基于快速融合技术在武汉定量降水预报的检验与误差分析

刘佩廷，谌伟，徐迎春，刘火胜，庞晶，张丽，王瑞丽

（1.武汉市气象局，武汉 430040；2.中国气象局武汉暴雨研究所暴雨监测预警湖北重点实验室，武汉 430205）

近些年来，随着观测系统和预报技术的发展，定量降水业务预报（QPF）取得长足的进展，主要表现在：以集合预报为基础的概率QPF（PQPF）提供了一种更为科学的天气预报形式；短时临近QPF技术的发展，支撑了极端降水事件的预报预警［1，2］。雷达外推与数值模式技术在短临预报（0˜6 h）上各有所长，数值模式存在的“spin-up”等问题导致最初2˜3 h内预报结果不太理想，而雷达外推技术对2 h内的强降水有较好的把握能力，且具有高精度的时空分辨率［3，4］。

因此，中国气象局2008年启动了业务建设项目“灾害天气短时临近预报预警业务系统建设与改进”，开发具有自主知识产权的灾害天气短时临近预报 系 统（SWAN）。SWAN系 统 中QPF利 用3 km CAPPI拼图数据、COTREC矢量场和区域加密自动站雨量等资料，根据1 h雷达回波外推技术，逐小时更新生成未来30 min、1 h、2 h和3 h的QPF产品［5］。

武汉地处长江中游，强降水事件频发，同时武汉作为国家特大中心城市，每年需要举办各类大型活动，例如一年一度的“汉马节”“渡江节”，两年一次的“航空节”以及2019年“世界军人运动会”，社会和民众对气象部门精细化气象要素，特别是降水预报的精确性要求越来越高。但是，短时强降水具有突发性、短历时特征，如何有效地监测并及时预警短时强降水仍是当前天气预报面临的难点问题［6］。武汉新一代S波段天气雷达连续观测模式的时间间隔为6 min，空间分辨率达1 km，可连续监测降水系统中小尺度空间结构和演变过程，雷达外推和自动站雨量融合QPF产品对其捕捉能力与更新频次呈正相关，更新频次越快越容易捕捉到强对流雨团。所以，有必要研究基于武汉雷达外推和自动雨量站融合技术的短临（2h）QPF，建立满足武汉精细化气象预报服务需求的网格降水预报产品。

雷达定量降水反演是现代天气业务的重要组成部分，同样也是短时强降水短临预报预警业务的基础，对山洪地质灾害和大城市精细化预报预警起着重要的支撑作用［7］。对于0˜2 h定量降水短临预报预警业务而言，及时、准确的高时空分辨率降水数据十分重要［8］。地面加密自动站降水观测资料具有较高的单点测量精度，多普勒天气雷达组网拼图资料具有较高的时空分辨率，这些都为实时监测预警中小尺度天气系统，特别是极端强降水天气事件提供了基础观测资料。但如何将地面加密自动站降水观测资料与雷达资料进行有效融合，构建高时空分辨率的定量降水反演数据产品，长期以来一直是广大气象工作者的研究重点［9-11］。

目前业务上临近预报方法仍以雷达回波的外推预报为主［12，13］，主要包括单体质心法、交叉相关法和光流法。本研究利用6 min频次的湖北雷达组网拼图数据和10 min级频次的自动站雨量数据，通过构建武汉本地化的雷达外推与自动站雨量融合算法，包含业务常用光流法［14］和交叉相关法（Tracking radar echo by correlation，TREC）［15，16］2种方法，使用受地理边界限制的Barnes插值方法［17］对武汉周边及区域自动站雨量处理，以及半拉格朗日外推算法线性外推［18］和动态Z-I关系估测雷达降水［19］等融合技术，生成武汉及周边区域10 min更新频次的1 km×1 km、间隔1 h的2 h QPF产品，并进行对比检验与误差分析，进而得到具有业务应用价值的高时空分辨率定量降水反演资料，开展强降雨精细化、定量化短临预报预警服务及强降雨风险评估提供支撑。

1 资料选取与检验方案

本研究采用的资料主要有：①2018年3—9月武汉及周边区域自动站逐10 min的降水资料，该资料从湖北省气象局信息保障中心获取，在程序中对数据进行质量控制，将其中孤立的奇异点（如大值点）去掉，同时为保障武汉及周边区域整体的检验效果，选取降水时次中连续的区域站资料应超过95%，共计253站。其中武汉75站，孝感56站，黄冈43站，咸宁26站、黄石25站、鄂州15站、荆门6站、仙桃4站、随州3站（图1）。②利用快速融合等技术建立适合武汉本地化动态Z-I关系的光流法、TREC方法，综合计算武汉及周边区域（113°30′—115°12′E，29°48′—31°54′N）2 h QPF 1 km×1 km格点2 h QPF数据。③对比检验SWAN的1 km×1 km 1 h QPF产品数据，最终共选出1 632次/10 min的降水时次资料，进行降水预报效果总体评价。

图1 武汉及周边253个区域自动站空间分布

短时强降水过程的标准。选出较强区域及局地短时强降水过程进行评价，由于2018年全年降水强度偏弱，多局地分散性强降水，因此，降低挑选标准，分为3点：①1 h雨量超过10 mm的区域站数达到5个且连成片；②强降水开始时其范围跨越1˜2个区（县），加上移动过程中所经过的区域共达到或超过2个区（县）；③明显的过程性降水，雨带中包括若干小的短时强降水区域。

满足以上任一标准即为区域及局地短时强降水过程。根据上述标准，挑选出2018年4—8月武汉及周边区域达到区域强降水标准，且资料较为完备的过程共17个，共计314频次/10 min，见表1。

表1 2018年4—8月武汉及周边17次区域及局地短时降水过程

目前，对降水预报或估测的检验方法种类较多，但多数仍通过计算TS评分、空报率、漏报率、预报偏差等若干统计量来检验。该方法与日常业务联系更紧密，且更易理解。检验内容分晴雨预报检验和降水分类预报检验。其中根据降水强弱，参照寿绍文等［20］将小时降水类型划分为5个等级，分别为0.1˜ 1.9 mm（小雨）、2.0˜4.9 mm（中雨）、5.0˜9.9 mm（大雨）、10.0˜19.9 mm（暴雨）、≥20.0 mm（大暴雨），对不同量级降水均分别统计预报正确、漏报、空报的站次，进行2018年1 632时次总的降水检验。

对区域及局地短时强降水过程的对比分析检验。计算3种不同方法QPF产品的相对误差和绝对误差以及不同预报时效的QPF产品的晴雨准确率、TS评分、空报率、漏报率、ETS评分、相对误差Er和绝对误差Ea。

式（1）至（8）中，NA为预报正确站次数，NB为空报站次数，NC为漏报站次数；Xi为QPF的数值，Xi0为区域雨量站点实况雨量，n为相应量级所有时次和站点的总和。检验分为两步。

第一步，分析所有格点总的误差及其空间分布。检验以武汉及周边区域加密自动站点为基点，分为3种情况：①用区域加密自动站点雨量与QPF产品对应的数值作点对点误差检验分析；②采用站点雨量与QPF产品对应的周边9点数值取平均值进行误差检验分析（图2a）。采用站点雨量与QPF产品对应的周边25点取平均值进行误差检验分析（图2b）。相应的点对点分辨率为1 km×1 km、9点为3 km×3 km、25点为5 km×5 km。

图2 武汉区域自动站雨量值格点取平均示意图

第二步，网格降水邻域检验，参照湖北省气象局智能网格降水检验方法，不把预报和观测空间严格地匹配，如果在预报格点周围的一个范围内出现评定的事件，则评定该格点预报正确，即“点对面检验”。以10 km为半径范围，逐个格点依次判定检验（图3）；并选取典型过程中的分级雨量个例检验时次，多角度讨论光流法、TREC的评分效果。

图3 10 km网格降水邻域检验示意图

2 结果与分析

2.1 短时降水QPF总体检验

3种方法的未来1 h QPF检验结果见图4，不同预报时效的1 h QPF均对晴雨的预报较好，光流法、TREC和SWAN 3种方法的晴雨准确率非常接近，分别为0.81、0.79和0.80。对降水的预报，当预报雨量量级为小雨时，TS在0.10以上，分别为0.13、0.14和0.11，随着阈值的增大，TS评分越低。整体来看，光流法大雨量级以下均在0.1以上，而≥20 mm的大暴雨量级也达到0.08，相比SWAN高2个百分点。因此，光流法总体检验效果最好，SWAN次之，TREC相对较差。但在大雨以下量级，SWAN均低于光流法和TREC法。在暴雨和大暴雨量级上，SWAN与光流法则较为接近，光流法评分略高。

图4 2018年3—9月短时降水1 h QPF检验

晴雨的空报率在0.4附近，明显低于降水分级空报率。其中光流法相对最低，为0.43，SWAN和TREC分别为0.47和0.48。对于分级降水，小雨量级空报率则高达0.8以上，三者较为一致，其中SWAN最高，为0.87，光流法和TREC相对较低，分别为0.83和0.82。中雨量级，三者相差较大，SWAN为0.84，而光流法和TREC分别为0.70和0.77。大雨在所有雨量分级评分中空报率最低，光流法最低，为0.62，TREC和SWAN相对较高，分别为0.73和0.72。暴雨和大暴雨空报率则较为相似，光流法和TREC空报率相对较高，TREC最高均在0.8以上，其次为光流法，SWAN最低，为0.57。

晴雨的漏报率最低，3种方法均为0.3左右，且差异较小。大雨以下量级，3种方法的差异也不大，其中小雨的漏报率最低，在0.6左右，中雨和大雨超过0.8。而暴雨和大暴雨的漏报率，光流法和TREC法相对SWAN大幅降低，暴雨量级在0.6左右，SWAN超过0.8，大暴雨上，光流法和TREC降至0.4，而SWAN超过0.7。

结合ETS评分结果，晴雨的ETS降至0.2左右，因为2018年包含大量无雨的弱降水时次。而分级降水的演变趋势总体与TS评分一致，随着阈值的增大，ETS评分越低。但光流法在大雨量级评分最高，为0.09，SWAN较低，仅为0.04。暴雨和大暴雨量级，光流法相对最高，SWAN次之，TREC法最低。

计算2种方法未来2 h QPF总的检验结果。从图5可以看出，相比1 h QPF，晴雨准确率有一定程度的下降，光流法为0.74，TREC降幅更明显，仅为0.68。分级降水检验显示，所有分级降水TS均在0.1以下。小雨量级光流法和TREC均为0.08，相对1 h QPF分别下降了5、6个百分点，大雨量级降幅更为显著，光流法为0.04，相对1 h QPF下降了7个百分点，TREC法为0.03，相对1 h QPF下降4个百分点。同样暴雨和大暴雨量级下降显著，暴雨量级光流法仅为0.02，TREC为0.01，大暴雨量级，光流法0.01，TREC为0。总体来看，2 h暴雨以上的预报几乎丧失了预报能力。这是由于大多数对流降水变化较快，往往几十分钟到1 h内就改变，所以采用2 h外推的预报能力大大减弱。

图5 2018年3—9月短时降水2 h QPF检验

晴雨空报率光流法和TREC法分别为0.59和0.70，相对1 h预报上升了16个百分点和22个百分点。降水分级空报率，除了大雨量级光流法为0.75，低于0.8，相对1 h预报上升了13个百分点，其余均大于0.8。从漏报率看，光流法和TREC法晴雨的漏报率分别为0.41和0.49，相对1 h预报分别上升13、17个百分点。漏报率中雨量级最高，其次为大雨量级，均超过0.8。大暴雨最低，约为0.4。ETS评分结果显示，晴雨的评分光流法已降至0.14，TREC仅为0.07。其余分级降水检验均在0.03以下，暴雨和大暴雨量级评分甚至为0，整体2 h QPF预报能力差。

综上所述，光流法、TREC和SWAN 3种方法对1 h的晴雨准确率非常接近，有很好的预报效果，2 h后晴雨准确率明显降低，但光流法仍有0.74。由于降水中包含大量弱降水以及细化的分级雨量检验，TS总体评分不高。总体而言，光流法效果最好，相比业务系统SWAN QPF的TS评分高2˜5个百分点，其中比小雨量级高约2个百分点，比中雨量级高约4个百分点，比大雨量级高约5个百分点，比暴雨和大暴雨量级高约2个百分点，综合平均比SWAN高出约3个百分点，由于TREC存在在暴雨以上量级的预报劣势，因此效果相对最差。预报1 h降水空报率，光流法和TREC法在大雨以下量级空报率相对SWAN较低，而在暴雨和大暴雨量级上相对较高。但暴雨和大暴雨量级上SWAN漏报率更大。2 h的光流法和TREC法的空报率和漏报率大幅上升，预报能力明显降低。ETS评分上与TS较为类似，总体而言，光流法效果最好，其次SWAN，TREC法效果相对最差。

2.2 短时强降水QPF区域及局地过程点对点检验

2018年4—8月短时降水区域及局地过程点对点检验结果（图6、图7），过程的晴雨准确率相对总的降水检验而言，下降至0.6，3种方法评分比较接近，SWAN略高于光流法。分级降水TS检验结果，光流法和TREC法在大雨以下量级高于SWAN，但在暴雨和大暴雨量级上相对低于SWAN，光流法更接近于SWAN。空报率晴雨相对较低，其值为0.5，分级降水的空报率几乎均超过0.8，大雨以下量级，光流法和TREC法的空报率相对SWAN较小，暴雨和大暴雨量级则相反。大暴雨量级的漏报率SWAN最高，为0.92，而特大暴雨量级的光流法仅为0.63，暴雨以下量级总体而言，光流法也略低于SWAN，差异较小。ETS评分晴雨降至0.07以下，分级降水降至0.02以下。

图6 2018年4—8月短时强降水区域及局地过程1 h QPF点对点检验

图7 2018年4—8月短时强降水区域及局地过程2 h QPF点对点检验

从2 h QPF短时降水过程来看，晴雨准确率略低于1 h，分级降水TS评分检验与1 h QPF类似，但在暴雨以上量级迅速下降。对比ETS评分结果，晴雨降至0.03以下，分散性的局地降水导致晴雨中雨以上量级评分均为0。光流法的晴雨空报率和漏报率均略低于TREC法。分级降水检验，空报率均超过0.8，漏报率除小雨、大暴雨量级低于0.8外，中到暴雨量级也均超过0.8。总体而言，光流法略优于TREC法。

计算QPF点对点检验相对误差和绝对误差，通过平均得出所选过程总的误差分布，其结果见表2。3种方法计算1 h QPF晴雨的相对误差Er，光流法和TREC法分别为-0.69、-0.98 mm，SWAN为1.96 mm。光流法和TREC法的绝对误差Ea均为4.04 mm，而SWAN相对更大为5.81 mm。晴雨光流法相对误差最小，TREC法次之。2 h QPF光流法相对误差相对1 h QPF偏小0.15 mm，而TREC法偏小0.24 mm。

表2 2018年短时强降水过程QPF点对点误差检验及其对比结果

分级小时雨量来看，小雨量级1 h QPF相对误差Er为0.25 mm，TREC法为-0.84 mm，SWAN则为2.92 mm；光流法和TREC法的绝对误差Ea较为接近，分别为3.84 mm、3.82 mm，SWAN的绝对误差较高为5.52 mm，因此，光流法和TREC法对该量级降水具有较好的估测能力，光流法相对更好。2 h QPF光流法相对误差Er为0.60 mm，TREC法相对误差为0.25 mm，光流法和TREC法的绝对误差分别为3.68、3.35 mm，TREC法比光流法略好。中雨量级1 h QPF光流法的相对误差仅为0.05 mm，TREC法为-0.12 mm，SWAN为2.12 mm，光流法与TREC法的绝对误差接近，小于SWAN的6.19 mm。2 h QPF光流法和TREC法相对误差分别为0.22、-0.28 mm，均比1 h QPF偏大。光流法的绝对误差略大于TREC法。

大雨量级1 h QPF光流法的相对误差为0.12 mm，TREC法为-0.25 mm，SWAN为2.60 mm，光流法和TREC法绝对误差接近，均低于SWAN。2 h QPF光流法和TREC法相对误差相比1 h QPF略有增大，绝对误差则较为接近。暴雨以上量级相对误差，光流法为-3.17 mm，TREC法为-3.65 mm，明显偏小，SWAN为4.72 mm，相对误差明显偏大，预报估测效果明显下降。3种方法的绝对误差相差不大。2 h QPF相对误差和绝对误差与1 h QPF基本一致。

大暴雨量级SWAN的相对误差为10.63 mm，明显偏大，光流法和TREC法分别为-15.81 mm和-18.99 mm，明显偏小，这可能是由于光流法和TREC法空报率更高所致，从绝对误差来看，SWAN也相对更小。2 h QPF光流法和TREC法与1 h QPF结果较为类似。

综上所述，1 h QPF除了大暴雨量级，光流法和TREC法的相对误差和绝对误差相比SWAN偏小一些，预报估测效果更好，尤其是光流法误差相对更小。小时雨量大雨以下量级估测能力最好，暴雨以上量级误差有所增大。大暴雨量级相对误差和绝对误差SWAN相对较好，光流法的空报率更高，但相对TREC法，光流法的预报估测能力更接近SWAN。

分别取3种方法实际乡镇雨量站点周围3 km×3 km（9点）和5 km×5 km（25点）范围内未来1 h和2 h的QPF平均值与观测雨量计算误差，并与点对点的结果进行比较（表3）。对1 h QPF采用9点和25点平均后，不同降水量级变化不同。晴雨的平均TS略有增大，光流法和TREC法的9点和25点平均偏差分别为0.002、0.003，SWAN分别为0.003、0.005。1 h QPF 9点和25点的小雨量级光流法分别为0.026、0.035，TREC法分别为0.020、0.029。SWAN分别为0.020、0.030，3种方法的上升幅度均较大。中雨量级光流法均无变化，TREC法分别为0.001、0.003，SWAN 9点无变化、25点仅为0.001，3种方法9点和25点平均后几乎无提升。大雨量级与中雨量级较为类似，也几乎无变化。暴雨量级9点和25点平均光流法均为0.002，TREC法均为0.003，SWAN均为0.001，3种方法上升幅度均很小。大暴雨量级光流法9点为-0.003，25点为-0.005，TREC法分别为-0.003、-0.002，SWAN均为0.001，3种方法几乎无贡献。ETS评分结果大体与TS一致，只是小雨量级光流法和TREC法下降到0.006以下，SWAN也下降至0.010。3种方法空报率9点和25点平均偏差大部分为负值，其中暴雨量级均在-0.006以下。3种方法漏报率也几乎无贡献。

表3 2018年短时强降水过程中1 h QPF的9点、25点平均与点对点偏差对比

3种方法晴雨相对误差9点和25点平均偏差几乎无变化，小雨量级光流法相对误差分别为-0.114 mm和-0.266 mm，有一定的改善作用。TREC法相对误差分别为0.016 mm和-0.142 mm，25点平均偏差也有一定的改善。SWAN 9点和25点分别为-0.440 mm和-0.730 mm，也有一定的改善。中雨量级光流法9点和25点平均偏差分别为-0.048 mm和-0.041 mm，改善明显。TREC法9点平均偏差为0.001 mm，几乎无变化，25点平均偏差为-0.054 mm，也有一定的改善。SWAN分别为0.001、-0.009 mm，几乎无变化。大雨量级光流法分别为0.103 mm和0.081 mm，相对误差偏大，有较明显的负贡献。TREC法和SWAN均有一定的负贡献。3种方法暴雨量级相对误差的改善作用均较小。3种方法大暴雨量级相对误差9点和25点还有一定程度的下降，25点相对9点下降幅度更大。绝对误差暴雨以下量级相对较小，大暴雨量级也只是有一定的改善。

2 h QPF的9点、25点平均与点对点偏差对比（表4）与1 h QPF类似，光流法和TREC法仅在小雨量级有较为明显的改善作用。FAR和PO的改善作用较小。ETS评分结果显示，小雨量级改善不明显。相对误差和绝对误差与1 h QPF类似，但大暴雨量级相对误差和绝对误差的改善作用更大一些。

表4 2018年短时强降水过程中2 h QPF的9点、25点平均与点对点偏差对比

总之，对QPF采用9点或25点平均后，虽然有利于相对误差的改善，且在大暴雨量级绝对误差也有一定的改善，但对提高预报准确率贡献较小。

2.3 短时强降水QPF区域及局地过程邻域法检验

参照湖北省气象局智能网格降水检验方法，不把预报和观测空间严格地匹配，如果在预报格点周围的一个范围内出现评定的事件，则评定该格点预报正确，“点对面检验”（即邻域法检验）。以10 km为半径范围，逐个格点依次判定检验（图8、图9）。

2018年4—8月短时强降水区域及局地过程3种方法1 h QPF邻域法检验（图8），同点对点检验（图6）对比，晴雨准确率相对点对点检验有较大程度的提升，3种方法均升至0.80附近，相对点对点检验上升13˜17个百分点。分级降水TS检验结果显示也均有较大程度的上升，小雨量级相对点对点检验上升5˜6个百分点，其中大雨量级相对点对点检验光流法上升幅度最为明显，上升了11个百分点，TREC法次之，上升8个百分点，SWAN仅上升4个百分点，该量级雨量3种方法的TS结果差异最大。在暴雨和大暴雨量级SWAN均为0.16，相对点对点检验上升11˜12个百分点，光流法分别为0.12和0.10，均上升8个百分点，TREC法分别为0.07和0.03，仅上升2˜4个百分点，上升幅度最小。ETS评分结果与TS类似，晴雨提升幅度较大，均在0.3以上，相对点对点检验上升了26˜37个百分点。分级降水上升幅度最大，为大雨量级，其中光流法上升幅度最大，为0.11，相对点对点检验上升了9个百分点。暴雨和大暴雨量级，光流法和SWAN比较接近，上升至0.1左右，相对点对点检验上升了7˜11个百分点。从空报率来看，晴雨的空报率降至0.2左右，分级降水3种方法大部分降至0.8以下，小雨的空报率在0.6左右。大暴雨量级光流法和TREC法的空报率分别为0.37、0.44，下降幅度较大，SWAN仍相对较高，为0.70。3种方法晴雨的漏报率分别为0.31、0.35、0.26，也有一定的降幅，分级降水大雨以下量级均有一定程度的下降，暴雨和大暴雨量级光流法和TREC法有一定程度的上升，其中SWAN漏报率下降的幅度较大。

图8 2018年4—8月短时强降水区域过程1 h QPF邻域法检验

2 h QPF邻域检验结果（图9），与点对点检验对比，TS评分也具有一定程度的提升，其中晴雨准确率光流法上升到0.72，TREC法为0.65，相对点对点检验分别上升12、9个百分点。分级降水TS检验大雨以下量级上升为0.1以上，相对点对点检验上升2˜6个百分点。暴雨和大暴雨量级上也有一定的提升，约2个百分点。ETS评分晴雨上也有较大的提升，相对点对点检验分别上升21、15个百分点。分级降水上ETS也均有一定的提升，其中光流法大雨量级相对提升较大，约5个百分点。

图9 2018年4—8月短时强降水区域过程2 h QPF邻域法检验

晴雨的空报率下降至0.2附近，相对点对点检验下降幅度较大，分级降水的空报率下降幅度也较大，大部分降至0.8左右，其中大暴雨量级空报率降幅最大，光流法和TREC法分别下降为0.49、0.44。晴雨的漏报率较小，光流法和TREC法分别为0.40、0.53，分级降水漏报率均超过0.7。

邻域法检验与点对点检验差异最大为1 h QPF中的大雨量级，因此，本研究选取2018年4月5日局地分散性过程大雨量级作为典型个例代表，来进一步对比分析。

2018年4月5日大雨量级过程逐10 min时间演变（图10）可知，3种方法中SWAN的TS评分明显最低，单点TS评分04：40以前光流法相对较高，04：40—05：40分TREC法相对较高，采用邻域法后，光流法和TREC法，总体的变化趋势较为一致，2种方法都得到了明显的提升，其中光流法的提升幅度最为明显，各时次的评分结果几乎均高于TREC法，而光流法在大雨量级上不仅无明显提升，还在部分时次略有下降。大雨量级单点的空报率，SWAN波动幅度较大，而光流法和TREC法整体较为接近，空报率大部分在0.5˜0.8，2种方法空报率差异较小。采用邻域法后，大雨空报率迅速下降，04：00降至0.4，而SWAN空报率却大幅上升至0.8以上。SWAN的漏报率也明显高于光流法和TREC法，光流法和TREC法漏报率较为相似，有时光流法低，有时TREC低，采用邻域法之后，整体而言，光流法更低。个例分析也表明，采用邻域法对提升准确率有较大的贡献，同时也能够明显降低空报率和漏报率。

图10 2018年4月5日过程1 h QPF单点和邻域法检验结果时间演变

总的说来，采用邻域法检验评价能够较大幅度提高预报准确率，同时也在一定程度上减小了空报率和漏报率。

2.4 短时强降水QPF在区域和局地过程中的对比

QPF除整体上具有上述特征外，不同类型的强降水过程亦有差异。从上述2018年4—8月武汉17次区域及局地短时强降水过程中选取4次区域短时强降水过程（对应编号为5、6、9、14）、4次局地短时强降水过程（对应编号为7、13、15、16）。计算每一次过程不同量级的未来1 h QPF领域法的TS评分和点对点的绝对误差Ea，来分析QPF在不同类型分级降水过程中的差异。

从邻域法TS评分结果（图11）可知，小雨量级TS评分平均值无论区域还是局地短时强降水过程，3种方法都较为接近，区域过程除5月20日SWAN表现较好外，其余均为光流法相对较好，局地短时过程仍是光流法相对好。整体而言，光流法在小雨量级上略优于SWAN，TREC法与光流法差异不大。绝对误差来看，区域过程SWAN的绝对误差明显高于光流法和TREC法，但在局地短时过程差异有所缩小。

图11 2018年8次短时强降水过程不同量级1 h QPF TS评分平均值和绝对误差

中雨量级TS评分与小雨量级类似，区域过程光流法高于SWAN，且差异相对较大，局地过程中差异迅速缩小。整体而言，光流法在中雨量级上效果最好，其次为SWAN。绝对误差也与小雨量级类似，区域过程SWAN相对光流法和TREC法偏大，局地过程有所减小。大雨量级TS评分SWAN、光流法和TREC法的差异最大，同样主要也集中在区域性过程，以5月20日为例，光流法达0.25，TREC法次之，为0.2，而SWAN仅为0.1。局地过程光流法和SWAN各有优劣，5月21日为光流法最好，7月3日SWAN最好。整体而言，光流法最好，其次为TREC法，SWAN最差。绝对误差SWAN略高于光流法和TREC法，也主要集中在区域性过程。暴雨量级TS评分SWAN整体上高于光流法，主要也集中在区域性过程，局地过程中光流法2个个例TS评分高，另外1个个例差距较小。绝对误差来看，3种方法差距不大。总体而言，SWAN更好，光流法次之，TREC法最差。

大暴雨量级TS评分区域性过程与暴雨量级类似，SWAN仍高于光流法。局地过程光流法表现更为稳定，尤其是在7月3日，光流法为0.12，SWAN仅为0.01，差异很大，因此，局地性过程光流法相对更好。绝对误差SWAN相对光流法和TREC法低一些。

综上所述，通过对比分析区域性过程和局地分散性短时强降水过程。整体而言，在大雨以下量级，均为光流法最好，TREC法次之，SWAN效果最差。差异最大的主要集中在区域性过程。暴雨和大暴雨量级尽管SWAN在区域性过程中具有较高的评分，但在局地过程中表现不稳定，光流法却相对稳定，这也就能够很好地解释，为何在2018年降水总体偏弱即区域性降水过程偏少的情况下，光流法总体检验结果在暴雨和大暴雨量级上要略好于SWAN。

3 小结与讨论

本研究基于武汉雷达回波外推和自动站雨量融合技术的光流法与TREC法以及SWAN 3类QPF产品在2018年3—9月短时降水过程的误差检验与分析，主要得出以下结论。

1）总体而言，基于雷达外推与自动站快速融合技术的光流法效果最好，TS评分平均值高出SWAN约3个百分点，其次为SWAN，由于TREC存在在暴雨以上量级的预报劣势，因此预报效果相对最差。2 h QPF的光流法和TREC法的TS评分、空报率和漏报率大幅上升，预报能力明显降低。

2）3种方法除了大暴雨量级，光流法和TREC法点对点的相对和绝对误差相对SWAN偏小，预报估测效果更好，大雨以下量级估测能力最好，而暴雨和大暴雨量级误差有所增大。在大暴雨量级上，光流法相对TREC法预报估测能力更接近SWAN。

3）对QPF采用9点或25点平均后，虽然在一定程度上改善相对误差，且在大暴雨量级上绝对误差也有一定的改善，但对提高预报准确率贡献较小。总的说来，采用邻域法检验评价能较大幅度提高预报准确率，同时也一定程度减小了空报率和漏报率。

4）通过对比分析区域性过程和局地分散性短时强降水过程。整体上在大雨以下量级，均为光流法最好，TREC次之，SWAN最差。差异最大的主要集中在区域性过程。在暴雨和大暴雨量级上，尽管SWAN在区域性过程中具有较高的评分，但在局地过程中表现不稳定，而通过快速融合技术的光流法在局地过程相对更稳定。

本研究通过构建武汉本地化的2 h QPF快速融合技术的有效尝试，初步探讨建立了2 h QPF降水的预报效果，光流法快速融合技术对于大雨以下的偏弱降水具有明显的优点，暴雨以上的短时强降水，虽然光流法相对SWAN区域性强对流降水预报效果相对较差，但对突发性分散的强对流降水具有较好的指导意义，对后续短临降水预报预警服务仍具有较好的参考作用。