浙江梅汛期暴雨預(yù)報(bào)的客觀訂正方案對比分析*

沈文強(qiáng) 錢 浩 馬 昊 孫 長 葉延君

1 浙江省氣象臺(tái),杭州 310051

2 浙江省蘭溪市氣象臺(tái),金華 321100

提 要： 基于2019—2021年浙江省自動(dòng)站觀測資料和多模式預(yù)報(bào)數(shù)據(jù),分析了各模式對梅汛期暴雨預(yù)報(bào)的綜合表現(xiàn),并采用12組降水訂正方案開展了2020年和2021年浙江省梅汛期降水預(yù)報(bào)的客觀訂正,對比了各訂正方案對模式暴雨預(yù)報(bào)的改進(jìn)效果。結(jié)果表明：ECMWF、 CMA-SH9和CMA-MESO梅汛期暴雨預(yù)報(bào)表現(xiàn)優(yōu)于NCEP-GFS和CMA-GFS,且頻率偏差關(guān)系穩(wěn)定,可聯(lián)合用于開展多模式預(yù)報(bào)客觀訂正;由于逐年梅汛期暴雨特征差異大,頻率匹配算法無法對預(yù)報(bào)進(jìn)行有效訂正;最優(yōu)評(píng)分法(OTS)能顯著提升ECMWF模式暴雨預(yù)報(bào)TS評(píng)分,但空報(bào)率有所增加;對ECMWF降水預(yù)報(bào)經(jīng)OTS量級(jí)訂正后再開展基于集合平均的概率匹配訂正,能明顯改善以大雨帶穩(wěn)定性降水為主的梅汛期暴雨預(yù)報(bào)質(zhì)量,但對于對流性較強(qiáng)的梅汛期暴雨過程訂正效果不佳;優(yōu)選預(yù)報(bào)成員的各類多模式融合算法均能夠有效改進(jìn)對流性較強(qiáng)的梅汛期暴雨過程預(yù)報(bào)質(zhì)量,包括多模式平均、自適應(yīng)集成和時(shí)滯集合預(yù)報(bào)在2020年和2021年均有明顯正技巧;對各模式降水預(yù)報(bào)經(jīng)OTS訂正后再開展集成預(yù)報(bào)能夠進(jìn)一步提高梅汛期暴雨預(yù)報(bào)質(zhì)量,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,其中經(jīng)多模式時(shí)滯集合分級(jí)訂正算法集成OTS量級(jí)訂正預(yù)報(bào)表現(xiàn)最優(yōu)。

引 言

梅汛期降水是我國東部地區(qū)年降水的主要來源之一,梅汛期降水持續(xù)時(shí)間長,常產(chǎn)生較大范圍的暴雨,如2020年梅汛期長時(shí)間的強(qiáng)降水給長江流域帶來大范圍的洪澇災(zāi)害(張芳華等,2020;劉蕓蕓和丁一匯,2020)。梅汛期主雨帶一方面隨著梅雨鋒的擺動(dòng)南北移動(dòng),呈現(xiàn)出大尺度降水特征,同時(shí)梅雨鋒中也存在局地性強(qiáng)的對流,表現(xiàn)出對流性降水特征(陳濤等,2020;劉建勇等,2012)。數(shù)值模式對梅汛期雨帶位置的預(yù)報(bào)效果并不穩(wěn)定,當(dāng)出現(xiàn)雨帶位置預(yù)報(bào)偏差時(shí),暴雨預(yù)報(bào)質(zhì)量明顯下降(蘇翔等,2021a;馬杰等,2021)。不同模式對梅汛期大尺度雨帶和對流性降水的預(yù)報(bào)能力存在顯著差異(蘇翔等,2022),如何有效綜合多種模式降水預(yù)報(bào)的有效信息,給出更加準(zhǔn)確的梅汛期暴雨預(yù)報(bào)是當(dāng)前定量降水預(yù)報(bào)業(yè)務(wù)中亟待解決的問題。

由于數(shù)值模式降水預(yù)報(bào)常存在干、濕偏差,使用客觀方法對數(shù)值模式輸出降水進(jìn)行統(tǒng)計(jì)訂正能夠帶來預(yù)報(bào)質(zhì)量的提升(蘇翔等,2021b)。目前業(yè)務(wù)中常用的統(tǒng)計(jì)訂正方法可分為對降水量級(jí)、降水落區(qū)的訂正以及二者相結(jié)合的方法,其中常用的量級(jí)訂正方法有頻率匹配法、最優(yōu)評(píng)分法、分位數(shù)映射和基于集合預(yù)報(bào)的最優(yōu)百分位法,此類方法在實(shí)踐中能夠顯著改善模式的干、濕偏差(Cannon et al,2015;代刊等,2018;雷華錦等,2020;Zhu and Luo,2015)。比如Zhu and Luo(2015)對NCEP-GFS預(yù)報(bào)開展頻率匹配訂正后顯著改善了模式降水預(yù)報(bào)的系統(tǒng)性偏差,對ECMWF應(yīng)用頻率匹配后同樣能顯著提高晴雨和暴雨預(yù)報(bào)質(zhì)量(王麗芳等,2021)。但是,對降水量級(jí)開展訂正僅能擴(kuò)大或者縮小雨區(qū),并不改變雨區(qū)的中心位置,當(dāng)模式預(yù)報(bào)的雨帶位置出現(xiàn)較大偏差時(shí),量級(jí)訂正方法的效果將明顯變差。具有降水落區(qū)訂正能力的方法有概率匹配法、集合平均、多模式動(dòng)態(tài)集成、自適應(yīng)集成和時(shí)滯集合預(yù)報(bào)等(陳博宇等,2015;代刊等,2018;Jie et al,2014;唐文苑和鄭永光,2019;危國飛等,2020)。如危國飛等(2020)將經(jīng)過量級(jí)訂正的兩種模式降水在不同量級(jí)上按照同期的評(píng)分表現(xiàn)開展分級(jí)集成,算法在量級(jí)訂正基礎(chǔ)上再次提高了降水評(píng)分。

以上客觀訂正算法在業(yè)務(wù)中均表現(xiàn)出改善模式降水預(yù)報(bào)偏差的潛力,但由于梅汛期存在著多種類型的降水預(yù)報(bào)偏差,這些算法是否能明顯改善梅汛期降水特別是暴雨的預(yù)報(bào)能力,需要進(jìn)一步分析。此外,梅汛期暴雨過程既有穩(wěn)定性的大尺度雨帶暴雨,也有對流性主導(dǎo)的區(qū)域性暴雨過程,各類訂正算法在這兩類梅汛期暴雨過程中的適用性如何,以往的研究缺乏對此問題的細(xì)化討論,值得深入分析。本文利用多種業(yè)務(wù)模式的降水預(yù)報(bào)數(shù)據(jù),通過分析對比多種算法對梅汛期暴雨預(yù)報(bào)的改進(jìn)效果,探討適用于浙江省梅汛期暴雨預(yù)報(bào)的客觀訂正方案。

1 資料與方法

1.1 研究資料

使用2019—2021年4—8月浙江省的1728個(gè)自動(dòng)觀測站點(diǎn)的逐小時(shí)降水觀測數(shù)據(jù),并累加形成逐3 h和24 h累計(jì)雨量。數(shù)值模式數(shù)據(jù)包括 0.125° 分辨率的ECMWF模式、0.25°分辨率的CMA全球模式(CMA-GFS)和NCEP-GFS模式、上海9 km模式(CMA-SH9)、3 km分辨率的CMA-MESO區(qū)域模式預(yù)報(bào)的降水?dāng)?shù)據(jù),預(yù)報(bào)起報(bào)時(shí)間包括00時(shí)和12時(shí)(世界時(shí),下同),預(yù)報(bào)時(shí)效為12～36 h。

1.2 檢驗(yàn)方法

對數(shù)值模式和各訂正方案預(yù)報(bào)的浙江省梅汛期暴雨(≥50 mm·d-1)開展檢驗(yàn),檢驗(yàn)指標(biāo)包括暴雨TS評(píng)分、暴雨預(yù)報(bào)頻率偏差FB、空報(bào)率和漏報(bào)率,檢驗(yàn)評(píng)估采用綜合性能評(píng)分圖,各項(xiàng)檢驗(yàn)指標(biāo)的計(jì)算公式和綜合性能評(píng)分圖的介紹參見蘇翔等(2021b)。

1.3 降水客觀訂正算法

在降水量級(jí)訂正算法中,頻率匹配法(FM)和最優(yōu)評(píng)分法(OTS)在業(yè)務(wù)中應(yīng)用廣泛,二者的區(qū)別在于優(yōu)化目標(biāo)的不同,FM優(yōu)化模式降水預(yù)報(bào)的頻率偏差,能夠明顯改善模式的干、濕偏差狀況,緩解不同模式對于暴雨的過報(bào)或漏報(bào)問題(Zhu and Luo,2015;蘇翔等,2021b;李俊等,2015;王麗芳等,2021;智協(xié)飛和呂游,2019);OTS方法則直接優(yōu)化模式降水預(yù)報(bào)的TS評(píng)分,在實(shí)際使用中發(fā)現(xiàn)該方法傾向于適當(dāng)擴(kuò)大暴雨區(qū)從而減少漏報(bào),以此提高TS評(píng)分。

對于模式的降水落區(qū)調(diào)整,業(yè)務(wù)中常采用概率匹配的方法,將強(qiáng)度調(diào)整后的格點(diǎn)降水場根據(jù)大小排序映射到落區(qū)預(yù)報(bào)較好的格點(diǎn)降水場上,從而實(shí)現(xiàn)雨帶空間上的移動(dòng)(畢寶貴等,2016;代刊等,2018;唐健等,2018;Clark,2017)。除此之外,多模式集成方法同樣具有較好的暴雨落區(qū)調(diào)整能力,多模式等權(quán)重平均(AVG)作為最基礎(chǔ)的集成方法,有著悠久的應(yīng)用歷史。近幾年一些新的降水集成算法被提出并進(jìn)行了業(yè)務(wù)化的應(yīng)用。國家氣象中心通過在集成權(quán)重中引入實(shí)時(shí)評(píng)分和獨(dú)立性評(píng)價(jià),研發(fā)了自適應(yīng)集成算法(ADP),在業(yè)務(wù)中取得了較好的應(yīng)用效果(曹勇等,2022);福建省氣象臺(tái)通過在不同降水量級(jí)上應(yīng)用評(píng)分最優(yōu)化方法計(jì)算集成權(quán)重,提出了分級(jí)最優(yōu)集成訂正算法(OW),獲得了比單模式訂正更好的訂正效果(危國飛等,2020)。除了集成不同模式的預(yù)報(bào)來提高降水訂正質(zhì)量,時(shí)滯集合預(yù)報(bào)通過集成同一模式不同時(shí)間起報(bào)的對未來同一時(shí)間的預(yù)報(bào)能有效提高降水預(yù)報(bào)的穩(wěn)定性,以往使用快速更新同化模式來開展時(shí)滯集合預(yù)報(bào)的研究表明,該方法能有效提高降水預(yù)報(bào)質(zhì)量(Jie et al,2014;唐文苑和鄭永光,2019)。

本研究將采用以上各種訂正算法,同時(shí)設(shè)計(jì)多種算法組合方案,開展浙江省梅汛期暴雨預(yù)報(bào)的多方案對比評(píng)估。

1.4 訓(xùn)練期樣本采樣方法

以上介紹的統(tǒng)計(jì)訂正算法均需要使用歷史樣本構(gòu)造訓(xùn)練期,在訓(xùn)練期中采樣建模,最后進(jìn)行預(yù)報(bào)。常用的訓(xùn)練期包括滑動(dòng)訓(xùn)練期、準(zhǔn)對稱滑動(dòng)訓(xùn)練期,本研究中使用準(zhǔn)對稱滑動(dòng)訓(xùn)練期進(jìn)行建模,具體而言,使用預(yù)報(bào)日前30 d和上一年同日后30 d,共60 d 樣本進(jìn)行建模。準(zhǔn)對稱滑動(dòng)訓(xùn)練期在業(yè)務(wù)中應(yīng)用廣泛,效果較好,吳啟樹等(2016)、蘇翔等(2021b)等不少研究對此都有討論,具體不再贅述。因訂正方案的訓(xùn)練需要采用上一年的預(yù)報(bào)數(shù)據(jù),而部分模式僅有2019年以來的數(shù)據(jù),因此本文僅對2020年和2021年梅汛期暴雨預(yù)報(bào)開展訂正方案的應(yīng)用效果評(píng)估。

襄陽位于湖北省西北部，漢江中游平原腹地是湖北省地級(jí)市，省域副中心城市，國家歷史文化名城，楚文化、漢文化、三國文化的主要發(fā)源地，已有2800多年建制歷史，總面積1.97×104km2。規(guī)劃2020年襄陽中心城區(qū)人口170萬人，建設(shè)規(guī)模153km2。中心城區(qū)的布局結(jié)構(gòu)可以概括為“一心四城、多中心發(fā)展”的沿江組團(tuán)式結(jié)構(gòu),遠(yuǎn)景隨著東津的發(fā)展將形成四城環(huán)洲的空間布局結(jié)構(gòu)。

2 檢驗(yàn)評(píng)估

2.1 不同模式梅汛期預(yù)報(bào)質(zhì)量檢驗(yàn)

浙江省不同年份的梅汛期暴雨特征差異大。2019年梅汛期從6月17日入梅至7月17日出梅,梅期為一個(gè)月;2020年梅汛期從5月29日入梅到7月18日出梅,梅汛期長達(dá)50 d,過程中共受9輪強(qiáng)降水影響,17個(gè)站點(diǎn)雨量破歷史紀(jì)錄,累計(jì)雨量位列歷史第三位;2021年梅汛期從6月10日入梅到7月5日出梅,梅汛期為25 d,低于往年平均值,且暴雨過程多對流性降水,與2020年梅汛期降水特征有明顯區(qū)別。

為了解不同模式對不同年份梅汛期暴雨預(yù)報(bào)的性能,首先對業(yè)務(wù)常用的數(shù)值模式在近三年梅汛期中的24 h暴雨預(yù)報(bào)質(zhì)量進(jìn)行評(píng)分,結(jié)果如圖1。在三年的整體評(píng)估中(圖1a), CMA-GFS預(yù)報(bào)質(zhì)量明顯低于其他四家模式,空報(bào)率和漏報(bào)率均較高,表明該模式對暴雨帶的位置把握較差,而NCEP-GFS則以漏報(bào)偏多為主要問題,表明其預(yù)報(bào)的降水強(qiáng)度偏弱,兩個(gè)模式的頻率偏差明顯偏低,預(yù)報(bào)的暴雨站點(diǎn)數(shù)僅為觀測的一半。對比ECMWF、CMA-SH9和CMA-MESO可以發(fā)現(xiàn),中尺度模式均表現(xiàn)出明顯的暴雨過報(bào)問題,頻率偏差超過1.70,而ECMWF全球模式則表現(xiàn)更好。

注：曲線和射線分別代表TS評(píng)分和頻率偏差FB。圖1 (a)2019—2021年三年梅汛期以及(b)2019年,(c)2020年,(d)2021年梅汛期各模式24 h暴雨預(yù)報(bào)綜合評(píng)分Fig.1 Comprehensive score diagram of 24 h torrential rain (≥50 mm·d-1) from five models’ forecasts during the Meiyu period of (a) 2019-2021, (b) 2019, (c) 2020 and (d) 2021

分析各模式在不同年份的暴雨預(yù)報(bào)質(zhì)量可以發(fā)現(xiàn),盡管各年梅汛期暴雨情況不同(圖1b～1d),但ECMWF、CMA-SH9和CMA-MESO的暴雨預(yù)報(bào)有著基本相似的關(guān)系,即ECMWF的暴雨TS評(píng)分介于CMA-SH9和CMA-MESO之間,同時(shí)頻率偏差最低,而CMA-MESO和CMA-SH9則空報(bào)較多,頻率偏差明顯偏大。NCEP-GFS的暴雨預(yù)報(bào)與前三者相比,逐年評(píng)分波動(dòng)大,特別是對2020年超長梅汛期的暴雨漏報(bào)率過高,TS評(píng)分明顯低于前三家模式。CMA-GFS模式在2020—2021年出現(xiàn)明顯的漏報(bào)和空報(bào),使得其TS評(píng)分明顯下降。

從各模式的逐年評(píng)分表現(xiàn)來看,ECMWF、CMA-SH9和CMA-MESO表現(xiàn)優(yōu)于NCEP-GFS和CMA-GFS,且暴雨評(píng)分較為接近,可用于開展多模式集成預(yù)報(bào),提高梅汛期暴雨客觀預(yù)報(bào)質(zhì)量。

2.2 不同訂正方案在2020年和2021年梅汛期中的應(yīng)用評(píng)估

對ECMWF、CMA-SH9、CMA-MESO分別應(yīng)用頻率匹配(FM)、最優(yōu)評(píng)分法(OTS)、頻率匹配和集合平均概率匹配的融合算法(FM-PM)、最優(yōu)評(píng)分法和集合平均概率匹配的融合算法(OTS-PM)、多模式平均算法(AVG)、多模式分級(jí)最優(yōu)集成算法(OW)和自適應(yīng)集成算法(ADP)、基于三家模式三個(gè)起報(bào)時(shí)次的多模式時(shí)滯集合分級(jí)訂正算法(LAF)、對單模式FM結(jié)果進(jìn)行AVG訂正(AVG-FM)、對單模式OTS結(jié)果分別應(yīng)用AVG訂正(AVG-OTS)和OW訂正(OW-OTS)以及LAF訂正(LAF-OTS),共12組訂正方案開展2020年和2021年梅汛期降水預(yù)報(bào)訂正,分析對比各訂正方案對于模式梅汛期暴雨預(yù)報(bào)的改進(jìn)。各訂正方案所使用的數(shù)值模式和方案描述詳見表1。

表1 各訂正方案使用的數(shù)值模式與算法描述Table 1 Descriptions for 12 correction schemes and NWP models used in each scheme

圖2給出了2020年和2021年兩年梅汛期以及分年梅汛期的暴雨預(yù)報(bào)訂正檢驗(yàn)結(jié)果。從圖2a中兩年平均的訂正評(píng)估結(jié)果來看,由于ECMWF頻率偏差不明顯,在應(yīng)用FM方案訂正后,其暴雨評(píng)分略有下降,FM-PM方案暴雨評(píng)分高于FM方案,但仍低于ECMWF預(yù)報(bào)。從分年的結(jié)果看(圖2b,2c),由于不同年份梅汛期暴雨特征差異大,如2021年的梅汛期由對流性暴雨主導(dǎo),ECMWF模式出現(xiàn)了明顯的漏報(bào)(不同于2020年),這導(dǎo)致基于歷史訓(xùn)練期的FM和FM-PM方案訂正效果不佳。

注：曲線和射線分別代表TS評(píng)分和頻率偏差FB。圖2 (a)2020—2021年兩年梅汛期以及(b)2020年,(c)2021年梅汛期ECMWF、CMA-SH9和CMA-MESO數(shù)值模式與12組訂正方案暴雨預(yù)報(bào)的綜合性能對比Fig.2 Performance comparison of torrential rain forecasts for 3 NWP models and 12 correction schemes during the Meiyu period of (a) 2020-2021, (b) 2020 and (c) 2021

OTS算法通過優(yōu)化模式預(yù)報(bào)的TS評(píng)分,大幅提高暴雨預(yù)報(bào)TS評(píng)分(達(dá)2.2%),但頻率偏差也上升到中尺度模式的水平。OTS-PM方案進(jìn)一步提高了暴雨預(yù)報(bào)TS評(píng)分,從逐年分析看,2020年該方案在OTS基礎(chǔ)上提升了2.6%,但在2021年下降了0.9%,這是由ECMWF集合預(yù)報(bào)空間分辨率低,對于2021年的對流性暴雨預(yù)報(bào)效果不佳所致。可見對于以大雨帶穩(wěn)定性降水較多的2020年梅汛期暴雨,OTS-PM方案能夠非常有效地提高暴雨預(yù)報(bào)質(zhì)量。

使用優(yōu)選的數(shù)值預(yù)報(bào)進(jìn)行AVG和ADP算法訂正均能夠有效提高梅汛期暴雨預(yù)報(bào)水平,由于優(yōu)選模式間相對接近的性能表現(xiàn),使用三個(gè)模式進(jìn)行AVG訂正后,TS評(píng)分較最優(yōu)的CMA-MESO提高了4.1%,且頻率偏差更加合理,ADP訂正與AVG訂正效果相當(dāng)。AVG-FM方案由于中尺度模式頻率匹配后頻率偏差明顯下降且各模式落區(qū)不一致,使得平均后漏報(bào)率明顯增加,未能有效提高暴雨預(yù)報(bào)效果。AVG-OTS方案在兩年的梅汛期暴雨預(yù)報(bào)中均取得較好訂正效果,由于OTS算法傾向于擴(kuò)大雨區(qū)而提高TS評(píng)分,這使得再進(jìn)行多模式平均時(shí),強(qiáng)降水重合度將更高,頻率偏差下降不明顯,而梅汛期暴雨TS評(píng)分顯著提升,較CMA-MESO提高了5.9%,較OTS預(yù)報(bào)提高了4.9%。

與AVG算法訂正結(jié)果類似,OW算法訂正預(yù)報(bào)優(yōu)于三個(gè)模式的單獨(dú)預(yù)報(bào),但評(píng)分的提升不及AVG算法訂正;并且,由于在各量級(jí)分別應(yīng)用權(quán)重融合,雖然能夠使得融合后強(qiáng)降水量級(jí)衰減效應(yīng)減弱,但由于所使用的中尺度模式暴雨空報(bào)偏高,導(dǎo)致訂正后的頻率偏差高于AVG訂正。OW-OTS方案同樣不及AVG-OTS方案。

2.3 各訂正方案對不同類型梅汛期暴雨過程訂正技巧的對比分析

為進(jìn)一步分析不同訂正方案的優(yōu)缺點(diǎn),利用最大小時(shí)雨量超過20 mm的暴雨站點(diǎn)比例區(qū)分穩(wěn)定性暴雨和對流性暴雨,在兩類暴雨過程中選取典型暴雨個(gè)例進(jìn)行不同訂正算法的訂正效果對比。兩個(gè)個(gè)例分別為2020年6月29—30日浙中地區(qū)對流性大暴雨過程和2020年6月21—22日浙北地區(qū)穩(wěn)定性暴雨過程。

2020年6月29—30日的暴雨過程為高空冷槽和低層冷切變型暴雨過程。本次過程對流性強(qiáng),雨帶中對流性暴雨站點(diǎn)占比達(dá)87%。實(shí)際業(yè)務(wù)中發(fā)現(xiàn),對此類過程ECMWF預(yù)報(bào)雨帶位置常偏北,預(yù)報(bào)員通?；趥€(gè)人經(jīng)驗(yàn)將其預(yù)報(bào)的雨帶向南訂正,分析客觀訂正算法對此類過程的適用性有助于提高業(yè)務(wù)預(yù)報(bào)質(zhì)量。圖3給出了各數(shù)值模式和客觀訂正方案預(yù)報(bào)以及站點(diǎn)觀測的降水,實(shí)況暴雨主體位于切變南側(cè)暖區(qū)低空急流區(qū)內(nèi),ECMWF將暴雨落區(qū)報(bào)在低層切變線附近,雨帶較實(shí)況偏北50～100 km,CMA-SH9和CMA-MESO均較好地預(yù)報(bào)了雨帶位置(圖3a～3c)。FM訂正減弱了ECMWF的降水量級(jí)使得暴雨范圍縮小,進(jìn)一步放大了雨帶位置偏差,TS評(píng)分下降, FM-PM方案調(diào)整落區(qū)使得雨帶整體向南移動(dòng)了50～70 km,但由于FM訂正后的暴雨雨帶范圍小,移動(dòng)后評(píng)分提升有限(圖3d,3f)。OTS訂正明顯擴(kuò)大了ECMWF的暴雨區(qū)范圍,在雨帶東西兩端部分抵消了位置偏差引起的漏報(bào)問題,TS評(píng)分有所提升,但頻率偏差明顯上升,空報(bào)嚴(yán)重(圖3e)。與FM-PM方案類似,OTS-PM方案對雨帶位置調(diào)整后相對于OTS有正技巧(圖3g)。四種多模式集成算法(AVG、OW、LAF和ADP,圖3h～3k)均明顯改善了雨帶的位置偏差,TS評(píng)分大幅提高到0.4左右,由于OW和LAF暴雨區(qū)范圍偏小,其評(píng)分略低于AVG和ADP訂正。在對單模式進(jìn)行量級(jí)訂正后再開展集成的方案中(圖3l～3o),AVG-FM方案預(yù)報(bào)的暴雨范圍明顯縮小,漏報(bào)明顯,而AVG-OTS、OW-OTS方案預(yù)報(bào)的雨帶位置和暴雨中心的降水強(qiáng)度均更合理,但頻率偏差稍高于不進(jìn)行量級(jí)訂正的AVG和OW預(yù)報(bào),而LAF-OTS方案預(yù)報(bào)的暴雨雨帶位置與實(shí)況最為接近,TS評(píng)分最高,但對雨帶西段暴雨中心降水強(qiáng)度有所低估,實(shí)況發(fā)生的大暴雨未能得到較好體現(xiàn)。

圖4給出了浙北地區(qū)2020年6月21—22日的暴雨過程,本次暴雨過程發(fā)生在高空脊前西北氣流下的低層暖切變線中,以穩(wěn)定性降水為主,暴雨站點(diǎn)中僅有17%的站點(diǎn)最大小時(shí)雨量超過20 mm。三家數(shù)值模式中(圖4a～4c),ECMWF和CMA-SH9均較好地預(yù)報(bào)了浙北北部的暴雨區(qū),但都漏報(bào)了杭州東部到舟山一帶的暴雨,此外CMA-SH9對杭州西部的分散性暴雨和浙中一帶局地對流性暴雨也出現(xiàn)了非常明顯的空報(bào),CMA-MESO對本次暴雨過程基本無漏報(bào),但在浙北南部出現(xiàn)了明顯的空報(bào),雖然其TS評(píng)分明顯高于ECMWF和CMA-SH9,但頻率偏差也明顯偏高、空報(bào)嚴(yán)重。FM訂正略減弱了降水量級(jí),使得暴雨區(qū)進(jìn)一步縮小,評(píng)分相較于ECMWF 略有下降,而OTS訂正明顯增強(qiáng)了暴雨強(qiáng)度,暴雨區(qū)范圍明顯擴(kuò)大,使得漏報(bào)問題緩解,TS評(píng)分明顯上升(圖4d,4e)。由于集合平均場對本次穩(wěn)定性暴雨過程雨帶位置預(yù)報(bào)較好,FM-PM方案和OTS-PM方案預(yù)報(bào)的暴雨位置和范圍均優(yōu)于FM和OTS預(yù)報(bào),TS評(píng)分相較于未經(jīng)PM訂正的預(yù)報(bào)提升了15%以上(圖4f,4g)。四種多模式集成算法(AVG、OW、LAF和ADP,圖4h～4k)預(yù)報(bào)的暴雨評(píng)分均優(yōu)于ECMWF和CMA-SH9,低于CMA-MESO。對比AVG-FM和AVG-OTS方案(圖4l,4m),后者明顯優(yōu)于前者,且AVG-OTS方案也優(yōu)于各模式和OTS訂正。對比三種算法集成各模式經(jīng)OTS訂正的預(yù)報(bào)(AVG-OTS、OW-OTS和LAF-OTS,圖4m～4o),LAF-OTS方案明顯優(yōu)于AVG-OTS和OW-OTS方案集成,這主要得益于其暴雨空報(bào)率低于后兩者。

注：根據(jù)最大1 h累計(jì)降水量R1是否達(dá)到20 mm劃分為對流性(三角)和穩(wěn)定性降水(離散圓點(diǎn));根據(jù)24 h累計(jì)降水R24閾值劃分為暴雨(藍(lán)色)、大暴雨(粉色)和特大暴雨(紫色),以不同顏色區(qū)分標(biāo)注。各分圖中,左上角和右上角分別為暴雨TS評(píng)分和預(yù)報(bào)頻率偏差FB,右下角為各模式或訂正方案名稱。圖4 2020年6月20日12時(shí)起報(bào)的(a～c)各模式和(d～o)各客觀訂正方案預(yù)報(bào)的12～36 h時(shí)效累計(jì)降水(填色)與對應(yīng)的站點(diǎn)降水實(shí)況Fig.4 The 12-36 h accumulated rainfall forecast (colored) of (a-c) 3 NWP models and (d-o) 12 correction schemes initialized at 12 UTC 20 June 2020 and the corresponding rainfall observations

為進(jìn)一步對比分析各訂正方案在不同對流性強(qiáng)度暴雨過程中的優(yōu)劣,統(tǒng)計(jì)了逐日暴雨過程中各方案評(píng)分,并計(jì)算暴雨站點(diǎn)中最大小時(shí)雨量超過20 mm 的站點(diǎn)比例用以指示暴雨過程的對流性程度(圖5)。從圖中可以看出,FM、FM-PM以及AVG-FM方案整體表現(xiàn)不佳。OTS算法明顯優(yōu)于FM算法,且該方法在穩(wěn)定性為主的暴雨過程(R<0.42)中表現(xiàn)優(yōu)秀,表明ECMWF對此類暴雨過程雨帶位置具有較好的預(yù)報(bào)能力,OTS-PM方案能夠進(jìn)一步改進(jìn)暴雨TS評(píng)分,對于穩(wěn)定性暴雨過程該方案整體表現(xiàn)十分出色,在多次大過程中為最優(yōu)方案,但對于對流性較強(qiáng)的暴雨過程表現(xiàn)一般,這表明ECMWF集合平均的強(qiáng)降水落區(qū)對于對流性較強(qiáng)的暴雨雨帶位置預(yù)報(bào)能力較差。多模式集成算法整體優(yōu)于單模式訂正算法,而對各模式開展OTS訂正降水量級(jí)后再進(jìn)行多模式集成訂正(AVG-OTS、OW-OTS和LAF-OTS方案)預(yù)報(bào)的暴雨TS評(píng)分整體優(yōu)于其他算法,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,三者中LAF-OTS方案訂正的暴雨TS評(píng)分更優(yōu)。

注：R為暴雨站點(diǎn)中最大小時(shí)雨量達(dá)20 mm以上的站點(diǎn)比例,表格中的暴雨過程按R降序排列,各方案評(píng)分按由高到低填深紅到深藍(lán)色。圖5 超100個(gè)站出現(xiàn)暴雨的逐日暴雨過程中各客觀訂正方案的暴雨預(yù)報(bào)TS評(píng)分對比Fig.5 Comparison of the daily TS score of the torrential rain forecasted by 12 correction schemes

3 結(jié)論和討論

本文利用2019—2021年浙江省的自動(dòng)站觀測和多種業(yè)務(wù)模式降水預(yù)報(bào)資料,分析了各業(yè)務(wù)模式近幾年對浙江梅汛期暴雨的預(yù)報(bào)性能,通過采用頻率匹配、概率匹配、最優(yōu)評(píng)分法、多模式分級(jí)最優(yōu)集成、自適應(yīng)集成、多模式時(shí)滯集合預(yù)報(bào)以及量級(jí)訂正后再集成共12組客觀訂正方案開展了2020年和2021年浙江省梅汛期暴雨的客觀訂正預(yù)報(bào),分析對比了各訂正方案對模式暴雨預(yù)報(bào)的改進(jìn)效果。主要得到以下結(jié)論：

(1)五類常用數(shù)值模式梅汛期暴雨預(yù)報(bào)檢驗(yàn)評(píng)估結(jié)果表明,ECMWF、CMA-SH9和CMA-MESO表現(xiàn)整體較好且預(yù)報(bào)性能接近,但中尺度模式空報(bào)偏多,預(yù)報(bào)頻率偏差較大,而全球模式中NCEP-GFS漏報(bào)問題突出,逐年預(yù)報(bào)質(zhì)量波動(dòng)大,CMA-GFS由于漏報(bào)和空報(bào)問題均較嚴(yán)重,對梅汛期暴雨的預(yù)報(bào)質(zhì)量明顯低于其他模式;

(2)由于不同年份梅汛期暴雨特征差異大,頻率匹配算法無法對預(yù)報(bào)進(jìn)行有效訂正,而最優(yōu)評(píng)分法能提升模式暴雨,特別是穩(wěn)定性暴雨預(yù)報(bào)的TS評(píng)分,但空報(bào)率有所增加,預(yù)報(bào)頻率偏差上升;

(3)OTS-PM方案能夠明顯改善以大雨帶穩(wěn)定性降水為主的梅汛期暴雨預(yù)報(bào)質(zhì)量,但對于對流性降水主導(dǎo)的梅汛期暴雨訂正效果不佳;

(4)優(yōu)選成員的多模式融合算法均能夠有效改進(jìn)梅汛期內(nèi)對流性較強(qiáng)的暴雨過程預(yù)報(bào)質(zhì)量,包括多模式平均、自適應(yīng)集成和時(shí)滯集合預(yù)報(bào)在不同年份均有明顯正技巧,但對于穩(wěn)定性暴雨過程整體表現(xiàn)一般;

(5)對各模式經(jīng)OTS訂正量級(jí)后再進(jìn)行多模式集成能夠進(jìn)一步提高梅汛期暴雨預(yù)報(bào)質(zhì)量,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,其中LAF-OTS方案表現(xiàn)最優(yōu),提升幅度最大。

本文通過對浙江省梅汛期暴雨開展數(shù)值模式和客觀訂正方案的預(yù)報(bào)效果檢驗(yàn),評(píng)估出適合浙江省梅汛期暴雨預(yù)報(bào)的客觀訂正方案,對梅汛期暴雨預(yù)報(bào)訂正提供了有益的參考。由于對算法模型參數(shù)的調(diào)優(yōu)可能進(jìn)一步提升算法的暴雨預(yù)報(bào)質(zhì)量,從而對評(píng)估結(jié)果產(chǎn)生影響,對這一問題還需要進(jìn)行更深入細(xì)致的討論。