苏华英，曾莉萍，罗乃兴，王国松，周 皞

（1.贵州电网有限责任公司电力调度控制中心，贵州 贵阳550002；2.贵州省气象局，贵州 贵阳550002；3.贵阳市气象局，贵州 贵阳550001）

贵州春夏多降水，常因1～2 h的短时强降水或持续性暴雨天气造成山洪、滑坡及泥石流等次生灾害，给国民经济造成巨大的损失。短时强降水也会造成电网变电站、输电线路、水电站等民生行业不可挽回的损失。因此发展适用于贵州本地化的逐时滚动订正的短时临近QPF技术[1-2]是十分必要的。本文拟通过利用新的订正算法提高贵州0～2 h短时临近定量降水预报（QPF）准确率。利用滚动订正后的QPF为气象防灾减灾，以及专业专项气象服务（如电网输电线路安全、水利防洪等与降水密切相关的行业）提供精准的降水客观产品。QPF可分为短期和短临预报。短期QPF检验证明从1960年到21世纪其预报准确率稳步提高，Wilson在20世纪90年代对其进行了详细的讨论[3-5]。短临预报则是近代才开始发展，英国气象局的“Nimrod”（Nowcasting and Initialization for Modeling Using Regional Observation Data Scheme）系统较为出名[6-7]。我国的短时临近QPF业务系统是中国气象局2008年开发的具有自主知识产权的“灾害天气短时临近预报系统”（Severe WeatherAutomaticNowcastsystem，SWAN）[1]。由于短时临近QPF研究处于快速发展阶段，因此出现了百家争鸣的算法研究现状[8-12]，大致可分为4类。而逐时滚动订正的短时临近QPF是目前国内外最为主要的一类短临定量降水外推预报方法。2016年韩文宇[13]、2018年周北平[14]等利用雷达Z-I关系对降水估测预测的准确率影响情况进行了研究。利用模式研究QPF方面，程丛兰[15]等发现快速同化模式存在“模式起转”问题，雷达反演降水外推预报在0～2 h内则能很好地弥补这一缺点。如果将雷达临近预报和数值预报进行融合，则是目前提供较长时效0～6 h外推预报的研究方法[16-18]。这也是英国气象局“Nimrod”系统短时临近降水预报所运用的基本思想。有研究表明降水预报的融合技术还需要进行多尺度处理，Atencia则给出了降水预报多尺度处理相关的研究方法[19-20]。分析研究发现基于雷达的短时临近QPF外推技术（2 h以内）的最大优点在于对降水空间场的完美预测，这是目前在临场中任何模式无法超越的。

相似离度算法在气象各基本要素的预报研究中均有学者应用。相似离度最早由李开乐[21]提出，其代表相似性的差异程度，既考虑到样本间的“形”相似情况，又体现了样本间的“值”相似差异，是一种比较全面的相似标准。李开乐最开始将该理论运用到台风路径预报和寒潮中长期预报业务中[22-23]。刘爱梅等[24]利用相似离度原理预测不同站点1～6 d的降水概率。陈力强等[25-26]分析发现融合了相似离度的集成方法在降水量和降水分布两方面，对大雨及以上量级的降水预报效果优于各个成员模式。另一种订正方法Weibull分布对极值订正有很好的应用效果。张秀芝[27]利用Weibull分布发现对于年最大风速、波高、降水量等气候极值均具有很高的拟合精度以及很强的适应性。在基于雷达回波的外推移动路径预报中，雷达回波最优空间相关方法最早被用于Austin和Bellon[28]的研究中，利用平均位移矢量对降雨移动路径进行线性外推预报。在此基础上，Rinehart和 Gravey[29]发展了 TREC（Tracking Radar Echo By Correction）方法，Li[30]等则在TREC基础上发展了改进后的交叉相关法（Improved Cross-Correlation Extrapolation Method，COTREC） 方法，更精准地进行了外推降水预报。

本文利用中国气象局的业务系统SWAN标准输出6 min一次的QPF产品作为研究背景场。公益性行业专项《青藏高原东侧易发山洪小流域监测预警方法研究》研究检验发现SWAN标准输出的QPF产品在落区上评分高，但是降水量级上普遍偏小，特别是大雨及以上量级的降水TS评分仅为0.1～0.3。鉴于相似离度算法不依赖历史资料，可移植性很强，并且具有较好的预报性能，预判可将其用于短时临近QPF中。结合Weibull分布对降水极值的订正，本文首先利用上述两种方法对SWAN标准输出的QPE和QPF产品进行订正；其次运用COTREC方法进行0～2 h的降水外推预报；最终得到贵州省短时临近定量降水预报产品（GZ_NPF）。未来可利用GZ_QPF进行气象短时强降水灾害、电力输电线路安全和水利防洪等的城市监测预警。

1 资料与方法

1.1 实况资料说明

本文所用的实况站点资料采用贵州3000多个区域自动站及85个国家级自动站的降水资料，时间分辨率为1 h。由于每一个时次收到的区域自动站及可用站数据不定，因此每一时次使用的自动站总数不固定。85个国家站和1200个骨干站的逐小时雨量数据经过贵州省气象信息中心严格质量控制，在本文使用过程中将不再进行质控。剩下的未经贵州省气象信息中心质控的区域自动站数据，在使用前将进行质量控制。方法如下：利用离检验站点最近的5个自动站降水数据进行相互验证，检验站点周围距离最近的5个点降水量级都相差3个量级或以上并＞100 mm时剔除，认为该检验站点数据为异常数据，剔除不合理的降水数据后再在本文中使用（图 1）。

图1 贵州省国家站及区域自动站点分布

1.2 SWAN数据说明

1.2.1 定量降水预报数据

运用SWAN输出的定量降水预测[QPF（1 km×1km）]每6 min输出一次数据产品，作为逐时滚动的0～2 h定量降水预报的基础背景数据。

1.2.2 定量降水估测数据

SWAN反演的1 h定量降水估测 [QPE（1km×1km）]产品，经对比检验实况自动站发现QPE的降水形态跟实况场基本一致，但是在降水量级上偏差较大。如果直接使用实况站点数据插值成1 km×1km的网格数据，由于站点分布密度不够插值效果并不理想。因此利用QPE作为背景场，再结合质控后的自动站1 h降水数据对QPE进行量级订正。本文将订正后的定量降水估测产品（DZ_QPE）作为外推预报试验对比检验的格点降水“真值场”。

1.3 研究方法

本文利用DZ_QPE和SWAN_QPF进行外推降水预报试验。该试验主要分为两步，第一步对同时刻的DZ_QPE和SWAN_QPF_00进行对象识别，再进行强度位相（相似离度算法）和极值分布（Weibull分布）订正；第二步利用订正后的GZ_NPF_00作为起报初始场运用COTREC算法进行0～2 h外推降水预报试验。

1.3.1 降水对象识别

通常一个中尺度对流系统中常包含多个孤立的对流单体，每一个对流单体都可以被识别为一个对象。但是DZ_QPE和SWAN_QPF反映的弱降水系统不是本文研究重点，因此将中尺度对流系统作为一个整体对象来处理剔除弱降水干扰。

（1）阈值控制。因为考虑到本文的研究对象对大量级的降水更感兴趣，小时雨强越强造成的灾害也会越重。首先对降水场进行过滤，使感兴趣的降水场能相互区分。公式如下：

其中，C（x，y）为掩膜场，p（x，y）为原始降水场，T为阈值，T为0.1 mm。

（2）重构场。将经过阈值控制后的掩膜场返回原始二维降水格点值：

P（x，y）为达到阈值以上构成的新降水场也称重构场。

1.3.2 SWAN输出的QPF初始场校正方法

对于 SWAN整点时刻输出的 QPF（SWAN_QPF_00）的校正分以下几步：

（1）相似离度算法校正

相似离度能反映两个样本之间的值和形态两方面的形似程度，它是一种较为全面的相似比较的数学衡量标准。

相似离度C由形系数s和值系数d两项共同决定。C越小表示两样本越相似，C越大表示两样本越不相似。并由C获得所对应的位相移动矢量值。

（2）降水极值分布订正

降水强度订正利用Weibull分布通过SWAN_QPF向DZ_QPE逼近来调整。假设SWAN_QPF与DZ_QPE都满足正态分布，并且SWAN_QPF和DZ_QPE两个场的累计分布函数（实型随机变量的概率分布函数）是不同的。

式中，α＞0 为形状参数，β＞0为尺度参数，a0（＜Xmin）为位置参数，本文采用当a0=0时，上式变为二参数Weibull分布函数的简便式。

Xp为函数F（x）的反演值，并利用Xp对定量降水预报场进行强度订正，得到订正后的降水函数。

（3）增补强降水中心

（4）融合订正场

1.3.3 基于SWAN—COTREC方法的外推

基于订正后的SWAN_QPF_00进行0～2 h的定量降水外推预报。进行位相和强度订正后，首先利用COTREC风场对整个区域进行分区，再利用最小二乘法计算每个分区误差绝对值的极小值来得到每个分区预报降水场的最佳移动位置。增补的强降水中心的强度变化根据实况强降水云团的强度变化为依据进行外推。

、为最终外推第 1 时和 2 时的降水预报矢量场GZ_NPF。

2 2018年3次外推试验研究分析

从2018年6—9月选取3次系统性的暴雨个例进行外推试验。2018年6月20日（西南涡东移后形成江淮气旋）和2018年6月22日（西南涡东移）是2018年影响范围最广的两次暴雨过程。2018年9月26日则是一次典型的秋季暴雨。从高低空配置来看，3次个例共性特征为高空槽配合低层切变线、水汽充沛、地面受热低压控制。不同的是2018年6月20日的个例中缺少700 hPa切变线与高空系统配合，因此该个例是3次个例中暴雨站数最少的一个（表1）。具体分析情况见表2。

对3次个例逐24 h输出订正后的GZ_NPF_00（原始SWAN_QPF_00数据缺失时次除外）、外推第1时（GZ_NPF_01）和第 2时（GZ_NPF_02）降水进行主客观对比分析检验。

表1 2018年3次暴雨过程统计特征

表2 2018年3次个例24 h内最大雨量站及1 h最大雨量站统计

2.1 “6·20”暴雨个例外推试验

2.1.1 天气实况及天气背景

2018年6月19 日20时—20日20时（BT）强降水主要集中在六盘水市南部、黔西南州北部、安顺市、贵阳市中南部、黔南州中部偏北及黔东南州北部。主要降水时段是19日20时—20日08时、20日08—11时，最强小时雨强普遍在60～80 mm/h。贵州位于锋前，锋前热低压中心位于云南（图2）。850 hPa长江横切变给贵州带来系统性强降水，强降水集中位于850 hPa切变线附近。逐6 h分析降水雨带和雷达回波发现雨带的移动性不大，主要是在850hPa切变线附近发展，对流云团生成后略南移。

2.1.2 个例外推结果分析

从主观对比检验来看，订正后的GZ_NPF准确率在量级上明显优于SWAN_QPF。对比检验发现6月19日20时—6月20日20时（BT）24 h内逐小时的GZ_NPF在强度上有显著优势，且落区位置70%以上略优于SWAN_QPF。挑选两个时次做实例说明，图3a、3b为2018年6月20日01—03时（UTC）逐小时订正后和外推的GZ_NPF与DZ_QPE叠加图，图3c、3d为SWAN_QPF与DZ_QPE叠加图。对比图3a和图3c发现＞0.2 mm的降水边界图3a跟DZ_QPE同量级边界吻合度更高，5 mm和10 mm以上的降水雨团边界同样是图3a跟DZ_QPE的降水雨团吻合度更高。分析图3b和图3d发现落区上二者与DZ_QPE都较为相似，但是降水中心值则是利用Weibull分布订正外推的图3b比图3d更为接近DZ_QPE。根据客观分级检验在10 mm

图2 2018年6月19日20时（BT）中尺度分析

2.2 “6·22”暴雨个例外推试验

2.2.1 天气实况及天气背景

2018年6月21 日20时—6月22日20时（UTC）受西南涡东移的影响，大雨以上的降水集中在贵州省西部到中南部，小时雨强普遍为40～50 mm/h。图4为2018年6月21日20时（BT）中尺度分析。地面热低压位于云南东部，没有明显的锋面。850 hPa西南涡东移后造成贵州大范围系统性强降水。主要的降水带集中在700 hPa和850 hPa的切变线之间。逐6 h分析降水雨带和雷达回波发现雨带的移动性不大，先是有多个对流单体发展，而后生成的对流云团在原地发展增强。

2.2.2 外推个例试验结果分析

图5为2018年6月22日00—02时（UTC）主观检验对比分析图。主观检验对比6月21日20时—6月22日20时（BT）24 h内逐小时的降水数据，发现跟“6·20”个例一样，GZ_NPF 数据在强度上明显优于SWAN_QPF数据。SWAN_QPF在大雨以上量级强度严重偏弱，无法反映真实的降水情况。GZ_NPF落区位置则有70%～80%优于SWAN_QPF。从24 h的降水数据中选取两个时刻作代表展示。选取时刻相似离度算法并未对降水的落区有明显的调整，说明原始QPF落区跟DZ_QPE吻合度很高时相似离度算法不会过度调整降水落区。对比图5a和图5c发现小雨量级的降水边界两者跟填色DZ_QPE底图均能较好地重合。但是对＞5 mm的降水落区图5a大部分比图5c能更好地跟DZ_QPE吻合。客观检验分级检验TS评分也说明这一情况，GZ_NPF在＞5 mm和＞10 mm的降水量级检验中TS评分值相比SWAN_QPF的TS评分值平均提升48%。22日01—02时（UTC）主观检验发现降水落区图5d比图5b对降水边界描述略优，这有可能是因为在降水识别时有意弱化了弱降水。降水中心大值区则是利用Weibull分布订正外推后的图5b与图5d更接近实况，降水大值中心与DZ_QPE的偏差在5 mm以内。

图3 2018年6月20日01—02时及02—03时（UTC）DZ_QPE、SWAN_QPF、01时起报订正后GZ_NPF以及外推1 h GZ_NPF对比

图4 2018年6月21日20时（BT）中尺度分析

2.3 “9·26”秋季暴雨个例外推试验

2.3.1 天气实况及天气背景

2016年9月25 日20时—9月26日20时（BT）受高空短波槽及中低层低涡切变系统（图6）影响贵州省，贵州中部地区普降中到大雨，局地暴雨，最强小时雨强在50～70 mm。跟夏天的降水相比，秋季暴雨小时降水的强度及范围偏小一些。图6为2018年9月25日20时（BT）中尺度分析图。地面热低压中心位于云南东部，贵州省受锋前热低压影响。此次降水过程主要是受低涡切变线影响造成的系统性降水，逐6 h分析雨带变化发现降水带自北向南移动，跟前2个个例相比，移动范围更大，26日05时（BT）后降水在移动过程中逐渐减弱。

2.3.2 外推个例试验结果分析

主观分析对比9月25日20时—9月26日20时（BT）24 h内逐小时数据发现，GZ_NPF在强度上明显优于SWAN_QPF，最大降水量级的偏差一般在5 mm以内（图7）。对比图7a和图7c，发现5 mm和10 mm以上的降水雨团边界图7a跟DZ_QPE的降水雨团更为接近。如在贵州黔南州北部的一块10 mm降水区的雨团。降水中心极值利用Weibull分布订正外推的图7b与DZ_QPE更为接近。如贵州东北部一块5～10 mm的降水区，图7d上只有0.2～2 mm，而图 7b上则是 2～10 mm，大大缩小了与实况降水量级上的差异。根据客观分级TS评分检验也说明GZ_NPF平均分值提高了33%。

3 3次研究个例客观检验结果

利用DZ_QPE作为检验的真值场，对GZ_NPF、SWAN_QPF进行点对点的统计检验。本文具体拟采用的检验方法参考庞玥等[31]对集合降水产品进行晴雨检验（PC）、TS评分及偏差BS检验，参考王勇等[32]绝对误差误差和相对误差检验算法，王雨等[33]对降水产品进行ETS评分的方法，对不同时效累积降水进行进行分级检验[34-35]。本文将1 h降水分4个等级：0.1～5 mm，5～10 mm，10～20 mm，≥20 mm。

图5 2018年6月22日00—01时及01—02时（UTC）DZ_QPE、原始QPF降水、00时起报订正后QPF以及外推1 h降水对比

图6 2018年9月25日20时（BT）中尺度分析

表3代表3次研究个例的客观点对点评分检验。晴雨检验订正前后差别较小，评分都在90%以上。TS和ETS评分在＜5 mm降水级别原始QPF的检验评分略高，这是因为订正时有意模糊小量级降水导致。在＞5 mm量级的检验中发现TS和ETS评分均是订正后分值明显高于订正前。同时订正后的QPF空报率降低，但是漏报率提高。这一检验结果跟主观图形检验结果基本吻合。

表3 3次个例订正前后QPF不同量级降水检验对比

误差检验利用格点误差累积数进行检验，以DZ_QPE数据作为实况场与SWAN_QPF和GZ_NPF进行误差检验。由于订正后GZ_NPF数据范围小于SWAN_QPF，因此 GZ_NPF 总格点数（353 929）少于SWAN_QPF（412 891）的总格点数。从表4看出订正后总平均降水量的相对误差明显减小，总平均降水量的绝对误差有所增加，相对误差率从-55%提高到-22%。GZ_NPF平均总降水量比SWAN_QPF更接近实况平均总降水量。说明GZ_NPF相对误差减小，格点总降水量与实况总降水量更为接近。检验评定结果见表3、表4。

图7 2018年9月25日20—21时及21—22时（UTC）订正_QPE降水、原始QPF降水、20时起报订正后QPF以及外推1 h降水对比

表4 3次个例订正前后QPF格点降水误差统计对比

4 结论与讨论

一直以来，模式资料的后处理都是改进模式预报效果最简单有效的方法。很多研究都表明通过重点导入关键区域的高密度实况资料能够明显改善模式针对该区域的预报效果。本文通过分析3次典型暴雨个例外推试验，探讨了针对GZ_NPF的效果，并对GZ_NPF的优缺点有了初步认识。

（1）本文所选取的3次试验个例都具有明显的系统性，与之对应的雨带范围、强度、分布和移动都有较强的延续性。针对这种特点的降水，3次个例GZ_NPF的订正和外推效果相似，对降水强度的订正效果显著，对降水落区的订正在整体上也有明显的改善。

（2）降水强度分布符合Weibull分布算法，因此利用Weibull分布算法极值订正后的降水更符合实际的降水特点。表现为订正后的降水对中等强度以上（≥5 mm/h）的降水改进效果最为明显。由于短时强降水（≥20 mm/h）的发生概率过低，因此该算法虽然能够预测，并有一定的示警作用，但位置有一定的偏差。由于订正后小雨的格点数减少，导致小雨量级预报效果略变差。

（3）相似离度算法经过验证具有表征意义全面，计算速度快的特点，通过调用该算法明显改善了雨带的位置。实况站点资料的导入，优化了降水的分布尤其是插入了实况极值降水后，有利于降水强度的预测准确率，其次是极值降水的预测预警。

整体来说，实现了基于雷达的0～2 h短时临近QPF外推技术的提高，为未来做更长时效（0～6 h）外推预报打下了良好的基础。但是也应该看到：一些局地性强降水具有降水分散且雨团尺度较小，发展速度快，强度变化大，移动性不一致的特点。针对这一类型的降水预报和外推算法一直都是较为困难的议题，本文所用算法改进效果也不理想。而这将是下一步的改进方向。