精細(xì)化網(wǎng)格的降水預(yù)報(bào)解析方法對(duì)比

張宏芳 巨曉璇 盧珊 潘留杰

（1 陜西省氣象服務(wù)中心，西安 710014；2 陜西省氣象臺(tái)，西安 710014）

0 引言

智能網(wǎng)格氣象預(yù)報(bào)是目前中國(guó)氣象局的主推業(yè)務(wù)和未來(lái)天氣預(yù)報(bào)的發(fā)展方向。實(shí)現(xiàn)高時(shí)空分辨率的精細(xì)化網(wǎng)格預(yù)報(bào)的主要?jiǎng)訖C(jī)是改進(jìn)和增強(qiáng)對(duì)中小尺度天氣的預(yù)報(bào)能力，做到時(shí)間、空間預(yù)報(bào)的無(wú)縫隙銜接[1-2]。然而，無(wú)論格點(diǎn)預(yù)報(bào)場(chǎng)的空間分辨率多么精細(xì)，對(duì)于用戶來(lái)說(shuō)，其所在位置并不總落在某個(gè)固定的格點(diǎn)之上，因此基于數(shù)值預(yù)報(bào)產(chǎn)品釋用技術(shù)的精細(xì)化客觀預(yù)報(bào)在氣象預(yù)報(bào)業(yè)務(wù)中越來(lái)越重要[3]。

針對(duì)模式要素預(yù)報(bào)的插值方法，氣象學(xué)者做了大量深入和卓有成效的研究工作[4-6]。早在1996年，游性恬就研究了拉格朗日（Lagrangian）、樣條（Spline）和埃爾米特（Hermite）3種插值方法的誤差分布[7]；隨后，高歌等[8]利用反距離權(quán)重法和普通克里格方法將站點(diǎn)降水插值到格點(diǎn)，并比較了兩種方法的插值效果；張寧等[9]以江蘇省2006年夏、秋季基礎(chǔ)站、自動(dòng)站降水資料為基礎(chǔ)，利用Cressman方法，將其降水資料插值到格點(diǎn)上，并比較了兩種觀測(cè)降水在插值后的空間分布差異。蘇勇等[10]分析了樣條插值方法在GRAPES模式物理過(guò)程計(jì)算前后的精度表現(xiàn)和對(duì)模式綜合性能的影響；朱國(guó)富[11]詳細(xì)論述了數(shù)值天氣預(yù)報(bào)中分析同化初值形成的客觀分析方法，主要包括多項(xiàng)式函數(shù)擬合、逐步訂正、最優(yōu)插值、變分方法和集合卡爾曼濾波5種，并闡述了這些方法的發(fā)展脈絡(luò)和顯著特征。趙煜飛等[12]采用薄盤樣條法，對(duì)中國(guó)區(qū)域地面降水站點(diǎn)資料進(jìn)行內(nèi)插，并進(jìn)了質(zhì)量評(píng)估。這些研究不僅對(duì)氣象要素從站點(diǎn)到格點(diǎn)轉(zhuǎn)換，建立連續(xù)性的空間要素場(chǎng)做出了重要貢獻(xiàn)，而且極大地促進(jìn)了數(shù)值模式同化、物理過(guò)程改進(jìn)等多方面的進(jìn)步。但目前對(duì)氣象要素從格點(diǎn)向站點(diǎn)轉(zhuǎn)換的性能、適用性和優(yōu)缺點(diǎn)少有研究，這一方面是由于過(guò)去模式分辨率較粗，直接從模式向預(yù)報(bào)站點(diǎn)轉(zhuǎn)換的氣象要素很難有好的預(yù)報(bào)精度；另一方面，站點(diǎn)預(yù)報(bào)主要是各級(jí)氣象臺(tái)站業(yè)務(wù)人員參考各家模式的基礎(chǔ)上給出的綜合預(yù)報(bào)結(jié)果。

2016年，中國(guó)氣象局印發(fā)了《全國(guó)精細(xì)化網(wǎng)格氣象預(yù)報(bào)業(yè)務(wù)建設(shè)實(shí)施方案》，計(jì)劃用兩年時(shí)間建立全國(guó)陸地區(qū)域5 km分辨率的未來(lái)10天精細(xì)化氣象網(wǎng)格預(yù)報(bào)業(yè)務(wù)。精細(xì)化網(wǎng)格預(yù)報(bào)的全國(guó)覆蓋必將極大地推動(dòng)氣象要素預(yù)報(bào)的流程再造和服務(wù)能力的快速提高，用戶可以隨時(shí)隨地獲得從精細(xì)化網(wǎng)格預(yù)報(bào)中解析出來(lái)的客觀預(yù)報(bào)服務(wù)產(chǎn)品。但同時(shí)，建立合理、有效的格點(diǎn)到用戶關(guān)心位置（站點(diǎn)）的預(yù)報(bào)要素解析方法也成為目前面臨的重要現(xiàn)實(shí)問(wèn)題。本文以ECMWF精細(xì)化網(wǎng)格模式預(yù)報(bào)資料為基礎(chǔ)，分析最鄰近點(diǎn)法、反距離權(quán)重法、雙線性插值法以及最小二乘法在格點(diǎn)至站點(diǎn)、格點(diǎn)降水插值到更細(xì)網(wǎng)格中的適用性和優(yōu)缺點(diǎn)，以期為基于格點(diǎn)的站點(diǎn)要素預(yù)報(bào)解析提供參考。選擇這4種方法的主要原因是計(jì)算方便、實(shí)現(xiàn)簡(jiǎn)單，同時(shí)也具有較好的插值精度，便于業(yè)務(wù)化運(yùn)行。

1 資料和方法介紹

1.1 資料

觀測(cè)資料采用：1）2015和2016年5—10月研究區(qū)域內(nèi)每日20時(shí)過(guò)去24 h自動(dòng)氣象站降水觀測(cè)資料；2）中國(guó)氣象科學(xué)數(shù)據(jù)信息網(wǎng)提供的CMORPH衛(wèi)星、全國(guó)4萬(wàn)個(gè)自動(dòng)觀測(cè)站、雷達(dá)定量估測(cè)降水的三源融合逐小時(shí)降水產(chǎn)品，時(shí)段為2015和2016年5—10月，空間分辨率為0.05°×0.05°。潘旸等[13]研究表明，三源降水融合資料在我國(guó)夏季逐小時(shí)降水平均偏差為-0.004 mm，相關(guān)系數(shù)達(dá)0.718，能夠表現(xiàn)降水的真實(shí)狀態(tài)，可以作為參照物來(lái)評(píng)估模式的預(yù)報(bào)性能。

模式數(shù)據(jù)為同時(shí)期每日12 UTC起報(bào)的ECMWF細(xì)網(wǎng)格降水預(yù)報(bào)產(chǎn)品。預(yù)報(bào)時(shí)效為240 h。分辨率為0.125°×0.125°。研究區(qū)域設(shè)為秦嶺及周邊地區(qū)（31°—40°N，103°—113°E），具體范圍如圖1所示。圖中的黑色圓點(diǎn)為假定從格點(diǎn)解析到站點(diǎn)所關(guān)注的位置。

圖1 研究區(qū)域（圖中黑色圓點(diǎn)為解析到站點(diǎn)所選取的觀測(cè)站） Fig. 1 Research area (Black dots denote observatory stations used for data conversion from grid points to station)

1.2 方法介紹

為了全面比較反距離權(quán)重法、雙線性插值法、最小二乘法以及最鄰近點(diǎn)4種方法的解析性能，采用以下比較方式，首先計(jì)算將2015及2016年5—10月ECMWF模式預(yù)報(bào)解析到站點(diǎn)后的平均預(yù)報(bào)評(píng)分，計(jì)算的預(yù)報(bào)評(píng)分指數(shù)主要包括：預(yù)報(bào)偏差（Bias），表示預(yù)報(bào)事件發(fā)生的次數(shù)與觀測(cè)事件發(fā)生的次數(shù)的比率，Bias＞1表示預(yù)報(bào)事件高于觀測(cè)事件的發(fā)生頻率，Bias＜1則相反，理想情況下Bias=1[14-15]；TS（threat score）評(píng)分，表示事件發(fā)生的正確預(yù)報(bào)次數(shù)與事件發(fā)生總次數(shù)（預(yù)報(bào)或觀測(cè)）的比率[16-18]；ETS（equitable threat score）評(píng)分，表示除去隨機(jī)偶然事件后，事件發(fā)生且預(yù)報(bào)正確的次數(shù)與事件發(fā)生總次數(shù)的比率[19]。然后，將模式預(yù)報(bào)變換到與三源融合資料相同分辨率的格點(diǎn)，這種比較范圍更大，空間上相當(dāng)于任意點(diǎn)的全覆蓋，結(jié)果更具有代表性。最后選取個(gè)例進(jìn)一步分析解析誤差；4種方法簡(jiǎn)單介紹如下。

1.2.1 反距離權(quán)重法

反距離權(quán)重法以格點(diǎn)到站點(diǎn)距離的倒數(shù)作為權(quán)重，將格點(diǎn)值插值到用戶關(guān)注的站點(diǎn)，具體計(jì)算時(shí)，選用的格點(diǎn)數(shù)可以根據(jù)轉(zhuǎn)換結(jié)果的準(zhǔn)確性來(lái)選擇設(shè)定，在本文的研究中，選擇站點(diǎn)周圍9個(gè)格點(diǎn)值進(jìn)行插值，具體計(jì)算公式為：

式中，Vi表示插值后的第i個(gè)站點(diǎn)降水量，j表示站點(diǎn)周圍的9個(gè)格點(diǎn)，wj表示第j個(gè)格點(diǎn)的權(quán)重系數(shù)，pj表示模式在第j個(gè)格點(diǎn)上的預(yù)報(bào)值，dij表示站點(diǎn)i到周圍格點(diǎn)j的距離，如果dij=0，則wj=1。

1.2.2 雙線性插值法

雙線性插值是分別在x，y方向的線性插值的合成，核心思想是在兩個(gè)方向分別進(jìn)行一次線性插值，這也決定了雙線性插值只能取關(guān)注點(diǎn)周圍的4個(gè)點(diǎn)作為插值基礎(chǔ)（圖2b），假定P點(diǎn)為關(guān)注點(diǎn)，其值為

圖2 解析方法示意圖：（a）最鄰近點(diǎn)法及反距離權(quán)重，（b）雙線性插值 Fig. 2 Sketch map of analytical methods: (a) for the nearest neighbor method and the inverse distance weighting method; (b) for the bilinear interpolation method

1.2.3 最小二乘法

最小二乘法通常用來(lái)建立一元線性回歸模型，是以“誤差平方和最小”來(lái)確定直線斜率和截距的最典型方法。事實(shí)上，對(duì)高分辨率格點(diǎn)要素預(yù)報(bào)解析來(lái)說(shuō)，選擇用戶需要的位置（需要解析的點(diǎn)）與周圍給定范圍格點(diǎn)的誤差平方和達(dá)到最小，也是通用的客觀釋用方法。對(duì)單點(diǎn)來(lái)說(shuō)，假定Z為解析值，則有：

式中，x、y為用戶關(guān)注點(diǎn)的坐標(biāo)位置，a、β、γ為通過(guò)二元線性回歸且滿足誤差平方和最小得到的回歸系數(shù)。

1.2.4 最鄰近點(diǎn)法

最鄰近點(diǎn)法為選擇距離站點(diǎn)位置最近的格點(diǎn)值作為站點(diǎn)的預(yù)報(bào)，在圖2a中，假設(shè)P點(diǎn)為所關(guān)注的站點(diǎn)，則判斷P點(diǎn)周圍4個(gè)格點(diǎn)距離中心站P的距離，取距離最短的格點(diǎn)值為關(guān)注站點(diǎn)的預(yù)報(bào)值，即P點(diǎn)右下角的點(diǎn)。

2 總體表現(xiàn)

首先考察2015及2016年5—10月，4種不同解析方法的平均表現(xiàn)情況，圖3給出了2015及2016年5—10月將ECMWF模式預(yù)報(bào)場(chǎng)解析到圖1中的11個(gè)站點(diǎn)，并計(jì)算的統(tǒng)計(jì)檢驗(yàn)結(jié)果。由于解析到站點(diǎn)的暴雨頻次較少，這里僅分析0.1 mm以上量級(jí)降水的技巧評(píng)分。從降水平均差值來(lái)看（圖3a），預(yù)報(bào)整體較觀測(cè)偏高0.1～0.9 mm左右，其中最小二乘法偏高最明顯（圖3a），雙線性插值和反距離權(quán)重法基本接近，最鄰近點(diǎn)法效果最好，值得注意的是，在不同時(shí)效上，預(yù)報(bào)和觀測(cè)的降水差值有明顯的周期性變化，其具體原因并不清楚。降水偏差顯示（圖3b），模式對(duì)0.1 mm以上量級(jí)降水整體具有預(yù)報(bào)頻次偏多的特征，且有隨預(yù)報(bào)時(shí)效增長(zhǎng)增多的趨勢(shì)。雙線性插值和最小二乘法偏多最為顯著，高于觀測(cè)2.5～3倍以上，最鄰近點(diǎn)法平均高于觀測(cè)1.63～2.4倍，表現(xiàn)最好。模式整體具有較好的TS（圖3c）和ETS（圖3d）評(píng)分，24 h預(yù)報(bào)最鄰近點(diǎn)法的TS評(píng)分達(dá)0.52，到第9天，減小到0.34。其他3種方法TS評(píng)分變化趨勢(shì)和最鄰近點(diǎn)法基本一致，隨著預(yù)報(bào)時(shí)效的增加而減小，但整體預(yù)報(bào)評(píng)分低于最鄰近點(diǎn)法，同樣，最鄰近點(diǎn)法的ETS評(píng)分也表現(xiàn)最好。Bias也接近理想值1.0，ETS顯著高于其他3種方法。

圖4給出了2015及2016年5—10月的ECMWF模式每日20時(shí)起報(bào)，未來(lái)24 h累計(jì)降水量，利用4種方法將逐日ECMWF預(yù)報(bào)0.125°的降水解析到0.05°分辨率后，并計(jì)算時(shí)段平均降水量和預(yù)報(bào)偏差的空間表現(xiàn)?？梢钥闯?，4種解析方法獲得的時(shí)段平均降水量的空間分布整體是一致的，4種方法都較好地刻畫了降水量隨緯度的增加而減小的趨勢(shì)，位于四川、陜西南部的降水大值區(qū)和寧夏北部的降水低值區(qū)的中心位置也都表現(xiàn)相同。不同點(diǎn)在于：1）降水量級(jí)上，最小二乘法區(qū)域平均值為2.6 mm，空間格點(diǎn)上最大值為8.7 mm，最小為0.37 mm，表現(xiàn)出降水高值中心偏小，低值中心偏大的特征；而雙線性插值和反距離權(quán)重法降水量級(jí)基本一致，區(qū)域平均值為2.6 mm，最大為10.4 mm，最小為0.34 mm；最鄰近點(diǎn)法較雙線性插值和反距離權(quán)重法最大值、區(qū)域平均略偏小，分別為10.35和2.59 mm。2）降水范圍上，最鄰近點(diǎn)法、雙線性插值法的降水高、低值中心數(shù)量基本一致；最小二乘法（圖4c）的降水高、低值中心數(shù)量明顯較其他3種方法偏少；反距離權(quán)重法則表現(xiàn)出高、低值中心范圍偏小的特征。

圖3 將2015及2016年5—10月ECMWF模式降水預(yù)報(bào)解析到站點(diǎn)的平均TS、ETS、 Bias預(yù)報(bào)平均和觀測(cè)平均的差值：（a）降水差值，（b）預(yù)報(bào)偏差，（c）TS評(píng)分，（d）ETS評(píng)分 Fig. 3 Comparisons of the ECMWF precipitation forecast parsing to station among 4 methods for the period from May to October in 2015 and 2016: (a) for the bias of station precipitation; (b) for the difference values between average of forecast and observation precipitation; (c) for the Mean TS score; (c) for the ETS score

圖4 用4種不同方法將2015及2016年5—10月ECMWF降水預(yù)報(bào)（0.125°）解析到0.05°分辨率的平均預(yù)報(bào)偏差和降水量的空間表現(xiàn)（等值線為預(yù)報(bào)偏差，色標(biāo)為平均降水量）：（a）雙線性插值法，（b）反距離權(quán)重法，（c）最小二乘法，（d）最鄰近點(diǎn)法 Fig. 4 Mean forecast bias (contour) and special patterns of average precipitation (shaded) resulted from the ECMWF precipitation forecasts in 0.125° resolution parsing to 0.05° by four different methods for May-October in 2015 and 2016: (a)bilinear interpolation method; (b) inverse distance weighting method; (c) least square method; (d) nearest neighbor method

從2015及2016年5—10月模式預(yù)報(bào)相對(duì)于實(shí)際觀測(cè)的平均預(yù)報(bào)偏差Bias來(lái)看，4種方法解析結(jié)果除陜西北部的內(nèi)蒙地區(qū)降水頻次低于觀測(cè)外，其余地方降水頻次均高于觀測(cè)，從數(shù)值上來(lái)看，雙線性插值和反距離權(quán)重法最為接近，分別為1.23和1.25，主要差異在于雙線性插值（圖4a）的Bias高值中心范圍偏小，低值中心的范圍偏大，有空間Bias趨于一致的特征，而反距離權(quán)重法則更顯著的體現(xiàn)了地區(qū)性差異。4種方法中，最小二乘法降水預(yù)報(bào)頻次高于觀測(cè)最為明顯，平均為1.28；最鄰近點(diǎn)法最接近理想值，平均為1.20。分析每個(gè)格點(diǎn)上的Bias數(shù)值差異，發(fā)現(xiàn)最鄰近點(diǎn)法的Bias振幅最大，大值中心高于觀測(cè)2.75倍，而低值中心僅為觀測(cè)的0.36倍；而最小二乘法的Bias振幅最小，最大值和最小值分別為2.66和0.42。

不同解析法方法的降水TS、ETS評(píng)分如圖5所示，可以看出，4種方法的TS評(píng)分不存在本質(zhì)上的差異，總體表現(xiàn)了降水多發(fā)區(qū)TS評(píng)分高，降水頻次低值區(qū)TS評(píng)分偏低的特征。從數(shù)值上來(lái)看，反距離權(quán)重法和最小二乘法空間平均TS評(píng)分最高，分別為0.561和0.560，雙線性插值TS評(píng)分略低，為0.558，最鄰近點(diǎn)法TS評(píng)分最差為0.556。但值得注意的是，雖然最鄰近點(diǎn)法TS評(píng)分的空間平均值最低，但其在格點(diǎn)上的TS最大值和最小值卻最高，分別為0.857和0.126。出現(xiàn)這種現(xiàn)象的原因可能與最鄰近點(diǎn)法本身的特點(diǎn)有關(guān)，最鄰近點(diǎn)法本質(zhì)上使得格點(diǎn)分辨率變粗，相鄰的多個(gè)格點(diǎn)可能使用了一個(gè)預(yù)報(bào)最鄰近點(diǎn)，這使得在相鄰格點(diǎn)的細(xì)網(wǎng)格觀測(cè)降水有變化的情況下，模式預(yù)報(bào)的降水量不變，從而拉低了空間平均TS評(píng)分。就本文研究使用的0.125°ECMWF細(xì)網(wǎng)格模式來(lái)看，將其向細(xì)網(wǎng)格變換時(shí)使用反距離權(quán)重方法更好。

圖5 4種不同方法將ECMWF預(yù)報(bào)（0.125°）降水解析到0.05°分辨率的TS和ETS評(píng)分 （等值線為ETS評(píng)分，色標(biāo)為TS評(píng)分）：（a）雙線性插值，（b）距離權(quán)重法，（c）最小二乘法，（d）最鄰近點(diǎn)法Fig. 5 The TS score (shaded) and ETS score(contour) resulted from the ECMWF precipitation forecast in 0.125°resolution parsing to 0.05° by four different methods: (a) bilinear interpolation method; (b) inverse distance weighting method; (c) least square method; (d) nearest neighbor method

從4種解析方法的ETS評(píng)分來(lái)看，雙線性插值和反距離權(quán)重空間分布也最為相像。數(shù)值上，雙線性插值空間平均為0.284，略低于反距離權(quán)重法0.285。最小二乘法不僅空間分布和其他方法有較大差異，而且平均ETS最低，為0.280。相比之下最鄰近點(diǎn)法ETS評(píng)分表現(xiàn)最好為0.287，而且格點(diǎn)最大值、最小值也優(yōu)于其他3種方法。

3 個(gè)例分析

為了進(jìn)一步比較，下面給出一個(gè)降水解析個(gè)例。圖6為2015年6月28日20時(shí)的過(guò)去24 h三源融合降水場(chǎng)和ECMWF模式前一天20時(shí)的預(yù)報(bào)場(chǎng)。可以看出，此次降水過(guò)程屬系統(tǒng)性降水，研究范圍內(nèi)大部分區(qū)域降水量大于0.1 mm。強(qiáng)降水中心有兩個(gè)，分別位于陜西、四川交界處和陜北北部地區(qū)（圖6a），最大降水量超過(guò)110 mm。模式整體較好地預(yù)報(bào)了降水的空間分布和雨帶的位置（圖6b），不足在于強(qiáng)降水中心位置偏差較大，觀測(cè)與預(yù)報(bào)降水第一高值中心距離偏差1個(gè)緯距左右；同樣，預(yù)報(bào)第二高值中心整體在內(nèi)蒙境內(nèi)，與三源融合降水場(chǎng)有較大距離偏移。

圖6 降水解析個(gè)例：（a）2015年6月28日20時(shí)的過(guò)去24 h三源融合降水觀測(cè)場(chǎng)，（b）ECMWF模式2015年6月27日20時(shí)對(duì)未來(lái)24 h的降水預(yù)報(bào) Fig. 6 Cases analyses: (a) the past 24 hours precipitation field of three source fusion data at 20:00 BT on June 28, 2015;(b) The ECMWF precipitation forecast for the next 24 hours at initial time 20:00 BT on June 27, 2015

表1 2015年6月28日20時(shí)過(guò)去24 h降水量（單位：mm）Table 1 The past 24 hours precipitation at 20 BT June 28,2015 （unit：mm）

采用不同方法，從三源融合降水場(chǎng)解析到站點(diǎn)的實(shí)際降水量值（表1）?？梢钥闯?，無(wú)論是哪種方法，解析出的降水量和觀測(cè)值都存在差異。分析11個(gè)站的平均降水量，最鄰近點(diǎn)法為13.4 mm，最小二乘法為12.4 mm，雙線性插值和反距離權(quán)重法分別為12.4和12.8 mm，而觀測(cè)平均降水量為11.6 mm。就此次過(guò)程來(lái)看，三源融合場(chǎng)解析到站點(diǎn)的降水較實(shí)際偏大。計(jì)算11個(gè)站的降水標(biāo)準(zhǔn)差，最鄰近點(diǎn)為16.5 mm，最小二乘法和雙線性插值分別為14.1和14.2 mm，反距離權(quán)重為14.9 mm，而觀測(cè)降水標(biāo)準(zhǔn)差為14.1 mm，和最小二乘法一致。個(gè)例分析總體結(jié)果表明，無(wú)論是降水量值或是標(biāo)準(zhǔn)差變化，4種方法將三源融合資料解析到站點(diǎn)降水量級(jí)和標(biāo)準(zhǔn)差變化都整體偏大，其中最小二乘法降水量值及振幅和觀測(cè)最為吻合。

圖7給出了將圖6中降水個(gè)例的ECMWF預(yù)報(bào)場(chǎng)解析到觀測(cè)場(chǎng)同樣分辨率網(wǎng)格（0.05°分辨率）的空間表現(xiàn)?？梢钥闯觯煌馕龇椒ǐ@得的降水場(chǎng)和原預(yù)報(bào)場(chǎng)（圖7b）均存在一定的差異。與原預(yù)報(bào)場(chǎng)相比，最鄰近點(diǎn)法（圖7a）表現(xiàn)出0.1 mm以下的小量級(jí)和65.0 mm以上降水區(qū)域變大，中間量級(jí)降水區(qū)域減小。最小二乘法（圖7b）則有將降水范圍很小的局地性降水特征平滑掉的特征，有大量級(jí)和小量級(jí)降水區(qū)域減小、中間量級(jí)降水范圍增多的趨勢(shì)。個(gè)例顯示，最小二乘法解析降水在陜北北部延安附近（圖7黑色方框）的無(wú)降水區(qū)域顯著減小，同時(shí)平滑掉了無(wú)降水區(qū)中間小范圍的孤立降水；在陜南南部的大降水中心未出現(xiàn)65.0 mm以上量級(jí)的降水。這種將原有預(yù)報(bào)場(chǎng)中小于0.1 mm以下量級(jí)降水范圍減小的特征在反距離權(quán)重法（圖7c）、雙線性插值（圖7d）中都有不同程度的體現(xiàn)。

圖7 不同方法下2015年6月27日20時(shí)模式的24 h降水預(yù)報(bào)（0.125°）解析到0.05°分辨率的結(jié)果：（a）最鄰近點(diǎn)法，（b）最小二乘法，（c）反距離權(quán)重法，（d）雙線性插值法 Fig. 7 Grid analytic results of the ECMWF Precipitation forecast for 24 hours at the initial time 20:00 BT June 27, 2015 in 0.125° resolution parsing to 0.05° by different methods: (a) nearest neighbor method, (b) least square method, (c) inverse distance weighting method, (d) bilinear interpolation method

從解析出的平均降水量來(lái)看，最鄰近點(diǎn)法為6.639 mm，最小二乘法和反距離權(quán)重分別為6.625和6.629 mm，雙線性插值則為6.634 mm，而原預(yù)報(bào)場(chǎng)平均降水量為6.672 mm。最鄰近點(diǎn)法表現(xiàn)最好，雙線性插值次之。表2給出了不同解析方法下2015年6月27日20時(shí)模式的24 h降水預(yù)報(bào)的評(píng)分，可以看出，不同的解析方法，模式降水預(yù)報(bào)的評(píng)分表現(xiàn)不盡相同。最鄰近點(diǎn)法的小雨預(yù)報(bào)偏差為1.109，最接近理想值1.0，ETS也顯著高于其他3種方法，但TS評(píng)分則是最小二乘法表現(xiàn)最好，最鄰近點(diǎn)法最差。從暴雨的預(yù)報(bào)評(píng)分來(lái)看，雙線性插值無(wú)論是在預(yù)報(bào)偏差、TS和ETS評(píng)分方面都有好的表現(xiàn)，其次為反距離權(quán)重法，最小二乘法則表現(xiàn)最差。

表2 不同解析方法下，2015年6月27日20時(shí)模式24 h降水預(yù)報(bào)的評(píng)分 Table 2 The score of 4 different methods for 24 hours precipitation forecasts by ECMWF at initial time 20:00 BT June 27, 2015

4 結(jié)論和討論

以ECMWF精細(xì)化網(wǎng)格降水格點(diǎn)預(yù)報(bào)資料、CMORPH衛(wèi)星、全國(guó)4萬(wàn)個(gè)自動(dòng)觀測(cè)站、雷達(dá)定量估測(cè)降水的三源融合逐小時(shí)降水資料為基礎(chǔ)，研究最鄰近點(diǎn)法、雙線性插值、反距離權(quán)重法、最小二乘法在精細(xì)化網(wǎng)格降水預(yù)報(bào)向站點(diǎn)以及更細(xì)網(wǎng)格格點(diǎn)降水解析中的優(yōu)缺點(diǎn)及適用性，主要結(jié)論如下：

1）采用4種方法，將ECMWF模式2015及2016年5—10月每日20時(shí)起報(bào)的降水，解析到選定的11個(gè)觀測(cè)站點(diǎn)上，并計(jì)算平均降水量差值、TS、ETS評(píng)分和預(yù)報(bào)偏差，結(jié)果表明最鄰近點(diǎn)法平均降水量差值最小，TS、ETS評(píng)分最優(yōu)，Bias也最接近于1，表現(xiàn)最好，反距離權(quán)重法次之，雙線性插值和最小二乘法表現(xiàn)最差。

2）對(duì)于更為普遍的情況，采用4種方法將模式預(yù)報(bào)解析到更細(xì)網(wǎng)格格點(diǎn)上，結(jié)果發(fā)現(xiàn)最鄰近點(diǎn)法整體增大了空間場(chǎng)上降水量最小和最大值的格點(diǎn)數(shù)，但不改變?cè)碱A(yù)報(bào)降水的空間形態(tài)，最小二乘法和反距離權(quán)重法都使得原始降水場(chǎng)有不同程度的改變。值得注意的是，反距離權(quán)重法和采用格點(diǎn)數(shù)有關(guān)，如果采用的格點(diǎn)數(shù)發(fā)生變化，結(jié)果可能有一定的差異。

3）利用4種方法，將ECMWF模式預(yù)報(bào)降水解析到0.05°分辨率的格點(diǎn)上，反距離權(quán)重法的技巧評(píng)分表現(xiàn)最優(yōu)。最鄰近點(diǎn)法的空間平均TS評(píng)分并沒(méi)有好的表現(xiàn)，但ETS評(píng)分最高。并且最鄰近點(diǎn)法的TS、ETS評(píng)分的最大、最小值一致高于其他3種方法。

無(wú)論格點(diǎn)預(yù)報(bào)場(chǎng)的空間分辨率多么精細(xì)，用戶所關(guān)注的位置并不總落在某個(gè)固定的格點(diǎn)之上，因此，從精細(xì)化網(wǎng)格預(yù)報(bào)場(chǎng)中合理的解析出用戶所關(guān)注位置的要素預(yù)報(bào)，直接關(guān)系到目前中國(guó)氣象局主推的智能網(wǎng)格氣象預(yù)報(bào)業(yè)務(wù)。本文分析了4種方法的降水解析結(jié)果和預(yù)報(bào)表現(xiàn)，整體認(rèn)為，在模式預(yù)報(bào)相對(duì)準(zhǔn)確精細(xì)的情況下，由降水場(chǎng)解析到觀測(cè)站點(diǎn)來(lái)說(shuō)，最鄰近點(diǎn)法最好；從較粗網(wǎng)格解析到更細(xì)網(wǎng)格來(lái)說(shuō)，反距離權(quán)重法表現(xiàn)較優(yōu)。當(dāng)然，整體統(tǒng)計(jì)結(jié)果和具體個(gè)例結(jié)果可能有一定的差異，雖然研究時(shí)段內(nèi)最鄰近點(diǎn)法和反距離權(quán)重法分別在站點(diǎn)、格點(diǎn)的預(yù)報(bào)評(píng)分有好的表現(xiàn)，但事實(shí)上，對(duì)一些個(gè)例來(lái)說(shuō)也可能出現(xiàn)例外。

本文討論的4種解析方法，均以現(xiàn)階段模式預(yù)報(bào)準(zhǔn)確率為基礎(chǔ)，目的是加強(qiáng)現(xiàn)有模式的釋用，盡可能的不要產(chǎn)生二次誤差。但對(duì)于模式本身的預(yù)報(bào)誤差，比如說(shuō)降水落區(qū)的偏差，一方面需要通過(guò)改進(jìn)模式參數(shù)來(lái)提高模式的預(yù)報(bào)準(zhǔn)確率，另一方面還需要結(jié)合大量的歷史觀測(cè)資料，利用各種統(tǒng)計(jì)、動(dòng)力等預(yù)報(bào)分析方法，建立預(yù)報(bào)模型，對(duì)模式結(jié)果進(jìn)行釋用研究。有關(guān)這些方面的研究還需要在今后工作中進(jìn)一步開(kāi)展。