基于集合预报的川渝地区极端降水指数应用研究

吴志鹏 陈静 汪娇阳 何军 陈鹏 张虹 李晶

（1 重庆市气象台，重庆 401147；2 中国气象局数值预报中心，北京 100081；3 中国人民解放军96164部队58分队，金华 321021）

0 引言

极端天气事件是对人类社会与环境有重大影响，并可能造成严重灾害与重大经济损失的灾害性天气事件。极端天气事件的定义大致可以分为三类：1）事件有相对较大的强度；2）事件的发生频率相对较低；3）事件导致了严重的社会经济损失，近年也将这类事件称为高影响天气。在政府间气候变化专门委员会（IPCC）第3次和第4次报告中，极端天气事件被定义为：在某一特定时间地点，其发生概率极小，通常只占该类天气现象的10%或者更低。

大气是一个混沌的系统，天气预报的不确定性是其根本属性，这种属性给这类小概率极端事件的预报带来了极大困难。对同一有效预报时间的一组不同的预报结果构成了集合预报（Ensemble Prediction System，EPS），这组预报之间的差异可提供有关被预报量的概率分布的信息，集合预报的出现为预报极端降水事件提供了新的方法。21世纪初期，Lalaurette基于欧洲中期天气预报中心（ECMWF）集合预报资料，开发了一种极端天气预报模型——极端天气预报指数（Extreme Forecast Index，EFI），为预报极端天气事件提供了新的方法。其原理是利用集合预报系统产生的气象要素预报与集合预报系统的历史累计概率分布函数，通过计算它们之间的连续概率差异获得预报与气候特征偏离程度，指数的偏离程度在-1～1，以降水要素为例，预示着旱涝极端。

在国内，经过多年的研究应用表明，EFI对极端天气事件已有较好的应用成果。夏凡等和刘琳等运用该方法，基于中国气象局（CMA）T213集合预报资料分别建立了极端温度和极端降水天气预报指数（EPFI），对极端低温天气具有较好的识别能力，可提前3～5 d发出极端低温预警信号。研究表明，产生模式气候累计概率分布的数据序列并不是越长越好，模式数据预报误差的一致性是关键；而极端降水天气预报指数可提前3～7 d发出极端强降水预警信号，并且发现在利用集合预报计算极端降水天气预报指数的数学模型中，气候累计概率分布直接影响极端强降水事件的识别能力。模式气候累计概率分布要尽可能全面反映模式预报气候统计状况，如 Evrin基于ECMWF 的 ERA-40 再分析资料重新生成模式气候累计概率分布，提高了 EFI的预报技巧。汪娇阳等同样基于T213集合预报资料，尝试通过扩展汛期降水的时间序列和空间范围，制作了3套模式气候累计概率分布的方案，分析了不同方案对EPFI预警结果的敏感性，结果显示，在目标预报区域内扩展后的时空序列后的气候累计概率分布方案有利于提高EPFI的极端天气预警技巧，能提前8天发出长江上游地区的极端强降水预警。

川渝盆地（即四川盆地）地处青藏高原东侧，夏季受到多重季风影响和复杂地形作用，中小尺度系统非常活跃，极端强降水等灾害天气频发、突发，影响广泛。但是，对于引发灾害的高原涡、西南涡等天气系统的发生发展机理至今仍不是很清楚，其降水预报与极端性预测难度很大，更是数值天气预报最薄弱的地区。本研究在已有对EFI的研究基础上，采用T213集合预报资料，针对预报难度较大的川渝盆地地区，利用川渝盆地内的空间格点与重庆区域内的格点提取主汛期6—8月的气候序列做对比，并使用模式数据预报误差一致性较好的5年气候序列（2007—2012年，期间并无同化系统升级），提取气候累计概率分布，针对3次川渝地区预报决策偏差较大的极端降水个例展开EPFI预警试验，考察极端降水天气指数在可预报性较差、预报服务难度较高的极端降水过程中的表现。

1 资料与方法

1.1 资料说明

降水预报历史资料使用CMA T213集合预报，水平分辨率 0.5625°，初值时间为00 UTC，预报时效为24～192 h，实况降水资料采用国家气象信息中心研发的CMA三源（地面—卫星—雷达）降水融合分析产品，中国区域的格点分辨率为0.05°×0.05°。图1区域为EPFI的研究与预警区域，范围：27.5°—32.5°N、103°—110.5°E，该区域内总共包含150个网点，其中重庆区域32个。网格区域包含四川盆地的中东部、贵州北部、湖南和湖北西部，长江自西向东贯穿其中，其西部地形主要为平原，东部为多山脉与丘陵地带，该区域内气候特征总体差异不大，但极端降水往往受山脉阻挡、水系分布状态的影响，其产生机理有较大地区差异，例如西南急流在山脉迎风坡被迫抬升从而产生列车效应带来的降水极值往往发生在贵州北部的云贵高原与重庆南部，同时该区域也是我国数值预报准确率最低难度最大的区域之一。

图1 川渝地区的预报网格研究区域示意Fig.1 Sichuan-Chongqing region forecast gird

1.2 极端强降水的定义

参照翟盘茂等对极端强降水事件定义的百分位法，将所选研究区域内格点的观测日降水量按照升序排列，定义第99个百分位上的降水量的10年平均作为该格点的极端强降水阈值。当某日降水量超过该格点的极端强降水阈值时，称该格点在该日有极端强降水发生，反之则无。

1.3 极端降水预报指数的数学模型

利用集合预报进行极端强降水预报的原理是：根据模式历史气候与集合预报各成员降水预报累计概率分布函数，计算它们两者之间的连续性差异，从而获取极端强降水是否发生的预警信息。

Lalaurette基于Anderson-Darling检验原理，建立了这个数学模型，定义了极端降水天气预报指数（EPFI）：

由图2可见，降水量为

P

时，对应模式气候累计概率为

CDF1

，集合预报累计概率为

CDF2

，二者之差（

CDF1

-

CDF2

）大于0，表明降水量级大于

P

的集合预报概率大于模式历史情况，而集合预报与模式历史气候累计概率曲线之间的面积值（等同预报降水量区间内二者差异的连续积分值）大于0，则表明此次集合预报降水较模式历史气候偏强。如集合预报降水累计概率越趋于分布在尾端部分（即强降水端），则集合预报与模式历史气候累计概率分布曲线之间面积越大。

图2 极端降水天气预报指数原理示意图（实线与虚线分别为集合预报累计概率与模式气候累计概率）Fig.2 Schematic diagram of EPFI (the solid line and the dashed line are the cumulative probability of the ensemble forecast and the cumulative probability of the model climate)

以上分析表明：集合预报各成员预报结果与模式气候累计概率分布函数连续差异的大小可以用来量化降水的极端性特征，当二者连续差异为正，表明降水偏多，偏湿；当二者连续差异为负，则表明降水偏少，偏旱。两者差异正值越大，即两者分布曲线间面积越大，降水量级越大，达到一定程度的就预示着极端强降水可能发生。

1.4 模式气候累计概率分布选取方案

模式气候累计概率计算采用T213集合预报5年主汛期（2007—2012年）6—8月的降水统计，在研究区域内（图1）采集川渝地区含150格点的数据作为川渝地区气候序列样本，重庆区域为32个格点，产生该区域 24、48、72、96、120、144、168、192 、216个预报时效（24～216 h）的模式气候序列，获得川渝地区与重庆的模式气候序列。进而产生2种模式气候累计概率分布方案，即：第一个方案提取川渝地区内所有格点的T213集合预报，分别对9个预报时效形成气候序列 （每个序列长度为：5 a×92 d/a×15个集合预报成员×150个川渝区域格点=1035000），重庆区域则采集32个格点气候序列长度为220800。

1.5 三次典型极端降水过程选取

以川渝地区2012—2013年3次预报误差较大的极端降水事件为例，比较建立在川渝地区气候序列上的EPFI识别极端强降水的效果，以EPFI大于0.5为报警阈值，试验暴雨过程开始前EPFI对强降水落区的预警效果。表1给出了三次强降水过程主要所受的高低空天气系统配置，其中“6.30”暴雨过程的极端降水是2013年川渝地区降水强度最强的区域暴雨，系高原涡与西南涡的耦合下产生，重庆市潼南区玉溪站累计雨量达408.5 mm，造成当地严重灾情。然而各家数值预报（如欧洲中心、日本、德国和美国环境预报中心，以及四川省气象台、重庆市气象台）对外发布的公众气象预报都对此次极端降水的落区与强度的预报都明显偏西偏弱。

表1 三次过程的主要影响天气系统配置Table 1 The weather system configuration of the three heavy rainfall process

2 试验结果

2.1 两种方案模式气候累计概率分布对比分析

为了比较川渝地区与重庆区域的气候累计概率分布方案的差异，对比两个地区所有格点的9个预报时效（24～216 h）的模式气候序列。

在9个预报时效的模式气候中，川渝地区的气候序列方案对比重庆地区的大量级降水频率有所增加，特别是在中雨到暴雨量级的降水累计概率。随着预报时效延长，两个方案累计概率曲线逐渐趋于Y轴，这说明暴雨量级频率增加的同时，小雨量级的频率也逐渐增加。与 T213集合预报模式本身降水预报的特征吻合，这说明模式气候的生成不仅与模式本身有关，还与区域局地气候以及选取的资料时段有关。6—8月川渝地区受副热带高压、西风带低槽、西南低涡等天气系统的共同作用，造成降雨量级较大。对比选取重庆区域的气候序列方案，川渝地区通过空间的扩展，使得暴雨量级和中、小雨量级频率增加更大，其降水量分布更加符合长江中下游地区的气候特征。

2.2 三次典型川渝暴雨过程的极端降水指数预警

所选三次暴雨过程天气系统的配置有较大差异（表1），但都令预报员“记忆犹新”，体现在其降水极端性与数值预报的偏差较大，气象台发布的主观订正预报也不同程度的低估了极端降水带来的危害风险，像这类特征的强降水过程较少见，但往往给预报决策服务带来较大难度。

（1）2012年“7.21”暴雨过程

2012年7月21日傍晚至22日夜间，四川东南部与重庆西部出现区域性暴雨天气，中国气象局下发的3日、7日趋势预报与重庆2012年7月21—23日的暴雨天气过程的实况相比，主降水区域接近，但是对降水量的预报值偏小，偏西偏北区域预报值以中到大雨为主，对大暴雨甚至特大暴雨的考虑不足；从T639、日本模式、德国模式21日08时起报的降水预报上看，此次过程三家数值预报给出的量级都明显偏小，没有考虑到暴雨甚至大暴雨区域，并且降水大值区位置有所偏差。

图3 是实况降水与EPFI以24 h为间隔，提前120 h的预警图，可以看到四川宜宾地区在降水发生前120 h已有EPFI预警，其预警指数达0.8以上，重庆西部也达到0.5以上，但总体预警雨带偏西，随着预报时效的临近，EPFI的预警区域逐渐出现西南—东北走向的特征，这可能是因为模式对高空槽与低涡移动的预报更准确所致，到21日20时（北京时，下同）EPFI预警大值区已能很好的接近实况。

（2）2012年“7.03”暴雨过程

“7.03”暴雨过程的低层影响天气系统是较强的切变线，主要影响区域为四川东北部与重庆北部，由图4可以看到EPFI提前72 h便能预警出暴雨产生的雨带大致落区，但有一空报大值中心（图4d），48 h的预警更为贴近实况暴雨雨带，但存在漏报区域，24 h的预警则更加接近实况，但四川南充至达州的预警较实况偏弱。

图3 川渝地区2012年“7.21”暴雨过程24 h实况（a），以及EPFI提前24 h（b）、48 h（c）、72 h（d）、96 h（e）和120 h （f）预警指数Fig.3 24 h observation (a), and EPFI early warning for 24 h (b), 48 h (c), 72 h (d), 96 h (e), 120 h (f) forecast periods of“7.21” heavy rainfall in 2012

图4 川渝地区2012年“7.03”暴雨过程24 h实况（a），以及EPFI提前24 h（b）、48 h（c）和72 h（d）预警指数Fig.4 24 h observation (a), and EPFI early warning for 24 h (b), 48 h (c), 72 h (d) forecast periods of “7.03” heavy rainfall in 2012

（3）2013年“6.30”暴雨过程

EPFI在48 h对“6.30”暴雨过程的预警和各家数值预报模式一样存在明显偏西偏北的特征（图5），值得指出的是，这一川渝交界处的极端降水，无论是各家数值预报还是主观预报产品都出现对重庆西部地区的漏报，强降水从6月29日夜间从重庆西北部入境，并带来较为严重的灾情。

从EPFI 提前24 h的预警区域可以看到虽然预警中心还是存在偏北的特征（图5b），但0.5以上的预警区域已经预警到重庆潼南与合川区，已经能给预报决策提供极端降水将从西北部进入重庆的预警信息，这种警示信息将从一定程度上弥补所有客观预报都出现的漏报，也是唯一一个入境四川遂宁与重庆潼南的客观预报产品，同时还在四川宜宾南部有一0.5预警区域，虽然有所偏南，但确是控制预报中不存在的信息（图5c）。

图5 川渝地区2013年“6.30”暴雨过程24 h实况（a），以及EPFI提前24 h（b）和48 h（c）预警指数Fig. 5 24 h observation (a), and EPFI early warning for 24 h (b), 48 h (c) forecast periods of “6.30” heavy rainfall in 2013

图6 是三次暴雨天气过程T213控制预报的24 h降水预报，对比三次过程的EPFI 24 h预警信息，可以看到“7.21”过程的控制预报报出了四川东南部的强降水中心，是三次过程中预报效果最好的控制预报，然而对泸州、宜宾两地的强降水漏报，EPFI则对上述两地有较好的预警，尽管对四川东部的广安、南充与巴中预警偏强偏大，EPFI相对数值模式的控制预报。“7.03”暴雨过程里，控制预报对切变线降水的落区形态预报不明显，只在重庆北部预报出暴雨落区，而EPFI通过其他集合预报成员概率特征与模式历史预报的对比能给予订正，提前72 h给出较为明显的切变线强降水预警。同样，T213控制预报同其他数值模式一样，对“6.30”暴雨过程的24 h预报也明显偏西偏北，仅四川东北部预报出较小范围的暴雨产生，而EPFI对强降水落区的预警经过川渝地区累计概率分布的尾端信息订正，给出了更加接近实况的极端降水落区预警，对强降水预警落区以及降水的极端性决策发布有较好的补充与参考意义。

图6 川渝地区“7.21”（a）、“7.03”（b）和“6.30”（c）三次暴雨过程T213原始控制预报24小时降水Fig.6 24 h control forecast of “7.21” (a), “7.03” (b) and “6.30” (c) heavy rainfall process

3 结论与讨论

1） 对于极端强降水形成机理复杂的川渝地区，特别是在以城市或区县极端降水作为预警目标的情况下，极端降水指数（EPFI）能提前1～5 d对强降水的落区发出警示信息，预报时效越临近，预警效果越好。

2） 模式气候累计概率分布函数的样本提取，增加了大量级降水的历史统计频率，EPFI对盆地内的强降水预警结果会更加全面、更加接近极端降水观测。

3） 同样的集合预报系统，EPFI对强降水的预警能力高于控制预报，能针对控制预报偏西偏北的误差做出较合理的预警修订。

本文也存在一些不足，时隔数年，这3个令预报员“记忆犹新”的预报偏差型强降水过程分别发生在2012和2013年，可选的成熟集合预报资料只有ECMWF和T213。本文从2007年开始提取气候样本至2012年，以保证模式数据预报误差的一致性。尽管如此，如模式气候序列更长，效果更佳。另外由于资料的限制，与所选个例的极端性与偏差性，文中没有详细计算常规的检验评分来量化反映预报效果，取而代之以EPFI的直观预警效果代替，其着眼点是凸显使用极端降水指数预警后对这类极端过程预报失误的弥补效果，这也是本文的初衷。