孔凡鈾

（俄克拉荷馬大學風暴分析和預報中心，諾曼 73072，美國）

0 引言

現(xiàn)代氣象預報的重要手段之一是運用建立在復雜數(shù)理基礎(chǔ)上的數(shù)值天氣模式以及各種常規(guī)和遙感技術(shù)獲取的巨量觀測資料通過大規(guī)模超級計算機產(chǎn)生的數(shù)值天氣預報。由于大氣運動及天氣過程所固有的隨機混沌特性，任何微小的觀測資料誤差及模式本身誤差所帶來的不確定性均會導致基于單一數(shù)值模式的未來時段的天氣預報產(chǎn)生偏差。預報的未來時效越長，偏差就會越大。集合數(shù)值預報是提高天氣過程可預報性的有效途徑。集合數(shù)值預報技術(shù)就是同時運行若干個（通常是10～20個）略有不同的數(shù)值預報。各個預報可以是基于不同數(shù)值模式或是加上具有微小擾動的不同初始大氣條件或是不同啟動時間或同一模式不同的物理參數(shù)化配置等。最后通過對這些預報進行數(shù)學處理并提取出已計入各種由觀測誤差、分析誤差、數(shù)值模式本身及物理參數(shù)化誤差所帶來的預報不確定性影響，能更加準確描述未來天氣過程的概率分布預報，大幅提高數(shù)值天氣預報的可靠性，尤其是對各種突發(fā)災害性天氣過程的預報可靠性。

集合數(shù)值天氣預報是目前世界各主要氣象預報中心6～10 d全球中期業(yè)務數(shù)值預報的核心，如歐洲中期天氣預報中心（ECMWF），美國國家海洋和大氣管理局（NOAA）下屬美國國家環(huán)境預報中心（NCEP）、日本氣象廳（JMA）、英國氣象局（UKMO）等[1-4]。在區(qū)域性1～3 d短期天氣預報中集合預報也已有廣泛業(yè)務應用[5-6]，如NCEP 的短期集合預報系統(tǒng)（Short-Range Ensemble Forecast，SREF）[7]。這些全球中期集合預報系統(tǒng)以及區(qū)域短期集合預報系統(tǒng)所用的水平網(wǎng)格距在十幾到幾十千米，遠不能分辨對流性天氣過程，預報模式一般采用積云參數(shù)化來處理大氣對流運動與大尺度天氣環(huán)流間的熱力動力交互作用及降水過程。研究發(fā)現(xiàn)提高模式水平分辨率對提高降水預報準確性尤其有幫助[8-10]。與天氣尺度系統(tǒng)誤差增長主要受斜壓擾動控制不同，對流尺度系統(tǒng)的誤差增長還同時受到潛熱及濕對流不穩(wěn)定性的控制。一方面，準確預報預警與深對流過程相伴隨的災害性天氣如龍卷、冰雹、雷電、洪水、大風等是民生及經(jīng)濟的急迫需要。另一方面，由于中小尺度災害性對流天氣過程具有強烈非線性特征以及更為復雜的濕微物理過程，加上極高的空間時間分辨率要求，其數(shù)值模式預報面臨更大的不確定性及挑戰(zhàn)。延展集合預報技術(shù)到雷暴天氣尺度也就成為自然合理的選擇。這方面的研究始于約十幾年前，在近幾年開始逐漸得到強化，國際氣象界對風暴尺度集合預報前景展現(xiàn)出極大興趣[11-13]。雷暴尺度集合預報一般指模式水平網(wǎng)格距不超過5 km的集合數(shù)值天氣預報系統(tǒng)。在這樣高的網(wǎng)格分辨率下，數(shù)值模式一般不再采用積云參數(shù)化方案，而是采用不同復雜程度的微物理方案直接顯式處理云內(nèi)微物理過程。文獻中將3～5 km水平網(wǎng)格距預報系統(tǒng)又稱為“對流許可”模式系統(tǒng)（convection-allowing model， CAM；亦有用convection-permitting model），而把1 km及更高分辨率（幾百米）預報系統(tǒng)稱為“對流可分辨”（convection-resolving）。本文討論涉及的主要是具有CAM分辨率的雷暴尺度集合預報系統(tǒng)。

欲開展雷暴尺度集合預報研究及評估其后續(xù)的業(yè)務部署，首先需要回答一系列科學問題，包括：1）3～4 km網(wǎng)格距雷暴尺度集合數(shù)值預報相對于較粗網(wǎng)格（10～25 km網(wǎng)格距）短期集合預報及更高分辨率（1～2 km或更細）的單一確定性預報有何性價優(yōu)勢；2）如何優(yōu)化設(shè)計雷暴尺度集合預報系統(tǒng)技術(shù)？這一問題又可分為適于雷暴尺度集合數(shù)值預報的初值擾動技術(shù)、適于雷暴尺度集合數(shù)值預報的側(cè)邊界擾動及下邊界擾動、適合于雷暴尺度集合數(shù)值預報的模式物理過程參數(shù)化配置；3）同化高密度觀測資料如多普勒天氣雷達資料對雷暴尺度集合數(shù)值預報的影響及價值；4）適于雷暴尺度的最有效的集合同化技術(shù)；5）最有效的集合預報后處理及集合預報產(chǎn)品，包括集合產(chǎn)品訂正；6）這類集合預報產(chǎn)品在對災害性天氣預報預警所具有的獨特價值和影響。

1 雷暴尺度集合預報研究概覽

對雷暴尺度集合數(shù)值預報的早期研究集中在采用積云模式在水平均勻理想大氣廓線條件下利用人為在低層施加熱泡激發(fā)對流云團，試圖探討不同擾動對應的誤差增長形式[14]。盡管該項研究未能完善，但較早提到了“雷暴尺度集合（storm-scale ensemble）”一詞。Elmore等[15-17]以業(yè)務粗網(wǎng)格模式預報中提取感興趣格點上的模式大氣廓線作為云模式水平均勻環(huán)境驅(qū)動一組云模式集合，探討由云模式集合得到的雷暴的分布和生命史的長短特征是否能提供有用的強烈天氣指引（severe-weather indicators）。一些學者[18-19]采用3 km網(wǎng)格距對不同β中尺度個例進行集合模擬，通過引入高斯分布隨機誤差源研究了不同微小誤差在對流過程中的增長和傳播特性，發(fā)現(xiàn)對流系統(tǒng)中的誤差結(jié)構(gòu)和傳遞有其獨特性，在濕對流活動區(qū)域即使非常小的初始誤差也會快速增長并污染短期確定性預報。Kong等[11-12]較早嘗試進行了用ARPS模式在完全數(shù)值天氣預報框架下，并包含有多普勒天氣雷達同化的一個實際龍卷雷暴個例的雷暴尺度集合預報試驗。該研究采用了簡單但經(jīng)過改進的尺度滯后平均預報方法（SLAF）和有限的5個集合成員，通過24、6和3 km嵌套網(wǎng)格進行一系列集合預報數(shù)值模擬，發(fā)現(xiàn)各層分辨率網(wǎng)格上集合預報均優(yōu)于單個確定性預報，但從對流系統(tǒng)結(jié)構(gòu)及演變特征上，3 km網(wǎng)格要遠優(yōu)于兩個較粗網(wǎng)格。此項研究還對模式誤差增長以及雷達同化影響進行了探討。

在集合預報系統(tǒng)的構(gòu)建方法上，各種適用于已經(jīng)發(fā)展相對成熟的全球中期集合預報系統(tǒng)的技術(shù)在理論上均可用于雷暴尺度集合預報系統(tǒng)。然而由于后者具有相對小的有限區(qū)域，可以通過降尺度從全球中期或區(qū)域短期集合預報獲得初始擾動以及與之匹配的側(cè)邊界擾動。文獻中用到的雷暴尺度集合系統(tǒng)構(gòu)建方法主要有初始場及側(cè)邊界場擾動加單一模式單一物理參數(shù)化、單一初值和側(cè)邊界條件單一模式多物理參數(shù)化、單一初值和側(cè)邊界條件多模式多物理參數(shù)化、初值和側(cè)邊界擾動加單（或多）模式多物理的混合集合等。傳統(tǒng)的時間滯后方法在雷暴尺度集合系統(tǒng)仍有應用，如ESRL的試驗性高分辨快速更新預報（High Resolution Rapid Refresh，HRRR）時間滯后集合（HRRR-TLE）[20]。隨機擾動（stochastic perturbation）技術(shù)，包括隨機物理過程擾動（SPPT、STTP）和隨機動能后向散射擾動（SKEB）也開始應用到雷暴尺度集合研究中[21-22]。隨著近年來集合卡曼濾波分析與集合預報系統(tǒng)在全球中期集合預報業(yè)務系統(tǒng)中的有效應用，其在雷暴尺度集合預報系統(tǒng)的有效性研究也得到如NCAR、CAPS、NSSL等研究中心或?qū)嶒炇业娜找嬷匾暋?/p>

美國俄克拉荷馬大學風暴分析和預報中心（Center for Analysis and Prediction of Storms，CAPS） 近年在雷暴尺度集合數(shù)值預報（Storm-Scale Ensemble Forecast，SSEF）領(lǐng)域進行了大量研發(fā)工作，從2007年開始與NOAA下設(shè)的風暴預報中心（Storm Prediction Center，SPC）及國家強風暴實驗室（National Severe Storm Laboratory， NSSL）合作建立和試驗跨美國范圍3～4 km分辨率的雷暴尺度集合數(shù)值預報。在中國與深圳市氣象局于2013年合作建立開發(fā)了并業(yè)務運行華南區(qū)域4 km分辨率的雷暴尺度集合數(shù)值預報系統(tǒng)。2016年與重慶市氣象局和重慶綠色智能技術(shù)研究院三方合作，建立起水平網(wǎng)格分辨率高達3 km跨西南范圍的雷暴尺度快速同化分析集合預報系統(tǒng)（Storm-Scale Rapid Analysis and Forecasting System Ensemble，SSRAFS_ENS），逐3 h對實時雷達、衛(wèi)星、及其他觀測資料同化并運行11個成員的24 h雷暴尺度集合數(shù)值天氣預報，以及每12 h運行11個成員、分辨率為（27 km×27 km）～（9 km×9 km）～（3 km×3 km）的全國范圍嵌套網(wǎng)格96 h區(qū)域中尺度集合天氣預報。

歐洲目前進入或近期計劃進入業(yè)務運行的雷暴尺度集合數(shù)值預報系統(tǒng)包括英國UKMO的MOGREPSUK （2.2 km格距，12個成員）[23-24]、德國的COSMODE-EPS （2.8 km格距，20個成員）[25]和法國氣象局的AROME-EPS （計劃2.5 km，12個成員）[26]。

這里有必要專門對美國NOAA試驗基地所涉及的雷暴尺度集合預報研究作一較詳細綜述。

1.1 NOAA災害性天氣預報試驗基地春季預報試驗

美國NOAA災害性天氣預報試驗基地（Hazardous Weather Testbed，HWT）春季預報試驗（Spring Forecast Experiment，SFE）從2007年開始將雷暴尺度集合數(shù)值預報列為下一代對流災害天氣預報的主要試驗產(chǎn)品依托，由CAPS在NOAA科學技術(shù)應用協(xié)作研究（Collaborative Science, Technology, and Application Research Program，CSTAR）項目資助下為HWT春季預報試驗提供核心SSEF預報及產(chǎn)品。在2007年春季預報試驗中，CAPS在全球首次實時運行基于WRFARW的4 km水平網(wǎng)格距10個成員的雷暴尺度集合預報，周一到周五每日產(chǎn)生前一日21 UTC起報的33 h集合預報，模式區(qū)域覆蓋三分之二美國本土，采用51垂直層，采用由NCEP SREF擾動成員降尺度提供初值和邊界場擾動加多物理參數(shù)化的混合集合[27-28]。在2008年春季預報試驗中首次加入了實時雷達數(shù)據(jù)同化，采用CAPS自己開發(fā)的ARPS三維變分（3DVAR）及云分析模塊對模式區(qū)域內(nèi)120部多普勒天氣雷達徑向風速和雷達回波反射率作實時同化[29]，預報啟動時間改到00 UTC。2009年開始又加入WRF-NMM和ARPS模式動力框架，集合成員數(shù)增加到20個以上，模式覆蓋區(qū)域擴大到四分之三美國本土，還首次在如此大范圍運行了1 km水平網(wǎng)格距單一確定性預報（所用計算資源為20個4 km網(wǎng)格距集合成員預報的4倍多）[30]。從2010年起CAPS SSEF模式區(qū)域擴大到全美國本土范圍[31-32]，集合成員數(shù)最高達到51個（2011年），預報時效逐步延長到36 h（2011年）、48 h（2013年）、60 h（2014年及以后）。從2015年開始，CAPS SSEF模式網(wǎng)格距由4 km減小到3 km。除一直運行基于三維變分與云分析同化的雷暴尺度集合預報，CAPS從2013年開始試驗用自己發(fā)展的高效并行化集合卡曼濾波（EnKF）分析模塊實時同化雷達及其他常規(guī)觀測資料，自2016年又加入GSI同化與業(yè)務RAP相同常規(guī)觀測數(shù)據(jù)流[33-35]。

1.2 CLUE超級集合

2007—2012年，CAPS是唯一運行并向HWT每年春季預報試驗提供雷暴尺度集合預報產(chǎn)品的研究中心。SPC從2011年開始嘗試利用EMC和NSSL等業(yè)務以及試驗性全年運行的高分辨確定性預報來構(gòu)建“雷暴尺度集合機會”（Storm-Scale Ensemble of Opportunity，SSEO）[36]。隨著對雷暴尺度集合研究日益重視及超算資源的普及，參與并向HWT春季預報試驗提供雷暴尺度集合預報產(chǎn)品的機構(gòu)自2013年大幅增加。例如到2015年就有來自CAPS、NSSL、NCAR、AFWA等機構(gòu)貢獻的多達6個集合約70個成員。這些集合由各機構(gòu)獨立設(shè)計，具有非常大的不可比性，亦給春季預報試驗參與者造成使用上的困惑。

從2016年開始，HWT春季預報試驗組織者將各研究中心所貢獻的雷暴尺度集合數(shù)值預報統(tǒng)一納入一個名為Community Leveraged Unified Ensemble（CLUE）的超級集合系統(tǒng)[37]，事先共同設(shè)定統(tǒng)一的模式網(wǎng)格、垂直層參數(shù)、WRF模式除可變化物理過程外的控制參數(shù)，以及統(tǒng)一的后處理產(chǎn)品集，按照欲研究解決的科學問題設(shè)計劃分出若干子集合分由不同機構(gòu)運行。CLUE的目的是借助“社區(qū)”力量通過有控制的預先設(shè)計的超級集合，為即將建立的業(yè)務化雷暴尺度集合系統(tǒng)提供設(shè)計上的決策指導。2016年CLUE超級集合有65個成員，由5個研究中心：CAPS（35）、NOAA國家強風暴實驗室（NSSL，15）、美國國家大氣研究中心（NCAR，10）、北達科他大學（UND，5）、NOAA地球系統(tǒng)研究實驗室全球系統(tǒng)部（ESRL/GSD，1）所貢獻，括號中為各中心貢獻的集合成員數(shù)。2017年CLUE超級集合有79個成員，其中34個由CAPS所貢獻。以2017年CLUE為例，總共79個成員的超級集合設(shè)計為9個子集合，欲研究和比較的問題包括：多模式核與單一模式核的比較；多物理參數(shù)化組合與單一物理組合；單一物理組合與單一物理加隨機物理擾動；三維變分同化與集合卡曼濾波同化；不同微物理過程參數(shù)化影響；不同雷達分析技術(shù)影響等。

1.3 NOAA水文氣象試驗基地突發(fā)洪水及強降水試驗

CAPS從2016年開始為NOAA氣象預報中心（WPC）組織的水文氣象試驗基地（Hydrometeorology Testbed，HMT）年度性夏季突發(fā)洪水及強降水試驗（Flash Flood and Intensive Rainfall，F(xiàn)FaIR）設(shè)計并實時運行10～15個成員構(gòu)成的3 km水平網(wǎng)格距雷暴尺度集合預報，提供概率匹配平均及鄰域概率降水產(chǎn)品，包括雷暴尺度集合預報降水相對不同重現(xiàn)期（recurrence interval）不同累計時長的鄰域概率[38]。

2 雷暴尺度集合預報研究成果

在降水預報方面，Kong等[30]發(fā)現(xiàn)多模式雷暴尺度集合可以顯著提高基于SSEF的概率降水預報可靠性，且對于降水分布和模式雷達反射率分布采用概率匹配平均優(yōu)于簡單集合平均[39]。Schwartz等[40]發(fā)現(xiàn)將“鄰域（neighborhood）”方法[41]——即在一定影響半徑內(nèi)獲取平均的集合概率的方法 ，與傳統(tǒng)集合后處理相結(jié)合可以提高降水概率預報指導的可用性，強調(diào)對這類基于高分辨模式的鄰域概率采用分維數(shù)技巧評分（Fraction Skill Score，F(xiàn)SS）。Wolff等[42]也指出采用CRM高分辨率的預報雖然可以得到與真實對流系統(tǒng)更相似的結(jié)構(gòu)分布以及更多的細節(jié)，卻不一定能改善格點對格點尺度上的預報技能。只有借助適當?shù)纳叨龋ɑ蚱交┖筇幚硎侄潍@取比單個網(wǎng)格更大一些尺度上的鄰域概率FSS才可達到更高預報技能。Schwartz等[43]研究表明集合成員數(shù)超過20個以后繼續(xù)增加并不一定能提高雷暴尺度集合預報質(zhì)量，除非增加的成員可以有效展寬集合樣本密度函數(shù)分布（PDF）尾段。

對CAPS歷年SSEF預報檢驗顯示雷達數(shù)據(jù)同化對前3～6 h降水預報有顯著貢獻，雷達資料平均正貢獻可以延續(xù)12～18 h，甚至更長[29, 44-46]。Clark等[47-49]將CAPS春季預報試驗的高分辨SSEF與需要加入積云參數(shù)化的較粗網(wǎng)格分辨率集合的降水預報作對比，證實SSEF在預報技能以及降水日變化特征方面明顯優(yōu)越于后者。更加具體研究分析表明，通過SSEF產(chǎn)生的定量降水預報及概率降水預報在預報評分方面要遠好于采用較粗網(wǎng)格的NCEP業(yè)務化的SREF集合[50-51]。Iyer等[52]發(fā)現(xiàn)SSEF在定量降水預報及概率降水預報上的這種優(yōu)勢甚至可以延續(xù)到“第二日預報（Day-2）”（36～60 h）。Iyer 等[52]的研究還對比了2015年HWT春季預報試驗的幾組不同雷暴尺度集合預報0～60 h概率匹配平均定量降水預報評分（ETS）及概率降水預報評分（ROC面積），發(fā)現(xiàn)采用不同初值和側(cè)邊界擾動與多物理參數(shù)化配置的混合集合（hybrid ensemble）加雷達數(shù)據(jù)同化具有最佳的表現(xiàn)。

Kain等[53]分析CAPS 2011年春季預報試驗SSEF數(shù)據(jù)發(fā)現(xiàn)雷暴尺度集合預報所得出的初始對流單體發(fā)生時間（Convection Initiation，CI）與實況之差呈現(xiàn)準高斯分布特征，且不存在系統(tǒng)性集合偏差，從而揭示SSEF能提供有用且僅需要最小程度訂正的CI概率預報指導。同時，該研究也揭示出試圖由SSEF用某種自動識別具體對流單體的努力本身還不具有足以預報潛在爆發(fā)性深對流活動的能力，從而建議即便是借助擁有對流允許或?qū)α骺煞直娴妮^高網(wǎng)格分辨率的雷暴尺度集合預報，今后CI預報問題也應當立足于對中尺度對流初始生成過程的預報而不是單個對流云體的形成和發(fā)展的預報（“For practical purpose, the convection initiation forecasting challenge should be framed in terms of the initiation of mesoscale convective events rather than the formation and growth of individual cumulonimbus clouds”，摘自Kain等[53]）。

Clark等[54-55]發(fā)現(xiàn)由雷暴尺度集合預報各成員輸出的小時最大上升氣流螺旋度（hourly maximum updraft helicity，UHmax）構(gòu)建的總路徑長度（total path lengths）與實際所發(fā)生龍卷風強烈度等級間有強相關(guān)性，從而可以作為龍卷發(fā)生強度預報的有效和高技能的重要預報因子。Coniglio等[56]將2008春季預報試驗中的雷暴尺度集合預報數(shù)據(jù)與探空資料作比較，發(fā)現(xiàn)SSEF集合平均對發(fā)生對流前及雷暴周邊環(huán)境大氣的預報準確程度優(yōu)于單一確定性預報，但具體成員可以存在不同程度的系統(tǒng)性偏差。

Beck等[26]利用目前歐洲3個業(yè)務或準業(yè)務雷暴尺度集合預報系統(tǒng)（英國MOGREPS-UK、德國COSMODE-EPS和法國AROME-EPS）構(gòu)建出范圍重疊的兩組多模式集合，通過對兩年間共5個月的地面風、溫、濕、降水預報檢驗，發(fā)現(xiàn)多模式集合通常獲得比各單個集合系統(tǒng)較小些的均方根誤差、較大的離散度、改善的ROC（或ROC面積）及Brier評分。不過Johnson等[57-58]的研究也揭示出雷暴尺度集合預報結(jié)果存在按模式或物理參數(shù)化集群化（clustering）的問題，從而影響到集合概率預報的可靠度（reliability）。

Duda等[22]的研究認為在雷暴尺度集合系統(tǒng)中加入隨機動能后向散射（SKEB）與多物理參數(shù)化相結(jié)合可以減小集合平均的最小均方差誤差、較平緩的秩直方圖（rank histogram）、對降水概率預報有一定程度改善，SKEB也有助提高中高層對流層各天氣變量的離散度和改善近地面2 m溫度、露點、10 m風的預報概率，但對近地面量的離散度增加作用不明顯。考慮到單一模式集合系統(tǒng)比多模式多物理集合系統(tǒng)有便于維護操作，以及更適合于連續(xù)循環(huán)更新EnKF同化與集合預報一體化系統(tǒng)的特點，Romine等[21]利用NCAR運行的基于WRF模式的15 km嵌套3 km集合系統(tǒng)模擬研究了擾動側(cè)邊界條件、SKEB及隨機物理參數(shù)擾動（SPPT）對雷暴尺度集合預報可靠度的影響。該集合系統(tǒng)在15 km網(wǎng)格采用每6 h EnKF循環(huán)更新同化，3 km網(wǎng)格直接采用15 km降尺度分析場。該研究發(fā)現(xiàn)采用SKEB、STTP等隨機擾動技術(shù)以及增加側(cè)邊界擾動的確可以提高降水預報的集合可靠度以及某些集合評分，但同時會降低各單個成員的對模式大氣相對探空廓線觀測的確定性預報技能，盡管對集合平均技能影響不明顯。

圖1 2010年春季預報試驗3 h累計降水ETS評分 Fig.1 ETS scores for 3-hourly accumulated precipitation in 2010 HWT Spring Forecast Experiment

采用NSSL目前已業(yè)務化的基于雷達及雨量計觀測資料制作的定量降水估計產(chǎn)品[59]做為檢驗數(shù)據(jù)，Kong等[51]對2010年CAPS春季預報試驗的SSEF數(shù)據(jù)進行了檢驗評分，并與NCEP業(yè)務預報系列中的較粗網(wǎng)格分辨率的短期集合預報SREF以及12 km分辨率的北美中尺度預報（North American Mesoscale Forecast System，NAM）比較。圖1是3 h累計降水預報的ETS評分，值大為優(yōu)。可以看到采用CAM高分辨率的雷暴尺度集合預報的概率匹配平均（SSEF_PM）要優(yōu)于較粗網(wǎng)格分辨率的單一確定性業(yè)務預報NAM，也明顯優(yōu)于短期集合業(yè)務預報（SREF_PM），尤其在較強閾值范圍。采用CAM高分辨率的雷暴尺度集合中的單一成員（ARW_CN）也顯著優(yōu)于業(yè)務NAM預報，以及在較強閾值范圍優(yōu)于SREF_EM。圖中虛線（ARW_C0）為與ARW_CN成員完全相同但沒有初始雷達數(shù)據(jù)同化的預報，其目的是比較同化雷達資料對降水預報的影響。從圖1可以看到同化雷達數(shù)據(jù)對降水預報評分的明顯提高，尤其在預報前3～6 h。對雷暴尺度集合預報與較粗網(wǎng)格分辨率業(yè)務化短期集合預報的降水概率預報的ROC評分同樣顯示出前者的明顯優(yōu)勢[51]。

圖2是HWT 2010年春季預報試驗中每日試驗產(chǎn)品的一個樣例。HWT春季預報試驗每個試驗日根據(jù)前一天SPC強對流天氣展望（Day-1 Outlook）確定一個關(guān)注窗口區(qū)域。圖2是5月19日試驗日堪薩斯州俄克拉荷馬州區(qū)域的逐6 h累計降水不同模式18 h預報產(chǎn)品及同時段（12—18 UTC）的觀測降水，圖中顯示了雷暴尺度集合預報（SSEF）、NCEP業(yè)務化短期集合預報（SREF）及北美中尺度業(yè)務預報（NAM）的結(jié)果，其中集合預報分別顯示了簡單集合平均和概率匹配平均?？梢钥吹絊SEF概率匹配平均預報具有最接近實況的降水分布、結(jié)構(gòu)及強度。SREF概率匹配平均預報呈現(xiàn)西北—東南雨帶走向，中心位于堪薩斯州北部太偏西北且峰值較弱。NAM業(yè)務預報降水中心也偏西北，只是降水強度要高于SREF概率匹配平均。

2016年6月23—24日發(fā)生在西弗吉尼亞的暴發(fā)性洪水個例正值HMT 2016 FFaIR試驗期間，CAPS為其運行15個成員構(gòu)成的多模式（ARW和NMMB）多物理加初邊界擾動的3 km網(wǎng)格距雷暴尺度集合預報，并提供實時雷暴尺度集合定量降水預報概率產(chǎn)品。該次暴發(fā)性洪水過程造成23人死亡，全州55個縣有44個被宣布進入州緊急狀態(tài)。在Maxwelton雨量站錄得24 h 238 mm峰值雨量，麋鹿河（Elk River）水文站錄得33.37 ft（1 ft=0.3048 m）紀錄最高水位。圖3顯示雷暴尺度集合預報對這一極端天氣個例可以提前24 h甚至48 h較好預報出強降水的主要落區(qū)范圍及峰值強度。

3 仍存在的問題、挑戰(zhàn)及未來方向

圖2 2010年HWT春季預報試驗6 h降水產(chǎn)品實例（2010年5月19日00 UTC起報，18 h預報12—18 UTC時段累計降水） Fig.2 Product example from 2010 HWT Spring Forecast Experiment: 6-hourly accumulative precipitation for 12-18 UTC, initiated at 00 UTC 19 May 2010

近十來年的雷暴尺度集合預報研究與實踐取得了可稱得上豐碩的成果，為數(shù)不少的業(yè)務準業(yè)務預報系統(tǒng)也已投入運行。然而若干重要科學問題仍然未能解決。歸納起來有：雷暴尺度集合預報集合離散度偏低、概率預報可靠度低、傳統(tǒng)預報評分應用到高分辨集合預報上的先天缺陷等。迄今為止各種研究中為提高雷暴尺度集合離散度的各種嘗試，如各類隨機擾動（SKEB，STTP，SPPT，土壤層變量擾動）、各種同化技術(shù)（3DVAR，cycling EnKF）、各種初始擾動（降尺度、多尺度）、各種集合系統(tǒng)設(shè)計（多模式、多物理、多物理參數(shù)）均無法得到足夠的與誤差量級相匹配的預報集合離散度。鄰域概念的應用對概率預報可靠度及概率評分有幫助，但以犧牲空間尺度分辨率為代價。以對象導向（object-oriented）的預報檢驗可能彌補傳統(tǒng)預報評分的不足，但這類檢驗評分如何與預報員主觀認知上的接納有待研究。

另一突出問題是雷達數(shù)據(jù)同化對降水預報的正貢獻在預報前幾小時快速減退。這一方面要歸于目前數(shù)值預報模式對雷暴單體的可預報性制約，即模式初始對流單體系統(tǒng)在預報積分一開始即與實際大氣對流云單體呈現(xiàn)不同的演變特征；另一方面基于連續(xù)循環(huán)EnKF的雷暴尺度集合同化分析系統(tǒng)尚處于較初期階段，其有效性有待證實。HWT春季預報試驗以及CLUE超級集合概念可能是有效借助各方力量合作解決尚存問題的發(fā)展方向。

需要說明的是，本文并不是一個關(guān)于雷暴尺度集合預報研究及應用的完全性綜述。許多十分重要的方面，如雷暴尺度集合預報概率訂正等未有涉及。

圖3 2016年6月23日00 UTC到24日00 UTC 24 h累計降水 Fig.3 24 h accumulated precipitation between 00 UTC 23 June to 00 UTC 24 June 2016

[1] Molteni F, Palmer T N. Predictability and finite - time instability of the northern winter circulation. Quarterly Journal of the Royal Meteorological Society, 1993, 119(510): 269-298.

[2] Toth Z, Kalnay E. Ensemble forecasting at NMC: the generation of perturbations. Bulletin of the American Meteorological Society, 1993, 74(12): 2317-2330.

[3] Buizza R. Potential forecast skill of ensemble prediction, and spread and skill distributions of the ECMWF Ensemble Prediction System. Monthly Weather Review, 1997, 125(1): 99-119.

[4] Kalnay E. Atmospheric modeling, data assimilation and predictability. Cambridge: Cambridge University Press, 2003.

[5] Mullen S L, Baumhefner D P. Monte Carlo simulations of explosive cyclogenesis. Monthly Weather Review, 1994, 122(7): 1548-1567.

[6] Hamill T M, Colucci S J. Verification of the Eta–RSM shortrange ensemble forecasts. Monthly Weather Review, 1997, 125(6): 1312-1327.

[7] Du J, Tracton M S. Implementation of a real-time short-range ensemble forecasting system at NCEP: an update. Preprints, 9th Conference on Mesoscale Processes, American Meteorological Society, 2001, 355-356.

[8] Du J, Mullen S J, Sanders F. Short range ensemble forecasting of quantitative precipitation. Monthly Weather Review, 1997, 125(10): 2427-2459.

[9] Stensrud D J, Bao J W, Warner T T. Using initial conditions and model physics in short-range ensemble simulations of mesoscale convective systems. Monthly Weather Review, 2000, 128(7): 2077-2107.

[10] Mullen S L, Buizza R. The impact of horizontal resolution and ensemble size on probabilistic forecasts of precipitation by the ECMWF ensemble prediction system. Weather and Forecasting, 2002, 17(2): 173-191.

[11] Kong F, Droegemeier K K, Hickmon N L. Multiresolution ensemble forecasts of an observed tornadic thunderstorm system. Part I: comparison of coarse- and fine-grid experiments. Monthly Weather Review, 2006, 134(3): 807-833.

[12] Kong F, Droegemeier K K, Hickmon N L. Multiresolution ensemble forecasts of an observed tornadic thunderstorm system. Part II: storm-scale experiments. Monthly Weather Review, 2007, 135(3): 759-782.

[13] Clark A J, Weiss S J, Kain J S, et al. An overview of the 2010 hazardous weather testbed experimental forecast program spring experiment. Bulletin of the American Meteorological Society, 2012, 93(1): 55-74.

[14] Sindic-Rancic G, Toth Z, Kalnay E. Storm-scale ensemble experiments with the ARPS model: preliminary results. World Meteorological Organization-Publications-WMO td, 1998: 5.56-5.57.

[15] Elmore K L, Stensrud D J, Crawford K C. Ensemble cloud model applications to forecasting thunderstorms. Journal of Applied Meteorology, 2002, 41(4): 363-383.

[16] Elmore K L, Stensrud D J, Crawford K C. Explicit cloud-scale models for operational forecasts: a note of caution. Weather and Forecasting, 2002, 17(4): 873-884.

[17] Elmore K L, Weiss S J, Banacos P C. Operational ensemble cloud model forecasts: some preliminary results. Weather and Forecasting, 2003, 18(5): 953-964.

[18] Walser A, Schar C. Predictability of precipitation in a cloudresolving model. Monthly Weather Review, 2004, 132(2): 560-577.

[19] Hohenegger C, Luthi D, Schar C. Predictability mysteries in cloud-resolving models. Monthly Weather Review, 2006, 134(8): 2095-2107.

[20] Alexander C, Benjamin S G, Weygandt S S, et al. Time-lagged 3-km ensemble high-resolution rapid refresh (HRRR) forecasts for key convective storm, fire weather and wind energy events in 2013. 26th Conference on Weather Analysis and Forecasting/22nd Conference on Numerical Weather Prediction, 2014: 124.

[21] Romine G S, Schwartz C S, Berner J, et al. Representing forecast error in a convection-permitting ensemble system. Monthly Weather Review, 2014, 142(12): 4519-4541.

[22] Duda J D, Wang X, Kong F, et al. Impact of a stochastic kinetic energy backscatter scheme on warm season convection-allowing ensemble forecasts. Monthly Weather Review, 2016, 144(5): 1887-1908.

[23] Tennant W. Improving initial condition perturbations for MOGREPS-UK. Quarterly Journal Royal Meteorological Society, 2015, 141(691): 2324-2336.

[24] Golding B, Roberts N, Leoncin G, et al. MOGREPS-UK convection-permitting ensemble products for surface water flood forecasting: rationale and first results. Journal of Hydormeteorology, 2016, 17(5): 1383-1406.

[25] Gebhardt C, Theis S E, Paulat M, et al. Uncertainties in COSMODE precipitation forecasts introduced by model perturbations and variation of lateral boundaries. Atmospheric Research, 2011, 100(2-3): 168-177.

[26] Beck J, Bouttier F, Wiegand L, et al. Development and verification of two convection-allowing multi-model ensembles over Western Europe. Quarterly Jounal of ther Royal Meteorological Society, 2016, 142(400): 2808-2826.

[27] Kong F, Xue M, Bright D, et al. Preliminary analysis on the realtime storm-scale ensemble forecasts produced as a part of the NOAA hazardous weather testbed 2007 spring experiment. 22nd Conference on Weather Analysis and Forecasting/18th Conference on Numerical Weather Prediction, Salt Lake City, Utah, American Meteorological Society, 2007, CDROM 3B.2.

[28] Xue M, Kong F, Weber D, et al. CAPS realtime storm-scale ensemble and high-resolution forecasts as part of the NOAA hazardous weather testbed 2007 spring experiment. 22nd Conference on Weather Analysis and Forecasting/18th Conference on Numerical Weather Prediction, American Meteorological Society, 2007, CDROM 3B.1.

[29] Xue M, Kong F, Thomas K W, et al. CAPS realtime stormscale ensemble and high-resolution forecasts as part of the NOAA hazardous weather testbed 2008 spring experiment. 24th Conference on Several Local Storms, Savannah, GA, American Meteorological Society, 2008: 12.2.

[30] Kong F, Xue M, Thomas K W, et al. A real-time storm-scale ensemble forecast system: 2009 spring experiment. 23nd Conference on Weather Analysis and Forecasting/19th Conference on Numerical Weather Prediction, Omaha, Nebraska, American Meteorological Society, 2009: 16A.3.

[31] Kong F, Xue, Thomas K W, et al. Evaluation of CAPS multi-model storm-scale ensemble forecast for the NOAA HWT 2010 spring experiment. 25th Conference on Severe Local Storms, American Meteorological Society, 2010: P4.18.

[32] Xue M, Kong F, Thomas K W, et al. CAPS realtime storm scale ensemble and high resolution forecasts for the NOAA hazardous weather testbed 2010 spring experiment. 25th Conference on Severe Local Storms, American Meteorological Society, 2010: 7B.3.

[33] Jung Y, Xue M, Wang Y, et al. Multi-Scale ensemble Kalman filter data assimilation and forecasts in Central United States. WMO 6th Symposium on Data Assimilation, College Park, MD, , 2013.

[34] Jung Y, Zhao G, Xue M, et al. CAPS real-time continental US domain 3-km EnKF data assimilation and forecasts for the NOAA hazardous weather testbed spring forecasting experiment. WMO 7th symposium on Data Assimilation, Floriaonopolis, Brazil, 2017, http://pocanga.cptec.inpe.br/inscricaoDas/program.xhtml#

[35] Kong F, Xue M, Jung Y, et al. An overview of CAPS stormscale ensemble forecast for the 2015 NOAA HWT spring forecasting experiment. 27th Conference On Weather Analysis and Forecasting/23rd Conference On Numerical Weather Prediction, 2015: 32.

[36] Jirak I L, Weiss S J, Melick C J. The SPC storm-scale ensemble of opportunity: overview and results from the 2012 hazardous weather testbed spring forecasting experiment. Preprints, 26th Conference on Severe Local Storms, Nashville, TN. American Meteorological Society, 2012: P9.137.

[37] Clark A J, Jirak I L, Dembek S R, et al. The community leveraged unified ensemble (CLUE) in the 2016 NOAA/hazardous weather testbed spring forecasting experiment. Bulletin of the American Meteorological Society, 2018, in press.

[38] Brewster K, Kong F, Snook N, et al. 2017 CAPS stormscale ensemble forecasts for the hydrometeorology testbed ffair experiment. 8th Conference on Transition of Research to Operations, AMS, Austin, Texas, 2018: 13A.5.

[39] 李俊, 杜鈞, 陳超君. “頻率匹配法”在集合降水預報中的應用研究. 氣象，2015, 41(6): 674-684.

[40] Schwartz C S, Kain J S, Weiss S J, et al. Toward improved convection-allowing ensembles: model physics sensitivities and optimizing probabilistic guidance with small ensemble membership. Weather and Forecasting, 2010, 25: 263-280.

[41] 杜鈞, 李俊.集合預報方法在暴雨研究和預報中的應用. 氣象科技進展, 2014, 4(5): 6-20.

[42] Wolff J K, Harrold M, Fowler T, et al. Beyond the basics: evaluating model-based precipitation forecasts using traditional, spatial, and object-based methods. Weather and Forecasting, 2014, 29(6): 1451-1472.

[43] Schwartz C S, Romine G, Smith K, et al. Characterizing and optimizing precipitation forecasts from a convection-permitting ensemble initialized by a mesoscale ensemble Kalman filter. Weather and Forecasting, 2014, 29(6): 1295-1318 .

[44] Kain J S, Xue M, Coniglio M C, et al. Assessing advances in the assimilation of radar data and other mesoscale observations within a collaborative forecasting–research environment. Weather and Forecasting, 2010, 25(5): 1510-1521.

[45] Xue M, Kong F, Thomas K W, et al. CAPS realtime multimodel convection-allowing ensemble and 1-km convectionresolving forecasts for the NOAA hazardous weather testbed 2009 spring experiment. 23rd Conference on Weather Analysis and Forecasting/19th Conference on Numerical Weather Prediction, Omaha, NB, American Meteorological Society, 2010: 16A.2.

[46] Xue M, Kong F, Thomas K W, et al. Prediction of convective storms at convection-resolving 1 kmresolution over continental United States with radar data assimilation: an example case of 26 May 2008 and precipitation forecasts from spring 2009. Advances in Meteorology, 2013: 9.

[47] Clark A J, Gallus W A, Xue M, et al. A comparison of precipitation forecast skill between small convection-permitting and large convection-parameterizing ensembles. Weather and Forecasting, 2009, 24(4): 1121-1140.

[48] Clark A J, Gallus W A Jr., Xue M, et al. Growth of spread in convection-allowing and convection-parameterizing ensembles. Weather and Forecasting, 2010, 25(2): 594-612.

[49] Clark A J, Gallus W A Jr., Xue M, et al. Convection-allowing and convection-parameterizing ensemble forecasts of a mesoscale convective vortex and associated severe weather. Weather and Forecasting, 2010, 25(4): 1052-1081.

[50] Schwartz C, Kain J, Weiss S, et al. Next-day convection-allowing WRF model guidance: a second look at 2 km versus 4 km grid spacing. Monthly Weather Review, 2009, 137(10): 3351-3372.

[51] Kong F, Xue M, Brewster K, et al. Storm-scale ensemble forecasting for the NOAA Hazardous Weather Testbed. 6th European Conference on Severe Storms, 2011: 171.

[52] Iyer E R, Clark A J, Xue M, et al. A comparison of 36-60 hour precipitation forecasts from convection-allowing and convectionparameterizing ensembles. Weather and Forecasting, 2016, 31(2): 647-661.

[53] Kain J S, Coniglio M C, Correia J, et al. A feasibility study for probabilistic convection initiation forecasts based on explicit numerical guidance. Bulletin of the American Meteorological Society, 2013, 94(8): 1213-1225.

[54] Clark A J, Kain J S, Marsh P T, et al. Forecasting tornado pathlengths using a three-dimensional object identification algorithm applied to convection-allowing forecasts. Weather and Forecasting, 2012, 27(5): 1090-1113.

[55] Clark A J, Gao J, Marsh P T, et al. Tornado pathlength forecasts from 2010 to 2011 using ensemble updraft helicity. Weather and Forecasting, 2013, 28(2): 387-404.

[56] Coniglio M C, Elmore K L, Kain J S, et al. Evaluation of WRF model output for severe-weather forecasting from the 2008 NOAA hazardous weather testbed spring experiment. Weather and Forecasting, 2010, 25(2): 408-427.

[57] Johnson A, Wang X, Xue M, et al. Hierarchical cluster analysis of a convection: allowing ensemble during the hazardous weather testbed 2009 spring experiment. Part II: ensemble clustering over the whole experiment period. Monthly Weather Review, 2011, 139(12): 3694-3710.

[58] Johnson A, Wang X, Kong F, et al. Hierarchical cluster analysis of a convection-allowing ensemble during the hazardous weather testbed 2009 spring experiment. Part I: development of the objectoriented cluster analysis method for precipitation fields. Monthly Weather Review, 2011, 139(12): 3673-3693.

[59] Zhang J, Howard K, Langston C, et al. National mosaic and multisensor QPE (NMQ) system: description, results, and future plans. Bulletin of the American Meteorological Society, 2011, 92(10): 1321-1338.