張玉榮

(內(nèi)蒙古自治區(qū)巴彥淖爾市氣象局，內(nèi)蒙古 臨河 015000)

1 引言

數(shù)值天氣預(yù)報(bào)發(fā)展至今，已具備了很高的預(yù)報(bào)準(zhǔn)確率，并成為天氣分析預(yù)報(bào)的有力工具，它延長(zhǎng)了預(yù)報(bào)時(shí)效，還能給出各物理量的定量結(jié)果[1]。隨著國內(nèi)外數(shù)值天氣預(yù)報(bào)模式的快速發(fā)展，數(shù)值模式預(yù)報(bào)使預(yù)報(bào)產(chǎn)品類型更加豐富，有效提高了預(yù)報(bào)準(zhǔn)確率和精細(xì)化水平，其穩(wěn)定性和預(yù)報(bào)質(zhì)量也逐步提高，預(yù)報(bào)員對(duì)數(shù)值預(yù)報(bào)產(chǎn)品的應(yīng)用越來越廣泛。然而，預(yù)報(bào)員每天面對(duì)各類數(shù)值模式產(chǎn)品，如何用好模式產(chǎn)品就成為預(yù)報(bào)的關(guān)鍵[2]。陳麗娟[3]等基于集合的思想對(duì)降水預(yù)測(cè)的各模式預(yù)報(bào)結(jié)果進(jìn)行集成，發(fā)現(xiàn)集合預(yù)報(bào)大多數(shù)情況下優(yōu)于單成員預(yù)報(bào)。馬清[4]等針對(duì)全球5個(gè)氣象中心的區(qū)域集合模式的地面溫度預(yù)報(bào)，發(fā)現(xiàn)集成預(yù)報(bào)的平均絕對(duì)誤差小于單一模式預(yù)報(bào)。Hagedorn[5]基于多模式集成預(yù)報(bào)思想，發(fā)現(xiàn)多模式集成預(yù)報(bào)確實(shí)能優(yōu)化預(yù)報(bào)結(jié)果。

內(nèi)蒙古巴彥淖爾市地處陰山山脈西段，陰山及以北地區(qū)隆起，陰山南部斷陷，形成比較明顯的3種地貌，即北部高原、中部山地丘陵和南部河套平原[6]。陰山橫亙于中部，成為中溫帶大陸性氣候與季風(fēng)氣候的交界區(qū)。因?yàn)槟媳焙０胃叨鹊牟煌瓣幧降淖饔?，山前與山后的各項(xiàng)氣象要素有明顯的差異，預(yù)報(bào)難度較大，尤其是日最高氣溫和日最低氣溫預(yù)報(bào)，成了影響預(yù)報(bào)服務(wù)質(zhì)量的主要因素[7]。

2 數(shù)據(jù)來源

逐日選取08時(shí)和20時(shí)起報(bào)的6家數(shù)值模式(Ec、T639、 ZX、MG、ZG、ZY)中日最高氣溫和日最低氣溫預(yù)報(bào)值，時(shí)效為24～120 h。其中，Ec模式選用ecmwf_thinmx2t6產(chǎn)品；T639模式選用T639T2M_4產(chǎn)品。其中，Ec模式和T639模式格點(diǎn)資料通過雙線性插值方法插到預(yù)報(bào)站點(diǎn)；中國天氣、美國天氣、德國天氣在線、中央氣象臺(tái)指導(dǎo)預(yù)報(bào)選用模式預(yù)報(bào)的Tg和Td。利用C#程序語言將6家模式逐日預(yù)報(bào)值寫入Excel中，建立回歸分析數(shù)據(jù)庫。

3 原模式集成

選擇上述6家模式的日最高氣溫和日最低氣溫預(yù)報(bào)值，使用Excel的LINEST(known_y's known_x's const stats)函數(shù)進(jìn)行回歸分析，其基礎(chǔ)數(shù)據(jù)如下所示：

Known_y's中輸入D4:D35實(shí)況數(shù)據(jù)即因變量(注：D列的第4～35行的實(shí)況溫度數(shù)據(jù))；

Known_x's中輸入BA4:BF35各家模式預(yù)報(bào)值即自變量(注：BA列到BF列的第4～35行6家模式最高、最低氣溫預(yù)報(bào)值)；

Const中輸入True，如果Const為True或省略，b0(截距)將被正常計(jì)算。如果Const為False，b0將被自動(dòng)設(shè)為0；

Stats中輸入True，如果Stats為True，返回附加回歸統(tǒng)計(jì)值，如果Stats為False或省略，只返回系數(shù)?；貧w分析結(jié)果輸出(如表1)：

表1 LINEST函數(shù)做回歸分析得出的各項(xiàng)系數(shù)Tab.1 Various coefficients obtained by regression analysis by LINEST function

各輸出值的意義：A1、B1、C1、D1、E1、F1分別為TdZY、TdMG、TdZX、TdZG、TdT639、TdEc的系數(shù)，G1為常數(shù)項(xiàng)；A2、B2、C2、D2、E2、F2、G2分別為相應(yīng)的系數(shù)及常數(shù)項(xiàng)的標(biāo)準(zhǔn)差；A3為復(fù)相關(guān)系數(shù)，B3為y的標(biāo)準(zhǔn)誤差；A4為計(jì)算出的F值，B4為離回歸自由度；A5、B5分別為回歸平方和及離回歸平方和。

將上述各項(xiàng)參數(shù)保留兩位小數(shù)代入y=A1x1+B1x2+…+G1，得到回歸方程：

y=0.04×TdEc+(-0.04)×TdT639+(-0.04)×TdZG+0.04×TdZX+0.12×T0dMG+0.73×TdZY+2.67

式中，y即為6家模式的最低氣溫集成預(yù)報(bào)結(jié)果。

上述方程示例僅作為解釋說明回歸分析的過程，實(shí)際業(yè)務(wù)中使用2017年1月—2017年12月的數(shù)據(jù)，逐日對(duì)08時(shí)和20時(shí)預(yù)報(bào)場(chǎng)的日最高氣溫和日最低氣溫預(yù)報(bào)分別做回歸分析，得出集成預(yù)報(bào)結(jié)果并按月開展檢驗(yàn)分析。

4 模式訂正后集成

4.1 訂正預(yù)報(bào)的意義

上述多元回歸分析只是用最小二乘法對(duì)各模式日最高氣溫和日最低氣溫預(yù)報(bào)進(jìn)行的最佳直線擬合，與實(shí)況仍存在一定的誤差。導(dǎo)致誤差產(chǎn)生的主要原因有兩個(gè)：一是數(shù)值預(yù)報(bào)場(chǎng)本身不可避免存在的誤差；二是預(yù)報(bào)站點(diǎn)風(fēng)向風(fēng)速變化、云覆蓋度、降水的影響，或者是其它氣象要素的變化，使局地?zé)崃炕旌辖粨Q而造成溫度差異。

4.2 訂正要素的選取

經(jīng)過巴彥淖爾市氣象臺(tái)預(yù)報(bào)員多年統(tǒng)計(jì)、分析、檢驗(yàn)，發(fā)現(xiàn)與溫度預(yù)報(bào)相關(guān)性較好的是近地面風(fēng)向風(fēng)速、相對(duì)濕度以及降水量等因子。因此，選取Ec和T639模式預(yù)報(bào)場(chǎng)中的10 m風(fēng)向風(fēng)速，500 hPa、700 hPa、850 hPa 3個(gè)層次中的最大相對(duì)濕度，12 h降水量作為最高、最低氣溫預(yù)報(bào)的訂正因子；德國天氣在線、美國天氣、中國天氣選用風(fēng)向風(fēng)速、天空狀況、低云量(降水量)的預(yù)報(bào)值作為訂正因子；中央氣象臺(tái)指導(dǎo)預(yù)報(bào)選用風(fēng)向風(fēng)速、低云量、24 h降水量的預(yù)報(bào)值作為訂正因子。

訂正值的設(shè)定是依據(jù)一年多的檢驗(yàn)而設(shè)的初始訂正值(見表2～表6)，使用該訂正方法將6家模式氣溫預(yù)報(bào)值進(jìn)行訂正，得出模式預(yù)報(bào)訂正后的日最高氣溫和日最低氣溫預(yù)報(bào)值，然后再進(jìn)行一次回歸分析，最后得到模式訂正后的集成預(yù)報(bào)結(jié)果。

表210m風(fēng)向訂正值設(shè)定

Tab.2 10 m wind direction correction setting

表310m風(fēng)速訂正值設(shè)定

Tab.310m wind setting

風(fēng)力(級(jí))123456789101112Td訂正/℃0.10.20.30.40.60.81.01.21.41.62.03.0Tg訂正/℃-0.1-0.2-0.3-0.4-0.6-0.8-1.0-1.2-1.4-1.6-2.0-3.0

表4低云量訂正值設(shè)定

Tab.4Low cloud setting

低云量(成)10或10-987654<4Td訂正值/℃2.01.61.20.80.60.40.10Tg訂正值/℃-2.0-1.6-1.2-0.8-0.6-0.4-0.10

表5最大相對(duì)濕度訂正值設(shè)定

Tab.5Setting of maximum relative humidity setting value

相對(duì)濕度/%10090～9980～8970～7960～6950～5940～49<40Td訂正值/℃1.00.80.60.40.30.20.10Tg訂正值/℃-1.0-0.8-0.6-0.4-0.3-0.2-0.10

表6雨(雪)訂正值設(shè)定

Tab.6Setting of rain (snow) setting

降水量小雨中雨大雨暴雨大暴雨小雪中雪大雪Td訂正/℃0.312340.112Tg訂正/℃-0.3-1-2-3-4-0.1-1-2

5 集成預(yù)報(bào)檢驗(yàn)分析

5.1 溫度預(yù)報(bào)檢驗(yàn)方法

根據(jù)中國氣象局關(guān)于《中短期天氣預(yù)報(bào)質(zhì)量檢驗(yàn)辦法(試行)》的規(guī)定，其標(biāo)準(zhǔn)如下：

其中，F(xiàn)i為第i站(次)預(yù)報(bào)溫度，Oi為第i站(次)實(shí)況溫度，K為1、2，分別代表│Fi-Oi│≤1 ℃、│Fi-Oi│≤2 ℃，NrK為預(yù)報(bào)正確的站(次)數(shù),NfK為預(yù)報(bào)的總站(次)數(shù)。溫度預(yù)報(bào)準(zhǔn)確率的實(shí)際含義是溫度預(yù)報(bào)絕對(duì)誤差≤1 ℃(2 ℃)的百分率。K為1、2，分別代表≤1 ℃、≤2 ℃。

5.2 集成預(yù)報(bào)24 h質(zhì)量檢驗(yàn)

對(duì)24 h集成預(yù)報(bào)的最高溫度預(yù)報(bào)檢驗(yàn)(表7)知，從2017年1—12月平均預(yù)報(bào)準(zhǔn)確率為84.8%，其中53513(臨河區(qū))站準(zhǔn)確率最高：88.5%，53324(烏拉特后旗)準(zhǔn)確率最低：81.0%。平均絕對(duì)誤差均<2 ℃，最大為烏拉特后旗1.371 ℃。均方根誤差均<2 ℃，最大為磴口縣1.935 ℃。從偏高率和偏低率可以看出，對(duì)于最高氣溫的預(yù)報(bào)，集成預(yù)報(bào)的偏高率比偏低率略更加明顯。

表7 24 h最高氣溫集成預(yù)報(bào)各旗(縣)檢驗(yàn)Tab.7 24 h maximum temperature integrated forecast for each flag (county) test

對(duì)24 h集成預(yù)報(bào)的最低溫度預(yù)報(bào)檢驗(yàn)(表8)知，從2017年1—12月平均預(yù)報(bào)準(zhǔn)確率為66.3%，其中53419(磴口縣)站準(zhǔn)確率最高：70.9%，53337(五原縣)準(zhǔn)確率最低：62.3%。平均絕對(duì)誤差均<2 ℃，最大為五原縣1.502 ℃。均方根誤差基本都<2 ℃，只有五原縣>2 ℃，值為2.016 ℃。從偏高率和偏低率可以看出，對(duì)于最低溫度的預(yù)報(bào)，集成預(yù)報(bào)的偏低率比偏高率略明顯。

表8 24 h最低氣溫集成預(yù)報(bào)各旗(縣)檢驗(yàn)Tab.8 24 h minimum temperature integrated forecast for each flag (county) test

從2017年1—12月集成預(yù)報(bào)24 h最低氣溫和最高氣溫準(zhǔn)確率區(qū)域分布圖(圖1和圖2)看，最高溫度區(qū)域分布中，套區(qū)偏南地區(qū)預(yù)報(bào)準(zhǔn)確率比北部牧區(qū)預(yù)報(bào)準(zhǔn)確率要高，其中臨河區(qū)預(yù)報(bào)準(zhǔn)確率最高；最低溫度區(qū)域分布中，巴彥淖爾市西南部和東南部的預(yù)報(bào)準(zhǔn)確率比其他區(qū)域預(yù)報(bào)準(zhǔn)確率要高，其中磴口縣報(bào)準(zhǔn)確率最高。

圖1 集成預(yù)報(bào)最高氣溫24 h預(yù)報(bào)準(zhǔn)確率區(qū)域分布Fig.1 Regional distribution of accuracy of integrated forecast of maximum temperature 24 h

圖2 集成預(yù)報(bào)最低氣溫24 h預(yù)報(bào)準(zhǔn)確率區(qū)域分布Fig.2 Regional distribution of accuracy of integrated forecast of 24 h minimum air temperature

5.3 模式訂正后集成檢驗(yàn)

從模式訂正后集成檢驗(yàn)結(jié)果可以看出，各家模式訂正后集成比原模式集成的準(zhǔn)確率有所提高(圖略)，其中最高氣溫準(zhǔn)確率提高了1%～3%，最低氣溫誤差率降低了0.5%～4%，說明訂正方法的使用對(duì)提高最高、最低氣溫預(yù)報(bào)準(zhǔn)確率有一定的效果，對(duì)溫度預(yù)報(bào)具有參考價(jià)值。

6 小結(jié)

①本文的主要目的是使用LINEST函數(shù)對(duì)各家數(shù)值模式預(yù)報(bào)進(jìn)行多元回歸分析，得出模式集成預(yù)報(bào)結(jié)果，檢驗(yàn)集成預(yù)報(bào)結(jié)果的準(zhǔn)確率。結(jié)果表明：集成預(yù)報(bào)比6家模式的預(yù)報(bào)準(zhǔn)確率都高，這對(duì)巴彥淖爾市溫度預(yù)報(bào)具有很好的參考價(jià)值。

②在原模式的基礎(chǔ)上，建立本地化訂正方法,將原6家模式最高最低氣溫預(yù)報(bào)值進(jìn)行訂正后再集成。檢驗(yàn)結(jié)果表明：訂正后的集成預(yù)報(bào)比直接集成預(yù)報(bào)準(zhǔn)確率又提高了0%～4%，說明訂正方法的使用對(duì)提高最高、最低氣溫預(yù)報(bào)準(zhǔn)確率有一定的效果。

③本文不但對(duì)模式集成進(jìn)行了檢驗(yàn)，還對(duì)單一數(shù)值模式預(yù)報(bào)進(jìn)行了檢驗(yàn)，為預(yù)報(bào)員擇優(yōu)使用數(shù)值預(yù)報(bào)產(chǎn)品提供依據(jù)，同時(shí)也為研究數(shù)值模式預(yù)報(bào)產(chǎn)品釋用提供一定的參考方法，具有一定的推廣價(jià)值。