基于雷達資料的定量降水預報外推算法試驗

蘇華英，曾莉萍，羅乃興，王國松，周 皞

（1.貴州電網(wǎng)有限責任公司電力調度控制中心，貴州 貴陽550002；2.貴州省氣象局，貴州 貴陽550002；3.貴陽市氣象局，貴州 貴陽550001）

貴州春夏多降水，常因1～2 h的短時強降水或持續(xù)性暴雨天氣造成山洪、滑坡及泥石流等次生災害，給國民經(jīng)濟造成巨大的損失。短時強降水也會造成電網(wǎng)變電站、輸電線路、水電站等民生行業(yè)不可挽回的損失。因此發(fā)展適用于貴州本地化的逐時滾動訂正的短時臨近QPF技術[1-2]是十分必要的。本文擬通過利用新的訂正算法提高貴州0～2 h短時臨近定量降水預報（QPF）準確率。利用滾動訂正后的QPF為氣象防災減災，以及專業(yè)專項氣象服務（如電網(wǎng)輸電線路安全、水利防洪等與降水密切相關的行業(yè)）提供精準的降水客觀產(chǎn)品。QPF可分為短期和短臨預報。短期QPF檢驗證明從1960年到21世紀其預報準確率穩(wěn)步提高，Wilson在20世紀90年代對其進行了詳細的討論[3-5]。短臨預報則是近代才開始發(fā)展，英國氣象局的“Nimrod”（Nowcasting and Initialization for Modeling Using Regional Observation Data Scheme）系統(tǒng)較為出名[6-7]。我國的短時臨近QPF業(yè)務系統(tǒng)是中國氣象局2008年開發(fā)的具有自主知識產(chǎn)權的“災害天氣短時臨近預報系統(tǒng)”（Severe WeatherAutomaticNowcastsystem，SWAN）[1]。由于短時臨近QPF研究處于快速發(fā)展階段，因此出現(xiàn)了百家爭鳴的算法研究現(xiàn)狀[8-12]，大致可分為4類。而逐時滾動訂正的短時臨近QPF是目前國內外最為主要的一類短臨定量降水外推預報方法。2016年韓文宇[13]、2018年周北平[14]等利用雷達Z-I關系對降水估測預測的準確率影響情況進行了研究。利用模式研究QPF方面，程叢蘭[15]等發(fā)現(xiàn)快速同化模式存在“模式起轉”問題，雷達反演降水外推預報在0～2 h內則能很好地彌補這一缺點。如果將雷達臨近預報和數(shù)值預報進行融合，則是目前提供較長時效0～6 h外推預報的研究方法[16-18]。這也是英國氣象局“Nimrod”系統(tǒng)短時臨近降水預報所運用的基本思想。有研究表明降水預報的融合技術還需要進行多尺度處理，Atencia則給出了降水預報多尺度處理相關的研究方法[19-20]。分析研究發(fā)現(xiàn)基于雷達的短時臨近QPF外推技術（2 h以內）的最大優(yōu)點在于對降水空間場的完美預測，這是目前在臨場中任何模式無法超越的。

相似離度算法在氣象各基本要素的預報研究中均有學者應用。相似離度最早由李開樂[21]提出，其代表相似性的差異程度，既考慮到樣本間的“形”相似情況，又體現(xiàn)了樣本間的“值”相似差異，是一種比較全面的相似標準。李開樂最開始將該理論運用到臺風路徑預報和寒潮中長期預報業(yè)務中[22-23]。劉愛梅等[24]利用相似離度原理預測不同站點1～6 d的降水概率。陳力強等[25-26]分析發(fā)現(xiàn)融合了相似離度的集成方法在降水量和降水分布兩方面，對大雨及以上量級的降水預報效果優(yōu)于各個成員模式。另一種訂正方法Weibull分布對極值訂正有很好的應用效果。張秀芝[27]利用Weibull分布發(fā)現(xiàn)對于年最大風速、波高、降水量等氣候極值均具有很高的擬合精度以及很強的適應性。在基于雷達回波的外推移動路徑預報中，雷達回波最優(yōu)空間相關方法最早被用于Austin和Bellon[28]的研究中，利用平均位移矢量對降雨移動路徑進行線性外推預報。在此基礎上，Rinehart和 Gravey[29]發(fā)展了 TREC（Tracking Radar Echo By Correction）方法，Li[30]等則在TREC基礎上發(fā)展了改進后的交叉相關法（Improved Cross-Correlation Extrapolation Method，COTREC） 方法，更精準地進行了外推降水預報。

本文利用中國氣象局的業(yè)務系統(tǒng)SWAN標準輸出6 min一次的QPF產(chǎn)品作為研究背景場。公益性行業(yè)專項《青藏高原東側易發(fā)山洪小流域監(jiān)測預警方法研究》研究檢驗發(fā)現(xiàn)SWAN標準輸出的QPF產(chǎn)品在落區(qū)上評分高，但是降水量級上普遍偏小，特別是大雨及以上量級的降水TS評分僅為0.1～0.3。鑒于相似離度算法不依賴歷史資料，可移植性很強，并且具有較好的預報性能，預判可將其用于短時臨近QPF中。結合Weibull分布對降水極值的訂正，本文首先利用上述兩種方法對SWAN標準輸出的QPE和QPF產(chǎn)品進行訂正；其次運用COTREC方法進行0～2 h的降水外推預報；最終得到貴州省短時臨近定量降水預報產(chǎn)品（GZ_NPF）。未來可利用GZ_QPF進行氣象短時強降水災害、電力輸電線路安全和水利防洪等的城市監(jiān)測預警。

1 資料與方法

1.1 實況資料說明

本文所用的實況站點資料采用貴州3000多個區(qū)域自動站及85個國家級自動站的降水資料，時間分辨率為1 h。由于每一個時次收到的區(qū)域自動站及可用站數(shù)據(jù)不定，因此每一時次使用的自動站總數(shù)不固定。85個國家站和1200個骨干站的逐小時雨量數(shù)據(jù)經(jīng)過貴州省氣象信息中心嚴格質量控制，在本文使用過程中將不再進行質控。剩下的未經(jīng)貴州省氣象信息中心質控的區(qū)域自動站數(shù)據(jù)，在使用前將進行質量控制。方法如下：利用離檢驗站點最近的5個自動站降水數(shù)據(jù)進行相互驗證，檢驗站點周圍距離最近的5個點降水量級都相差3個量級或以上并＞100 mm時剔除，認為該檢驗站點數(shù)據(jù)為異常數(shù)據(jù)，剔除不合理的降水數(shù)據(jù)后再在本文中使用（圖 1）。

圖1 貴州省國家站及區(qū)域自動站點分布

1.2 SWAN數(shù)據(jù)說明

1.2.1 定量降水預報數(shù)據(jù)

運用SWAN輸出的定量降水預測[QPF（1 km×1km）]每6 min輸出一次數(shù)據(jù)產(chǎn)品，作為逐時滾動的0～2 h定量降水預報的基礎背景數(shù)據(jù)。

1.2.2 定量降水估測數(shù)據(jù)

SWAN反演的1 h定量降水估測 [QPE（1km×1km）]產(chǎn)品，經(jīng)對比檢驗實況自動站發(fā)現(xiàn)QPE的降水形態(tài)跟實況場基本一致，但是在降水量級上偏差較大。如果直接使用實況站點數(shù)據(jù)插值成1 km×1km的網(wǎng)格數(shù)據(jù)，由于站點分布密度不夠插值效果并不理想。因此利用QPE作為背景場，再結合質控后的自動站1 h降水數(shù)據(jù)對QPE進行量級訂正。本文將訂正后的定量降水估測產(chǎn)品（DZ_QPE）作為外推預報試驗對比檢驗的格點降水“真值場”。

1.3 研究方法

本文利用DZ_QPE和SWAN_QPF進行外推降水預報試驗。該試驗主要分為兩步，第一步對同時刻的DZ_QPE和SWAN_QPF_00進行對象識別，再進行強度位相（相似離度算法）和極值分布（Weibull分布）訂正；第二步利用訂正后的GZ_NPF_00作為起報初始場運用COTREC算法進行0～2 h外推降水預報試驗。

1.3.1 降水對象識別

通常一個中尺度對流系統(tǒng)中常包含多個孤立的對流單體，每一個對流單體都可以被識別為一個對象。但是DZ_QPE和SWAN_QPF反映的弱降水系統(tǒng)不是本文研究重點，因此將中尺度對流系統(tǒng)作為一個整體對象來處理剔除弱降水干擾。

（1）閾值控制。因為考慮到本文的研究對象對大量級的降水更感興趣，小時雨強越強造成的災害也會越重。首先對降水場進行過濾，使感興趣的降水場能相互區(qū)分。公式如下：

其中，C（x，y）為掩膜場，p（x，y）為原始降水場，T為閾值，T為0.1 mm。

（2）重構場。將經(jīng)過閾值控制后的掩膜場返回原始二維降水格點值：

P（x，y）為達到閾值以上構成的新降水場也稱重構場。

1.3.2 SWAN輸出的QPF初始場校正方法

對于 SWAN整點時刻輸出的 QPF（SWAN_QPF_00）的校正分以下幾步：

（1）相似離度算法校正

相似離度能反映兩個樣本之間的值和形態(tài)兩方面的形似程度，它是一種較為全面的相似比較的數(shù)學衡量標準。

相似離度C由形系數(shù)s和值系數(shù)d兩項共同決定。C越小表示兩樣本越相似，C越大表示兩樣本越不相似。并由C獲得所對應的位相移動矢量值。

（2）降水極值分布訂正

降水強度訂正利用Weibull分布通過SWAN_QPF向DZ_QPE逼近來調整。假設SWAN_QPF與DZ_QPE都滿足正態(tài)分布，并且SWAN_QPF和DZ_QPE兩個場的累計分布函數(shù)（實型隨機變量的概率分布函數(shù)）是不同的。

式中，α＞0 為形狀參數(shù)，β＞0為尺度參數(shù)，a0（＜Xmin）為位置參數(shù)，本文采用當a0=0時，上式變?yōu)槎?shù)Weibull分布函數(shù)的簡便式。

Xp為函數(shù)F（x）的反演值，并利用Xp對定量降水預報場進行強度訂正，得到訂正后的降水函數(shù)。

（3）增補強降水中心

（4）融合訂正場

1.3.3 基于SWAN—COTREC方法的外推

基于訂正后的SWAN_QPF_00進行0～2 h的定量降水外推預報。進行位相和強度訂正后，首先利用COTREC風場對整個區(qū)域進行分區(qū)，再利用最小二乘法計算每個分區(qū)誤差絕對值的極小值來得到每個分區(qū)預報降水場的最佳移動位置。增補的強降水中心的強度變化根據(jù)實況強降水云團的強度變化為依據(jù)進行外推。

、為最終外推第 1 時和 2 時的降水預報矢量場GZ_NPF。

2 2018年3次外推試驗研究分析

從2018年6—9月選取3次系統(tǒng)性的暴雨個例進行外推試驗。2018年6月20日（西南渦東移后形成江淮氣旋）和2018年6月22日（西南渦東移）是2018年影響范圍最廣的兩次暴雨過程。2018年9月26日則是一次典型的秋季暴雨。從高低空配置來看，3次個例共性特征為高空槽配合低層切變線、水汽充沛、地面受熱低壓控制。不同的是2018年6月20日的個例中缺少700 hPa切變線與高空系統(tǒng)配合，因此該個例是3次個例中暴雨站數(shù)最少的一個（表1）。具體分析情況見表2。

對3次個例逐24 h輸出訂正后的GZ_NPF_00（原始SWAN_QPF_00數(shù)據(jù)缺失時次除外）、外推第1時（GZ_NPF_01）和第 2時（GZ_NPF_02）降水進行主客觀對比分析檢驗。

表1 2018年3次暴雨過程統(tǒng)計特征

表2 2018年3次個例24 h內最大雨量站及1 h最大雨量站統(tǒng)計

2.1 “6·20”暴雨個例外推試驗

2.1.1 天氣實況及天氣背景

2018年6月19 日20時—20日20時（BT）強降水主要集中在六盤水市南部、黔西南州北部、安順市、貴陽市中南部、黔南州中部偏北及黔東南州北部。主要降水時段是19日20時—20日08時、20日08—11時，最強小時雨強普遍在60～80 mm/h。貴州位于鋒前，鋒前熱低壓中心位于云南（圖2）。850 hPa長江橫切變給貴州帶來系統(tǒng)性強降水，強降水集中位于850 hPa切變線附近。逐6 h分析降水雨帶和雷達回波發(fā)現(xiàn)雨帶的移動性不大，主要是在850hPa切變線附近發(fā)展，對流云團生成后略南移。

2.1.2 個例外推結果分析

從主觀對比檢驗來看，訂正后的GZ_NPF準確率在量級上明顯優(yōu)于SWAN_QPF。對比檢驗發(fā)現(xiàn)6月19日20時—6月20日20時（BT）24 h內逐小時的GZ_NPF在強度上有顯著優(yōu)勢，且落區(qū)位置70%以上略優(yōu)于SWAN_QPF。挑選兩個時次做實例說明，圖3a、3b為2018年6月20日01—03時（UTC）逐小時訂正后和外推的GZ_NPF與DZ_QPE疊加圖，圖3c、3d為SWAN_QPF與DZ_QPE疊加圖。對比圖3a和圖3c發(fā)現(xiàn)＞0.2 mm的降水邊界圖3a跟DZ_QPE同量級邊界吻合度更高，5 mm和10 mm以上的降水雨團邊界同樣是圖3a跟DZ_QPE的降水雨團吻合度更高。分析圖3b和圖3d發(fā)現(xiàn)落區(qū)上二者與DZ_QPE都較為相似，但是降水中心值則是利用Weibull分布訂正外推的圖3b比圖3d更為接近DZ_QPE。根據(jù)客觀分級檢驗在10 mm

圖2 2018年6月19日20時（BT）中尺度分析

2.2 “6·22”暴雨個例外推試驗

2.2.1 天氣實況及天氣背景

2018年6月21 日20時—6月22日20時（UTC）受西南渦東移的影響，大雨以上的降水集中在貴州省西部到中南部，小時雨強普遍為40～50 mm/h。圖4為2018年6月21日20時（BT）中尺度分析。地面熱低壓位于云南東部，沒有明顯的鋒面。850 hPa西南渦東移后造成貴州大范圍系統(tǒng)性強降水。主要的降水帶集中在700 hPa和850 hPa的切變線之間。逐6 h分析降水雨帶和雷達回波發(fā)現(xiàn)雨帶的移動性不大，先是有多個對流單體發(fā)展，而后生成的對流云團在原地發(fā)展增強。

2.2.2 外推個例試驗結果分析

圖5為2018年6月22日00—02時（UTC）主觀檢驗對比分析圖。主觀檢驗對比6月21日20時—6月22日20時（BT）24 h內逐小時的降水數(shù)據(jù)，發(fā)現(xiàn)跟“6·20”個例一樣，GZ_NPF 數(shù)據(jù)在強度上明顯優(yōu)于SWAN_QPF數(shù)據(jù)。SWAN_QPF在大雨以上量級強度嚴重偏弱，無法反映真實的降水情況。GZ_NPF落區(qū)位置則有70%～80%優(yōu)于SWAN_QPF。從24 h的降水數(shù)據(jù)中選取兩個時刻作代表展示。選取時刻相似離度算法并未對降水的落區(qū)有明顯的調整，說明原始QPF落區(qū)跟DZ_QPE吻合度很高時相似離度算法不會過度調整降水落區(qū)。對比圖5a和圖5c發(fā)現(xiàn)小雨量級的降水邊界兩者跟填色DZ_QPE底圖均能較好地重合。但是對＞5 mm的降水落區(qū)圖5a大部分比圖5c能更好地跟DZ_QPE吻合?？陀^檢驗分級檢驗TS評分也說明這一情況，GZ_NPF在＞5 mm和＞10 mm的降水量級檢驗中TS評分值相比SWAN_QPF的TS評分值平均提升48%。22日01—02時（UTC）主觀檢驗發(fā)現(xiàn)降水落區(qū)圖5d比圖5b對降水邊界描述略優(yōu)，這有可能是因為在降水識別時有意弱化了弱降水。降水中心大值區(qū)則是利用Weibull分布訂正外推后的圖5b與圖5d更接近實況，降水大值中心與DZ_QPE的偏差在5 mm以內。

圖3 2018年6月20日01—02時及02—03時（UTC）DZ_QPE、SWAN_QPF、01時起報訂正后GZ_NPF以及外推1 h GZ_NPF對比

圖4 2018年6月21日20時（BT）中尺度分析

2.3 “9·26”秋季暴雨個例外推試驗

2.3.1 天氣實況及天氣背景

2016年9月25 日20時—9月26日20時（BT）受高空短波槽及中低層低渦切變系統(tǒng)（圖6）影響貴州省，貴州中部地區(qū)普降中到大雨，局地暴雨，最強小時雨強在50～70 mm。跟夏天的降水相比，秋季暴雨小時降水的強度及范圍偏小一些。圖6為2018年9月25日20時（BT）中尺度分析圖。地面熱低壓中心位于云南東部，貴州省受鋒前熱低壓影響。此次降水過程主要是受低渦切變線影響造成的系統(tǒng)性降水，逐6 h分析雨帶變化發(fā)現(xiàn)降水帶自北向南移動，跟前2個個例相比，移動范圍更大，26日05時（BT）后降水在移動過程中逐漸減弱。

2.3.2 外推個例試驗結果分析

主觀分析對比9月25日20時—9月26日20時（BT）24 h內逐小時數(shù)據(jù)發(fā)現(xiàn)，GZ_NPF在強度上明顯優(yōu)于SWAN_QPF，最大降水量級的偏差一般在5 mm以內（圖7）。對比圖7a和圖7c，發(fā)現(xiàn)5 mm和10 mm以上的降水雨團邊界圖7a跟DZ_QPE的降水雨團更為接近。如在貴州黔南州北部的一塊10 mm降水區(qū)的雨團。降水中心極值利用Weibull分布訂正外推的圖7b與DZ_QPE更為接近。如貴州東北部一塊5～10 mm的降水區(qū)，圖7d上只有0.2～2 mm，而圖 7b上則是 2～10 mm，大大縮小了與實況降水量級上的差異。根據(jù)客觀分級TS評分檢驗也說明GZ_NPF平均分值提高了33%。

3 3次研究個例客觀檢驗結果

利用DZ_QPE作為檢驗的真值場，對GZ_NPF、SWAN_QPF進行點對點的統(tǒng)計檢驗。本文具體擬采用的檢驗方法參考龐玥等[31]對集合降水產(chǎn)品進行晴雨檢驗（PC）、TS評分及偏差BS檢驗，參考王勇等[32]絕對誤差誤差和相對誤差檢驗算法，王雨等[33]對降水產(chǎn)品進行ETS評分的方法，對不同時效累積降水進行進行分級檢驗[34-35]。本文將1 h降水分4個等級：0.1～5 mm，5～10 mm，10～20 mm，≥20 mm。

圖5 2018年6月22日00—01時及01—02時（UTC）DZ_QPE、原始QPF降水、00時起報訂正后QPF以及外推1 h降水對比

圖6 2018年9月25日20時（BT）中尺度分析

表3代表3次研究個例的客觀點對點評分檢驗。晴雨檢驗訂正前后差別較小，評分都在90%以上。TS和ETS評分在＜5 mm降水級別原始QPF的檢驗評分略高，這是因為訂正時有意模糊小量級降水導致。在＞5 mm量級的檢驗中發(fā)現(xiàn)TS和ETS評分均是訂正后分值明顯高于訂正前。同時訂正后的QPF空報率降低，但是漏報率提高。這一檢驗結果跟主觀圖形檢驗結果基本吻合。

表3 3次個例訂正前后QPF不同量級降水檢驗對比

誤差檢驗利用格點誤差累積數(shù)進行檢驗，以DZ_QPE數(shù)據(jù)作為實況場與SWAN_QPF和GZ_NPF進行誤差檢驗。由于訂正后GZ_NPF數(shù)據(jù)范圍小于SWAN_QPF，因此 GZ_NPF 總格點數(shù)（353 929）少于SWAN_QPF（412 891）的總格點數(shù)。從表4看出訂正后總平均降水量的相對誤差明顯減小，總平均降水量的絕對誤差有所增加，相對誤差率從-55%提高到-22%。GZ_NPF平均總降水量比SWAN_QPF更接近實況平均總降水量。說明GZ_NPF相對誤差減小，格點總降水量與實況總降水量更為接近。檢驗評定結果見表3、表4。

圖7 2018年9月25日20—21時及21—22時（UTC）訂正_QPE降水、原始QPF降水、20時起報訂正后QPF以及外推1 h降水對比

表4 3次個例訂正前后QPF格點降水誤差統(tǒng)計對比

4 結論與討論

一直以來，模式資料的后處理都是改進模式預報效果最簡單有效的方法。很多研究都表明通過重點導入關鍵區(qū)域的高密度實況資料能夠明顯改善模式針對該區(qū)域的預報效果。本文通過分析3次典型暴雨個例外推試驗，探討了針對GZ_NPF的效果，并對GZ_NPF的優(yōu)缺點有了初步認識。

（1）本文所選取的3次試驗個例都具有明顯的系統(tǒng)性，與之對應的雨帶范圍、強度、分布和移動都有較強的延續(xù)性。針對這種特點的降水，3次個例GZ_NPF的訂正和外推效果相似，對降水強度的訂正效果顯著，對降水落區(qū)的訂正在整體上也有明顯的改善。

（2）降水強度分布符合Weibull分布算法，因此利用Weibull分布算法極值訂正后的降水更符合實際的降水特點。表現(xiàn)為訂正后的降水對中等強度以上（≥5 mm/h）的降水改進效果最為明顯。由于短時強降水（≥20 mm/h）的發(fā)生概率過低，因此該算法雖然能夠預測，并有一定的示警作用，但位置有一定的偏差。由于訂正后小雨的格點數(shù)減少，導致小雨量級預報效果略變差。

（3）相似離度算法經(jīng)過驗證具有表征意義全面，計算速度快的特點，通過調用該算法明顯改善了雨帶的位置。實況站點資料的導入，優(yōu)化了降水的分布尤其是插入了實況極值降水后，有利于降水強度的預測準確率，其次是極值降水的預測預警。

整體來說，實現(xiàn)了基于雷達的0～2 h短時臨近QPF外推技術的提高，為未來做更長時效（0～6 h）外推預報打下了良好的基礎。但是也應該看到：一些局地性強降水具有降水分散且雨團尺度較小，發(fā)展速度快，強度變化大，移動性不一致的特點。針對這一類型的降水預報和外推算法一直都是較為困難的議題，本文所用算法改進效果也不理想。而這將是下一步的改進方向。