高分辨率短临模式在一次极端降雨过程中的定量检验

肖柳斯，张华龙，杨慧燕，张兰，谌志刚，张静

（1.广州市气象台，广东广州 511430；2.广东省气象台，广东广州 510640；3.广州市气象局，广东广州 511430）

全球／区域同化预报系统（Grapes）是在中国气象局组织下、由我国自主研究发展的新一代数值预报系统。为满足精细化气象服务的需求，广州市气象局在“天河二号”上建立了高分辨率华南短临预报模式Grapes－1km［1］。该模式的空间水平分辨率为1 km，实现了分钟级快速更新循环同化连续性的、高时空分辨率观测资料，可每12 min滚动更新未来6 h预报。自2017年试运行以来，该模式为华南汛期强对流短临预报预警提供了关键技术支撑，在多次重大天气过程预报服务中被作为重要参考依据。

但是受到模式初始场、观测资料同化以及物理过程等因素的影响，数值模式仍存在多方面的误差，尤其是对于新上线的模式，需要预报员和研究人员实施深入的检验应用和研究［2］。模式检验可分为主观和客观检验两种，2017—2018年广州市气象台组织技术人员基于不同天气过程对Grapes－1 km业务产品进行了主观检验，在业务运行前期为模式产品的订正起到较大的帮助，并累积了一些模式释用经验。但是主观检验耗费人力和时间成本太高，往往只能在过程结束之后才组织检验分析，难以给预报员提供实时的指引［3］。模式预报效果的客观检验和性能评估是改进模式预报能力、提升模式产品可靠性的重要依据，为预报员进行有效订正提供参考。由于降雨局地差异大，模式对降雨的预报性能评估是模式检验中最具有挑战性的任务［4］。随着模式性能的发展，全球天气模式对雨带和强度的分布预报性能较为理想，但是暴雨以上量级降雨漏报明显［5］。中尺度模式能够描述强天气过程的发生发展，但是对于极端强降雨的预报能力仍然有限［6］。将传统的点对点评分方法应用于公里级的短临模式预报产品进行检验，对空间位置分布的要求苛刻，不能合理反映高分辨率模式的预报能力。邻域法允许预报与观测存在偏移，兼具反映模式预报空间分布的能力以及沿用传统评分指数的优势，用以评价高分辨率短临模式具有较好意义［4］。Grapes－1 km模式时间分辨率达到12 min级，模式产品更新快速，数量庞大，除了天气的发生发展情况，预报员还很关心的是模式能否展现出全球模式甚至中尺度模式难以把握的降雨极端性，临近6 h内有30个预报结果，哪个时次的预报结果在统计上最可信。

本研究以2018年严重影响广东的一次极端性的季风低压降雨过程为研究对象，针对模式预报降雨的极端性和空间分布预报能力进行定量分析，加深对短临模式的了解和提高模式预报解释应用能力。

1 天气过程

受西移的季风低压影响，2018年8月27日08：00—9月1日08：00（北京时，下同）广东省出现了大范围的连续性暴雨天气，尤以珠江三角洲和粤东最为严重，其中30日08：00—31日08：00惠州、汕尾、河源、揭阳、汕头等5市出现了特大暴雨，惠州惠东县高潭镇日降雨量达到1 034.4 mm，过程降雨量达到1 396.3 mm（图1），均打破了历史记录。该次过程具有累积雨量大、持续时间长、小时雨量大的特征。

图1 2018年8月29日08：00—9日1日08：00过程降雨总量（单位：mm）

在该次降雨过程中，全球模式预报结果明显偏弱，集合预报效果也不理想，区域模式预报的雨强更接近于实况，但是雨带分布特征表现各异，模式的分歧给预报员对于强降雨出现的时间和落区的把握带来一定的干扰。

2 研究数据与方法

本研究采用的数据为2018年8月27日08：00—9月1日08：00期间的Grapes－1 km模式的逐小时预报降雨产品，用以检验的产品为广东省国家和区域自动站的逐小时雨量，其中强降雨区定义为小时降雨量超过10 mm／h的区域（中央气象台把≥20 mm／h的降雨作为短时强降雨，但由于自动站点有限，一次天气过程中出现小时降雨量超过20 mm／h的频次较少，统计意义不显著。为了得到具有统计意义的结果，本研究以10 mm／h作为强弱降水的区分阈值）。

2.1 模式极大值的选取

本研究从国家和区域自动站的小时雨量中遴选出最大小时降雨量，并以此站为中心，从附近50 km范围内选择Grapes－1 km模式对该时次预报的最大值，作为模式预报极大值。由于模式的预报时效是6 h，所以模式对同一时次的预报极大值共有6个，分别是提前1、2、3、4、5、6 h预报的最大值。

2.2 模式定量评估值

利用相对偏差（Relative Bias，RB）、均方根误差（root-mean-squared error，RMSE）、相关系数（Correlation Coefficient，CC）等指标定量评估模式降雨的精度，RB用以评价模式与地面雨量站总体偏差趋势，取值范围［－1，1］，越接近于0，则越精确，当RB的值乘以100，可表示模式预报低估或者高估的程度。RMSE可定量反映偏差的总体水平，其数值越小，估测准确度越高［7］。各个统计指标的公式［8］如下：

其中，Model为模式预报降雨（mm）；gauge为地面雨量站的降雨量（mm）；N为数值个数。

为了比较模式在不同降雨阈值下的表现，采用临界成功指数（critical success index，CSI）等分类指标来评价在0.1、1、5和10 mm／h等4个降雨量级下模式的降雨预报能力。A代表模式准确预报的降雨事件数，B代表错报的降雨事件数，C代表漏报的降雨事件数，D代表准确预报0降雨事件数，其关系如表1所示。

表1 雨量站降雨与Grapes－1km模式降雨列联表

CSI为模式降雨产品准确预报的技巧评分，其值介于0～1之间，CSI越大，模式的预报性能越好。其计算公式［8］如下：

2.3 邻域法检验

在评估模式格点预报能力检验环节中引入邻域的概念，邻域窗口选择正方形网格窗，邻域半径为8个格点，窗口格点总数为17×17，选择邻域内与中心站点的实况最接近的值作为模式的预报值，计算模式与实况的定量指标（相对偏差、均方根误差和相关系数）。

针对分级降雨检验，如果模式预报邻域窗内超过5%的格点数超过降雨阈值，则认为模式预报的降雨超过该阈值，结合实况，依据表1和式（4）计算CSI评分。

3 检验结果

3.1 极大值检验

图2比较了模式预报的极大值和雨量站的极大值的散点分布，散点多分布于对角线下方，模式的极大值普遍小于实况极大值，随着预报提前量减小，散点聚集分布区有趋近对角线的态势，即模式预报极大值低估幅度减小。从散点颜色分布可见不同时期模式降雨低估状况，在过程的开始阶段以及结束阶段（8月27—29日和9月1日）散点趋于在对角线附近分布，表明模式预报与实况较为吻合；在过程降雨峰值期间（8月30—31日）散点分布则主要位于对角线右下方，具有显著低估特征，实况小时最大降雨量普遍在50 mm／h以上，模式预报量多数仅在0～30 mm／h范围内。上述特征反映了，在该次过程中模式对于极大值的预报能力不足。

图2 提前1～6 h模式预报的最大值和实况散点图

通过定量计算，可用RB和RMSE评估模式对极端降雨性能的表现，预报提前量为1～6 h的模式预报RB均为负值，表明模式预报总体上低估了极端降雨量，其中提前量为2 h的预报RB绝对值最小，RMSE最小，提前量越大，模式预报RB绝对值和RMSE越大，表明模式提前2 h的极大值预报性能表现相对较好，临近的预报效果更好（表2）。

表2 提前1～6 h模式预报的最大值和实况的统计量

由此可见，GRAPES－1km由于时间分辨率高，预报产品数量庞大，预报员无需反复对比过去不同时次预报的结果，就可以采信于临近时次的预报结果，而且该次过程中提前2 h的模式预报结果相较于提前1 h预报的结果更为理想。

为进一步了解模式对于局地性强降雨和区域性强降雨的预报性能，利用极大值站点附近50 km范围内强降雨站点占区域内站点总数的比例加以区分局地性强降雨和区域性强降雨，当百分比＜10%时定义为局地性强降雨。从图3可见，强降雨的站点比例曲线具有明显的振荡特征，27日白天、28日白天、29日凌晨、30日午后、31日午后至夜间到9月1日早晨等几个阶段属于局地性的强降雨，其余时段属区域性强降雨。27日早晨实况强降雨显著高于模式预报值，即使是提前量2 h的预报，仍存在超2倍的差距。午后强降雨范围扩大，模式的预报效果显著改善（实况大致分布在模式填色范围内），提前2 h模式的预报结果大致接近实况。28日上午降雨范围缩小，模式与实况的偏差有所增大。而29日午后强降雨范围和强度都有所增大，可是模式预报值与实况偏差较大，说明这一阶段模式对于极大值的预报效果不佳。30日凌晨开始，模式预报的极大值急剧上升，临近2 h的预报结果也同步增大，08：00前后达到峰值，此时模式与实况差异不大。值得注意的是，该时段内，模式不同时次预报的极大值差异（图3中填色区的高度）较大，模式有显著调整，临近2 h的预报与实况接近，表明模式向实况调整的效果显著。30日午后降雨趋于局地，模式与实况的偏差较大，临近2 h的偏差最大。30日夜间强降雨范围增大，模式预报结果的区间（图3中填色区高度）较大，表明模式的调整尤其显著，临近时次预报调整具有正效果，但是与实况的极大值相比而言仍低估40 mm／h左右。整体而言，对于调整显著的时段，临近时次预报均具有较好的预报效果。以上变化特征表明模式的性能与降雨范围的局地性有一定的相关性（图3），一般而言，降雨异常局地的时段内，模式预报的偏差较大，预报性能有限。另外，模式预报80 mm／h以上的概率很低，表明对于这种异常极端的降雨，模式的预报性能也较为有限。

图3 雨量站最大时降雨量、模式预报最大小时降雨量的范围（模式预报的最大值和最小值包含的范围）、最大降雨量站点附近50 km范围内发生短时强降雨站点（＞10 mm／h）的占比、提前2 h模式预报值，部分时段模式无数据

除此以外，实况出现的极端性降雨可能跟地形具有较密切的关系，本研究未考虑该情况。另外，模式调整幅度可能跟实时同化的观测资料有关，3.1节的分析中部分时次临近预报的效果与实况有较大的偏差，有可能是跟同化的观测资料缺乏有关。在预报业务中对这一相关信息的实时监控，将对模式产品的订正与业务应用具有更大作用。

3.2 模式站点预报能力检验

该次过程广东全省出现了降雨，但是强降雨区域分布不均，最大值在粤东地区，以站点雨量为基准，利用邻域法分4个区域对模式预报产品进行检验，4个区域分别为：广东省、粤东区域（114°E—116.5°E，22.5°N—23.5°N）、广东省强降雨区和粤东强降雨区。

统计提前1～6 h模式在4个区域检验的相对偏差（RB）、均方根误差（RMSE）和相关系数（CC）（表略）可知，4个区域的RB均为负值，表明模式低估了过程的小时降雨量。广东省不同提前量预报的RB差异不大，其值为－0.24～－0.27，即模式在广东的降雨低估幅度达24%～27%。粤东区域的低估更加明显，RB在－0.30～－0.36之间，其中提前1～2 h的低估幅度较小，说明提前1～2 h的预报效果相对更好。强降雨区域的低估更明显，广东强降雨区域的RB在－0.61～－0.70之间，低估程度超过全区的2倍，其中提前1 h的低估幅度最小，其次是2 h，整体而言，提前时效越短，低估越不明显。粤东强降雨区域和广东全省强降雨区提前4～6 h的RB大致相同，但是临近2 h，粤东强降雨区域的低估幅度较小，提前1 h预报的低估程度约为56%，2 h约为59%，说明在临近时次，模式对于粤东强降雨的调整有正效应。

就RMSE而言，其值从小到大依次为广东省、粤东区域、广东强降雨区、粤东强降雨区，强降雨区的RMSE能达到全区的3～4倍。4个区域总体上都表现为预报提前量越小，RMSE越小。

广东省和粤东区域的CC大致相同，而广东强降雨区最小，其次为粤东强降雨区，广东区域的相关系数最大，模式在强降雨区域的相关程度较低，相关程度随着提前量的增大显著减小，说明模式在临近时次的调整较为明显，并且调整效果较为显著。

对降雨进行分级检验，从图4a可见，降雨阈值越小，模式的CSI评分越高，4个降雨阈值对应的CSI评分分别为0.50、0.28、0.10和0.05。当降雨阈值为0.1 mm／h时，提前量越大，评分越高；当阈值为1、5和10 mm／h时，提前量越大，评分越低。从预报技巧评分的角度来看，对于晴雨的预报，提前量越大，预报效果越好，但是这种效果的差异比较小，而当降雨量级增大后，模式的性能表现为提前量越小，模式预报效果越好。

当模式与实况均为短时强降雨时，将每个自动雨量站点的方形邻域窗口内所有超过阈值的格点（命中点）及其与站点的相对位置偏差统计出来，形成频数分布图（图4b），频数大值区呈东北－西南方向分布，频次最高的邻域点在站点的东北方向4～5个格点附近，而频次较低的点位于站点东南方，距离6～7个格点数附近最低。这个过程中，广东省上空低层受西南风影响，频数分布形状与风场方向平行，频数中心位于风场下游，这种分布特征表明模式预报降雨系统较实况移速偏快。

图4 小时降雨量的CSI评分（a）；命中点与站点相对位置的频次分布（五角星为站点）（b）

4 结论

1）模式预报与实况的散点分布及定量计算结果均表明模式对极端降雨具有较大程度低估，但提前量越小，相对偏差的绝对值和均方根误差越小。模式的性能与降雨范围的局地性有一定的相关性，降雨异常局地的时段内，模式预报的偏差较大。临近时次模式的预报效果相对较好，其中提前2 h的模式预报结果相较于提前1 h预报的结果更为理想。

2）分区检验表明，模式对4个区域的降雨量均有低估，其中对强降雨区域的低估更为显著。提前1 h的低估幅度最小，其次是2 h，提前时效越小，低估幅度越小。模式在临近时次的调整较为明显，并且调整效果较好，模式对大范围的强降雨空间把握能力更高，而其他地区由于局地性显著，相关性较弱。

3）降雨分级检验结果显示，对于晴雨的预报，提前量大，预报效果略好，而当降雨量级增加后，模式的性能表现为提前量越小，模式预报效果越好。当实况出现了短时强降雨，而模式又命中时，相对位置频数呈东北－西南向分布，与低层盛行风向一致，命中频次最高的格点位于站点东北方向，而频次较低的位于东南方，频数中心位于风场下游，表明模式预报降雨系统较实况移速偏快。

模式检验结果显示预报提前量越小，模式预报效果越好，由于GRAPES－1 km时间分辨率高，预报产品数量庞大，预报员无需反复对比过去不同时次预报的结果，而可以采信于临近时次的预报结果。但是本研究的分析也存在部分时次临近预报效果存在较大偏差，有可能是跟同化的观测资料缺乏有关。在预报业务中若能对这一相关信息的实时监控，将对模式产品的订正与业务应用产生更大作用。