朱文剛，李昌義，曲美慧，溫曉培

(1.山東省氣象科學(xué)研究所，山東 濟(jì)南 250031；2.吉林省氣象科學(xué)研究所，吉林 長(zhǎng)春 130062)

引 言

冬季一次降水過(guò)程往往存在多種相態(tài)或多種相態(tài)之間的相互轉(zhuǎn)換，而降水相態(tài)的判別是冬季降水預(yù)報(bào)成敗的關(guān)鍵，也是決定降水過(guò)程是否為災(zāi)害性天氣的重要指標(biāo)。降水相態(tài)和大氣熱力學(xué)垂直廓線相關(guān)，例如完全低于冰點(diǎn)(0 ℃)的大氣溫度廓線會(huì)產(chǎn)生雪；近地面暖性大氣層結(jié)厚度較厚時(shí)會(huì)產(chǎn)生雨、毛毛雨或冰雹；高空暖層蓋住地面冷層時(shí)會(huì)產(chǎn)生雪、雨、冰?；騼鲇?，這種情況下的降水類型取決于暖層和冷層的厚度、層結(jié)內(nèi)最高和最低溫度、層結(jié)內(nèi)水成物的類型和大小[1]。

早期國(guó)外對(duì)降水相態(tài)的判別是利用大氣層結(jié)厚度來(lái)區(qū)分不同類型的降水[2-5]，后來(lái)發(fā)展成計(jì)算高空暖層的厚度及其最高溫度、地面冷層的厚度及其最低溫度，再綜合閾值判斷降水類型[6-9]。RAMER[10]提出使用各氣壓層的溫度、相對(duì)濕度和濕球溫度設(shè)置不同的閾值逐步診斷降水類型，SCHUUR等[11]在RAMER的基礎(chǔ)上又加入偏振雷達(dá)的判據(jù)，進(jìn)一步提高降水相態(tài)的判斷。還有采用模式輸出的各氣壓層氣象要素作為預(yù)報(bào)因子，建立降水相態(tài)和預(yù)報(bào)因子的線性回歸方程進(jìn)行降水相態(tài)預(yù)報(bào)[12-13]。國(guó)內(nèi)對(duì)于降水相態(tài)的判別研究多集中于分析單個(gè)降水過(guò)程的相態(tài)轉(zhuǎn)變以及不同天氣系統(tǒng)對(duì)降水相態(tài)的影響，給出降水相態(tài)在局部區(qū)域的經(jīng)驗(yàn)閾值[14-20]，或者利用大量歷史資料統(tǒng)計(jì)分析對(duì)降水相態(tài)有影響的預(yù)報(bào)因子，得到一組混合判據(jù)指標(biāo)[21-26]，或者利用混合判據(jù)指標(biāo)建立降水相態(tài)判別方程[27-30]。隨著觀測(cè)手段的發(fā)展，發(fā)現(xiàn)風(fēng)廓線雷達(dá)的強(qiáng)度和下落速度、雨滴譜儀的濃度和反射率因子對(duì)臨近降水相態(tài)變化的檢測(cè)預(yù)報(bào)有一定的指示意義[31-33]。近年來(lái)，隨著機(jī)器學(xué)習(xí)方法在氣象領(lǐng)域的廣泛應(yīng)用，利用人工神經(jīng)網(wǎng)絡(luò)法和線性回歸法對(duì)降水相態(tài)的預(yù)報(bào)結(jié)果表明前者的預(yù)報(bào)效果大都優(yōu)于后者[34]。另外，利用數(shù)據(jù)挖掘的C5.0決策樹和隨機(jī)森林算法構(gòu)建模型，嘗試判別降水相態(tài)，結(jié)果表明兩種方法預(yù)測(cè)結(jié)果均較準(zhǔn)確，其中隨機(jī)森林算法表現(xiàn)更優(yōu)[35]。

之前對(duì)于降水相態(tài)識(shí)別的分析資料主要來(lái)源于探空站和地面自動(dòng)站的觀測(cè)，實(shí)際上降水相態(tài)受海拔、下墊面、氣候背景等影響，局地性差異較大，且探空資料較稀疏，因此建立的降水相態(tài)預(yù)報(bào)方程不具有代表性。另外，雨滴譜參數(shù)和雷達(dá)參數(shù)在數(shù)值模式中難以表達(dá)，業(yè)務(wù)應(yīng)用時(shí)如何選擇降水相態(tài)預(yù)報(bào)因子，如何處理數(shù)值預(yù)報(bào)偏差等問(wèn)題需要進(jìn)一步研究討論。而且統(tǒng)計(jì)方法存在閾值精度較低的問(wèn)題，而方程判別因子的權(quán)重很難達(dá)到最優(yōu)，且對(duì)雨夾雪判別能力不足等。針對(duì)這些問(wèn)題本文首先分析ERA-Interim資料在山東降水相態(tài)識(shí)別方面的可行性，然后統(tǒng)計(jì)得到可用于降水相態(tài)判別的因子，進(jìn)而利用判別因子建立降水相態(tài)判別方程和訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，簡(jiǎn)稱“DNN”)模型，檢驗(yàn)判別方程和DNN法對(duì)雨、雪和雨夾雪的判別結(jié)果，分析存在的問(wèn)題，最后，選擇最優(yōu)的降水相態(tài)判別模型應(yīng)用到歐洲中心細(xì)網(wǎng)格預(yù)報(bào)和山東省中尺度數(shù)值預(yù)報(bào)模式中，以期為預(yù)報(bào)員提供更加準(zhǔn)確的降水相態(tài)預(yù)報(bào)客觀產(chǎn)品。

1 資料與方法

1.1 資 料

所用資料包括2008—2017年冬半年(11月至次年3月)山東省122個(gè)自動(dòng)氣象站(剔除地形偏差較大的泰山站)觀測(cè)的地面2 m溫度(T2 m)、降水相態(tài)資料；同期歐洲天氣預(yù)報(bào)中心(ECMWF)ERA-Interim再分析資料(簡(jiǎn)稱“ERAI”)，包括地面2 m溫度(T2 m)，1000、975、950、925、900、875、850、800、700 hPa 溫度(T1000、T975、T950、T925、T900、T875、T850、T800、T700)，1000～850 hPa、850～700 hPa、700～500 hPa位勢(shì)厚度(H1000-850、H850-700、H700-500)資料。ERAI資料是ECMWF繼ERA40之后推出的一套新的再分析資料，空間分辨率為0.125°×0.125°，每日4個(gè)時(shí)次(00:00、06:00、12:00、18:00，世界時(shí)，下同)分析場(chǎng)。ERAI資料在處理上有很大進(jìn)步：由三維同化系統(tǒng)(3DVAR)變成四維同化系統(tǒng)(4DVAR)；更改了模型參數(shù)，增加了資料精度，水平分辨率提高；應(yīng)用了更多衛(wèi)星和地面觀測(cè)資料等。通過(guò)對(duì)比分析發(fā)現(xiàn)ERAI資料在中國(guó)東部地區(qū)有很高的適用性，和實(shí)況的偏差主要由模式地形和站點(diǎn)高度的地形差引起[36-37]。對(duì)比分析時(shí)利用反距離權(quán)重插值法將ERAI資料插值到山東省122個(gè)自動(dòng)氣象站，與觀測(cè)的降水相態(tài)資料進(jìn)行時(shí)間匹配。

1.2 方 法

1.2.1 判別方程法

基于線性權(quán)重方法建立判別方程，具體公式如下[29-30]：

(1)

1.2.2 深度神經(jīng)網(wǎng)絡(luò)(DNN)法

DNN指全連接的深度神經(jīng)網(wǎng)絡(luò)，形式上和多層感知機(jī)一樣，但DNN在訓(xùn)練算法上和人工神經(jīng)網(wǎng)絡(luò)(ANN)、多層感知機(jī)(MLP)不同，ANN和MLP容易過(guò)擬合，參數(shù)難以優(yōu)化，訓(xùn)練速度比較慢，優(yōu)化過(guò)程存在梯度彌散、收斂到局部最小值等問(wèn)題。為克服神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的問(wèn)題，HINTON等[38]提出在非監(jiān)督數(shù)據(jù)上建立多層神經(jīng)網(wǎng)絡(luò)的有效方法，具體分為兩步：一是每次訓(xùn)練一層網(wǎng)絡(luò)，使用自下上升非監(jiān)督學(xué)習(xí)；二是調(diào)優(yōu)，使用自上向下的監(jiān)督學(xué)習(xí)，通過(guò)帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自上向下傳輸，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)。圖1為深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)構(gòu)示意圖。

圖1 深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)構(gòu)示意圖Fig.1 Structure diagram of deep neural network (DNN)

1.3 檢驗(yàn)方法

根據(jù)中國(guó)氣象局《中短期天氣預(yù)報(bào)質(zhì)量檢驗(yàn)辦法》的規(guī)定，使用降水相態(tài)判別的檢驗(yàn)指標(biāo)，以雨、雪判別為例，實(shí)況觀測(cè)為雨、判別也是雨的站次數(shù)(判別正確)記為“NA”，實(shí)況觀測(cè)為雨、判別為雪的站次數(shù)(判別錯(cuò)誤)記為“NC”，實(shí)況觀測(cè)為雪、判別為雨的站次數(shù)(判別錯(cuò)誤)記為“NB”，實(shí)況觀測(cè)為雪、判別也是雪的站次數(shù)(判別正確)記為“ND”。對(duì)于多種降水相態(tài)的判別，把一種降水相態(tài)看成一類，其余的降水相態(tài)看成另一類。雨、雪相態(tài)檢驗(yàn)公式如下：

(2)

式中：PCall(%)為雨、雪總準(zhǔn)確率，表示雨和雪都判別正確的站次與雨和雪的總站次之比。

降水相態(tài)檢驗(yàn)公式如下：

(3)

式中：RCr、PCr、P0r、FARr(%)分別為雨的準(zhǔn)確率、精確率、漏報(bào)率、空?qǐng)?bào)率。

降雪相態(tài)檢驗(yàn)公式如下：

(4)

式中：RCs、PCs、P0s、FARs(%)分別為雪的準(zhǔn)確率、精確率、漏報(bào)率、空?qǐng)?bào)率。模型準(zhǔn)確率和精確率呈負(fù)相關(guān)，為平衡準(zhǔn)確率和精確率引入綜合評(píng)價(jià)指標(biāo)Fs，當(dāng)Fs得分較高時(shí)說(shuō)明試驗(yàn)方法比較有效，具體公式如下：

(5)

式中：PC是雨或雪的精確率，RC是雨或雪的準(zhǔn)確率。除了這些量化的評(píng)價(jià)指標(biāo)，還可以使用P-R曲線、ROC曲線評(píng)價(jià)機(jī)器學(xué)習(xí)模型的好壞[39]。

2 氣象要素統(tǒng)計(jì)特征

降水相態(tài)判別因子的選取主要有溫度、位勢(shì)厚度、0 ℃層高度、露點(diǎn)溫度、相對(duì)濕度、濕球溫度、假相當(dāng)位溫等，其中，溫度和位勢(shì)厚度作為常用的判別因子對(duì)降水相態(tài)的判斷具有重要指示意義。對(duì)不同降水相態(tài)的溫度和位勢(shì)厚度判別因子進(jìn)行統(tǒng)計(jì)分析，最終選取8個(gè)降水相態(tài)判別因子(T2 m、T1000、T975、T950、T925、T850、H850-700、H1000-850)用于建立降水相態(tài)判別方程和訓(xùn)練降水相態(tài)DNN模型。

2.1 降水相態(tài)與溫度

大氣溫度垂直廓線能夠反映整層大氣垂直結(jié)構(gòu)及冷暖層結(jié)。雨滴在下落過(guò)程中，溫度直接影響雨滴的相態(tài)變化，同時(shí)小雨滴相態(tài)變化通過(guò)吸收和釋放潛熱，反過(guò)來(lái)影響大氣溫度，溫度廓線的微小變化(±0.5 ℃)也會(huì)對(duì)地面降水相態(tài)產(chǎn)生很大影響。

圖2為2008—2017年山東冬半年實(shí)況和ERAI資料對(duì)應(yīng)的不同降水相態(tài)(雨、雨夾雪、雪)的地面2m溫度箱線圖?？梢钥闯?，降雨樣本，ERAI和實(shí)況箱線圖10%～90%分位數(shù)區(qū)間基本一致，10%分位數(shù)的T2m約為2.0 ℃，當(dāng)T2m>2.0 ℃時(shí)，實(shí)況和ERAI判斷為降雨；降雪樣本，10%～90%分位數(shù)區(qū)間ERAI的T2m比實(shí)況略微偏高，實(shí)況90%分位數(shù)為0.4 ℃，ERAI 90%分位數(shù)為0.9 ℃，而降雪90%分位數(shù)和雨夾雪10%分位數(shù)有交叉，因此降雪時(shí)T2 m閾值設(shè)為0 ℃，即當(dāng)T2 m<0 ℃時(shí)，判斷為降雪；雨夾雪樣本，ERAI 10%分位數(shù)和實(shí)況比較一致約為0 ℃，但ERAI 90%分位數(shù)T2 m為3.3 ℃，而實(shí)況為2.5 ℃，即ERAIT2m比實(shí)況偏高，對(duì)雨夾雪的判斷有一定影響，雨夾雪時(shí)T2 m閾值設(shè)為0～2.0 ℃。整體上，無(wú)論實(shí)況還是ERAI資料，T2 m有區(qū)分不同降水相態(tài)的能力，具有適用性，能夠作為降水相態(tài)判別的因子。

圖2 2008—2017年山東冬半年實(shí)況和ERAI資料不同降水相態(tài)(雨、雨夾雪、雪)的地面2 m溫度箱線圖Fig.2 The boxplot of T2m for different precipitation types (rain, sleet, snow) corresponding to the actual situation and ERAI data in winter half year in Shandong Province during 2008-2017

圖3為2008—2017年山東冬半年ERAI資料不同降水相態(tài)下、不同氣壓層的溫度箱線圖?？梢钥闯?，雨和雨夾雪有明顯的溫度界限，雨夾雪和雪的溫度界限不明顯，高度越高溫度對(duì)區(qū)分降水相態(tài)的能力越弱，850 hPa以上，不同降水相態(tài)的箱線圖10%～90%交叉較大。雨和雨夾雪在1000、975、950、925 hPa有明顯的溫度特征，不同相態(tài)箱線圖10%～90%基本沒有交叉，但1000 hPa接近地面，受地形影響誤差較大，綜合考慮當(dāng)各層溫度同時(shí)滿足以下條件時(shí)判別為降雨：T850>-3 ℃，T925>-1 ℃，T950>0 ℃，T975>0 ℃，T1000>2 ℃，T2 m>2 ℃。而雨夾雪和雪的溫度特征不明顯，箱線圖10%～90%溫度區(qū)間在各氣壓層交叉都較大，因此取20%～80%溫度區(qū)間，得到雪的各層分類閾值指標(biāo)：T850<-7 ℃，T925<-4 ℃，T950<-3 ℃，T975<-3 ℃，T1000<-1 ℃，T2 m<0 ℃。

2.2 降水相態(tài)與位勢(shì)厚度

位勢(shì)厚度能夠反映大氣的冷暖結(jié)構(gòu)，影響小水滴下落過(guò)程中吸收和釋放潛熱，圖4為2008—2017年山東ERAI資料冬半年不同降水相態(tài)對(duì)應(yīng)的位勢(shì)厚度箱線圖。總體上，在區(qū)分降水相態(tài)能力上，位勢(shì)厚度指標(biāo)不如溫度指標(biāo)特征明顯，平均值和中位數(shù)比較接近，滿足正態(tài)分布，且H1000-850優(yōu)于H850-700、H700-500。在雨、雨夾雪、雪的判斷上，H1000-850雨和雨夾雪的10%～90%分位數(shù)交叉范圍較小，H1000-850>130 dagpm時(shí)判斷為降雨，H1000-850雨夾雪和雪的10%～90%分位數(shù)有交叉范圍，因此取雨夾雪20%分位數(shù)和雪80%分位數(shù)作為閾值指標(biāo)，H1000-850<128 dagpm判斷為降雪，H1000-850位于128～130 dagpm之間判斷為雨夾雪。H850-700雨和雨夾雪的10%～90%分位數(shù)交叉范圍較大，因此取雨25%分位數(shù)和雨夾雪75%分位數(shù)作為閾值，H850-700>153 dagpm為降雨，H850-700取雨夾雪25%分位數(shù)和雪75%分位數(shù)作為閾值指標(biāo)，H850-700<150 dagpm判斷為降雪，H850-700位于150～153 dagpm之間為雨夾雪。H700-500不同降水相態(tài)間的箱線圖交叉范圍較大，散點(diǎn)圖也沒有明顯的邊界特征(圖略)，因此不考慮H700-500作為降水相態(tài)判斷的預(yù)報(bào)因子。

圖3 2008—2017年山東冬半年ERAI資料不同降水相態(tài)下、不同氣壓層的溫度箱線圖Fig.3 Temperature boxplot of different precipitation types on different pressure layers based on ERAI data in winter half year in Shandong Province during 2008-2017

圖4 2008—2017年山東冬半年ERAI資料不同降水相態(tài)的位勢(shì)厚度箱線圖Fig.4 Boxplot of geopotential thickness of different precipitation types based on ERAI data in winter half year in Shandong Province during 2008-2017

3 試驗(yàn)設(shè)計(jì)和檢驗(yàn)

3.1 試驗(yàn)設(shè)計(jì)

通過(guò)對(duì)降水相態(tài)和溫度、位勢(shì)厚度的分析，選取T2 m、T1000、T975、T950、T925、T850、H850-700、H1000-850共8個(gè)因子建立降水相態(tài)判別方程和訓(xùn)練DNN模型。經(jīng)統(tǒng)計(jì)2008—2017年山東冬半年雨、雪和雨夾雪分別有14 801、8730、979站次，將數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本和測(cè)試樣本，比例為9:1。訓(xùn)練樣本用來(lái)建立判別方程和訓(xùn)練DNN模型并驗(yàn)證模型，雨、雪和雨夾雪分別有13 321、7857、882站次，測(cè)試樣本用來(lái)進(jìn)行檢驗(yàn)，雨、雪和雨夾雪分別有1480、873、97站次。

3.1.1 建立降水相態(tài)判別方程

利用8個(gè)判別因子的閾值分別進(jìn)行降水相態(tài)識(shí)別，檢驗(yàn)得到雨、雪和雨夾雪的準(zhǔn)確率如表1所示，近地面的準(zhǔn)確率較高，但在實(shí)際業(yè)務(wù)應(yīng)用時(shí)，地面預(yù)報(bào)誤差較大，單一判據(jù)得分并不理想。因此，將8個(gè)判據(jù)利用公式(1)建立3種降水相態(tài)的判別方程，具體公式如下：

(6)

式中：y0、y1、y2分別為雨、雪和雨夾雪的判別方程。表2為2008—2017年山東冬半年判別方程訓(xùn)練樣本降水相態(tài)判別檢驗(yàn)結(jié)果：雨的準(zhǔn)確率為88.5%，實(shí)況為雨判別成雪占0.8%、實(shí)況為雨判別為雨夾雪占10.7%，雨的漏報(bào)率為11.5%；雪的準(zhǔn)確率為81.8%，實(shí)況為雪判別為雨占0.8%、實(shí)況為雪判別為雨夾雪占17.4%，雪的漏報(bào)率為18.2%；雨夾雪的準(zhǔn)確率為63.6%，實(shí)況為雨夾雪判別為雨占13.3%、實(shí)況為雨夾雪判別為雪占23.1%，雨夾雪的漏報(bào)率為36.4%。相比用單個(gè)判別因子，判別方程的結(jié)果更合理，但是雨夾雪的準(zhǔn)確率較低，這和前人研究結(jié)論一致[29-30]。

表1 2008—2017年山東冬半年訓(xùn)練樣本8個(gè)判別因子降水相態(tài)判別準(zhǔn)確率Tab.1 Accuracy of precipitation type discrimination based on 8 discriminant factors of training samples in winter half year in Shandong Province during 2008-2017 單位：%

表2 2008—2017年山東冬半年判別方程訓(xùn)練樣本降水相態(tài)判別檢驗(yàn)結(jié)果Tab.2 Test results of precipitation type discrimination of training samples using discrimination equation in winter half year in Shandong Province during 2008-2017

3.1.2 訓(xùn)練DNN模型

訓(xùn)練模型之前對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、上采樣等預(yù)處理，為驗(yàn)證模型的有效性，采用10次交叉驗(yàn)證策略。DNN方法的參數(shù)設(shè)置：迭代算法使用隨機(jī)梯度算法adam，激活函數(shù)使用relu，包含5個(gè)隱含層，每個(gè)隱含層神經(jīng)元的個(gè)數(shù)分別為64、64、32、32、16。

表3為2008—2017年山東冬半年訓(xùn)練樣本DNN方法10次交叉驗(yàn)證的結(jié)果，圖5為DNN方法的ROC曲線和P-R曲線，ROC曲線越左凸越好，P-R曲線越右凸越好，AUC為ROC曲線和坐標(biāo)軸圍成的面積，其值越接近1越好。10次交叉訓(xùn)練結(jié)果接近平均值，說(shuō)明數(shù)據(jù)隨機(jī)劃分合理，模型穩(wěn)定。從平均值來(lái)看，雨的識(shí)別最高，精確率(PC)、準(zhǔn)確率(RC)、Fs得分分別為95%、90%、93%，其次為雪的識(shí)別，PC、RC、Fs得分分別為90%、81%、86%，雨夾雪的識(shí)別最差，PC、RC、Fs得分分別為76%、87%、81%。雪的精確率大于雨夾雪的精確率，但雪的準(zhǔn)確率小于雨夾雪的準(zhǔn)確率，雨夾雪的空?qǐng)?bào)率高于雪的空?qǐng)?bào)率，雪Fs得分大于雨夾雪Fs得分。另外，雨、雪和雨夾雪ROC曲線的左凸趨勢(shì)、P-R曲線右凸趨勢(shì)和AUC值(雨、雪、雨夾雪分別為0.99、0.96、0.93)也說(shuō)明DNN方法對(duì)雨識(shí)別最高，其次為雪、雨夾雪的識(shí)別。

對(duì)比DNN(表4)和判別方程(表2)的結(jié)果，DNN方法雨、雪、雨夾雪的準(zhǔn)確率分別為90.7%、82.8%、87.2%，判別方程雨、雪、雨夾雪的準(zhǔn)確率分別為88.5%、81.8%、63.6%，說(shuō)明DNN方法優(yōu)于判別方程方法。

3.2 檢 驗(yàn)

3.2.1 隨機(jī)檢驗(yàn)

利用測(cè)試樣本進(jìn)行隨機(jī)檢驗(yàn)，雨、雪和雨夾雪樣本分別有1480、873、97站次。表5和表6分別為2008—2017年山東冬半年利用2種判別方法對(duì)降水相態(tài)判別的檢驗(yàn)結(jié)果，可以看出判別方程的總準(zhǔn)確率為85.8%，DNN方法的總準(zhǔn)確率為87.9%，提高2.1%；判別方程雨、雪和雨夾雪的準(zhǔn)確率分別為88.4%、83.5%、66.0%，DNN方法雨、雪和雨夾雪的準(zhǔn)確率分別為90.3%、83.7%、87.6%，分別提高1.9%、0.2%和21.6%，說(shuō)明DNN方法大大提高了雨夾雪的判別能力。

表3 2008—2017年山東冬半年DNN方法訓(xùn)練樣本10次交叉驗(yàn)證結(jié)果Tab.3 The 10 times cross validation results of training samples using DNN method in winter half year in Shandong Province during 2008-2017

圖5 DNN方法ROC曲線(a)和P-R曲線(b)Fig.5 ROC curve (a) and P-R curve (b) of DNN method

表4 2008—2017年山東冬半年DNN方法訓(xùn)練樣本降水相態(tài)判別檢驗(yàn)結(jié)果Tab.4 Test results of precipitation type discrimination of training samples using DNN method in winter half year in Shandong Province during 2008-2017

表5 2008—2017年山東冬半年判別方程測(cè)試樣本降水相態(tài)判別檢驗(yàn)結(jié)果Tab.5 Test results of precipitation type discrimination of test samples using discriminant equation in winter half year in Shandong Province during 2008-2017

表6 2008—2017年山東冬半年DNN方法測(cè)試樣本降水相態(tài)判別檢驗(yàn)結(jié)果Tab.6 Test results of precipitation type discrimination of test samples using DNN method in winter half year in Shandong Province during 2008-2017

3.2.2 個(gè)例檢驗(yàn)

以上建立了降水相態(tài)判別方程和訓(xùn)練DNN模型，并對(duì)兩種方法進(jìn)行了對(duì)比檢驗(yàn)。然而在實(shí)際業(yè)務(wù)應(yīng)用時(shí)，需將降水相態(tài)預(yù)報(bào)模型應(yīng)用到實(shí)時(shí)數(shù)值預(yù)報(bào)模式中，由于不同模式預(yù)報(bào)偏差不同，且預(yù)報(bào)時(shí)效越長(zhǎng)預(yù)報(bào)偏差也越大，預(yù)報(bào)偏差會(huì)嚴(yán)重影響降水相態(tài)的判別能力。因此利用ERAI資料訓(xùn)練的降水相態(tài)預(yù)報(bào)模型能否應(yīng)用到數(shù)值預(yù)報(bào)？?jī)煞N方法的預(yù)報(bào)效果如何？以ECMWF細(xì)網(wǎng)格模式預(yù)報(bào)為例，2016年12月26日06:00山東省出現(xiàn)一次大范圍的雨、雪、雨夾雪天氣過(guò)程。圖6為歐洲中心2016年12月25日12:00起報(bào)未來(lái)16～18 h累計(jì)降水量空間分布和實(shí)況觀測(cè)、判別方程法、DNN方法判別的12月26日06:00雨、雪和雨夾雪站點(diǎn)填圖?？梢钥闯?，全省實(shí)況觀測(cè)109站出現(xiàn)降水，其中雨39站，雪53站，雨夾雪17站，模式漏報(bào)3站[圖6(a)]。通過(guò)對(duì)106站的檢驗(yàn)結(jié)果表明：判別方程對(duì)雨和雪的判別有一定的識(shí)別能力，但在不同降水相態(tài)的分界線上誤差較大[圖6(b)]，雨、雪和雨夾雪的準(zhǔn)確率分別為83.3%、69.8%和58.8%(表7)，說(shuō)明該方法雪和雨夾雪的識(shí)別能力不足，有30.2%的雪漏報(bào)成雨夾雪，29.4%的雨夾雪漏報(bào)成雪。目前業(yè)務(wù)上常把雨夾雪和雪都當(dāng)做雪來(lái)預(yù)報(bào)，此時(shí)判別方程雨和雪準(zhǔn)確率分別為83.3%和89.2%，但純雪24 h降水量超過(guò)10 mm則為暴雪，雨夾雪24 h降水量超過(guò)10 mm則達(dá)不到暴雪級(jí)別，因此需要提供更精細(xì)化的預(yù)報(bào)服務(wù)。表8為2016年12月26日06:00 DNN方法降水相態(tài)判別檢驗(yàn)結(jié)果，通過(guò)對(duì)比，DNN方法的判別能力明顯優(yōu)于判別方程法，全省106站判別方程判別錯(cuò)誤29站[圖6(b)、表7]， DNN方法判別錯(cuò)誤14站[圖6(c)、表8]，DNN方法雨、雪和雨夾雪的準(zhǔn)確率分別為91.7%、84.9%和82.4%，比判別方程分別提高了8.4%、15.1%和23.6%。個(gè)例檢驗(yàn)結(jié)果表明將DNN降水相態(tài)預(yù)報(bào)模型應(yīng)用到實(shí)時(shí)數(shù)值預(yù)報(bào)模式中取得了較好的應(yīng)用效果，對(duì)降水相態(tài)的識(shí)別能力優(yōu)于判別方程。

圖6 歐洲中心2016年12月25日12:00起報(bào)未來(lái)16～18 h累計(jì)降水量空間分布(a、b、c，陰影，單位：mm)和實(shí)況觀測(cè)(a)、判別方程判別(b)、DNN方法判別(c)的2016年12月26日06:00雨、雪和雨夾雪站點(diǎn)填圖(其中紅色符號(hào)為判別錯(cuò)誤站，黑色符號(hào)為判別正確站)Fig.6 The distribution of cumulative precipitation of 16～18 hours in the future starting from 12:00 UTC on 25 December 2016 fore casted by the European center (a, b, c, shadow, Unit: mm) and the map of rain, snow and sleet station at 06:00 UTC on 26 December 2016 from actual observation (a), discriminant equation (b) and DNN method (c) discrimination(the red symbol for incorrect station, black symbol for correct station)

表7 2016年12月26日06:00判別方程降水相態(tài)判別檢驗(yàn)結(jié)果Tab.7 Results of discriminant test of precipitation type using discriminant equation at 06:00 UTC on 26 December 2016

表8 2016年12月26日06:00 DNN方法降水相態(tài)判別檢驗(yàn)結(jié)果Tab.8 Results of discriminant test of precipitation type using DNN method at 06:00 UTC on 26 December 2016

4 結(jié)論和討論

(1)分析ERAI不同降水相態(tài)的溫度特征和位勢(shì)厚度特征，得到8個(gè)可用于降水相態(tài)判別的因子(T2 m、T1000、T975、T950、T925、T850和H850-700、H1000-850)及其閾值指標(biāo)，并利用這些要素建立適合山東區(qū)域的降水相態(tài)判別方程，相比較用單個(gè)判別因子，判別方程的結(jié)果更加合理，但雨夾雪的準(zhǔn)確率較低。

(2)考慮判別方程的閾值精度低和權(quán)重難以取最優(yōu)，利用DNN方法訓(xùn)練降水相態(tài)預(yù)報(bào)模型，通過(guò)隨機(jī)檢驗(yàn)和利用歐洲中心細(xì)網(wǎng)格預(yù)報(bào)進(jìn)行個(gè)例檢驗(yàn)，結(jié)果表明DNN方法的降水相態(tài)識(shí)別能力優(yōu)于判別方程，尤其是提高了對(duì)雨夾雪的識(shí)別能力。

ERAI地面2 m溫度和近地面層溫度受地形的影響偏差較大，應(yīng)該進(jìn)行地形訂正。在實(shí)際的業(yè)務(wù)應(yīng)用時(shí)由于數(shù)值預(yù)報(bào)存在系統(tǒng)性偏差，且隨著預(yù)報(bào)時(shí)效越長(zhǎng)偏差越大，預(yù)報(bào)偏差會(huì)嚴(yán)重影響降水相態(tài)的判別能力，因此需要偏差訂正；DNN方法對(duì)降水相態(tài)的識(shí)別能力優(yōu)于判別方程方法，能夠得到較好的效果，但是無(wú)論哪種方法都依賴于數(shù)值模式的降水預(yù)報(bào)和溫度預(yù)報(bào)；對(duì)降水相態(tài)的識(shí)別研究只考慮了雨、雪和雨夾雪3種相態(tài)，將來(lái)進(jìn)一步研究?jī)鲇?、冰雹等天氣現(xiàn)象的特征識(shí)別，另外只分析溫度和位勢(shì)厚度的降水相態(tài)特征，濕球溫度、相對(duì)濕度、露點(diǎn)等氣象要素能否進(jìn)一步提高降水相態(tài)識(shí)別的準(zhǔn)確率有待進(jìn)一步研究，尤其是降水相態(tài)實(shí)施自動(dòng)觀測(cè)以后，需要根據(jù)儀器觀測(cè)原理增加雷達(dá)垂直速度重新訓(xùn)練機(jī)器學(xué)習(xí)模型用于降水相態(tài)的預(yù)報(bào)。