湖南6月區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型及應(yīng)用*

李易芝 羅伯良 彭莉莉 張 超 彭晶晶

1 湖南省氣象科學(xué)研究所,長(zhǎng)沙 410118 2 氣象防災(zāi)減災(zāi)湖南省重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410118 3 長(zhǎng)沙市氣象局,長(zhǎng)沙 410205

提 要：利用1979—2016年6月EAR5再分析資料,選取濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量和熱力波作用密度5個(gè)綜合因子,采用核密度估計(jì)方法,基于TS評(píng)分最優(yōu)為檢驗(yàn)標(biāo)準(zhǔn)篩選確立最優(yōu)因子和權(quán)重組合,構(gòu)建了湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型,并進(jìn)行了獨(dú)立樣本檢驗(yàn)與業(yè)務(wù)試用。結(jié)果表明:2017—2019年獨(dú)立樣本回代檢驗(yàn),平均TS評(píng)分達(dá)到29.9%,相比于歐洲中期天氣預(yù)報(bào)中心(ECMWF)細(xì)網(wǎng)格(平均TS評(píng)分為22.4%)為正技巧。在2021年、2022年汛期兩次區(qū)域持續(xù)性暴雨個(gè)例的預(yù)報(bào)試驗(yàn)中,提前24 h的暴雨預(yù)報(bào)優(yōu)于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域中尺度模式,對(duì)湖南區(qū)域持續(xù)性暴雨有較強(qiáng)的預(yù)報(bào)能力。

引 言

暴雨是湖南省汛期主要的災(zāi)害性天氣之一,其中持續(xù)性暴雨過(guò)程由于其持續(xù)時(shí)間長(zhǎng)、影響范圍廣,常給人民群眾帶來(lái)巨大的生命財(cái)產(chǎn)損失(陳紅專等,2019;戴澤軍等,2019;彭莉莉等,2018;王欽和曾波,2022;楊志軍等,2018)。因此,如何準(zhǔn)確及時(shí)地做好持續(xù)性暴雨落區(qū)預(yù)報(bào),建立客觀暴雨落區(qū)概率預(yù)報(bào)系統(tǒng),對(duì)預(yù)報(bào)業(yè)務(wù)能力提升和防災(zāi)減災(zāi)工作具有重大現(xiàn)實(shí)意義(張萍萍等,2012)。

降水是一定氣候背景下各種尺度系統(tǒng)相互作用所形成的結(jié)果,同時(shí)也受下墊面的影響,因此相對(duì)于溫度、氣壓等氣象要素場(chǎng)的預(yù)報(bào),降水本身具有較大的隨機(jī)性與不確定性(周曉敏等,2023)。降水呈偏態(tài)分布,用能描述其出現(xiàn)可能性大小的形式即降水概率進(jìn)行預(yù)報(bào),較傳統(tǒng)的確定性預(yù)報(bào)可提供更豐富的預(yù)報(bào)信息(林春澤等,2013;趙琳娜等,2015)。近年來(lái),國(guó)內(nèi)很多學(xué)者在降水概率預(yù)報(bào)方面做了大量的研究,一部分研究基于實(shí)況的概率分布提取降水預(yù)報(bào)指標(biāo),如高潔和漆梁波(2015)針對(duì)上海市短時(shí)強(qiáng)降水分析了其地理分布和概率分布特征,得到降水極端性與暴雨紅色預(yù)警標(biāo)準(zhǔn)的對(duì)應(yīng)關(guān)系。李文娟等(2017)以杭州市區(qū)為例,利用探空資料分析不同量級(jí)小時(shí)雨強(qiáng)出現(xiàn)的環(huán)境指標(biāo),并基于核密度估計(jì)方法提取短時(shí)強(qiáng)降水預(yù)報(bào)指標(biāo)。一部分研究利用單模式分布函數(shù)生成概率預(yù)報(bào),如張宇彤等(2016)利用T213模式的集合預(yù)報(bào)歷史資料探討了極端降水的概率預(yù)報(bào)方法,指出經(jīng)過(guò)貝葉斯方法修訂后,提高了極端降水預(yù)報(bào)的正確率,但是空?qǐng)?bào)也有所增加。徐姝等(2021)動(dòng)態(tài)建立了海河流域內(nèi)基于ECMWF集合預(yù)報(bào)289個(gè)格點(diǎn)的貝葉斯產(chǎn)品處理技術(shù)降水概率預(yù)報(bào)模型,預(yù)報(bào)評(píng)分結(jié)果優(yōu)于集合預(yù)報(bào)的直接概率預(yù)報(bào)結(jié)果。有研究指出多模式集成提升了預(yù)報(bào)可靠性,預(yù)報(bào)技巧優(yōu)于單模式,如:祁海霞等(2020)基于TIGGE(THORPEX Interactive Grand Global Ensemble)資料中的四套模式逐日降水集合預(yù)報(bào)資料,結(jié)合清江流域10個(gè)國(guó)家基準(zhǔn)站觀測(cè)數(shù)據(jù),建立了流域貝葉斯模型平均(Bayesian model averaging,BMA)概率預(yù)報(bào)模型,開(kāi)展流域多模式集合BMA技術(shù)的概率預(yù)報(bào)試驗(yàn)與評(píng)估,結(jié)果表明BMA模型預(yù)報(bào)比原始集合預(yù)報(bào)有更高預(yù)報(bào)技巧。Vigaud et al(2017)對(duì)單模式逐點(diǎn)預(yù)報(bào)結(jié)果進(jìn)行擴(kuò)展邏輯回歸,通過(guò)對(duì)多個(gè)模式預(yù)報(bào)概率等權(quán)平均,得到可靠性高但銳度較低的概率預(yù)報(bào)結(jié)果,發(fā)現(xiàn)多模式集成在很大程度上消除了單模式的負(fù)面預(yù)報(bào)技巧。趙淵明和漆梁波(2021)應(yīng)用分位數(shù)頻率匹配法對(duì)模式1 h降水預(yù)報(bào)分別訂正,基于上游關(guān)鍵區(qū)域檢驗(yàn)結(jié)果,采用動(dòng)態(tài)權(quán)重多模式集成技術(shù),對(duì)下游地區(qū)開(kāi)展多模式短時(shí)強(qiáng)降水集成概率預(yù)報(bào),結(jié)果提高了預(yù)報(bào)的準(zhǔn)確性和穩(wěn)定性。此外,另有部分研究基于診斷要素的概率分布,結(jié)合數(shù)值模式產(chǎn)品制作降水概率預(yù)報(bào)。如鐘敏等(2022)基于CMA-MESO模式,統(tǒng)計(jì)不同等級(jí)短時(shí)強(qiáng)降水樣本的物理量數(shù)值分布特征,基于升、降半嶺隸屬函數(shù)建立短時(shí)強(qiáng)降水概率預(yù)報(bào)模型,為分級(jí)短時(shí)強(qiáng)降水預(yù)報(bào)提供技術(shù)支撐和參考依據(jù)。李明(2017)針對(duì)陜南短時(shí)強(qiáng)降水,優(yōu)選對(duì)流參數(shù),確定其權(quán)重和對(duì)流參數(shù)歷史概率分布特征值,建立基于數(shù)值模式基本產(chǎn)品的短時(shí)強(qiáng)降水分月的客觀概率預(yù)報(bào)模型。

高守亭等(2013)、冉令坤等(2014)在暴雨預(yù)報(bào)熱力動(dòng)力診斷研究中,研究了能夠準(zhǔn)確描述濕空氣熱力狀態(tài)的廣義位溫理論以及表征中尺度系統(tǒng)發(fā)展演變的中尺度波流相互作用理論,在這個(gè)基礎(chǔ)上,建立了多個(gè)包含動(dòng)力、熱力和水汽等信息的綜合性動(dòng)力因子(以下簡(jiǎn)稱綜合因子)。其中,濕熱力平流參數(shù)能夠較好地反映降水區(qū)上空垂直暖平流和等熵面水平梯度顯著的動(dòng)力和熱力垂直結(jié)構(gòu)特點(diǎn),與觀測(cè)降水的空間分布形態(tài)有較好的對(duì)應(yīng)關(guān)系(高守亭等,2013);熱力螺旋度體現(xiàn)了垂直熱量通量與相對(duì)垂直渦度的耦合作用,也包含了大氣濕斜壓性等信息,適用于分析垂直上升運(yùn)動(dòng)強(qiáng)烈、渦旋運(yùn)動(dòng)顯著并伴有水平氣流的輻合輻散以及濕斜壓性明顯的降水系統(tǒng)(高守亭等,2013);散度通量代表水平散度的垂直通量,為了體現(xiàn)水汽效應(yīng),引入了水汽散度通量,表征垂直上升運(yùn)動(dòng)和水汽通量的輻合效應(yīng),該綜合因子可以弱化對(duì)流層高層和非雨區(qū)的動(dòng)力場(chǎng)結(jié)構(gòu)(冉令坤和楚艷麗,2009);熱力波作用密度能夠反映偏離大氣平均態(tài)的波動(dòng)效應(yīng),利用該綜合因子可以進(jìn)行夏季局地化的暴雨預(yù)報(bào)(高守亭等,2018)。這些綜合因子對(duì)暴雨落區(qū)的預(yù)報(bào)能力,已在多個(gè)地區(qū)、多個(gè)個(gè)例中得到了驗(yàn)證(楊帥等,2013;汪亞萍等,2015;李琴等,2016;蘇冉等,2019)。李易芝等(2020)研究湖南持續(xù)性暴雨動(dòng)力因子診斷分析時(shí)發(fā)現(xiàn),濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度5個(gè)綜合因子對(duì)湖南暴雨具有指示意義。彭莉莉等(2018)研究指出湖南區(qū)域持續(xù)性暴雨主要發(fā)生在6月,其占比達(dá)40.2%。因此本文針對(duì)湖南6月區(qū)域持續(xù)性暴雨,采用核密度估計(jì)方法,構(gòu)建基于濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度這5個(gè)綜合因子的湖南區(qū)域持續(xù)性暴雨落區(qū)概率預(yù)報(bào)模型,為湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)提供客觀技術(shù)支撐。

1 資料與方法

1.1 資 料

本文所用資料包括:(1)1979—2022年6月湖南省88個(gè)國(guó)家級(jí)氣象站(以下簡(jiǎn)稱國(guó)家站)逐日降水?dāng)?shù)據(jù);(2)背景場(chǎng)資料為1979—2019年6月ERA5再分析資料,計(jì)算預(yù)報(bào)因子所用的資料為2021—2022年6月歐洲中心全球中期數(shù)值天氣預(yù)報(bào)(ECMWF,以下簡(jiǎn)稱EC)細(xì)網(wǎng)格逐日08時(shí)(北京時(shí),下同)發(fā)布的逐6 h間隔的資料,水平分辨率均為0.25°×0.25°,包括1000～100 hPa共19層的位勢(shì)高度、氣溫、相對(duì)濕度、水平風(fēng)速、垂直風(fēng)速等;(3)數(shù)值模式資料選取2017—2022年6月EC細(xì)網(wǎng)格、中國(guó)氣象局全球同化預(yù)報(bào)系統(tǒng)(以下簡(jiǎn)稱CMA-GFS)、中國(guó)氣象局上海數(shù)值預(yù)報(bào)模式系統(tǒng)(以下簡(jiǎn)稱CMA-SH)、中國(guó)氣象局廣東快速更新同化數(shù)值預(yù)報(bào)系統(tǒng)(以下簡(jiǎn)稱CMA-GD)逐日08時(shí)發(fā)布的資料,預(yù)報(bào)時(shí)效為未來(lái)24～48、48～72、72～96 h。

1.2 方 法

1.2.1 核密度估計(jì)

核密度估計(jì)由Rosenblatt(1956)和Parzen(1962)提出,是由樣本去估計(jì)總體的概率分布密度函數(shù),屬于非參數(shù)檢驗(yàn)方法之一。與參數(shù)估計(jì)方法相比,其優(yōu)點(diǎn)在于對(duì)觀測(cè)資料的分布不附加任何假定,也不需要了解分布的先驗(yàn)知識(shí),利用樣本數(shù)據(jù)直接得到函數(shù)的密度估計(jì),從而對(duì)數(shù)據(jù)進(jìn)行可視化的解釋(闞亞進(jìn),2020)。通過(guò)密度分布可對(duì)比不同組數(shù)值的分布形狀以及不同組之間的重疊程度,是一種觀察連續(xù)型變量分布的有效方法(李文娟等,2017)。假設(shè)x1,x2,…,xn為獨(dú)立分布的n個(gè)樣本點(diǎn),設(shè)其概率密度函數(shù)為f,則某一個(gè)樣本點(diǎn)xi的概率密度f(wàn)(x)可由式(1)計(jì)算:

(1)

(2)

窗寬的選擇在非參數(shù)核密度估計(jì)中非常重要,窗寬選擇過(guò)小,會(huì)使密度函數(shù)呈不規(guī)則的形狀,可能掩蓋樣本的重要特征;窗寬選擇過(guò)大,會(huì)使密度函數(shù)過(guò)度平均化,導(dǎo)致樣本較細(xì)致的特征不能顯露(聶明秋等,2020)。當(dāng)選擇高斯型核函數(shù)擬合樣本時(shí),最優(yōu)窗寬值可以用式(3)計(jì)算(馬明衛(wèi)和宋松柏,2011):

(3)

式中:hd為最優(yōu)窗寬;σd為d維變量分布的標(biāo)準(zhǔn)差;p表示變量的維度,單變量、雙變量的核密度估計(jì)分別取p=1、p=2。

1.2.2 檢驗(yàn)方法

選用TS評(píng)分、命中率、空?qǐng)?bào)率和漏報(bào)率(劉松楠等,2022;牛淑貞等,2021),對(duì)湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)進(jìn)行檢驗(yàn)。

1.2.3 區(qū)域持續(xù)性暴雨過(guò)程定義

彭莉莉等(2018)根據(jù)湖南汛期區(qū)域持續(xù)性暴雨致災(zāi)性臨界要求,提出了湖南汛期區(qū)域持續(xù)性暴雨過(guò)程的標(biāo)準(zhǔn)。即:①湖南境內(nèi)至少9個(gè)國(guó)家站出現(xiàn)日降水量超過(guò)50 mm的區(qū)域性暴雨;②區(qū)域性暴雨持續(xù)2 d及以上。

2 湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)因子選取及模型建立

2.1 湖南區(qū)域持續(xù)性暴雨預(yù)報(bào)因子特征分析

暴雨的形成必須具有一定的宏觀物理?xiàng)l件,其中降水時(shí)間也非常重要(程庚福和曾申江,1987)。有時(shí)僅1小時(shí)就能出現(xiàn)暴雨,有時(shí)可持續(xù)幾十小時(shí),如果將每日間隔6 h、5個(gè)時(shí)次的要素值進(jìn)行日平均,會(huì)平滑一些極大值,濾除短時(shí)強(qiáng)降水造成的暴雨過(guò)程;若是取5個(gè)時(shí)次的最大值,則會(huì)對(duì)持續(xù)時(shí)間長(zhǎng)但短時(shí)強(qiáng)降水不大的暴雨造成漏報(bào)。因此,預(yù)報(bào)因子選擇每日5個(gè)時(shí)次中最大的2個(gè)時(shí)次的平均作為逐日要素值(陳圣劼等,2016)。每天選取5個(gè)時(shí)次是由于動(dòng)力因子是瞬時(shí)量,為了更全面地捕捉24 h內(nèi)引起降水的動(dòng)力因子信息,增加了第二日的起始時(shí)間作為前一日的結(jié)束時(shí)間。

本文預(yù)報(bào)因子選取與暴雨系統(tǒng)密切相關(guān)的濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度5個(gè)綜合因子。圖1給出1979—2016年湖南6月33個(gè)區(qū)域持續(xù)性暴雨過(guò)程中(共86個(gè)暴雨日)不同等級(jí)降水站點(diǎn)5個(gè)綜合因子的箱線圖,可以看出5個(gè)綜合因子在不同等級(jí)降水的分布不同。即:無(wú)雨時(shí),綜合因子的平均值及各百分位閾值均集中在0附近;降水量級(jí)越大,綜合因子的平均值及各百分位值(包括下四分位數(shù)、中位數(shù)、上四分位數(shù)及最大值)也越大;尤其在發(fā)生區(qū)域持續(xù)性暴雨時(shí),5個(gè)綜合因子的平均值及各百分位的閾值均明顯大于發(fā)生其他等級(jí)降水時(shí)的相應(yīng)值。這說(shuō)明,選取的5個(gè)綜合因子可以在區(qū)域持續(xù)性暴雨過(guò)程中作為區(qū)分暴雨與其他等級(jí)降水的預(yù)報(bào)因子。

注:箱線圖中豎線的上下端分別表示統(tǒng)計(jì)的最大值和最小值,箱體內(nèi)的三條橫線 自下而上依次為下四分位數(shù)、中位數(shù)、上四分位數(shù),“×”為平均值。圖1 1979—2016年6月湖南區(qū)域持續(xù)性暴雨過(guò)程中不同等級(jí)降水站點(diǎn)的各綜合因子箱線圖 (a)濕熱力平流參數(shù),(b)熱力螺旋度,(c)散度通量,(d)水汽散度通量,(e)熱力波作用密度Fig.1 Box plots of each comprehensive factor for stations with different levels of precipitation during regional persistent rainstorm events in Hunan in June from 1979 to 2016 (a) moist thermodynamic advection parameter, (b) thermal helicity, (c) divergence flux, (d) moisture divergence flux, (e) thermodynamic wave activity density

2.2 湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型構(gòu)建和檢驗(yàn)

2.2.1 概率密度估計(jì)

利用ERA5再分析資料,插值計(jì)算出1979—2016年6月湖南發(fā)生區(qū)域持續(xù)性暴雨的站點(diǎn)上的5個(gè)綜合因子值,并利用核密度估計(jì)確定出現(xiàn)區(qū)域持續(xù)性暴雨時(shí)各綜合因子的累積概率密度函數(shù)。確定后,可計(jì)算超過(guò)任意給定綜合因子閾值的累積概率,及相應(yīng)累積概率超過(guò)某百分位值對(duì)應(yīng)的綜合因子值。圖2為湖南區(qū)域持續(xù)性暴雨過(guò)程中出現(xiàn)不同等級(jí)降水時(shí)各綜合因子的累積概率密度圖。如圖2a所示,對(duì)于區(qū)域持續(xù)性暴雨樣本,超過(guò)63.5%的濕熱力平流參數(shù)值小于發(fā)生持續(xù)性暴雨時(shí)濕熱力平流參數(shù)的均值(1.14×10-7Pa·K2·m-2·s-1,圖1)。由圖2可見(jiàn),當(dāng)綜合因子在同一值上時(shí),隨著降水等級(jí)的降低,發(fā)生各等級(jí)降水的累積概率密度變大。例如,當(dāng)濕熱力平流參數(shù)值為1.14×10-7Pa·K2·m-2·s-1時(shí),發(fā)生區(qū)域持續(xù)性暴雨、大雨、中雨、小雨、無(wú)降水的累積概率密度分別為63.5%、80.3%、86.1%、94.1%、99.2%。

圖2 1979—2016年6月湖南區(qū)域持續(xù)性暴雨過(guò)程中出現(xiàn)不同等級(jí)降水時(shí)(a～e)各綜合因子的 累積概率密度,及(f)各綜合因子和累積概率密度的相關(guān)系數(shù) (a)濕熱力平流參數(shù),(b)熱力螺旋度,(c)散度通量,(d)水汽散度通量,(e)熱力波作用密度Fig.2 (a-e) Cumulative probability density diagram of each comprehensive factor and (f) correlation coefficient of each comprehensive factor and cumulative probability density for different levels of rainfall in Hunan regional persistent rainstorm in June from 1979 to 2016 (a) moist thermodynamic advection parameter, (b) thermal helicity, (c) divergence flux, (d) moisture divergence flux, (e) thermodynamic wave-activity density

圖2f為湖南區(qū)域持續(xù)性暴雨過(guò)程中出現(xiàn)不同等級(jí)降水時(shí)各綜合因子和累積概率密度的相關(guān)系數(shù)分布,可以看出隨著降水量級(jí)的增大,各綜合因子與累積概率密度值的相關(guān)系數(shù)也增大,在發(fā)生暴雨時(shí),濕熱力平流參數(shù)與累積概率密度值的相關(guān)系數(shù)最大,達(dá)到0.79,其他綜合因子與累積概率密度值的相關(guān)系數(shù)也均達(dá)到了0.55以上,通過(guò)了0.001的顯著性水平檢驗(yàn)。這說(shuō)明在發(fā)生區(qū)域持續(xù)性暴雨過(guò)程中,各綜合因子的累積概率密度值和綜合因子的相關(guān)性較高,可以表征發(fā)生暴雨的概率。

2.2.2 權(quán)重和閾值的確定

基于5個(gè)綜合因子的區(qū)域持續(xù)性暴雨累積概率密度函數(shù),可以確定1979—2016年6月區(qū)域持續(xù)性暴雨過(guò)程全省所有站點(diǎn)上發(fā)生暴雨的5個(gè)概率值,同時(shí)賦予5個(gè)概率值所有可能的動(dòng)態(tài)權(quán)重,且分別從20%至80%逐5%地增加概率值作為出現(xiàn)暴雨的閾值,計(jì)算發(fā)生區(qū)域持續(xù)性暴雨過(guò)程的TS評(píng)分。通過(guò)大樣本驗(yàn)算,以平均TS評(píng)分為判別標(biāo)準(zhǔn),最終篩選確立概率閾值、最優(yōu)因子和權(quán)重組合,構(gòu)建湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型。由表1可知,當(dāng)概率閾值取40%時(shí),所有區(qū)域持續(xù)性暴雨過(guò)程最優(yōu)因子和權(quán)重組合計(jì)算出的平均TS評(píng)分最大。因此,本文確立了由濕熱力平流參數(shù)、熱力螺旋度、水汽散度通量和熱力波作用密度4個(gè)因子構(gòu)成的最優(yōu)因子組合,其最優(yōu)系數(shù)搭配為0.1、0.6、0.1和0.2,并以概率值40%作為暴雨發(fā)生的閾值。第三個(gè)預(yù)報(bào)因子散度通量在每個(gè)概率閾值下的最優(yōu)權(quán)重組合中,其權(quán)重系數(shù)均為0.0,說(shuō)明該因子相比于其他4個(gè)綜合因子對(duì)區(qū)域持續(xù)性暴雨的預(yù)報(bào)能力明顯不足。這可能由于散度通量?jī)H體現(xiàn)出水平散度的垂直通量,而區(qū)域持續(xù)性暴雨過(guò)程還需要足夠的水汽作用,因此,相較之下體現(xiàn)了水汽通量散度垂直輸送狀況的第四個(gè)因子水汽散度通量更能發(fā)揮預(yù)報(bào)優(yōu)勢(shì)。

表1 湖南區(qū)域持續(xù)性暴雨最優(yōu)預(yù)報(bào)因子權(quán)重及預(yù)報(bào)效果Table 1 Optimal forecast factor weights and forecast effects of regional persistent rainstorms in Hunan

2.2.3 獨(dú)立樣本檢驗(yàn)

基于綜合因子的湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型,以2017—2019年6月的4次區(qū)域持續(xù)性暴雨過(guò)程(12個(gè)暴雨日)作為獨(dú)立樣本,進(jìn)行回代檢驗(yàn)。圖3為針對(duì)12個(gè)暴雨日湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和EC細(xì)網(wǎng)格提前12 h的暴雨預(yù)報(bào)TS評(píng)分、命中率、漏報(bào)率和空?qǐng)?bào)率柱狀分布。由圖可知,針對(duì)這12個(gè)暴雨日,湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)平均命中率為62.3%,EC細(xì)網(wǎng)格降水預(yù)報(bào)產(chǎn)品平均命中率為33.0%(圖3b),同時(shí),在兩者在空?qǐng)?bào)率相差不大的情況下(圖3d),區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型的暴雨漏報(bào)率偏低明顯(圖3c)。因此,從暴雨TS評(píng)分上看,湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型(平均TS評(píng)分為29.9%)相比于EC細(xì)網(wǎng)格(平均TS評(píng)分為22.4%)為正技巧(圖3a)。尤其在2017年6月6日、2017年6月23日、2017年6月28日和2019年6月9日等暴雨日中,湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型對(duì)暴雨的預(yù)報(bào)能力提高比較明顯;其中,在2017年6月6日、2017年6月23日、2019年6月9日的暴雨日中,EC細(xì)網(wǎng)格預(yù)報(bào)評(píng)分為0.0%,而湖南省區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型評(píng)分均高于20%,漏報(bào)率和空?qǐng)?bào)率均明顯較低。

圖3 2017—2019年12個(gè)暴雨日湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和 EC細(xì)網(wǎng)格提前12 h的暴雨預(yù)報(bào)(a)TS評(píng)分,(b)命中率,(c)漏報(bào)率,(d)空?qǐng)?bào)率Fig.3 (a) TS score, (b) accuracy rate, (c) miss rate, (d) false alarm rate of rainstorm for the regional persistent rainstorm probability prediction model and ECMWF fine mesh numerical forecast with lead time of 12 h from 2017 to 2019

同時(shí),增加選取2017—2019年6月9個(gè)站日降水量超過(guò)50 mm的區(qū)域性暴雨過(guò)程(9個(gè)暴雨日)進(jìn)行檢驗(yàn)分析,發(fā)現(xiàn)利用湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型的平均暴雨TS評(píng)分為12.5%,而EC細(xì)網(wǎng)格降水預(yù)報(bào)產(chǎn)品提前12 h暴雨預(yù)報(bào)TS評(píng)分為10.6%(圖略),說(shuō)明該模型對(duì)于區(qū)域性暴雨過(guò)程也有一定的預(yù)報(bào)技巧,但是對(duì)湖南區(qū)域持續(xù)性暴雨過(guò)程的預(yù)報(bào)效果要明顯優(yōu)于區(qū)域性暴雨過(guò)程。由此說(shuō)明利用ERA5再分析資料建模的預(yù)報(bào)優(yōu)于EC模式自身的預(yù)報(bào)。

3 應(yīng)用效果檢驗(yàn)

基于前面構(gòu)建的區(qū)域持續(xù)性暴雨落區(qū)概率預(yù)報(bào)模型,選取發(fā)生在2021年6月29日至7月1日和2022年6月1—2日的兩次區(qū)域持續(xù)性暴雨過(guò)程,開(kāi)展和EC細(xì)網(wǎng)格及CMA-GFS、CMA-SH、CMA-GD模式降水預(yù)報(bào)產(chǎn)品的對(duì)比分析,檢驗(yàn)該模型的業(yè)務(wù)應(yīng)用效果。

3.1 2021年6月29日至7月1日區(qū)域持續(xù)性暴雨過(guò)程

2021年6月29日至7月1日受西南暖濕氣流和中低層低渦切變線共同影響,湘中及以北地區(qū)出現(xiàn)了一次區(qū)域持續(xù)性暴雨過(guò)程。對(duì)比湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和EC細(xì)網(wǎng)格08時(shí)起報(bào)的不同預(yù)報(bào)時(shí)效暴雨預(yù)報(bào)TS評(píng)分(表2),區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型提前72 h和24 h暴雨預(yù)報(bào)TS評(píng)分均高于EC細(xì)網(wǎng)格模式降水產(chǎn)品的暴雨預(yù)報(bào)評(píng)分,尤其是7月1日,該模型在三個(gè)預(yù)報(bào)時(shí)效的結(jié)果均優(yōu)于EC細(xì)網(wǎng)格。

為了分析湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型相比于其他大尺度模式和區(qū)域中尺度模式預(yù)報(bào)性能差異,分別對(duì)08時(shí)起報(bào)的24～48 h的暴雨預(yù)報(bào)及TS評(píng)分進(jìn)行分析(圖4)。6月29日08時(shí)至30日08時(shí),湖南省出現(xiàn)分散性暴雨和大暴雨天氣,湘西州、常德等地區(qū)共9個(gè)國(guó)家站降水超過(guò)50 mm(圖4a1),對(duì)比預(yù)報(bào)結(jié)果,區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型提前24 h暴雨預(yù)報(bào)評(píng)分均優(yōu)于各模式降水產(chǎn)品,但由于降水分散,該模型對(duì)湘東一帶的暴雨有漏報(bào)。6月30日08時(shí)至7月1日08時(shí),降水加強(qiáng),雨帶主要集中在湘中以北(圖4b1),共19個(gè)國(guó)家站出現(xiàn)暴雨、3個(gè)國(guó)家站出現(xiàn)大暴雨,該模型對(duì)暴雨落區(qū)把握較好(TS評(píng)分為25.5%,圖4b2),比EC預(yù)報(bào)暴雨TS評(píng)分(20.0%)提高了5.5%,同時(shí)也優(yōu)于CMA-GFS、CMA-SH、CMA-GD等模式(圖4b3～4b6)。7月 1日08時(shí)至2日08時(shí),雨帶略有北抬,湘西南部分地區(qū)也出現(xiàn)暴雨(圖4c1),模型提前24 h預(yù)報(bào)暴雨TS評(píng)分最高,為23.6%(圖4c2),CMA-SH模式次之,為19.7%(圖4c5),其他模式提前24 h暴雨預(yù)報(bào)評(píng)分均低于12%。

表2 兩次區(qū)域持續(xù)性暴雨過(guò)程的湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和EC細(xì)網(wǎng)格 08時(shí)起報(bào)72～96、48～72、24～48 h的暴雨預(yù)報(bào)TS評(píng)分(單位:%)Table 2 The TS scores of 72～96, 48～72, 24～48 h rainstorm forecast from 08:00 BT by Hunan regional persistent rainstorm probabilistic prediction model and ECMWF fine mesh numerical forecast model for the two regional persistent rainstorm processes (unit: %)

圖4 2021年(a)6月29日,(b)6月30日,(c)7月1日逐日(a1,b1,c1)降水實(shí)況,(a2,b2,c2)湖南區(qū)域持續(xù)性 暴雨概率預(yù)報(bào)模型和(a3～ a6,b3～ b6,c3～ c6)不同模式08時(shí)起報(bào)的24～48 h的降水預(yù)報(bào)(填色)及TS評(píng)分Fig.4 (a1, b1, c1) Daily precipitation on (a) 29 June, (b) 30 June and (c) 1 July 2021, as well as the 24-48 h rainstorm forecast starting from 08:00 BT and TS score forecasted by (a2, b2, c2) Hunan regional persistent rainstorm probability prediction model and (a3-a6, b3-b6, c3-c6) other models

由此可知,除29日和30日提前48 h預(yù)報(bào),其余預(yù)報(bào)評(píng)分湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型均高于EC細(xì)網(wǎng)格模式降水產(chǎn)品;對(duì)比其他模式,該模型在本次區(qū)域持續(xù)性暴雨過(guò)程中對(duì)暴雨落區(qū)的預(yù)報(bào)效果較好,提前24 h的暴雨預(yù)報(bào)優(yōu)于EC、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域模式,對(duì)湖南區(qū)域持續(xù)性暴雨的預(yù)報(bào)有明顯的預(yù)報(bào)技巧。

3.2 2022年6月1—2日區(qū)域持續(xù)性暴雨過(guò)程

2022年6月1—2日,受高空槽和低層低渦切變的影響,湖南出現(xiàn)了一次區(qū)域持續(xù)性暴雨過(guò)程。由表2可知,1日提前48 h預(yù)報(bào)湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型表現(xiàn)較好,高出EC細(xì)網(wǎng)格7.8%;2日湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型三個(gè)預(yù)報(bào)時(shí)效的表現(xiàn)均優(yōu)于EC細(xì)網(wǎng)格預(yù)報(bào)產(chǎn)品。

圖5為2022年6月1—2日逐日降水實(shí)況及湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和EC細(xì)網(wǎng)格、CMA-GFS、CMA-SH、CMA-GD模式08時(shí)起報(bào)的24～48 h的暴雨預(yù)報(bào)及TS評(píng)分。1日08時(shí)至2日08時(shí)暴雨主要分布在湘西地區(qū)(圖5a1),模型1日提前24 h暴雨預(yù)報(bào)對(duì)湘西州北部和張家界西北部的局地暴雨有所漏報(bào),TS評(píng)分僅為6.1%(圖5a2),低于EC細(xì)網(wǎng)格(11.1%)、CMA-SH(12.5%)及CMA-GD(8.7%)(圖5a3,5a5,5a6),但是CMA-SH和CMA-GD兩家中尺度模式對(duì)暴雨落區(qū)范圍預(yù)報(bào)偏大,強(qiáng)度偏強(qiáng);2日08時(shí)至3日08時(shí)隨著切變線北抬,暴雨雨帶也向北移動(dòng)到湘北地區(qū),并且降水加強(qiáng),雨帶范圍擴(kuò)大(圖5b1),針對(duì)2日的預(yù)報(bào),模型提前24 h預(yù)報(bào)雨帶落區(qū)位置較為準(zhǔn)確,TS評(píng)分為30.6%(圖5b2),相對(duì)其他模式表現(xiàn)最優(yōu),其中EC細(xì)網(wǎng)格(圖5b3)和CMA-GFS(圖5b4)預(yù)報(bào)暴雨落區(qū)和強(qiáng)度偏小,CMA-SH(圖5b5)和CMA-GD(圖5b6)預(yù)報(bào)暴雨雨帶落區(qū)較實(shí)況偏南。

圖5 2022年6月(a)1日,(b)2日逐日(a1,b1)降水實(shí)況,(a2,b2)湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型和 (a3～ a6,b3～ b6)不同模式08時(shí)起報(bào)的24～48 h的降水預(yù)報(bào)(填色)及TS評(píng)分Fig.5 (a1, b1) Daily precipitation on (a) 1 and (b) 2 June 2022, as well as the 24-48 h rainstorm forecast starting from 08:00 BT and TS score forecasted by(a2, b2) Hunan regional persistent rainstorm probabilistic prediction model and (a3-a6, b3-b6) other models

綜合可見(jiàn),湖南區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型對(duì)暴雨落區(qū)的預(yù)報(bào)把握較好,相對(duì)其他模式比較穩(wěn)定,有一定的預(yù)報(bào)技巧。

4 結(jié)論與討論

利用1979—2016年6月ERA5再分析資料,選取濕熱力平流參數(shù)、熱力螺旋度、散度垂直通量、水汽散度通量和熱力波作用密度5個(gè)綜合因子,采用核密度估計(jì)方法,基于TS評(píng)分最優(yōu)為檢驗(yàn)標(biāo)準(zhǔn)篩選確立最優(yōu)因子和權(quán)重組合,構(gòu)建了湖南6月區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型,得到如下結(jié)論:

(1)該模型確立了由濕熱力平流參數(shù)、熱力螺旋度、水汽散度通量和熱力波作用密度4個(gè)因子的最優(yōu)因子組合,其最優(yōu)系數(shù)搭配為0.1、0.6、0.1和0.2,且以概率值40%作為暴雨發(fā)生的閾值。2017—2019年6月區(qū)域持續(xù)性暴雨過(guò)程獨(dú)立樣本進(jìn)行回代檢驗(yàn),平均TS評(píng)分達(dá)到29.9%,相比于EC細(xì)網(wǎng)格提前12 h暴雨預(yù)報(bào)(TS評(píng)分為22.4%)為正技巧。

(2)2021年6月29日至7月1日和2022年6月 1—2日兩次區(qū)域持續(xù)性暴雨預(yù)報(bào),該模型提前24 h的暴雨預(yù)報(bào)優(yōu)于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域中尺度模式,對(duì)湖南區(qū)域持續(xù)性暴雨有較強(qiáng)的預(yù)報(bào)能力。

但該方法對(duì)分散型暴雨過(guò)程落區(qū)預(yù)報(bào)效果較差,對(duì)成片的暴雨預(yù)報(bào)效果相對(duì)較好,還需要進(jìn)一步提高該方法的預(yù)報(bào)性能。其次,鑒于湖南不同月份不同類型區(qū)域持續(xù)性暴雨過(guò)程發(fā)生影響系統(tǒng)和因子存在區(qū)別,有必要相應(yīng)分別建立區(qū)域持續(xù)性暴雨概率預(yù)報(bào)模型,提高預(yù)報(bào)技巧,這有待今后深化研究。