基于智能网格降水产品的降尺度释用技术研究

曾 鹏，钟利华*，郑凤琴，史彩霞，朱丽云

（1.广西壮族自治区气象灾害防御技术中心，南宁 530022；2.广西壮族自治区气候中心，南宁 530022）

引言

高分辨率网格化气象信息是开展精细化专业气象服务的一个重要技术支撑，目前气象业务中使用的气象资料具有不同的时间和空间分辨率。例如欧洲数值预报中心产品的水平分辨率可达到0.1°×0.1°的精度，美国国家环境预报中心的GFS 模式提供0.5°×0.5°高分辨率的产品，广西智能网格产品的分辨率为5km（0.05°×0.05°）。从业务应用考虑，这些产品的空间分辨率还不能满足行业用户的需求，而高分辨率气象预报产品细节丰富，但数据规模较大，一般用于信道和硬件设施条件较好的气象业务部门［1］。为满足用户定点服务的需求，基于较低分辨率气象产品的基础上，通过一些降尺度算法可以获得较高分辨率的气象产品，并可低成本提高气象保障的精细化程度，具有明显的实际应用价值。现有使用的降尺度方法有动力降尺度法、统计降尺度法、统计与动力相结合的降尺度法，相比较而言，统计降尺度法计算量小而易于操作，能够通过利用大量实况资料，输出较高分辨率或站点尺度的气象要素等优点，对现有的业务数值预报结果有明显的改进能力［2-3］。智能网格气象预报是目前中国气象局主推业务和未来天气预报的发展方向，2017 年开始，广西气象局研发了广西区域5km 分辨率的未来10d 精细化气象网格预报产品，逐渐开始基于智能网格预报产品的业务应用，根据行业部门和专业用户的服务特点和需求研发精细化的服务产品［4-5］，建立合理、有效的格点到用户关心的位置（区域、线路或关键点）的预报要素解析方法并开展检验工作，例如卢小风等［6］开展了智能网格产品在西江流域的应用检验，陈伟斌等［7］对集合预报降水产品在广西的预报性能进行了分析；季永平、智协飞等［8-9］研究了统计降尺度方法对中国地面降水的预报应用，表明统计降尺度可一定程度上减少预报误差，这些研究为数值预报产品的释用提供了很多有价值的参考依据。

针对近3a 台风影响广西的主要时段（6—9 月）和台风暴雨主要落区开展研究，区域选取为广西南部和沿海地区，范围为：104°E～112°E，20°N～22.8°N（以下称为桂南区域），利用广西智能网格降雨量预报产品（分辨率5km），采用最邻近点法、双线性插值、双三次插值以及分级回归统计降尺度方法，分析桂南区域高分辨率1km 格点至站点预报的适用性，为粗网格至更精细的网格降水预报解析和转换提供参考，从而满足行业用户对精细化预报服务的需求。

1 资料与方法

1.1 资料

预报资料为每日12UTC 起报的广西智能网格降雨量产品，时效为10d，时间分辨率逐3h，空间分辨率5km，资料时间为2018 年—2020 年6—9 月。

实况资料来源于全国综合气象信息共享系统（CIMISS），资料时间为2018 年—2020 年6—9 月的自动站逐小时降雨量观测资料，其中桂南区域的国家级和区域级自动气象观测站共计566 个站点。

1.2 方法

选取最邻近点法、双线性插值、双三次插值和回归统计这4 种方法，研究和评估降尺度预报产品的解析性能，最邻近点法、双线性插值和双三次插值的方法原理其它文献已有详细介绍［10］，统计降尺度和评估方法简要介绍如下：

（1）统计降尺度方法

采用最邻近点法将模式预报插值到观测站点上，对24h 累计降雨量的预报与观测资料用最小二乘法逐站点建立一元线性回归关系，关系式为：

其中，a 为回归系数，b 为回归常数，Ft为模式预报结果，F′t为降尺度订正后的结果，对于各个格点／站点，按照该式对模式预报进行回归订正。

（2）检验评估方法

对预报结果采用的判定方法：TS 评分，表示事件发生的正确预报次数与事件发生总次数（预报或观测）的比率；ETS 评分，表示除去随机偶然事件后，事件发生且预报正确的次数与事件发生总次数的比率；预报偏差（Bias），表示预报事件发生的次数与观测事件发生的次数的比率。

2 结果与分析

2.1 检验评估

对2018 年—2020 年6—9 月20 时起报的智能网格降雨量预报产品开展降尺度应用研究，先用最邻近点法、双线性插值和双三次插值法将5km 的预报产品插值成1km，再解析到对应的站点。3 种方法按照24h 降雨量等级标准将雨量分为小雨（0.1—10mm）、中雨（10—25mm）、大雨（25—50mm）和暴雨以上（＞50mm）共4 个量级。首先研究3 种不同的解析方法的TS 评分情况，图1 给出了智能网格预报产品通过3 种方法解析到桂南区域566 个自动观测站的雨量分级分时效（24—120h）的TS 评分，可以看出，最邻近点法、双线性插值法和双三次插值法这3 种方法的TS 评分差异较小。在小雨、中雨、大雨和暴雨以上量级的TS 评分的不同预报时效波动范围分别为0.72～0.74、0.10～0.11、0.06～0.08 和0.09～0.13，在各个量级的24—120h 预报时效的3 种方法TS 评分差值均小于0.01。

图1 3 种方法的2018—2020 年6—9 月智能网格预报解析到桂南区域站点的24～120h 降雨量预报时效分级TS 评分

为了进一步分析3 种插值方法的差异性，分别计算3 种方法的平均绝对误差、均方根误差、ETS 评分和Bias 偏差（图2），从平均绝对误差来看（图2a），3 种方法在各预报时效的值几乎完全一致，其误差均小于1mm，总体趋势呈现24～72h 内误差随预报时效增大，96～120h 又略有降低的趋势，各时效误差基本为9～11mm；从均方差分析（图2b），48h 和96h 预报时效的双三次插值雨量的均方差略高，其它预报时效3 种方法基本一致，双线性插值略低；ETS 评分显示（图2c），3 种方法的ETS 评分均随预报时效增长而降低，最邻近点法的ETS 评分表现最好；Bias 评分也表明虽然3 种方法的降水预报频次或降水量有偏多的特征，存在过度预报的情况（Bias＞1），但是最邻近点法其取值基本在1.21～1.3之间，相对而言仍是最接近1，优于其它两种方法（图2d）。总体而言，对于空间分辨率已经较高的智能网格预报，不同的插值方法对于桂南区域的降雨预报差异性不大，需要寻求更好的模式预报降尺度释用技术以改善预报效果。

图2 3 种方法的2018—2020 年6—9 月智能网格预报解析到桂南区域站点的24－120h 降雨量预报时效误差分析

2.2 基于分级回归的降水统计降尺度

根据24h 累计地面降水量，以小雨、中雨、大雨和暴雨以上4 个降雨量级为标准，选取2018—2019年6—9 月的智能网格预报中各个量级的降水样本作为训练样本，用最小二乘法与对应的观测降水量分别建立各个量级的回归方程，形成相对应的预报模型，对2020 年6—9 月的预报进行分级回归统计降尺度订正，并与其它3 种插值方法的预报效果作对比，如图3 所示，计算了4 种方法的TS 评分，结果显示在中雨以上量级，经过分级回归订正后的TS评分在大多数预报时效相较于3 种插值方法均有不同程度的提高；对于小雨量级（图3a），回归订正后的预报效果改善情况不明显，中雨和大雨（图3b，c）量级的24～120h 预报时效的回归订正TS 评分总体升高了0.01～0.03，暴雨以上量级的回归订正评分相比其它3 种方法可提高0.02～0.04（图3d）。总体而言，分级回归可以在一定量级上提高降雨预报的评分。

图3 回归订正与3 种插值方法的2020 年6—9 月智能网格预报解析到桂南区域站点的24～120h 降雨量预报时效分级TS 评分

3 台风强降水个例分析

为了比较台风强降水过程统计分级回归与插值降尺度方法的差异性，下面给出2019 年8 月台风“韦帕”降水的个例分析。图4 是此次台风降水过程较明显的时段（2019 年8 月1 日20 时—2019 年8月2 日20 时），从降水实况分析，8 月1 日20 时—2日20 时的主要强水区位于桂东南和沿海一带，大暴雨主要出现在北海、防城港和玉林市南部区域（图4a）；对最邻近点法的预报场解析到站点可见（图4b），8 月1 日20 时起报的未来24h 预报，对于大暴雨范围其预报的区域偏大，除了沿海三市，还扩展到了南宁东部、贵港西南部和崇左南部地区，其它区域的降水也比实况偏大；对用分级统计回归订正预报再解析到站点的降雨量分析可知（图4c），经过历史资料的拟合，对强降水区域进行了修正，大暴雨区域主要位于沿海地区，其它区域主要以大雨到暴雨为主，相比于原智能网格预报更接近于实况；从该日24h 预报的TS 评分可见（图4d），统计回归在小雨、中雨和大雨量级上的评分均比其它3 种插值方法有0.1～0.3 的提高。

图4 台风降水个例

在桂南区域台风降水预报预警业务的实际应用中，通过将建立好的分级回归模型应用于智能网格预报产品，再通过插值形成1km 的网格化预报场，在一定程度上提高了网格化预报的精细化水平和预报效果，为行业用户开展台风过程期间的防灾减灾和安全生产保障提供科学的参考依据。

4 结论和讨论

利用广西智能网格降雨量预报产品、桂南区域自动观测站降雨量实况资料，采用最邻近点法、双线性插值、双三次插值和分级回归统计降尺度方法，对网格降水预报向更精细化网格点降水解析的适用性进行分析，得到以下结论：

（1）对于分辨率较高的智能网格预报产品，采用最邻近点法、双线性插值和双三次插值将智能网格预报降雨量解析到桂南区域选定的566 个自动观测站点上，并计算分级TS 评分、平均绝对误差、均方差、ETS 评分和Bias 偏差，结果表明各插值方法的TS 评分、平均绝对误差和均方差无明显差异，其中最邻近点法的ETS 评分和预报偏差略好于其它2种方法。

（2）分级回归统计降尺度方法加入了历史观测资料进行订正，相较于单纯的插值方法，可以减小降水预报的误差，改进智能网格预报产品的预报效果，特别是对于用户关注的强降水区域能够给出更科学的参考依据，对构造高分辨率的网格预报产品具有一定参考作用。

即使当前的数值预报场的空间分辨率已经较为精细，但是用户所关注的关键点并不一定在网格上。因此，从精细化网格预报场中合理解析到用户关注的关键点的要素预报，是智能网格预报产品释用的重要工作之一，本文讨论的4 种解析方法，均以现阶段智能网格预报的准确率为基础，目的是加强对其的释用，尽可能的减小误差，但对于模式本身的预报误差，例如降水落区、量级的偏差，一方面要通过改进和完善智能网格预报产品提高准确率，另一方面还需探讨统计或动力降尺度等预报分析方法，建立预报模型，深入研究网格化产品释用技术，有关这方面的研究还需要在今后工作中进一步开展。