我國極地數值天氣預報系統在南極長城站的應用與檢驗

郭民權，沈輝，買小平，丁卓銘，張林，干兆江，孫啟振

（1.福建省海洋預報臺，福建福州 350003；2.國家海洋環境預報中心自然資源部海洋災害預報技術重點實驗室，北京 100081；3.沂源縣氣象局，山東淄博 256100）

1 引言

中國南極長城站所在的喬治王島地處南極半島的最北端。該地區氣旋活動較為頻繁，大風、降水和海霧天氣較多，這給戶外科考、探險、旅游以及飛機起降等活動帶來重要影響，因此對該地區的天氣進行分析和預報具有重要意義[1-5]。我國在1984年建立南極長城站時就建立了氣象觀測站，對該地區的氣象和氣候資料有一定的積累，為該地區天氣預報、統計分析和數值預報系統的驗證等提供了數據支撐。卞林根等[6-8]回顧了該地區南極天氣預報業務進展，并總結了南極長城站地區重要天氣現象的特征和預報技術。

數值預報模型是當今開展南極天氣預報業務的主要參考工具。孫啟振等[9]評估和對比了南極地區多個數值天氣預報系統，結果表明歐洲中期天氣預報中心（European Centre for Medium-range Weather Forecasts，ECMWF）的預報系統性能較為領先，高分辨率南極中尺度預報系統(Antarctic Mesoscale Prediction System，AMPS)由于分辨率較高，最具發展前景和應用價值，而其他模型在某些方面也各有其獨特的優勢。馬永鋒[10]利用高分辨率的區域天氣模式（Polar Weather Research and Forecasting，Polar WRF）v3.2.1對2008年南極地區全年的天氣過程進行模擬與評估，開展的敏感性實驗和誤差的統計分析為Polar WRF在南極的應用奠定了基礎。孟上等[11]歸納了使用數值預報等資料制作南極沿岸科考站短期天氣預報的方法和步驟。孫啟振等[12]對我國極地數值天氣預報系統（Polar Numerical Weather Forecasting System，PNWFS）的建立和應用進行了詳細介紹，通過檢驗對比，認為PNWFS系統能夠較好地反映極地短期天氣形勢的演變特點，能夠基本滿足我國極地考察和航運氣象保障需求，同時也對PNWFS系統的改進提出了建議。

國家海洋環境預報中心在2011年基于Polar WRF模型建立了業務化的PNWFS系統，經過近10 a的業務化運行，目前PNWFS的預報產品已經成為我國預報員開展極地天氣預報的重要參考資料。本文主要對長城站日常預報業務中比較關注的降水、風速、氣溫和氣壓進行了檢驗，以期對PNWFS的性能進行評估，同時為模型的改進以及產品的訂正與應用提供依據。

2 極地數值天氣預報系統簡介

PNWFS系統包括南極（PNWFS-S）和北極（PNWFS-N）兩個子系統，每個系統分為同化模塊和預報模塊。同化模塊采用WRF三維變分同化系統（Weather Research Forecast-3D VARiational data assimilation system，WRF-3DVAR）方法循環同化全球資料同化系統（Global Data Assimilation System，GDAS）衛星數據。預報模塊采用Polar WRFv3.9.1模型。該模型由美國國家環境預報中心（National Centers for Environmental Prediction，NCEP）和俄亥俄州立大學（The Ohio State University）共同研發，以WRF模型為基礎，對其部分參數化方案和海冰積雪等描述方式做了優化，更適用于極地氣象環境。

PNWFS-S系統采用六重網格，最外重網格水平分辨率27 km，長城站區域網格水平分辨率可達3 km，時間分辨率1 h，垂直積分61層。系統的主要物理參數化方案包括：WSM3微物理過程參數化方案、RRTM長波參數化方案、Dudhia短波參數化方案、Revised MM5近地面層參數化方案、thermal diffusion陸面參數化方案、YSU邊界層參數化方案和Kain-Fritsch積云參數化方案。初始場和邊界條件采用分辨率為0.5°×0.5°的NCEP資料和全球預報系統（Global Forecast System，GFS）資料，并利用國際共享資源獲取南極現場觀測全球通信系統（Global Telecommunication System，GTS）氣 象 數據，采用3DVAR進行資料同化[6]。

PNWFS每天在00時（世界時，下同）和12時各運行一次，發布未來12～96 h的全南極和南極半島區域的數值預報，包括海平面氣壓場、地面風、降水量、溫度和濕度等數值預報產品。根據極地考察現場需要，可以對長城站、中山站或其他指定站點輸出氣象要素趨勢預報曲線，如海平面氣壓、地面風、溫度、濕度和降水等預報數據時序圖和圖像產品，這對于開展關注區域的氣象預報有重要作用。

3 預報結果的檢驗與分析

本文主要對長城站日常預報業務（近3 d）中比較關注的降水和大風兩個要素進行較全面的檢驗，對氣溫和氣壓只進行了一般誤差統計。檢驗時間段從2018年2月—2019年11月，共22個月的預報數據。本文選用00時發布的預報產品，對未來3 d（預報時效12～84 h）的預報結果進行檢驗。

3.1 風速的檢驗

對于風速的檢驗，主要從預報誤差及分布、誤差的累計概率分布和日最大風力等級檢驗等方面開展統計，并對比了24 h、48 h和72 h的預報準確率。圖1分別是預報風速誤差的散點分布圖、誤差概率圖、平均絕對誤差累計概率圖和24 h預報風速出現的頻次及誤差圖。表1列出了預報風速檢驗相關的統計值，其中Skill值[9]可以量化模型和實測結果的吻合程度。

式中，Xmodel是模型的預報值；Xobs是觀測值；是觀測數據的平均值。Skill值越接近1，說明預報和觀測的吻合程度越好。

從圖1a可以看到觀測和預報對應的散點分布在對角線周圍，但是離散程度較大，這和表1中的相關系數偏低相一致。圖1b是預報誤差值取整后的概率分布圖，可以看到預報誤差分布整體呈正態分布，峰值略偏右側。從表1的統計來看，預報的平均誤差均為正數，24 h預報平均風速比觀測平均風速大1.2 m/s，其他的統計指標也顯示隨著預報時效增加預報偏差有增大的趨勢。圖1c是風速絕對誤差取整后的累計概率圖。圖中可以看到各風速誤差下的置信水平，預報誤差在±3.9 m/s時（約1個標準偏差），24 h和72 h的預報準確率為72%和66%，前者比后者高出了6%。

表1 預報風速檢驗統計值

圖1 預報風速誤差及分布特征

為了進一步分析預報風速的偏差特點，以便在預報實踐中訂正和提高數值預報結果，圖1d顯示了24 h預報時效下各預報風速的平均誤差和平均絕對誤差分布情況。從圖中可以看到，平均誤差隨預報風速增加呈單調遞增的趨勢，平均誤差從-3.4 m/s增加到4.3 m/s，風速每增加1.0 m/s，平均誤差增大約0.4 m/s。在5.0～5.9 m/s時平均誤差和平均絕對誤差均較小。當預報風速處于2.0～11.0 m/s時，預報的平均絕對誤差在3.0 m/s以下。當風速大于20.0 m/s時，由于樣本個數偏少，沒有顯著的統計意義。

實際預報中一般用風力等級開展預報，且通常關注當日出現的最大風速，尤其關注出現6級及以上（≥10.8 m/s）的大風天氣。表2為24 h預報風力等級偏差統計表，從表中可以看到，預報偏大的概率隨著風速等級的提高而增大，出現7級及以上風力時，預報結果偏大1～2級的概率達到了53.1%；出現8級及以上時，偏大1～2級的概率達到了60.3%，這也和圖1d中表現出的風速增大時預報值偏大的情況一致。所以當數值預報系統出現6級及以上風力時更需要注意甄別，適當調整風力預報等級可以更好地符合實際情況。

表2 24 h預報風力等級偏差統計表（單位：%）

3.2 降水預報的檢驗

降水檢驗主要以TS評分結合降水量誤差來進行統計。根據氣象部門應用比較廣泛的《中短期天氣預報質量檢驗辦法》，降水檢驗主要分為兩種：一種為有無降水即晴雨（雪）預報的檢驗，另一種為針對某量級降水的統計檢驗。

對晴雨（雪）檢驗：

式中，NA為有降水預報正確站（次）數，NB為空報站（次）數，NC為漏報站（次）數，ND為無降水預報正確的站（次）數。

對降水分級檢驗和累加降水量級檢驗：

式中，NAk為預報正確站（次）數，NBk為空報站（次）數，NCk為漏報站（次）數。表3和表4分別是降水TS評分和晴雨（雪）檢驗分類統計結果，其中降水強度用24 h降雪量標準來劃分。

表3 中國南極長城站降水TS評分

根據表3統計，該模型對未來3 d晴雨（雪）天的預報平均TS評分達到86.5%。但隨著降水強度的增大，模型的TS評分逐漸降低，根據后文分析，主要是由于預報降水量偏大導致。根據表4統計，模型對晴雨（雪）24 h預報的正確率為87.7%（同24 h的TS評分），其中24 h降水預報的空報率和漏報率分別為8.1%和14.7%。

表4 長城站24 h預報晴雨（雪）檢驗分類統計

對于降水量的檢驗，以24 h預報為例，統計時段內預報降水量是實測降水量的1.9倍，預報比觀測偏大的天數占66.3%，偏小的天數占21.0%，一致的天數占12.7%，這說明模型降水整體偏大且偏多。圖2是降水量逐月的日平均統計結果。圖中可以看到，除了2019年1月的日平均降雨量預報值較觀測值略偏小以外，其他時間段均較觀測值偏大。

圖2 預報和觀測各月的日均降水量對比

圖3是對各降水量級進行誤差統計，可以看到在各量級降水上，平均誤差隨預報降水量呈較好的線性增加，誤差達到預報值的52%左右。

圖3 預報降水在各量級出現的天數和對應的誤差

以上統計表明，該預報系統對降水模擬存在明顯的系統性偏差，約為實際降水量的2倍，在預報中可以考慮預報降水量減半處理，或調整模型相關參數予以校正。表5是模型預報降水量減半后的TS評分，從中可以看到，TS評分明顯提升。

表5 數值預報降水減半后TS評分

3.3 氣溫和氣壓的檢驗

氣溫和氣壓是判斷天氣形勢及其發展變化的重要指標，表6和表7分別是氣溫和氣壓預報檢驗的統計結果。從相關系數上看，氣溫和氣壓的預報相關性比較高，平均達到了0.9以上，說明系統能夠較好地體現氣溫和氣壓的變化趨勢；從平均誤差上看，氣溫預報和氣壓預報均存在明顯的系統性偏差，其中氣溫平均偏小2.10℃，氣壓偏大2.42 hPa；從誤差的標準差來看，各預報時效下氣溫變化較小，氣壓則變化較大。

表6 氣溫預報檢驗統計表

表7 氣壓預報檢驗統計表

圖4a和4b是氣溫預報誤差取整后的分布圖。圖中可以看到，誤差呈正態分布，但峰值在-2℃附近，誤差大于0℃的概率較低，預報存在明顯的系統偏差。圖4c是各預報溫度下的誤差分布。圖中可以看到，平均誤差和平均絕對誤差線基本關于0℃誤差線對稱，說明誤差正負相抵的情況較少，且預報值越小，偏低的程度越大，當預報氣溫大于0℃時，平均誤差和平均絕對誤差最小，與觀測最為接近。

圖4 氣溫預報誤差分布

圖5a和5b是氣壓預報的誤差取整后的分布情況。圖中可以看到，氣壓誤差呈正態分布，誤差的峰值均偏右側，偏小的頻率較低。隨著預報時效的增加，誤差離散程度越大，表7中誤差的標準偏差變化也顯示了這一趨勢。圖5c顯示，24 h預報氣壓在出現頻次較高的976～1 006 hPa之間時，平均誤差在2.5 hPa附近。

圖5 氣壓預報誤差分布

4 總結與討論

數值預報作為當前氣象海洋預報業務的重要工具，對模型的檢驗、訂正和釋用十分重要。本文對PNWFS的風速、降水、氣溫和氣壓進行了較為全面的誤差統計分析，并對預報結果的使用提出一些建議，能夠為該系統在南極長城站的釋用提供一定的參考。主要結論如下：

（1）風速預報方面，各統計指標顯示，預報的準確度隨預報時效的增加而降低，其中風速預報的Skill值從0.77降低到0.68。此外，風速平均誤差隨預報風速的增加從-3.4 m/s單調增加到4.3 m/s，即風速每增加1.0 m/s，風速平均誤差增大約0.4 m/s。出現6級以上大風時，預報風力偏大1～2級的概率達到48%以上，隨著預報風力等級的增大，預報偏大的概率愈大。

（2）模型對24 h晴雨（雪）的預報準確率達到87.7%，TS評分隨降水量級的增大而減小。據統計，預報降水量約為觀測值的2倍，且在時間分布以及各降水量等級上降水誤差的表現均較為一致，在實際預報中對降水量減半處理可以提高預報準確性。

（3）氣溫和氣壓預報方面，觀測值和預報值的相關性比較好，能夠較好地反映出天氣形勢的變化趨勢，但存在明顯的系統性偏差，氣溫預報偏低，氣壓偏大，需要在預報系統中調整相應的參數。

本文只使用了長城站單站有限的資料對預報風速、降水、氣溫和氣壓進行統計分析，其中的誤差有可能是局地地形導致的觀測誤差引起，也可能是預報系統本身造成的。為進一步驗證預報系統的可靠性，需要驗證周邊其他站點，并通過對比不同的數值預報系統，如ECMWF和AMPS等，分析各模型的優勢和不足，在預報中參考多個數值預報系統，擇優選擇適合本地區的預報系統，提供更加可靠的預報保障服務。

致謝：感謝中國氣象科學研究院提供的長城站氣象臺氣象觀測資料。