長江流域多模式降雨預報效果檢驗

邱 輝 李春龍 張方偉

(長江水利委員會水文局，湖北 武漢 430010)

長江流域多模式降雨預報效果檢驗

邱 輝 李春龍 張方偉

(長江水利委員會水文局，湖北 武漢 430010)

2016年夏季，長江流域暴雨過程頻繁，數值模式預報在防汛預報中起到了重要作用。回顧了2016年6～7月長江流域的降雨過程，對長江水利委員會水文局運行的WRF模型、中國氣象局T639模式、歐洲中心細網格降雨預報、日本氣象廳數值模型降雨預報與降雨實況進行了對比分析，并選取了一次典型強降雨過程進行個例分析，比較了多種數值模式對長江流域分區面雨量的預報效果。結果表明,長江流域26個分區的預報評分差別較大，區間越小，TS評分越低。總體而言，分辨率較高的ECMWF和WRF模式對強降雨過程的模擬較為精確，尤其是ECMWF的預報具有較高的參考價值。

降雨預報；數值預報; 模糊評分; 檢驗評估；長江流域

隨著氣象業務現代化建設的迅速發展，數值預報產品不斷增多，已經成為日常預報的主要參考依據[1-2]。但由于數值模式受初值、物理過程和地形等多因素影響，數值預報產品存在一定的預報誤差[3-5]。對于預報業務而言，全面了解一種模式的性能十分重要，開展數值預報產品檢驗有利于加深對數值模式的認識，對不同數值預報產品的解釋應用、適當選取合適的預報產品進行訂正是數值預報的關鍵問題。

數值預報產品的相關研究較多，肖紅茹等人對比了T639和ECMWF(歐洲中心)模式預報產品性能的優劣[4]。屠妮妮等人對國家氣象中心T213、T639全球模式、成都區域中心實時運行的AREM、GRAPES和MM5中尺度數值模式預報結果進行了研究[5]，通過對比分析我國9個重要站點日降雨量的預報效果，發現各模式對我國西部城市降雨預報能力偏弱。付偉等人對比了JMA、T213、GRAPES、MM5、T639和德國6種數值模式產品對蕪湖市地面氣溫及降水預報效果[6]。張寧娜等人通過對 T639、T213、德國及歐洲中心等數值預報產品在東北地區降水預報中的應用檢驗[7]，發現德國模式對東北地區晴雨和一般性降水的預報效果較好。肖明靜等人分析了山東區域MM5、WRF-RUC (WRF快速循環同化系統)和T639模式24h、48h累積降水預報產品[8]；高松影等人對日本數值模式暴雨預報性能和誤差進行了檢驗和分析[9]。

關于數值預報產品對站點降水預報效果檢驗和對比分析的研究較多，而對面雨量預報的檢驗和分析較少，因此，本文利用天氣預報業務中常用的 WRF、T639、ECMWF(歐洲中心)和JMA(日本) 等4 種模式產品，針對2016年6～7月長江流域的降雨，利用不同的面雨量評分方法，評估不同模式的預報效果，掌握不同降水預報產品的優點和缺點，以期能夠科學有效地合理利用數值預報產品，提高面雨量的預報準確率。

1 資料和方法

1.1 資 料

實況降雨資料來自國家基本氣象觀測站和長江流域水文自動測報站降雨觀測資料，常用雨量站共3 517個。模式降雨資料分別來自長江水利委員會水文局運行的WRF模型、中國氣象局T639模式、歐洲中心ECMWF細網格降雨預報及日本氣象廳JMA數值模型降雨預報資料，網格分辨率分別為：27 km×27 km、1.0°×1.0°、0.125°×0.125°、1.25°×1.25°。

1.2 方 法

1.2.1 面雨量

長江流域按照流域特性分為26個區間，面雨量計算采用泰森多邊形法(Thiessen Polygons)。首先通過連接相鄰降雨量觀測站點，將區域劃分為大量的銳角三角形，然后在三角形的每一邊作垂直平分線，每一個站點周圍相互的垂直平分線形成一個多邊形，計算此多邊形面積與流域面積的比值，作為該站點相對整個流域面雨量的權重系數，最后用各站點降雨量與其所占面積權重相乘后累加即為流域面雨量。

參考《中國江河面雨量等級》劃分標準[10],將日面雨量劃分為小雨(0.1～5.9 mm)、中雨(6.0～14.9 mm)、大雨(15.0～29.9 mm)、暴雨(30.0～59.9 mm)、大暴雨(60.0～150.0 mm)和特大暴雨(>150.0 mm)6級。

1.2.2 降雨預報檢驗

(1) 平均絕對誤差：

其中，n為預報天數，RF為預報面雨量，RO為實況面雨量。

(2) 面雨量模糊評分檢驗。根據中國氣象局發布的《全國七大江河流域面雨量監測和預報業務規定》(試行)，面雨量檢驗可以采用模糊評分檢驗方法。

當空報和漏報時，模糊評分為零，實況無雨且預報無雨時，不參與評分。其他情況模糊評分數值應與3個因子有關：預報等級j、等級誤差|Fi-Oi|和該等級最大等級誤差Max(j)。用式(1)表示第i個代表站點(格點)第j級降雨預報的模糊評分

(1)

式中，第一項是有雨預報正確的基礎分，規定為60分；第二項是強度(等級)預報的加權分。根據模糊評分的式(1)可知，當預報等級和實況等級一致時(即等級誤差為零)，該等級預報評為100。當預報等級有誤差時，按其誤差大小給分。誤差越大，分值越低。可以看出，根據誤差大小計算的模糊評分，表征預報貼近實況的程度，分值越高，預報越接近于實況。

(3) TS評分。檢驗方法采用目前氣象部門應用比較廣泛的《中短期天氣預報質量檢驗辦法》，采用TS評分來檢驗面雨量的預報效果。對降水分級檢驗：

2 結果與分析

2.1 平均絕對誤差

圖1給出了2016年6～7月長江流域多模式24 h，48 h，72 h面雨量預報平均絕對誤差。從圖1中可以看到，對24 h降雨預報，JMA模式的預報誤差最小，其次為ECMWF；48 h預報，ECMWF的平均絕對誤差最小，其次為JMA,72 h預報，T639平均絕對誤差最小，其次是ECMWF。

圖1 2016年6～7月長江流域多模式面雨量預報平均絕對誤差

2.2 模糊評分

圖2給出了2016年6～7月ECMWF、JMA、T639、WRF共4種數值模式對長江流域不同時效(24～72h)面雨量預報的模糊評分。從圖中可以看出，隨著預報時效的延長，4種模式預報的模糊評分變化不是很大。從降雨等級來看，4種模式對小雨、中雨和大雨預報的差別不大，對暴雨及大暴雨預報的差別相對較大，其中，JMA模式預報評分相對較好，最具有參考意義。

圖2 2016年6～7月長江流域多模式面雨量預報模糊評分

2.3 TS評分

2.3.1 流域平均TS評分及空報率和漏報率

圖3～5給出了2016年6～7月ECMWF、JMA、T639、WRF共4種數值模式對長江流域不同時效(24～72 h)面雨量預報的TS評分、空報率和漏報率。從中可以看出：

圖3 2016年6～7月長江流域多模式面雨量預報TS評分

圖4 2016年6～7月長江流域多模式面雨量預報空報率

圖5 2016年6～7月長江流域多模式面雨量預報漏報率

(1) 隨著面雨量預報等級的增加，4種模式預報的TS評分均明顯下降，各等級的TS評分中，4種模式相差不大。其中24 h預報中，ECMWF、JMA和WRF模式預報TS評分差別不大，T639對晴雨、小雨預報評分較低，但中雨以上等級預報評分較高。

(2) 4種模式對中雨以上級別的空報率和漏報率較高，均在70%以上。

2.3.2 長江流域分區面雨量24 h預報TS評分

根據以上分析可知，3 d以內各模式預報差別不大，因此對長江流域各個區間面雨量分析時僅分析24 h預報。圖6～9給出了2016年6～7月長江流域26個分區晴雨、小雨、中雨和大雨預報TS評分。從圖中可以看出:

(1) 由于區間不同，模式的預報評分差別較大，其中金沙江流域的評分最高；

(2) 對于晴雨預報，4種模式之間的差別不大；

(3) 對于小雨以上級別的預報，4種模式間差別較大，整體上講，金沙江流域的預報評分最高，澧水、陸水、武漢等小區間的預報評分較低。

圖6 2016年6～7月長江流域26個分區24 h晴雨預報TS評分

圖7 2016年6～7月長江流域26個分區24 h小雨預報TS評分

圖8 2016年6～7月長江流域26個分區24 h中雨預報TS評分

圖9 2016年6～7月長江流域26個分區24 h大雨預報TS評分

2.4 典型降水過程面雨量預報檢驗評估

2016年6月30日～7月6日，長江中下游發生了入汛以來最強的一次降雨過程，強降雨過程自長江上游開始，在長江中下游長時間維持，本次強降雨過程維持時間7d，強度也為入汛以來最強，過程降雨中心位于長江中下游干流一線(圖10)。

圖10 梅雨期主要降雨過程累計降雨分布(2016年6月30日～7月6日)

圖11 7月1～3日長江流域實況累計降雨分布及4種模式3 d累計雨量預報

考慮到模式缺報的問題，這里對4種模式6月30日20：00對未來3 d累計雨量預報進行分析。圖11給出了7月1～3日長江流域實況累計降雨分布以及4種模式3d累計雨量預報圖。

7月1～3日實況降雨位于洞庭湖至長江下游一線，面雨量為100～200 mm，其中長江下游干流附近有大于250 mm的降雨中心。從雨帶分布來看，4種模式基本模擬出該次降雨過程雨帶分布，但從量級上來看， WRF模式的預報與實況最為接近，其次為ECMWF，JMA降雨量級預報偏小，降雨中心位置偏西，T639降雨量級預報更偏小，降雨中心位置偏西南。

3 結 論

本文檢驗評估了ECMWF、JMA、T639和WRF等4種模式對2016年6～7月長江流域面雨量預報效果，并選取了一次強降雨過程進行典型個例分析，結論如下：

(1) 平均絕對誤差檢驗顯示，ECMWF和JMA模式的預報誤差較小；

(2) 模糊評分和TS評分結果顯示，4種模式對長江流域面雨量預報沒有較大差別；各模式對長江流域面雨量預報均具有參考價值；

(3) 分區面雨量TS評分顯示，由于分區不同，各區間模式的預報評分差別較大，其中金沙江流域面雨量預報較為穩定，各模式預報效果較好；澧水、陸水、武漢等小區間的預報評分相對較低。

(4) WRF模式和ECWFM模式對強降雨過程的模擬較好，雨帶和量級預報較為準確，具有重要的參考意義。

綜上，分辨率較高的ECMWF和WRF模式對雨帶的把握較為精確。但由于本文分析的時間長度只有2016年6～7月，得到4種模式在長江流域面雨量預報能力上的一些初步結論，各模式的預報性能還有待于今后積累更長時間序列資料進行評估分析。

[1] 許敏，叢波，劉艷杰,等．廊坊地區5 種數值模式降水預報性能檢驗與評估[J]．氣象與環境學報，2016，32(1):9-15．

[2] 朱占云，陳光宇，姜瑜君,等．浙江省六大水庫流域面雨量模式預報效果檢驗[J]．氣象與環境學報，2016，32(3):28-33.

[3] 崔錦，周曉珊，張愛忠,等．天氣學檢驗在東北區域數值模式秋冬季降水預報中的應用[J].氣象與環境學報，2009，25(4)：17-21.

[4] 肖紅茹，王燦偉，周秋雪,等.T639、ECMWF 細網格模式對2012 年5～8 月四川盆地降水預報的天氣學檢驗[J].高原山地氣象研究，2013，33(1)：80-85.

[5] 屠妮妮，何光碧，張利紅.成都區域氣象中心業務數值預報產品檢驗分析[J].高原山地氣象研究，2010，30(1)：21-28.

[6] 付偉，呂娟，何冬燕．六種數值模式對蕪湖市地面氣溫和降水預報的對比檢驗分析[J]．氣象與環境科學，2010，33(Z1) :109-114.

[7] 張寧娜，黃閣，吳曼麗,等．2010 年國內外3種數值預報在東北地區的預報檢驗[J]．氣象與環境學報，2012，28(2) :28-33．

[8] 肖明靜，盛春巖，石春玲,等．2010 年汛期多模式對山東降水預報的檢驗[J]．氣象與環境學報，2013，29 (2) :27-33．

[9] 高松影，劉天偉，李慧琳，等．日本數值產品對丹東暴雨預報的天氣學檢驗與誤差分析[J]．暴雨災害，2011，30(3) :234-240．

[10]GB /T 20486—2006江河流域面雨量等級 [S]．

(編輯：唐湘茜)

2017-03-31

邱輝，女，長江水利委員會水文局，高級工程師.

1006-0081(2017)06-0039-04

P426.6

A

水文預報