基于强降雨巨灾保险的自动站雨量统计方法

袁微，郭春辉，陈明丽，谭丹凤

（肇庆市气象局，广东肇庆 526040）

在全球气候变暖的背景下，多数地区极端强降雨事件发生频率有所增加［1－4］，由强降雨引发的暴雨及洪涝等自然灾害给当地生产和生活带来很大的影响。面对范围广、频率高的强降雨引发的灾害风险，依靠国家财政的救灾基金和社会各界的捐赠毕竟不是长久之计。广东省人民政府从2014年开始探索建立巨灾保险制度，以政府作为投保人和被保险人，以触发巨灾的参数如连续降雨量、台风等级等作为支付赔偿的依据，在这些参数达到一定阈值时，保险公司无需进行查勘定损即可向政府支付相应的赔付金额。根据肇庆本地自然灾害的特点，最终选择强降雨作为巨灾保险灾害种类。如何快速、准确计算出强降雨发生时段的累计雨量显得尤为重要。

目前，国内专门针对累计雨量计算方法的研究较少，蔡锦辉等［5］研究自动站降雨数据质量控制的GIS分析方法；黄成南等［6］研究广东灾害天气历史个例库系统均涉及到累计雨量的统计时，均采用的传统小时累计法；郭丽霞［7］研究了一日的累计雨量的计算方法，通过时段雨量与日雨量的区别，优化了SQL查询语句并开发了实时雨量查询软件；甄廷忠等［8］发现小时统计法不能正确反映天气状况后开发了自动气象站滑动1 h累积雨量报警软件。以上研究均未考虑在强降雨的背景下自动站数据缺失的问题。而在实际工作中发现在强降雨的背景下，自动站雨量数据缺失的情况时有发生，特别是暴雨、台风等恶劣天气发生时，数据丢失尤为严重。使用传统小时统计法会导致雨量统计值比真实值偏低，直接影响了巨灾保险的赔付金额问题。本研究充分利用自动站本身数据特点，提出Day-Hour的雨量统计方法，经过试验证明该方法能在一定程度上改善传统小时统计法带来的不足，其统计结果不低于小时统计法，雨量增加量较为可观，为政府获取更多的保险赔偿，用于防灾减灾救灾提供了可能。

1 资料与方法

1.1 自动站地理分布及数据结构

依据肇庆市巨灾指数保险方案，共选取了肇庆市7个县（市、区）共130个自动站作为研究对象。自动站所采集的雨量数据种类主要分为5 min、1 h以及24 h雨量数据等，其数据结构如表1所示，时间均为北京时。

表1 自动站雨量数据结构

1.2 资料

本研究以肇庆市参与巨灾保险气象指数［9］计算的130个自动站的3 d累计雨量数据（20：00—20：00）作为研究对象。雨量数据均来自于广东省气象局业务网IDEA数据共享平台，选取2018—2020年已触发过巨灾保险赔付的9次天气过程观测数据为例。

1.3 三天累计雨量统计方法

1）小时统计法。

自动站能记录分钟降水、小时降水及逐日降水等数据。3 d累计雨量常规统计方法是小时统计法，即将时段内的所有整点小时雨量数据进行累加，累加结果即为3 d的累计雨量。

2）Hour-min统计法。

小时统计法操作简单，在整点数据没有发生缺失的情况适用，反之在整点数据缺失的情况下，其计算结果小于真实值。Hour-min统计法是结合1 h雨量数据与5 min雨量数据（1 h内累计）进行综合计算。首先统计每个站点整点数据的个数N，如果N＝72个，将72个雨量数据继续累加求和；如果个数N＜72个，将现有的整点雨量数据累加求和，并找到所有没有整点数据的时间节点，将过去1 h内最接近该时间节点的5 min雨量数据作为该时间节点值，如10：00数据缺失，则查询09：55雨量数据是否有值，有值则用09：55雨量值代替10：00整雨量值，若09：55无值，则继续查询09：50雨量值，若仍无数据一直查询至09：05，如1 h内均无数据，则10：00整雨量值用0替代。

3）Day-Hour统计法。

在Hour-min统计法的基础上提出Day-Hour统计法。此方法是在上述方法基础上增加24 h雨量dayrf值（08：00—08：00）进行综合计算。首先将3 d（M日20：00—（M＋3）日20：00，M为具体日期）时间进行拆解成4个时间段（如表2所示），然后求解对应时段的累计雨量。如第1个时间段M日20：00—（M＋1）日08：00的累计雨量为（M＋1）日08：00对应的累计雨量dayrf值减去M日20：00对应的累计雨量dayrf值，其他时段以此类推，累计雨量结果如表2所示。如参与计算的值为空，则对应时段采用Hour-min统计法计算累计雨量。

表2 三天雨量拆分时段1）

2 结果与分析

2.1 台风“艾云尼”降水过程雨量统计

选取2018年6月台风“艾云尼”的降水过程，统计可知，3 d累计降水最大时间段统计为2018年6月5日20：00—8日20：00。将这一时段拆成4个时间段，分别是（1）5日20：00—6日08：00、（2）6日08：00—7日08：00、（3）7日08：00—8日08：00、（4）8日08：00—8日20：00，然后对每个时段的雨量分别统计，最后进行累加。分别使用小时统计法和Day-Hour统计法进行雨量统计。该次过程参与统计的共130个自动站，由于通信等故障造成小时整点数据不全的共40个自动站，占总站数的30.7%。分析发现，使用Day-Hour统计法统计的结果不小于小时统计法统计的结果，排除问题站点G8251外，共有8个站点2种方法统计结果一致，剩余31个站点均是Day-Hour统计法大于小时统计法，最大差值为G8152站点55.6 mm，结果如图1所示。使用Day-Hour统计法后累计增加了447.6 mm的雨量，说明用Day-Hour统计法较小时统计法能更好的反映实际降水量。

图1 小时法和Day-Hour法雨量统计结果

2.2 9次触发巨灾保险时段雨量统计分析

为了进一步分析两种雨量统计方法在实际使用中的差别，分析了2018—2020年共触发巨灾保险的9个灾害时段数据，结果如表3所示，为使数据更具对比性，在表3的最后一行增加了未发生巨灾保险的时段2019年9月7—10日。从表3可以看到，1到9个过程都出现不同程度的缺测现象，缺测最少14个，最多130个自动站全部出现不同程度的缺测，说明在强天气背景下，自动站出现丢数据的情况较为严重，特别是与非强天气背景下进行对比（序号10）结果更为明显。通过Day-Hour法统计后雨量累计增加最多的是597.9 mm，也是缺测站数最多的一次；具体到某个自动站雨量增加最大的91.2 mm，最小是0.1 mm。通过以上10次样例分析可以得到，使用Day-Hour统计法后累计雨量均有不同程度的增加，有效解决小时统计法的不足，使雨量统计更接近真实值，为获取更多的保险赔偿提供可能。统计法，统计的雨量值也更接近真实值，有利于政府获取更合理的保险赔偿用于防灾减灾救灾。

表3 小时统计法和Day-Hour统计法雨量统计1）

3 结论

通过Day-Hour统计法和传统的小时统计法分别对肇庆过去3年发生巨灾保险的灾害时段的雨量进行统计分析，依据结果得到以下结论：

1）在巨灾保险发生时段内，选取的自动站普遍出现缺测现象，缺测率最低为10.7%，最高为100%，缺测会使雨量统计结果偏低。加强对自动站的维护或者在缺测严重的站点附近增加新的自动站是有效的解决办法。

（2）传统小时雨量统计法简单容易理解，使用率较高，但在强天气时统计效果较差，统计结果与真实雨量存在不同程度的偏差。

（3）Day-Hour统计法能在一定程度上改善小时统计法带来的不足，其统计结果不低于小时