多模式溫度集成預(yù)報的檢驗(yàn)分析

張玉榮

(內(nèi)蒙古自治區(qū)巴彥淖爾市氣象局，內(nèi)蒙古 臨河 015000)

1 引言

數(shù)值天氣預(yù)報發(fā)展至今，已具備了很高的預(yù)報準(zhǔn)確率，并成為天氣分析預(yù)報的有力工具，它延長了預(yù)報時效，還能給出各物理量的定量結(jié)果[1]。隨著國內(nèi)外數(shù)值天氣預(yù)報模式的快速發(fā)展，數(shù)值模式預(yù)報使預(yù)報產(chǎn)品類型更加豐富，有效提高了預(yù)報準(zhǔn)確率和精細(xì)化水平，其穩(wěn)定性和預(yù)報質(zhì)量也逐步提高，預(yù)報員對數(shù)值預(yù)報產(chǎn)品的應(yīng)用越來越廣泛。然而，預(yù)報員每天面對各類數(shù)值模式產(chǎn)品，如何用好模式產(chǎn)品就成為預(yù)報的關(guān)鍵[2]。陳麗娟[3]等基于集合的思想對降水預(yù)測的各模式預(yù)報結(jié)果進(jìn)行集成，發(fā)現(xiàn)集合預(yù)報大多數(shù)情況下優(yōu)于單成員預(yù)報。馬清[4]等針對全球5個氣象中心的區(qū)域集合模式的地面溫度預(yù)報，發(fā)現(xiàn)集成預(yù)報的平均絕對誤差小于單一模式預(yù)報。Hagedorn[5]基于多模式集成預(yù)報思想，發(fā)現(xiàn)多模式集成預(yù)報確實(shí)能優(yōu)化預(yù)報結(jié)果。

內(nèi)蒙古巴彥淖爾市地處陰山山脈西段，陰山及以北地區(qū)隆起，陰山南部斷陷，形成比較明顯的3種地貌，即北部高原、中部山地丘陵和南部河套平原[6]。陰山橫亙于中部，成為中溫帶大陸性氣候與季風(fēng)氣候的交界區(qū)。因?yàn)槟媳焙０胃叨鹊牟煌瓣幧降淖饔?，山前與山后的各項(xiàng)氣象要素有明顯的差異，預(yù)報難度較大，尤其是日最高氣溫和日最低氣溫預(yù)報，成了影響預(yù)報服務(wù)質(zhì)量的主要因素[7]。

2 數(shù)據(jù)來源

逐日選取08時和20時起報的6家數(shù)值模式(Ec、T639、 ZX、MG、ZG、ZY)中日最高氣溫和日最低氣溫預(yù)報值，時效為24～120 h。其中，Ec模式選用ecmwf_thinmx2t6產(chǎn)品；T639模式選用T639T2M_4產(chǎn)品。其中，Ec模式和T639模式格點(diǎn)資料通過雙線性插值方法插到預(yù)報站點(diǎn)；中國天氣、美國天氣、德國天氣在線、中央氣象臺指導(dǎo)預(yù)報選用模式預(yù)報的Tg和Td。利用C#程序語言將6家模式逐日預(yù)報值寫入Excel中，建立回歸分析數(shù)據(jù)庫。

3 原模式集成

選擇上述6家模式的日最高氣溫和日最低氣溫預(yù)報值，使用Excel的LINEST(known_y's known_x's const stats)函數(shù)進(jìn)行回歸分析，其基礎(chǔ)數(shù)據(jù)如下所示：

Known_y's中輸入D4:D35實(shí)況數(shù)據(jù)即因變量(注：D列的第4～35行的實(shí)況溫度數(shù)據(jù))；

Known_x's中輸入BA4:BF35各家模式預(yù)報值即自變量(注：BA列到BF列的第4～35行6家模式最高、最低氣溫預(yù)報值)；

Const中輸入True，如果Const為True或省略，b0(截距)將被正常計(jì)算。如果Const為False，b0將被自動設(shè)為0；

Stats中輸入True，如果Stats為True，返回附加回歸統(tǒng)計(jì)值，如果Stats為False或省略，只返回系數(shù)。回歸分析結(jié)果輸出(如表1)：

表1 LINEST函數(shù)做回歸分析得出的各項(xiàng)系數(shù)Tab.1 Various coefficients obtained by regression analysis by LINEST function

各輸出值的意義：A1、B1、C1、D1、E1、F1分別為TdZY、TdMG、TdZX、TdZG、TdT639、TdEc的系數(shù)，G1為常數(shù)項(xiàng)；A2、B2、C2、D2、E2、F2、G2分別為相應(yīng)的系數(shù)及常數(shù)項(xiàng)的標(biāo)準(zhǔn)差；A3為復(fù)相關(guān)系數(shù)，B3為y的標(biāo)準(zhǔn)誤差；A4為計(jì)算出的F值，B4為離回歸自由度；A5、B5分別為回歸平方和及離回歸平方和。

將上述各項(xiàng)參數(shù)保留兩位小數(shù)代入y=A1x1+B1x2+…+G1，得到回歸方程：

y=0.04×TdEc+(-0.04)×TdT639+(-0.04)×TdZG+0.04×TdZX+0.12×T0dMG+0.73×TdZY+2.67

式中，y即為6家模式的最低氣溫集成預(yù)報結(jié)果。

上述方程示例僅作為解釋說明回歸分析的過程，實(shí)際業(yè)務(wù)中使用2017年1月—2017年12月的數(shù)據(jù)，逐日對08時和20時預(yù)報場的日最高氣溫和日最低氣溫預(yù)報分別做回歸分析，得出集成預(yù)報結(jié)果并按月開展檢驗(yàn)分析。

4 模式訂正后集成

4.1 訂正預(yù)報的意義

上述多元回歸分析只是用最小二乘法對各模式日最高氣溫和日最低氣溫預(yù)報進(jìn)行的最佳直線擬合，與實(shí)況仍存在一定的誤差。導(dǎo)致誤差產(chǎn)生的主要原因有兩個：一是數(shù)值預(yù)報場本身不可避免存在的誤差；二是預(yù)報站點(diǎn)風(fēng)向風(fēng)速變化、云覆蓋度、降水的影響，或者是其它氣象要素的變化，使局地?zé)崃炕旌辖粨Q而造成溫度差異。

4.2 訂正要素的選取

經(jīng)過巴彥淖爾市氣象臺預(yù)報員多年統(tǒng)計(jì)、分析、檢驗(yàn)，發(fā)現(xiàn)與溫度預(yù)報相關(guān)性較好的是近地面風(fēng)向風(fēng)速、相對濕度以及降水量等因子。因此，選取Ec和T639模式預(yù)報場中的10 m風(fēng)向風(fēng)速，500 hPa、700 hPa、850 hPa 3個層次中的最大相對濕度，12 h降水量作為最高、最低氣溫預(yù)報的訂正因子；德國天氣在線、美國天氣、中國天氣選用風(fēng)向風(fēng)速、天空狀況、低云量(降水量)的預(yù)報值作為訂正因子；中央氣象臺指導(dǎo)預(yù)報選用風(fēng)向風(fēng)速、低云量、24 h降水量的預(yù)報值作為訂正因子。

訂正值的設(shè)定是依據(jù)一年多的檢驗(yàn)而設(shè)的初始訂正值(見表2～表6)，使用該訂正方法將6家模式氣溫預(yù)報值進(jìn)行訂正，得出模式預(yù)報訂正后的日最高氣溫和日最低氣溫預(yù)報值，然后再進(jìn)行一次回歸分析，最后得到模式訂正后的集成預(yù)報結(jié)果。

表210m風(fēng)向訂正值設(shè)定

Tab.2 10 m wind direction correction setting

表310m風(fēng)速訂正值設(shè)定

Tab.310m wind setting

風(fēng)力(級)123456789101112Td訂正/℃0.10.20.30.40.60.81.01.21.41.62.03.0Tg訂正/℃-0.1-0.2-0.3-0.4-0.6-0.8-1.0-1.2-1.4-1.6-2.0-3.0

表4低云量訂正值設(shè)定

Tab.4Low cloud setting

低云量(成)10或10-987654<4Td訂正值/℃2.01.61.20.80.60.40.10Tg訂正值/℃-2.0-1.6-1.2-0.8-0.6-0.4-0.10

表5最大相對濕度訂正值設(shè)定

Tab.5Setting of maximum relative humidity setting value

相對濕度/%10090～9980～8970～7960～6950～5940～49<40Td訂正值/℃1.00.80.60.40.30.20.10Tg訂正值/℃-1.0-0.8-0.6-0.4-0.3-0.2-0.10

表6雨(雪)訂正值設(shè)定

Tab.6Setting of rain (snow) setting

降水量小雨中雨大雨暴雨大暴雨小雪中雪大雪Td訂正/℃0.312340.112Tg訂正/℃-0.3-1-2-3-4-0.1-1-2

5 集成預(yù)報檢驗(yàn)分析

5.1 溫度預(yù)報檢驗(yàn)方法

根據(jù)中國氣象局關(guān)于《中短期天氣預(yù)報質(zhì)量檢驗(yàn)辦法(試行)》的規(guī)定，其標(biāo)準(zhǔn)如下：

其中，F(xiàn)i為第i站(次)預(yù)報溫度，Oi為第i站(次)實(shí)況溫度，K為1、2，分別代表│Fi-Oi│≤1 ℃、│Fi-Oi│≤2 ℃，NrK為預(yù)報正確的站(次)數(shù),NfK為預(yù)報的總站(次)數(shù)。溫度預(yù)報準(zhǔn)確率的實(shí)際含義是溫度預(yù)報絕對誤差≤1 ℃(2 ℃)的百分率。K為1、2，分別代表≤1 ℃、≤2 ℃。

5.2 集成預(yù)報24 h質(zhì)量檢驗(yàn)

對24 h集成預(yù)報的最高溫度預(yù)報檢驗(yàn)(表7)知，從2017年1—12月平均預(yù)報準(zhǔn)確率為84.8%，其中53513(臨河區(qū))站準(zhǔn)確率最高：88.5%，53324(烏拉特后旗)準(zhǔn)確率最低：81.0%。平均絕對誤差均<2 ℃，最大為烏拉特后旗1.371 ℃。均方根誤差均<2 ℃，最大為磴口縣1.935 ℃。從偏高率和偏低率可以看出，對于最高氣溫的預(yù)報，集成預(yù)報的偏高率比偏低率略更加明顯。

表7 24 h最高氣溫集成預(yù)報各旗(縣)檢驗(yàn)Tab.7 24 h maximum temperature integrated forecast for each flag (county) test

對24 h集成預(yù)報的最低溫度預(yù)報檢驗(yàn)(表8)知，從2017年1—12月平均預(yù)報準(zhǔn)確率為66.3%，其中53419(磴口縣)站準(zhǔn)確率最高：70.9%，53337(五原縣)準(zhǔn)確率最低：62.3%。平均絕對誤差均<2 ℃，最大為五原縣1.502 ℃。均方根誤差基本都<2 ℃，只有五原縣>2 ℃，值為2.016 ℃。從偏高率和偏低率可以看出，對于最低溫度的預(yù)報，集成預(yù)報的偏低率比偏高率略明顯。

表8 24 h最低氣溫集成預(yù)報各旗(縣)檢驗(yàn)Tab.8 24 h minimum temperature integrated forecast for each flag (county) test

從2017年1—12月集成預(yù)報24 h最低氣溫和最高氣溫準(zhǔn)確率區(qū)域分布圖(圖1和圖2)看，最高溫度區(qū)域分布中，套區(qū)偏南地區(qū)預(yù)報準(zhǔn)確率比北部牧區(qū)預(yù)報準(zhǔn)確率要高，其中臨河區(qū)預(yù)報準(zhǔn)確率最高；最低溫度區(qū)域分布中，巴彥淖爾市西南部和東南部的預(yù)報準(zhǔn)確率比其他區(qū)域預(yù)報準(zhǔn)確率要高，其中磴口縣報準(zhǔn)確率最高。

圖1 集成預(yù)報最高氣溫24 h預(yù)報準(zhǔn)確率區(qū)域分布Fig.1 Regional distribution of accuracy of integrated forecast of maximum temperature 24 h

圖2 集成預(yù)報最低氣溫24 h預(yù)報準(zhǔn)確率區(qū)域分布Fig.2 Regional distribution of accuracy of integrated forecast of 24 h minimum air temperature

5.3 模式訂正后集成檢驗(yàn)

從模式訂正后集成檢驗(yàn)結(jié)果可以看出，各家模式訂正后集成比原模式集成的準(zhǔn)確率有所提高(圖略)，其中最高氣溫準(zhǔn)確率提高了1%～3%，最低氣溫誤差率降低了0.5%～4%，說明訂正方法的使用對提高最高、最低氣溫預(yù)報準(zhǔn)確率有一定的效果，對溫度預(yù)報具有參考價值。

6 小結(jié)

①本文的主要目的是使用LINEST函數(shù)對各家數(shù)值模式預(yù)報進(jìn)行多元回歸分析，得出模式集成預(yù)報結(jié)果，檢驗(yàn)集成預(yù)報結(jié)果的準(zhǔn)確率。結(jié)果表明：集成預(yù)報比6家模式的預(yù)報準(zhǔn)確率都高，這對巴彥淖爾市溫度預(yù)報具有很好的參考價值。

②在原模式的基礎(chǔ)上，建立本地化訂正方法,將原6家模式最高最低氣溫預(yù)報值進(jìn)行訂正后再集成。檢驗(yàn)結(jié)果表明：訂正后的集成預(yù)報比直接集成預(yù)報準(zhǔn)確率又提高了0%～4%，說明訂正方法的使用對提高最高、最低氣溫預(yù)報準(zhǔn)確率有一定的效果。

③本文不但對模式集成進(jìn)行了檢驗(yàn)，還對單一數(shù)值模式預(yù)報進(jìn)行了檢驗(yàn)，為預(yù)報員擇優(yōu)使用數(shù)值預(yù)報產(chǎn)品提供依據(jù)，同時也為研究數(shù)值模式預(yù)報產(chǎn)品釋用提供一定的參考方法，具有一定的推廣價值。