一種改進的數值預報降水偏差訂正方法及應用

孫 靖 程光光 張小玲

1)(國家氣象中心，北京 100081) 2)(中國氣象局數值預報中心，北京 100081)

?

一種改進的數值預報降水偏差訂正方法及應用

孫 靖1)*程光光1)2)張小玲1)

1)(國家氣象中心，北京 100081)2)(中國氣象局數值預報中心，北京 100081)

對傳統(tǒng)的消除偏差法進行改進，形成分等級消除偏差法，并使用混合訓練期和60 d滑動訓練期方案分別對2012年6—8月ECMWF(European Centre for Medium-Range Weather Forecasting)模式夏季1～5 d的降水預報進行訂正試驗。為了盡可能符合中國東部夏季降水具有移動性及多種時間尺度變化的特點，混合訓練期以預報期前30 d與預報期前一年同日的前后各15 d組成。結果表明：在使用分等級消除偏差法的基礎上，相比ECMWF模式降水預報，兩種訓練期方案的訂正結果幾乎對各個閾值的ETS評分均有一定提高，特別是對25 mm以上降水預報評分的提高幅度，混合訓練期方案的訂正結果明顯高于60 d滑動訓練期方案；在區(qū)域性強降水預報的訂正中，混合訓練期方案優(yōu)勢更為明顯。另外，通過分析兩種訓練期方案的預報偏差發(fā)現，分等級訂正是此次消除偏差訂正試驗中提高強降水預報評分的關鍵，選擇合適的訓練期可以增加評分提高的幅度。由于上述試驗使用的ECMWF模式預報和站點實況均是業(yè)務上常用數據，因此，該方法具有一定的業(yè)務應用價值。

分等級消除偏差法； 混合訓練期； 夏季風降水； 降水訂正

引 言

數值預報模式的降水預報產品已成為業(yè)務降水預報的重要依據，但由于模式的初始條件和邊界條件等因素產生的不確定性，模式降水預報與實況始終存在一定偏差[1-3]。對于6 h以內的降水預報偏差，可通過多普勒天氣雷達的高時空分辨率的觀測數據加以訂正[4-5]。對于中短期(1～5 d)的偏差，利用非常規(guī)資料進行訂正效果也不理想。為了提高這一時效區(qū)間內的降水預報準確率，很多研究主要通過調整模式的物理參數化方案或水平分辨率減少模式預報和實況之間的差距[6-8]。目前越來越多的研究通過對降水預報進行偏差訂正加以消除[9-11]，Krishnamurti等[12]首先提出超級集合預報思想，并對全球熱帶、印度及美國等地區(qū)的降水進行了多模式集成訂正的試驗[13-16]，結果表明：在上述地區(qū)的短期降水預報中，超級集合預報可有效降低預報的均方根誤差，提高預報與實況之間的空間相關性，但同時也指出對于75 mm以上的強降水預報，該方法訂正效果有限；Krishnamurti等[17]基于TIGGE(THORPEX Interactive Grand Global Ensemble)和TRMM(Tropical Rainfall Measuring Mission)數據集，利用超級集合預報方法對中國夏季風降水預報進行了訂正試驗，結果顯示：在10 d的預報時效內，超級集合預報同樣可以達到上述效果。

智協(xié)飛等[18]對比了多模式集合平均預報和6 d滑動訓練期的消除偏差集成平均預報的訂正效果，結果顯示：相比于前者，后者在小到中雨的TS評分中有一定優(yōu)勢，但對中雨以上的TS評分改進有限。出現這種情況，與訓練期的選取及計算模式預報偏差的方法有關。首先，目前的降水預報偏差訂正方法中?；瑒舆x取預報期前若干天作為訓練期。這種做法的優(yōu)點是能結合最近的天氣變率給出預報期內可能出現的預報偏差，但由于降水是一種時空不連續(xù)變量，如果訓練期內的降水特征與預報期內的降水特征出現較大的差別，這種訓練期方案可能導致對預報期內的降水預報“反訂正”，造成更低的預報準確率；反之，會得到一個改進的降水預報。因此，使用短期的滑動訓練期進行偏差訂正，訂正效果可能不穩(wěn)定。如果選擇較長時間的滑動訓練期或較長時間的歷史同期的訓練期，雖然可以一定程度解決上述“反訂正”問題，但由此得到的預報偏差可能因為訓練期樣本的增加(增加了平均計算中分母的大小)變得更加平均化，無法對潛在的強降水預報做出足夠的訂正。其次，傳統(tǒng)的偏差訂正方法在計算訓練期內的預報偏差時，針對格點上所有降水過程進行統(tǒng)計，但由于降水的各個量級(從小雨的0.1 mm到大暴雨的100 mm，甚至更大量級)相差很大，這種計算方法同樣會使預報偏差在時空上變得更加光滑，從而影響對大量級降水的訂正效果。除此以外，目前大多偏差訂正方法還?；诙鄠€模式進行集成預報研究，使得這些方法對所涉及的模式較高要求，即納入研究的模式必須具有一定預報性能，趙聲蓉[19]在研究多模式溫度集成預報時曾指出，集成預報的好壞依賴于各模式的預報性能，單一模式的預報性能越高，集成預報的效果越好，反之越差，這一規(guī)律同樣適用于降水預報。

針對上述問題，本文在傳統(tǒng)的消除偏差(bias removed，BR)法[18]的基礎上，針對訓練期方案和預報偏差的計算方法進行改進，并利用改進后的訂正方法對中國夏季降水預報進行訂正試驗。Krishnamurti等[20]在對熱帶夏季降水進行超級集合預報研究中，曾通過改變訓練期的時段研究訓練期對集成結果的影響，結果表明，訓練期的選擇將對訂正效果有重要影響。為了找到適合我國汛期內的降水預報訂正的訓練期方案，試驗中將使用混合訓練期和滑動訓練期兩種不同的組合方案分別進行訂正。另外，在計算預報偏差時，加入了針對預報值的分等級訂正的步驟，形成分等級消除偏差(grading bias removed，簡稱GBR)法。為了盡量減少由于模式之間性能的差別對訂正效果的影響、更加清楚地體現訓練期的不同和分等級消除偏差法對最終結果的訂正作用，訂正試驗并未集成更多模式，僅選用目前業(yè)務常用的ECMWF模式進行研究，并使用多種檢驗指標對試驗結果進行評估。

1 資 料

選用ECMWF模式2011年4—8月和2012年4—8月20:00(北京時，下同)起報的24 h累積降水預報作為訂正對象，空間分辨率為0.5°×0.5°，預報時效為24～120 h，時間間隔為24 h；選用全國2414個站相應時段的24 h累積降水資料作為降水實況。

2 技巧評分

為了盡可能全面分析訂正前后降水預報效果，將使用ETS評分[21]、Bias評分[9]、均方根誤差[20]和空間相關系數等檢驗指標進行評價。上述檢驗指標的計算均在站點上進行，即先將訂正前后降水預報格點場的值插值到全國2414個站，然后利用插值到站點上的預報值和站點實況計算上述檢驗指標。其中，插值方法選取雙線性插值。由于插值方法和各指標計算公式相同，因此，插值誤差并不影響訂正前后降水預報效果的對比。

為了分析降水預報改進前后的雨帶空間結構的變化，可以通過計算預報和實況相關系數得到預報雨帶和實況的相關性[22]。由于站點降水預報和實況降水數據除了表示降水量外，還隱含站點分布信息，相關系數應該包含了兩者之間的降水量和雨型的相關性。因此，當將這些站點的預報值和實況按照降水量大于0 mm的均設為同一個值，如1 mm，剩余的設置為0，重新計算它們之間的相關系數，將只會得到關于雨帶空間分布的相關信息。但無論是何種算法，本文相關系數ρ均被稱為空間相關系數(SC)。

3 分等級消除偏差法簡介

傳統(tǒng)的消除偏差法訂正過程分為訓練期和預報期。訓練期使用模式預報和觀測數據計算得到模式的歷史平均預報偏差(以下簡稱為預報偏差)，預報期利用訓練期內得到的預報偏差B訂正模式的實時預報：

(1)

相比于傳統(tǒng)的消除偏差法，分等級消除偏差法與前者最主要的區(qū)別在于訓練期內分等級計算預報偏差和預報期內分等級地訂正降水預報。訓練期傳統(tǒng)的消除偏差法在每個格點針對所有量級的降水只計算1個預報偏差；分等級消除偏差法會在每個格點上依據降水量計算若干個等級的預報偏差，如在每個格點上分別計算大于等于0.1 mm，25 mm和50 mm共3種不同降水等級的預報偏差。以計算大于等于50 mm降水的預報偏差為例，計算中只挑選格點上實況或降水預報出現這一閾值以上降水過程進行分析。相應地，在預報期傳統(tǒng)的消除偏差法對所有格點上的實時預報均使用同一種(未經等級化處理)預報偏差(即相當于分等級消除偏差法中大于等于0.1 mm 的預報偏差)進行訂正；分等級消除偏差法則依據格點上的預報值，挑選相應等級的預報偏差進行訂正。由于模式降水預報往往存在一定偏差，全球模式對大雨以上量級降水的預報往往偏弱[23]，因此，在預報期訂正中，所要訂正的預報值的各區(qū)間與所選擇的預報偏差的各等級并不完全一一對應，兩者之間的對應關系常常取決于模式對降水的預報特征。針對ECMWF模式的降水預報，當格點的實時預報值為0.1～20 mm 時，選用大于等于0.1 mm 降水等級預報偏差進行訂正；預報值為20～35 mm 時，選用大于等于25 mm 降水等級的預報偏差；35 mm 以上時，選用大于等于50 mm降水等級的預報偏差。

4 預報期和訓練期時段確定

受夏季風影響，我國東部降水具有明顯的階段性進退特點[24]，但這種移動不是一成不變的。趙平等[25]曾指出，我國東部夏季雨帶移動具有年代際變化特征。另外，其他影響我國夏季降水產生不同時間尺度變化的因素也被廣泛研究[26-30]。結果表明：每年雨帶的移動及降水量受東亞夏季風爆發(fā)和強度變化的影響顯著，而東亞夏季風不僅具有季節(jié)內或年際間的多種時間尺度的變化特征，還受到其他諸多因素的影響。上述因素造成了我國夏季降水具有多種時間尺度的變化特征，這些影響因素增加了預測難度。

以2011年4—8月和2012年4—8月(圖1)我國逐月平均降水強度分布為例，2011年4月、5月平均降水強度明顯弱于2012年同期，降水大多分布在長江以南地區(qū)，沒有明顯的降水中心；2012年4月、5月降水強度比2011年同期偏多1倍左右，主要降水仍位于30°N以南的地區(qū)。2011年6月主雨帶位于鄂皖蘇南部和湘贛浙北部(長江中下游地區(qū))，2012年6月的主雨帶位于粵桂浙贛四省，前者位置較后者的偏北。2011年6月和2012年6月降水強度均比同年4月和5月有明顯的增加，其中2011年6月增幅更大。2011年、2012年7月和8月主雨帶分布比較相似：7月主要降水中心有3個，分別位于川東、蘇魯和豫東，8月主要降水中心回到蘇浙一帶。我國2011年和2012年夏季主雨帶均經歷了先北進、再南退，降水強度由弱變強、再減弱的過程，但不同年份主雨帶位置和平均降水強度不盡相同，平均降水強度由弱轉強及由強轉弱的時間也不一致。

針對我國夏季降水的特點，須選出合適的訓練期，才可能獲取預報期內模式預報特點的預報偏差，從而獲取更佳訂正效果。Krishnamurti等[20]選用2007年2—9月和2008年2—9月作為訓練期和預報期研究超級集合預報對中國夏季風降水預報的改進，取得了一定效果。因此，本文參考文獻[20]，采用訓練期和預報期之間有一定時間段間隔的選擇方式，并結合滑動訓練期可以反映近期天氣變率的特點，為分等級消除偏差法挑選訓練期。

假設在整個訂正過程中，模式的所有參數無任何改動，可以推測，該模式對同一地區(qū)的強降水過程的預報特點應相差不大，即具有相似的系統(tǒng)性誤差，可用與預報期內降水分布盡可能相似為標準挑選訓練期。首先，選擇2012年6—8月為預報期，并參考2011年4—8月和2012年4—8月中國降水分布的特點，選用預報期前30 d與前一年同日前后各15 d作為訂正的訓練期。以預報期為2012年6月15日20：00的24 h時效預報為例，其訓練期為2011年6月1—30日和2012年5月16日—6月14日，其他月份依此類推。這種歷史訓練期和滑動訓練期的組合稱為混合訓練期，基于該訓練期方案的分等級消除偏差法訂正后的降水預報，稱為GBR_h。為了與GBR_h進行對比，在其他條件不變的情況下，選用預報期前一定日數的滑動訓練期作為另一種訓練期方案，重新對降水預報進行分等級消除偏差訂正，分析不同訓練期時段訂正效果差異。為了確定滑動訓練期日數，分別進行30 d，45 d，60 d的滑動訓練期敏感性試驗，最終選用60 d作為滑動訓練期的時長，由此訂正后得到的降水預報稱為GBR_60。

圖1 2011年4—8月和2012年4—8月逐月平均降水強度分布Fig.1 Monthly mean precipitation intensity from April to August in 2011 and 2012

5 檢驗結果

5.1 全國降水評分檢驗

圖2是ECMWF模式預報及GBR_h和GBR_60在2012年6—8月全國24 h累積降水的平均ETS評分和Bias評分。由圖2可以看到，48 h和120 h預報時效，GBR_h和GBR_60除在5 mm和10 mm降水閾值的ETS評分中比EMWF模式降水預報的略低外，在其他閾值的評分中均較后者有明顯提高。表1顯示，GBR_h對25 mm以下降水預報評分的平均提高幅度為19.5%，對25 mm及以上降水預報的提高幅度可達到73.5%；GBR_60改善幅度分別為19.1%和55.9%；120 h時效，GBR_h對25 mm以下和25 mm及以上降水預報的評分改善幅度分別為14.2%和78.2%，特別是對100 mm以上降水評分的改進幅度甚至超過48 h 時效；GBR_60的分別為13.5%和67.3%，且對100 mm 以上降水的評分基本沒有改進。由此可以看出，對于25 mm以下的降水預報，GBR_h和GBR_60訂正效果比較接近；但對于25 mm及以上降水預報，前者的訂正效果要明顯好于后者。

降水預報的Bias評分為1時被認為是最佳分數。對于48 h和120 h時效(圖2)，GBR_h 均改進了25 mm及以下降水預報的Bias評分，并使其在三者中最接近于1，隨著降水閾值的增大，其Bias評分轉而增加，但增加幅度不大，數值均在1.5以下。盡管如此，仍可以說明GBR_h在提高強降水預報ETS評分的同時，也產生了一些不合理的空報，本文稱為額外空報。雖然額外空報并未阻礙GBR_h對大雨以上預報評分的改善，但會影響改進程度。與之相比，ECMWF模式和GBR_60的Bias評分不斷減小，其中ECMWF模式預報減少的程度最大，說明其對35 mm以上的強降水往往預報偏弱；雖然GBR_60的Bias評分也比較接近于1，但由于ETS評分低于GBR_h，可以推測，GBR_60同樣對強降水的預報偏弱，只是偏弱的程度低于ECMWF模式預報。

圖2 2012年6—8月不同時效ECMWF模式、GBR_60和GBR_h降水預報ETS評分及Bias評分Fig.2 ETS and Bias scores from Jun to Aug in 2012 from ECMWF,GBR_60 and GBR_h

方案48h時效降水量小于25mm降水量大于等于25mm120h時效降水量小于25mm降水量大于等于25mmGBR_h19.573.514.278.2GBR_6019.155.913.567.3

5.2 長江中下游強降水個例檢驗

以2012年6月發(fā)生在長江中下游的一次強降水過程為研究對象，檢驗GBR_h和GBR_60的訂正效果。

2012年6月26日20：00—27日20：00長江中下游地區(qū)低空(700～850 hPa)的暖切變線在其控制范圍內引起了一次較強的降水過程(圖3黑色方框內區(qū)域，也是評分區(qū)域)，雨帶的主體部分位于29°N以北。圖3為48 h時效的ECMWF模式預報和兩種訓練期的訂正預報的降水分布。由圖3可以看到，ECMWF模式對主雨帶位置的預報比實況略偏南，其降水預報的均方根誤差和空間相關系數分別為16.74 mm和0.51，GBR_h分別為24.44 mm和0.44，GBR_60分別為24.00 mm和0.38。對比它們的降水分布可以看到，GBR_h和GBR_60的均方根誤差增加，因為其在江浙交界、江西西北部和湖北中西部等地產生了25 mm以上的額外空報。分析發(fā)現，模式預報在上述地區(qū)出現了與觀測值相近但范圍更大的空報區(qū)，由于預報值(20 mm 以上)并沒有與預報偏差的等級一一對應，使這些空報區(qū)中有相當一部分格點的數值在訂正過程中進一步增加，導致更大量級的空報產生和均方根誤差增加。但GBR_h對湖北中東部、安徽西南部等地的強降水有一定訂正作用，同時對ECMWF模式在部分地區(qū)出現的10 mm以下的空報也有一定削減作用。由此看來，分等級消除偏差法對模式降水預報有較好的訂正作用，但也無法完全消除模式的系統(tǒng)性偏差。另外，如果在只考慮雨帶的范圍和位置、不考慮預報數值差別的情況下重新計算空間相關系數，ECMWF模式降水預報、GBR_h和GBR_60與實況的空間相關系數分別為0.26，0.51和0.59。即GBR_h和GBR_60均可一定程度改善模式輸出的降水預報的雨帶范圍和位置，但額外空報的出現導致了空間相關系數的降低。對于120 h時效(圖4)，雖然均方根誤差仍有增加，但GBR_h的空間相關系數卻比ECMWF模式預報和GBR_60有所提高，前者為0.43，后兩者分別為0.39和0.37。

圖3 2012年6月27日20：00長江中下游24 h累積降水實況、48 h時效的ECMWF模式降水預報、GBR_60和GBR_h的降水分布(黑色方框內為研究區(qū)域)Fig.3 24-hour observation and 48-hour forecast over the Mid-lower Reaches of the Yangtze at 2000 BT 27 June 2012(the black box denotes the target domain)

圖5給出的是研究區(qū)域內3種預報的ETS評分和Bias評分。由圖5可以看到，在48 h時效預報技巧評分中，GBR_h僅在25 mm閾值的降水預報評分中略低于ECMWF模式，除此以外,在其他閾值的評分中高于后兩者，對35 mm以上降水預報評分的改進更顯著，且50 mm以下降水預報的Bias評分也最接近于1。對于120 h時效，相比ECMWF模式預報，GBR_h在所有降水閾值的預報評分中均有不同程度改善，特別是35 mm以上降水預報評分接近甚至略優(yōu)于48 h時效相同閾值的預報評分，大大提高了這次強降水過程的預報時效；另外，雖然75 mm 以上降水預報的Bias評分明顯高于48 h時效，但50 mm以下降水預報的Bias評分仍最接近于最優(yōu)值。因此，雖然額外空報的出現增加了訂正預報的均方根誤差，但并不影響評分的提高。對比圖2和圖5可以看出，兩種訓練期方案的分等級消除偏差法對局地強降水預報的訂正效果好于全國平均水平。

圖4 同圖3,但預報時效為120 hFig.4 The same as in Fig.3， but for 120-hour forecast

圖5 48 h時效和120 h時效ECMWF模式、GBR_60及GBR_h研究區(qū)域降水預報ETS評分和Bias評分Fig.5 ETS and Bias scores of 48-hour and 120-hour forecasts from ECMWF,GBR_60 and GBR_h

5.3 原因分析

通過上面的檢驗可知，在ECMWF模式降水預報的基礎上，GBR_h可以明顯提高各閾值，特別是25 mm及以上強降水預報的ETS評分，對50 mm以下降水預報的Bias評分也有很好改進。雖然GBR_60也能改善大部分閾值的ETS評分，但較GBR_h改善幅度小，特別是對區(qū)域性強降水的訂正過程中，這種差別更加明顯。

圖6和圖7分別給出了在48 h時效(預報時刻為2012年6月25日20：00)和120 h時效(預報時刻為2012年6月22日20：00)的長江中下游強降水預報訂正過程中，GBR_60和GBR_h分別使用的3個等級的預報偏差的分布，稱為偏差背景場。由式(1)可知，預報偏差為正時，說明訓練期時段內ECMWF模式預報的降水量整體上小于實況，在預報期訂正時，對降水預報會有正訂正(降水量增加)；反之，說明模式預報值大于實況，訂正時將會有負訂正(降水量減少)；當預報偏差為0時，說明預報與實況基本一致，或者訓練期內未出現相應等級的降水，分析發(fā)現，后一種情況是25 mm及以上等級降水預報偏差中出現0的主要原因。

對于48 h時效，在大于等于0.1 mm降水等級偏差背景場中，兩種訓練期的預報偏差在長江中下游地區(qū)幾乎均為負值，即ECMWF模式在25 mm 以下等級的降水預報中空報較多，在預報期訂正過程中，會在這些負值區(qū)對降水預報進行負訂正。隨著偏差等級的提高，兩種訓練期的正、負預報偏差的絕對值也不斷增加，即模式對越強的降水的預報偏差也越大，其中，混合訓練期的增加幅度略大于滑動訓練期的。另外，兩者在分布上的區(qū)別也越來越明顯，60 d滑動訓練期計算的絕對值較大的正、負偏差很少出現在長江以北，而混合訓練期的卻可以延伸到35°N附近。對于120 h時效，兩種訓練期的預報偏差的分布與48 h時效基本一致(圖7)。

因此，兩種訓練期時段的不同正是導致各自預報偏差大小和分布出現上述差別的主要原因。按照試驗對兩種訓練期的設計，這次訂正過程在48 h和120 h時效的滑動訓練期時段分別為2012年4月25日—6月23日和2012年4月19日—6月17日，而混合訓練期時段為2011年6月11日—7月10日、2012年5月25日—6月23日和2011年6月8日—7月7日、2012年5月19日—6月17日。受夏季風影響，我國夏季雨帶具有明顯的移動性，且在每年4—8月，雨帶整體上逐漸北進，但在6月中旬及以前，長江以北地區(qū)很少出現強降水過程(圖1)。在這種情況下，如果選擇預報期和訓練期無時間間隔的滑動訓練期作為訓練期進行訂正，若不使用1年以上的訓練期時長，很難在研究區(qū)域內得到足夠多的高等級(25 mm及以上降水等級)預報偏差，也無法很好地體現出模式在預報期內對強降水可能出現的預報特征。過分延長訓練期，特別是加入與預報期內降水特征不同的訓練期，會導致預報偏差精度降低，進而影響訂正效果。相比而言，混合訓練期因為包含了前一年7月上旬以前的時段，雖然訓練期時長也僅為60 d，但能較好地體現長江中下游流域大部分地區(qū)強降水的預報特征，進而提升分等級消除偏差法在預報期內潛在的訂正能力。

圖6 48 h時效GBR_60和GBR_h偏差背景場分布(黑色方框內為研究區(qū)域)Fig.6 Bias error background of GBR_60 and GBR_h for 48-hour forecast (the black box denotes the target domian)

圖7 同圖6,但為120 h預報時效Fig.7 The same as in Fig.6,but for 120-hour forecast

由式(1)還可以看出，當使用傳統(tǒng)的未分等級消除偏差法對降水預報進行訂正時，大部分情況下，訓練期內得到的預報偏差量級與圖6和圖7中大于等于0.1 mm等級的類似，即大部分偏差的量級在10～15 mm以下，用它們對小到中雨的降水預報進行訂正可以起到一定效果，但對大雨、甚至暴雨以上預報的訂正作用十分有限，這也是傳統(tǒng)的消除偏差法無法明顯提高強降水預報評分的主要原因。由此可見，在傳統(tǒng)的消除偏差法基礎上，引入按降水等級分別進行訂正的步驟，是此次降水訂正試驗成功的關鍵，而合理的訓練期可進一步提高改善幅度。

6 結論和討論

由以上分析得到如下結論：

1) GBR_h和GBR_60相比于ECMWF模式降水預報在ETS評分上均有一定提高，前者的改善幅度比后者更大。對于局地降水， GBR_h的訂正效果更為明顯。

2) 對比GBR_h和GBR_60在訂正過程中使用的預報偏差可以看出，分等級訂正是此次偏差訂正試驗成功的關鍵；且前者使用的混合訓練期方案是由預報期前30 d與前一年相同日期前后各15 d組成，這一組合比后者的60 d滑動訓練期方案更符合我國夏季風降水的特點。

盡管GBR_h有更高的強降水預報準確率，但仍存在5 mm和10 mm降水預報ETS評分比ECMWF模式降水預報的略低，及訂正后額外空報增加等問題。對于這兩個問題，可能的解決辦法有增加降水訂正的等級，如在現有的3個等級訂正中再增加針對大于等于10 mm降水等級的訂正，或者通過引入預報性能相當甚至更高的模式，制作多模式集成的訂正預報等。另外，雖然本文設計的混合訓練期方案已經可以取得一定的訂正效果，但為了進一步提高全國和局地強降水過程的預報準確率，有必要找到一種客觀方法，定量給出不同混合訓練期時段所包含的預報期內降水特征信息的多少，以便找到更為適合的混合訓練期時段，并獲得更好的訂正效果。

[1] 王雨,閆之輝.2004年汛期(5—9月)主客觀降水預報檢驗.熱帶氣象學報,2006,22(4):331-339.

[2] 周慧,崔應杰,胡江凱,等.T639模式對2008年長江流域重大災害性降水天氣過程預報性能的檢驗分析.氣象,2010,36(9):60-67.

[3] 熊秋芬.GRAPES_Meso模式的降水格點檢驗和站點檢驗分析.氣象,2011,37(2):185-193.

[4] 張亞萍,程明虎,夏文梅,等.天氣雷達回波運動場估測及在降水臨近預報中的應用.氣象學報,2006,64(5):631-646.

[5] 胡勝,羅聰,黃曉梅,等.基于雷達外推和中尺度數值模式的定量降水預報的對比分析.氣象,2012,38(3):274-280.

[6] 王建捷,周斌,郭肖容.不同對流參數化方案試驗中凝結加熱的特征及對暴雨中尺度模擬結果的影響.氣象學報,2005,63(4):405-417.

[7] 陳炯,王建捷.邊界層參數化方案對降水預報的影響.應用氣象學報,2006,17(增刊I):11-17.

[8] 湯劍平,趙鳴,蘇炳凱.分辨率對區(qū)域氣候極端事件模擬的影響.氣象學報,2006,64(4):432-442.

[9] 李莉,朱躍建.T213降水預報訂正系統(tǒng)的建立與研究.應用氣象學報,2006,17(增刊I):130-134.

[10] 李莉,李應林,田華.T213全球集合預報系統(tǒng)誤差訂正研究.氣象,2011,37(1):31-38.

[11] 曹曉鐘,閔晶晶,劉還珠,等.分類與集成方法在降雨預報中的應用.氣象,2008,34(10):3-11.

[12] Krishnamurti T N,Kishtawal C M.Improved weather and seasonal climate forecasts from multimodel superensemble.Science,1999,285:1548-1550.

[13] Krishnamurti T N,Kishtawal C M,Shin D W, et al.Improving tropical precipitation forecasts from a multianalysis superensemble.JClimate,2000,13:4217-4227.

[14] Cartwright T J,Krishnamurti T N.Warm season mesoscale superensemble precipitation forecasts in the Southeastern United States.WeaForecasting,2007,22:873-886.

[15] Krishnamurti T N,Gnanaseelan C,Chakraborty A,et al.Prediction of the diurnal change using a multimodel superensemble.Part I:Precipitation.MonWeaRev,2007,135:3613-3632.

[16] Krishnamurti T N,Mishra A K,Chakraborty A,et al.Improving global model precipitation forecasts over India using downscaling and the FSU superensemble.Part I:1-5-Day Forecasts.MonWeaRev,2009,137:2713-2735.

[17] Krishnamurti T N,Sagadevan A D,Chakraborty A,et al.Improving multimodel weather forecast of monsoon rain over China using FSU superensemble.AdvAtmosSci,2009,26(5):813-839.

[18] 智協(xié)飛,季曉東,張璟,等.基于TIGGE資料的地面氣溫和降水的多模式集成預報.大氣科學學報,2013,36(3):257-266.

[19] 趙聲蓉.多模式溫度集成預報.應用氣象學報,2006,17(1):52-58.

[20] Krishnamurti T N,Sajani S,Shin D W,et al.Real-time multianalysis-multimodel superensemble forecasts of precipitation using TRMM and SSM/I products.MonWeaRev,2001,129:2861-2883.

[21] 王雨,閆之輝.降水檢驗方案變化對降水檢驗評估效果的影響分析.氣象,2007,33(12):53-61.

[22] Emad H,Witold F K,Grzegorz J C.Estimation of rainfall interstation correlation.JHydrometeorology,2001,2(6):621-629.

[23] 肖紅茹,王燦偉,周秋雪,等.T639、ECMWF 細網格模式對2012年5～8月四川盆地降水預報的天氣學檢驗.高原山地氣象研究,2013,33(1):80-85.

[24] 陶詩言.中國之暴雨.北京:科學出版社,1980.

[25] 趙平,周秀驥.近40年我國東部降水持續(xù)時間和雨帶移動的年代及變化.應用氣象學報,2006,17(5):548-556.

[26] 繆錦海,Lau K M.東亞季風降水的年際變化.應用氣象學報,1990,1(4):377-382.

[27] 繆錦海,Lau K M.東亞夏季風降水中的30-60天低頻振蕩.大氣科學,1991,15(5):65-71.

[28] 魏鳳英.全球海表溫度變化與中國夏季降水異常分布.應用氣象學報,1998,9(增刊I):100-108.

[29] 宋文玲.熱帶西太平洋對流活動與中國夏季降水.應用氣象學報,2005,16(增刊I):63-69.

[30] 蔡學湛,吳濱.青藏高原雪蓋異常的環(huán)流特征及其與我國夏季降水的關系.應用氣象學報,2005,16(1):89-95.

胡邦輝,劉善亮,席巖,等. 一種Bayes降水概率預報的最優(yōu)子集算法. 應用氣象學報，2015，26(2)：185-192.

doi:10.11898/1001-7313.20150206

An Improved Bias Removed Method for Precipitation Prediction and Its Application

Sun Jing1)Cheng Guangguang1)2)Zhang Xiaoling1)

1)(NationalMeteorologicalCenter,Beijing100081)2)(NumericalWeatherPredictionCenterofCMA,Beijing100081)

On the basis of traditional bias removed (BR) method, grading bias removed (GBR) method is designed by adding the step of correcting according to three precipitation orders, which are more than 0.1 mm, 25 mm and 50 mm, respectively. Then, using observations of precipitation and numerical precipitation prediction of ECMWF from April to August in 2011 and 2012, the real-time precipitation forecast of 1-5 days at summer (June-August) over China in 2012 is corrected by GBR method using two different training periods, i.e., the mixed training phase and 60-day running training phase, and the results of them are called GBR_h and GBR_60, respectively. In order to contain information of heavy precipitation in forecast phase as much as possible, the mixed training period is composed of a 30-day period before the forecast phase and two 15-day periods before and after the same phase one year ago, according to characteristics of summer monsoon rainfall of China.

Equitable-threat scores (ETS) of forecast over China at many thresholds of precipitation are examined, in order to compare results of the mixed training and the 60-day running training period using GBR. It reveals that both of two corrected results have higher skill than precipitation prediction of ECMWF, at the threshold of beneath 25 mm, the improving amplitude of them are very close (the improvement of GBR_h and GBR_60 are 19.5% and 19.1%, respectively). However, for those above 25 mm, GBR_h apparently has bigger amplitude which is up to 73.5%, and GBR_60 is only 55.9%. Especially in the situation of correcting the local heavy precipitation prediction, the correcting effect of GBR_h is much better. Furthermore, the correlation coefficient is also calculated, and the result shows that the pattern of precipitation prediction is also modified by GBR_h and GBR_60, and the former also has better performance.

By analyzing errors of three orders calculated through two different training periods, it is clear that the key point of successfully improving the initial ECMWF forecasts is to add the step of grading bias removed, and a larger improvement of ETS can be expected if more appropriate mixed training period is chosen. It is assumed that according to the obvious effect of this experiment which are easy to apply in operation, this grading bias-removing method of mixed training period will make a very useful product for real time events and have favorable application prospects.

grading bias removed (GBR) method; the mixed training period; summer monsoon rainfall; precipitation correction

10.11898/1001-7313.20150205

公益性行業(yè)(氣象)科研專項(GYHY201106010，GYHY201206005)

孫靖，程光光，張小玲. 一種改進的數值預報降水偏差訂正方法及應用. 應用氣象學報，2015，26(2)：173-184.

2014-11-07收到， 2015-01-09收到再改稿。

* email: sunjinglinger@gmail.com