雷达测雨及临近预报在中小流域水文视角下的应用评估

2022-09-30糜佳伟田济扬薛海邱庆泰刘荣华

科学技术与工程 2022年23期

糜佳伟，田济扬，薛海，邱庆泰，刘荣华

(1.华北水利水电大学水利学院，郑州 450046； 2.中国水利水电科学研究院，北京 100044； 3.水利部防洪抗旱减灾工程技术研究中心，北京 100044； 4.中国电建集团北京勘测设计研究院有限公司，北京 100024； 5.山东农业大学水利与土木工程学院，泰安 271018)

目前，中国大江大河防洪体系较为完善，中小流域成为防洪减灾的薄弱环节[1]。洪水预报是防洪减灾的关键技术与手段，但对于中小流域而言，获得高时空分辨率、高精度的降雨监测资料和预报数据并非易事，一定程度上制约了中小流域洪水预报技术的发展[2]。尽管传统雨量计对单点雨量的监测精度高，但中国地面雨量站密度较高的区域，站网密度也仅约25 km2/站，绝大部分地区站网密度还达不到50 km2/站，难以反映降雨的空间差异。同时，对于汇流时间短的中小流域，延长预见期对中小流域暴雨洪水灾害防治具有重要意义。数值降雨预报的预见期较长，其预报精度能够基本满足大江大河的水文预报需求，但还难以为中小流域提供业务支持[3]。雷达资料具有高时空分辨率的特点，从理论上讲，适用于中小流域尺度的降雨监测和预报[4]。

雷达测雨精度主要受雷达资料质量和反演算法的影响，临近预报精度不仅受雷达资料质量、反演算法的影响，且对天气形势变化带来的不确定性较为敏感。殷志远等[5]提出了动态优化的雷达资料反演算法，提高了湖北漳河流域降雨观测的精度。吴金津等[6]对雷达估测降水基于雨量站观测值进行了融合订正，提高了雷达测雨在官山河流域径流模拟的准确性。严昌盛等[7]采用光流法开展雷达临近预报研究，并应用于淮河王家坝闸以上3万km2流域的洪水预报，基本满足业务预报要求。

尽管雷达测雨及临近预报技术相对成熟，但雷达测雨技术与临近预报在中小流域尺度的应用较少。雷达测雨与临近预报精度能否满足中小流域尺度水文预报的需求，还有待深入研究。现基于福州长乐多普勒天气雷达资料，对2012“苏拉”、2014“海贝思”、 2016“尼伯特”三场台风引发的降雨过程进行反演和预报，选用累积雨量相对误差RE、时空两个维度均方根误差与相应维度均值的比值m-RMSE、平均绝对误差RMAE和平均偏差RMB等指标，从水文视角对不同类型降雨的监测和预报结果进行了定量评估，分析了雷达测雨与临近预报在中小流域水文预报中应用的可能性，提出了进一步提高适应中小流域尺度降雨监测与预报能力的研究思路，为雷达测雨与临近预报技术在洪水预报中的应用提供参考。

1 研究区与数据

1.1 研究区概况

研究选取位于福建省中东部的梅溪流域(图1)，面积约956 km2。受亚热带季风气候及台风影响，加之地形条件复杂、地势多变，梅溪流域汛期降雨频繁，且多呈现时空分布不均匀、降雨强度大的特点。流域多年平均雨量为1 560 mm。空间上，西南部的上莲、金沙和后佳等地降雨多于中部的白中等地，闽清城关的雨量最少。时间上，旱、雨季界限分明，4—9月的降雨量一般占到全年雨量的70%以上。新中国成立以来，流域内因强降雨引发的洪灾已达20余次。因此，选择梅溪流域为研究区，对雷达测雨与临近预报技术在洪水预报中的应用具有一定的示范作用和现实意义。

图1 梅溪流域位置及高程Fig.1 Location and elevation of Meixi basin

1.2 数据资料

研究选取的三场降雨均为台风雨，但因台风强弱及对研究区影响程度不同，降雨过程也表现出不同的特点。“苏拉”台风登陆后，涡旋中心垂直轴线向南倾斜加大，使路径南侧对流层中、下层的差动温度平流和差动涡度平流加强，有利于对流不稳定层结发展和动力抬升，导致路径南侧暴雨，尽管梅溪流域位于台风路径南侧，但距离台风中心较远，并未形成强降雨。从降雨过程看，“苏拉”台风引发的降雨过程是这三场降雨中时空分布最均匀的。“海贝思”台风是从广东汕头登陆，到梅溪流域时已减弱为热带低压，但随着其逐步向福建东北部移动，上升运动明显，水汽通量增大，为梅溪流域降雨的产生、发展提供了条件。该场降雨虽然总雨量不大，但时空分布不均匀，雨量主要集中在2014年6月18日15:00—20:00以及流域的中北部和中南部。“尼伯特”台风引发的强降雨是各种尺度天气系统相互作用的结果，在其登陆前，沿海区域就存在明显的不稳定层结，北方冷空气侵入造成强迫抬升，加强台风内螺旋雨带的强对流过程，加剧不稳定能量释放，引发了强降雨，24 h累积雨量达到242 mm，造成流域4 710 m3/s洪峰流量，暴发特大洪水灾害。

三场降雨过程逐小时地面雨量站的降雨数据由福建省水利水电科学研究院提供。流域内共8个雨量站(图2)，站点分布均匀合理，基本能够反映流域降雨的空间变化，为雷达测雨与临近预报评估提供了良好的条件。三场降雨的历时及累积面雨量见表1。三场降雨过程对应时段的雷达资料由中国气象局提供，已经过雷达数据质量控制，研究选用的是福建长乐的SA波段多普勒雷达，该雷达覆盖范围半径为250 km(图3)，梅溪流域几乎全部落在雷达扫描半径为100 km的范围内。

表1 梅溪流域三场降雨事件Table 1 Three rain events in Meixi basins

图2 梅溪流域雨量站分布图Fig.2 Distribution map of rainfall stations in Meixi Basin

图3 雷达覆盖范围与流域位置关系Fig.3 The relationship between radar coverage and watershed location

2 模型方法与评价指标

2.1 雷达降雨反演

通过建立雷达反射率Z与降雨强度R的Z-R关系，能够实现降雨反演，业务中常用的Z-R关系是Z=200R1.6。但不同地区、不同降雨场次、不同雷达的Z-R关系不同，通过强降水识别，将不同时段、不同空间位置处的降水进行分类，采用不同的Z-R关系进行降雨反演，是提高雷达测雨精度的重要方法之一。本研究采用文献[8]中的强降水识别方法，经过反复试验，最终确定了强降水下的Z-R关系为Z=135R1.33，并对比分析了常规反演和基于强降水识别的反演结果。

2.2 临近预报

利用雷达开展临近预报研究主要是采用雷达外推法[9]，包括交叉相关系数法、单体质心法和光流法等，本研究选用业务预报常用的光流法[10-12]，其基本原理是将目标降水粒子的三维运动转换为计算机上的二维投影，从二维图像中获取像素点的移动矢量。图像像素点的表观运动构成一个光流，所有光流的集合称为光流场，根据光流场的运动规律进行雷达回波的外推，最后再根据外推得到的雷达回波进行降水反演。为了降低临近预报的不确定性，在光流法的基础上，通过集合的初始和边界扰动形成集合预报，含30个集合成员，开展了预见期为1、2、3 h的临近预报。

2.3 评价指标

累积降雨量是影响流域水文过程的主要因素，而降雨的时空分布对流域出口断面的洪水过程也有重要影响[18]。因此，本研究计算雷达测雨的面累积雨量与实测值的相对误差RE、均方根误差与相应维度降雨观测值均值的比值m-RMSE、平均绝对误差RMAE、平均偏差RMB等对雷达测雨的效果进行评价。地面雨量站的面雨量利用泰森多边形法计算，雷达测雨及临近预报的面雨量为流域内全部雷达探测格点雨量的平均值。各评价指标计算公式为

(1)

式(1)中：P为雷达估测降水或临近预报的面雨量，mm；Q为地面雨量站观测的累积降雨量，mm。RE值越小，表明雷达测雨或预报的结果越好。

(2)

当进行时间尺度评价时，Pk和Qk分别为某一时刻k，梅溪流域面平均雨量的雷达估测/预报值与地面雨量站观测值，N为降雨时长；当进行空间尺度评价时，Pk和Qk分别为在某一地面雨量站位置k，整个降雨过程累积雨量的雷达估测/预报值与地面雨量站观测值，N为雨量站的个数。为了去除不同降雨场次降雨量的影响，最终求得的RMSE分别除以相应维度降雨观测值的平均值得到m-RMSE。

(3)

(4)

式中：Pi和Qi分别为在某一地面雨量站位置i在整个降雨过程累积雨量的雷达估测/预报值与地面雨量站观测值，N为雨量站的个数。

平均绝对误差可以体现定量降水估计产品与雨量计比较的绝对差距程度。平均偏差可以体现定量降水估计产品与雨量计比较整体性偏离程度，三个参数越接近0，说明雷达测雨反演效果越好。

3 评估结果

3.1 雷达测雨精度评估

雷达测雨精度的评估结果见表2。经过强降水识别后，三场降雨反演精度都有显著提升。场次Ⅰ、Ⅱ、Ⅲ雷达降雨反演QPE的24 h累积雨量RE分别降低了60.84%、49.03%、68.52%。空间尺度m-RMSE分别降低了0.47、0.28、0.39；时间尺度m-RMSE分别降低了0.09、0.37、0.29。RMAE分别降低了0.37、0.02、0.46。RMB分别降低了0.14、0.21、0.68。总体上雷达降水反演精度显著提高。图4、图5也能直观反映基于强降水识别的雷达降雨反演优于常规反演。其中，场次Ⅲ雷达降水反演精度的提高是这三场降雨中最明显的，而“尼伯特”台风恰好是一场特大暴雨，属于典型的强降水。

3.2 临近预报评价结果

基于强降水识别的临近预报评价结果见表3～表5，结合图6可直观得出：

(1)场次Ⅰ临近预报的1、2、3 h预见期RE范围分别在-9.00%～72.99%、-13.08%～66.57%和-21.81%～73.33%；平均值分别为22.08%、16.57%和7.96%。时间尺度方面，30个集合的m-RMSE范围分别在0.66～3.26、0.59～4.69和0.62～3.81；平均值分别为0.89、0.97和1.07。空间尺度方面，m-RMSE范围分别在0.2～1.21、0.17～0.97和0.12～1.05；平均分别为0.38、0.28和0.22。RMAE范围分别在0.15～1.01、0.13～0.87和0.10～0.98；平均值分别为0.29、0.22和0.17。RMB范围分别在-0.13～1.01、-0.19～0.87和-0.25～0.98；平均值分别为0.28、0.18和0.13。从各项指标的评估结果来看，单一预报具有很大的不确定性。通过集合预报的方法可以有效降低不确定性，从集合预报的效果来看，预报精度较高。延长预见期，临近预报精度变化幅度不大，0～3 h的预报结果稳定可靠。

表2 通过常规反演和强降水识别反演的评估指标值Table 2 Through conventional inversion and heavy precipitation identification inversion evaluation index value

图4 不同雷达反演方法下3场降雨的雨量过程图Fig.4 The rainfall process diagram of three rains under different radar inversion methods

图5 三场降雨的24 h累积降雨空间分布图Fig.5 The spatial distribution of the 24 h cumulative rainfall of the three rainfall events

(2)场次Ⅱ临近预报的1、2、3 h预见期RE范围分别在-67.55%～-47.19%、-80.84%～-57.99%和-85.25%～-66.51%；平均值分别为-58.67%、-71.01%和-78.67%。时间尺度方面，30个集合的m-RMSE范围分别在0.88～1.22、1.18～1.47和1.29～1.53；平均值分别为1.01、1.35和1.43。空间尺度方面，m-RMSE范围分别在0.62～0.76、0.75～0.9和0.84～0.97；平均分别为0.70、0.83和0.91。RMAE范围分别在0.55～0.69、0.65～0.82和0.72～0.90；平均值分别为0.61、0.74和0.83。RMB范围分别在-0.69～-0.52、-0.82～-0.62和-0.90～-0.72；平均值分别为-0.61、-0.74和-0.83。从各项指标的评估结果来看，降雨场次Ⅱ的1～3 h预见期的预报结果均不理想，其中1 h预见期预报的降雨量级误差较大。随着预见期的延长，临近预报精度降低，2 h预见期预报的降雨落区误差增大，3 h预见期预报的降雨时程分配误差增大。

(3)场次Ⅲ临近预报的1、2、3 h预见期RE范围分别在-29.78%～15.85%、-47.88%～18.59%和-70.07%～1.64%；平均值分别为-16.01%、-30.86%和-52.38%。时间尺度方面，30个集合的m-RMSE范围分别在0.33～1.29、0.18～1.33和1.08～2.42；平均值分别为0.71、0.57和2.04。空间尺度方面，m-RMSE范围分别在0.26～0.73、0.25～0.92和0.37～0.78；平均分别为0.34、0.35和0.50。RMAE范围分别在0.19～0.65、0.21～0.74和0.30～0.68；平均值分别为0.29、0.27和0.45。RMB范围分别在-0.29～-0.38、-0.45～-0.46和-0.68～-0.30；平均值分别为-0.06、-0.22和-0.45。从各项指标的评估结果来看，其预报效果也不理想，其中1 h预见期预报的降雨量级误差较大。随着预见期的延长，临近预报精度降低，2 h预见期预报的降雨落区误差增大，3 h预见期预报的降雨时程分配误差增大。