曾凡辉　王新强　曾耀晖

基于分位匹配法对龙岩市一次降水过程检验分析

曾凡辉1王新强1曾耀晖2

（1.福建省龙岩市气象局，福建 龙岩 361000；2.福建省长汀县气象局，福建 长汀 366300）

利用欧洲中期天气预报中心2019—2021年逐时降水预报资料及同时段区域站观测降水资料，文章采用分位匹配技术对福建省龙岩市境内降水预报进行模式偏差订正及分析。结果表明：结合雨区分布、降水空报率、漏报率、准确率、命中率以及TS评分等预报检验指标来看，龙岩分位匹配订正产品对于大雨，尤其是暴雨及以上量级降水具有较好的订正能力，且地形对降水增幅作用在该产品中有一定体现；龙岩位匹配订正产品在保留ECMWF优势的同时，对于ECMWF模式的订正效果显著，对其系统性偏差取得了较好的订正效果。

分位匹配；偏差订正；短时强降水

引言

短时强降水是福建省最为常见的气象灾害之一，通常引起山洪、泥石流、城市内涝等次生灾害，对人民生命财产造成重大的损失。针对此类天气，气象工作者开展了较多研究，建立不同天气系统的配置概念模型[1]，加强了对该类天气的认识，在业务应用中有一定意义，但主要对强降水进行定性研究，定量化比较困难。

ECMWF模式（European Center for Medium-Range Weather Forecasts）是强降水预报和服务中的重要参考[2]，对于一些极端强降水过程，存在较明显的预报偏差。有学者针对模式的定量降水预报采用统计方法进行订正，研究表明[3]对小到中雨量级的降水有一定改善，但对强降水的改善不是很理想。符娇兰[4]通过对西南地区2012年汛期五次典型强降水过程的模式降水预报检验发现，ECMWF模式对西南地区小雨及以下量级降水预报范围较实况偏大，大雨以上量级降水预报范围明显偏小。

如何订正数值预报产品在强降水预报中的偏差，一直以来都是预报业务中的难点。近年来中央气象台在暴雨客观统计预报方法上取得了明显进步，相继研发了集合融合预报、多模式集成、基于配料法的强降水等级预报以及模式分位匹配等多种暴雨客观预报产品[5,6]。

一般而言，数值模式降水预报偏差会随模式预报时效、降水阈值及具体天气形势的不同而不同[7]，所以降水订正最好基于不同时效预报、不同降雨量和不同天气形势单独进行[8]。由于ECMWF模式本身对于暴雨预报能力较弱，所以本文基于概率预报的观测，运用预报分位匹配法开展龙岩地区降水预报落区订正技术，旨在尽可能消除ECMWF全球模式预报降水在龙岩地区的系统性偏差，为该地区短时强降水预报订正研究提供一些参考。

1 资料与方法

1.1 研究资料

本文建立客观订正预报所使用数据包括：2019年1月—2021年12月龙岩市276个经质量控制的自动气象站逐1 h降水观测数据；ECMWF模式降水预报产品，资料时段同观测降水资料，水平分辨率为0.25°×0.25°，时间分辨率为逐3 h、逐6 h。欧洲中心资料范围为115.5°～118.0°，24.0°～26.25°，本文龙岩地区范围为115.8°～117.9°，24.2°～26.1°。数据全部采用20:00（北京时，下同）作为统计起始时间。建模过程中，2019—2020年数据作为训练集，2021年1至12月的数据作为检验集。

1.2 方法

1.2.1 短时强降水标准

目前针对短时强降水标准，不同省份根据日常预报业务经验确定，没有严格标准。本文依据福建省2021年第八届智能预报技术方法客观预报竞赛相关标准确定不同时效内大雨量级，即24 h内逐6 h预报时效以10 mm为标准，0 h～72 h内逐24 h预报时效以25 mm为标准。预报数据统一采用临近点插值，即对于每一个站点，其取值设置为周围四个网格点中最近的一个格点的取值，将预报降水与实况降水建立对应关系。

1.2.2 不同预报时效降水阈值

分位匹配法是一种较为常用的降水量级订正方法，不仅用于天气模式[9]，也多用于气候模式[10]。主要分为两个步骤：首先，通过构建实际降水观测量与相应时段内样本降水预报量的累计分布函数获得降水分位值分布；其次，利用线性插值方法获得模式不同预报时效内降水分位值对应的实况降水阈值。

图1给出了示意图，分别计算2019年1月至2020年12月龙岩地区276个区域自动站降水阈值R出现的百分位数，将其作为相较准确的参考分位，并形成降水样本的分位值分布曲线。预报阈值计算方式与实况参考分位数计算相似，为其相反过程，即将不同实况阈值的参考分位代入计算公式，计算相同时段内ECMWF模式降水预报参考分位下对应的ECMWF模式不同降水等级的预报阈值Rthreshold。

图1 分位匹配法示意图

1.2.3 对预报降水建模并订正

统计不同阈值降水出现的实况参考分位和预报分位数，获取不同降水量的订正系数，将上文中不同时效模式降水阈值与实况标准建立逐一映射关系，即预报降水相对于降水阈值的对应关系应等效于实况降水相对于实况阈值的关系，根据此映射关系，可将预报降水、预报阈值和实况降水标准三者之间进行建模，采用线性回归的方法进行相应偏差订正，最终得到龙岩地区不同预报时效、不同区域站点的降水客观订正产品。

2 业务运用

最优百分位降水客观预报方法于2021年汛期投入业务试运行，利用每日8时和20时起报的ECMWF模式细网格的逐小时降水预报产品，根据1.2的客观订正方法，每天两个时次（6时和16时）提供未来24小时内逐6 h、24 h～72 h内逐24 h的降水客观订正产品。

3 检验结果

3.1 雨量及落区预报检验

受低层850 hPa切变及其南侧强盛西南急流共同影响，2022年3月22至23日龙岩市普降中到大雨，中部、南部出现大范围暴雨天气过程，如图2（a）。据区域气象自动站统计，2022年3月22日8时至23日8时，全市共计99个乡镇164个气象站点24 h累计雨量超过50 mm，19个站点累计雨量超过80 mm，24 h累计雨量以新罗本站99 mm为最大，小时极值以武平桃溪镇28.1 mm · h-1为最大。

对比各家模式22日8时起报的24 h预报降水空间分布，均对此次降水过程有所体现，其中ECMWF、FJWRF和CMA-GFS三家模式对中南部的预报雨量偏小（实况出现大范围暴雨），而EC_MOS、CMA-3KM和CMA-GZ模式，对于西北部长汀、连城境内雨量预报偏大（预报大雨，局部暴雨，实况中雨）。CMA-SH9对东南部新罗和漳平的大雨预报，与实况相比偏小一个量级；龙岩分位匹配产品对于局部雨量预报偏大，东北部漳平暴雨量级预报偏大，中部局部地区预报雨量达大暴雨量级，从龙岩市地形分布情况来看，预报的暴雨位置均位于山脉地段，考虑受地形因素影响，历史观测数据中的降水值较大，导致该地区阈值较其他地区偏高。EC_MOS、龙岩分位匹配客观订正产品（简称分位匹配订正，下同）、CMA-SH9、CMA-3KM和CMA-GZ模式对于中南部的大范围大雨到暴雨预报效果较好，与实况雨区较为一致。因此，从雨量和雨区落区分布来看，CMA-SH9模式和分位匹配订正产品（图2d、图2e）对22日雨量（图2a）的预报效果均要优于其余各家模式。

(a)实况；(b)EC_MOS；(c)ECMWF；(d)分位匹配订正；(e)CMA-SH9；(f)FJWRF；(g)CMA-GFS；(h)CMA-3KM；(i)CMA-GZ

3.2 相关系数及均方根误差检验

从图3泰勒图可知，22日8时至23日8时，龙岩市境内276个区域自动站24 h累计降水量标准差为20.47 mm，各家模式标准差在9 mm～27 mm之间，以CMA-SH9模式标准差为最大，达27.14 mm，CMA-SH9降水预报强度不一，较为分散。从各家模式预报与实况观测数据的相关系数来看（蓝色虚线），CMA-GFS、分位匹配订正产品和CMA-SH9模式预报与观测之间相关性较高，相关系数分别为0.69、0.55和0.48。EC_MOS、FJ_WRF和CMA-GZ模式与实况的相关性较差，相关系数均低于0.3。另外，从表征预报数据与实测数据之间偏差程度的均方根误差rmse（绿色圆弧线）来看，与其他几家模式相比较，CMA-GFS、分位匹配订正和CMA-3KM预报产品与实况数据的偏差较小。通过上述参量评估，发现CMA-GFS模式的预报效果最好，分位匹配订正产品次之，而CMA-SH9模式预报的效果最差。

图3 各家预报模式泰勒图分布

3.3 预报指标综合检验

采用短期预报检验中常用的重要指标：降水空报率、漏报率、准确率、命中率以及TS评分来检验偏差订正对降水范围预报的影响。

根据列联表（见表1）可对下列各参数分别进行计算，计算公式如下：

表1 二分类检验列联表

其中，pod为预报正确站点数，fa为空报站点数，mis为漏报站点数。

由图4可知，各家模式对于此次降水过程24 h超过25 mm降水的ts评分（黄色虚线）均超过0.7，其中以龙岩分位匹配订正产品ts评分为最高，达0.8774。而ECMWF模式预报ts评分最低，仅为0.73。EC_MOS、CMA-SH9、分位匹配订正产品和FJ_WRF模式与实况之间的偏差值较小，bias值为1.1；ECMWF模式的偏差值最大，达0.76。

从命中率来看，除ECMWF（0.74）和CMA-GFS（0.8）两家全球模式相对较低，其余各家模式命中率均超过0.9，其中EC-MOS、CMA-SH9、CMA-GZ和CMA-3KM三家模式对大雨及以上量级降水预报命中率达100%。FJ_WRF、CMA-3KM和CMA-GZ的成功率则相对较低（均低于0.85）。各家模式预报成功率均超过0.8，其中ECMWF和CMA-GFS成功率超过0.9，分别达0.98和0.96，位居前两位；分位匹配订正产品成功率达0.89，排名第三。从漏报率来看，ECMWF和CMA-GFS位居前两位，分别达到0.26和0.21，其余各家模式漏报率均低于0.1，其中分位匹配订正产品漏报率较低，仅为0.02。除ECMWF和CMA-GFS两家模式预报空报率低于0.1以外，其余各家预报产品空报率均超过0.1，其中以CMA-GZ和CMA-3KM为最大，均达到0.17，而分位匹配订正产品的空报率达到0.1，在八家模式预报中处于中等水平。

结合ts评分、命中率和漏报率来看，龙岩分位匹配订正产品在这次降水过程中的预报效果排名靠前，且ECMWF对上述三类参量预报效果较差，表明龙岩分位匹配订正产品对于ECMWF模式的订正效果显著。同时，ECMWF模式在空报率和成功率方面表现较好，龙岩客观订正产品与ECMWF的空报率和成功率相差不大，表明分位匹配订正产品在保留ECMWF优势的同时，对于ECMWF的系统性偏差作了较好的订正，具有较好的订正效果。

黑色虚线代表bias偏差，黄色虚线代表ts评分

3.4 暴雨及以上降水准确率检验

从实况与预报降水分布来看（图1），各家模式对于中南部大雨及以上的降水预报分布大体相似，但对于暴雨及以上（24 h累计雨量超过50 mm）的预报则不尽相同，在落区和强度上存在差异。因此，对大雨及暴雨预报准确率进行进一步分析，准确率计算公式如式6所示。

由图5可知，除ECMWF模式对此次降水过程大雨及以上降水的预报准确率低于0.8以外，达0.77，其余各家模式的预报准确率均超过0.8，其中以分位匹配订正产品和CMA-SH9模式准确率最高，达0.86。各家模式对于大雨及以上降水预报准确率的差异并不显著。但从暴雨及以上预报准确率来看，各家模式预报准确率则差异明显加大，其中CAM-SH9、分位匹配订正产品和CMA-3KM准确率排名前三，分别达0.76、0.73和0.69。CMA-GFS、FJ_WRF和ECMWF排名垫底，准确率分别为0.39、0.45和0.46。ECMWF与分位匹配订正产品大雨及以上准确率差值0.11，而二者暴雨及以上准确率差值加大（差值达0.22），表明分位匹配订正产品对ECMWF模式暴雨及以上的大量级降水具有更好的订正效果。

图5 不同模式对不同量级降水24小时预报准确率分布图

4 结论

本文利用ECMWF模式降水预报资料及区域自动站降水观测资料，采用分位匹配技术对龙岩市境内的降水预报进行模式偏差订正，并对2022年龙岩境内一次降水过程进行订正检验，得到以下研究结论。

（1）从整体雨区分布情况来看，龙岩分位匹配订正产品对于ECMWF模式预报的大雨，尤其是暴雨及以上量级降水进行了较好的订正。相较于其他各家模式，订正产品对于大雨预报落区与实况较匹配，虽然该订正产品对局部地区预报雨量偏大，但从地形影响分析来看，中部山脉地形有利于降水增强，因此该产品还能进一步体现地形对于降水增幅的影响效果。

（2）从均方根误差和相关性来看，此次过程对于24 h大雨及以上量级的降水而言，CMA-GFS模式的预报效果最好，分位匹配订正产品次之，而CMA-SH9模式预报的效果最差。

（3）从各指标参数检验来看，龙岩分位匹配订正产品在这次降水过程中大雨及以上量级预报的整体效果排名靠前，未订正的ECMWF模式产品效果则相对较差，订正产品对ECMWF产品的系统性偏差取得了较好的订正效果。

（4）龙岩分位匹配订正产品在此次降水过程中，随着预报雨量的增大，分位匹配订正产品的订正优势明显提高，且对于ECMWF模式暴雨及以上量级降水预报准确率的提升尤为明显。

[1] 孙继松，陶祖钰. 强对流天气分析与预报中的若干基本问题[J]. 气象，2012，38(2): 164-173.

[2] 蔡芗宁. 2012年9—11月T639、ECMWF及日本模式中期预报性能检验[J]. 气象，2013，39(2): 253-258.

[3] Peng X D, Chen Y Z, Chang J. A novel approach to improve numerical weather prediction skills by using anomaly integration and historical data[J]. Journal of Geophysical Research, 2013, 118(16): 8814-8826.

[4] 符娇兰，宗志平，代刊，等. 一种定量降水预报误差检验技术及其应用[J]. 气象，2014(7): 796-805.

[5] 李泽椿，谌芸，张芳华，等. 由河南“75·8”特大暴雨引发的思考[J]. 气象与环境科学，2015，38(3): 1-12.

[6] 李泽椿，谌芸，张夕迪，等. 中央气象台暴雨预报业务的发展及思考[J]. 暴雨灾害，2019，38(5): 407-415.

[7] Hamill T M. Whitaker J S. Probabilistic quantitative precipitation forecasts based on reforecast analogs: theory and application[J]. Monthly Weather Review, 2006, 134(11): 3209-3329.

[8] 李俊，杜钧，陈超君. 降水偏差订正的频率(或面积)匹配方法介绍和分析[J]. 气象，2014，40(5): 580-588.

[9] Bremnes J B. Improved calibration of precipitation forecasts using ensemble techniques. Part 2: Statistical calibration method[Z]. Oslo: Norwegian Meteorological Institute, 2007.

[10] Maraun D. Bias correction, quantile mapping, and downscaling: revising the inflation issue[J]. Journal of Climate, 2013, 26(6): 2137-2143.

Test and Analysis of a Precipitation Process in Longyan City Based on Quantile Matching Method

Using the hourly precipitation forecast data of European Medium Range Weather Forecast Center from 2019 to 2021 and the observed precipitation data of regional stations in the same period, the model deviation of precipitation forecast in Longyan City, Fujian Province is corrected and analyzed by using quantile matching technology. The results show that the Longyan quantile matching correction product has good correction ability for heavy rain, especially heavy rain and above precipitation, and the effect of terrain on precipitation growth is reflected in the product in combination with the distribution of rain areas, the rate of missing reports, accuracy, hit rate and TS score; the Longyan level matching correction product not only retains the advantages of ECMWF, but also has a significant correction effect on ECMWF mode, and has achieved a good correction effect on its systematic deviation.

quantile matching; deviation correction; short-term heavy precipitation

P426

A

1008-1151(2022)08-0026-04

2022-06-20

曾凡辉（1993－），男，福建龙岩人，福建省龙岩市气象局助理工程师，从事天气预报和数值模拟相关工作。