TIGGE 多模式降水預(yù)報(bào)產(chǎn)品檢驗(yàn)與集成研究

舒章康 ，汪 琳 ，金君良 ，王國慶 ，曹民雄

(1. 南京水利科學(xué)研究院 水文水資源與水利工程科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210029；2. 長江保護(hù)與綠色發(fā)展研究院，江蘇 南京 210098；3. 水利部應(yīng)對氣候變化研究中心，江蘇 南京 210029)

數(shù)值天氣預(yù)報(bào)是根據(jù)天氣演變過程的流體力學(xué)和熱力學(xué)的方程組，在一定初值和邊界條件下，求解未來一定時期內(nèi)大氣運(yùn)動狀態(tài)和天氣現(xiàn)象的預(yù)報(bào)方法。由于不同模式的初始場、初始擾動生成、參數(shù)化方案、模式框架等各不相同，因而其預(yù)報(bào)效果也具有明顯的時空差異[1-2]。利用合理的檢驗(yàn)方法評定數(shù)值天氣預(yù)報(bào)在時間和空間上的適用性對資源合理配置與決策（管理的）、理解并改進(jìn)預(yù)報(bào)系統(tǒng)（科學(xué)的）和預(yù)防與減輕自然災(zāi)害（經(jīng)濟(jì)的）等具有重要意義[3]。同時，針對預(yù)報(bào)誤差采取一定的集成或修正方案，不僅可以為數(shù)值預(yù)報(bào)發(fā)展和進(jìn)步提供參考，還可以為陸面水文過程模擬預(yù)測提供可靠精度的數(shù)據(jù)輸入[4-5]。數(shù)值預(yù)報(bào)發(fā)展至今，其檢驗(yàn)方法也在不斷進(jìn)步，最古老的方法是通過目視進(jìn)行對比分析，目前多采用命中率（POD）、預(yù)報(bào)偏差（BS）、空報(bào)率（FAR）及漏報(bào)率（PO）等指標(biāo)從時間和空間等角度進(jìn)行綜合評價[6-9]。

在降水集成或訂正方面，諸多研究人員采取加權(quán)平均、多元回歸或概率匹配等方法對產(chǎn)品進(jìn)行再處理，以提高產(chǎn)品預(yù)報(bào)精度。如卞赟等[10]采用集合平均、多模式消除偏差集合平均、加權(quán)消除偏差集成等方法對TIGGE 資料中的多種模式產(chǎn)品進(jìn)行了集成預(yù)報(bào)，結(jié)果表明集成預(yù)報(bào)相對于單模式預(yù)報(bào)的效果更優(yōu)。劉漢武等[11]針對巢湖的多模式降雨預(yù)報(bào)產(chǎn)品，采用預(yù)報(bào)效果加權(quán)平均法開展了集成預(yù)報(bào)研究，結(jié)果表明集成預(yù)報(bào)相比單模式預(yù)報(bào)誤差明顯降低，預(yù)報(bào)準(zhǔn)確率有所提高，對不同時效和量級降雨的預(yù)報(bào)效果相對更加穩(wěn)定。榮艷敏等[12]則采用概率匹配平均法針對山東省典型的強(qiáng)降水過程進(jìn)行了再預(yù)報(bào)，結(jié)果表明該方法相對于集合平均，對大雨以上量級降雨的預(yù)報(bào)效果有明顯改善，較單模式的確定性預(yù)報(bào)也有一定的提高。

隨著探測信息的日趨豐富和預(yù)報(bào)方法的增加，一方面使天氣氣候預(yù)測與診斷中的信息量成倍增長[13]，可以參考的資料信息內(nèi)容更加豐富、種類更加齊全；另一方面也不可避免地產(chǎn)生對同一預(yù)報(bào)對象有多個預(yù)報(bào)結(jié)果不同甚至截然相反的結(jié)論，使綜合集成的難度加大。近年來，隨著預(yù)報(bào)產(chǎn)品的日趨豐富和綜合集成預(yù)報(bào)服務(wù)需要的增強(qiáng)，全國各地的臺站都相繼開展了預(yù)報(bào)客觀集成方法和技術(shù)的研究。盡管迄今為止國內(nèi)外尚沒有一種成熟而有效的集成技術(shù)，但圍繞集成的基本原理、思路和目的，一些既有理論基礎(chǔ)，同時又有較好集成預(yù)報(bào)效果的集成預(yù)報(bào)方法逐漸形成。如選擇最優(yōu)法、回歸集成預(yù)報(bào)法、加權(quán)平均法、相對權(quán)重法、交叉相關(guān)法、條件頻率法等，其基本思路都是將各種預(yù)報(bào)結(jié)果做統(tǒng)計(jì)平均，從而進(jìn)一步改善預(yù)報(bào)過程中的薄弱環(huán)節(jié)，提高預(yù)報(bào)服務(wù)水平[14-15]。

池潭流域位于福建金溪中上游，汛期常受臺風(fēng)暴雨影響，其入庫徑流預(yù)測對金溪防災(zāi)預(yù)警和水與電力資源協(xié)調(diào)配置至關(guān)重要，而提前和準(zhǔn)確的天氣信息是池潭徑流預(yù)測的關(guān)鍵基礎(chǔ)。本文擬對TIGGE 資料中心的NCEP、ECMWF、JMA 和KMA 等四類預(yù)報(bào)產(chǎn)品在福建金溪池潭流域的預(yù)報(bào)效果進(jìn)行評價，從降水分級預(yù)報(bào)、降水量級和降水過程預(yù)報(bào)等角度出發(fā)，綜合評估多類產(chǎn)品的綜合預(yù)測性能，并采用多種集成方法對比研究多模式降水集成預(yù)報(bào)在區(qū)域的適用性，以期更好地為區(qū)域防災(zāi)預(yù)警和資源配置決策提供支撐。

1 研究區(qū)域、資料與方法

1.1 研究區(qū)域

金溪為福建省閩江水系的二級支流，發(fā)源于杉嶺山脈東部，其上游稱寧溪，在西南部與其大支流杉溪匯合，稱金溪。池潭水庫位于金溪中上游，流域地理位置如圖1 所示，其壩址以上控制流域面積4 766 km2，占整個金溪流域的66%，池潭水電站以上河長253 km，平均坡降0.15%。本文收集整理了池潭流域內(nèi)18 個雨量站2014—2017 年的逐日降水，1 個國家基本氣象站點(diǎn)1981—2017 年的逐日降水，各站點(diǎn)位置如圖1 所示，站點(diǎn)的空間分布較為均勻，數(shù)據(jù)長度也滿足產(chǎn)品評估需求。

圖 1 池潭流域及TIGGE 網(wǎng)格地理位置Fig. 1 Geographical location of Chitan watershed and TIGGE grid

1.2 資料來源及處理

交互式全球大集合系統(tǒng)（TIGGE）是世界天氣研究計(jì)劃的系統(tǒng)研究與可預(yù)報(bào)性試驗(yàn)THROPEX 計(jì)劃的核心組成部分，旨在將全世界各國的氣象業(yè)務(wù)中心集合預(yù)報(bào)產(chǎn)品集中起來，形成超級集合預(yù)報(bào)系統(tǒng)，并加速提高中短期1～14 d 預(yù)報(bào)時效上的預(yù)報(bào)精度[16-17]。本文選取了TIGGE 資料中心ECMWF、NCEP、JMA 和KMA 四種模式2014—2017 年的24 h （未來 1 d）控制預(yù)報(bào)產(chǎn)品作為檢驗(yàn)和集成對象，模式基本信息見表1，預(yù)報(bào)數(shù)據(jù)空間分辨率為0.5°，統(tǒng)一選取世界時（Universal Time Coordinated，UTC） 00: 00 作為預(yù)報(bào)起點(diǎn)，這對應(yīng)北京時間08: 00 （UTC+8: 00），正好與中國每日氣象觀測信息起點(diǎn)一致。覆蓋流域的TIGGE 網(wǎng)格共有6 個，如圖1 所示。控制預(yù)報(bào)數(shù)據(jù)可在網(wǎng)站http://apps.ecmwf.int/datasets/data/tigge/levtype=sfc/type=cf/進(jìn)行下載。下載的模式數(shù)據(jù)格式為二進(jìn)制格點(diǎn)數(shù)據(jù)(GRIB2)格式，可用資料中心提供的wgrib2.exe 解碼得到相應(yīng)的數(shù)據(jù)文本，具體解碼命令可在Windows 命令提示符窗口下進(jìn)行操作[18]。

本文統(tǒng)一采用網(wǎng)格平均和多站點(diǎn)算術(shù)平均提前將多模式降水和多站點(diǎn)實(shí)測降水處理為流域面平均降水，以此檢驗(yàn)TIGGE 資料中心四種產(chǎn)品在池潭流域的日降水預(yù)報(bào)效果，并開展多模式降水集成預(yù)報(bào)研究。

表 1 數(shù)值預(yù)報(bào)產(chǎn)品基本信息Tab. 1 Basic information of the numerical prediction products

1.3 降水預(yù)報(bào)檢驗(yàn)方法

1.3.1 降水分級預(yù)報(bào)檢驗(yàn) 參考中國氣象局雨量等級劃分的標(biāo)準(zhǔn)，根據(jù)24 h 的降水量大小將降水量分為無雨（雨量＜0.1 mm）、小雨（0.1 mm ≤雨量＜10.0 mm）、中雨（10.0 mm ≤雨量＜25.0 mm）、大雨（25.0 mm ≤雨量＜50.0 mm）、暴雨以上（雨量≥50.0 mm）等5 個等級，并采用氣象部門常用的《中短期天氣預(yù)報(bào)質(zhì)量檢驗(yàn)辦法》，利用TS 評分（臨界成功指數(shù)）、BS 評分（預(yù)報(bào)偏差）、FAR（空報(bào)率）及PO（漏報(bào)率）這4 個評估指標(biāo)來檢驗(yàn)不同模式在降水分級預(yù)報(bào)中的表現(xiàn)，各指標(biāo)計(jì)算公式如下：

式中：i代表不同的降水量級；NAi為預(yù)報(bào)正確的次數(shù)；NBi為空報(bào)的次數(shù)（即預(yù)報(bào)了某量級降水而實(shí)際沒有出現(xiàn)的情況）；NCi為漏報(bào)的次數(shù)（即沒有預(yù)報(bào)某量級降水而實(shí)際卻出現(xiàn)了的情況）。實(shí)況缺報(bào)或預(yù)報(bào)缺報(bào)，均不計(jì)入統(tǒng)計(jì)。

1.3.2 降水量預(yù)報(bào)檢驗(yàn) 除降水分級預(yù)報(bào)效果評估外，對日降水量及過程預(yù)報(bào)進(jìn)行整體評估也很有必要。本文采用AS 評分（Acceptable Score）檢驗(yàn)降水量預(yù)報(bào)效果[19]。AS 評分是一個綜合考慮絕對誤差和相對誤差的檢驗(yàn)指標(biāo)，其計(jì)算公式為：

式中：N1為預(yù)報(bào)系列中可接受的預(yù)報(bào)次數(shù)；N為總的預(yù)報(bào)次數(shù)。可接受預(yù)報(bào)的標(biāo)準(zhǔn)是滿足條件：|Ea|≤Th或|Er|≤50%，Ea和Er分別為絕對誤差和相對誤差；Th為絕對誤差的閾值，24 h 累積降水量的檢驗(yàn)時取5 mm。

同時，利用檢驗(yàn)雨量預(yù)報(bào)誤差的常用指標(biāo)：平均絕對誤差（MAE）、均方根誤差（RMSE）、預(yù)報(bào)偏小率（Sl）、預(yù)報(bào)偏小誤差（Xl）、預(yù)報(bào)偏大（Sg）和預(yù)報(bào)偏大誤差（Xg）來評估降水量預(yù)報(bào)效果，并采用Nash～Sutcliffe 效率系數(shù)（NSE）評估降水過程預(yù)報(bào)的整體效果。

式中：Ft和Ot分別為第t天的預(yù)報(bào)降水和實(shí)測降水；N為總預(yù)報(bào)天數(shù)；Xlt為第t天降水偏小的誤差；Xgt為第t天降水偏大的誤差。若Ft＜Ot則預(yù)報(bào)偏小，Xlt=Ft-Ot，Nl為N天降水預(yù)報(bào)中偏小的總天數(shù)；反之若Ft＞Ot則預(yù)報(bào)偏大，Xgt=Ft-Ot，Ng為N天降水預(yù)報(bào)中偏大的總天數(shù)。平均絕對偏差（MAE）反映預(yù)報(bào)序列偏離實(shí)測的程度；均方根誤差（RMSE）反映預(yù)報(bào)場和實(shí)況場差別的平均大小；預(yù)報(bào)偏小率（Sl）與偏小誤差（Xl）、預(yù)報(bào)偏大

率（Sg）與偏大誤差（Xg）分別反映降水預(yù)報(bào)值相對實(shí)測值的平均偏小和偏大程度。

1.4 降水集成方法

1.4.1 多元回歸集成預(yù)報(bào) 多元回歸集成預(yù)報(bào)法[20]是以各種預(yù)報(bào)產(chǎn)品為回歸因子，以對應(yīng)預(yù)報(bào)對象的實(shí)際觀測值為集成變量，根據(jù)多元回歸分析方法進(jìn)行預(yù)報(bào)集成。目的是通過多元回歸分析的擬合使集成變量能夠最大程度地逼近預(yù)報(bào)對象的實(shí)際觀測值

1.4.2 Nash 加權(quán)平均集成預(yù)報(bào) Nash 效率系數(shù)NSE 加權(quán)平均法即以4 種模式的預(yù)報(bào)值和實(shí)測值之間的效率系數(shù)作為多模式集成的權(quán)重，計(jì)算公式如下：

式中：Wi為第i種模式的權(quán)重；m為參與集成的模式個數(shù)。

1.4.3 TS 分級加權(quán)平均集成預(yù)報(bào) TS 評分分級加權(quán)法是以降水分級預(yù)報(bào)的TS 評分為權(quán)重，分別對不同量級降水進(jìn)行加權(quán)。該方法是在NSE 系數(shù)加權(quán)平均法基礎(chǔ)上的改進(jìn)，不同量級降水賦予不同的權(quán)重值。傳統(tǒng)的加權(quán)平均法（如平均權(quán)重法、效率系數(shù)加權(quán)平均法）均是根據(jù)相關(guān)指標(biāo)值賦予某一種模式單個權(quán)重[21]，但由于不同模式對不同量級降水預(yù)報(bào)的效果存在一定差異，而單模式權(quán)重值僅可以反映該模式整體的預(yù)報(bào)效果，而無法體現(xiàn)模式對不同量級降水的預(yù)報(bào)差異，因此，本文以降水分級檢驗(yàn)的TS 評分為依據(jù)構(gòu)建了TS 評分分級加權(quán)平均法。計(jì)算方法如下所示：

式中：TSi,j為第i種模式j(luò)量級降水的TS 評分值；Wi,j為第i種模式j(luò)量級降水的TS 權(quán)重值；Pi,j為第i種模式j(luò)量級降水的降水量；Pj為j量級的多模式集成降水。

由于不同模式對同一天預(yù)報(bào)的降水量級可能不同，導(dǎo)致計(jì)算該天的集成降水時無法選取合適量級的TS 評分權(quán)重參與計(jì)算，故本文限定，當(dāng)所有預(yù)報(bào)模式對該天的預(yù)報(bào)結(jié)果顯示有一半以上均預(yù)報(bào)為某一量級降水時，則認(rèn)定該量級的TS 評分權(quán)重為該天的權(quán)重值。

2 TIGGE 降水預(yù)報(bào)效果評估

2.1 降水分級預(yù)報(bào)

采用上述4 個評估指標(biāo)，分析NCEP、ECMWF、JMA 和KMA 這四類預(yù)報(bào)模式對福建金溪池潭水庫流域2014—2017 年不同降水量級的預(yù)報(bào)結(jié)果。由各等級降水的TS 評分結(jié)果圖（圖2）可知，各個模式無雨的TS 評分在0.40～0.60 之間，小雨的TS 評分在0.60～0.70 之間，說明各模式對無雨和小雨的預(yù)報(bào)能力均較高。對比空報(bào)率和漏報(bào)率變化圖，小雨以上等級預(yù)報(bào)的TS 評分呈明顯下降趨勢，空報(bào)率和漏報(bào)率則顯著增大，表明隨著降水量級的增加，各個模式預(yù)報(bào)能力逐漸下降。從各等級降水的BS 評分來看，各個模式小雨和中雨的BS 評分均大于1，表明各個模式對小雨和中雨的預(yù)報(bào)誤差主要來源于空報(bào)現(xiàn)象，反之，無雨、大雨、暴雨及以上等級的預(yù)報(bào)漏報(bào)現(xiàn)象較為嚴(yán)重。

對比各個模式的預(yù)報(bào)效果，可發(fā)現(xiàn)4 種模式在進(jìn)行無雨預(yù)報(bào)時，預(yù)報(bào)效果JMA＞KMA＞ECMWF＞NCEP；進(jìn)行小雨、中雨和大雨預(yù)報(bào)時，各個模式差別不大；當(dāng)進(jìn)行暴雨及以上量級的預(yù)報(bào)時，JMA 和KMA 模式TS 評分僅為0.10，顯著低于其他兩種模式（TS 評分在0.27 左右）。結(jié)合JMA 和KMA 模式BS 評分、空報(bào)率和漏報(bào)率變化情況可知，JMA 模式對暴雨及以上量級的預(yù)報(bào)漏報(bào)現(xiàn)象明顯高于其他模式，Su 等[22]的研究也顯示JMA 的暴雨預(yù)報(bào)量比其他中心要低得多，尤其是在較長的預(yù)見期內(nèi)。

同時，由圖2 TS 變化可知，JMA 和KMA 模式對無雨、小雨和中雨的預(yù)報(bào)效果均較好，小雨預(yù)報(bào)TS 評分高達(dá)0.69；而NCEP 和ECMWF 對大雨、暴雨及以上量級的預(yù)報(bào)效果最佳，暴雨及以上量級預(yù)報(bào)TS 評分達(dá)到0.27；ECMWF 模式對中雨以上量級的預(yù)報(bào)效果更優(yōu)，其TS 評分均略高于其他模式。總體而言，進(jìn)行25 mm 以下量級的降水預(yù)報(bào)時，JMA 模式最優(yōu)，而對25 mm 以上量級降水的預(yù)報(bào)ECMWF 效果更好。

圖 2 NCEP、ECMWF、JMA 和KMA 模式預(yù)報(bào)分級檢驗(yàn)結(jié)果Fig. 2 Classification test results of NCEP, ECMWF, JMA and KMA model

2.2 不同時期日降水量預(yù)報(bào)

2.2.1 不同月份降水量預(yù)報(bào)檢驗(yàn) 圖3 給出了各個模式預(yù)報(bào)的平均絕對誤差、均方根誤差、AS 評分值和效率系數(shù)的逐月變化過程。從MAE 和RMSE 兩類誤差指標(biāo)可以看出，4 種模式對各個月份降水量的預(yù)報(bào)效果不一，其中對5—6 月的降水量預(yù)報(bào)效果最差，預(yù)報(bào)的平均絕對誤差達(dá)到7.5 mm 以上，均方根誤差也高于15.0 mm；預(yù)報(bào)相對較好的月份如1—2 月、9—10 月和12 月等，其平均絕對誤差基本低于3.0 mm，均方根誤差也均低于5.0 mm。對比各個模式的預(yù)報(bào)誤差，4 種模式除在9 月份的平均絕對誤差和均方根誤差有較為明顯的差異外，在其他月份并無太大差異；并且，NCEP 模式在多數(shù)月份的平均絕對誤差要高于其他3 種模式，而JMA 和ECMWF 模式的預(yù)報(bào)誤差要略低于其他模式。因此從預(yù)報(bào)誤差來看，4 種模式在預(yù)報(bào)各個月份的日降水量時效果差異不大，但整體而言JMA 和ECMWF 模式的預(yù)報(bào)效果更好一些。

從AS 評分和效率系數(shù)兩類精度指標(biāo)來看，精度指標(biāo)隨月份的分布情況和上文誤差指標(biāo)隨月份的分布情況基本一致，4 種模式預(yù)報(bào)的效果隨時間呈先下降再上升的變化特征。其中5—6 月模式預(yù)報(bào)降水的AS 評分均低于0.70，效率系數(shù)也均低于0.50，表明5—6 月份降水量預(yù)報(bào)最差；同時，根據(jù)效率系數(shù)的變化情況，4 種模式對于4 月、7 月和11 月的降水預(yù)報(bào)效果也相對比較差。對比各個模式的預(yù)報(bào)精度，從AS 評分來看，4 種模式之間的預(yù)報(bào)效果差異并不大，但從效率系數(shù)來看，模式間的差異較為明顯，如3—4 月、7 月和9 月預(yù)報(bào)最好的模式和預(yù)報(bào)最差模式的效率系數(shù)差值均高于0.20，其中9 月份的效率系數(shù)差值更達(dá)到0.45 以上；并且，JMA 和ECMWF 模式在多數(shù)月份的預(yù)報(bào)精度要高于其他兩種模式。總的來看，雖然不同指標(biāo)對不同模式間的對比判別有所差異，但無論從誤差指標(biāo)還是精度指標(biāo)的判定而言，JMA 和ECMWF 模式在預(yù)報(bào)各個月份日降水量時效果均要更好一些。

圖 3 各個模式預(yù)報(bào)檢驗(yàn)指標(biāo)的月變化Fig. 3 Monthly variation of forecast verification indexes of each model

2.2.2 不同季節(jié)降水量預(yù)報(bào)檢驗(yàn) 圖4 給出了各個模式預(yù)報(bào)的平均絕對誤差、均方根誤差、AS 評分值和效率系數(shù)的季節(jié)變化過程。從MAE 和RMSE 兩類誤差指標(biāo)可以看出，4 種模式在預(yù)報(bào)各個季節(jié)的日降水時具有明顯差異，其中春季和冬季的平均絕對誤差基本在1.2 和2.5 mm，均方根誤差在3.0 和6.0 mm 左右，而夏季和秋季的平均絕對誤差均高于5.0 mm，均方根誤差也均高于11.0 mm。對比各個模式間的預(yù)報(bào)誤差，4 種模式在預(yù)報(bào)春季日降水時，預(yù)報(bào)效果差異較小，預(yù)報(bào)其他季節(jié)日降水時差異較為明顯，其中JMA 模式的平均絕對誤差相對低于其他3 種模式，ECMWF 模式的均方根誤差也相對低于其他模式。

從AS 評分和效率系數(shù)兩類精度指標(biāo)來看，精度指標(biāo)隨季節(jié)的分布情況和上文誤差指標(biāo)隨季節(jié)的分布情況基本一致，4 種模式預(yù)報(bào)的效果隨時間呈現(xiàn)先下降再上升的變化特征。預(yù)報(bào)較好的春季和冬季的AS 評分均高于0.85，而預(yù)報(bào)較差的夏季和秋季AS 評分均低于0.80，效率系數(shù)也均低于0.50，并且，各個模式對各個季節(jié)降水的預(yù)報(bào)效果各有差異，但整體而言，ECMWF 模式對各個季節(jié)的預(yù)報(bào)精度均優(yōu)于其他模式。

不同模式在不同方面的表現(xiàn)存在一定的差異性，這與模型本身結(jié)構(gòu)和配置方案有很大關(guān)聯(lián)（表1）。比如相對其他模式，ECMWF 在結(jié)構(gòu)上耦合了海洋模型，并且其垂直分層達(dá)到137 層（高度0.01 hPa），模式結(jié)構(gòu)和模式分辨率相對其他模式更優(yōu)，因而ECMWF 的綜合表現(xiàn)更為穩(wěn)健。

圖 4 各個模式預(yù)報(bào)檢驗(yàn)指標(biāo)的季節(jié)變化Fig. 4 Seasonal variation of the forecast verification indexes of each model

3 多模式降水集成預(yù)報(bào)

選取TIGGE 中心的NCEP、ECMWF、JMA 和KMA 等4 種模式的2014—2017 年日降水預(yù)報(bào)數(shù)據(jù)為集成對象，采用多元回歸集成、Nash 加權(quán)平均集成和TS 分級加權(quán)平均集成方法對4 種模式降水進(jìn)行集成預(yù)報(bào)，并采用上文TS 評分、各類降水量及過程預(yù)報(bào)檢驗(yàn)指標(biāo)分析集成預(yù)報(bào)效果。TS 評分檢驗(yàn)結(jié)果見圖5。

圖 5 集成預(yù)報(bào)與常規(guī)預(yù)報(bào)的降水分級TS 評分檢驗(yàn)結(jié)果Fig. 5 The classification TS score test results of integrated forecast and conventional forecast products

由圖5 可見，3 種集成方法對不同量級降水的集成效果各有差異，回歸集成預(yù)報(bào)對無雨和小雨兩種量級降水事件的預(yù)報(bào)效果較好，其TS 評分相對于該量級的單模式最優(yōu)預(yù)報(bào)JMA 模式要高。Nash 加權(quán)平均集成預(yù)報(bào)相比于單模式預(yù)報(bào)，僅在中雨預(yù)報(bào)時其TS 評分大于該量級最優(yōu)的單模式預(yù)報(bào)KMA 模式，而相較于其他兩種集成預(yù)報(bào)，該方法的預(yù)報(bào)效果并無明顯優(yōu)勢。相對而言，TS 分級加權(quán)平均集成預(yù)報(bào)對中雨、大雨、暴雨以上3 種降水事件的預(yù)報(bào)效果較好，其TS 評分相對于該量級的單模式最優(yōu)預(yù)報(bào)均要高（大雨和暴雨以上的單模式最優(yōu)預(yù)報(bào)為ECMWF 模式）。將集成預(yù)報(bào)同單模式預(yù)報(bào)進(jìn)行對比可知，盡管部分集成預(yù)報(bào)并未比單模式最優(yōu)預(yù)報(bào)效果要好，但集成預(yù)報(bào)對于各個量級的預(yù)報(bào)效果均優(yōu)于大多數(shù)單模式模型，表明多模式集成預(yù)報(bào)能有效提高降水預(yù)報(bào)的穩(wěn)定性。

降水量及過程預(yù)報(bào)檢驗(yàn)指標(biāo)如表2 所示。從MAE 和RMSE 這兩個誤差指標(biāo)可以看出，NCEP、ECMWF、JMA 和KMA 這4 種模式的平均絕對誤差和均方根誤差的變化范圍分別為3.9～4.3 mm、8.6～9.0 mm，而3 種集成預(yù)報(bào)方法的平均絕對誤差和均方根誤差的變化范圍分別為3.6～3.7 mm、8.0～8.3 mm，整體相對于單模式預(yù)報(bào)的誤差有所降低。從AS 和NS 兩類精度指標(biāo)可以看出，4 種單模式預(yù)報(bào)的AS 評分和效率系數(shù)的變化范圍分別為0.81～0.83、0.49～0.55，而3 種集成預(yù)報(bào)的AS 評分和效率系數(shù)的變化范圍分別為0.84～0.86、0.60～0.61，表明降水集成預(yù)報(bào)能夠有效提高日降水量及過程預(yù)報(bào)的精度。對比4 種模式和3 種集成方法的偏小率、偏大率、偏小誤差和偏大誤差還可發(fā)現(xiàn)，7 種方法的偏大率均高于偏小率，而偏大誤差均低于偏小誤差，說明這4 種模式和3 種集成方法預(yù)報(bào)時偏大現(xiàn)象更多，但偏小幅度更為嚴(yán)重。分析可知，集成預(yù)報(bào)的偏大偏小誤差現(xiàn)象主因在于4 種模式原始的預(yù)報(bào)偏差，盡管通過集成方法能從一定程度上降低整體降水預(yù)報(bào)的誤差，提高降水預(yù)報(bào)精度，但由于集成方法本身考慮因素較少、原理簡單，因而并不能較好解決此類偏大偏小誤差現(xiàn)象。

表 2 集成預(yù)報(bào)與常規(guī)預(yù)報(bào)產(chǎn)品檢驗(yàn)指標(biāo)統(tǒng)計(jì)Tab. 2 Verification index statistics of integrated forecast and conventional forecast products

對比3 種集成預(yù)報(bào)的MAE 和RMSE 誤差指標(biāo)，TS 集成的平均絕對誤差最小，而回歸集成方法的均方根誤差最小；同時從AS 和NS 兩類精度指標(biāo)來看，TS 集成的AS 評分達(dá)到0.86，效率系數(shù)也達(dá)到0.61，表明TS 集成和回歸集成兩種方法的預(yù)報(bào)效果均較好。綜合上文3 種集成方法的各量級降水TS 評分結(jié)果可知，利用這3 種方法進(jìn)行降水集成預(yù)報(bào)時，預(yù)報(bào)效果優(yōu)劣為：TS 集成＞回歸集成＞Nash 集成。

4 結(jié) 語

以池潭流域?yàn)檠芯繉ο螅瑢IGGE 數(shù)據(jù)中心的ECMWF、NCEP、JMA 和KMA 模式2014—2017 年日降水預(yù)報(bào)數(shù)據(jù)進(jìn)行了精度檢驗(yàn)，采用多種評價指標(biāo)分別從降水分級預(yù)報(bào)、降水量預(yù)報(bào)和過程預(yù)報(bào)等角度綜合分析了單模式預(yù)報(bào)產(chǎn)品在池潭流域的適用性；并采用回歸集成、TS 集成和Nash 系數(shù)集成等3 種方法對多模式產(chǎn)品開展了降水集成預(yù)報(bào)，在此基礎(chǔ)上，探討了不同集成方法對最終降水預(yù)報(bào)效果的影響，同時對比了單模式降水預(yù)報(bào)和基于多模式的降水集成預(yù)報(bào)的效果。結(jié)果表明：

（1）TIGGE 資料中心的4 種模式對無雨和小雨的預(yù)報(bào)效果較好，其TS 評分均高于0.45，而對暴雨及以上量級的降水預(yù)報(bào)效果較差，其中最優(yōu)模式ECMWF 的TS 評分也僅為0.27；對比各個模式對各量級降水的預(yù)報(bào)效果，進(jìn)行25 mm 以下量級的降水預(yù)報(bào)時，JMA 模式最優(yōu)，而對于25 mm 以上量級降水的預(yù)報(bào)ECMWF 預(yù)報(bào)效果更好。

（2）對于日降水量的預(yù)報(bào)，NCEP 模式對日降水量的預(yù)報(bào)效果最差，而ECMWF 模式對日降水量的預(yù)報(bào)則最為精確，整體而言，這4 種模式預(yù)報(bào)時偏大現(xiàn)象更多，但偏小幅度更為嚴(yán)重。對于日降水過程的預(yù)報(bào)，KMA 模式的效率系數(shù)為0.49，而其他3 種模式效率系數(shù)均高于0.52，其中ECMWF 模式的效率系數(shù)最高，達(dá)0.55，表明ECMWF 模式對2014—2017 年金溪池潭水庫流域的日降水過程的預(yù)報(bào)相對更為準(zhǔn)確。

（3）集成預(yù)報(bào)對降低預(yù)報(bào)誤差并提高降水過程預(yù)報(bào)有較好的效果，本文選用的3 種集成方法中，預(yù)報(bào)效果優(yōu)劣為：TS 集成＞回歸集成＞Nash 集成。TS 集成方法針對不同量級分類加權(quán)，較好地提升了高量級降水的預(yù)測效果。