邢 楠 仲跻芹 雷 蕾 杨艺亚 徐路扬

1)(北京市气象台, 北京 100089)

2)(北京城市气象研究院, 北京 100089)

引 言

短时强降水是北京地区夏季主要的灾害性天气之一,具有突发性、局地性、短时性和致灾性强的特征,是天气预报中的重点和难点[1-2]。北京地区三面环山,影响北京地区夏季对流天气的环流背景存在月变化[3],复杂地形和气候背景均会影响短时强降水的落区。随着社会经济生活对预报准确率和精细化程度要求的不断提高,加强北京地区短时强降水天气预报技术研究非常必要。

大气环境条件可用于判断短时强降水的可能发生区域,因而表征环境条件的物理参量可作为强降水预报的重要参考[4-5]。较多研究利用实况或模式产品得到指示短时强降水发生发展过程的物理参量及阈值,采用统计或深度学习方法构建预报模型对短时强降水天气进行预报[6-11]。当前对流参数阈值判定、回归、因子分析、随机森林、配料法等统计方法的使用非常普遍[12-17],基于卷积神经网络等深度学习方法在强对流临近识别和短时临近预报的应用逐渐增多[18-19],其中配料法是基于影响预报对象的因子,在描述强对流发生发展过程的水汽、动力等条件更具表征力,得到广泛应用[4,20-24]。雷蕾等[4,25]基于快速更新同化预报系统产品得到多种热力、动力和不稳定物理参量,统计其在短时强降水、雷暴大风和冰雹发生发展过程对应的阈值,实现了北京地区强对流天气的分类概率预报。为了更加客观筛选物理参量,Tian等[24,26]基于概率密度分布的重合度确定预报因子,采用配料法和模糊逻辑算法建立全国短时强降水概率预报模型。以上研究表明:基于数值模式产品以大气环境条件作为预报因子构建客观预报模型,可有效判断短时强降水发生的潜势。

目前有关北京地区短时强降水预报研究多针对整个降水时段建模,较少考虑不同阶段环流背景对物理参量选取和阈值确定的影响,同时影响北京地区降水的环流形势月际差异较大[3],因此很有必要依据环流背景建立不同月份短时强降水的预报模型。近年国产高分辨率模式发展快速[27-28],中国气象局北京快速更新数值预报系统(CMA-BJ)同化大量气象观测资料,能够模拟接近实际大气的环境特征,可提供较准确的未来高时空分辨率对流潜势判断[29-30]。高分辨率快速更新预报系统和精细化实况监测网络可为建立北京地区快速更新且高时空分辨率的短时强降水预报模型提供支撑。

本文基于CMA-BJ预报产品,将北京地区4—9月天气按短时强降水(降水强度不低于20 mm·h-1)、普通降水(降水强度为0.1～19.9 mm·h-1)和无降水划分为3类,分别统计各类降水物理参量概率密度分布,客观筛选关键物理参量并确定其阈值,基于配料法和模糊逻辑算法分期建立北京地区高时空分辨率的短时强降水概率预报模型,通过综合判定概率阈值和消空处理获得北京地区短时强降水确定性预报产品。

本文插图所涉及的国界和行政区域界线基于审图号为GS(2020)4619号标准地图制作,底图无修改。

1 资料和方法

1.1 资 料

本文观测和模式产品的涵盖时段为2019—2022年4—9月,根据中国气象局2020年下发的全国智能预报技术方法竞赛检验方案,选取北京地区193个地面气象站(包括国家站和区域站)(图1)的小时降水量资料。基于单站小时降水量,将2019—2021年4—9月所有时次样本分为短时强降水、普通降水和无降水3类,样本量分别为2128,148469和2299205。模式产品为北京城市气象研究院研发的CMA-BJ[31]预报产品(北京时间02:00,08:00,14:00和20:00起报的0～12 h 逐小时预报),水平分辨率为3 km。本文使用ERA5再分析逐月资料分析北京地区气候背景特征,时段为1991—2020年4—9月,水平分辨率为0.25°[32]。

图1 北京地区193个地面气象观测站的分布(填色为地形高度)Fig.1 Spatial distribution of 193 weather stations in Beijing(the shaded denotes elevation)

1.2 模 型

为了筛选可指示强降水天气发生的预报因子,本研究基于逐小时降水实况和CMA-BJ预报产品,计算短时强降水、普通降水和无降水3类样本各物理参量概率密度分布的重叠区域,客观选取短时强降水的指示因子[24]。在单一因子预报的短时强降水天气概率值的基础上,基于模糊逻辑算法对多因子预报的概率值进行加权求和,得到每个格点上短时强降水的发生概率,其计算公式:

(1)

式(1)中,n为预报因子数量,本文n=4;wi为第i个因子的权重,由于权重对概率值影响不显著[24],本文w=0.25;fi为第i个因子的隶属度函数。本文隶属度函数用于确定物理量值对应的短时强降水天气发生概率,取值为0～1。按照短时强降水对应的物理参量第20,40,60和第80百分位值确定隶属度函数[24]。

已有研究指出短时强降水的预报产品空报率通常较高[24],这可能与短时强降水的局地性、突发性等中小尺度特征相关。雷达回波强度可作为短时强降水落区的消空判据[30],为了降低短时强降水预报的空报率,本文引入CMA-BJ预报的组合反射率因子作为概率预报模型的消空因子。

本文预报模型的输入和输出分辨率为0.05°×0.05°,采用双线性插值方法将CMA-BJ预报场插值至0.05°的分辨率,获得0～12 h逐小时短时强降水0.05°分辨率的网格客观预报产品。预报模型建立阶段,采用最邻近点方法将格点物理参量插值到站点进行物理参量筛选和阈值确定。本文建模训练期为2019—2021年4—9月,模型测试期为2022年4—9月,并用降水实况进行定量检验。

1.3 检验方法

本文采用TS评分和偏差评分检验预报模型的预报能力。由北京地区地面气象站的分布(图1)可知,大部分站位于平原地区,海拔高度超过200 m的仅有41个站,城区站最高分辨率为0.96 km,部分山区站点最高分辨率仅为14.4 km。因此,鉴于短时强降水局地性强、地面气象站稀疏且分布不均,本文采用空间检验方法,即以每个站为中心,判别其40 km半径范围内是否出现某种分类天气,进而判定该分类预报是否正确[33]。

2 北京地区短时强降水预报因子筛选

2.1 短时强降水分布和大气环流气候特征

图2为2019—2022年4—9月北京地区短时强降水累计发生频次分布。由图2可见,短时强降水在西部、北部高海拔山区发生频次较低,在山前及平原地区发生频次较高,房山、海淀、昌平、怀柔和密云的山前地区均为强降水高发区,这与已有研究基本一致[34];平原地区如朝阳和通州交界处也为局地短时强降水的高发中心,最高可达34次;短时强降水发生频次具有明显的月变化特征,7月和8月是短时强降水的主要发生月,共占总发生频次的78%。

图2 2019—2022年4—9月北京地区短时强降水发生频次的空间分布(a)和月发生频次占总发生频次比例(b)Fig.2 Distribution of frequency(a) and ratio of monthly frequency to total frequency(b) of short-duration heavy rainfall in Beijing from Apr to Sep during 2019-2022

图3为1991—2020年4—9月逐月气候平均环流场,用于分析北京地区与对流发生发展相关的气候背景特征。由图3可见,4月和5月北京地区对流层中层受西北气流控制,低层为偏西风,低层相对湿度为40%～50%,假相当位温为300～312 K,这表明4月和5月北京地区主要受来自北方的冷空气影响[3]。6月北京地区对流层中层仍为西北风,低层转为偏南风,相对湿度为50%～60%,湿度和假相当位温有所增大,假相当位温为324～328 K,这表明6月是冷暖空气交汇频繁的时段。7月和8月北京地区对流层中层转受偏西风影响,低层湿度和假相当位温进一步增大,相对湿度约为70%,假相当位温为336～340 K,表明7月和8月北京地区主要受低纬度系统影响。此外,7月和8月对流层低层环流也存在差异:7月北京地区对流层低层主要受西太平洋副热带高压外围西南风影响,8月西太平洋副热带高压进一步北上和东撤,北京地区对流层低层处于反气旋外围的偏南气流,强度较7月明显减小。9月对流层中层转为西北偏西气流,低层受反气旋控制,湿度和假相当位温明显降低,说明此时北京地区主要受冷空气影响。

图3 1991—2020年4—9月气候平均逐月500 hPa位势高度(黑线,单位:dagpm)、850 hPa风场(风羽)、850 hPa假相当位温(红线,单位:K)和850 hPa相对湿度(填色)Fig.3 Monthly averaged 500 hPa geopotential height(the black line,unit:dagpm),850 hPa wind(the barb), 850 hPa pseudo-equivalent potential temperature(the red line,unit:K),and 850 hPa relative humidity(the shaded) during 1991-2020

不同月份北京地区的环流背景差异显著,各物理参量的阈值也存在明显差异,因此分期筛选物理参量并确定相应阈值。

2.2 物理参量筛选

利用2019—2021年4—9月CMA-BJ预报产品,计算29个反映大气水汽、热力和能量以及动力的物理参量,根据天气分类,分别计算3类天气样本各物理参量的概率密度。由于概率密度曲线表征各项物理参量在某类天气样本的概率分布,同一物理参量在不同天气样本条件下的概率密度曲线分布重叠区域表示该物理参量处于该区间值时不同类型天气发生概率的重合部分。因此,概率密度曲线分布重叠区越小,该物理参量值对不同类型天气的区分度越大。本文以物理参量在短时强降水与普通降水天气的概率密度重叠区(记为S1)和短时强降水与无降水天气的概率密度重叠区(记为S2)的乘积为标准,筛选物理参量(表1)。由表1可见,4月和5月水汽条件中850 hPa比湿(Q850)的S1和S2分别为0.416和0.22,相对最小;K指数(KI)和强天气威胁指数(ISWEAT)的S1分别为0.369和0.365,S2分别为 0.21 和0.28,在热力和能量条件的因子中相对最小;动力条件各指标的S1和S2差别不大,其中700 hPa经向风(V700)的S1和S2分别为0.635和0.42,相对最小。因此,选用Q850,KI,ISWEAT和V700构建北京地区4月和5月短时强降水概率预报模型。同理,Q850、最优抬升指数(IBL)、ISWEAT和300 hPa散度(D300)为6月的建模因子;KI、整层可降水量(IPW)、ISWEAT和V700为7月、8月和9月的建模因子。尽管7—9月选取的预报因子相同,但各类天气样本的物理参量概率密度度分布不同(图略)。

表1 短时强降水与普通降水(S1)和短时强降水与无降水(S2)天气的水汽条件、热力和能量条件以及动力条件的概率密度分布重叠区(单位:%)Table 1 Overlappingsize(unit:%) of probability density distributions of moisture conditions,thermal and energy conditions,and dynamic conditions of short-duration heavy rainfall with ordinary rainfall(S1) and with no rainfall(S2) weather types

本文所选的预报因子能够表征雷暴生成的天气条件,具有明确物理意义。研究表明:强降水发生前对流层不断增湿,充足的水汽有利于产生强降水[35]。KI反映对流层中低层稳定度和湿度条件,IBL表征大气的潜在不稳定性,ISWEAT综合反映不稳定能量和风垂直切变的作用,以上指数对强降水有指示作用,是华北地区强对流天气诊断和分析中常用的稳定度指数[25,36-37]。散度和低空急流常用于表征大气的动力条件[38]。

图4为2019—2021年4—9月3类天气样本各物理参量的分布。由图4可见,4月和5月95%的短时强降水发生850 hPa比湿大于3 g·kg-1的环境,75%的短时强降水出现在850 hPa比湿大于8.2 g·kg-1的环境,而此环境下普通降水的发生概率小于25%,无降水几乎不发生。4月和5月3类天气样本的KI和ISWEAT分布差异更明显,当KI和ISWEAT分别超过30.5 ℃和199.3,短时强降水发生概率超过75%,此时普通降水和无降水天气发生的概率远低于25%。从动力条件看,4月和5月3类天气样本的V700分布同样差异显著,中位数分别为5.7,2.9 m·s-1和-3.2 m·s-1。6月各物理参量的分布特征与4月和5月类似,75%的短时强降水发生在Q850,IBL和ISWEAT分别超过11.5 g·kg-1,-4.8 ℃ 和257.4的环境。7—9月物理参量相同,但各参量阈值范围存在差异:7月和8月3类天气样本的物理参量阈值相对最高,短时强降水和普通降水的区分度相对不明显,但与无降水天气区分度明显。7月和8月北京地区大气处于相对高湿高能的环境场,影响降水量的因子,如比湿、垂直运动等可以被量化,但降水效率因子量化相对困难且计算复杂[20,39];且由于降水成因的复杂性,风速、湿度等环境条件的微小变化均会影响降水量[40],这可能是7月和8月短时强降水和普通降水天气不容易被区分的原因。以水汽条件IPW为例,7—9月IPW中位数分别为55.9,54.7 mm和46.8 mm,进一步印证不同月份物理参量阈值存在差异。

图4 2019—2021年4—9月北京地区短时强降水(红色)、普通降水(蓝色)和无降水(黑色)天气样本各物理参量的箱线图Fig.4 Box plots of physical parameters of short-duration heavy rainfall(the red),ordinary rainfall(the blue), and no rainfall(the black) in Beijing from Apr to Sep during 2019-2021

续图4

3 概率预报效果检验

本文设定固定概率值为预报阈值,将概率预报转为确定性预报,以检验模型预报效果。图5为2019—2021年4—9月不使用组合反射率因子和使用不同阈值组合反射率因子的消空处理下不同概率阈值对应的短时强降水预报TS评分和偏差评分。由图5可见,随着概率阈值增大,不同消空的TS评分均呈先增加后下降的趋势,偏差评分逐渐降低。基于组合反射率因子的消空处理可明显降低空报率,提高短时强降水的TS评分。由于TS评分和偏差评分是评价模型预报性能的常用指标,本文用于确定概率预报模型最优确定性预报对应的短时强降水概率和消空组合反射率因子阈值。TS评分和偏差评分越接近1,预报和实况越接近,预报效果越好。当组合反射率因子阈值为15 dBZ、概率阈值为0.6时,TS评分和偏差评分分别为0.14和1.14,预报效果最优。

图5 2019—2021年4—9月概率预报模型不同概率阈值对应的短时强降水预报TS评分和偏差评分Fig.5 Threat score and bias with respect to different probability thresholds of short-duration heavy rainfall for probabilistic model forecast from Apr to Sep during 2019-2021

将训练期得到的最优消空组合反射率因子和短时强降水概率阈值用于测试期开展预报并进行检验。测试期短时强降水预报的TS评分和偏差评分分别为0.104和1.341,表明该模型的预报效果和稳定性较好。从短时强降水发生频次较高的6—9月逐月预报看,7月TS评分和偏差评分分别为0.169 和1.123,预报效果最优;6月TS评分为0.037,预报评分相对较低(图6)。为了更好评估分期预报模型的预报效果,建立2019—2021年4—9月整体概率预报模型进行对比。基于该整体预报模型获得的测试期TS评分和偏差评分分别为0.097和1.37(图略),预报效果相较于分期预报模型的略差。逐月对比显示,7—9月分期预报模型TS评分高于整体预报模型,且除8月外,分期预报模型TS评分更接近1,进一步说明分期预报模型的预报效果相对较好且稳定。

图6 2022年6—9月概率预报模型的短时强降水预报TS评分和偏差评分Fig.6 Threat score and bias of short-duration heavy rainfall for probabilistic model forecast from Jun to Sep in 2022

图7为2022年4—9月北京地区概率预报模型和CMA-BJ的短时强降水预报TS评分和偏差评分。由图7可见,概率预报模型的北京大部分地区TS评分超过0.06,城区及东南部地区超过0.09,局地达到0.15;山前及平原地区偏差评分为0.5～1.5,山区(尤其北部山区)超过1.5,说明概率预报模型对在山前及平原地区的短时强降水的预报效果较好,山区虚警率较高。CMA-BJ的短时强降水平均TS评分低于0.02,最大TS评分不超过0.06,漏报较明显。本文概率预报模型选取的物理参量基于北京地区短时强降水历史资料集,对短时强降水类型和北京局地降水特点更有针对性,而数值模式中不同云微物理方案对不同量级降水的模拟效果各有优势,CMA-BJ基于对各量级降水预报效果的综合考量确定积云对流参数化方案[41],因此概率预报模型能够在CMA-BJ预报基础上对短时强降水预报效果有较好提升。综上,概率预报模型能够有效提升山前及平原等短时强降水高发地区的预报水平,获得较平衡的命中率和空报率,但对山区的预报技巧提升有限,这可能也与预报模型的山区站点较少有关。

图7 2022年4—9月北京地区概率预报模型和CMA-BJ的短时强降水预报TS评分和偏差评分Fig.7 Threat score and bias of short-duration heavy rainfall for probabilistic model forecast and CMA-BJ model in Beijing from Apr to Sep in 2022

为了进一步分析概率预报模型的预报性能,本文选取2022年8月4日短时强降水过程进行个例分析。受西北太平洋副热带高压外围西南暖湿气流影响,8月4日北京处于高湿高能的环境场,20:00前后高空槽过境,北京地区出现一次全市范围的降水天气(图略)。图8为2022年8月4日17:00—20:00(主要降水时段)短时强降水实况和CMA-BJ、概率预报模型的预报。概率预报模型预报的短时强降水呈东北—西南向,随时间向东南移动。整体位置和走势与短时强降水实况移动和出现位置较为同步,但概率模型预报的范围明显偏大。CMA-BJ同样能够预报出短时强降水落区的走势,但概率预报模型的落区更接近实况。整体看,短时强降水高概率区对短时强降水均有较好指示作用。

图8 2022年8月4日17:00—20:00北京地区短时强降水实况(绿色点)、CMA-BJ(黑色等值线,单位:mm·h-1)和概率预报模型预报(填色)Fig.8 Short-duration heavy rainfall observation(the green dot),forecasts for CMA-BJ(the black contour,unit:mm·h-1) and probabilistic model(the shaded) in Beijing from 1700 BT to 2000 BT on 4 Aug 2022

图9为2022年8月4日19:00概率预报模型的物理参量空间分布,用于分析概率预报模型的环境特征。由图9可见,北京大部分地区整层可降水量超过50 mm,表明北京地区的水汽条件良好,其中高湿区呈东北—西南向,最大中心位于怀柔南部和密云西部等地区,超过70 mm;KI指示北京地区的不稳定能量很高,尤其是中北部地区;北京大部分地区ISWEAT超过250,东部和南部地区超过300,指示可能出现强雷暴;V700在昌平、怀柔南部到密云为南风,怀柔南部及密云西部为较强偏南风,局地超过8 m·s-1,指示短时强降水发生概率较高。因此,概率预报模型显示昌平、怀柔和密云等地出现短时强降水的概率较高。平谷地区同样具有高湿高能的环境条件,但动力条件较差,导致概率预报模型对该地区短时强降水漏报。这表明概率预报模型的预报效果依赖于CMA-BJ的整体预报性能。

4 结论和讨论

本文利用2019—2021年4—9月北京地区小时降水资料和CMA-BJ预报产品筛选物理参量,基于配料法和模糊逻辑算法分期构建北京地区概率预报模型,并用于2022年4—9月预报及检验,得到主要结论如下:

1) 北京地区短时强降水发生频次具有明显月变化特征,主要发生在7月和8月,占总频次的78%。短时强降水的月变化特征与环流背景相关,因此不同月份物理参量的阈值分布具有明显差异,本文分期筛选物理参量并构建预报模型。

2) 将天气样本分为短时强降水、普通降水和无降水3类,分别计算29个物理参量的概率密度分布及重叠度,分期选取对3类天气样本有较大区分度的因子构建模型。不同月份短时强降水的物理参量及阈值存在差异,其中7月和8月的水汽、不稳定及动力条件相对更强,同时区分度有所下降。

3) 测试期北京地区0～12 h预报时效逐小时短时强降水预报产品的检验结果表明:概率预报模型能够有效提升山前及平原等短时强降水高发地区的预报水平,并获得较为平衡的命中率和空报率;但对山区的预报技巧提升有限,这可能与预报模型的山区站较少有关。对2022年8月4日短时强降水天气个例的检验发现,概率预报模型预报的短时强降水落区及其走势与实况较为同步,但是模型的预报范围明显偏大。个例分析结果进一步表明模型预报的高概率区对短时强降水落区有较好指示作用。

本文采用客观方法筛选预报因子、确定阈值,且预报因子涵盖了短时强降水发生所需的水汽、稳定度以及抬升条件。整体看,概率预报模型对北京地区短时强降水具有较好的预报效果。但由于降水成因的复杂性,风速、湿度等环境条件的微小变化均会影响降水量[40]。因此,7月和8月较其他月份建模因子概率密度分布的重叠区更大,表明当大气处于高湿高能环境背景时,预报因子较难区分短时强降水和普通降水天气。另外,用于建模的站点平原多于山区,导致预报因子筛选及阈值确定时更多考虑平原地区短时强降水特征;预报因子可能存在区域差异[16],进而影响预报模型对山区预报技巧的提升。此外,除了大气环境场,中尺度天气系统与地形、城市热岛等引起环流的相互作用对强降水落区的影响同样不可忽略[42-45]。本文是对北京地区短时强降水预报方法的初步研究,未来在选择预报因子、分区建模等方面还需深入探讨。