目前，基于局地资料同化特别是雷达资料同化的对流尺度数值预报技术应用于实际业务尚不十分成熟，特别在最初的数小时仍然存在“模式起转”的问题，而基于雷达观测和回波识别、追踪、外推的临近预报技术又无法提供2 h以上的对流天气系统发展演变的高质量预报，将临近预报和数值预报进行融合，就成为目前提供对流尺度天气系统特别是对流强降水0—6 h有效预报的最重要途径和手段之一(WMO/TD No.1505，2009)。在2011年世界气象组织世界天气研究计划临近预报工作组(WMO-WWRP WGNR)会议上，世界各国临近预报专家讨论并强调指出，临近预报技术与数值预报技术的融合是延长临近预报时效至2 h以上的根本技术途径，应作为重要的技术发展方向予以推动(Use of NWP for Nowcasting General Information，2011)^①。

国际上最先使用融合方法的是英国的Golding(1998)和Pierce等(2001)，二者研究试验了物理空间的融合，通过给雷达回波外推结果一个固定随时间减小的权重来实现，而这个固定权重又是时间的指数。曾有研究工作(Germann et al，2002；孔荣等，2010；王珏等，2008；Casati et al，2004)表明，降水结构可预报性与动力过程及降水尺度有关，因此，降水预报的融合技术要进行多尺度的处理(Atencia et al，2010；Wong et al，2009)。在短期集合预报系统中融合雷达外推和数值预报，根据降水过程的尺度不同，在融合过程中用不同的权重标准(Bowler et al，2006)。此外，一些学者(Germann et al，2002; 俞小鼎等，2005；张沛源等，2008；王改利等，2005)比较了以雷达探测为基础的临近预报和数值预报结果，通过设置从雷达产品到模式产品的最佳时间变化曲线，来最优化基于统计方法的模式和雷达产品的融合结果(Lin et al，2005；Shoji et al，2006)。Bowler等(2006)开展了融合基于雷达探测的外推预报和降尺度的数值预报工作，通过融合雷达回波外推和数值预报降尺度结果，产生多尺度定量降水场预报的概率，这种方法不但计算了运动的不确定性，还考虑了降水发展的不确定性(Schmid，2002)。Lee等(2009)比较了校正的数值预报场和观测场，表明位相校正后的数值预报和基于雷达的临近预报的水平相似。综上所述，融合技术发展可以分为3种不同方法：第1种为面积匹配法，依据时效给予数值预报和临近预报不同的权重；第2种为趋势法，用数值模式预报区域的部分变化来调整临近预报的强度和区域；第3种为识别器法，通过识别器识别中尺度模式降水预报的落区及降水强度的误差，这些误差有一定的时间变化规律，利用误差时间变化规律调整相应时段的降水预报落区和降水强度。

在国际上比较成型的定量降水预报融合系统中，英国的NIMROD强降水预报系统基于物理空间融合技术，属于上述3种融合方法的第1种方法，是一个将临近预报技术与数值模式产品相结合的短时预报系统，主要用于0—6 h系统性强降水的短时临近预报(Golding，1998)。该系统在降水预报方面，先由雷达、卫星、地面资料和数值预报产品分析处理得到降水率，然后采用平流计算预报降水量，再用模式产品估计降水的增长或减弱，调整预报降水量。美国国家大气研究中心(NCAR)的NIWOT系统也是一个定量降水预报融合系统(Wilson et al，2010；梁丰，2011)，其特点是将基于雷达探测的外推临近预报和基于模式的数值预报进行融合，将预报时效从2 h延长至6 h。在NIWOT 系统中，假定临近预报算法对降水落区的预报是最好的，数值模式对降水范围的变化有一定的预报技巧，如果在预报发布时刻有大于35 dBz 的回波出现，则使用临近预报算法预报未来回波的位置，再根据模式预报的回波区域对临近预报的回波面积进行调整，如果预报发布时刻没有大于35 dBz 的回波，而数值模式预报未来有回波，则使用模式预报结果。中国的Feng等(2007)开展了基于GRAPES 模式的融合预报系统研究。该系统使用模糊逻辑法将由交叉相关追踪算法得到的位移矢量与逐时更新同化循环模式(GRAPES-CHAF)的水平风场预报相融合，得到外推矢量场，在系统中考虑到由于交叉相关追踪算法矢量的最小分辨率限制而引起的外推误差和回波像素位置预报中的截断误差，在反射率因子回波预报中还使用了格点补偿方案。此外，中国在雷达外推回波预报时，也有的用到模式预报风场，来提高雷达外推的效果，也是探索雷达和模式融合的一种方法试验(Liang et al，2010)。香港天文台也研发了一套名为RAPIDS(Rainstorm Analysis and Prediction Integrated Data-processing System)的融合临近预报和数值预报的定量降水预报融合系统。RAPIDS系统在临近预报结果的基础上，通过融合数值预报的降水结果，克服了临近预报系统的预报时效问题和数值预报的“起转”问题，提高了0—6 h的定量降水预报效果，特别是提高了降水强度的预报准确率(Lai et al，2006；Wong et al，2006a，2006b，2009；杨汉贤等，2010；Li et al，2000，2004)。该系统的融合算法属于上述的第3种算法，即识别器法，首先识别中尺度模式降水预报的落区及降水强度的误差，利用“位相修正”技术对数值天气模式预报雨带的位置误差进行修正，同时根据实况观测的雨量调整模式的降水强度。在融合算法上，临近预报的逐时降水预报和经校正的模式预报由双曲线函数确定权重因子，随着预报时效的延长数值模式预报结果的权重逐步加大。

北京城市气象研究所通过与香港天文台合作，在2010年引进其RAPIDS系统框架。本试验的融合预报系统是在RAPIDS的基础上发展而来的，技术思路相似，进一步发展了对数值模式定量降水预报所进行的强度和位相修正，基于双曲正切线权重函数，将临近预报定量降水预报和校正后的数值模式定量降水预报进行融合，初步实现了对北京自动临近预报系统(BJ-ANC)(陈明轩等，2007，2010)和北京快速更新循环数值预报系统(BJ-RUC)(陈敏等，2010)的0—6 h 定量降水预报的融合，并根据典型环流与天气特征采用不同的双曲正切权重曲线，使融合权重随天气特征动态变化。本文主要对融合技术方案及参数调整试验、典型个例试验、结果检验等几方面进行较为详细的描述。

利用京津冀地区同步的6部新一代天气雷达(北京、天津、石家庄、秦皇岛S波段和张北、承德C波段)的反射率因子回波拼图和北京自动临近预报系统(BJ-ANC)Z-R关系算法，计算得到基于雷达探测的1 h定量降水估计结果(陈明轩等，2010)，并采用中国国家气象信息中心下发的质量控制后的逐时区域自动站降水资料(京津冀地区600多个自动站雨量观测资料)，对雷达定量降水估计进行订正，作为融合预报试验的降水“真值”。

对雷达定量降水估计订正的基本思路是认为质量控制后的自动站降水量是客观的，能代表一个区域的平均降水，而雷达定量降水估计能够反映降水场的结构，但存在量值上的系统性偏差，可以利用自动站所在位置的雷达定量降水估计和自动站雨量观测间的偏差来校正自动站及其周边区域的雷达定量降水估计结果。本研究使用Cressman客观分析技术对雷达定量降水估计进行校正，具体方法和步骤如下：

(1)将雷达定量降水估计(格点资料)插值到自动站站点上。

(2)计算每个观测站点的降水“观测增量E_i”，即雷达定量降水估计与自动站降水观测的偏差。

(3)使用Cressman分析技术计算格点的偏差增量(C_v)

点击浏览公式

(4)利用计算得到的格点偏差增量，修正雷达定量降水估计，得出融合雷达和自动站观测的定量降水估计，作为融合预报试验所用的降水“真值”。

在原有预报时效为0—2 h的BJ-ANC系统基础上，通过对“外推”算法和参数进行调整，将BJ-ANC系统的回波预报时效延长至6 h，再利用一个局地的Z-R关系(陈明轩等，2010)，计算得到基于临近预报技术的0—6 h 定量降水预报。

基于数值模式的0—6 h 定量降水预报由北京快速更新循环数值预报系统(BJ-RUC)来提供。BJ-RUC系统是基于三维变分同化技术(3DVar)和WRF-ARW模式建立的3 h周期快速更新循环预报系统。该系统预报区域覆盖大部分中国区域，为3重嵌套，分辨率分别为27、9和3 km，3 km分辨率区域覆盖京津冀地区。BJ-RUC系统每天20时(北京时，下同)冷启动，每隔3 h进行一次三维变分同化，同化资料包括从中国国家气象信息中心实时数据库获得的全球探空、地面、船舶、飞机等全球观测资料，以及北京地区自动站资料和地基全球定位系统(GPS)可降水量资料，每3 h同化后进行24 h预报，预报产品输出间隔为1 h(陈敏等，2010)，由此得到逐时的模式定量降水预报。

对于数值预报降水位相校正方法，采用两步校正。第1步，先用快速傅立叶变换(FFT)法，保证雨带整体位移偏差得到修正。第2步，用多尺度光流变分法，再使雨带的走向和小范围降水区得到合理调整，使得BJ-RUC预报的降水落区与实况更吻合。若只采用第1步快速傅立叶变换法校正，通常达不到较好的位相校正效果。

(1)使用快速傅立叶变换获取总位相平移场：快速傅立叶变换算法是频谱分析的基础之一，可以有效地提取混合信号中含有周期成分信号的频率、幅值、相角等特征量，其主要的思想是将时域内信号分解为多个具有不同幅值相位的正弦信号叠加的形式，从而实现对信号的频谱分析(胡广书，2005)。本试验通过对同时刻的定量降水估计场和数值模式定量降水预报场进行快速傅立叶变换处理，求出同时刻降水观测和预报的谱空间偏差，根据谱空间的偏差，校正数值预报的降水分布。针对京津冀地区的定量降水预报试验范围较大的特点，在对降水格点数据进行快速傅立叶变换时，分为多级变换进行处理：第1次快速傅立叶变换预报范围作为整体计算区域处理，求出相关偏差；第2次快速傅立叶变换预报范围作为2×2个计算区域；以此类推，最后做到第4次快速傅立叶变换时，既保留了降水区整体特征，又不漏掉降水区细节特征，达到比较好的效果。

(2)使用多尺度光流变分法进行区域位相调整：光流的概念源自图像处理技术中的物体运动检测法，在计算机视觉应用中非常有用。简单来说，物体的运动可以用运动矢量场描述，而当投影在一个平面图像上，运动往往是通过图像序列中不同点的灰度或光度分布随时间的变化来体现，这种灰度或光度的变化趋势，定义为光流场，以矢量场(u，v)表示。由于光流场牵涉两个独立变数u及v，所以光流方程本身并不足以解题，而必须加入额外的条件或资料，才能获得唯一解。文献上可找到很多解决方法，本文采用杨汉贤等(2010)基于变分法及光流场平滑化的算法，将光流方程写为代价函数J₀，并假设光流具有物理运动的连续性，对其矢量场(u，v)加上平滑化的要求，以代价函数J_s表示，运用变分法将总代价函数J最小化

点击浏览公式

通过这个多尺度分析技术，可以得到雨带在每个设定分辨率或尺度下的运动矢量，而其整体的群速和个别回波的相位速度亦能够在最终的分析场中反映出来。通过求取平移后的预报降水场和实际降水场的误差平方极小值来得到预报降水场的最佳平移位置，进而得到位相校正向量的值。一旦最优平移被确定，就可以将相同的映射集参数应用于具有相同初始场的下一个时次模式定量降水预报场的校正中。

在京津冀地区，由于一般的强对流降水区占计算区域的比例相对较小，因此，在多尺度光流法中，降水尺度也较小，需要选取比较合理的格点数，本试验在1 km分辨率下，一般取10或20个格点平均移动位相的效果较好。

(3)降水位相校正试验：以上方法在实际应用中要获得合理的预报效果，还需要对有关参数进行试验调整，以避免位相调整太多太频繁，以及多次调整带来的差错。根据京津冀地区融合预报的计算区域和BJ-RUC模式降水预报的历史表现，本试验设定了位相调整阈值，即误差达到一定值时才进行位相调整，提高了位相调整效果。图 1为2011年6月23日16—17时的模式降水预报及其位相调整后的分布。

图 1 2011年6月23日16—17时降水数值预报位相校正前后对比 (a. 原始的定量降水预报，b. 进行快速傅立叶变换和多尺度光流法校正后的定量降水预报，c. 降水实况，d. 只进行快速傅立叶变换校正的定量降水预报；红框为实况的主体降水区域，2011年6月23日16时起报) Fig. 1 Comparison of the phase corrected and initial QPF by the NWP model from 16:00 to 17:00 BT 23 June 2011 (a. Initial QPF，b. Corrected QPF by the FFT and multi-scale optical flow，c. QPE，d. Corrected QPF by only the FFT; Main rain zone of QPE is marked with red frame; The blending starts at 16:00 BT 23 June 2011)

图选项

图 1中红框为实况降水主体区域(图 1c)，在图 1的各子图中，红框的相对位置保持不变，可以看出预报和实况主体降水的吻合程度。图 1a是原始数值模式降水预报，与实况在落区和强度上都有较大差异；图 1b是经过快速傅立叶变换和多尺度光流法调整后的定量降水预报，调整前后雨区有大幅度的移动，调整后的降水预报中心移入北京范围内，数值模式预报的降水落区偏北偏东，位相调整后大为改善，可以看出北京地区有大范围强降水，与降水实况较接近；图 1d是只经过快速傅立叶变换调整后的定量降水预报，只有一步快速傅立叶变换调整时，虽然也向实况靠近，但与实况仍有较明显差距，特别是强雨区和实况不符。可见通过先用快速傅立叶变换法，保证雨带整体位移偏差得到修正，然后用多尺度光流变分法，再使雨带的走向和小范围降水区得到合理调整，使得BJ-RUC预报的降水落区偏北偏东的情况大为改善。很明显，在进行了两步降水位相调整后，模式预报降水与实况观测降水更接近。

(1)降水强度校正方法：降水强度校正是通过模式定量降水预报向定量降水估计逼近来调整的。假设模式定量降水预报与定量降水估计场满足韦伯分布(张秀芝，1996)，且定量降水预报和定量降水估计两个场的累计分布函数(实型随机变量的概率分布)相同。试验中用2个参数的韦伯分布，其累计分布函数为

点击浏览公式

每次运行时，通过多样本运算求解，得到韦伯分布的参数α、β。值得注意的是，在不同降水个例不同时次运行中，韦伯分布参数不同，每次强度调整的情况也不一样，这样才能保证每次个例强度调整有效。

(2)降水强度校正试验：图 2a是经过两次位相调整后但没有调整强度的北京地区定量降水预报，图 2b是经过两次位相调整后和调整强度的北京地区定量降水预报，图 2c是北京地区降水实况。可以看出数值预报降水强度调整较明显，经强度调整后，大于50 mm的强降水(红色区域)范围明显变大，并与实况降水的落区和强度较吻合；25—50 mm的较强降水(橙色区域)范围也变大，与实况较接近；此外，图 2中原始数值预报最大雨量为60 mm，调整后最大雨量为89 mm，实况降水最大值为128 mm，由于本次过程实况降水很强，数值预报的降水强度偏弱，因此，本次调整后的预报降水强度增大了。强度调整是通过计算每次运行时韦伯分布的α、β等参数，合理地调整了降水强度，调整后数值预报值与实况更接近。可以看出，通过强度调整后，预报与实况的雨区分布走向较一致，在降水强度预报方面上，能有效地提高预报效果，有利于与临近预报的融合，得出更接近实况的融合预报。

图 2 北京地区的2011年6月23日16—17时降水数值预报强度调整前后对比(a. 位相调整后但没有调整强度的定量降水预报，b. 强度调整后的定量降水预报，c. 16—17时降水实况;2011年6月23日15时起报) Fig. 2 Comparison of the intensity corrected and initial QPF by the NWP model from 16:00 to 17:00 BT 23 June 2011 in Beijing(a. QPF only phase-corrected，b. QPF by phase- and intensity-corrected，c. QPE)(The blending starts at 15:00 BT 23 June 2011)

图选项

融合的方法实质是“取长补短”，融合前期取临近预报的“长”补数值预报的“短”，融合后期则是取数值预报的“长”补临近预报的“短”，达到在0—6 h内取得较好的预报效果。但什么时候该取数值预报占多少比例，取临近预报多少比例，即融合权重分配是个关键问题。本试验实现临近预报与数值模式的融合是采用正切动态权重融合法，临近预报和数值预报的输出预报值的相对权重随着时间的改变需要调整，在较短的预报时间内，临近预报取最大权重，但是随着预报时效的延长，临近预报误差增大，在预报时段较长时给数值预报结果一个较大的权重以延长预报的时效和准确性。模式的权重变化用一个双曲正切线来表示，正切曲线的两个端点根据降水的天气类型和预报员的天气变化经验给定，结合不同降水系统的时空尺度，在不同情况下取以不同的权重。

在计算数值模式权重时取经验方程(杨丹丹，2010)

点击浏览公式

本试验根据天气系统类型和雷达资料的谱空间相关性等确定γ和α值。在降水过程变化快的强对流系统个例试验时，由于数值预报对对流降水过程的预报能力目前水平有限，因此，取初始时刻数值预报权重α=0.05，并且，对流性天气过程变化快、雷达资料的谱空间相关性小，取γ值为1.2；在降水过程变化慢的系统性降水个例试验时，由于数值预报对系统性过程有一定的预报能力，特别经过位相和强度校正后的数值预报更有应用价值，因此，取初始时刻数值预报权重α=0.1，并且，系统性天气过程变化慢、雷达资料的谱空间相关性大，取γ值为0.7。根据该方程，前1 h的融合预报主要基于临近预报的结果，而在预报的后段，数值模式的比重相应增加，在融合前期数值模式权重上升较缓慢，中期上升比较快，后期数值模式权重增加率趋于平缓。

根据上述方法，选取两个不同天气系统降水个例来说明权重的调整方法及个例融合的权重变化(图 3)。2011年6月23日，是对流性天气过程，临近预报前1 h内预报极为可靠，数值预报偏差较大，融合时数值预报的初始权重α=0.05，γ=1.2。2011年7月24日，是层状云系统性降水天气过程，降水时间持续较长，临近预报前1 h内预报也较准确，数值预报对系统性过程的预报能力较强，特别是降雨强度预报方面有参考价值，融合时数值预报的初始权重α=0.1，γ=0.7。

图 3 融合技术中数值预报在不同降水系统下的融合权重随融合时效分布 Fig. 3 Weighting distribution of QPF by the numerical weather prediction for the different types of episodes within the 6 h blending window

图选项

另外，将BJ-RUC数值模式3 km×3 km分辨率的定量降水预报场内插至1 km，与BJ-ANC系统1 km×1 km分辨率预报场相匹配，融合区域的格点数为592×511，该区域格点场覆盖的范围为(37.6746°—42.3983°N，112.2931°—119.8416°E)。对不同降水系统个例融合预报进行了格点检验。

图 4为不同降水系统的个例融合预报检验结果，可以看出，检验阈值1 mm的TS评分在0.5—0.7，表明对于1 mm的降水2个例的融合预报都有较好的效果；检验5 mm阈值的TS评分在0.3—0.5，对于5 mm的降水2个例的融合预报都有较好的效果。从图中还可以看出，在预报的0—6 h时效内，预报效果基本变化不大，10 mm阈值评分(图略)与5 mm的类似，也有较好的预报效果。因为图 4的检验结果是在不同降水系统不同融合权重曲线下得到的，所以，才有比较好的预报效果。2个个例检验评分结果虽有些变化，但变化幅度不大，说明双曲正切曲线的权重分布比较合理。结果也表明不同的降水系统，临近预报和数值预报融合权重是不同的，根据降水系统过程调整融合权重，可以提高融合的预报效果。当然，由于天气系统类型的自动识别技术尚未成熟，雷达资料的谱空间相关大小只是定性的应用，实时运行时不能像个例试验那样动态调整权重，由于北京汛期降水以对流性过程为主，实时运行融合权重也就取对流性降水的权重曲线为主。

图 4 不同降水系统的个例融合预报检验TS评分结果 (a. 阈值1 mm，b. 阈值5 mm) Fig. 4 Verification of blending prediction for the different types of episodes (a. threshold 1 mm，b. threshold 5 mm)

图选项

2011年6月23日16—20时北京市出现了少见的短时大暴雨天气，北京全市平均降雨量超过50 mm，城区平均降雨量达73 mm，局部地区出现100 mm以上的大暴雨。强降雨主要分布在石景山、海淀、丰台和中心城区，其中，模式口187 mm、紫竹院118 mm、五棵松116 mm、丰台108 mm、天安门65 mm。强降雨主要发生在16—17时，模式口自动气象站1 h最大雨量达128.9 mm，为建站以来最大值。从BJ-ANC雷达拼图来看，这是一次线状对流系统过程，回波下山快速加强，强回波(最强65 dBz以上)经过北京城区西南部，造成强降水，新的雷暴单体在城区西南部新生加强并与已有雷暴合并，使得降水持续并进一步加强。

图 5是本次融合个例的初始场。从降水实况图可以看出北京西部有强降水，数值预报也报出了强降水，落区在北京东北部及其周边，降水预报落区有一定偏差，预报降水强度也弱于实况。

图 5 北京地区2011年6月23日16—17时的降水分布(a. 数值预报，b. 降水实况) Fig. 5 Accumulative precipitation in Beijing from 16:00 to 17:00 BT 23 June 2011(a. QPF from the numerical model，b. observed precipitation)

图选项

利用上述融合方案先对BJ-RUC预报结果(图 7)进行校正，然后进行BJ-RUC的定量降水预报和BJ-ANC的0—6 h 预报(图 6)的双曲正切线的融合(图 8)，与降水实况(图 9)对比，可以看出，1—2 h融合预报，融合权重以临近预报为主，融合结果接近临

图 6 2011年6月23日17时起报6 h内BJ-ANC定量降水预报(a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h) Fig. 6 Accumulative precipitation forecasts from the BJ-ANC within the 6-hour (the blending starts at 17:00 BT 23 June 2011)(a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h)

图选项

图 7 同图 6，但为BJ-RUC结果 Fig. 7 As in Fig. 6 but from the BJ-RUC

图选项

图 8 同图 6，但为融合降水预报结果 Fig. 8 As in Fig. 6 but from the blending

图选项

图 9 2011年6月23日17时起的降水实况(a. 0—1 h降水量，b. 0—2 h降水量，c. 0—3 h降水量，d. 0—4 h降水量，e. 0—5 h降水量，f. 0—6 h降水量) Fig. 9 Observed accumulative rainfalls within the 6-hour(the blending starts at 17:00 BT 23 June 2011)(a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h)

图选项

近预报结果；3—4 h融合预报，短时数值预报权重逐渐加大，融合结果开始倾向于数值预报，且融合后的结果比数值和临近预报更接近实况; 5—6 h预报，基本以短时数值预报为主，但对主要雨区强度和走向以及西南部局地新生的强对流预报比单一数值预报更接近实况。即融合后的0—6 h 定量降水预报效果要优于单纯的数值预报和临近预报的结果。

2012年7月21日10时—22日06时，受冷空气和西南暖湿空气的共同影响，北京市出现近61年来最强降雨过程，并伴有雷电。此次强降雨过程中，全市平均降雨量达170 mm(大暴雨)，城区平均215 mm、西南部平均213 mm、东南部平均189.1 mm、东北部平均170.7 mm(大暴雨)、西北部平均97.3 mm(暴雨)，最大降雨出现在房山河北镇460.0 mm(特大暴雨)。在20个国家气象站中，西南部的霞云岭、房山、门头沟、石景山4个测站日降雨量达到特大暴雨，西北部的汤河口、延庆、佛爷顶3个测站日降雨量达到暴雨，其余13个测站均为大暴雨。海淀、朝阳、密云、门头沟、房山、霞云岭、石景山、大兴、平谷、顺义、丰台11站的日降雨量达到建站以来的极值，观象台、汤河口、怀柔、上甸子、通州和斋堂6站的日降水量超过近10年的极值。此次强降雨过程中，1 h雨量普遍在40—80 mm，持续时间达3—4 h。其中有18个观测站(含自动站)小时雨量超过了80 mm，最大雨强出现在平谷挂甲峪，达100.3 mm(21日20—21时)，这种雨强在北京历史上极为少见。从临近预报BJ-ANC(图 10)、数值预报BJ-RUC(图 11)、融合预报(图 12)以及降水实况(图 13)的结果对比，可以看出，1—2 h融合预报，融合权重以临近预报为主，融合结果接近临近预报结果；3—4 h融合预报，短时数值预报权重逐渐加大，融合结果开始倾向于数值预报，且融合后的结果比数值和临近预报更接近实况; 5—6 h预报，基本以短时数值预报为主，但对主要雨区强度和走向比单一数值预报更接近实况。即融合后的0—6 h 定量降水预报效果要优于单纯的数值预报和临近预报的结果，但融合后的预报结果与实况还是有些差异，特别是强雨区偏小，主要原因是临近预报的降雨强度偏小引起的，雷达实际探测到的是空中的云水粒子的分布状况，因受到中、低层风对云中降水下落的影响，以及雷达回波探测与降水率非线性转换关系的不确定性，使其与地面降水也存在一定偏差。此个例表明融合预报在对罕见暴雨过程预报还是有一定差距，有待于进一步改进和发展。

图 10 2012年7月21日16时起报6 h内BJ-ANC定量降水预报 (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h) Fig. 10 Accumulative precipitation forecast from the BJ-ANC within the 6-hour(the blending starts at 16:00 BT 21 July 2012) (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h)

图选项

图 11 2012年7月21日16时起报6 h内BJ-RUC定量降水预报 (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h) Fig. 11 Accumulative precipitation forecast from the BJ-RUC within the 6-hour(the blending starts at 16:00 BT 21 July 2012) (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h)

图选项

图 12 2012年7月21日16时起报6 h内融合降水预报 (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h) Fig. 12 As in Fig. 11 but from the blending

图选项

图 13 2012年7月21日16时起6 h内降水实况 (a. 0—1 h，b. 0—2 h，c. 0—3 h，d. 0—4 h，e. 0—5 h，f. 0—6 h) Fig. 13 As in Fig. 11 but for the observed

图选项

利用上述的融合技术方法，对发生在京津冀地区2011年夏季的5个降水个例及2012年夏季的2个降水个例(表 1)进行了80次0—6 h预报试验及试验结果检验，且与BJ-ANC和BJ-RUC预报检验结果进行了对比。

对表 1所列全部个例，都进行了如同“6.23”和“7.21”降水过程同样的融合试验，对全部结果进行了降水量分级别的TS和偏差(Bias)统计评分。

图 14给出了较明显降水的预报检验。对于5 mm 以上的降水，融合系统有较好的预报效果，不仅TS评分随时效变化比较平稳，而且，偏差评分也更接近1。特别是对于大于25 mm的强降水，融合系统的正效果更加明显，0—6 h里，在偏差评分更接近1的情况下，TS评分连续较大幅度高出其他2个单一预报，表现出其在预报技巧上的优势。但是，对于弱降水(0.1 mm阈值)，融合效果不佳，虽然融合后0—6 h降水的TS评分仍然高于两种单一预报，可是预报偏差略微增大，即TS评分的提高是以空报增多为代价的(图 14)。分析其原因，这是由于经快速傅立叶变换，位相调整后的模式预报雨区在原处有细微的降水残留，导致在0.1 mm阈值情况下出现过多的弱降水空报现象。

图 14 京津冀地区2011年的5个降水个例及2012年的2个降水个例80次0—6 h预报试验结果检验，降水阈值分别为0.1 mm(a1，a2)，5 mm(b1，b2)，10 mm(c1，c2)，25 mm(d1，d2)的TS评分和偏差评分 Fig. 14 Verification of quantitative precipitation forecasts for the five cases in 2011 and two cases in 2012 in the Beijing-Tianjin-Hebei Region(the sum of 80 tests)(a1，a2/b1，b2/c1，c2/d1、d2．TS and Bias with the threshold = 0.1 mm/5 mm/10 mm/25 mm)

图选项

本文介绍了基于Cressman客观分析、快速傅里叶变换(FFT)、多尺度光流法、韦伯函数、正切动态权重融合法等技术，在BJ-ANC系统和BJ-RUC系统基础上发展的短时定量降水预报融合技术方案及其试验与应用效果，形成以下主要结论：

(1)数值预报降水位相校正方法，是先用快速傅里叶变换法，保证雨带整体位移偏差得到修正，然后用多尺度光流变分法，再使雨带的走向和小范围降水区得到合理调整。在进行两步降水位相调整后，使BJ-RUC预报的降水落区与实况更吻合。

(2)数值预报降水强度校正方法，是通过模式定量降水预报向融合雷达和自动站观测的降水逼近来调整的。假设模式定量降水预报与降水估计场满足韦伯分布，且二者资料场的累计分布函数相同，通过多样本运算求解，得到韦伯分布的二个参数。不同降水个例不同时次运行，韦伯分布参数不同，每次强度调整的情况也不一样，这样才能保证不同个例强度调整有效。

(3)在融合权重设定方面，根据天气系统类型和雷达资料的谱空间相关性，结合不同降水系统的时空尺度，在不同情况下给两种降水场以不同的权重，由经验公式给出了不同情况下的双曲正切权重曲线。本试验给出了2个不同天气类型的降水预报融合权重，一个个例是2011年6月23日的对流系统过程，融合时取临近预报权重下降较快的权重曲线；另一个个例是2011年7月24日的层状云和对流云混合的系统性降水过程，融合时取临近预报权重下降较慢的权重曲线；不同权重曲线下的2个个例融合预报检验结果相差不大，说明双曲正切曲线的权重分布比较合理，结果也表明不同的降水系统，临近预报和数值预报融合权重是不同的。在数值预报和临近预报评分效果都比较好时，此融合方法能有效提高预报效果，克服不同预报方法的缺点。

(4)选取2011年6月23日和2012年7月21日两个极端强降水个例进行融合预报试验，并与临近预报和数值预报结果进行了对比，从0—6 h 降水预报结果来看，融合后降水中心和强度与实况降水较为接近，预报效果优于临近预报和数值预报结果，但2012年7月21日的罕见暴雨预报效果改进不太明显，可能与降水估计偏低有关。从多个强降水个例的融合预报检验结果对比，可以得出融合后的0—6 h 定量降水预报效果总体上要优于单纯的数值预报和临近预报的结果，可以说融合技术整体提升了0—6 h 定量降水预报的水平，不但提高了数值预报降水的落区准确性，也提高了临近预报降水强度的准确性。

(5)对京津冀地区2011年和2012年夏季的7次典型强降水个例的检验结果表明，在0—6 h时段里，对于5 mm以上的较强降水的逐时累加定量降水预报，融合系统在预报技巧上较临近预报和数值预报均具有显著的优势。

在2011、2012年的夏季，开展了融合系统的实时试验运行，并对京津冀地区不同过程(强对流、适度对流和层状云降水)的预报结果进行了初步评估检验，表明融合后的预报结果更接近降水实况，对今后0—6 h 定量降水预报有重要的业务预报参考价值。当然，系统还存在诸多需要改进的方面，包括更为可信的定量降水估计场的计算分析技术、0—6 h非线性外推预报算法、基于风暴演变趋势的数值预报场调整方法等，都是下一步努力的方向。融合技术实际应用在出现罕见暴雨时，降雨值有偏差，主要原因是雷达的定量降水估计是气候统计得出参数值，对于常规强对流系统适用，对于极端天气过程，估计的值与实况降水量有较大的偏差，导致计算数值预报偏差就有误差，整个预报结果就偏小，但降水的落区基本正确，有一定预报效果。作为融合两种预报优点的融合预报，在两种预报都正常的情况下，优于其中一个预报效果。临近预报主要基于雷达探测实况进行外推，性能稳定，数值预报对不同性质的降水预报效果差别较大，但由于利用定量降水估计校正了数值预报的定量降水预报，因此，融合后预报效果不可能是负面的，只是预报效果提高幅度不同。融合效果与临近预报和数值预报两种方法各自的技巧关系密切，特别是2 h以上，更多的是依赖于数值预报，融合的作用是如何在两种方法间“取长补短”，在数值预报效果较好的基础上，融合后的预报效果提高得更为明显。因此，通过雷达资料同化来提升数值模式对对流尺度降水的预报能力，也是发展方向之一。