基于GIS的山区精细化降雪预报平台设计与实现*

沈 沉 钱 晖 李洪权 陈国良 施金海 高 翔 林 琴 俞旭枫

(德清县气象局，浙江 德清 313200)

0 引 言

湖州位于30°N附近，其地理环境及气候条件，导致了冬、春季节降雪多，属浙江省冬、春季降雪最为典型的地区。雪后低温雪凝和道路冻结，导致铁路、公路和航运交通严重受阻，雪灾还波及电力、旅游、工农业、教育等各行各业及日常生活，仅2008年初的连续暴雪过程，造成全市直接经济损失高达76.36亿元，与1999年梅汛期特大洪涝灾害造成的76.5亿元经济损失相近，远远超过2007年“罗莎”超强台风造成的影响。

目前降雪预报以模式预报为主，以人工订正为辅，并且数值预报模式产品对大气环流演变的预报能力已超过预报员的主观经验判断，时效越长优势越明显[1-2]。虽然模式能预报从临近至中长期各时段的情况，但也仅是对预报数据的直接展示，未做二次加工，需要预报员根据主观经验，对模式结果进行制作和订正[3-4]。

为更好地利用格点产品，实现模式预报的智能化、多元化、精细化，推动气象现代化发展，本文在对历史实况数据综合统计、比对各模式预报结果的基础上，结合预报员经验研发了积雪统计模型，并设计了精细化降雪预报产品自动订正预报平台，以提高山区精细化降雪预报能力和主观订正水平。

1 数据与方法

1.1 数据来源

2016年10月以前，在出现降雪天气现象时，对雨量筒进行人工加盖，只观测积雪深度，不再观测降水量，无法开展降水量的分析。本文使用2016年10月以来的3次降雪过程资料。建立模型的数据包括：湖州、长兴、安吉、德清4个国家气象观测站和南浔、天荒坪、三天门和大钱水闸4个布设了称重降水监测设备的区域观测站的降雪量、积雪深度、气温、地表气压、海拔等实况资料；协理员上报的08、14和20时积雪深度数据等。模式检验的数据包括：EC、JMA、GFS和OCF数值模式的降水量、气温、积雪深度等数据及NCEP、FNL再分析资料的位势高度和温度等数据。

1.2 算法模型介绍

1.2.1 建立模型

根据积雪深度与降雪量等气象要素的相关性分析，结合EC模式预报资料[5-6]，选取降雪量、气温、相对湿度、地表气压、海拔5个因子进行建模。由于降雪开始时地表温度一般较高，降雪初期很难形成有效积雪，大部分都被地表降温所消耗，而一旦形成有效积雪后，积雪增长效率会有所提高。针对降雪开始后12 h和积雪开始后12 h两个时段(下文用方案1和方案2区分)，利用SPSS软件进行分析，建立回归模型，结果如表1、表2、表3、表4。

表1 方案1模型线性回归系数表

表2 方案1模型线性回归模型摘要

表3 方案2模型线性回归系数表

表4 方案2模型线性回归模型摘要

模型1：

Y1=-0.011X1-1.052X2+0.279X3-0.027X4+0.011X5+1.848

(校正R2=0.723)

其中，X1～5分别为气象要素海拔(单位：m)、气温(单位：℃)、降雪量(单位：mm)、相对湿度(单位：%)和地表气压(单位：hPa)，Y1代表方案1最大积雪深度(单位：cm)。

模型2：

Y2=-0.009X1-0.956X2+0.44X3-0.02X5-0.34

(校正R2=0.764)

式中变量代表的意义同方案1。

两个线性模型的校正决定系数分别为0.723和0.764，可见通过SPSS模拟的两个模型拟合度较好，变量最大积雪深度与气象要素存在明显的拟合关系。

1.2.2 模型检验

建立模型后，反算各个站点的模拟结果，并进一步与实况对比检验。表5、表6为两个模型在3次降雪过程中，8个站点的气象要素表。

表5 降雪开始后12 h各站3次降雪过程气象要素表

表6 积雪开始后12 h各站3次降雪过程气象要素表

由表5、表6可见，同一模型对不同站点的订正效果不同。进一步比较发现对于安吉、天荒坪、三天门这类高海拔站点，两个模型基本表现为正误差，且订正相对误差较大。而南浔、大钱水闸这类东部平原地区，订正相对误差较小。此外，两个模型对德清3次过程均表现为负误差。

以上分析说明，模型能较好地反映积雪深度与各气象要素的关系，同时稳定性较高。但两个模型的性能略有差异，模型1的绝对误差略大，但相对误差与模型2基本接近。另外，无积雪时往往出现正的误差是两个模型都存在的问题，需要在下一步工作中改进。

2 系统设计

2.1 平台设计

如图1所示，GIS精细化预报平台基于EC模式资料和本地模型，自动实现预报结果后台订正，并快速实现前端可视化和人机交互操作，最终输出精细化预报产品。针对该平台需求，采用模型—视图—视图—模型(Model-View-View-Model，MVVM)设计模式，实现业务逻辑与视图分离，通过对各子功能模块的划分，降低模块之间的耦合度。后台添加定制化模型，前端交互、判断，触发后端算法，预留数据接口和算法接口，可实现平台良好的可扩展性，降低平台二次开发成本和维护成本[7-8]。

图1 GIS精细化预报平台

针对积雪厚度预报，首先进行降雪判断，通过阈值进行相态判断，如果未预报降雪，直接进入数据可视化和人机交互订正环节；如果预报降雪，进行状态判断，即区分降雪开始12 h和积雪后12 h，分别代入不同的模型，运算得到更新后的数据，随后进入数据可视化和人机交互订正环节，进行图形编辑和数据、图片本地下载。

2.2 界面介绍

运行系统文件夹中的GridEditor.exe，启动主程序。平台主界面主要分为菜单栏、工具面板、数值修订区、主编辑区、状态栏等几大块区域。

工具面板主要提供以下修订工具，地图控制：放大、缩小、平移；区域选择：框选、多边形选区、圆形选区等；区域控制：梯度工具、移动选区、选区内清零、选区外清零、区域加锁、区域解锁、图章、连续编辑等；视图切换：数据视图、排版视图；撤销、反撤销；数据保存。

地图窗口实现气象数据的GIS叠加，提供修订的偏移量选择、地图和数据展示区域、修订操作的主要区域，显示当前鼠标位置的经纬度，显示当前编辑的状态信息，按照比例尺进行分级显示，展示地县级边界和站点信息的叠加，以及地图裁边和色标选择等。

数据填充工具选择时次，点击生成加载数据和数据信息列表，可以选择计算或数据直接展示，以及模型参数手动修改；对数据进行当地备份保存。

3 平台检验

3.1 2018年12月7—9日降雪过程

2018年12月7—9日全市出现中到大雪，局部出现暴雪。截至9日08时，全市各地出现不同程度的积雪，东部平原轻微积雪，中西部明显积雪，最大积雪深度为3～5 cm，山区普遍为6～10 cm，高山区达到15 cm以上，其中安吉天荒坪高达19 cm，德清莫干山为15 cm。强降雪出现在12月8日夜里至9日白天。

在6日20时的预报资料中，EC模式预报在9日08时浙西北及皖南有大范围10 cm以上、局部25～30 cm的积雪深度，在湖州西南山区有20 cm以上，在东部平原有8～10 cm；本地模型的预报与EC模式预报大体一致，但对东部平原的预报相比于EC模式预报明显偏小，只有3～7 cm；西南山区的最大积雪深度为10～15 cm，同时，东部平原的积雪深度为2 cm以上，也就是说，无论EC模式还是本地模型，6日20时的预报都较实况明显偏大，但对东部平原的预报，本地模型的偏差更小。

在7日20时的预报资料中，EC模式预报与本地模型预报相较于上一时次的预报都有明显的下调，EC模式在西南山区的预报值下调至13～15 cm，长兴地区的预报值为5～8 cm，东部平原的预报值下调至4～6 cm，对比实况资料，西南山区的预报较准确，但是对长兴地区和东部平原的预报偏大较多；在本地模型的预报中，对东部平原的预报下调至1～4 cm，与实况比较符合，对西南山区和长兴地区的预报，与EC模式的预报大体一致。

总的来说，EC模式与本地模型在两个时次的预报都大幅下调了，但对东部平原的积雪深度预报，本地模型的预报要明显好于EC模式的预报，更加接近实况。

3.2 2018年12月30日降雪过程

2018年12月30—31日全市普降中雪，山区大到暴雪。截至31日08时湖州市各地出现不同程度的积雪，自西向东积雪深度逐渐减小。最大积雪深度为平原1～3 cm，安吉、德清高山区积雪深度为5～10 cm，湖州为2 cm，德清为2 cm，长兴为1 cm，安吉为2 cm。强降雪出现在12月30日下午至夜里。

在2018年12月30—31日的降雪过程中，EC模式与本地模型在最大积雪深度的预报上存在一定差异。在28日20时的预报资料中，EC模式预报较上一时次调整明显，大范围的积雪深度都调整至5 cm以下，湖州市西南山区为5～7 cm，其他大部分地区为2～4 cm；本地模型预报也下调了各地区的积雪深度，其中西南山区调整至12～17 cm，长兴西北山区为3～4 cm，东部平原调整至1 cm以下；EC模式预报的大幅度调整，使得与实况的偏差加大，同时对东部地区的预报仍为2 cm以上，而本地模型的预报虽然有所调整，但是更加接近实况。

在29日20时的资料中，EC模式预报在28日下调的基础上又有所上调，但是西南山区的最大积雪深度仍只有6～8 cm，较实况仍然偏小，而长兴大部分地区以及东部平原的还是2～3 cm，比实况明显偏大；在本地模型的预报中，最大积雪深度较上一时次也有所上调，主要在莫干山地区为2～5 cm，这与实况更加接近。

总的来说，在从26日20时起的降雪过程预报中，EC模式预报的调整幅度较大，在临近时段的预报结果与实况有所接近，但是仍有一定差距；而本地模型26—29日4个时次的预报一直相对比较稳定，对降雪落区及积雪深度的预报都比EC模式预报更加接近实况。

4 小 结

本文主要针对近年来两次降雪过程进行总结分析，在建立积雪深度预报模型的基础上，开发了人机交互的订正平台。平台整体运行稳定，对积雪模型结果进行检验对比，结果优于直接使用EC模式预报，表明积雪模型对模式的释用效果明显。但由于称重降水监测设备启用较晚，加之降雪过程较少，导致降雪量和积雪深度统计数据偏少，构建模型的可靠性还需进一步完善；经过几次降雪过程的应用检验发现，构建模型对强降雪过程的预报结果较EC模式预报直接输出的结果有明显改进，但对弱降雪过程中的山区积雪深度预报较实况偏大，并且在项目研究期间智能网格预报业务还未正式运行，未与智能网格预报业务接轨，尚需进一步改进。