云微物理方案参数扰动对华北“7.20”暴雨的集合预报试验

童颖睿 闵锦忠

(南京信息工程大学 气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室，南京 210044)

引 言

强对流引发的暴雨是我国夏季频发的灾害性天气，提高暴雨落区和强度预报准确率一直是气象工作者面临的重大挑战[1-2]。数值模式预报中初始场、侧边界条件、物理过程及其参数化方案的微小差别都会使降水型态出现明显区别，这使得模式预报具有很大的不确定性[3]。集合预报则是解决预报不确定性问题、大幅降低预报误差，提供概率预报的有效手段[4-5]。

早期的强对流集合预报研究集中在初值和侧边界条件不确定性上[6]，但随着模式分辨率的提高，小尺度局地性强降水对于物理过程及其参数化方案的变化变得更为敏感。为了更好模拟局地地形和强对流系统对降水的作用，发展高分辨率模式的对流尺度集合预报势在必行[7]，当网格距可以辨别积云对流，依靠云微物理参数化模拟网格尺度深对流过程变得极为重要[8]。

云微物理方案包含水汽、云和降水的显式处理，模拟水汽的相变过程，直接影响对流系统发展和降水预报。不同云微物理参数化方案对水凝物类型转化，降水粒子下落处理和各项微物理过程的模拟有很大不同，输出预报变量也存在区别。顾小祥等[9]对比了16种云微物理方案对切变线暴雨的影响，王文君等[10]分析了两种双参方案在强降水模拟的差异，康延臻等[11]和王洪等[12]分别对华北暴雨和华南暴雨进行单双参方案分组模拟评估。尹金方等[13]统计了连续10 a中国范围内云微物理方案敏感性试验研究成果，认为使用WRF模式中Lin方案的模拟效果较好。

为了加强方案对云微物理过程的描述，王坤等[14]根据降水模拟偏差改进了WSM3方案冰核浓度计算方法，石荣光等[15]在双参方案中加入了气溶胶活化参数化过程。考虑到模式模拟的云和降水变量对微物理方案中参数的微小变化极为敏感，不同相变特征和参数的不确定性会极大的影响预报降水分布，改变对流系统的强度和移向。郭淳薇等[16]研究了北京暴雨中4种微物理方案云凝结核/云滴数浓度的敏感性，Morales A，et al[17]扰动了Morrison方案中雪下落速度系数、雪密度、冰—云水收集效率、雨增生因子等多个参数以研究其对云和地形性降水特征的影响。

微物理参数扰动集合在观测同化中的应用改善了强风暴的分析和应用，Yussouf，et al[18]在集合卡尔曼滤波EnKF中使用了结合水凝物密度和截断参数的多参数集合，闵锦忠等[19]在WRF-EnSRF系统中比较了多参数集合扰动范围变化对同化的影响。多参数方案是集合预报模式扰动的重要方法之一，代表了参数的不确定性，张曼等[20]在江淮暴雨中扰动积云夹卷率等参数进行集合试验改进了降水预报，在对云微物理方案中经验性描述的参数进行多参数集合试验可以有效降低对流尺度强降水的预报误差，提高模拟准确率。

2016年7月19—21日，我国华北地区出现强暴雨过程，北京、河北多地出现特大暴雨。采用中尺度WRF v4.0模式，对Lin云微物理方案降水粒子参数的不确定性在这次极端降水中进行对流尺度参数扰动集合预报研究，根据参数类型进行参数扰动组合，比较分析不同组合扰动对强降水预报效果的差异，研究组合的敏感性，期望给出合适的对流尺度微物理方案多参数集合扰动参数组合方案。

1 模式和个例

1.1 模式和资料

采用WRF v4.0双向嵌套，网格距为外层15 km，内层3 km，水平网格点数分别为238×232和281×251，垂直方向27层，模式层顶50 hPa，外层积分时间步长90 s，内层积分时间步长30 s。从2016年7月19日00时(世界时，下同)—21日00时，模式积分48 h。分析模式内层区域，区域中心为(39.6°N，117.5°E)。物理参数化方案的选择上，云微物理过程采用Lin方案、积云参数化方案选用Tiedtke方案、边界层参数化方案为MYJ方案、其他参数化方案有RRTMG辐射方案、5层热力辐散陆面方案。3 km网格达到云分辨率，内层区域不使用积云参数化方案。

模式背景场选择逐6 h的1°×1° NCEP全球集合预报系统(GEFS)资料，为模式提供初始场和侧边界条件。GEFS系统通过在原始观测上进行分钟级的扰动产生一组多预报集合(即21个独立集合成员)，可以处理天气观测的自然不确定性。

实况降水资料选择中国气象数据网中国自动站与CMORPH降水产品融合的逐时降水量数据集，空间分辨率为0.1°×0.1°。风场、温度和水汽混合比对应分析场资料则选择欧洲中心0.25°×0.25°逐小时ERA5数据。

1.2 特大暴雨实况演变

此次暴雨过程的降雨主要出现在华北中南部和黄淮地区，19日前降雨主要集中在太行山以南，随后雨区东移，20日强降水中心移至京津冀地区，并向北发展至辽宁西部[21]。地面黄淮气旋随西风槽向东北移动，暴雨云团随之发展移动，图1为模式区域6 h累积降水量实况演变图，19日12时—20日12时暴雨雨团在京津冀地区缓慢移动，造成持续性极端暴雨，20日12时后雨团加速向东北方向移出模式区域，北京作为大暴雨中心，其降雨总量超“7.21”特大暴雨。雷蕾等[22]认为这次京津冀地区极端暴雨由低涡系统强烈发展引起，19日15时—20日12时出现低涡外围螺旋雨带持续性降水，强降水与低涡发展具有正反馈关系。

图1 逐6 h累积降水实况演变(单位：mm)：(a)19日12时前；(b)19日18时前；(c)20日00时前；(d)20日06时前；(e)20日12时前；(f)20日18时前Fig.1 Evolution of 6 hour accumulated rainfall (unit: mm) before: (a) 1200 UTC on 19;(b) 1800 UTC on 19;(c) 0000 UTC on 20;(d) 0600 UTC on 20;(e) 1200 UTC on 20;(f) 1800 UTC on 20

2 扰动方案设计

2.1 控制试验水凝物含量分析

本文集合预报试验采用GEFS的21个成员提供模式的初值和侧边界条件，分别对21个成员进行微物理方案参数扰动，从而构建出新的集合扰动成员。控制试验分别用GEFS的21个成员作为初值和侧边界条件进行集合预报，主要用于对比后面的参数扰动集合预报效果。

模式Lin微物理方案包含云水、云冰、雨、雪、霰/雹5种水凝物，可模拟水汽、不同水凝物粒子间的相互转换与降水形成过程，涉及云冰自动转化、“贝杰龙”过程、霰/雹干湿增长等[23]。方案输出的预报变量为五类水凝物混合比和显式云降水，在3 km网格分辨率中，积云参数化不使用，地面降水完全为显式云降水。

首先对控制试验水凝物预报进行分析，图2为控制试验集合平均液相和冰相水凝物混合比网格平均随时间和高度的变化。云冰和云水、雪晶和雨水均以冻结点为界在大气中呈高低层分布，霰/雹分布在700 hPa以上的中高空，在500 hPa处含量最高。在19日15时—20日15时整层大气水凝物含量丰富，各水凝物中雨水混合比值最高，霰含量高于云冰/雪含量，20日15时后冰相水凝物含量明显减少，云水和雨水向低层集中，这与地面降水的演变有良好对应关系。19日15时后整个暴雨云团移入在模式区域内引发持续性暴雨，20日15时后区域内大气水凝物含量明显减少，雨团快速移出模式区域。

图2 控制试验集合平均水凝物混合比(网格平均)随时间(世界时)和高度的变化(单位：mg·kg-1)：(a)云水；(b)雨水；(c)云冰；(d)雪；(e)霰Fig.2 Time-height sections of hydrometeors mixing ratios of control test ensemble mean (unit: mg·kg-1): (a) cloud water; (b) rain water;(c) cloud ice;(d) snow;(e) graupel

2.2 云微物理扰动参数的选择

Lin方案假设云滴和冰晶足够小，降水粒子(雨滴、雪晶、霰)尺度谱服从负指数分布，截距固定，谱分布由斜率确定[24]，方案中粒子密度假设为常数。实际对流个例中，降水粒子分布截断参数随时空变化，具体数值常在两个数量级内波动[25]；实际风暴云中霰粒子变化较大，会明显改变霰下落末速度，霰密度和截断参数共同影响霰粒子尺度谱斜率，进行降水粒子截断参数和霰密度扰动集合预报可以有效估计单参微物理方案对降水粒子分布描述的不确定性。参数扰动直接影响降水粒子混合比，进而改变整层大气水成物分布，对地面降水产生复杂影响。

2.3 参数扰动设计

参数扰动范围的选择综合参考了QIAO，et al[26]、Yussouf，et al[18]在强风暴分析工作中对截断参数和霰粒子的讨论，认为截断参数在默认值附近1～2个量级范围内变化，霰密度的典型范围为400～913 kg·m-3。表1给出了4个参数扰动范围的上界和下界，下标r、s、g分别代表雨滴、雪晶和霰粒子。

表1 参数的典型范围Table 1 Typical ranges of parameters

模式初值场GEFS给定了每组集合试验的集合大小均为21，由于多参数扰动方案要求每个集合成员参数值不同，因此需给每个参数设定21个扰动值。预先设定参数扰动值的平均值，通过随机数生成器，在给定均值、上下边界的情况下输出21个参数值，经过多次测试，选出分布合理的参数序列。图3a为雨滴截断参数值分布，横坐标为等间隔2×106m-4变化，纵坐标为参数序列中数值在该区间内的数目，图3b、3c分别为雪晶和霰截断参数扰动在不同区间的合计数目，横坐标前两个间隔分别为4×105m-4和2×105m-4，之后间距翻倍，图3d中霰密度值呈80 kg·m-3等间距变化，由于截断参数值在量级间变化，在参数值小的范围内其成员累积数目要多以满足给定均值的要求。雨滴和雪晶截断参数扰动均值要求在方案默认值附近，霰密度和截断参数扰动均值则设定为接近其典型范围中间值。考虑集合系统的随机性，将参数序列打乱，分配给21个集合成员。

图3 21个集合成员参数值分布：(a)雨滴截断参数(107m-4)；(b)雪晶截断参数(106m-4)；(c)霰截断参数(106m-4);(d)霰密度(kg·m-3)Fig.3 Histogram of parameter values for (a) rain intercept (107m-4), (b) snow intercept (106m-4), (c) graupel intercept (106m-4) and(d) graupel density (kg·m-3) within 21 members along abscissa zones

2.4 参数扰动组合设计

对4个参数进行单个参数扰动集合试验，发现扰动单一参数其集合离散度技巧相对于控制试验提升极小，故进行组合参数扰动试验，同时扰动多个参数以表示不同参数及其相互作用间的不确定性。

在多参数和其它随机参数扰动工作中，学者们一般扰动2～4个参数[27-28]。对4个参数经过简单敏感性试验发现扰动雨滴截断参数对预报影响相对较大，雨滴截断参数值变化明显影响大气雨水含量，改变地面降水分布，霰截断参数负扰动和密度正扰动均使得霰混合比减少。根据参数类型和敏感性不同，共设置5组参数组合，如表2所示，单截断参数(single-intercept)方案选择雨滴截断参数，随参数类别的增加，依次设置双截断参数(double-intercept)组合、多截断参数(triple-intercept)组合和四参数(tetrad)组合，由于霰密度和霰截断参数扰动对霰含量的集中影响，另设1组霰参数(graupel)方案，分析不同组合参数扰动方案对地面降水的改善情况，并探究组合敏感性，各组试验集合大小均为21。

不同组合中集合第i个成员(i=1，21)参与扰动的参数值分配相同，便于分析参数类型变化对组合敏感性的影响。

表2 组合参数扰动集合试验方案Table 2 Description of multi-parameter perturbation schemes

3 试验结果分析

3.1 对地面降水预报技巧对比分析

对19日15时—20日15时持续性强降水预报进行分析，首先对比各组试验模式区域24 h累积降水预报效果。均方根误差(Root Mean Squart Error, RMSE)检验了预报场与分析场(即实况)的差异，集合预报中用来衡量平均预报的误差，定义为：

(1)

其中：F(i,j)为集合预报场；O(i,j)为对应的分析场；m和n分别为经向和纬向格点数。

图4 24 h累积降水预报误差逐成员分布：左列为参数组合试验与ctrl试验对应预报误差差值，X轴负半轴向右；右列为ctrl试验降水误差Fig.4 24 h accumulated precipitation forecast error per member：left is the difference of group-parameter schemes and ctrl experiment; right is ctrl experiment

采用RMSE方法分别计算各个集合成员的降水预报误差，如图4所示，控制试验所有成员预报误差均在34 mm以上，最高达到了52 mm，不同成员预报能力存在明显差别；通过逐个成员降水预报误差对比，发现参数扰动方案整体较控制试验降低了降水误差，但组合间有明显差别。paTE方案降低了15个集合成员的预报误差，其中第9、14等7个成员误差在各组合间最低。其他组合中，paGR和siIN方案分别对第5、7等10个成员，第7、12等8个成员预报误差降低了1 mm以上；trIN方案中大部分成员误差在控制试验附近波动，仅对第9、19等5个成员误差降低明显；doIN方案中第5、12、18成员降水误差在各组合中最低，但其他成员误差基本无降低，且存在多个成员误差反而明显增加。以上分析初步认为各集合中paTE方案的降水预报技巧最高，trIN方案相对改善小，doIN方案出现负技巧，后续将进行深入探究。

图5 控制试验和组合参数方案24 h累积降水量：(a)RMSE；(b)不同降水等级ETS评分Fig.5 (a) RMSE and (b) ETS for different rainfall levels of 24 h accumulated precipitation in control test and group-parameter schemes

对各组试验集合平均预报误差进行比较，如图5a所示，ctrl试验降水RMSE降至31.4 mm，体现了初始场和侧边界条件扰动对预报的改善，各组合中，paTE方案RMSE较ctrl试验降低最多，其他方案RMSE差别小，表明paTE方案对于降低集合成员/平均降水误差较其他组合更具优势。

根据降水等级的不同对各组集合试验的预报能力进行评估，图5b为集合平均预报对不同等级强降水的 ETS 评分，对于大雨及以上降水，paTE方案ETS最高，paGR方案次之，三类截断参数组合ETS较ctrl试验改善较小；ctrl试验集合平均预报对暴雨量级降水预报效果相对较好；对于大暴雨降水，除trIN方案外，其他参数方案ETS评分较ctrl试验均有较明显提高。

重点分析参数扰动方案对暴雨和大暴雨降水的集合预报技巧。Brier技巧评分以控制试验的Brier评分为参考，BSS大于0说明参数扰动方案较控制试验有正预报技巧。Brier评分用于检验集合预报的准确率，值越小，预报准确率越高。其计算公式为：

(2)

其中：N为二项分布特定事件的样本总数；Pn为第n个样本的被检验事件的预报概率(Pn∈[0,1])；Qn为相应样本对应事件的观测概率，如果事件发生Qn为1，否则为0。Brier技巧评分(BSS)的计算公式为：

，

(3)

其中：BSref为参考试验的Brier评分值。

俗话说，“眼过千遍，不如手过一遍”。对于经典篇目和句段，不仅要能达到“准确背诵，不错一字”，还要能做到字词准确，标点精准，以达到经典入心的效果。

如图6所示，参数扰动方案对于大暴雨的BSS评分要高于暴雨，各组合中paTE方案对于暴雨和大暴雨预报均有明显正技巧，paGR方案和siIN方案分别对于暴雨和大暴雨降水预报较好，trIN方案较控制试验改善小，doIN方案则对暴雨预报出现负技巧，这与误差分析的结论相一致。

图6 组合参数方案24 h累积降水暴雨及大暴雨量级BSS评分Fig.6 Brier skill score for heavy rain and torrential rain of group-parameter schemes

对不同集合试验大暴雨降水的概率预报进行对比分析，如图7所示，黑色等值线为100 mm实况降水。图7a中ctrl试验雨区呈狭长带状分布，雨带北端与实况降水分布较为一致，雨带中段较实况明显向内收缩，大暴雨中心北京出现漏报，相反在河北南部、山东北部及雨带北端出现了不必要的空报。图7b—f为不同参数扰动方案相应概率预报，各组合中，paTE方案主要降低了山东北部及河北南部的预报概率，有效改善了该地区的降水空报，雨带中段的降水区域向北京方向有所延伸； siIN方案主要提高了北京附近的降水预报概率，其雨带在河北南部等值线处出现断裂，更接近实况降水分布；其他方案则整体改善较小。

图7 控制试验和组合参数方案24 h累积降水大暴雨概率预报(黑色线内为实况降水)：(a)控制试验；(b)siIN方案；(c)doIN方案；(d)trIN方案；(e)paGR方案；(f)paTE方案Fig.7 24 h accumulated precipitation over 100 mm probabilistic forecast (the contour line is the 100 mm rainfall observation): (a) ctrl; (b) siIN; (c) doIN; (d) trIN; (e) paGR;(f) paTE;

在完成24 h累积降水预报的集合技巧评估后，对该时段内逐小时降水预报作一简要分析，以探究不同组合方案在具体时刻的降水预报能力。离群值表征了实况分析场在集合成员范围外的概率，值越低预报越好，图8a为参数扰动方案与控制离群值之差，为方便分析，Y轴负半轴向上；图8b为参数扰动方案暴雨降水(大于15 mm·h-1)的BSS评分。所有组合中，paTE方案预报效果最好，在大多数时刻，其离群值降低最多，BSS评分具有明显正技巧；19日18时—20日06时，trIN方案离群值和BSS评分均优于其它方案，06时后其BSS评分较低；其他方案离群值改善幅度和BSS评分则相对较低。

地面降水预报技巧对比分析表明：所有组合中，4个参数组合(paTE)预报技巧最高，各项评估指标均具有优势；霰参数组合(paGR)对大到暴雨降水预报技巧较好，单截断参数方案(siIN)有效提升了大暴雨落区预报概率；多截断参数组合(trIN)在20日06时前后逐小时降水预报技巧存在明显差别，其对累积降水预报改善幅度较小；双截断参数组合(doIN)改善幅度最小，多次出现负技巧。

图8 强降水时段组合参数方案逐小时降水：(a)离群值(-ctrl)；(b)暴雨量级BSS评分 Fig.8 Hourly precipitation in multi-parameter schemes during heavy rainfall period: (a) outliner (minus ctrl experiment); (b) torrential level BSS

3.2 参数扰动对预报影响敏感性分析

不同参数扰动方案对地面强降水预报改善侧重点不同，四参数组合在其中具有明显优势，随着组合中扰动参数的增多，扰动对预报影响特征会如何变化，本节将着重分析siIN、doIN、trIN至paTE方案扰动影响的时空演变。平均总能量(DTE)可以衡量集合扰动成员对预报场影响的敏感程度，了解不同组合对整个预报场影响程度的差异[16]。DTE越大，扰动对预报影响越大。

(4)

其中：u′、v′、T′为两个试验相应风速和温度的差值，文中为扰动试验与控制试验的差异，k=1×10-5。

图9为各组合方案DTE集合成员平均值、最小值和最大值随时间演变。从集合均值看，各参数组合随预报时间DTE均不断增加，在预报36 h附近整体达到峰值，随后对预报影响逐渐减小，这与预报中后期降水系统开始移出模式区域有一定关联；随组合中参数逐一增多，扰动对预报影响不断增强，paTE方案DTE值最高，paGR方案则与trIN方案DTE值接近。

从集合最小值看，各组合DTE随时间演变趋势与集合均值相匹配，但组合间变化较为不同，整体预报30 h前，三类截断参数组合DTE接近，明显低于paTE/paGR方案；siIN、doIN方案在预报30 h 时DTE达到峰值，同一时刻paGR方案DTE不再增加，trIN与paTE方案在该时刻后DTE继续快速增长，使得36 h附近trIN与paGR方案DTE值相近。

与集合均值、最小值不同，从最大值看，各组合DTE在预报前中期差别较小，预报后期由于siIN、doIN方案快速减小，trIN、paGR方案缓慢变化，paTE方案再次增长使得组合间DTE出现明显差别。

四参数组合扰动在整个时段对预报影响均明显高于其它组合，多截断参数组合在预报30～36 h扰动能量出现快速增长；双截断参数与单截断参数组合扰动能量增长较慢，且较早时刻到达影响峰值并在之后能量快速减小。霰参数组合在预报前期扰动能量增长较快，同时达到峰值后减小缓慢，使得该方案对预报影响较大。

选择36 h预报这一典型时刻，对组合参数扰动影响的空间分布进行比较，分析不同区域的扰动差别。如图10a所示，siIN方案具有两个扰动中心，分别是河北、辽宁交界处分布块，和山东北部狭长分布带，图10b—d分别为doIN、trIN和paTE方案与siIN方案的DTE差值，表明随着组合中参数的逐一增多，山东北部扰动中心扰动能量持续增长，其西部与河北交界地带扰动能量也有所增强；doIN方案较之于siIN对京津冀地区扰动影响有所减小，使得区域整体DTE相对无提升；从doIN、trIN至paTE方案，扰动对京津冀及辽宁北部的影响不断增强。

参数扰动对山东北部及河北南部的集中影响在地面降水预报上得到了体现，图7中四参数组合明显减小了该区域大暴雨的空报率；双截断参数组合对预报的整体影响略大于单截断参数方案，但对于主要强降水区域的扰动能量却小于后者，3.1节分析中双截断参数组合对于降水预报的改善效果最差，这说明扰动能量大小与其对地面降水预报效果具有一定联系。

图9 组合参数方案DTE值随时间演变：(a)集合均值；(b)集合最小值；(c)集合最大值Fig.9 Evolution of DTE for multi-parameter schemes: (a) ensemble average; (b) ensemble minimum;(c) ensemble maximum

图10 典型时刻组合参数方案DTE集合平均水平分布：(a)siIN方案；(b—d) doIN、trIN、paTE方案(-siIN)Fig.10 Horizontal distribution of DTE ensemble mean at typical time for (a) siIN scheme; difference of (b) doIN， (c) trIN， (d) paTE scheme and siIN scheme

3.3 对大气变量集合离散度技巧检验

集合预报的一个重要任务是要求集合具有良好的离散度技巧关系以包含真值，离散度—均方根误差(Spread-RMSE)可以量化衍生的概率预报统计上的可靠性、反映集合平均预报的误差。Spread的计算公式为：

(5)

以控制试验为参照，对组合参数扰动方案不同大气变量的集合离散度技巧进行检验。

图11为各个试验近地面2 m温度场离散度技巧，预报24 h后ctrl试验Spread快速增长，参数扰动方案Spread较ctrl试验出现变化，其中paTE和trIN方案Spread有明显提升，其它方案Spread改善幅度较小，预报后期paGR方案2 m露点温度离散度甚至出现减少；paTE和trIN方案2 m温度场Spread/RMSE在对应时刻也得到了明显改善，paGR方案露点温度Spread/RMSE在预报时段内反而较ctrl试验有所降低。

对不同试验等压面变量离散度技巧作对比，选取30 h、36 h、42 h这3个预报时刻500～925 hPa经向风和水汽混合比进行分析。如图12所示，paTE方案对于经向风RMSE较ctrl试验有明显降低，Spread获得了有效提升，对水汽混合比离散度技巧也有所改善；trIN方案对于预报42 h经向风和预报30 h水汽场离散度技巧改善幅度明显优于其他方案，在其他时刻对经向风和水汽场预报技巧略次于paTE方案；siIN方案与ctrl试验Spread-RMSE极为接近，doIN方案相对波动幅度略大于siIN方案；在预报30 h，paGR方案明显减小了经向风和水汽场Spread，在预报36 h和42 h时Spread基本无改善，同时增加了大气中低层水汽混合比RMSE。

图11 不同试验2 m温度(a、c)和露点温度(b、d)：(a、b)集合离散度；(c、d)离散度与均方根误差比值Fig.11 Evolution of (a，c)2 m temperature and (b，d)2 m dew-point temperature of different experiments:(a，b)ensemble spread; (c，d)ratio of spread and RMSE

综上，从siIN、doIN、trIN至paTE方案，随着组合参数的增加，其对大气中低层经向风、水汽场和近地面温度的整体离散度技巧均不断提升，和扰动对预报场整体影响敏感性之间具有良好的一致性，这种一致性在地面强降水的预报技巧上也得到了一定体现。paGR方案由于只扰动了霰相关参数，霰截断参数减小/密度增加均使得霰尺度谱分布大直径端粒子增加，相较于控制试验，反而减小了集合的发散度。

4 结论

数值模式云微物理方案中降水粒子分布截断参数和霰粒子密度的变化通过微物理过程影响水成物含量，对动力和热力场产生次级影响，改变地面降水分布。本文基于参数不确定性，采用WRF模式对一次华北特大暴雨进行集合预报试验，评估了多参数方案中不同组合参数扰动对预报的影响，主要结论如下：

(1)组合了所有降水粒子截断参数和霰密度的四参数方案有效降低了地面降水的预报误差，对于强降水有更高的预报技巧，改善了大暴雨空报率，同时提升了近地面温度和大气中低层经向风的集合离散度技巧，在所有方案中效果最好。

(2)随组合中参数类型增加，单截断参数、双截断参数、多截断参数、四参数组合扰动对预报的整体影响依次增强，直接体现在了大气变量离散度技巧的提升上，多截断参数方案对近地面温度和等压面变量的离散度—均方根误差有明显的改善；仅组合霰截断参数和密度的方案对离散度提升极小，相反减小了部分大气变量的集合发散度。

(3)双截断参数组合由于在强降水区域的扰动影响弱于单截断参数方案，其对地面降水的改善幅度最小，甚至出现了预报负技巧；多截断参数组合对强降水时段内连续12 h降水具有较高的预报技巧，在所有方案中，四参数组合和多截断参数组合是更适合的对流尺度强降水中参数集合扰动选择。

(4)仅扰动雨滴截断参数对集合系统离散度几乎无提升，但其对大暴雨量级的预报效果仅次于四参数方案，雨滴截断参数是云微物理方案中对降水预报较为敏感的参数。多参数方案给集合成员分配了不同的微物理参数，仅代表云微物理参数化的部分不确定性，在未来的工作中应在集合中包含更多随机项特征。