南充地區一次短臨融合預報對比分析

劉慧君　高青云　張瀟予

摘要? ? 將雷達資料為基礎的外推預報與中尺度數值模式預報結合起來的融合預報是短臨預報中一個新的研究方向。本文采用最為高效實用的加權平均法開展一次融合預報對比分析。結果表明，融合預報較單一的外推或模式預報有更好的預報效果;在融合前段外推預報所占比重更大，原因是外推預報對于降水系統的位置變化有較好的預報能力，而在融合后段模式預報對于系統的生消演變以及位置變化有更好的預報能力，因而模式預報所占比重更大。

關鍵詞? ? 短臨預報;加權平均法;融合預報

中圖分類號? ? P456.1? ? ? ? 文獻標識碼? ? A

文章編號? ?1007-5739（2019）24-0166-04? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）

在當前防災減災體系中，對于容易帶來極大災害的短時強降水的預報極為重要。據相關研究，南充市的地質災害70%以上是由包括短時強降水在內的強降雨引起[1]，因而深入研究南充本地的短臨預報技術有著迫切的現實意義。在目前的短臨預報業務中，主要有以下3種技術路線：運用實時雷達資料的外推預報，中尺度數值模式預報以及在觀測資料分析基礎上的概念模型預報[2]。其中，外推預報是比較成熟的技術，已廣泛應用于業務實踐中，但未考慮風暴的生消演變，預報可用時效較短，一般為1 h，最長不超過3 h[3]。而中尺度模式預報系統的特點是在3～6 h內預報準確率較高，而0～3 h的預報準確率偏低。結合了雷達回波外推和中尺度數值預報的融合臨近預報系統彌補了以上2種預報系統的不足，充分利用了兩者的優點，從而能提高預報準確率[4]。對于雷達外推預報和中尺度數值預報，將兩者相融合的技術主要有3類：第一類為加權平均法，該方法分時效確定外推預報和數值模式預報在融合系統中的權重系數，在融合過程中，外推預報占融合系統的權重隨時效減小，而數值預報所占權重則隨時效增加。該類方法的代表系統有Golding[5]研發的Nimrod，Pierce等研發的Gandolf以及美國NCAR 開發的NIWOT;第二類為趨勢調整法，該方法主要根據模式預報結果在落區、強度上的變化趨勢來修正外推預報[6];第三類為AMOR方法，該方法首先計算當前時刻模式預報在落區或強度上的誤差，然后估計誤差在時間上的變化趨勢，并在此基礎上對未來時段的模式預報進行修正[7]。在實際業務運行中，決定采用何種融合技術還需要考慮算法的難易程度等因素[8]，而加權平均法具有計算難度低的優點。

融合要素中的的外推預報目前一般有3種方法，即線性外推法、交叉相關追蹤算法以及回波特征追蹤算法。一是線性外推法，即假定某個時間段內風暴的移動速度和方向不變，由前一時次的風暴平均移動來預報下一時次風暴的位置，對于組織穩定的強風暴在較短時間內的預報效果較好，但對于其他類型的風暴位置預報可用性較差，因而目前在業務上使用較少。二是交叉相關追蹤法，即在不同追蹤區域之間建立最佳擬合關系，該擬合通過求取最優化相關系數得到[9-10]。三是回波特征追蹤法，也叫單體質心法，在時間連續的2幅雷達掃描圖上對比分析，從而得到風暴的移動路徑，該方法包含了風暴單體移動和演變特征[11]。其中的風暴單體識別和追蹤算法（SCIT） 應用較為廣泛，對孤立風暴、風暴族和線狀排列風暴都有較好的識別性[12]。

目前，在地市一級的預報業務中，更多地依賴于單一的短臨預報系統，各地都缺乏穩定成熟的融合預報系統。因此，開展本地短臨預報融合試驗可以更好地分析評估各種短臨預報系統的優缺點，并在此基礎上嘗試建立穩定可行的融合預報方案。綜合比較了幾種融合技術方案，本文選取較為簡單易行的加權平均法開展本地融合試驗，同時融合要素中的外推預報，采用應用較為廣泛的回波特征追蹤法，該方法可以直接應用本地天氣雷達生成的產品STI。

1? ? 融合要素及資料預處理

1.1? ? 雷達外推預報

SCIT算法首先需要對單體識別和定位，然后是單體跟蹤以及位置預報。在選擇風暴單體時，應滿足下列4個條件才能被算法所識別：①區域中最大反射率因子>30 dBZ;②在至少一個仰角掃描其反射率因子超過30 dBZ的二維區域 >5 km2;③估計的該區域三維質心與另一個區域的質心至少相隔5 km;④該區域與其他區域由一個局地極小的反射率因子相隔，該反射率因子至少要比區域內最大反射率因子值小10 dBZ[13]。在我國最新一代天氣雷達中已經開始使用SCIT算法生成產品STI。本文利用STI產品提供的一段時間內回波的移動變化軌跡，然后根據風暴的歷史移動記錄來預報其未來位置變化。得到位置預報后，讀取南充本地多普勒天氣雷達的實時回波強度值，再由經驗的Z-R關系公式（雷達回波強度與雨強對應關系）求得降水率，并結合雷達產品中的降水估測值進行訂正，得到1 h的雨量預報[14]。

1.2? ? 數值模式產品

所使用的數值模式是成都高原所研發的西南區域數值模式預報系統（SWC-WARMS）。該系統是基于ADAS v5.3.3同化系統和STIWRF v3.5.1模式系統而構建成的中尺度模式系統，背景場是分辨率為0.5°的GFS預報，系統同化了西南區域內的常規觀測資料以及部分高分辨率觀測資料，水平空間分辨率9 km，預報時效72 h，每天運行4次，時間輸出頻率為1 h。

1.3? ? 自動站雨量

研究區域為南充及其周邊（東經105°～107°、北緯30°～32°），文中所用時間為北京時，降雨單位為mm。數據來源為研究范圍內自動站的小時雨量，并使用Cressman插值算法將其插值為9 km×9 km的格點產品，與數值模式產品的分辨率保持一致。Cressman插值算法的原理是：在將區域內的離散點內插到規則格點的過程中，逐步連續訂正，從而最大程度減小誤差，同時也對數據進行平滑處理。

1.4? ? 融合技術

加權平均法主要流程：首先評估某時段內的外推預報產品和數值預報產品的預報效果，即運用實況對2種預報產品進行技巧評分，然后根據評分結果確定融合權重系數。權重系數確定的原則為技巧評分高的權重也高，反之亦然。進行技巧評分可通過開展TS評分、求取均方根誤差（RMSE）等方法實現，其他評分參數還包括HSS、POD、FAR等。在統計基礎上，融合權重系數隨時間的變化可以滿足某個經驗公式，比較有代表性的，如香港的RAPIDS暴雨預報系統，數值模式系統的權重系數可以通過該方程求得[15]。

融合系統計算方式見公式（1）：

公式（1）中Rr為雷達外推預報值，Rm為數值模式預報值。

在RAPIDS系統中，數值模式權重系數的確定參考的經驗公式，見公式（2）：

公式（2）中，W（t）為數值模式預報產品的權重系數，t表示預報時長，α及β分別是Rm在t=0及t=6的權重，γ是中間部分W（t）的斜率。在融合預報中，前面時段主要依靠外推預報，后面時段則基本依靠數值模式預報，為了使得模式權重系數在t+2時和t+4時的變化更為平滑，γ值被設定為1。

融合方案具體的流程：①對外推及模式預報結果進行評估，用迭代法求取數值模式的最優權重，在此過程中首先考慮HSS，再兼顧POD和RMSE的大小，從而得到α和β;②求取全時段的權重系數W（t）;③用歸一的權重線性集成得到融合結果。

2? ? 結果與分析

2.1? ? 不同方法預報結果比較

開展融合試驗選取的個例為2017年7月5—6日南充市一次區域性大暴雨天氣過程，此次降雨最大過程降水量出現在嘉陵區木老鄉唐家嘴村為259.6 mm（5日20：00至7日8：00），其中高坪城區24 h雨量突破了歷史極值，全市監測站中>250 mm的有2個，>200 mm的有15個，>100 mm的80個，>50 mm的有174個。圖1是2017年7月5—6日的雨量實況。

選取強降雨較為明顯的時段，即7月6日0：00—2：00開展融合試驗。圖2（a）是2017年7月6日0：00—1：00的降雨實況圖，圖2（b）是6日0：00雷達外推到1：00的預報，圖2（c）是西南區域數值模式6日0：00—1：00的雨量預報，圖2（d）是采取融合后的雨量預報。從圖2可以看出，1 h的外推預報與實況在降雨區域的位置上較為接近，但降雨量級有所偏差，外推預報與實況相比在>10 mm、>25 mm的降水區域上面積偏小，且>40 mm的分散小范圍強降水中心未預報出來。造成差異的主要原因可能是外推計算忽略了新的降水系統生成等，這與實際對流性降水過程存在的降雨局地性強，強降雨范圍較為分散等特點不相符。西南區域數值模式與實況在降雨區域上相差較大，相對實況，數值模式產品對于>10 mm、>25 mm的降水區域在面積上較為接近，但位置上更偏東、偏北。造成偏差的主要原因可能為數值模式更多地考慮了降水系統的移動，而相對忽略了對流性降水系統在本地的穩定維持。采用外推和數值模式融合后的產品比上述單獨任意一種預報系統更為接近實況。融合產品修正了單獨外推預報降雨量級偏小的問題，同時也修正了單獨模式預報在降雨區域位置上的偏差。需要說明的是，此時段融合產品中外推預報的權重較大，而數值模式的權重較小，融合產品主要依靠外推預報。

6日1：00—2：00這一時段內的融合效果對比：圖3（a）是2017年7月6日1：00—2：00的降雨實況圖，圖3（b）是6日1：00雷達外推到2：00的預報，圖3（c）是西南區域數值模式6日1：00—2：00的雨量預報，圖3（d）是采取融合后的雨量預報。從圖3可看出，外推預報中>25 mm的強降水區域相較實況位置偏西、偏北，而且面積也偏小。這是因為外推預報主要依靠STI產品中的風暴追蹤路徑來預測風暴單體的移動軌跡，忽略了環境場中中低層氣流的變化對風暴單體移動的影響，同時外推對于風暴單體的生消變化也缺乏預報能力。模式預報結果相較于外推在強降水區域的位置和面積上均更接近實況，這是因為模式預報不但考慮了環境場對風暴的生消以及強度的影響，還融入了中低層氣流對于風暴移動路徑的影響，因而具有更好的預測趨勢性。因此，疊加在外推回波場上的模式預報要優于任意單一預測系統。

2.2? ? 預報檢驗及評估

通過預報技巧評分來對融合過程中的各種預報系統進行進一步檢驗和評估。表1是參與融合預報的外推系統、模式系統以及融合系統本身的各種預報技巧評分。從表1中可看出，1 h以內外推TS評分（CSI）為0.381，修正的TS評分（ETS）為0.410，HSS評分為0.584;而模式預報CSI為0.396，ETS為0.425，HSS評分為0.621，在上述3項指標上兩者的評分較為接近。模式預報的命中率（POD）為89.8%，高于外推預報的63.4%;而外推預報的虛警率（FAR）為36.5%，低于模式預報的48.4%，這2項技巧上兩者各有千秋。從均方根誤差（RMSE）來看，外推為8.5，小于模式的10.0，外推的誤差更小。綜合來看，1 h內外推預報在預報技巧上要優于模式預報。而1 h融合產品的預報結果，均方根誤差（RMSE）為6.2，較之單一預報系統（外推或模式預報）都更小，TS評分（CSI）和修正的TS評分（ETS）明顯提高，而HSS也是最大。因此，從預報技巧來看，1 h融合預報優于單一的外推系統或模式預報，但更依賴于外推預報，此時段外推預報在融合過程中所占權重較大。

2 h后模式預報的CSI為0.385，ETS為0.389，HSS為0.521;而外推預報的CSI為0.304，ETS為0.287，HSS為0.412，從以上3個評估指標來看，模式預報的得分均高于外推預報。模式預報的POD為41.6%，高于外推預報的34.2%，模式預報的命中率更高。在FAR方面，模式預報為35.2%，外推預報為43.4%，模式預報的虛警率更低。均方根誤差（RMSE）模式預報為6.8，遠小于外推預報的8.6。TS評分（CSI）、修正的TS評分（ETS）以及HSS均是模式預報得分好于外推預報。特別需要說明的是，從各個評估指標來看，2 h融合預報結果各項參數得分都和模式預報的得分非常接近，且都優于外推系統，此時段在融合過程中數值模式所占權重更大，融合結果基本依賴于模式預報。

3? ? 結論與討論

（1）短時臨近預報業務中，依靠單一的外推預報或數值模式預報都有其局限性，而結合了2種預報系統的融合預報系統能充分利用兩者的優點，進一步提升預報效果。

（2）在試驗個例中，融合過程的前段（1 h內）融合系統主要依靠外推預報。此時段模式預報在融合系統中所占比重相對較小，而中后段（2 h后）融合系統更多地依賴模式預報，此時段相比外推預報，模式預報在融合系統中所占比重更大，并隨著時間的推移所占比重也逐漸增大。

（3）融合前段（1 h內）外推預報所占比重更大的原因是：造成對流性降水的中小尺度天氣系統一般生命周期至少在1 h以上，該時段內基于雷達回波的外推預報對于降水系統的位置變化有較好的預報效果，而數值模式對于降水系統的位置預報能力則較差。融合后段（2 h后）數值模式所占比重更大的原因是外推對于風暴生消變化的預報不足，而數值模式考慮了環境潛勢對風暴的影響，對于系統生消演變及位置變化，其具有更好的預報能力;同時隨著時間的推進，外推基本上喪失了預測風暴演變的能力，到融合后期，融合系統基本就全部依靠數值模式系統。

（4）由于不同類型的短時強降水過程在融合結果上存在一定差異，而本次融合試驗選取的個例為普通單體風暴，降水系統相對單一，且降水系統在1 h內相對穩定;對于實際降水過程，還存在多單體風暴、線風暴、超級單體風暴等多種情況，需要深入研究，找出融合過程中的各自對應規律，并進一步確定各種類型的降水在融合過程中的共同點。

4? ? 參考文獻

[1] 付世軍，李曉容，文敏，等.南充市地質災害分型及致災雨量閾值研究[J].防災科技學院學報，2018，20（3）：74-80.

[2] 俞小鼎，譚曉光.對流天氣臨近預報技術的發展與研究進展[J].應用氣象學報，2004（15）：754-766.

[3] 俞小鼎，周小剛，王秀明.雷暴與強對流臨近天氣預報技術進展[J].氣象學報，2012，70（3）：311-377.

[4] 王秀明，俞小鼎，劉黎平，等.融合臨近預報技術探討[J].氣象科學，2015，35（3）：298-304.

[5] GOLDING B W.Nimrod：A syetem for generating automated very short range forecasts[J].Metoer Appl，1998，5（1）：1-6.

[6] WILSON J W，FENG Y，CHENG M，et al.Nowcasting challenges during the Beijing Olympics：Successes，failure，and implications for future nowcasting systems[J].Wea Forecasting，2010，25：1691-714.

[7] 程叢蘭，陳明軒，王建捷，等.基于雷達外推臨近預報和中尺度數值預報融合技術的短時定量降水預報試驗[J].氣象學報，2013，71（3）：397-415.

[8] 陳明軒，高峰，孔榮，等.自動臨近預報系統及其在北京奧運期間的應用[J].應用氣象學報，2010，21（4）：395-404.

[9] RINEHART R E，GARVEY E T.Three-dimensional storm motion detect-ion by conventional weather radar[J].Nature，1978，273：287-289.

[10] AUSTIN G L，BELLON A.The use of digital weather radar records for short-term precipitation forecasting[J].Quart J Roy Meteorol Soc，1974， 100：534-552.

[11] BROWNING K A，COLLIER C G，LARKE P R，et al.On the forecasting of frontal rain using a weather radar network[J].Mon Wea Rev，1982，110：534-552.

[12] JOHNSON J T，MACKEEN P L，WITT A，et al.The storm cellidentifica-tion and tracking algorithm：an enhanced WSR288D algorithm[J].Weather and Forecasting，1998，13：263-276.

[13] 俞小鼎，姚秀萍，熊廷南，等.多普勒天氣雷達原理與業務應用[M].北京：氣象出版社，2001.

[14] 楊丹丹，申雙和，邵玲玲，等.雷達資料和數值模式產品融合技術研究[J].氣象，2010，36（8）：54-60.

[15] 黃偉健，黎守德.“急流”（RAPIDS）暴雨預報系統：“小渦旋”與數值天氣預報模式的融合[C]//澳門：第20屆粵港澳氣象科技研討會，2006.htttp：//210.0.235.16/publica/reprint/R619.pdf.