УДК 551.509.5

 

 

Анализ результатов численного прогноза
 ливневых осадков по модели
WRF
с применением различных параметризаций конвекции
 (на примере территории Пермского края)

Н.А. Калинин, А.Н. Шихов, А.В. Быков, А.В. Тарасов

Пермский государственный национальный исследовательский
 университет, г Пермь, Россия

meteo@psu.ru

 

Проанализирована успешность численного прогноза сильных конвективных осадков (≥15 мм/12 ч) по модели WRF-ARW с шагом сетки 7,2 км с применением различных схем параметризации конвекции и в режиме ее прямого моделирования. Исследования проведены на примере территории Пермского края, на материалах за август 2016 г. Оценка успешности прогноза с использованием отдельных элементов объектно-ориентированного подхода выполнена по двум критериям: индексу критического успеха SCI и индексу экстремальной зависимости EDI. Оба критерия дают согласованные результаты, а наиболее качественные прогнозы получены с применением параметризации Беттса – Миллера – Янича. Показано, что при прямом моделировании конвекции воспроизводятся локальные зоны интенсивных осадков, причем их максимальная интенсивность оказывается близкой к фактическим значениям. При моделировании с использованием любой параметризации конвекции (за исключением схемы Каина – Фритша) площадь зон осадков существенно завышается, а максимальная интенсивность занижается, что ведет к снижению числа ложных тревог при прогнозе сильных ливней. Исключением является параметризация Каина – Фритша.

Ключевые слова: конвективные осадки, модель WRF, параметризации конвекции, Пермский край, индекс SCI, индекс EDI

 

 

Analysis of numerical forecasts of heavy precipitation
 with the WRF model using various convection schemes
(a case study for the Perm Krai)

N.A. Kalinin, A.N. Shikhov, A.V. Bykov, A.V. Tarasov

Perm State University, Perm, Russia

meteo@psu.ru

The accuracy assessment of numerical forecasts of heavy convective rainfalls (≥15 mm/12h) with the WRF model (7.2 km horizontal grid size) using various convection schemes and explicit simulation is presented. The study is performed for the Perm Krai and is based on data for August 2016. The assessment of forecast accuracy is performed with a partial use of the object-based approach. Two accuracy scores such
as Critical Success Index (SCI) and Extremal Dependence Index (EDI) are calculated and compared. Both indices show consistent results, and the highest forecast accuracy is
obtained in case of using the Betts–Miller–Janjic convection scheme. It is shown, that
the explicit simulation of deep convection predicts the local zones of heavy convective rainfalls, and their maximum intensity is close to the observed values. When modeling using any convection parameterization (except for the Kain-Fritsch scheme), the precipitation area is significantly overestimated, and the maximum rainfall intensity is underestimated, that leads to a decrease in false alarms.

Keywords: convective precipitation, WRF model, convection parametrization schemes, Perm Krai, SCI, EDI

 

 

Введение

Повышение точности прогноза сильных осадков является одной из наиболее значимых проблем в краткосрочном прогнозировании погоды. Для большинства регионов России в качестве критерия сильных осадков в виде дождя или в смешанной фазе (неблагоприятного явления) принято количество осадков ≥15 мм за период ≤12 ч. Критерием очень сильных осадков (опасного явления) для большинства регионов является значение ≥50 мм за период ≤12 ч. Для отдельных ливнеопасных (селеопасных) районов критерий очень сильных осадков снижен до ≥30 мм за период ≤12 ч [15].

Высокая практическая значимость прогноза сильных осадков определяется тем, что они способны нанести большой материальный ущерб. Несмотря на происходящее в последние годы совершенствование мезомасштабных численных моделей атмосферы, проблема получения удовлетворительного прогноза места и времени выпадения локальных ливневых дождей до сих пор до конца не решена как в России, так и за рубежом [17, 26].

Для краткосрочного прогноза сильных осадков конвективного характера используются негидростатические мезомасштабные модели, способные воспроизводить глубокую конвекцию непосредственно (без параметризации). Разрешающая способность таких моделей доведена до 1 км и менее, что позволяет моделировать отдельное кучево-дождевое облако с горизонтальным и вертикальным размером порядка 10 км и эволюцию скоплений таких облаков. В Гидрометцентре России для получения краткосрочных численных прогнозов погоды в качестве базовой используется мезомасштабная негидростатическая модель COSMO-Ru [7, 12, 14].
Система краткосрочного прогноза погоды, функционирующая в оперативном режиме, включает в себя несколько конфигураций модели COSMO с различными шагами сетки, областями прогнозирования и набором параметризаций. Для территории всей Европы используется шаг сетки 13,2 км, для Европейской территории России (ЕТР) и части Западной Сибири – 7 км, а для территории Центрального и части Южного федеральных округов – 2,2 км.

Также для метеорологического обеспечения Всемирной летней Универсиады 2013 в Казани и Зимней олимпиады Сочи-2014 были разработаны и применены специальные технологические линии системы COSMO-Ru с шагами сетки, соответственно, 2,2 и 1,1 км [14, 26]. Прогнозы также составляются по модели WRF (Weather Research and Forecasting) с шагом сетки, равным 3 км. Перечисленные модели успешно прогнозируют факт выпадения осадков, но часто дают значительные ошибки при прогнозе пространственного положения зон локальных сильных ливней [6, 12].

Для текущего прогноза ливневых осадков на срок 0‒2,5 ч на территории Московского региона в Гидрометцентре России разработана система наукастинга, функционирующая в режиме реального времени на основе последовательностей радарных полей, поступающих из Центральной аэрологической обсерватории. Результаты ее верификации на примере теплого периода 2017 года представлены в [13].

В последние два десятилетия исследования в области совершенствования краткосрочного численного прогноза конвективных осадков проводятся в нескольких направлениях, которые рассмотрены в обзоре [1]. В частности, проведено сопоставление успешности прогноза осадков различными численными моделями [29], определено влияние числа вертикальных уровней в модели WRF на успешность прогноза [16], определена чувствительность прогноза осадков к выбору схем параметризации конвекции в мезомасштабных моделях [27, 34], усовершенствованы существующие способы параметризации конвекции [20, 25], оценено влияние различных механизмов возбуждения глубокой конвекции на успешность прогноза [18]. Разрабатываются также методы ансамблевого прогнозирования на основе комбинирования различных начальных условий или схем параметризации [30]. Наконец, широко применяется усвоение дополнительных начальных данных в гидродинамических моделях, прежде всего для целей сверхкраткосрочного прогнозирования [5, 32, 33].

С ростом пространственного разрешения моделей атмосферы отдельной проблемой является получение объективной оценки качества прогноза конвективных осадков. Наземная сеть наблюдений не позволяет оценить фактическое распределение ливневых осадков по причине их локального характера и низкой плотности сети. Также при использовании традиционных «точечных» методов (основанных на сравнении с данными наблюдательной сети) не учитывается пространственная структура
модельного поля осадков. Для решения данной проблемы был разработан метод объектно-ориентированной диагностической оценки (
MODE)
[21, 22]. Данный метод предполагает сопоставление фактического и прогностического положения объектов, в качестве которых могут рассматриваться, в частности, зоны осадков, превышающих определенную (пороговую) интенсивность. Для реализации метода
MODE в качестве фактических данных чаще всего принимаются измерения радиоэха зон осадков доплеровскими радиолокаторами (ДМРЛ).

В последующие годы было разработано несколько методов пространственной верификации численных прогнозов полей ливневых осадков и других метеорологических величин (в англоязычной литературе – spatial forecast verification methods). Эти методы подразделяются на несколько классов: методы свертки, разделения масштабов, объектно-ориентированные методы и методы деформации полей [8]. В 2007 году реализован проект по их взаимному сравнению на основе тестового набора данных о ливневых осадках на территории США [19].

Опыт использования методов пространственной оценки прогнозов конвективных явлений (включая ливневые осадки) на территории России представлен в [6, 8, 11].

Для территории Урала ранее изучалась возможность прогноза
возникновения и эволюции мезомасштабных конвективных систем (МКС) [3, 10], а также отдельных случаев возникновения шквалов, крупного града и смерчей [9, 10]. В то же время оценка качества прогноза сильных ливневых осадков с помощью модели
WRF для Уральского региона ранее не проводилась. Целью настоящей работы является получение сравнительной оценки успешности численного прогноза сильных конвективных осадков (≥15 мм/12 ч) на примере территории Пермского края моделью WRF-ARW с применением различных схем параметризации конвекции и в режиме ее прямого моделирования.

Исследование проведено по материалам за август 2016 года. В течение большей части данного периода исследуемый регион находился под влиянием западной периферии блокирующего антициклона, что обусловило преобладание аномально жаркой погоды с температурой на 6–9 °С выше климатической нормы. При этом наблюдалось развитие глубокой конвекции с локальными ливнями, шквалами и градом. В двух случаях интенсивность локальных ливней достигла критерия опасного метеорологического явления «сильный ливень» (≥30 мм/1 ч) и «очень сильный дождь» (≥50 мм/12 ч).

 

1. Исходные данные и методы исследования

Для составления прогнозов использовалась модель WRF с динамическим ядром ARW версии 3.8.1. Детальное описание современной версии модели приведено в [28]. Программный комплекс модели WRF установлен на многопроцессорном вычислительном комплексе с гибридной архитектурой «ПГНИУ-Кеплер». Принятая конфигурация модели описана в табл. 1, а основные сведения о численных экспериментах приведены в табл. 2. Для сравнительной оценки прогноза конвективных осадков модель запускалась в режиме прямого моделирования конвекции, а также с использованием пяти различных параметризаций конвекции: Беттса – Миллера – Янича (далее по тексту – BMJ), Грела – Девени (GF), Каина – Фритша (KF), ансамбль Грела 3D (G3) и Tiedke (T). Основные особенности перечисленных схем параметризации конвекции описаны в [4].

Таким образом, за каждый день исследуемого периода (с 1 по 31 августа 2016 г.) было рассчитано по шесть прогнозов, которые различались только выбором способа моделирования конвекции. При этом начальные условия и параметризации других подсеточных процессов оставались неизменными. Выходные данные были получены в формате GRIB2. С целью их последующего использования в ГИС с помощью программы OpenGrads выполнена конвертация данных в растровый формат GeoTiff.

 

Таблица 1. Принятые настройки модели WRF

Table 1. Accepted WRF model settings

Характеристика модели

Принятая настройка

Шаг сетки

7,2 км

Число узлов

268×268

Число вертикальных уровней

42

Модель рельефа

U.S. Geological Survey (USGS) DEM (30s)

Динамическое ядро

ARW

Микрофизика облачности

Схема Томпсона

Планетарный пограничный
слой

Схема университета Yonsei /
Схема Меллора-Ямады-Янича (Eta)

Подстилающая поверхность

Модель Noah

Коротковолновая
и длинноволновая радиация

Rapid Radiative Transfer Model (RRTM )/
Схема GFDL (Eta)

Приземный слой

Схема Монина-Обухова с вязким подслоем Карлсона-Боланда
и стандартными функциями подобия

Конвекция

6 расчетов с различными настройками модели: (прямое моделирование конвекции,
параметризации BMJ, GF, KF, G3, T)

 

Таблица 2. Сведения о численных экспериментах

Table 2. Information on the numerical experiments

Характеристика модели

Принятая настройка

Срок запуска модели

0 ч ВСВ

Заблаговременность прогноза

27 ч

Временной шаг вывода данных

1 ч

Шаг интегрирования по времени

48 с

Формат выходных данных

GRIB2

 

Поскольку ливневые осадки имеют локальный характер, смоделированные зоны осадков редко совпадают с их фактическим местоположением. Поэтому при оценке успешности прогноза необходимо учитывать расстояние между фактическими и модельными зонами осадков. При реализации объектно-ориентированного подхода в качестве источника
фактических данных об осадках обычно используются данные ДМРЛ, а успешность прогноза оценивается по величине расстояния между объектами (зонами сильных осадков) по данным ДМРЛ и по модели. Расстояние в 50 или 100 км между центроидами прогностической и фактической областей с сильными осадками обычно принимается в качестве порогового, на основе которого оценивается оправдываемость прогноза [6, 11].

Большая часть территории Пермского края находится вне радиуса обзора ДМРЛ, поэтому реализация метода MODE в оригинальном виде была невозможна. В качестве проверочной информации были получены данные с 25 метеостанций, расположенных на территории края. За весь рассматриваемый период (с 1 по 31 августа 2016 г.) метеостанциями были зафиксированы 10 случаев сильных ливневых осадков (≥15 мм/12 ч),
перечень которых приведен в табл. 3. Таким образом, при оценке прогноза пришлось сопоставлять площадные объекты (зоны сильных осадков, полученные по модели) с точечными (случаи осадков, зафиксированные метеостанциями). На основе имеющихся данных была реализована основная идея объектно-ориентированного метода, которая состоит в определении успешности прогноза в зависимости от минимального расстояния между фактическим и модельным объектами.

 

Таблица 3. Перечень случаев сильных ливневых осадков, зафиксированных метеостанциями, и их некоторые характеристики

Table 3. List of heavy convective rainfall events reported by weather stations and some their characteristics

Метеостанция

Дата,
срок (ВСВ)

Количество осадков
 за 12 ч, мм

Число успешных
прогнозов
 по модели
WRF
для данного случая

Кочево

01.08.2016, 15 ч

27

2

Губаха

02.08.2016, 3 ч

15

1

Чермоз

04.08.2016, 15 ч

23

0

Оханск

11.08.2016, 15 ч

50

1

Коса

12.08.2016, 15 ч

19

5

Чердынь

13.08.2016, 3 ч

32

3

Кочево

15.08.2016, 3 ч

15

0

Усть-Черная

25.08.2016, 15 ч

23

2

Пермь

28.08.2016, 15 ч

19

0

Чердынь

31.08.2016, 15 ч

22

3

 

Для реализации оценки прогнозов был разработан скрипт на языке Python. В качестве входной информации использовались поля накопленных осадков по модели WRF (в формате GeoTiff) и данные сети метеостанций. На первом этапе рассчитывались накопленные осадки за периоды 3–15 ч и 15–27 ч от срока запуска модели (0 ч ВСВ), чтобы обеспечить совпадение модельных данных со сроками измерения количества осадков на метеостанциях. Затем производилось отсечение по пороговому значению 15 мм/12ч. В результате были получены бинарные маски областей с сильными осадками по модели. Эти маски и рассматривались далее в качестве объектов. На следующем этапе рассчитывалось расстояние от каждого объекта до метеостанций, и производился выбор ближайшего объекта для каждой метеостанции.

Таким образом, за каждый расчетный день было определено количество объектов (зон сильных осадков ≥15 мм/12ч), попадающих в пределы Пермского края, а также минимальное расстояние от каждой метеостанции до ближайшей зоны сильных осадков.

Пример реализации методики приведен на рис. 1 (в данном случае сильные осадки были зафиксированы на метеостанции Кочево). Прогноз считался оправдавшимся, если расстояние от метеостанции, зафиксировавшей явление, до ближайшей зоны сильных осадков по модели составляло не более 50 км. В случае, если это расстояние превышало 50 км, прогноз оценивался как не оправдавшийся (пропуск явления). Ложными тревогами считались случаи, когда прогнозируемая зона сильных осадков пересекалась с метеостанцией, но фактически на этой станции сильные осадки не наблюдались. Случаи сильных осадков, которые были воспроизведены моделью, но не совпали с метеостанциями, не рассматривались как ложные тревоги, так как фактически сильные осадки могли выпадать между метеостанциями. Общий объем выборки N составил 1550 случаев (по 62 расчетных 12-часовых интервала для каждой из 25 метеостанций, расположенных на территории Пермского края).

Рис. 1. Оценка успешности прогноза ливневых осадков по модели WRF на основе сравнения с данными метеостанций с учетом критерия минимального расстояния (на примере случая 01.08.2016).

Fig. 1. Accuracy assessment of the convective precipitation forecast by WRF model comparing with weather stations data taking into account the minimum distance criteria (on the example 0f 01.08.2016).

 

Для оценки успешности прогноза использованы две метрики ‒ индекс критического успеха (critical success index, CSI), который также известен как Thread Score, и индекс экстремальной зависимости (Extreme Dependency Score, EDI). Индекс CSI был рекомендован для оценки прогнозов ливневых осадков и других явлений редкой повторяемости в [11], а индекс EDI ‒ в нескольких работах российских и зарубежных авторов [12, 24, 26]. При этом EDI является наиболее простым из показателей качества прогнозов экстремальных явлений, отвечающих таким требованиям, как невырожденность предела и независимость от частоты явления [12]. Метрики CSI и EDI, как и критерий Пирса – Обухова, традиционно используемый для оценки прогнозов осадков, рассчитываются на основе значений таблицы сопряженности прогнозов и наблюдений рассматриваемого явления (табл. 4) по следующим формулам:

,                               (1)

.                                          (2)

Для расчета индекса EDI предварительно вычисляется доля попаданий H и доля ложных тревог F:

,                                             (3)

,                                               (4)

где nH – число оправдавшихся прогнозов (попаданий); nM – число пропусков явления; nF – число ложных тревог; nD – число верных прогнозов отсутствия явления.

 

Таблица 4. Пример таблицы сопряженности для прогнозов сильных
ливневых осадков по модели
WRF и их наблюдения на метеостанциях

Table 4. Example of contingency table for heavy rainfall forecasts by the WRF model and their observation at weather stations

Явление
прогнозировалось

Явление наблюдалось

Да

Нет

Да

4

18

Нет

6

1522

 

 

Оценка успешности прогнозов на основе метрик CSI и EDI приведена в табл. 5. Дополнительно в табл. 5 приведено общее число случаев, когда модель воспроизводила сильные осадки ≥15 мм/12 ч (Nmodel). Эта характеристика показывает особенности воспроизведения сильных осадков моделью при выборе различных схем моделирования конвекции.

Таблица 5. Оценки успешности прогноза ливневых осадков по модели WRF с различными параметризациями конвекции на основе метрик CSI и EDI

Table 5. Assessment of accuracy of heavy rainfall forecast by the WRF model with various convection schemes

Способ моделирования конвекции

nH

nM

nF

nD

SCI

EDI

Nmodel

Прямое моделирование

4

6

18

1522

0,142

0,658

230

Схема BMJ

5

5

6

1534

0,312

0,777

75

Схема G3

3

7

13

1527

0,130

0,597

83

Схема GF

2

8

5

1535

0,133

0,561

13

Схема KF

2

8

19

1521

0,069

0,464

130

Схема T

1

9

12

1528

0,045

0,356

68

 

 

2. Результаты и их обсуждение

Индексы CSI и EDI дают хорошо согласованные оценки успешности прогнозов по модели WRF с различными схемами моделирования конвекции. Из приведенных в табл. 5 значений индексов следует, что наиболее высокое качество прогноза сильных конвективных осадков было получено с применением параметризации Беттса – Миллера – Янича (BMJ). При использовании этой параметризации получено как максимальное число успешных прогнозов (5), так и небольшое число ложных тревог (6). Также высокие значения индексов CSI и EDI получены при прямом моделировании конвекции за счет сравнительно большого числа успешных прогнозов (4), но при существенном количестве ложных тревог (18). При использовании других параметризаций конвекции значения обоих индексов оказались существенно ниже. Наименее точные прогнозы получены с применением параметризации Tiedke (T) – один успешный прогноз и 12 ложных тревог. Наибольшее число ложных тревог (19) получено при моделировании с параметризацией Каина – Фритша.

Особенности воспроизведения моделью конвективных осадков при использовании различных параметризаций характеризует также общее число случаев сильных осадков по модели (Nmodel). При прямом моделировании конвекции модель непосредственно воспроизводит мезомасштабные конвективные системы (МКС) и связанные с ними локальные зоны сильных ливней. Поэтому общее число случаев сильных ливневых осадков по модели в этом случае оказалось максимальным (230 случаев за месяц). Любая параметризация конвекции дает принципиально иную картину пространственного распределения ливневых осадков. Площадь зон умеренных осадков (3–15 мм) сильно завышается, что подтверждается сопоставлением с данными метеостанций (рис. 2, 3). В то же время количество случаев с сильными осадками и их максимальная интенсивность оказывается значительно ниже, чем при прямом моделировании конвекции, что способствует снижению числа ложных тревог при прогнозе.
Исключением является схема Каина – Фритша, которая воспроизводит большое число зон сильных ливневых осадков и дает даже больше ложных тревог, чем прямое моделирование конвекции. Аналогичная закономерность была выявлена применительно к глобальным моделям прогноза погоды, в которых конвекция также моделируется с помощью параметризаций [31].

 

Рис. 2. Количество осадков за период с 3 до 15 ч ВСВ 11.08.2016 по модели WRF с применением различных способов моделирования конвекции: прямое моделирование (а); схема BMJ (б); схема G3 (в); схема GF (г); схема KF (д); схема Т (е).

Fig. 2. Accumulated precipitation by the WRF model with various convection
parametrization schemes and without it, for 11 Aug 2016, between 03.00
and 15.00 UTC: explicit modeling (without parametrization), BMJ, G3, GF, KF
and T schemes respectively.

Рис. 3. Количество осадков за период с 3 ч ВСВ 12.08.2016 до 3 ч ВСВ 13.08.2016 по модели WRF с применением различных способов моделирования конвекции: прямое моделирование (а); схема BMJ (б); схема G3 (в); схема GF (г); схема KF (д); схема Т (е).

Fig. 3. Accumulated precipitation by the WRF model with various convection parametrization schemes and without it, between 03.00 UTC 12 Aug 2016 and 03.00 UTC 13 Aug 2016: explicit modeling (without parametrization), BMJ, G3, GF, KF and T schemes respectively.

 

Представляет интерес воспроизводимость случаев ливневых осадков в зависимости от синоптического положения. В табл. 3 приведено число успешных прогнозов для каждого из 10 случаев сильных ливней. Как
и ожидалось, наиболее точные прогнозы получены в тех случаях, когда сильные ливневые осадки были обусловлены прохождением атмосферных фронтов со значительным контрастом в поле температуры и/или влажности воздуха. В этих условиях формировались обширные по площади МКС и зоны ливневых осадков. Чем ливневые осадки более локальны, тем хуже они воспроизводятся моделью. Аналогичные закономерности ранее были установлены применительно к прогнозу МКС [3, 10].

Из 10 случаев сильных ливней, зафиксированных метеостанциями (см. табл. 3), лучше всего воспроизводятся случаи 12 августа в Косе, 13 и 31 августа в Чердыни, причем первые два случая были связаны с одним и тем же синоптическим процессом, более подробное описание которого приведено ниже. Ливни локального характера, наблюдавшиеся при внутримассовой ситуации (например, 4 августа в Чермозе) не воспроизводятся моделью вне зависимости от выбора параметризации конвекции.

В случае с локальным сильным ливнем на быстро движущемся холодном фронте (28 августа) ливневые осадки хотя и были зафиксированы большинством метеостанций края, но их интенсивность повсеместно (кроме Перми) была от слабой до умеренной. В данном случае модель также не воспроизводит сильных осадков при любой параметризации конвекции.

Рассмотрим более подробно особенности результатов моделирования сильных конвективных осадков на примере случаев 11 и 12 августа 2016 г. В эти дни наблюдались наиболее сильные ливни за весь исследуемый период. Оба случая были обусловлены распространением в Предуралье воздушной массы с тропическими свойствами (с температурой на изобарической поверхности 850 гПа около +20 °С и высоким влагосодержанием) по юго-западной периферии антициклона с центром над севером Западной Сибири. В средней тропосфере ему соответствовал хорошо выраженный высотный гребень.

Во второй половине дня 11 августа глубокая конвекция развивалась над южной частью Пермского края на полярном теплом фронте. В соответствии с данными реанализа CFSv2, конвективная неустойчивость была умеренной (доступная потенциальная энергия неустойчивости CAPE составляла около 1000 Дж/кг), а интегральное влагосодержание (precipitable water) превышало 40 мм. По данным ДМРЛ, по юго-востоку Пермского края выпал крупный град (метеостанциями не отмечен). Метеостанция Оханск зафиксировала очень сильный дождь (за 3 ч выпало 50 мм осадков), в том числе 45 мм за 1 ч [2]. Результаты моделирования данного случая (12-часовые суммы осадков с 3 до 15 ч ВСВ) приведены на рис. 2.

Второй случай развития конвекции с очень сильными дождями наблюдался вечером 12 августа и был связан с прохождением меридионально ориентированного полярного холодного фронта. В этом случае также наблюдалась умеренная конвективная неустойчивость (CAPE до 1200 Дж/кг) и высокое влагосодержание (36–38 мм). Две МКС прошли по западу и северу Пермского края, а также через южную часть Республики Коми. На двух метеостанциях Пермского края наблюдались сильные ливневые дожди (в Косе – 19 мм, в Чердыни – 32 мм за 1 ч). Также очень сильный дождь (70 мм за 2 ч) наблюдался в Сыктывкаре. По данным ДМРЛ, местами выпадал крупный град [2]. Результаты моделирования данного случая приведены на рис. 3.

В обоих случаях при прямом моделировании воспроизводятся траектории МКС и связанные с ними локальные зоны интенсивных осадков. Максимальная интенсивность осадков при этом оказывается близка к фактическим значениям – свыше 50 мм/12 ч. В то же время площадь зон умеренных осадков сравнительно невелика. Также наблюдаются существенные смещения прогностических зон осадков относительно их фактического положения. Возникновение подобных смещений может быть связано с ошибками в начальных условиях для запуска модели WRF, в качестве которых использовался прогноз GFS [3, 10].

При использовании любой из параметризаций конвекции, как указано выше, площадь зон с умеренными осадками сильно завышается, а максимальная интенсивность осадков, наоборот, занижается по всем параметризациям, за исключением схемы Каина – Фритша. Только эта схема, а также прямое моделирование конвекции позволяют воспроизвести
локальные зоны очень сильных осадков (≥50 мм/12 ч) 12 августа 2016 г. в районе к северо-востоку от Сыктывкара.

В случае 11.08.2016 сильные ливни имели более локальный характер, поэтому они воспроизводятся только при прямом моделировании конвекции. При этом смещение зоны сильных осадков относительно ее фактического положения составляет около 100 км. Ни одна из использованных параметризаций вообще не воспроизводит осадки с интенсивностью более 30 мм/1 ч. Подобная ситуация имела место и в других случаях развития конвекции с локальными сильными ливнями, причем наиболее существенное занижение количества конвективных осадков происходит при использовании параметризации Т (табл. 5).

 

Заключение

Анализ результатов численных экспериментов по моделированию сильных конвективных осадков на территории Пермского края в августе 2016 года позволяет сделать следующие выводы.

В зависимости от выбора способа моделирования конвекции (напрямую или с использованием параметризации) по модели WRF c шагом сетки 7,2 км полученное распределение количества осадков существенно различается. При прямом моделировании воспроизводятся локальные зоны интенсивных осадков, связанные с прохождением МКС. Максимальная интенсивность осадков оказывается близкой к фактическим значениям, а площадь зон умеренных осадков сравнительно невелика. Следует отметить, что возможность получения правдоподобных результатов при прямом моделировании конвекции на сравнительно грубых сетках
(5–10 км) обсуждалась в ряде зарубежных работ, например в [23], хотя полноценное облако-разрешающее моделирование возможно при шаге сетки 3 км и менее. Основной проблемой при этом являются существенные смещения прогностических зон осадков относительно их фактического положения, вызванные обычно ошибками в начальных условиях.

При моделировании с использованием любой параметризации конвекции в модели WRF площадь зон осадков существенно завышается, а максимальная интенсивность занижается. Исключением является схема Каина – Фритша, которая успешно воспроизводит сильные ливни, но при этом дает большое число ложных тревог. Из результатов расчета индексов CSI и EDI следует, что наиболее успешные прогнозы сильных конвективных осадков были получены с применением параметризации Беттса – Миллера – Янича (BMJ), а на втором месте по успешности – результаты прямого моделирования (без параметризации). Важно отметить, что индексы CSI и EDI дают согласованные оценки качества прогноза.

Исследование проведено при финансовой поддержке РФФИ (проект № 17-45-590850 р_а).

 

Список литературы

1. Алексеева А.А. Подходы к решению проблемы прогнозирования сильных летних осадков // Труды Гидрометцентра России. 2014. Вып. 351. С. 51-67.

2. Бережная Т.В., Голубев А.Д., Паршина Л.Н. Аномальные гидрометеорологические явления на территории Российской Федерации в августе 2016 г. // Метеорология и гидрология. 2016. № 11. С. 109-118.

3. Быков А.В., Шихов А.Н. Прогноз мезомасштабных конвективных систем с применением глобальных и мезомасштабных гидродинамических моделей // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15,№ 2. С. 213-224.

4. Вельтищев Н.Ф., Жупанов В.Д. Численные прогнозы погоды по негидростатическим моделям общего пользования WRF-ARW и WRF-NMM // 80 лет Гидрометцентру России. М.: Триада лтд, 2010. С. 94-135.

5. Вельтищев Н.Ф., Жупанов В.Д. Эксперименты по усвоению радиолокационной
отражаемости в модели
WRF-ARW // Метеорология и гидрология. 2012. № 3. С. 5-19.

6. Вельтищев Н.Ф., Жупанов В.Д., Павлюков Ю.Б. Краткосрочный прогноз сильных осадков и ветра с помощью разрешающих конвекцию моделей WRF // Метеорология и гидрология. 2011. № 1. С. 5-18.

7. Вильфанд Р.М., Ривин Г.С., Розинкина И.А. Система COSMO-Ru негидростатического мезомасштабного краткосрочного прогноза погоды Гидрометцентра России: первый этап реализации и развития // Метеорология и гидрология. 2010. № 8. С. 5-20.

8. Зарипов Р.Б., Павлюков Ю.Б., Шумилин А.А., Травов А.В. Использование радиолокационной информации при оценке прогноза погоды с высоким разрешением // Гидрометеорологические исследования и прогнозы. 2018. № 2 (368). С. 60-86.

9. Калинин Н.А., Ветров А.Л., Свиязов Е.М., Попова Е.В. Изучение интенсивной конвекции в Пермском крае с помощью модели WRF // Метеорология и гидрология. 2013. № 9. с. 21–30.

10. Калинин Н.А., Шихов А.Н., Быков А.В. Прогноз мезомасштабных конвективных систем на Урале с помощью модели WRF и данных дистанционного зондирования //
Метеорология и гидрология. 2017. № 1. С. 16-28.

11. Кисельникова В.З. Объектно-ориентированная оценка качества прогноза осадков WRF // Метеорология и гидрология. 2013. № 4. С. 5-10.

12. Муравьев А.В., Киктев Д.Б., Бундель А.Ю., Дмитриева Т.Г., Смирнов А.В.
Верификация прогнозов метеорологических явлений со значительными воздействиями в районе проведения Олимпиады «Сочи-2014». Часть I. Детерминированные прогнозы в тестовый период // Метеорология и гидрология. 2015. № 9. С. 31-48.

13. Муравьев А.В., Киктев Д.Б., Смирнов А.В. Оперативная технология наукастинга осадков на основе радарных данных и результаты верификации для теплого периода года (май-сентябрь 2017 г.) // Гидрометеорологические исследования и прогнозы. 2018. № 1 (367). С. 6-38.

14. Ривин Г.С., Розинкина И.А., Вильфанд Р.М. и др. Система COSMO-Ru негидростатического мезомасштабного краткосрочного прогноза погоды Гидрометцентра России: второй этап реализации и развития // Метеорология и гидрология. 2015. № 6. С. 58-70.

15. Типовой перечень и критерии опасных метеорологических явлений. [Электронный ресурс] URL: https://meteoinfo.ru/hazards-definitions (дата обращения 21.06.2019 г.).

16. Aligo E.A., Gallus W.A., Segal M. On the Impact of WRF Model Vertical Grid Resolution on Midwest Summer Rainfall Forecasts // Wea. Forecast. 2009. Vol. 24. P. 575-594.

17. Bytheway J.L., Kummerow C.D., Alexander C. A features-based assessment of the evolution of warm season precipitation forecasts from the HRRR model over three years of development // Wea. Forecast. 2017. Vol. 32(5). P. 1841-1856.

18. Gallus W. A., Jankov I. Convective system rainfall forecast accuracy as a function
of large-scale for
сing // World Clim. Res. Programme. 2003. Vol. 3. P. 05/12-05/13.

19. Gilleland E., Ahijevych D.A., Brown B.G., Casati B., Ebert E.E. Intercomparison
of spatial forecast verification methods // Wea. Forecast. 2009. Vol. 34. P. 1416-1430.

20. Grell G.A., Devenyi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques // Geophys. Res. Lett. 2002. Vol. 29. P. 38/1-38/4.

21. Davis C.A., Brown B., Bullock R. Object-based verification of precipitation forecasts. Part I: Methodology and application mesoscale rain areas // Mon. Wea. Rev. 2006. Vol. 134.
P. 1772-1784.

22. Davis C.A., Brown B., Bullock R. Object-based verification of precipitation forecasts. Part II: Application to convective rain systems // Mon. Wea. Rev. 2006. Vol. 134, № 7. P. 1785-1795.

23. Hong S.-Y., Dudhia J. Next-generation numerical weather prediction. Bridging parameterization, explicit clouds, and large eddies // Bull. Amer. Met. Soc. 2012. Vol. 93. P. ES6-ES9.

24. Ferro C.A. T. and Stephenson D.B. Extremal dependence indices: Improved verification measures for extreme events and warnings // Wea. Forecasting. 2012. Vol. 26. P. 699-713.

25. Kain J.S. The Kain-Fritsch convective parameterisation: an update // J. Appl. Meteorol. 2004. Vol. 43. P. 170-181.

26. Kiktev D., Joe P., Isaac G.A., Montani A., Frogner I.-L., Nurmi P., Bica B., Milbrandt J., Tsyrulnikov M., Astakhova E., Bundel A., Bélair S., Pyle M., Muravyev A., Rivin G., Rozinkina I., Paccagnella T., Wang Y., Reid J., Nipen T., Ahn K.-D. FROST-2014: The Sochi winter olympics international project // Bull. Amer. Meteorol. Soc. 2017. Vol. 98(9). P. 1908-1929.

27. Mozarakis N., Kotroni V., Lagouvardos K., Argiriou A.A. The sensitivity of numerical forecasts to convective parameterization during the warm period and the use of lightning data as an indicator for convective occurrence // Atm. Res. 2009. Vol. 94. P. 704-714.

28. Powers J.G. et al. The Weather Research and Forecasting Model: Overview, System Efforts, and future directions // Bull. Amer. Met. Soc. 2017. Vol. 98. P. 1717-1737.

29. Richard E., Cosma S., Benoit R., Binder P., Buzzi A., Kaufmann P. Intercomparison of mesoscale meteorological models for precipitation forecasting // Hydrol. Earth Syst. Sci. 2003. Vol. 7. P. 799-811.

30. Sattler K., Feddersen H. Study on limited area short-range ensemble approaches targeted for heavy rain in Europe // World. Clim. Res. Programme. 2003. P. 05/28-05/29.

31. Stephens G.L., L'Ecuyer T., Forbes R., et al. Dreary state of precipitation in global models // J. Geophys. Res. 2010. Vol. 115, no. 24. P. D 24211|1-D 24211|13.

32. Xiao Q., Kyo Ying-Hwa, Sun J., Lee Wen-Chau. Assimilation of Doppler radar observations with a regional 3DVAR system: impact of Doppler velocities on forecasts of a heavy rain fale case // J. Appl. Meteorol. 2005. Vol. 44. P. 768-788.

33. Xu J., Gao X., Xiao Q., Sorooshian S. Investigate the impacts of assimilating satellite rainfall estimates on rainstorm forecast over southwest United States // Geophys. Res. Lett. 2004. Vol. 31. P. 216104/1-216104/3.

34. Yang M-J., Tung Q-C. Evaluation of rainfall forecasts parameterization schemes // J. Meteorol. Soc. Japan. 2003. Vol. 81. P. 1163-1183.

 

 

References

1. Alekseeva A.A. Approaches to solving the problem of heavy summer rainfall forecast. Trudy Gidromettsentra Rossii [Proceedings of Hydrometcentre of Russia], 2014, vol. 351, pp. 51-67 [in Russ.].

2. Berezhnaya T.V., Golubev A.D., Parshina L.N. Anomalous hydro-meteorological phenomena on the territory of Russian Federation in August 2016. Meteorologiya i Gidrologiya [Russ. Meteorol. Hydrol.], 2016, vol. 11, pp. 109-118 [in Russ.].

3. Bykov A. V., Shikhov A. N. Mesoscale convective systems forecast using global and mesoscale atmospheric models. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa [Current problems in remote sensing of the Earth from Space], 2018, vol. 15, no. 2, pp. 213-224. DOI: 10.21046/2070-7401-2018-15-2-213-224 [in Russ.].

4. Vel'tishchev N.F., Zhupanov V.D. Chislennye prognozy pogody po negidrostaticheskim modelyam obshchego pol'zovaniya WRF-ARW i WRF-NMM [Numerical weather forecasts with the use of the free-available non-hydrostatic models WRF-ARW and WRF-NMM]. V sb.: 80 let Gidromettsentru Rossii. [80 years of Hydrometeorological centre of Russia] Moscow, 2010, pp. 94-135 [in Russ].

5. Veltishchev N. F., Zhupanov V. D. Experiments on the radar reflectivity data assimilation in the WRF-ARW model. Russ. Meteorol. Hydrol., vol. 37, no. 3, pp. 149-158. DOI: 10.3103/S1068373912030016.

6. Vel'tishchev N.F., Zhupanov V.D., Pavlyukov Y.B. Short-range forecast of heavy precipitation and strong wind using the convection-allowing WRF models. Russ. Meteorol. Hydrol., 2011, vol. 36, no. 1, pp. 1-10. DOI: 10.3103/S1068373911010018.

7. Vil'fand R.M., Rivin G.S., Rozinkina I.A. COSMO-ru system of nonhydrostatic mesoscale short-range weather forecast of the hydrometcenter of russia: The first stage of realization and development. Russ. Meteorol. Hydrol., 2010, vol. 35, no. 8, pp. 503-514. DOI: 10.3103/S1068373910080017.

8. Zaripov R.B., Pavlyukov Yu.B., Shumilin A.A., Travov A.V. The use of weather radar data to assess high-resolution weather forecast. Gidrometeorologicheskie issledovaniya i prognozy [Hydro-meteorological studies and forecasts], 2018, vol. 2, pp. 60-86. [in Russ].

9. Kalinin N.A., Vetrov A.L., Sviyazov E.M., Popova E.V. Studying intensive convection
in Perm krai using the WRF model. Russ. Meteorol. Hydrol., 2013, vol. 38(9), pp. 598-604. DOI: 10.3103/S1068373913090021.

10. Kalinin N.A., Shikhov A.N., Bykov A.V. Forecasting mesoscale convective systems in the Urals using the WRF model and remote sensing data. Russ. Meteorol. Hydrol., 2017, vol. 42, no. 1, pp. 9-18. DOI: 10.3103/S1068373917010022.

11. Kisel'nikova V.Z. Object-based evaluation of precipitation forecast quality. Russ. Meteorol. Hydrol., 2013, vol. 38, no. 4, pp. 217-221. DOI: 10.3103/S1068373913040018.

12. Murav’ev, A.V., Kiktev, D.B., Bundel’, A.Y., Dmitrieva, T.G., Smirnov, A.V. Verification of high-impact weather event forecasts for the region of the Sochi-2014 Olympic Games. Part I: Deterministic forecasts during the test period. Russ. Meteorol. Hydrol., 2015, vol. 40, no. 9, pp. 584-597. DOI: 10.3103/S1068373915090034.

13. Murav'ev A.V., Kiktev D.B., Smirnov A.V. Operational technology of precipitation nowcasting based on radar data and verification results for the warm period of the year (May-September 2017). Gidrometeorologicheskie issledovaniya i prognozy [Hydrometeorological Research and Forecasting], 2018, vol. 367, no. 1, pp 6–38. [in Russ].

14. Rivin G.S., Rozinkina I.A., Vil’fand R.M., Alferov D.Y., Astakhova E.D., Blinov D.V., Bundel’ A.Y., Kazakova E.V., Kirsanov A.A., Nikitin M.A., Perov V.L., Surkova G.V., Revokatova A.P., Shatunova M.V., Chumakov M.M. The COSMO-Ru system of nonhydrostatic mesoscale short-range weather forecasting of the Hydrometcenter of Russia: The second stage of implementation and development. Russ. Meteorol. Hydrol., 2015, vol. 40, no. 6, pp. 400-410. DOI: 10.3103/S1068373915060060.

15. Tipovoi perechen' i kriterii opasnykh meteorologicheskikh yavlenii. [Typical list and criteria of hazardous weather phenomena]. Available at:  https://meteoinfo.ru/hazards-definitions [in Russ].

16. Aligo E.A., Gallus W.A., Segal M. On the Impact of WRF Model Vertical Grid Resolution on Midwest Summer Rainfall Forecasts. Wea. Forecast., 2009, vol. 24, pp. 575-594.

17. Bytheway J.L., Kummerow C.D., Alexander C. A features-based assessment of the evolution of warm season precipitation forecasts from the HRRR model over three years of development // Wea. Forecast, 2017, vol. 32, no. 5, pp. 1841-1856.

18. Gallus W. A., Jankov I. Convective system rainfall forecast accuracy as a function of large-scale forсing. World Clim. Res. Programme., 2003, vol. 3, pp. 05/12–05/13.

19. Gilleland E., Ahijevych D.A., Brown B.G., Casati B., Ebert E.E. Intercomparison of spatial forecast verification methods. Wea. Forecast., 2009, vol. 34, pp. 1416-1430.

20. Grell G.A., Devenyi D. A generalized approach to parameterizing convection combining ensemble and data assimilation techniques. Geophys. Res. Lett., 2002, vol. 29, pp. 38/1–38/4.

21. Davis C.A., Brown B., Bullock R. Object-based verification of precipitation forecasts. Part I: Methodology and application mesoscale rain areas. Mon. Wea. Rev., 2006, vol. 134, pp 1772-1784.

22. Davis C.A., Brown B., Bullock R. Object-based verification of precipitation forecasts. Part II: Application to convective rain systems. Mon. Wea. Rev., 2006, vol. 134, No. 7, pp. 1785-1795.

23. Hong S.-Y., Dudhia J. Next-generation numerical weather prediction. Bridging parameterization, explicit clouds, and large eddies. Bull. Amer. Met. Soc., 2012, vol. 93, pp. ES6-ES9.

24. Ferro C.A. T. and Stephenson D.B. Extremal dependence indices: Improved verification measures for extreme events and warnings. Weather and Forecasting, 2012, vol. 26, pp. 699-713.

25. Kain J.S. The Kain-Fritsch convective parameterisation: an update. J. Appl. Meteorol., 2004. vol. 43, pp. 170-181.

26. Kiktev D., Joe P., Isaac G.A., Montani A., Frogner I.-L., Nurmi P., Bica B., Milbrandt J., Tsyrulnikov M., Astakhova E., Bundel A., Bélair S., Pyle M., Muravyev A., Rivin G., Rozinkina I., Paccagnella T., Wang Y., Reid J., Nipen T., Ahn K.-D. FROST-2014: The Sochi winter olympics international project. Bull. Amer. Met. Soc., 2017, vol. 98, no. 9, pp. 1908-1929.

27. Mozarakis N., Kotroni V., Lagouvardos K., Argiriou A.A. The sensitivity of numerical forecasts to convective parameterization during the warm period and the use of lightning data as an indicator for convective occurrence. Atm. Res., 2009, vol. 94, pp. 704-714.

28. Powers J.G. et al. The Weather Research and Forecasting Model: Overview, System Efforts, and future directions. Bull. Amer. Met. Soc., 2017, vol. 98, pp. 1717-1737.

29. Richard E., Cosma S., Benoit R., Binder P., Buzzi A., Kaufmann P. Intercomparison of mesoscale meteorological models for precipitation forecasting. Hydrology and Earth Syst. Sci., 2003, vol. 7, pp. 799-811.

30. Sattler K., Feddersen H. Study on limited area short-range ensemble approaches targeted for heavy rain in Europe. World. Clim. Res. Programme., 2003, pp. 05/28-05/29.

31. Stephens G.L., L'Ecuyer T., Forbes R., et al. Dreary state of precipitation in global models. J. Geophys. Res., 2010, vol. 115, no. 24, pp. D 24211|1-D 24211|13.

32. Xiao Q., Kyo Ying-Hwa, Sun J., Lee Wen-Chau. Assimilation of Doppler radar observations with a regional 3DVAR system: impact of Doppler velocities on forecasts of a heavy rain fale case. J. Appl. Meteorol., 2005, vol. 44, pp. 768–788.

33. Xu J., Gao X., Xiao Q., Sorooshian S. Investigate the impacts of assimilating satellite rainfall estimates on rainstorm forecast over southwest United States. Geophys. Res. Lett., 2004, vol. 31, pp. 216104/1-216104/3.

34. Yang M-J., Tung Q-C. Evaluation of rainfall forecasts parameterization schemes.
J. Meteorol. Soc. Japan., 2003, vol. 81, pp. 1163-1183.

 

Поступила в редакцию 15.02.2019 г.

Received by the editor 15.02.2019.