长江流域多模式动态集成降水预报方法及应用评估*

王海燕 孟英杰 程昌玉 陈良华 李 波 王晓玲

1 湖北省黄石市气象局，黄石 435002

2 武汉中心气象台，武汉 430074

3 湖北省气象信息与技术保障中心，武汉 430074

4 三峡水利枢纽梯级调度通信中心，湖北 宜昌 443000

提 要： 将长江流域进行精细分区，基于ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO、CMA-SH9等多模式降水预报产品，开展各模式在滑动训练期分区、分时效、分量级的动态TS检验，获取各模式降水预报性能动态序列，再经客观识别降水类型,调整不同天气尺度模式排序，对大雨及以上量级采用“邻域择优法”,对中雨及以下量级采用“点对点择优法”，利用集合预报概率产品和模式统计分析结果对强降水和小雨进行消空，最终得到多模式动态集成降水产品(MDI)。采用14、21、28和35 d滑动训练期，分别输出MDI-14、MDI-21、MDI-28和MDI-35。应用分析表明：MDI在各量级降水预报优势明显，其中MDI-28预报大雨及以上的降水效果最好，24 h时效TS评分较其他模式高0.051～0.141；MDI-35预报中雨及以下的降水效果最好，24 h时效TS评分较其他模式高0.006～0.117，空、漏报也有很好的控制。对比24 h时效MDI与ECMWF的站点检验结果空间分布情况发现：前者TS评分在长江流域大部地区高于后者，特别是大雨及以上量级降水评分在长江上游东部、中下游沿江及以北地区高出0.05～0.26。

引 言

长江流域水系众多，地形复杂。为满足长江防汛抗洪、水库调度和航运交通等需求，2018年长江流域气象中心从基于气象站点的传统降水预报转向5 km分辨率的精细化网格降水预报发展，预报员通过人机交互的定量降水预报业务平台，基于插值后的高分辨率数值模式降水预报产品进行交互订正。

然而定量降水预报由于影响其时间变化和空间分布的变量太多，被认为是数值模式预报最困难的挑战之一(Golding,2000;Ebert et al,2003)，使得基于插值后的高分辨率数值模式降水预报产品订正效果充满不确定性。尽管近年来通过持续不断地提升模式空间分辨率、改进数据同化能力、完善数值计算方法和次网格物理过程的参数化方案，数值预报模式的降水预报能力不断上升(Forbes et al,2015;Malardel et al,2015)，但也造成了模式降水预报的系统性误差不太稳定。各个模式在动力框架、分辨率、初始场、资料同化技术及物理参数化方案等方面存在差异，使得各模式在模拟能力上存在地理差异(智协飞等，2013；范宇恩等，2019),也在不同降水强度预报上误差各异(陈博宇等，2015；张宏芳等，2014)，当然对不同地区不同降水强度的预报性能差异更明显(辛辰和漆梁波，2018;郝莹等，2019)。

为弥补模式预报缺陷，有必要对数值预报结果进行后处理和订正。Scheuerer and Hamill(2015)指出降水的不连续偏态分布特征和强降水样本的不足，导致降水的统计后处理相比于温度和风速等要素更加复杂。毕宝贵等(2016)指出在实际业务中，为了对海量预报数据中的有效信息进行提取和集成，通常采用定量降水订正与集成技术、概率预报处理技术和统计降尺度技术等方法进行降水预报后处理。由于模式降水预报与实况始终存在一定偏差(王雨和闫之辉，2006；周慧等，2010；熊秋芬，2011；任宏昌,2017),智协飞等(2016)、孙靖等(2015)针对不同量级降水进行相应的偏差订正。Ross and Krishnamurti(2005)、陈丽娟等(2005)、赵声蓉(2006)、Cartwright and Krishnamurti(2007)应用超级集合预报技术，对各天气预报中心的模式预报结果进行集成，发现多模式集成预报效果优于单个中心的预报，对平均海平面气压、地面气温等连续变量要素的改进效果较好，但对降水场的改进效果并不理想(智协飞等，2013)。究其原因，该方法过度拟合了某几个样本距平的极大值，使得各模式权重系数不能真实反映模式的预报能力。

综上所述，降水预报的订正需要考虑地理、强度、时效、模式误差等多种因素，所以本文拟对长江流域开展精细分区、分时效、降水量分级的多模式产品动态TS检验，在此基础上建立各分区最优预报方案，对每一个格点通过“邻域择优法”或“点对点择优法”赋值，从而将不同尺度模式的结果进行优势集成，获得0～168 h最优降水预报场，以期为提高流域降水预报准确率以及洪水预报提供技术支撑，为长江大型水库精细化调度和水资源精准开发利用提供参考依据。

1 资料介绍

文中使用2018—2020年的全球模式和区域模式降水预报产品，具体为：全球模式采用欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)、中国气象局全球同化预报系统(CMA-GFS)和德国气象局(GERMAN)降水预报产品；区域模式采用中国气象局中尺度天气数值预报系统(CMA-MESO)、中国气象局上海数值预报模式系统(CMA-SH9)降水预报产品。另外，还使用了2018—2020年欧洲中期天气预报中心集合预报概率产品和物理量场预报产品。模式预报产品起报时间为08时(北京时，下同)和20时，预报时效间隔为12 h，并通过距离权重插值法降尺度到5 km分辨率。

实况资料为2018—2020年长江流域723个国家站08时、20时过去12 h降水量观测资料。

雨型判别物理量特征统计使用了2010—2017年58个强降水个例的美国国家环境预报中心(NCEP/NCAR)一日4次的大气再分析资料。

2 长江流域分区方案

长江流域大部分地处我国亚热带东南季风和西南季风的影响范围，地势起伏大，水情组成复杂。根据干支流水系分布，长江流域目前有6种分区方式，按子流域的划分方案从粗到细分别为10分区、20分区、28分区、39分区和56分区，其中56分区方案如图1所示。由于流域内地貌类型多样，造成不同地区降水气候差异较大(周秋雪等，2019)，而不同数值模式对各地的降水预报性能差异也较大(智协飞等，2013；陈博宇等，2015；张宏芳等，2014)。因此研究长江流域精细降水预报技术，有必要合理划分子流域区间。本文在长江流域干支流水系56分区的基础上，结合地形特点、水系分布、气候差异和相关部门调度需求，将长江流域分成43个区域(图2)，分区名称见表1。

图1 长江流域干支流水系56分区示意图Fig.1 The 56 divisions of main and tributaries in the Yangtze River Basin branch

表1 长江流域精细订正预报43分区名称Table 1 The names of 43 divisions for fine revised forecast in the Yangtze River Basin

3 分区建立最优预报方案

3.3 构建数据集

如前文所述，由于模式预报能力不断提升(Forbes et al,2015;Malardel et al,2015)，在不同年份，同一模式对同一地区的降水预报特点可能会有不同。如果训练期内的降水特征与预报期内的降水特征出现较大差别，训练期方案可能导致对预报期内的降水预报“反订正”(孙靖等，2015)，因此训练期须反映近期天气变率的特点。

本文以2018—2020年5月1日至9月30日为预报期构建各模式降水预报样本集，以每个预报日的前14、21、28、35 d为滑动训练期构建各模式降水预报TS评分样本集，还构建了2018—2020年对应时段的实况样本集。

3.3 分区分级模式性能排序

将12 h降水量分为4个等级进行检验，分别为小雨(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降水预报产品的检验时效为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时效较其他模式多168～180 h。区域模式CMA-SH9、CMA-MESO降水预报产品的检验时效为12～24、24～36、36～48、48～60、60～72 h，其中CMA-MESO时效较其他模式多72～84 h。

可见，参与12～72 h检验的模式最多，有6个：ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO和CMA-SH9；参与72～84 h检验的有5个:ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO；参与84～168 h检验的模式有4个:ECMWF、NCEP、CMA-GFS、GERMAN；参与168～180 h检验的模式有3个:ECMWF、NCEP、CMA-GFS。

首先，开展了2018—2019年汛期(5—9月)各模式在各分区、各量级降水的TS评分检验，建立预报性能基础序列。其次，利用2020年汛期(5—9月)各模式降水预报样本集，计算训练期内各模式在各分区、各分级降水的TS评分，从而按评分高低得到各模式在各分区、分级降水的预报性能序列。若某分区在训练期内的某一量级降水实况样本数为0个，或所有模式针对该量级降水的TS评分为0，则以预报性能基础序列(即2018—2019年各模式的该量级降水TS评分)作为排序依据。

3.3 雨型客观识别法

对于不同尺度的降水，全球模式和区域模式的预报能力各有优劣，在分级降水预报性能序列的基础上，通过研究建立物理量阈值，确定全球模式和区域模式选用的优先级。

利用58个强降水个例，按照水汽条件、动力条件、不稳定条件三要素以及特殊环境条件，分别提取水汽及层结特征(可降水量、850 hPa露点温度、700 hPa 温度露点差)、动力条件(925 hPa锋生函数、地面3 h变压、700 hPa风速)、不稳定能量(湿对流有效位能CAPE、抬升指数LI、沙氏指数SI和K指数)、降水效率(抬升凝结高度LCL、暖云厚度)等相关物理量做统计分析，分析大尺度和中尺度降水过程期间物理量的异同，凝练了两个主要物理量作为雨型客观识别判据。条件1：LI<0℃；条件2：CAPE≥477 J·kg-1。当同时符合这两个条件时，认为降水为对流性降水，优先使用区域模式；否则为稳定性降水，优先使用全球模式。

3.3 “邻域择优法”和“点对点择优法”

研究表明，ECMWF模式在长江上游流域的降水预报在落区上存在偏差(王海燕等，2017),CMA-GFS存在对流性降水预报较实况偏北或主雨带南侧暖区降水预报不足的偏差特征(宫宇等，2018)。如图3所示，实际暴雨落区发生在灰色区域的可能性较大，但若严苛地点对点比较模式1和模式2预报的暴雨落区，则易漏掉暴雨重要信号。本文对大雨及以上量级采用“邻域择优法”，以期有效保留各模式的强降水信息。以图4为例，假设该预报格点所在分区、暴雨量级的模式性能排序前三的为模式a1、模式a2、模式a3，对该格点周围5 km范围内进行搜索，若排序前三模式中有超过两个预报为暴雨，则认为该格点为暴雨量级，并在两个预报暴雨的模式中采信预报性能排序最前、距离该格点最近的模式暴雨值进行赋值。但对中雨、小雨量级，若采用“邻域择优法”则会增加空报率，因此采用“点对点择优法”。

图3 模式a1(白色)和模式a2(黑色)预报暴雨落区及易发生暴雨落区(灰色)的示意图Fig.3 Rainstorm forecast area of model a1 (white), model a2 (black) and rainstorm prone area (grey)

图4 邻域择优法示意图Fig.4 Schematic diagram of neighborhood optimization method

在方案试验评估过程中发现，采用上述思想建立的产品与客观数值模式对比，对大量级降水的预报质量明显提高，对大雨以上量级降水采用“邻域择优法”较“点对点择优法”TS评分提高2%以上。

3.3 降水预报消空方法

(1)基于集合预报概率阈值暴雨消空法

对大量级降水预报采用“邻域择优法”赋值虽然提高了预报的TS评分，但也在一定程度上增加了空报率。研究表明，ECMWF集合预报的集合平均对暴雨存在明显漏报(董全等，2016；陈圣劼等，2019)，利用集合预报的这一特性，对2018—2019年长江流域汛期暴雨过程样本进行统计，分析表明，当50 mm以上强降水概率预报小于5%时，暴雨出现概率极低，因此，选取5%作为强降水消空阈值。

(2)分时段阈值小雨消空法

对于小雨预报，模式预报普遍空报，因此统计分析各模式不同月份的小雨空报率，选取弱降水空报的最佳阈值，作为消空指标。基于不同模式降水预报产品在不同分区的检验结果，得到不同月份各模式在各分区的弱降水阈值，如：检验表明，7—8月ECMWF模式在某分区预报12 h降水量≤0.5 mm时，降水实况一般为0 mm，则ECMWF模式在该分区7—8月的弱降水阈值为0.5 mm。

3.3 最优集成思路

由于获取数值模式资料的滞后性，集成时采用前12 h起报的数值模式构成该时次的模式集。以20时的12 h降水订正为例，采用数值模式08时起报的12～24 h降水预报数据。最优集成预报的“择优”流程如图5所示。首先判断该格点50 mm以上的集合预报概率是否大于5%，当大于5%时，判断其所属分区内滑动训练期暴雨最优模式排序，假设排序前三的模式依次为模式a1、模式a2和模式a3，且该格点周围5 km范围内模式a2和模式a3预报该时效有50 mm以上的降水，则认为该格点该时效为暴雨量级。由于模式a2的预报性能优于模式a3，因此采信模式a2的暴雨值赋值该格点。

图5 多模式动态集成预报的“择优”流程图Fig.5 Flow chart of multi-mode dynamic integrated forecast

若该格点周围5 km范围内暴雨排序前三的模式中≤1个模式预报或该时效50 mm以上的集合预报概率小于5%，则认为该格点为暴雨以下量级。假设其所属分区内滑动训练期大雨最优模式排序为模式b1、模式b2和模式b3，则寻找该格点周围5 km内是否有≥2个模式预报大雨，若模式b1和模式b3预报大雨，则采信滑动训练期预报效能较好的模式b1大雨值赋值该格点。若≤1个模式预报大雨，则继续判断该格点是否有≥2个模式预报中雨；若≤1个模式预报中雨，则判断该格点是否有≥2个模式预报小雨，并利用最优模式的小雨消空阈值判断是否需要做消空处理；若≤1个模式预报小雨，则认为该格点无雨。由此获得的0～168 h多模式动态集成降水预报场，称为MDI(multi-model dynamic integration)，以预报日前14、21、28、35 d作为滑动训练期产生的多模式动态集成降水预报场分别称为MDI-14、MDI-21、MDI-28、MDI-35。

4 2020年业务应用效果评估

4.4 总体检验

2020年MDI产品投入业务应用，在长江流域汛期降水预报服务中取得了良好的应用效果。表2～表5分别是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降水预报产品的分级降水TS评分。

对暴雨以上量级(表2)，MDI产品TS评分最高，其中MDI-28有6个时效排前二，且在168 h时效排第一；MDI-21有5个时效排前二，且在24、48、120、144 h等4个时效排第一；MDI-14和MDI-35都有4个时效排前二，MDI-14在72 h、168 h排第一，MDI-35在96 h时效排第一。对大雨量级(表3)，MDI产品TS评分仍为最高，其中MDI-28和MDI-35的预报效果较好，有5个时效排前二，其中MDI-28在24、48、96、168 h等4个时效排第一，MDI-35在24 h、72 h等2个时效排第一，另外，MDI-14在120 h、144 h等2个时效排第一。对中雨量级(表4)，MDI产品中MDI-35和MDI-28较模式预报优势明显，有6个时效排前二，其中MDI-35有4个时效排第一。对小雨量级(表5)，MDI产品中MDI-35、MDI-28、MDI-21的预报效果较好，均有6个时效排前二，其中MDI-35有5个时效排第一。

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

表3 2020年5—9月MDI及各模式大雨预报TS评分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及各模式中雨预报TS评分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及各模式小雨预报TS评分Table 5 TS scores of MDI and numerical models’ light rain forecast from May to September 2020

分析各分级降水的空、漏报率(表略)发现，MDI产品对大雨、暴雨及以上的空、漏报率均明显优于模式产品，特别是24 h大雨和暴雨的空、漏报率分别为0.561、0.462和0.521、0.605，远低于模式产品,对中雨的漏报率也远比模式产品低;而空报率除在96～168 h的4个时效略高于ECMWF以外，其他时效均低于模式产品。对小雨的空报率，24～72 h小于0.5，低于数值模式预报空报率，96 h之后较模式预报略高；漏报率则相反，24～72 h在0.149～0.174，略高于模式预报，96 h之后漏报率显著降低，在0.1以下，远低于模式预报。

总体来看，MDI产品对大雨及以上降水预报，在TS评分及空、漏报的整体预报效果均较好。MDI-21对24 h、48 h暴雨以上预报效果较好，MDI-28 对大雨以上降水预报效果整体较好；对中雨及以下降水，MDI-35预报效果较好，尤其是对小雨采取了分时段阈值消空法有效控制了小雨的空报率。

4.2 24 h分级降水TS检验空间分布对比

挑选24 h预报各量级降水TS最高的MDI产品和ECMWF作比较(图6)。以ECMWF模式为参照，对于暴雨及以上降水预报，MDI-21产品在除金沙江以外长江流域大部地区TS评分达到0.2以上，高于ECMWF模式，特别是在汉江上游、乌江下游、清江、澧水、长江下游等地在0.35以上，且较ECMWF模式高出0.15以上；对于大雨预报，MDI-28产品在流域大部达到0.3左右或以上，且除金沙江上游、嘉陵江上游少数地区外，在流域其他大部地区高于ECMWF模式，其中汉江上游部分地区高出0.1以上；对于中雨预报，MDI-35产品在流域大部地区达到0.32左右或以上，除金沙江上游、汉江上游、陆水、洞庭湖流域部分地区外，流域其他地区均高于ECMWF模式；对于小雨预报，MDI-35产品在大部地区达到0.45以上，金沙江上中游、雅砻江、岷沱江、嘉陵江、长江上游干流等地达到0.55以上，且大部分地区高于ECMWF模式。

图6 2020年5—9月(a)MDI-21暴雨，(b)MDI-28大雨，(c)MDI-35中雨，(d)MDI-35小雨的预报TS(填色)分布及其与ECMWF对比(等值线为MDI与ECMWF的TS评分差值，实线为正值，虚线为负值)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产品的各级降水预报TS评分在长江流域大部地区较ECMWF模式有很大提高，特别是对大雨及以上量级的降水，在长江上游东部、中下游沿江及以北地区的优势较为明显；对中雨及以下量级的降水，则在长江流域中部和南部地区的优势较为明显。

5 结论与讨论

将长江流域划分成43个区域，分别以预报日前14、21、28、35 d作为滑动训练期，基于多种全球和区域模式对每个分区开展分时效、降水分级的滚动TS检验，得到每个分区各时效各量级的模式性能排序。按照暴雨、大雨采用“邻域择优法”，中雨、小雨采用“点对点择优法”的集成思路，输出MDI-14、MDI-21、MDI-28和MDI-35共四种产品。对比分析2020年5—9月MDI及模式降水产品的预报效果，得到以下结论：

(1)从TS评分来看，MDI产品整体的预报效果较好。对大雨及以上量级降水MDI-28的整体预报效果较好，另外，24 h暴雨及以上降水MDI-21具有较好预报效果。对中雨及以下量级降水MDI-35产品预报效果较好。

(2)从空、漏报率来看，MDI产品对大雨及以上降水的预报效果最好，可见“邻域择优法”应用在≥25 mm 的降水上，并采用基于集合概率预报阈值消空的方法，可以较好地控制空、漏报率。“点对点择优法”应用在<25 mm的降水上还是会造成一定的空报率的增加，而对小雨采取分时段阈值消空法有效降低了小雨的空报率，以此为代价带来的漏报率的增加也有限，整体还是对预报的正确率有正贡献。

(3)从MDI产品与ECMWF模式的24 h检验结果在长江流域分布情况来看，MDI产品在各量级降水的预报上较ECMWF模式有很大优势，特别是对大雨及以上量级的降水，其在长江上游东部和中下游中部、北部地区表现出较好的预报能力，可为长江流域洪涝灾害防御气象服务提供较好的科技支撑和决策依据。

(4)最优集成方案能有效提升长江流域降水预报能力，不足之处在于对长江上游金沙江流域预报能力改善效果差。这主要是因为制定分区分级模式性能排序方案时，仅考虑了TS评分这一项检验指标，金沙江上游、雅砻江等地由于观测站点少，限制了对降水分布的细致分析和预报效果的评估。今后还需开展多源降水融合分析格点实况应用,纳入多种检验方法,结合天气系统移动、降水季节变化和地形分布特点设计最佳模式集成方案，从而更合理地取众模式之长，找到每一个格点的最佳赋值。