一种基于显著性与敏感性因子分析法的短时强降水预报方法

摘要

本发明公开了一种基于显著性与敏感性因子分析法的短时强降水预报方法，涉及气象领域。针对现有技术中预报命中率提高的同时，空报率显著增大的问题而提出本方案。依次包括：数据预处理的步骤、物理量计算的步骤、物理量遴选的步骤、因子分析的步骤、因子得分估计的步骤、建立潜势预报模型的步骤以及发布客观潜势预报产品的步骤。其优点在于，以显著性与敏感性相结合作为遴选物理量因子，通过对系列物理量偏离平均态的显著性、物理量阈值变化与短时强降水命中率、空报率对应关系的ROC曲线同时进行检验，以达到在预报命中率提高和空报率上升之间取得最优平衡效果。

说明书

技术领域

本发明涉及气象领域，尤其涉及一种基于显著性与敏感性因子分析法的短时强降水预报方法。

背景技术

短时强降水是大气强烈对流产生的一种灾害性天气，易造成山洪、泥石流、城市内涝等次生灾害。短时强降水对流性质强烈，多由中小尺度系统造成，具有尺度小、突发性强、生命史短、致灾严重的特点。在无清晰的天气尺度系统配合的背景下，业务上对于短时强降水的预报存在一定困难，针对定点、定时、定量的短时强降水，预报能力更是十分有限。

大气物理量参数的变化信息对于预判强对流发生起重要作用，通过诊断NCEP分析场发现短时强降水对部分环境物理量十分敏感，近年已有较多研究工作尝试基于物理量参数构建短时强降水预报模型，如对强对流的潜势预报方法，但建模资料依赖的探空站点数量少，在缺乏探空数据的区域不具代表性。为满足高时空分辨率的预报需求，有不少学者基于模式输出要素计算对流参数，构建短时强降水预报模型，如在利用中尺度数值模式计算物理量的基础上，应用相对偏差模糊矩阵评价技术、对对流参数进行逐次筛选和权重分配，构建分类强对流天气预报概率模型；基于天气形势分型方法，利用中尺度模式GRAPES输出资料计算强对流指数，并建立强对流潜势预报系统；基于ECMWF全球模式细网格预报产品计算多个物理量，通过阈值判定方法建立短时强降水预报模型，并采用箱型图差异指数评估变量对于区分短时强降水发生与否的敏感程度。上述方法均直接以物理量作为预报因子输入模型，部分因子之间可能具有高相关性，当物理量较多时，为简化模型的输入变量，对物理量进行二次处理，可减少因子数量，提高因子有效性。

因子分析法是一种用少数几个因子去描述多个指标之间联系的方法，从变量的方差/协方差结构入手,在尽可能多地保留原始变量信息的基础上,用少数新变量来解释原始变量。与传统的以物理量作为预报因子构建模型的方法不同，因子分析法首先在大量物理量参数中提取少量相互独立的共性因子，再将因子作为建模的预报因子目前大多数方法在遴选因子时，仅考虑单个因子对短时强降水预报准确率的贡献，往往使得预报命中率提高的同时，空报率显著增大。

发明内容

为了解决上述现有技术存在的问题，本发明目的在于提供一种基于显著性与敏感性因子分析法的短时强降水预报方法。利用ECMWF-Interim再分析资料，计算反映了大量物理量与气候平均态偏差值，以显著性与预报敏感性指标为依据，遴选物理量并通过因子分析法得到若干具有物理涵义的公共因子，再利用ECMWF细网格预报资料建立短时强降水潜势预报模型进行天气预报。

本发明所述的一种基于显著性与敏感性因子分析法的短时强降水预报方法，依次包括：数据预处理的步骤、物理量计算的步骤、物理量遴选的步骤、因子分析的步骤、因子得分估计的步骤、建立潜势预报模型的步骤以及发布客观潜势预报产品的步骤；

所述物理量遴选的步骤以显著性指标和敏感性指标作为遴选标准；所述显著性指标利用公式

所述因子得分估计的步骤将标准化的因子得分作为因子潜势f

所述建立潜势预报模型的步骤利用公式：F

所述发布客观潜势预报产品的步骤是利用所述潜势预报值F

所述数据预处理的步骤将站点实况处理为与ECMWF-Interim空间分辨率相同的格点实况数据集；具体如下：遍历所有格点，在再分析资料时次对应的代表时段内进行判断，若格点内有站点录得≥20mm/h雨量，则认为该格点出现了短时强降水。

物理量计算的步骤利用各层次ERA-Interim资料计算若干反映大气状况的物理量；以格点的物理量与气候平均态的偏差值作为建模变量；所述的气候平均态计算方式为：对应指定一天的指定时次，合成若干年的当天及前后两天所述时次的大气平均场，再通过合成场计算对应的物理量。

所述物理量遴选的步骤计算T值后，通过T值检验表查找计算对应的基准值t0，并比较T值和基准值t0，若T>t0，则判定样本有显著性差异；再进行显著性检验，剔除无法通过检验的物理量，将剩余物理量的T值按从大到小排序。

因子分析的步骤将p个物理量x(x＝x

所述因子得分估计的步骤使用Thompson方法对因子得分进行估计；对因子载荷矩矩阵A进行正交旋转，建立X变量的相关系数矩阵R＝(r

所述发布客观潜势预报产品的步骤中所述目标时间具体为0-36h内的逐6小时。

本发明所述的一种基于显著性与敏感性因子分析法的短时强降水预报方法，其优点在于，以显著性与敏感性相结合作为遴选物理量因子，通过对系列物理量偏离平均态的显著性、物理量阈值变化与短时强降水命中率、空报率对应关系的ROC曲线同时进行检验，以达到在预报命中率提高和空报率上升之间取得最优平衡效果。使得短时强降水预报准确率提高时，空报率并没有显著上升。在多次降水过程中，对于ECMWF 降水量预报较弱的区域，本方法预报概率较高，说明本方法对改进短时强降水的命中率具有明显的帮助。

附图说明

图1是本发明所述因子分析方法详细权重赋值图。

图2是不同因子数目对应的累积贡献率和贡献率增加值曲线图。

具体实施方式

本发明所述的一种基于显著性与敏感性因子分析法的短时强降水预报方法，依次包括数据预处理的步骤、物理量计算的步骤、物理量遴选的步骤、因子分析的步骤、因子得分估计的步骤、建立潜势预报模型的步骤以及发布客观潜势预报产品的步骤。

首先进行数据预处理，用于建模的实况数据为预报区域范围内地面气象站的小时雨量数据，其中包含基本站和自动站的数据。自动站雨量数据经过质量控制，剔除不合理或缺测较多的站点。由于短时强降水频次会受到站点密度不均匀影响，并且站点数量逐年增加。为消除这一影响，采用建立强对流格点参数库的方法，将站点实况等同为与ECMWF-Interim(欧洲中期天气预报中心的再分析同化数据集)空间分辨率相同的格点实况数据集，如空间分辨率为0.125°，具体步骤如下：遍历所有格点，在再分析资料时次对应的代表时段内，如前后3小时。若格点内有站点录得≥20mm/h 雨量，则认为该格点出现了短时强降水。

本方法使用欧洲中期天气预报中心的再分析同化数据集ERA-Interim计算相关物理量。ERA-Interim作为目前广泛使用的再分析资料，使用了最新的四维变分同化技术，结合多种误差校正技术实现了资料质量的提升，对于形势场具有较好的反演能力。ECMWF数值模式提供一天两次起报，即08:00BT与20：00BT，空间分辨率为0.125°的要素预报。将数值模式预报场计算的物理量参数输入潜势预报模型，生成0-36h 内逐6小时短时强降水客观潜势预报产品。另外，本方法还可以提供预报时段内关键的动力、热力和水汽条件等信息产品。

物理量计算：利用各层次ERA-Interim资料的风、温度、湿度、气压等要素，计算49个反映大气动力、热力、水汽的物理量。其中大气动力的物理量可以包括但不限于各层散度、涡度、垂直速度等；热力的物理量可以包括但不限于K指数等不稳定指数、各层假相当位温等；水汽的物理量可以包括但不限于整层可降水量、各层相对湿度、水汽通量等。以格点的物理量与气候平均态的偏差值作为建模变量。物理量的气候平均态计算方式为：对应某一天的某个时次，合成多年的当天及前后2天，一共 5天同一时次的大气风、温、湿、位势高度平均场，再通过合成场计算对应的物理量。

物理量遴选：因子分析的有效性取决于建模的物理量对短时强降水发生的指示性，因此物理量遴选对模型效果至关重要。本发明所述的方法以显著性指标和敏感性指标作为遴选标准。显著性即短时强降水发生时物理量与气候平均态是否具有明显差异。在物料量计算中已经对物理量做气候偏态处理，因此可用T值检验量衡量差异是否显著。具体计算公式为

除考虑显著性以外，引进ROC曲线作为敏感性指标，即Receiver OperatingCharacteristic Curve。该敏感性指标衡量物理量作为预报因子识别短时强降水发生的能力。对于某一物理量，其预报短时强降水的命中率和空报率是一一对应的，当判定短时强降水发生的物理量阈值上升时，对应命中率减小和空报率的减小。ROC曲线是检验命中率和空报率对应关系的指标。同时，ROC曲线与y＝x函数线包含的面积AUC 值可视作因子敏感性效果，值越大，效果越好；所述的AUC值即Area Under ROC Curve。

以下表中49个物理量制作对应的ROC曲线，可以得到24个显著性较高的指标。所述的49个物理量的数据来源于ERA-Interim再分析同化数据集的数据计算而得的物理量。虽然AUC最大的几个物理量在显著性方面具有优势，但并非所有显著性较好的因子均具有较高的敏感性，部分物理量ROC曲线的AUC值处于低分位水平。可见两个指标的优势参数并不具有一致性，因此本领域技术人员没有结合所述两个指标进行天气预报产品的技术启示而得到本发明所述的方法。

对所有物理量的T值和AUC两个指标进行标准化并相加，得到综合评价指标。将综合评价指标从大到小排序，得到排19位以后的物理量，倾向于对应某一指标值较低，或两个指标优势均不明显。因此挑选前18个物理量作为因子建模参数。物理量通过因子分析方法赋予不同的权重，详细权重如图1所示，其中每个因子对应的百分数为该因子的贡献率。

因子分析：因子分析的核心是将p个物理量x(x＝x

所述因子荷载矩阵A主要通过对原始变量x的相关系数矩阵进行处理得到。计算因子荷载矩阵时，采用旋转方式为最大方差正交旋转法，这一方法可使得每一个物理量在少数几个主因子上具有高载荷。对因子载荷矩阵的列元素的平方和除以维数，即可得到各个因子的贡献率，将所有因子贡献率进行累加，则可得到累积贡献率。累积贡献率表明用当前数目的因子累积贡献方差占总方差的比例，在[0,100]范围内变化，值越大表明因子的解释能力越好。因子数目增加，累积贡献率同步增加，但因子数目过多不利于对物理量的有效归纳和解释，理想模型是通过尽可能少的因子数量获得最大的解释能力。

如图2所示，不同因子数目对应的累积贡献率和贡献率增加值。

可见，当因子数目较少时，如≤6，因子贡献率增加幅度较大，因子数为6个时，总贡献达到71.2％。但若因子数继续增加，因子总的解释能力提升幅度较小，因子数目超过物理量数目的一半时，贡献率增加值已较低，因此确定最佳因子数目为6个。

载荷系数反映因子与物理量的相关性，同一因子对应的多个高系数物理量，亦表明这些物理量反映了相似的环境场特征。从载荷系数矩阵可以归纳因子的物理内涵。因子1系数较高的物理量分别为925hPa和500hPa的假相当位温、总指数、CAPE值与K指数等，可知主要是反映大气的热力不稳定尤其是低层如850hPa以下能量增长的因子，称为热力因子。因子2的高相关物理量为整层液态水积分和整层可降水量，称为整层水汽因子。以此类推，因子3为低层辐合因子；因子4为低层水汽因子；因子5为中层不稳定因子；因子6高相关物理量为中层垂直速度，为中层动力因子。

因子得分估计：使用Thompson方法对因子得分进行估计。因子载荷矩阵A进行正交旋转，即首先建立x变量的相关系数矩阵R＝(r

建立潜势预报模型：基于ECMWF细网格预报数据，所述6个因子潜势，并进行线性组合构建潜势预报模型。组合方法包括等权组合、加权组合、最大因子法等，不同组合方法具有不同的意义。等权组合即将不同因子对短时强降水预报的指示作用视作相同。加权组合法赋予方差贡献大的因子以更高的权重，可在预报结果中有效体现大气环境参数的主要变化特征。而最大因子法则基于单个因子也能独立驱动短时强降水发生这一假设。本发明优选采用加权组合的方法建立潜势预报方程，将各因子贡献率作为因子潜势的权重，即有以下公式：

F

发布客观潜势预报产品：可生成0-36h内逐6小时短时强降水客观潜势预报产品。所述短时强降水客观潜势预报产品可以包括但不限于提供预报时段内关键的动力、热力和水汽条件信息，为气象预报员制作短时强降水落区、强度预报提供参考。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。