青藏高原觀測對2020年長江中下游地區梅雨降水過程預報的影響

青藏高原是大氣對流活動和災害性天氣系統的多發區，是影響長江流域暴雨過程的中尺度對流系統的源地，也是中國長江流域及東亞季風、東亞梅雨水汽輸送的“轉運帶”（季國平，2021）。天氣尺度上，青藏高原熱源主要通過影響繁盛的積云對流云團、高原低渦、高原短波槽、高原地表正位渦區、西南低渦等的東移而影響下游降水，夏季高原熱源偏強時，我國長江中下游部分地區極端降水量偏多（范旭燕和李躍清，2022）。夏季高原主體上存在一個持續的正渦度渦源和向下游中國東部的輸送帶，梅雨季節一個個東移到長江中下游的正渦度中心，與梅雨暴雨過程幾乎是一一對應的關系（王慧，

2005）。而2020年夏季青藏高原高位渦系統異?；钴S，且頻繁東移，東移出高原的高位渦系統不僅造成長江中上游地區降水偏多，而且對長江中下游地區的降水異常也有貢獻（Maetal.，2022）。也有研究表明，在2020年夏季中高緯天氣尺度正渦度的不斷南傳，阻礙了副高的北上，使雨帶長時間維持在江淮地區（王晨宇等，2021）。因而青藏高原地區天氣系統變化對我國東部區域，特別是長江中下游地區的降水有顯著的影響。青藏高原地區新增獅泉河、改則和申扎探空資料可以明顯提升中尺度模式對長江中下游雨帶的預報能力，通過2015年6—8月的預報試驗評估也可以看出，同化這3個加密探空站后，長江中下游48、72h預報降水均方根誤差不同程度減?。ㄚw平等，2018）。

每年6—7月，長江中下游地區的梅雨期是造成洪澇災害的主要原因。有研究表明，1961—2020年長江下游地區夏季降水量存在顯著上升趨勢（杜如意等，2024），其中2020年6—7月長江中下游地區梅汛期強降水在總雨量、持續時長及雨強等方面具有明顯的極端性特征（張芳華等，2020）；7月上旬主雨帶穩定在長江中下游沿江地區，降水強度更強，極端性更顯著（陳濤等，2020）。造成2020年江淮梅雨期持續強降水的關鍵有低緯度穩定的副熱帶高壓，中高緯度維持異常穩定的阻塞形勢，以及低空急流的穩定維持（陳濤等，2020；楊夢兮等，2020）。在低空西南急流、高空西風急流和東風急流共同作用下，江淮地區形成有利于梅雨異常強降水的低空輻合、高空輻散天氣形勢配置（陳濤等，2020）。針對2020年梅雨過程，多項研究從不同角度進行了深入分析。唐永蘭等（2022）針對這次梅雨過程短時強降水的時空分布進行了分析；金小霞等（2023）分析了梅雨期鋒生作用的時空分布特征及鋒生各項與降水的對應關系；齊倩倩等（2023）采用CMA-GEPS評估了長江中下游地區梅雨期典型大雨的概率預報能力；馬驕等（2022）也通過WRF數值試驗分析凝結潛熱釋放對于降水過程和環流系統演變的作用。

雖然研究表明青藏高原對長江中下游地區天氣系統有一定影響，但在區域模式模擬中往往為了提高分辨率，受計算條件制約而縮小模式區域范圍，而長江中下游梅雨天氣過程的天氣預報是否受本地以外觀測信息的影響，特別是天氣系統上游地區青藏高原觀測的影響是本文的關注點。本文采用CMA-MESO快速更新循環系統模擬2020年長江中下游地區的梅雨過程，考察青藏高原觀測資料的缺失對梅雨期強降水預報的影響。

1 區域模式系統介紹

中國氣象局自主研發的區域中尺度數值預報模式系統（CMA-MESO）經過多年的發展和業務升級，同化分析中高頻觀測資料逐漸增多，模式要素場和降水預報質量也都有明顯改進（黃麗萍等，2017，2022）。本文采用CMA-MESOv5.1版本的快速更新分析預報循環系統進行青藏高原觀測資料的同化和預報試驗，以下對快速更新循環系統、同化和模式進行簡單介紹。

CMA-MESO快速更新循環系統是在三維變分和區域模式系統基礎上建立起來的間歇快速分析預報循環系統，主要包括的模塊有：觀測資料預處理與質量控制、全球模式資料前處理、三維變分分析系統、云分析、陸面資料同化、模式標準初始化和中尺度數值模式（徐枝芳等，2013；莊照榮等，2020，2023）。快速循環系統首先采用全球模式降尺度的預報作為背景場進行冷啟動分析和預報，然后下一次分析都使用區域模式自身預報作為背景場來同化觀測資料，從而使分析預報滾動循環，間歇循環時段為 ^12h ，每天00時（世界時，下同）和12時進行冷啟動。

快速循環系統中采用全球區域一體化的三維變分分析獲得最優的分析場（薛紀善和陳德輝，2008；馬旭林等，2009；薛紀善等，2012），分析與區域中尺度模式采用一致的垂直坐標、水平網格分布及模式變量。區域中尺度數值模式采用地形追隨坐標，半隱式半拉格朗日差分方案，全可壓非靜力平衡動力框架，可自由組合的物理過程參數化方案（Chenetal.，2008;Zhang and Shen，2008）。

2 研究區域和天氣系統分析

本文研究范圍為 70^°～145^°E_?15^°～65^°N 的中國區域（圖1）。研究青藏高原區域觀測資料對長江中下游地區梅雨期降水的影響，定義青藏高原區域為 （圖1紅框范圍內的中國區域），長江中下游區域為 35^°N （圖1綠框范圍內的陸地區域）。從圖1可以看出，青藏高原地區地勢高，地形變化大，而長江中下游地區地勢平坦，位于青藏高原地區的東部，屬于青藏高原地區天氣形勢的下游區。

本文研究時段為2020年長江中下游梅雨期降水較多的7月4一8日的一次過程，時段內梅雨過程的 500hPa 和 250hPa 天氣系統如圖2、3所示。

從圖2可以看出2020年7月5—8日 500hPa 位勢高度在研究區域北部都為兩槽夾一脊逐漸東移過程，其中東部的槽逐漸東移加深，8日00時在我國東北形成東北低渦；同時 500hPa 西太平洋的副高一直加強西移北抬，588dagpm線5日00時在東經 117^°E 福建和廣東沿海，7日00時西進到西藏東南部接近東經 90^°E ，而8日00時的588dagpm線已達西藏南部東經 80^°E 。從 850hPa 的風場可以看出在西太平洋副高和東北冷渦的影響下，低層西風急流和我國華北地區槽后冷空氣在長江中下游匯合，同時副高西部偏南氣流和低空西風急流分別從南海和孟加拉灣帶來豐沛的水汽（圖2填色）；而7月5—7日， 250hPa 西風高空急流區橫穿青藏高原區域北部和長江中下游區域北部，位于我國西南部的南亞高壓東伸加強，因此在長江中下游沿線形成明顯的高空輻散。以上動力和水汽條件有利于在長江中下游地區形成對流上升運動，也可以看出5—8日在長江中下游形成了大范圍的強降水（圖3填色）。從圖2、3也可以看出，青藏高原地區在長江中下游地區天氣形勢的上游區，青藏高原地區低層偏西氣流的繞流，以及高原上空越山氣流和高層西風急流都將影響長江中下游地區的天氣狀況。青藏高原地區觀測資料對長江中下游地區天氣預報影響程度，以及長江中下游地區自身觀測信息是否足夠彌補高原觀測資料缺失的影響，是本文的關注點。

3 數值預報試驗

3.1試驗方案和數據

為了研究青藏高原觀測資料對長江中下游地區梅雨期預報的影響，文中采用 ^3h 間隔間歇分析預報循環系統模擬這次梅雨期的天氣過程，循環試驗時段為2020年7月3日00時到8日00時，經過12h循環后暖啟分析的00時進行 ^72h 預報，對這5d的分析和預報進行診斷研究。模式分辨率為 9km ，格點數為 834×556 ，垂直分層51層，模式層頂達33km 。采用NCEP全球模式產品提供冷啟背景場、側邊界信息，NCEP全球模式的分辨率為 50km ，垂直方向 1 000～10hPa ，共26層。

采用CMA-MESOv5.1版本進行兩組分析預報循環試驗，第一組試驗為控制試驗（用T3dv表示），循環試驗設置基本與業務設置相同，采用三維變分分析、云分析和陸面同化獲得的分析場來驅動區域中尺度預報模式。三維變分分析中控制變量選用 u_?ν 風場、溫度、地面氣壓和比濕。背景誤差協方差為美國國家氣象中心方法（NMC）統計獲得， u，ν 風場之間采用連續方程弱約束方案，誤差方差為隨高度和緯度變化的二維場，垂直相關采用統計的垂直相關系數。水平相關關系采用水平相關尺度隨高度變化的多尺度疊加的高斯模型來描述（莊照榮等，2019；莊照榮和李興良，2021）。區域中尺度預報模式沒有采用積云對流方案，輻射采用RRTM長波方案和Dudhia短波方案，微物理方案采用WSM6，陸面過程采用NOAH方案，近地面層方案采用莫寧-奧布霍夫方案，邊界層方案采用MRF方案。第二組試驗為無青藏高原觀測資料試驗（T3dvNoQingZ），循環試驗設置、分析和模式設置與第一組相同，但在三維變分分析中去除青藏高原地區的觀測資料；在云分析和陸面同化分析方案中把青藏高原區域的觀測資料賦為缺省值，扣除青藏高原觀測資料的范圍為： 如圖1的紅色框圖所示。

在兩組試驗中三維變分同化的觀測資料包括探空（TEMP）、地面報（SYNOP）、船舶報（SHIPS）、飛機報（AIREP）這些常規資料，以及非常規資料云導風（SATOB）、GPS反演的可降水量（GPSPW）掩星折射率（GNSSRO）、洋面散射計風（SCATWIND）、風廓線雷達（WPR）和雷達徑向風（VR）。圖4為2020年7月3日00時冷啟的兩組試驗三維變分使用的觀測資料情況，從圖中可以看出，兩組試驗中探空同化的份數最多，超過2萬份，其次是地面和雷達徑向風，都超過1萬份，飛機報超過5000份。T3dvNoQingZ試驗去除青藏高原上的觀測資料后，探空觀測資料減少最多，減少了 11.83% ，地面報資料減少了 9.06% ，雷達徑向風減少了 2.41% ，飛機報減少了 3.40% ，三維變分同化的觀測總份數減少了 7.80% 。云分析使用了風云2G的亮溫和云總量格點資料以及雷達反射率格點資料，T3dvNoQingZ試驗中把青藏高原區域的所有風云2G的亮溫和云總量，以及雷達反射率的格點數據賦值為缺省。陸面同化的觀測資料采用CLDAS-V2.0（中國氣象局陸面數據同化系統） 2m 溫度和濕度的格點數據，同樣T3dvNoQingZ試驗中的青藏高原區域觀測資料也賦值為缺省。T3dvNoQingZ的循環試驗中雖然在分析中去除了青藏高原地區所有觀測資料，但由于把NCEP全球模式預報場作為冷啟的背景場和側邊界，NCEP全球模式預報場中隱含過去時段青藏高原地區的觀測信息，并不能完全消除這一區域觀測信息時間傳播的影響。

3.2高空要素分析和預報差別

選取2020年7月5日00時暖啟的前 ^72h 預報進行診斷，比較有無青藏高原觀測資料的分析和預報差別。從圖5a可以看出，兩組試驗暖啟分析場在500hPa 的位勢高度和風場的差別主要在青藏高原區域，其中位勢高度最大差別不超過 10gpm ，而在長江中下游地區位勢高度差別不到 3gpm ，說明雖然在 ^12h 時段內經過了每3h間隔的觀測資料對預報場修正，青藏高原地區觀測對長江中下游地區的暖啟分析影響不明顯。經過預報后，兩組試驗位勢高度和風場預報差別都隨著預報時效增長而有所增加。高原地區位勢高度 24h 預報差別最大區域在青海東部和甘肅中部，位勢高度差別最大超過12gpm;而在長江中下游地區 24h 位勢高度預報差別在 12gpm 以內（圖5b）， ^48h 預報的差別基本在20gpm以內， ^72h 預報差別超過 20gpm 。從圖5還可以看出，青藏高原觀測的影響隨著預報時效增加向天氣系統下游傳播，在長江中下游地區兩組試驗72h預報差別較大。

3.3地面要素檢驗

比較2020年7月4—8日00時暖啟起報的長江中下游地區地面要素預報與觀測的平均均方根誤差（圖6），兩組試驗的 2m 溫度和 10m 風場前 24h 預報均方根誤差相差不大， 24h 預報后青藏高原觀測資料的影響傳播到長江中下游區域，因而兩組試驗的地面要素均方差誤差有明顯差別，其中由于缺乏青藏高原地區的觀測資料，T3dvNoQingZ試驗24～72h 的 2m 溫度和 10m 風場的預報均方根誤差都有所增加，其中 2m 溫度預報均方根誤差最大增加了 0.2K，10m 風場的預報均方根誤差最大也增加了 0.1m?s^-1 以上。

比較兩組試驗5d暖啟的每 24h 降水預報ETS評分，從圖7可以看出，由于同化了青藏高原地區的觀測資料，T3dv試驗在 0～24h 時段的ETS評分在各個降水量級明顯高于T3dvNoQingZ試驗；在 24～ ^48h 預報時段的大暴雨以下量級的ETS評分也顯著高于T3dvNoQingZ試驗；在 48～72h 預報時段的暴雨以下量級的ETS評分也占優。同時也可以看出，24、48和 ^72h 各量級降水預報ETS評分逐漸下降，例如 24h 小雨的ETS評分達0.5，而 ^48h 小雨的ETS評分在0.4附近； ^72h 小雨的ETS評分不到0.3。以上說明預報時效越長，預報誤差有所增長，降水預報質量越差。

詳細分析長江中下游地區7月7日00時—8日00時 24h 累積降水的不同預報時效預報情況，從圖8a可以看出，這一時段實況降水落區主要集中在長江中下游地區偏南區域，呈東西走向， 50mm 以上暴雨在湖北中東部，湖南北部，江西北部和浙江中部； 200mm 以上超大暴雨出現在湖北東部和江西北部地區。T3dv和T3dvNoQingZ試驗的24、48h預報對降水的落區和強度整體和實況一致， ^72h 預報的 50mm 以上暴雨比較分散， 200mm 以上超強暴雨漏報；其中T3dv試驗在24、 ^48h 預報對100mm以上的大暴雨和 200mm 以上的超大暴雨的預報都明顯優于T3dvNoQingZ試驗，特別是T3dv試驗在湖北東部 48h 預報 200mm 超大暴雨落區與實況一致，但范圍略大。

綜上所述，青藏高原觀測資料的缺失會明顯影響長江中下游地區 24～72h 預報的地面 2m 溫度和10m 風場質量，對 ^72h 內的降水預報質量都有顯著負影響。

4 目標區觀測影響估計

集合變換卡爾曼濾波（ETKF）方法可以定量表征實施目標觀測后預報誤差協方差減?。ㄓ^測影響的大小用信號方差來表示），從而體現目標觀測對預報質量的改善（田偉紅，2006；馬旭林等，2014）。信號方差（signalvariance）定義為：

其中： P^a 為分析誤差協方差矩陣； P^f 為預報誤差協方差矩陣。

由于探空觀測資料在同化中占比最大，以及其在青藏高原地區減少最多，為了進一步診斷青藏高原地區的探空觀測資料減少后對其他區域分析預報的影響，文中采用ETKF方法把青藏高原地區作為敏感區，針對這次梅雨過程，估計在敏感區探空觀測資料減少后，其他區域預報誤差（信號方差）變化情況。

文中采用第3節同樣的區域中尺度模式（CMA-MESOv5.1版本），采用和循環同化試驗一致的時空分辨率，利用CMA-MESO3DVar進行控制變量隨機擾動方法得到2020年7月4日12時的30個具有靜態背景誤差協方差特征的集合樣本初值，對集合樣本初值進行 ^12h 預報，獲得具有流依賴信息的集合樣本初始場。在2020年7月5日00時對30個集合樣本初始場進行 ^72h 預報，最終獲得試驗使用的集合預報場。將集合擾動總能量作為度量標準評估高原地區探空觀測的影響，由于青藏高原大地形，文中將500、200和 100hPa 三層平均的擾動總能量定義為總信號方差：

其中：S為總能量；變量 u^′，ν^′，T^′ 分別表示水平風風量和溫度擾動； c_p 為干空氣的比定壓熱容； T_r 為參考溫度，這里取 300K 。通過ETKF方法統計得到敏感區觀測資料變化后總信號方差的變化情況如圖9所示。

從圖9a可以看出，青藏高原觀測資料減少后，分析時刻信號方差的數值相對較小，信號方差小于

4J?kg^-1 ；主要影響區域為青藏高原的東部、長江中下游地區和山東。隨著預報時效增長，經過 24h 預報后（圖9b），信號方差數值也大幅度增長，最大值在 左右，青藏高原觀測資料的影響區域主要在長江中下游地區；經過 ^48h 預報后（圖9c），青藏高原觀測資料主要影響長江下游地區和華北東部區域，信號方差在 125～300J?kg^-1 ；經過 ^72h 預報后（圖9d），信號方差主要在長江以南的區域較大，約 100～225J?kg^-1 ，以及黃海和東海區域，信號方差也達到 。綜上所述，信號方差最大的區域與圖5中兩組試驗的預報差別最大的區域相對應，說明在這次梅雨期降水過程中，青藏高原觀測資料的缺失會導致模式初值的不確定性，初始誤差能夠迅速傳播到下游地區，對長江中下游地區的預報有明顯影響。

5 結論和討論

本文采用CMA-MESO三維變分和區域中尺度模式預報系統，通過進行 ^3h 間隔快速更新分析預報循環試驗，考察青藏高原地區的觀測資料對2020年7月4—8日長江中下游地區梅雨期預報的影響。從試驗可知，隨著預報時效的增加，T3dv和T3dvNoQingZ試驗在長江中下游地區高空要素預報場差別越來越大，從目標區觀測影響估計也可以看出青藏高原觀測資料的缺失對長江中下游地區的預報有明顯負影響。從地面 2m 溫度和 10m 風場預報的均方根誤差可以看出，由于缺乏青藏高原地區的觀測資料，T3dvNoQingZ試驗在長江中下游地區的 24～72h 的 2m 溫度和 10m 風場的預報均方根誤差有所增加，對 ^72h 內降水預報質量有顯著負影響，不同預報時效的降水ETS評分在各個降水量級也有所下降。

在T3dvNoQingZ試驗中，三維變分分析除去了青藏高原地區所有類型觀測資料，而不同類型觀測資料減少程度對分析和預報的影響沒有進一步研究。Zhangetal.（2018）通過觀測擾動方法診斷各類觀測資料在GRAPES-3DVar分析中貢獻，表明在中國區域探空觀測資料對分析的貢獻最大，其中探空資料對于溫度和濕度分析的貢獻最大，其次為掩星觀測資料；對風場分析貢獻最大的也是探空觀測資料，其次是飛機和云導風資料。本文兩組數值預報試驗中探空觀測份數在同化中占比最高，雷達徑向風和飛機報資料在同化中占比也較多；在T3dvNoQingZ試驗中探空觀測資料減少最多，達11. 83% ，雷達徑向風和飛機報資料減少量都超過2.4% ，可以推斷出青藏高原地區探空觀測資料的減少對分析影響最大，其次是雷達徑向風和飛機報資料。雖然地面報資料在同化中占比較大，在T3dvNoQingZ試驗中，地面報資料也減少較多，達9.06% ，但是由于地面報資料只有近地面一層，因而對分析的影響較弱，特別對中高層的分析影響有限。青藏高原地區不同類型觀測資料減少對下游地區預報質量的影響比較復雜，受天氣系統、云分析應用和區域中尺度模式積分時長等影響，可以通過觀測敏感性試驗進一步研究。本文只針對2020年長江中下游地區梅雨過程進行的一次個例研究，青藏高原地區觀測資料的影響還需要更多的模擬試驗進一步驗證；同時高原觀測資料對其他類型災害性天氣過程的影響也需要進一步研究。

從以上分析可以看出，青藏高原處于長江中下游地區天氣系統的上游，因此上游地區觀測資料對下游地區預報質量有明顯的影響。青藏高原觀測資料布網不僅對當地天氣分析和預報有影響，對我國東部區域也有意義。為了提高我國東部區域災害性天氣預報質量，不僅要在當地增加雷達等觀測站點，在上游的青藏高原地區部署更多的雷達、衛星等觀測設備也會有積極的影響。依據梅雨季節性降水預報的觀測敏感區可以增加探空等三維廓線觀測布網，而對于容易突發局地性強降水的觀測敏感區可部署移動觀測站，從而提高區域災害性天氣的預報質量。另一方面，區域模式提高分辨率后，由于計算效率等考慮，往往模擬區域范圍比較小，會忽略研究區域以外觀測和預報信息的影響，而天氣系統是隨時間和空間演變的，有限區域范圍太小，上游信息的缺失會對下游天氣預報有顯著影響，這可能會嚴重影響模擬區域的預報質量。為了緩解這一問題，高分辨率有限區域的模擬應該考慮高低分辨率的嵌套，變分辨率模式，或者通過混合尺度分析來引入上游地區的信息來緩解有限區域的不利影響。

參考文獻（References）

ChenDH，XueJSYngXSetlNwgeneratioofuliscaleNte（GAES）eneralsientficdsinJ].Chin，3（22）：3433-3445.D0I：10. 1007/s11434-008-0494-z.

陳濤，張芳華，于超，等，2020.2020年6—7月長江中下游極端梅雨天氣特征分析[J].氣象，46（11）：1415-1426．ChenT，ZhangFH，YuC，etal.，2020.SyopticalysisofetreeMeiprecipitationoverYangtzeverbsinuringuneJulyoJeteoro，464-1426.DOI：10. 7519/j.issn.1000-0526.2020.11.003.（ in Chinese）.

杜如意，宋雨佳，趙傳湖等，2024.1961—2020年長江下游地區夏季降水趨勢分析[J].大氣科學學報，47（4）：57-569．DuRY，SongYJ，ZhaoCH，etal.024Aalysisofmerprecipitatiotredsintowreachofeagtzeiverfro96toJ]ansAosi4（4） ：557-569.DOI：10.13878/j.cnki.dqkxxb.20230911002.（ in Chinese）.

范旭燕，李躍清，2022.夏季青藏高原熱源對下游降水影響的研究進展[J].高原山地氣象研究，42（4）：60-66．Fan XY，LiYQ，2022.ResearchprogressoftheifluenefeatsousoetanPateainmrodostreampreipiatoateauMteteorRs，（4）6-66.DOI：10.3969/j.issn.1674-2184. 2022.04. 008.（in Chinese）.

黃麗萍，陳德輝，鄧蓮堂，等，2017.GRAPES Meso V4.0主要技術改進和預報效果檢驗[J].應用氣象學報，28（1）：25-37．HuangLP，Chen DH，DengLT，etal.017.aintechnicalimprovementsofGRAPSmesoV4.0andvrificationJ].JApplMeteorSci8（1）：57：10.11898/1001-7313.20170103.（in Chinese）.

黃麗萍，鄧蓮堂，王瑞春，等，2022.CMA-MESO關鍵技術集成及應用[J].應用氣象學報，3（6）：641-654．HuangLP，DengLT，WangRC，etal.，202.Keytoisfdatiatastet）6O7313.20220601.（in Chinese）.

金小霞，劉梅，李楊，等，2023.江淮梅雨期不同類型暴雨過程鋒生特征分析[J].大氣科學學報，46（4）：60-614．JinXX，Liu M，LiY，et al.，2023.AnalysisoftefrotgensisacteitisofdiettoistoinhJaipsS4614.DOI：10.13878/j.cnki.dqkxxb.20220727001.（in Chinese）.

李國平，2021.青高原天氣動力學研的新進展[J]氣象科技進展，11（3）：58-65．LiGP，021Newresearchprogressinsyopticdyamicsofthe Tibetan Plateau[J].Adv MeteorSci Technol，11（3）：58-65.（inChinese）.

馬驕，魏科，陳文，2022.長江流域梅雨期大范圍持續性強降水事件的自維持機制：2020年一次暴雨過程的個例分析[J].大氣科學，46（6）：1394-1406.MaJ，WeiKChenW22Selfmaintangmchansmoflage-scalepersteteavinalleventinMeiuprdcedyfYangtzeRiver heavy rainfallin 2020[J].Chin JAtmos Sci，46（6）：1394-1406.（in Chinese）.

MaTT，WuGiet2oeeaureictieiiaeau，andeverfloodinglongtheYangtzeRiver insummer2J].QuartJRoyMeteorSc，148（743）：-019.DOI：10.002/qj.443.

馬旭林，莊照榮，薛紀善，等，2009.GRAPES非靜力數值預報模式的三維變分資料同化系統的發展[J].氣象學報，67（1）：50-60．MaXL，ZhuangZR，XueJStaleveetof-ratioaldatilatiostfotedrostaticmcaltrnmodel-GRAPES[J].Acta Meteor Sinica，67（1）：50-60.DO1：10.3321/j.issn：0577-6619.2009.01.006.（in Chinese）.

馬旭林，于月明，姜勝，等，2014.基于集合卡爾曼變換的目標觀測敏感區識別系統優化及影響試驗[J].大氣科學學報，37（6）：749-757．Ma XL，YuYMgSetltidfeeeittetifsiasfoettiTrans Atmos Sci，37（6）：749-757.DOI：10.13878/j.cnki.dqkxxb.20140314002.（in Chinese）.

齊倩倩，朱躍建，陳靜，等，2023.CMA-GEPS對中國超強梅雨天氣過程的預報能力分析[J].大氣科學學報，46（3）：415-430．QiQQ，ZhuYJ，ChenJetal.AsetofpdicticapbitforheetreipressossSi4）：-430.DOI：10.13878/j.cnki.dqkxxb.20220306001.（in Chinese）.

唐永蘭，徐桂榮，萬蓉，2022.2020年主汛期長江流域短時強降水時空分布特征[J].大氣科學學報，45（2）：212-224．TangYL，XuGR，Wan R，2022.Temporaldspatialdisriboharacteristiofoatoinfallineangteivesinuiaifoof2020[J].Trans Atmos Sci，45（2）：212-224.DOI：10.13878/j.cnki.dqkxxb.20211124002.（in Chinese）.

田偉紅，2006集合變換卡爾曼濾波方法在集合預報和適應性觀測中的初步應用[D].北京：中國氣象科學研究院．TianW H，2006.PreliminaryapplicationofesemblersfoKalmanfiterethodineseblepredictionadadaptieobseatioDejing：ChinseAadefeteorological Sciences.（in Chinese）.

王晨宇，姚素香，黃安寧，等，2021.不同緯度天氣尺度擾動影響 2020年夏季梅汛期降水的數值模擬[J].·大氣科學學報，44（2）：228-239．WangCY，YaoSXatallatotsficalesbaatttieiitin 2020[J].Trans Atmos Sci，44（2）：228-239.DO1：10.13878/j.cnki.dqkxxb.20201122001.（in Chinese）.

王慧，2005.青藏高原正渦度源的形成及其對中國東部梅雨的影響[D].南京：南京信息工程大學．Wang H，2005.Formationof posive vortitysourceinQighetPateanditsecoeinasteChiaDanjinganingUivesityofIfoatiSieednology.（in Chinese）.

徐枝芳，郝民，朱立娟，等，2013.GRAPES_RAFS系統研發[J].氣象，39（4）：466-477．XuZF，HaoM，ZhuLJ，etal.，2013.OntheresearchanddevelopmentofGRAPES_RAFS[J].MeteorMon，39（4）：466-477DOI：10.7519/j.isn.100-0526.2013.04.009.（inChinese）.

薛紀善，陳德輝，2008.數值預報系統GRAPES的科學設計與應用[M].北京：科學出版社：1-64．XueJS，ChenDH，208.Scientifcdesignandapplication of GRAPES[M].Beijing：China Science Press：1-64.（in Chinese）.

薛紀善，劉艷，張林，等，2012.GRAPES 全球三維變分同化系統模式變量分析版文檔[R]//中國氣象局數值預報中心技術手冊.北京：中國氣象局：1-11.XueJ，iuagLetal.SificuetatiofDVrversiofolobalodeluaf-calWeatherPredictionCenterChinaMeteorolgicalAdministratioBeiingChinaMeterologicalAdmiistration-1.（inie）.

楊夢兮，劉梅，柯丹，等，2020.2020年江淮地區梅雨異常的成因分析[J].暴雨災害，39（6）：55-563．YangMX，LiuM，KeD，etal，Causeanalysisof Meiyu anomalyinJianghuairegion in202oJ].TorentialRainandDisasters，39（6）：555-563.（inChinese）.

張芳華，陳濤，張芳，等，2020.2020年6—7月長江中下游地區梅汛期強降水的極端性特征[J].氣象，46（11）：1405-1414．ZhangFH，ChenT，ZhangFetaltreufeepreiiaoineiretedeowcofgtevsiuJuly2020[J].MeteorMon，46（11）：1405-1414.（in Chinese）.

ZhangLH，GongJD，WangRC2018Diagostialysisofvrousbservatioipactsinte3DVARasiilatiosytofloblGAEJ].Mon WeaRev，146（10）：3125-3142.DOI：10.1175/mwr-d-17-0182.1.

ZhangRH，ShenXS，OnthevelopntofteGAS—ewgeneratioofthatioaloperatioalNWssteininaJhinSciBull，53（22）：3429-3432.D0I：10.1007/s11434-008-0462-7.

趙平，李躍清，郭學良，等，2018.青藏高原地氣耦合系統及其天氣氣候效應：第三次青藏高原大氣科學試驗[J].氣象學報，76（6））：833-860.ZhaoP，LiYoXLetal8hetanateasufaceospeouigsteseatadatectsthdbetan Plateau Atmospheric Scientific Experiment[J].Acta Meteor Sinica，76（6）：833-860.（in Chinese）.

莊照榮，王瑞春，王金成，等，2019.GRAPES_Meso背景誤差特征及應用[J].應用氣象學報，30（3）：316-31．Zhuang ZR，WangRC，Wang JC，etal.2019.Cacteristaosee）7313.20190306.（in Chinese）.

莊照榮，王瑞春，李興良，2020.全球大尺度信息在 3km GRAPES-RAFS系統中的應用[J].氣象學報，78（1）：33-47．ZhuangZR，WangRC，LiXL，2020.AplicationofglobalagescaleiforationtGRAEPSRAFSsstemJ].ActaMeteorSnica，78（1）33-47DO：1011676/qxxb2020.002.（in Chinese）.

莊照榮，李興良，2021.尺度疊加高斯相關模型在GRAPES-RAFS中的應用[J].氣象學報，79（1）：79-93．ZhuangZR，LiXL，2021.Theapplica-tioofsuperpositioofusscompotsiA-RSJctaMeteSinica79（1）79-93O：10676qxbnese）.

莊照榮，江源，田偉紅，等，2023.CMA-MESO逐時快速更新同化預報系統及其短臨預報效果初步分析[J].大氣科學，47（4）：925-942．ZhuangZR，JiangY，anWHetal.3ouldtisiilaiofrasttof-Odeliaaforecasting effect[J].ChinJAtmosSci，47（4）：925-942.（in Chinese）.

Impact of Qinghai-Xizang Plateau observations on the forecasting of Meiyu in the middle and lower reaches of the Yangtze River in 2020

ZHUANG Zhaorong1，2.3，TIAN Weihong1，2.3，CHEN Yuxiao1，4 ，CHEN Jing1，2，3

1CMA Earth System Modelingand Prediction Centre，Beijing 10o81，China;

2State KeyLabratoryofevereWeatherMeteorogicalScienceandTechology（LasW），hinesecademyofeteoroogicalSciencsein

100081，China;

3CMA Key Laboratory of Earth System Modeling and Prediction，Beijing 10oo81，China;

4School ofAtmospheric Sciences，Lanzhou University，Lanzhou 73ooo0，China

AbstractThe Qinghai-Xizang Plateau plays asignificant role in influencing China’s climate and weather patterns.However，theregional observation density isconsiderably lower than thatof eastern China.Despite this sparsity，observations from the Qinghai-Xizang Plateau cansignificantly affect weather forecasts for downstream areas，such as the middle and lower reaches of the Yangtze River.With advancements in the resolution of regional models，many operational forecasting systems in eastern China exclude the Qinghai-Xizang Plateau，leaving the impact of its observations on downstream forecast quality unclear.This study uses the CMA-MESO rapid updating cycle system to simulate the Meiyu weather event that ocurred in early July 2O2O in the middle and lower YangtzeRiver region.The study evaluates the influence of missing observations from the Qinghai-Xizang Plateau on the accuracy of forecasts for downstream weather systems.Results indicate that the absence of Qinghai-Xizang Plateau observations significantly degrades the 24—72-hour forecasts for surface 2-meter temperature and 10- meter wind fieldsinthe middle and lower YangtzeRiver.It also negatively affects precipitation forecasts during the first three days.Analysis of the observational impact highlights that Qinghai-Xizang Plateau observations primarily influence the middle and lower Yangtze River region，withthe largest variance in the 24—72-hour forecast signal occurring in these areas.Thus，improving forecast quality in the middle and lower Yangtze River requires accounting for upstream observational data from the Qinghai-Xizang Plateau and the spatiotemporal propagation of this.To enhance severe weather forecasting in eastern China，it is crucial to not only increase local observation infrastructure，such asradarsand weather stations，but also to deploy additional radarsand satelites in the Qinghai-Xizang Plateau.Incorporating three-dimensional observational profiles，such as soundings，and deploying mobileobservation stations in regions prone to sudden localized heavy precipitationcan significantly improve forecast quality.Additionaly，to mitigate the limitations offinite-region models，approaches such as high-low resolution nesting，variable-resolution modeling，or blending analyses methods should be adopted to incorporate upstream information.

Keywordsthe Qinghai-Xizang Plateau observations; Meiyu rainfall; 3DVar; CMA-MESO; rapid refresh analysis and forecasting

DOI：10.13878/j.cnki.dqkxxb.20240506001

（責任編輯：劉菲）