不同天气现象下毕节高温特征及预报回归检验分析*

吴 姗，姚 浪，刘健平，帅 龙，聂 祥

(1.贵州省毕节市七星关区气象局，贵州 毕节 551700;2.贵州省毕节市气象局，贵州 毕节 551700)

0 引言

近年来毕节高温预报质量持续偏低，成为制约毕节城镇天气预报的难点问题。毕节地处黔西北高海拔山区，由于东西海拔差异大，地形起伏明显，在复杂的地貌条件下，温度日较差不稳定，气温起伏波动大，因此，Grapes、EC、福建模式等数值预报模式在毕节温度预报稳定性不好，对毕节高温预报指导性较差[1-2]。目前，贵州省内很多学者在模式温度预报检验和模式回归分析上均开展过相关研究[3-4]。李刚等[5]对贵州最高气温预报研究指出多模式集合预报能有效降低预报均方根误差，效果好于单模式预报结果。万汉芸等[6]提出中央气象台指导预报在不同天气形势下影响毕节气温的因子不同，需加以订正。李刚等[7]在云贵准静止锋影响下的温度预报研究中提出将700、850 hPa温度影响加入客观预报模型可以提高预报准确率。王璇等[8]提出不同季节不同天空状况贵阳高温的影响因子存在明显差异。因此本文在毕节高温研究中加入不同天气现象、不同季节影响的差异性，通过历史高温特征分析、24 h高温预报检验和回归模型分析，探索不同季节、不同天气现象下毕节高温预报的显著影响因子。

1 资料和方法

1.1 资料选取

本文使用资料为2010—2019年贵州省毕节站逐日最高气温、最低气温、平均云量、日照时数、湿度、降水量、风向、风速等气象观测资料，高温预报检验资料使用2015—2019年毕节市气象台逐日16时发布的城镇精细化报文中的24 h高温预报资料。

1.2 研究方法

对春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12—次年2月)和1—12月逐月毕节站气象观测资料进行分析，依据云量、日照时数和降雨量将天空状况分为晴天(总云量0～3成)、多云(总云量4～7成)、阴间多云(总云量8～10成，日照时数>1 h)、阴天无雨(总云量8～10成，08～20时无降水)、阴雨天(总云量8～10成，08—20时有降水)。按照这5类天气现象对毕节市日高温出现的月、季特征进行统计分析，计算气温日较差TMM(TMM=日最高气温-日最低气温)、高温日变化DVP(第1 d最高气温为T1，第2 d最高气温为T2，DVP=T2-T1，以此类推)和高温分布频率。

利用天气学原理寻找高温影响因子，结合毕节市气象台24 h高温预报资料采用多元逐步回归分析，筛选出各季节不同天气现象下影响日高温的显著因子，建立回归模型对24 h高温预报进行订正分析。

2 日最高气温特征

2.1 高温日变化

统计分析2010—2019年毕节站高温日变化(DVP)特征发现，DVP最大值出现在冬季，夏季表现最稳定，春季波动较秋季更大。从平均DVP变化看，全年分布在1.9～4.1 ℃之间，月平均变化不明显。将DVP按2、4、6、10为关键值划分5个等级，结果表明DVP在7月最稳定，DVP<2 ℃频率达60.5%；春季毕节高温波动最明显，DVP<2 ℃频率不到40%。从DVP>10 ℃的频率分布也发现1—4月是毕节高温日变化异常波动频率出现最高时段。

2.2 气温日较差

分析毕节气温日较差(TMM)特征，结果表明晴天TMM最大，平均值为14.8 ℃，阴天TMM最小，平均值为4.6 ℃，多云时TMM略大于阴间多云。由图1可见晴天和多云时月平均高温波动较明显，阴间多云和阴天时月平均高温较稳定。晴天时表现为夏季日较差小，冬季、春季日较差大；多云时表现为日较差摆动幅度较晴天明显增大，12月—次年5月是TMM波动幅度最大的时间段，阴间多云时呈稳定波动，3月摆动幅度最大。

图1 毕节不同天气现象气温日较差分布Fig.1 The daily temperature range distribution of different weather in Bijie

2.3 不同天气现象发生频率

分析毕节不同天气现象逐月出现频率(图2)，结果表明8～10成云出现频率最高占65.7%，其中阴天无雨占22.7%，阴天有雨占22.4%，阴间多云占20.6%。秋冬季由于受云贵准静止锋面影响，毕节市常处于静止锋后阴雨天气，阴天时段主要集中在10月—次年2月，月频率均高于50%，其中1月频率最高为68.6%。阴间多云是毕节出现频率次高的天气现象，月频率分布有明显季节变化特征，春、夏季阴间多云天气频率高，峰值在5月为35.4%，冬季频率低，1月仅为6.4%。晴天是毕节出现频率最低的天气现象，其出现频率在夏季波动最大，主要表现为6月频率最低为7.3%，8月最高为25.4%，秋、冬季频率稳定在10%～16.3%。多云频率分布呈现春、夏季高，秋、冬季低的特点，其中7月最高为28.7%，12月最低为11.6%。分析各类天气现象的月平均日高温特征发现，高温的峰值均出现在7月，且在1—7月为线性递增趋势，7—12月为线性递减趋势。毕节晴天时平均高温值最高，多云次之，阴间多云时略低于多云，阴天时最低，且阴天无雨比阴天有雨平均高出1.2 ℃。

图2 毕节不同天气现象下平均日最高气温及出现频率Fig.2 The average daily maximum temperature and frequency under different weather in Bijie

表1 毕节日最高气温日变化(DVP)特征Tab.1 Diurnal Variation Characteristics of maximum temperature in Bijie

3 毕节24 h最高气温预报检验

采用贵州省气象局预报业务评分标准相关规定(黔气办发〔2018〕24号)，气温预报准确率检验以2.0 ℃作为检验标准，即│预报值-实况值│≤2 ℃为准确,否则为错误。对2015—2019年毕节市气象台16时发布的城镇预报精细化报文进行24 h最高温预报检验，毕节24 h高温预报平均准确率为70.3%，且月、季变化特征明显，夏季准确率最高，较准确率最低的冬季高出21.4%，其中7月和8月准确率高于80%，1月和2月低于60%，冬季和春季准确率均低于70%，是导致年高温预报准确率偏低的主要影响时段。按天气现象统计，阴雨天24 h高温预报准确率最高，多云时准确率最低，春、冬季中阴天和阴雨天预报准确率较高，阴间多云和多云天气预报准确率较低，其中1月非阴天有日照时准确率低于42%，2月阴间多云和晴天时低于46%，3月多云时低于47%，12月多云和阴间多云时低于47%，且多云时出现年最低值25%。

图3 2015—2019年毕节不同天气现象下24 h日最高气温预报检验Fig.3 The verification of 24 h daily maximum temperature forecast under different weather in Bijie during 2015—2019

4 24 h高温预报回归分析

本文选取毕节市24 h高温预报、日照时数、平均本站气压、白天降水、前1 d高温、前1 d低温、前1 d气温日较差、前1 d低温变化、前1 d高温变化、平均相对湿度、平均云量、平均风速作为影响因子，通过逐步回归分析建立各季节不同天气现象下日高温回归模型，各模型均通过95%的显著性检验。回归模型相关系数整体较高，对于不同天气现象来说，晴天相关系数较低，为0.77～0.96，其余天气现象均在0.85以上，最高为多云(0.92)；从估计标准误差分析，除冬季晴和多云误差为2 ℃，其余误差均在2 ℃以内，拟合效果好，其中阴雨天误差最低，平均为1.4 ℃。对不同季节来说，拟合效果最好时段在夏季，平均估计误差为1.2 ℃，估计误差最大在冬季，平均估计误差为1.7 ℃。

模型中24 h高温预报影响因子在不同季节和不同天气现象时所占模型权重差异明显，这表明24 h高温预报在季节和天气现象有差异时需引入的影响因子不同。多云和阴间多云时日照时数和平均本站气压对模型的影响程度较高，阴天时前1 d低温影响程度较高，阴雨时春、夏季前1 d高温影响程度较高，秋、冬季前1 d低温和前1 d气温日较差影响程度较高，不同季节中晴天时影响因子的差异最明显。按季节分析，春季各因子的影响程度均较差，夏季前1 d低温影响程度较高，秋季前1 d低温和平均本站气压影响程度较高，冬季前1 d气温日较差和前1 d低温变化影响程度较高。通过模型误差分析和影响因子相关性分析，在不同天气现象、不同季节中适时将影响程度较高的因子纳入预报指标模型，可以降低24 h高温预报值的绝对误差。

表2 毕节四季不同天气现象下最高气温回归模型Tab.2 The regression model of maximum temperature under different weather in Bijie

5 小结

利用毕节2010—2019年观测资料，分析不同天气现象下日最高气温特征，建立高温模型，并对近5 a 24 h高温进行检验，得出如下结论：

①毕节高温日变化DVP在春季波动最大，夏季表现最稳定，其中7月DVP<2 ℃频率达60.5%，1— 4月为DVP异常波动频率最高时段。气温日较差TMM在晴天时最大，阴天时最小，多云时略大于阴间多云。

②毕节8～10成的云出现频率最高达65.7%，其中阴天时段主要集中在10月—次年2月。阴间多云为毕节出现频率次高天气现象，晴天频率最低，且各类天气现象月平均高温峰值均出现在7月。

③近5 a毕节24 h高温预报准确率月、季变化特征明显，夏季准确率最高，较最低的冬季高出21.4%，在区别天气现象的情况下，阴雨时最高，多云时最低，其中12月多云时准确率最低为25%。

④通过回归模型分析发现24 h高温预报在季节和天气现象有差异时需引入的影响因子不同，拟合效果最好时段在夏季，平均估计误差为1.2 ℃，估计误差最大在冬季，平均估计误差为1.7 ℃。在不同天气现象、不同季节中适时将影响程度较高的因子纳入预报指标模型，可以降低24 h高温预报值的绝对误差。