶來的變革 [J]. 氣象, 36 (11): 1–11. Du Jun, Chen Jing. 2010. The cornerstone in facilitating the transition from deterministic to probabilistic forecasts—Ensemble forecasting and its impact on numerical weather prediction [J]. Meteorological Monthly (in Chinese), 36 (11): 1–11.

杜鈞, 鄧國. 2010. 單一值預報向概率預報轉變的價值: 談談概率預報的檢驗和應用 [J]. 氣象, 36 (12): 10–18. Du Jun, Deng Guo. 2010. The utility of the transition from deterministic to prob-abilistic weather forecasts—Verification and application of probabilistic forecasts [J]. Meteorological Monthly (in Chinese), 36 (12): 10–18.

杜鈞, 康志明. 2014. 天氣預報中不確定性問題的調查分析[J]. 氣象科技進展, 4 (1): 58?67. Du Jun, Kang Zhiming. 2014. A survey on forecasters’ view about uncertainty in weather forecasts [J]. Advances in Meteorological Sciences and Technology (in Chinese), 4 (1):58–67.

杜鈞, 李俊. 2014. 集合預報方法在暴雨研究和預報中的應用 [J]. 氣象科技進展, 待刊. Du Jun, Li Jun. 2014. Application of ensemble methodology to heavy-rain research and prediction [J]. Advances in Meteorological Sciences and Technology (in Chinese), in press.

Du Jun, Mullen S L, Sanders F. 1997. Short-range ensemble forecasting of quantitative precipitation [J]. Mon. Wea. Rev, 125 (10): 2427–2459.

方翀, 毛冬艷, 張小雯, 等. 2012. 2012年7月21日北京地區特大暴雨中尺度對流條件和特征初步分析[J]. 氣象, 38 (10): 1278–1287. Fang Chong, Mao Dongyan, Zhang Xiaowen, et al. 2012. Analysis on the mesoscale convective conditions and characteristics of an extreme torrential rain in Beijing on 21 July 2012 [J]. Meteorological Monthly (in Chinese), 38 (10): 1278–1287.

Galarneau TJ, HamillT M,DoleR M,et al. 2012. A multiscale analysis of the extreme weather events over Western Russia and Northern Pakistan during July 2010 [J].Mon. Wea. Rev.,140(5): 1639–1664.

Graham R A, Grumm R H. 2010. Utilizing normalized anomalies to assess synoptic-scale weather events in the Western United States [J]. Wea. Forecasting, 25 (2): 428–445.

Grumm R H. 2011a. The central European and Russian heat event of July–August 2010 [J]. Bull. Amer. Meteor. Soc., 92 (10): 1285–1296.

Grumm R H. 2011b. New England record maker rain event of 29–30 March 2010 [J]. Electronic J. Operational Meteor., 12 (4): 1–31.

Grumm R H, Hart R. 2001. Standardized anomalies applied to significant cold season weather events: Preliminary findings [J]. Wea. Forecasting, 16 (6): 736–754.

Hart R E, Grumm R H. 2001. Using normalized climatological anomalies to rank synoptic scale events objectively [J]. Mon. Wea. Rev, 129 (9): 2426–2442.

Junker N W, Grumm R H, Hart R, et al. 2008. Use of standardized anomaly fields to anticipate extreme rainfall in the mountains of northern California [J]. Wea. Forecasting, 23 (3): 336–356.

Junker N W, Brennan M J, Pereira F, et al. 2009. Assessing the potential for rare precipitation events with standardized anomalies and ensemble guidance at the Hydrometeorological Prediction Center [J]. Bull. Amer. Meteor. Soc, 90 (4): 445–453.

Lalaurette F. 2003. Early detection of abnormal weather conditions using a probabilistic extreme forecast index [J]. Quart. J. Roy. Meteor. Soc., 129 (594): 3037–3057.

李俊, 杜鈞, 陳超君. 2014a. 降水偏差訂正的頻率（或面積）匹配方法介紹和分析 [J]. 氣象, 40 (5): 580?588. Li Jun, Du Jun, Chen Chaojun. 2014a. An introduction and analysis to Frequency- or Area-Matching method applied to precipitation forecast bias correction [J]. Meteorological Monthly (in Chinese), 40 (5): 580?588.

李俊，杜鈞，劉羽，2014b. 北京“7.21”特大暴雨不同集合預報方案的對比試驗 [J]. 氣象學報，待刊. Li Jun, Du Jun, Liu Yu. 2014b. A comparison of IC-, multi-physics- and stochastic physics-based ensembles in predicting Beijing “7.21” extreme heavy rain event [J]. Acta Meteorologica Sinica (in Chinese), in press.

Li Jun, Du Jun, Zhang Dalin, et al. 2014. Ensemble-based analysis and sensitivity of mesoscale forecasts of a vortex over Southwest China [J]. Quart. J. Roy. Meteor. Soc., 140 (680): 766–782.

Lorenz E N. 1997.混沌的本質 [M]. 劉式達, 劉式適, 嚴中偉譯. 北京:氣象出版社. Lorenz, E N. 1997. The Essence of Chaos (in Chinese) [M]. Liu S D, Liu S K, Yan Z W, Trans. Beijing: China Meteorological Press.

馬清, 龔建東, 李莉, 等. 2008. 超級集合預報的誤差訂正與集成研究 [J]. 氣象, 34 (3): 42–48. Ma Qing, Gong Jiandong, Li Li, et al. 2008. Study of bias-correction and consensus in regional multi-model super- ensemble forecast [J]. Meteorological Monthly (in Chinese), 34 (3): 42–48.

MaddoxR A. 1980. Mesoscale convective complexes [J].Bull. Amer. Meteor.Soc.,61: 1374–1387.

MaddoxR A, ChappellC F,HoxitL R. 1979. Synoptic and meso-alpha aspects of flash flood events [J]. Bull. Amer. Meteor. Soc.,60(2): 115–123.

Molteni F, Buizza R, Palmer, T N, et al. 1996. The ECMWF ensemble prediction system: Methodology and validation [J]. Quart. J. Roy. Meteor. Soc., 122 (529): 73–119.

Qian W H, Li J, Shan X L. 2013. Application of synoptic-scale anomalous winds predicted by medium-range weather forecast models on the regional heavy rainfall in China in 2010 [J]. Science in China: Earth Sciences, 56 (6): 1059–1070, doi: 10.1007/s11430–013-4586–5.

Saha S, Nadiga S, Thiaw C, et al. 2006. The NCEP climate forecast system [J]. J. Climate, 19 (15): 3483–3517.

Saha S, Moorthi S, Pan H L, et al. 2010. The NCEP climate forecast system reanalysis [J]. Bull. Amer. Meteor. Soc., 91 (8): 1015–1057.

Saha S, Moorthi S, Wu X, et al. 2014. The NCEP Climate Forecast System version 2 [J]. J. Climate, 27 (6): 2185?2208.

孫軍, 諶蕓, 楊舒楠, 等. 2012. 北京721特大暴雨極端性分析及思考(二)極端性降水成因初探及思考 [J]. 氣象, 38 (10): 1267–1277. Sun Jun, Chen Yun, Yang Shunan, et al. 2012. Analysis and thinking on the extremes of the 21 July 2012 torrential rain in Beijing. Part II: Preliminary causation analysis and thinking [J]. Meteorological Monthly (in Chinese), 38 (10): 1267–1277.

陶詩言. 1980. 中國之暴雨 [M]. 北京: 科學出版社. Tao Shiyan. 1980. Heavy Rain in China (in Chinese) [M]. Beijing: Science Press.

Tracton M S, Kalnay E. 1993. Operational ensemble prediction at the National Meteorological Center: Practical aspects [J]. Wea. Forecasting, 8 (3): 378–398.

Wei M, Toth Z, Wobus R, et al. 2008. Initial perturbations based on the ensemble transform (ET) technique in the NCEP global operational forecast system [J]. Tellus, 60 A (1): 62–79.

夏凡, 陳靜. 2012. 基于T213集合預報的極端天氣預報指數及溫度預報應用試驗[J]. 氣象, 38 (12): 1492–1501. Xia Fan, Chen Jing. 2012. The research of extreme forecast index based on the T213 ensemble forecast and the experiment in predicting temperature [J]. Meteorological Monthly (in Chinese), 38 (12): 1492–1501.

YangF L,PanHL,KruegerS K,et al. 2006. Evaluation of the NCEP Global Forecast System at the ARM SGP Site [J].Mon. Wea. Rev,134(12): 3668–3690.

俞小鼎. 2012. 2012年7月21日北京特大暴雨成因分析 [J]. 氣象, 38 (11): 1313–1329. Yu Xiaoding. 2012. Investigation of Beijing extreme flooding event on 21 July 2012 [J]. Meteorological Monthly (in Chinese), 38 (11): 1313–1329.

ZhangDL, LinY H, ZhaoP,et al. 2013. The Beijing extreme rainfall of 21 July 2012: “Right results” but for wrong reasons [J].Geophys.Res. Lett.,40(7): 1426–1431.

Zheng Minghua, Chang E K M, Colle B A. 2013. Ensemble sensitivity tools for assessing extratropical cyclone intensity and track predictability [J]. Wea. Forecasting, 28 (5): 1133–1156.

Zhou Binbin, Du Jun. 2010. Fog prediction from a multimodelmesoscale ensemble prediction system [J]. Wea. Forecasting, 25 (1): 303–322.

ZsoterE. 2006. Recent developments in extreme weather forecasting [J].ECMWFNewsletter,107: 8–17.

杜鈞，Grumm R H，鄧國. 2014. 預報異常極端高影響天氣的 “集合異常預報法”：以北京2012年7月21日特大暴雨為例[J]. 大氣科學, 38 (4): 685?699, doi:10.3878/j.issn.1006-9895.2013.13218. Du Jun, Grumm R H, Deng Guo. 2014. Ensemble anomaly forecasting approach to predicting extreme weather demonstrated by extremely heavy rain event in Beijing [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 38 (4): 685?699.

①TIGGE（the THORPEX Interactive Grand Global Ensemble；THORPEX，The Observing System Research and Predictability Experiment）是世界氣象組織（WMO）下世界天氣研究計劃（WWRP）中的一個研究項目。http://www.wmo.int/pages/prog/arep/wwrp/new/ thorpex_new.html

②對不同的天氣現象，也許需要用不同的指示性氣象要素，這需要事先做具體的調查分析。

③關于當前模式的平均預報能力，讀者可參考Qian et al.（2013）的文章：總的說來，目前數值預報對暴雨預報的能力還較差，但對環流形勢的預報，歐洲模式在夏季可達6～7天，美國GFS的環流預報能力不穩定，有時候可以超過歐洲模式，但平均只有3天。

Ensemble Anomaly Forecasting Approach to Predicting Extreme Weather Demonstrated by Extremely Heavy Rain Event in Beijing

DU Jun, Richard H. GRUMM, and DENG Guo

1()(),207402,,191173,,100081

Even if a numerical weather prediction model is capable of predicting an extreme weather event, several questions remain such as the confidence level of the predicted event and the reliability of the information related to details such as timing, location, and magnitude. In this paper, a method known as Ensemble Anomaly Forecasting, which combines ensemble forecasts with climatology, is introduced and demonstrated by using a case of extremely heavy rain occurring in Beijing on July 21, 2012. The results show that these two questions can be effectively addressed through this method and ensemble forecasts by providing more reliable and consistent information than that provided by a single forecast. Therefore, we strongly recommend that forecasters apply this method in their daily operations to improve their prediction capability of rare high-impact weather events.

The following three aspects are discussed in detail in this study. (1) By comparing a forecast with climatology, the potential rarity of the predicted variable can then be quantitatively measured in terms of standardized anomaly (SA), which normally indicates an extreme event when the departure of a forecast from its climatology mean exceeds three standard deviations. By combining further with ensemble forecasts, the confidence of such an anomaly forecast can also be estimated on the basis of the SA of individual ensemble members, which provides critical information that enables a forecaster to make a more reliable forecast of a potentially rare weather event. A combination of the anomaly and confidence then defines a “societal impact matrix,” which can be used to quantitatively measure a forecast’s potential impact on society. (2) Because the synoptic scale pattern associated with this heavy rain event in Beijing is quite classical for extreme flooding events, it was a highly predictable event from the large-scale pattern perspective. For example, the National Centers for Environmental Prediction (NCEP) Global Forecast System (GFS) model quite successfully predicted a rainfall event of approximately 115 mm over Beijing with a lead time of approximately six days (0600, July 16). However, the detailed information such as rainfall location and intensity were highly variable or uncertain in subsequent GFS forecasts, thus resulting in low predictability. Such shifting of the model solutions from one cycle to another significantly limits the usefulness of a forecast because it is difficult to follow. In contrast, and as demonstrated by this study, ensemble-based—particularly multi-model ensemble-based—ensemble mean and probabilistic forecasts can mitigate some of the issues associated with model shifting by providing more consistent information to greatly increase forecast utility. Additionally, ensemble-based forecasts may extend the practical predictability length. For example, the predictability length of rainfall exceeding 100 mm over or near Beijing can be extended for approximately two days by using THORPEX Interactive Grand Global Ensemble (TIGGE) based probabilistic forecasts as compared to that by a single GFS forecast. (3) If observation or analysis is used instead of forecasts in the calculation of SA, SA can also help to determine the possible causes responsible for an extreme event. In this case, the spatial distribution of the SA reveals that the immediate short-range synoptic cause of the extreme rainfall is the merging of a cold front from the northwest and strong ridge extending from a tropical system in the southeast, which formed a favorable moisture, convergence, and vertical lifting environment for the development and maintenance of meso- and small-scale convective systems. The time evolution of the SAs further reveals that the medium-range background cause is the flow’s meridional development to form and maintain a large-amplitude low–high alternating wave train in high latitudes, particularly the development of a blocking system to the northeast of Beijing and a deepening trough to the west, resulting in a strong cold front that enhanced the north–south exchange including the northward advancement of a tropical system.

Extreme weather event, July 21, 2012 heavy rain in Beijing, Societal impact matrix, Predictability, Standardized anomalies, Ensemble forecasting, Ensemble anomaly forecasting

1006–9895(2014)04–0685–15

P456.7

A

10.3878/j.issn.1006-9895.2013.13218

2013?07?18，2013?12?14收修定稿

國家自然科學基金項目41075079、41075044、41275065

杜鈞，男，1962年出生，研究員，主要從事數值集合預報業務和開發研究。E-mail: Jun.Du@noaa.gov