沈文強 錢 浩 馬 昊 孫 長 葉延君

1 浙江省氣象臺,杭州 310051

2 浙江省蘭溪市氣象臺,金華 321100

提 要： 基于2019—2021年浙江省自動站觀測資料和多模式預報數(shù)據(jù),分析了各模式對梅汛期暴雨預報的綜合表現(xiàn),并采用12組降水訂正方案開展了2020年和2021年浙江省梅汛期降水預報的客觀訂正,對比了各訂正方案對模式暴雨預報的改進效果。結(jié)果表明：ECMWF、 CMA-SH9和CMA-MESO梅汛期暴雨預報表現(xiàn)優(yōu)于NCEP-GFS和CMA-GFS,且頻率偏差關(guān)系穩(wěn)定,可聯(lián)合用于開展多模式預報客觀訂正;由于逐年梅汛期暴雨特征差異大,頻率匹配算法無法對預報進行有效訂正;最優(yōu)評分法(OTS)能顯著提升ECMWF模式暴雨預報TS評分,但空報率有所增加;對ECMWF降水預報經(jīng)OTS量級訂正后再開展基于集合平均的概率匹配訂正,能明顯改善以大雨帶穩(wěn)定性降水為主的梅汛期暴雨預報質(zhì)量,但對于對流性較強的梅汛期暴雨過程訂正效果不佳;優(yōu)選預報成員的各類多模式融合算法均能夠有效改進對流性較強的梅汛期暴雨過程預報質(zhì)量,包括多模式平均、自適應(yīng)集成和時滯集合預報在2020年和2021年均有明顯正技巧;對各模式降水預報經(jīng)OTS訂正后再開展集成預報能夠進一步提高梅汛期暴雨預報質(zhì)量,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,其中經(jīng)多模式時滯集合分級訂正算法集成OTS量級訂正預報表現(xiàn)最優(yōu)。

引 言

梅汛期降水是我國東部地區(qū)年降水的主要來源之一,梅汛期降水持續(xù)時間長,常產(chǎn)生較大范圍的暴雨,如2020年梅汛期長時間的強降水給長江流域帶來大范圍的洪澇災害(張芳華等,2020;劉蕓蕓和丁一匯,2020)。梅汛期主雨帶一方面隨著梅雨鋒的擺動南北移動,呈現(xiàn)出大尺度降水特征,同時梅雨鋒中也存在局地性強的對流,表現(xiàn)出對流性降水特征(陳濤等,2020;劉建勇等,2012)。數(shù)值模式對梅汛期雨帶位置的預報效果并不穩(wěn)定,當出現(xiàn)雨帶位置預報偏差時,暴雨預報質(zhì)量明顯下降(蘇翔等,2021a;馬杰等,2021)。不同模式對梅汛期大尺度雨帶和對流性降水的預報能力存在顯著差異(蘇翔等,2022),如何有效綜合多種模式降水預報的有效信息,給出更加準確的梅汛期暴雨預報是當前定量降水預報業(yè)務(wù)中亟待解決的問題。

由于數(shù)值模式降水預報常存在干、濕偏差,使用客觀方法對數(shù)值模式輸出降水進行統(tǒng)計訂正能夠帶來預報質(zhì)量的提升(蘇翔等,2021b)。目前業(yè)務(wù)中常用的統(tǒng)計訂正方法可分為對降水量級、降水落區(qū)的訂正以及二者相結(jié)合的方法,其中常用的量級訂正方法有頻率匹配法、最優(yōu)評分法、分位數(shù)映射和基于集合預報的最優(yōu)百分位法,此類方法在實踐中能夠顯著改善模式的干、濕偏差(Cannon et al,2015;代刊等,2018;雷華錦等,2020;Zhu and Luo,2015)。比如Zhu and Luo(2015)對NCEP-GFS預報開展頻率匹配訂正后顯著改善了模式降水預報的系統(tǒng)性偏差,對ECMWF應(yīng)用頻率匹配后同樣能顯著提高晴雨和暴雨預報質(zhì)量(王麗芳等,2021)。但是,對降水量級開展訂正僅能擴大或者縮小雨區(qū),并不改變雨區(qū)的中心位置,當模式預報的雨帶位置出現(xiàn)較大偏差時,量級訂正方法的效果將明顯變差。具有降水落區(qū)訂正能力的方法有概率匹配法、集合平均、多模式動態(tài)集成、自適應(yīng)集成和時滯集合預報等(陳博宇等,2015;代刊等,2018;Jie et al,2014;唐文苑和鄭永光,2019;危國飛等,2020)。如危國飛等(2020)將經(jīng)過量級訂正的兩種模式降水在不同量級上按照同期的評分表現(xiàn)開展分級集成,算法在量級訂正基礎(chǔ)上再次提高了降水評分。

以上客觀訂正算法在業(yè)務(wù)中均表現(xiàn)出改善模式降水預報偏差的潛力,但由于梅汛期存在著多種類型的降水預報偏差,這些算法是否能明顯改善梅汛期降水特別是暴雨的預報能力,需要進一步分析。此外,梅汛期暴雨過程既有穩(wěn)定性的大尺度雨帶暴雨,也有對流性主導的區(qū)域性暴雨過程,各類訂正算法在這兩類梅汛期暴雨過程中的適用性如何,以往的研究缺乏對此問題的細化討論,值得深入分析。本文利用多種業(yè)務(wù)模式的降水預報數(shù)據(jù),通過分析對比多種算法對梅汛期暴雨預報的改進效果,探討適用于浙江省梅汛期暴雨預報的客觀訂正方案。

1 資料與方法

1.1 研究資料

使用2019—2021年4—8月浙江省的1728個自動觀測站點的逐小時降水觀測數(shù)據(jù),并累加形成逐3 h和24 h累計雨量。數(shù)值模式數(shù)據(jù)包括 0.125° 分辨率的ECMWF模式、0.25°分辨率的CMA全球模式(CMA-GFS)和NCEP-GFS模式、上海9 km模式(CMA-SH9)、3 km分辨率的CMA-MESO區(qū)域模式預報的降水數(shù)據(jù),預報起報時間包括00時和12時(世界時,下同),預報時效為12～36 h。

1.2 檢驗方法

對數(shù)值模式和各訂正方案預報的浙江省梅汛期暴雨(≥50 mm·d-1)開展檢驗,檢驗指標包括暴雨TS評分、暴雨預報頻率偏差FB、空報率和漏報率,檢驗評估采用綜合性能評分圖,各項檢驗指標的計算公式和綜合性能評分圖的介紹參見蘇翔等(2021b)。

1.3 降水客觀訂正算法

在降水量級訂正算法中,頻率匹配法(FM)和最優(yōu)評分法(OTS)在業(yè)務(wù)中應(yīng)用廣泛,二者的區(qū)別在于優(yōu)化目標的不同,FM優(yōu)化模式降水預報的頻率偏差,能夠明顯改善模式的干、濕偏差狀況,緩解不同模式對于暴雨的過報或漏報問題(Zhu and Luo,2015;蘇翔等,2021b;李俊等,2015;王麗芳等,2021;智協(xié)飛和呂游,2019);OTS方法則直接優(yōu)化模式降水預報的TS評分,在實際使用中發(fā)現(xiàn)該方法傾向于適當擴大暴雨區(qū)從而減少漏報,以此提高TS評分。

對于模式的降水落區(qū)調(diào)整,業(yè)務(wù)中常采用概率匹配的方法,將強度調(diào)整后的格點降水場根據(jù)大小排序映射到落區(qū)預報較好的格點降水場上,從而實現(xiàn)雨帶空間上的移動(畢寶貴等,2016;代刊等,2018;唐健等,2018;Clark,2017)。除此之外,多模式集成方法同樣具有較好的暴雨落區(qū)調(diào)整能力,多模式等權(quán)重平均(AVG)作為最基礎(chǔ)的集成方法,有著悠久的應(yīng)用歷史。近幾年一些新的降水集成算法被提出并進行了業(yè)務(wù)化的應(yīng)用。國家氣象中心通過在集成權(quán)重中引入實時評分和獨立性評價,研發(fā)了自適應(yīng)集成算法(ADP),在業(yè)務(wù)中取得了較好的應(yīng)用效果(曹勇等,2022);福建省氣象臺通過在不同降水量級上應(yīng)用評分最優(yōu)化方法計算集成權(quán)重,提出了分級最優(yōu)集成訂正算法(OW),獲得了比單模式訂正更好的訂正效果(危國飛等,2020)。除了集成不同模式的預報來提高降水訂正質(zhì)量,時滯集合預報通過集成同一模式不同時間起報的對未來同一時間的預報能有效提高降水預報的穩(wěn)定性,以往使用快速更新同化模式來開展時滯集合預報的研究表明,該方法能有效提高降水預報質(zhì)量(Jie et al,2014;唐文苑和鄭永光,2019)。

本研究將采用以上各種訂正算法,同時設(shè)計多種算法組合方案,開展浙江省梅汛期暴雨預報的多方案對比評估。

1.4 訓練期樣本采樣方法

以上介紹的統(tǒng)計訂正算法均需要使用歷史樣本構(gòu)造訓練期,在訓練期中采樣建模,最后進行預報。常用的訓練期包括滑動訓練期、準對稱滑動訓練期,本研究中使用準對稱滑動訓練期進行建模,具體而言,使用預報日前30 d和上一年同日后30 d,共60 d 樣本進行建模。準對稱滑動訓練期在業(yè)務(wù)中應(yīng)用廣泛,效果較好,吳啟樹等(2016)、蘇翔等(2021b)等不少研究對此都有討論,具體不再贅述。因訂正方案的訓練需要采用上一年的預報數(shù)據(jù),而部分模式僅有2019年以來的數(shù)據(jù),因此本文僅對2020年和2021年梅汛期暴雨預報開展訂正方案的應(yīng)用效果評估。

襄陽位于湖北省西北部，漢江中游平原腹地是湖北省地級市，省域副中心城市，國家歷史文化名城，楚文化、漢文化、三國文化的主要發(fā)源地，已有2800多年建制歷史，總面積1.97×104km2。規(guī)劃2020年襄陽中心城區(qū)人口170萬人，建設(shè)規(guī)模153km2。中心城區(qū)的布局結(jié)構(gòu)可以概括為“一心四城、多中心發(fā)展”的沿江組團式結(jié)構(gòu),遠景隨著東津的發(fā)展將形成四城環(huán)洲的空間布局結(jié)構(gòu)。

2 檢驗評估

2.1 不同模式梅汛期預報質(zhì)量檢驗

浙江省不同年份的梅汛期暴雨特征差異大。2019年梅汛期從6月17日入梅至7月17日出梅,梅期為一個月;2020年梅汛期從5月29日入梅到7月18日出梅,梅汛期長達50 d,過程中共受9輪強降水影響,17個站點雨量破歷史紀錄,累計雨量位列歷史第三位;2021年梅汛期從6月10日入梅到7月5日出梅,梅汛期為25 d,低于往年平均值,且暴雨過程多對流性降水,與2020年梅汛期降水特征有明顯區(qū)別。

為了解不同模式對不同年份梅汛期暴雨預報的性能,首先對業(yè)務(wù)常用的數(shù)值模式在近三年梅汛期中的24 h暴雨預報質(zhì)量進行評分,結(jié)果如圖1。在三年的整體評估中(圖1a), CMA-GFS預報質(zhì)量明顯低于其他四家模式,空報率和漏報率均較高,表明該模式對暴雨帶的位置把握較差,而NCEP-GFS則以漏報偏多為主要問題,表明其預報的降水強度偏弱,兩個模式的頻率偏差明顯偏低,預報的暴雨站點數(shù)僅為觀測的一半。對比ECMWF、CMA-SH9和CMA-MESO可以發(fā)現(xiàn),中尺度模式均表現(xiàn)出明顯的暴雨過報問題,頻率偏差超過1.70,而ECMWF全球模式則表現(xiàn)更好。

注：曲線和射線分別代表TS評分和頻率偏差FB。圖1 (a)2019—2021年三年梅汛期以及(b)2019年,(c)2020年,(d)2021年梅汛期各模式24 h暴雨預報綜合評分Fig.1 Comprehensive score diagram of 24 h torrential rain (≥50 mm·d-1) from five models’ forecasts during the Meiyu period of (a) 2019-2021, (b) 2019, (c) 2020 and (d) 2021

分析各模式在不同年份的暴雨預報質(zhì)量可以發(fā)現(xiàn),盡管各年梅汛期暴雨情況不同(圖1b～1d),但ECMWF、CMA-SH9和CMA-MESO的暴雨預報有著基本相似的關(guān)系,即ECMWF的暴雨TS評分介于CMA-SH9和CMA-MESO之間,同時頻率偏差最低,而CMA-MESO和CMA-SH9則空報較多,頻率偏差明顯偏大。NCEP-GFS的暴雨預報與前三者相比,逐年評分波動大,特別是對2020年超長梅汛期的暴雨漏報率過高,TS評分明顯低于前三家模式。CMA-GFS模式在2020—2021年出現(xiàn)明顯的漏報和空報,使得其TS評分明顯下降。

從各模式的逐年評分表現(xiàn)來看,ECMWF、CMA-SH9和CMA-MESO表現(xiàn)優(yōu)于NCEP-GFS和CMA-GFS,且暴雨評分較為接近,可用于開展多模式集成預報,提高梅汛期暴雨客觀預報質(zhì)量。

2.2 不同訂正方案在2020年和2021年梅汛期中的應(yīng)用評估

對ECMWF、CMA-SH9、CMA-MESO分別應(yīng)用頻率匹配(FM)、最優(yōu)評分法(OTS)、頻率匹配和集合平均概率匹配的融合算法(FM-PM)、最優(yōu)評分法和集合平均概率匹配的融合算法(OTS-PM)、多模式平均算法(AVG)、多模式分級最優(yōu)集成算法(OW)和自適應(yīng)集成算法(ADP)、基于三家模式三個起報時次的多模式時滯集合分級訂正算法(LAF)、對單模式FM結(jié)果進行AVG訂正(AVG-FM)、對單模式OTS結(jié)果分別應(yīng)用AVG訂正(AVG-OTS)和OW訂正(OW-OTS)以及LAF訂正(LAF-OTS),共12組訂正方案開展2020年和2021年梅汛期降水預報訂正,分析對比各訂正方案對于模式梅汛期暴雨預報的改進。各訂正方案所使用的數(shù)值模式和方案描述詳見表1。

表1 各訂正方案使用的數(shù)值模式與算法描述Table 1 Descriptions for 12 correction schemes and NWP models used in each scheme

圖2給出了2020年和2021年兩年梅汛期以及分年梅汛期的暴雨預報訂正檢驗結(jié)果。從圖2a中兩年平均的訂正評估結(jié)果來看,由于ECMWF頻率偏差不明顯,在應(yīng)用FM方案訂正后,其暴雨評分略有下降,FM-PM方案暴雨評分高于FM方案,但仍低于ECMWF預報。從分年的結(jié)果看(圖2b,2c),由于不同年份梅汛期暴雨特征差異大,如2021年的梅汛期由對流性暴雨主導,ECMWF模式出現(xiàn)了明顯的漏報(不同于2020年),這導致基于歷史訓練期的FM和FM-PM方案訂正效果不佳。

注：曲線和射線分別代表TS評分和頻率偏差FB。圖2 (a)2020—2021年兩年梅汛期以及(b)2020年,(c)2021年梅汛期ECMWF、CMA-SH9和CMA-MESO數(shù)值模式與12組訂正方案暴雨預報的綜合性能對比Fig.2 Performance comparison of torrential rain forecasts for 3 NWP models and 12 correction schemes during the Meiyu period of (a) 2020-2021, (b) 2020 and (c) 2021

OTS算法通過優(yōu)化模式預報的TS評分,大幅提高暴雨預報TS評分(達2.2%),但頻率偏差也上升到中尺度模式的水平。OTS-PM方案進一步提高了暴雨預報TS評分,從逐年分析看,2020年該方案在OTS基礎(chǔ)上提升了2.6%,但在2021年下降了0.9%,這是由ECMWF集合預報空間分辨率低,對于2021年的對流性暴雨預報效果不佳所致。可見對于以大雨帶穩(wěn)定性降水較多的2020年梅汛期暴雨,OTS-PM方案能夠非常有效地提高暴雨預報質(zhì)量。

使用優(yōu)選的數(shù)值預報進行AVG和ADP算法訂正均能夠有效提高梅汛期暴雨預報水平,由于優(yōu)選模式間相對接近的性能表現(xiàn),使用三個模式進行AVG訂正后,TS評分較最優(yōu)的CMA-MESO提高了4.1%,且頻率偏差更加合理,ADP訂正與AVG訂正效果相當。AVG-FM方案由于中尺度模式頻率匹配后頻率偏差明顯下降且各模式落區(qū)不一致,使得平均后漏報率明顯增加,未能有效提高暴雨預報效果。AVG-OTS方案在兩年的梅汛期暴雨預報中均取得較好訂正效果,由于OTS算法傾向于擴大雨區(qū)而提高TS評分,這使得再進行多模式平均時,強降水重合度將更高,頻率偏差下降不明顯,而梅汛期暴雨TS評分顯著提升,較CMA-MESO提高了5.9%,較OTS預報提高了4.9%。

與AVG算法訂正結(jié)果類似,OW算法訂正預報優(yōu)于三個模式的單獨預報,但評分的提升不及AVG算法訂正;并且,由于在各量級分別應(yīng)用權(quán)重融合,雖然能夠使得融合后強降水量級衰減效應(yīng)減弱,但由于所使用的中尺度模式暴雨空報偏高,導致訂正后的頻率偏差高于AVG訂正。OW-OTS方案同樣不及AVG-OTS方案。

2.3 各訂正方案對不同類型梅汛期暴雨過程訂正技巧的對比分析

為進一步分析不同訂正方案的優(yōu)缺點,利用最大小時雨量超過20 mm的暴雨站點比例區(qū)分穩(wěn)定性暴雨和對流性暴雨,在兩類暴雨過程中選取典型暴雨個例進行不同訂正算法的訂正效果對比。兩個個例分別為2020年6月29—30日浙中地區(qū)對流性大暴雨過程和2020年6月21—22日浙北地區(qū)穩(wěn)定性暴雨過程。

2020年6月29—30日的暴雨過程為高空冷槽和低層冷切變型暴雨過程。本次過程對流性強,雨帶中對流性暴雨站點占比達87%。實際業(yè)務(wù)中發(fā)現(xiàn),對此類過程ECMWF預報雨帶位置常偏北,預報員通常基于個人經(jīng)驗將其預報的雨帶向南訂正,分析客觀訂正算法對此類過程的適用性有助于提高業(yè)務(wù)預報質(zhì)量。圖3給出了各數(shù)值模式和客觀訂正方案預報以及站點觀測的降水,實況暴雨主體位于切變南側(cè)暖區(qū)低空急流區(qū)內(nèi),ECMWF將暴雨落區(qū)報在低層切變線附近,雨帶較實況偏北50～100 km,CMA-SH9和CMA-MESO均較好地預報了雨帶位置(圖3a～3c)。FM訂正減弱了ECMWF的降水量級使得暴雨范圍縮小,進一步放大了雨帶位置偏差,TS評分下降, FM-PM方案調(diào)整落區(qū)使得雨帶整體向南移動了50～70 km,但由于FM訂正后的暴雨雨帶范圍小,移動后評分提升有限(圖3d,3f)。OTS訂正明顯擴大了ECMWF的暴雨區(qū)范圍,在雨帶東西兩端部分抵消了位置偏差引起的漏報問題,TS評分有所提升,但頻率偏差明顯上升,空報嚴重(圖3e)。與FM-PM方案類似,OTS-PM方案對雨帶位置調(diào)整后相對于OTS有正技巧(圖3g)。四種多模式集成算法(AVG、OW、LAF和ADP,圖3h～3k)均明顯改善了雨帶的位置偏差,TS評分大幅提高到0.4左右,由于OW和LAF暴雨區(qū)范圍偏小,其評分略低于AVG和ADP訂正。在對單模式進行量級訂正后再開展集成的方案中(圖3l～3o),AVG-FM方案預報的暴雨范圍明顯縮小,漏報明顯,而AVG-OTS、OW-OTS方案預報的雨帶位置和暴雨中心的降水強度均更合理,但頻率偏差稍高于不進行量級訂正的AVG和OW預報,而LAF-OTS方案預報的暴雨雨帶位置與實況最為接近,TS評分最高,但對雨帶西段暴雨中心降水強度有所低估,實況發(fā)生的大暴雨未能得到較好體現(xiàn)。

圖4給出了浙北地區(qū)2020年6月21—22日的暴雨過程,本次暴雨過程發(fā)生在高空脊前西北氣流下的低層暖切變線中,以穩(wěn)定性降水為主,暴雨站點中僅有17%的站點最大小時雨量超過20 mm。三家數(shù)值模式中(圖4a～4c),ECMWF和CMA-SH9均較好地預報了浙北北部的暴雨區(qū),但都漏報了杭州東部到舟山一帶的暴雨,此外CMA-SH9對杭州西部的分散性暴雨和浙中一帶局地對流性暴雨也出現(xiàn)了非常明顯的空報,CMA-MESO對本次暴雨過程基本無漏報,但在浙北南部出現(xiàn)了明顯的空報,雖然其TS評分明顯高于ECMWF和CMA-SH9,但頻率偏差也明顯偏高、空報嚴重。FM訂正略減弱了降水量級,使得暴雨區(qū)進一步縮小,評分相較于ECMWF 略有下降,而OTS訂正明顯增強了暴雨強度,暴雨區(qū)范圍明顯擴大,使得漏報問題緩解,TS評分明顯上升(圖4d,4e)。由于集合平均場對本次穩(wěn)定性暴雨過程雨帶位置預報較好,FM-PM方案和OTS-PM方案預報的暴雨位置和范圍均優(yōu)于FM和OTS預報,TS評分相較于未經(jīng)PM訂正的預報提升了15%以上(圖4f,4g)。四種多模式集成算法(AVG、OW、LAF和ADP,圖4h～4k)預報的暴雨評分均優(yōu)于ECMWF和CMA-SH9,低于CMA-MESO。對比AVG-FM和AVG-OTS方案(圖4l,4m),后者明顯優(yōu)于前者,且AVG-OTS方案也優(yōu)于各模式和OTS訂正。對比三種算法集成各模式經(jīng)OTS訂正的預報(AVG-OTS、OW-OTS和LAF-OTS,圖4m～4o),LAF-OTS方案明顯優(yōu)于AVG-OTS和OW-OTS方案集成,這主要得益于其暴雨空報率低于后兩者。

注：根據(jù)最大1 h累計降水量R1是否達到20 mm劃分為對流性(三角)和穩(wěn)定性降水(離散圓點);根據(jù)24 h累計降水R24閾值劃分為暴雨(藍色)、大暴雨(粉色)和特大暴雨(紫色),以不同顏色區(qū)分標注。各分圖中,左上角和右上角分別為暴雨TS評分和預報頻率偏差FB,右下角為各模式或訂正方案名稱。圖4 2020年6月20日12時起報的(a～c)各模式和(d～o)各客觀訂正方案預報的12～36 h時效累計降水(填色)與對應(yīng)的站點降水實況Fig.4 The 12-36 h accumulated rainfall forecast (colored) of (a-c) 3 NWP models and (d-o) 12 correction schemes initialized at 12 UTC 20 June 2020 and the corresponding rainfall observations

為進一步對比分析各訂正方案在不同對流性強度暴雨過程中的優(yōu)劣,統(tǒng)計了逐日暴雨過程中各方案評分,并計算暴雨站點中最大小時雨量超過20 mm 的站點比例用以指示暴雨過程的對流性程度(圖5)。從圖中可以看出,FM、FM-PM以及AVG-FM方案整體表現(xiàn)不佳。OTS算法明顯優(yōu)于FM算法,且該方法在穩(wěn)定性為主的暴雨過程(R<0.42)中表現(xiàn)優(yōu)秀,表明ECMWF對此類暴雨過程雨帶位置具有較好的預報能力,OTS-PM方案能夠進一步改進暴雨TS評分,對于穩(wěn)定性暴雨過程該方案整體表現(xiàn)十分出色,在多次大過程中為最優(yōu)方案,但對于對流性較強的暴雨過程表現(xiàn)一般,這表明ECMWF集合平均的強降水落區(qū)對于對流性較強的暴雨雨帶位置預報能力較差。多模式集成算法整體優(yōu)于單模式訂正算法,而對各模式開展OTS訂正降水量級后再進行多模式集成訂正(AVG-OTS、OW-OTS和LAF-OTS方案)預報的暴雨TS評分整體優(yōu)于其他算法,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,三者中LAF-OTS方案訂正的暴雨TS評分更優(yōu)。

注：R為暴雨站點中最大小時雨量達20 mm以上的站點比例,表格中的暴雨過程按R降序排列,各方案評分按由高到低填深紅到深藍色。圖5 超100個站出現(xiàn)暴雨的逐日暴雨過程中各客觀訂正方案的暴雨預報TS評分對比Fig.5 Comparison of the daily TS score of the torrential rain forecasted by 12 correction schemes

3 結(jié)論和討論

本文利用2019—2021年浙江省的自動站觀測和多種業(yè)務(wù)模式降水預報資料,分析了各業(yè)務(wù)模式近幾年對浙江梅汛期暴雨的預報性能,通過采用頻率匹配、概率匹配、最優(yōu)評分法、多模式分級最優(yōu)集成、自適應(yīng)集成、多模式時滯集合預報以及量級訂正后再集成共12組客觀訂正方案開展了2020年和2021年浙江省梅汛期暴雨的客觀訂正預報,分析對比了各訂正方案對模式暴雨預報的改進效果。主要得到以下結(jié)論：

(1)五類常用數(shù)值模式梅汛期暴雨預報檢驗評估結(jié)果表明,ECMWF、CMA-SH9和CMA-MESO表現(xiàn)整體較好且預報性能接近,但中尺度模式空報偏多,預報頻率偏差較大,而全球模式中NCEP-GFS漏報問題突出,逐年預報質(zhì)量波動大,CMA-GFS由于漏報和空報問題均較嚴重,對梅汛期暴雨的預報質(zhì)量明顯低于其他模式;

(2)由于不同年份梅汛期暴雨特征差異大,頻率匹配算法無法對預報進行有效訂正,而最優(yōu)評分法能提升模式暴雨,特別是穩(wěn)定性暴雨預報的TS評分,但空報率有所增加,預報頻率偏差上升;

(3)OTS-PM方案能夠明顯改善以大雨帶穩(wěn)定性降水為主的梅汛期暴雨預報質(zhì)量,但對于對流性降水主導的梅汛期暴雨訂正效果不佳;

(4)優(yōu)選成員的多模式融合算法均能夠有效改進梅汛期內(nèi)對流性較強的暴雨過程預報質(zhì)量,包括多模式平均、自適應(yīng)集成和時滯集合預報在不同年份均有明顯正技巧,但對于穩(wěn)定性暴雨過程整體表現(xiàn)一般;

(5)對各模式經(jīng)OTS訂正量級后再進行多模式集成能夠進一步提高梅汛期暴雨預報質(zhì)量,且對穩(wěn)定性暴雨和對流性暴雨過程均有較好的訂正能力,其中LAF-OTS方案表現(xiàn)最優(yōu),提升幅度最大。

本文通過對浙江省梅汛期暴雨開展數(shù)值模式和客觀訂正方案的預報效果檢驗,評估出適合浙江省梅汛期暴雨預報的客觀訂正方案,對梅汛期暴雨預報訂正提供了有益的參考。由于對算法模型參數(shù)的調(diào)優(yōu)可能進一步提升算法的暴雨預報質(zhì)量,從而對評估結(jié)果產(chǎn)生影響,對這一問題還需要進行更深入細致的討論。