降水预报-观测概率匹配动态订正法在江西降水集中期的应用与检验

陈翔翔 郭达烽

0 引言

江西地处我国长江流域,属亚热带季风气候区,每年汛期(3—7月)是江西暴雨、强对流天气多发期,尤其是连续多日的暴雨形成的降水集中期,能引发洪涝和泥石流等自然灾害,严重威胁着人民的生命和财产安全．为此,提高降水预报水平是气象预报任务中的重中之重．数值预报技术的快速发展为降水的精细化预报提供了良好的基础,目前天气预报员常用的提高预报准确率的途径,是不断对数值预报产品进行效果检验评估,从多种模式的降水产品中选择性能最稳定的,并在检验的基础上运用多种方法开展解释应用[1-6]．李勇[7]、张宏芳等[8]通过预报能力的对比分析得出欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)高分辨率数值预报总体较优．陆如华等[9]、赵声蓉等[10]和刘还珠等[11]分别采用卡尔曼滤波法、神经元网络等统计方法对数值预报产品进行解释应用研究;刘琳等[12]通过集合预报降水资料的累积概率分布,建立了极端强降水天气的预报指数;吴木贵等[13]利用交叉熵神经网络方法建立了闽北大雨以上降水预报系统,并指出这是一种适合小概率事件预报的方法．这些技术方法在一定程度上提高了模式降水产品质量,但这些释用技术仍存在许多不足．周迪等[14〗、李俊等[15]通过“概率匹配”(或“频率匹配”)降水预报订正法对降水过程取得了较好订正效果．鉴于“概率匹配”法能较好地利用观测资料对模式产品进行订正,因而受到预报业务单位的重视和应用．

但是,李俊等[15]使用的“概率匹配”降水订正法是把指定区域内所有格(站)点作为同一资料序列进行统计分析,由于区域内地理位置和地形的差异可导致气候背景不同,如果区域内所有格(站)点降水预报订正模型采用相同的值,会导致订正结果不够精细．为探索和建立更为精细的不同站点、不同降水等级的“预报-观测概率匹配”订正方法,本研究结合智能网格预报业务应用,在充分考虑不同站点气候特征差异,开展产品检验效果分析的基础上,对相对稳定且效果较优的ECMWF高分辨降水模式产品和历史观测资料,引入累积概率分布函数,针对不同等级降水预报,逐站建立订正模型,尤其对是否发生暴雨及其以上降水进行重点分析,并根据数值预报的调整不断更新订正模型,在此基础上开展订正预报试验和效果检验评估,以期通过该动态订正法实现对ECMWF模式降水产品的解释应用,有效提高降水分级预报，尤其是暴雨预报质量,为汛期防灾减灾提供更好的保障服务．

1 资料与方法

1.1 资料的选取

降水观测资料采用江西省气象信息中心提供的包含江西省91个地面气象观测站(站点分布见图1)8—20时和20时—次日8时的12 h间隔降水资料,模式预报降水产品选取ECMWF高分辨率数值预报降水预报产品(空间分辨率为0.125°×0.125°),选取2017年6月19—27日每日2次的12 h间隔降水格点预报资料,检验的预报时效为0～72 h,选取离观测点最近的格点值与观测点实况进行对比并评分．

1.2 方法简介

“预报-观测概率匹配订正法”是近年来逐渐流行的一种模式释用订正方法,多用于模式降水产品的预报订正,其原理如图2[14,16]所示．不同量级的降水均能在实况观测的降水累积概率分布曲线(实线)上找到对应的累积概率值,这个值在0～1范围内．将已找到的实况对应的累积概率值反射到模式预报的降水累积概率分布曲线(点虚线)上,亦可在横轴中找到对应的降水量值,即不同量级降水的模式预报修正值[14,16]．这种降水累积概率分布是非正态的,赵琳娜等[17]、梁莉等[18]以及国内外较多研究[19-23]发现,使用Gamma拟合观测与预报的降水累积概率分布可取得良好效果,因此,选取Gamma累积概率分布函数用于拟合预报与实况观测的降水累积概率．

目前,我国各级气象台的定量降水预报,一般为08:00、20:00(北京时,下同)起报的12 h间隔降水预报(8—20时和20时—次日8时),并且以12 h间隔进行预报检验评分．预报检验评分时,以0.0、10.0、25.0和50.0 mm等将12 h降水量划分为多种等级.为了更好地分析订正效果,本文也按照12 h间隔对ECMWF模式的降水预报进行订正与检验,并以 12 h降水量 1.0、10.0、25.0 和50.0 mm的降水量级划分各等级．

基于ECMWF的降水预报-观测概率匹配动态订正法是基于“预报-观测概率匹配订正法”的一种动态实践,这里把最新、实时的预报与实况结果带入概率匹配中,本文用预报时前100 d共200个起报时间的ECMWF 12 h间隔降水预报资料与实况观测资料进行概率匹配,并在业务中不断更新各量级降水修正值,这可以一定程度订正近期模式预报误差,实时调节降水订正效果．

目前预报业务中常用的预报效果检验指标有风险评分(Threat Score,TS,其量值记为ST)、命中率(Percent of Doom,PoD,其量值记为PoD)、空报率(False Alarm Rate,FAR,其量值记为RFA)和漏报率(Percent of Omission,PO,其量值记为PO)等．设定NA为预报正确站数,NB为预报错误站数,NC为漏报站数,各指标计算公式如下:

(1)

(2)

(3)

(4)

图1 江西省国家地面气象观测站分布

图2 各等级降水的预报-观测概率匹配订正法示意图[14,16]

2 概率匹配动态订正法在江西省汛期降水集中期的应用分析

2.1 2017年6月下旬江西降水集中期概况

受高空低槽、中低层切变线和西南急流的共同影响,2017年6月20日—7月2日江西省出现了一次降水集中期,期间省内暴雨频繁发生.江西省91个国家基本观测站中出现10站及以上日雨量超50 mm的过程称为一次区域性暴雨过程,将江西省持续出现3 d及以上的区域性暴雨过程定义为持续性区域暴雨过程．在此次降水集中期内,就出现了一次持续性区域暴雨过程,2017年6月21—26日江西省出现了长达5 d的持续性区域暴雨过程(表1),主要发生区域为赣北地区,其中,6月25日有19个暴雨、13个大暴雨和1个特大暴雨站,持续的暴雨过程为江西省尤其是赣北人民的生产生活带来了严重的威胁．在降水集中期后半段,雨带先南移,后北抬,新的降水落区订正方法的应用与检验迫在眉睫．

表1 2017年6月21—25日江西省每日暴雨站数及位置(20—20时)

2.2 江西省各站点降水等级预报订正值分布特征

6月25日江西暴雨站数最多,现选取前一日即6月24日(试验第6天)为代表,分析江西省所有站的各降水量级修正值．图3、图4分别是2017年6月24日0～12 h预报时效和12～24 h预报时效的各量级降水的降水订正值,可发现:对于12 h间隔的小雨量级降水(1.0 mm),ECMWF 0～12 h和12～24 h预报时效的降水预报得普遍偏大(图3a,图4a),应往小修正．尤其是赣北南部及以南地区,ECMWF预报2～3 mm时往往可以修正为1 mm,而九江市的1 mm小雨预报得较为接近实况.对于12 h间隔的中雨量级降水(10 mm),除九江市西南部、宜春市局部预报偏小外,全省大部分地区预报偏大,尤其是南昌、鹰潭、抚州三市和吉安、赣州两市部分地区,并且12～24 h预报时效的中雨比0～12 h预报时效预报得更偏大,应往小修正(图3b、图4b)．而对于大量级降水,ECMWF预报偏小的区域逐渐增多:0～12 h和12～24 h预报时效的12 h 25 mm降水预报分别有70.3%和57.1%的站数预报偏小(图3c,图4c),需要往大修正;0～12 h和12～24 h预报时效的12 h间隔的50 mm的暴雨量级降水预报分别有93.4%和78%的站数预报偏小(图3d,图4d),其中,萍乡、宜春两市市区站点和赣州市西部0～12 h和12～24 h预报时效暴雨修正值均不足40 mm．

图3 2017年6月24日(试验第6天)0～12 h预报时效各量级降水的降水订正值(mm)

综上,总体来看,江西省2017年6月降水集中期ECMWF的24 h内12 h间隔的 10 mm及以下量级的降水预报普遍偏大,25 mm及以上量级的降水预报普遍偏小．但是,九江市沿江地区和景德镇的各量级降水预报较为接近实况,预报效果较好．

2.3 修正前后各检验指标的变化

2.3.1 6个预报时次各指标平均值在试验期间(2017年6月19—27日)的日变化

气象部门对降水预报效果的评判一般用TS评分、命中率(PoD)、空报率(FAR)和漏报率(PO)等指标．下面对ECMWF的各量级降水预报进行动态修正后的各指标日变化进行对比,为了更好地展示总体预报效果,用的是全省91站的平均值(图5—8)．

分析发现,在试验期间(2017年6月19—27日),对于12 h 1 mm和50 mm的降水等级,ECMWF 72 h内的6个预报时效平均TS在修正后均有不同程度的提升(图5)．其中,在试验第7天(2017年7月25日),12 h 1 mm和50 mm等级的降水TS分别提升了0.022和0.015,而10 mm降水的TS提升不明显,对25 mm的降水更出现了修正后不如修正前的结果,可见,基于ECMWF的降水预报-观测概率匹配动态订正法在实践中应权衡利弊使用,弱降水(1 mm)和暴雨量级降水(50 mm)可多参考本降水预报订正法,有助于提升晴雨预报和灾害性降水的预报服务质量．

预报业务中对于命中率、空报率和漏报率也能一定程度反映预报水平．大雨、暴雨量级降水的命中率在修正后有所提升(图6),可见本订正法可以根据近期预报与实况较好地调整降水中心强度;而小雨、中雨量级的降水的空报率在修正后有明显降低(图7)．这也是由于小雨和中雨的修正值比原值大,ECMWF模式空报了部分小量级降水;大雨和暴雨的修正值比原值小,大雨、暴雨量级的降水的漏报率在修正后有明显提升(图8),说明ECMWF模式对暴雨中心和量级的预报能力有待提升．

对于防灾减灾而言,大量级降水的漏报能直接影响群众生命财产安全,降低大量级降水的漏报率并且提升其命中率十分重要．基于ECMWF的降水预报-观测概率匹配动态订正法在本次试验中明显降低了大雨和暴雨的漏报率且提升了命中率,应用效果较好．

2.3.2 试验期间不同预报时效修正后平均TS增幅

一般而言,预报时效越短,预报效果越好:0～12 h降水预报时效的预报效果比12～24 h降水预报的预报效果更好,TS评分等检验评分越高,以此类推．因此,有必要从不同的预报时效着手,查看修正前后检验指标的变化．

图9为不同预报时效在试验期间(共9 d)修正后平均TS增幅,可见,对于24 h以内的降水预报,除了25 mm量级的降水预报TS评分修正后为负技巧(即修正后TS增幅<0)外,其他量级的降水均为正技巧,其中,0～12 h订正效果最好的为1 mm的降水量级,增幅为0.028,其次为10 mm的降水量级和50 mm的降水量级, TS平均增幅分别为0.006和0.004;12～24 h订正效果最好的仍是1 mm的降水量级,TS平均增幅为0.023．此后,随着预报时效的不断延长,不同量级降水的订正效果均有不同程度的降低,但1和50 mm量级的降水预报订正效果一直维持正技巧,即对于小量级降水(晴雨)以及大量级降水(暴雨)的预报,基于ECMWF的降水预报-观测概率匹配动态订正法有着良好的订正技巧．TS评分平均值修正后出现负技巧(25 mm量级的降水预报居多)的原因可能是:试验前期100 d带入概率匹配的样本数太少,影响了订正结果的准确性,如果样本数太多,则会削弱对最近模式误差的订正效果．ECWMF对本次试验降水落区预报不准,也能导致预报TS评分微弱提升甚至降低．

图4 2017年6月24日(试验第6天)12～24 h预报时效各量级降水的降水订正值(mm)

图5 江西省所有站点平均TS修正前后变化情况(72 h内所有预报时效平均)(d1—d9分别代表试验第1天即2017年6月19日至试验第9天即2017年6月27日)

图6 6个预报时次江西省所有站点平均命中率(PoD)修正前后变化情况(d1—d9分别代表试验第1天即2017年6月19日至试验第9天即2017年6月27日)

图7 6个预报时次江西省所有站点平均空报率(FAR)修正前后变化情况(d1—d9分别代表试验第1天即2017年6月19日至试验第9天即2017年6月27日)

图8 6个预报时次江西省所有站点平均漏报率(PO)修正前后变化情况(d1—d9分别代表试验第1天即2017年6月19日至试验第9天即2017年6月27日)

图9 试验期间(共9 d)修正后平均TS增幅

3 结论与讨论

为提高数值预报降水预报的准确率,本文利用欧洲中心高分辨率数值预报(ECMWF)每日2次的12 h间隔降水格点预报资料和江西省国家级气象观测站实况降水量进行概率匹配,选取Gamma累积概率分布函数用于拟合预报与观测的降水累积概率,并在业务中根据近期(100 d)模式预报调整及误差不断更新各量级降水修正值,通过在2017年6月底江西省一次降水集中期的应用试验,得到以下结论:

1)江西省2017年6月降水集中期ECMWF的24 h内12 h间隔的 10 mm及以下量级的降水预报普遍偏大,25 mm及以上量级的降水预报普遍偏小;从江西区域分布来看，九江市沿江地区和景德镇的各量级降水预报较为接近实况，预报效果较好．

2) 基于ECMWF的降水预报-观测概率匹配动态订正法在实践中应权衡利弊使用:本降水预报订正法能提高小雨和暴雨的TS评分、降低暴雨的漏报率且提升其命中率,但对大雨及部分中雨的订正效果不佳．对于防灾减灾而言,暴雨的漏报会直接威胁群众生命财产安全,降低暴雨的漏报率并提升其命中率十分重要,就此而言,本次降水预报订正试验获得了较好的效果．

本文为数值预报产品的解释应用提供了一种方法,可以动态订正模式降水预报(尤其是致灾性暴雨).但是,应用试验中大雨及部分中雨的预报的订正效果不佳,可能原因是:本文选择预报时前100 d每天2次的预报与实况降水数据进行概率匹配,如果带入概率匹配相应降水量级的数据样本数太少,会使得本次试验不能很好拟合Gamma概率分布函数,影响订正结果的准确性,如果样本数太多,则会削弱对最近模式误差的订正效果．ECWMF对本次试验降水落区预报不准,也能导致预报TS评分微弱提升甚至降低．另外,本文采用的是Gamma分布函数来拟合预报与观测的降水累积概率,在以后的工作中,亦可尝试采用其他分布函数(如GEV、GNO、GLO、Kappa等)来拟合,并比较其优劣．