BCC_S2S预报长江上中游流域夏季降水精度评估

李 恒，朱 坚,2*

(1.河海大学 水文水资源学院，江苏 南京 210098；2.中国气象局−河海大学水文气象研究联合实验室，江苏 南京 210098)

季节–次季节预报（sub-seasonal to seasonal，S2S）介于季节预测和天气预报之间，相较于季节预测，外部强迫因子不足以影响其变率，相较于天气预报尺度，初始值的记忆性已经消散，是目前气象预报业务的难点[1]。由于相关的研究较少，也称为“预测沙漠”[2–3]。次季节–季节时间尺度的预报是连接季节预测与天气预报的关键接口，也是政府部门应急减灾从被动应灾到主动减灾的关键预测时段[4]。为填补这一“预测沙漠”，世界气候研究计划（World Climate Research Program，WCRP）和世界天气研究计划（World Weather Research Programme，WWRP）联合制定了S2S计划，目的是完善14～60 d预测时间尺度的关键接口，填补季节预测和天气预报之间的缝隙。

近年来，研究人员利用各国发布的S2S模式历史回报产品开展了包括热浪[5]、降水[6]、季风[7–9]、热带大气季节内振荡（madden-julian oscillation，MJO）及遥相关特征[10–12]、土壤湿度[13]、极端事件[1]、台风[14]等方面的预测技巧分析工作。中国国家气候中心（Beijing Climate Center，BCC）参加S2S预测研究计划模式版本为 BCC_CSM 1.1 m[15]，并基于此模式研发了第2代短期气候模式系统BCC_CSM 2.0[16–18]。在本文中，将BCC_CSM 2.0模式中与S2S的相关的预测系统称为BCC_S2S模式预测系统，简称BCC_S2S模式。吴统文[19]和吴捷[20]等评估了BCC_CSM 2.0模式的预报系统，结果表明：该模式在全球范围内，预报环流、气温和降水的性能较前一代有所提升，但在预报中国东部地区的夏季降水时预测技巧不高。郭渠等[21]对BCC_S2S模式在西南地区的预测效果进行评估，结果表明：在夏季，随着预见期的增加，BCC_S2S模式的预报性能不断下降；在不同区域、不同年份，模式预报性能亦有差异。

中国长江上中游地区地势落差大，水能资源占全国一半以上，针对该区域的模式降水评估对水能利用具有重要的意义。评估BCC_S2S模式的预测性能，可以更有效地利用模式预报信息[22–23]，从而充分利用S2S预测降水时所延长的预报时效，提升政府部门防备洪涝灾害的应急管理水平[24]。

截至目前，对BCC_S2S模式的预测性能检验评估和应用，已开展部分工作[25]，主要聚焦于全国的月或季节降水总量的研究。然而，针对逐日降水及更强的极端降水事件的预报评估的研究较少。因此，拟对BCC_S2S模式提前0～30 d预报长江上中游流域夏季降水的预报精度进行评估，并从单站极端降水事件和区域极端降水事件两方面，综合评价模式对极端降水的预报表现，为提升模式预报精度，提高极端降水的预测技巧提供参考。

1 资料和方法

1.1 研究区域

选择长江上中游流域（upper and middle researches of the Yangtze River，UMRYR）为研究区域（图1），主要位于中国中西部。长江上中游流域横跨中国陆地地势的3级阶梯，从西往东地势下降，落差较大，包括青藏高原、横断山脉、云贵高原等地形单元[26]。长江上中游夏季降水类型复杂交错，从环流背景来看，受南亚高压、西太副高、中高纬度环流、热带季风输送的暖湿气流、海温等外部强迫因子影响[27]；从大范围或局地的天气系统来看，锋面、西南涡、局地强对流、地形抬升对流等，均能引发强降水甚至暴雨[27–28]，继而引发洪涝、泥石流、滑坡等自然灾害。

1.2 研究资料

观测降水数据均下载自国家气象科学数据中心（http://www.nmic.cn/），根据资料连续性、统一性和时间一致性等标准，选取长江上中游范围内140个观测站点的逐日降水资料。以自然流域为划分依据[26]，把长江上中游划分6个子区域。雨量站点分布及子区域划分如图1所示，除金沙江上游无测站外，有站点区域雨量站空间分布均匀，雨量站密度在0.78×104～1.61×104km2/站之间，雨量站海拔范围在191.31 m～2 452.36 m。

图1 长江上中游流域雨量站点空间分布Fig.1 Spatial distribution of meteorological stations in UMRYR

本文评估的预报降水数据来自BCC_S2S模式，该模式由大气分量模式BCC_AGCM2.2、陆面分量模式BCC_AVIM1.0、海洋分量模式MOM5、海冰分量模式通过耦合器CPL5. 0直接动态耦合而成。进行气候预测时，选用美国国家环境预测中心（National Center for Environmental Prediction，NCEP）每日4次的高空再分析资料的风场、温度场和地面气压场作为大气初值，以NCEP全球海洋同化系统的海洋再分析资料作为海洋初值，构建初始驱动场。采用滞后平均预报（lagged average forecast，LAF）和奇异向量扰动（singular vector，SV）进行集合预报，共24个样本集合[25]，格点分辨率为1.5°×1.5°。关于BCC_S2S模式的更多技术细节参见文献[18]。

该模式回报试验数据为每周三、周六滚动预报未来60 d的环流要素和常规气象要素[15]，本文依据BCC_S2S在24°N～36°N，96°E～120°E范围内的2005—2020 年共 16 a的日降水格点资料，采用双线性插值法将BCC_S2S格点降水数据降尺度到站点。

1.3 研究方法和定义

选择相关系数（correlation coefficient，CC）、均方根误差（root mean squared error，RMSE）和平均误差（mean error，ME）3个指标，定量评估BCC_S2S提前0～30 d预报日降水量的精度。评估指标的计算公式分别为：

式中，n为样本总数；Si为BCC_S2S对样本i的预报降水；Oi为样本i的站点观测降水；为BCC_S2S预报降水平均值；为站点观测降水平均值。

本文使用百分位法[29]定义极端降水事件：将每年的日降水量按照升序排列，取95百分位数的降水量的多年平均值作为阈值。当某一单站某日降水量大于等于该值时，则认为发生了一次极端降水事件。在评估模式预报技巧时，对实测降水和模式预报降水均采用相同的阈值。

为评价BCC_S2S模式对长江上中游极端降水的预报性能，对于单站极端降水事件，采用Heidke 技巧评分（Heidke’s skill score，HSS）进行评估，该指标同时考虑了命中率和误报率，能够更好地反映模式定性预测极端降水事件的能力，该评分越高，说明模式对极端降水的预报技巧越好[30–31]。该评分的计算公式如下：

式中，N11为观测降水与预报降水均大于阈值的天数或站数记，N10为观测降水小于阈值且预报降水大于阈值的天数或站数记，N01为观测降水大于阈值且预报降水小于阈值的天数或站数记，N00为观测降水与预报降水均小于阈值的天数或站数记。

对于区域性极端降水事件的定义为：当日降水量大于等于极端降水阈值的站点数占该区域总站点数的比率超过10%时，即认为发生了一次区域性极端降水事件[32]。

聚类分析作为一种统计分类方法，已被应用于极端降水的研究[33]。本文结合区域极端降水评估的需求，采用层次聚类[34]的方法：1）先依照规定的范数计算出类与类之间的距离，把不同样本站点进行分组；2）依据聚类水平矩阵，把指标空间中最接近的两组逐步合并为一个新类。使用相关系数作为测度链接层次聚类：

式中：rij为相关系数测度，i和j表示不同的时间点；k表示空间点；m表示空间点的总数；xik和xjk为站点降水观测值；和表示所有站点在i和j时刻的空间平均值。利用平均轮廓系数图法进行验证，聚类方案是恰当的。将满足定义的2005—2020年夏季的157次极端降水事件分为4类，并依据每种类型的极端降水，对不同的预见期范围（0～10 d、11～20 d、21～30 d）内BCC_S2S预报的降水场进行合成分析。

2 结果与分析

2.1 日降水预报精度评估

按照以下步骤评估模式预报精度：以评估模式各季节的预报性能为例，先用双线性插值法，将模式预报的降水数据插值到各站点，再按照以下步骤操作：1）依照被预报日划分为4个季节，找出各年份中所有包含在该季节内的被预报日；2）计算该季节内被预报日的模式预报降水量和观测站点降水量的CC、RMSE和ME；3）若做区域的预报精度评估，把各站的统计结果取算术平均。

2.1.1 全流域各季节日降水预报精度

图2为BCC_S2S时长江上中游流域各季节日降水量预报精度（灰色虚线代表相关系数通过90%信度检验线）。 如图2（a）所示：各季节模式预报降水与观测降水的相关系数在预报当日最高，随着预见期的增加而降低；至第10 d后，进入低相关系数阶段。模式预报的相关系数在各季节间相差不大，夏季的相关系数最低。据图2（b）可知：各季节均方根误差随预见期的增加而稍有增加，季节间差异较大；夏季均方根误差最大，达到15 mm/d左右。图2（c）给出了平均误差，模式预报夏秋季节降水整体偏多，而冬季偏少。

图2 BCC_S2S 对长江上中游流域各季节日降水量预报精度Fig.2 BCC_S2S forecasting accuracy of daily precipitation in the UMRYR in four seasons

2.1.2 子区域夏季日降水预报精度

由于夏季是长江上中游的主要降水季节，本文后续针对夏季降水进行细致分析。按照自然流域边界划分子区域，并分别计算相关系数、均方根误差和平均误差，如图3所示（灰色虚线代表相关系数通过90%信度检验线）。由图3可知，各子区域的统计值呈现趋势与全流域平均情况一致。相关系数在汉江及江汉平原最高，在金沙江流域最低（图3（a））。均方根误差空间分布特征明显，随预见期增加稍有增加；在金沙江流域最小，约10 mm/d；在其他区域较大，基本位于12～17 mm/d间（图3（b））。平均误差空间分布特征明显，金沙江流域为负偏差，说明模式对该地区降水预报值整体偏小，在其他流域则整体偏大（图3（c））。

图3 BCC_S2S 对长江上中游流域各子区域夏季日降水量预报精度Fig.3 BCC_S2S forecast accuracy of summer daily precipitation for each sub-region in UMRYR

2.1.3 子区域夏季各月份日降水预报精度

为讨论本节中长江上中游各子流域夏季各月的日降水预报精度及第2.2节中的极端降水预报精度，图4给出了各子区域6—8月的月均降水量和月平均极端降水事件频数的区域平均值柱状图。由图4可知：长江上中游偏西偏北的3个子区域（金沙江流域、嘉岷流域、汉江及江汉平原）7月降水最多且易发生极端降水；偏东偏南的3个子区域（上游干流及乌江、洞庭湖流域、鄱阳湖流域）6月降水偏多且易发生极端降水。

图4 各子区域地面观测站点夏季各月月平均降水量、极端降水发生次数的区域平均值Fig.4 Regional mean of monthly mean precipitation and occurrence frequency of precipitation extremes in each sub-region in summer

同前面评估季节日降水预报精度一样，计算了月平均降水预报的相关系数、均方根误差、平均误差3个指标。对于相关系数，变化趋势与图3（a）基本一致：在预报当日最高，随着预见期的增加而降低；至第10 d后，进入低相关系数阶段。由于各子区域各月的相关系数的中值、离散程度差别不大，因此箱线图略。

图5为日降水量预报的均方根误差的统计结果。在夏季各月份中，6月的中位值较小，且离散程度相对较小，表明6月预报误差较小且预报性能相对稳定。对比各子区域，可以看到嘉陵江、汉江及江汉平原流域预报性能较好。

图6为日降水量预报的平均误差。大部分情况下，平均误差在长江上中游的中东部子区域呈正偏差，西部子区域呈负偏差。整体上，6月各区域的平均误差更接近0且离散程度较小；对比各子区域，可以看到嘉陵江流域误差更接近0且离散程度较小。

对比图3的统计结果，模式平均误差在6月洞庭湖流域（图6（m））的平均偏差呈负偏差，如图4（a）所示，在6—8月中，该区域在6月份月降水最高，极端降水频发，此时模式更易低估日降水量值。由于受到较多的大异常值的影响，模式预报的均方根误差在鄱阳湖流域出现了中值低（图5（p）～（r））、均值高（图3（b））的现象。

图6 BCC_S2S 对各自区域6—8月日降水量预报平均误差箱线图Fig.6 Boxplots of ME of daily precipitation forecast from June to August of BCC_S2S model in each sub-region

2.2 夏季极端降水预报评估

2.2.1 夏季单站极端降水预报技巧

利用百分位法定义单站极端降水，计算各站点在夏季的HSS评分，把各站的统计结果按子区域取算术平均，结果如图7所示。可以看出：各子区域极端降水的预报技巧在预见期为0时最高，随预见期增加而降低；在预见期到达5～10 d后，进入低预报技巧阶段，较好的预见期偏短；在汉江及江汉平原最高（HSS评分在0.15至0.64之间），在金沙江流域最低。

图7 BCC_S2S 对长江上中游流域夏季单站极端降水预报技巧的各子区域平均HSS评分Fig.7 BCC_S2S forecasting skills (HSS index) of summer precipitation extremes in each sub-region of the UMRYR

2.2.2 夏季各月份单站极端降水预报技巧

参照第2.1.3节的模式数据与观测数据分组方式，分析夏季各月份极端降水预报技巧，如图8所示。在各月份，模式对极端降水事件的预报技巧在6月最高，8月最低；随着预见期的增加，6月份进入低预报技巧的时间较其他月份更久，较好的预见期更长。各子区域模式对极端降水预报技巧取到最高、最低值所在的月份并不相同，偏东偏南的3个子区域（上游干流及乌江、洞庭湖流域、鄱阳湖流域）在6月，偏西偏北的3个子区域（金沙江流域、嘉岷流域、汉江及江汉平原）在7月预报技巧为高值，降水最多且易发生极端降水（图4（a）和（b）），说明模式预报极端降水技巧在降水较大、极端降水频发的月份更好。

图8 BCC_S2S模式对长江上中游流域各子区域不同月份极端降水的HSS评分随超前天数的变化Fig.8 Change of HSS index of BCC_S2S model for precipitation extremes of each month in each sub-region of the UMRYR with lead days

2.3 夏季区域性极端降水事件的预报评估

参照区域极端降水事件的定义，根据聚类分析方法，以相关系数作为相似系数的测度，把2005—2020年发生的157次极端降水事件按照多雨带的位置划分为4类。将各类降水极端事件的所有降水场分别取算术平均值，得到合成场。合成场的计算结果如图9所示。第Ⅰ类的多雨带位于江西中部和湖南中部，第Ⅱ类的多雨带位于江西北部、湖南北部、湖北东部，第Ⅲ类的多雨带位于重庆、贵州北部、湖北西部，第Ⅳ类的多雨带位于四川中东部。

图9 4类长江上中游流域区域极端降水事件的合成场Fig.9 Composite fields of four types of precipitation extremes in UMRYR

为检验模式对区域极端降水的预报效果，依照各类型的区域极端降水事件发生的日期，分别计算BCC_S2S在预见期为0～10 d、11～20 d、21～30 d预报的当日降水场，并取算术平均值作为合成场。如图10所示：模式预报0～10 d的多雨带位置与原降水合成场基本一致，预报日雨量值偏小。模式预报合成场在预见期为11～20 d、21～30 d时，多雨带的范围及降水量均与原降水合成场相差较大，预报效果不理想。

图10 BCC_S2S预见期为0～10 d、11～20 d、21～30 d预报结果的4类区域极端降水事件的合成场Fig.10 Composite fields of four types of regional precipitation extremes predicted by BCC_S2S 0～10 d in advance, 11～20 d in advance, and 21～30 d in advance

3 结 论

本文基于相关系数、均方根误差和平均误差3个指标，以及HSS评分，评估了中国国家气候中心季节–次季节预报模式产品（BCC_S2S）在长江上中游流域对日降水和夏季极端降水事件的预报性能。

针对长江上中游全流域、全季节的日降水预报，BCC_S2S模式降水和观测降水相关系数在各季节之间差异不大，随预见期的增加而下降；在预见期为5～10 d以后，进入低预报技巧阶段。均方根误差季节差异较大，夏季最高。平均误差统计结果表明模式预报夏秋季节降水整体偏多，而冬季偏少。

针对长江上中游流域的6个子区域，模式在夏季预报的相关系数与全流域平均情况一致，随预见期的增加而下降，在预见期为5～10 d以后进入低预报技巧阶段。均方根误差在金沙江流域最小，在其他区域较大。平均误差在金沙江流域为负偏差，其他流域为正偏差。在夏季各月，相关系数在各月和不同区域差异不大，均方根误差在6月相对较低且离散程度更小，平均误差的离散程度亦是6月相对较小。对比模式在各子区域各月的预报表现，模式在嘉岷流域预报日降水的精度相对较好。

对于各子区域夏季单站极端降水事件，模式预报技巧随预见期增加而降低，在预见期到达5～10 d后，进入低预报技巧阶段。对比不同月份的预报技巧发现，模式对极端降水预报技巧在月降水量偏多、极端降水事件频发的月份较高。

对区域性极端降水事件，将全流域157场极端降水划分为4种分布类型，模式在预见期为0～10 d时，均能较好地再现4类极端降水的多雨带范围，但预报降水量偏低；在预见期10 d之后，预报效果较差。

综上所述，模式对长江上中游地区的日降水和极端降水事件的预报性能随预见期的增加而下降。空间上，模式整体对长江上中游的偏西偏北地区预报较好；而在事件上，模式对6月降水的预报精度相对较高，这可能与6月主要受大范围水汽输送或锋面这样较容易预报的天气系统[27–28]有关。以后还需要对模式再现天气气候系统、物理联系等方面进行进一步研究。