GRAPES-EPS系统：BGM与ETKF初值生成法对比试验及降水预报效果分析

本文主要探讨了GRAPES-EPS系统的初值生成方法，即增长模繁殖法(BGM)和集合转化卡尔曼滤波法(ETKF)在中尺度集合预报中的应用。GRAPES-EPS是一种中尺度数值天气预报模型，它在进行预报时，初始条件的准确性和多样性对预测结果的精度至关重要。作者首先介绍了BGM和ETKF这两种初始扰动方法的基本原理： BGM基于模式的线性生长和随机扰动，通过对初始状态进行迭代更新，产生一组具有不同扰动的模式，从而反映系统中的不确定性。这种方法简单直观，适合于业务应用。 另一方面，ETKF则是一种数据同化技术，结合了卡尔曼滤波的思想，将观测数据与模型模拟结果进行融合，生成更接近真实状态的初始场。ETKF在保持模型预测能力的同时，能够有效地处理观测数据的不完整性，提高预报的精度。 作者利用GRAPES中尺度模式，分别构建了采用BGM和ETKF的两个中尺度集合预报系统，选取了"圣帕"台风作为个案进行了试验。实验结果显示，两种方法都能较好地捕捉中尺度强降水过程，通过集合平均，相较于单模式控制预报，集合预报能提供更为准确的降水位置和强度预报，尤其是在极端天气事件中显示出优势。 然而，在具体指标如邮票图（表示降水区域的空间分布）和集合预报系统的检验参数（如集合离散度和特征值分布）上，ETKF的表现优于BGM，但在降水结果TS评分（一种评估降水预报准确性的综合指标）方面，BGM的方法表现出更好的预报性能。 BGM和ETKF各有其优点，BGM由于原理简单、易于实施，更适合直接用于业务运行，而ETKF则在数据融合和精度提升上更具优势。研究者们可以根据实际需求和预报目标选择合适的方法，以提高GRAPES-EPS系统的预测效果。这是一项重要的研究，对于改进中尺度天气预报的准确性和可靠性具有重要意义。