2. 高原与盆地暴雨旱涝灾害四川省重点实验室, 成都 610072
2. Heavy Rain and Drought-Flood Disasters in Plateau and Basin Key Laboratory of Sichuan Province, Chengdu, 610072
四川地处青藏高原东部,地形复杂多样,盆地周围大地形对降水的增幅作用显著,夏季多暴雨洪涝灾害侵袭(齐冬梅等,2016)。继2008年汶川地震之后,山体稳定性进一步降低,新增许多地质灾害隐患点,因此强降水引发的滑坡泥石流等次生灾害出现的频率更高,这就要求预报员对汛期强降水必须做出更精确的预报。除了运用在长期的业务预报和研究中积累的丰富经验之外,快速发展起来的数值模式提供的定量降水预报也是业务预报中不可或缺的参考依据。然而数值预报系统由于大气本身的混沌特性(Lorenz,1963)、初值场误差以及离散化的模式误差等(Lilly,1990;Palmer,2000)都会使得数值预报结果具有较大的不确定性。因此,要想在业务预报中充分发挥数值模式的指导作用,有必要采用一定的释用方法对数值模式直接输出的产品进行处理,从而改进总体预报效果。
对于模式直接输出产品的释用,方法主要有:基于模式发展而发展的统计类方法,如模式输出统计(Model Output Statistics,MOS)法、完全预报(Perfect Prognostic,PP)法、人工神经网络法(林健玲等,2006)、卡尔曼滤波(Kalman Filter,KF)法以及多模式统计降尺度释用(吴进等,2016;王亚男等,2012)等,释用对象也由旨在调整环流形势从而影响具体要素预报的“天气尺度释用”逐渐转向直接调整降水、温度等具体气象要素定量化订正的“中尺度释用”(薛纪善,2007)。目前,一些主要的业务预报系统经上述各方法订正之后,模式各要素预报精度均有显著提升(陈朝平等,2010;陈法敬等,2011;李莉等,2011)。针对模式降水产品的释用,李莉等(2006)采用频率匹配方法展开试验,结果表明该方法能有效减小模式降水预报偏差。李俊等(2014)运用该方法对AREM模式降水预报订正试验表明,频率匹配方法订正后的模式预报降水量级的系统性偏差有较大程度改善,降水落区改进效果程度有限。且该研究在确定订正系数时整个中国区域采用的是同一个订正系数,然而中国幅员辽阔,气候背景也不尽相同,模式系统性偏差分布也有差异,运用同一订正系数订正降水预报可能会使预报偏湿的地方空报减小同时导致预报偏干的地方漏报增加。周迪等(2015)为解决此问题,采用点对点的方式进行概率匹配,但她们只针对50 mm这一降水量值进行订正,得到的产品只能揭示出暴雨发生区域的变化,不同降水量级预报不能实现定量化订正。曹萍萍等(2017, 2018)运用该方法,选取多个离散降水值求取各个格点各自对应的模式降水订正阈值,并运用线性内插实现了对不同降水量级预报定量化订正的结果,结果表明经该方法订正后的预报场对降水量级的预报技巧有较大提升,对降水落区预报偏差的改进效果不明显,故而TS、ETS评分值提升幅度极为有限。杨瑞雯等(2017)采用贝叶斯模型平均方法(A方案)和基于A方案的统计降尺度模型二次订正方法(B方案)对集合降水预报订正表明,A方案对小雨、中雨订正效果较好,B方案对50 mm以下降水量级及落区调整有一定效果,但对50 mm以上量级降水订正效果不显著。针对上述各种方法不能有效改善50 mm以上强降水预报效果这一不足,本研究探索了一种新的定量降水订正方法。
从长期的业务预报经验来看,ECMWF(European Centre for Medium-Range Weather Forecasting)模式对于四川地区的降水预报无论从综合预报效果还是预报稳定性上来讲,都是业务中首要的参考依据,故本文选择该模式定量降水预报做进一步订正。然而从ECMWF模式系统性检验来看(曹萍萍等,2018),模式对四川地区对流性降水过程24h累计降水预报值偏小。四川省短时强降水概率预报系统(陈永仁等,2017)于2015年汛期面向全省投入使用。该系统的构建主要基于“配料法”,配料因子通过主成分分析方法分解536站次强降水个例中动力、热力、水汽及能量条件各诊断量模式预报值确定,配料系数取为各因子贡献大小,而阈值选择根据因子的方差大小来确定,方差大采用阈值法,方差小采用平均值法。当模式预报相关物理量超过设定阈值,则给予相关权重,由此累加可得3 h间隔短时强降水(20 mm·h-1)概率预报产品。从2015—2018年汛期的使用情况看,该概率预报系统概率值超过65%的区域基本都有短时强降水产生,尤其是针对对流性降水过程预报效果较好,故本文结合3 h短时强降水预报概率值,统计各格点各个转换概率阈值的次数,探索了一种针对模式24 h累计降水预报的强降水订正方法。并运用该方法对2018年6—8月降水集中时段进行逐日试验检验,且对该方法的一些局限性进行了讨论。
1 资料和方法 1.1 资料运用2016—2018年6—8月四川地面观测降水资料(含加密自动站)及同时段ECMWF模式20时(北京时,下同)起报的各要素预报场(降水、高度、风、温度、湿度等)。为了保证数据的可靠性,本研究已对所有自动站的降水数据从气候学界限检查及空间一致性检查两方面进行质量控制,最后参与计算的自动站总数为3 880个。模式资料预报时效采用的是24—72 h,水平分辨率地面要素为0.125°×0.125°,高空要素为0.25°×0.25°,时间分辨率为3 h。
1.2 方法 1.2.1 转换阈值的确定基于“配料法”(配料因子阈值由主成分分析方法分解536站次强降水个例中动力、热力、水汽及能量条件各诊断量模式预报值确定,配料系数取为各因子贡献大小)所得的短时强降水客观预报产品是通过概率的形式表现的,即通过赋予0~100之间的任意值来表征出现短时强降水的可能性,因此是一种概率预报产品,然而当前发布的业务产品仍然以确定性落区为主,因此需要一座桥梁将概率预报和确定性预报连接起来。选取2017年6—8月共36次明显强降水天气过程计算命中率及空报率,两者取得合理结果时的概率阈值并结合系统日常业务检验经验值综合考虑确定概率预报向确定性预报转换的给定阈值。
图 1给出了50 mm以上实况降水对应3个时次满足各概率值时命中率及空报率变化,可以看出,当概率值取50%时,暴雨命中率为0.5左右,但空报率太高,接近0.7,且结合日常业务检验来看,预报概率值50%以下时实况基本未出现短时强降水,故将50%设为大量级降水调小的参考阈值。陈永仁等(2017)对短时强降水概率预报系统的检验指出短时强降水概率值达65%以上的区域基本有短时强降水发生。从本研究命中率及空报率计算结果(图 1)来看,8个时次中有3个时次大于等于65%的暴雨命中率为0.2左右,与日常业务产品检验水平相当,进一步验证了65%概率阈值的合理性。共3个时次大于等于65%概率的暴雨空报率在0.5左右,略微偏高,但考虑到短时强降水的局地性和可能的破坏性,从服务的角度考虑,我们往往希望可以有稍许的空报而尽可能减少漏报。综合命中率、空报率及参考陈永仁等(2017)对该系统运行3年来多个个例检验的结果,本研究采用65%作为概率阈值向20 mm·h-1确定性预报转换的给定阈值。另外如果某个时次概率预报值达80%以上,则侧面表明各诊断量配置对短时强降水出现极为有利,且从日常业务参考该产品经验来看,当概率值达80%以上时,基本都有50 mm·h-1以上强降水发生,故确定80%为50 mm·h-1以上量级调整的转换阈值。
基于ECMWF模式3 h间隔短时强降水概率预报分布进一步订正24—72 h时效24 h累计降水模式预报强降水分布,具体订正步骤如下:
(1) 基于给定转换概率阈值(50%、65%、80%),统计某一格点24 h时段内8个时段中概率大于等于65%的次数,记为L1; 8个时次中概率≤ 50%的次数,记为L2;8个时次中概率大于等于80%的次数,记为L3。
(2) 根据3 h短时强降水概率值的统计情况,模式24 h累计降水量具体的订正公式如下
$ R_{1}=\left\{\begin{array}{ll} 100+R_{0} / 5 & 50 \leq R_{0} <100 且\left(l_{1} \geq 5 或者 l_{3} \geq 2\right) \\ 50+R_{0} / 5 & 10 \leq R_{0}<50 且 l_{1} \geq 3 \\ R_{0}-25 & R_{0} \geq 25 且 l_{2} \geq 5 \end{array}\right. $ | (1) |
式(1)中:R0、R1分别表示模式订正前、后的降水量值。该式物理意义为:当模式24 h累计降水量预报在50~ 100 mm之间,且对应24时段内3 h间隔时段降水概率值大于等于65%的次数达到5次及以上或者短时强降水概率值大于等于80%的次数达到2次及以上,分别表示有5个时次有极大可能出现20 mm·h-1以上强降水或2个时次有极大可能出现50 mm·h-1以上强降水,因此有理由认为实况极有可能出现100 mm以上降水,则模式预报偏小,考虑将降水量值向上调至大暴雨量级。为拉开调整后降水量值的梯度,设置偏差降水值为(R0 - 50)/5 mm,同时也能保持模式原预报值的空间分布形态;当模式24 h累计降水量预报在10~50 mm之间,且对应24时段内3 h间隔时段出现20 mm·h-1短时强降水概率值≥ 65%的次数达到3次及以上,累计时段内实况极有可能出现50 mm以上降水,则认为模式预报偏小,考虑将降水量值向上调至暴雨量级,R0/5同样为偏差降水值;当模式24 h累计降水量预报在25 mm以上,且对应24时段内3 h间隔时段出现20 mm·h-1短时强降水概率值小于等于50%的次数达到5次及以上,且所有时次概率预报最大值小于65%时,则认为模式预报偏强,考虑将降水量值向下调整一个量级。
1.2.3 检验方法由于点对点评分方法对预报与观测空间分布一致性要求过于苛刻,“双惩罚”现象严重,对模式尤其是高分辨率模式预报性能的评定并非合理,因此在评估高分辨率模式降水预报能力上有一定缺陷,故本文采用了点对面检验方法。在点对面检验中,预报正确的次数等需要通过对常规地面气象站和其周围加密自动站的处理,即通过搜索地面常规气象站一定距离(文中取为30 km)范围内自动站的记录情况。把常规地面气象站定为检验站,以每个检验站为中心,其周围一定距离范围内的空间即是面,分布在这一面上的加密自动站均可被相应的检验站点检索到。
点对面检验方法中常规地面气象站与加密自动站的“点”和“面”匹配原理如图 2所示,图中黑色实心点表示常规地面气象站(检验站),黑色实心三角表示加密自动站。对于给定的检验站,通过黑色圆圈所示的搜索范围对检验站一定半径内的加密自动站进行检索。
基于上述点对面的配置,以模式预报为基准:当某一站点模式降水预报值满足特定量级,且此站点周围30 km范围内实况站点出现了该量级降水,则预报正确的站点数(Na)加1;当某一站点模式降水预报值满足特定量级,且此站点周围30km范围内实况站点未出现该量级降水,则模式空报的站点数(Nb)加1;当某一站点模式降水预报值未满足特定量级,且此站点周围30 km范围内超过1/3站数的实况站点出现了该量级降水,则模式漏报的站点数(Nc)加1。根据统计出来的Na、Nb、Nc,各检验指标具体计算公式如下所示。
$ T S=\frac{N_{a}}{N_{a}+N_{b}+N_{c}} $ | (2) |
$ 命中率=\frac{N_{a}}{N_{a}+N_{c}} $ | (3) |
$ 空报率=\frac{N_{b}}{N_{a}+N_{b}} $ | (4) |
$ 漏报率=\frac{N_{c}}{N_{a}+N_{c}} $ | (5) |
为更好地订正模式24 h累计降水预报,有必要对模式预报在四川地区的系统性误差作分析,图 3给出的是2016—2018年夏季平均降水量观测和模式24— 72 h时效预报的空间分布特征。由图知,从降水量级来看,观测的平均降水值基本都在6 mm以下;从雨带分布来看,10.5 mm以上的强降水落区主要分布在盆地西北部沿山一线以及盆地西南部,另外在攀西地区南部也有一个降水的相对大值区。模式预报三个时效对比来看,预报稳定性较好,平均降水值的空间分布较一致。与观测对比,从雨带分布来看,模式预报雨带分布与实况较一致,均是在盆地周围山区以及攀西地区南部平均降水量值较大;从降水量级来看,模式预报量级比实况偏小,除雅安的10.5 mm以上大的降水中心与实况对应较好外,其余地方尤其是盆地西部及南部,模式预报平均降水量值明显比观测值小。
为更直观地了解观测与模式预报降水量级的差异,表 1给出了2016—2018年夏季各等级降水站数对比,可以看出,小雨、中雨量级模式空报明显,尤其是24—48 h、48—72 h时效预报。大雨、暴雨及大暴雨量级模式预报较观测而言存在漏报,且漏报比例接近50%,尤其是24—48 h时效暴雨预报漏报率达60%以上,这对于实际业务中的强降水预报指导意义有限,需要进一步提高。
表 2给出的是2018年6—8月25 mm和50 mm以上24 h累计降水逐日试验点对面计算的检验结果,由表知,各等级降水各时效订正后的模式预报相比订正前而言,命中率、TS评分均有明显改善,且随着预报时效的延长,各指标数值提高的幅度更大。另外,订正后的模式预报各时效漏报率明显减小,与此同时虽然0—24 h、24—48 h时效预报空报率有所增加,但空报率增加幅度远小于漏报率减小幅度。尤其是50 mm以上降水预报,订正前命中率、TS评分值均很小,而空报率、漏报率却较大,表明预报正确的站点较少。订正后命中率、TS评分明显提高,漏报率明显减小。这表明订正后的模式预报相比订正前而言暴雨预报效果有较大改进,给实际业务中预报员对于强降水落区的准确把握奠定了基础。
图 4给出的是2018年7月26日20时—27日20时ECMWF模式24—72 h预报时效24 h累计降水订正前后的对比图,由图可见,本次过程25 mm以上降水落区主要位于盆地西部、北部及凉山州东北部,另外在攀西地区南部也有少数分散的大到暴雨点。订正前三个时效模式预报量级均显著偏小,暴雨存在明显漏报,0—24 h时效订正后盆地西部的强降水落区与实况分布较一致,盆地北部分散的暴雨点预报比实况范围偏大;24—48 h、48—72 h时效预报盆地西南部的强降水落区与实况分布较一致,盆地西北部强降水雨带位置略偏东,盆地东北部及攀西地区南部空报较0—24 h时效更明显。从实际预报的参考性来讲,订正后的模式预报能够给予预报员本次过程主要落区在盆地西部、北部的线索提示,相比订正前指示作用更明显。
图 5给出的是2018年8月2日20时—3日20时ECMWF模式24—72 h预报时效24 h累计降水订正前后的对比图,由图可见,本次过程25 mm以上降水落区主要位于盆地西南部、南部、中部、西北部及攀西地区南部。订正前三个时效模式预报25 mm以上降水落区主要位于盆地西南部,且强降水落区范围明显偏小。订正后盆地南部及攀西地区南部的强降水预报效果明显提高,尤其是攀西地区南部24—48 h、48— 72 h时效订正前模式预报几乎没有给出25 mm以上降水落区信息,订正后的预报大到暴雨落区与实况分布较一致,订正效果较好。盆地中部及西北部的强降水范围订正后相比实况分散的大到暴雨落区来讲存在一定程度的空报。
图 6给出的是2018年8月21日20时—22日20时ECMWF模式24—72 h预报时效24 h累计降水订正前后的对比图。由图可见,本次过程25 mm以上降水落区主要位于盆地西南部、南部、东北部以及凉山州东北部,另外在盆地西北部以及攀西地区中部局部地方也有大雨点。订正前三个时效模式预报量级均显著偏小,暴雨预报范围小且分散,订正后0—24 h时效25 mm以上降水落区分布与实况较一致,订正效果最好。24—48 h、48—72 h时效预报订正后相比订正前盆地西南部、南部及攀西地区分散的强降水落区预报效果有较大提升,盆地东北部除巴中、达州的强降水落区与实况分布较一致之外,在广安境内存在一定程度的空报,但整个订正后的预报图相比订正前警示意义更强,从预报角度来讲不容易出现大过程把握的疏漏。
为进一步了解模式预报订正前后降水强度的变化,计算了上述3个个例大雨以上、暴雨以上量级降水订正前后预报正确站数的变化如表 3所示,可以看出,各等级降水各时效预报订正后预报正确的站数均有明显增加,尤其是暴雨量级预报,订正前模式预报正确站数极少,降水量级预报明显偏小。订正后量级有明显提升,预报正确站数显著增加,尤其是个例1暴雨预报几乎是从无到有,这对于实际业务预报的参考有明确指示意义。
本研究利用2016—2018年6—8月四川地面观测降水资料(含加密自动站)及同时段ECMWF模式20时起报的各要素预报场资料,分析了该模式对四川地区夏季降水预报的系统性偏差,并基于3 h间隔强降水概率预报产品,根据统计所得各格点各个转换概率阈值的次数,订正模式预报24—72 h时效24 h累计降水量场。选取2018年6—8月这一降水集中时段进行逐日试验检验,从命中率、TS评分等综合评价指标以及典型个例分析角度阐述了订正前后的预报效果变化。得出以下主要结论:
(1) 从模式与观测夏季平均降水量空间分布来看,模式预报雨带分布与实况较一致,均是在盆周山区以及攀西地区南部平均降水量值较大;模式预报量级比实况偏小,除雅安境内的大值降水中心与实况对应较好外,其余地方尤其是盆地西部及南部,模式预报平均降水量值明显比观测值小。
(2) 从模式与观测各等级降水站数对比来看,小雨、中雨量级降水模式空报明显,尤其是24—48 h、48—72 h时效预报。大雨、暴雨及大暴雨量级降水模式预报存在较多漏报站点,且漏报站点相较实况站点数比例接近50%,尤其是24—48 h时效模式暴雨预报漏报率达60%以上。
(3) 从逐日试验各检验指标来看,各等级降水各时效订正后的模式预报相比订正前而言,命中率、TS评分均有明显改善,尤其是针对50mm以上量级的预报,且随着预报时效的延长,各指标数值提高的幅度更大。另外订正后的模式预报各时效漏报率明显减小,与此同时虽然0—24 h、24—48 h时效预报空报率有所增加,但空报率增加幅度远小于漏报率减小幅度。
(4) 从个例检验结果来看,文中所选3个个例订正前模式预报量级均明显偏小,订正后降水量级明显增大,主要的强降水落区预报效果相比订正前而言有较大程度提升,尤其是0—24 h时效预报,订正后25 mm以上降水落区分布与实况基本一致。
对四川地区2018年6—8月降水集中时段的检验结果表明,本文使用的基于3 h短时强降水概率预报分布订正24 h累计降水量场方法,对于对流性较强的重大天气过程预报技巧明显提高,但这是否是时段选择的结果而非方法本身的作用,还需更长时段的进一步验证。另外,该方法在漏报率减小的同时空报率会有一定程度的增加,为得到更接近实况分布的预报场,还需在今后的强降水过程检验中不断总结,反复调整具体的转换概率阈值及降水量级区间的选取等,以期获得更为准确的降水预报场。
曹萍萍, 陈朝平, 徐栋夫, 等. 2017. 基于集合预报的四川夏季强降水订正试验[J]. 热带气象学报, 33(1): 111-118. |
曹萍萍, 肖递祥, 徐栋夫, 等. 2018. 基于概率匹配的西南区域模式定量降水订正试验[J]. 气象科技, 46(1): 102-111. |
曹萍萍, 肖递祥, 王佳津, 等. 2018. SWCWARMS及ECMWF模式对四川盆地暖区型和斜压锋生型暴雨预报检验分析[J]. 高原山地气象研究, 38(1): 22-29. DOI:10.3969/j.issn.1674-2184.2018.01.004 |
陈朝平, 冯汉中, 陈静. 2010. 基于贝叶斯方法的四川暴雨集合概率预报产品释用[J]. 气象, 36(5): 32-39. DOI:10.3969/j.issn.1003-6598.2010.05.012 |
陈法敬, 矫梅燕, 陈静. 2011. 一种温度集合预报产品释用方法的初步研究研究[J]. 气象, 37(1): 14-20. |
李俊, 杜钧, 陈超君. 2014. 降水偏差订正的频率(或面积)匹配方法介绍和分析[J]. 气象, 40(5): 580-588. |
李莉, 李应林, 田华, 等. 2011. T213全球集合预报系统性误差订正研究[J]. 气象, 37(1): 31-38. |
李莉, 朱跃建. 2006. T213降水预报订正系统的建立与研究[J]. 应用气象学报, 17(增刊): 130-134. |
林健玲, 金龙, 彭海燕. 2006. 区域降水数值预报产品人工神经网络释用预报研究[J]. 气象科技, 34(1): 12-17. DOI:10.3969/j.issn.1671-6345.2006.01.003 |
刘琳, 陈静, 程龙, 等. 2013. 基于集合预报的中国极端强降水预报方法研究[J]. 气象学报, 71(5): 853-866. |
齐冬梅, 李跃清, 周长艳, 等. 2016. 夏季青藏高原湿池变化特征及其与降水的关系[J]. 沙漠与绿洲气象, 10(5): 29-36. DOI:10.3969/j.issn.1002-0799.2016.05.005 |
王亚男, 智协飞. 2012. 多模式降水集合预报的统计降尺度研究[J]. 暴雨灾害, 31(1): 1-7. DOI:10.3969/j.issn.1004-9045.2012.01.001 |
吴进, 付宗钰, 吴剑坤, 等. 2016. 北京地区夏季多模式降水预报的降尺度集成应用[J]. 气象科技, 44(1): 55-60. DOI:10.3969/j.issn.1671-6345.2016.01.010 |
薛纪善. 2007. 和预报员谈数值预报[J]. 气象, 33(8): 3-11. DOI:10.3969/j.issn.1000-0526.2007.08.001 |
杨瑞雯, 赵琳娜, 巩远发, 等. 2017. 中国东南地区降水的两种集合预报综合偏差订正对比分析[J]. 暴雨灾害, 36(6): 507-517. DOI:10.3969/j.issn.1004-9045.2017.06.003 |
周迪, 陈静, 陈朝平, 等. 2015. 暴雨集合预报-观测概率匹配订正法在四川盆地的应用研究[J]. 暴雨灾害, 34(2): 97-104. DOI:10.3969/j.issn.1004-9045.2015.02.001 |
Lilly D K. 1990. Numerical prediction of thunderstorms-Has its time come[J]. Quart J Roy Meteor Soc, 116(494): 779-798. |
Lorenz E N. 1963. Deterministic Non periodic Flow[J]. J Atmos Sci, 20(2): 130-141. DOI:10.1175/1520-0469(1963)020<0130:DNF>2.0.CO;2 |
Palmer T N. 2000. Predicting uncertainty in forecasts of weather and climate[J]. Rep Prog Phys, 63(2): 71-116. DOI:10.1088/0034-4885/63/2/201 |