湖南6月區(qū)域持續(xù)性暴雨概率預(yù)報模型及應(yīng)用*

李易芝 羅伯良 彭莉莉 張 超 彭晶晶

1 湖南省氣象科學研究所,長沙 410118 2 氣象防災(zāi)減災(zāi)湖南省重點實驗室,長沙 410118 3 長沙市氣象局,長沙 410205

提 要：利用1979—2016年6月EAR5再分析資料,選取濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量和熱力波作用密度5個綜合因子,采用核密度估計方法,基于TS評分最優(yōu)為檢驗標準篩選確立最優(yōu)因子和權(quán)重組合,構(gòu)建了湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型,并進行了獨立樣本檢驗與業(yè)務(wù)試用。結(jié)果表明:2017—2019年獨立樣本回代檢驗,平均TS評分達到29.9%,相比于歐洲中期天氣預(yù)報中心(ECMWF)細網(wǎng)格(平均TS評分為22.4%)為正技巧。在2021年、2022年汛期兩次區(qū)域持續(xù)性暴雨個例的預(yù)報試驗中,提前24 h的暴雨預(yù)報優(yōu)于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域中尺度模式,對湖南區(qū)域持續(xù)性暴雨有較強的預(yù)報能力。

引 言

暴雨是湖南省汛期主要的災(zāi)害性天氣之一,其中持續(xù)性暴雨過程由于其持續(xù)時間長、影響范圍廣,常給人民群眾帶來巨大的生命財產(chǎn)損失(陳紅專等,2019;戴澤軍等,2019;彭莉莉等,2018;王欽和曾波,2022;楊志軍等,2018)。因此,如何準確及時地做好持續(xù)性暴雨落區(qū)預(yù)報,建立客觀暴雨落區(qū)概率預(yù)報系統(tǒng),對預(yù)報業(yè)務(wù)能力提升和防災(zāi)減災(zāi)工作具有重大現(xiàn)實意義(張萍萍等,2012)。

降水是一定氣候背景下各種尺度系統(tǒng)相互作用所形成的結(jié)果,同時也受下墊面的影響,因此相對于溫度、氣壓等氣象要素場的預(yù)報,降水本身具有較大的隨機性與不確定性(周曉敏等,2023)。降水呈偏態(tài)分布,用能描述其出現(xiàn)可能性大小的形式即降水概率進行預(yù)報,較傳統(tǒng)的確定性預(yù)報可提供更豐富的預(yù)報信息(林春澤等,2013;趙琳娜等,2015)。近年來,國內(nèi)很多學者在降水概率預(yù)報方面做了大量的研究,一部分研究基于實況的概率分布提取降水預(yù)報指標,如高潔和漆梁波(2015)針對上海市短時強降水分析了其地理分布和概率分布特征,得到降水極端性與暴雨紅色預(yù)警標準的對應(yīng)關(guān)系。李文娟等(2017)以杭州市區(qū)為例,利用探空資料分析不同量級小時雨強出現(xiàn)的環(huán)境指標,并基于核密度估計方法提取短時強降水預(yù)報指標。一部分研究利用單模式分布函數(shù)生成概率預(yù)報,如張宇彤等(2016)利用T213模式的集合預(yù)報歷史資料探討了極端降水的概率預(yù)報方法,指出經(jīng)過貝葉斯方法修訂后,提高了極端降水預(yù)報的正確率,但是空報也有所增加。徐姝等(2021)動態(tài)建立了海河流域內(nèi)基于ECMWF集合預(yù)報289個格點的貝葉斯產(chǎn)品處理技術(shù)降水概率預(yù)報模型,預(yù)報評分結(jié)果優(yōu)于集合預(yù)報的直接概率預(yù)報結(jié)果。有研究指出多模式集成提升了預(yù)報可靠性,預(yù)報技巧優(yōu)于單模式,如:祁海霞等(2020)基于TIGGE(THORPEX Interactive Grand Global Ensemble)資料中的四套模式逐日降水集合預(yù)報資料,結(jié)合清江流域10個國家基準站觀測數(shù)據(jù),建立了流域貝葉斯模型平均(Bayesian model averaging,BMA)概率預(yù)報模型,開展流域多模式集合BMA技術(shù)的概率預(yù)報試驗與評估,結(jié)果表明BMA模型預(yù)報比原始集合預(yù)報有更高預(yù)報技巧。Vigaud et al(2017)對單模式逐點預(yù)報結(jié)果進行擴展邏輯回歸,通過對多個模式預(yù)報概率等權(quán)平均,得到可靠性高但銳度較低的概率預(yù)報結(jié)果,發(fā)現(xiàn)多模式集成在很大程度上消除了單模式的負面預(yù)報技巧。趙淵明和漆梁波(2021)應(yīng)用分位數(shù)頻率匹配法對模式1 h降水預(yù)報分別訂正,基于上游關(guān)鍵區(qū)域檢驗結(jié)果,采用動態(tài)權(quán)重多模式集成技術(shù),對下游地區(qū)開展多模式短時強降水集成概率預(yù)報,結(jié)果提高了預(yù)報的準確性和穩(wěn)定性。此外,另有部分研究基于診斷要素的概率分布,結(jié)合數(shù)值模式產(chǎn)品制作降水概率預(yù)報。如鐘敏等(2022)基于CMA-MESO模式,統(tǒng)計不同等級短時強降水樣本的物理量數(shù)值分布特征,基于升、降半嶺隸屬函數(shù)建立短時強降水概率預(yù)報模型,為分級短時強降水預(yù)報提供技術(shù)支撐和參考依據(jù)。李明(2017)針對陜南短時強降水,優(yōu)選對流參數(shù),確定其權(quán)重和對流參數(shù)歷史概率分布特征值,建立基于數(shù)值模式基本產(chǎn)品的短時強降水分月的客觀概率預(yù)報模型。

高守亭等(2013)、冉令坤等(2014)在暴雨預(yù)報熱力動力診斷研究中,研究了能夠準確描述濕空氣熱力狀態(tài)的廣義位溫理論以及表征中尺度系統(tǒng)發(fā)展演變的中尺度波流相互作用理論,在這個基礎(chǔ)上,建立了多個包含動力、熱力和水汽等信息的綜合性動力因子(以下簡稱綜合因子)。其中,濕熱力平流參數(shù)能夠較好地反映降水區(qū)上空垂直暖平流和等熵面水平梯度顯著的動力和熱力垂直結(jié)構(gòu)特點,與觀測降水的空間分布形態(tài)有較好的對應(yīng)關(guān)系(高守亭等,2013);熱力螺旋度體現(xiàn)了垂直熱量通量與相對垂直渦度的耦合作用,也包含了大氣濕斜壓性等信息,適用于分析垂直上升運動強烈、渦旋運動顯著并伴有水平氣流的輻合輻散以及濕斜壓性明顯的降水系統(tǒng)(高守亭等,2013);散度通量代表水平散度的垂直通量,為了體現(xiàn)水汽效應(yīng),引入了水汽散度通量,表征垂直上升運動和水汽通量的輻合效應(yīng),該綜合因子可以弱化對流層高層和非雨區(qū)的動力場結(jié)構(gòu)(冉令坤和楚艷麗,2009);熱力波作用密度能夠反映偏離大氣平均態(tài)的波動效應(yīng),利用該綜合因子可以進行夏季局地化的暴雨預(yù)報(高守亭等,2018)。這些綜合因子對暴雨落區(qū)的預(yù)報能力,已在多個地區(qū)、多個個例中得到了驗證(楊帥等,2013;汪亞萍等,2015;李琴等,2016;蘇冉等,2019)。李易芝等(2020)研究湖南持續(xù)性暴雨動力因子診斷分析時發(fā)現(xiàn),濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度5個綜合因子對湖南暴雨具有指示意義。彭莉莉等(2018)研究指出湖南區(qū)域持續(xù)性暴雨主要發(fā)生在6月,其占比達40.2%。因此本文針對湖南6月區(qū)域持續(xù)性暴雨,采用核密度估計方法,構(gòu)建基于濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度這5個綜合因子的湖南區(qū)域持續(xù)性暴雨落區(qū)概率預(yù)報模型,為湖南區(qū)域持續(xù)性暴雨概率預(yù)報提供客觀技術(shù)支撐。

1 資料與方法

1.1 資 料

本文所用資料包括:(1)1979—2022年6月湖南省88個國家級氣象站(以下簡稱國家站)逐日降水數(shù)據(jù);(2)背景場資料為1979—2019年6月ERA5再分析資料,計算預(yù)報因子所用的資料為2021—2022年6月歐洲中心全球中期數(shù)值天氣預(yù)報(ECMWF,以下簡稱EC)細網(wǎng)格逐日08時(北京時,下同)發(fā)布的逐6 h間隔的資料,水平分辨率均為0.25°×0.25°,包括1000～100 hPa共19層的位勢高度、氣溫、相對濕度、水平風速、垂直風速等;(3)數(shù)值模式資料選取2017—2022年6月EC細網(wǎng)格、中國氣象局全球同化預(yù)報系統(tǒng)(以下簡稱CMA-GFS)、中國氣象局上海數(shù)值預(yù)報模式系統(tǒng)(以下簡稱CMA-SH)、中國氣象局廣東快速更新同化數(shù)值預(yù)報系統(tǒng)(以下簡稱CMA-GD)逐日08時發(fā)布的資料,預(yù)報時效為未來24～48、48～72、72～96 h。

1.2 方 法

1.2.1 核密度估計

核密度估計由Rosenblatt(1956)和Parzen(1962)提出,是由樣本去估計總體的概率分布密度函數(shù),屬于非參數(shù)檢驗方法之一。與參數(shù)估計方法相比,其優(yōu)點在于對觀測資料的分布不附加任何假定,也不需要了解分布的先驗知識,利用樣本數(shù)據(jù)直接得到函數(shù)的密度估計,從而對數(shù)據(jù)進行可視化的解釋(闞亞進,2020)。通過密度分布可對比不同組數(shù)值的分布形狀以及不同組之間的重疊程度,是一種觀察連續(xù)型變量分布的有效方法(李文娟等,2017)。假設(shè)x1,x2,…,xn為獨立分布的n個樣本點,設(shè)其概率密度函數(shù)為f,則某一個樣本點xi的概率密度f(x)可由式(1)計算:

(1)

(2)

窗寬的選擇在非參數(shù)核密度估計中非常重要,窗寬選擇過小,會使密度函數(shù)呈不規(guī)則的形狀,可能掩蓋樣本的重要特征;窗寬選擇過大,會使密度函數(shù)過度平均化,導(dǎo)致樣本較細致的特征不能顯露(聶明秋等,2020)。當選擇高斯型核函數(shù)擬合樣本時,最優(yōu)窗寬值可以用式(3)計算(馬明衛(wèi)和宋松柏,2011):

(3)

式中:hd為最優(yōu)窗寬;σd為d維變量分布的標準差;p表示變量的維度,單變量、雙變量的核密度估計分別取p=1、p=2。

1.2.2 檢驗方法

選用TS評分、命中率、空報率和漏報率(劉松楠等,2022;牛淑貞等,2021),對湖南區(qū)域持續(xù)性暴雨概率預(yù)報進行檢驗。

1.2.3 區(qū)域持續(xù)性暴雨過程定義

彭莉莉等(2018)根據(jù)湖南汛期區(qū)域持續(xù)性暴雨致災(zāi)性臨界要求,提出了湖南汛期區(qū)域持續(xù)性暴雨過程的標準。即:①湖南境內(nèi)至少9個國家站出現(xiàn)日降水量超過50 mm的區(qū)域性暴雨;②區(qū)域性暴雨持續(xù)2 d及以上。

2 湖南區(qū)域持續(xù)性暴雨概率預(yù)報因子選取及模型建立

2.1 湖南區(qū)域持續(xù)性暴雨預(yù)報因子特征分析

暴雨的形成必須具有一定的宏觀物理條件,其中降水時間也非常重要(程庚福和曾申江,1987)。有時僅1小時就能出現(xiàn)暴雨,有時可持續(xù)幾十小時,如果將每日間隔6 h、5個時次的要素值進行日平均,會平滑一些極大值,濾除短時強降水造成的暴雨過程;若是取5個時次的最大值,則會對持續(xù)時間長但短時強降水不大的暴雨造成漏報。因此,預(yù)報因子選擇每日5個時次中最大的2個時次的平均作為逐日要素值(陳圣劼等,2016)。每天選取5個時次是由于動力因子是瞬時量,為了更全面地捕捉24 h內(nèi)引起降水的動力因子信息,增加了第二日的起始時間作為前一日的結(jié)束時間。

本文預(yù)報因子選取與暴雨系統(tǒng)密切相關(guān)的濕熱力平流參數(shù)、熱力螺旋度、散度通量、水汽散度通量、熱力波作用密度5個綜合因子。圖1給出1979—2016年湖南6月33個區(qū)域持續(xù)性暴雨過程中(共86個暴雨日)不同等級降水站點5個綜合因子的箱線圖,可以看出5個綜合因子在不同等級降水的分布不同。即:無雨時,綜合因子的平均值及各百分位閾值均集中在0附近;降水量級越大,綜合因子的平均值及各百分位值(包括下四分位數(shù)、中位數(shù)、上四分位數(shù)及最大值)也越大;尤其在發(fā)生區(qū)域持續(xù)性暴雨時,5個綜合因子的平均值及各百分位的閾值均明顯大于發(fā)生其他等級降水時的相應(yīng)值。這說明,選取的5個綜合因子可以在區(qū)域持續(xù)性暴雨過程中作為區(qū)分暴雨與其他等級降水的預(yù)報因子。

注:箱線圖中豎線的上下端分別表示統(tǒng)計的最大值和最小值,箱體內(nèi)的三條橫線 自下而上依次為下四分位數(shù)、中位數(shù)、上四分位數(shù),“×”為平均值。圖1 1979—2016年6月湖南區(qū)域持續(xù)性暴雨過程中不同等級降水站點的各綜合因子箱線圖 (a)濕熱力平流參數(shù),(b)熱力螺旋度,(c)散度通量,(d)水汽散度通量,(e)熱力波作用密度Fig.1 Box plots of each comprehensive factor for stations with different levels of precipitation during regional persistent rainstorm events in Hunan in June from 1979 to 2016 (a) moist thermodynamic advection parameter, (b) thermal helicity, (c) divergence flux, (d) moisture divergence flux, (e) thermodynamic wave activity density

2.2 湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型構(gòu)建和檢驗

2.2.1 概率密度估計

利用ERA5再分析資料,插值計算出1979—2016年6月湖南發(fā)生區(qū)域持續(xù)性暴雨的站點上的5個綜合因子值,并利用核密度估計確定出現(xiàn)區(qū)域持續(xù)性暴雨時各綜合因子的累積概率密度函數(shù)。確定后,可計算超過任意給定綜合因子閾值的累積概率,及相應(yīng)累積概率超過某百分位值對應(yīng)的綜合因子值。圖2為湖南區(qū)域持續(xù)性暴雨過程中出現(xiàn)不同等級降水時各綜合因子的累積概率密度圖。如圖2a所示,對于區(qū)域持續(xù)性暴雨樣本,超過63.5%的濕熱力平流參數(shù)值小于發(fā)生持續(xù)性暴雨時濕熱力平流參數(shù)的均值(1.14×10-7Pa·K2·m-2·s-1,圖1)。由圖2可見,當綜合因子在同一值上時,隨著降水等級的降低,發(fā)生各等級降水的累積概率密度變大。例如,當濕熱力平流參數(shù)值為1.14×10-7Pa·K2·m-2·s-1時,發(fā)生區(qū)域持續(xù)性暴雨、大雨、中雨、小雨、無降水的累積概率密度分別為63.5%、80.3%、86.1%、94.1%、99.2%。

圖2 1979—2016年6月湖南區(qū)域持續(xù)性暴雨過程中出現(xiàn)不同等級降水時(a～e)各綜合因子的 累積概率密度,及(f)各綜合因子和累積概率密度的相關(guān)系數(shù) (a)濕熱力平流參數(shù),(b)熱力螺旋度,(c)散度通量,(d)水汽散度通量,(e)熱力波作用密度Fig.2 (a-e) Cumulative probability density diagram of each comprehensive factor and (f) correlation coefficient of each comprehensive factor and cumulative probability density for different levels of rainfall in Hunan regional persistent rainstorm in June from 1979 to 2016 (a) moist thermodynamic advection parameter, (b) thermal helicity, (c) divergence flux, (d) moisture divergence flux, (e) thermodynamic wave-activity density

圖2f為湖南區(qū)域持續(xù)性暴雨過程中出現(xiàn)不同等級降水時各綜合因子和累積概率密度的相關(guān)系數(shù)分布,可以看出隨著降水量級的增大,各綜合因子與累積概率密度值的相關(guān)系數(shù)也增大,在發(fā)生暴雨時,濕熱力平流參數(shù)與累積概率密度值的相關(guān)系數(shù)最大,達到0.79,其他綜合因子與累積概率密度值的相關(guān)系數(shù)也均達到了0.55以上,通過了0.001的顯著性水平檢驗。這說明在發(fā)生區(qū)域持續(xù)性暴雨過程中,各綜合因子的累積概率密度值和綜合因子的相關(guān)性較高,可以表征發(fā)生暴雨的概率。

2.2.2 權(quán)重和閾值的確定

基于5個綜合因子的區(qū)域持續(xù)性暴雨累積概率密度函數(shù),可以確定1979—2016年6月區(qū)域持續(xù)性暴雨過程全省所有站點上發(fā)生暴雨的5個概率值,同時賦予5個概率值所有可能的動態(tài)權(quán)重,且分別從20%至80%逐5%地增加概率值作為出現(xiàn)暴雨的閾值,計算發(fā)生區(qū)域持續(xù)性暴雨過程的TS評分。通過大樣本驗算,以平均TS評分為判別標準,最終篩選確立概率閾值、最優(yōu)因子和權(quán)重組合,構(gòu)建湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型。由表1可知,當概率閾值取40%時,所有區(qū)域持續(xù)性暴雨過程最優(yōu)因子和權(quán)重組合計算出的平均TS評分最大。因此,本文確立了由濕熱力平流參數(shù)、熱力螺旋度、水汽散度通量和熱力波作用密度4個因子構(gòu)成的最優(yōu)因子組合,其最優(yōu)系數(shù)搭配為0.1、0.6、0.1和0.2,并以概率值40%作為暴雨發(fā)生的閾值。第三個預(yù)報因子散度通量在每個概率閾值下的最優(yōu)權(quán)重組合中,其權(quán)重系數(shù)均為0.0,說明該因子相比于其他4個綜合因子對區(qū)域持續(xù)性暴雨的預(yù)報能力明顯不足。這可能由于散度通量僅體現(xiàn)出水平散度的垂直通量,而區(qū)域持續(xù)性暴雨過程還需要足夠的水汽作用,因此,相較之下體現(xiàn)了水汽通量散度垂直輸送狀況的第四個因子水汽散度通量更能發(fā)揮預(yù)報優(yōu)勢。

表1 湖南區(qū)域持續(xù)性暴雨最優(yōu)預(yù)報因子權(quán)重及預(yù)報效果Table 1 Optimal forecast factor weights and forecast effects of regional persistent rainstorms in Hunan

2.2.3 獨立樣本檢驗

基于綜合因子的湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型,以2017—2019年6月的4次區(qū)域持續(xù)性暴雨過程(12個暴雨日)作為獨立樣本,進行回代檢驗。圖3為針對12個暴雨日湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和EC細網(wǎng)格提前12 h的暴雨預(yù)報TS評分、命中率、漏報率和空報率柱狀分布。由圖可知,針對這12個暴雨日,湖南區(qū)域持續(xù)性暴雨概率預(yù)報平均命中率為62.3%,EC細網(wǎng)格降水預(yù)報產(chǎn)品平均命中率為33.0%(圖3b),同時,在兩者在空報率相差不大的情況下(圖3d),區(qū)域持續(xù)性暴雨概率預(yù)報模型的暴雨漏報率偏低明顯(圖3c)。因此,從暴雨TS評分上看,湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型(平均TS評分為29.9%)相比于EC細網(wǎng)格(平均TS評分為22.4%)為正技巧(圖3a)。尤其在2017年6月6日、2017年6月23日、2017年6月28日和2019年6月9日等暴雨日中,湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型對暴雨的預(yù)報能力提高比較明顯;其中,在2017年6月6日、2017年6月23日、2019年6月9日的暴雨日中,EC細網(wǎng)格預(yù)報評分為0.0%,而湖南省區(qū)域持續(xù)性暴雨概率預(yù)報模型評分均高于20%,漏報率和空報率均明顯較低。

圖3 2017—2019年12個暴雨日湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和 EC細網(wǎng)格提前12 h的暴雨預(yù)報(a)TS評分,(b)命中率,(c)漏報率,(d)空報率Fig.3 (a) TS score, (b) accuracy rate, (c) miss rate, (d) false alarm rate of rainstorm for the regional persistent rainstorm probability prediction model and ECMWF fine mesh numerical forecast with lead time of 12 h from 2017 to 2019

同時,增加選取2017—2019年6月9個站日降水量超過50 mm的區(qū)域性暴雨過程(9個暴雨日)進行檢驗分析,發(fā)現(xiàn)利用湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型的平均暴雨TS評分為12.5%,而EC細網(wǎng)格降水預(yù)報產(chǎn)品提前12 h暴雨預(yù)報TS評分為10.6%(圖略),說明該模型對于區(qū)域性暴雨過程也有一定的預(yù)報技巧,但是對湖南區(qū)域持續(xù)性暴雨過程的預(yù)報效果要明顯優(yōu)于區(qū)域性暴雨過程。由此說明利用ERA5再分析資料建模的預(yù)報優(yōu)于EC模式自身的預(yù)報。

3 應(yīng)用效果檢驗

基于前面構(gòu)建的區(qū)域持續(xù)性暴雨落區(qū)概率預(yù)報模型,選取發(fā)生在2021年6月29日至7月1日和2022年6月1—2日的兩次區(qū)域持續(xù)性暴雨過程,開展和EC細網(wǎng)格及CMA-GFS、CMA-SH、CMA-GD模式降水預(yù)報產(chǎn)品的對比分析,檢驗該模型的業(yè)務(wù)應(yīng)用效果。

3.1 2021年6月29日至7月1日區(qū)域持續(xù)性暴雨過程

2021年6月29日至7月1日受西南暖濕氣流和中低層低渦切變線共同影響,湘中及以北地區(qū)出現(xiàn)了一次區(qū)域持續(xù)性暴雨過程。對比湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和EC細網(wǎng)格08時起報的不同預(yù)報時效暴雨預(yù)報TS評分(表2),區(qū)域持續(xù)性暴雨概率預(yù)報模型提前72 h和24 h暴雨預(yù)報TS評分均高于EC細網(wǎng)格模式降水產(chǎn)品的暴雨預(yù)報評分,尤其是7月1日,該模型在三個預(yù)報時效的結(jié)果均優(yōu)于EC細網(wǎng)格。

為了分析湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型相比于其他大尺度模式和區(qū)域中尺度模式預(yù)報性能差異,分別對08時起報的24～48 h的暴雨預(yù)報及TS評分進行分析(圖4)。6月29日08時至30日08時,湖南省出現(xiàn)分散性暴雨和大暴雨天氣,湘西州、常德等地區(qū)共9個國家站降水超過50 mm(圖4a1),對比預(yù)報結(jié)果,區(qū)域持續(xù)性暴雨概率預(yù)報模型提前24 h暴雨預(yù)報評分均優(yōu)于各模式降水產(chǎn)品,但由于降水分散,該模型對湘東一帶的暴雨有漏報。6月30日08時至7月1日08時,降水加強,雨帶主要集中在湘中以北(圖4b1),共19個國家站出現(xiàn)暴雨、3個國家站出現(xiàn)大暴雨,該模型對暴雨落區(qū)把握較好(TS評分為25.5%,圖4b2),比EC預(yù)報暴雨TS評分(20.0%)提高了5.5%,同時也優(yōu)于CMA-GFS、CMA-SH、CMA-GD等模式(圖4b3～4b6)。7月 1日08時至2日08時,雨帶略有北抬,湘西南部分地區(qū)也出現(xiàn)暴雨(圖4c1),模型提前24 h預(yù)報暴雨TS評分最高,為23.6%(圖4c2),CMA-SH模式次之,為19.7%(圖4c5),其他模式提前24 h暴雨預(yù)報評分均低于12%。

表2 兩次區(qū)域持續(xù)性暴雨過程的湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和EC細網(wǎng)格 08時起報72～96、48～72、24～48 h的暴雨預(yù)報TS評分(單位:%)Table 2 The TS scores of 72～96, 48～72, 24～48 h rainstorm forecast from 08:00 BT by Hunan regional persistent rainstorm probabilistic prediction model and ECMWF fine mesh numerical forecast model for the two regional persistent rainstorm processes (unit: %)

圖4 2021年(a)6月29日,(b)6月30日,(c)7月1日逐日(a1,b1,c1)降水實況,(a2,b2,c2)湖南區(qū)域持續(xù)性 暴雨概率預(yù)報模型和(a3～ a6,b3～ b6,c3～ c6)不同模式08時起報的24～48 h的降水預(yù)報(填色)及TS評分Fig.4 (a1, b1, c1) Daily precipitation on (a) 29 June, (b) 30 June and (c) 1 July 2021, as well as the 24-48 h rainstorm forecast starting from 08:00 BT and TS score forecasted by (a2, b2, c2) Hunan regional persistent rainstorm probability prediction model and (a3-a6, b3-b6, c3-c6) other models

由此可知,除29日和30日提前48 h預(yù)報,其余預(yù)報評分湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型均高于EC細網(wǎng)格模式降水產(chǎn)品;對比其他模式,該模型在本次區(qū)域持續(xù)性暴雨過程中對暴雨落區(qū)的預(yù)報效果較好,提前24 h的暴雨預(yù)報優(yōu)于EC、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域模式,對湖南區(qū)域持續(xù)性暴雨的預(yù)報有明顯的預(yù)報技巧。

3.2 2022年6月1—2日區(qū)域持續(xù)性暴雨過程

2022年6月1—2日,受高空槽和低層低渦切變的影響,湖南出現(xiàn)了一次區(qū)域持續(xù)性暴雨過程。由表2可知,1日提前48 h預(yù)報湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型表現(xiàn)較好,高出EC細網(wǎng)格7.8%;2日湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型三個預(yù)報時效的表現(xiàn)均優(yōu)于EC細網(wǎng)格預(yù)報產(chǎn)品。

圖5為2022年6月1—2日逐日降水實況及湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和EC細網(wǎng)格、CMA-GFS、CMA-SH、CMA-GD模式08時起報的24～48 h的暴雨預(yù)報及TS評分。1日08時至2日08時暴雨主要分布在湘西地區(qū)(圖5a1),模型1日提前24 h暴雨預(yù)報對湘西州北部和張家界西北部的局地暴雨有所漏報,TS評分僅為6.1%(圖5a2),低于EC細網(wǎng)格(11.1%)、CMA-SH(12.5%)及CMA-GD(8.7%)(圖5a3,5a5,5a6),但是CMA-SH和CMA-GD兩家中尺度模式對暴雨落區(qū)范圍預(yù)報偏大,強度偏強;2日08時至3日08時隨著切變線北抬,暴雨雨帶也向北移動到湘北地區(qū),并且降水加強,雨帶范圍擴大(圖5b1),針對2日的預(yù)報,模型提前24 h預(yù)報雨帶落區(qū)位置較為準確,TS評分為30.6%(圖5b2),相對其他模式表現(xiàn)最優(yōu),其中EC細網(wǎng)格(圖5b3)和CMA-GFS(圖5b4)預(yù)報暴雨落區(qū)和強度偏小,CMA-SH(圖5b5)和CMA-GD(圖5b6)預(yù)報暴雨雨帶落區(qū)較實況偏南。

圖5 2022年6月(a)1日,(b)2日逐日(a1,b1)降水實況,(a2,b2)湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型和 (a3～ a6,b3～ b6)不同模式08時起報的24～48 h的降水預(yù)報(填色)及TS評分Fig.5 (a1, b1) Daily precipitation on (a) 1 and (b) 2 June 2022, as well as the 24-48 h rainstorm forecast starting from 08:00 BT and TS score forecasted by(a2, b2) Hunan regional persistent rainstorm probabilistic prediction model and (a3-a6, b3-b6) other models

綜合可見,湖南區(qū)域持續(xù)性暴雨概率預(yù)報模型對暴雨落區(qū)的預(yù)報把握較好,相對其他模式比較穩(wěn)定,有一定的預(yù)報技巧。

4 結(jié)論與討論

利用1979—2016年6月ERA5再分析資料,選取濕熱力平流參數(shù)、熱力螺旋度、散度垂直通量、水汽散度通量和熱力波作用密度5個綜合因子,采用核密度估計方法,基于TS評分最優(yōu)為檢驗標準篩選確立最優(yōu)因子和權(quán)重組合,構(gòu)建了湖南6月區(qū)域持續(xù)性暴雨概率預(yù)報模型,得到如下結(jié)論:

(1)該模型確立了由濕熱力平流參數(shù)、熱力螺旋度、水汽散度通量和熱力波作用密度4個因子的最優(yōu)因子組合,其最優(yōu)系數(shù)搭配為0.1、0.6、0.1和0.2,且以概率值40%作為暴雨發(fā)生的閾值。2017—2019年6月區(qū)域持續(xù)性暴雨過程獨立樣本進行回代檢驗,平均TS評分達到29.9%,相比于EC細網(wǎng)格提前12 h暴雨預(yù)報(TS評分為22.4%)為正技巧。

(2)2021年6月29日至7月1日和2022年6月 1—2日兩次區(qū)域持續(xù)性暴雨預(yù)報,該模型提前24 h的暴雨預(yù)報優(yōu)于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等區(qū)域中尺度模式,對湖南區(qū)域持續(xù)性暴雨有較強的預(yù)報能力。

但該方法對分散型暴雨過程落區(qū)預(yù)報效果較差,對成片的暴雨預(yù)報效果相對較好,還需要進一步提高該方法的預(yù)報性能。其次,鑒于湖南不同月份不同類型區(qū)域持續(xù)性暴雨過程發(fā)生影響系統(tǒng)和因子存在區(qū)別,有必要相應(yīng)分別建立區(qū)域持續(xù)性暴雨概率預(yù)報模型,提高預(yù)報技巧,這有待今后深化研究。