天山北坡次季节-季节尺度降水集合预测

李海燕 颉卫华 吴统文 李巧萍 梁萧云姚隽琛 刘向文 路屹雄 杨 涛 柳 春

1）（中国气象局乌鲁木齐沙漠气象研究所，乌鲁木齐 830002）

2）（新疆维吾尔自治区气候中心，乌鲁木齐 830002）

3）（中国气象局地球系统数值预报中心，北京 100081）

4）（安徽省气象台，合肥 230002）

引 言

新疆地处亚欧大陆中心位置，是丝绸之路经济带核心区，边境线长达5600 km，与8个国家接壤，具有重要的战略地位。天山北坡经济带位于以乌鲁木齐、石河子和克拉玛依市为轴心的新疆准噶尔盆地南缘天山北坡中段，仅占新疆总面积的5.7%，占新疆总人口的25.6%，是新疆城市最为密集的地区，城镇化水平接近90%，国内生产总值占新疆50%以上，是新疆现代工业、农业、交通、教育科技等最为发达的核心区域［1］。此外，新疆位于影响我国西风带上游地区，天山山脉是能够影响新疆甚至我国中西部地区天气气候和生态环境的重要屏障［2］。因此，提高天山北坡经济带的气象服务保障水平具有重要的社会、经济和生态意义。

由于天山北坡经济带的生态环境具有脆弱性和不稳定性，每年夏季均会发生强降水过程，影响农牧业生产、工业发展及旅游；在温带大陆性干旱气候背景下，新疆的强降水过程属于小概率事件，由于水汽匮乏、地形复杂，降水成因十分复杂，因而新疆夏季强降水事件的预测对数值模式仍极具挑战。2015年由世界天气研究计划组织（World Weather Research Programme，WWRP）和世界气候研究计划组织（World Climate Research Programme，WCRP）联合发起了一项针对次季节-季节尺度预测（subseasonal to seasonal，S2S）的国际计划，作为重要科学议题之一的强降水事件预测被重点关注［3-6］。2020年开始，S2S 计划启动第2 阶段，旨在进一步理解和提高次季节-季节-年代际尺度预测。目前，针对次季节-季节尺度降水预报的改进相对于其他预报要素仍比较有限［7-8］。Hamill等［9］和Whitaker等［10］基于模式输出结果采用一种统计后处理的集合方法在一定程度上改进了NCEP中期模式对6～10 d和8～14 d平均降水的概率预报；Vitart等［11］使用ECMWF月集合预报系统提高了印度季风区30 d内逐候平均降水预报。Nardi等［12］利用热带低频振荡和平流层准两年振荡经验模型较好预测了北美3～6周的逐候降水异常。由孙国武等［13］提出的天气关键区大气低频波延伸期预报方法在上海、沈阳和兰州气候中心业务中得到较好应用。梁萍等［14］利用集合经验模态分解（EEMD）及多变量EOF方法获取梅雨区降水及其影响系统低频信号的基础上，采用最优子集回归方法、经验波传播（EWP）方法及全球海气耦合模式产品，对梅雨季节内演变的延伸期预报方法进行了预报。Jie等［15］提出一种基于概率阈值的确定性降水集合预报方法（deterministic ensemble forecast using a probasilistic threshold，DEFPT），可改进BCC_AGCM2.1大气环流模式对我国夏季6～15 d 1～5 mm 阈值降水的预测。Li等［16］采用一种误差订正方法减小了S2S模式对湘江流域的降水预测误差。郭渠等［17］采用SVD 误差订正方案能够较好改善BCC_CSM耦合模式对我国西南地区夏季降水的次季节预测。智协飞等［18］基于集合成员采用频率匹配订正方法改善了中国华南地区强降水量级预测。董全等［19］针对不同相态降水采用最优概率阈值方法能够有效提升我国南方降水预报。一些机器学习方法也开始应用于我国降水集合预测［20-22］。针对新疆天山北坡经济带区域，李淑娟等［23-24］先后检验评估了DERF2.0延伸期预报产品对乌鲁木齐市春季和天山北坡经济带秋季强降温过程的预测能力，指出DERF2.0模式的延伸期预报产品对于强降温过程预报具有一定参考价值，但未对降水预测进行评估。

本文基于中国气象局次季节-年际尺度一体化高分辨率气候模式业务预测系统CMA-CPSv3（China Meteorological Administration-Climate Prediction System version 3）［25-26］，针对地形相对复杂、降水预测具有挑战性的干旱、半干旱地区——天山北坡经济带开展回报检验，考察全球高分辨率（T266，约45 km）气候预测系统CMA-CPSv3对局地次季节-季节尺度降水的预测能力。同时，针对天山北坡经济带独特的气候特征，对此前提出DEFPT概率阈值集合预测方法进行改进，探究其对CMACPSv3降水预测效果改善的可能性。

1 试验和方法简介

1.1 气候预测系统

从1995年开始，由国家气候中心牵头研发的我国气候预测业务系统先后经历了第1代季节气候预测以及月动力延伸气候预测业务系统（简称为CMA-CPSv1）［27］、第2代季节气候预测业务系统以及第2代月动力延伸气候预测系统DERF2（简称为CMA-CPSv2系统）［28-32］和第3代次季节-季节-年际尺度一体化气候预测业务系统CMA-CPSv3的发展历程。CMA-CPSv3气候预测业务系统基于海-陆-冰-气多圈层耦合的全球高分辨率气候系统模式BCC-CSM2-HR 研制，水平分辨率为T266（约为45 km），垂直分辨率为56层，引入新的集合预测方案（物理过程倾向随机扰动方案SPPT），并于2021年实现准业务化运行。本研究使用CMA-CPSv3预测系统2006—2020年历史回报数据，针对天山北坡经济带（43°～46°N，83°～92°E，图1）5—9 月次季节-季节尺度降水预测展开评估分析。

图1 天山北坡经济带地理区位分布Fig.1 Location of the economic belt of the northern slope of Tianshan Mountains（NSTM）

1.2 集合预测方法

Jie等［15］提出的基于概率阈值的确定性降水集合预测方法（DEFPT）与传统的概率预报不同，其本身并不预报降水事件的发生概率，而是利用概率预报的阈值重新定义降水预报事件的发生与否（即当某格点上预报某强度降水发生的概率不小于该格点最优概率阈值时，预报降水事件发生，否则预报不发生）。具体公式如下：

其中，A为最终预报的该阈值降水，Atd表示待预报某一阈值降水的降水量（如1 mm 阈值），ϕ表示降水事件发生与否（发生为1，不发生为0）。当预报降水发生的集合概率Pi不小于最优概率阈值Ptd时，ϕ取1，否则ϕ取0。这里i＝1，2，3，…，n分别表示集合成员数。

但该方法的Ptd不随所选预报区域的时间和空间变化，而实际中Ptd可能存在时间和空间分布不一致的情况，特别是在地形和气候特征差异较大的区域。因此本研究改进DEFPT 方法中Ptd的选取，充分考虑Ptd可能存在的时空分布规律，即在概率阈值Pi的降水预报偏差合理范围内（下限为1-α×，上限为1＋β×，σ为偏差评分值（BIAs）标准差的多年气候态时空分布值，α和β是该公式经验系数（表1）），计算得到降水预测技巧（ETS评分）最高的概率阈值Ptd的分布。这里偏差评分［29］通常用于描述降水频率预报偏差，而ETS评分［30］用于评估去除随机预报技巧后的降水事件预报技巧。

表1 2006—2020年5—9月不同阈值降水预报偏差合理范围的经验系数α 和βTable 1 Empirical coefficientsαandβfor reasonable forecasting biases of rainfall events with different thresholds from May to Sep in 2006-2020

1.3 检验评估方法

本研究基于国家气象信息中心中国地面高密度台站（2472个国家级气象观测站）逐日降水格点数据（分辨率为0.5°×0.5°；通过Cressman方法［33］插值至水平分辨率T266（约45 km）的CMA-CPSv3模式网格点），分别使用降水偏差评分、ETS 评分、海德HK 评分［34-36］（这里偏差评分越接近1.0说明偏差越小，ETS评分和HK 评分越高越好）以及相关系数等客观评估手段对CMA-CPSv3试验结果展开评估分析。

2 试验结果评估

2.1 多年回报结果评估

基于CMA-CPSv3 预测系统2006—2020 年回报结果，考察天山北坡经济带5—9月平均的降水预报偏差评分标准差空间分布在30 d 内的逐候变化（图2）。由图2可以看到，从第1候至第3候降水预测偏差在天山北坡43°～45°N 区域显著增加，第3候以后基本趋于稳定，且明显大于其他区域。这说明可以针对不同区域给出不同预报偏差可接受的范围，并在此基础上计算1 mm 阈值降水预报技巧最高的Ptd最优概率阈值分布随时间演变（图3）。由图3可知，在第1候，塔城南部乌苏、沙湾至呼图壁等地当概率预报阈值为40%以上时效果最佳，吉木萨尔概率预报阈值为30%左右时最佳，其他大部分区域概率预报阈值为25%时效果最佳（即当4个集合成员中有一个预报降水事件发生时，认为该格点降水事件发生，此时降水预报技巧最高）。进入第2候，原来的高概率阈值区域向周围扩散，这与预报时间增加、集合样本离散度增大以及集合成员高估1 mm 阈值降水落区有关，而其他区域依旧为25%。随着预报时间的继续增加，第3候最优概率阈值扩大至整个天山北坡南侧，向东延伸至乌鲁木齐—奇台等地。第4候最优概率阈值核心区的Ptd出现下降，降至35%左右。这与各集合成员开始对1 mm阈值降水落区出现低估的情况有关。第6候Ptd高值区下降到33%左右。

图2 基于2006—2020年5—9月全部起报个例的新疆天山北坡1 mm 阈值降水预报偏差评分标准差逐候演变Fig.2 Pentadly bias standard deviation for 1 mm threshold rainfall over the NSTM in Xinjiang calculated based on all cases initialized from May to Sep in 2006-2020

图3 基于2006—2020年5—9月全部起报个例的新疆天山北坡1 mm 以上降水最优概率阈值分布逐候演变Fig.3 Pentadly optimal probabilistic threshold for 1 mm threshold rainfall over the NSTM in Xinjiang calculated based on all cases initialized from May to Sep in 2006-2020

此外，第7～12候的最优概率阈值也基本保持类似的空间分布，仅强度略有变化（图略）。这说明单个集合成员预报的1 mm 阈值降水落区越来越分散，因此需要更多的集合成员同时预报该格点降水事件发生才能获得更准确的预测结果。更大降水量级的最优概率阈值分布随时间演变结果也具有类似结果（图略）。

根据以上选取的最优概率阈值，对新疆天山北坡2006—2020年5—9月1 mm，10 mm 和20 mm阈值的逐候累积降水落区进行DEFPT 预测。由图4可知，1 mm 阈值的DEFPT 集合预报无论ETS评分还是HK 评分均明显高于传统集合平均预报和控制预报，评分较后两者整体分别提高15%和50%以上，且偏差评分与集合平均预报相近。对于10 mm 阈值的逐候累积降水落区而言，集合平均预报仅在前15 d有效果，而DEFPT 集合预报可以大幅提高降水预测技巧，分值增加约2倍以上，尽管降水预报略有高估，偏差评分在1.5左右，但从20 mm阈值降水落区看，集合平均预报和控制预报在2周过后明显低估实况降水落区，偏差评分接近0.0，并且两者也基本不具备预测能力，ETS评分和HK 评分接近0.0。DEFPT 集合预报可以显著改善这一情况，尽管30 d后也出现低估降水和预测技巧明显下降的情况。

图4 CMA-CPSv3预测系统在新疆天山北坡2006—2020年5—9月全部个例的逐候累积降水不同阈值不同预报时效技巧评分（黑色虚线为偏差评分等于1.0标准线）Fig.4 Bias，ETS and HK scores for pentadly rainfall at 1-20 mm thresholds at different lead times over the NSTM from all cases in Xinjiang from May to Sep in 2006-2020 predicted by CMA-CPSv3（the black dashed line denotes the standard line（equal to 1.0））

为了进一步考察CMA-CPSv3预测系统对降水事件持续性的预测能力，计算逐候和逐旬时段内发生降水事件次数的预报与实况结果的异常相关系数（图5）。由图5 可知，对1 mm 阈值降水，DEFPT集合预报无论逐候还是逐旬降水事件持续性在达到0.05显著性水平的标准下均优于控制预报和集合平均预报，且整体上优于其他概率阈值预测结果。对5 mm 阈值降水，各方法预测技巧略有降低，但DEFPT 集合预报相比其他方法在前2周仍具有优势。总体而言，基于CMA-CPSv3 系统的DEFPT预测方法对逐候和逐旬降水事件发生的持续性有更优的把握能力。

图5 CMA-CPSv3预测系统在新疆天山北坡2006—2020年5—9月全部个例的日降水发生频次与观测之间的不同预报时效异常相关系数（黑色虚线表示0.05显著性水平）Fig.5 Anomaly correlations of daily rainfall event frequencies in each pentad and ten days at different lead times over the NSTM in Xinjiang from all cases from May to Sep in 2006-2020 between CMA-CPSv3 and observation（the black dashed line denotes the level of 0.05）

2.2 降水个例分析

分别 围 绕2016年7 月31 日—8 月2 日、2017年6月8—10日以及2020年7月9—12日发生在天山北坡的持续降水事件开展个例分析。以上降水过程均为新疆天山北坡夏季典型降水事件，强降水落区位于天山山区及其北坡的西部地区和东部地区，降水持续时间超过3 d，累积降水量分别超过15～20 mm（新疆日降水量超过12 mm 为大雨，超过24 mm 为暴雨）。2016年7月31日—8月2日时段强降水过程降水中心出现在阜康市，中心区域累积降水量最大值为37.5 mm；2017年6月8—10日强降水过程降雨中心出现在木垒县，中心区域累积降水量最大值为22.7 mm；2020年7月9—12日时段强降水过程降水中心亦出现在木垒县，中心区域累积降水量最大值为32.1 mm。虽然模式很难把握次季节-季节尺度的强降水量级，尤其在新疆这样的干旱半干旱区域，但若可以预测出1～5 mm 阈值降水落区也是有意义的。这里需要说明的是由于CMA-CPSv3预测系统起报频率为每周两次，起报时间无法恰好与上述降水事件发生时刻完全吻合，因此这里给出包含该时段的候累积降水预测结果。由图6可以看到，2016年7月29日—8月2日实况雨带沿天山北坡呈U 型分布，除沙湾—石河子降水量约为5～10 mm 以外，克拉玛依—乌苏的天山北坡西部至乌鲁木齐—奇台累积降水量均在15 mm以上。从临近预测结果看，控制预报、集合平均预报和DEFPT 集合预报差别不大，抓住了实况雨带的分布特征，但在降水量级偏弱，特别是乌鲁木齐—奇台雨区（图6b～图6d）。如果提前1周起报，DEFPT 预测的雨带分布和强度更接近观测（图6e～图6g）。提前2周起报，各方法预测的降水落区均明显减少，但DEFPT 仍对天山北坡南部雨带分布具有一定预测能力（图6h～图6j）。

图6 CMA-CPSv3预测系统预报2016年7月29日—8月2日的候累积降水分布（日期标记为起报时间）（a）观测，（b）提前0 d控制预报，（c）提前0 d集合平均预报，（d）提前0 d DEFPT 集合预报，（e）提前1周控制预报，（f）提前1周集合平均预报，（g）提前1周DEFPT 集合预报，（h）提前2周控制预报，（i）提前2周集合平均预报，（j）提前2周DEFPT 集合预报Fig.6 Pentadly rainfall including the period from 29 Jul to 2 Aug in 2016 predicted by CMA-CPSv3（the date of model initialized is marked in each figure）（a）observations，（b）CTL run at the lead of 0 day，（c）ensemble mean at the lead of 0 day，（d）DEFPT result at the lead of 0 day（e）CTL run at the lead of one week，（f）ensemble mean at the lead of one week，（g）DEFPT result at the lead of one week，（h）CTL run at the lead of two weeks，（i）ensemble mean at the lead of two weeks，（j）DEFPT result at the lead of two weeks

进一步从5 mm 阈值降水的异常分布看，集合平均和控制预报可提前0 d和提前1周大致反映异常降水分布，DEFPT 预测结果明显优于前两者，甚至提前2周预测出部分乌苏—沙湾—呼图壁—乌鲁木齐呈东西向分布的5 mm 阈值异常降水，仅强度有所低估（图7）。

图7 同图6，但是为候累积5 mm 阈值降水距平百分率分布Fig.7 The same as in Fig.6，but for anomalous percentage of pentadly rainfall with threshold of 5 mm

为了考察降水事件持续性，图8给出2016年7月29日—8 月2 日CMA-CPSv3 预测系统分别提前0 d、1周和2周起报的候内1 mm 阈值降水频次空间分布。持续性降水事件主要发生在天山北坡中段区域，5 d内均发生1 mm 阈值降水事件（图8a）。临近起报的控制预报、集合平均和DEFPT 预测结果相近，基本再现了天山北坡西部的持续性降水，但对昌吉州东部的阜康及以北地区降水的持续性预测有所低估（图8b～图8d）。提前1周起报，DEFPT预测展现优势，尽管阜康及以北地区降水持续性预测仍低估（图8e～图8g）。提前2周的预测结果表明：DEFPT 方法在天山北坡南部仍具有一定预测技巧，整体好于控制预报和集合平均预报，但乌苏—石河子以北区域存在明显漏报（图8h～图8j）。

图8 同图6，但为候内1 mm 阈值降水频次分布Fig.8 The same as in Fig.6，but for frequency of daily rainfall in each pentad

由2017年6月7—11日的预测结果（图9）可知，降水区主要集中在天山北坡东部（乌鲁木齐—奇台—木垒），提前0 d和提前1周起报的控制预报和集合平均预报的降水区偏小，强度偏弱，DEFPT 集合预报可以改善该状况，但天山北坡北部仍然存在明显低估（图9a～图9g）。提前2周起报的DEFPT虽然略好于控制预报、集合平均预报，但也未能很好反映天山北坡北部雨带（图9h～图9j）。由5 mm阈值降水异常空间分布可知，提前0 d的DEFPT 基本抓住了实况5 mm 阈值降水在天山北坡西部的异常增多，整体上优于控制预报和集合平均预报结果，并且提前1周和提前2周的DEFPT 预测出天山北坡中南部的降水异常，但低估了天山北坡西部降水异常（图略）。从降水事件持续性看，2017 年6 月7—11日候内降水持续时间基本为2～3 d，分布范围不集中，DEFPT 方法临近2周内的预测在天山北坡南部表现较好，在天山北坡北部普遍存在低估情况，但整体好于控制预报和集合平均预报（图略）。

图9 同图6，但为2017年6月7—11日候累积降水分布Fig.9 The same as in Fig.6，but for pentadly rainfall from 7 Jun to 11 Jun in 2017

2020年7 月8—12 日降水区主要集中在整个天山北坡南部并延伸至木垒，提前0 d和提前1周起报的DEFPT 准确再现了实况降水，雨强也把握得较好，而控制预报和集合平均预测的雨区仅集中在天山北坡东南部（图10a～图10g）。提前2周起报的3种方法均未能很好反映天山北坡雨带分布，强度偏差明显（图10h～图10j）。由5 mm 阈值降水异常空间分布可知，DEFPT 在提前0 d和1周两次起报均预测出天山北坡西南部实况5 mm 阈值降水异常增多的整体上优于控制预报和集合平均预测结果，但从第2 周起报的3 种方法均预报错误（图略）。分析该时段降水事件持续性，持续3～4 d的降水主要集中在天山北坡南部和克拉玛依及以北地区，DEFPT 方法临近预测与观测十分吻合，提前1周预测的降水持续性在天山北坡南部偏强，而提前2周起报在天山北坡南部以外区域明显低估，总体上预测效果优于控制预报和集合平均（图略）。

图10 同图6，但为2020年7月8—12日候累积降水分布Fig.10 The same as in Fig.6，but for pentadly rainfall from 8 Jul to 12 Jul in 2020

分析2006—2019 年5—9 月天山北坡区域的500 h Pa和850 hPa位势高度、温度、垂直速度以及850 hPa和900 hPa湿度等相关预报量。结果表明：2周过后模式各成员预测的天山北坡东部和北部的水汽与观测相比出现明显偏差，异常相关系数降至0～0.1（图11），而从天山北坡西部和南部水汽看，模式集合成员仍具备一定预测能力。这可能是导致天山北坡降水预测技巧分布差异的主要原因。

图11 2006—2020年5—9月全部个例的新疆天山北坡经济带预测与观测的900 hPa第4～6候水汽异常相关系数Fig.11 Correlation between observation and prediction from all cases for the 4th-6th pentad humidity over the NSTM in Xinjiang from May to Sep in 2006-2020

3 结论和讨论

本文使用全球高分辨率气候业务预测系统CMA-CPSv3对新疆天山北坡经济带降水进行回报检验，对比评估CMA-CPSv3系统的控制预报、传统集合平均预报以及考虑最优概率阈值时空分布差异的DEFPT 集合预报的表现。主要结论如下：

1）DEFPT 方法可以提高天山北坡1～5 mm阈值逐候降水落区以及降水持续性的次季节-季节尺度预测能力，均优于集合平均预报和控制预报。这也表明对新疆天山北坡次季节-季节尺度降水预测而言，数值模式与客观化集合预测方法相结合十分必要，特别在具有大地形背景和气候差异显著地区。

2）从3个个例分析结果看，不论从降水落区、降水异常还是降水持续性，DEFPT 集合预报在天山北坡西部和南部效果更优，但在天山北坡东部预测能力随时间下降较快。这与该区域水汽预测偏差较大有关。

这里需要说明的是，本文针对逐候累积降水预测结果采用了国际上使用的偏差评分、ETS评分和HK 评分开展技巧综合评估，这些评分侧重于对降水事件空间分布预测的评估检验，与通常用于降水距平检验评估的异常相关系数和均方根误差有所不同。对于预报更为困难的降水异常，本文也对降水异常相关系数和均方根误差进行了分析，与控制预报和集合平均预报相比，DEFPT 集合预报可以提高第3～4候降水异常的预测水平，且对应的异常相关系数基本达到0.05显著性水平；DEFPT 集合预报的RMSE 整体略高于集合平均预报，低于控制预报（图略）。

本研究使用的CMA-CPSv3预测系统在业务中的起报频率为1周2次，因此逐候预测有时无法与本文个例时段完全对应，可能影响个例分析结果。另外，CMA-CPSv3 预测系统的T266（约等于45 km）水平分辨率对于地形相对复杂的天山北坡仍不够精细，今后可考虑使用降尺度方法或更高分辨率模式开展分析。