雷達(dá)測雨及臨近預(yù)報(bào)在中小流域水文視角下的應(yīng)用評估

糜佳偉， 田濟(jì)揚(yáng)， 薛海， 邱慶泰， 劉榮華

(1.華北水利水電大學(xué)水利學(xué)院， 鄭州 450046； 2.中國水利水電科學(xué)研究院， 北京 100044； 3.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心， 北京 100044； 4.中國電建集團(tuán)北京勘測設(shè)計(jì)研究院有限公司， 北京 100024； 5.山東農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院， 泰安 271018)

目前，中國大江大河防洪體系較為完善，中小流域成為防洪減災(zāi)的薄弱環(huán)節(jié)[1]。洪水預(yù)報(bào)是防洪減災(zāi)的關(guān)鍵技術(shù)與手段，但對于中小流域而言，獲得高時空分辨率、 高精度的降雨監(jiān)測資料和預(yù)報(bào)數(shù)據(jù)并非易事，一定程度上制約了中小流域洪水預(yù)報(bào)技術(shù)的發(fā)展[2]。盡管傳統(tǒng)雨量計(jì)對單點(diǎn)雨量的監(jiān)測精度高，但中國地面雨量站密度較高的區(qū)域，站網(wǎng)密度也僅約25 km2/站，絕大部分地區(qū)站網(wǎng)密度還達(dá)不到50 km2/站，難以反映降雨的空間差異。同時，對于匯流時間短的中小流域，延長預(yù)見期對中小流域暴雨洪水災(zāi)害防治具有重要意義。數(shù)值降雨預(yù)報(bào)的預(yù)見期較長，其預(yù)報(bào)精度能夠基本滿足大江大河的水文預(yù)報(bào)需求，但還難以為中小流域提供業(yè)務(wù)支持[3]。雷達(dá)資料具有高時空分辨率的特點(diǎn)，從理論上講，適用于中小流域尺度的降雨監(jiān)測和預(yù)報(bào)[4]。

雷達(dá)測雨精度主要受雷達(dá)資料質(zhì)量和反演算法的影響，臨近預(yù)報(bào)精度不僅受雷達(dá)資料質(zhì)量、反演算法的影響，且對天氣形勢變化帶來的不確定性較為敏感。殷志遠(yuǎn)等[5]提出了動態(tài)優(yōu)化的雷達(dá)資料反演算法，提高了湖北漳河流域降雨觀測的精度。吳金津等[6]對雷達(dá)估測降水基于雨量站觀測值進(jìn)行了融合訂正，提高了雷達(dá)測雨在官山河流域徑流模擬的準(zhǔn)確性。嚴(yán)昌盛等[7]采用光流法開展雷達(dá)臨近預(yù)報(bào)研究，并應(yīng)用于淮河王家壩閘以上3萬km2流域的洪水預(yù)報(bào)，基本滿足業(yè)務(wù)預(yù)報(bào)要求。

盡管雷達(dá)測雨及臨近預(yù)報(bào)技術(shù)相對成熟，但雷達(dá)測雨技術(shù)與臨近預(yù)報(bào)在中小流域尺度的應(yīng)用較少。雷達(dá)測雨與臨近預(yù)報(bào)精度能否滿足中小流域尺度水文預(yù)報(bào)的需求，還有待深入研究。現(xiàn)基于福州長樂多普勒天氣雷達(dá)資料，對2012“蘇拉”、2014“海貝思”、 2016“尼伯特”三場臺風(fēng)引發(fā)的降雨過程進(jìn)行反演和預(yù)報(bào)，選用累積雨量相對誤差RE、時空兩個維度均方根誤差與相應(yīng)維度均值的比值m-RMSE、平均絕對誤差RMAE和平均偏差RMB等指標(biāo)，從水文視角對不同類型降雨的監(jiān)測和預(yù)報(bào)結(jié)果進(jìn)行了定量評估，分析了雷達(dá)測雨與臨近預(yù)報(bào)在中小流域水文預(yù)報(bào)中應(yīng)用的可能性，提出了進(jìn)一步提高適應(yīng)中小流域尺度降雨監(jiān)測與預(yù)報(bào)能力的研究思路，為雷達(dá)測雨與臨近預(yù)報(bào)技術(shù)在洪水預(yù)報(bào)中的應(yīng)用提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究選取位于福建省中東部的梅溪流域(圖1)，面積約956 km2。受亞熱帶季風(fēng)氣候及臺風(fēng)影響，加之地形條件復(fù)雜、地勢多變，梅溪流域汛期降雨頻繁，且多呈現(xiàn)時空分布不均勻、降雨強(qiáng)度大的特點(diǎn)。流域多年平均雨量為1 560 mm?？臻g上，西南部的上蓮、金沙和后佳等地降雨多于中部的白中等地，閩清城關(guān)的雨量最少。時間上，旱、雨季界限分明，4—9月的降雨量一般占到全年雨量的70%以上。新中國成立以來，流域內(nèi)因強(qiáng)降雨引發(fā)的洪災(zāi)已達(dá)20余次。因此，選擇梅溪流域?yàn)檠芯繀^(qū)，對雷達(dá)測雨與臨近預(yù)報(bào)技術(shù)在洪水預(yù)報(bào)中的應(yīng)用具有一定的示范作用和現(xiàn)實(shí)意義。

圖1 梅溪流域位置及高程Fig.1 Location and elevation of Meixi basin

1.2 數(shù)據(jù)資料

研究選取的三場降雨均為臺風(fēng)雨，但因臺風(fēng)強(qiáng)弱及對研究區(qū)影響程度不同，降雨過程也表現(xiàn)出不同的特點(diǎn)。“蘇拉”臺風(fēng)登陸后，渦旋中心垂直軸線向南傾斜加大，使路徑南側(cè)對流層中、下層的差動溫度平流和差動渦度平流加強(qiáng)，有利于對流不穩(wěn)定層結(jié)發(fā)展和動力抬升，導(dǎo)致路徑南側(cè)暴雨，盡管梅溪流域位于臺風(fēng)路徑南側(cè)，但距離臺風(fēng)中心較遠(yuǎn)，并未形成強(qiáng)降雨。從降雨過程看，“蘇拉”臺風(fēng)引發(fā)的降雨過程是這三場降雨中時空分布最均勻的?！昂Ｘ愃肌迸_風(fēng)是從廣東汕頭登陸，到梅溪流域時已減弱為熱帶低壓，但隨著其逐步向福建東北部移動，上升運(yùn)動明顯，水汽通量增大，為梅溪流域降雨的產(chǎn)生、發(fā)展提供了條件。該場降雨雖然總雨量不大，但時空分布不均勻，雨量主要集中在2014年6月18日15:00—20:00以及流域的中北部和中南部?！澳岵亍迸_風(fēng)引發(fā)的強(qiáng)降雨是各種尺度天氣系統(tǒng)相互作用的結(jié)果，在其登陸前，沿海區(qū)域就存在明顯的不穩(wěn)定層結(jié)，北方冷空氣侵入造成強(qiáng)迫抬升，加強(qiáng)臺風(fēng)內(nèi)螺旋雨帶的強(qiáng)對流過程，加劇不穩(wěn)定能量釋放，引發(fā)了強(qiáng)降雨，24 h累積雨量達(dá)到242 mm，造成流域4 710 m3/s洪峰流量，暴發(fā)特大洪水災(zāi)害。

三場降雨過程逐小時地面雨量站的降雨數(shù)據(jù)由福建省水利水電科學(xué)研究院提供。流域內(nèi)共8個雨量站(圖2)，站點(diǎn)分布均勻合理，基本能夠反映流域降雨的空間變化，為雷達(dá)測雨與臨近預(yù)報(bào)評估提供了良好的條件。三場降雨的歷時及累積面雨量見表1。三場降雨過程對應(yīng)時段的雷達(dá)資料由中國氣象局提供，已經(jīng)過雷達(dá)數(shù)據(jù)質(zhì)量控制，研究選用的是福建長樂的SA波段多普勒雷達(dá)，該雷達(dá)覆蓋范圍半徑為250 km(圖3)，梅溪流域幾乎全部落在雷達(dá)掃描半徑為100 km的范圍內(nèi)。

表1 梅溪流域三場降雨事件Table 1 Three rain events in Meixi basins

圖2 梅溪流域雨量站分布圖Fig.2 Distribution map of rainfall stations in Meixi Basin

圖3 雷達(dá)覆蓋范圍與流域位置關(guān)系Fig.3 The relationship between radar coverage and watershed location

2 模型方法與評價指標(biāo)

2.1 雷達(dá)降雨反演

通過建立雷達(dá)反射率Z與降雨強(qiáng)度R的Z-R關(guān)系，能夠?qū)崿F(xiàn)降雨反演，業(yè)務(wù)中常用的Z-R關(guān)系是Z=200R1.6。但不同地區(qū)、不同降雨場次、不同雷達(dá)的Z-R關(guān)系不同，通過強(qiáng)降水識別，將不同時段、不同空間位置處的降水進(jìn)行分類，采用不同的Z-R關(guān)系進(jìn)行降雨反演，是提高雷達(dá)測雨精度的重要方法之一。本研究采用文獻(xiàn)[8]中的強(qiáng)降水識別方法，經(jīng)過反復(fù)試驗(yàn)，最終確定了強(qiáng)降水下的Z-R關(guān)系為Z=135R1.33，并對比分析了常規(guī)反演和基于強(qiáng)降水識別的反演結(jié)果。

2.2 臨近預(yù)報(bào)

利用雷達(dá)開展臨近預(yù)報(bào)研究主要是采用雷達(dá)外推法[9]，包括交叉相關(guān)系數(shù)法、單體質(zhì)心法和光流法等，本研究選用業(yè)務(wù)預(yù)報(bào)常用的光流法[10-12]，其基本原理是將目標(biāo)降水粒子的三維運(yùn)動轉(zhuǎn)換為計(jì)算機(jī)上的二維投影，從二維圖像中獲取像素點(diǎn)的移動矢量。圖像像素點(diǎn)的表觀運(yùn)動構(gòu)成一個光流，所有光流的集合稱為光流場，根據(jù)光流場的運(yùn)動規(guī)律進(jìn)行雷達(dá)回波的外推，最后再根據(jù)外推得到的雷達(dá)回波進(jìn)行降水反演。為了降低臨近預(yù)報(bào)的不確定性，在光流法的基礎(chǔ)上，通過集合的初始和邊界擾動形成集合預(yù)報(bào)，含30個集合成員，開展了預(yù)見期為1、2、3 h的臨近預(yù)報(bào)。

2.3 評價指標(biāo)

累積降雨量是影響流域水文過程的主要因素，而降雨的時空分布對流域出口斷面的洪水過程也有重要影響[18]。因此，本研究計(jì)算雷達(dá)測雨的面累積雨量與實(shí)測值的相對誤差RE、均方根誤差與相應(yīng)維度降雨觀測值均值的比值m-RMSE、平均絕對誤差RMAE、平均偏差RMB等對雷達(dá)測雨的效果進(jìn)行評價。地面雨量站的面雨量利用泰森多邊形法計(jì)算，雷達(dá)測雨及臨近預(yù)報(bào)的面雨量為流域內(nèi)全部雷達(dá)探測格點(diǎn)雨量的平均值。各評價指標(biāo)計(jì)算公式為

(1)

式(1)中：P為雷達(dá)估測降水或臨近預(yù)報(bào)的面雨量，mm；Q為地面雨量站觀測的累積降雨量，mm。RE值越小，表明雷達(dá)測雨或預(yù)報(bào)的結(jié)果越好。

(2)

當(dāng)進(jìn)行時間尺度評價時，Pk和Qk分別為某一時刻k，梅溪流域面平均雨量的雷達(dá)估測/預(yù)報(bào)值與地面雨量站觀測值，N為降雨時長；當(dāng)進(jìn)行空間尺度評價時，Pk和Qk分別為在某一地面雨量站位置k，整個降雨過程累積雨量的雷達(dá)估測/預(yù)報(bào)值與地面雨量站觀測值，N為雨量站的個數(shù)。為了去除不同降雨場次降雨量的影響，最終求得的RMSE分別除以相應(yīng)維度降雨觀測值的平均值得到m-RMSE。

(3)

(4)

式中：Pi和Qi分別為在某一地面雨量站位置i在整個降雨過程累積雨量的雷達(dá)估測/預(yù)報(bào)值與地面雨量站觀測值，N為雨量站的個數(shù)。

平均絕對誤差可以體現(xiàn)定量降水估計(jì)產(chǎn)品與雨量計(jì)比較的絕對差距程度。平均偏差可以體現(xiàn)定量降水估計(jì)產(chǎn)品與雨量計(jì)比較整體性偏離程度，三個參數(shù)越接近0，說明雷達(dá)測雨反演效果越好。

3 評估結(jié)果

3.1 雷達(dá)測雨精度評估

雷達(dá)測雨精度的評估結(jié)果見表2。經(jīng)過強(qiáng)降水識別后，三場降雨反演精度都有顯著提升。場次Ⅰ、Ⅱ、Ⅲ雷達(dá)降雨反演QPE的24 h累積雨量RE分別降低了60.84%、49.03%、68.52%?？臻g尺度m-RMSE分別降低了0.47、0.28、0.39；時間尺度m-RMSE分別降低了0.09、0.37、0.29。RMAE分別降低了0.37、0.02、0.46。RMB分別降低了0.14、0.21、0.68。總體上雷達(dá)降水反演精度顯著提高。圖4、圖5也能直觀反映基于強(qiáng)降水識別的雷達(dá)降雨反演優(yōu)于常規(guī)反演。其中，場次Ⅲ雷達(dá)降水反演精度的提高是這三場降雨中最明顯的，而“尼伯特”臺風(fēng)恰好是一場特大暴雨，屬于典型的強(qiáng)降水。

3.2 臨近預(yù)報(bào)評價結(jié)果

基于強(qiáng)降水識別的臨近預(yù)報(bào)評價結(jié)果見表3～表5，結(jié)合圖6可直觀得出：

(1)場次Ⅰ臨近預(yù)報(bào)的1、2、3 h預(yù)見期RE范圍分別在-9.00%～72.99%、-13.08%～66.57%和-21.81%～73.33%；平均值分別為22.08%、16.57%和7.96%。時間尺度方面，30個集合的m-RMSE范圍分別在0.66～3.26、0.59～4.69和0.62～3.81；平均值分別為0.89、0.97和1.07?？臻g尺度方面，m-RMSE范圍分別在0.2～1.21、0.17～0.97和0.12～1.05；平均分別為0.38、0.28和0.22。RMAE范圍分別在0.15～1.01、0.13～0.87和0.10～0.98；平均值分別為0.29、0.22和0.17。RMB范圍分別在-0.13～1.01、-0.19～0.87和-0.25～0.98；平均值分別為0.28、0.18和0.13。從各項(xiàng)指標(biāo)的評估結(jié)果來看，單一預(yù)報(bào)具有很大的不確定性。通過集合預(yù)報(bào)的方法可以有效降低不確定性，從集合預(yù)報(bào)的效果來看，預(yù)報(bào)精度較高。延長預(yù)見期，臨近預(yù)報(bào)精度變化幅度不大，0～3 h的預(yù)報(bào)結(jié)果穩(wěn)定可靠。

表2 通過常規(guī)反演和強(qiáng)降水識別反演的評估指標(biāo)值Table 2 Through conventional inversion and heavy precipitation identification inversion evaluation index value

圖4 不同雷達(dá)反演方法下3場降雨的雨量過程圖Fig.4 The rainfall process diagram of three rains under different radar inversion methods

圖5 三場降雨的24 h累積降雨空間分布圖Fig.5 The spatial distribution of the 24 h cumulative rainfall of the three rainfall events

(2)場次Ⅱ臨近預(yù)報(bào)的1、2、3 h預(yù)見期RE范圍分別在-67.55%～-47.19%、-80.84%～-57.99%和-85.25%～-66.51%；平均值分別為-58.67%、-71.01%和-78.67%。時間尺度方面，30個集合的m-RMSE范圍分別在0.88～1.22、1.18～1.47和1.29～1.53；平均值分別為1.01、1.35和1.43?？臻g尺度方面，m-RMSE范圍分別在0.62～0.76、0.75～0.9和0.84～0.97；平均分別為0.70、0.83和0.91。RMAE范圍分別在0.55～0.69、0.65～0.82和0.72～0.90；平均值分別為0.61、0.74和0.83。RMB范圍分別在-0.69～-0.52、-0.82～-0.62和-0.90～-0.72；平均值分別為-0.61、-0.74和-0.83。從各項(xiàng)指標(biāo)的評估結(jié)果來看，降雨場次Ⅱ的1～3 h預(yù)見期的預(yù)報(bào)結(jié)果均不理想，其中1 h預(yù)見期預(yù)報(bào)的降雨量級誤差較大。隨著預(yù)見期的延長，臨近預(yù)報(bào)精度降低，2 h預(yù)見期預(yù)報(bào)的降雨落區(qū)誤差增大，3 h預(yù)見期預(yù)報(bào)的降雨時程分配誤差增大。

(3)場次Ⅲ臨近預(yù)報(bào)的1、2、3 h預(yù)見期RE范圍分別在-29.78%～15.85%、-47.88%～18.59%和-70.07%～1.64%；平均值分別為-16.01%、-30.86%和-52.38%。時間尺度方面，30個集合的m-RMSE范圍分別在0.33～1.29、0.18～1.33和1.08～2.42；平均值分別為0.71、0.57和2.04。空間尺度方面，m-RMSE范圍分別在0.26～0.73、0.25～0.92和0.37～0.78；平均分別為0.34、0.35和0.50。RMAE范圍分別在0.19～0.65、0.21～0.74和0.30～0.68；平均值分別為0.29、0.27和0.45。RMB范圍分別在-0.29～-0.38、-0.45～-0.46和-0.68～-0.30；平均值分別為-0.06、-0.22和-0.45。從各項(xiàng)指標(biāo)的評估結(jié)果來看，其預(yù)報(bào)效果也不理想，其中1 h預(yù)見期預(yù)報(bào)的降雨量級誤差較大。隨著預(yù)見期的延長，臨近預(yù)報(bào)精度降低，2 h預(yù)見期預(yù)報(bào)的降雨落區(qū)誤差增大，3 h預(yù)見期預(yù)報(bào)的降雨時程分配誤差增大。

圖6 臨近預(yù)報(bào)累積降雨分布圖Fig.6 Nowcasting cumulative rainfall distribution map

表3 基于強(qiáng)降水識別降雨場次Ⅰ的臨近預(yù)報(bào)評估指標(biāo)值Table 3 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅰ

表4 基于強(qiáng)降水識別降雨場次Ⅱ的臨近預(yù)報(bào)評估指標(biāo)值Table 4 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅱ

表5 基于強(qiáng)降水識別降雨場次Ⅲ的臨近預(yù)報(bào)評估指標(biāo)值Table 5 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅲ

4 結(jié)論

(1)強(qiáng)降水識別能夠有效提高雷達(dá)測雨精度，特別是對于暴雨量級的降雨，雷達(dá)反演精度提高最顯著，24 h累積雨量相對誤差較常規(guī)反演提高顯著提高，降雨時空分布也得到了明顯改善，基本滿足中小流域洪水預(yù)報(bào)的需求。將地面雨量站觀測降雨與雷達(dá)測雨進(jìn)行融合，是進(jìn)一步提高中小流域尺度的測雨精度的主要方法。

(2)對于時空分布均勻的降雨場次，雷達(dá)測雨與臨近預(yù)報(bào)效果均優(yōu)于短歷時降雨和強(qiáng)降雨，臨近預(yù)報(bào)結(jié)果也能夠滿足中小流域洪水預(yù)報(bào)的需求。進(jìn)一步研究需重視短歷時降雨和強(qiáng)降雨，建立隨天氣形勢變化的動態(tài)Z-R關(guān)系。

(3)隨著預(yù)見期的延長，降雨時空分布均勻的場次，其預(yù)報(bào)效果變化幅度不大，而短歷時降雨和強(qiáng)降雨的預(yù)報(bào)精度下降明顯。研究復(fù)合天氣形勢的具有物理機(jī)制的預(yù)報(bào)方法，與光流法等雷達(dá)外推方法相結(jié)合開展臨近預(yù)報(bào)，將有助于提高降雨預(yù)報(bào)精度。