蘇華英，曾莉萍，羅乃興，王國(guó)松，周 皞

（1.貴州電網(wǎng)有限責(zé)任公司電力調(diào)度控制中心，貴州 貴陽(yáng)550002；2.貴州省氣象局，貴州 貴陽(yáng)550002；3.貴陽(yáng)市氣象局，貴州 貴陽(yáng)550001）

貴州春夏多降水，常因1～2 h的短時(shí)強(qiáng)降水或持續(xù)性暴雨天氣造成山洪、滑坡及泥石流等次生災(zāi)害，給國(guó)民經(jīng)濟(jì)造成巨大的損失。短時(shí)強(qiáng)降水也會(huì)造成電網(wǎng)變電站、輸電線路、水電站等民生行業(yè)不可挽回的損失。因此發(fā)展適用于貴州本地化的逐時(shí)滾動(dòng)訂正的短時(shí)臨近QPF技術(shù)[1-2]是十分必要的。本文擬通過(guò)利用新的訂正算法提高貴州0～2 h短時(shí)臨近定量降水預(yù)報(bào)（QPF）準(zhǔn)確率。利用滾動(dòng)訂正后的QPF為氣象防災(zāi)減災(zāi)，以及專(zhuān)業(yè)專(zhuān)項(xiàng)氣象服務(wù)（如電網(wǎng)輸電線路安全、水利防洪等與降水密切相關(guān)的行業(yè)）提供精準(zhǔn)的降水客觀產(chǎn)品。QPF可分為短期和短臨預(yù)報(bào)。短期QPF檢驗(yàn)證明從1960年到21世紀(jì)其預(yù)報(bào)準(zhǔn)確率穩(wěn)步提高，Wilson在20世紀(jì)90年代對(duì)其進(jìn)行了詳細(xì)的討論[3-5]。短臨預(yù)報(bào)則是近代才開(kāi)始發(fā)展，英國(guó)氣象局的“Nimrod”（Nowcasting and Initialization for Modeling Using Regional Observation Data Scheme）系統(tǒng)較為出名[6-7]。我國(guó)的短時(shí)臨近QPF業(yè)務(wù)系統(tǒng)是中國(guó)氣象局2008年開(kāi)發(fā)的具有自主知識(shí)產(chǎn)權(quán)的“災(zāi)害天氣短時(shí)臨近預(yù)報(bào)系統(tǒng)”（Severe WeatherAutomaticNowcastsystem，SWAN）[1]。由于短時(shí)臨近QPF研究處于快速發(fā)展階段，因此出現(xiàn)了百家爭(zhēng)鳴的算法研究現(xiàn)狀[8-12]，大致可分為4類(lèi)。而逐時(shí)滾動(dòng)訂正的短時(shí)臨近QPF是目前國(guó)內(nèi)外最為主要的一類(lèi)短臨定量降水外推預(yù)報(bào)方法。2016年韓文宇[13]、2018年周北平[14]等利用雷達(dá)Z-I關(guān)系對(duì)降水估測(cè)預(yù)測(cè)的準(zhǔn)確率影響情況進(jìn)行了研究。利用模式研究QPF方面，程叢蘭[15]等發(fā)現(xiàn)快速同化模式存在“模式起轉(zhuǎn)”問(wèn)題，雷達(dá)反演降水外推預(yù)報(bào)在0～2 h內(nèi)則能很好地彌補(bǔ)這一缺點(diǎn)。如果將雷達(dá)臨近預(yù)報(bào)和數(shù)值預(yù)報(bào)進(jìn)行融合，則是目前提供較長(zhǎng)時(shí)效0～6 h外推預(yù)報(bào)的研究方法[16-18]。這也是英國(guó)氣象局“Nimrod”系統(tǒng)短時(shí)臨近降水預(yù)報(bào)所運(yùn)用的基本思想。有研究表明降水預(yù)報(bào)的融合技術(shù)還需要進(jìn)行多尺度處理，Atencia則給出了降水預(yù)報(bào)多尺度處理相關(guān)的研究方法[19-20]。分析研究發(fā)現(xiàn)基于雷達(dá)的短時(shí)臨近QPF外推技術(shù)（2 h以?xún)?nèi)）的最大優(yōu)點(diǎn)在于對(duì)降水空間場(chǎng)的完美預(yù)測(cè)，這是目前在臨場(chǎng)中任何模式無(wú)法超越的。

相似離度算法在氣象各基本要素的預(yù)報(bào)研究中均有學(xué)者應(yīng)用。相似離度最早由李開(kāi)樂(lè)[21]提出，其代表相似性的差異程度，既考慮到樣本間的“形”相似情況，又體現(xiàn)了樣本間的“值”相似差異，是一種比較全面的相似標(biāo)準(zhǔn)。李開(kāi)樂(lè)最開(kāi)始將該理論運(yùn)用到臺(tái)風(fēng)路徑預(yù)報(bào)和寒潮中長(zhǎng)期預(yù)報(bào)業(yè)務(wù)中[22-23]。劉愛(ài)梅等[24]利用相似離度原理預(yù)測(cè)不同站點(diǎn)1～6 d的降水概率。陳力強(qiáng)等[25-26]分析發(fā)現(xiàn)融合了相似離度的集成方法在降水量和降水分布兩方面，對(duì)大雨及以上量級(jí)的降水預(yù)報(bào)效果優(yōu)于各個(gè)成員模式。另一種訂正方法Weibull分布對(duì)極值訂正有很好的應(yīng)用效果。張秀芝[27]利用Weibull分布發(fā)現(xiàn)對(duì)于年最大風(fēng)速、波高、降水量等氣候極值均具有很高的擬合精度以及很強(qiáng)的適應(yīng)性。在基于雷達(dá)回波的外推移動(dòng)路徑預(yù)報(bào)中，雷達(dá)回波最優(yōu)空間相關(guān)方法最早被用于Austin和Bellon[28]的研究中，利用平均位移矢量對(duì)降雨移動(dòng)路徑進(jìn)行線性外推預(yù)報(bào)。在此基礎(chǔ)上，Rinehart和 Gravey[29]發(fā)展了 TREC（Tracking Radar Echo By Correction）方法，Li[30]等則在TREC基礎(chǔ)上發(fā)展了改進(jìn)后的交叉相關(guān)法（Improved Cross-Correlation Extrapolation Method，COTREC） 方法，更精準(zhǔn)地進(jìn)行了外推降水預(yù)報(bào)。

本文利用中國(guó)氣象局的業(yè)務(wù)系統(tǒng)SWAN標(biāo)準(zhǔn)輸出6 min一次的QPF產(chǎn)品作為研究背景場(chǎng)。公益性行業(yè)專(zhuān)項(xiàng)《青藏高原東側(cè)易發(fā)山洪小流域監(jiān)測(cè)預(yù)警方法研究》研究檢驗(yàn)發(fā)現(xiàn)SWAN標(biāo)準(zhǔn)輸出的QPF產(chǎn)品在落區(qū)上評(píng)分高，但是降水量級(jí)上普遍偏小，特別是大雨及以上量級(jí)的降水TS評(píng)分僅為0.1～0.3。鑒于相似離度算法不依賴(lài)歷史資料，可移植性很強(qiáng)，并且具有較好的預(yù)報(bào)性能，預(yù)判可將其用于短時(shí)臨近QPF中。結(jié)合Weibull分布對(duì)降水極值的訂正，本文首先利用上述兩種方法對(duì)SWAN標(biāo)準(zhǔn)輸出的QPE和QPF產(chǎn)品進(jìn)行訂正；其次運(yùn)用COTREC方法進(jìn)行0～2 h的降水外推預(yù)報(bào)；最終得到貴州省短時(shí)臨近定量降水預(yù)報(bào)產(chǎn)品（GZ_NPF）。未來(lái)可利用GZ_QPF進(jìn)行氣象短時(shí)強(qiáng)降水災(zāi)害、電力輸電線路安全和水利防洪等的城市監(jiān)測(cè)預(yù)警。

1 資料與方法

1.1 實(shí)況資料說(shuō)明

本文所用的實(shí)況站點(diǎn)資料采用貴州3000多個(gè)區(qū)域自動(dòng)站及85個(gè)國(guó)家級(jí)自動(dòng)站的降水資料，時(shí)間分辨率為1 h。由于每一個(gè)時(shí)次收到的區(qū)域自動(dòng)站及可用站數(shù)據(jù)不定，因此每一時(shí)次使用的自動(dòng)站總數(shù)不固定。85個(gè)國(guó)家站和1200個(gè)骨干站的逐小時(shí)雨量數(shù)據(jù)經(jīng)過(guò)貴州省氣象信息中心嚴(yán)格質(zhì)量控制，在本文使用過(guò)程中將不再進(jìn)行質(zhì)控。剩下的未經(jīng)貴州省氣象信息中心質(zhì)控的區(qū)域自動(dòng)站數(shù)據(jù)，在使用前將進(jìn)行質(zhì)量控制。方法如下：利用離檢驗(yàn)站點(diǎn)最近的5個(gè)自動(dòng)站降水?dāng)?shù)據(jù)進(jìn)行相互驗(yàn)證，檢驗(yàn)站點(diǎn)周?chē)嚯x最近的5個(gè)點(diǎn)降水量級(jí)都相差3個(gè)量級(jí)或以上并＞100 mm時(shí)剔除，認(rèn)為該檢驗(yàn)站點(diǎn)數(shù)據(jù)為異常數(shù)據(jù)，剔除不合理的降水?dāng)?shù)據(jù)后再在本文中使用（圖 1）。

圖1 貴州省國(guó)家站及區(qū)域自動(dòng)站點(diǎn)分布

1.2 SWAN數(shù)據(jù)說(shuō)明

1.2.1 定量降水預(yù)報(bào)數(shù)據(jù)

運(yùn)用SWAN輸出的定量降水預(yù)測(cè)[QPF（1 km×1km）]每6 min輸出一次數(shù)據(jù)產(chǎn)品，作為逐時(shí)滾動(dòng)的0～2 h定量降水預(yù)報(bào)的基礎(chǔ)背景數(shù)據(jù)。

1.2.2 定量降水估測(cè)數(shù)據(jù)

SWAN反演的1 h定量降水估測(cè) [QPE（1km×1km）]產(chǎn)品，經(jīng)對(duì)比檢驗(yàn)實(shí)況自動(dòng)站發(fā)現(xiàn)QPE的降水形態(tài)跟實(shí)況場(chǎng)基本一致，但是在降水量級(jí)上偏差較大。如果直接使用實(shí)況站點(diǎn)數(shù)據(jù)插值成1 km×1km的網(wǎng)格數(shù)據(jù)，由于站點(diǎn)分布密度不夠插值效果并不理想。因此利用QPE作為背景場(chǎng)，再結(jié)合質(zhì)控后的自動(dòng)站1 h降水?dāng)?shù)據(jù)對(duì)QPE進(jìn)行量級(jí)訂正。本文將訂正后的定量降水估測(cè)產(chǎn)品（DZ_QPE）作為外推預(yù)報(bào)試驗(yàn)對(duì)比檢驗(yàn)的格點(diǎn)降水“真值場(chǎng)”。

1.3 研究方法

本文利用DZ_QPE和SWAN_QPF進(jìn)行外推降水預(yù)報(bào)試驗(yàn)。該試驗(yàn)主要分為兩步，第一步對(duì)同時(shí)刻的DZ_QPE和SWAN_QPF_00進(jìn)行對(duì)象識(shí)別，再進(jìn)行強(qiáng)度位相（相似離度算法）和極值分布（Weibull分布）訂正；第二步利用訂正后的GZ_NPF_00作為起報(bào)初始場(chǎng)運(yùn)用COTREC算法進(jìn)行0～2 h外推降水預(yù)報(bào)試驗(yàn)。

1.3.1 降水對(duì)象識(shí)別

通常一個(gè)中尺度對(duì)流系統(tǒng)中常包含多個(gè)孤立的對(duì)流單體，每一個(gè)對(duì)流單體都可以被識(shí)別為一個(gè)對(duì)象。但是DZ_QPE和SWAN_QPF反映的弱降水系統(tǒng)不是本文研究重點(diǎn)，因此將中尺度對(duì)流系統(tǒng)作為一個(gè)整體對(duì)象來(lái)處理剔除弱降水干擾。

（1）閾值控制。因?yàn)榭紤]到本文的研究對(duì)象對(duì)大量級(jí)的降水更感興趣，小時(shí)雨強(qiáng)越強(qiáng)造成的災(zāi)害也會(huì)越重。首先對(duì)降水場(chǎng)進(jìn)行過(guò)濾，使感興趣的降水場(chǎng)能相互區(qū)分。公式如下：

其中，C（x，y）為掩膜場(chǎng)，p（x，y）為原始降水場(chǎng)，T為閾值，T為0.1 mm。

（2）重構(gòu)場(chǎng)。將經(jīng)過(guò)閾值控制后的掩膜場(chǎng)返回原始二維降水格點(diǎn)值：

P（x，y）為達(dá)到閾值以上構(gòu)成的新降水場(chǎng)也稱(chēng)重構(gòu)場(chǎng)。

1.3.2 SWAN輸出的QPF初始場(chǎng)校正方法

對(duì)于 SWAN整點(diǎn)時(shí)刻輸出的 QPF（SWAN_QPF_00）的校正分以下幾步：

（1）相似離度算法校正

相似離度能反映兩個(gè)樣本之間的值和形態(tài)兩方面的形似程度，它是一種較為全面的相似比較的數(shù)學(xué)衡量標(biāo)準(zhǔn)。

相似離度C由形系數(shù)s和值系數(shù)d兩項(xiàng)共同決定。C越小表示兩樣本越相似，C越大表示兩樣本越不相似。并由C獲得所對(duì)應(yīng)的位相移動(dòng)矢量值。

（2）降水極值分布訂正

降水強(qiáng)度訂正利用Weibull分布通過(guò)SWAN_QPF向DZ_QPE逼近來(lái)調(diào)整。假設(shè)SWAN_QPF與DZ_QPE都滿(mǎn)足正態(tài)分布，并且SWAN_QPF和DZ_QPE兩個(gè)場(chǎng)的累計(jì)分布函數(shù)（實(shí)型隨機(jī)變量的概率分布函數(shù)）是不同的。

式中，α＞0 為形狀參數(shù)，β＞0為尺度參數(shù)，a0（＜Xmin）為位置參數(shù)，本文采用當(dāng)a0=0時(shí)，上式變?yōu)槎?shù)Weibull分布函數(shù)的簡(jiǎn)便式。

Xp為函數(shù)F（x）的反演值，并利用Xp對(duì)定量降水預(yù)報(bào)場(chǎng)進(jìn)行強(qiáng)度訂正，得到訂正后的降水函數(shù)。

（3）增補(bǔ)強(qiáng)降水中心

（4）融合訂正場(chǎng)

1.3.3 基于SWAN—COTREC方法的外推

基于訂正后的SWAN_QPF_00進(jìn)行0～2 h的定量降水外推預(yù)報(bào)。進(jìn)行位相和強(qiáng)度訂正后，首先利用COTREC風(fēng)場(chǎng)對(duì)整個(gè)區(qū)域進(jìn)行分區(qū)，再利用最小二乘法計(jì)算每個(gè)分區(qū)誤差絕對(duì)值的極小值來(lái)得到每個(gè)分區(qū)預(yù)報(bào)降水場(chǎng)的最佳移動(dòng)位置。增補(bǔ)的強(qiáng)降水中心的強(qiáng)度變化根據(jù)實(shí)況強(qiáng)降水云團(tuán)的強(qiáng)度變化為依據(jù)進(jìn)行外推。

、為最終外推第 1 時(shí)和 2 時(shí)的降水預(yù)報(bào)矢量場(chǎng)GZ_NPF。

2 2018年3次外推試驗(yàn)研究分析

從2018年6—9月選取3次系統(tǒng)性的暴雨個(gè)例進(jìn)行外推試驗(yàn)。2018年6月20日（西南渦東移后形成江淮氣旋）和2018年6月22日（西南渦東移）是2018年影響范圍最廣的兩次暴雨過(guò)程。2018年9月26日則是一次典型的秋季暴雨。從高低空配置來(lái)看，3次個(gè)例共性特征為高空槽配合低層切變線、水汽充沛、地面受熱低壓控制。不同的是2018年6月20日的個(gè)例中缺少700 hPa切變線與高空系統(tǒng)配合，因此該個(gè)例是3次個(gè)例中暴雨站數(shù)最少的一個(gè)（表1）。具體分析情況見(jiàn)表2。

對(duì)3次個(gè)例逐24 h輸出訂正后的GZ_NPF_00（原始SWAN_QPF_00數(shù)據(jù)缺失時(shí)次除外）、外推第1時(shí)（GZ_NPF_01）和第 2時(shí)（GZ_NPF_02）降水進(jìn)行主客觀對(duì)比分析檢驗(yàn)。

表1 2018年3次暴雨過(guò)程統(tǒng)計(jì)特征

表2 2018年3次個(gè)例24 h內(nèi)最大雨量站及1 h最大雨量站統(tǒng)計(jì)

2.1 “6·20”暴雨個(gè)例外推試驗(yàn)

2.1.1 天氣實(shí)況及天氣背景

2018年6月19 日20時(shí)—20日20時(shí)（BT）強(qiáng)降水主要集中在六盤(pán)水市南部、黔西南州北部、安順市、貴陽(yáng)市中南部、黔南州中部偏北及黔東南州北部。主要降水時(shí)段是19日20時(shí)—20日08時(shí)、20日08—11時(shí)，最強(qiáng)小時(shí)雨強(qiáng)普遍在60～80 mm/h。貴州位于鋒前，鋒前熱低壓中心位于云南（圖2）。850 hPa長(zhǎng)江橫切變給貴州帶來(lái)系統(tǒng)性強(qiáng)降水，強(qiáng)降水集中位于850 hPa切變線附近。逐6 h分析降水雨帶和雷達(dá)回波發(fā)現(xiàn)雨帶的移動(dòng)性不大，主要是在850hPa切變線附近發(fā)展，對(duì)流云團(tuán)生成后略南移。

2.1.2 個(gè)例外推結(jié)果分析

從主觀對(duì)比檢驗(yàn)來(lái)看，訂正后的GZ_NPF準(zhǔn)確率在量級(jí)上明顯優(yōu)于SWAN_QPF。對(duì)比檢驗(yàn)發(fā)現(xiàn)6月19日20時(shí)—6月20日20時(shí)（BT）24 h內(nèi)逐小時(shí)的GZ_NPF在強(qiáng)度上有顯著優(yōu)勢(shì)，且落區(qū)位置70%以上略?xún)?yōu)于SWAN_QPF。挑選兩個(gè)時(shí)次做實(shí)例說(shuō)明，圖3a、3b為2018年6月20日01—03時(shí)（UTC）逐小時(shí)訂正后和外推的GZ_NPF與DZ_QPE疊加圖，圖3c、3d為SWAN_QPF與DZ_QPE疊加圖。對(duì)比圖3a和圖3c發(fā)現(xiàn)＞0.2 mm的降水邊界圖3a跟DZ_QPE同量級(jí)邊界吻合度更高，5 mm和10 mm以上的降水雨團(tuán)邊界同樣是圖3a跟DZ_QPE的降水雨團(tuán)吻合度更高。分析圖3b和圖3d發(fā)現(xiàn)落區(qū)上二者與DZ_QPE都較為相似，但是降水中心值則是利用Weibull分布訂正外推的圖3b比圖3d更為接近DZ_QPE。根據(jù)客觀分級(jí)檢驗(yàn)在10 mm

圖2 2018年6月19日20時(shí)（BT）中尺度分析

2.2 “6·22”暴雨個(gè)例外推試驗(yàn)

2.2.1 天氣實(shí)況及天氣背景

2018年6月21 日20時(shí)—6月22日20時(shí)（UTC）受西南渦東移的影響，大雨以上的降水集中在貴州省西部到中南部，小時(shí)雨強(qiáng)普遍為40～50 mm/h。圖4為2018年6月21日20時(shí)（BT）中尺度分析。地面熱低壓位于云南東部，沒(méi)有明顯的鋒面。850 hPa西南渦東移后造成貴州大范圍系統(tǒng)性強(qiáng)降水。主要的降水帶集中在700 hPa和850 hPa的切變線之間。逐6 h分析降水雨帶和雷達(dá)回波發(fā)現(xiàn)雨帶的移動(dòng)性不大，先是有多個(gè)對(duì)流單體發(fā)展，而后生成的對(duì)流云團(tuán)在原地發(fā)展增強(qiáng)。

2.2.2 外推個(gè)例試驗(yàn)結(jié)果分析

圖5為2018年6月22日00—02時(shí)（UTC）主觀檢驗(yàn)對(duì)比分析圖。主觀檢驗(yàn)對(duì)比6月21日20時(shí)—6月22日20時(shí)（BT）24 h內(nèi)逐小時(shí)的降水?dāng)?shù)據(jù)，發(fā)現(xiàn)跟“6·20”個(gè)例一樣，GZ_NPF 數(shù)據(jù)在強(qiáng)度上明顯優(yōu)于SWAN_QPF數(shù)據(jù)。SWAN_QPF在大雨以上量級(jí)強(qiáng)度嚴(yán)重偏弱，無(wú)法反映真實(shí)的降水情況。GZ_NPF落區(qū)位置則有70%～80%優(yōu)于SWAN_QPF。從24 h的降水?dāng)?shù)據(jù)中選取兩個(gè)時(shí)刻作代表展示。選取時(shí)刻相似離度算法并未對(duì)降水的落區(qū)有明顯的調(diào)整，說(shuō)明原始QPF落區(qū)跟DZ_QPE吻合度很高時(shí)相似離度算法不會(huì)過(guò)度調(diào)整降水落區(qū)。對(duì)比圖5a和圖5c發(fā)現(xiàn)小雨量級(jí)的降水邊界兩者跟填色DZ_QPE底圖均能較好地重合。但是對(duì)＞5 mm的降水落區(qū)圖5a大部分比圖5c能更好地跟DZ_QPE吻合?？陀^檢驗(yàn)分級(jí)檢驗(yàn)TS評(píng)分也說(shuō)明這一情況，GZ_NPF在＞5 mm和＞10 mm的降水量級(jí)檢驗(yàn)中TS評(píng)分值相比SWAN_QPF的TS評(píng)分值平均提升48%。22日01—02時(shí)（UTC）主觀檢驗(yàn)發(fā)現(xiàn)降水落區(qū)圖5d比圖5b對(duì)降水邊界描述略?xún)?yōu)，這有可能是因?yàn)樵诮邓R(shí)別時(shí)有意弱化了弱降水。降水中心大值區(qū)則是利用Weibull分布訂正外推后的圖5b與圖5d更接近實(shí)況，降水大值中心與DZ_QPE的偏差在5 mm以?xún)?nèi)。

圖3 2018年6月20日01—02時(shí)及02—03時(shí)（UTC）DZ_QPE、SWAN_QPF、01時(shí)起報(bào)訂正后GZ_NPF以及外推1 h GZ_NPF對(duì)比

圖4 2018年6月21日20時(shí)（BT）中尺度分析

2.3 “9·26”秋季暴雨個(gè)例外推試驗(yàn)

2.3.1 天氣實(shí)況及天氣背景

2016年9月25 日20時(shí)—9月26日20時(shí)（BT）受高空短波槽及中低層低渦切變系統(tǒng)（圖6）影響貴州省，貴州中部地區(qū)普降中到大雨，局地暴雨，最強(qiáng)小時(shí)雨強(qiáng)在50～70 mm。跟夏天的降水相比，秋季暴雨小時(shí)降水的強(qiáng)度及范圍偏小一些。圖6為2018年9月25日20時(shí)（BT）中尺度分析圖。地面熱低壓中心位于云南東部，貴州省受鋒前熱低壓影響。此次降水過(guò)程主要是受低渦切變線影響造成的系統(tǒng)性降水，逐6 h分析雨帶變化發(fā)現(xiàn)降水帶自北向南移動(dòng)，跟前2個(gè)個(gè)例相比，移動(dòng)范圍更大，26日05時(shí)（BT）后降水在移動(dòng)過(guò)程中逐漸減弱。

2.3.2 外推個(gè)例試驗(yàn)結(jié)果分析

主觀分析對(duì)比9月25日20時(shí)—9月26日20時(shí)（BT）24 h內(nèi)逐小時(shí)數(shù)據(jù)發(fā)現(xiàn)，GZ_NPF在強(qiáng)度上明顯優(yōu)于SWAN_QPF，最大降水量級(jí)的偏差一般在5 mm以?xún)?nèi)（圖7）。對(duì)比圖7a和圖7c，發(fā)現(xiàn)5 mm和10 mm以上的降水雨團(tuán)邊界圖7a跟DZ_QPE的降水雨團(tuán)更為接近。如在貴州黔南州北部的一塊10 mm降水區(qū)的雨團(tuán)。降水中心極值利用Weibull分布訂正外推的圖7b與DZ_QPE更為接近。如貴州東北部一塊5～10 mm的降水區(qū)，圖7d上只有0.2～2 mm，而圖 7b上則是 2～10 mm，大大縮小了與實(shí)況降水量級(jí)上的差異。根據(jù)客觀分級(jí)TS評(píng)分檢驗(yàn)也說(shuō)明GZ_NPF平均分值提高了33%。

3 3次研究個(gè)例客觀檢驗(yàn)結(jié)果

利用DZ_QPE作為檢驗(yàn)的真值場(chǎng)，對(duì)GZ_NPF、SWAN_QPF進(jìn)行點(diǎn)對(duì)點(diǎn)的統(tǒng)計(jì)檢驗(yàn)。本文具體擬采用的檢驗(yàn)方法參考龐玥等[31]對(duì)集合降水產(chǎn)品進(jìn)行晴雨檢驗(yàn)（PC）、TS評(píng)分及偏差BS檢驗(yàn)，參考王勇等[32]絕對(duì)誤差誤差和相對(duì)誤差檢驗(yàn)算法，王雨等[33]對(duì)降水產(chǎn)品進(jìn)行ETS評(píng)分的方法，對(duì)不同時(shí)效累積降水進(jìn)行進(jìn)行分級(jí)檢驗(yàn)[34-35]。本文將1 h降水分4個(gè)等級(jí)：0.1～5 mm，5～10 mm，10～20 mm，≥20 mm。

圖5 2018年6月22日00—01時(shí)及01—02時(shí)（UTC）DZ_QPE、原始QPF降水、00時(shí)起報(bào)訂正后QPF以及外推1 h降水對(duì)比

圖6 2018年9月25日20時(shí)（BT）中尺度分析

表3代表3次研究個(gè)例的客觀點(diǎn)對(duì)點(diǎn)評(píng)分檢驗(yàn)。晴雨檢驗(yàn)訂正前后差別較小，評(píng)分都在90%以上。TS和ETS評(píng)分在＜5 mm降水級(jí)別原始QPF的檢驗(yàn)評(píng)分略高，這是因?yàn)橛喺龝r(shí)有意模糊小量級(jí)降水導(dǎo)致。在＞5 mm量級(jí)的檢驗(yàn)中發(fā)現(xiàn)TS和ETS評(píng)分均是訂正后分值明顯高于訂正前。同時(shí)訂正后的QPF空?qǐng)?bào)率降低，但是漏報(bào)率提高。這一檢驗(yàn)結(jié)果跟主觀圖形檢驗(yàn)結(jié)果基本吻合。

表3 3次個(gè)例訂正前后QPF不同量級(jí)降水檢驗(yàn)對(duì)比

誤差檢驗(yàn)利用格點(diǎn)誤差累積數(shù)進(jìn)行檢驗(yàn)，以DZ_QPE數(shù)據(jù)作為實(shí)況場(chǎng)與SWAN_QPF和GZ_NPF進(jìn)行誤差檢驗(yàn)。由于訂正后GZ_NPF數(shù)據(jù)范圍小于SWAN_QPF，因此 GZ_NPF 總格點(diǎn)數(shù)（353 929）少于SWAN_QPF（412 891）的總格點(diǎn)數(shù)。從表4看出訂正后總平均降水量的相對(duì)誤差明顯減小，總平均降水量的絕對(duì)誤差有所增加，相對(duì)誤差率從-55%提高到-22%。GZ_NPF平均總降水量比SWAN_QPF更接近實(shí)況平均總降水量。說(shuō)明GZ_NPF相對(duì)誤差減小，格點(diǎn)總降水量與實(shí)況總降水量更為接近。檢驗(yàn)評(píng)定結(jié)果見(jiàn)表3、表4。

圖7 2018年9月25日20—21時(shí)及21—22時(shí)（UTC）訂正_QPE降水、原始QPF降水、20時(shí)起報(bào)訂正后QPF以及外推1 h降水對(duì)比

表4 3次個(gè)例訂正前后QPF格點(diǎn)降水誤差統(tǒng)計(jì)對(duì)比

4 結(jié)論與討論

一直以來(lái)，模式資料的后處理都是改進(jìn)模式預(yù)報(bào)效果最簡(jiǎn)單有效的方法。很多研究都表明通過(guò)重點(diǎn)導(dǎo)入關(guān)鍵區(qū)域的高密度實(shí)況資料能夠明顯改善模式針對(duì)該區(qū)域的預(yù)報(bào)效果。本文通過(guò)分析3次典型暴雨個(gè)例外推試驗(yàn)，探討了針對(duì)GZ_NPF的效果，并對(duì)GZ_NPF的優(yōu)缺點(diǎn)有了初步認(rèn)識(shí)。

（1）本文所選取的3次試驗(yàn)個(gè)例都具有明顯的系統(tǒng)性，與之對(duì)應(yīng)的雨帶范圍、強(qiáng)度、分布和移動(dòng)都有較強(qiáng)的延續(xù)性。針對(duì)這種特點(diǎn)的降水，3次個(gè)例GZ_NPF的訂正和外推效果相似，對(duì)降水強(qiáng)度的訂正效果顯著，對(duì)降水落區(qū)的訂正在整體上也有明顯的改善。

（2）降水強(qiáng)度分布符合Weibull分布算法，因此利用Weibull分布算法極值訂正后的降水更符合實(shí)際的降水特點(diǎn)。表現(xiàn)為訂正后的降水對(duì)中等強(qiáng)度以上（≥5 mm/h）的降水改進(jìn)效果最為明顯。由于短時(shí)強(qiáng)降水（≥20 mm/h）的發(fā)生概率過(guò)低，因此該算法雖然能夠預(yù)測(cè)，并有一定的示警作用，但位置有一定的偏差。由于訂正后小雨的格點(diǎn)數(shù)減少，導(dǎo)致小雨量級(jí)預(yù)報(bào)效果略變差。

（3）相似離度算法經(jīng)過(guò)驗(yàn)證具有表征意義全面，計(jì)算速度快的特點(diǎn)，通過(guò)調(diào)用該算法明顯改善了雨帶的位置。實(shí)況站點(diǎn)資料的導(dǎo)入，優(yōu)化了降水的分布尤其是插入了實(shí)況極值降水后，有利于降水強(qiáng)度的預(yù)測(cè)準(zhǔn)確率，其次是極值降水的預(yù)測(cè)預(yù)警。

整體來(lái)說(shuō)，實(shí)現(xiàn)了基于雷達(dá)的0～2 h短時(shí)臨近QPF外推技術(shù)的提高，為未來(lái)做更長(zhǎng)時(shí)效（0～6 h）外推預(yù)報(bào)打下了良好的基礎(chǔ)。但是也應(yīng)該看到：一些局地性強(qiáng)降水具有降水分散且雨團(tuán)尺度較小，發(fā)展速度快，強(qiáng)度變化大，移動(dòng)性不一致的特點(diǎn)。針對(duì)這一類(lèi)型的降水預(yù)報(bào)和外推算法一直都是較為困難的議題，本文所用算法改進(jìn)效果也不理想。而這將是下一步的改進(jìn)方向。