長江流域多模式動態集成降水預報方法及應用評估*

王海燕 孟英杰 程昌玉 陳良華 李 波 王曉玲

1 湖北省黃石市氣象局，黃石 435002

2 武漢中心氣象臺，武漢 430074

3 湖北省氣象信息與技術保障中心，武漢 430074

4 三峽水利樞紐梯級調度通信中心，湖北 宜昌 443000

提 要： 將長江流域進行精細分區，基于ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO、CMA-SH9等多模式降水預報產品，開展各模式在滑動訓練期分區、分時效、分量級的動態TS檢驗，獲取各模式降水預報性能動態序列，再經客觀識別降水類型,調整不同天氣尺度模式排序，對大雨及以上量級采用“鄰域擇優法”,對中雨及以下量級采用“點對點擇優法”，利用集合預報概率產品和模式統計分析結果對強降水和小雨進行消空，最終得到多模式動態集成降水產品(MDI)。采用14、21、28和35 d滑動訓練期，分別輸出MDI-14、MDI-21、MDI-28和MDI-35。應用分析表明：MDI在各量級降水預報優勢明顯，其中MDI-28預報大雨及以上的降水效果最好，24 h時效TS評分較其他模式高0.051～0.141；MDI-35預報中雨及以下的降水效果最好，24 h時效TS評分較其他模式高0.006～0.117，空、漏報也有很好的控制。對比24 h時效MDI與ECMWF的站點檢驗結果空間分布情況發現：前者TS評分在長江流域大部地區高于后者，特別是大雨及以上量級降水評分在長江上游東部、中下游沿江及以北地區高出0.05～0.26。

引 言

長江流域水系眾多，地形復雜。為滿足長江防汛抗洪、水庫調度和航運交通等需求，2018年長江流域氣象中心從基于氣象站點的傳統降水預報轉向5 km分辨率的精細化網格降水預報發展，預報員通過人機交互的定量降水預報業務平臺，基于插值后的高分辨率數值模式降水預報產品進行交互訂正。

然而定量降水預報由于影響其時間變化和空間分布的變量太多，被認為是數值模式預報最困難的挑戰之一(Golding,2000;Ebert et al,2003)，使得基于插值后的高分辨率數值模式降水預報產品訂正效果充滿不確定性。盡管近年來通過持續不斷地提升模式空間分辨率、改進數據同化能力、完善數值計算方法和次網格物理過程的參數化方案，數值預報模式的降水預報能力不斷上升(Forbes et al,2015;Malardel et al,2015)，但也造成了模式降水預報的系統性誤差不太穩定。各個模式在動力框架、分辨率、初始場、資料同化技術及物理參數化方案等方面存在差異，使得各模式在模擬能力上存在地理差異(智協飛等，2013；范宇恩等，2019),也在不同降水強度預報上誤差各異(陳博宇等，2015；張宏芳等，2014)，當然對不同地區不同降水強度的預報性能差異更明顯(辛辰和漆梁波，2018;郝瑩等，2019)。

為彌補模式預報缺陷，有必要對數值預報結果進行后處理和訂正。Scheuerer and Hamill(2015)指出降水的不連續偏態分布特征和強降水樣本的不足，導致降水的統計后處理相比于溫度和風速等要素更加復雜。畢寶貴等(2016)指出在實際業務中，為了對海量預報數據中的有效信息進行提取和集成，通常采用定量降水訂正與集成技術、概率預報處理技術和統計降尺度技術等方法進行降水預報后處理。由于模式降水預報與實況始終存在一定偏差(王雨和閆之輝，2006；周慧等，2010；熊秋芬，2011；任宏昌,2017),智協飛等(2016)、孫靖等(2015)針對不同量級降水進行相應的偏差訂正。Ross and Krishnamurti(2005)、陳麗娟等(2005)、趙聲蓉(2006)、Cartwright and Krishnamurti(2007)應用超級集合預報技術，對各天氣預報中心的模式預報結果進行集成，發現多模式集成預報效果優于單個中心的預報，對平均海平面氣壓、地面氣溫等連續變量要素的改進效果較好，但對降水場的改進效果并不理想(智協飛等，2013)。究其原因，該方法過度擬合了某幾個樣本距平的極大值，使得各模式權重系數不能真實反映模式的預報能力。

綜上所述，降水預報的訂正需要考慮地理、強度、時效、模式誤差等多種因素，所以本文擬對長江流域開展精細分區、分時效、降水量分級的多模式產品動態TS檢驗，在此基礎上建立各分區最優預報方案，對每一個格點通過“鄰域擇優法”或“點對點擇優法”賦值，從而將不同尺度模式的結果進行優勢集成，獲得0～168 h最優降水預報場，以期為提高流域降水預報準確率以及洪水預報提供技術支撐，為長江大型水庫精細化調度和水資源精準開發利用提供參考依據。

1 資料介紹

文中使用2018—2020年的全球模式和區域模式降水預報產品，具體為：全球模式采用歐洲中期天氣預報中心(ECMWF)、美國國家環境預報中心(NCEP)、中國氣象局全球同化預報系統(CMA-GFS)和德國氣象局(GERMAN)降水預報產品；區域模式采用中國氣象局中尺度天氣數值預報系統(CMA-MESO)、中國氣象局上海數值預報模式系統(CMA-SH9)降水預報產品。另外，還使用了2018—2020年歐洲中期天氣預報中心集合預報概率產品和物理量場預報產品。模式預報產品起報時間為08時(北京時，下同)和20時，預報時效間隔為12 h，并通過距離權重插值法降尺度到5 km分辨率。

實況資料為2018—2020年長江流域723個國家站08時、20時過去12 h降水量觀測資料。

雨型判別物理量特征統計使用了2010—2017年58個強降水個例的美國國家環境預報中心(NCEP/NCAR)一日4次的大氣再分析資料。

2 長江流域分區方案

長江流域大部分地處我國亞熱帶東南季風和西南季風的影響范圍，地勢起伏大，水情組成復雜。根據干支流水系分布，長江流域目前有6種分區方式，按子流域的劃分方案從粗到細分別為10分區、20分區、28分區、39分區和56分區，其中56分區方案如圖1所示。由于流域內地貌類型多樣，造成不同地區降水氣候差異較大(周秋雪等，2019)，而不同數值模式對各地的降水預報性能差異也較大(智協飛等，2013；陳博宇等，2015；張宏芳等，2014)。因此研究長江流域精細降水預報技術，有必要合理劃分子流域區間。本文在長江流域干支流水系56分區的基礎上，結合地形特點、水系分布、氣候差異和相關部門調度需求，將長江流域分成43個區域(圖2)，分區名稱見表1。

圖1 長江流域干支流水系56分區示意圖Fig.1 The 56 divisions of main and tributaries in the Yangtze River Basin branch

表1 長江流域精細訂正預報43分區名稱Table 1 The names of 43 divisions for fine revised forecast in the Yangtze River Basin

3 分區建立最優預報方案

3.3 構建數據集

如前文所述，由于模式預報能力不斷提升(Forbes et al,2015;Malardel et al,2015)，在不同年份，同一模式對同一地區的降水預報特點可能會有不同。如果訓練期內的降水特征與預報期內的降水特征出現較大差別，訓練期方案可能導致對預報期內的降水預報“反訂正”(孫靖等，2015)，因此訓練期須反映近期天氣變率的特點。

本文以2018—2020年5月1日至9月30日為預報期構建各模式降水預報樣本集，以每個預報日的前14、21、28、35 d為滑動訓練期構建各模式降水預報TS評分樣本集，還構建了2018—2020年對應時段的實況樣本集。

3.3 分區分級模式性能排序

將12 h降水量分為4個等級進行檢驗，分別為小雨(0.1～9.9 mm)、中雨(10～24.9 mm)、大雨(25～49.9 mm)、暴雨(50 mm及以上)。全球模式ECMWF、NCEP、CMA-GFS、GERMAN降水預報產品的檢驗時效為12～24、24～36、36～48、48～60、60～72、72～84、84～96、96～108、108～120、120～132、132～144、144～156、156～168 h，其中ECMWF、NCEP、CMA-GFS時效較其他模式多168～180 h。區域模式CMA-SH9、CMA-MESO降水預報產品的檢驗時效為12～24、24～36、36～48、48～60、60～72 h，其中CMA-MESO時效較其他模式多72～84 h。

可見，參與12～72 h檢驗的模式最多，有6個：ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO和CMA-SH9；參與72～84 h檢驗的有5個:ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO；參與84～168 h檢驗的模式有4個:ECMWF、NCEP、CMA-GFS、GERMAN；參與168～180 h檢驗的模式有3個:ECMWF、NCEP、CMA-GFS。

首先，開展了2018—2019年汛期(5—9月)各模式在各分區、各量級降水的TS評分檢驗，建立預報性能基礎序列。其次，利用2020年汛期(5—9月)各模式降水預報樣本集，計算訓練期內各模式在各分區、各分級降水的TS評分，從而按評分高低得到各模式在各分區、分級降水的預報性能序列。若某分區在訓練期內的某一量級降水實況樣本數為0個，或所有模式針對該量級降水的TS評分為0，則以預報性能基礎序列(即2018—2019年各模式的該量級降水TS評分)作為排序依據。

3.3 雨型客觀識別法

對于不同尺度的降水，全球模式和區域模式的預報能力各有優劣，在分級降水預報性能序列的基礎上，通過研究建立物理量閾值，確定全球模式和區域模式選用的優先級。

利用58個強降水個例，按照水汽條件、動力條件、不穩定條件三要素以及特殊環境條件，分別提取水汽及層結特征(可降水量、850 hPa露點溫度、700 hPa 溫度露點差)、動力條件(925 hPa鋒生函數、地面3 h變壓、700 hPa風速)、不穩定能量(濕對流有效位能CAPE、抬升指數LI、沙氏指數SI和K指數)、降水效率(抬升凝結高度LCL、暖云厚度)等相關物理量做統計分析，分析大尺度和中尺度降水過程期間物理量的異同，凝練了兩個主要物理量作為雨型客觀識別判據。條件1：LI<0℃；條件2：CAPE≥477 J·kg-1。當同時符合這兩個條件時，認為降水為對流性降水，優先使用區域模式；否則為穩定性降水，優先使用全球模式。

3.3 “鄰域擇優法”和“點對點擇優法”

研究表明，ECMWF模式在長江上游流域的降水預報在落區上存在偏差(王海燕等，2017),CMA-GFS存在對流性降水預報較實況偏北或主雨帶南側暖區降水預報不足的偏差特征(宮宇等，2018)。如圖3所示，實際暴雨落區發生在灰色區域的可能性較大，但若嚴苛地點對點比較模式1和模式2預報的暴雨落區，則易漏掉暴雨重要信號。本文對大雨及以上量級采用“鄰域擇優法”，以期有效保留各模式的強降水信息。以圖4為例，假設該預報格點所在分區、暴雨量級的模式性能排序前三的為模式a1、模式a2、模式a3，對該格點周圍5 km范圍內進行搜索，若排序前三模式中有超過兩個預報為暴雨，則認為該格點為暴雨量級，并在兩個預報暴雨的模式中采信預報性能排序最前、距離該格點最近的模式暴雨值進行賦值。但對中雨、小雨量級，若采用“鄰域擇優法”則會增加空報率，因此采用“點對點擇優法”。

圖3 模式a1(白色)和模式a2(黑色)預報暴雨落區及易發生暴雨落區(灰色)的示意圖Fig.3 Rainstorm forecast area of model a1 (white), model a2 (black) and rainstorm prone area (grey)

圖4 鄰域擇優法示意圖Fig.4 Schematic diagram of neighborhood optimization method

在方案試驗評估過程中發現，采用上述思想建立的產品與客觀數值模式對比，對大量級降水的預報質量明顯提高，對大雨以上量級降水采用“鄰域擇優法”較“點對點擇優法”TS評分提高2%以上。

3.3 降水預報消空方法

(1)基于集合預報概率閾值暴雨消空法

對大量級降水預報采用“鄰域擇優法”賦值雖然提高了預報的TS評分，但也在一定程度上增加了空報率。研究表明，ECMWF集合預報的集合平均對暴雨存在明顯漏報(董全等，2016；陳圣劼等，2019)，利用集合預報的這一特性，對2018—2019年長江流域汛期暴雨過程樣本進行統計，分析表明，當50 mm以上強降水概率預報小于5%時，暴雨出現概率極低，因此，選取5%作為強降水消空閾值。

(2)分時段閾值小雨消空法

對于小雨預報，模式預報普遍空報，因此統計分析各模式不同月份的小雨空報率，選取弱降水空報的最佳閾值，作為消空指標。基于不同模式降水預報產品在不同分區的檢驗結果，得到不同月份各模式在各分區的弱降水閾值，如：檢驗表明，7—8月ECMWF模式在某分區預報12 h降水量≤0.5 mm時，降水實況一般為0 mm，則ECMWF模式在該分區7—8月的弱降水閾值為0.5 mm。

3.3 最優集成思路

由于獲取數值模式資料的滯后性，集成時采用前12 h起報的數值模式構成該時次的模式集。以20時的12 h降水訂正為例，采用數值模式08時起報的12～24 h降水預報數據。最優集成預報的“擇優”流程如圖5所示。首先判斷該格點50 mm以上的集合預報概率是否大于5%，當大于5%時，判斷其所屬分區內滑動訓練期暴雨最優模式排序，假設排序前三的模式依次為模式a1、模式a2和模式a3，且該格點周圍5 km范圍內模式a2和模式a3預報該時效有50 mm以上的降水，則認為該格點該時效為暴雨量級。由于模式a2的預報性能優于模式a3，因此采信模式a2的暴雨值賦值該格點。

圖5 多模式動態集成預報的“擇優”流程圖Fig.5 Flow chart of multi-mode dynamic integrated forecast

若該格點周圍5 km范圍內暴雨排序前三的模式中≤1個模式預報或該時效50 mm以上的集合預報概率小于5%，則認為該格點為暴雨以下量級。假設其所屬分區內滑動訓練期大雨最優模式排序為模式b1、模式b2和模式b3，則尋找該格點周圍5 km內是否有≥2個模式預報大雨，若模式b1和模式b3預報大雨，則采信滑動訓練期預報效能較好的模式b1大雨值賦值該格點。若≤1個模式預報大雨，則繼續判斷該格點是否有≥2個模式預報中雨；若≤1個模式預報中雨，則判斷該格點是否有≥2個模式預報小雨，并利用最優模式的小雨消空閾值判斷是否需要做消空處理；若≤1個模式預報小雨，則認為該格點無雨。由此獲得的0～168 h多模式動態集成降水預報場，稱為MDI(multi-model dynamic integration)，以預報日前14、21、28、35 d作為滑動訓練期產生的多模式動態集成降水預報場分別稱為MDI-14、MDI-21、MDI-28、MDI-35。

4 2020年業務應用效果評估

4.4 總體檢驗

2020年MDI產品投入業務應用，在長江流域汛期降水預報服務中取得了良好的應用效果。表2～表5分別是2020年5—9月MDI-14、MDI-21、MDI-28、MDI-35、ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO、CMA-SH9逐24 h降水預報產品的分級降水TS評分。

對暴雨以上量級(表2)，MDI產品TS評分最高，其中MDI-28有6個時效排前二，且在168 h時效排第一；MDI-21有5個時效排前二，且在24、48、120、144 h等4個時效排第一；MDI-14和MDI-35都有4個時效排前二，MDI-14在72 h、168 h排第一，MDI-35在96 h時效排第一。對大雨量級(表3)，MDI產品TS評分仍為最高，其中MDI-28和MDI-35的預報效果較好，有5個時效排前二，其中MDI-28在24、48、96、168 h等4個時效排第一，MDI-35在24 h、72 h等2個時效排第一，另外，MDI-14在120 h、144 h等2個時效排第一。對中雨量級(表4)，MDI產品中MDI-35和MDI-28較模式預報優勢明顯，有6個時效排前二，其中MDI-35有4個時效排第一。對小雨量級(表5)，MDI產品中MDI-35、MDI-28、MDI-21的預報效果較好，均有6個時效排前二，其中MDI-35有5個時效排第一。

表2 2020年5—9月MDI及各模式暴雨及以上預報TS評分Table 2 TS scores of MDI and numerical models’ rainstorm forecast from May to September 2020

表3 2020年5—9月MDI及各模式大雨預報TS評分Table 3 TS scores of MDI and numerical models’ heavy rain forecast from May to September 2020

表4 2020年5—9月MDI及各模式中雨預報TS評分Table 4 TS scores of MDI and numerical models’ moderate rain forecast from May to September 2020

表5 2020年5—9月MDI及各模式小雨預報TS評分Table 5 TS scores of MDI and numerical models’ light rain forecast from May to September 2020

分析各分級降水的空、漏報率(表略)發現，MDI產品對大雨、暴雨及以上的空、漏報率均明顯優于模式產品，特別是24 h大雨和暴雨的空、漏報率分別為0.561、0.462和0.521、0.605，遠低于模式產品,對中雨的漏報率也遠比模式產品低;而空報率除在96～168 h的4個時效略高于ECMWF以外，其他時效均低于模式產品。對小雨的空報率，24～72 h小于0.5，低于數值模式預報空報率，96 h之后較模式預報略高；漏報率則相反，24～72 h在0.149～0.174，略高于模式預報，96 h之后漏報率顯著降低，在0.1以下，遠低于模式預報。

總體來看，MDI產品對大雨及以上降水預報，在TS評分及空、漏報的整體預報效果均較好。MDI-21對24 h、48 h暴雨以上預報效果較好，MDI-28 對大雨以上降水預報效果整體較好；對中雨及以下降水，MDI-35預報效果較好，尤其是對小雨采取了分時段閾值消空法有效控制了小雨的空報率。

4.2 24 h分級降水TS檢驗空間分布對比

挑選24 h預報各量級降水TS最高的MDI產品和ECMWF作比較(圖6)。以ECMWF模式為參照，對于暴雨及以上降水預報，MDI-21產品在除金沙江以外長江流域大部地區TS評分達到0.2以上，高于ECMWF模式，特別是在漢江上游、烏江下游、清江、澧水、長江下游等地在0.35以上，且較ECMWF模式高出0.15以上；對于大雨預報，MDI-28產品在流域大部達到0.3左右或以上，且除金沙江上游、嘉陵江上游少數地區外，在流域其他大部地區高于ECMWF模式，其中漢江上游部分地區高出0.1以上；對于中雨預報，MDI-35產品在流域大部地區達到0.32左右或以上，除金沙江上游、漢江上游、陸水、洞庭湖流域部分地區外，流域其他地區均高于ECMWF模式；對于小雨預報，MDI-35產品在大部地區達到0.45以上，金沙江上中游、雅礱江、岷沱江、嘉陵江、長江上游干流等地達到0.55以上，且大部分地區高于ECMWF模式。

圖6 2020年5—9月(a)MDI-21暴雨，(b)MDI-28大雨，(c)MDI-35中雨，(d)MDI-35小雨的預報TS(填色)分布及其與ECMWF對比(等值線為MDI與ECMWF的TS評分差值，實線為正值，虛線為負值)Fig.6 TS-score (colored) distribution of (a) MDI-21 rainstorm, (b) MDI-28 heavy rain, (c) MDI-35 moderate rain and (d) MDI-35 light rain from May to September 2020 and its comparison with ECMWF (Contour is the TS-score difference between MDI and ECMWF, solid line is positive, and dotted line is negative)

可以看出，MDI產品的各級降水預報TS評分在長江流域大部地區較ECMWF模式有很大提高，特別是對大雨及以上量級的降水，在長江上游東部、中下游沿江及以北地區的優勢較為明顯；對中雨及以下量級的降水，則在長江流域中部和南部地區的優勢較為明顯。

5 結論與討論

將長江流域劃分成43個區域，分別以預報日前14、21、28、35 d作為滑動訓練期，基于多種全球和區域模式對每個分區開展分時效、降水分級的滾動TS檢驗，得到每個分區各時效各量級的模式性能排序。按照暴雨、大雨采用“鄰域擇優法”，中雨、小雨采用“點對點擇優法”的集成思路，輸出MDI-14、MDI-21、MDI-28和MDI-35共四種產品。對比分析2020年5—9月MDI及模式降水產品的預報效果，得到以下結論：

(1)從TS評分來看，MDI產品整體的預報效果較好。對大雨及以上量級降水MDI-28的整體預報效果較好，另外，24 h暴雨及以上降水MDI-21具有較好預報效果。對中雨及以下量級降水MDI-35產品預報效果較好。

(2)從空、漏報率來看，MDI產品對大雨及以上降水的預報效果最好，可見“鄰域擇優法”應用在≥25 mm 的降水上，并采用基于集合概率預報閾值消空的方法，可以較好地控制空、漏報率。“點對點擇優法”應用在<25 mm的降水上還是會造成一定的空報率的增加，而對小雨采取分時段閾值消空法有效降低了小雨的空報率，以此為代價帶來的漏報率的增加也有限，整體還是對預報的正確率有正貢獻。

(3)從MDI產品與ECMWF模式的24 h檢驗結果在長江流域分布情況來看，MDI產品在各量級降水的預報上較ECMWF模式有很大優勢，特別是對大雨及以上量級的降水，其在長江上游東部和中下游中部、北部地區表現出較好的預報能力，可為長江流域洪澇災害防御氣象服務提供較好的科技支撐和決策依據。

(4)最優集成方案能有效提升長江流域降水預報能力，不足之處在于對長江上游金沙江流域預報能力改善效果差。這主要是因為制定分區分級模式性能排序方案時，僅考慮了TS評分這一項檢驗指標，金沙江上游、雅礱江等地由于觀測站點少，限制了對降水分布的細致分析和預報效果的評估。今后還需開展多源降水融合分析格點實況應用,納入多種檢驗方法,結合天氣系統移動、降水季節變化和地形分布特點設計最佳模式集成方案，從而更合理地取眾模式之長，找到每一個格點的最佳賦值。