浙江區(qū)域臺風(fēng)暴雨多模式QPF融合技術(shù)應(yīng)用試驗

姚夢穎，吳夢雯，劉建勇，婁小芬，鄭林曄

摘要：基于歐洲中期天氣預(yù)報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）臺風(fēng)路徑集合預(yù)報以及中國氣象局中尺度天氣數(shù)值預(yù)報系統(tǒng)（CMA-MESO 3 km、CMA-MESO 10 km）、中國氣象局上海數(shù)值預(yù)報模式系統(tǒng)（CMA-SH9）和浙江省中尺度數(shù)值預(yù)報業(yè)務(wù)系統(tǒng)（ZJWARMS）模式逐6 h預(yù)報資料，以2021年臺風(fēng)“煙花”“燦都”影響下浙江區(qū)域6 h暴雨（R≥25 mm）為研究對象，對臺風(fēng)降水多模式定量降水預(yù)報（quantitative precipitation forecast，QPF）融合技術(shù)在浙江臺風(fēng)暴雨預(yù)報中的應(yīng)用效果進(jìn)行評估。分析結(jié)果表明：（1）針對兩次臺風(fēng)降水過程，4家區(qū)域模式對浙江暴雨預(yù)報過高估計，而臺風(fēng)降水多模式QPF融合技術(shù)能夠有效提高浙江暴雨預(yù)報的公平技巧評分（equitable threat score，ETS）、降低暴雨空報率。（2）與臺風(fēng)“煙花”暴雨預(yù)報效果最佳的CMA-MESO 3 km相比，臺風(fēng)降水多模式QPF融合技術(shù)對暴雨和大暴雨的預(yù)報命中率（probability of detection，POD）分別提高18.80%和23.41%，ETS分別提高24.37%和25.76%；與臺風(fēng)“燦都”暴雨預(yù)報效果最佳的ZJWARMS相比，臺風(fēng)降水多模式QPF融合技術(shù)對暴雨和大暴雨的預(yù)報ETS分別提高23.08%和3.23%；且兩次過程中該方法的暴雨預(yù)報POD和ETS均高于同期浙江業(yè)務(wù)應(yīng)用的客觀預(yù)報。（3）在各家區(qū)域模式的臺風(fēng)路徑預(yù)報差異較大的情況下，采用臺風(fēng)降水多模式QPF融合技術(shù)能顯著提高臺風(fēng)暴雨預(yù)報準(zhǔn)確率。

關(guān)鍵詞：臺風(fēng)暴雨；概率匹配；集合預(yù)報；區(qū)域模式

中圖分類號：P445.1；P458.3? ? 文獻(xiàn)標(biāo)志碼：A? 文章編號：2096-3599（2023）02-0001-00

DOI：10.19513/j.cnki.issn2096-3599.2023.02.006

Application experiment of multi-model QPF fusion method for Zhejiang typhoon rainstorm

YAO Mengying1， WU Mengwen2，1， LIU Jianyong1， LOU Xiaofen3， ZHENG Linye4

（1. Zhejiang Institute of Meteorological Sciences （Chinese Academy of Meteorological Sciences， Zhejiang Branch）， Hangzhou 310008， China; 2. State Key Laboratory of Severe Weather， Chinese Academy of Meteorological Sciences， Beijing 100081， China; 3. Zhejiang Meteorological Observatory， Hangzhou 310007， China; 4. Fujian Meteorological Observatory， Fuzhou 350001， China）

Abstract： Taking Typhoon Infa （2106） and Chanthu （2114） as examples， this study investigates whether the multi-model QPF （quantitative precipitation forecast） fusion method is found to add values to the predicted 6-h heavy precipitation （R≥25 mm） of typhoon rainstorm in Zhejiang compared to other model forecasts. The model forecasts include precipitation and typhoon track from ECMWF （European Centre for Medium-Range Weather Forecasts） typhoon track ensemble， CMA-MESO 3 km， CMA-MESO 10 km， CMA-SH9， and ZJWARMS （Zhejiang WRF ADAS Real_time Modeling System）. The analysis results are listed as follows. （1） For the two typhoon precipitation processes， all of the 4 regional models overestimate the rainstorm in Zhejiang. In contrast， the multi-model QPF fusion method can effectively improve the ETS （equitable threat score） and reduce the false alarm ratio of rainstorm forecast. （2） Compared with the best regional model for forecasting Typhoon Infa （2106）， i.e.， CMA-MESO 3 km， the multi-model QPF fusion method can increase the POD （probability of detection） of rainstorm and heavy rainstorm by 18.80% and 23.41%， and increase the ETS of rainstorm and heavy rainstorm by 24.37% and 25.76%， respectively. Similarly， compared with the best regional model for forecasting Typhoon Chanthu （2114）， i.e.， ZJWARMS， the new method also improves the ETS of rainstorm and heavy rainstorm by 23.08% and 3.23%， respectively. And both of the methods ETS and the POD are higher than the operational objective forecast of Zhejiang in the two case studies. （3） Furthermore， when there are large differences in the typhoon track forecasts between several regional models， the multi-model QPF fusion method can significantly increase the accuracy of typhoon rainstorm forecast.

Keywords： typhoon rainstorm; probability matching; ensemble forecast; regional model

引言

浙江省地處東南沿海，受亞熱帶季風(fēng)氣候帶和東風(fēng)帶天氣系統(tǒng)的雙重影響，再疊加“七山二水一分田”的特殊地貌作用，各種氣象災(zāi)害頻繁發(fā)生。臺風(fēng)作為夏秋兩季影響浙江的主要天氣系統(tǒng)之一，一直是氣象部門與民生部門工作的關(guān)注重點。由臺風(fēng)系統(tǒng)引發(fā)的災(zāi)害中，臺風(fēng)暴雨以其雨量大和強(qiáng)度強(qiáng)的特點，常引發(fā)中小河流洪水和特大山洪，是防臺工作的關(guān)注重點之一[1]。而臺風(fēng)暴雨是多尺度環(huán)流相互作用并在下墊面影響下形成的災(zāi)害性天氣，其機(jī)理復(fù)雜，預(yù)報難度較大，因此提高臺風(fēng)暴雨預(yù)報能力一直是氣象業(yè)務(wù)、科研部門的關(guān)注重點與研究難點。

近年來隨著數(shù)值預(yù)報技術(shù)的快速發(fā)展，臺風(fēng)路徑預(yù)報能力已得到大幅度提升，然而相比于路徑預(yù)報，登陸臺風(fēng)的強(qiáng)降水落區(qū)和量級預(yù)報的準(zhǔn)確率還具有很大的提升空間[2-4]。為了推進(jìn)臺風(fēng)暴雨預(yù)報業(yè)務(wù)的發(fā)展，國內(nèi)外學(xué)者和業(yè)務(wù)工作者主要從數(shù)值模式、統(tǒng)計方法以及數(shù)值模式預(yù)報后處理技術(shù)等方面開展研究工作[5]。有研究表明，臺風(fēng)降水預(yù)報的準(zhǔn)確率會受臺風(fēng)中心位置、移動方向、降水持續(xù)時間以及降水效率等諸多因素的影響[6-7]。從業(yè)務(wù)預(yù)報的角度來看，要準(zhǔn)確預(yù)報臺風(fēng)暴雨就要準(zhǔn)確預(yù)報臺風(fēng)暴雨的落區(qū)和強(qiáng)度，而臺風(fēng)中心位置和移動路徑對臺風(fēng)暴雨的落區(qū)分布有重要影響[5]。隨著集合預(yù)報的不斷發(fā)展，集合預(yù)報的路徑預(yù)報準(zhǔn)確率從某種程度上已經(jīng)超過模式確定性預(yù)報，因此，在臺風(fēng)預(yù)報業(yè)務(wù)中，發(fā)展基于集合預(yù)報路徑的臺風(fēng)暴雨釋用方法已成為當(dāng)前提高臺風(fēng)降水業(yè)務(wù)預(yù)報準(zhǔn)確率和防災(zāi)減災(zāi)效果的可行手段。杜鈞等[8]、李俊等[9]研究發(fā)現(xiàn)，將高分辨率模式和集合預(yù)報技術(shù)結(jié)合起來，可以提高定量降水預(yù)報準(zhǔn)確率。集合平均是一種常用的集合預(yù)報統(tǒng)計后處理方法，但會傾向于低估強(qiáng)降水預(yù)報而高估弱降水預(yù)報[10-13]，Ebert[11]用概率匹配方法替代集合平均方法對集合預(yù)報結(jié)果進(jìn)行訂正，從而有效減少了降水空報率，提高了大量級降水預(yù)報命中率。周迪等[14]研究發(fā)現(xiàn)，概率匹配方法可以有效訂正暴雨集合預(yù)報系統(tǒng)性誤差，對暴雨預(yù)報的漏報率和空報率都能有所改善。Liu等[15]基于傳統(tǒng)等權(quán)概率匹配方法，提出一種改進(jìn)的加權(quán)滑動平均概率匹配方法，并利用3個高時空分辨率（3 km，每小時）數(shù)值模式（CMA-MESO 3km、CMA-GD、CMA-SH3）預(yù)報，對臺風(fēng)“莫拉克”（2020）暴雨預(yù)報進(jìn)行訂正試驗，研究結(jié)果表明，改進(jìn)后的概率匹配方法能顯著提高臺風(fēng)暴雨預(yù)報能力。Fang等[16]利用低分辨率的全球集合平均路徑作為參考路徑，選取與該路徑相近的高分辨率集合預(yù)報成員來預(yù)測臺風(fēng)暴雨分布的空間結(jié)構(gòu)和降水量，取得了較好的改進(jìn)效果。由于全球集合預(yù)報系統(tǒng)的臺風(fēng)路徑預(yù)報集合平均產(chǎn)品有較高的可靠性，而區(qū)域模式對局地-區(qū)域暴雨及以上量級降水分布的精細(xì)化特征有較好的預(yù)報能力[17-18]，陳博宇等[5]延續(xù)Fang等[16]的研究思路，利用歐洲中期天氣預(yù)報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）和美國國家環(huán)境預(yù)報中心（National Centers for Environmental Prediction，NCEP）臺風(fēng)路徑集合預(yù)報，結(jié)合國內(nèi)主要業(yè)務(wù)區(qū)域模式，對已投入業(yè)務(wù)應(yīng)用的基于觀測的集合成員優(yōu)選技術(shù)進(jìn)行改進(jìn)，研究表明，改進(jìn)得到的臺風(fēng)降水多模式定量降水預(yù)報（quantitative precipitation forecast，QPF）融合技術(shù)能在一定程度上提高臺風(fēng)暴雨預(yù)報準(zhǔn)確性。

本文充分考慮浙江區(qū)域臺風(fēng)影響的多發(fā)性以及防臺工作對民生工作的重要性，借鑒陳博宇等[5]的研究思路，對2021年浙江區(qū)域臺風(fēng)“煙花”“燦都”影響過程中臺風(fēng)降水多模式QPF融合技術(shù)的暴雨預(yù)報能力進(jìn)行評估，以檢驗該方法在浙江區(qū)域臺風(fēng)降水業(yè)務(wù)應(yīng)用的可行性，以期為預(yù)報員提供更具有參考價值的臺風(fēng)暴雨預(yù)報釋用產(chǎn)品。

1 資料與方法

1.1 資料說明

受2021年第6號臺風(fēng)“煙花”影響，浙江區(qū)域主要降水時段為7月22日00時—27日12時（世界時，下同）（圖1a）。在副熱帶高壓、臺風(fēng)“煙花”以及南海熱帶低壓“查帕卡”外圍西南季風(fēng)氣流的共同影響下，浙江多個國家級氣象觀測站降水量突破1951年以來登陸浙江的臺風(fēng)記錄，單站最大降水量達(dá)1 034 mm，出現(xiàn)在余姚大嵐鎮(zhèn)丁家畈，接近1323號臺風(fēng)“菲特”單站降雨量極值（1 056 mm，出現(xiàn)在安吉天荒坪）[19]。受2021年第14號臺風(fēng)“燦都”影響，浙江區(qū)域主要降水時段為9月12日00時—14日00時（圖1b），臺風(fēng)“燦都”路徑較“煙花”偏東，在“燦都”的影響下暴雨及以上量級降水主要出現(xiàn)在寧波、舟山、臺州、紹興等地，寧波局地出現(xiàn)特大暴雨[20]。

考慮到實際業(yè)務(wù)預(yù)報中，由于模式運行、后處理及資料傳輸?shù)仍?，集合預(yù)報資料的獲取存在12 h的滯后（例如：在00時中作為06時的預(yù)報，為前一天12時起報的18 h預(yù)報時效的預(yù)報）[21]，因此，模式預(yù)報資料皆考慮延時時效。本文采用的臺風(fēng)路徑集合預(yù)報資料為ECMWF集合預(yù)報系統(tǒng)在2021年7月21日12時—26日12時、2021年9月11日12時—13日00時逐12 h起報的臺風(fēng)路徑集合預(yù)報資料，共51個集合成員，包含1個控制預(yù)報和50個擾動預(yù)報，水平分辨率為0.5°×0.5°。區(qū)域模式包括與集合預(yù)報同時次起報的CMA-MESO 3 km（水平分辨率為0.03°×0.03°），CMA-MESO 10 km（水平分辨率為0.1°×0.1°），CMA-SH9（水平分辨率為0.09°×0.09°）以及浙江省中尺度數(shù)值預(yù)報業(yè)務(wù)系統(tǒng)（Zhejiang WRF ADAS real_time modeling system，ZJWARMS；水平分辨率為0.125°×0.125°），使用這些區(qū)域模式中的海平面氣壓場和降水資料。采用的臺風(fēng)路徑觀測資料為國家氣象中心臺風(fēng)與海洋氣象預(yù)報中心提供的臺風(fēng)實時定位資料，降水觀測資料為研究區(qū)域（26?～32?N，117?～123?E）內(nèi)自動氣象觀測站逐小時累計降水觀測資料。業(yè)務(wù)客觀預(yù)報資料包括浙江省氣象臺提供的ZJ-OCF（Zhejiang Objective Consensus Forecasting）和歐洲中期天氣預(yù)報中心全球業(yè)務(wù)模式ECHR（ECMWF High-Resolution forecasting）降水資料。

1.2 研究方法

1.2.1 臺風(fēng)降水多模式QPF融合技術(shù)

臺風(fēng)降水多模式QPF融合技術(shù)包括兩部分：集合成員優(yōu)選與對優(yōu)選成員預(yù)報進(jìn)行概率匹配訂正。首先，基于ECMWF臺風(fēng)路徑集合預(yù)報和臺風(fēng)中心實時定位資料，選取模式起報后6 h臺風(fēng)中心位置預(yù)報偏差最小的前n個成員為優(yōu)選成員，并認(rèn)為這n個優(yōu)選成員同為預(yù)報時效為12 h時的優(yōu)選成員（陳博宇等[5]中認(rèn)為這n個優(yōu)選成員同為24 h預(yù)報時效內(nèi)的優(yōu)選成員），隨后將這n個優(yōu)選成員的預(yù)報路徑進(jìn)行集合平均，從而得到參與降水集合的區(qū)域模式的優(yōu)選參考路徑。依據(jù)優(yōu)選參考路徑，選取沿路徑逐6 h與臺風(fēng)中心位置偏差在最優(yōu)偏差閾值內(nèi)的區(qū)域模式的降水預(yù)報形成一組新的逐6 h降水集合（區(qū)域模式與參考路徑的臺風(fēng)中心位置最優(yōu)偏差閾值由區(qū)域模式優(yōu)選偏差范圍試驗決定）?；谛碌慕邓希酶怕势ヅ浞椒ㄟM(jìn)行降水集合預(yù)報后處理，并對得到的逐6 h降水預(yù)報進(jìn)行對比評估。在降水等級分類上，參考業(yè)務(wù)標(biāo)準(zhǔn)，定義暴雨為6 h累計降水量達(dá)25～60 mm，大暴雨為6 h累計降水量達(dá)60 mm及以上。為了便于敘述，后文將該研究方法簡記為QPF融合技術(shù)。

區(qū)域模式優(yōu)選偏差范圍試驗：首先計算逐6 h各區(qū)域模式與參考路徑的臺風(fēng)中心位置偏差，確定偏差閾值的整體范圍，其次以偏差評分和公平技巧評分（equitable threat score，ETS）為檢驗指標(biāo)，進(jìn)行不同偏差閾值的敏感性試驗，從而確定區(qū)域模式優(yōu)選的最佳偏差閾值。

概率匹配方法[5，11]：首先，將降水產(chǎn)品區(qū)域內(nèi)n個集合成員的所有格點（m個格點）的降水預(yù)報值（含m×n）從大到小排列，將該序列平分成m等份，保留每一份的中位數(shù)。其次，對每個格點上n個成員的預(yù)報計算平均，得到集合平均場，并將集合平均場中所有格點按數(shù)值從大到小的方式排列，保留各數(shù)值在平均場中的位置。最后，將保留下來的m份中位數(shù)序列與集合平均場序列從大到小一一對應(yīng)，用中位數(shù)序列中的數(shù)值替換對應(yīng)集合平均場中的平均值數(shù)值，即可得到概率匹配產(chǎn)品（圖2）。

1.2.2 預(yù)報檢驗方法

為消除模式分辨率不一致對評估結(jié)果的影響，首先采用雙線性插值方法將模式水平分辨率統(tǒng)一為0.1°×0.1°。采用的預(yù)報檢驗指標(biāo)包括偏差（Bias）評分、公平技巧評分（ETS）、空報率（false alarm rate，F(xiàn)AR）、漏報率（missing alarm rate，MAR）、命中率（probability of detection，POD）（表1）。檢驗指標(biāo)中，Bias評分越接近數(shù)值1，表示預(yù)報發(fā)生的格點數(shù)接近觀測出現(xiàn)的格點數(shù)；ETS越接近1，表示對應(yīng)的預(yù)報結(jié)果越準(zhǔn)確；其余皆為負(fù)向檢驗指標(biāo)，數(shù)值越小，對應(yīng)預(yù)報效果越好。

2 結(jié)果與分析

2.1最優(yōu)區(qū)域模式選擇

按照1.2.1節(jié)研究方法的介紹，用于區(qū)域模式優(yōu)選的最優(yōu)參考路徑在整個QPF融合技術(shù)方法中至關(guān)重要。本文針對最優(yōu)參考路徑的選擇，設(shè)計了路徑優(yōu)選試驗。在試驗中，計算研究時段內(nèi)包含不同優(yōu)選成員個數(shù)的集合平均路徑與觀測路徑的偏差。以臺風(fēng)“煙花”為例（圖3），在7月22日00時—27日12時時段內(nèi)，當(dāng)優(yōu)選成員個數(shù)為3，得到的參考路徑臺風(fēng)中心偏差均值最小。之后，根據(jù)最優(yōu)參考路徑設(shè)計區(qū)域模式優(yōu)選偏差范圍試驗，選擇QPF融合技術(shù)6 h暴雨預(yù)報能力最強(qiáng)時對應(yīng)的偏差閾值為區(qū)域模式優(yōu)選最佳偏差閾值（區(qū)域模式優(yōu)選的最佳偏差閾值定為1?）（圖4），并根據(jù)最佳偏差閾值選擇與參考路徑臺風(fēng)中心位置偏差小于1?的區(qū)域模式作為當(dāng)前時刻的最優(yōu)區(qū)域模式，從而得到各個時刻參與集合的最優(yōu)區(qū)域模式。類似可得，臺風(fēng)“燦都”暴雨過程中優(yōu)選成員個數(shù)為3，區(qū)域模式優(yōu)選的最佳偏差閾值為0.8?（圖略）。

2.2 區(qū)域模式降水預(yù)報性能評估

針對4家區(qū)域模式的臺風(fēng)“煙花”“燦都”暴雨預(yù)報性能，表2給出了臺風(fēng)影響浙江區(qū)域時段內(nèi)6 h暴雨、大暴雨預(yù)報檢驗。由ETS來看，臺風(fēng)“煙花”暴雨過程中CMA-MESO 3 km降水預(yù)報顯示出較高的預(yù)報技巧，對暴雨及大暴雨降水預(yù)報ETS最高；CMA-MESO 10 km在暴雨預(yù)報中的ETS僅次于CMA-MESO 3 km，暴雨預(yù)報能力較高；而在大暴雨預(yù)報中ZJWARMS的ETS僅次于CMA-MESO 3 km，預(yù)報質(zhì)量優(yōu)于CMA-MESO 10 km和CMA-SH9。臺風(fēng)“燦都”暴雨過程中，ZJAWRMS、CMA-MESO 3 km在暴雨、大暴雨預(yù)報中ETS得分較高，顯示出較高的暴雨預(yù)報技巧，其中ZJWARMS略優(yōu)于CMA-MESO 3 km。

由命中率（POD）、空報率（FAR）以及漏報率（MAR）來看，兩次臺風(fēng)暴雨過程中CMA-MESO 3 km、ZJWARMS的暴雨和大暴雨預(yù)報命中率相對較高，但4家區(qū)域模式都存在較高的空報率和漏報率，并隨著降水量級的增加，空報率和漏報率增大，預(yù)報能力下降。結(jié)合Bias評分可以注意到，暴雨、大暴雨預(yù)報命中率表現(xiàn)較好的模式，預(yù)報范圍較觀測偏大，空報率普遍大于漏報率。這說明兩次臺風(fēng)暴雨過程中，區(qū)域模式暴雨預(yù)報存在明顯濕偏差，臺風(fēng)暴雨過高估計是區(qū)域模式臺風(fēng)暴雨預(yù)報中主要存在的問題?？傮w而言，在臺風(fēng)“煙花” “燦都”影響下，CMA-MESO 3 km、ZJWARMS對浙江區(qū)域暴雨、大暴雨量級降水預(yù)報效果較佳，但與其他兩家區(qū)域模式一樣，隨著降水量級的增加，模式預(yù)報能力降低。

2.3 QPF融合技術(shù)降水預(yù)報性能評估

為評估QPF融合技術(shù)的預(yù)報技巧，對比表2中各家區(qū)域模式和QPF融合技術(shù)的6 h降水預(yù)報檢驗指標(biāo)可知，QPF融合技術(shù)在暴雨、大暴雨預(yù)報的ETS以及預(yù)報命中率上，相較于4家區(qū)域模式預(yù)報均有不同程度的提高。相較“煙花”過程臺風(fēng)暴雨預(yù)報能力最強(qiáng)的CMA-MESO 3 km，QPF融合技術(shù)的暴雨和大暴雨預(yù)報命中率分別提高18.80%、23.41%，ETS分別提高24.37%、25.76%；相較“燦都”過程臺風(fēng)暴雨預(yù)報能力最強(qiáng)的ZJWARMS，QPF融合技術(shù)的暴雨和大暴雨預(yù)報ETS分別提高了23.08%、3.23%。此外，采用QPF融合技術(shù)方法后，暴雨、大暴雨預(yù)報的空報率均低于其中3家模式；和大多數(shù)數(shù)值模式統(tǒng)計后處理方法一樣，QPF融合技術(shù)的降水預(yù)報能力會受限于各家區(qū)域模式原始預(yù)報質(zhì)量的約束，因此，認(rèn)為QPF融合技術(shù)方法具有一定的臺風(fēng)暴雨預(yù)報消空作用。暴雨和大暴雨的漏報率也均有明顯下降，尤其是大暴雨預(yù)報，在臺風(fēng)“煙花”暴雨過程中QPF融合技術(shù)的大暴雨漏報率相較于區(qū)域模式下降6.8%～23.7%，在臺風(fēng)“燦都”暴雨過程中QPF融合技術(shù)的大暴雨漏報率相較于區(qū)域模式下降2.32%～15.9%。由Bias評分來看，采用QPF融合技術(shù)后能在一定程度上有效降低暴雨預(yù)報與觀測之間的范圍偏差，有效降低大暴雨的Bias評分，使得預(yù)報范圍與觀測更為接近。結(jié)合以上分析發(fā)現(xiàn)，多模式QPF融合技術(shù)方法能夠有效提高浙江區(qū)域臺風(fēng)“煙花”“燦都”暴雨和大暴雨量級的降水預(yù)報準(zhǔn)確率，降低其空報率和漏報率，從而提高臺風(fēng)暴雨預(yù)報能力。

為更進(jìn)一步說明QPF融合技術(shù)方法在臺風(fēng)暴雨業(yè)務(wù)應(yīng)用的優(yōu)勢，表2中還給出了浙江業(yè)務(wù)應(yīng)用的客觀預(yù)報ZJ-OCF和ECHR相應(yīng)的6 h降水預(yù)報檢驗。從表2中可知，在臺風(fēng)“煙花”暴雨過程中，ZJ-OCF和ECHR的暴雨預(yù)報范圍較觀測偏小，對暴雨低估是主要存在的問題；在臺風(fēng)“燦都”暴雨過程中，ZJ-OCF和ECHR的暴雨預(yù)報范圍較觀測偏小為主，且暴雨空報率較高，大暴雨空報率、漏報率均為1，ZJ-OCF和ECHR在該過程中對浙江區(qū)域的暴雨、大暴雨預(yù)報能力較差。QPF融合技術(shù)在兩次臺風(fēng)暴雨過程中，無論是對暴雨還是大暴雨預(yù)報相較于ZJ-OCF和ECHR而言，ETS更高，命中率更高，漏報率更低。從防臺業(yè)務(wù)服務(wù)的角度來說，相較于ZJ-OCF和ECHR，QPF融合技術(shù)預(yù)報更能為預(yù)報員提供具有參考價值的臺風(fēng)暴雨預(yù)報產(chǎn)品。

2.4 QPF融合技術(shù)暴雨預(yù)報效果分析

為更加直觀且詳細(xì)地說明QPF融合技術(shù)對臺風(fēng)暴雨和大暴雨的預(yù)報效果，圖5給出了兩次臺風(fēng)暴雨過程中，即臺風(fēng)“煙花”（7月25日06—12時）和臺風(fēng)“燦都”（9月12日18時—13日00時）兩時段的4家區(qū)域模式和采用QPF融合技術(shù)得到的6 h累計降水預(yù)報與觀測的空間分布對比。

臺風(fēng)“煙花”影響浙江期間（7月25日06—12時），觀測到的浙江省內(nèi)主要暴雨區(qū)落在寧波至紹興域內(nèi)，呈東北—西南帶狀分布（圖5a1）。4家區(qū)域模式雖都對該暴雨區(qū)有所反映，但均存在一定的問題：CMA-MESO 3 km（圖5a3）在兩市交界處，大暴雨預(yù)報范圍較觀測偏大，紹興市存在暴雨漏報；CMA-MESO 10 km（圖5a4）未能報出兩市交界處的大暴雨，紹興市存在暴雨漏報；CMA-SH9（圖5a5）在寧波市內(nèi)存在明顯暴雨漏報，并且寧波、紹興兩市交界處的大暴雨也未能報出；ZJWARMS（圖5a6）則存在大量暴雨空報，大暴雨落區(qū)較觀測偏西且范圍偏大。此外，除CMA-MESO 3 km外，其余3家模式在嘉興市內(nèi)存在大量暴雨空報。QPF融合技術(shù)預(yù)報（圖5a2）在本時段內(nèi)，通過區(qū)域模式優(yōu)選，首先將存在大量暴雨空報的ZJWARMS預(yù)報排除，將其他3家與觀測更為相近的區(qū)域模式的降水落區(qū)和降水量級預(yù)報進(jìn)行集合。從圖5a2中可以看出，QPF融合技術(shù)可以有效減少嘉興市內(nèi)的暴雨空報，訂正紹興境內(nèi)的暴雨落區(qū)，保留CMA-MESO 3 km預(yù)報中的大暴雨預(yù)報，使得本時段的暴雨、大暴雨落區(qū)以及雨帶走向與觀測更為相近。

相似地，臺風(fēng)“燦都”影響浙江期間（9月12日18時—13日00時），觀測到的浙江省內(nèi)暴雨區(qū)主要落于寧波、紹興、臺州3市境內(nèi)，4家區(qū)域模式對該暴雨區(qū)均有一定的預(yù)報能力。其中，CMA-MESO 3 km（圖5b3）和ZJWARMS（圖5b6）的暴雨預(yù)報落區(qū)于觀測更為相似，而CMA-MESO 10 km（圖5b4）暴雨雨帶較觀測偏西北且量級偏大，CMA-SH9（圖5b5）暴雨落區(qū)較觀測明顯偏大且暴雨、大暴雨量級降水存在大量空報。QPF融合預(yù)報技術(shù)在本時段內(nèi)，通過區(qū)域模式優(yōu)選，將本時段內(nèi)暴雨預(yù)報能力相對較差的CMA-MESO 10 km和CMA-SH9預(yù)報排除，通過概率匹配方法將暴雨預(yù)報能力相對較強(qiáng)的CMA-MESO 3 km和ZJWARMS預(yù)報進(jìn)行集合。對比觀測（圖5b1）、QPF融合預(yù)報（圖5b2）、CMA-MESO 3 km（圖5b3）和ZJWARMS（圖5b6）的降水空間分布可知，QPF融合技術(shù)有效集合了CMA-MESO 3 km、ZJWARMS的暴雨預(yù)報信息，保留了CMA-MESO 3 km寧波區(qū)域內(nèi)的大暴雨預(yù)報，訂正了本時段內(nèi)浙江區(qū)域內(nèi)的暴雨空報，使QPF融合技術(shù)的暴雨預(yù)報較CMA-MESO 3 km、ZJWARMS而言，在暴雨、大暴雨落區(qū)及降水量級上與觀測更為相近。因此，QPF融合技術(shù)有效提高了本時段的臺風(fēng)暴雨預(yù)報能力。

臺風(fēng)降水預(yù)報除了會受到臺風(fēng)中心位置預(yù)報的影響，還會受到臺風(fēng)移動路徑預(yù)報的影響，而區(qū)域模式的臺風(fēng)路徑預(yù)報可大致分為預(yù)報相似和預(yù)報不同兩種情況。為檢驗這兩種不同的臺風(fēng)路徑預(yù)報條件下QPF融合技術(shù)對臺風(fēng)暴雨的預(yù)報能力，進(jìn)一步設(shè)計了不同路徑預(yù)報相似條件的QPF融合技術(shù)對臺風(fēng)暴雨預(yù)報能力的評估試驗。試驗中，以臺風(fēng)“煙花”影響的7月25日00—06時代表區(qū)域模式路徑預(yù)報相似個例，以臺風(fēng)“煙花”影響的7月25日12—18時和臺風(fēng)“燦都”影響的9月13日00—06時代表區(qū)域模式路徑預(yù)報相異個例，對這兩類路徑預(yù)報條件的QPF融合技術(shù)臺風(fēng)暴雨的預(yù)報能力進(jìn)行分析。

圖6給出的是7月25日00—06時區(qū)域模式路徑預(yù)報相似案例。由圖6a1可知，4家區(qū)域模式預(yù)報的路徑位置相近，形態(tài)相似。由圖6a3—a7可以看到，QPF融合技術(shù)可以有效提取4家區(qū)域模式浙北臺風(fēng)暴雨預(yù)報，訂正浙中的暴雨空報，使得本時段內(nèi)的暴雨預(yù)報無論從落區(qū)形態(tài)，還是從降水量級上都能與觀測更為接近。然而，QPF融合技術(shù)雖然能在一定程度上減少湖州市內(nèi)暴雨空報，但依舊會受到CMA-MESO 10 km和CMA-SH9模式預(yù)報的影響，在湖州區(qū)域內(nèi)存在暴雨空報。此外，也會因為CMA-MESO 10 km、CMA-SH9和ZJWARMS在嘉興的大量暴雨空報，導(dǎo)致QPF融合技術(shù)在嘉興市內(nèi)存在大量暴雨空報，但QPF融合技術(shù)能對暴雨落區(qū)有一定的訂正。表3給出了同時段各模式暴雨、大暴雨量級ETS和空報率（FAR）對比，結(jié)果表明：本時段在4個區(qū)域模式中，CMA-MESO 3 km暴雨、大暴雨預(yù)報ETS最高，F(xiàn)AR相對較低，預(yù)報能力最強(qiáng)；而QPF融合技術(shù)暴雨、大暴雨ETS均高于CMA-MESO 3 km，暴雨空報率明顯低于CMA-MESO 3 km。

圖7給出的是7月25日12—18時區(qū)域模式路徑預(yù)報具有顯著差異時，各模式及QPF融合技術(shù)對浙江區(qū)域臺風(fēng)“煙花”暴雨預(yù)報的對比。從圖7a1中可知，4家區(qū)域模式預(yù)報的臺風(fēng)路徑位置相近但形態(tài)各異，其中CMA-MESO 10 km與ZJWARMS的預(yù)報路徑形態(tài)差異最大，ZJWARMS、CMA-MESO 3 km和CMA-SH9的預(yù)報路徑形態(tài)更為相似。由圖7可以看出，區(qū)域模式臺風(fēng)路徑預(yù)報不同時，暴雨預(yù)報也不同。在路徑預(yù)報不同的情況下，QPF融合技術(shù)可從保留各模式臺風(fēng)暴雨預(yù)報的共同特征并對預(yù)報差異之處進(jìn)行訂正，圖7a3中具體表現(xiàn)為保留舟山群島及寧波至紹興的暴雨預(yù)報，并從ZJWAMRS、CMA-MESO 3 km和CMA-SH9暴雨預(yù)報中提取嘉興、紹興市內(nèi)暴雨量級和落區(qū)預(yù)報，用以訂正CMA-MESO 10 km的暴雨空報。但是，QPF融合技術(shù)會將ZJWAMRS、CMA-MESO 3 km以及CMA-SH9在寧波市的暴雨漏報當(dāng)作虛假有效信息，用以訂正CMA-MESO 10 km寧波市內(nèi)的有效暴雨預(yù)報，從而導(dǎo)致QPF融合技術(shù)在寧波市內(nèi)的暴雨漏報。結(jié)合表4可以發(fā)現(xiàn)，雖受限于多個模式的原始預(yù)報質(zhì)量限制，但整體上QPF融合技術(shù)能有效提高暴雨和大暴雨ETS，降低暴雨和大暴雨空報率。

在圖8給出的9月13日00—06時臺風(fēng)“燦都”路徑預(yù)報相異個例中，觀測到的浙江區(qū)域的主要暴雨落區(qū)位于寧波、紹興、臺州3市（圖8a2），4家區(qū)域模式雖對該暴雨區(qū)有一定的預(yù)報能力，但都存在漏報、空報的問題。在本時段的4家區(qū)域模式中，CMA-MESO 3 km（圖8a4）和ZJWARMS（圖8a7）的暴雨落區(qū)與觀測最為相近。QPF融合技術(shù)在區(qū)域模式優(yōu)選過程中，將本時段內(nèi)路徑預(yù)報呈偏西北走向的CMA-MESO 3 km和CMA-MESO 10 km暴雨預(yù)報判定為無效預(yù)報，將路徑預(yù)報呈偏東北走向的CMA-SH9、ZJWARMS暴雨預(yù)報判定為有效預(yù)報，并對二者的暴雨預(yù)報進(jìn)行集合（圖8a1）。通過此種方式，先將本時段內(nèi)暴雨、大暴雨空報率偏高的CMA-MESO 10 km（圖8a5）預(yù)報剔除，而后基于概率匹配方法提取CMA-SH9（圖8a6）和ZJWARMS（圖8a7）相同的暴雨預(yù)報，訂正暴雨預(yù)報的相異之處。對比本時段的預(yù)報檢驗指標(biāo)（表5）可知，在該臺風(fēng)路徑預(yù)報相異的個例中，QPF融合技術(shù)通過優(yōu)選集合，可有效提高暴雨、大暴雨的預(yù)報能力，并在一定程度上降低空報率。

總體而言，無論是在區(qū)域模式臺風(fēng)路徑預(yù)報相似還是在臺風(fēng)路徑預(yù)報不同的情況下，QPF融合技術(shù)方法都能有效集合多模式浙江區(qū)域臺風(fēng)暴雨預(yù)報，在一定程度上彌補(bǔ)區(qū)域模式暴雨空報率較高的缺點，訂正暴雨落區(qū)，提高暴雨ETS，為預(yù)報員判斷臺風(fēng)暴雨落區(qū)、降水量級和雨帶走向提供有效信息。

3 結(jié)論與討論

基于ECMWF集合預(yù)報系統(tǒng)的臺風(fēng)路徑預(yù)報以及CMA-MESO 3 km、CMA-MESO 10 km、CMA-SH9、ZJWARMS等4家區(qū)域模式對2021年浙江區(qū)域臺風(fēng)“煙花”“燦都”路徑和降水進(jìn)行預(yù)報，利用QPF融合技術(shù)對6 h累計降水進(jìn)行了區(qū)域模式集合試驗，并評估分析了QPF融合技術(shù)在兩次臺風(fēng)影響浙江區(qū)域時段內(nèi)對暴雨、大暴雨量級降水的預(yù)報效果。得到的主要結(jié)論如下：

（1）對于浙江區(qū)域受臺風(fēng)“煙花”“燦都”影響過程的暴雨、大暴雨量級降水，各家業(yè)務(wù)區(qū)域模式的暴雨預(yù)報存在明顯濕偏差，暴雨空報是兩次臺風(fēng)暴雨過程中區(qū)域模式預(yù)報的主要問題?？傮w而言，CMA-MESO 3 km、ZJWARMS在兩次臺風(fēng)過程中暴雨預(yù)報能力較佳。

（2）QPF融合技術(shù)可以有效提高浙江區(qū)域臺風(fēng)暴雨、大暴雨量級降水預(yù)報的ETS得分以及命中率，并在一定程度上降低暴雨預(yù)報的空報率，減小模式預(yù)報與觀測之間的誤差，提高浙江區(qū)域臺風(fēng)暴雨、大暴雨的預(yù)報能力。但是，QPF融合技術(shù)對臺風(fēng)暴雨預(yù)報能力會受限于區(qū)域模式原始預(yù)報質(zhì)量。

（3）具體個例評估分析表明，QPF融合技術(shù)可以有效集合區(qū)域模式暴雨預(yù)報，減少暴雨空報，訂正暴雨量級、落區(qū)及雨帶走向預(yù)報。并且，可在區(qū)域模式臺風(fēng)路徑預(yù)報不同的情況下，有效進(jìn)行暴雨預(yù)報消空。

需要指出的是，本研究還存在一定的不足。一方面，僅針對2021年浙江區(qū)域兩個臺風(fēng)QPF融合技術(shù)6 h暴雨預(yù)報個例進(jìn)行了評估分析，分析結(jié)果具有一定的特殊性，若要證明QPF融合技術(shù)方法在浙江區(qū)域臺風(fēng)暴雨預(yù)報的普遍優(yōu)勢，還需要用更多的個例和更長的預(yù)報時效進(jìn)行檢驗。另一方面，QPF融合技術(shù)的臺風(fēng)大量級降水預(yù)報能力會受到區(qū)域模式原始預(yù)報質(zhì)量的限制，而模式的降水預(yù)報能力又會受到模式水平分辨率的影響，文中所采用的區(qū)域模式例如CMA-MESO 10 km水平分辨率偏低，今后可采用模式分辨率更高的區(qū)域模式進(jìn)行優(yōu)選集合，以更好地提高浙江區(qū)域臺風(fēng)大量級降水預(yù)報能力。

參考文獻(xiàn)：

[1] 伍遠(yuǎn)康，劉德輔.浙江省登陸臺風(fēng)暴雨落區(qū)研究[J].水文，2009，29（2）：81-83.

[2] 錢傳海，端義宏，麻素紅，等.我國臺風(fēng)業(yè)務(wù)現(xiàn)狀及其關(guān)鍵技術(shù)[J].氣象科技進(jìn)展，2012，2（5）：36-43.

[3] 任福民，楊慧.1949年以來我國臺風(fēng)暴雨及其預(yù)報研究回顧與展望[J].暴雨災(zāi)害，2019，38（5）：526-540.

[4] 許映龍，張玲，高拴柱.我國臺風(fēng)預(yù)報業(yè)務(wù)的現(xiàn)狀及思考[J].氣象，2010，36（7）： 43-49.

[5] 陳博宇，代刊，唐健，等.基于多模式QPF融合的臺風(fēng)暴雨預(yù)報后處理技術(shù)研究及應(yīng)用試驗[J].氣象，2020，46（10）：1261-1271.

[6] 陳聯(lián)壽，孟智勇，叢春華.臺風(fēng)暴雨落區(qū)研究綜述[J].海洋氣象學(xué)報，2017，37（4）： 1-7.

[7] 江漫，漆梁波.1959—2012年我國極端降水臺風(fēng)的氣候特征分析[J].氣象，2016，42（10）：1230-1236.

[8] 杜鈞，李俊.集合預(yù)報方法在暴雨研究和預(yù)報中的應(yīng)用[J].氣象科技進(jìn)展，2014，4（5）：6-20.

[9] 李俊，杜鈞，陳超君.“頻率匹配法”在集合降水預(yù)報中的應(yīng)用研究[J].氣象，2015，41（6）：674-684.

[10] CLARK A J， GALLUS W A Jr， CHEN T C. Contributions of mixed physics versus perturbed initial/lateral boundary conditions to ensemble-based precipitation forecast skill[J]. Mon Wea Rev， 2008，136（6）：2140-2156.

[11] EBERT E E. Ability of a poor mans ensemble to predict the probability and distribution of precipitation[J]. Mon Wea Rev，2001，129（10）：2461-2480.

[12] HAMILL T M， ENGLE E， MYRICK D， et al. The U.S. national blend of models for statistical postprocessing of probability of precipitation and deterministic precipitation amount[J]. Mon Wea Rev，2017，145（9）：3441-3463.

[13] Schwartz C S， Romine G S， Smith K R， et al. Characterizing and optimizing precipitation forecasts from a convection-permitting ensemble initialized by a mesoscale ensemble Kalman filter[J]. Wea Forecasting，2014，29（6）：1295-1318.

[14] 周迪，陳靜，陳朝平，等.暴雨集合預(yù)報-觀測概率匹配訂正法在四川盆地的應(yīng)用研究[J].暴雨災(zāi)害，2015，34（2）：97-104.

[15] Liu J Q， Li Z L， Wang Q Q. Quantitative precipitation forecasting using an improved probability-matching method and its application to a typhoon event[J]. Atmosphere，2021，12（10）：1346.

[16] Fang X Q， Kuo Y H. Improving ensemble-based quantitative precipitation forecasts for topography-enhanced typhoon heavy rainfall over Taiwan with a modified probability-matching technique[J]. Mon Wea Rev，2013，141（11）：3908-3932.

[17] 陳博宇，郭云謙，代刊，等.面向臺風(fēng)暴雨的集合預(yù)報成員優(yōu)選訂正技術(shù)研究及應(yīng)用試驗[J].氣象，2016，42（12）：1465-1475.

[18] 羅玲，婁小芬，傅良，等.ECMWF極端降水預(yù)報指數(shù)在華東臺風(fēng)暴雨中的應(yīng)用研究[J].氣象，2019，45（10）：1382-1391.

[19] 王海平， 董林， 許映龍， 等. 臺風(fēng)“煙花”的主要特點和路徑預(yù)報難點分析[J].海洋氣象學(xué)報， 2022， 42（1）： 83-91.

[20] 向純怡，高拴柱，劉達(dá).2021年西北太平洋和南海臺風(fēng)活動概述[J].海洋氣象學(xué)報，2022，42（1）：39-49.

[21] 錢奇峰，張長安，高拴柱，等.臺風(fēng)路徑集合預(yù)報的實時訂正技術(shù)研究[J].熱帶氣象學(xué)報，2014，30（5）：905-910.