延伸期暴雨過程的神經網絡預報技術應用初探

覃衛堅，廖雪萍，陳思蓉

（1.廣西壯族自治區氣候中心，廣西 南寧 530022；2.廣西壯族自治區氣象減災研究所，廣西 南寧 530022）

引言

天氣的可預報性一般認為在2周以內，超過2周天氣預報由于計算誤差劇增使預報準確率顯著下降。延伸期預報指未來10～30d的天氣預報，介于天氣和月季氣候尺度之間，是氣象預報的薄弱區。隨著經濟社會的發展，人們對氣象預報的要求越來越高，迫切地需要提高延伸期天氣預報準確率，以滿足人們對氣象服務日益增長的迫切需求，這對防災減災工作具有重要的意義。在氣象服務業務中，延伸期暴雨過程等災害性天氣的預報方法不多，預報準確率不高，是氣象工作者急需解決的問題。當前延伸期過程預報多基于模式的數值模擬，在可預報信息方面，很多把大氣低頻振蕩作為預報信號［1-6］。氣象預報水平的提高離不開數值模式的發展，國家氣候中心第二代月動力延伸預測模式業務系統（DERF2.0）是基于BCC_AGCM2.2模式發展建立的，可提供未來52d逐日滾動預報，從模式的直接的降水預報來看，其延伸期逐日降水預報準確率還不高，尤其暴雨過程的預報能力低，但模式的環流預測還是具有一定的參考價值。因此，本研究擬從環流預報場中提取出可靠的信號，既考慮這些信號跟廣西暴雨有很高的相關性，又參考模式對這些信號預報技巧，最后利用逐步回歸和粒子群-神經網絡方法建模進行延伸期逐日暴雨綜合強度預報，為延伸期暴雨過程預報提供一種新方法。

1 資料與方法

1.1 資料

使用1961～2016年廣西90個氣象觀測站20:00～20:00的日降水資料和ECMWF ERA-Interim逐日再分析資料。模式資料使用國家氣候中心月動力延伸集合預測二代產品DERF2.0每日滾動輸出的未來1～52d 1?！?。分辨率5d滑動集合平均的高度場、風場預測數據資料。

1.2 粒子群-神經網絡方法

粒子群算法是1995年Kennedy等［7］最早提出的一種基于群體智能方法的計算技術，具有全局搜索、通過個體之間的互動協作來搜尋全局最優解的特點，對神經網絡的連接權和網絡結構進行了優化，解決了以往神經網絡計算中的問題［8-11］。

1.3 暴雨過程的綜合強度指數

依據有關廣西暴雨氣候特征研究［12-13］，暴雨過程的綜合強度指數計算公式：

Q=Pre·Sn0.5（1）

式中：Q為暴雨過程的綜合強度指數；Sn為廣西90個氣象觀測站的日雨量≥50mm的總站數。暴雨雨強指數（Pre）是指在暴雨過程中廣西90個氣象觀測站暴雨量級以上的平均雨量，其計算公式：

式中：day為暴雨過程持續天數；St為暴雨過程的第t天日降水量≥50mm的站數；Rt,i為暴雨過程中第t天的第i站日降水量≥50mm的日降水量。

2 暴雨過程指標信號的選取

在預報建模之前，利用以下方法把降水過程分為一般降水過程和暴雨過程兩類，如果是一般過程，那么當日的暴雨綜合強度為零。從歷年降水資料中篩選出95個持續性區域暴雨過程，首先根據公式（1）計算每日的暴雨綜合強度。對暴雨過程綜合強度和前期模式延伸期環流預報場求相關，結果發現暴雨綜合強度與赤道東太平洋南部區域200hPa緯向風速相關顯著，相關顯著區域同時為模式預報技巧通過顯著性檢驗的區域，其中位于25°S附近區域A為正相關，而位于靠近赤道的區域B為負相關。前期研究指出，當預報量與模式預報的相關場中存在兩個相鄰的、符號相反、相關比較高的區域時，將這兩個區域平均值相減，得到組合預報因子，較單個因子相關更加顯著。本研究定義當模式預報出現區域A和區域B200hPa緯向風速差達到42m/s時，判斷當日廣西出現暴雨過程，反之為一般過程。

利用以上暴雨過程指標對2018年6月8日起報未來10～30d降水預報進行分類，結果漏報了6月21、22、26日共3d暴雨過程，其中26日只有1站暴雨，空報了6月19、27、28日和7月5日共4d，其余13d一般降水和暴雨過程分類預報均正確（表2）。

圖1 廣西暴雨綜合強度與DERF2.0延伸期200hPa緯向風速預報值的相關（陰影區域為相關通過0.05水平的顯著性檢驗，樣本數=131）和模式預報效果（曲線，畫線部分通過0.05水平的顯著性檢驗）

3 預報建模及試驗對比分析

3.1 查找氣候影響因子

歷年降水資料中篩選出95個持續性區域暴雨過程，針對5～7月暴雨過程得到131d暴雨日，計算每日暴雨綜合強度，統計暴雨綜合強度與前期DERF2.0延伸期各層高度及風場預報的相關系數，查找高相關區域，并結合模式預測技巧，篩選得到關鍵因子共11個（相關通過了0.05水平的顯著性檢驗），作為預報因子。相關情況如表1所示。

表1 廣西暴雨綜合強度與各預報因子的相關系數（n=131）

3.2 逐步回歸預測

使用廣西暴雨綜合強度指數與模式高度場、風場預報資料相關顯著的11個關鍵因子，利用逐步回歸方法建立預測方程，建模擬合取131個預測樣本，采用不同的F值逐步回歸方法從前面因子群里進行關鍵因子再提取，以F=2、F=3、F=4三種不同F值建立逐步回歸預報方程：

利用以上三個方程對2018年6月8日起報延伸期20d進行獨立樣本預測，把模式環流預報值代入以上預報方程即可得到暴雨綜合指數的預報值。從預測結果和實況對比來看，各方程預報平均值較實況值偏大，其中（4）方程絕對誤差最小，預報值較實況值偏大98.12，其次為（5）方程，（3）方程預報誤差最大，達到了118.28（見表2）。

表2 逐步回歸方程的預測檢驗結果

3.3 粒子群-神經網絡建模預報

采用不同的F值逐步回歸方法從11個關鍵因子群里再進行因子提取，利用計算得到的關鍵因子建立神經網絡預報模型，三個不同F值得到不同因子數，并利用三個不同的因子數來做的神經網絡預報，得到三種不同的預報結果。預報模型的建模樣本個數為131，獨立預報樣本個數為20個，設定粒子位置的上限為2（下限為-2），隱節點為輸入節點倍數上限為1.9（下限為0.3），學習因子為0.5，訓練次數為200，總體誤差為0.01。預報結果來看（見表3），粒子群-神經網絡預報的絕對誤差均小于逐步回歸預報，其中利用在F=4下逐步回歸方法得到的因子粒子群-神經網絡建模預報誤差最小，僅為64，相對誤差較逐步回歸方法預報效果最好的方程減小了32.5%。

表3 粒子群-神經網絡建模預報檢驗結果

4 結論與討論

通過分析得到以下結論：

（1）利用DERF2.0延伸期環流預報數據資料，使用暴雨過程信號指標就一般降水和暴雨過程進行分類，結果日降水分類預報準確率為65%。

（2）逐步回歸方法在F=3條件下對廣西暴雨綜合強度預報誤差最小。粒子群-神經網絡預報誤差均小于逐步回歸方法，相對誤差較逐步回歸方法預報效果最好的方程減小了32.5%。

本研究利用DERF2.0環流預報數據和暴雨過程信號指標來做延伸期暴雨過程預報，具有一定的預報效果，但暴雨過程信號指標還有待進一步的應用來檢驗和改進。