基于WRF模式的紫外線指數逐小時預報模型

應 爽， 謝靜芳， 劉海峰， 于月明， 王 寧

(1.長春市氣象局，長春 130000； 2.吉林省氣象服務中心，長春 130062； 3.吉林省氣象臺，長春 130062)

引 言

紫外線(Ultraviolet，UV)在太陽輻射光譜中的長度范圍為100-400 nm，它對人類健康、生態環境和地球氣候等具有較為復雜和重要的影響。例如，紫外線具有殺菌作用，但過量的輻射又容易引發皮膚癌等疾病。因此，對紫外線輻射(Ultraviolet Radiation，UVR)強度的監測、預報和研究具有重要意義[1-4]。紫外線指數(Ultraviolet Index，UVI)是衡量某時某地紫外線輻射對人體可能影響(即強度)的國際計量標準。

紫外線輻射的預報模型主要有統計預報模型和輻射傳輸模型。加拿大率先于20世紀90年代初期開展紫外線指數預報，并提出通過擬合大氣參數與紫外線指數的觀測值，建立回歸方程進行估算的經驗方法(即統計預報法)[5]。統計預報方法建模相對簡便，在國內業務中較為常用。陳炳洪[6]、武輝芹[7]、高迎娟[8]、劉雨軒[9]等分別基于常規地面氣象觀測或數值模式氣象要素預報，采用多元回歸方法建立了本地的紫外線預報模型。賈艷輝等[10]對比了逐步回歸方法和灰色系統理論的建模結果。王寶書等[11]基于云量等常規氣象要素觀測資料，探索了長春市紫外線輻射強度分季節逐小時統計預報方法。孫翠鳳等[12]結合常規氣象要素與空氣質量資料，建立了逐月的本地預報方程。輻射傳輸模型物理意義較為明確，但部分參數較難獲取。美國國家天氣局(NWS)和我國國家氣象中心(NMC)均通過輻射傳輸模式推斷到達地面的紫外線輻射量[2,13]。傅炳珊等[14]基于中分辨率大氣輻射傳輸模式，建立了石家莊夏季晴空或少云狀態下的紫外線預報模型。白建輝[15]、蔡新玲[16]、張云海[17]、劉慧[18]、蔣璐璐[19]等分別基于大氣輻射傳輸機理，建立了本地的紫外線估算或預報模型。郜婧婧等[20]在參數時空變化基礎上進行改進，建立了全國UVR強度預報模型。近年來，神經網絡等人工智能方法也廣泛應用于紫外線輻射的估算[21, 22]。胡春梅等[23]將兩種人工智能非線性模型(BP神經網絡模型和支持向量機模型)應用于紫外線預報，并與線性逐步回歸模型進行了對比。

我國目前進行的是白天10-14時之間最大紫外線輻射強度轉換的紫外線指數的逐日預報，以往建模對象通常是紫外線輻射強度的日預報值，建模數據多采用全球模式，少有針對逐小時精細化預報方法的研究，且經驗模型因子多以常規氣象要素為主。隨著大城市精細化預報服務需求的提升，智能網格等預報技術的快速發展，基于高時空分辨率的中尺度數值模式，研究逐小時的紫外線精細化預報方法，具有必要性和可行性。WRF (Weather Research and Forecasting) 模式在長春地區的預報業務中運行穩定，質量可靠，且除常規氣象要素外，還運算輸出若干與紫外線輻射直接相關的物理量，可應用于經驗模型的紫外線預報。因此，嘗試采用WRF模式模擬輸出的紫外線輻射相關物理量(以下統稱“輻射因子”)與常規氣象要素(以下統稱“氣象因子”)的逐小時數據，結合長春市紫外線逐小時觀測資料，利用多元回歸方法，對比了單純以氣象因子建模和綜合氣象因子、輻射因子建模的效果。根據兩種模型的預報結果，采取第二種方式分季節建立了長春市未來24 h時效的紫外線指數逐小時預報模型。相比以往的預報模型研究，此方案不僅具有統計預報方法建模相對簡便的特點，而且充分考慮了輻射因子的作用，建立的預報模型物理意義明確，同時解決了輻射參數不易獲取的問題。此外，將預報的時間分辨率由通常的24 h縮短為1 h，提高了紫外線的精細化預報服務能力。

1 資料與方法

1.1 紫外線觀測資料

采用的實況資料為2012年1月1日-2014年12月31日吉林省長春市通帶式波段輻射計觀測到的逐小時紫外線累計輻射強度。考慮實際業務需求，按照紫外線輻射強度、紫外線指數及其等級的換算對應關系(表1)[2]，將輻射強度換算為指數進行研究。

表1 紫外線輻射強度、指數及級別換算對應表

1.2 WRF模擬輸出

以NCEP提供的FNL(Final Operational Global Analysis)1°×1°間隔6 h再分析資料為初始場，采用吉林省實際業務運行的WRFV3.3.1方案，計算輸出了2012年1月1日-2014年12月31日的逐小時預報產品，并在常規氣象要素的基礎上，增加輸出了與輻射相關的物理量。

其中，WRFV3.3.1采用較為常用的Lin微物理方案、KF積云對流方案、Duhdia短波輻射方案、RRTM長波輻射方案、YSU邊界層方案等[24-27]；網格方案采用雙重嵌套，第一層網格間距為9 km，第二層網格間距為3 km；垂直坐標37層。計算輸出資料的空間范圍為40°-47°N、121°-132°E，水平分辨率為1°×1°，時間分辨率為1 h。

2 紫外線逐小時預報模型

2.1 樣本設置

采用上述長春市紫外線逐小時觀測資料，按照表1將輻射強度換算成指數進行統計分析，得到紫外線指數的日變化特征曲線(圖1)。曲線呈拋物線型，中午前后指數最大，即輻射最強，06時之前和18時之后基本無輻射。

圖1 2012-2014年長春市紫外線指數的日變化特征曲線

綜合考慮紫外線日變化特征和實際業務需求及運算成本，選取每日08-16時的紫外線指數與WRF輸出數據，剔除缺測值和奇異值后，得到樣本共計9414個，以2012-2013年數據(6210個樣本)作為訓練集進行建模，以2014年樣本作為測試集進行試報檢驗。

2.2 預報因子分析

將WRF輸出的氣象要素及輻射相關物理量與紫外線指數實況進行相關分析，其相關系數通過α為0.01的顯著性檢驗，符合物理意義的要素共17個(表2)。

表2 17個與UVI相關系數在10%以上且通過α為0.01的顯著性檢驗的WRF輸出要素

由相關分析結果可見，氣象因子當中，地面及低層大氣氣溫與紫外線指數呈現較明顯的正相關；輻射因子當中，SWDOWN(downward short wave flux at ground surface)表征到達地表高度的太陽短波輻射，SWDOWN與紫外線指數相關性最好，即地表接收到的短波輻射通量與地面紫外線觀測值統計關系較為密切。兩種類型因子對比來看，SWDOWN和GRDFLX相比大多數氣象因子來說，與紫外線指數的相關性更好。

各因子之間的相關性分析顯示，T925、T850和T700之間的相關系數均大于等于0.95，Q925和Q700直接的相關系數為0.84，為避免多線重疊，優先選取近地面要素，去掉T850、T700和Q700，以其余14個要素作為回歸方程待選因子。

2.3 建模方式對比

為對比和檢驗輻射因子對紫外線指數的影響貢獻，首先嘗試分別從只考慮氣象因子、綜合考慮輻射和氣象因子兩個角度建立預報模型，并考察了兩種方式所建立的預報模型的效果。

選取氣象因子作為自變量，紫外線指數實況為因變量，進行多元逐步回歸，得到預報方程(1)，選取氣象因子和輻射因子共同作為自變量進行建模，得到方程(2)。

Y=-11.398-0.038x1-0.083x2+
0.137x3+0.062x4

(1)

Y=-3.399+0.032x1-0.023x2+0.42x3+
0.035x4+0.004x5

(2)

式中，Y為紫外線指數的逐小時預報值，方程(1)中x1-x4分別為Q925、T925、T2、WS10，方程(2)中x1-x5分別為Q925、T925、T2、WS10、SWDOWN。兩個方程的復相關系數見表3。

中國氣象局對紫外線預報質量實行等級誤差考核評分辦法，即當紫外線指數等級預報的誤差為0級時得分為100，誤差為1級時得分為50。根據此辦法，對方程進行擬合，擬合結果見表3。

表3 兩種不同建模方式所得方程的復相關系數和擬合率

由表3可見，與方程(1)相比，方程(2)的復相關系數、0級擬合率和1級以內擬合率均有明顯提高。其中復相關系數提高了29%，說明采用綜合氣象因子和輻射因子的方式建模，方程穩定性增強，擬合效果明顯優于單純氣象因子預報模型的效果。

2.4 分季節的綜合因子預報模型

采取綜合氣象因子和輻射因子的建模方式，按照長春市氣候特征，劃分四季(春夏秋冬四季分別為4-5月、6-8月、9-10月、11月-次年3月)，建立了分季節的長春市逐小時紫外線預報模型：

Yspr=-3.339-0.013x1+0.143x2+
0.105x3+0.02x4

(3)

Ysum=-8.44-0.209x1+0.248x2-0.008x3

(4)

Yfal=1.133+0.202x1+0.088x2-0.023x3

(5)

Ywin=-1.906+0.01x1+0.062x2-
0.005x3+0.006x4

(6)

其中，Yspr、Ysum、Yfal、Ywin分別為春、夏、秋、冬四個季節的紫外線預報指數；方程(3)中，x1-x4分別為GRDFLX、WS10、Q925、T2，復相關系數為0.445；方程(4)中，x1-x3分別為T925、T2、GRDFLX，復相關系數為0.322；方程(5)中，x1-x3分別為Q925、WS10、GRDFLX，復相關系數為0.648；方程(6)中，x1-x4分別為T925、WS10、GRDFLX、SWDOWN，復相關系數為0.752。

可以看到，與紫外線指數相關性較好的GRDFLX得以進入回歸方程。方程組擬合結果如表4。與不分季節的預報方程(2)相比，秋冬兩季的方程復相關系數更大，穩定性更強，擬合過程中，1級以內擬合率有所提高。可見，在秋冬兩季采用分季節的預報方程，可改善季節性預報偏差；春夏兩季的方程表現略差，可能與樣本數量有一定關系。

表4 綜合氣象和輻射因子建立的分季節預報方程的復相關系數和擬合率

綜上，采用春秋季使用方程(2)、秋冬季分別使用方程(3)和(4)的方式，作為最終的分季節的綜合因子預報模型。

3 模型效果檢驗

為檢驗模型預報效果，采用最終的綜合因子預報模型，對2014年樣本進行了試報檢驗。另外，本地實際業務中采用的是與方程(1)類似，即僅考慮氣象因子的預報模型(以下稱為原有模型)，采用該模型進行了對比檢驗。根據檢驗結果(表5)，綜合因子預報模型的1級內擬合率達92%，試報效果較原有模型有明顯提高。

表5 兩種預報模型的試報擬合率

4 結論與討論

本文基于WRF模式模擬輸出的2012-2014年長春市的常規氣象要素及與輻射相關的物理量，結合紫外線實況，采用多元回歸方法，建立了分季節的長春市逐小時紫外線指數預報模型。

建模因子當中，地面及低層大氣氣溫與紫外線指數呈現較明顯的正相關，地表接收到的短波輻射通量與地面紫外線觀測值統計關系最為密切；部分輻射因子相比大多數氣象因子而言，與紫外線指數具有更好的相關性。綜合氣象因子和輻射因子建立的紫外線逐小時預報模型，穩定性和擬合效果都明顯優于單純采用氣象因子建立的預報模型，說明輻射因子在紫外線預報中較有優勢。

以綜合因子建模方式，建立了分季節的紫外線逐小時預報方程，秋冬兩季的方程穩定性和1級以內擬合效果較不分季節的預報模型的有所提高。最終確立的分季節的綜合因子預報模型試報1級擬合率達92%，效果較本地原有模型有明顯提升。

輻射因子便于從業務運行的中尺度數值模式中獲取，結合統計建模方法，能夠以較低成本有效提高紫外線預報的精細化程度和預報效果，值得在業務中應用。考慮到實際業務中模式可能出現調整升級，可進一步采取滑動訓練期等方式對模型進行改進。