BCC_S2S預(yù)報長江上中游流域夏季降水精度評估

李 恒，朱 堅,2*

(1.河海大學(xué) 水文水資源學(xué)院，江蘇 南京 210098；2.中國氣象局?河海大學(xué)水文氣象研究聯(lián)合實驗室，江蘇 南京 210098)

季節(jié)–次季節(jié)預(yù)報（sub-seasonal to seasonal，S2S）介于季節(jié)預(yù)測和天氣預(yù)報之間，相較于季節(jié)預(yù)測，外部強迫因子不足以影響其變率，相較于天氣預(yù)報尺度，初始值的記憶性已經(jīng)消散，是目前氣象預(yù)報業(yè)務(wù)的難點[1]。由于相關(guān)的研究較少，也稱為“預(yù)測沙漠”[2–3]。次季節(jié)–季節(jié)時間尺度的預(yù)報是連接季節(jié)預(yù)測與天氣預(yù)報的關(guān)鍵接口，也是政府部門應(yīng)急減災(zāi)從被動應(yīng)災(zāi)到主動減災(zāi)的關(guān)鍵預(yù)測時段[4]。為填補這一“預(yù)測沙漠”，世界氣候研究計劃（World Climate Research Program，WCRP）和世界天氣研究計劃（World Weather Research Programme，WWRP）聯(lián)合制定了S2S計劃，目的是完善14～60 d預(yù)測時間尺度的關(guān)鍵接口，填補季節(jié)預(yù)測和天氣預(yù)報之間的縫隙。

近年來，研究人員利用各國發(fā)布的S2S模式歷史回報產(chǎn)品開展了包括熱浪[5]、降水[6]、季風(fēng)[7–9]、熱帶大氣季節(jié)內(nèi)振蕩（madden-julian oscillation，MJO）及遙相關(guān)特征[10–12]、土壤濕度[13]、極端事件[1]、臺風(fēng)[14]等方面的預(yù)測技巧分析工作。中國國家氣候中心（Beijing Climate Center，BCC）參加S2S預(yù)測研究計劃模式版本為 BCC_CSM 1.1 m[15]，并基于此模式研發(fā)了第2代短期氣候模式系統(tǒng)BCC_CSM 2.0[16–18]。在本文中，將BCC_CSM 2.0模式中與S2S的相關(guān)的預(yù)測系統(tǒng)稱為BCC_S2S模式預(yù)測系統(tǒng)，簡稱BCC_S2S模式。吳統(tǒng)文[19]和吳捷[20]等評估了BCC_CSM 2.0模式的預(yù)報系統(tǒng)，結(jié)果表明：該模式在全球范圍內(nèi)，預(yù)報環(huán)流、氣溫和降水的性能較前一代有所提升，但在預(yù)報中國東部地區(qū)的夏季降水時預(yù)測技巧不高。郭渠等[21]對BCC_S2S模式在西南地區(qū)的預(yù)測效果進行評估，結(jié)果表明：在夏季，隨著預(yù)見期的增加，BCC_S2S模式的預(yù)報性能不斷下降；在不同區(qū)域、不同年份，模式預(yù)報性能亦有差異。

中國長江上中游地區(qū)地勢落差大，水能資源占全國一半以上，針對該區(qū)域的模式降水評估對水能利用具有重要的意義。評估BCC_S2S模式的預(yù)測性能，可以更有效地利用模式預(yù)報信息[22–23]，從而充分利用S2S預(yù)測降水時所延長的預(yù)報時效，提升政府部門防備洪澇災(zāi)害的應(yīng)急管理水平[24]。

截至目前，對BCC_S2S模式的預(yù)測性能檢驗評估和應(yīng)用，已開展部分工作[25]，主要聚焦于全國的月或季節(jié)降水總量的研究。然而，針對逐日降水及更強的極端降水事件的預(yù)報評估的研究較少。因此，擬對BCC_S2S模式提前0～30 d預(yù)報長江上中游流域夏季降水的預(yù)報精度進行評估，并從單站極端降水事件和區(qū)域極端降水事件兩方面，綜合評價模式對極端降水的預(yù)報表現(xiàn)，為提升模式預(yù)報精度，提高極端降水的預(yù)測技巧提供參考。

1 資料和方法

1.1 研究區(qū)域

選擇長江上中游流域（upper and middle researches of the Yangtze River，UMRYR）為研究區(qū)域（圖1），主要位于中國中西部。長江上中游流域橫跨中國陸地地勢的3級階梯，從西往東地勢下降，落差較大，包括青藏高原、橫斷山脈、云貴高原等地形單元[26]。長江上中游夏季降水類型復(fù)雜交錯，從環(huán)流背景來看，受南亞高壓、西太副高、中高緯度環(huán)流、熱帶季風(fēng)輸送的暖濕氣流、海溫等外部強迫因子影響[27]；從大范圍或局地的天氣系統(tǒng)來看，鋒面、西南渦、局地強對流、地形抬升對流等，均能引發(fā)強降水甚至暴雨[27–28]，繼而引發(fā)洪澇、泥石流、滑坡等自然災(zāi)害。

1.2 研究資料

觀測降水數(shù)據(jù)均下載自國家氣象科學(xué)數(shù)據(jù)中心（http://www.nmic.cn/），根據(jù)資料連續(xù)性、統(tǒng)一性和時間一致性等標準，選取長江上中游范圍內(nèi)140個觀測站點的逐日降水資料。以自然流域為劃分依據(jù)[26]，把長江上中游劃分6個子區(qū)域。雨量站點分布及子區(qū)域劃分如圖1所示，除金沙江上游無測站外，有站點區(qū)域雨量站空間分布均勻，雨量站密度在0.78×104～1.61×104km2/站之間，雨量站海拔范圍在191.31 m～2 452.36 m。

圖1 長江上中游流域雨量站點空間分布Fig.1 Spatial distribution of meteorological stations in UMRYR

本文評估的預(yù)報降水數(shù)據(jù)來自BCC_S2S模式，該模式由大氣分量模式BCC_AGCM2.2、陸面分量模式BCC_AVIM1.0、海洋分量模式MOM5、海冰分量模式通過耦合器CPL5. 0直接動態(tài)耦合而成。進行氣候預(yù)測時，選用美國國家環(huán)境預(yù)測中心（National Center for Environmental Prediction，NCEP）每日4次的高空再分析資料的風(fēng)場、溫度場和地面氣壓場作為大氣初值，以NCEP全球海洋同化系統(tǒng)的海洋再分析資料作為海洋初值，構(gòu)建初始驅(qū)動場。采用滯后平均預(yù)報（lagged average forecast，LAF）和奇異向量擾動（singular vector，SV）進行集合預(yù)報，共24個樣本集合[25]，格點分辨率為1.5°×1.5°。關(guān)于BCC_S2S模式的更多技術(shù)細節(jié)參見文獻[18]。

該模式回報試驗數(shù)據(jù)為每周三、周六滾動預(yù)報未來60 d的環(huán)流要素和常規(guī)氣象要素[15]，本文依據(jù)BCC_S2S在24°N～36°N，96°E～120°E范圍內(nèi)的2005—2020 年共 16 a的日降水格點資料，采用雙線性插值法將BCC_S2S格點降水數(shù)據(jù)降尺度到站點。

1.3 研究方法和定義

選擇相關(guān)系數(shù)（correlation coefficient，CC）、均方根誤差（root mean squared error，RMSE）和平均誤差（mean error，ME）3個指標，定量評估BCC_S2S提前0～30 d預(yù)報日降水量的精度。評估指標的計算公式分別為：

式中，n為樣本總數(shù)；Si為BCC_S2S對樣本i的預(yù)報降水；Oi為樣本i的站點觀測降水；為BCC_S2S預(yù)報降水平均值；為站點觀測降水平均值。

本文使用百分位法[29]定義極端降水事件：將每年的日降水量按照升序排列，取95百分位數(shù)的降水量的多年平均值作為閾值。當某一單站某日降水量大于等于該值時，則認為發(fā)生了一次極端降水事件。在評估模式預(yù)報技巧時，對實測降水和模式預(yù)報降水均采用相同的閾值。

為評價BCC_S2S模式對長江上中游極端降水的預(yù)報性能，對于單站極端降水事件，采用Heidke 技巧評分（Heidke’s skill score，HSS）進行評估，該指標同時考慮了命中率和誤報率，能夠更好地反映模式定性預(yù)測極端降水事件的能力，該評分越高，說明模式對極端降水的預(yù)報技巧越好[30–31]。該評分的計算公式如下：

式中，N11為觀測降水與預(yù)報降水均大于閾值的天數(shù)或站數(shù)記，N10為觀測降水小于閾值且預(yù)報降水大于閾值的天數(shù)或站數(shù)記，N01為觀測降水大于閾值且預(yù)報降水小于閾值的天數(shù)或站數(shù)記，N00為觀測降水與預(yù)報降水均小于閾值的天數(shù)或站數(shù)記。

對于區(qū)域性極端降水事件的定義為：當日降水量大于等于極端降水閾值的站點數(shù)占該區(qū)域總站點數(shù)的比率超過10%時，即認為發(fā)生了一次區(qū)域性極端降水事件[32]。

聚類分析作為一種統(tǒng)計分類方法，已被應(yīng)用于極端降水的研究[33]。本文結(jié)合區(qū)域極端降水評估的需求，采用層次聚類[34]的方法：1）先依照規(guī)定的范數(shù)計算出類與類之間的距離，把不同樣本站點進行分組；2）依據(jù)聚類水平矩陣，把指標空間中最接近的兩組逐步合并為一個新類。使用相關(guān)系數(shù)作為測度鏈接層次聚類：

式中：rij為相關(guān)系數(shù)測度，i和j表示不同的時間點；k表示空間點；m表示空間點的總數(shù)；xik和xjk為站點降水觀測值；和表示所有站點在i和j時刻的空間平均值。利用平均輪廓系數(shù)圖法進行驗證，聚類方案是恰當?shù)?。將滿足定義的2005—2020年夏季的157次極端降水事件分為4類，并依據(jù)每種類型的極端降水，對不同的預(yù)見期范圍（0～10 d、11～20 d、21～30 d）內(nèi)BCC_S2S預(yù)報的降水場進行合成分析。

2 結(jié)果與分析

2.1 日降水預(yù)報精度評估

按照以下步驟評估模式預(yù)報精度：以評估模式各季節(jié)的預(yù)報性能為例，先用雙線性插值法，將模式預(yù)報的降水數(shù)據(jù)插值到各站點，再按照以下步驟操作：1）依照被預(yù)報日劃分為4個季節(jié)，找出各年份中所有包含在該季節(jié)內(nèi)的被預(yù)報日；2）計算該季節(jié)內(nèi)被預(yù)報日的模式預(yù)報降水量和觀測站點降水量的CC、RMSE和ME；3）若做區(qū)域的預(yù)報精度評估，把各站的統(tǒng)計結(jié)果取算術(shù)平均。

2.1.1 全流域各季節(jié)日降水預(yù)報精度

圖2為BCC_S2S時長江上中游流域各季節(jié)日降水量預(yù)報精度（灰色虛線代表相關(guān)系數(shù)通過90%信度檢驗線）。 如圖2（a）所示：各季節(jié)模式預(yù)報降水與觀測降水的相關(guān)系數(shù)在預(yù)報當日最高，隨著預(yù)見期的增加而降低；至第10 d后，進入低相關(guān)系數(shù)階段。模式預(yù)報的相關(guān)系數(shù)在各季節(jié)間相差不大，夏季的相關(guān)系數(shù)最低。據(jù)圖2（b）可知：各季節(jié)均方根誤差隨預(yù)見期的增加而稍有增加，季節(jié)間差異較大；夏季均方根誤差最大，達到15 mm/d左右。圖2（c）給出了平均誤差，模式預(yù)報夏秋季節(jié)降水整體偏多，而冬季偏少。

圖2 BCC_S2S 對長江上中游流域各季節(jié)日降水量預(yù)報精度Fig.2 BCC_S2S forecasting accuracy of daily precipitation in the UMRYR in four seasons

2.1.2 子區(qū)域夏季日降水預(yù)報精度

由于夏季是長江上中游的主要降水季節(jié)，本文后續(xù)針對夏季降水進行細致分析。按照自然流域邊界劃分子區(qū)域，并分別計算相關(guān)系數(shù)、均方根誤差和平均誤差，如圖3所示（灰色虛線代表相關(guān)系數(shù)通過90%信度檢驗線）。由圖3可知，各子區(qū)域的統(tǒng)計值呈現(xiàn)趨勢與全流域平均情況一致。相關(guān)系數(shù)在漢江及江漢平原最高，在金沙江流域最低（圖3（a））。均方根誤差空間分布特征明顯，隨預(yù)見期增加稍有增加；在金沙江流域最小，約10 mm/d；在其他區(qū)域較大，基本位于12～17 mm/d間（圖3（b））。平均誤差空間分布特征明顯，金沙江流域為負偏差，說明模式對該地區(qū)降水預(yù)報值整體偏小，在其他流域則整體偏大（圖3（c））。

圖3 BCC_S2S 對長江上中游流域各子區(qū)域夏季日降水量預(yù)報精度Fig.3 BCC_S2S forecast accuracy of summer daily precipitation for each sub-region in UMRYR

2.1.3 子區(qū)域夏季各月份日降水預(yù)報精度

為討論本節(jié)中長江上中游各子流域夏季各月的日降水預(yù)報精度及第2.2節(jié)中的極端降水預(yù)報精度，圖4給出了各子區(qū)域6—8月的月均降水量和月平均極端降水事件頻數(shù)的區(qū)域平均值柱狀圖。由圖4可知：長江上中游偏西偏北的3個子區(qū)域（金沙江流域、嘉岷流域、漢江及江漢平原）7月降水最多且易發(fā)生極端降水；偏東偏南的3個子區(qū)域（上游干流及烏江、洞庭湖流域、鄱陽湖流域）6月降水偏多且易發(fā)生極端降水。

圖4 各子區(qū)域地面觀測站點夏季各月月平均降水量、極端降水發(fā)生次數(shù)的區(qū)域平均值Fig.4 Regional mean of monthly mean precipitation and occurrence frequency of precipitation extremes in each sub-region in summer

同前面評估季節(jié)日降水預(yù)報精度一樣，計算了月平均降水預(yù)報的相關(guān)系數(shù)、均方根誤差、平均誤差3個指標。對于相關(guān)系數(shù)，變化趨勢與圖3（a）基本一致：在預(yù)報當日最高，隨著預(yù)見期的增加而降低；至第10 d后，進入低相關(guān)系數(shù)階段。由于各子區(qū)域各月的相關(guān)系數(shù)的中值、離散程度差別不大，因此箱線圖略。

圖5為日降水量預(yù)報的均方根誤差的統(tǒng)計結(jié)果。在夏季各月份中，6月的中位值較小，且離散程度相對較小，表明6月預(yù)報誤差較小且預(yù)報性能相對穩(wěn)定。對比各子區(qū)域，可以看到嘉陵江、漢江及江漢平原流域預(yù)報性能較好。

圖6為日降水量預(yù)報的平均誤差。大部分情況下，平均誤差在長江上中游的中東部子區(qū)域呈正偏差，西部子區(qū)域呈負偏差。整體上，6月各區(qū)域的平均誤差更接近0且離散程度較??；對比各子區(qū)域，可以看到嘉陵江流域誤差更接近0且離散程度較小。

對比圖3的統(tǒng)計結(jié)果，模式平均誤差在6月洞庭湖流域（圖6（m））的平均偏差呈負偏差，如圖4（a）所示，在6—8月中，該區(qū)域在6月份月降水最高，極端降水頻發(fā)，此時模式更易低估日降水量值。由于受到較多的大異常值的影響，模式預(yù)報的均方根誤差在鄱陽湖流域出現(xiàn)了中值低（圖5（p）～（r））、均值高（圖3（b））的現(xiàn)象。

圖6 BCC_S2S 對各自區(qū)域6—8月日降水量預(yù)報平均誤差箱線圖Fig.6 Boxplots of ME of daily precipitation forecast from June to August of BCC_S2S model in each sub-region

2.2 夏季極端降水預(yù)報評估

2.2.1 夏季單站極端降水預(yù)報技巧

利用百分位法定義單站極端降水，計算各站點在夏季的HSS評分，把各站的統(tǒng)計結(jié)果按子區(qū)域取算術(shù)平均，結(jié)果如圖7所示?？梢钥闯觯焊髯訁^(qū)域極端降水的預(yù)報技巧在預(yù)見期為0時最高，隨預(yù)見期增加而降低；在預(yù)見期到達5～10 d后，進入低預(yù)報技巧階段，較好的預(yù)見期偏短；在漢江及江漢平原最高（HSS評分在0.15至0.64之間），在金沙江流域最低。

圖7 BCC_S2S 對長江上中游流域夏季單站極端降水預(yù)報技巧的各子區(qū)域平均HSS評分Fig.7 BCC_S2S forecasting skills (HSS index) of summer precipitation extremes in each sub-region of the UMRYR

2.2.2 夏季各月份單站極端降水預(yù)報技巧

參照第2.1.3節(jié)的模式數(shù)據(jù)與觀測數(shù)據(jù)分組方式，分析夏季各月份極端降水預(yù)報技巧，如圖8所示。在各月份，模式對極端降水事件的預(yù)報技巧在6月最高，8月最低；隨著預(yù)見期的增加，6月份進入低預(yù)報技巧的時間較其他月份更久，較好的預(yù)見期更長。各子區(qū)域模式對極端降水預(yù)報技巧取到最高、最低值所在的月份并不相同，偏東偏南的3個子區(qū)域（上游干流及烏江、洞庭湖流域、鄱陽湖流域）在6月，偏西偏北的3個子區(qū)域（金沙江流域、嘉岷流域、漢江及江漢平原）在7月預(yù)報技巧為高值，降水最多且易發(fā)生極端降水（圖4（a）和（b）），說明模式預(yù)報極端降水技巧在降水較大、極端降水頻發(fā)的月份更好。

圖8 BCC_S2S模式對長江上中游流域各子區(qū)域不同月份極端降水的HSS評分隨超前天數(shù)的變化Fig.8 Change of HSS index of BCC_S2S model for precipitation extremes of each month in each sub-region of the UMRYR with lead days

2.3 夏季區(qū)域性極端降水事件的預(yù)報評估

參照區(qū)域極端降水事件的定義，根據(jù)聚類分析方法，以相關(guān)系數(shù)作為相似系數(shù)的測度，把2005—2020年發(fā)生的157次極端降水事件按照多雨帶的位置劃分為4類。將各類降水極端事件的所有降水場分別取算術(shù)平均值，得到合成場。合成場的計算結(jié)果如圖9所示。第Ⅰ類的多雨帶位于江西中部和湖南中部，第Ⅱ類的多雨帶位于江西北部、湖南北部、湖北東部，第Ⅲ類的多雨帶位于重慶、貴州北部、湖北西部，第Ⅳ類的多雨帶位于四川中東部。

圖9 4類長江上中游流域區(qū)域極端降水事件的合成場Fig.9 Composite fields of four types of precipitation extremes in UMRYR

為檢驗?zāi)Ｊ綄^(qū)域極端降水的預(yù)報效果，依照各類型的區(qū)域極端降水事件發(fā)生的日期，分別計算BCC_S2S在預(yù)見期為0～10 d、11～20 d、21～30 d預(yù)報的當日降水場，并取算術(shù)平均值作為合成場。如圖10所示：模式預(yù)報0～10 d的多雨帶位置與原降水合成場基本一致，預(yù)報日雨量值偏小。模式預(yù)報合成場在預(yù)見期為11～20 d、21～30 d時，多雨帶的范圍及降水量均與原降水合成場相差較大，預(yù)報效果不理想。

圖10 BCC_S2S預(yù)見期為0～10 d、11～20 d、21～30 d預(yù)報結(jié)果的4類區(qū)域極端降水事件的合成場Fig.10 Composite fields of four types of regional precipitation extremes predicted by BCC_S2S 0～10 d in advance, 11～20 d in advance, and 21～30 d in advance

3 結(jié) 論

本文基于相關(guān)系數(shù)、均方根誤差和平均誤差3個指標，以及HSS評分，評估了中國國家氣候中心季節(jié)–次季節(jié)預(yù)報模式產(chǎn)品（BCC_S2S）在長江上中游流域?qū)θ战邓拖募緲O端降水事件的預(yù)報性能。

針對長江上中游全流域、全季節(jié)的日降水預(yù)報，BCC_S2S模式降水和觀測降水相關(guān)系數(shù)在各季節(jié)之間差異不大，隨預(yù)見期的增加而下降；在預(yù)見期為5～10 d以后，進入低預(yù)報技巧階段。均方根誤差季節(jié)差異較大，夏季最高。平均誤差統(tǒng)計結(jié)果表明模式預(yù)報夏秋季節(jié)降水整體偏多，而冬季偏少。

針對長江上中游流域的6個子區(qū)域，模式在夏季預(yù)報的相關(guān)系數(shù)與全流域平均情況一致，隨預(yù)見期的增加而下降，在預(yù)見期為5～10 d以后進入低預(yù)報技巧階段。均方根誤差在金沙江流域最小，在其他區(qū)域較大。平均誤差在金沙江流域為負偏差，其他流域為正偏差。在夏季各月，相關(guān)系數(shù)在各月和不同區(qū)域差異不大，均方根誤差在6月相對較低且離散程度更小，平均誤差的離散程度亦是6月相對較小。對比模式在各子區(qū)域各月的預(yù)報表現(xiàn)，模式在嘉岷流域預(yù)報日降水的精度相對較好。

對于各子區(qū)域夏季單站極端降水事件，模式預(yù)報技巧隨預(yù)見期增加而降低，在預(yù)見期到達5～10 d后，進入低預(yù)報技巧階段。對比不同月份的預(yù)報技巧發(fā)現(xiàn)，模式對極端降水預(yù)報技巧在月降水量偏多、極端降水事件頻發(fā)的月份較高。

對區(qū)域性極端降水事件，將全流域157場極端降水劃分為4種分布類型，模式在預(yù)見期為0～10 d時，均能較好地再現(xiàn)4類極端降水的多雨帶范圍，但預(yù)報降水量偏低；在預(yù)見期10 d之后，預(yù)報效果較差。

綜上所述，模式對長江上中游地區(qū)的日降水和極端降水事件的預(yù)報性能隨預(yù)見期的增加而下降?？臻g上，模式整體對長江上中游的偏西偏北地區(qū)預(yù)報較好；而在事件上，模式對6月降水的預(yù)報精度相對較高，這可能與6月主要受大范圍水汽輸送或鋒面這樣較容易預(yù)報的天氣系統(tǒng)[27–28]有關(guān)。以后還需要對模式再現(xiàn)天氣氣候系統(tǒng)、物理聯(lián)系等方面進行進一步研究。