贾丽红,马 诺,孙鸣婧,肖开提·多莱特
(1.新疆气象台,新疆 乌鲁木齐830002;2.新疆气象学会,新疆 乌鲁木齐830002)
极端天气事件常引发很多次生灾害,给国民经济和人民财产造成重大损失。社会公众越来越关注极端天气事件,有研究表明世界范围内极端天气事件的发生呈现上升的趋势,所造成的损失也越来越高[1]。关于新疆的强降水已有多人进行专项研究[2-12],对新疆强降水时空分布特点和发生发展机理进行了分析,得出一些成功的预报经验。但对极端天气这种小概率事件,具有较大不确定性,预报难度很大。
针对极端天气事件的预报,集合预报应用是重要方向之一[13]。Lalaurette[14]基于ECMWF 集合预报系统(EPS)开发了极端天气预报指数(EFI),定量地确定未来某一气象要素发生概率相对于“模式气候(model climate)”概率的差异。这种差异越大,说明天气偏离气候态越大,则极端事件发生的概率越大,从而可以对极端天气事件进行预报和早期预警。Richardson[15]研究指出EFI 可以作为一个重要的工具提前几天预报出极端天气事件。
近几年国内针对EFI 也做了一些研究工作,董全等[16-17]指出EFI 的预报效果和阈值存在明显的季节差异。使用ECMWF EPS 的气温、降水极端天气预报产品,分析和总结了EFI 和SOT(“shift of tail”index)在我国极端高、低温及降水天气中的应用,并根据TS 评分结果,得到了EFI 和SOT 在极端天气预报中的阈值。夏凡等[18]和刘琳等[19]借鉴ECMWF 极端天气预报指数方案,建立了适合T213 集合预报模式的极端天气预报指数,并对2008 年1 月极端低温天气和2011 年7 月中国极端强降水天气分别进行评估检验。陶亦为等[20]利用ECMWF 再分析资料和EFI 对2016 年1 月强寒潮天气环流异常性和EFI 对极端低温事件的预报进行了分析和检验。吴剑坤等[21]利用S 指数评分方法确定发布极端温度预警信号阈值。朱鹏飞等[22]使用ECMWF 集合预报系统的EFI 资料,分析了降水EFI 和强降水、降水气候距平的统计关系,并在安徽省进行了应用评估。陈鹤等[23]运用ETS 评分和偏差分析等方法,对EFI 产品在湖南降水预报效果进行了检验评估,结果表明预报EFI 与实况降水量存在显著正相关关系。龙柯吉等[24]综合考虑不同极端降水天气指数阈值对应的暴雨TS、ETS 评分及各阈值评分最高时的发生频次,获得暴雨预报对应的最佳极端降水天气指数阈值。
数值模式产品只有进行客观评估,才能获得有效的判别指标,提高产品的使用效果及预报水平[25-29]。ECMWF 提供的降水极端天气预报指数产品在新疆气象预报业务部门初步应用,缺乏产品的本地化客观评估及预报阈值和指标研究,应用效果不够理想。为此,本文以新疆范围作为评估区域,2015 年10月—2018 年9 月的ECMWF 逐日降水EFI 作为样本,对EFI 产品开展预报评估及阈值研究,以期为降水EFI 预报产品在业务中的后续应用提供参考依据。
由于新疆区域的特殊性,降水等级标准与中国气象局使用的降水等级标准不同,而且存在雨和雪在量级上也有不同。本文研究的是强降水,因此使用大量以上的新疆降水量等级标准(表1)。对2015 年10 月—2018 年9 月20 时的实况降水数据,通过天气现象和温度判断降水性质,雨夹雪、雨转雨夹雪、雨夹雪转雨等出现雪的天气现象都归为雪。降水量用R 表示。
表1 新疆强降水等级标准
极端降水指数关注集合预报在极端降水中的应用,本文运用天气预报业务中常用的分级降水预报检验方法,只对大量以上(含大量,下同)降水量对应的不同EFI 阈值的预报进行评估。
ECMWF EPS 中的极端预报指数EFI 为累积的“集合预报的概率分布”同“模式气候的概率分布”之差[23-24],计算公式为:
式中,p 是模式累积概率函数;Ff(p)为基于集合预报累积概率函数;p(1-p)为权重,当p=0 或1 时,权重系数最大。“模式气候”的应用,一方面使得EFI有效地剔除了模式的系统性偏差,另一方面也使得EFI 表征的极端事件与季节高度相关。EFI 的值在-1~1 之间,越接近-1,说明预报事件越偏向极端偏低情况,越接近1,说明预报事件越偏向极端偏高情况。在强降水预报中,EFI 值越接近1 则表明预报的降水量越接近模式气候的最大值。
对于EFI 降水预报效果的检验,则需要检验不同EFI 值的预报效果,寻求一个最佳EFI 临界阈值。检验方法采用中短期天气预报质量检验方法中降水预报的检验,见表2。
表2 降水预报检验分类
对于每个站点分为EFI 降水预报极端事件发生(不发生)、实况事件发生(不发生)、预报正确(NA、ND)以及空报(NB)和漏报(NC)几种可能情况,通过TS 评分(TS)、空报率(F)、漏报率(P)等方法对预报要素的EFI 做定量检验,找到最大TS 评分以确定EFI 的临界阈值。公式如下:
式(2)~(5)中,NA 为预报正确的站(次)数;NB 为空报站(次)数;NC 为漏报站(次)数;ND 为无降水预报正确的站(次)数。
降水EFI 指示了模式预报与模式气候的差异,EFI 的值越大,越有可能发生极端降水,而EFI 阈值的大小与不同预报时效和季节相关联。
医学院校在专业知识培养方面,大多数采用传统授课方式、PBL模式教学,在专业知识讲授、实践操作方面继续发挥传统授课的优势;在德育教育方面部分采用网络教学,充分吸收外部优质教育资源,实行传统和网络并存的教学模式。传统与网络教育教学相结合,二者各有所长、相辅相成共同为培养发展全面的医学生贡献各自的力量。
使用2015 年10 月—2018 年9 月ECMWF 集合预报系统20 时起报的24 h、48 h、72 h、96 h 时效的逐24 h EFI 资料与实时20—20 时降水量进行对比,分析研究EFI 与降水量的对应关系,得到拟合结果(图1)。
图1 中,实况降水选择大量及大量以上的样本。从预报EFI 与降水实况观测样本对比来看:EFI 值基本分布在-0.2~0.9 区间内,大多数降水日的预报EFI>0,预报时效越近,EFI 值的分布越集中,预报的EFI 与实况降水量存在良好的正相关关系。对于24 h预报时效(图1a),大量以上降水时预报的EFI 基本上都大于0,尤其是暴量降水时预报的EFI 均为正值,其平均值为0.44,且随着降水量增加,EFI 预报结果具有线性增加趋势,因此对暴量以上降水EFI预报结果具有一定的指示意义;对于48 h 预报时效(图1b),大量以上降水时预报的EFI 有95%大于0,大暴量降水时预报的EFI 均为正值,其平均值为0.35;对于72 h 预报时效(图1c),大量以上降水时预报的EFI 有81%>0,大暴量降水时预报的EFI 有2%<0,其平均值为0.21;对于96 h 预报时效(图1d),与72 h 相类似,EFI 平均值为0.14。
针对4 个预报时效,少量样本日降水量较大时EFI 预报值明显偏低,也反映了模式在降水预报位置出现偏差或对强降水存在明显的漏报。对同时效的EFI 预报,降水量增加负值区减少,说明EFI 预报对强降水有着较好的指示意义;对同量级的降水,随着预报时效的延长,EFI 指数负值区增加,说明漏报加大。
从拟合线可以看出,日降水量在大量级以上时,随着预报时效的增加,拟合直线的斜率呈现出减小趋势(从24 h 的0.003 7 到96 h 的0.001 3),这说明数值预报随着预报时效的增加其准确率在降低。
综上所述,预报的EFI 与实况降水量存在一定的正相关关系,随着降水量增加,EFI 预报结果具有线性增加趋势,对暴量以上降水EFI 预报结果具有一定的指示意义。随预报时效延长,正相关性关系变差,EFI 预报准确率在降低。
为进一步分析降水EFI 对降水落区和强度预报的确定性指标,使用TS 评分(TS)和预报偏差(BS,即Bias 评分)来分析EFI 对不同预报时效降水的预报准确率。
图1 0~24h(a)、24~48h(b)、48~72h(c)、72~96 h(d)预报时效内24 h 站点降水量(R)与强降水EFI 散点图
图2 给出24 h、48 h、72 h、96 h 预报时效内24 h降水EFI 对应的大量、暴量和大暴量降水的TS 评分和预报偏差BS 结果。可以看出:对于0~24 h 预报(图2a),大量降水时,EFI 在0.4~0.5 范围内,TS 为最大值0.35~0.36,BS 在0.9~1.4;暴量降水时,EFI在0.5~0.6 范围内,TS 为最大值0.18~0.19,BS 在1.2~2.5,暴雨预报范围略大于实际暴雨发生范围;大暴量降水时,EFI 在0.6~0.7 范围内,TS 为最大值0.05~0.07,BS 最大为5.0,空报率增加。各降水量级在TS 最高区域,当逐日降水EFI 阈值增加时,BS 随之减小,TS 下降;当逐日降水EFI 阈值减小时,BS迅速增加,空报率增加,TS 随之下降。对于24~48 h预报(图2b),大量降水时,EFI 在0.3~0.4 范围内,TS 为最大值0.29~0.30,BS 在1.1~2.0 之内;暴量降水时,EFI 在0.4~0.6 范围内,TS 为最大值0.12~0.13,BS 在1.0~3.5 之内;大暴量降水时,EFI 在0.6~0.7 范围内,TS 为最大值0.02~0.03,BS 在2.0~5.0,大暴量降水相对于24 h 预报空报率有所减小。对于48~72 h 预报(图2c),大量降水时,EFI 在0.3~0.4范围内,TS 为最大值0.25~0.26,BS 在1.0~1.8 之内;暴量降水时,EFI 在0.5 周围内,TS 为最大值0.14,BS 在1.2 左右;大暴量降水时,EFI 在0.6 周围内TS为最大值0.04,BS 在2.5 左右。对于72~96 h 预报(图2d)与72h 相似,大量降水时,EFI 在0.3~0.4 范围内,TS 为最大值0.19~0.20,BS 在0.6~1.5 之内;暴量降水时,EFI 在0.4 左右TS 为最大值0.12,BS 在2.0 左右;大暴量降水时EFI 在0.6 周围TS 为最大值0.04,BS 在0.5 左右,漏报率增加。
综上所述,各量级预报的最高TS评分随着预报时效的增加而减小,且随着降水量等级的增大而减小,如24 h 时效最高TS 评分分别达到了0.36(大量)、0.19(暴量)、0.06(大暴量)。当TS 取最高值时,各降水量级EFI 预报偏差BS 并不一定最接近1,而在1~5 之间。因此要取得较大的TS,并且BS 在相对接近1 的情况下(理想状态),各时效不同量级降水预报EFI 阈值的选取见表3。当EFI 值达到或者超过某一阈值时,预示着强降水发生的可能性在增加,预报员应该根据阈值对应的落区对强降水落区进行订正。
2.3.1 EFI 对应的降水频次
由于新疆区域气候特点,不同季节天气差异很大,产生降水的天气系统在尺度上也存在差异。为更细致地分析EFI 降水预报接近或达到历史同期极值的强降水发生概率,分季节进行统计分析。按照新疆四季的划分,将一年分为春(3—5 月)、夏(6—8 月)、秋(9—11 月)、冬(12—翌年2 月)4 个季节。在2015年10 月—2018 年9 月3 年新疆105 个站点的实况观测数据中,大量以上降水春夏秋冬四季分别占25.7%、34.1%、26.1%和14.1%, 暴量降水分别为5.7%、8.4%、7.1%和4.3%,大暴量降水分别为0.2%、0.8%、0.5%和0.2%。可以看出大量和暴量降水以夏季最多,春秋季次之,冬季最少,而大暴量降水季节差别不大。
图2 0—24 h(a)、24—48 h(b))、48—72 h(c)、72—96 h(d)预报时效逐日降水
表3 TS 和BS 评分理想状态下的EFI 阈值
统计了逐日EFI 降水资料24 h、48 h、72 h、96 h预报时效在4 个季节中不同阈值发生强降水(以暴量为例)的频次,如图3 所示。对于春季(图3a),EFI值在0.4~0.7 之间,暴量发生的站次在20~29 次之间,各预报时效间数量略有不同。24 h 时效EFI 值在0.5 时站次最多为28 次,48 h 时效EFI 值在0.4时站次最多为27 次,72 h 时效EFI 值在0.4 和0.5时站次最多为29 次,96 h 时效EFI 值在0.6 时站次最多为28 次。秋季(图3b)与春季相类似,EFI 值在0.4~0.6 之间。夏季(图3c)由于暴量降水发生频次多,站次数量也相对较大,但EFI 阈值相对分散。24、48 h 时效的EFI 值在0.3~0.6 之间,暴量发生的站次最大值在40~45 范围;72 h 时效的EFI 值在0.7时站次最大为41 次;96 h 时效的EFI 值在0.4 和0.5 时站次都是最大为39 次。冬季(图3d)暴量降水发生时EFI 值集中在0.4~0.6 范围,站次频次最大在15~25 次之间。
总体来看,对应暴雨站次最多的EFI 值春秋冬3 季大都在0.4~0.6 范围,夏季EFI 值范围在0.2~0.7 之间,说明夏季更易发生暴量降水。随着预报时效的增加,EFI 值逐渐减小。
2.3.2 降水EFI 准确率的评估
同时段逐日降水EFI 的预报准确率、最佳阈值也存在明显的季节差异。选择合适的EFI 时,对强降水的预报更准确。表4 列出了不同季节和预报时效,当TS 最大化时的EFI 阈值、空报率和漏报率。可以看出对于春季,大量降水的TS 为0.18~0.36,EFI 阈值为0.35~0.45,空报率为65~78%,漏报率为25%~36%; 暴量的TS 为0.11~0.18,EFI 阈值为0.45~0.55,空报率为58%~67%,漏报率为51%~74%;大暴量的TS 为0.02~0.05,EFI 阈值为0.55~0.7,空报率为52%~65%,漏报率为88%~94%,说明随着预报时效和降水量级的增加TS 减小。同时降水量级增大,EFI 阈值增加,空报率减小而漏报率增加。与春季相比,夏季各量级及时段TS 平均值明显高于春季28.5%,EFI 阈值降低了8.2%,空报率和漏报率分别降低了13.8%和18.3%。冬季与春季相比,各量级及时段TS 平均值高12.7%,空报率和漏报率分别降低了1.4%和6.7%。秋季与春季相类似,不再赘述。
综合来看,夏季预报准确率TS 最高,其次是冬季、秋季,春季最低。夏季TS 出现最高(24 h 的TS=0.42)评分时的EFI=0.35,低于其他季节及年平均值,说明夏季阈值更低,相对其他季节更容易出现强降水。用EFI 阈值进行预报时,空报率和漏报率不容忽视。对于大量降水,4 个预报时效空(漏)报率平均值春季为71%(30%),夏季为57%(13%),秋季为76%(24%),冬季为72%(21%);对于暴量降水,空(漏)报率平均值春季为63%(60%),夏季空(漏)报率为52%(61%),秋季为61%(65%),冬季为61%(62%);对于大暴量降水,4 个季节的漏报率都增加到90%以上。说明随着降水量级的增加,空报率减小幅度不大,但漏报率明显增加。因此,在预报暴量以上降水时,要重点关注漏报环节。
使用2015 年10 月—2018 年9 月基于ECMWF集合预报系统极端降水天气预报指数(EFI)资料,对其在新疆区域96 h 预报时效内逐24 h 大量以上降水预报效果进行了定量检验评估,具体结论如下:
(1)预报的EFI 与实况降水量存在一定的正相关关系,随着降水量增加,EFI 预报结果具有线性增加趋势。对暴量以上降水EFI 预报结果具有一定的指示意义。随预报时效延长,正相关性关系变差,EFI预报准确率降低。
(2)各量级降水预报的最高TS 评分随着预报时效的增加而减小,且随着降水量等级的增大而减小。选取较大TS 且BS 在相对接近1 为理想状态下,EFI 阈值的选取和TS分别为:大量对应的24 h、48 h、72 h、96 h 时效的EFI 值(TS)为0.45(0.36)、0.4(0.3)、0.35(0.26)、0.35(0.19);暴量对应的值为:0.55(0.19)、0.55(0.13)、0.50(0.13)、0.45(0.12);大暴量对应的值为:0.7(0.06)、0.7(0.03)、0.65(0.03)、0.55(0.02)。
(3)不同季节暴量降水发生频次夏季最多,冬季最少,春秋次数相当。暴量发生最多所对应的EFI 阈值,春秋冬三季大都在0.4~0.6,夏季在0.2~0.7,说明夏季更易发生暴量降水。随着预报时效的增加,暴量降水发生站次最多所对应的EFI 值逐渐减小。
(4)不同季节最高TS 评分对应不同的EFI 阈值。夏季TS 最高为0.42,出现最高TS 评分时的EFI为0.35,夏季阈值低于其他季节及年平均值;对于大量降水,4 个预报时效空(漏)报率平均值春季为71%(30%),夏季为57%(13%),秋季为76%(24%),冬季为72%(21%);对于暴量降水,空(漏)报率平均值春季为63%(60%),夏季空(漏)报率为52%(61%),秋季为61%(65%),冬季为61%(62%);对于大暴量降水,4 个季节的漏报率都增加到90%以上,说明随着降水量级的增加,空报率减小幅度不大,但漏报率明显增加。因此,在预报暴量以上降水时,要重点注意漏报环节。
由于使用的资料年限较短,暴量尤其是大暴量降水样本偏少,因此对于EFI 阈值的确定和准确率评估会存在一定的局限和误差。且对于春秋季节存在降水性质的判识而导致的降水量级上的差异,在预报环节上会存在一定的困难。后期将引入降雪EFI 资料,并逐步增加样本的时间长度和空间尺度,以得到更加准确的阈值范围。期望利用EFI 的优势,提高新疆区域强降水预报的准确率。