南充地区一次短临融合预报对比分析

刘慧君　高青云　张潇予

摘要    将雷达资料为基础的外推预报与中尺度数值模式预报结合起来的融合预报是短临预报中一个新的研究方向。本文采用最为高效实用的加权平均法开展一次融合预报对比分析。结果表明，融合预报较单一的外推或模式预报有更好的预报效果;在融合前段外推预报所占比重更大，原因是外推预报对于降水系统的位置变化有较好的预报能力，而在融合后段模式预报对于系统的生消演变以及位置变化有更好的预报能力，因而模式预报所占比重更大。

关键词    短临预报;加权平均法;融合预报

中图分类号    P456.1        文献标识码    A

文章编号   1007-5739（2019）24-0166-04                                                                                     开放科学（资源服务）标识码（OSID）

在当前防灾减灾体系中，对于容易带来极大灾害的短时强降水的预报极为重要。据相关研究，南充市的地质灾害70%以上是由包括短时强降水在内的强降雨引起[1]，因而深入研究南充本地的短临预报技术有着迫切的现实意义。在目前的短臨预报业务中，主要有以下3种技术路线：运用实时雷达资料的外推预报，中尺度数值模式预报以及在观测资料分析基础上的概念模型预报[2]。其中，外推预报是比较成熟的技术，已广泛应用于业务实践中，但未考虑风暴的生消演变，预报可用时效较短，一般为1 h，最长不超过3 h[3]。而中尺度模式预报系统的特点是在3～6 h内预报准确率较高，而0～3 h的预报准确率偏低。结合了雷达回波外推和中尺度数值预报的融合临近预报系统弥补了以上2种预报系统的不足，充分利用了两者的优点，从而能提高预报准确率[4]。对于雷达外推预报和中尺度数值预报，将两者相融合的技术主要有3类：第一类为加权平均法，该方法分时效确定外推预报和数值模式预报在融合系统中的权重系数，在融合过程中，外推预报占融合系统的权重随时效减小，而数值预报所占权重则随时效增加。该类方法的代表系统有Golding[5]研发的Nimrod，Pierce等研发的Gandolf以及美国NCAR 开发的NIWOT;第二类为趋势调整法，该方法主要根据模式预报结果在落区、强度上的变化趋势来修正外推预报[6];第三类为AMOR方法，该方法首先计算当前时刻模式预报在落区或强度上的误差，然后估计误差在时间上的变化趋势，并在此基础上对未来时段的模式预报进行修正[7]。在实际业务运行中，决定采用何种融合技术还需要考虑算法的难易程度等因素[8]，而加权平均法具有计算难度低的优点。

融合要素中的的外推预报目前一般有3种方法，即线性外推法、交叉相关追踪算法以及回波特征追踪算法。一是线性外推法，即假定某个时间段内风暴的移动速度和方向不变，由前一时次的风暴平均移动来预报下一时次风暴的位置，对于组织稳定的强风暴在较短时间内的预报效果较好，但对于其他类型的风暴位置预报可用性较差，因而目前在业务上使用较少。二是交叉相关追踪法，即在不同追踪区域之间建立最佳拟合关系，该拟合通过求取最优化相关系数得到[9-10]。三是回波特征追踪法，也叫单体质心法，在时间连续的2幅雷达扫描图上对比分析，从而得到风暴的移动路径，该方法包含了风暴单体移动和演变特征[11]。其中的风暴单体识别和追踪算法（SCIT） 应用较为广泛，对孤立风暴、风暴族和线状排列风暴都有较好的识别性[12]。

目前，在地市一级的预报业务中，更多地依赖于单一的短临预报系统，各地都缺乏稳定成熟的融合预报系统。因此，开展本地短临预报融合试验可以更好地分析评估各种短临预报系统的优缺点，并在此基础上尝试建立稳定可行的融合预报方案。综合比较了几种融合技术方案，本文选取较为简单易行的加权平均法开展本地融合试验，同时融合要素中的外推预报，采用应用较为广泛的回波特征追踪法，该方法可以直接应用本地天气雷达生成的产品STI。

1    融合要素及资料预处理

1.1    雷达外推预报

SCIT算法首先需要对单体识别和定位，然后是单体跟踪以及位置预报。在选择风暴单体时，应满足下列4个条件才能被算法所识别：①区域中最大反射率因子>30 dBZ;②在至少一个仰角扫描其反射率因子超过30 dBZ的二维区域 >5 km2;③估计的该区域三维质心与另一个区域的质心至少相隔5 km;④该区域与其他区域由一个局地极小的反射率因子相隔，该反射率因子至少要比区域内最大反射率因子值小10 dBZ[13]。在我国最新一代天气雷达中已经开始使用SCIT算法生成产品STI。本文利用STI产品提供的一段时间内回波的移动变化轨迹，然后根据风暴的历史移动记录来预报其未来位置变化。得到位置预报后，读取南充本地多普勒天气雷达的实时回波强度值，再由经验的Z-R关系公式（雷达回波强度与雨强对应关系）求得降水率，并结合雷达产品中的降水估测值进行订正，得到1 h的雨量预报[14]。

1.2    数值模式产品

所使用的数值模式是成都高原所研发的西南区域数值模式预报系统（SWC-WARMS）。该系统是基于ADAS v5.3.3同化系统和STIWRF v3.5.1模式系统而构建成的中尺度模式系统，背景场是分辨率为0.5°的GFS预报，系统同化了西南区域内的常规观测资料以及部分高分辨率观测资料，水平空间分辨率9 km，预报时效72 h，每天运行4次，时间输出频率为1 h。

1.3    自动站雨量

研究区域为南充及其周边（东经105°～107°、北纬30°～32°），文中所用时间为北京时，降雨单位为mm。数据来源为研究范围内自动站的小时雨量，并使用Cressman插值算法将其插值为9 km×9 km的格点产品，与数值模式产品的分辨率保持一致。Cressman插值算法的原理是：在将区域内的离散点内插到规则格点的过程中，逐步连续订正，从而最大程度减小误差，同时也对数据进行平滑处理。

1.4    融合技术

加权平均法主要流程：首先评估某时段内的外推预报产品和数值预报产品的预报效果，即运用实况对2种预报产品进行技巧评分，然后根据评分结果确定融合权重系数。权重系数确定的原则为技巧评分高的权重也高，反之亦然。进行技巧评分可通过开展TS评分、求取均方根误差（RMSE）等方法实现，其他评分参数还包括HSS、POD、FAR等。在统计基础上，融合权重系数随时间的变化可以满足某个经验公式，比较有代表性的，如香港的RAPIDS暴雨预报系统，数值模式系统的权重系数可以通过该方程求得[15]。

融合系统计算方式见公式（1）：

公式（1）中Rr为雷达外推预报值，Rm为数值模式预报值。

在RAPIDS系统中，数值模式权重系数的确定参考的经验公式，见公式（2）：

公式（2）中，W（t）为数值模式预报产品的权重系数，t表示预报时长，α及β分別是Rm在t=0及t=6的权重，γ是中间部分W（t）的斜率。在融合预报中，前面时段主要依靠外推预报，后面时段则基本依靠数值模式预报，为了使得模式权重系数在t+2时和t+4时的变化更为平滑，γ值被设定为1。

融合方案具体的流程：①对外推及模式预报结果进行评估，用迭代法求取数值模式的最优权重，在此过程中首先考虑HSS，再兼顾POD和RMSE的大小，从而得到α和β;②求取全时段的权重系数W（t）;③用归一的权重线性集成得到融合结果。

2    结果与分析

2.1    不同方法预报结果比较

开展融合试验选取的个例为2017年7月5—6日南充市一次区域性大暴雨天气过程，此次降雨最大过程降水量出现在嘉陵区木老乡唐家嘴村为259.6 mm（5日20：00至7日8：00），其中高坪城区24 h雨量突破了历史极值，全市监测站中>250 mm的有2个，>200 mm的有15个，>100 mm的80个，>50 mm的有174个。图1是2017年7月5—6日的雨量实况。

选取强降雨较为明显的时段，即7月6日0：00—2：00开展融合试验。图2（a）是2017年7月6日0：00—1：00的降雨实况图，图2（b）是6日0：00雷达外推到1：00的预报，图2（c）是西南區域数值模式6日0：00—1：00的雨量预报，图2（d）是采取融合后的雨量预报。从图2可以看出，1 h的外推预报与实况在降雨区域的位置上较为接近，但降雨量级有所偏差，外推预报与实况相比在>10 mm、>25 mm的降水区域上面积偏小，且>40 mm的分散小范围强降水中心未预报出来。造成差异的主要原因可能是外推计算忽略了新的降水系统生成等，这与实际对流性降水过程存在的降雨局地性强，强降雨范围较为分散等特点不相符。西南区域数值模式与实况在降雨区域上相差较大，相对实况，数值模式产品对于>10 mm、>25 mm的降水区域在面积上较为接近，但位置上更偏东、偏北。造成偏差的主要原因可能为数值模式更多地考虑了降水系统的移动，而相对忽略了对流性降水系统在本地的稳定维持。采用外推和数值模式融合后的产品比上述单独任意一种预报系统更为接近实况。融合产品修正了单独外推预报降雨量级偏小的问题，同时也修正了单独模式预报在降雨区域位置上的偏差。需要说明的是，此时段融合产品中外推预报的权重较大，而数值模式的权重较小，融合产品主要依靠外推预报。

6日1：00—2：00这一时段内的融合效果对比：图3（a）是2017年7月6日1：00—2：00的降雨实况图，图3（b）是6日1：00雷达外推到2：00的预报，图3（c）是西南区域数值模式6日1：00—2：00的雨量预报，图3（d）是采取融合后的雨量预报。从图3可看出，外推预报中>25 mm的强降水区域相较实况位置偏西、偏北，而且面积也偏小。这是因为外推预报主要依靠STI产品中的风暴追踪路径来预测风暴单体的移动轨迹，忽略了环境场中中低层气流的变化对风暴单体移动的影响，同时外推对于风暴单体的生消变化也缺乏预报能力。模式预报结果相较于外推在强降水区域的位置和面积上均更接近实况，这是因为模式预报不但考虑了环境场对风暴的生消以及强度的影响，还融入了中低层气流对于风暴移动路径的影响，因而具有更好的预测趋势性。因此，叠加在外推回波场上的模式预报要优于任意单一预测系统。

2.2    预报检验及评估

通过预报技巧评分来对融合过程中的各种预报系统进行进一步检验和评估。表1是参与融合预报的外推系统、模式系统以及融合系统本身的各种预报技巧评分。从表1中可看出，1 h以内外推TS评分（CSI）为0.381，修正的TS评分（ETS）为0.410，HSS评分为0.584;而模式预报CSI为0.396，ETS为0.425，HSS评分为0.621，在上述3项指标上两者的评分较为接近。模式预报的命中率（POD）为89.8%，高于外推预报的63.4%;而外推预报的虚警率（FAR）为36.5%，低于模式预报的48.4%，这2项技巧上两者各有千秋。从均方根误差（RMSE）来看，外推为8.5，小于模式的10.0，外推的误差更小。综合来看，1 h内外推预报在预报技巧上要优于模式预报。而1 h融合产品的预报结果，均方根误差（RMSE）为6.2，较之单一预报系统（外推或模式预报）都更小，TS评分（CSI）和修正的TS评分（ETS）明显提高，而HSS也是最大。因此，从预报技巧来看，1 h融合预报优于单一的外推系统或模式预报，但更依赖于外推预报，此时段外推预报在融合过程中所占权重较大。

2 h后模式预报的CSI为0.385，ETS为0.389，HSS为0.521;而外推预报的CSI为0.304，ETS为0.287，HSS为0.412，从以上3个评估指标来看，模式预报的得分均高于外推预报。模式预报的POD为41.6%，高于外推预报的34.2%，模式预报的命中率更高。在FAR方面，模式预报为35.2%，外推预报为43.4%，模式预报的虚警率更低。均方根误差（RMSE）模式预报为6.8，远小于外推预报的8.6。TS评分（CSI）、修正的TS评分（ETS）以及HSS均是模式预报得分好于外推预报。特别需要说明的是，从各个评估指标来看，2 h融合预报结果各项参数得分都和模式预报的得分非常接近，且都優于外推系统，此时段在融合过程中数值模式所占权重更大，融合结果基本依赖于模式预报。

3    结论与讨论

（1）短时临近预报业务中，依靠单一的外推预报或数值模式预报都有其局限性，而结合了2种预报系统的融合预报系统能充分利用两者的优点，进一步提升预报效果。

（2）在试验个例中，融合过程的前段（1 h内）融合系统主要依靠外推预报。此时段模式预报在融合系统中所占比重相对较小，而中后段（2 h后）融合系统更多地依赖模式预报，此时段相比外推预报，模式预报在融合系统中所占比重更大，并随着时间的推移所占比重也逐渐增大。

（3）融合前段（1 h内）外推预报所占比重更大的原因是：造成对流性降水的中小尺度天气系统一般生命周期至少在1 h以上，该时段内基于雷达回波的外推预报对于降水系统的位置变化有较好的预报效果，而数值模式对于降水系统的位置预报能力则较差。融合后段（2 h后）数值模式所占比重更大的原因是外推对于风暴生消变化的预报不足，而数值模式考虑了环境潜势对风暴的影响，对于系统生消演变及位置变化，其具有更好的预报能力;同时随着时间的推进，外推基本上丧失了预测风暴演变的能力，到融合后期，融合系统基本就全部依靠数值模式系统。

（4）由于不同类型的短时强降水过程在融合结果上存在一定差异，而本次融合试验选取的个例为普通单体风暴，降水系统相对单一，且降水系统在1 h内相对稳定;对于实际降水过程，还存在多单体风暴、线风暴、超级单体风暴等多种情况，需要深入研究，找出融合过程中的各自对应规律，并进一步确定各种类型的降水在融合过程中的共同点。

4    参考文献

[1] 付世军，李晓容，文敏，等.南充市地质灾害分型及致灾雨量阈值研究[J].防灾科技学院学报，2018，20（3）：74-80.

[2] 俞小鼎，谭晓光.对流天气临近预报技术的发展与研究进展[J].应用气象学报，2004（15）：754-766.

[3] 俞小鼎，周小刚，王秀明.雷暴与强对流临近天气预报技术进展[J].气象学报，2012，70（3）：311-377.

[4] 王秀明，俞小鼎，刘黎平，等.融合临近预报技术探讨[J].气象科学，2015，35（3）：298-304.

[5] GOLDING B W.Nimrod：A syetem for generating automated very short range forecasts[J].Metoer Appl，1998，5（1）：1-6.

[6] WILSON J W，FENG Y，CHENG M，et al.Nowcasting challenges during the Beijing Olympics：Successes，failure，and implications for future nowcasting systems[J].Wea Forecasting，2010，25：1691-714.

[7] 程丛兰，陈明轩，王建捷，等.基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J].气象学报，2013，71（3）：397-415.

[8] 陈明轩，高峰，孔荣，等.自动临近预报系统及其在北京奥运期间的应用[J].应用气象学报，2010，21（4）：395-404.

[9] RINEHART R E，GARVEY E T.Three-dimensional storm motion detect-ion by conventional weather radar[J].Nature，1978，273：287-289.

[10] AUSTIN G L，BELLON A.The use of digital weather radar records for short-term precipitation forecasting[J].Quart J Roy Meteorol Soc，1974， 100：534-552.

[11] BROWNING K A，COLLIER C G，LARKE P R，et al.On the forecasting of frontal rain using a weather radar network[J].Mon Wea Rev，1982，110：534-552.

[12] JOHNSON J T，MACKEEN P L，WITT A，et al.The storm cellidentifica-tion and tracking algorithm：an enhanced WSR288D algorithm[J].Weather and Forecasting，1998，13：263-276.

[13] 俞小鼎，姚秀萍，熊廷南，等.多普勒天气雷达原理与业务应用[M].北京：气象出版社，2001.

[14] 杨丹丹，申双和，邵玲玲，等.雷达资料和数值模式产品融合技术研究[J].气象，2010，36（8）：54-60.

[15] 黄伟健，黎守德.“急流”（RAPIDS）暴雨预报系统：“小涡旋”与数值天气预报模式的融合[C]//澳门：第20届粤港澳气象科技研讨会，2006.htttp：//210.0.235.16/publica/reprint/R619.pdf.