DERF 2.0对贵州气温、降水的预测性能评估*

李忠燕，白 慧，张娇艳，吴战平

(1.贵州省气候中心，贵州 贵阳 550002;2.贵州省山地气候与资源重点实验室，贵州 贵阳 550002)

DERF 2.0对贵州气温、降水的预测性能评估*

李忠燕1,2，白 慧1，张娇艳1，吴战平1

(1.贵州省气候中心，贵州 贵阳 550002;2.贵州省山地气候与资源重点实验室，贵州 贵阳 550002)

该文基于第二代月动力延伸预测模式业务系统(DERF2.0)不同起报日的气温、降水预测数据，利用多种评分方法评估1983—2014年预测数据的月尺度预测性能，研究表明：不同起报日的预测评分差异性不大。DERF2.0对冬季和春季的气温预测评分较好，而DERF2.0对降水评分较好的月份主要集中在秋季，表明DERF2.0基本能够预测出贵州的秋季总体旱涝趋势。从空间分布来看，气温的3种评分明显优于降水，表明在空间范围内，气温的预测性能好于降水，尤其是在省的南部和西部地区预测性能较好且稳定，参考性较高；而降水的稳定性较差，参考性相对较低，模式仍有很大的改进空间。从异常预测的优势来看，无论是气温还是降水，该模式对气温和降水异常预测具有一定的优势。

预测性能；评估；DERF2.0

1 引言

2011年1月5日，中国气象局以1号文件形式下发《现代气候业务发展指导意见》，对未来5 a(2011—2015年)我国现代气候业务的科学发展提高出了指导性意见，其中对短期气候预测工作，要求“探索建立季内极端天气气候事件预测业务，重点开展降水和温度等要素异常(或极端性)发生时段的预测”等，对省级气候预测业务提出了更高的要求。短期气候预测作为世界性难题，存在技术手段有限，整体水平不高，预测质量尚不稳定等诸多问题[1-3]，预测服务能力和社会公众的需求之间有很大差距。另一方面，贵州气象灾害频发重发，持续性的高温、干旱、暴雨洪涝等灾害性极端天气气候事件的频繁发生，已引起了社会各界的高度关注，也给气候预测工作提出更高要求。

近年来，随着模式技术的迅速发展，短期气候预测动力气候模式业务系统逐步投入了业务应用，日益成为我国短期气候预测的主要参考依据[4-12]。自2005年起，国家气候中心基于美国的CAM3.0模式不断改进，发展了第二代全球大气环流谱模式BCC_AGCM2.0.1。该模式同时参考面气压和大气，改进了对流参数化的物理过程[13-14]，更改了感热和潜热能量的计算方案，并同时采用雪盖参数化方案从而对模式的边界层处理方面进行不断优化和改进[15-16]。2011年，国家气候中心在第二代全球大气环流谱模式BCC_AGCM2.0.1基础上再进一步的优化和改进最终完成对BCC_AGCM2.2版本的定型，该版本在模式分辨率和水平分辨率上都有了很大的提升，从而建立了第二代月动力延伸预测模式业务系统DERF2.0。该系统性能稳定，于2014年投入气候预测业务应用。

第二代月动力延伸预测模式业务系统DERF2.0与第一代相比无论是从模式结果本身还是从分辨率等方面相比进行了较大的优化和调整。该模式数据信息量大，既有每天6 h一次的模式直接预测数据，还包括不同层次环流场、风场等数据。不少省市都相继开展本地化业务应用[11-12]，但怎样高效地利用模式数据来开展本地化的业务应用，是利用模式直接输出的预测数据还是对空间场特征量做尺度处理再来作气温和降水的两要素月尺度预测？这是在开展本地化业务工作首当其冲应当解决的问题。在解决这个问题前就需要评估DERF2.0模式数据的月尺度预测性能，因此开展第二代月动力延伸预测模式预测效果评估与检验已成了目前亟待解决的问题。

本文基于第二代月动力延伸预测模式业务系统DERF2.0不同起报日的气温、降水预测数据，利用多种评分方法评估其预测数据的月尺度预测性能，提升预测业务人员对预报技巧及模式性能的理解，为服务决策上提供技术支撑，更好地开展防灾减灾服务工作。

2 资料和评分方法

2.1 资料

本文所用的资料主要包括：①贵州省84站(除汇川站)1983—2014年气温和降水资料。②利用双线性插值方法对DERF2.0回报的1983—2014年逐月地面气温和降水结果进行插值，得到贵州省逐月地面气温和降水的回报结果。

2.2 评分方法

短期气候预测结果的质量评分方法有很多[17-20]，本文主要采用距平符号一致率评分(Pc评分)、距平相关系数(ACC)和趋势异常综合评分(Ps)3种指标对DERF2.0模式预测回报试验结果进行定量评估，从而评估DERF2.0模式产品对贵州气温和降水的预测性能。

距平(距平百分率)符号一致率(Pc评分)又称同号率，是过去短期气候预测中常用的一种评分检验的方法，它以百分率的形式表现预报与实况距平符号一致的相似程度，即指预测值与实况距平符号相同所占总气象站数的百分比。

(1)

式(1)中，N为气象站总站数，Nt为预测与实况距平(距平百分率)符号相同的气象站站数。

距平相关系数ACC主要反映的是预报值与实况值的相似程度，即使用降水距平百分率和平均气温距平计算距平相关系数，其公式如下：

(2)

趋势异常综合评分(Ps)法主要用于评定预测异常量级与实况的接近程度。在短期气候预测评分中，将气温和降水的异常等级划分为六级，根据国家局业务规定，具体的分级标准见表1。

表1 气温、降水趋势预测六级评分制用语及各等级划分标准Tab.1 Temperature and precipitation trend prediction of six grades and the grade standard

注：△R表示降水距平百分率；△T表示气温距平

趋势异常综合评分(Ps)法是以考察预报对气候趋势、一级异常(20%<△R≤50%、-50%<△R≤-20%；-2.0<△T≤-1.0、1.0≤△T<2.0)、二级异常(△R≤-50%、△R≥50%和△T≤-2.0、△T≥2.0)以及漏报项的预报能力。其计算公式如下：

(3)

其中a=2，b=2，c=4，它们3项分别为3种异常项的权重系数。N0、N1和N2分别为趋势预测正确的总站数、一级异常预测正确的总站数和二级异常预测正确的总站数，M为漏报的超异常等级的站数，即降水距平百分率超过±100%或气温距平超过±3 ℃的总站数。

3 结果分析

3.1 距平符号一致率(Pc)评估

距平符号一致率(Pc)反映的是预报与实况距平符号一致的相似程度。研究表明[11]，当同号率大于50%，气温和降水预测优势才能体现，因此先采用该方法进行评估，再考察异常预测的优势。

相对降水的同号率来说，1983—2014年年平均气温的同号率相对较高(图1)，但仍然有些年份的效果不理想，甚至于没有意义，如1983年和1986年26日起报的气温同号率只有40%多，这些年份的预测效果较差的原因值得进一步探讨。而降水同号率虽然相对较低，但仍然有一些年份的同号率较高，如1988年和1996年26日起报的同号率达69%以上。

从表2可知：冬季和春季各月的气温同号率都超过60%以上，其中2月的同号率达到了75.8%，而夏季和秋季各月的气温同号率相对要低些，除6月外，各月的值都超过了50%，月平均为60.8%，这一结果和21日起报的结果大体相同(表略)。降水的同号率则相对要低些，月平均为54.4%。由此可知，DERF2.0的预测总体能够反映出气温的主要趋势，对降水的预测相对要差些。

为系统地评估模式产品月尺度预测性能的空间分布特征，我们以1、4、7、10月来表征冬、春、夏、秋4个季节的评估结果。从图2的检验结果来看，1月的气温的距平符号一致率Pc评分总体较好，其中在贵州的西南部和西部评分相对较高，而东部和北部评分相对较低。与1月相比，4月较差的区域有所缩小并北移，贵州的南部和西部气温的Pc评分总体较好，其Pc值在70分以上，而北部气温的Pc评分相对较差，但均在55分左右。7月贵州省西部和东北部气温的Pc评分相对较好，而贵州省的东南部和南部的气温的Pc评分相对较差。10月贵州省中部和西南部的气温的Pc评分相对较好，基本在60分以上，而贵州省的部分边缘地区气温的Pc评分相对较差，基本在55分左右。

从降水的Pc评分的空间分布来看，1月的降水Pc评分在贵州省的西部和东南部边缘地区相对较高，其余地区相对较差。4月和7月降水的Pc评分总体偏差，基本在50分左右，甚至更低，这样的评分没有意义。10月降水的Pc评分相对较高，其中在贵州省的东南部和西部相对较好，而在北部和南部的边缘地区Pc评分相对较差。

图1 1983—2014年贵州省气温(a)和降水(b)的距平符号一致率Pc随时间的变化Fig.1 The annual Pc scores of temperature (a) and precipitation (b) in Guizhou from 1983 to 2014

1月2月3月4月5月6月7月8月9月10月11月12月平均气温630758698675634453521568554583612615608降水565528632495506456456580589578610533544

图2 贵州1、4、7、10多年月平均Pc评分，左图为气温，右图为降水(26日起报)Fig.2 The Pc scores of temperature and precipitation in Jan,Apr,Jul,and Oct form 1983 to 2014(left: temperature; right: precipitation)

3.2 距平相关系数(ACC)评估

距平相关系数ACC也是常用于短期气候预测质量检验的方法之一。图3给出了1983—2014年贵州省气温(a)和降水(b)的距平相关系数ACC随时间的变化序列，从图3中可以看出：无论是21日还是26号起报的结果，1983—1995年平均气温的距平相关系数ACC较不稳定，从20世纪90年代后期至21世纪后，气温的距平相关系数ACC较稳定且基本为正值。而降水的距平相关系数ACC的波动分为3个时期，在1983—1992年，降水的距平相关系数ACC为正值，在1993—2004年为负值，而在2005—2014为正值。

从表3可知，气温各月的ACC值除7月为负值外，其余各月都为正值，月平均气温ACC值达0.28。1—5月和10月的气温ACC技巧较高，都在0.3以上，其中2月的ACC评分最高，为0.66；相比较而言，7月的气温ACC技巧相对最低。由此可知，DERF2.0对气温的总体预测性能较好。而降水各月的ACC值除4、6、7月和12月为负值外，其余各月为正值，月平均值为0.1，由此表明，DERF2.0能够预测出贵州的总体旱涝趋势。但与气温的ACC值相比，降水的ACC评分较气温平均偏低0.18。相对而言，8—11月的降水ACC技巧相对较高，且较稳定，都在0.16以上，其中11月最高，为0.58；而4—7月的降水ACC技巧相对较低。

从图4的检验结果来看，1月气温的ACC技巧总体较好，全省均为正值，其中在贵州的西南部和西部评分相对较高，而东部和北部评分相对较低。与1月相比，4月较差的区域有所缩小并北移，贵州南部气温的ACC技巧总体较好，其ACC值在0.5以上，而北部气温的ACC技巧相对较差，但均在0.3左右。7月贵州省西部和北部气温的ACC技巧相对较好，为正值，而贵州省东南部气温的ACC技巧相对较差，为负值。10月气温的ACC技巧分布均匀，贵州省大部的气温的ACC技巧相对较好，基本在0.3以上。

从降水的ACC评分的空间分布来看，1月的降水ACC技巧在贵州省的东部和北部边缘地区为负技巧，而在其它地区为正技巧，其中在西南部降水的ACC技巧相对较高。4月降水的ACC技巧分布不均，在西南部的ACC技巧相对较高，其它无明显的分布特征。7月降水的ACC评分除北部和西部边缘为正技巧外，其余地区为负技巧。10月降水的ACC技巧分布均匀，贵州省大部的降水的ACC技巧相对较好，为正值。

图3 1983—2014年贵州省气温(a)和降水(b)的距平相关系数ACC随时间的变化Fig.3 The annual ACC skill scores of temperature (left) and precipitation (right) in Guizhou from 1983 to 2014

1月2月3月4月5月6月7月8月9月10月11月12月平均气温032066054044043013-002016026032016001028降水008014013-001002-009-013022017014058-002010

3.3 趋势异常综合(Ps)评估

趋势异常综合(Ps)反映的不仅是对气候趋势的把握能力，还包括对异常等级预报的把握能力。从图5可以看出，21日起报的气温(降水)的预测效果与26日起报的气温(降水)的差异并不大。气温各年的Ps(26日起报的)评分基本都超过了60分，最高的年份为1987年达到了85.9分，多年平均值为67.6，这个值相对于Pc的多年平均值(60.8)来说，高出了6.8分，体现了异常预测的优势。由此可知，DERF2.0对气温的总体预测性能较好。降水方面，降水各年的Ps(26日起报的)评分基本都超过了50分，最高的年份为1992年，为81.1分，多年平均值为67，同样地，该值相对Pc的多年平均值(54.4)来说，高出了12.6分，这也体现该模式对降水异常预测的优势。

图4 贵州1、4、7、10月多年平均ACC评分(左图为气温，右图为降水，26日起报)Fig.4 The ACC skill scores of temperature and precipitation in Jan,Apr,Jul,and Oct form 1983 to 2014 (left:temperature; right: precipitation)

从表4可以看出，DERF2.0回报的气温月平均趋势异常综合Ps评分在冬季和春季的评分都较高，而在夏季和秋季相对较低，尤其是在6月最低，为54分。降水方面，DERF2.0回报的降水月平均趋势异常综合Ps评分在秋季的评分最高，3个月都在70分以上，而在夏季最低，尤其是7月最低，为58.6分。由此表明气温和降水的预测相对较好的月份分别集中在春季和秋季，夏季均最差。

从图6的检验结果来看，1月的气温的Ps评分总体较好，其中贵州的北部和东部，尤其是赤水地区评分很低，而在贵州的西部和南部气温的预测相对较高。与1月相比，4月较差的区域有所缩小并北移，贵州的南部和西部气温的预测较好，而北部气温的预测相对较差。7月和10月全省气温预测总体都相对较差，不同的是，7月Ps评分低值集中在贵州的南部，而10月Ps评分低值主要集中在贵州的东部等边缘地区。

从降水的Ps评分的空间分布来看，1月和10月，降水的Ps评分较高，尤其是10月，全省大部地区Ps评分都在75分以上，而4月和7月，降水的Ps评分较低，尤其是7月，降水Ps评分在贵州省的南部和西部边缘地区在60分以下，有的甚至在50分以下。

总的来说各月气温和降水的Ps评分随着季节变化而变化。其中DERF2.0对气温预报性能较好集中在冬季和春季，而DERF2.0对降水预报性能较好集中在秋季。从空间分布来看，DERF2.0对降水的总体预测性能相对较差，且预测性能不稳定。

图5 1983—2014年贵州省气温(a)和降水(b)的趋势异常综合Ps随时间的变化(26日起报)Fig.5 The annual Ps scores of temperature(left) and precipitation(right) in Guizhou from 1983 to 2014

1月2月3月4月5月6月7月8月9月10月11月12月平均气温677777764751724540612639613640687683676降水680641743636637622586682712706733661670

图6 贵州1、4、7、10月平均趋势异常综合Ps评分，左图为气温，右图为降水Fig.6 The Ps scores of temperature and precipitation in Jan,Apr,Jul,and Oct form 1983 to 2014 (left: temperature; right: precipitation)

续图6 贵州1、4、7、10月平均趋势异常综合Ps评分，左图为气温，右图为降水Fig.6 The Ps scores of temperature and precipitation in Jan,Apr,Jul,and Oct form 1983 to 2014 (left: temperature; right: precipitation)

4 结论与讨论

本文主要采用距平符号一致率评分(Pc评分)、距平相关系数(ACC)和趋势异常综合评分(Ps)法3种指标对1983—2014年预测回报试验结果进行定量评估，从而检验月动力延伸期预测模式业务系统(DERF2.0)模式产品对贵州气温和降水的预测性能。通过上述分析，得到以下结论：

①21日起报的结果和26日起报的结果差异性不大，且进入21世纪后，气温和降水的稳定性较好，尤其是气温。

②3种评分方法均表明DERF2.0的预测产品总体能够反映出气温的主要趋势，对降水的预测相对较差。各月气温和降水的评分随着季节变化而变化，DERF2.0对气温预报性能较好集中在冬季和春季，而DERF2.0对降水预报性能较好集中在秋季，在秋季DERF2.0基本能够预测出贵州的总体旱涝趋势。

③从空间分布来看，气温的3种评分明显优于降水，表明在空间范围内，气温的预测性能好于降水，尤其是在省的南部和西部地区预测性能较好且稳定，参考性较好；而降水的稳定性较差，参考性相对较低。

④从异常预测的优势来看，无论是气温还是降水，Ps的多年平均值较Pc的多年平均值都高，体现该模式对气温和降水异常预测具有一定的优势。

本文主要针对DERF2.0直接输出模式预测产品在贵州的气温、降水的预测性能评估，随着业务的发展，今后将加强对该模式产品在延伸期预测方面的评估等。

[1] 王会军,周广庆,林朝晖.我国近年来短期气候预测研究的若干进展[J].气候与环境研究,2002,7(2):220-226.

[2] 王绍武.短期气候预测的可预报性与不确定性[J].地球科学进展,1998,13(1):8-14.

[3] 杨金虎,孙兰东,林婧婧,等.1961-2012年盛夏持续性旱涝异常分析及预测[J].资源科学,2015,37(10):2 078-2 085.

[4] 颜宏.关于气候预测与模拟若干问题的思考[J].应用气象学报,1997,8(增刊):6-14.

[5] 李维京,张培群,李清泉,等.动力气候模式预测系统业务化及其应用[J].应用气象学报,2005,16(增刊):1-11.

[6] 贾小龙,陈丽娟,高辉,等.我国短期气候预测技术进展[J].应用气象学报,2013,24(6):641-655.

[7] 吴统文,宋连春,刘向文,等.国家气候中心短期气候预测模式系统业务化进展[J].应用气象学报,2013,24(5):533-543.

[8] 李维京,郑志海,孙丞虎.近年来我国短期气候预测中动力相似预测方法研究与应用进展[J].大气科学,2013,37(2):341-350.

[9] 于海鹏,黄建平,李维京,等.数值预报误差订正技术中相似—动力方法的发展[J].气象学报，2014,72(5):1012-1022.

[10]任宏利,张培群,李维京,等.提高月预报业务水平的动力相似集合方法[J].气象学报,2014,72(4):723-730.

[11]何慧根,李巧萍,吴统文,等.月动力延伸预测模式业务系统DERF2.0对中国气温和降水的预测性能评估[J].大气科学,2014,38(5):950-964.

[12]白慧,段莹,王兴菊,等.基于DERF2.0模式产品对单站旬、月极端降水日数的预测[J].贵州气象,2016,40(1):1-6.

[13]Zhang G J,Mu M Q.2005.Effects of modifications to the Zhang-McFarlane convection parameterization on the simulation of the tropical precipitation in the National Center for Atmospheric Research Community Climate Model,Version 3 [J].Journal of Geophysical Research,110 (D9):D09109,doi:10.1029/2004JD005617.

[14]Wu T W,Yu R C,Zhang F.2008.A modified dynamic framework for the atmospheric spectral model and its application [J].Journal of the Atmospheric Sciences,65 (7):2235-2253.

[15]董敏,吴统文,王在志,等.2009.北京气候中心大气环流模式对季节内振荡的模拟[J].气象学报,67 (6):912-922.

[16]Wu T W,Wu G X.2004.An empirical formula to compute snow cover fraction in GCMs [J].Advances in Atmospheric Sciences,21 (4):529-535.

[17]陈桂英,赵振国.短期气候预测评估方法和业务初估[J].应用气象学报,2012,9(2):178-185.

[18]李清泉,丁一汇,张培群.一个全球海-气耦合模式跨季度汛期预测能力的初步检验和评估[J].气象学报,2004.

[19]李维京.现代气象业务[M].北京：气象出版社,2012,202-315.

[20]白慧,高辉,刘长征,等.MODES系统对贵州月气温、降水预测初步评估[J].沙漠与绿洲气象,2016,10(5):67-73.

Temperature and precipitation evaluation of Monthly Dynamic Extended RangeForecast Operational System in Guizhou

LI Zhongyan1,2, BAI Hui1, ZHANG Jiaoyan1, WU Zhanping1

(1. Guizhou Climate Center, Guiyang 550002, China;2. Guizhou Key Laboratory of MountainousClimate and Resource, Guiyang 550002, China)

Base on the forecast data of the National Climate Centre second-generation monthly Dynamic Extended Range Forecast operational system (DERF2.0) from 1983 to 2014, temperature and precipitation in the prediction performance were evaluated and analyzed. The results indicate that there were no significant differences in the prediction scores of different reporting date. And DERF2.0 has better performance in winter and spring, while DERF2.0 has better performance in precipitation in autumn. DERF2.0 can predict the basic trend of the overall drought in the autumn. From the spatial distribution, the temperature of the three scores was better than precipitation which indicates that the temperature prediction performance is better than precipitation, especially in the southern and western regions of Guizhou. The forecast performance of temperature is better and stable, with high reference. And the stability of precipitation is poor, the reference is relatively low. Thus, DERF2.0 should be improved. The mean value of different assessment methods indicates that DERF2.0 has some advantage in predicting the temperature and precipitation anomalies.

prediction performance; evaluation; DERF2.0

2017-02-07

李忠燕(1986—)，女，工程师，主要从事气候变化、短期气候预测工作，E-mail:523257762@qq.com。

贵州省气象局青年基金项目(黔气科合QN[2017]04号)；贵州省气象局气象科技开放研究基金项目(黔气科合KF[2016] 06号)；贵州省重大专项“主、客观预测产品检验评估系统”(黔气科合ZD[2016] 04号)和2017贵州省核心业务发展专项共同资助。

1003-6598(2017)03-0001-09

P423.3,P426.62

A