一种自动修正的多模式数值降雨集合预报方法

摘要

本发明涉及一种自动修正的多模式数值降雨集合预报方法，包括以下步骤：步骤1、各种数值大气预报模式的选取；步骤2、模拟预报，输出每隔T小时降雨数据；步骤3、降雨预报结果的评价；步骤4、各模式预报权重系数的确定；步骤5、发布本次预报结果。本发明在现有多模式集合降雨预报基础上，可以更加客观的评价各数值大气模式的降雨预报结果，集合降雨预报的最终结果不必过分依赖于人工决策，公布的降雨预报结果更具客观性。

说明书

技术领域

本发明涉及一种自动修正的多模式数值降雨集合预报方法，主要用于气象、水利 等部门开展的多模式集合降雨预报工作。

背景技术

长期以来，降雨预报作为数值天气预报的重要组成部分受到相关学者们的广泛关 注。由于降雨的形成过程与发生受大尺度大气环流、洋流、海陆位置、地形、下垫面及人类活 动等多方面的影响，因此降雨的时空分布存在诸多不确定性，其预报难度也较其他气象要 素大。一般的降雨预报时间步长为6h，时间步长越短，预报难度越大，预报精度往往越低；时 间步长太长，受模式自身预见期的影响，预报精度也会逐渐降低。近年来，随着数值大气模 式的不断发展与改进，以及计算机技术的进步，集合降雨预报成为气象、水利等部门进行降 雨预报的主要手段，其优点是可以一定程度上减小单一数值大气模式降雨预报的不确定 性，提高降雨预报的可信度。

目前，由于数值大气模式众多，如：美国的WRF模式、英国的UKMO模式、加拿大的MC2 模式、日本的JRSM模式以及我国的GRAPES模式等应用都较广泛。对于不同场次、不同类型的 降雨，各种模式也表现出不同的预报精度。因此如何选择和评价数值大气模式成为集合降 雨预报需要解决的首要问题。但如果因某种数值大气模式对一次或者几次降雨的预报效果 不佳，就人为决定不再选用该模式，这可能会增加模式预报的不确定性。人为决策是集合降 雨预报结果确定的重要方法，但对经验的依赖性较大，难免做出错误的判断或选择。

发明内容

本发明设计了一种自动修正的多模式数值降雨集合预报方法，其解决的技术问题 是现有对于不同场次、不同类型的降雨，各种预报模式也表现出不同的预报精度，如何选择 和评价最佳模式的数值降雨集合预报。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种自动修正的多模式数值降雨集合预报方法，包括以下步骤：

步骤1、各种数值大气预报模式的选取；

步骤2、模拟预报，输出每隔T小时降雨数据；

步骤3、降雨预报结果的评价；

步骤4、各模式预报权重系数的确定；

步骤5、发布本次预报结果。

进一步，步骤2中设置降雨输出的时间步长T为6h。

进一步，步骤3中在各选取的数值大气模式输出6h降雨预报结果后，依据本次降雨 的实测结果，对降雨预报结果进行定性与定量、时间与空间、点雨量与面雨量的综合评价， 并对评价结果进行打分。

进一步，步骤3中综合评价包括定性评价，所述定性评价首先将降雨的预报值与实 测值对比并进行分级评估，再根据评估结果构建分类评价指标，具体来说：

当使用分类指标在空间尺度进行评价时，首先对某一特定观测时刻i，处于不同观 测位置上的预测值与实测值进行对比，获得降雨量等级表中的分类变量NA_i、NB_i和NC_i，继而 将观测时段内不同时刻对应的分类指标按照1～4式进行统计平均，最终得到空间尺度上的 分类评价结果，其中空间尺度评价指标为：

准确率指标

频率偏差指标

误报率指标临界成功率指标

其中，NA_i、NB_i和NC_i分别代表第i个6h观测时段内的不同观测位置上的预报值与观 测值是否在降雨量等级表中对应的降雨等级中，N为观测时段的个数，而面雨量为各雨量站 处雨量的平均值；

在进行时间尺度评价时，首先对某一特定观测位置j上，不同观测时刻的预测值与 实测值进行对比，统计降雨量等级表中的分类变量，之后将研究区域各个观测位置的分类 指标按照5～8式进行统计平均，最终得到时间尺度上的分类评价结果，其中时间尺度评价 指标为：

准确率指标

频率偏差指标

误报率指标

临界成功率指标

其中，NA_j、NB_j和NC_j分别代表第j个观测位置上不同时刻的预报值与观测值是否在 降雨量等级表中对应的降雨等级中，M为观测位置的个数。

进一步，所述降雨量等级表为：

降雨等级 小雨 中雨 大雨 暴雨 大暴雨 特大暴雨 6h雨量(mm) 0.1～2.5 2.6～6 6.1～12 12.1～25 25.1～60 ＞60

上述变量NA_i、NB_i和NC_i的计算方法为：对于空间尺度评价时，某一个观测时段i内， 如果观测位置降雨的预测值与观测值均在上述六个降雨等级任何之一范围内，则给NA_i记 1；如果降雨的观测值在上述六个降雨等级任何之一范围内，而预测值不在该范围内，但不 为0，则给NB_i记1；如果降雨的观测值在上述六个降雨等级任何之一范围内，而预测值为 0mm，即数值大气模式未捕捉到降水，则给NC_i记1；

上述变量NA_j、NB_j和NC_j的计算方法为：对于时间尺度评价时，某一特定观测位置j 内，如果观测位置降雨的预测值与观测值均在上述六个降雨等级任何之一范围内，则给NA_j记1；如果降雨的观测值在上述六个降雨等级任何之一范围内，而预测值不在该范围内，但 不为0，则给NB_j记1；如果降雨的观测值在上述六个降雨等级任何之一范围内，而预测值为 0mm，即数值大气模式未捕捉到降水，则给NC_j记1。

进一步，步骤3中综合评价还包括定量评价，定量评价采用在误差分析中常用的4 个定量评价指标，当进行时间尺度评价时，P_i和O_i分别为在观测时刻i，研究区域面平均雨量 的预报值和实测值；如9～12式所示：

最大误差ME_t(maximumerror)＝max|P_i-O_i|(9)；

均方根误差

平均偏差

标准差

其中，i为不同的观测时段，N为观测时段的个数；所述MBE为平均偏差MBE_t的数值；

当进行空间尺度评价时，P_j和Q_j分别为在某个特定的空间位置j，整个观测时段内 累积雨量的预报值和实测值，如13～16式所示：

最大误差ME_s(maximumerror)＝max|P_j-O_j|(13)；

均方根误差

平均偏差

标准差

其中，j为不同的观测地点，M为观测点的个数；所述MBE为平均偏差MBE_s的数值。

进一步，步骤3中采用上述8个分类评价指标与8个定量评价指标，构建各数值大气 模式降雨预报的指标体系，进而依据上述16个评价指标对各个数值大气模式的降雨预报结 果进行评分；

假定选用m个数值大气模式，则对每一个评价指标进行归一化处理，如对于k个数 值大气模式的指标POD_tk：S_PODtk＝(POD_tk-POD_tmin)/(POD_tmax-POD_tmin)(17)；其中k取1、……、m， k为数值大气模式的个数；POD_tmax和POD_tmin分别为m个数值大气模式对应的m个PODt的最大值 和最小值。其他评价指标的归一化处理参照上述公式(17)进行计算；

归一化处理后，在对每一个数值天气模式打分，综合评分用S表示，S_k表示第k个数 值天气模式的综合评分：

$S_k=S_{{\mathrm{POD}}_{t_k}}\times S_{{\mathrm{POD}}_{s_k}}\times S_{{\mathrm{CSI}}_{t_k}}\times S_{{\mathrm{CSI}}_{s_k}}/\left(\begin{array}{c}{S}_{{\mathrm{FBI}}_{t_k}}\times S_{{\mathrm{FBI}}_{s_k}}\times S_{{\mathrm{FAR}}_{t_k}}\times S_{{\mathrm{FAR}}_{s_k}}\times S_{{\mathrm{ME}}_{t_k}}\times S_{{\mathrm{ME}}_{s_k}}\times \\ S_{{\mathrm{RMSE}}_{t_k}}\times S_{{\mathrm{RMSE}}_{s_k}}\times S_{{\mathrm{MBE}}_{t_k}}\times S_{{\mathrm{MBE}}_{s_k}}\times S_{{\mathrm{SD}}_{t_k}}\times S_{{\mathrm{SD}}_{s_k}}\end{array}\right)---\left(18\right).$

进一步，步骤4中依据各天气模式对本次降雨预报的评分除以各模式的综合评分 之和，得到的系数作为各模式本次降雨预报权重系数，作为下一次集合降雨预报的方案，权 重系数α_k计算方法为：

α_k＝S_k/(S₁+…+S_m)，其中k取1、……、m，k为数值大气模式的个数，S_k表示第k个数值 天气模式的综合评分。

进一步，步骤4中获得前一次降雨预报权重系数α_k后，当下一次降雨结束后，再用 下一次降雨的预报值与实测值来修正前一次各模式降雨预报权重系数α_k，作为以后降雨预 报的方案。

进一步，步骤5中集合降雨预报的所述预报结果为各模式预报结果乘以预报权重 系数：

P_P＝P_P1×α₁+P_P2×α₂+…+P_Pm×α_m(20)；

其中，P_Pm是第m个数值大气模式在某一观测位置，某一时段的预报雨量，α_m第m个数 值大气模式在某一观测位置，某一时段的权重系数。

该自动修正的多模式数值降雨集合预报方法具有以下有益效果：

(1)本发明在现有多模式集合降雨预报基础上，可以更加客观的评价各数值大气 模式的降雨预报结果，集合降雨预报的最终结果不必过分依赖于人工决策，公布的降雨预 报结果更具客观性。

(2)本发明提供了一种对降雨预报结果进行定性与定量、时间与空间、点雨量与面 雨量的综合评价指标体系，并利用该指标体系的评价结果对各模式进行打分，再依据各大 气模式对本次降雨预报的评分除以各模式的评分之和，得到的系数作为各模式本次降雨预 报权重系数，并最终确定下一次降雨的预报结果。

附图说明

图1：本发明自动修正的多模式数值降雨集合预报方法流程方框示意图。

具体实施方式

下面结合图1，对本发明做进一步说明：

本发明所采用的技术方案是基于评分法的自动修正数值集合降雨预报方法，该方 法主要分两个主要部分：一是各数值大气模式的运行，二是各数值大气模式运行结果的评 价和预报结果的集成，从而实现较客观的集合降雨预报，降低模式预报的不确定性。按照以 下步骤实施：

(1)数值天气预报模式的选取：选取目前用于数值天气预报的若干主流大气模式， 安装在同一天气预报平台上。

(2)模拟预报：在天气预报平台上，分别设置并处理各模式的初始次、边界条件、物 理参数化方案、地形数据等，按照各模式的操作方法分别运行，进行降雨预报，按照时间步 长6h输出降雨预报结果。

(3)降雨预报结果的评价：依据本次降雨的实测结果，对各模式的降雨预报结果进 行定性与定量、时间与空间、点雨量与面雨量的综合评价，并对评价结果进行打分。

定性评价首先将降雨的预报值与实测值对比并进行分级评估，分级标准按照表1 所示。再根据评估结果构建分类评价指标，空间尺度评价指标如(1)～(4)所示，时间尺度评 价指标如(5)-(8)所示。

表1降雨量等级表

降雨等级 小雨 中雨 大雨 暴雨 大暴雨 特大暴雨 6h雨量(mm) 0.1～2.5 2.6～6 6.1～12 12.1～25 25.1～60 ＞60

准确率指标

频率偏差指标

误报率指标

临界成功率指标

其中，NA_i、NB_i和NC_i分别代表第i个6h观测时段内的不同观测位置上的预报值与观 测值是否在表1中对应的降雨等级中，N为观测时段(6h)的个数，而面雨量为各雨量站处雨 量的平均值。

准确率指标

频率偏差指标

误报率指标

临界成功率指标

其中，NA_j、NB_j和NC_j分别代表第j个观测位置上不同时刻的预报值与观测值是否在 表1中对应的降雨等级中，M为观测位置的个数。

变量NA、NB和NC的计算方法为：例如对于空间尺度评价时，某一个观测时段i内，如 果观测位置降雨的预测值与观测值均在0.1～2.5mm(小雨)范围内，则给NA_i记1；如果降雨 的观测值在0.1～2.5mm(小雨)范围内，而预测值不在该范围内，但不为0，则给NB_i记1；如果 降雨的观测值在0.1～2.5mm(小雨)范围内，而预测值为0mm，即数值大气模式未捕捉到降 水，则给NC_i记1。

假设一共6个观测位置，一个观测值位置上的预测值与观测值均在0.1～2.5mm(小 雨)范围内，则NA_i＝1，两个观测值位置上的观测值在0.1～2.5mm(小雨)范围内，而预测值 不在该范围内，但不为0，则NB_i＝2，三个观测值位置上的观测值在0.1～2.5mm(小雨)范围 内，而预测值为0，则NCi＝3，因此第i个时段的POD_s＝1/(3+1)＝1/4，FBI_s＝(1+2)/(1+3)＝ 3/4，FAR_s＝2/(1+2)＝2/3，CSI_s＝1/(1+2+3)＝1/6，这是第i个时段的统计结果，那么将N个 时段的各指标值都计算出来，求平均值即可。对于时间尺度评价时，计算方法同理。

定量评价采用在误差分析中常用的4个定量评价指标，当进行时间尺度评价时，P_i和O_i分别为在观测时刻i，研究区域面平均雨量的预报值和实测值。如(9)～(12)式所示：

最大误差ME_t(maximumerror)＝max|P_i-O_i|(9)；

均方根误差

平均偏差

标准差

当进行空间尺度评价时，P_j和Q_j分别为在某个特定的空间位置j，整个观测时段内 累积雨量的预报值和实测值.如(13)～(16)式所示：

最大误差ME_s(maximumerror)＝max|P_j-O_j|(13)；

均方根误差

平均偏差

标准差

联合上述8个分类指标与8个定量指标，构建各数值大气模式降雨预报的指标体 系，进而依据上述16个指标对各个数值大气模式的降雨预报结果进行评分。假定选用m个数 值大气模式，则对每一个指标进行归一化处理。

如对于指标POD_t：S_PODtk＝(POD_tk-POD_tmin)/(POD_tmax-POD_tmin)(17)；

其中k取1,……,m。

归一化处理后，在对每一个数值天气模式打分，综合评分用S表示，S_k表示第k个数 值天气模式的综合评分：

$S_k=S_{{\mathrm{POD}}_{t_k}}\times S_{{\mathrm{POD}}_{s_k}}\times S_{{\mathrm{CSI}}_{t_k}}\times S_{{\mathrm{CSI}}_{s_k}}/\left(\begin{array}{c}{S}_{{\mathrm{FBI}}_{t_k}}\times S_{{\mathrm{FBI}}_{s_k}}\times S_{{\mathrm{FAR}}_{t_k}}\times S_{{\mathrm{FAR}}_{s_k}}\times S_{{\mathrm{ME}}_{t_k}}\times S_{{\mathrm{ME}}_{s_k}}\times \\ S_{{\mathrm{RMSE}}_{t_k}}\times S_{{\mathrm{RMSE}}_{s_k}}\times S_{{\mathrm{MBE}}_{t_k}}\times S_{{\mathrm{MBE}}_{s_k}}\times S_{{\mathrm{SD}}_{t_k}}\times S_{{\mathrm{SD}}_{s_k}}\end{array}\right)---\left(18\right).$

(4)各模式预报权重系数的确定：依据各天气模式对本次降雨预报的评分除以各 模式的评分之和，得到的系数作为各模式本次降雨预报权重系数，作为下一次集合降雨预 报的方案。当且仅当本次降雨实测降雨量大于0.1mm时，才进行降雨预报权重系数的调整。 权重系数计算方法为：

α_k＝S_k/(S₁+…+S_m)(19)。

权重系数越大，即α_k越大，表明第k个数值大气模式的预报值与观测值更接近。

(5)预报结果发布：依据本次降雨确定的各模式降雨预报权重系数，对下一次降雨 进行预报并发布预报结果，预报结果为各模式预报结果乘以预报权重系数：

P_P＝P_P1×α₁+P_P2×α₂+…+P_Pm×α_m(20)

其中，P_Pm是第m个数值大气模式在某一观测位置，某一时段的预报雨量。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式 的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明 的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。