基于频率匹配法的SWC-WARMS模式降水订正试验

基于西南区域数值预报模式（SWC-WARMS）2019年5~8月00时起报的24h累计降水预报资料和四川省气象站点降水观测资料,采用频率匹配法对6月1日~8月31日降水预报值进行了偏差订正。结果表明:模式预报的24h累计降水量总体为湿偏差;订正后降水量平均绝对误差减小;大雨和暴雨的偏差评分提高;小雨、中雨、大雨的TS评分提高,暴雨TS评分降低;各量级的空报率均有所降低,小雨和中雨漏报率减小,大雨和暴雨漏报率增大,尤其是暴雨漏报率显著增加;当模式对暴雨降水落区预报较好（差）时,频率匹配订正能提高（降低）TS评分。      

降水预报-观测概率匹配动态订正法在江西降水集中期的应用与检验

为提高数值预报降水预报的准确率,本文利用欧洲中期天气预报中心的高分辨率数值预报（ECMWF）降水预报资料和江西省国家级气象观测站实况降水资料进行概率匹配,选取Gamma累积概率分布函数用于拟合预报与观测的降水累积概率,通过在2017年江西省一次降水集中期的应用试验,得到以下结论：基于ECMWF的降水预报-观测概率匹配动态订正法由于把最新的预报与实况结果带入概率匹配中,并根据近期模式预报调整及误差不断自动更新各量级降水修正值,可实时动态订正模式降水预报;检验发现ECMWF模式降水产品对于24 h内12 h间隔的10 mm及以下量级的预报普遍偏大,25 mm及以上量级的预报普遍偏小,在江西区域九江沿江地区和景德镇的各量级降水预报较为接近实况、预报效果较好.本降水预报订正法能提高小雨和暴雨的TS评分、降低暴雨的漏报率且提升其命中率,但对大雨及部分中雨的订正效果不佳,在实践中应权衡利弊使用.     

基于频率匹配法和最优TS评分法的降水预报订正效果对比

利用2020年1月1日—2023年1月2日ECMWF、NCEP模式降水预报资料和眉山地区降水观测资料,采用频率匹配法（Frequency Matching Method,FM）、最优TS评分法（Optimal Threat Score,OTS）对ECMWF和NCEP的模式降水预报进行订正,对比检验评分和预报个例,并验证两种方法的适用性。结果表明：FM、OTS订正明显改善了小雨空报和暴雨漏报,提高了晴雨预报准确率、小雨ETS评分、暴雨TS评分,且OTS优于FM;FM可能出现参考数据与实况数据有较大偏差的情况,从而影响订正效果,OTS则不受参考数据的影响;数值模式降水的预报偏度明显大于1或小于1时,FM、OTS订正效果越好;FM、OTS难以订正小雨漏报、暴雨空报,也难以对降水差值较大的空漏报或降水落区偏差进行订正。     

基于ECMWF模式的四川夏季强降水订正试验

利用2016—2018年6—8月四川地面观测降水资料(含加密自动站)及同时段ECMWF模式各要素预报场资料,根据基于"配料法"计算所得出的3 h间隔短时强降水概率预报,统计各格点各个转换概率阈值的次数,探索了一种针对模式24 h累计降水预报的强降水订正方法,并运用该方法对2018年6—8月降水集中时段24—72 h时效ECMWF模式降水预报进行逐日试验检验。试验结果表明:(1)从大雨、暴雨降水量级综合检验指标来看,各时效订正后命中率、漏报率、TS评分均有明显改善,且随着预报时效的延长,各指标数值提高的幅度愈大。空报率虽然0—24 h、24—48 h时效预报有所增加,但空报率增加幅度远小于漏报率减小幅度;(2)从个例检验结果来看,订正后的模式预报相比订正前的预报而言,降水量级明显增加,50 mm以上降水落区预报效果有较大程度提升,尤其是0—24 h时效预报,订正后降水落区分布与实况基本一致。     

海河流域东北冷涡背景下的降水预报订正研究

针对海河流域东北冷涡降水样本,应用海河流域加密自动站降水资料及欧洲中期天气预报中心（ECMCWF）降水预报资料,利用滑动相关分析方法建立重组预报序列,基于加密自动站24 h累积降水量及重组24 h降水预报序列的Gamma累积概率分布曲线,采用预报—实况概率匹配方法建立1～3日的短期订正模型并进行试报检验。结果表明:欧洲中心数值模式对于海河流域东北冷涡降水的预报较实况偏慢;概率匹配法主要通过订正降水量级来改善预报结果,订正后降水预报对于小雨、大雨、暴雨预报的TS（Threat Score）评分技巧均有提升,尤其对于大雨和暴雨及以上量级预报,订正后预报量级及预报落区大小均与实况更加接近,订正效果显著。东北冷涡降水对流性强,模式预报能力弱,而订正后预报能有效提高此类强降水的预报技能,具有较好的应用价值。     

OTS、MOS和OMOS方法及其优化组合应用于72 h内逐3 h降水预报的试验分析研究

开展了夏半年72 h内逐3 h降水预报试验,针对ECMWF模式预报、基于ECMWF的模式输出统计(MOS)预报、纳入超前空间实况信息的OMOS预报,以及三种预报的最优TS评分订正(OTS)预报,对比分析预报效果,探讨一种多方法结合能够提供良好预报性能的3 h定量降水预报技术方案。结果表明:在短期预报中,MOS预报与OTS订正相结合的MOSOTS综合预报方法的预报性能最好,而且MOS-OTS方法的3 h强降水预报与业务运行的城镇指导预报中融合主客观预报的降水预报相比,也具有一定优势;而在临近3 h预报中,则OMOS预报与OTS订正相结合的OMOS-OTS综合预报方法最优,3 h内0.1、3和10 mm以上降水的TS评分最高,比原始模式预报分别提高73%、198%和483%,Bias评分接近于1,在夏半年的逐日晴雨预报中,OMOS-OTS方法在大部分日期都稳定优于MOS-OTS预报和城镇指导预报。     

2012年深圳前汛期降水EC与HAPS模式检验

对2012年前汛期（4-6月）欧洲中心全球模式与HAPS中尺度模式的降雨预报场进行逐6h晴雨检验与24 h分量级降水检验,得出：EC逐6h降水预报空报多而漏报少,预报无降水时可信度更高,TS评分在0.3 ～0.4之间;24 h分级检验中预报能力随着降水量级的增大而减小,空报率、漏报率增大,TS评分减小;EC随着预报提前量的减小TS评分增加,起报时次对预报能力无明显影响;总体来说,EC能为深圳10 d预报提供较好的参考价值,尤其是6d预报,对于暴雨的预报有待预报员订正.HAPS逐6h晴雨预报TS评分在0.48～0.32之间,提前量6h内预报效果好,TS评分0.4以上,有较高的参考价值;24 h分级降水预报能力与EC相同,也是随着降水量级的提升预报能力降低;但是HAPS预报能力与提前量的相关性主要表现在提前量6h以内,提前量减小TS评分明显增大,对于提前量大于6h的预报能力无明显变化;总体来说,预报员可依靠HAPS在短期预报基础上做好短临预报的订正工作,开展24 h分区预报.     

基于西南区域模式预报的川西高原东坡过渡带降水地形订正试验

基于西南区域模式（SWCWARMS）网格降水预报,通过地形降水估算量构建地形降水订正方程,分别应用模式地形和实际地形的订正方案对2020年6~8月发生在川西高原东坡过渡带的11次强降水过程进行订正试验。结果表明:应用模式地形订正后各量级降水预报的平均TS（Threat Score）评分较模式预报均有所提高,大雨及以上量级TS评分提高4%以上,平均空报、漏报率均减小,订正效果优于应用实况地形订正的效果。该方法具有普适性,对于地形复杂的川西高原东坡、攀西河谷及盆地西部沿山地区,预报和实况落区相似、不相似及强、弱降水过程均适用。      

频率匹配技术在暴雨预报中的应用及改进分析

利用欧洲中期天气预报中心和美国国家环境预报中心2017年5—8月逐日降水预报资料及同时段MICAPS降水观测资料,采用频率匹配技术对江淮流域夏季降水预报进行模式偏差订正及改进技术探讨。结果表明:(1)模式对小雨预报偏多,存在大量空报;对大雨及以上降水预报偏少,存在较大漏报。(2)偏差订正通过下调小量级降水、上调大量级降水,使各量级降水的强度和面积偏差均得到一定程度改善,降水量级两端订正效果明显,订正后小雨和暴雨准确率显著提升。(3)偏差订正对暴雨落区预报的改进效果与过程相关,个例分析表明:对于雨带位置预报较准确的大范围梅雨锋暴雨,偏差订正后暴雨TS评分明显提升;对于副高边缘的小范围暴雨以及雨带位置预报失误的梅雨锋暴雨或台风暴雨,偏差订正后暴雨TS评分改善不明显甚至降低。(4)针对上述问题,提出了系数动态调整和模式集成的改进思路,即对于平均雨量5 mm以下的小范围暴雨,适当上调订正系数;平均雨量在15 mm以上的大范围暴雨,适当下调订正系数。模式集成订正可有效提高暴雨TS评分。     

基于评分最优化的模式降水预报订正算法对比

使用2013年1月1日-2016年1月7日全国气象站观测资料,应用准对称混合滑动训练期,不改变雨带预报位置和形态,基于模式降水预报订正结果的TS评分最优化及ETS评分最优化,分别设计最优TS评分订正法（OTS）和最优ETS评分订正法（OETS）确定预报日各级降水订正系数,对2014-2015年降水数值预报进行分级订正,并与频率匹配法（FM）对比。结果表明:在24 h累积降水的多个预报时效订正中,无论是对欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心和中国气象局的全球模式降水预报,还是对4个模式的简单多模式平均,OTS和OETS较FM在TS评分和ETS评分等传统降水检验指标上均更优秀,其中OTS在所有时效均能提高模式降水预报质量,为三者最优。在概率空间的稳定公平误差评分方面,OTS在各时效、各单模式及多模式平均等方面优势明显。在预报员对应参考时效上,OTS在24~168 h的24 h累积降水预报中的TS评分也优于主观预报。     

2016-2020年广东省定量降水预报检验评估

对2016-2020年全球模式ECMWF和区域模式GZ_GRAPES、基于模式的解释应用和广东省气象局发布的定量降水预报（QPF）进行检验和评估。结果表明:ECMWF和GZ_GRAPES模式对一般性降水预报技巧在逐年提升,对大雨或以上的降水预报技巧的提升缓慢。GZ_GRAPES对大雨以上降水的预报技巧和定量降水预报的精细时空分布均优于ECMWF,区域模式更易预报出中小尺度降水信息。分类暴雨评定表明,模式对台风暴雨预报最好、锋面暴雨次之、季风暴雨预报最差。模式的暴雨预报落区偏小、低估明显,预报员通过经验订正明显提升了暴雨预报评分,其中季风暴雨的订正量最大,但存在预报范围偏大、空报较高的问题。基于ECMWF集合预报的解释应用与预报员的定量降水预报能力相当,降水越强,解释应用技术的优势越明显,但对季风暴雨也存在严重低估或漏报。目前降水精细时空分布、季风暴雨、极端性暴雨等依然靠预报员的经验订正为主,随着集合预报模式和区域高分辨率模式能力的提升,将预报经验客观化并与数值预报解释应用技术结合是提升QPF的一个方向。      

湖南省雨滴谱仪与常规降水观测对比分析

湖南省97个国家气象站自2017年开始陆续安装了雨滴谱仪,2018年1月1日起进行平行观测。为分析评估其探测降水量的准确性,选取湖南省12个国家站2018年雨滴谱仪观测资料和自动站翻斗雨量计小时降水资料,从总体观测误差、不同降水量级下观测误差和累积降水量观测误差3个方面进行对比分析,结果表明：（1）雨滴谱仪小时降水量和翻斗雨量计小时降水量存在显著的相关性,R2平均为0.94,其中南岳站R2最低为0.90,浏阳站R2最高为0.98,12个站的小时降水量绝对偏差均值为0.34mm;（2）当小时降水量Rh<1.0mm时,各站雨滴谱仪降水量较翻斗雨量计降水量平均偏大0.05mm,且平均差值绝对值均在0.2mm以下;当1.0mm≤Rh<2.6mm时,大部分站点雨滴谱降水量均大于或与翻斗雨量计降水量相当;当2.6mm≤Rh<5.0mm时,株洲和南岳站雨滴谱降水量较翻斗雨量计降水量明显偏小,武冈和娄底站雨滴谱仪降水量则明显偏高;当5.0mm≤Rh<8.0mm时,除株洲和南岳站外,其它各站雨滴谱降水量均大于或与翻斗雨量计降水量相当;当8.0mm≤Rh<16.0mm 时,除株洲和南岳站雨滴谱仪降水量偏小外,其他各站雨滴谱仪降水量均较翻斗雨量计降水量偏大;当Rh≥16.0mm时,雨滴谱仪降水量偏差明显变大,平均偏差绝对值达到3.570mm;（3）雨滴谱仪累计降水量和翻斗雨量计累计降水量变化趋势基本一致,除汨罗和南岳站外,雨滴谱仪累计降水量常表现为偏多。通过分析可见,湖南省雨滴谱仪雨量观测有较好可靠性,可为强降水监测预警、人工影响天气及降水数据订正等提供数据支撑。     

An Innovative Bias-Correction Approach to CMA-GD Hourly QuantitativePrecipitation Forecasts

This paper proposes a simple and powerful optimal integration (OPI) method for improving hourly quantitative precipitation forecasts (QPFs, 0-24 h) of a single-model by integrating the benefits of different bias- corrected methods using the high-resolution CMA-GD model from the Guangzhou Institute of Tropical and Marine Meteorology of China Meteorological Administration (CMA). Three techniques are used to generate multi-method calibrated members for OPI: deep neural network (DNN), frequency-matching (FM), and optimal threat score (OTS). The results are as follows: (1) The QPF using DNN follows the basic physical patterns of CMA-GD. Despite providing superior improvements for clear-rainy and weak precipitation, DNN cannot improve the predictions for severe precipitation, while OTS can significantly strengthen these predictions. As a result, DNN and OTS are the optimal members to be incorporated into OPI. (2) Our new approach achieves state-of-the-art performances on a single model for all magnitudes of precipitation. Compared with the CMA-GD, OPI improves the TS by 2.5%, 5.4%, 7.8%, 8.3%, and 6.1% for QPFs from clear-rainy to rainstorms in the verification dataset. Moreover, OPI shows good stability in the test dataset. (3) It is also noted that the rainstorm pattern of OPI relies heavily on the original model and that OPI cannot correct for deviations in the location of severe precipitation. Therefore, improvements in predicting severe precipitation using this method should be further realized by improving the numerical model’s forecasting capability.     

四种定量降水预报客观订正方法对比研究

基于2019年全年、不同季节、不同预报时效的欧洲中期天气预报中心模式的定量降水预报,检验评估了频率匹配、最优TS评分、最优百分位、概率匹配4种定量降水预报客观订正法的综合性能。利用理想模型研究了不同雨带位移偏差和干湿偏差情形下频率匹配法与最优TS评分的表现,并通过个例订正展示了4种定量降水预报订正法的基本特征。结果表明:频率匹配与最优TS评分仅能对确定性预报的降水量级进行调整,最优百分位和概率匹配法通过引入集合预报信息可在一定程度上改变预报的降水落区。频率匹配法以频率偏差最优为目标,可以很好地消除模式的干湿偏差,但仅在位移偏差较小且存在较大干湿偏差时提升原始预报的TS评分。最优TS评分法难以改进存在弱湿偏差的中雨预报的TS评分,而最优百分位法利用集合预报信息可以显著提升所有降水等级的TS评分,在较长预报时效下优势尤其明显,但也存在春、夏两季湿偏差较大的问题。概率匹配法由于没有使用历史实况信息,在暴雨订正中干偏差较大。经济价值模型检验评估表明,最优百分位法在暴雨量级的风险决策中具有较高的参考价值。      

基于短时强降水概率预报的模糊检验试验

利用短时强降水概率预报模型生成短时强降水(≥20mm/h)概率预报产品,并对其进行“点对面”模糊检验试验。结果表明:短时强降水(≥20mm/h)概率预报和SWC_WARMS模式最大小时雨量(≥20mm/h)的“点对面”TS评分均明显高于相应的“点对点”评分,短时强降水(≥20mm/h)预报结果可在30～40km范围内进行调整;短时强降水(≥20mm/h)概率预报在概率为30%时TS评分达到最大,Bias接近为1,预报偏差最小;短时强降水(≥20mm/h)概率预报比SWC_WARMS模式最大小时雨量(≥20mm/h)预报更具有参考价值。      

基于邻域最优概率的GRAPES快速更新循环同化预报系统逐时降水订正方法

针对高分辨率数值天气预报的时空不确定性, 利用邻域最优概率方法对华南区域GRAPES快速更新循环同化预报系统的24 h预报进行逐时降水订正和检验评估。结果表明: (1)邻域法能改善模式降水预报的空间不确定性, 最优邻域半径随降水等级增加而减小, 强降水的最优邻域半径约为60 km; (2)通过引入时间滞后因子, 可进一步改善模式不同时间起报的不确定性, 结合Brier评分确定了时间滞后窗为4 h; (3)提出基于邻域最优概率阈值的降雨进行分级订正方法, 有效提升了降水客观预报能力, 晴雨预报较模式全部为正技巧, TS评分达到0.89以上, 总体提升幅度约5.3%;强降水预报同样均为正技巧, TS评分呈先降后升趋势, 在12 h时效前后预报效果最优, 进一步提升了GRAPES快速更新循环同化预报系统的业务预报水平。      

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。