DERF2.0模式对贵州延伸期、月预测质量对比分析

白 慧,黄晨然,李忠燕

(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)

1 引言

中国气象局在《现代气象预报业务发展规划》(2016—2020年)中明确要求统筹天气预报业务和气候预测业务的无缝隙协同发展，不断完善从短临、短期、中期、延伸期(11～30 d)、月、季到年的精细化监测预报预测业务体系，提升极端气候事件和气候灾害预测技术。对于气候这样一个庞大而复杂的系统，数值模拟成为理论研究的重要手段[1]。最早的月动力延伸数值预报仅是中期预报的延伸，但初始条件的长时间积分会使预报结果产生很大的误差，这给利用数值模式进行延伸期/月尺度预测带来了困难。后来的研究发现，海洋等过程对延伸期/月尺度气候预测有较大影响[2、3]。我国的短期气候预测业务经历了简单的经验统计分析、数理统计、动力模式和动力统计相结合几个发展阶段，目前已经建立起一套较为完备的延伸期—月—季—年短期气候预测业务系统[4]。第2代月动力延伸预测模式系统(DERF2.0)基于国家气候中心第2代全球大气环流模式(BCC_AGCM2.2)建立，水平分辨率为T106(全球近110 km)，垂直方向为26层[5]。

近年来气象工作者们开展了大量短期气候数值模拟结果的解释应用研究。陈丽娟等[6]指出月动力延伸预报环流特征量与要素有较好的相关。李维京等[7]的研究表明，动力与统计相结合的方法对月动力延伸集合预报产品的释用具有明显效果。顾伟宗等[8]利用月动力延伸预报产品结合降尺度方法改进了月降水预测。而关于模式预报结果的检验，林纾等[9]的研究指出，动力释用方法预报准确率明显高于持续性预报。何慧根等[10]对DERF2.0预测中国气温和降水的性能进行了评估，结果表明气温预测好于降水。杜良敏等[11]提出了一种适用于延伸期过程预报的检验方法。

本文基于第二代月动力延伸预测模式业务系统(DERF2.0)输出的气温、降水预测数据，利用Ps、Zs、Cs评分方法对比DERF2.0月预测与省级预报员月预测质量，并评估其在延伸期(11～30 d)强降水过程及夏季延伸期日降水量预测质量。

2 资料和方法

2.1 资料

①站点资料：贵州省84站逐月平均气温和月降水量以及逐日降水量(20—20时)站点观测资料，时间范围为1983—2016年。

②格点资料：国家气候中心逐日下发的DERF2.0月动力延伸预测模式输出的2 m气温(K)、大尺度降水率(m/s)和对流降水率(m/s)格点资料，空间分辨率1.0°×1.0°，时间范围为1983—2016年。

上述站点数据和格点数据的气候平均值时间范围统一为1983—2012年。

2.2 方法

趋势异常综合评分(Ps)是以考察预报对一级异常(20%<ΔR≤50%、-50%<ΔR≤-20%；-2.0<ΔT≤-1.0、1.0≤ΔT<2.0)和二级异常(ΔR≤-50%、ΔR≥50%和ΔT≤-2.0、ΔT≥2.0)的预报能力。其计算公式如下：

其中N0、N1、N2分别为趋势、一级异常、二级异常预测正确的总站数，a、b和c分别为3种异常项的权重系数，取a=2，b=2，c=4，M为未预报二级异常而实况出现降水距平百分率超过±100%、气温距平超过±3℃的站数，N为规定参加考核站数减去实况缺测的站数。

3 结果分析

3.1 月预测结果与实况对比

李忠燕等[12]的研究指出，DERF2.0对气温的预报性能总体好于降水；DERF2.0对气温预报性能较好时段集中在冬季和春季，对降水预报性能较好时段集中在秋季。对比2014年1月—2016年12月DERF2.0月预测产品(每月26日起报次月气温、降水预测产品)与贵州省84站月平均气温距平、降水距平百分率实况(图1)可以发现，分析时段内气温预测与实况的相关系数为0.28，距平同号率为58.3%，表明DERF2.0对贵州月平均气温有较好的预报。进一步统计发现，预报和实况的距平同正率为41.7%、同负率为16.7%，说明DERF2.0对贵州气温偏高预测的可参考性高于其对气温偏低的预测。研究时段内DERF2.0月降水量的趋势预测与观测值的相关系数仅为0.02，二者同号率为44.4%，其中同正率为27.8%、同负率为16.7%。表明与气温相比，DERF2.0对降水预测能力较弱。

3.2 模式质量与业务值班质量对比

3.2.1 月预测质量对比分析 对比分析研究时段内DERF2.0与贵州省预报员综合预报的Ps评分(图2a、2b)可见，DERF2.0预报月平均气温距平和降水距平百分率平均分分别为73.9分和58.9分，气温较预报员综合预报Ps评分略高(73.0分)，降水较预报员综合预报Ps评分略低(62.0分)。同时，DERF2.0气温和降水Ps评分的均方差分别为26.7分和23.5分，均大于预报员综合预报评分的均方差(对应分别为24.2分和17.5分)，表明DERF2.0预测效果较预报员综合预报略差，而且预报性能较不稳定。从二者的差值对比来看(图2c、2d)，DERF2.0对气温预报评分优于预报员的月份占55.6%，且对气温偏高的趋势预测把握更好，对降水预报评分优于预报员的月份仅占38.9%，且对降水偏多的趋势预测把握较省级更好。

图1 2014年1月—2016年12月贵州省月平均要素实况和DERF2.0预报Fig.1 The monthly mean meteorological elements of observation and DERF2.0 from January 2014 to December 2016 in Guizhou

图2 2014年1月—2016年12月DERF2.0与预报员综合预报的Ps评分序列((a)、(b))和Ps评分差值序列((c)、(d))Fig.2 The Ps scores of DERF2.0 and forecasters and their difference from January 2014 to December 2015

3.2.2 延伸期预测质量对比分析 由于DERF2.0数据逐日更新，根据预报时间长度，选取预报时间在2014—2016年4月15日—10月31日之间的预报产品，利用双线性插值方法将格点资料换算到站点资料，生成贵州代表站点延伸期预报序列，起报时间与预报员上传的月内强降水过程报文一致(上传时间为每年4—10月每旬最后1日16时(北京时)，其中4月和10月各省(区、市)气象局可根据当地气侯特征选择性上报月内冷空气过程预测产品数据或月内强降水过程预测数据)，上传报文共57个文件(2014年4月上、中、下旬和2014年10月中、下旬和2016年10月下旬6个文件为月内冷空气过程预测数据)，但DERF2.0数据对应57个文件起报时间中2015年8月28日和2015年10月27日2个数据文件缺省，共55个文件。

月内强降水过程预测产品应用两种方法开展检验评估，第一种为Zs方法，主要对强降水过程预测进行检验评估；第二种为Cs方法，主要针对强降水过程中的降水日数预测进行检验评估。针对上述55个数据样本，将预报员预测数据与DERF2.0预测数据的Zs和Cs评分结果进行对比分析。如图3所示，预报员预测数据的Zs和Cs评分总体高于DERF2.0预测数据，雨季期(4—10月)分别为0.18和0.17，主汛期(6—8月)分别为0.21和0.2。但值得注意的是，DERF2.0预测数据的预测质量在逐年提高，Zs和Cs逐年较预报员预测数据在雨季期的提高率分别为25%(4/16)、42%(8/19)、50%(10/20)和19%(3/16)、21%(4/19)、35%(7/20)，在主汛期DERF2.0预测数据较预报员预测数据的提高率分别为33%(3/9)、67%(6/9)、67%(6/9)和33%(3/9)、33%(3/9)、33%(3/9)。

图3 2014—2016年4—10月55个月内强降水过程DERF2.0预测数据与预报员预测数据评分Fig.3 The scores of 55 monthly heavy rain processes of DERF2.0 and forecasters ((a)Zs; (b)Cs) and their difference ((b)Zs; (d)Cs) between April and October from 2014 to 2016

3.3 主汛期与雨季强降水过程延伸期预报对比

如图4所示，55个数据样本Zs和Cs平均分分别为0.12和0.11，2014—2016年4—10月起报逐年月内强降水过程Zs和Cs平均分分别为0.09和0.09、0.13和0.12、0.14和0.13(表1)，以及2014—2016年5—7月起报逐年月内强降水过程Zs和Cs平均分分别为0.14和0.13、0.22和0.19、0.23和0.19，发现DERF2.0数据对月内强降水过程预报的准确率在逐年提高，对主汛期(6—8月)的预报准确率较整个雨季期(4—10月)略高，并且评分也呈逐年提高的趋势。

图4 2014—2016年4—10月55个月内强降水过程DERF2.0预测数据样本评分Fig.4 The scores of 55 monthly heavy rain processes of DERF2.0between April and October from 2014 to 2016:(a)Zs; (b)Cs

2014年2015年2016年年平均分Zs0.090.130.140.12Cs0.090.120.130.11

4 结论与讨论

本项目基于DERF2.0开展的1983—2012年的回报试验结果，利用短期气候预测业务趋势异常综合检验Ps评分方法综合评估DERF2.0的月尺度预测性能，利用中国气象局月内强降水过程评分方法(Cs和Zs两种检验评分方法)评估DERF2.0的延伸期预报性能，系统性地对模式产品的预测效果进行检验评估，具体结论如下：

①通过DERF2.0模式预测产品与观测实况对比，发现DERF2.0月预测产品总体上对贵州气温的预测能力优于降水，并且气温偏高预测的可参考性高于其对气温偏低的预测。

②通过DERF2.0模式预测产品与业务值班月预测产品质量对比，对比分析研究时段内DERF2.0与贵州省预报员综合预报的Ps评分，DERF2.0预报月气温的Ps评分较预报员略高，月降水较预报员略低；总体上DERF2.0月预测效果较预报员综合预报略差，而且预报性能较不稳定。

③通过DERF2.0模式预测产品与业务值班月内强降水过程预测产品质量对比，预报员预测数据的Zs和Cs评分总体高于DERF2.0预测数据，但DERF2.0预测数据的Zs和Cs评分较预报员预测质量在逐年提高，尤其在整个雨季时段较为明显。

④通过对DERF2.0模式预测产品在2014—2016年4月15日—10月31日期间的月内强降水过程预报进行Zs和Cs检验，发现其对主汛期(6—8月)的预报准确率较整个雨季期(4—10月)略高，并且评分也呈逐年上升的趋势。