青獅潭水庫降水集合預(yù)報模式構(gòu)建及應(yīng)用

楊明祥，雷曉輝，蔣云鐘，王 浩，何素明

（1.中國水利水電科學(xué)研究院 流域水循環(huán)模擬與調(diào)控國家重點實驗室，北京 100038；2.廣西壯族自治區(qū)水利電力勘測設(shè)計研究院，廣西 南寧 530023）

1 研究背景

數(shù)值降水預(yù)報是一種客觀預(yù)報手段，較主觀預(yù)報方法有較大優(yōu)勢。然而，大氣過程的混沌性和復(fù)雜性［1］，加之人類對降水發(fā)生發(fā)展機理認(rèn)識有限，決定了數(shù)值模式必然存在較大不確定性。近些年來發(fā)展起來的集合預(yù)報技術(shù)，是充分考慮預(yù)報過程存在的不確定性，通過初值擾動、參數(shù)擾動等手段引入多組預(yù)報樣本，從而利用多組預(yù)報結(jié)果獲得比單一預(yù)報更高精度和穩(wěn)定性的預(yù)報方法［2-3］。針對集合預(yù)報，國內(nèi)外學(xué)者已經(jīng)開展了一定的研究。文獻(xiàn)［4］將模式中的物理過程參數(shù)化方案進(jìn)行組合，形成了20個集合預(yù)報成員，采用集合平均的方式進(jìn)行概率預(yù)報試驗，結(jié)果表明，集合平均的結(jié)果要比單個成員的預(yù)報結(jié)論更加穩(wěn)定和可靠。文獻(xiàn)［5］采用物理過程擾動方法，構(gòu)建了基于16個WRF（Weather Research and Forecasting）模式成員的中國東南地區(qū)短期集合預(yù)報系統(tǒng)，發(fā)現(xiàn)集合平均方法對于大部分氣象要素場的預(yù)報效果超過單個模式成員。文獻(xiàn)［6］基于THOPEX項目，將TIGGE集合預(yù)報應(yīng)用于淮河流域的洪水預(yù)報中，取得了延長洪水預(yù)報預(yù)見期的效果。世界氣象組織（WMO）認(rèn)為集合預(yù)報是本世紀(jì)預(yù)報技術(shù)發(fā)展四大方向之一，并且提出了TIGGE計劃［7］。針對北美預(yù)報需求，美國國家環(huán)境預(yù)報中心（National Centers for Environmental Prediction，NCEP）聯(lián)合加拿大氣象中心（Ca?nadian Meteorological Centre，CMC）開發(fā)了北美集合預(yù)報系統(tǒng)（North American Ensemble Forecast Sys?tem，NAEFS）［8］。可見，降水集合預(yù)報已經(jīng)成為國內(nèi)外研究的熱點，產(chǎn)生了大量研究成果。然而，目前集合預(yù)報試驗區(qū)域往往較大，針對小流域的研究還不多見。同時，當(dāng)前研究多將集合樣本預(yù)報技巧等同對待，采用集合平均生成最終預(yù)報結(jié)果，這種方式較為粗放，難以體現(xiàn)不同參數(shù)化方案針對不同研究區(qū)預(yù)報技巧的差異。

針對以上問題，本文選擇位于廣西暴雨中心的青獅潭水庫為研究區(qū)域，通過參數(shù)化方案擾動來實現(xiàn)集合預(yù)報。通過WRF模式參數(shù)化方案敏感性分析，對不同參數(shù)化方案預(yù)報技巧進(jìn)行定量評價，在此基礎(chǔ)上構(gòu)建集合預(yù)報方案，并開發(fā)信息化系統(tǒng)，以期為相關(guān)研究提供一定參考。

2 WRF模式參數(shù)化方案敏感性分析

2.1 青獅潭WRF模式構(gòu)建青獅潭水庫所在流域如圖1所示，位于漓江支流甘棠江上，距離桂林市30 km，集雨面積474 km2，總庫容6億m3，是桂北最大水庫。青獅潭水庫所在區(qū)域為廣西暴雨中心地帶，多年平均降水量2400 mm，其下游的桂林市為著名旅游城市，為景觀考慮，未修建較高的河堤，防洪能力較弱。青獅潭所處地區(qū)地形復(fù)雜，同時受季風(fēng)、臺風(fēng)、副高等多種天氣系統(tǒng)的影響，成云致雨機理極其復(fù)雜，數(shù)值降水預(yù)報效果受模式參數(shù)化方案影響較大。因此，采取參數(shù)化方案擾動的方式進(jìn)行青獅潭流域降水集合預(yù)報，具有一定的科學(xué)和現(xiàn)實意義。

圖1 青獅潭流域圖

WRF模式是美國國家大氣研究中心（National Center for Atmospheric Research，NCAR）和國家環(huán)境預(yù)報中心（NCEP）等部門聯(lián)合開發(fā)的新一代中尺度數(shù)值天氣預(yù)報系統(tǒng)，因其出色的動力框架和豐富的參數(shù)化方案，目前已經(jīng)替代MM5成為應(yīng)用最廣泛的天氣模式。本文基于WRF構(gòu)建青獅潭流域數(shù)值降水預(yù)報模式，并針對青獅潭水庫降水預(yù)報需求，綜合考慮計算資源，決定采用三層嵌套方式，將WRF模式輸出最內(nèi)層數(shù)據(jù)的分辨率定為3 km，位于研究區(qū)域的模式網(wǎng)格點如圖1所示。嵌套區(qū)域設(shè)置充分考慮了周邊大地形和重點天氣、氣候系統(tǒng)，并盡量避免模擬中跨越氣候特征或者地理特點相差巨大的區(qū)域。不同層級之間的網(wǎng)格設(shè)置為雙向反饋關(guān)系，內(nèi)層網(wǎng)格在接受外部網(wǎng)格提供的初始場和邊界條件的同時也向外部網(wǎng)格反饋模式運行信息。本文WRF模式的初始場和邊界場采用NCEP/NCAR提供的逐6 h全球分析資料（Final Operational Global Analysis，F(xiàn)NL），空間分辨率為1°×1°。青獅潭水庫WRF模式詳細(xì)參數(shù)設(shè)置如表1所示。

表1 WRF模式參數(shù)配置

2.2 數(shù)值降水預(yù)報定量評價方法選取ETS平均得分作為定量評價指標(biāo)，ETS代表了模式的綜合預(yù)報能力，取值為1時代表該次預(yù)報為完美預(yù)報，0則代表其預(yù)報技巧與隨機預(yù)報相當(dāng)。ETS計算公式如下［9］：

式中：H為觀測值與模擬值同時大于某一閾值的站數(shù)，代表模式對某一閾值降水事件的探測能力；F為模擬值大于閾值而觀測值小于閾值的站數(shù)，代表模式對某一閾值降水事件的空報傾向；M為模擬值小于閾值而觀測值大于閾值的站數(shù)，代表模式對某一閾值降水事件的漏報傾向，H、M、F等指標(biāo)依據(jù)表2計算；N為雨量站的個數(shù)，雨量站分布請見圖1；變量E為隨機預(yù)報技巧，它的加入使ETS評分能夠消除隨機得到的正確預(yù)報對評價的影響，因此ETS評分也叫公平預(yù)報評分。

表2 降水評價列聯(lián)

本研究針對降水事件選取3個閾值進(jìn)行評價，閾值分別為10、25和50 mm/d。某一降水事件的ETS平均評分如下式所示：

式中：ETSevent為某次降水事件的ETS平均評價結(jié)果，ETSij即為式（1）計算的閾值j上第i個時段（24 h）的ETS評價結(jié)果；n為某次降水事件包含的時段數(shù)。

2.3 參數(shù)化方案敏感性分析WRF模式參數(shù)化方案包括輻射過程、微物理過程、邊界層、積云對流和陸面過程等，其中微物理過程和積云對流參數(shù)化方案對降水的影響較大，是研究人員關(guān)注和改進(jìn)的重點［10-11］。雖然WRF模式各參數(shù)化方案均有明確的物理基礎(chǔ)，但大氣現(xiàn)象極其復(fù)雜，且人類認(rèn)識水平有限，數(shù)學(xué)方程難以精確刻畫各類物理現(xiàn)象，導(dǎo)致不同參數(shù)化方案對降水模擬預(yù)報的能力相差較大，加之局部地形的影響，使同一個參數(shù)化方案在不同區(qū)域的預(yù)報技巧也存在差異。因此，基于WRF模式對研究區(qū)進(jìn)行降水預(yù)報前，對參數(shù)化方案的敏感性進(jìn)行分析就顯得尤為重要［12］。本文選擇應(yīng)用較為廣泛的7種不同的微物理方案（Kessler，Lin et al.（Lin）Single-Moment 3-class（WSM3）， Single-Moment 5-class（WSM5）， Ferrier， Single-Moment 6-class（WSM6）和 New Thompson（NTH））和 3種不同的積云對流參數(shù)化方案（Kain-Fritisch（KF）， Betts-Miller-Janjic（BMJ）和Grell-Devenyi（GD）），構(gòu)成21個參數(shù)化方案組合，以此作為敏感性分析樣本。為了能更好對比不同積云對流參數(shù)化方案和微物理參數(shù)化方案對桂林地區(qū)降水預(yù)報的影響，模擬過程中其它參數(shù)化方案保持不變，如表1所示。同時，由于本研究WRF模式最內(nèi)層采用3 km分辨率，對流已不再完全是次網(wǎng)格尺度現(xiàn)象［13］，因此最內(nèi)層采用純顯式云物理方案。利用1°×1°的NCEP全球再分析資料作為初始場和邊界場，對2012年全年的降水情況進(jìn)行了模擬。WRF模式為中尺度數(shù)值天氣模式，其動力框架難以滿足長期積分的需求，因此采用循環(huán)啟動的方式，以4 d為一個周期，12 h為預(yù)熱期（Spin-up），完成全年的數(shù)值模擬。為了提高運算效率，本研究將WRF模式部署于流域水循環(huán)模擬與調(diào)控國家重點實驗室的一組計算機集群上。利用流域內(nèi)6座雨量站的24 h累積降水?dāng)?shù)據(jù)，基于2.2節(jié)所述方法，對WRF模式2012年模擬結(jié)果進(jìn)行ETS評分，評價結(jié)果如表3所示。

表3 微物理與積云對流參數(shù)化方案敏感性分析結(jié)果

由表3可知，各參數(shù)化方案組合在青獅潭流域均表現(xiàn)出一定的預(yù)報技巧，但卻有明顯的優(yōu)劣之分。GD和BMJ積云對流參數(shù)化方案整體表現(xiàn)較優(yōu)，而KF積云對流參數(shù)化方案則表現(xiàn)較差，配合各類微物理參數(shù)化方案均不能取得較高的ETS評分，甚至與Kessler微物理參數(shù)化方案的組合表現(xiàn)出了接近隨機預(yù)報的預(yù)報技巧，說明構(gòu)建的青獅潭流域WRF模式對積云對流參數(shù)化方案的選取較為敏感。Lin和WSM5微物理參數(shù)化方案的表現(xiàn)較為穩(wěn)定，搭配合適的積云對流參數(shù)化方案能夠較好的對降水情況進(jìn)行模擬。在21種參數(shù)化方案組合中，WSM3與GD的組合在2012年降水模擬中表現(xiàn)是最優(yōu)的，ETS平均評分達(dá)到了0.42，WSM5與GD的組合次之，達(dá)到了0.4。

3 降水集合預(yù)報方案構(gòu)建及檢驗

傳統(tǒng)基于參數(shù)化方案擾動的集合預(yù)報大多采用集合樣本平均的方式，并不考慮單個集合樣本的敏感性信息，但WRF模式中參數(shù)化方案往往具有一定的適用性條件，也就是針對某些具體氣候特征或研究區(qū)，其預(yù)報技巧會有系統(tǒng)性差異，如表3所示，配置KF積云對流參數(shù)化方案的集合樣本的預(yù)報效果往往較差，KF&Kessler成員的ETS評分僅有0.08。將21個參數(shù)化方案組合的結(jié)果做平均，并對其進(jìn)行評價，發(fā)現(xiàn)ETS評分僅有0.32，低于某些集合樣本的預(yù)報技巧?？梢?，在集合預(yù)報中，并不是集合樣本越多預(yù)報效果越好。將21個集合樣本按照ETS評分從高往低排序，依次累加選擇樣本集合，并采用式（3）來確定各個成員的權(quán)重，然后對集合加權(quán)平均結(jié)果進(jìn)行ETS評分，得到2012年ETS平均評分隨著集合樣本數(shù)量變化情況如圖2所示。

圖2 集合樣本預(yù)報技巧

由上圖可知，隨著集合樣本數(shù)量的增加，其集合預(yù)報技巧整體呈現(xiàn)先增加后減小的趨勢，并且采用集合算數(shù)平均的預(yù)報技巧整體低于相應(yīng)成員加權(quán)平均的預(yù)報技巧。可見，針對具體預(yù)報對象集合樣本的數(shù)量并不是越多越好，采用加權(quán)平均的預(yù)報方案能夠體現(xiàn)不同樣本預(yù)報技巧的不同，從而更好的發(fā)揮集合預(yù)報的效果，較集合算數(shù)平均的穩(wěn)定性和精度更高。因此，選取ETS評分的前5位（WSM3&GD，WSM5&GD，Lin&GD，WSM5&BMJ，Lin&BMJ）作為降水集合預(yù)報成員。每次預(yù)報均使用以上5種參數(shù)化方案組合分別運行WRF模式，利用流域邊界截取柵格數(shù)據(jù)形成各預(yù)報時效內(nèi)的面雨量。根據(jù)ETS評分結(jié)果形成各樣本的權(quán)重，分別為0.22，0.21，0.19，0.19和0.19，計算公式如下所示。

其中：Wi為第i個樣本的權(quán)重，；ETSi為第i個樣本的ETS評分；n為集合樣本個數(shù)。

基于各樣本權(quán)重，對時間序列內(nèi)的面雨量做加權(quán)平均，得到集合預(yù)報的平均結(jié)果，并獲取每個時段的最大值和最小值，構(gòu)成上下包線。平均結(jié)果代表了預(yù)報樣本的總體預(yù)報意見，計算方法如式（4）。上下包線則代表了本次預(yù)報的不確定性區(qū)間或各樣本預(yù)報意見的差異性。

其中：Pi為預(yù)報成員的預(yù)報結(jié)果；P為集合預(yù)報加權(quán)平均結(jié)果。

為了進(jìn)一步說明集合預(yù)報在強降水事件中的預(yù)報效果，選取2012年的4月16—19日（事件a）、5月30日—6月2日（事件b）、6月7—10日（事件c）以及6月27—30日（事件d）等4場典型降水事件對本文構(gòu)建的集合預(yù)報方案進(jìn)行檢驗，結(jié)果如圖3所示。

（1）事件a，如圖3（a）所示，主要降水量發(fā)生在后期，16日與17日降水量為4和8 mm，18日與19日降水量分別為22和15 mm。模式在16日與17日的上下包線區(qū)間較小，代表預(yù)報不確定性較低，且集合預(yù)報的加權(quán)平均結(jié)果分別為2.5和6 mm，很好的預(yù)報出了實際降水量級。然而，18日和19日的集合預(yù)報顯示，隨著預(yù)見期的延長預(yù)報不確定性迅速增大，這主要是因為實際大氣現(xiàn)象極其復(fù)雜，初始狀態(tài)的誤差隨著模式積分的進(jìn)行而不斷擴大造成的。但是，集合加權(quán)平均的預(yù)報結(jié)果在18日和19日仍然表現(xiàn)出了一定的預(yù)報技巧，18日集合加權(quán)平均結(jié)果為17 mm，19日集合加權(quán)平均結(jié)果為30 mm。

（2）事件b，如圖3（b）所示，主要降水量發(fā)生在前期，5月30日降水量為28 mm，之后3天累積24 h降水量均在5 mm以下。模式在5月30日的預(yù)報結(jié)果上下包線區(qū)間較大，不確定性較高，而之后3天的不確定性較小。這主要是因為WRF模式對較大量級降水的預(yù)報不確定性高于較小量級降水引起的［14］。雖然5月30日預(yù)報不確定性較大，但集合預(yù)報技巧仍然較高，其預(yù)報結(jié)果為26 mm，說明加權(quán)平均使不同模式的誤差得到了抵消。

（3）事件c，如圖3（c）所示，是一場持續(xù)性強降水，6月7—10日，24 h累積降水量分別為37、33、10和9 mm。與事件a和事件b的預(yù)報效果類似，隨著預(yù)見期的延長和實測降水量級的增加，模式預(yù)報不確定性均呈現(xiàn)變大的趨勢。集合加權(quán)平均的預(yù)報技巧仍然較高，但在7日和8日預(yù)報中集合加權(quán)平均預(yù)報效果均低于實況，而9日和10日預(yù)報結(jié)果則略高于實況，這說明WRF模式針對較大量級降水有低報的趨勢，而針對較小量級降水有高報的趨勢，這與現(xiàn)有研究結(jié)論是一致的［15-16］。

（4）事件d，如圖3（d）所示，是受副熱帶高壓加強，低層偏南氣流加強所致的大范圍強降水過程，6月27日降水量達(dá)57 mm，致使漓江出現(xiàn)145.9 m的洪峰水位，洪峰流量達(dá)2390 m3/s。WRF模式對這場降水的模擬效果較好，27日的集合預(yù)報樣本均預(yù)報出了這次強降水，且27日和28日的集合加權(quán)平均預(yù)報結(jié)果與實況數(shù)據(jù)較為接近。說明WRF模式對大范圍降水的捕捉能力較強。

圖3 集合預(yù)報試驗

綜上，大氣過程復(fù)雜多變，具有較強的混沌效應(yīng)，成云致雨機理難以被準(zhǔn)確描述，導(dǎo)致基于數(shù)值模式的降水預(yù)報不確定性較大，其不確定性隨著預(yù)見期的延長而迅速增加，針對小雨有高報的趨勢，針對大雨有低報的趨勢。但集合預(yù)報能夠有效降低因單值預(yù)報帶來的不確定性，利用本文所述的預(yù)報方案可有效提取不同預(yù)報樣本的一致性信息，從而提高預(yù)報可靠性，是現(xiàn)有條件下提高預(yù)報精度的有效方法。

4 結(jié)論與展望

本文選擇青獅潭水庫集水區(qū)作為研究對象，建立了WRF降水預(yù)報模式，利用7種云微物理參數(shù)化方案與3種積云對流參數(shù)化方案的組合對2012年24小時累積降水進(jìn)行了模擬，基于ETS評分對參數(shù)化方案敏感性進(jìn)行了分析，根據(jù)樣本數(shù)量對預(yù)報精度的影響，選取預(yù)報技巧在前5位的參數(shù)化方案組合作為集合預(yù)報樣本，并確定了各預(yù)報樣本的權(quán)重，構(gòu)建了青獅潭水庫集合降水預(yù)報方案。本文對集合預(yù)報方案在青獅潭降水預(yù)報中的可靠性進(jìn)行了分析，發(fā)現(xiàn)集合預(yù)報能夠有效降低因單個樣本預(yù)報帶來的不確定性，提升預(yù)報可靠性，是現(xiàn)階段條件下提高預(yù)報精度的有效方法。然而，由于人類對自然現(xiàn)象認(rèn)識的局限性，使得參數(shù)化方案的預(yù)報技巧隨大氣背景的變化而有所差異，如何運用智能挖掘方法，充分利用每個預(yù)報樣本的可用信息改進(jìn)總體預(yù)報效果，將成為作者未來研究的重點。此外，受計算資源限制，本研究僅選取2012年數(shù)據(jù)進(jìn)行相關(guān)研究，在后續(xù)工作中將利用更多數(shù)據(jù)對研究結(jié)論進(jìn)行佐證。

［1］LORENZ E N.Deterministic nonperiodic flow［J］.Journal of the Atmospheric Sciences，1969，20：130-141.

［2］TOTH Z，KALNAY E.Ensemble forecasting at NCEP and the breeding method［J］.Mon.Wea.Rev.，1997，125：3297-3319.

［3］MULLEN S L，BUIZZA R.Quantitative precipitation forecasts over the United States by ECMWF ensemble pre?diction system［J］.Mon.Wea.Rev.，2001，129：638-663.

［4］李剛，王鐵，譚言科，等.WRF3.0參數(shù)化敏感性及集合預(yù)報試驗［J］.解放軍理工大學(xué)學(xué)報（自然科學(xué)版），2010，11（1）：89-96.

［5］李嘉鵬，湯劍平.WRF模式對中國東南地區(qū)的多參數(shù)化短期集合預(yù)報試驗［J］.南京大學(xué)學(xué)報，2012，48（6）：677-688.

［6］包紅軍，趙琳娜.基于集合預(yù)報的淮河流域洪水預(yù)報研究［J］.水利學(xué)報，2012，43（2）：216-224.

［7］RICHARDSON D，BUIZZA R，HAGEDOM R.Final report of the 1st workshop on the THORPEX interactive grand global ensemble（TIGGE）［C］//WMO/TD-No.1273，WWRP-THOREX No.5.2005.

［8］CANDILLE G，BEAUREGARD S，GAGNON N.Bias correction and multiensemble in the NAEFS context or how to get a“Free Calibration”through a multiensemble approach［J］.Monthly Weather Review，2010，138（29）：4268-4281.

［9］CLARK P，GERHARD R，THOMAS F.Verification of the WRF model for simulating heavy precipitation in Al?berta［J］.Atmospheric Research，2014，135/136：172-192.

［10］何惠卿，王振會，金振潤，等.積云參數(shù)化方案和微物理方案不同組合對臺風(fēng)路徑模擬效果的影響［J］.熱帶氣象學(xué)報，2009，25（4）：435-441.

［11］陳茂欽，徐海明，劉蕾，等.WRF3.1微物理參數(shù)化方案對兩例暴雨的集合預(yù)報試驗及可預(yù)報性分析［J］.氣象科學(xué)，2012，32（3）：237-245.

［12］COLLE B A，GARVERT M F，WOLFE J B，et al.The 13-14 December 2001 IMPROVE-2 event Part III：Simu?lated microphysical budgets and sensitivity studies［J］ .Journal of the Atmospheric Sciences，2005，62：3535-3558.

［13］程麟生.中尺度大氣數(shù)值模式發(fā)展現(xiàn)狀和應(yīng)用前景［J］.高原氣象，1999，18（3）：350-360.

［14］周迪，陳靜，陳朝平，等.暴雨集合預(yù)報—觀測概率匹配訂正法在四川盆地的應(yīng)用研究［J］，暴雨災(zāi)害，2015，34（2）：97-104.

［15］王亞男.多模式降水集合預(yù)報資料的統(tǒng)計降尺度及誤差訂正研究［D］.南京：南京信息工程大學(xué)，2012.

［16］曹萍萍，陳朝平，徐棟夫，等.基于集合預(yù)報的四川夏季強降水訂正試驗［J］.熱帶氣象學(xué)報，2017，33（1）：111-118.