北京地區(qū)汛期降水時空分布的統(tǒng)計降尺度研究*

郝 翠 于 波 戴 翼 智協(xié)飛 張迎新

1 北京市氣象臺,北京 100097 2 南京信息工程大學(xué),氣象災(zāi)害教育部重點實驗室/氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心,南京 210044

提 要：降水的時空降尺度方案一直以來是智能網(wǎng)格預(yù)報業(yè)務(wù)的難點,通過對比多種時間和空間的降尺度方法,凝練出適用于北京地區(qū)的最優(yōu)方案。空間降尺度方面,對比反距離權(quán)重法、普通克里金法、最近鄰法、雙線性插值法、三維普通克里金法等5種方法的空間分布特征表明,雙線性插值法在北京地區(qū)的應(yīng)用效果最好,誤差最小且ETS評分最高;時間降尺度方面,采用基于區(qū)域數(shù)值模式(睿圖、CMA-MESO)產(chǎn)品的逐時分配和平均分配兩種方案,其中睿圖逐時分配、CMA-MESO逐時分配和平均分配在RMSE和MAE的誤差表現(xiàn)差距不大,但睿圖逐時分配在ETS上的效果最顯著,且在強降水時段表現(xiàn)也較優(yōu),說明從預(yù)報準確率角度采用睿圖逐時分配的優(yōu)勢更為明顯。雙線性插值和睿圖逐時分配作為北京地區(qū)客觀降水預(yù)報方法的時空降尺度方案,能夠支撐智能網(wǎng)格業(yè)務(wù)提供精細化的預(yù)報產(chǎn)品,其成果可為相關(guān)業(yè)務(wù)研究提供借鑒。

引 言

數(shù)值預(yù)報后處理產(chǎn)品已成為數(shù)值產(chǎn)品釋用的重要參考依據(jù)(趙聲蓉等,2012;唐健等,2018;郝翠等,2019;張宏芳等,2019;金巍等,2020),但目前數(shù)值預(yù)報后處理產(chǎn)品的時空分辨率仍不能滿足當前精細化預(yù)報服務(wù)的需求,因此發(fā)展適用于本地區(qū)的時空降尺度技術(shù)成為預(yù)報業(yè)務(wù)的關(guān)鍵問題。

降水具有時空不連續(xù)性、非正態(tài)分布等特點(王海霞和智協(xié)飛,2015;董旭光等,2018),因此時空降尺度一直以來是降水精細化預(yù)報業(yè)務(wù)的難點,不同降尺度方法所得到的插值結(jié)果不盡相同。在進行統(tǒng)計降尺度之前,必須先將基于站點或粗分辨率的網(wǎng)格產(chǎn)品插值到更細分辨率網(wǎng)格上(王亞男和智協(xié)飛,2012;智協(xié)飛等,2016;劉綠柳等,2018;吳遙等,2020)。對于空間降尺度,由于降水的局地性很大,尤其是在地形復(fù)雜區(qū)域,地理位置雖接近但降水量可能會差別很大,不同的空間插值方法產(chǎn)生的降水分布差異很大(鄔倫等,2010),因此需要遴選出本地適用性最好的插值方法;目前廣泛應(yīng)用且效果較好的空間插值方法包括最近鄰(Nearest)插值、雙線性(Bilinear)插值(陳勝東等,2015)、反距離權(quán)重(inverse distance weighting,IDW)插值(包慧濛等,2015)、普通克里金(ordinary Kriging,OK)插值(陳勝東等,2015)等;而基于地形信息的三維插值方法(吳鏈,2017)進行空間降尺度,應(yīng)用效果也較好。根據(jù)中國氣象局的業(yè)務(wù)要求,本文將基于觀測的站點資料插值成空間分辨率為5 km的格點產(chǎn)品,采用IDW、OK、Nearest、Bilinear、三維普通克里金(three-dimensional ordinary Kriging,TOK)5種插值方法對北京地區(qū)的降水進行空間降尺度試驗,該結(jié)果可以為粗分辨率數(shù)值模式及數(shù)值預(yù)報后處理產(chǎn)品提供參考。

時間降尺度的研究相對較少。劉湊華等(2021)通過模擬雨帶位置和形態(tài)來實現(xiàn)時間降尺度,其利用數(shù)值模式逐3 h預(yù)報進行位置訂正、動態(tài)重構(gòu)和頻率匹配,將逐日降水客觀預(yù)報降尺度為逐1 h。由于目前區(qū)域數(shù)值模式已有逐1 h預(yù)報產(chǎn)品,本文將觀測的日降水資料基于區(qū)域數(shù)值模式逐1 h的預(yù)報產(chǎn)品進行時間降尺度,并與平均分配的結(jié)果進行對比分析,相關(guān)結(jié)論可為粗時間分辨率的數(shù)值模式釋用及數(shù)值模式預(yù)報后處理產(chǎn)品提供參考。

本文針對降水客觀預(yù)報產(chǎn)品進行業(yè)務(wù)化應(yīng)用時遇到的時空降尺度問題,若直接利用降水客觀預(yù)報產(chǎn)品或數(shù)值模式的日降水預(yù)報進行時空插值,則難以對比時空插值的真實效果。為最大程度反映時空插值的效果,利用觀測的日降水資料和中尺度區(qū)域數(shù)值模式預(yù)報產(chǎn)品,進行時空降尺度試驗,探討北京地區(qū)最優(yōu)的降水時空降尺度技術(shù)方法,為智能網(wǎng)格預(yù)報業(yè)務(wù)建設(shè)提供參考和依據(jù)。

1 資料和方法

考慮到觀測數(shù)據(jù)的完整性和準確性,觀測資料采用2019年4—9月北京地區(qū)共364個自動氣象觀測站(以下簡稱自動站,2015年自動站總數(shù))逐時降水質(zhì)量控制產(chǎn)品,并將逐時產(chǎn)品處理成逐日(前日21時至當日20時)降水產(chǎn)品。數(shù)值預(yù)報產(chǎn)品選取對北京預(yù)報性能較好的北京市氣象局睿圖模式(RMAPS)和中國氣象局CMA-MESO的逐小時降水預(yù)報產(chǎn)品,預(yù)報時長為24 h。其中,睿圖模式為北京市城市氣象研究院于2002年開始研發(fā)的快速更新循環(huán)數(shù)值預(yù)報系統(tǒng),至今已升級更新了3個版本,對2007年以來北京地區(qū)重大天氣過程無一漏報(陳敏等,2014;仲躋芹等,2010;2017),截至目前可提供空間分辨率為3 km的地面要素及降水的集成預(yù)報(劉夢娟和陳敏,2014;閔晶晶,2014);CMA-MESO為中國氣象局自主研發(fā)的區(qū)域數(shù)值天氣預(yù)報系統(tǒng),2006年7月投入業(yè)務(wù)應(yīng)用,2014年起提供空間分辨率為10 km的地面降水預(yù)報產(chǎn)品,在天氣預(yù)報業(yè)務(wù)中發(fā)揮了重要作用(沈?qū)W順等,2020) 。本文所用時間,除特殊說明外,均為北京時。

1.1 空間降尺度方案

利用15 m空間分辨率的數(shù)字高程資料實現(xiàn)三維空間的降尺度處理。對比驗證的觀測資料為北京地區(qū)512個自動站(2019年自動站總數(shù))降水實況(圖1)。近年來北京地區(qū)的觀測站點逐年增加,而數(shù)值模式后處理技術(shù)需要相對穩(wěn)定的多年觀測資料,因此進行時空降尺度未采用較新的512個自動站的實況信息,而是仍采用364個站(2015年自動站總數(shù))的實況信息。

注:藍點:2015年,364個;圓點:2019年,512個。圖1 北京地區(qū)自動站分布圖Fig.1 Distribution of automatic weather stations (dots) across the Beijing Region

常用的5種空間降尺度方案具體為:(1)IDW:以插值點與樣本點間距離的倒數(shù)為權(quán)重進行加權(quán)平均(Bartier and Keller,1996)。(2)OK:以空間統(tǒng)計學(xué)作為理論基礎(chǔ),對空間分布數(shù)據(jù)進行全局變異函數(shù)計算,獲取最優(yōu)、線性、無偏的內(nèi)插估計;其本質(zhì)是由可用樣本數(shù)據(jù)的線性組合來獲得待插值點的降水量,其中加權(quán)值不僅與觀測點和待插值點的距離有關(guān),同樣與觀測點的位置、空間結(jié)構(gòu)相關(guān)(Pardo-Igúzquiza and Dowd,1998)。(3)Nearest:以距離網(wǎng)格點最近的站點值為此網(wǎng)格點值來進行插值(陳歡歡等,2007)。(4)Bilinear:采用2個變量的插值函數(shù)的線性插值擴展,利用網(wǎng)格點附近的4個站點值的水平、垂直方向上的線性內(nèi)插獲取網(wǎng)格點的值(葉金印等,2013)。(5)TOK:即在二維插值的基礎(chǔ)上加入高程信息,將海拔高度作為經(jīng)度、緯度之外的第三維度進行插值(曾懷恩和黃聲享,2007)。

利用上述方法將實況自動站觀測資料插值至5 km×5 km網(wǎng)格上。針對空間降尺度,本文采用交叉驗證法(Seaman,1983) 評價各方法的效果,即將逐日364個站的降水資料按8∶2的比例分成2組,用291個站資料進行插值,73個站的資料進行檢驗,為保證結(jié)果穩(wěn)定,每日資料隨機分組10次(圖2)。

圖2 北京地區(qū)時空降尺度方案技術(shù)路線圖Fig.2 The technology roadmap of spatio-temporal downscaling methods for the Beijing Region

1.2 時間降尺度方案

采用的數(shù)值模式資料為2019年5月1日至9月30日的北京睿圖模式和CMA-MESO的逐時降水預(yù)報,以及對應(yīng)的364個站降水實況(逐日和逐時)。本文設(shè)計2種方案(圖2):(1)當數(shù)值模式(睿圖逐時預(yù)報、 CMA-MESO逐時預(yù)報)預(yù)報有降水時,按照當日數(shù)值模式逐1 h的降水比例分配;當數(shù)值模式預(yù)報無降水時,平均分配;當數(shù)值模式預(yù)報有降水、觀測無降水時,按觀測無降水分配。(2)對逐日觀測降水進行逐時平均分配(平均分配)。

檢驗方法為計算各站點在整個降水過程中各時次觀測值與估計值間的均方根誤差(root mean square error,RMSE)、平均絕對誤差(mean absolute error,MAE)、 公平風險(equitable threat score,ETS)評分。其中,MAE反映估計值的誤差范圍,取值越接近0表明誤差越小;RMSE反映估計值的靈敏度和極值情況,取值越接近0表明誤差越小(高華喜和殷坤龍,2007;宋麗瓊等,2008);ETS反映預(yù)報準確率,是對TS評分的改進,對空報或漏報進行懲罰,使評分更公平,取值范圍為-1～1,越接近1表明預(yù)報效果越好。具體計算為:

(1)

(2)

(3)

2 結(jié)果分析

2.1 空間降尺度

對比5種降尺度方案(IDW、OK、Nearest、Bilinear、TOK)的空間分布特征,通過計算各站點在整個降水過程中逐時次觀測值與預(yù)報值間的誤差,檢驗了不同插值方法誤差的空間分布特征(表1)。結(jié)果表明,Bilinear的效果最好,RMSE和MAE最小,ETS評分最高;對10 mm以上降水的插值效果評估也表明Bilinear插值效果最好,ETS(>10 mm)可達0.65;OK的效果次之,Nearest、IDW的結(jié)果較差,這與高歌等(2007)對逐日降水的空間插值的結(jié)論一致,OK的結(jié)果相對于IDW較好。加入高程信息后的TOK效果最差,誤差反而增大,因此將地形高度與降水量做相關(guān)分析,分析表明二者相關(guān)系數(shù)僅為-0.01,幾乎無相關(guān)性。北京地區(qū)的復(fù)雜地形對降水的影響主要體現(xiàn)在對降水的觸發(fā)上,即降水發(fā)生頻次,而對于降水量來說,二者并無相關(guān)性,這與袁宇鋒(2017)的研究結(jié)論一致。因此,對北京地區(qū)而言,在進行空間插值時,不考慮次級信息(高程)的二維效果反而比三維效果要好。

表1 不同空間降尺度方案的檢驗結(jié)果Table 1 The test results of different spatial downscaling schemes

由于北京地區(qū)地形復(fù)雜,西北為山地,東南為平原,按海拔高度將北京地區(qū)分為山區(qū)(海拔高度200 m及以上)和平原(海拔高度200 m以下)兩部分,分別占總面積的59.29%和40.71%。對山區(qū)和平原5種降尺度方案的空間分布特征分析(表2)表明:(1)對山區(qū)而言,Bilinear效果最好,RMSE和MAE最小,分別為5.30 mm和2.81 mm,其次是OK和Nearest;(2)平原地區(qū),IDW效果為最好,其RMSE和MAE分別為5.57 mm和3.25 mm,其次是Bilinear,RMSE和MAE分別為5.76 mm和3.28 mm。綜合山區(qū)和平原的效果分析,Bilinear、Nearest、IDW、OK差距不大,但TOK與其他4種方法有明顯差距。

表2 山區(qū)(海拔200 m及以上)和平原(海拔200 m以下)不同空間降尺度方案的檢驗結(jié)果Table 2 The test results of different spatial downscaling schemes for mountains (above sea level≥200 m) and plains (above sea level<200 m)

對北京地區(qū)3個主要的降水分布型(全市降雨、北多南少、東多西少)的檢驗表明(圖3), OK雖然在降水量大的區(qū)域插值效果較好,但會增加降水分布范圍,Nearest和IDW在刻畫局部點的特征時容易失真造成誤差較大,TOK效果最差,Bilinear在各種降水分布類型中都與觀測實況最為接近(圖3～圖5),這與稅軍峰等(2019)的研究結(jié)論一致。從ETS評分的檢驗效果看,Bilinear的評分也是最高的。張永順(2020)在對比海溫插值方法時,同樣認為Bilinear優(yōu)于Nearest和三次插值。

圖3 2019年6月3日北京地區(qū)小雨型降水不同空間降尺度方案的分布(a)實況,(b)Nearest,(c)IDW,(d)Bilinear,(e)OK,(f)TOKFig.3 Distribution of different spatial downscaling schemes for light rain across Beijing Region on 3 June 2019 (a) observation, (b) Nearest, (c) IDW, (d) Bilinear, (e) OK, (f) TOK

從降水類型看,2019年6月3日受高空槽和低層切變線影響,此次過程屬于對流性降水,Bilinear方法的分布與實況最為接近(圖3)。同樣作為對流性降水,但對流性更強的2019年8月2日受高空槽和低層偏東風造成的降水,IDW、Bilinear、Nearest的分布與觀測實況都很接近,其中IDW在降水量較大的分布區(qū)域與觀測實況最為接近(圖4)。2019年7月23日受副熱帶高壓外圍偏南暖濕氣流和高空槽系統(tǒng)影響,以及大尺度穩(wěn)定性降水和對流性降水的共同作用,此次過程屬于混合性降水,IDW、Bilinear、Nearest的分布與觀測實況都很接近,其中IDW在降水量較大的分布區(qū)域與觀測實況最為接近(圖5)。由于華北地區(qū)汛期降水以混合性和對流性為主,大尺度穩(wěn)定性降水較少,且常發(fā)生在春秋兩季,為了分析對大尺度穩(wěn)定性降水的空間降尺度效果,本文回算了2018年4月21日的降水個例,此次降水過程整體雨勢平穩(wěn),屬于典型的穩(wěn)定性降水,Nearest、Bilinear、IDW的分布與觀測實況都很接近,其中Nearest和Bilinear在降水量較大的分布區(qū)域與觀測實況最為接近,Bilinear整體分布較Nearest 更平滑(圖6)。總體來看,在不同類型的降水個例中,Bilinear不一定是表現(xiàn)最好的插值方法,但它卻是一個表現(xiàn)效果最為穩(wěn)定的方法。

圖4 2019年8月2日北京地區(qū)東多西少型降水不同空間降尺度方案的分布(a)實況,(b)Nearest,(c)IDW,(d)Bilinear,(e)OK,(f)TOKFig.4 Distribution of different spatial downscaling schemes for precipitation more in the east and less in the west of Beijing Region on 2 August 2019 (a) observation, (b) Nearest, (c) IDW, (d) Bilinear, (e) OK, (f) TOK

圖5 2019年7月23日北京地區(qū)北多南少型降水不同空間降尺度方案的分布(a)實況,(b)Nearest,(c)IDW,(d)Bilinear,(e)OK,(f)TOKFig.5 Distribution of different spatial downscaling schemes for precipitation more in the north and less in the south of Beijing Region on 23 July 2019 (a) observation, (b) Nearest, (c) IDW, (d) Bilinear, (e) OK, (f) TOK

圖6 2018年4月21日北京地區(qū)大尺度穩(wěn)定性降水不同空間降尺度方案的分布(a)實況,(b)Nearest,(c)IDW,(d)Bilinear,(e)OK,(f)TOKFig.6 Distribution of different spatial downscaling schemes for large-scale stable precipitation in Beijing Region on 21 April 2018 (a) observation, (b) Nearest, (c) IDW, (d) Bilinear, (e) OK, (f) TOK

2.2 時間降尺度

對2019年4—9月逐時的統(tǒng)計表明(圖7),基于睿圖的逐時分配、基于CMA-MESO的逐時分配和平均分配在RMSE上的表現(xiàn)差距不大,表明三者在與觀測值偏差上的表現(xiàn)基本一致;MAE的結(jié)果表明,睿圖逐時分配和CMA-MESO逐時分配在大部分時段比平均分配的誤差小,睿圖逐時分配在誤差上的表現(xiàn)相對于CMA-MESO更有優(yōu)勢;而從ETS評分看,不論是0.1 mm還是10 mm以上的降水,基于睿圖模式的逐時分配都是3種方案中最高的,平均分別為0.22和0.05,說明從預(yù)報準確率看睿圖逐時分配的優(yōu)勢更明顯;CMA-MESO在0.1 mm以上降水的ETS評分最差,為0.08,但在10 mm以上ETS評分中較平均分配略高,為0.003。CMA-MESO逐時分配的效果與睿圖逐時分配的效果差距較大,原因可能與2個數(shù)值模式的空間分辨率差異較大有關(guān),CMA-MESO的空間分辨率為10 km,插值到自動站可能也會產(chǎn)生較大誤差,未來利用自2020年起業(yè)務(wù)化運行的CMA-MESO 3 km預(yù)報產(chǎn)品時(黃麗萍等,2022),可能會有較好的結(jié)果,并且由于睿圖模式融合了地基GPS和京津冀29部雷達的實時資料,對降水臨近預(yù)報更接近實況,因此睿圖逐時分配的方案ETS評分較高。這與劉湊華等(2021)的結(jié)果一致,其通過位置訂正和動態(tài)重構(gòu)方法對逐日降水預(yù)報做逐時分配,ETS評分也有顯著提高。

圖7 2019年4—9月不同時間分配方案的逐時降水檢驗評分(a)RMSE,(b)MAE,(c)ETS(>0.1 mm),(d)ETS(>10 mm)Fig.7 Verification scores of different temporal allocation schemes for hourly precipitation from RMAPS, CMA-MESO and observation between April and September 2019 (a) RMSE, (b) MAE, (c) ETS (>0.1 mm), (d) ETS (>10 mm)

以2019年8月6—7日強降水時段(6日23時至7日02時)為例(圖8),基于睿圖逐時分配的空間效果與實況空間分布一致性較高,CMA-MESO沒有預(yù)報出該時段內(nèi)的強降水分布特征,平均分配在強降水上沒有任何體現(xiàn)。

圖8 2019年8月(a～d)6日23時,(e～h)7日00時,(i～l)7日01時,(m～p)7日02時不同時間分配方案北京地區(qū)強降水時段的分布(a,e,i,m)實況,(b,f,j,n)睿圖,(c,g,k,o)CMA-MESO,(d,h,l,p)平均分配Fig.8 Spatial distribution of different temporal allocation schemes for heavy precipitation cases in Beijing Region at (a-d) 23:00 BT 6, (e-h) 00:00 BT 7, (i-l) 01:00 BT 7 and (m-p) 02:00 BT 7 August 2019(a, e, i, m) observation, (b, f, j, n) RMAPS, (c, g, k, o) CMA-MESO, (d, h, l, p) average

3 時空降尺度方案在降水客觀方法預(yù)報中的應(yīng)用

目前,北京市氣象臺降水客觀技術(shù)方法預(yù)報基于睿圖數(shù)值模式預(yù)報產(chǎn)品,采用頻率匹配和偏差訂正方法,獲取對模式的逐日預(yù)報訂正結(jié)果(以下簡稱降水客觀方法預(yù)報),最大程度地減小預(yù)報誤差,自動得到各時段最優(yōu)的降水預(yù)報結(jié)果。降水客觀方法預(yù)報采用的是上文的時空降尺度方案,與睿圖區(qū)域模式預(yù)報相比,2019年6—9月北京地區(qū)0～3 d的平均晴雨預(yù)報準確率提高了4.1%;0～3 d的小雨TS評分提高了2.0%(圖略)。

2019年8月6—7日降水個例(圖9)分析表明,逐日的預(yù)報相對觀測實況較大,降水客觀方法預(yù)報在睿圖模式的基礎(chǔ)上訂正后雖然更接近實況的降水分布,但降水量仍然偏大。降水客觀方法預(yù)報的逐日預(yù)報根據(jù)睿圖逐時分配的結(jié)果(圖9f,9i,9l,9o)也較為接近實況,在強降水中心的預(yù)報上表現(xiàn)較優(yōu)。因此,降水客觀方法預(yù)報采用Bilinear空間插值和睿圖逐時分配應(yīng)用效果良好,可以為業(yè)務(wù)提供精細化的預(yù)報結(jié)果,可滿足業(yè)務(wù)需求。

圖9 2019年8月(a～c)6日21時至7日20時,(d～f)6日23時,(g～i)7日00時,(j～l)7日01時,(m～o)7日02時不同時間分配方案北京地區(qū)強降水時段的分布(a,d,g,j,m)實況,(b,e,h,k,n)睿圖預(yù)報,(c,f,i,l,o)降水客觀方法預(yù)報Fig.9 Spatial distribution of different temporal allocation schemes for heavy precipitation cases in Beijing Region (a-c) from 21:00 BT 6 to 20:00 BT 7, (d-f) at 23:00 BT 6, (g-j) at 00:00 BT 7, (j-l) at 01:00 BT 7 and (m-o) at 02:00 BT 7 August 2019 (a, d, g, j, m) observation, (b, e, h, k, n) RMAPS forecasts, (c, f, i, l, o) forecasts by objective prediction method

4 結(jié)論與討論

本文討論的時空降尺度方法,都是基于數(shù)值模式后處理的降水客觀預(yù)報產(chǎn)品,數(shù)值預(yù)報模式和降水客觀預(yù)報產(chǎn)品的時空分辨率精度不一,在業(yè)務(wù)應(yīng)用中需要考慮時空降尺度問題,主要是為了加強數(shù)值模式及數(shù)值預(yù)報后處理產(chǎn)品的精細化業(yè)務(wù)應(yīng)用,在不影響原效果的情況下滿足預(yù)報產(chǎn)品精細化和智能化的業(yè)務(wù)需求。

對空間降尺度的研究表明,Bilinear插值效果最好,其RMSE和MAE為最小,ETS評分最高;加入高程信息的TOK誤差較大,可以認為北京地理高程對降水的影響主要與降水發(fā)生頻次有關(guān),與降水量關(guān)系不大。對不同的降水分布型的空間分布結(jié)果表明,Bilinear的效果都是與實況最接近的,OK在降水量大的區(qū)域插值效果較好,但會增加降水分布范圍,Nearest和IDW在刻畫局部點的特征時容易失真造成誤差較大,TOK效果最差。對山區(qū)和平原分區(qū)的分析統(tǒng)計表明,山區(qū)Bilinear效果最好,而平原IDW效果最好,從山區(qū)和平原綜合的效果分析,Bilinear、Nearest、IDW、OK差距不大,但TOK與其他四種方法差距較大。對不同降水類型的個例分析表明,Bilinear、Nearest、IDW 效果最好且差距不大,其中Bilinear不一定是表現(xiàn)最好的插值方法,但它是一個表現(xiàn)最為穩(wěn)定的方法。

對時間降尺度的研究表明,睿圖逐時分配、CMA-MESO逐時分配和平均分配在RMSE上的表現(xiàn)差距不大,表明二者在與觀測值的偏差上的表現(xiàn)基本一致;而從ETS評分看,不論是0.1 mm還是10 mm以上的降水,睿圖逐時分配比其他方法要顯著,說明從預(yù)報準確率角度睿圖逐時分配的優(yōu)勢更明顯。

本研究的時空降尺度方案均未考慮降水的發(fā)生頻率、空間分布特點、時間移動規(guī)律,但本研究的結(jié)論可為未來繼續(xù)深入進行降水預(yù)報的時空降尺度研究打下較好基礎(chǔ)。

上述時空降尺度方案已應(yīng)用于北京市氣象臺的降水客觀方法預(yù)報,并具有較好的業(yè)務(wù)應(yīng)用效果。此外,相關(guān)時空降尺度方案還可用于北京地區(qū)的智能網(wǎng)格業(yè)務(wù)系統(tǒng)中,提高災(zāi)害天氣的網(wǎng)格預(yù)報準確率,為業(yè)務(wù)人員提供更為豐富、更加精細的參考產(chǎn)品。