确定性预报和集合预报融合降水预报产品应用*

2020-07-23苏志重

海峡科学 2020年5期

苏志重潘宁林青

(1.海峡气象开放实验室，福建厦门 361012； 2.福建省气象台，福建福州 350001)

1 概述

集合预报与确定性预报不同，能够提供关于预报的不确定性信息，获取预报集合，改善单一确定性预报的预报技巧[1-3]。经过数十年的发展，集合预报日渐在气象业务日常工作中发挥越来越重要的作用，集合预报产品在我国各级气象台站得到广泛的应用[4-6]。利用集合预报技术开发定量降水产品能够改善降水的预报效果，学者已开展了较多的集合预报降水检验和解释应用方法的研究[7-8]。陈博宇等[9]检验了2013年汛期ECMWF集合统计量在多地的表现，并设计了概率匹配-融合和融合-概率匹配等释用方法，对暴雨和大暴雨的降水预报有一定提升；张霞等[10]检验了集合预报产品在河南省暴雨预报中的应用，基于检验结果，设计了百分比权重集成技术暴雨预报方法；徐姝等[11]针对结合预报融合降水产品的偏差特征，进行基于频率匹配法的降水偏差订正，改善了预报结果。在集合预报释用的方法中，集合统计量融合法得到了发展和应用，其原理是针对不同量级的降水，使用不同分位数或统计量的数值代替。目前福建气象业务中使用中央气象台开发的集合预报融合产品，但中央气象台的参数方案是基于全国范围的统计计算得出的，全国的最优方案并不一定是各个区域的最优方案。当考虑到当地地形、天气系统、季节变化等不同影响因子时，融合方案也将出现差异。

在日常的预报业务中，能够获取全球模式和中尺度区域模式等多种确定性模式的降水预报产品，从以往的研究中可以看出，确定性模式特别是中尺度区域模式由于分辨率较高，在积云对流过程和地表物理过程方面对降水的产生和发展有更为精细的描述，对局地性质的强降水预报有较好的参考价值[12]；但目前各类的融合产品并没有考虑确定性模式预报产品，因此设计融合方案时应兼顾两类产品的优势，将确定性模式预报产品也加入检验比较，以获得最优方案。

福建地处东南沿海、台湾海峡西岸，各种类型的暴雨频发，对于该地区的降水预报一直是研究关注的重点，福建气象部门也一直在探索提升降水预报能力的方法。本文以福建省为研究区域，检验欧洲中期天气预报中心(ECMWF)的降水集合预报统计量以及多种确定性预报降水的预报技巧水平，并根据表现较好的分位数或统计量的计算方法，重新设计融合方案，考察其在降水过程中的表现，为业务预报提供参考。

2 资料与方法

2.1 资料

本文选取2016年4月1日～9月30日00时和12时(UTC)ECMWF集合预报和4种确定性模式的降水预报产品为融合方案建模样本。

ECMWF集合预报有51个成员，检验以下7类共17种降水集合统计量产品：

(1)集合百分位数：集合预报成员数据从小到大排列，按照百分位值所在的位置选取预报值，包括5%分位数、10%分位数、25%分位数、50%分位数、60%分位数、70%分位数、80%分位数、85%分位数、90%分位数、95%分位数等10种产品。

(2)控制预报(ctl)：模式不加扰动的结果，作为集合预报的成员之一。

(3)集合平均(mean)：集合预报所有成员预报值的算术平均。

(4)集合最大(小)值(max,min)：集合预报成员数据按照大小顺序排列，取最大(小)值。

(5)集合中位数(med)：将数据按照大小顺序排列，取中间值。

(6)集合众位数(mode)：统计每个格点上集合样本的概率分布，取格点上出现概率最高的数值作为mode产品。

(7)概率匹配集合平均产品：将集合平均场中各格点数值从大到小排列，并保留各数值在区域中的位置；其次将区域内所有成员的所有预报数值按照大小排列，保留每25个间隔的预报值；最后将第二步保留的序列与第一步的序列匹配，得到概率匹配集合平均产品[9]。

选取的确定性模式降水预报产品包括：ECMWF全球模式的细网格产品(ec_thin)、华东区域中尺度模式(WARMS)产品(shnwp)、美国NCEP的GFS全球模式产品(gfs)以及福建省中尺度数值预报产品(fjwrf)。

在实况降水资料方面，选取2016年4月1日～9月30日福建省国家级站点和区域站点组成的289个福建省智能网格业务预报关键点(图1)的降水资料。采用双线性插值方法，将确定性预报和ECMWF集合预报模式格点数据插值到站点上，再生成集合统计量产品，用于预报效果检验。同时选取2017年4月1日～9月30日上述关键点实况资料，检验本文降水融合预报产品的预报效果。

图1 福建省智能网格预报业务预报关键点分布

2.2 降水检验方法

采用国家气象中心日常业务使用的雨量划分标准，将24小时降水量划分为小雨(0～9.9mm)、中雨(10～24.9mm)、大雨(25～49.9mm)、暴雨(50～99.9mm)、大暴雨(100～249.9mm)和特大暴雨(≥250mm)。计算各降水量级的TS评分。TS评分的计算公式为：

(1)

式中，NA表示降水预报正确的站(次)数，NB表示空报的站(次)数，NC表示漏报的站(次)数。TS越接近1，表示预报效果越好。

2.3 降水融合技术

在不同预报时刻、不同量级降水上采用最优评分集合统计量的叠加产品，即融合产品。具体为：首先在各预报时刻各降水级别内计算参评产品的TS评分，并根据排序确定评分最高的产品为最优产品，以此确定各预报时刻各降水级别各自的最优产品；其次根据前一步得到的信息，在每一个站点上按照降水量级由大到小的顺序确定该点的预报最优产品数值是否大于或等于此降水量级最小阈值，如达到条件则该最优产品确定为该点最终的融合预报降水量；如达不到上述条件，则判断下一量级的最优产品降水量数值是否大于或等于此降水量级最小阈值，以此类推。当上述条件均无法满足时，确定该点最终融合预报降水量为0mm。

为更好理解上述融合方法，示例如下：在某个预报时刻和预报站点上，(1)如果最优产品的值大于或等于100mm，则融合值等于最优产品A；(2)如果最优产品的值大于或等于50mm，则融合值等于最优产品B；(3)如果最优产品的值大于或等于25mm，则融合值等于最优产品C；(4)如果最优产品的值大于或等于10mm，则融合值等于最优产品D；(5)如果最优产品的值大于或等于10mm，则融合值等于最优产品E；(6)如果上述条件均不满足，则融合值等于0mm。通过上述方法确定各预报时刻和各个站点的具体降水预报数值。

3 建模分析

福建降水多集中在3～9月[13]，我们将研究焦点集中在该时段。同时为了分析不同季节集合预报的表现，将建模时段划分春雨季(3～4月)、前汛期(5～6月)和后汛期(7～9月)。如此划分主要是依据福建省降水的气候特征，春季时段西南暖湿气流开始活跃，降水开始明显增多；前汛期春季环流形势向夏季形势过渡，偏南暖湿气流加强，冷暖气流对峙在华南地区[14]，呈现降水极端明显、暴雨集中、降水强度强等特点[15]；后汛期时段降水主要以台风等热带系统影响为主。不同季节和时段的降水特征和性质不同，集合预报和确定性模式预报的降水可能反映出季节差异，因此有必要按照上述时段分别研究。

图2为建模样本时段春雨季(3～4月)、前汛期(5～6月)和后汛期(7～9月)的各个确定性预报和集合预报统计量TS，预报时效分别为24小时、48小时和72小时。为了讨论方便，将TS最高的统计量定义为最优产品，对应的TS定义为最优TS。

(a)3～4月24小时预报时效；(b)3～4月48小时预报时效；(c)3～4月72小时预报时效；(d)5～6月24小时预报时效；(e)5～6月48小时预报时效；(f)5～6月72小时预报时效；(g)7～9月24小时预报时效；(h)7～9月48小时预报时效；(i)7～9月72小时预报时效

从图2 可以看出，在春雨季和前汛期，随着预报量级的提升，TS评分呈现显著下降的趋势，而对于后汛期降水而言，却表现为暴雨和大暴雨以上量级的降水TS评分比中雨和大雨的TS评分高，例如24小时预报时效大暴雨及以上量级的TS评分达到了0.23。对于不同降水量级，最优产品也各不相同，以春雨季24小时预报时效降水为例，小雨、中雨、大雨、暴雨和大暴雨以上量级的最优产品分别对应为10%分位数、ave、90%分位数、95%分位数和shnwp。可以看出，随着降水量级的增大，最优产品的分位数和统计量产品有向高值靠近的趋势,而在极端降水方面，特别是大暴雨量级上，确定性预报则有较大优势，华东区域中尺度模式和ec_thin全球模式24小时时效的大暴雨预报的TS评分优势明显，但在48小时和72小时预报时效上，则是集合预报统计量预报较为成功，也反映出了集合预报在较长预报时效上的优势。

在不同时段，集合预报的最优产品也有不同表现。春雨季的小雨预报TS在所有预报时效都超过了0.4，最高为24小时预报时效，最优TS为0.45；前汛期和后汛期表现较差，TS均低于0.4；在中雨和大雨量级上，春雨季的TS评分也高于前汛期和后汛期。可以看出，由于春雨季的降水强度较前汛期和后汛期偏弱，因此在大范围的降水落区预报中，春雨季的大雨以下量级TS评分比较容易得到较高TS。在暴雨量级上，前汛期和后汛期的集合预报的最优TS比春雨季更加表现突出，后汛期24小时预报时效的暴雨最优TS达到了0.2，大暴雨及以上量级预报方面，大暴雨的最优TS表现十分突出，达到0.24,甚至超过了暴雨的TS,这是由于后汛期几次台风暴雨预报较为稳定所致。在春雨季和前汛期的大暴雨及以上量级的预报上，集合预报统计量均只有个别大分位数和预报极值(max)有一定的得分，且TS偏小，均在0.04以下，而确定性预报的预报效果较好，在0.09。

上述分析表明，在不同时段，集合预报统计量有不同的表现，在春雨季集合预报小雨量级降水预报较好，在后汛期，集合预报对于大暴雨有较好的预报能力。

基于以上分析结果，获取不同预报时刻不同量级降水上采用最优评分集合统计量的叠加产品，即融合产品，表1所列的各个量级的最优产品定义为其融合值。

表1 各时段各预报时效最优产品

4 融合预报效果检验

4.1 统计检验

以2017年3～9月福建地区的降水过程为独立样本，利用上述融合方案，验证新的融合产品在福建地区的降水预报效果。图3为2017年融合产品和确定性数值预报产品不同降水量级TS评分。首先在小雨量级上，除了5～6月48小时预报时效ec_thin模式的TS最高外，融合产品在所有预报时段和预报时效都比确定性预报的TS评分高，显示出融合产品在这一量级上的优势。但在中雨量级上则表现相反，除了7～9月24小时时效融合产品TS为最高外，融合产品表现均不如确定性预报产品，这表明中雨量级的融合方案存在较大的波动性。对于大雨量级而言，融合产品在3～4月的表现最好，在所有的预报时效内，TS均为最高；而在5～6月融合产品大雨量级上的TS评分表现较差，均落后于确定性预报；7～9月融合产品的TS评分与最优确定性预报产品TS评分略高，有一定的优势。在暴雨量级上，3～4月的融合产品优势明显，24小时时效的TS达到了0.16， GFS模式产品在确定性预报中表现最好，其TS为0.1，融合产品将产品性能提高了60%。5～6月的融合产品表现不佳，与确定性预报产品有一定差距；7～9月的融合产品与最优确定性预报产品性能相似。在大暴雨方面，融合产品均有一定的表现，但没有体现出明显优势。

从时段的检验上来看，融合产品在3～4月的表现最好，除了中雨量级之外，在其他量级上都较确定性预报有一定的性能提升；5～6月融合产品的表现最差，基本上落后最优的确定性预报，融合方案并没有显示出优势；7～9月融合产品TS评分基本与最优确定性预报接近，特别是在24小时时效的大暴雨量级上，融合产品与ec_thin模式TS评分基本相同达到了0.22，均大幅度领先其他确定性预报，可以看出，如果在融合方案的选择上能够得到最优产品，那么最后的融合产品基本上不会是最差的选择，能够对预报有更好的参考价值。

上述分析表明，新的融合方案能够产生积极的订正效果，在3～4月和7～9月的效果更加明显，特别是在暴雨和大暴雨以上量级方面，短时效(24小时)的订正能力较为显著。

(a)3～4月24小时预报时效；(b)3～4月48小时预报时效；(c)3～4月72小时预报时效；(d)5～6月24小时预报时效； (e)5～6月48小时预报时效；(f)5～6月72小时预报时效；(g)7～9月24小时预报时效；(h)7～9月48小时预报时效； (i)7～9月72小时预报时效图3 2017年融合产品和确定性数值预报产品不同降水量级TS评分

4.2 个例检验

受高空槽东移和地面冷空气的共同影响，2017年4月19日08时～20日08时，福建东部地区出现暴雨，局部大暴雨的降水。从实况上看(图4a)，福建东部沿海地区到南部沿海为主雨带，以暴雨量级为主，其中在福州地区出现大暴雨量级的降水，福建西部龙岩地区主要为中雨量级，福建西北部为小到中雨，局部大雨。而从预报来看(图4b)，融合产品预报出了福建中部到南部的主雨带，在量级上以暴雨到大暴雨为主，除了福州地区外，在泉州内陆、三明东部、漳州北部也有大暴雨量级的降水，大暴雨的落区较实况明显偏大。在福建西部龙岩地区与实况较为接近，为中雨量级；在西北部地区，融合产品的降水量级以大雨到暴雨为主，较实况也有所偏大。

图4 福建2017年4月20日08时24h累计降水实况(a)和融合产品24h时效预报(b)(单位：mm)

2017年第9号台风“纳沙”和第10号台风“海棠”在不到24小时的时间里先后登陆福建福清，台风登陆后向西北方向移动，给福建省带来了强降水。2017年7月31日08时～8月1日08时实况如图5所示。

图5 福建2017年8月1日08时24h累计降水实况(a)和融合产品24h时效预报(b)(单位：mm)

从图5(a)可见，福建中北部沿海出现了大范围的大暴雨，福建中部和南部沿海出现了暴雨天气，并有分散性大暴雨。由于台风登陆后减弱，并没有给福建西北部带来多大的降水，该地区以中到大雨为主。从融合产品的预报来看(图5b)，其在福建的中北部沿海也报出了大暴雨降水，而在中部和南部沿海则为暴雨降水量级，与实况十分接近。融合产品在西北部也为中到大雨的降水量级，但在西部龙岩地区则降水偏大，为暴雨量级。整体上看，对于此次台风降水，融合产品表现优异，在降水落区和降水量级上与实况十分相似，体现出产品良好的预报效果。