尼瑪卓嘎 次旺扎西 西繞卓瑪 白覺平措

（1.西藏自治區(qū)拉薩市林周縣氣象局；2.西藏自治區(qū)氣象臺，西藏 拉薩 850000；3.西藏自治區(qū)昌都市氣象局，西藏 昌都 854000）

0 引言

隨著社會經(jīng)濟快速發(fā)展，人民對美好生活的向往越來越高，對氣象服務(wù)水平也提出了更高的要求。因此，近幾年國內(nèi)外將大量人力物力投身于氣象業(yè)務(wù)水平的發(fā)展中。其中，發(fā)展和提高數(shù)值模式的質(zhì)量顯得更為突出，ECMWF 數(shù)值預(yù)報模式在國際上應(yīng)用較廣，產(chǎn)品質(zhì)量得到了較高的評價［1］。我國數(shù)值預(yù)報模式的起步較晚，20 世紀末至21 世紀初我國才將數(shù)值預(yù)報模式研究重視起來，開啟了數(shù)值天氣預(yù)報系統(tǒng)的自主研發(fā)之路，經(jīng)過十幾年的努力我國數(shù)值預(yù)報模式相繼發(fā)布了全球、區(qū)域和臺風(fēng)等多種模式，其整體質(zhì)量躋身世界先進水平［2］。數(shù)值預(yù)報模式的快速發(fā)展，其質(zhì)量評估工作顯得極為重要，國內(nèi)外對這方面的工作很多［3-7］。但是西藏高原在這方面的研究較少，因此，對各家模式產(chǎn)品在高原上的預(yù)報質(zhì)量進行質(zhì)量檢驗評估，并找準差距與優(yōu)勢，為改進與提升模式產(chǎn)品質(zhì)量提供切入點，為一線氣象業(yè)務(wù)人員提供參考。對ECMWF和GRAPES_GFS積雪產(chǎn)品進行質(zhì)量評估，對從事相關(guān)業(yè)務(wù)與科研人員有一定的參考價值。

1 資料

收集了2019 年10 月1 日至2020 年4 月30 日（20-20 時，以下簡稱2019 年至2020 年雪季）小時積雪資料。雖然近幾年西藏各個氣象觀測自動站有積雪觀測儀，但考慮實況質(zhì)量問題只使用了39個國家站的積雪資料。實況數(shù)據(jù)缺測部分有，55106 站從2019 年10月份數(shù)據(jù)缺測，55346站沒有積雪觀測。

檢驗產(chǎn)品時空范圍為西藏區(qū)域2019 年10 月1 日至2020年4月30日ECMWF 24小時積雪和GRAPES_GFS 24 小時積雪（snow depth）產(chǎn)品，其空間分辨率為0.25°×0.25°，時間分辨率為逐小時。

2 方法

評估前剔除了ECMWF 和GRAPES_GFS 小時積雪（SD）和實況資料中缺測時刻數(shù)據(jù)，之后將ECMWF、GRAPES_GFS小時積雪（SD）產(chǎn)品插值到評估站點，再通過計算平均誤差等評估指標對數(shù)據(jù)進行評估。評估檢驗期間的日、月、年的檢驗結(jié)果依據(jù)統(tǒng)計期內(nèi)所有參與檢驗樣本的結(jié)果累加計算。

2.1 插值方法

通過ECMWF、GRAPES_GFS 逐小時積雪產(chǎn)品利用雙線性差值方法，將ECMWF、GRAPES_GFS 積雪產(chǎn)品插值到站點上，與39個站點進行對比分析。

2.2 樣本選擇

實況積雪挑選了有降雪時的數(shù)據(jù)，無降水有積雪情況沒有對比檢驗。在2019 年至2020 年雪季時間內(nèi)西藏南部邊緣一線和那曲中東部以及昌都北部樣本多一些，其余地區(qū)樣本很少。

2.3 評估指標

以經(jīng)過質(zhì)量控制的觀測站點資料作為“真值”，將實況要素均采取雙線性插值方法統(tǒng)計比較一段時間內(nèi)兩者的誤差。具體評估指標包括相關(guān)系數(shù)(COR)、平均值誤差(ME)、平均絕對誤差(MAE)、均方根誤差(RMSE)等。

平均誤差(ME)：

平均絕對誤差（MAE）：

均方根誤差(RMSE)：

其中，Oi為站點觀測值，Gi為ECMWF、GRAPES_GFS 積雪產(chǎn)品插值到檢驗站點得到的數(shù)值，N為參與檢驗的總樣本數(shù)（站次數(shù)）。

3 ECMWF、GRAPES_GFS產(chǎn)品評估結(jié)果

西藏區(qū)域2019 年10 月至2020 年4 月ECMWF、GRAPES_GFS 積雪產(chǎn)品整體評估表現(xiàn)（表1），EC 平均誤差為-0.22cm，GRAPES_GFS 平均無誤為0.11cm，即ECMWFG 整體表現(xiàn)為漏報，RAPES_GFS 積雪整體上表現(xiàn)為空報，平均絕對誤差分別為0.29cm 和0.61cm，均方根誤差為0.9cm和1.09cm。

表1 評估結(jié)果

3.1 ECMWF、GRAPES_GFS積雪產(chǎn)品誤差的時間變化

3.1.1 平均誤差月變化。從西藏區(qū)域2019 年至2020年雪季ECMWF 和GRAPES_GFS 積雪產(chǎn)品平均誤差月變化來看（圖1），平均誤差有明顯的月變化，趨勢基本一致。ECMWF 整體平均誤差為負值，GRAPES_GFS 整體平均誤差為正值，兩種模式一月份為負值最大，聶拉木站點的實況積雪很大，因此它對整個39 各站的月平均的影響最大。ECMWF 模式七個月為負值區(qū)，GRAPES_GFS 模式除1 月和2 月負之外，其余月份為正值區(qū)。表明兩家模式積雪預(yù)報產(chǎn)品基本趨勢與實況一樣，但ECMWFG 整體表現(xiàn)為漏報，RAPES_GFS 積雪整體上表現(xiàn)為空報，并常年積雪較大的站點兩家模式都表現(xiàn)為漏報。同時對積雪預(yù)報表現(xiàn)存在一定的差異，也存在一些共同點。ECMWF整體漏報顯著，GRAPES_GFS 空報明顯，但兩家模式對個別時段和局地積雪較大的區(qū)域變現(xiàn)很差。

圖1 GRAPES_GFS積雪產(chǎn)品平均誤差結(jié)果

3.1.2 平均絕對誤差月變化。西藏區(qū)域2019 年至2020 年雪季ECMWF 和GRAPES_GFS 積雪產(chǎn)品平均絕對誤差月變化分析（圖2），兩家模式的平均絕對誤差有明顯的月變化，變化趨勢基本一致，一月份達最大，其中ECMWF 為1.6cm 左右，GRAPES_GFS 為2.0cm 左右。表明，GRAPES_GFS 模式的誤差更大一些，并一月份降雪集中的地區(qū)兩家模式的質(zhì)量比其余月份偏低顯著。

圖2 GRAPES_GFS積雪產(chǎn)品平均絕對誤差結(jié)果

3.1.3 均方根誤差月變化。西藏區(qū)域2019 年至2020年雪季ECMWF 和GRAPES_GFS 積雪均方根誤差月變化來看（圖3），兩件數(shù)值預(yù)報產(chǎn)品積雪24 小時預(yù)報均方根誤差有明顯的月變化，整體變化基本一致，平均只在0.87cm 和0.98cm 左右，一月份誤差最大，分別為最高的2.0cm 與2.3cm 左右。表明GRAPES_GFS 整體誤差大于ECMWF，平均差個0.11cm。

圖3 GRAPES_GFS積雪產(chǎn)品平均絕對誤差結(jié)果

3.2 誤差的空間分布

西藏區(qū)域2019 年至2020 年雪季ECMWF 和GRAPES_GFS 積雪在雙線性插值后的平均誤差空間分布分析（圖略），空間分布特征顯著，整個西藏區(qū)域為弱的正偏差，南部聶拉木、普蘭、錯那縣南部邊緣個別站負偏差較大，其中兩種模式聶拉木偏差最大的-6.4 和-6.2cm，其余地區(qū)相差不大。西藏區(qū)域2019年10 月至2020 年4 月ECMWF 和GRAPES_GFS 積雪平均絕對誤差空間分布分析（圖略），全區(qū)出個別站外，絕對誤差差別不大，兩家模式聶拉木站絕對誤差最大達到6.69cm左右。西藏區(qū)域2019年10月至2020年4 月ECMWF 和GRAPES_GFS 積雪的均方根誤差空間分布分析（圖略），出聶拉木外偏差在2cm 以內(nèi)，兩家模式聶拉木站的均方根誤差17.44cm 和17.26cm。表明兩家模式在西藏整體積雪預(yù)報是偏多，但常年降雪較多以及積雪較厚的區(qū)域積雪預(yù)報結(jié)果偏少，同時喜馬拉雅山脈沿線和北部個別區(qū)域預(yù)報結(jié)果偏少明顯，跟西藏氣候帶和地理地貌分布較吻合。

圖4 ECMWF積雪產(chǎn)品均方根誤差空間分布

圖5 GRAPES_GFS積雪產(chǎn)品均方根誤差空間分布

4 小結(jié)

（1）在西藏區(qū)域兩家模式積雪預(yù)報產(chǎn)品基本趨勢與實況一樣，但ECMWFG 整體表現(xiàn)為漏報，RAPES_GFS 積雪整體上表現(xiàn)為空報，并常年積雪較大的站點表現(xiàn)為漏報。

（2）相比ECMWFG 模式GRAPES_GFS 模式的誤差更大一些，并一月份降雪集中的地區(qū)兩家模式的質(zhì)量比其余月份偏低顯著。

（3）兩家模式的積雪預(yù)報55655（聶拉木）站差異最大，該站平均誤差為-6.2cm 和-6.3cm，均方根誤差為17.26cm 和17.43cm。表明該區(qū)域兩家模式基本上報不出來，并量級完全報錯狀態(tài)。

（4）兩家模式在空間上表現(xiàn)為在西藏整體積雪預(yù)報是偏多，但常年降雪較多及積雪較厚的區(qū)域積雪預(yù)報結(jié)果偏少，同時喜馬拉雅山脈沿線和北部個別區(qū)域預(yù)報結(jié)果偏少明顯，跟西藏氣候帶和地理地貌分布較吻合，因此模式和客觀預(yù)報改善該區(qū)域的參數(shù)配置，將大幅度提高整體的預(yù)報水平。