多模式动态融合订正方法在青海省大到暴雨预报中的应用与分析

图1 青海省降水观测站点空间分布

Fig.1 Spatial distribution of precipitation observation stations in Qinghai Province

2 方法

2.1 检验方法与定义

青藏高原地区暴雨日数偏少，极端降水量级偏低，因此将24 h降水量≥25 mm的降水统称为大到暴雨（沈洁等，2023），根据青海省地方标准《短时临近降雨强度等级划分》（青海省气象局，2022），3 h降水量为10.0~19.9 mm、20.0~49.9 mm的降水分别为大雨、暴雨。因此检验时将3、24 h大到暴雨阈值分别设置为10、25 mm。

对模式降水预报产品每日08：00和20：00起报的未来24 h时效的3 h和24 h累计降水量检验，检验指标包括晴雨预报准确率（Percent Correct，PC）、TS评分、空报率（False Alarm Ratio，FAR）、漏报率（Probability of Miss，PO）、命中率（Probability of Detection，POD）和偏差（BIAS）等（曹萍萍等，2023b；许晶等，2025）。其中，TS和PC的值越大表示预报效果越好；BIAS的值等于1、大于1、小于1分别表示预报无偏差、存在空报、存在漏报，因此BIAS值越接近1表示预报效果越好。

2.2 模式优选

图2为青海省2023年7—9月各预报产品未来24 h时效的3 h和24 h累计降水综合检验结果。可以看出，除EC模式外，各模式晴雨预报准确率、大到暴雨命中率及其TS值均较高，但CMA-3和CMA-MESO模式预报大到暴雨的BIAS过大。综合以上检验指标，最终考虑选取SCMOC、CMA-SH9、CMA-BJ作为优选模式进行融合。

图2

图2 青海省2023年7—9月各预报产品未来24 h时效的3 h和24 h累计降水综合检验结果

Fig.2 Comprehensive verification results of 3-hourly and 24-hour accumulated precipitation forecasts at 24-hour lead time from multiple products in Qinghai Province from July to September 2023

2.3 分位数映射订正

基于分位数映射法，利用观测降水对3类优选模式的降水预报逐格点建立传递函数，并将其应用于验证时段以订正预报偏差。具体步骤如下：1）按照升序分别计算2023年7—9月观测降水和模式预报日降水量的累积分布函数，计算公式（曹萍萍等，2023a；雷华锦等，2020）如下：

（1）

C D F (x) = \int_{a}^{b} f (x) d x

式中：x为降水量，单位：mm； $C D F (x)$ 为降水量在[a，b]区间内的频率分布。

2）将观测降水和模式预报降水的累积分布函数逐一进行分位数对比匹配，对于每一个预报值 $x_{m}$ ，在观测中 $C D F_{o} (x_{o})$ 找到对应累计概率 $C D F_{m} (x_{m})$ 的观测降水值 $x_{o}$ ，即：

（2）

x_{_{o}} = C D F_{o}^{- 1} [C D F_{m} (x_{m})]

对各离散分位值之间的数据进行线性插值，得到优选模式降水预报对应的订正结果；对无降水格点采用阈值截断法处理，订正前将模式与观测中低于0.1 mm的值视为0，订正后再将低于该阈值的格点赋值为0，确保无降水格点订正前后一致。考虑到数据的季节性、计算效率以及样本量等因素，在个例验证阶段训练模型时，每个模式选取上一年同期及其前后各30 d的数据，组成共61 d的滑动窗口。

表1为青海省2023年7—9月观测及订正前后不同模式预报日降水量的百分位值、图3为订正前后不同模式预报和观测日降水量累积概率分布曲线。可以看出，分位数映射订正后的各模式预报从频率和降水量上都有一定的改善，尤其是订正后的CMA-SH9模式分布曲线拟合效果明显。整体来看，观测降水的有效降水日（大于0.1 mm的降水日）出现在50分位以上，而订正前各模式降水预报有效降水日基本都出现在40分位以上，订正后各模式有效降水日起始分位数更符合观测降水，但各模式对大到暴雨以上量级都出现了过度订正的情况。这是因为降水量样本中大到暴雨样本较少，所以其订正效果较弱；而大雨以下样本相对较多，从而对弱降水具有较好订正效果。

表1 青海省2023年7—9月观测及订正前后不同预报产品日降水量的百分位值

Tab.1 The percentiles of daily precipitation from observations and multiple forecast products before and after correction in Qinghai Province from July to September 2023

百分位数	观测降水量/mm	不同预报产品/mm
百分位数	观测降水量/mm	CMA-BJ	SCMOC	CMA-SH9	QM-BJ	QM-SCMOC	QM-SH9
20	0	0	0	0	0	0	0
40	0	0.1	0	0	0	0	0
50	0	0.3	0.5	0.4	0	0	0
55	0.1	0.6	0.9	0.8	0	0	0
60	0.3	1.0	1.3	1.5	0.1	0	0.1
65	0.6	1.5	1.8	2.6	0.4	0.2	0.4
70	1.2	2.1	2.3	4.0	1.0	0.7	1.0
75	2.1	3.0	3.0	5.7	1.8	1.4	2.0
80	3.3	4.1	3.8	8.0	3.2	2.7	3.4
85	5.0	5.7	4.0	10.8	5.4	4.7	5.5
90	7.2	8.0	6.7	14.8	8.7	8.0	8.8
95	11.5	12.4	11.6	21.0	15.3	14.6	15.1
99	22.7	23.6	20.8	34.6	32.9	33.1	32.6
99.5	29.1	29.3	26.6	40.0	43.2	43.4	41.2
99.9	44.0	42.8	35.7	51.7	77.6	78.5	64.8
99.99	69.2	65.8	48.0	67.5	142.1	139.6	102.9
99.999	89.7	90.9	54.2	81.4	162.2	151.8	135.2
100	96.2	114.9	57.1	103.3	200.1	171.5	149.0

注：QM-BJ、QM-SCMOC、QM-SH9分别代表分位数映射订正后的CMA-BJ、SCMOC、CMA-SH9模式，下同。

新窗口打开| 下载CSV

图3

图3 青海省2023年7—9月订正前后不同预报产品和观测日降水量累积概率分布曲线

Fig.3 The cumulative probability distribution curves of daily precipitation from observations and multiple forecast products before and after correction in Qinghai Province from July to September 2023

进一步分析3种优选模式订正前后的检验结果（图4），发现分位数映射订正后，各优选模式的晴雨预报准确率、TS评分以及大到暴雨的TS评分和命中率POD均有不同程度提升。3个优选模式（CMA-BJ、CMA-SH9、SCMOC）的24 h累计降水晴雨预报准确率分别提升了27.7%、15.9%、7.8%，TS评分分别提升了8.6%、8.3%、8.6%。但由于不同模式在不同检验指标和天气过程下表现优劣各异，进一步对模式进行动态融合和分级订正。

图4

图4 青海省2023年7—9月订正前后不同预报产品未来24 h时效的3 h和24 h累计降水预报检验

Fig.4 Verification of 3-hourly and 24-hour cumulative precipitation forecasts at 24-hour lead time before and after correction for multiple forecast products in Qinghai Province from July to September 2023

2.4 模式动态融合订正设计

2.4.1 模式动态融合

综合考虑模型复杂度和实时计算效率，以及对历史数据依赖性因素，采用滑动TS评分作为权重系数进行模式动态融合，对最新时次各模式的订正预报开展15 d滑动大到暴雨TS评分检验（危国飞等，2020），并通过对TS值进行标准化处理确定权重系数，具体公式如下：

（3）

y = \sum_{i = 1}^{n} α_{i} x_{i}

（4）

α_{i} = \frac{T_{i}}{\sum_{i = 1}^{n} T_{i}}

式中： $y$ 代表多模式融合后的预报值， $α_{i}$ 为标准化后的权重系数， $x_{i}$ 为订正后的模式降水预报值， $T_{i}$ 为分位数映射订正后，参与融合的各模式降水预报大到暴雨15 d滑动TS评分，i为参与融合的模式预报数量（i=1，2，3，…，n）。为较好捕捉各融合成员在近期预报性能的变化，且保证权重计算的稳定性，窗口选择不应过大或过小，综合考虑选取滑动TS评分窗口为15 d，即选取每个当前预报日的前14 d作为滑动训练期构建各模式降水预报TS评分样本集。

2023年7—9月3种订正后的优选模式（QM-BJ、QM-SCMOC、QM-SH9）动态融合标准化后的权重系数变化趋势（图5）表明，QM-SCMOC在融合过程中所占的比重最高并随时间推进逐渐降低；其次是QM-BJ，但进入9月以后，08：00起报的融合模式产品权重系数低于QM-SH9。

图5

图5 青海省2023年7—9月3种优选模式动态融合08：00（a）和20：00（b）逐3 h预报标准化权重系数趋势

Fig.5 Trends of standardized weight coefficients for 3-hourly forecasts from three preferred models with dynamic fusion at 08:00 (a) and 20:00 (b) in Qinghai Province from July to September 2023

2.4.2 模式动态融合强度订正

研究（龙柯吉等，2024）表明，采用线性融合易导致降水预报不稳定，且中尺度模式对大量级降水的预报范围通常偏大，因此采用分级订正方法（曹萍萍等，2023a）订正降水强度。其中订正阈值采用青海省地方标准《短时临近降雨强度等级划分》（青海省气象局，2022）中3 h大雨和暴雨的阈值，参与订正的模式选取融合权重系数贡献最高的QM-SCMOC模式，具体公式如下式：

（5）

M = \{\begin{array}{l} M_{0} M_{0} < 10 且 M_{1} < 10 \\ M I N (M_{0}, M_{1}) 10 \leq M_{0} < 20 且 10 \leq M_{1} < 20 \\ (M_{0} + M_{1}) / 210 \leq M_{0} < 20 且 M_{1} \geq 20 \\ M_{1} 其 他 情 况 \end{array}

式中： $M$ 代表融合模式订正后的降水预报值， $M_{0}$ 代表选取的最优单模式订正降水预报值， $M_{1}$ 代表融合后模式降水预报值，单位均为mm。该公式含义为：当订正后单模式和融合后模式降水预报3 h降水量均为大雨以下量级时，采用晴雨准确率提升最明显的QM-SCMOC模式预报值；当订正后单模式和融合后模式降水预报降水量均为大雨量级时，考虑过订正的可能性，选择两者中较小的预报值；当订正后单模式预报降水量在大雨量级，而融合后模式预报在大雨以上量级时，取二者的算术平均值作为预报值；其他情况均信任融合后模式预报值。

此外，张娇等（2021）依据强降水过程最大降水区域降水量预报的日平均偏差，建立的暴雨强度订正方法证明可以有效提高暴雨TS评分。对2023年7—9月融合模式降水预报与地面站点降水实况进行平均偏差计算，发现25~50 mm和50 mm以上量级模式预报日降水量比实况分别偏多5.5 mm和8.6 mm，因此将大雨和暴雨预报降水量分别减少6.0 mm和9.0 mm。

3 融合模式检验评估

3.1 整体检验评估

图6为不同预报产品2023年7—9月青海省未来24 h时效的3 h和24 h累计降水预报综合检验，其中QH-M1、QH-M2分别为强度订正前、后的动态融合预报产品。可以看出，融合方案整体较优选的单模式在各量级上均有不同程度的提升效果。其中经强度订正后的QH-M2较单模式预报24 h累计降水晴雨预报准确率提升了7.8%~27.7%，TS评分提升了9.3%~22.8%，且降低了小雨空报率、大雨漏报率。分析大到暴雨量级发现，QH-M2的24 h大到暴雨TS值由单模式最低0.10以下提升至0.22，命中率由单模式最高0.27提升至0.74，且QH-M2的BIAS较订正前也有一定改善。

图6

图6 青海省2023年7—9月不同预报产品未来24 h时效的3 h和24 h累计降水预报综合检验

Fig.6 Comprehensive verification of 3-hourly and 24-hour cumulative precipitation forecasts at 24-hour lead time from multiple forecast products in Qinghai Province from July to September 2023

3.2 典型个例分析

选取2024年9月3—4日青海省东部地区出现的大到暴雨、局地大暴雨典型个例进行分析。此次过程大到暴雨落区主要集中在青海省东部地区，站点累计最大降水量为149.8 mm，是青海省有气象记录（1954年）以来最强降水过程。表2列出不同预报产品未来24 h时效的3 h和24 h累计降水预报综合检验，其中QH-SPCC代表业务主观预报。可以看出，3 h预报中，QH-M2相较其他预报产品其晴雨预报准确率（最低0.57提升至0.80）、TS评分（最低0.53提升至0.69）均有明显提升，空报率（最高0.47下降至0.27）和BIAS（最高1.83下降至1.25）明显下降；除漏报率外，QH-M2各项检验指标均优于业务主观预报（QH-SPCC）。大到暴雨量级预报，QH-M2同样表现最优。QH-M2的TS评分由单模式最优0.15提升至0.17，虽然QH-M1和QH-SPCC的命中率高于QH-M2，但分析发现这是以空报率提高为代价。

表2 青海省2024年9月3日08：00至5日08：00不同预报产品未来24 h时效的3 h和24 h累计降水预报综合检验

Tab.2 Comprehensive verification of 3-hourly and 24-hour cumulative precipitation forecasts at 24-hour lead time from multiple forecast products from 08：00 on 3 to 08：00 on 5 September 2024 in Qinghai Province

预报间隔/h	检验指标	CMA-BJ	CMA-SH9	SCMOC	QH-M1	QH-M2	QH-SPCC
3	PC	0.63	0.66	0.57	0.71	0.80	0.58
	TS	0.56	0.58	0.53	0.62	0.69	0.53
	PO	0.03	0.02	0.02	0.02	0.08	0.03
	FAR	0.43	0.41	0.47	0.37	0.27	0.46
	BIAS	1.71	1.67	1.83	1.55	1.25	1.79
	TS（≥10 mm）	0.13	0.14	0.15	0.30	0.17	0.20
	BIAS（≥10 mm）	0.47	0.81	0.45	2.93	0.38	2.50
	POD（≥10 mm）	0.17	0.22	0.19	0.90	0.22	0.59
24	PC	0.89	0.89	0.90	0.90	0.92	0.89
	TS	0.89	0.89	0.90	0.90	0.91	0.89
	PO	0.001	0.001	0.003	0.001	0.01	0.002
	FAR	0.11	0.11	0.10	0.10	0.08	0.11
	BIAS	1.12	1.12	1.11	1.11	1.07	1.12
	TS（≥25 mm）	0.26	0.31	0.31	0.28	0.37	0.23
	BIAS（≥25 mm）	0.81	1.52	1.61	3.56	2.36	3.94
	POD（≥25 mm）	0.38	0.63	0.73	0.99	0.93	0.93

新窗口打开| 下载CSV

24 h累计降水量预报，QH-M2相较其他模式预报产品，其晴雨预报准确率、大到暴雨TS评分、大到暴雨命中率分别提升了2.2%、19.4%、27.4%，BIAS更接近1。在提升晴雨预报准确率、TS评分和大到暴雨命中率的情况下空报率和BIAS均有一定减小，对整体降水落区有正向调整。虽然对大到暴雨的预报存在湿偏差，但也大幅度提升了大到暴雨的命中率，此次降水天气过程中逐24 h累计降水量大到暴雨漏报仅3站次，整体表现优于业务主观预报QH-SPCC。从降水天气过程决策服务角度来看，为避免大到暴雨天气过程漏报造成重大灾害损失，可接受一定程度的空报。

进一步分析此次暴雨天气过程降水量分布情况（图7）。此次天气过程50 mm以上降水主要分布在都兰东部、甘德、门源、刚察、共和、西宁、海东一带，其中大通部分地区出现100 mm以上的大暴雨。CMA-SH9和CMA-BJ预报50 mm以上雨带位置较实况略偏南，SCMOC预报50 mm以上雨带位置与实况较为一致，但对都兰、甘德、门源、海东南部一带50 mm以上降水存在漏报，且降水量级整体偏小；QH-SPCC和QH-M1预报50 mm以上雨带位置与实况较一致，但强度和范围偏大，暴雨空报较多，并且漏报了甘德50mm以上降水；QH-M2虽然整体预报强度仍偏大，但在保持50 mm以上量级降水落区与实况重合度较高的情况下，适度减小了整体降水预报落区，特别是对南部雨带减弱，同时也把握了几个较强的降水中心。位于都兰一带和甘德东部50 mm以上量级的大到暴雨，各模式预报产品预报的量级均偏小，但其中QH-M2的预报强度相对较高。因此整体预报仍具有一定的参考和指导意义。

图7

图7 2024年9月3日08：00至5日08：00青海省东部地区实况降水与不同预报产品累积降水量分布（单位：mm）

Fig.7 Distribution of accumulated precipitation from observations and multiple forecast products over eastern Qinghai Province from 08：00 on 3 September to 08：00 on 5 September 2024 （Unit： mm）

4 结论与讨论

本文结合青海省大到暴雨时空分布特征，通过各类检验指标优选了3种模式预报产品（CMA-BJ、CMA-SH9、SCMOC）并建立分位数映射模型进行订正，再进行自适应分配权重动态融合，考虑到分位数映射订正后的降水量过订正的可能性，再对动态融合后的预报产品进行分级订正，最终通过整体检验评估和个例分析对比融合订正效果，得出以下主要结论。

1）对3个优选模式（CMA-BJ、CMA-SH9、SCMOC）进行分位数映射订正，其24 h累计降水晴雨预报准确率分别提升了27.7%、15.9%、7.8%，TS评分分别提升了8.6%、8.3%、8.6%，且对降水落区的订正效果显著，各模式BIAS偏差幅度大幅下降接近于1，证明该方法可以有效订正模式降水的落区和量级。

2）从整体预报性能来看，强度订正动态融合（QH-M2）预报较单模式预报24 h累计降水晴雨预报准确率提升了7.8%~27.7%，TS评分提升了9.3%~22.8%，且降低了小雨空报率、大雨漏报率，特别是对大到暴雨预报的TS评分和命中率改善效果明显，分级订正后在预报性能不变的基础上减小了湿偏差幅度，订正效果显著。

3）从强降水天气过程预报效果来看，QH-M2整体优于任一单模式预报和业务主观预报，与最优单模式相比，其24 h累计降水晴雨预报准确率、大到暴雨TS评分、大到暴雨命中率分别提升了2.2%、19.4%、27.4%，BIAS得分更接近1，预报雨带位置特别是大到暴雨落区更接近降水实况.

本文利用预报效果较优的融合订正方法，在青海省大到暴雨中开展应用试验，结果证明该方案对青海省各量级降水预报性能和区域性强降水天气过程都有较好的预报参考意义，对青海省强降水预报准确率提高有一定的可能性。但分析发现在强降水天气过程中各主流业务模式对都兰和甘德一带的暴雨均未能预报或有偏差，但对于天气形势以及24 h降水量10~25 mm的预报效果较好，而对暴雨以上量级没有体现，分析发现这是因为以上地区独特的地形辐合对对流系统有加强作用。从大到暴雨偏差来看，本方案对于大到暴雨预报量级偏大，这是由于本地区大到暴雨天气过程较我国东部省份偏少，而强降水样本过少不利于训练和优化分位数映射订正模型（雷华锦等，2020），导致对强降水订正稍有过量，对融合后的降水预报产品进行分级订正证明适度降低订正阈值可以抑制虚假降水中心，减少空报区域（曹萍萍等，2023a）。由于各区域的降水量存在差异，考虑先分区再订正（刘娜等，2022）可能对大到暴雨的预报性能提升有一定效果。因此下一步工作还需考虑合理增加强降水样本量，可根据地形抬升影响，加入地形、相对湿度、温度等要素分区域建立机器学习训练模型（陈锦鹏等，2021；Liu et al.，2023），从而对模式预报做进一步订正，为改善模式预报产品在青海省大到暴雨中的预报性能提供更多建议和尝试。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

曹萍萍, 肖递祥, 龙柯吉, 等,

2023a.

基于分位数映射法的四川省ECMWF模式降水预报误差订正分析

[J]. 干旱气象, 41(4): 666-675

[本文引用: 4]

[2]

曹萍萍, 杨康权, 肖递祥, 等,

2023b.

2022年汛期四川多模式降水预报检验

[J]. 高原山地气象研究, 43(2):28-35.

[3]

曹勇, 张恒德, 郭云谦, 等,

2022.

基于多模式预报优选融合技术的短时定量降水预报

[J]. 河海大学学报:自然科学版, 50(5):10-15.

[4]

陈锦鹏, 冯业荣, 蒙伟光, 等,

2021.

基于卷积神经网络的逐时降水预报订正方法研究

[J]. 气象, 47(1):60-70.

[5]

陈晓燕, 孔祥伟, 彭筱, 等,

2022.

全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估

[J]. 干旱气象, 40(3):524-535.

2020年汛期6—8月甘肃降水日数多、持续时间长、范围广、强度大,对该时间段内3种全球模式（ECMWF、GRAPES_GFS和NCEP_GFS模式）和4种区域模式[GRAPES区域数值预报业务系统（GRAPES_3 km）、西北区域区域模式（GRAPES_LZ10 km）、西北区域快速更新循环预报系统（GRAPES_LZ3 km）和华东区域模式（SMS-WARMS）]24 h累计降水预报性能进行检验评估。结果表明：（1）全球模式中ECMWF模式的预报性能优于其余2个模式,而区域模式中GRAPES_3 km和SMS-WARMS模式预报性能相对较好,且SMS-WARMS模式预报性能更稳定。（2）区域模式晴雨准确率及小雨和中雨的TS评分、ETS评分、命中率低于全球模式,暴雨优于全球模式;大雨和暴雨的空报率和预报偏差均高于全球模式。（3）根据500 hPa环流形势可将甘肃汛期降水划分为副高边缘型和低槽型2种类型,针对2020年4次副高边缘型和3次低槽型降水进行分类检验评估。全球模式和区域模式均对前者的各个量级降水预报性能优于后者;ECMWF模式和区域模式对2种类型大雨和暴雨预报效果优于NCEP_GFS和GRAPES_GFS模式;全球模式中ECMWF模式、区域模式中SMS-WARMS模式对2种类型降水预报效果最好。（4）7种模式对2种类型中雨和大雨雨带走向预报较好,对副高边缘型降水过程降水落区的预报能力优于低槽型降水过程,但预报降水强度较观测偏强,尤其是降水中心区域。

[6]

狄靖月, 赵琳娜, 张国平, 等,

2013.

降水集合预报集成方法研究

[J]. 气象, 39(6): 691-698.

[7]

吉璐莹, 智协飞, 季焱, 等,

2025.

基于多模式集成的降水空间结构预报改进研究

[J]. 大气科学, 49(1): 257-278.

[8]

焦洋, 郑丽娜, 张永婧, 等,

2024.

两种降水客观统计方法对ECMWF集合平均降水预报的订正研究

[J]. 干旱气象, 42(2): 293-304

提升降水量级预报精度，有助于优化灾害预警与决策支持。选取2018年1月1日至2021年1月山东省逐12 h降水观测数据和欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasting，ECMWF）的集合预报集合平均（Ensemble Prediction Ensemble Mean，EPEM）结果进行72 h内逐12 h降水量级预报统计订正，然后对比ECMWF集合平均降水预报插值的原始预报（EC_EPEM）、基于EC_EPEM的输出统计（Model Output Statistics，MOS）预报（EC_EPEM_MOS）、利用最优TS（Threat Score）评分订正（Optimal Threat Score，OTS）预报（EC_EPEM_OTS）的效果。结果表明：EC_EPEM_MOS在较小量级上表现最优，但在大量级上订正效果稍差，甚至略低于EC_EPEM；EC_EPEM_OTS仅在0.1、10 mm量级上低于EC_EPEM_MOS，其他量级均为最优，尤其在较大量级上订正效果更明显。在50、100 mm大量级上，EC_EPEM_OTS在12~72 h时效订正效果均最优，这是由于EC_EPEM_OTS在稍大量级上提高订正系数使得大量级降水漏报率减小，同时对大量级降水使用较小订正系数也减小了空报率。在较小量级降水中短期预报时效除了山东中部山区外EC_EPEM_MOS表现最佳，山区EC_EPEM_OTS最佳；中等以上量级、尤其较大量级降水，山东大部分地区EC_EPEM_OTS表现最佳。EC_EPEM_MOS订正预报有效地减小了EC_EPEM的空报问题。EC_EPEM_OTS的订正效果最佳，在大范围强降雨过程中与实况降雨分布更为接近，降水总体分布把握较好。

[9]

雷华锦, 马佳培, 李弘毅, 等,

2020.

基于分位数映射法的黑河上游气候模式降水误差订正

[J]. 高原气象, 39(2):266-279.

DOI [本文引用: 3]

区域气候模式降水弥补了高寒山区气象站点稀少的缺陷, 是水文模拟的重要驱动变量。然而, 高寒山区模式输出降水的总量和频率都存在较大不确定性。因此, 改进了用于降水频率纠正的分位数映射法(Quantile Mapping, QM), 对中尺度数值预报模式(Weather Research and Forecasting model, WRF)模拟的黑河上游日降水输出数据进行误差订正。选取第95分位和第98分位降水量为阈值, 选择2004 -2009年为建模时段, 2010 -2013年为验证时段, 使用分段拟合的方法建立传递函数, 侧重于对极端降水进行单独订正。研究结果表明: 该方法不仅对降水空间分布有明显的改善, 对极端降水也有很好的订正效果。订正前模式模拟日降水与台站之间的均方根误差为3.41 mm·d-1, 绝对偏差为115.67 mm·y-1, 订正后均方根误差减少为3.11 mm·d-1, 绝对偏差有明显改善, 为60.3 mm·y-1。订正后流域内年降水空间分布更加合理, 年降水量也更接近于观测降水插值结果, 其空间相关系数由0.74改善为0.94。春、夏季订正效果优于秋、冬季, 其中夏季订正效果较为明显, 订正前降水偏差百分比在-0.1~0.1以内的区域面积仅占流域总面积的28%, 而订正后占比增加至66%。同时, 该方法对极端降水有较好的订正效果, 减小了日降水强度(SDII)和极强降水量(R99p)的模拟偏差, 订正后的第95分位模拟降水与观测降水插值的相关系数由0.15提高到0.48。本研究为站点稀少的黑河上游提供了一种更有效的误差订正方案, 有利于为寒区水文研究获取更精确的降水数据。

[10]

林春泽, 祁海霞, 智协飞, 等,

2013.

中国夏季降水多模式集成概率预报研究

[J]. 暴雨灾害, 32(4):354-359.

[11]

刘娜, 黄武斌, 杨建才, 等,

2022.

基于SCTP-RF算法的甘肃省短期定量降水客观预报方法研究

[J]. 干旱气象, 40(1): 146-155.

基于欧洲中期天气预报中心(ECMWF)的精细化数值预报产品、中国气象局下发的降水指导产品(TP_CMA)及甘肃省340个气象站点降水实况数据,利用泰森多边形与K-means空间聚类方法(spatial cluster and Tyson polygon,SCTP),对2017—2019年4—9月甘肃省340站降水资料进行客观分区。在此基础上,采用随机森林算法(random forest,RF),筛选出与降水相关的物理量因子构建模型,开展甘肃省短期定量降水客观预报订正试验,并进行预报效果检验。结果表明:(1)甘肃省4—9月降水客观分区依次为7、6、14、13、14和11个。(2)就晴雨预报而言,SCTP-RF订正产品对甘肃省汛期的晴雨预报能力较TP_CMA指导产品和ECMWF模式产品有一定提升,提升幅度分别为6.1%、4.2%;在空间上,SCTP-RF算法对甘肃省340站的晴雨预报均具有一定的订正能力,大部分站点晴雨预报准确率提升了5%,特别是河东地区。(3)在分级降水预报中,SCTP-RF订正产品对中雨和大雨的预报能力均优于TP_CMA指导产品和ECMWF模式产品,且全省大部的订正效果较好,特别是河东中部及陇东南地区,但在强降水过程中对小雨和暴雨的预报订正不稳定,尤其是陇东南地区的小雨。

[12]

龙柯吉, 杨康权, 康岚,

2024.

多模式对四川盆地强降水过程的预报性能检验

[J]. 干旱气象, 42(3): 473-483.

DOI [本文引用: 2]

为进一步认识当前数值预报模式的预报能力，选取2018—2020年发生在四川盆地的47次强降水过程进行分型，再基于多源降水融合产品和地面观测资料，通过TS评分、时空滑动等方法对欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）数值预报模式、国家气象中心区域中尺度数值预报模式（China Meteorological Administration Mesoscale Model，CMA_MESO）和西南区域数值预报系统（Southwest Center WRF ADAS Real-time Modeling System，SWC_WARMS）在强降水过程范围、强度、极值、时间和位移偏差等方面的预报能力进行检验评估。结果表明，各模式08：00（北京时，下同）预报优于20：00预报，ECMWF对中雨和大雨预报更优，SWC_WARMS的暴雨量级评分更高。各模式对中雨的预报范围普遍较实况偏大，随着降水量级增大，逐渐转为低估，其中SWC_WARMS更接近实况。对于降水强度，ECMWF和CMA_MESO的平均降水量和极值普遍较实况偏小，SWC_WARMS更接近实况。3种模式时间偏差不明显，仅个别起报时次有-6~3 h的时间偏差；ECMWF的位移偏差最小，纬向上ECMWF和SWC_WARMS以偏北为主，经向上ECMWF以偏西为主，CMA_MESO和SWC_WARMS以偏东为主。

[13]

罗聪, 张华龙, 曾沁, 等,

2021.

多模式融合的广东网格定量降水预报方法的研发与评估

[J]. 气象, 47(5):539-549.

[14]

青海省气象局,

2022. 短时临近降雨强度等级划分:DB63/T 2048—2022[S].

[本文引用: 2]

[15]

沈洁, 王镜, 李忠亮, 等,

2023.

2016—2020年青海省区域性大到暴雨分布特征及预报指标检验

[J]. 农业灾害研究, 13(12): 188-191.

[16]

唐健, 代刊, 宗志平, 等,

2018.

主客观融合定量降水预报方法及平台实现

[J]. 气象, 44(8):1 020-1 032.

[17]

田笑, 余文韬, 从靖, 等,

2022.

统计降尺度方法在天津小时降水和气温精细化预报中的应用

[J]. 干旱气象, 40(1): 135-145.

基于ECWMF模式预报数据对2018年3—11月降水和2 m温度进行统计降尺度,利用先频率匹配法、再阈值法对插值后的降水订正,利用Kalman滤波型的递减平均统计降尺度法对插值后的温度订正,最终获得逐小时降水量和温度的预报。结果表明:(1)对于晴雨预报准确率,绝大多数预报时效频率匹配法和阈值法均对其有明显提高,前者最大改进幅度可达20%以上。对于相对误差,阈值法对空报现象有较显著改进。对于1 h降雨量大于等于20 mm的短时强降水,频率匹配法订正后的TS评分有明显提高。对2018年“安比”台风事件,除具有以上改进效果外,频率匹配法提高了降水主体形态和量级的预报水平,阈值法对空报站订正正确。(2)对于温度的ECWMF模式预报检验,几乎在任何预报时效内都是3月的绝对误差最大。通过Kalman滤波型的递减平均统计降尺度法后,各月的绝对误差都有不同程度减小。总体上,订正后的绝对误差曲线仍具有订正前的周期性波动,波峰、波谷位置也与订正前基本一致,且绝对误差越大,订正幅度越大。个例分析也表明订正后保留了温度预报空间分布的准确性,且绝对误差有明显下降。

[18]

王丽芳, 漆梁波, 周伟, 等,

2021.

频率匹配技术在暴雨预报中的应用及改进分析

[J]. 暴雨灾害, 40(4):352-361.

[19]

王叶红, 赵玉春,

2023.

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, 41(2): 328-340.

我国自主研发的GRAPES-REPS（Global/Regional Assimilation and Prediction System-Regional Ensemble Prediction System）于2014年投入业务运行，为加深对该系统降水集合预报能力的认识，便于更好应用降水概率预报，本文以2017年5月中旬至6月下旬我国南方地区3次持续性降水过程为例，采用统计检验和个例分析相结合，评估该系统在72 h内不同预报时效的各量级24 h降水预报性能。结果表明：（1）GRAPES-REPS集合平均预报对小雨、中雨有较明显优势，但随着降水量级增大优势逐渐下降，对暴雨预报已不具有优势。其中，小雨预报范围接近观测，中雨（暴雨）有空报（漏报）倾向，大雨在较长预报时效上有空报倾向。（2）采用MRF边界层参数化方案和KF-eta积云对流参数化方案组合方案的控制预报成员和2个扰动预报成员为集合最优成员，其TS评分普遍高于采用其他组合方案的集合成员。（3）整体上集合成员降水预报离散度不足，尤其0~24 h预报时效，Talagrand分布呈U型，对小（大）量级降水预报概率偏大（小）；随着预报时效增加，集合成员预报离散度显著增大，Talagrand分布逐渐接近理想概率分布。（4）集合预报在不同时效对各量级降水概率预报均具有参考价值，大雨、暴雨的概率预报效果优于小雨、中雨。（5）集合预报整体上能够较好把握典型暴雨日降水空间分布形态，对中央气象台漏报的广东中南部暖区暴雨有一定的概率预报能力。

[20]

危国飞, 刘会军, 吴启树, 等,

2020.

多模式降水分级最优化权重集成预报技术

[J]. 应用气象学报, 31(6): 668-680.

[本文引用: 3]

[21]

吴启树, 韩美, 刘铭, 等,

2017.

基于评分最优化的模式降水预报订正算法对比

[J]. 应用气象学报, 28(3):306-317.

[22]

肖丹, 胡超, 陈宁, 等,

2023.

基于频率匹配法和最优TS评分法的降水预报订正效果对比

[J]. 气象与减灾研究, 46(4):287-295.

[23]

许晶, 程丛兰, 宋林烨, 等,

2025.

鄂尔多斯高分辨率降水融合预报模型及检验分析

[J]. 沙漠与绿洲气象, 19(6):149-157.

[24]

闫慧, 赵桂香, 董春卿, 等,

2017.

集合预报方法在山西暴雨预报中的应用试验

[J]. 干旱气象, 35(2):321-329.

利用ECMWF高分辨率确定性预报和大气模式集合预报产品，采用本地统计量融合方法和联合概率方法，对2014年山西省9次暴雨天气过程的降水预报进行检验分析。结果表明：（1）2014年山西省9次暴雨过程影响系统差异较大，强降水多集中在山西中南部地区，暴雨落区表现为区域性、局地性或大范围分散性特征；（2）本地统计量融合方法对于大雨落区的预报与实况较为接近，而联合概率预报方法的大概率范围对于暴雨落区预报具有较好的指示意义；（3）TS评分检验表明，对于区域性或局地性暴雨天气过程，可更多参考本地统计量融合方法，而对于大范围分散性的暴雨天气过程，本地统计量融合方法空报较多，ECMWF确定性预报更具参考价值。

[25]

张娇, 王东勇, 郑淋淋, 等,

2021.

ECMWF模式强降水预报偏差订正方法研究及应用

[J]. 暴雨灾害, 40(4): 430-436.

[26]

智协飞, 赵忱,

2020.

基于集合成员订正的强降水多模式集成预报

[J]. 应用气象学报, 31(3):303-314.

[27]

朱科旭, 管琴, 白爱娟,

2024.

青海省洪涝灾害时空分布和致灾雨量特征

[J]. 沙漠与绿洲气象, 18(1):81-88.

[28]

朱文刚, 盛春岩, 范苏丹, 等,

2024.

基于前馈神经网络的多模式集成降水预报研究

[J]. 干旱气象, 42(1): 117-128.

为提高山东定量降水预报准确率，采用深度前馈神经网络（Deep Forword Neural Networks， DFNN）和降水分级最优TS（Threat Score）权重集成方法对多模式集成降水预报进行研究。对2019年4—9月欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasting， ECMWF）全球数值预报系统、中国气象局上海数值预报模式系统（China Meteorological Administration Shanghai 9 km， CMA-SH9）和中国气象局中尺度天气数值预报系统（China Meteorological Administration Mesoscale， CMA-MESO）逐24 h累积降水量预报进行有监督训练，得到4组DFNN（ES、EM、SM、ESM）深度学习模型，并利用多模式降水分级最优TS权重集成方法建立Mul-OTS（Multi-mode Optimal Threat Score）集成模型。用2020年4—9月各模式逐24 h累积降水量进行降尺度格点预报，对5种集成方案对比检验、个例分析应用。结果表明：不同起报时间、不同预报时效，5组集成方案均降低了平均相对误差，ESM方案最好，Mul-OTS方案最差；4组DFNN方案均提高了晴雨准确率，ESM方案最好，Mul-OTS方案低于模式预报；4组DFNN方案均提高了各降水等级TS、ETS评分，对弱降水的提高幅度大于强降水，Mul-OTS方案对小量级降水等级订正是负技巧，对大量级降水等级的订正效果较好，但仍不如ESM方案；个例分析发现降水强度和落区预报ESM方案均优于其他集成方案。因此业务上采用最优的ESM方案建立了定量降水格点预报系统，为智能网格预报提供重要支撑。

[29]

GUDMUNDSSON

, BREMNES

J B

, HAUGEN

J E

, et al,

2012.

Technical note: Downscaling RCM precipitation to the station scale using statistical transformations-a comparison of methods

[J]. Hydrology and Earth System Sciences, 16(9):3 383-3 390.

DOI URL [本文引用: 1]

. The impact of climate change on water resources is usually assessed at the local scale. However, regional climate models (RCMs) are known to exhibit systematic biases in precipitation. Hence, RCM simulations need to be post-processed in order to produce reliable estimates of local scale climate. Popular post-processing approaches are based on statistical transformations, which attempt to adjust the distribution of modelled data such that it closely resembles the observed climatology. However, the diversity of suggested methods renders the selection of optimal techniques difficult and therefore there is a need for clarification. In this paper, statistical transformations for post-processing RCM output are reviewed and classified into (1) distribution derived transformations, (2) parametric transformations and (3) nonparametric transformations, each differing with respect to their underlying assumptions. A real world application, using observations of 82 precipitation stations in Norway, showed that nonparametric transformations have the highest skill in systematically reducing biases in RCM precipitation.

[30]

LIU

, LOU

, YAN

Z W

, et al,

2023.

Deep-learning post-processing of short-term station precipitation based on NWP forecasts

[J]. Atmospheric Research, 295, 107032. DOI:10.1016/j.atmosres.2023.107032.

URL [本文引用: 1]

[31]

WANG

, DAI

, ZONG

, et al,

2021.

Quantitative precipitation forecasting using multi-model blending with supplemental grid points: Experiments and prospects in China

[J]. Journal of Meteorological Research, 35(3):521-536.

[32]

ZHAO

, LIU

, XU

J C

, et al,

2023.

Multi-source precipitation data fusion analysis and application based on Bayesian-Three Cornered Hat method

[J]. Advances in Water Science, 34(5): 685-696.