CMA全球數(shù)值預報系統(tǒng)東亞地區(qū)中期大尺度預報誤差溯源初步探究：個例分析*

彭 飛 李曉莉 趙 濱 陳 靜

1 中國氣象局地球系統(tǒng)數(shù)值預報中心，北京 100081 2 中國氣象科學研究院災害天氣國家重點實驗室，北京 100081 3 國家氣象中心，北京 100081

提 要： 全球業(yè)務數(shù)值模式存在偶發(fā)的中期預報時效誤差極端大的問題，對其溯源可為模式和同化系統(tǒng)改進提供重要參考。分析2020年1—2月中國氣象局高分辨率全球同化預報系統(tǒng)(CMA-GFS)和較低分辨率全球集合預報系統(tǒng)(CMA-GEPS)業(yè)務預報在中期時效(6 d)的預報誤差，利用集合敏感性分析方法，對東亞地區(qū)具有極端中期預報誤差的一個個例(2020年2月8日12 UTC起報)進行了預報誤差溯源研究。由CMA-GFS預報誤差的時空演變特征及基于CMA-GEPS系統(tǒng)的集合敏感性分析結(jié)果得到了一個關(guān)于預報誤差關(guān)鍵源區(qū)的初步推斷，即為位于東亞上游地區(qū)的大西洋及歐洲西部地區(qū)(20°～90°N、90°W～60°E)。進而，將CMA-GEPS系統(tǒng)控制預報位于上述誤差關(guān)鍵源區(qū)的初值替換為最優(yōu)集合成員初值后，預報結(jié)果顯示東亞地區(qū)500 hPa位勢高度中期預報誤差顯著減小，不到原預報誤差的50%，這進一步驗證了識別出的關(guān)鍵誤差源區(qū)的有效性。

引 言

近年來，由于資料同化和數(shù)值模式本身的不斷進步，中期天氣預報技巧不斷提高(Bauer et al，2015)。但是，仍舊存在個別個例預報誤差很大的情況。這些個例不僅對預報系統(tǒng)的平均預報技巧造成不利影響，而且還會給預報員帶來困擾。所以有必要對這些個例進行研究，弄清預報誤差的關(guān)鍵源區(qū)和演變機制，進而為資料同化或者模式本身改進提供參考(Rodwell et al，2013)。

已有一些研究對歐洲地區(qū)具有極端中期預報誤差的個例進行診斷分析。例如，Rodwell et al(2013)使用歐洲地區(qū)(35°～75°N、12.5°W～42.5°E)500 hPa位勢高度場(z500)6 d預報距平相關(guān)系數(shù)(anomaly correlation coefficient，ACC)及均方根誤差(root-mean-square error，RMSE)作為中期預報能力指標，把歐洲地區(qū)中期預報誤差較大的個例(即z500的6 d預報ACC<0.4且RMSE>60 m)定義為“forecast busts”或者“drop-outs”，即預報失誤，利用1989—2010年歐洲中期天氣預報中心(European Centre for Medium-Range Weather Forecasts，ECMWF)確定性預報篩選出的584個歐洲地區(qū)中期預報失誤個例，對其進行合成分析。結(jié)果表明，這些預報失誤通常與歐洲阻塞爆發(fā)密切相關(guān)，而落基山山脈附近初值準確性及北美地區(qū)中尺度對流系統(tǒng)的觀測同化與預報對歐洲地區(qū)預報失誤也具有重要影響。針對Rodwell et al(2013)識別出的中期預報失誤個例，Lillo and Parsons(2017)利用經(jīng)驗正交函數(shù)(empirical orthogonal function，EOF)分析對其進行聚類研究。結(jié)果表明，這些中期預報失誤的出現(xiàn)與引起大尺度環(huán)流系統(tǒng)發(fā)生轉(zhuǎn)換的Rossby波活動觸發(fā)和加強有關(guān)。

隨著集合預報的發(fā)展，集合敏感性分析在典型天氣系統(tǒng)、高影響天氣事件等的預報誤差來源和演變分析研究中得到廣泛應用(Lamberson et al，2016；Quandt et al，2019；陳濤等，2019；代刊等，2018；何斌等，2020；王毅等，2018；2020)。用于度量集合敏感性的方法有多種。例如，可利用集合成員的預報量(如某一地區(qū)平均預報誤差、EOF分析主模態(tài)的主成分等)與狀態(tài)量(如風場、位勢高度場等)之間的相關(guān)系數(shù)(或者協(xié)方差)進行定義(Zheng et al，2013；王毅等，2018；2020)；也可根據(jù)預報能力對所有集合成員進行排序分組，利用不同組之間集合平均的預報差異進行度量(代刊等，2018；Torn et al，2015)。該方法具有簡單、有效、計算成本低等優(yōu)點(Torn and Hakim，2008；Li et al，2014)，能夠用于識別預報量關(guān)于不同預報時效上狀態(tài)量的敏感程度和敏感區(qū)域，進而有助于找到對預報量具有重要影響的關(guān)鍵天氣系統(tǒng)和敏感區(qū)域。例如，就造成2016年7月中下旬華北地區(qū)極端降水的黃淮氣旋預報來說，代刊等(2018)采用集合敏感性分析揭示了對該氣旋中期預報誤差具有重要影響的敏感天氣系統(tǒng)和區(qū)域。陳濤等(2019)通過集合敏感性分析指出江南地區(qū)高壓、南海高壓、華南低槽等關(guān)鍵天氣系統(tǒng)的相對強度和位置對廣州“5·7”局地特大暴雨過程降水預報具有重要影響。Zheng et al(2013)和Lamberson et al(2016)分別利用集合敏感性診斷分析影響溫帶氣旋中期預報誤差和預報不確定性的關(guān)鍵系統(tǒng)。基于ECMWF高分辨率確定性預報和較低分辨率集合預報數(shù)據(jù)，Magnusson(2017)使用集合敏感性分析對2014—2016年出現(xiàn)在歐洲地區(qū)的3個中期預報失誤個例進行誤差溯源研究。此外，Magnusson(2017)還根據(jù)不同預報時效上的預報誤差(即預報場與分析場之間的差異)空間分布特征從時間上向后對預報誤差進行人工追蹤溯源。根據(jù)人工追蹤誤差演變和集合敏感性分析結(jié)果，Magnusson(2017)得到不同預報失誤個例關(guān)鍵誤差源區(qū)的初步推斷，并利用松弛(nudging)技術(shù)(在模式積分過程中把某一關(guān)鍵區(qū)域的預報場向其真值逼近，進而評估該區(qū)域?qū)ζ湎掠蔚貐^(qū)預報結(jié)果的影響)對識別出的可能關(guān)鍵誤差源區(qū)進行驗證，從而揭示了結(jié)合使用集合敏感性分析和人工追蹤誤差演變特征這兩種方法在識別關(guān)鍵誤差源區(qū)方面的有效性。

對中國氣象局全球同化預報系統(tǒng)(CMA-GFS，原GRAPES_GFS；Shen et al，2020)預報能力的跟蹤分析發(fā)現(xiàn)，CMA-GFS同樣存在偶發(fā)的中期預報誤差極端大的問題，有必要進行誤差溯源研究。作為同一個模式體系的中國氣象局全球集合預報系統(tǒng)(CMA-GEPS，原GRAPES_GEPS；陳靜和李曉莉，2020；Shen et al，2020)為使用集合敏感性分析方法進行CMA-GFS中期預報誤差溯源研究提供了數(shù)據(jù)和技術(shù)基礎(chǔ)。本文以東亞地區(qū)(15°～55°N、70°～140°E)中期大尺度環(huán)流形勢預報誤差為關(guān)注點，首先分析了2020年1—2月CMA全球數(shù)值預報業(yè)務系統(tǒng)的預報誤差特征，隨后對在此期間出現(xiàn)的一個具有極端中期預報誤差的典型個例，以東亞地區(qū)500 hPa(z500)的6 d預報誤差為研究對象開展集合敏感性分析，進行細致的誤差演變和溯源診斷分析，以期得到此次預報極端誤差與CMA-GFS對具體的大尺度高影響天氣系統(tǒng)的預報能力之間的聯(lián)系，從而為模式系統(tǒng)及同化初值改進提供客觀參考方向。

1 方法和數(shù)據(jù)

1.1 集合敏感性分析方法

集合敏感性分析方法首先由Hakim and Torn(2008)提出。對于一個包含N個成員的集合而言，預報量J對某一預報時刻狀態(tài)量Fi,j的集合敏感性Si,j定義如下：

(1)

對式(1)進行標準化處理，預報量J對某一預報時刻狀態(tài)量Fi,j的集合敏感性還可表示為Ri,j(Garcies and Homar，2009)：

(2)

式中:σ表示標準差算子。標準化后，敏感性度量Ri,j與預報量J具有相同的量綱，便于對比預報量對不同狀態(tài)量的敏感性。

對于給定的預報量，標準差σ(JN)是不變的。因此，還可將式(2)所示的集合敏感性等價轉(zhuǎn)化為式(3)所示的相關(guān)系數(shù)Ci,j(Chang et al，2013)：

(3)

本研究利用式(3)所示的相關(guān)系數(shù)Ci,j作為集合敏感性分析的關(guān)鍵參數(shù)，從而定量化分析預報量對不同預報時效上狀態(tài)量的敏感性。式(3)所示的相關(guān)系數(shù)Ci,j數(shù)值越大，預報量對所考察狀態(tài)量越敏感；而相關(guān)系數(shù)Ci,j數(shù)值大的區(qū)域即為預報量關(guān)于所考察狀態(tài)量的敏感區(qū)域。

1.2 數(shù) 據(jù)

使用CMA-GFS和CMA-GEPS業(yè)務預報數(shù)據(jù)開展CMA-GFS模式中期預報誤差溯源研究。CMA-GFS和CMA-GEPS預報模式的水平分辨率分別是0.25°和0.5°，預報時長分別是10 d和15 d。CMA-GEPS系統(tǒng)包括31個集合成員(1個控制預報和30個擾動預報)，采用奇異向量方法表征模式初值不確定性(李曉莉等，2019；霍振華等，2020)，使用隨機物理傾向擾動(SPPT)方案和隨機動能補償(SKEB)方案體現(xiàn)模式本身的不確定性(李曉莉等，2019；彭飛等，2019;2020)，關(guān)于該系統(tǒng)其他參數(shù)的配置情況可參閱陳靜和李曉莉(2020)，這里不再贅述。與CMA-GEPS相比，CMA-GFS提供的是全球高分辨率單一確定性預報結(jié)果(HRES)。

本文中預報量J選取為CMA-GEPS系統(tǒng)每個成員東亞地區(qū)平均z500的6 d預報誤差RMSE，F(xiàn)i,j選取為不同預報時效上z500或者250 hPa位勢高度場(z250)，并通過式(3)計算集合敏感性，進而診斷分析CMA-GFS模式東亞地區(qū)z500中期預報誤差源。

2 個例選取及其預報誤差溯源分析

2.1 2020年2月8日12 UTC起報個例選取

分析了2020年1—2月CMA-GFS對東亞地區(qū)z500的中期(6 d)預報能力，如圖1所示，給出的是HRES東亞地區(qū)z500的6 d預報均方根誤差(RMSE，藍實線)以及CMA-GEPS控制預報(CTL)、各成員及集合平均(ENSMEAN)的東亞地區(qū)z5006 d預報誤差RMSE及集合離散度(SPD)。可以看到，不管是高分辨率確定性預報HRES還是低分辨率CMA-GEPS CTL預報，2020年2月8日12 UTC起報的z5006 d預報(對應實況時間亦即驗證時間為2020年2月14日12 UTC)誤差RMSE很大，是整個考察時期內(nèi)RMSE最大值，為90 m左右，雖然集合平均RMSE略低，但仍高達75 m左右。此外，與該起報時間相應的CMA-GEPS系統(tǒng)z500SPD也很大，這表明在提前6 d的中期時效上，2月14日z500存在較大的預報不確定性。

圖1 2020年1月10日至2月26日12 UTC起報的東亞地區(qū)(15°～55°N、70°～140°E)平均z500 6 d預報RMSE及SPD時間序列(藍實線：高分辨率確定性預報HRES的RMSE，紅實線：CMA-GEPS集合平均的RMSE，黑實線：CMA-GEPS控制預報的RMSE，藍色陰影：CMA-GEPS所有集合成員的RMSE，紅虛線：SPD，五角星：突顯本文研究個例預報結(jié)果；下同)Fig.1 Time series of RMSE and SPD of 6 d forecasts for 500 hPa geopotential height (z500) averaged over East Asia (15°-55°N, 70°-140°E) (initialized time: 12 UTC 10 January to 26 February 2020; blue solid line: RMSE for the high-resolution deterministic forecast HRES, red solid line: RMSE for the ensemble mean of the CMA-GEPS, black solid line: RMSE for the control forecast of the CMA-GEPS, blue shaded: RMSE for all ensemble members of the CMA-GEPS, red dashed line: SPD, purple star: highlighting forecast result of the case investigated in this study, the same below)

由圖2所示的東亞地區(qū)z500ACC可以看到，起報時間為2020年2月8日12 UTC，HRES、CMA-GEPS CTL及集合平均z5006 d預報均已失去技巧(ACC均小于0.6)，其中HRES及CTL的ACC較小，約為0.4。

圖2 2020年1月10日至2月26日12 UTC起報的東亞地區(qū)(15°～55°N、70°～140°E)z500 6 d預報ACC時間序列Fig.2 Time series of ACC of 6 d forecasts for 500 hPa geopotential height (z500) over East Asia (15°-55°N, 70°-140°E)(initialized time: 12 UTC 10 January to 26 February 2020)

從該個例(起報時間：2020年2月8日12 UTC)6 d預報所對應的2020年2月14日前后的天氣實況來看，2月13—16日，有寒潮過程自北向南影響中國中東部地區(qū)，造成大范圍雨雪和降溫，此次寒潮過程與亞洲地區(qū)大尺度環(huán)流形勢密切相關(guān)(曹爽等，2020)。14日，中國北部地區(qū)(35°～42°N、100°～110°E)平均2 m溫度觀測值為-9.8℃，圖3給出了不同起報時間HRES、CMA-GEPS CTL和集合成員對14日中國北部地區(qū)平均2 m溫度的預報結(jié)果以及基于ERA-Interim數(shù)據(jù)(Dee et al，2011)得到的該區(qū)域2 m溫度氣候態(tài)分布。可以看到，對于提前6 d及以上的預報而言，大部分集合成員及HRES 2 m溫度預報高于氣候平均態(tài)，呈現(xiàn)出中性偏暖的結(jié)果，沒能捕捉到實際出現(xiàn)的低溫天氣。而CMA-GEPS系統(tǒng)在8日的預報分布與氣候態(tài)分布類似，基本沒有預報技巧。8日以后預報結(jié)果出現(xiàn)轉(zhuǎn)折，CMA-GEPS系統(tǒng)大部分成員和HRES 2 m溫度預報低于氣候平均態(tài)，呈現(xiàn)出冷異常；且距離驗證日期越近，溫度預報越低，與觀測值更為接近。

圖3 2020年2月14日中國北部地區(qū)(35°～42°N、100°～110°E)平均2 m溫度預報結(jié)果(紅點：高分辨率確定性預報HRES,黑點：CMA-GEPS控制預報,藍色箱線圖：CMA-GEPS集合成員的預報分布,紅色箱線圖：14日中國北部地區(qū)平均2 m溫度的氣候態(tài)分布,黑虛線：氣候平均態(tài)，該氣候態(tài)數(shù)據(jù)來自1989—2018年ERA-Interim 2 m溫度)Fig.3 2 m temperature forecasts (T2 m) valid on 14 February 2020 averaged over northern China (35°-42°N, 100°-110°E) (red dot: high-resolution deterministic forecast HRES, black dot: control forecast of the CMA-GEPS, blue box-and-whisker: probability distribution of T2 m for the CMA-GEPS, red box-and-whisker: climatological distribution of T2 m in northern China on 14 February, black dashed line: climatic mean, the climatology of T2 m derived from the ERA-Interim dataset for 1989-2018)

綜上所述，HRES及CMA-GEPS CTL于2020年2月8日12 UTC起報的z5006 d預報在東亞地區(qū)存在突出的中期預報誤差：HRES及CMA-GEPS CTLz5006 d預報誤差RMSE接近90 m，是整個考察時期內(nèi)RMSE最大值，而ACC僅約為0.4。上述的大尺度環(huán)流形勢預報誤差是導致在中期時效上HRES及CMA-GEPS CTL對中國北部地區(qū)低溫天氣預報失誤的重要原因。此個例符合Rodwell et al(2013)討論的預報失誤的標準，可以作為一個典型的存在極端中期預報誤差的事件進行預報誤差溯源研究。基于此個例，下文將對CMA-GFS模式東亞地區(qū)中期預報誤差關(guān)鍵源區(qū)進行診斷分析。

2.2 CMA-GFS全球中期預報誤差溯源

2.2.1 預報誤差時、空演變特征

圖4是2020年2月8日12 UTC起報的不同預報時效上HRESz500預報場、檢驗分析場及預報誤差(預報場減去分析場)，該圖可用來進行人工追蹤誤差溯源。從第六天的預報結(jié)果來看，亞洲北部地區(qū)存在阻塞高壓，該阻塞高壓前部存在橫槽；與檢驗分析場相比，亞洲北部地區(qū)高壓預報偏西北且偏強，高壓前部橫槽預報偏西北，并且沒有預報出切斷低壓(圖4f)。這種伴隨阻塞環(huán)流形勢的誤差結(jié)構(gòu)可追溯至HRES第二天的預報結(jié)果：位于歐洲西部的高壓系統(tǒng)預報偏西北且偏強，高壓前部低壓槽預報略偏西(圖4b～4e)。HRES第一天預報結(jié)果也存在類似的誤差信號，不過不太明顯(圖4a)。

圖4 2020年2月8日12 UTC起報的HRES第24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)和144 h(f)z500預報場(黑線)及其檢驗分析場(紅線)與預報誤差(填色，預報場減去分析場)(方框:15°～55°N、70°～140°E的東亞地區(qū))Fig.4 z500 forecasts for the HRES (black line), verifying analysis (red line) and forecast errors (colored， forecast field minus analysis field) at different forecast lead times of 24 h (a), 48 h (b), 72 h (c), 96 h (d), 120 h (e), and 144 h (f)(initialized time: 12 UTC 8 February 2020; black box: the region of East Asia)

此外，對CMA-GEPS系統(tǒng)所有成員東亞地區(qū)z500的6 d預報誤差進行了經(jīng)驗正交函數(shù)(EOF)分解，以考察集合成員的差異性。圖5給出了EOF分解中的第一、第二及第三主模態(tài)(解釋方差總計為69.7%)，可以看出，在6 d預報時效上CMA-GEPS不同集合成員之間的差異主要體現(xiàn)在亞洲北部地區(qū)高、低壓系統(tǒng)的位置和強度上，即主要與14日位于亞洲北部地區(qū)的阻塞環(huán)流形勢有關(guān)(圖4f)。

從圖1可知，對本文所選個例(與五角星對應)而言，CMA-GEPS系統(tǒng)所有集合成員中，東亞地區(qū)z500的6 d預報誤差RMSE最小為47 m，約是控制預報誤差RMSE的一半。根據(jù)z500的6 d預報誤差RMSE對所有成員進行排序，將z500RMSE最小的成員認定為此次預報的最優(yōu)集合成員，該成員能夠較好地抓住14日出現(xiàn)在亞洲北部地區(qū)的阻塞環(huán)流形勢，與檢驗分析場比較接近(圖略)。

圖5 2020年2月8日12 UTC起報的CMA-GEPS所有集合成員東亞地區(qū)(15°～55°N、70°～140°E)z500 6 d預報誤差經(jīng)驗正交函數(shù)分解的第一模態(tài)EOF 1(a)、第二模態(tài)EOF 2(b)和第三模態(tài)EOF 3(c)及z500檢驗分析場(等值線)(填色：EOF)Fig.5 The leading the first EOF mode (a), the second EOF mode (b), and the third EOF mode (c) of the 6 d forecast errors for z500 from all members of the CMA-GEPS and verifying analysis (contour)(initialized time: 12 UTC 8 February 2020, colored: EOF)

作為一個能夠綜合體現(xiàn)大氣動力與熱力性質(zhì)的重要物理量，位渦(potential vorticity，PV)已廣泛應用于天氣系統(tǒng)診斷分析中(王天駒等，2019；張曉紅等，2016；Grams et al，2018；Sánchez et al，2020)。本文將通過等熵位渦分析，即在等位溫面(等熵面)上分析等位渦線，進一步闡明最優(yōu)集合成員在預報關(guān)鍵天氣系統(tǒng)方面的優(yōu)勢。等熵坐標中位渦的計算公式為(周小剛等，2014；壽紹文，2010)：

(4)

(5)

式中：g為重力加速度，f為地轉(zhuǎn)參數(shù)，ζ為相對渦度，θ為位溫，p為氣壓，T為溫度，Rd為干空氣比氣體常數(shù)，cp為干空氣比定壓熱容。PV=2 PVU的等位渦面通常用來表征動力對流層頂，它與315 K等熵面的交線(即2 PVU等值線)在冬季可用來確定中緯度波導和急流(壽紹文，2010；Grams et al，2018)。

本文選取315 K等熵面上2 PVU等位渦線進行診斷分析。圖6給出了所選個例第一至六天預報的315 K等熵面上PV集合離散度與最優(yōu)集合成員、集合平均及分析場的2 PVU等值線(1 PVU=10-6m2·K·s-1·kg-1)。可以看到，沿2 PVU等值線附近，位渦集合離散度較大，這表明中緯度波導(或急流)預報存在較大不確定性。在第一至六天的預報時效上，與集合平均相比，最優(yōu)集合成員2 PVU等值線與檢驗分析場更為一致(圖6)。這也可能是最優(yōu)集合成員能夠在中期預報時效上較好抓住亞洲北部阻塞環(huán)流形勢的重要原因之一。

圖6 2020年2月8日12 UTC起報的CMA-GEPS第24 h(a)、48 h(b)、72 h(c)、96 h(d)、120 h(e)和144 h(f)315 K等熵面上位渦的集合離散度(填色)及2 PVU等值線(1 PVU=10-6 m2·K·s-1·kg-1,紅線：分析場,黑線：集合平均,紫線：最優(yōu)集合成員)Fig.6 Ensemble spread (colored) of potential vorticity for the CMA-GEPS at the 315 K isentropic surface and the 2 PVU (1 PVU=10-6 m2·K·s-1·kg-1) contour for the analysis (red line), ensemble mean (black line), and best ensemble member (purple line) at different forecast lead times of 24 h (a), 48 h (b), 72 h (c), 96 h (d), 120 h (e), and 144 h (f) (initialized time: 12 UTC 8 February 2020)

2.2.2 集合敏感性分析結(jié)果

使用式(3)定義的相關(guān)系數(shù)進行集合敏感性分析，結(jié)果如圖7所示，為CMA-GEPS東亞地區(qū)平均z5006 d預報誤差RMSE(預報量J)與不同預報時效上(第一至六天)z500(狀態(tài)量Fi,j)之間的相關(guān)系數(shù)，相關(guān)系數(shù)數(shù)值越大，集合敏感性越強，對東亞地區(qū)中期預報誤差的影響越大，相關(guān)系數(shù)數(shù)值大的區(qū)域即為對東亞地區(qū)中期預報誤差具有重要影響的敏感區(qū)域。可以看到，第六天的集合敏感性分析結(jié)果與HRES第六天z500預報誤差空間分布很相似，亞洲北部阻塞環(huán)流形勢所處位置存在強集合敏感性信號(圖4f，圖7f)。而且，伴隨阻塞環(huán)流形勢的集合敏感性信號可向后追溯至預報的第一天，位于歐洲西部地區(qū)(圖7a)。尤其是自預報的第二天起，位于西風帶的高壓脊及其附近地區(qū)存在明顯的強集合敏感性信號(圖7b～7f)，此敏感性信號在預報的第二天位于歐洲西部地區(qū)，隨著預報時效延長不斷向下游傳播，于預報的第六天傳播至東亞地區(qū)。由上可知，歐洲西部地區(qū)與東亞地區(qū)z500中期預報誤差源區(qū)之間存在重要關(guān)聯(lián)。此外，在1 d的預報時效上，大西洋地區(qū)也存在著較強的敏感性信號。還考察了東亞地區(qū)平均z5006 d預報RMSE對z250的敏感性(圖略)，與z500的敏感性分析結(jié)果一致。

圖7 2020年2月8日12 UTC起報的CMA-GEPS東亞地區(qū)平均z500 6 d預報RMSE與不同預報時效上z500之間的相關(guān)系數(shù)(填色)以及z500集合平均(等值線,單位：m)(a)24 h，(b)48 h，(c)72 h，(d)96 h，(e)120 h，(f)144 h(圖7a中，方框：歐州西部)Fig.7 Correlation coefficients between 6 d forecast RMSE of z500 over East Asia and z500 from the CMA-GEPS (colored) as well as the ensemble mean of z500 (black contour, unit: m) at different forecast lead times of 24 h (a), 48 h (b), 72 h (c), 96 h (d), 120h (e), and 144 h (f)(initialized time: 12 UTC 8 February 2020, box in Fig.7a: western Europe)

為了進一步診斷分析高緯度環(huán)流對東亞地區(qū)z500中期預報誤差的影響，還使用極射赤面投影方式對基于CMA-GEPS的集合敏感性分析結(jié)果進行展示(圖略)，發(fā)現(xiàn)在第一至第五天的預報時效上，極渦所處位置(即格陵蘭島附近)均存在較為明顯的集合敏感性信號，此敏感性信號在圖7a～7e中也得到了體現(xiàn)，這說明極渦會對東亞地區(qū)z500中期預報誤差產(chǎn)生影響，而極渦所在位置也就是格陵蘭島附近區(qū)域與東亞地區(qū)z500中期預報誤差源區(qū)之間存在重要聯(lián)系。

由HRESz500預報誤差的時空演變特征和基于CMA-GEPS系統(tǒng)的集合敏感性分析結(jié)果可初步推斷，本文研究個例在中期時效上(6 d)東亞地區(qū)z500存在的極端預報誤差主要與2020年2月14日出現(xiàn)在亞洲北部地區(qū)的阻塞環(huán)流形勢預報不足有關(guān)，是由東亞上游地區(qū)誤差隨預報時效延長不斷發(fā)展并向下游地區(qū)傳播而引起，誤差關(guān)鍵源區(qū)可能位于大西洋及歐洲西部地區(qū)(20°～90°N、90°W～60°E；圖7a中方框標注區(qū)域)。

2.3 替換誤差關(guān)鍵源區(qū)初值條件的敏感性試驗

初步確定本研究關(guān)注個例的中期預報誤差關(guān)鍵源區(qū)后，進行了替換關(guān)鍵誤差源區(qū)內(nèi)初值條件的敏感性試驗，以進一步說明識別出的誤差關(guān)鍵源區(qū)的有效性。具體是在大西洋及歐洲西部地區(qū)(圖7a中方框標注區(qū)域)將CMA-GEPS中控制預報的初值替換為最優(yōu)集合成員的初值，其他地區(qū)控制預報初值保持不變，形成新的控制預報初值，在該初值條件下，重新進行一次2020年2月8日12 UTC起報的控制預報試驗。

圖8c給出了替換誤差關(guān)鍵源區(qū)初值條件的CMA-GEPS控制預報中z500的6 d預報結(jié)果，可以看到這次預報能較好地預報出2月14日出現(xiàn)在亞洲北部地區(qū)的阻塞環(huán)流形勢，東亞地區(qū)平均z500的6 d預 報誤差RMSE減小至39 m，不足原控制預報CTL及HRES誤差的RMSE的50%(圖8a，8b；圖1)。此外，還開展了改變初值替換范圍的試驗，將上述推斷的關(guān)鍵誤差源區(qū)沿經(jīng)度向東平移60°，重新進行一次替換控制預報位于誤差關(guān)鍵源區(qū)初值的敏感性試驗，此試驗方案下東亞地區(qū)平均z5006 d預報誤差與原控制預報基本一致，并沒有得到改善。

圖8 2020年2月8日12 UTC起報的高分辨率確定性預報HRES(a)，CMA-GEPS控制預報(b)，以及僅將控制預報位于誤差關(guān)鍵源區(qū)的初值替換為最優(yōu)集合成員初值的新試驗方案(c)下z500的6 d預報誤差(填色，預報場減去分析場)(方框標注區(qū)域代表15°～55°N、70°～140°E的東亞地區(qū))Fig.8 6 d Forecast errors of z500 (colored， forecast field minus analysis field) for (a) the high-resolution deterministic forecast HRES, (b) the control forecast of CMA-GEPS, and (c) the new control forecast of CMA-GEPS with initial conditions replaced with that of the best ensemble member but confined to the key error source region[initialized time: 12 UTC 8 February 2020, black box: the East Asia (15°-55°N, 70°-140°E)]

綜上所述，就本文選取的預報失誤個例而言，位于東亞上游地區(qū)的大西洋及歐洲西部地區(qū)(20°～90°N、90°W～60°E)是極為關(guān)鍵的誤差源區(qū)，并且該區(qū)域內(nèi)初值條件的質(zhì)量對東亞地區(qū)中期預報誤差具有重要影響。

3 結(jié)論與討論

本文根據(jù)Rodwell et al(2013)確定的中期大尺度天氣預報失誤的標準，通過分析CMA全球數(shù)值預報業(yè)務系統(tǒng)(原GRAPES)2020年1—2月東亞地區(qū)z500中期(6 d)預報能力，選取了一個東亞地區(qū)中期預報失誤個例(2020年2月8日12 UTC起報個例)。以此個例為研究對象，通過HRES(即CMA-GFS)預報誤差時空演變特征和基于CMA-GEPS系統(tǒng)的集合敏感性分析等，進行所選個例的預報誤差溯源診斷分析及預報研究，得到的主要結(jié)果如下：

(1)基于CMA-GEPS預報結(jié)果的集合敏感性分析可以作為一個有效的診斷技術(shù)，用于對CMA全球模式中期預報時效上出現(xiàn)的極端誤差(預報失誤)事件進行誤差溯源研究。采用此診斷技術(shù)，并結(jié)合z500預報誤差時空演變特征，本文識別出大西洋及歐洲西部地區(qū)(20°～90°N、90°W～60°E)是2020年2月8日12 UTC起報的東亞地區(qū)z5006 d預報極端誤差的關(guān)鍵源區(qū)，而且該關(guān)鍵源區(qū)內(nèi)的初值條件質(zhì)量對東亞地區(qū)中期預報效果影響顯著。此外，對CMA-GEPS的預報結(jié)果分析表明，部分集合成員(如最優(yōu)集合成員)能夠在中期時效上較好地預報出導致所選個例極端預報誤差的關(guān)鍵天氣系統(tǒng)-亞洲北部阻塞環(huán)流形勢。

(2)本文研究個例的東亞地區(qū)z500中期預報誤差主要與出現(xiàn)在亞洲北部地區(qū)的阻塞環(huán)流形勢預報不足有關(guān)，這與Rodwell et al(2013)研究中指出的歐洲地區(qū)中期預報失誤個例多與出現(xiàn)在歐洲—大西洋地區(qū)的阻塞相關(guān)聯(lián)較為一致。因而，今后有必要多加關(guān)注CMA-GFS模式對亞洲地區(qū)阻塞形勢的中期預報能力。

在未來工作中，將持續(xù)關(guān)注CMA全球數(shù)值預報業(yè)務系統(tǒng)東亞地區(qū)大尺度環(huán)流形勢中期預報能力，選取更多中期預報失誤個例，通過合成分析、聚類分析等方法對CMA-GFS模式系統(tǒng)預報性能進行更加深入的診斷分析，從而為模式系統(tǒng)改進方向提供有用參考。