2019年汛期大渡河流域面雨量多模式预报效果检验

宋雯雯，郭 洁，淡 嘉，徐 诚，龙柯吉

(1.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072；2.四川省气象服务中心，四川 成都 610072；3.四川省气象台，四川 成都 610072)

引 言

大渡河为岷江最大支流，位于青藏高原东南边缘向四川盆地西部的过渡地带。大渡河流域内高山耸峙，河流深切，沟谷深邃，地表起伏巨大，相对高差悬殊，整个地势由西北向东南逐渐降低。大渡河干流河道全长1062 km，流域面积77 400 km2，由北向南流至雅安市石棉折向东。大渡河径流主要由降雨形成，流域内水量丰沛，径流年际变化较小。其独特的自然地理条件，决定了其水能资源丰富、质量优，开发条件优越，大渡河水电基地在国家规划的十三大水电基地中排名第五位。在水文气象服务中，面雨量作为洪水与水库调度中非常重要的参数，是各级政府组织防汛抗洪和水库调度等决策的重要依据，也是气象部门服务领域拓展的方向之一[1-3]。在面雨量预报中，由于不同数值模式的初始场、初始扰动生成、参数化方案、模式框架等不同，其预报效果也具有明显的时空差异[4-5]，因此需要利用合理的方法对不同模式在流域面雨量预报中的适用性进行分析。目前，很多研究对各数值模式的面雨量预报效果开展了评估[6-15]。研究表明，欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)在淮河流域的预报效果整体上优于其他模式，尤其是在小雨到大雨等级优势明显[16]；WRF(weather research and forecast model)模式在乌江流域的晴雨预报中具有一定的可靠性[17]；ECMWF对浙江省6个水库流域客观面雨量的预报效果优于其他模式[18]，智能网格预报在西江流域汛期面雨量预报中的TS评分随着面雨量等级增大呈现下降趋势，72 h预报时效内，预报效果较为稳定[19]；ECMWF和日本气象厅(Japanese Meteorological Agency, JMA)对湖南水库流域面雨量的预报效果相对较好且稳定，而T639最差[20]。

目前还没有专门针对大渡河流域面雨量预报准确性的评估。本文基于站点观测资料、格点实况资料、智能网格预报、西南区域数值预报、ECMWF模式降水预报产品，以面雨量为研究对象，采用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等，对2019年6—10月以及2020年6—7月大渡河流域面雨量预报效果进行评估检验。

1 资料与方法

1.1 资 料

根据大渡河流域气候和水文特征，将大渡河流域分为上游(泸定以上)、中游(泸定至铜街子)和下游(铜街子以下)(图1)。图1中行政边界基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)1609的地图绘制，底图无修改。

图1 大渡河流域示意图

站点观测资料来自2019年6—10月及2020年6—7月大渡河流域内15个国家基本气象站及367个区域自动气象站逐日(08:00—08:00，北京时，下同)降雨资料。格点实况资料为中国气象局陆面数据同化系统(CLDAS-V2.0)2019年6—10月及2020年6—7月的逐日降水量，该产品融合了2400余个国家级自动气象站及近4万个区域自动气象站实测降水数据、多种卫星降水资料等，其空间分辨率为5 km×5 km。

数值模式资料为对应时段的智能网格、西南区域中心业务运行的中尺度模式系统(southwest center WRF ADAS real-time modeling system, SWCWARMS)以及ECMWF每日08:00起报的24 h降水量预报产品。SWCWARMS模式基于WRF和ARPS(advanced regional prediction system)建立，使用GFS(global forecast system)预报场作为模式初猜场和边界条件，模式分辨率为9 km，垂直层次为51层，模式中心位于100°E、32°N，格点数为629×399，该系统每日定时启动预报，提供72 h时效的多要素预报结果。ECMWF模式基于欧洲细网格预报资料，其分辨率为0.125°×0.125°。智能网格预报集合各种数值预报和预报技术，形成全国统一数据源的格点预报数据，即“一张网”网格预报业务，其空间分辨率达 5 km×5 km，可发布未来10 d逐3 h的天气预报。

1.2 面雨量计算方法

面雨量是指某一特定区域或流域的平均降水量，最常用的计算方法有网格插值法、格点法、等雨量线法、算术平均法、泰森多边形法等，若站点密度较低且分布不均时，泰森多边形方法计算简单，且效果优于其他方法。

大渡河流域气象台站稀疏，在利用站点观测资料计算流域实况面雨量时采用泰森多边形法。流域面雨量为流域内各格点同期雨量相加后除以总格点数。

1.3 面雨量预报检验方法

参考我国江河面雨量等级划分标准[21]，将24 h面雨量划分为小雨(0.1～5.9 mm)、中雨(6.0～14.9 mm)、 大雨(15.0～29.9 mm)和暴雨(≥30.0 mm)4个等级。采用平均绝对误差、模糊评分、正确率、TS评分等统计评价指标，对大渡河流域面雨量预报产品进行检验。

(1)平均绝对误差

指预报值和实况值的平均绝对误差Ea，其计算公式如下：

(1)

式中:n为有雨且预报正确的天数；Rf和Ro分别为有雨且预报正确时的面雨量预报值和实况值。本文仅统计实况有雨且预报也有雨时的误差。

(2)正确率

检验“有”、“无”面雨量的预报正确率，其计算式如下：

(2)

式中:NA、NB和NC分别为降水预报正确、空报和漏报的流域子单元数；ND为无降水预报正确的流域子单元数。此项评分不考虑降水量级，只要预报和实况均有降水或均无降水即视为正确。

(3)模糊评分法

按照中国气象局在《全国七大江河流域面雨量监测和预报业务规定》中提供的模糊评分检验方法进行检验。第i个预报子流域(i取1,2,3分别表示大渡河流域上游、中游和下游)第j级降雨预报的模糊评分如下：

(3)

式中:第一项为预报基础分，规定为60分；第二项为强度(等级)预报的加权分，|Fi-Oi|为等级误差，Fi为预报等级，Oi为实况等级；MAX(i,j)为最大等级误差。当预报等级和实况等级一致时(即等级误差为0)，该等级预报评分为100。根据误差大小计算的模糊评分，能够很好地表征预报贴近实况的程度，从而较好地检验流域面雨量预报水平。第i个预报子流域模糊评分计算如下：

(4)

式中：N为降水等级数。

(4)TS评分、空报率和漏报率

根据2005年中国气象局《中短期天气预报质量检验办法(试行)》中的方法对面雨量预报效果进行检验。各指标计算公式如下：

(5)

(6)

(7)

式中：NAK为K等级面雨量预报正确的天数，即观测与预报均出现K等级面雨量；NBK为K等级面雨量空报天数，即观测无K等级面雨量而预报有；NCK为K等级面雨量漏报天数，即观测有K等级面雨量而预报无。

2 面雨量检验评估

2.1 站点与格点实况面雨量对比

图2为2019年6—10月大渡河流域上游、中游和下游站点和格点实况面雨量。可以看出，流域内两种实况面雨量基本一致。整个流域格点与实况面雨量的相关系数均大于0.7，下游达0.9，且均通过α=0.05的显著性检验。格点与站点实况面雨量差值的绝对值最大为3.14 mm，下游仅为2.06 mm(表1)，说明格点实况雨量资料具有较高的参考性。由于模式资料都为格点资料，为了滤除面雨量计算方法对检验结果的影响，下文均以格点实况面雨量作为实况资料，对大渡河流域面雨量模式预报进行检验。

图2 2019年6—10月大渡河流域上游(a)、中游(b)和下游(c)站点和格点实况面雨量

表1 大渡河流域格点与站点实况面雨量相关系数及两者差值的绝对值

2.2 平均绝对误差检验

各模式预报有雨且实况也有雨时的样本数为120～130。图3为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报平均绝对误差。可以看出，整个流域SWCWARMS的预报平均绝对误差最大，上游和中游智能网格和ECMWF的预报平均绝对误差相当，下游智能网格预报平均绝对误差略大于ECMWF。从平均绝对误差检验结果看，智能网格和ECMWF在大渡河流域面雨量预报中具有一定的参考性。

图3 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报平均绝对误差

2.3 预报正确率检验

图4为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报正确率。可以看出，流域上游智能网格面雨量预报正确率最高，接近91%，ECMWF次之(90%)，SWCWARMS最低，仅为88%；流域中游也是智能网格面雨量预报正确率最高，超过93%，SWCWARMS和ECMWF相当(91.5%)；流域下游智能网格面雨量预报正确率达91%，SWCWARMS和ECMWF为89%。

图4 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报正确率

2.4 模糊评分检验

图5为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量模糊评分。可以看出，上游智能网格面雨量模糊评分最高(83分)，其次为ECMWF(78分)，SWCWARMS为76分；中游智能网格、SWCWARMS及ECMWF面雨量模糊评分分别为90分、84分和85分；下游智能网格面雨量模糊评分达86分，SWCWARMS次之(85分)，ECMWF为84分。综上所述，智能网格预报面雨量在整个流域最具有参考意义，除此之外，中上游ECMWF预报产品具有较好的参考性，下游SWCWARMS预报产品具有较好的参考性。

图5 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量模糊评分

2.5 TS评分、空报率和漏报率检验

为更深入分析智能网格、SWCWARMS和ECMWF对大渡河流域面雨量的预报效果，引入TS评分、空报率和漏报率，分别对小雨、中雨、大雨、暴雨4个等级面雨量进行预报效果检验。

图6为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF不同等级面雨量TS评分。可以看出，在小雨等级面雨量预报中，上游TS评分为50%～80%，其中ECMWF的TS评分略高于智能网格；中游TS评分为30%～60%，其中智能网格的TS评分最高，其次是ECMWF；下游TS评分为25%～60%，其中ECMWF的评分最高。整个流域小雨等级面雨量预报中，智能网格和ECMWF的TS评分均高于SWCWARMS。

图6 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF的不同等级面雨量TS评分

在中雨等级面雨量预报中，智能网格和ECMWF在上游的TS评分为72%，SWCWARMS的TS评分(27%)比小雨等级面雨量TS评分值偏低30%左右；中游ECMWF的TS评分最高(75%)，其次为智能网格(55%)，SWCWARMS为25%；下游TS评分为30%～50%，其中ECMWF略高于智能网格，SWCWARMS评分最低。

在大雨等级面雨量预报中，上游智能网格TS评分为30%左右，比中雨等级面雨量TS评分偏低40%，SWCWARMS的TS评分在45%左右，比中雨等级面雨量TS评分偏高15%，而ECMWF的TS评分接近0，远远低于中雨和小雨等级面雨量的TS评分；在中游，各模式TS评分为20～40%，其中与中雨等级面雨量TS评分相比，ECMWF的TS评分偏低45%左右；在下游，智能网格TS评分在40%左右，与中雨等级面雨量TS评分相差不大，ECMWF的TS评分在25%左右，比中雨等级面雨量TS评分偏低20%，SWCWARMS的TS评分接近0，说明SWCWARMS对下游大雨等级面雨量的预报能力较差。

由于大渡河上游和中游没有暴雨等级的面雨量出现，因此仅对大渡河下游进行暴雨等级面雨量预报检验。在暴雨等级面雨量预报中，智能网格在下游的TS评分为60%，SWCWARMS和ECMWF均为40%。可见，智能网格对流域暴雨等级面雨量预报效果较好。

图7为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF不同等级面雨量的空报率和漏报率。可以看出，小雨等级面雨量预报中，在上游，3个模式的空报率为25%～40%，中游和下游3个模式的空报率比上游偏高，其中中游的空报率为35%～70%，下游为40%～70%，3个模式相比，SWCWARMS空报率最高。在上游和下游，3个模式的漏报率均小于10%，其中下游ECMWF的漏报率为0，在中游3个模式的漏报率均为0。3个模式的空报率均高于漏报率。

图7 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF不同等级面雨量空报率和漏报率

在中雨等级的面雨量预报中，智能网格和ECMWF在上、中、下游的空报率差异较大，上游空报率小于6%，中游为15%～30%，下游在45%左右，比小雨等级面雨量空报率偏低；SWCWARMS的空报率为60%～70%，和小雨等级面雨量空报率相差不大；中雨等级的面雨量漏报率较小雨等级面雨量上升较快，其中智能网格漏报率为18%～30%，SWCWARMS 为28%～55%，ECMWF为6%～30%，整体比小雨等级面雨量漏报率偏高20%～40%。总体来看，中雨等级面雨量预报中，智能网格和ECMWF在上游的空报率低于漏报率，在中下游空报率高于漏报率，SWCWARMS在整个流域空报率均高于漏报率。

在大雨等级的面雨量预报中，3个模式在上游的空报率均为0，在中下游，智能网格的空报率为20%～40%，SWCWARMS为60%～100%，ECMWF为30%～60%；大雨等级的面雨量漏报率较中雨也上升较快，其中智能网格的漏报率为40%～70%，SWCWARMS为40%～100%，ECMWF为50%～100%。综上所述，在大雨等级面雨量预报中，中上游的空报率小于漏报率，下游空报率和漏报率相当。

在暴雨等级面雨量预报中(图略)，3个模式的空报率都为0，智能网格漏报率为40%，SWCWARMS和ECMWF的漏报率均为60%。

可见，随着面雨量等级的增大，模式的预报能力逐渐降低。

2.6 预报偏差检验

图8为2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报偏小和偏大次数与总预报次数的百分比。可以看出，3个模式上游面雨量预报偏大次数远小于偏小次数，而中下游面雨量预报偏大次数又明显大于偏小次数。因此，综合各模式的预报偏差分析，在考虑流域面雨量的预报量级时，上游面雨量可以相信预报量级最大的模式，中下游可以考虑预报量级较小的模式。

图8 2019年6—10月大渡河流域智能网格、SWCWARMS和ECMWF面雨量预报偏小和偏大次数与总预报次数的百分比

2.7 典型降水过程面雨量预报检验

为比较3个模式对不同降水强度过程的预报能力，选取2020年7月1日小雨过程、 7月10日中雨过程和 6月27日大雨过程，分析各模式产品的正确子单元数、空报子单元数和漏报子单元数(表2)。对小雨和中雨过程，3个模式的空报子单元数大于漏报子单元数，说明预报的等级偏大；对大雨过程，智能网格和ECMWF的空报子单元数小于漏报子单元数，说明预报的等级偏小，而SWCWARMS的空报子单元数大于漏报子单元数，说明预报的等级偏大。综上所述，SWCWARMS对面雨量的预报等级均偏大，而智能网格和ECMWF对小雨和中雨的预报等级偏大，对大雨预报等级偏小。

表2 大渡河流域2020年3次降雨过程3个模式的面雨量预报检验

3 结 论

(1)预报平均绝对误差、正确率、模糊评分检验显示，智能网格的预报效果总体上优于其他模式。

(2)随着降水等级(小雨、中雨、大雨、暴雨)的增大，TS评分逐渐降低，空报率逐渐减小，漏报率逐渐增大，模式的预报能力逐渐降低。ECMWF在小雨和中雨等级面雨量预报中优势明显，智能网格在大雨和暴雨等级面雨量预报中表现较优。对比各等级面雨量的空报率和漏报率可知，3个模式在小雨和中雨等级面雨量预报中预报的等级偏大，在大雨和暴雨等级面雨量预报中预报的等级偏小。

(3)各模式对典型降水过程面雨量预报结果表明，SWCWARMS对面雨量的预报等级均偏大，而智能网格和ECMWF对小雨和中雨的预报等级偏大，对大雨预报等级偏小。