广州“5.7”暴雨预报的模式不确定性研究

陈黛雅; 沈学顺; 霍振华

doi:10.11676/qxxb2023.20220047

广州“5.7”暴雨预报的模式不确定性研究

doi: 10.11676/qxxb2023.20220047

陈黛雅^{1, 2,},
沈学顺^{2, 3, ,},
霍振华^{2, 3}

1.
中国气象科学研究院，北京，100081
2.
中国气象局地球系统数值预报中心，北京，100081
3.
中国气象科学研究院灾害天气国家重点实验室，北京，100081

基金项目: 国家重点研发计划“高精度可扩展数值天气预报模式研究”项目（2017YFC1501904）

详细信息

作者简介:
陈黛雅，主要从事对流尺度集合预报研究。E-mail：daiya_chen@126.com

通讯作者:
沈学顺，主要从事数值预报与数值模拟研究。E-mail: shenxs@cma.gov.cn

中图分类号: P457P458
计量
- 文章访问数: 84
- HTML全文浏览量: 12
- PDF下载量: 32
- 被引次数: 0
出版历程
- 收稿日期: 2022-03-17
- 录用日期: 2022-12-20
- 修回日期: 2022-07-15
- 网络出版日期: 2022-08-01

A study on the model uncertainty of rainstorm forecast in Guangzhou on 7 May 2017

Chen Daiya^{1, 2
,},
Shen Xueshun^{2, 3
, ,},
Huo Zhenhua^{2, 3}

1.
Chinese Academy of Meteorological Sciences，Beijing 100081，China
2.
CMA Earth System Modeling and Prediction Centre（CEMC），Beijing 100081，China
3.
State Key Laboratory of Severe Weather，Chinese Academy of Meteorology Sciences，Beijing 100081，China

摘要

摘要: 2017年5月7日，在弱天气尺度强迫下，广州发生了暖区特大暴雨，局地发展迅速，降水强度极端，多家业务模式出现了漏报情况。为了探究此次降水过程模式预报的不确定性，采用条件非线性最优参数扰动（Conditional Nonlinear Optimal Perturbation related to Parameters，CNOP-P）方法筛选出最能体现中小尺度系统非线性误差增长特征的关键物理参数，以此构造CNOP-P-RP模式扰动方案，并基于CMA-Meso模式进行对流尺度集合预报试验，最后探究了CNOP-P关键参数影响局地对流发生、发展不同阶段的物理机理。结果显示，不同降水阶段的CNOP-P敏感参数主要与垂直扩散、云雨自动转换或其他水成物向雨滴的转换有关。与业务上常用的随机物理倾向扰动（Stochastically Perturbed Parameterization Tendencies，SPPT）方案相比，在本次降水过程中，基于CNOP-P-RP方案构造的集合预报试验具有更高的降水和地面要素的概率预报技巧，集合预报系统可靠性也占优。进一步分析发现，垂直扩散不确定性导致的山前温度梯度和地面冷池的变化在对流触发和暴雨发展中起了重要作用。7日00—04时（北京时，下同），花都强降水中心附近垂直扩散的增强使热量、动量和水汽的垂直输送加强，由此造成的雪、霰粒子融化增多是降水量增大的主要原因，说明该阶段雨滴的形成虽以云水的凝结碰并为主，但冰相粒子的作用不容忽视；7日04—08时，随着水汽输送和上升运动增强，更活跃的暖雨过程主导了增城强降水中心降水量的增多。该研究初步证明CNOP-P-RP方案在刻画对流尺度模式不确定性方面的可行性，可为华南暖区暴雨预报的改进提供一定参考。
- 条件非线性最优参数扰动 /
- 模式不确定性 /
- CMA模式 /
- 对流尺度集合预报
Abstract: A warm-sector torrential rain under weak synoptic scale forcing occurred in Guangzhou on 7 May 2017. The precipitation process developed rapidly and locally, and the precipitation intensity is extremely high. Many operational numerical weather prediction models failed to forecast this storm. To study the model uncertainty in the forecast of this precipitation process, the Conditional Nonlinear Optimal Perturbation related to Parameters (CNOP-P) is adopted to select key physical parameters which can best represent the nonlinear error growth characteristics of the meso-micro scale system. A new model perturbation scheme CNOP-P-RP is constructed based on these key parameters. Convective-permitting ensemble prediction experiment is carried out based on the CMA-Meso model. Finally, the physical mechanism behind the influences of key parameters selected by CNOP-P on local convection in different stages is investigated. The result shows that the key parameters selected by CNOP-P are mainly related to vertical diffusion, auto-conversion from cloud to rain and conversion from other hydrometeors to raindrops. Compared with Stochastic Perturbed Parameterization Tendencies (SPPT) scheme which is widely utilized in operational ensemble prediction systems, the ensemble prediction experiment based on the CNOP-P-RP scheme is more skillful and reliable for probability forecast of precipitation and surface elements in this process. Further analysis shows the variation of piedmont temperature gradient and surface cold pool caused by the uncertainty of vertical diffusion plays an important role in convective triggering and rainstorm development. From 00:00 to 04:00 BT 7 May, the enhancement of vertical diffusion near the center of heavy precipitation in Huadu strengthened the vertical transport of heat, momentum and water vapor. The melting of snow and graupel particles is the main reason for the increase of precipitation, indicating that although the formation of raindrops is mainly caused by condensation near the top of boundary layer and collision of cloud water, the effect of ice particles cannot be ignored. From 04:00 BT to 08:00 BT 7 May, with the strengthening of water vapor transport and upward movement, a more active warm rain process dominated the increase of precipitation in the heavy precipitation center at Zengcheng. This study preliminarily proves the feasibility of the CNOP-P-RP scheme in describing the uncertainties in convection-permitting ensemble prediction systems, and provides some references for the improvement of warm-sector torrential rain forecast in South China.
- Conditional nonlinear optimal perturbation related to parameters /
- Model uncertainty /
- CMA model /
- Convection-permitting ensemble prediction

HTML全文

图 1 2017年5月6日20时起报的不同业务模式对广东地区24 h累计降水量的预报结果（a. NCEP_GFS 50 km模式，b. ECMWF_IFS 12.5 km模式）（陈静等，2017）

Figure 1. Forecasts of 24 h accumulated precipitation in Guangdong by different operational models initialized at 20：00 BT 6 May 2017 （a. NCEP_GFS 50 km model，b. ECMWF_IFS 12.5 km model）（Chen，et al，2017）

下载: 全尺寸图片幻灯片

图 2 模式预报区域的划分

Figure 2. Division of model prediction area

下载: 全尺寸图片幻灯片

图 3 A阶段（a）和B阶段（b）的rio随预报时间的变化（灰色虚线为筛选阈值1.5%）

Figure 3. Variations of rio at stage A （a） and stage B （b） with forecast time （the gray dotted line shows the screening threshold of 1.5%）

下载: 全尺寸图片幻灯片

图 4 A阶段4 h累计降水量观测值（a）和对照预报（b），EXP1a （c）和EXP2a （d）中4 h累计降水的集合平均（色阶）和集合离散度（实线），EXP1a集合平均相对于对照预报（e）和EXP2a集合平均相对于对照预报（f）的4 h累计降水量之差（HD：花都，ZC：增城，单位：mm）

Figure 4. Observed （a） and control experiment forecast （b） of 4 h accumulated precipitation at stage A，ensemble average （shaded） and ensemble spread （solid line） of 4 h accumulated precipitation in EXP1a （c） and EXP2a （d），（e） difference in 4 h accumulated precipitation between the ensemble average of EXP1a and the control experiment，（f） difference in 4 h accumulated precipitation between the ensemble average of EXP2a and the control experiment forecast （HD：Huadu，ZC：Zengcheng，unit：mm）

下载: 全尺寸图片幻灯片

图 5 B阶段4 h累计降水量观测值（a）和对照预报（b），EXP1b （c）和EXP2b （d）中4 h累计降水的集合平均（色阶）和集合离散度（实线），EXP1b集合平均相对于对照预报（e）和EXP2b集合平均相对于对照预报（f）的4 h累计降水量之差（单位：mm）

Figure 5. Observed （a） and control experiment forecast （b） of 4 h accumulated precipitation at stage B，ensemble average （shaded） and ensemble spread （solid line） of 4 h accumulated precipitation in EXP1b （c） and EXP2b （d），（e） difference in 4h accumulated precipitation between the ensemble average of EXP1b and the control experiment forecast，（f） difference in 4 h accumulated precipitation between the ensemble average of EXP2b and the control experiment forecast （unit：mm）

下载: 全尺寸图片幻灯片

图 6 集合预报试验中逐时降水的BS评分（a. ≥0.1 mm，b. ≥1.6 mm，c. ≥7 mm，d. ≥15 mm）

Figure 6. BS score of hourly precipitation for ensemble prediction experiment （a. ≥0.1 mm，b. ≥1.6 mm，c. ≥7 mm，d. ≥15 mm）

下载: 全尺寸图片幻灯片

图 7 集合预报试验中连续分级概率评分（a—c），集合预报一致性评分（d—f）和离群值评分（g—h）随预报时间的演变（a、d、g. 2 m气温，b、e、h. 2 m湿度，c、f、i. 10 m风速）

Figure 7. Evolutions of continuous ranked probability score （a—c），ensemble prediction consistency score （d—f） and outlier score （g—h） with prediction time in ensemble prediction experiments （a，d，g. 2 m temperature，b，e，h. 2 m humidity，c，f，i. 10 m wind speed）

下载: 全尺寸图片幻灯片

图 8 7日00时（a）和02时（b） EXP1a集合平均与对照预报的2 m气温差（色阶，单位：10⁻¹°C）、地面气压差（绿线，单位：10⁻¹ hPa）和10 m风差值（单位：10⁻¹ m/s）

Figure 8. Differences in 2 m temperature （shaded，unit：10⁻¹℃），surface pressure （green lines，unit：10⁻¹ hPa） and 10 m wind （unit：10⁻¹ m/s） between the ensemble average of EXP1a and control experiment forecast at 00：00 BT （a） and 02：00 BT 7 May （b）

下载: 全尺寸图片幻灯片

图 9 7日00时（a）和02时（b） EXP1a集合平均与对照预报的边界层高度差（色阶，单位：m）和2 m比湿差（黑线，单位：g/kg）

Figure 9. Differences in boundary layer height （shaded，unit：m） and specific humidity （black lines，unit：g/kg） between the ensemble average of EXP1a and control experiment forecast at 00：00 BT （a） and 02：00 BT 7 May （b）

下载: 全尺寸图片幻灯片

图 10 7日04时（a）和06时（b） EXP1b集合平均与对照预报的2 m气温差（色阶，单位：10⁻¹°C）、地面气压差（绿线，单位：10⁻¹ hPa）和10 m风速差（单位：10⁻¹ m/s）

Figure 10. Differences in 2 m temperature （shaded，unit：10⁻¹℃），surface pressure （green lines，unit：10⁻¹ hPa） and 10m wind （unit：10⁻¹ m/s） between the ensemble average of EXP1b and control experiment forecast at 04：00 BT （a） and 06：00 BT 7 May （b）

下载: 全尺寸图片幻灯片

图 11 HP_a与LP_a （a），HP_b与LP_b （b）的温度差 ℃ （色阶，单位：℃）和垂直速度差（黑线，单位：10⁻² m/s）的时间高度剖面

Figure 11. Time-height cross sections of differences in temperature （shaded，unit：℃） and vertical velocity （black lines，unit：10⁻² m/s） between HP_a and LP_a （a），HP_b and LP_b （b）

下载: 全尺寸图片幻灯片

图 12 HP_a与LP_a （a），HP_b与LP_b （b）的水凝物混合比之差时空平均的垂直廓线（Qr：雨，Qv：水汽，Qc：云水，Qi：云冰，Qs：雪，Qg：霰）

Figure 12. Spatiotemporal average vertical profiles of differences in hydrometeor mixing ratio between HP_a and LP_a （a） and between HP_b and LP_b （b）（Qr：rain，Qv：water vapor，Qc：cloud water，Qi：cloud ice，Qs：snow，Qg：graupel）

下载: 全尺寸图片幻灯片

表 1 从各参数化过程中选取的物理参数

Table 1. Physical parameters selected from various parameterization schemes

物理过程	序号	代码名称	参数名称	参考值	扰动范围
边界层过程	P1	RLAM	渐近混合长度	150	[30，450]
边界层过程	P2	BRCR	临界理查森数	0.5	[0.125，1]
边界层过程	P3	PFAC	廓线指数	2	[1，3]
边界层过程	P4	CFAC	计算近地层顶Prandtl数的比例系数	7.8	[3.9，15.6]
云微物理过程	P5	AVTR	计算雨滴下落速度的参数	841.9	[420，1263]
云微物理过程	P6	AVTG	计算霰粒子下落速度的参数	330	[165，495]
云微物理过程	P7	AVTS	计算雪粒子下落速度的参数	11.72	[5，18]
云微物理过程	P8	N0R	雨滴谱截距	8×10⁶	[8×10⁵，8×10⁷]
云微物理过程	P9	PEAUT	云滴的碰并效率	0.55	[0.1，0.85]
云微物理过程	P10	DENG	霰粒子密度	500	[100，900]
云微物理过程	P11	N0G	霰粒子谱截距	4×10⁶	[2×10⁵，6×10⁷]
云微物理过程	P12	XNCR	云滴数浓度	3×10⁸	[1×10⁷，1×10⁹]
云微物理过程	P13	DIMAX	云冰的最大直径	5×10⁻⁴	[2×10⁻⁴，8×10⁻⁴]
云微物理过程	P14	R0	云雨自动转换的临界液滴半径	8×10⁻⁶	[4×10⁻⁶，1.2×10⁻⁵]
云微物理过程	P15	QS0	雪霰自动转换的临界混合比	6×10⁻⁴	[1×10⁻⁴，1×10⁻³]

下载: 导出CSV

表 2 相关云微物理参数的作用

Table 2. Effects of relevant cloud microphysical parameters

序号	代码名称	参数名称	相关的云微物理转换项
P5	AVTR	计算雨滴下落速度的参数	云水碰并雨；雨滴凝结/蒸发；雨滴碰并云冰增长为雪/霰；
P6	AVTG	计算霰粒子下落速度的参数	云水碰并霰；霰融化为雨；霰升华/凝华；霰融化并蒸发；
P7	AVTS	计算雪粒子下落速度的参数	云水碰并雪；雪融化为雨；雪升华/凝华；雪融化并蒸发；
P8	N0R	雨滴谱截距	云水碰并雨；雨撞冻霰；雨蒸发/凝结；云冰碰并雨滴增长为雪/霰；雨滴碰并云冰增长为雪/霰；雪碰并雨滴增长为霰；雨滴碰并雪增长为雪/霰；雨滴碰并霰；
P9	PEAUT	云滴的碰并效率	云雨自动转换；
P10	DENG	霰粒子密度	霰融化为雨；云冰碰并霰；云水碰并霰；雨碰并霰；霰升华/凝华；霰融化并蒸发；
P11	N0G	霰粒子谱截距	霰融化为雨；云冰碰并霰；云水碰并霰；雨碰并霰；霰升华/凝华；霰融化并蒸发；
P12	XNCR	云滴数浓度	云雨自动转换；云水异质冻结核化；
P13	DIMAX	云冰的最大直径	云冰碰并雨增长为雪/霰；云冰碰并雪；云冰碰并霰；云冰升华/凝华；冰雪自动转换；
P14	R0	云雨自动转换的临界液滴半径	云雨自动转换；
P15	QS0	雪霰自动转换的临界混合比	雪霰自动转换；

下载: 导出CSV

表 3 模式积分时间的设置

Table 3. Setting of mode integration time

降水阶段	起报时间	研究时段
A阶段	2017年5月6日20时	2017年5月7日00—04时
B阶段	2017年5月6日20时	2017年5月7日04—08时

下载: 导出CSV

表 4 A阶段的CNOP-P求解结果

Table 4. CNOP-P solution results at stage A

迭代步数	CNOP-P对应的参数敏感性排序	目标函数	谱投影梯度
0	P2 P13 P10 P8 P4 P11 P1 P7 P14 P3 P15 P6 P12 P5 P9	−363789.86	5.14×10⁻¹
1	P1 P5 P8 P6 P14 P12 P9 P11 P13 P15 P2 P7 P10 P4 P3	−1890936.43	1.05×10⁻
2	P1 P5 P8 P6 P7 P12 P14 P9 P2 P3 P10 P11 P4 P13 P15	−2428671.82	2.37×10⁻²
3	P1 P6 P12 P7 P5 P8 P9 P14 P2 P10 P3 P13 P4 P11 P15	−2444782.84	5.747×10⁻⁴
4	P1 P6 P7 P12 P8 P9 P14 P2 P10 P5 P3 P4 P13 P11 P15	−2396353.53	1.05×10⁻⁵
5	P1 P6 P7 P12 P9 P8 P14 P10 P2 P5 P13 P3 P4 P11 P15	−2412798.59	5.95×10⁻⁶
6	P1 P6 P7 P12 P9 P8 P14 P10 P2 P5 P3 P13 P4 P11 P15	−2407900.10	8.83×10⁻⁶
7	P1 P6 P7 P12 P9 P8 P14 P10 P2 P5 P3 P13 P4 P11 P15	−2364014.09	3.32×10⁻⁶
8	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5 P3 P13 P4 P11 P15	−2377794.96	6.63×10⁻⁶
9	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5 P3 P13 P4 P11 P15	−2369254.15	6.74×10⁻⁶
10	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5 P3 P13 P4 P11 P15	−2388536.83	6.16×10⁻⁶

下载: 导出CSV

表 5 B阶段的CNOP-P求解结果

Table 5. CNOP-P solution results at stage B

迭代步数	CNOP-P对应的参数敏感性排序	目标函数	谱投影梯度
0	P3 P2 P8 P1 P7 P13 P4 P9 P5 P10 P11 P15 P14 P12 P6	−280918.01	4.48×10⁻¹
1	P6 P5 P14 P1 P8 P7 P9 P12 P2 P15 P10 P13 P11 P4 P3	−633662.63	1.87×10⁻²
2	P6 P5 P14 P1 P8 P7 P12 P9 P13 P10 P15 P3 P11 P2 P4	−669609.18	3.12×10⁻⁴
3	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P11 P3 P2 P4	−687939.93	1.44×10⁻⁴
4	P5 P6 P14 P1 P8 P7 P12 P9 P10 P13 P15 P3 P11 P2 P4	−683710.55	2.39×10⁻⁴
5	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−686132.89	6.26×10⁻⁵
6	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−692323.12	5.79×10⁻⁵
7	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−677959.37	1.37×10⁻⁴
8	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−680330.13	8.11×10⁻⁵
9	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−683884.21	1.36×10⁻⁵
10	P5 P6 P14 P1 P8 P7 P9 P12 P10 P13 P15 P3 P11 P2 P4	−687757.99	1.80×10⁻⁵

下载: 导出CSV

表 6 确定关键参数个数的对比试验设置

Table 6. Settings of comparative experiments to determine the number of key parameters

试验序号	降水阶段	扰动参数个数	扰动参数序号
EXPa_2	A阶段	2	P1 P6
EXPa_4	A阶段	4	P1 P6 P7 P12
EXPa_6	A阶段	6	P1 P6 P7 P12 P9 P8
EXPa_8	A阶段	8	P1 P6 P7 P12 P9 P8 P14 P2
EXPa_10	A阶段	10	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5
EXPa_12	A阶段	12	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5 P3 P13
EXPa_15	A阶段	15	P1 P6 P7 P12 P9 P8 P14 P2 P10 P5 P3 P13 P4 P11 P15
EXPb_2	B阶段	2	P6 P5
EXPb_4	B阶段	4	P6 P5 P14 P1
EXPb_6	B阶段	6	P6 P5 P14 P1 P8 P7
EXPb_8	B阶段	8	P6 P5 P14 P1 P8 P7 P9 P12
EXPb_10	B阶段	10	P6 P5 P14 P1 P8 P7 P9 P12 P10 P13
EXPb_12	B阶段	12	P6 P5 P14 P1 P8 P7 P9 P12 P10 P13 P15 P11
EXPb_15	B阶段	15	P6 P5 P14 P1 P8 P7 P9 P12 P10 P13 P15 P11 P3 P2 P4

下载: 导出CSV

表 7 对流尺度集合预报试验设置

Table 7. Settings of convective scale ensemble prediction experiments

试验序号	降水阶段	模式扰动方案	扰动参数序号
EXP1a	A阶段	CNOP-P-RP	P1 P6 P7 P12 P9 P8 P14 P2
EXP1b	B阶段	CNOP-P-RP	P6 P5 P14 P1 P8 P7 P9 P12
EXP2a	A阶段	SPPT	/
EXP2b	B阶段	SPPT	/

下载: 导出CSV

表 8 强降水中心4 h累计降水量对比（单位：mm）

Table 8. Comparison of 4 h cumulative precipitation at heavy precipitation center （unit：mm）

降水阶段	观测值	对照预报	集合平均	强降水成员均值	弱降水成员均值
A	97.2	56.6	63.1	80.8	34.8
B	63.3	18.0	45.3	97.5	16.5

下载: 导出CSV

参考文献(55)

《华南前汛期暴雨》编写组. 1986. 华南前汛期暴雨. 广州: 广东科技出版社, 244pp. Compilation Team of Rainstorm in Pre Flood Season in South China. 1986. Rainstorms During Pre-rainy Season in South China. Guangzhou: Guangdong Science and Technology Press, 244pp （in Chinese）

陈德辉,沈学顺. 2006. 新一代数值预报系统GRAPES研究进展. 应用气象学报,17(6):773-777

Chen D H,Shen X S. 2006. Recent progress on GRAPES research and application. J Appl Meteor Sci,17(6):773-777 (in Chinese)

陈静, 王静, 陈法敬等. 2017. “5.7”广州突发特大暴雨中尺度集合预报背景场条件的影响分析∥第34届中国气象学会年会S2副热带季风与极端天气气候事件论文集. 郑州: 中国气象学会. Chen J, Wang J, Chen F J, et al. 2017. Influence analysis of background field conditions for mesoscale ensemble forecast of "5.7" sudden heavy rain in Guangzhou∥Proceedings of the 34th Annual Meeting of the Chinese Meteorological Society S2 Subtropical Monsoon and Extreme Weather and Climate Events. Zhengzhou: Chinese Meteorological Society （in Chinese）

谌芸,陈涛,汪玲瑶等. 2019. 中国暖区暴雨的研究进展. 暴雨灾害,38(5):483-493

Chen Y,Chen T,Wang L Y,et al. 2019. A review of the warm-sector rainstorms in China. Torrential Rain Disaster,38(5):483-493 (in Chinese)

傅佩玲,胡东明,张羽等. 2018. 2017年5月7日广州特大暴雨微物理特征及其触发维持机制分析. 气象,44(4):500-510

Fu P L,Hu D M,Zhang Y,et al. 2018. Microphysical characteristics,initiation and maintenance of record heavy rainfall over Guangzhou region on 7 May 2017. Meteor Mon,44(4):500-510 (in Chinese)

闵锦忠,吴乃庚. 2020. 近二十年来暴雨和强对流可预报性研究进展. 大气科学,44(5):1039-1056

Min J Z,Wu N G. 2020. Advances in atmospheric predictability of heavy rain and severe convection. Chinese J Atmos Sci,44(5):1039-1056 (in Chinese)

沈学顺,王建捷,李泽椿等. 2020. 中国数值天气预报的自主创新发展. 气象学报,78(3):451-476

Shen X S,Wang J J,Li Z C,et al. 2020. China's independent and innovative development of numerical weather prediction. Acta Meteor Sinica,78(3):451-476 (in Chinese)

田付友,郑永光,张小玲等. 2018. 2017年5月7日广州极端强降水对流系统结构、触发和维持机制. 气象,44(4):469-484

Tian F Y,Zheng Y G,Zhang X L,et al. 2018. Structure,triggering and maintenance mechanism of convective systems during the Guangzhou extreme rainfall on 7 May 2017. Meteor Mon,44(4):469-484 (in Chinese)

吴乃庚,温之平,邓文剑等. 2020. 华南前汛期暖区暴雨研究新进展. 气象科学,40(5):605-616

Wu N G,Wen Z P,Deng W J,et al. 2020. Advances in warm-sector heavy rainfall during the first rainy season in South China. J Meteor Sci,40(5):605-616 (in Chinese)

伍志方,蔡景就,林良勋等. 2018. 2017年广州“5·7”暖区特大暴雨的中尺度系统和可预报性. 气象,44(4):485-499

Wu Z F,Cai J J,Lin L X,et al. 2018. Analysis of mesoscale systems and predictability of the torrential rain process in Guangzhou on 7 May 2017. Meteor Mon,44(4):485-499 (in Chinese)

徐国强,赵晨阳. 2019. 2017年5月7日广州特大暴雨模拟中的背景场影响分析. 气象,45(12):1642-1650

Xu G Q,Zhao C Y. 2019. Impact of background field in the numerical simulation of extremely severe rainstorm in Guangzhou on 7 May 2017. Meteor Mon,45(12):1642-1650 (in Chinese)

徐珺,毕宝贵,谌芸等. 2018. “5.7”广州局地突发特大暴雨中尺度特征及成因分析. 气象学报,76(4):511-524

Xu J,Bi B G,Chen Y,et al. 2018. Mesoscale characteristics and mechanism analysis of the unexpected local torrential rain in Guangzhou on 7 May 2017. Acta Meteor Sinica,76(4):511-524 (in Chinese)

薛纪善, 陈德辉. 2008. 数值预报系统GRAPES的科学设计与应用. 北京: 科学出版社, 383pp. Xue J S, Chen D H. 2008. Scientific Design and Application of Numerical Prediction System GRAPES. Beijing: Science Press, 383pp （in Chinese）

袁月,李晓莉,陈静等. 2016. GRAPES区域集合预报系统模式不确定性的随机扰动技术研究. 气象,42(10):1161-1175 doi: 10.7519/j.issn.1000-0526.2016.10.001

Yuan Y,Li X L,Chen J,et al. 2016. Stochastic parameterization toward model uncertainty for the GRAPES mesoscale ensemble prediction system. Meteor Mon,42(10):1161-1175 (in Chinese) doi: 10.7519/j.issn.1000-0526.2016.10.001

曾智琳,谌芸,朱克云等. 2018. 2017年“5.7”广州特大暴雨的中尺度特征分析与成因初探. 热带气象学报,34(6):791-805

Zeng Z L,Chen Y,Zhu K Y,et al. 2018. Mesoscale characteristic analysis and primary discussion on the formation of the 7 May 2017 torrential rainfall in Guangzhou. J Trop Meteor,34(6):791-805 (in Chinese)

张培军,王强. 2015. 模式参数的不确定性对日本南部黑潮大弯曲路径预报的影响. 海洋科学,39(5):106-113

Zhang P J,Wang Q. 2015. The impact of the model parameter uncertainties on the predictability of the Kuroshio large meander path south of Japan. Mar Sci,39(5):106-113 (in Chinese)

张夕迪,孙军. 2017. 2017年5月大气环流和天气分析. 气象,43(8):1022-1028 doi: 10.7519/j.issn.10000526.2017.08.013

Zhang X D,Sun J. 2017. Analysis of the May 2017 atmospheric circulation and weather. Meteor Mon,43(8):1022-1028 (in Chinese) doi: 10.7519/j.issn.10000526.2017.08.013

Baker L H,Rudd A C,Migliorini S,et al. 2014. Representation of model error in a convective-scale ensemble prediction system. Nonlin Processes Geophys,21(1):19-39 doi: 10.5194/npg-21-19-2014

Beljaars A C M. 1995. The parametrization of surface fluxes in large-scale models under free convection. Quart J Roy Meteor Soc,121(522):255-270 doi: 10.1002/qj.49712152203

Bowler N E,Arribas A,Mylne K R,et al. 2008. The MOGREPS short-range ensemble prediction system. Quart J Roy Meteor Soc,134(632):703-722 doi: 10.1002/qj.234

Buizza R,Milleer M,Palmer T N. 1999. Stochastic representation of model uncertainties in the ECMWF ensemble prediction system. Quart J Roy Meteor Soc,125(560):2887-2908 doi: 10.1002/qj.49712556006

Charron M,Pellerin G,Spacek L,et al. 2010. Toward random sampling of model error in the Canadian ensemble prediction system. Mon Wea Rev,138(5):1877-1901 doi: 10.1175/2009MWR3187.1

Chen F,Dudhia J. 2001. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part Ⅰ:Model implementation and sensitivity. Mon Wea Rev,129(4):569-585 doi: 10.1175/1520-0493(2001)129<0569:CAALSH>2.0.CO;2

Duan W S,Mu M,Wang B. 2004. Conditional nonlinear optimal perturbations as the optimal precursors for El Nino-Southern Oscillation events. J Geophys Res:Atmos,109(D23):D23105

Dudhia J. 1989. Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model. J Atmos Sci,46(20):3077-3107 doi: 10.1175/1520-0469(1989)046<3077:NSOCOD>2.0.CO;2

Feng F,Duan W S. 2013. The role of constant optimal forcing in correcting forecast models. Sci China Earth Sci,56(3):434-443 doi: 10.1007/s11430-012-4568-z

Flack D L A,Gray S L,Plant R S,et al. 2018. Convective-scale perturbation growth across the spectrum of convective regimes. Mon Wea Rev,146(1):387-405 doi: 10.1175/MWR-D-17-0024.1

Gao Z B,Zhu J S,Guo Y,et al. 2021. Impact of land surface processes on a record-breaking rainfall event on May 06-07,2017,in Guangzhou,China. J Geophys Res:Atmos,126(5):e2020JD032997

Hohenegger C,Schar C. 2007a. Atmospheric predictability at synoptic versus cloud-resolving scales. Bull Amer Meteor Soc,88(11):1783-1794 doi: 10.1175/BAMS-88-11-1783

Hohenegger C,Schär C. 2007b. Predictability and error growth dynamics in cloud-resolving models. J Atmos Sci,64(12):4467-4478 doi: 10.1175/2007JAS2143.1

Hong S Y,Pan H L. 1996. Nonlocal boundary layer vertical diffusion in a medium-range forecast model. Mon Wea Rev,124(10):2322-2339 doi: 10.1175/1520-0493(1996)124<2322:NBLVDI>2.0.CO;2

Hong S Y,Lim J O J. 2006. The WRF single-moment 6-class microphysics scheme (WSM6). J Korean Meteor Sci,42(2):129-151

Li M X,Luo Y L,Zhang D L,et al. 2021. Analysis of a record-breaking rainfall event associated with a monsoon coastal megacity of South China using multisource data. IEEE Trans Geosci Remote Sens,59(8):6404-6414 doi: 10.1109/TGRS.2020.3029831

Mamgain A,Sarkar A,Rajagopal E N. 2020. Medium-range global ensemble prediction system at 12 km horizontal resolution and its preliminary validation. Meteorol Appl,27(1):e1867

McCabe A,Swinbank R,Tennant W,et al. 2016. Representing model uncertainty in the Met Office convection-permitting ensemble prediction system and its impact on fog forecasting. Quart J Roy Meteor Soc,142(700):2897-2910 doi: 10.1002/qj.2876

Mlawer E J,Taubman S J,Brown P D,et al. 1997. Radiative transfer for inhomogeneous atmospheres:RRTM,a validated correlated-k model for the longwave. J Geophys Res:Atoms,102(D14):16663-16682 doi: 10.1029/97JD00237

Molinari J,Dudek M. 1992. Parameterization of convective precipitation in mesoscale numerical models:a critical review. Mon Wea Rev,120(2):326-344 doi: 10.1175/1520-0493(1992)120<0326:POCPIM>2.0.CO;2

Molteni F,Palmer T N. 1993. Predictability and finite-time instability of the northern winter circulation. Quart J Roy Meteor Soc,119(510):269-298 doi: 10.1002/qj.49711951004

Moncrieff M W,Green J S A. 1972. The propagation and transfer properties of steady convective overturning in shear. Quart J Roy Meteor Soc,98(416):336-352 doi: 10.1002/qj.49709841607

Mu M,Duan W S,Wang B. 2003. Conditional nonlinear optimal perturbation and its applications. Nonlin Processes Geophys,10(6):493-501 doi: 10.5194/npg-10-493-2003

Mu M,Duan W S,Wang B. 2007. Season-dependent dynamics of nonlinear optimal error growth and El Niño-Southern Oscillation predictability in a theoretical model. J Geophys Res:Atmos,112(D10):D10113

Mu M,Duan W,Wang Q,et al. 2010. An extension of conditional nonlinear optimal perturbation approach and its applications. Nonlin Processes Geophys,17(2):211-220 doi: 10.5194/npg-17-211-2010

Ollinaho P,Lock S J,Leutbecher M,et al. 2017. Towards process-level representation of model uncertainties:stochastically perturbed parametrizations in the ECMWF ensemble. Quart J Roy Meteor Soc,143(702):408-422 doi: 10.1002/qj.2931

Palmer T N,Buizza R,Doblas-Reyes F,et al. 2009. Stochastic parametrization and model uncertainty. ECMWF Technical Memorandum,1-42

Schwartz C S,Kain J S,Weiss S J,et al. 2009. Next-day convection-allowing WRF model guidance:a second look at 2-km versus 4-km grid spacing. Mon Wea Rev,137(10):3351-3372 doi: 10.1175/2009MWR2924.1

Shutts G. 2015. A stochastic convective backscatter scheme for use in ensemble prediction systems. Quart J Roy Meteor Soc,141(692):2602-2616 doi: 10.1002/qj.2547

Sun G D,Mu M. 2018. Assessing the characteristics of net primary production due to future climate change and CO₂ under RCP4.5 in China. Ecol Complex,34:58-68 doi: 10.1016/j.ecocom.2018.04.001

Wang L,Shen X S,Liu J J,et al. 2020. Model uncertainty representation for a convection-allowing ensemble prediction system based on CNOP-P. Adv Atmos Sci,37(8):817-831 doi: 10.1007/s00376-020-9262-z

Wang Q,Mu M. 2015. A new application of conditional nonlinear optimal perturbation approach to boundary condition uncertainty. J Geophys Res:Oceans,120(12):7979-7996 doi: 10.1002/2015JC011095

Yano J I,Plant R S. 2012. Convective quasi-equilibrium. Rev Geophys,50(4):RG4004

Yin J F,Zhang D L,Luo Y L,et al. 2020. On the extreme rainfall event of 7 May 2017 over the coastal city of Guangzhou. Part Ⅰ:Impacts of urbanization and orography. Mon Wea Rev,148(3):955-979 doi: 10.1175/MWR-D-19-0212.1

Yin X D,Wang B,Liu J J,et al. 2014. Evaluation of conditional non-linear optimal perturbation obtained by an ensemble-based approach using the Lorenz-63 model. Tellus A,66(1):22773 doi: 10.3402/tellusa.v66.22773

Yin X D,Liu J J,Wang B. 2015. Nonlinear ensemble parameter perturbation for climate models. J Climate,28(3):1112-1125 doi: 10.1175/JCLI-D-14-00244.1

Yu Y S,Mu M,Duan W S. 2012. Does model parameter error cause a significant "spring predictability barrier" for El Niño events in the Zebiak-Cane model?. J Climate,25(4):1263-1277 doi: 10.1175/2011JCLI4022.1

Zhang F Q,Bei N F,Rotunno R,et al. 2007. Mesoscale predictability of moist baroclinic waves:Convection-permitting experiments and multistage error growth dynamics. J Atmos Sci,64(10):3579-3594 doi: 10.1175/JAS4028.1

施引文献

资源附件(0)

访问统计