張武龍,康 嵐,周 威,銀 航
(1.四川省氣象臺,四川 成都 610072;2.高原與盆地暴雨旱澇災害四川省重點實驗室,四川 成都 610072)
短時強降水指發(fā)生時間短、降水效率高的對流性降水,且1 h降水量≥20 mm[1]。短時強降水是我國經(jīng)常發(fā)生的強對流天氣之一,容易引發(fā)暴洪、地質(zhì)災害、城市內(nèi)澇等災害[2-4]。一般認為,短時強降水以大尺度環(huán)境場為背景,由中小尺度系統(tǒng)激發(fā)產(chǎn)生,大尺度環(huán)境參數(shù)配置影響或制約中小尺度系統(tǒng)的發(fā)展演變過程[5-8]。短時強降水的發(fā)生發(fā)展需要熱力不穩(wěn)定層結(jié)、充足的水汽、較強的抬升運動等條件[1],然而不同地區(qū)所需環(huán)境條件及各類對流參數(shù)閾值不盡相同[9-16]。
隨著數(shù)值預報技術(shù)的迅速發(fā)展,高分辨率數(shù)值預報模式的準確率不斷提高,并廣泛應用于強對流天氣預報預警中[17-19]。GRAPES(global and regional assimilation and prediction system)是中國氣象科學研究院數(shù)值預報研究中心自主開發(fā)的新一代靜力/非靜力多尺度通用數(shù)值預報模式,是以多尺度通用動力模式為核心、以統(tǒng)一軟件編程標準為平臺的新一代數(shù)值預報模式系統(tǒng)[20]。GRAPES-MESO是GRAPES區(qū)域中尺度數(shù)值預報模式,它較EC或NCEP等全球模式在時空分辨率上有明顯優(yōu)勢,且隨著動力框架和物理過程描述的改進,該模式輸出的預報場資料也有更高的準確性[21-23]。
為分析短時強降水的極端性,俞小鼎[24]將1 h降水量大于等于50 mm的降水事件稱為極端短時強降水,它較普通短時強降水(1 h降水量為20~49.9 mm)更具有持續(xù)時間短、突發(fā)性強、可預報性低等特點[24-25]。四川盆地位于我國西南地區(qū),受其地理位置、地形特征及冬夏季風環(huán)流的影響,降水季節(jié)差異大,干濕季分明,且降水主要集中在5—9月[26-27]。短時強降水,乃至極端短時強降水是四川盆地5—9月主要的災害性天氣之一[28-29]。利用指標疊套法、配料法、隸屬函數(shù)轉(zhuǎn)換法等方法對短時強降水等強對流天氣的潛勢預報已有不少探討[30-32],但針對極端短時強降水預報研究尚不多見。本文通過統(tǒng)計四川盆地2017—2018年5—9月的極端短時強降水樣本,利用GRAPES-MESO模式資料分析物理量指標,結(jié)合隨機事件概率思想和主成分分析方法構(gòu)建預報模型,研發(fā)極端短時強降水概率預報產(chǎn)品,以滿足四川省強對流潛勢預報業(yè)務發(fā)展需求。
利用四川盆地109個國家級自動站(圖1)2017—2018年5—9月逐小時降水資料,以及同期GRAPES-MESO模式逐日08:00(北京時,下同)和20:00起報的逐3 h預報場資料,空間分辨率為0.1°×0.1°[22]。文中附圖所涉及地圖基于國家基礎地理信息中心提供的審圖號為GS(2020)4630的標準地圖制作,底圖無修改。
圖1 四川盆地國家級自動站分布Fig.1 The distribution of national meteorological stations in Sichuan basin
由于各氣象要素的單位不一樣,平均值及標準差亦不同,為使它們能在同一水平進行比較,常使用標準化方法,使它們變成同一水平的無單位變量,這種變量稱為標準化變量,該方法即為歸一化處理,具體公式如下[33]:
(1)
隨機事件概率思想[33]是把物理量因子與預報量看成隨機事件,通常對這類隨機事件出現(xiàn)與否用“1”和“0”二值變量表示。當物理量因子滿足閾值時,該物理量則轉(zhuǎn)化為1;不滿足閾值時,該物理量則轉(zhuǎn)化為0。
明確物理量因子的主次關系及其貢獻權(quán)重是構(gòu)建預報模型的關鍵,利用主成分分析法挑選關鍵因子并確定其權(quán)重系數(shù),其主要原理及意義可參考文獻[33]、[34]。
采用計算TS評分、空報率(FAR)及漏報率(PO)3種方法對四川盆地極端短時強降水概率預報進行檢驗。利用鄰近插值方法[35]將格點預報插值到站點上,得到站點預報結(jié)果,形成基于所有站點的實況與預報一一對應的數(shù)據(jù)序列,并以此統(tǒng)計預報準確站數(shù)(NA)、空報站數(shù)(NB)、漏報站數(shù)(NC),計算TS評分、空報率及漏報率,具體計算公式如下[36]:
(2)
式中:TS(%)為TS評分,F(xiàn)AR(%)為空報率,PO(%)為漏報率。
普通短時強降水是指1 h降水量為20~49.9 mm,極端短時強降水為1 h降水量大于等于50 mm[24]。統(tǒng)計四川盆地自動站2017—2018年5—9月普通短時強降水和極端短時強降水樣本數(shù),樣本統(tǒng)計遵循以下原則:(1)為配合GRAPES-MESO模式資料的時間分辨率,分8個時段統(tǒng)計樣本,具體時段為02:00—05:00、05:00—08:00、08:00—11:00、11:00—14:00、14:00—17:00、17:00—20:00、20:00—23:00和23:00至次日02:00,分別匹配02:00、05:00、08:00、11:00、14:00、17:00、20:00和23:00的模式資料;(2)如同一時段同一自動站出現(xiàn)多次1 h降水量大于等于20 mm,只記為一個樣本,并以最大小時降水量為準;(3)將前兩步篩選出來的樣本按照不同強度分為兩類樣本,若某站1 h降水量為20~49.9 mm,且以該站點為中心0.5°×0.5°范圍內(nèi)未出現(xiàn)單站1 h降水量大于等于50 mm,則記為普通短時強降水樣本;若某站點1 h降水量大于等于50 mm,則記為極端短時強降水樣本。據(jù)此,統(tǒng)計四川盆地普通短時強降水和極端短時強降水樣本數(shù)分別為1097、158例。
針對這些樣本,利用GRAPES-MESO模式預報資料進行站點與格點匹配。在空間上,將站點經(jīng)緯度按“就近匹配原則”轉(zhuǎn)換為GRAPES-MESO模式0.1°×0.1°的經(jīng)緯度。圖2為“就近匹配原則”示意圖,將某站點P放入0.1°×0.1°的網(wǎng)格中,在站點P周圍有4個格點A、B、C、D,其中格點A距離站點P最近,那么將站點P的經(jīng)緯度轉(zhuǎn)換為格點A的經(jīng)緯度。另外,在時間上考慮實際業(yè)務中GRAPES-MESO模式資料的運算傳輸時間滯后起報時間約8 h左右(即當天04:30左右獲得前一天20:00起報的預報數(shù)據(jù),當天15:20左右獲得當天08:00起報的預報數(shù)據(jù)),于是將當天08:00—11:00、11:00—14:00、14:00—17:00和17:00—20:00的樣本與前一天20:00起報的12 h、15 h、18 h和21 h時效模式資料進行匹配,將當天20:00—23:00、23:00至次日02:00、次日02:00—05:00和次日05:00—08:00的樣本與當天08:00起報的12 h、15 h、18 h和21 h時效資料進行匹配。
圖2 格站轉(zhuǎn)換“就近匹配原則”示意圖Fig.2 The schematic diagram of transformation from station to grid using nearby match principle
根據(jù)每個樣本匹配的GRAPES-MESO模式資料,計算常用于表征短時強降水發(fā)生發(fā)展所需的熱力不穩(wěn)定、水汽、動力條件等方面的27個物理量參數(shù),包括K指數(shù)(K),沙氏指數(shù)(SI),抬升指數(shù)(LI),850 hPa與500 hPa溫差(T850-500),700 hPa與500 hPa溫差(T700-500),強天氣威脅指數(shù)(SWEAT),風暴相對螺旋度(HSR),0~3 km垂直風切變(SHR3),0~6 km垂直風切變(SHR6),850、700、200 hPa散度(D850、D700、D200),850、700、500 hPa垂直速度(ω850、ω700、ω500),850 hPa假相當位溫(θse850),850 hPa與500 hPa假相當位溫差(θse850-500),對流有效位能(CAPE),對流抑制能量(CIN),850、700、500 hPa相對濕度(R850、R700、R500),850 hPa與500 hPa相對濕度差(R850-500),925、850、700 hPa比濕(Q925、Q850、Q700),整層大氣可降水量(PW)。
對極端短時強降水樣本與普通短時強降水樣本的各物理量參數(shù)分別進行歸一化處理,求取消除量綱后各物理量平均值,并將極端短時強降水樣本與普通短時強降水樣本的物理量平均值相減。如果差值越大,說明該物理量參數(shù)區(qū)分極端短時強降水與普通短時強降水的能力就越大。表1列出二者差異較大的16個物理量參數(shù)及其閾值,并取此16個參數(shù)作為建立極端短時強降水預報模型的初選因子。16個初選因子的閾值通過計算極端短時強降水樣本中該因子的標準差和平均值來確定,即當因子的標準差小于平均值絕對值的三分之一時,說明因子在樣本中分布比較集中,采用均值法,取平均值作為閾值;反之,說明因子在樣本中分布比較離散,則采用分位數(shù)法,取70%分位值作為閾值。
表1 四川盆地極端短時強降水的16個初選因子Tab.1 The 16 primary selected predictors of extreme short-time heavy precipitation in Sichuan basin
根據(jù)初選的16個預報因子閾值,利用隨機概率思想,將四川盆地極端短時強降水的158個樣本中的16個物理量參數(shù)值轉(zhuǎn)化為0和1的二值變量,構(gòu)成158×16的“0,1”矩陣。將該矩陣代入主成分分析方法進行分解計算,最終挑選出10個因子進行建模,其中這10個預報因子的總貢獻率為99.8%,具體結(jié)果如表2所示。
表2 四川盆地極端短時強降水預報因子的貢獻率、閾值范圍、平均值、標準差Tab.2 The contribution rate, threshold range, mean value, and standard deviation of extreme short-time heavy precipitation predictors in Sichuan basin
設控制權(quán)重的函數(shù)分為f≡1(滿足閾值)和f≡0(不滿足閾值)兩種情況,則四川盆地極端短時強降水的概率預報模型寫為
P=f×x1+f×x2+…+f×x10
(3)
式中:x1,x2,…,x10(%)分別為10個預報因子的貢獻率,P為極端短時強降水發(fā)生概率。如果預報因子滿足相應閾值時,則f≡1,對應的因子貢獻率就作為極端短時強降水發(fā)生的概率。如果滿足閾值的預報因子越多,獲得的貢獻率累加值越大,預示極端短時強降水發(fā)生的條件越有利,出現(xiàn)概率越高;反之越低。
極端短時強降水的概率預報模型構(gòu)建后,對158例極端短時強降水過程的模型預報概率(P)做歷史回算,并將P分為0.5、0.6、0.7、0.8、0.9五個閾值,按不同閾值做TS評分(TS)、空報率(FAR)、漏報率(PO)計算,綜合檢驗評分結(jié)果,確定極端短時強降水概率的預報參考閾值。當P大于等于某閾值,若站點降水量大于等于50 mm,則認為預報正確,若站點降水量小于等于50 mm,則認為空報;當P小于某閾值,但站點降水量大于等于50 mm,則認為漏報。
表3列出不同閾值P的評分結(jié)果??梢钥闯?,當P≥0.7時TS評分為24.0%,明顯高于其他閾值評分??傮w上,空報率(FAR)隨著閾值的增加而減小,漏報率(PO)隨著閾值的增加而增加;在閾值取0.7~0.8時,空報率減小的幅度有所減弱;在閾值取0.6~0.7時,漏報率增加的幅度也明顯減弱。
表3 2017—2018年5—9月四川盆地158例極端短時強降水過程不同閾值P的預報效果Tab.3 The forecast effect evaluation of the different P thresholds of 158 extreme short-time heavy precipitation processes in Sichuan basin from May to September during 2017-2018
圖3為極端短時強降水樣本和普通短時強降水樣本P值的概率密度分布。可以看出,極端短時強降水P值集中在0.6~0.8附近,而普通短時強降水P值則集中在0.5~0.6附近,取0.7作為閾值,可以較好地區(qū)分極端和普通短時強降水。因此,綜合不同閾值的TS評分、空報率、漏報率以及概率分布情況,選取0.7作為預報極端短時強降水的參考閾值,即當P≥0.7時,則考慮出現(xiàn)極端短時強降水。
圖3 2017—2018年四川盆地極端短時強降水樣本(a)和普通短時強降水樣本(b)P值概率密度分布Fig.3 The probability densities of the P values of extreme short-time heavy precipitation samples (a) and ordinary short-time heavy precipitation samples (b) in Sichuan basin during 2017-2018
利用GRAPES-MESO模式08:00和20:00起報的逐3 h預報場資料,計算相應的物理量參數(shù),根據(jù)預報模型實時輸出的0~72 h逐3 h間隔的極端短時強降水概率預報產(chǎn)品,并通過提取逐3 h產(chǎn)品的最大概率值形成逐12 h間隔的客觀產(chǎn)品,供預報員參考應用。以2019年7月22日四川盆地的暴雨過程為例說明該產(chǎn)品的業(yè)務應用情況。
2019年7月21日20:00至22日20:00,四川盆地出現(xiàn)了一次大范圍的暴雨過程,并伴隨有短時強降水、雷電、大風等強對流天氣。該過程中短時強降水持續(xù)時間較長,且主要集中在22日08:00—20:00,落區(qū)位于盆地南部、中部至東北部一帶[圖4(a)],最大小時降水量超過50 mm的有90站,其中最大小時雨強達104.1 mm。圖4(b)為2019年7月21日08:00起報的22日08:00—20:00 GRAPES-MESO模式預報最大3 h降水量,量級均未超過50 mm,說明從模式確定性預報出發(fā),會漏報此次極端強降水過程。圖4(c)為極端短時強降水概率預報產(chǎn)品,可以看出概率預報落區(qū)與實況基本一致,可見概率預報可以彌補模式在大量級降水預報方面的偏差,從而提升預報效果。此外,該過程中概率閾值分別取0.6、0.7、0.8時的TS評分為11.3%、28.9%、17.6%,顯然當概率值P≥0.7時,TS評分最高,該閾值在此次過程中更具參考性。
圖4 2019年7月22日08:00—20:00四川盆地實況最大小時降水量(a, 單位: mm),GRAPES-MESO模式預報的最大3 h降水量(b,單位: mm)和極端短時強降水概率(c,單位: %)Fig.4 The maximum hourly observational precipitation (a, Unit: mm), and the maximum three hours forecast precipitation (b, Unit: mm) and the extreme short-time heavy precipitation probability forecasted by GRAPES-MESO model (c, Unit: %) from 08:00 BST to 20:00 BST on 22 July 2019 in Sichuan basin
(1) 基于2017—2018年5—9月四川盆地國家級自動站的逐小時降水量資料,統(tǒng)計普通短時強降水和極端短時強降水樣本數(shù)分別為1097、158例。利用GRAPES-MESO模式資料,計算表征短時強降水發(fā)生發(fā)展所需的熱力不穩(wěn)定、水汽、動力條件等27個物理量參數(shù),通過對比分析發(fā)現(xiàn)有16個參數(shù)在兩類樣本中區(qū)分度較大,可作為建模的初選因子。
(2) 結(jié)合隨機事件概率思想和主成分分析方法,挑選對流有效位能、700 hPa垂直速度、850 hPa比濕等10個預報因子,并根據(jù)其貢獻率及閾值構(gòu)建極端短時強降水概率預報模型。通過歷史回算及預報效果評估,發(fā)現(xiàn)當概率閾值取0.7時,TS評分為24.0%,明顯高于其他閾值評分,可作為預報極端短時強降水的參考閾值。
(3) 在2019年7月22日四川盆地區(qū)域性暴雨過程中應用發(fā)現(xiàn),當概率值P≥0.7時,TS評分28.9%,說明該產(chǎn)品對極端短時強降水落區(qū)預報有較好的參考意義。
基于GRAPES-MESO模式研發(fā)的極端短時強降水概率預報產(chǎn)品,時間分辨率為3 h,空間分辨率為0.1°×0.1°,有助于提高四川盆地極端短時強降水預報在時間和空間上的精細化程度,可為四川省強對流天氣潛勢預報提供客觀技術(shù)產(chǎn)品支撐。但由于極端短時強降水屬小概率事件,多由中小尺度系統(tǒng)激發(fā)產(chǎn)生,大尺度環(huán)境參數(shù)無法完全反映極端短時強降水發(fā)生發(fā)展過程,并且模式自身的預報偏差也制約著該產(chǎn)品的預報準確性,因此仍需在業(yè)務應用中進行預報效果檢驗,并做適當訂正。