对流尺度集合预报(Convection-Allowing Ensemble Prediction System,CAEPS)可以提供丰富的概率预报信息,逐渐成为预报局地强对流天气的重要工具。相对于全球集合预报,对流尺度集合预报中有关模式不确定性的研究缺乏系统性和理论基础,成为目前研究的热点和难点。本文基于条件非线性最优参数扰动方法(Conditional Nonlinear Optimal Perturbation related to Parameters,CNOP-P)研究CAEPS模式不确定性问题。CNOP-P方法充分考虑了对流尺度模式误差非线性增长特征,可以用于寻找由参数不确定性所导致的最大模式误差,从而挑选敏感物理参数。同时,本文在计算CNOP-P时采用了集合求解算法,不依赖于切线伴随模式,实现了CNOP-P在对流尺度集合预报中的可能应用。主要研究结果如下:(1)本文使用3 km对流可分辨的GRAPES-Meso模式,选取了2017年中国华南前汛期5个典型暖区暴雨个例计算目标函数,针对边界层和云微物理过程参数化方案中的15个参数,基于集合算法求解多初值CNOP-P,得到对前12 h累积降水预报产生最大影响的参数扰动集合。根据CNOP-P中各参数扰动大小的比重得到参数敏感度排序,挑选出华南暴雨过程中的8个关键物理参数。这些参数在边界层湍流扩散系数、边界层高度、云中水凝物含量的垂直分布及相互转化过程的计算中具有重要意义。(2)本文通过随机扰动上述8个敏感参数来描述模式不确定性,构造具有CNOP-P理论支持的模式扰动方案(简称“CNOP-P-based方案”),展开了对流尺度集合预报关于模式不确定性的敏感性试验,并将该方案与随机物理参数化倾向扰动方案(Stochastic Perturbed Parameterization Tendencies,SPPT)方案对比分析。2017年广州“5.7”极端降水过程以及华南地区22个强对流过程的检验结果显示:与SPPT方案相比,对于近地面变量,CNOP-P-based方案可以在一定程度上提高集合预报系统的可靠性和概率预报技巧;对于纬向风、温度等大气变量场,CNOP-P-based方案也可以提高其集合预报的离散度,尤其在低层大气中更为明显。