全国降水天气现象平行观测对比分析

2022-02-11任芝花曹宁

干旱区研究 2022年1期

马宁，任芝花，王妍，刘娜，曹宁

（1.中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室，宁夏银川 750002；2.宁夏气象防灾减灾重点实验室，宁夏银川 750002；3.宁夏气象信息中心，宁夏银川 750002；4.国家气象信息中心，北京 100081）

降水天气现象（简称降水现象）与人类生活关系密切，影响我国的16 种气象灾害中，有4 种与降水现象有关［1-5］。我国气象站降水量在2005 年底实现了使用自动气象站进行自动观测，国内很多学者开展了地面自动观测与人工观测数据的差异研究［6-10］，结果表明，自动观测比人工观测的日降雨量平均偏高0.12 mm，标准差为0.7 mm，相对偏高1.42%，观测仪器不同会导致系统偏差。但长期以来我国气象站降水现象一直采用人工目测的方式进行观测［11］。随着我国气象事业的发展，人工目测方式主观性强、观测频率低，已无法满足气象服务的需求，迫切需要实现降水现象及时、准确、连续的自动化观测。解决降水现象自动化观测的问题，降水现象的判识方法和利用仪器进行自动化观测是必然途径。

近年来国内学者在降水现象判识方面做了相关研究［12-16］，基于雨滴谱光学测量技术的降水现象自动观测研究较多［12-14］，光学原理测量降水不仅能够检测降水类型，如区分雨、雪、冰雹和混合降水，还可获取较多降水粒子信息。国际上常见的降水现象自动观测仪器（简称降水现象仪）主要有芬兰Vaisala 公司的PWD12、PWD22 系列降水现象传感器和FD12P 天气传感器、英国Biral VPF-730 和PWS100 降水现象传感器、德国OTT Parsivel 雨滴谱仪、美国OSI公司Owi-430降水现象传感器［17］，国内生产的降水现象仪主要有DSG1、DSG3、DSG4、DSG5、CJY-2C等型号。

中国气象局曾开展多次降水现象仪的对比试验工作。2009 年8—9 月中国气象局在北京国家基本气象站布设了美国OSI公司的OWI-430、英国Biral 公司的VPF-730 和美国Campbell 公司的PWS-100 和我国凯迈（洛阳）测控公司研发的CJY-2C/T降水现象仪，进行为期2 个月的自动和人工降水现象对比观测，发现自动化设备记录与人工记录差异明显，且某些设备有较多漏报和错报现象［17-18］。2011-12—2012-06 中国气象局分别在北京国家基本气象站、庐山国家基准气候站对HY-MPW11 型天气现象仪、DZT1 型天气现象仪和TQXX-1 型天气现象仪进行对比观测试验，结果表明各仪器观测降水现象的数据准确性均大于90%，能够满足业务需求［19］。2014 年7 月，中国气象局组织6 个厂家共18台降水现象仪，分别在北京国家基本气象站和长沙国家基本气象站进行了3 个月的对比观测试验，结果表明参试设备对冰雹观测结果较为理想，对毛毛雨和未知现象的观测仍需改进［12］。以上观测实验表明，基于光学原理的降水现象仪在一定程度上能够满足气象业务需求，但对个别降水现象的观测仍需改进。

随着全国地面气象观测自动化改革的推进，2017 年8 月开始，除了上海市所属气象站早期已布设并开展降水现象自动观测外，中国气象局开始在全国其他30 个省（区、市）2363 个气象站逐步布设雨滴谱式降水现象仪，同年底均完成仪器安装。为了解自动与人工两种观测方式获取的资料差异，上述各气象站需要进行至少为期2 a 的平行对比观测［11］。按平行观测相关规定［20］，本次平行观测第一年，自动观测结果仅记录，不允许对异常数据进行处理；平行观测一年后，自动观测降水现象数据若出现错误、漏报等异常情况，需对其尽可能进行质控、修正。从客观评价角度出发，本文以2363 个气象站平行观测第一年的数据为基础，分别从数据完整性和准确性等方面对自动观测与人工观测降水现象结果进行对比分析，以便为降水现象自动观测数据的应用提供基础支撑。

1 数据来源与方法

1.1 数据来源

2363个气象站降水现象仪分别来自5个厂家的5种型号，包括DSG1、DSG3、DSG4、DSG5和CJY-2C型，其在全国的安装分布如图1 所示。其中，DSG1占比为29.8%，DSG3 占比为9.5%，DSG4 占比为23.7%，DSG5占比为36.9%，CJY-2C占比为0.1%。

图1 全国降水平行观测站点分布Fig.1 Distribution of parallel observation stations of precipitation in China

本次分析数据来自于全国2363 个气象站自动与人工第一年平行观测对比资料，在处理资料的过程中，对仪器识别的降水现象异常值进行了剔除。仪器识别的降水现象类型为毛毛雨、雨、雪、雨夹雪和冰雹5种，人工观测到的阵雨、阵雪、阵性雨夹雪在评估时分别按雨、雪、雨夹雪处理。以人工观测的天气现象为参考标准，对降水现象仪白天（08:00—20:00）的自动观测数据分别从捕获率、漏报率、错报率和空报率等方面进行统计分析，夜间由于人工观测降水现象无起止时间记录，不参与对比分析。

1.2 数据完整性统计方法

观测数据以日数据为基本单位，对各厂家仪器的数据完整性作缺测率评估，计算缺测率。

式中：s为实际观测日数；S为应观测日数。

1.3 数据准确性计算方法

1.3.1 捕获率指标捕获率根据粒度的粗细分为分钟捕获率、小时捕获率和过程捕获率。人工观测到降水现象发生，同时仪器也观测到该降水现象的分钟数（b）占人工观测到该降水现象分钟数（B）的百分比定义为分钟捕获率；仪器观测到该降水现象发生的小时数（c）占人工观测到该降水现象的小时数（C）的百分比定义为小时捕获率；仪器正确识别该降水现象发生的过程次数（a）占人工观测到该降水现象过程次数（A）的百分比定义为过程捕获率。降水过程定义［8］：间歇小于15 min 降水持续过程。在进行小时捕获率统计时，如果出现冰雹，则该小时降水现象以冰雹现象为准，如果某一小时出现多种其他降水现象，则无论是人工还是自动均以出现分钟数最多的降水现象为准；在进行过程捕获率统计时，以人工观测的降水过程为参考标准，如果某降水过程中仪器识别到了冰雹现象，则以冰雹现象为准，如果仪器识别到其他多种降水现象，则以出现分钟数最多的降水现象为仪器识别的过程降水现象。

1.3.2 非捕获率指标人工观测到有某种降水现象发生，仪器未能识别该种降水现象（无降水现象）的分钟数（d）占人工观测到该降水现象分钟数（B）的百分比定义为漏报率；仪器错误识别该种降水现象的分钟数（e）占人工观测到该降水现象分钟数（B）的百分比定义为错报率；仪器缺测的分钟数（f）占人工观测到该降水现象分钟数（E）的百分比定义为缺报率；人工观测未有降水现象发生，仪器识别有该现象发生的分钟数（f）占无该降水现象分钟数（D）的百分比定义为空报率。

2 结果与分析

2.1 数据完整性分析

将全国30个省（区、市）各气象站应观测日数和实际观测日数求和，计算总缺测率，结果如表1 所示。全国缺测率为6.2%。云南、宁夏、新疆、河北、重庆等地的缺测率较高，都在10%以上，其中新疆最高达到了13.9%，重庆、河北次之，分别为11.8%和11.5%；北京、四川、天津、安徽、山东、山西、广西、福建、贵州、辽宁10省（区、市）的缺测率较低，都在5%以内，其余各省（区、市）的缺测率均在5%～10%之间。各省（区、市）的数据缺测原因主要是对降水现象仪维护不及时和对数据采集处理软件操作不熟练，导致数据未及时生成并上传。

表1 各省（区、市）自动观测降水现象数据缺测情况统计Tab.1 Lack of data of automatic precipitation phenomenon observed in all provinces

2.2 数据准确性分析

2.2.1 降雨现象全国2363 个气象站均出现了降雨现象（图2）。全国降雨分钟捕获率为46.7%，小时捕获率为60.8%，过程捕获率为66.9%，漏报率为34.9%，错报率为13%。各省（区、市）降雨分钟捕获率为25%～73%，贵州最低，天津最高，北京、福建、黑龙江、吉林、内蒙古均在60%以上。各省（区、市）小时捕获率为37.2%～84.3%，贵州最低，天津最高，河南、河北、西藏等11 省（区、市）的小时捕获率均在70%以上。各省（区、市）过程捕获率为47.6%～88.1%，贵州最低，天津最高，辽宁、山西、安徽等15省（区、市）的过程捕获率均在70%以上。各省（区、市）降雨漏报率为13.5%～52.6%，天津最低，贵州最高，甘肃的漏报率也在20%以下。各省（区、市）降雨错报率为2%～26.6%，吉林最低，湖南最高，安徽、北京等14个省（区、市）的错报率都在10%以下。当出现错报时，大部分省（区、市）的雨错报成毛毛雨的比例较高，也有少数省（区、市）将雨错报成雪、雨夹雪或冰雹。浙江、湖南错报成毛毛雨的平均错报率最高，达到20%以上。各省（区、市）雨错报成雪、雨夹雪或冰雹的平均错报率较低，都在1%以内。

图2 各省（区、市）及全国降雨数据准确性各指标百分比Fig.2 Percentage of indicators for accuracy of provincial and national rainfall data

全国各气象站的空报率在0%～12.8%，其中，99.5%的站点空报率小于5%，0.4%的站点空报率介于5%～10%，0.1%的站点空报率大于10%；从各省（区、市）看，西藏的空报率较高，为2%，其余各省（区、市）均在2%以内。

全国降雨的分钟捕获率较低，小时捕获率较分钟捕获率有所提高，过程捕获率最高；各省（区、市）的分钟捕获率也普遍较低，小时捕获率有所提高，过程捕获率最高；全国各省（区、市）中天津、吉林、内蒙古、福建的捕获率最好，贵州、湖南、海南的捕获率最低。各省（区、市）降雨现象捕获率的差异与各省（区、市）的降雨频次及强度有关，同时也与仪器和算法有关，使用DSG4 和DSG5 的省（区、市）对降雨的捕获率较高。出现错报，也是因为仪器会把雨识别为成毛毛雨，也有少数省（区、市）将雨识别成雪、雨夹雪或冰雹。

2.2.2 降雪现象全国有1857 个气象站出现了降雪现象（图3）。全国降雪分钟捕获率为50.3%，小时捕获率为64.5%，过程捕获率为69.2%，漏报率为35.6%，错报率为7.1%。各省（区、市）降雪分钟捕获率为5.3%～75.7%，贵州最低，甘肃最高，内蒙古、宁夏、安徽、江苏、黑龙江均在60%以上。各省（区、市）小时捕获率为10.8%～87.1%，云南最低，内蒙古最高，宁夏、安徽、山东、甘肃、江苏、辽宁、黑龙江的小时捕获率均在70%以上；各省（区、市）过程捕获率为16.7%～89.1%，云南最低，内蒙古最高，天津、宁夏、安徽、山东、江苏、湖北、甘肃、辽宁、黑龙江也均在70%以上。各省（区、市）降雪漏报率为12.9%～76.7%，安徽最低，贵州最高，内蒙古、天津、宁夏、安徽、浙江、甘肃、黑龙江的漏报率均在20%以下。各省（区、市）降雪错报率为2%～29.4%，吉林最低，湖南最高，安徽、北京等14 省（区、市）的错报率都在10%以下。当出现错报时，降雪现象一般会错判为毛毛雨、雨或雨夹雪，少数站点也会错判为冰雹。错判冰雹的情况出现在河北、陕西的部分站点。

图3 各省（区、市）及全国降雪数据准确性各指标百分比计Fig.3 Percentage of indicators of accuracy of provincial and national snowfall data

全国出现降雪各气象站的空报率在0%～48.5%，其中99.6%的站点空报率为5%，0.3%的站点空报率介于5%～10%，0.1%的站点空报率大于10%，内蒙古的镶黄旗气象站空报率异常偏高；从各省（区、市）看，内蒙古、甘肃、黑龙江的空报率较高，在1%以上，其余各省（区、市）均在1%以内。

全国降雪的分钟捕获率较低，小时捕获率较分钟捕获率有所提高，过程捕获率最高；各省（区、市）的分钟捕获率也普遍较低，且差距较大，小时捕获率有所提高，过程捕获率最高；其中，内蒙古、宁夏、甘肃、黑龙江的捕获率最好，云南、四川、贵州的捕获率最低。降雪现象主要出现在北方，南方出现较少，因而捕获率差异较大，同时，吹雪、柳絮、蒲公英等易被错误判识为雪，降雪现象也会被错判为毛毛雨、雨或雨夹雪，少数站点也会错判为冰雹。

2.2.3 雨夹雪现象全国有1483 个气象站出现雨夹雪现象（图4）。全国雨夹雪分钟捕获率为1.7%，小时捕获率为2.5%，过程捕获率为2.7%，漏报率为29.9%，错报率为61.4%。各省（区、市）雨夹雪分钟捕获率为0%～12.3%，云南、北京等11 个省（区、市）的分钟捕获率为0，山西的分钟捕获率最高。各省（区、市）小时捕获率为0%～13%，云南、北京、天津等13个省（区、市）的小时捕获率为0，山西的小时捕获率最高；各省（区、市）过程捕获率为0%～18.2%，云南、北京、天津等14个省（区、市）的过程捕获率为0，山西最高。各省（区、市）雨夹雪漏报率为8.7%～85.4%，安徽最低，贵州最高，浙江、湖北、甘肃、福建的漏报率也在20%以下。各省（区、市）雨夹雪错报率为3%～86.2%，云南最低，安徽最高，除贵州在10%以下外，各省（区、市）雨夹雪错报率普遍较高，23个省（区、市）的错报率都在50%以上。当出现错报时，一般会将雨夹雪现象误判为毛毛雨、雨、雪，有少数站点会误判为冰雹。湖南的雨夹雪误判为毛毛雨的平均错判率较高，达到21.3%，其次是天津、山东、浙江，其他省（区、市）均在10%以下；各省（区、市）将雨夹雪误判为雨的平均错报率较高，除云南、甘肃、贵州、青海误判为雨的平均错判率在10%以下外，其余各省（区、市）都在10%以上，且安徽、广东、广西超过50%；各省（区、市）将雨夹雪误判为雪的平均错报率也较高，除云南、广东、湖南、福建、贵州、重庆误判为雪的平均错报率在10%以下，其余各省（区、市）都较高，甘肃高达59.3%；将雨夹雪错判为冰雹的情况只出现在北京、吉林、四川、河北和陕西。

图4 各省（区、市）及全国雨夹雪数据准确性各指标百分比Fig.4 Percentages of indicators of accuracy of provincial and national sleet data

全国699 个气象站出现雨夹雪空报情况，其中有363 个气象站人工观测未出现雨夹雪，但仪器观测有雨夹雪现象。各站的空报率在0.01%～2%，湖北的空报率较高，为0.8%，其余各省（区、市）均在0.5%以内。

全国雨夹雪的分钟捕获率、小时捕获率、过程捕获率都很低，均不足3%；各省（区、市）的分钟捕获率、小时捕获率和过程捕获率也普遍较低，全国各省（区、市）中山西的分钟捕获率、小时捕获率和过程捕获率均最高。雨夹雪的漏报和错报较高，除云南外，各省（区、市）及全国漏报率和错报率之和都达到85%以上。雨夹雪是比较难识别的一种降水现象，各仪器对雨夹雪的识别都比较困难，且雨夹雪的出现频率也不高，因而整体捕获率较低。当出现雨夹雪时，一般会将雨夹雪现象误判为毛毛雨、雨、雪，有少数站点会误判为冰雹。

2.2.4 冰雹现象全国有385 个气象站出现冰雹现象（图5）。全国冰雹分钟捕获率为21.1%，小时捕获率为51.8%，过程捕获率为45.3%，漏报率为16.2%，错报率为57.6%。各省（区、市）出现冰雹天气的站数较少，天津、广东、江苏、浙江、福建、重庆冰雹现象分钟数都在15分钟以内，不具有代表性。除上述省（区、市）之外，其余各省（区、市）的冰雹分钟捕获率为0%～51.7%，安徽最低，吉林最高。小时捕获率为0%～88.4%，安徽最低，吉林最高；过程捕获率为0%～80.5%，安徽最低，吉林最高。漏报率为0%～32%，安徽最低，广西最高。错报率为25.2%～100%，河南最低，安徽最高。当出现错报时，大多数省（区、市）的站点会将冰雹错报为雨，有少数站点会误判为毛毛雨、雪或雨夹雪。

图5 各省（区、市）及全国冰雹数据准确性各指标百分比Fig.5 Percentage of indicators for accuracy of hail data in provinces and in the whole country

全国有1714个气象站出现冰雹空报的情况，其中有1487 个气象站人工均未观测到冰雹。各站的空报率在0%～2.38%，河北、陕西的空报率为0.1%，其余各省（区、市）均在0.1%以内。

全国冰雹的分钟捕获率最低，过程捕获率次之，小时捕获率最好；各省（区、市）的分钟捕获率、小时捕获率和过程捕获率情况也不一致，安徽的捕获率最低，吉林的捕获率最高。冰雹现象捕获率各省（区、市）差异较大，主要是冰雹现象在气象站的出现次数少，捕获率会出现两极分化，即100%或0%。南方出现强降水误判为冰雹的情况较普遍。

2.2.5 毛毛雨现象全国有377 个气象站出现了毛毛雨现象（图6）。全国毛毛雨分钟捕获率为21.7%，小时捕获率为35.1%，过程捕获率为50.1%，漏报率为65.9%，错报率为6.2%。各省（区、市）中天津、宁夏、北京、吉林、海南出现毛毛雨现象的站点小于5个，不具有代表性，不作讨论。除上述省（区、市）之外，其余各省（区、市）的毛毛雨分钟捕获率为3.8%～65.3%，福建最低，浙江最高，甘肃的分钟捕获率也达到60%以上；小时捕获率为8%～78%，云南最低，浙江最高，安徽、新疆、甘肃、黑龙江均在60%以上；过程捕获率为17.5%～85.7%，陕西最低，甘肃最高，内蒙古、新疆、河北、浙江、黑龙江均在60%以上；漏报率为16.4%～94.5%，浙江最低，福建最高；各省（区、市）错报率为0.9%～24%，贵州最低，西藏最高。当出现错报时，大部分省（区、市）的毛毛雨会错报成雨，少数省（区、市）的毛毛雨会错报成雪。如宁夏、安徽、黑龙江会错报成雪，安徽也出现错报成冰雹。云南、内蒙古、天津、宁夏、安徽、江西、浙江、西藏、黑龙江错报成雨的平均错报率较高，都在10%以上，其中内蒙古、宁夏分别达到27.7%和28%。

图6 各省（区、市）及全国毛毛雨数据准确性各指标百分比Fig.6 Percentage of indicators for accuracy of drizzle data in provinces and in the whole country

全国有1999 个气象站出现毛毛雨现象空报情况。全国空报率为1.7%，其中95.6%的站点空报率低于5%，4.1%的站点空报率为5%～10%，0.3%的站点空报率大于10%；从各省（区、市）看，浙江和湖南的空报率最高，分别为4.8%和4.9%，安徽为3.2%，其余各省（区、市）均在3%以内。

全国毛毛雨的分钟捕获率最低，小时捕获率次之，过程捕获率最好；各省（区、市）也是分钟捕获率最低、小时捕获率次之，过程捕获率最好，其中浙江、甘肃的分钟捕获率最好，达到60%以上，云南、四川、广东、江西、河南、湖北、福建、贵州、重庆的分钟捕获率最差，均不足10%。毛毛雨现象的识别较难，各省（区、市）差异较大，主要是因为仪器的识别方法和人工观测的标准不一致。仪器主要是以雨滴谱的大小来识别，识别的准确性取决于仪器的敏感度和识别算法。普通的一场降雨，人工观测只记为雨，而仪器观测则会出现毛毛雨和雨交替的情况。此外，由于地域的原因，北方站点出现沙尘天气易判为毛毛雨，我国南方省（区、市）的站点大雾、空气湿度大也容易判成毛毛雨。

3 讨论

降水现象自动化观测是气象观测自动化的必然趋势，以往的仪器与人工的平行对比观测都是小范围的观测试验，在全国的代表性不足，本次平行观测是全国大范围的对比观测，是降水现象仪正式业务运行前的准备，对仪器观测数据的业务化应用具有重要意义。本次对比分析结果表明，降水现象仪对降水现象的识别达到了分钟级，对降水过程的变化较人工观测更加敏感，一个降水过程各种现象可能会交替出现，地面观测规范中15分钟以内为一个降水过程的规定，在仪器观测时无法界定；降水现象仪观测的准确率取决于算法的识别率，出现频率高的降水现象，各项捕获率指标相对较高，5种降水现象中，雨、雪出现频率高，各项捕获率指标均高于其他现象；仪器本身的维护程度对降水现象的捕获结果也会产生影响，因而存在不同程度的漏报、错报和空报，如把吹雪、柳絮、蒲公英误记为雪，沙尘误判成毛毛雨等。本次研究的结果对降水现象仪业务化运行具有重要的指导意义，今后需要加强仪器的维护保养，在气象站数据采集端进行质量控制，不断改进仪器的识别算法，并结合其他天气现象进行综合判识，以提高仪器对降水天气现象的捕获率，降低漏报率、错报率和空报率。同时，地面观测规范也需要根据仪器的使用做出相应的修订，以适应观测自动化的发展方向。