基于GRAPES-MESO模式的极端短时强降水预报

张武龙，康 岚，周 威，银 航

(1.四川省气象台，四川 成都 610072；2.高原与盆地暴雨旱涝灾害四川省重点实验室，四川 成都 610072)

引 言

短时强降水指发生时间短、降水效率高的对流性降水，且1 h降水量≥20 mm[1]。短时强降水是我国经常发生的强对流天气之一，容易引发暴洪、地质灾害、城市内涝等灾害[2-4]。一般认为，短时强降水以大尺度环境场为背景，由中小尺度系统激发产生，大尺度环境参数配置影响或制约中小尺度系统的发展演变过程[5-8]。短时强降水的发生发展需要热力不稳定层结、充足的水汽、较强的抬升运动等条件[1]，然而不同地区所需环境条件及各类对流参数阈值不尽相同[9-16]。

随着数值预报技术的迅速发展，高分辨率数值预报模式的准确率不断提高，并广泛应用于强对流天气预报预警中[17-19]。GRAPES(global and regional assimilation and prediction system)是中国气象科学研究院数值预报研究中心自主开发的新一代静力/非静力多尺度通用数值预报模式，是以多尺度通用动力模式为核心、以统一软件编程标准为平台的新一代数值预报模式系统[20]。GRAPES-MESO是GRAPES区域中尺度数值预报模式，它较EC或NCEP等全球模式在时空分辨率上有明显优势，且随着动力框架和物理过程描述的改进，该模式输出的预报场资料也有更高的准确性[21-23]。

为分析短时强降水的极端性，俞小鼎[24]将1 h降水量大于等于50 mm的降水事件称为极端短时强降水，它较普通短时强降水(1 h降水量为20～49.9 mm)更具有持续时间短、突发性强、可预报性低等特点[24-25]。四川盆地位于我国西南地区，受其地理位置、地形特征及冬夏季风环流的影响，降水季节差异大，干湿季分明，且降水主要集中在5—9月[26-27]。短时强降水，乃至极端短时强降水是四川盆地5—9月主要的灾害性天气之一[28-29]。利用指标叠套法、配料法、隶属函数转换法等方法对短时强降水等强对流天气的潜势预报已有不少探讨[30-32]，但针对极端短时强降水预报研究尚不多见。本文通过统计四川盆地2017—2018年5—9月的极端短时强降水样本，利用GRAPES-MESO模式资料分析物理量指标，结合随机事件概率思想和主成分分析方法构建预报模型，研发极端短时强降水概率预报产品，以满足四川省强对流潜势预报业务发展需求。

1 资料与方法

1.1 资 料

利用四川盆地109个国家级自动站(图1)2017—2018年5—9月逐小时降水资料，以及同期GRAPES-MESO模式逐日08：00(北京时，下同)和20：00起报的逐3 h预报场资料，空间分辨率为0.1°×0.1°[22]。文中附图所涉及地图基于国家基础地理信息中心提供的审图号为GS(2020)4630的标准地图制作，底图无修改。

图1 四川盆地国家级自动站分布Fig.1 The distribution of national meteorological stations in Sichuan basin

1.2 物理量归一化处理

由于各气象要素的单位不一样，平均值及标准差亦不同，为使它们能在同一水平进行比较，常使用标准化方法，使它们变成同一水平的无单位变量，这种变量称为标准化变量，该方法即为归一化处理，具体公式如下[33]：

(1)

1.3 随机事件概率思想和主成分分析法

随机事件概率思想[33]是把物理量因子与预报量看成随机事件，通常对这类随机事件出现与否用“1”和“0”二值变量表示。当物理量因子满足阈值时，该物理量则转化为1；不满足阈值时，该物理量则转化为0。

明确物理量因子的主次关系及其贡献权重是构建预报模型的关键，利用主成分分析法挑选关键因子并确定其权重系数，其主要原理及意义可参考文献[33]、[34]。

1.4 检验评分方法

采用计算TS评分、空报率(FAR)及漏报率(PO)3种方法对四川盆地极端短时强降水概率预报进行检验。利用邻近插值方法[35]将格点预报插值到站点上，得到站点预报结果，形成基于所有站点的实况与预报一一对应的数据序列，并以此统计预报准确站数(NA)、空报站数(NB)、漏报站数(NC)，计算TS评分、空报率及漏报率，具体计算公式如下[36]：

(2)

式中：TS(%)为TS评分，FAR(%)为空报率，PO(%)为漏报率。

2 结果分析

2.1 样本统计与格站匹配

普通短时强降水是指1 h降水量为20～49.9 mm，极端短时强降水为1 h降水量大于等于50 mm[24]。统计四川盆地自动站2017—2018年5—9月普通短时强降水和极端短时强降水样本数，样本统计遵循以下原则：(1)为配合GRAPES-MESO模式资料的时间分辨率，分8个时段统计样本，具体时段为02：00—05：00、05：00—08：00、08：00—11：00、11：00—14：00、14：00—17：00、17：00—20：00、20：00—23：00和23：00至次日02：00，分别匹配02：00、05：00、08：00、11：00、14：00、17：00、20：00和23：00的模式资料；(2)如同一时段同一自动站出现多次1 h降水量大于等于20 mm，只记为一个样本，并以最大小时降水量为准；(3)将前两步筛选出来的样本按照不同强度分为两类样本，若某站1 h降水量为20～49.9 mm，且以该站点为中心0.5°×0.5°范围内未出现单站1 h降水量大于等于50 mm，则记为普通短时强降水样本；若某站点1 h降水量大于等于50 mm，则记为极端短时强降水样本。据此，统计四川盆地普通短时强降水和极端短时强降水样本数分别为1097、158例。

针对这些样本，利用GRAPES-MESO模式预报资料进行站点与格点匹配。在空间上，将站点经纬度按“就近匹配原则”转换为GRAPES-MESO模式0.1°×0.1°的经纬度。图2为“就近匹配原则”示意图，将某站点P放入0.1°×0.1°的网格中，在站点P周围有4个格点A、B、C、D，其中格点A距离站点P最近，那么将站点P的经纬度转换为格点A的经纬度。另外，在时间上考虑实际业务中GRAPES-MESO模式资料的运算传输时间滞后起报时间约8 h左右(即当天04：30左右获得前一天20：00起报的预报数据，当天15：20左右获得当天08：00起报的预报数据)，于是将当天08：00—11：00、11：00—14：00、14：00—17：00和17：00—20：00的样本与前一天20：00起报的12 h、15 h、18 h和21 h时效模式资料进行匹配，将当天20：00—23：00、23：00至次日02：00、次日02：00—05：00和次日05：00—08：00的样本与当天08：00起报的12 h、15 h、18 h和21 h时效资料进行匹配。

图2 格站转换“就近匹配原则”示意图Fig.2 The schematic diagram of transformation from station to grid using nearby match principle

2.2 物理量计算

根据每个样本匹配的GRAPES-MESO模式资料，计算常用于表征短时强降水发生发展所需的热力不稳定、水汽、动力条件等方面的27个物理量参数，包括K指数(K)，沙氏指数(SI)，抬升指数(LI)，850 hPa与500 hPa温差(T850-500)，700 hPa与500 hPa温差(T700-500)，强天气威胁指数(SWEAT)，风暴相对螺旋度(HSR)，0～3 km垂直风切变(SHR3)，0～6 km垂直风切变(SHR6)，850、700、200 hPa散度(D850、D700、D200)，850、700、500 hPa垂直速度(ω850、ω700、ω500)，850 hPa假相当位温(θse850)，850 hPa与500 hPa假相当位温差(θse850-500)，对流有效位能(CAPE)，对流抑制能量(CIN)，850、700、500 hPa相对湿度(R850、R700、R500)，850 hPa与500 hPa相对湿度差(R850-500)，925、850、700 hPa比湿(Q925、Q850、Q700)，整层大气可降水量(PW)。

对极端短时强降水样本与普通短时强降水样本的各物理量参数分别进行归一化处理，求取消除量纲后各物理量平均值，并将极端短时强降水样本与普通短时强降水样本的物理量平均值相减。如果差值越大，说明该物理量参数区分极端短时强降水与普通短时强降水的能力就越大。表1列出二者差异较大的16个物理量参数及其阈值，并取此16个参数作为建立极端短时强降水预报模型的初选因子。16个初选因子的阈值通过计算极端短时强降水样本中该因子的标准差和平均值来确定，即当因子的标准差小于平均值绝对值的三分之一时，说明因子在样本中分布比较集中，采用均值法，取平均值作为阈值；反之，说明因子在样本中分布比较离散，则采用分位数法，取70%分位值作为阈值。

表1 四川盆地极端短时强降水的16个初选因子Tab.1 The 16 primary selected predictors of extreme short-time heavy precipitation in Sichuan basin

2.3 关键预报因子选取及模型构建

根据初选的16个预报因子阈值，利用随机概率思想，将四川盆地极端短时强降水的158个样本中的16个物理量参数值转化为0和1的二值变量，构成158×16的“0，1”矩阵。将该矩阵代入主成分分析方法进行分解计算，最终挑选出10个因子进行建模，其中这10个预报因子的总贡献率为99.8%，具体结果如表2所示。

表2 四川盆地极端短时强降水预报因子的贡献率、阈值范围、平均值、标准差Tab.2 The contribution rate, threshold range, mean value, and standard deviation of extreme short-time heavy precipitation predictors in Sichuan basin

设控制权重的函数分为f≡1(满足阈值)和f≡0(不满足阈值)两种情况，则四川盆地极端短时强降水的概率预报模型写为

P=f×x1+f×x2+…+f×x10

(3)

式中：x1，x2，…，x10(%)分别为10个预报因子的贡献率，P为极端短时强降水发生概率。如果预报因子满足相应阈值时，则f≡1，对应的因子贡献率就作为极端短时强降水发生的概率。如果满足阈值的预报因子越多，获得的贡献率累加值越大，预示极端短时强降水发生的条件越有利，出现概率越高；反之越低。

2.4 历史回代效果及预报阈值

极端短时强降水的概率预报模型构建后，对158例极端短时强降水过程的模型预报概率(P)做历史回算，并将P分为0.5、0.6、0.7、0.8、0.9五个阈值，按不同阈值做TS评分(TS)、空报率(FAR)、漏报率(PO)计算，综合检验评分结果，确定极端短时强降水概率的预报参考阈值。当P大于等于某阈值，若站点降水量大于等于50 mm，则认为预报正确，若站点降水量小于等于50 mm，则认为空报；当P小于某阈值，但站点降水量大于等于50 mm，则认为漏报。

表3列出不同阈值P的评分结果。可以看出，当P≥0.7时TS评分为24.0%，明显高于其他阈值评分。总体上，空报率(FAR)随着阈值的增加而减小，漏报率(PO)随着阈值的增加而增加；在阈值取0.7～0.8时，空报率减小的幅度有所减弱；在阈值取0.6～0.7时，漏报率增加的幅度也明显减弱。

表3 2017—2018年5—9月四川盆地158例极端短时强降水过程不同阈值P的预报效果Tab.3 The forecast effect evaluation of the different P thresholds of 158 extreme short-time heavy precipitation processes in Sichuan basin from May to September during 2017-2018

图3为极端短时强降水样本和普通短时强降水样本P值的概率密度分布。可以看出，极端短时强降水P值集中在0.6～0.8附近，而普通短时强降水P值则集中在0.5～0.6附近，取0.7作为阈值，可以较好地区分极端和普通短时强降水。因此，综合不同阈值的TS评分、空报率、漏报率以及概率分布情况，选取0.7作为预报极端短时强降水的参考阈值，即当P≥0.7时，则考虑出现极端短时强降水。

图3 2017—2018年四川盆地极端短时强降水样本(a)和普通短时强降水样本(b)P值概率密度分布Fig.3 The probability densities of the P values of extreme short-time heavy precipitation samples (a) and ordinary short-time heavy precipitation samples (b) in Sichuan basin during 2017-2018

3 产品应用

利用GRAPES-MESO模式08：00和20：00起报的逐3 h预报场资料，计算相应的物理量参数，根据预报模型实时输出的0～72 h逐3 h间隔的极端短时强降水概率预报产品，并通过提取逐3 h产品的最大概率值形成逐12 h间隔的客观产品，供预报员参考应用。以2019年7月22日四川盆地的暴雨过程为例说明该产品的业务应用情况。

2019年7月21日20：00至22日20：00，四川盆地出现了一次大范围的暴雨过程，并伴随有短时强降水、雷电、大风等强对流天气。该过程中短时强降水持续时间较长，且主要集中在22日08：00—20：00，落区位于盆地南部、中部至东北部一带[图4(a)]，最大小时降水量超过50 mm的有90站，其中最大小时雨强达104.1 mm。图4(b)为2019年7月21日08：00起报的22日08：00—20：00 GRAPES-MESO模式预报最大3 h降水量，量级均未超过50 mm，说明从模式确定性预报出发，会漏报此次极端强降水过程。图4(c)为极端短时强降水概率预报产品，可以看出概率预报落区与实况基本一致，可见概率预报可以弥补模式在大量级降水预报方面的偏差，从而提升预报效果。此外，该过程中概率阈值分别取0.6、0.7、0.8时的TS评分为11.3%、28.9%、17.6%，显然当概率值P≥0.7时，TS评分最高，该阈值在此次过程中更具参考性。

图4 2019年7月22日08：00—20：00四川盆地实况最大小时降水量(a, 单位: mm)，GRAPES-MESO模式预报的最大3 h降水量(b，单位: mm)和极端短时强降水概率(c，单位: %)Fig.4 The maximum hourly observational precipitation (a, Unit: mm), and the maximum three hours forecast precipitation (b, Unit: mm) and the extreme short-time heavy precipitation probability forecasted by GRAPES-MESO model (c, Unit: %) from 08:00 BST to 20:00 BST on 22 July 2019 in Sichuan basin

4 结论与讨论

(1) 基于2017—2018年5—9月四川盆地国家级自动站的逐小时降水量资料，统计普通短时强降水和极端短时强降水样本数分别为1097、158例。利用GRAPES-MESO模式资料，计算表征短时强降水发生发展所需的热力不稳定、水汽、动力条件等27个物理量参数，通过对比分析发现有16个参数在两类样本中区分度较大，可作为建模的初选因子。

(2) 结合随机事件概率思想和主成分分析方法，挑选对流有效位能、700 hPa垂直速度、850 hPa比湿等10个预报因子，并根据其贡献率及阈值构建极端短时强降水概率预报模型。通过历史回算及预报效果评估，发现当概率阈值取0.7时，TS评分为24.0%，明显高于其他阈值评分，可作为预报极端短时强降水的参考阈值。

(3) 在2019年7月22日四川盆地区域性暴雨过程中应用发现，当概率值P≥0.7时，TS评分28.9%，说明该产品对极端短时强降水落区预报有较好的参考意义。

基于GRAPES-MESO模式研发的极端短时强降水概率预报产品，时间分辨率为3 h，空间分辨率为0.1°×0.1°，有助于提高四川盆地极端短时强降水预报在时间和空间上的精细化程度，可为四川省强对流天气潜势预报提供客观技术产品支撑。但由于极端短时强降水属小概率事件，多由中小尺度系统激发产生，大尺度环境参数无法完全反映极端短时强降水发生发展过程，并且模式自身的预报偏差也制约着该产品的预报准确性，因此仍需在业务应用中进行预报效果检验，并做适当订正。