基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

doi:10.11755/j.issn.1006-7639（2022）-03-0485

干旱气象 ›› 2022, Vol. 40 ›› Issue (3): 485-499.DOI: 10.11755/j.issn.1006-7639（2022）-03-0485

基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

王俊超¹^,²^,³(), 王志斌¹(), 赖安伟¹^,², 肖艳姣¹, 王珏¹

1.中国气象局武汉暴雨研究所,暴雨监测预警湖北省重点实验室,湖北武汉 430205
2.中国气象科学研究院灾害天气国家重点实验室,北京 100081
3.三峡国家气候观象台,湖北宜昌 443000

收稿日期:2021-07-13 修回日期:2021-11-23 出版日期:2022-06-30 发布日期:2022-06-28
通讯作者: 王志斌
作者简介:王俊超（1982—）,男,硕士,高级工程师,主要从事数据融合和系统分析集成研究. E-mail: nanxingong@163.com。
基金资助:
国家重点研发计划项目(2018YFC1507200);灾害天气国家重点实验室开放课题(2021LASW-A03);湖北省气象局科技课题(2019YJ01)

Experimental study on short-term and impending prediction of precipitation echo based on blending method of numerical prediction and radar extrapolation prediction

WANG Junchao¹^,²^,³(), WANG Zhibin¹(), LAI Anwei¹^,², XIAO Yanjiao¹, WANG Jue¹

1. Hubei Key Laboratory for Heavy Rain Monitoring and Warning Research, Institute of Heavy Rain, China Meteorological Administration, Wuhan 430205, China
2. State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081, China
3. Three Gorges National Climatic Station, Yichang 443000, Hubei, China

Received:2021-07-13 Revised:2021-11-23 Online:2022-06-30 Published:2022-06-28
Contact: WANG Zhibin

摘要/Abstract

摘要：

采用傅里叶-梅林变换、多尺度光流法及威布尔分布,对湖北省2020年6—7月4次降水过程雷达回波进行多尺度预报试验及其相位和强度校正。在此基础上,利用双曲正切函数对校正后的模式降水回波预报和雷达回波外推临近预报进行融合。最后,基于预报技巧评分和平均绝对误差及命中率等指标对不同时效、尺度及回波阈值的预报结果进行定量分析。结果表明：（1）融合后的0~3 h降水回波预报在范围和位置上均较模式预报和雷达外推预报改进明显,尤其对强回波预报有明显优势,对对流预报有积极作用;0.01°× 0.01°尺度的0~1 h预报效果明显好于其他尺度及预报时效。（2）武汉RUC模式预报效果最差,平均绝对误差（mean absolute error,MAE）最大为6.1~8.2 dBZ,而融合预报效果最好,MAE最小为4.7~6.5 dBZ。0.01°× 0.01°尺度下融合预报的命中率（probability of detection,POD）随回波阈值和预报时效增加而降低,而其他尺度下20 dBZ回波阈值的平均POD最大、MAE最小,平均POD（MAE）均高于（低于）其他2种预报。总体来看,融合预报明显优于单一预报,对改进0~3 h定量降水预报有一定参考。

关键词: 中尺度数值预报, 雷达外推方法, 融合技术, 降水回波短临预报

Abstract:

The Fourier Merlin transformation, multi-scale optical flow method and Weibull distribution were used to carry out multi-scale prediction experiments of radar echo on four precipitation cases from June to July 2020 in Hubei Province, and the phase and intensity correction of model products were realized. On this basis, the corrected radar echo prediction of numerical model and radar echo extrapolation prediction were blended by using hyperbolic tangent function. Finally, the prediction effect of blending method with different prediction time, scales and thresholds of echo intensity was quantitatively analyzed by means of prediction skill score, mean absolute error (MAE) and probability of detection (POD). The results are as follows: (1) Compared with model prediction and radar extrapolation, the 0-3 hours precipitation echo predicted by the blending method improved obviously in range and location, the advantage of blending prediction was obvious, especially to strong echo, and it had a positive influence on prediction of convection. The 0-1 hour prediction effect of precipitation echo with 0.01°× 0.01° spatial scale was obviously better than those with other scales and prediction time. (2) MAE of Wuhan RUC model prediction was the largest with a range of 6.1-8.2 dBZ, while for blending forecast it was the smallest with a range of 4.7-6.5 dBZ. POD of blending prediction for 0.01°× 0.01° scale decreased with increase of echo threshold and prediction time, while the average POD was the maximum and MAE was the minimum for precipitation echo with 20 dBZ threshold at other scales, the average POD (MAE) of blending prediction was higher (lower) than other two kinds of prediction. On the whole, the blending prediction was obviously superior to single prediction, and it can provide reference for improvement of 0-3 hours quantitative precipitation forecast.

Key words: mesoscale numerical prediction, radar extrapolation method, blending technology, short-term and impending forecast of precipitation echo

中图分类号:

P457.6

王俊超, 王志斌, 赖安伟, 肖艳姣, 王珏. 基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究[J]. 干旱气象, 2022, 40(3): 485-499.

WANG Junchao, WANG Zhibin, LAI Anwei, XIAO Yanjiao, WANG Jue. Experimental study on short-term and impending prediction of precipitation echo based on blending method of numerical prediction and radar extrapolation prediction[J]. Journal of Arid Meteorology, 2022, 40(3): 485-499.

图/表 11

图1 数值预报与雷达回波短临外推预报融合技术流程

Fig.1 The blending technology flow chart of numerical prediction and short-term and impending extrapolation prediction of radar echo

图2 快速傅里叶变换相位校正平移（a）和旋转（b）特性算法流程

Fig.2 The proess of translation （a） and rotation （b） characteristics algorithm of phase correction by fast Fourier transformation

表1 湖北省2020年6—7月4次降水过程的强降水时段

Tab.1 The occurrence period of heavy precipitation during four precipitation processes from June to July 2020 in Hubei Province

降水过程	强降水时段（北京时）
“6·12”	6月12日02：00—06：00和18：00—23：00
“6·27”	6月27日20：00至28日08：00
“7·02”	7月2日08：00—18：00
“7·05”	7月5日04：00—12：00和5日23：00至6日06：00

图3 2020年6月12日12：00起报的1 h不同尺度降水回波的雷达外推预报（a、e）、武汉RUC模式预报（b、f）、融合预报（c、g）与实况（d、h）对比（单位：dBZ）（红色方框为强降水集中区域。下同）（a、 b、 c、 d） 0.01°× 0.01°, （e、 f、 g、 h） 0.02°× 0.02°

Fig.3 Comparison of 1-hour precipitation echo forecast with different scales from radar extrapolation （a, e）,RUC-Wuhan model （b, f） and blending technology （e, g） initiated from 12：00 UTC 12 June 2020 with the observation of radar （d, h）（Unit： dBZ）（The red box represents the intensive region of heavy precipitation. the same as below）（a, b, c, d） 0.01°× 0.01°, （e, f, g, h） 0.02°× 0.02°

图4 2020年7月5日16：00起报的1 h不同尺度降水回波的雷达外推预报（a、e）、武汉RUC模式预报（b、f）、融合预报（c、g）与实况（d、h）对比（单位：dBZ）（a, b, c, d） 0.01°× 0.01°, （e, f, g, h） 0.04°× 0.04°

Fig.4 Comparison of 1-hour precipitation echo forecast with different scales from radar extrapolation （a, e）, RUC-Wuhan model （b, f） and blending technology （e, g） initiated from 16：00 UTC 5 July 2020 with the observation of radar （d, h）（Unit： dBZ）（a、b、c、d）0.01°× 0.01°,（e、f、g、h）0.04°× 0.04°

图5 4次降水过程不同阈值3种方法降水回波预报的平均Bias随预报时效变化（a）10 dBZ,（b）20 dBZ,（c）30 dBZ,（d）40 dBZ

Fig.5 The change of average Bias of precipitation echo prediction by three methods for different thresholds with prediction time for four precipitation processes （a）10 dBZ,（b） 20 dBZ,（c） 30 dBZ,（d） 40 dBZ

图6 4次降水过程不同尺度3种方法0~1 h降水回波预报的平均Bias随阈值变化（a） 0.01°× 0.01°, （b） 0.02°× 0.02°, （c） 0.04°× 0.04°, （d） 0.08°× 0.08°

Fig.6 The change of average Bias of 0-1 h precipitation echo prediction by three methods for different scales with thresholds for four precipitation processes （a）0.01°× 0.01°,（b）0.02°× 0.02°,（c）0.04°× 0.04°,（d）0.08°× 0.08°

图7 4次降水过程不同阈值2种方法降水回波预报的平均ETS评分随预报时效变化（a）10 dBZ,（b） 20 dBZ,（c） 30 dBZ,（d） 40 dBZ

Fig.7 The change of average ETS scores of precipitation echo prediction by two methods for different thresholds with prediction time for four precipitation processes （a）10 dBZ,（b）20 dBZ,（c）30 dBZ,（d）40 dBZ

图8 4次降水过程不同尺度3种方法0~1 h降水回波预报的平均ETS评分随阈值变化（a）0.01°× 0.01°,（b） 0.02°× 0.02°,（c） 0.04°× 0.04°,（d）0.08°× 0.08°

Fig.8 The change of average ETS scores of 0-1 h precipitation echo forecast by three methods for different scales with thresholds for four precipitation processes （a）0.01°× 0.01°,（b）0.02°× 0.02°,（c）0.04°× 0.04°,（d）0.08°× 0.08°

图9 4次降水过程不同阈值融合预报的平均POD（a、b、c、d）和MAE（e、f、g、h）随预报时效变化（a, e） 10 dBZ, （b, f） 20 dBZ, （c, g） 30 dBZ, （d, h） 40 dBZ

Fig.9 The change of average POD （a, b, c, d） and MAE （e, f, g, h） of blending forecast for different thresholds with forecast time for four precipitation processes （a、e）10 dBZ,（b、f）20 dBZ,（c、g）30 dBZ,（d、h）40 dBZ

图10 4次降水过程不同尺度3种预报的平均POD（a、b、c、d）和MAE（e、f、g、h）随阈值变化（a,e） 0.01°× 0.01°, （b, f） 0.02°× 0.02°,（c,g） 0.04°× 0.04°, （d, h） 0.08°× 0.08°

Fig.10 The change of average POD （a, b, c, d） and MAE （e, f, g, f） by three forecasts for different scales with thresholds for four precipitation processes （a、e）0.01°× 0.01°,（b、f）0.02°× 0.02°,（c、g）0.04°× 0.04°,（d、h）0.08°× 0.08°

参考文献 39

[1]	RINEHART R E, GARVEY E T. Three-dimensional storm motion detection by conventional weather radar[J]. Nature, 1978, 273: 287-289. DOI URL
[2]	LI L, SCHMID W, JOSS J. Nowcasting of motion and growth of precipitation with radar over a complex orography[J]. Journal of Applied Meteorology, 1995, 34(6): 1286-1300. DOI URL
[3]	王珏, 张家国, 万玉发. 多尺度合成的降水临近预报技术[J]. 气象科技, 2008, 36(5): 524-528.
[4]	孔荣, 王建捷, 梁丰, 等. 尺度分解技术在定量降水临近预报检验中的应用[J]. 应用气象学报, 2010, 21(5): 535-544.
[5]	罗义, 梁旭东, 王刚, 等. 雷达反演的多尺度风场在临近预报中的应用研究[J]. 暴雨灾害, 2021, 40(4): 401-409.
[6]	韩雷, 王洪庆, 林隐静. 光流法在强对流天气临近预报中的应用[J]. 北京大学学报(自然科学版), 2008, 44(5): 751-755.
[7]	LUCAS B D, KANADE T. An iterative image registration technique with an application to stereo vision[C]// Proceedings of Seventh International Joint Conference on Artificial Intelligence, Vancouver, 1981: 121-130.
[8]	HORN B K P, SCHUNCK B G. Determing optical flow[J]. Artificial Intelligence, 1981, 17(1/2/3): 185-204. DOI URL
[9]	曹春燕, 陈元昭, 刘东华, 等. 光流法及其在临近预报中的应用[J]. 气象学报, 2015, 73(3): 471-480.
[10]	田刚, 陈良华, 魏凡, 等. 基于光流法雷达外推的2020年长江致洪降水临近预报检验评估[J]. 暴雨灾害, 2021, 40(3): 316-325.
[11]	尹麒名, 甘建红, 漆慧, 等. 一种改进的循环神经网络雷达图像外推算法[J]. 气象科技, 2021, 49(1): 18-24.
[12]	韩丰, 龙明盛, 李月安, 等. 循环神经网络在雷达临近预报中的应用[J]. 应用气象学报, 2019, 30(1): 61-69.
[13]	陈元昭, 林良勋, 王蕊, 等. 基于生成对抗网络GAN的人工智能临近预报方法研究[J]. 大气科学学报, 2019, 42(2): 311-320.
[14]	郭瀚阳, 陈明轩, 韩雷, 等. 基于深度学习的强对流高分辨率临近预报试验[J]. 气象学报, 2019, 77(4): 715-727.
[15]	胡胜, 罗兵, 黄晓梅, 等. 临近预报系统(SWIFT)中风暴产品的设计及应用[J]. 气象, 2010, 36(1): 54-58.
[16]	万玉发, 王志斌, 张家国, 等. 长江中游临近预报业务系统(MYNOS)及其应用[J]. 应用气象学报, 2013, 24(4): 504-512.
[17]	陈明轩, 高峰, 孔荣, 等. 自动临近预报系统及其在北京奥运期间的应用[J]. 应用气象学报, 2010, 21(4): 395-404.
[18]	韩丰, 沃伟峰. SWAN2.0系统的设计与实现[J]. 应用气象学报, 2018, 29(1): 25-34.
[19]	郑永光, 张小玲, 周庆亮, 等. 强对流天气短时临近预报业务技术进展与挑战[J]. 气象, 2010, 36(7): 33-42.
[20]	WARNER T T, BRANDS E A, SUN J Z, et al. Prediction of a flash flood in complex terrain. Part I: a comparison of rainfall estimates from radar, and very short range rainfall simulations from a dynamic model and an automated algorithmic system[J]. Journal of Applied Meteorology, 2000, 39: 797-814. DOI URL
[21]	HU M, XUE M, BREWSTER K A. 3DVAR and cloud analysis with WSR-88D level-II data for the prediction of the Fort Worth, Texas, tornadic thunderstorm. Part I: cloud analysis and its impact[J]. Monthly Weather Review, 2006, 134(2): 675-698. DOI URL
[22]	刘黎平. 用双多普勒雷达反演降水系统三维风场试验研究[J]. 应用气象学报, 2003, 14(4): 502-504.
[23]	王瑾, 刘黎平. CINRAD/CD雷达反射率因子同化对中尺度数值模式云微物理量场调整的分析[J]. 高原气象, 2009, 28(1): 173-185.
[24]	马清云, 李泽椿, 陶士伟. 单部多普勒天气雷达风场反演及其在数值预报中的应用试验[J]. 应用气象学报, 2001, 12(4): 488-494.
[25]	李永平, 袁招洪, 王晓峰. 用多普勒雷达反射率调整模式大气的云微物理变量[J]. 应用气象学报, 2004, 15(6): 658-663.
[26]	GOLDING B W. Nimrod: a system for generating automated very short range forecasts[J]. Meteorological Applications, 1998, 5(1): 1-16. DOI URL
[27]	PIERCE C E, HARDAKER P J, COLLIER C G, et al. GANDOLF: a system for generating automated nowcasts of convective precipitation[J]. Meteorological Applications, 2000, 7(4): 341-360. DOI URL
[28]	BOWLER N E, PIERCE C E, SEED A W. STEPS: a probabilistic precipitation forecasting scheme which merges an extrapolation nowcast with downscaled NWP[J]. Quarterly Journal of the Royal Meteorological Society, 2006, 132(620): 2127-2155. DOI URL
[29]	LIN C, VASIĆ S, ZAWADZKI I, et al. Precipitation forecast based on numerical weather prediction models and radar nowcasts[J]. Geophysical Research Letters, 2004, 32(14): L14801. DOI: 10.1029/2005GL023451. DOI
[30]	HAIDEN T, KANN A, PISTOTNIK G, et al. Integrated nowcasting through comprehensive analysis (INCA) system description[J]. Weather and Forecasting, 2010, 26:166-182. DOI URL
[31]	黄伟健, 黎守德. “急流”(RAPIDS) 暴雨预报系统-“小涡旋”与数值天气预报模式的融合[C]// 第20届粤港澳气象科技研讨会.澳门, 2006.
[32]	LIANG Q, FENG Y, DENG W, et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds[J]. Advances in Atmospheric Sciences, 2010, 27(5): 1119-1130. DOI URL
[33]	王志斌, 肖艳姣, 吴涛. 基于改进光流法的雷达图像运动估计[J]. 计算机技术与发展, 2017, 27(12): 170-175.
[34]	王志斌, 肖艳姣, 吴涛, 等. 改进变分光流法并行算法实现[J]. 计算机应用与软件, 2019, 36(1): 105-110.
[35]	AUBERT G, DERICHE R, KORNPROBST P. Computing optical flow via variational techniques[J]. SIAM Journal on Applied Mathematics, 1999, 60(1): 156-182. DOI URL
[36]	杨汉贤, 黄伟健, 郑子路. “多尺度光流变分法”在临近降雨预报的应用和表现[C]// 第24届粤港澳气象科技研讨会. 深圳, 2010.
[37]	程从兰, 陈明轩, 王建捷, 等. 基于雷达外推临近预报和中尺度数值预报融合技术的短时定量降水预报试验[J]. 气象学报, 2013, 71(3): 397-415.
[38]	王丹, 王改利, 刘黎平, 等. 基于雷达回波外推和中尺度模式预报的短时降水对比分析[J]. 高原气象, 2014, 33(3): 811-822. DOI
[39]	王改利, 赵翠光, 刘黎平, 等. 雷达回波外推预报的误差分析[J]. 高原气象, 2013, 32(3): 874-883. DOI

基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

Experimental study on short-term and impending prediction of precipitation echo based on blending method of numerical prediction and radar extrapolation prediction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 39

相关文章 15

编辑推荐

Metrics

[1]	王叶红, 赵玉春. GRAPES-REPS对我国南方2017年初夏持续性降水预报的检验评估[J]. 干旱气象, 2023, 41(2): 328-340.
[2]	姬雪帅, 王丽婧, 郭宏, 康博思, 黄山江, 张曦丹, 郭旭晖. 基于多源观测资料对张家口一次雨雪天气降水相态特征的分析[J]. 干旱气象, 2022, 40(3): 507-515.
[3]	黄楚惠, 牛金龙, 李国平, 陈朝平, 肖递祥, 张平. 基于西南区域中尺度模式系统预报的陡峭地形过渡带降水订正方法[J]. 干旱气象, 2022, 40(2): 317-326.
[4]	程鹏, 罗汉, 陈佩璇, 曹彦超, 李宝梓, 陈祺. 庆阳黄土高原短时强降水统计特征及预警指标[J]. 干旱气象, 2020, 38(2): 319-328.
[5]	董伟, 杨光武, 马梁臣, 朱丹. 长春市冬季降水相态的温度判据研究[J]. 干旱气象, 2019, 37(3): 363-.
[6]	王成福，谢蕊，吉哲君，敖泽建，罗王军，陈洋，魏娟娟，金满慧. 甘南高原大到暴雨天气过程分型及特征[J]. 干旱气象, 2019, 37(1): 97-108.
[7]	张萍萍，张宁，董良鹏，张蒙蒙. 三峡谷地三类突发性中尺度暴雨概念模型研究[J]. 干旱气象, 2017, 35(6): 1027-1035.
[8]	史纬恒，王磊，韩飞，于文杰，孔凡龙，宋海清. 基于物理量参数的山东聊城地区冬季降水相态预报模型研究[J]. 干旱气象, 2017, 35(5): 822-829.
[9]	方哲卿1,2，黄宁立2，王琳玮3，傅颖3. 太阳光度计和微波辐射计资料在盛夏午后强对流预报中的应用[J]. 干旱气象, 2017, 35(1): 157-163.
[10]	许敏，张瑜，张绍恢. 风廓线雷达资料在冀中一次强降水天气预报中的应用[J]. 干旱气象, 2016, 34(5): 898-905.
[11]	段云霞，李得勤，李大为，梁红，柴晓玲，张帅. 沈阳降水相态特征分析及预报方法[J]. 干旱气象, 2016, 34(1): 51-57.
[12]	环海军，刘焕斌，刘岩，夏福华. 鲁中主城区暴雨强度公式的修正方法[J]. 干旱气象, 2016, 34(1): 188-194.
[13]	吕廷珍，邓少格，胡轶佳，张凯. 利用年际增量法对西北东部汛期降水的定量预测研究[J]. 干旱气象, 2015, 33(3): 386-394.
[14]	党张利，张京朋，曲宗希，赵慧，张北斗，张文煜. 微波辐射计观测数据在降水预报中的应用[J]. 干旱气象, 2015, 33(2): 340-343.
[15]	刘维成，王勇，周晓军. SWAN系统QPE产品的误差统计及订正方法研究[J]. 干旱气象, 2014, 32(6): 1025-1030.