中央氣象臺精細化網格降水預報技術的發展和思考*

諶 蕓 曹 勇 孫 健 符嬌蘭 董 全 于 超 劉湊華 唐 健 郭云謙

1 國家氣象中心，北京 100081 2 南方海洋科學與工程廣東省實驗室(珠海)，珠海 519082

提 要： 定量降水預報(QPF)是中央氣象臺最傳統且最核心的天氣預報業務，隨著經濟社會的快速發展對降水預報精細化程度需求越來越高，提升降水預報的精細化水平成為中央氣象臺面臨和需要解決的首要問題之一。目前中央氣象臺制作和發布空間分辨率5 km，未來3天逐1 h時間間隔、未來10天逐3 h時間間隔的網格化定量降水預報產品，并發布雨、雨夾雪、凍雨和雪降水相態及新增積雪深度的精細化預報產品。本文圍繞精細化降水預報技術這一關鍵環節，回顧了中央氣象臺在數值模式精細化降水預報、時空精細化降水預報技術、降水相態和新增積雪精細化預報技術以及精細化檢驗評估技術等方面的進展，并思考目前精細化降水預報業務技術發展存在的問題及未來的發展，以期為中央氣象臺和全國精細化QPF技術的發展提供重要參考。

引 言

定量降水預報(QPF)是中央氣象臺最傳統且最核心的預報業務，20世紀60年代中后期便開始國家級定量降水預報業務(宗志平等，2012)。隨著經濟社會快速發展對降水預報的精細化程度提出了更高的需求，如何在提高預報準確率的同時又能滿足社會各界對降水預報產品精準化需求，是中央氣象臺面臨和需要解決的首要問題。經過幾十年的發展，中央氣象臺降水預報的精細化程度有了很大的提高。

長期以來，中央氣象臺開展的全國范圍內降水預報業務的預報產品為等級落區預報，時空分辨率較低，預報時效不長，更新頻次較少。到2012年，中央氣象臺QPF業務包括：每日兩次未來1天逐6 h時間間隔的短時定量降水預報以及未來7天逐24 h時間間隔的短中期定量降水預報。2014年中央氣象臺組織開展網格化定量降水預報技術研發和系統建設，并發布空間分辨率5 km，未來3天逐 1 h 時間間隔、未來10天逐3 h時間間隔的網格化定量降水預報產品，該產品較大程度滿足了社會對于數字化網格化天氣預報服務的需求(金榮花等，2019；曹勇等，2016)。同時在降水相態預報方面，也由原來只有雨和雪預報，提升到雨、雨夾雪、凍雨、雪等降水相態預報。對于降雪預報，不僅有降雪量預報還有積雪深度(包括新增積雪深度)預報。相比而言，美國海洋和大氣局下屬的定量降水預報部門經過若干年的技術及平臺的研究設計，已搭建起較為成熟的定量降水預報格點化技術體系，能夠提供0～168 h預報時效的格點化定量降水預報產品，最短時間分辨率為6 h、最高空間分辨率為5 km，并能提供如grib2，shapefile，KML等多種流行的氣象存儲格式供公眾下載使用(Novak et al,2014)。其定量降水預報格點化產品儲存于國家數字預報服務器中，并可通過網頁互動的形式展示和訪問，在此基礎上，美國國家大氣海洋局于1994年開始進行逐小時快速更新同化預報，至2016年已經歷三代系統升級，空間分辨率由60 km升級至當前的3 km，更新頻率由3 h一次升級為1 h一次，覆蓋區域為北美大陸，預報時效為短時18 h(Benjamin et al,2016)。由于美國快速更新同化工作起步快，工作框架統一，降水預報也包含其中統一考慮，但其結果主要是模式輸出結果，業務中并未進行進一步的實況更新訂正工作。我國的國家級QPF業務與之存在一定差距，但思路也略有區別。

為支撐精細化降水預報業務的發展，需要發展現代化QPF精細化預報技術。在目前基于數值模式的現代天氣預報中，數值預報模式的發展是現代預報技術的基礎,主導著整個QPF業務的發展(李澤椿等，2019；鐘琦等，2020)。在數值模式基礎上，為進一步提高降水預報準確率，則需要在主客觀融合的平臺上采用數據挖掘方法從海量預報數據中獲取最優的客觀預報；同時，預報員在模式和最優客觀預報的基礎上發揮人的作用,依靠對天氣概念模型的構建、模式預報的理解進行可能的主觀訂正；在準確率提升的基礎上，通過降尺度等統計方法加入降水的氣候、地形分布等信息進行時空降尺度,獲得更高分辨率產品，實現時空、相態等方面的精細化預報。實時檢驗評估技術貫穿整個技術流程, 提供模式及產品誤差和質量信息,改善數值模式,同時支持預報員主觀訂正以及對預報質量的管理。為此，本文對當前國家級精細化降水業務技術的發展現狀進行總結，并對未來發展提出思考。

1 精細網格預報的基礎信息——數值預報

中央氣象臺目前業務中綜合使用來自不同預報中心的模式系統，由于不同模式同化不同觀測資料，同時采用不同動力框架和物理參數過程，導致對不同區域、季節、時效和類型的天氣預報各有優缺點。另外，不同類型的數據源可提供相互補充的QPF信息，例如全球數值模式系統能夠提供大尺度系統的降水信息，集合模式系統能夠提供預報的不確定性和低概率的極端天氣信息，高分辨率中尺度模式可提供對流性降水系統的形態、演變等特征。因此整合海量數值模式預報數據信息是精細化QPF的基礎。

歐洲中期天氣預報中心(以下簡稱EC)成立于1975年， 該中心于1979年6月首次做出了實時的中期天氣預報，1979年8月1日開始發布業務性中期天氣預報，為其成員國提供實時的天氣預報服務。EC的全球模式IFS(Integrated Forecasting System)從業務運行以來，模式分辨率不斷提高，核心的資料同化系統技術也不斷得到發展，其預報水平一直處于全球中期天氣數值預報的領先地位。目前的EC中期天氣預報系統由一個確定性預報和包含51個成員的集合預報系統組成，資料同化為集合四維變分EDA(ensemble of data assimilations)，系統每天運行四次，其中確定性預報分辨率約為9 km，每次進行10 d預報，其北半球可用預報天數接近9 d。集合預報系統分辨率約為18 km，每次15 d預報，提供概率預報產品。

美國國家環境預報中心(NCEP)早在20世紀80年代(Stackpole，1973),就率先將全球數值預報模式投入業務運行，其分辨率為2.5°，垂直層次為8層。1980年8月全球譜模式及優化插值產生的初始條件進入業務模式系統，預報能力和時效得以延長和提高(Sela，1980)。隨著高性能計算機的快速發展、參數化方案的引入，初始分析、資料同化系統的改進和完善，全球譜模式增加為每天四次，預報時效至16 d，水平分辨率達到13 km，垂直方向為混合垂直坐標共64層。2019年 6月，結束了長達40年的全球譜模式的使用，新的FV3非靜力平衡模式以及新的、改進的物理過程投入業務運行，水平分辨率為13 km，垂直方向為混合垂直坐標共64層，初始分析場為四維混合同化系統。其有效預報能力(60%AC)穩定在8.5 d左右。

我國全球與區域同化預報系統(GRAPES)全球數值模式(GRAPES_GFS)，特別是GRAPES-Meso/RAFS(徐枝芳等，2013)和GRAPES-3 km中尺度數值模式的建成極大地支撐了降水時空和相態的精細化預報。

GRAPES-Meso自2006年在國家氣象中心業務化運行以來，成為中央氣象臺主要應用的區域數值模式，其先后經歷了三次大的業務系統升級：1)2014年，實現GRAPES-Meso V4.0版的業務升級(黃麗萍等，2017; 莊照榮等，2019)，提高模式水平和垂直分辨率(10 km,L50)，解決降水預報偏差偏大、近地面溫度預報偏差過大以及計算不穩定等關鍵業務問題，增強資料尤其是非常規資料的同化能力，整體技術和預報能力均有明顯提升;2)2018年，GRAPES-Meso V4.3業務化運行，三維云分析系統的業務化應用(朱立娟等，2017)，明顯提高系統快速循環同化預報能力;3)2019年，GRAPES-Meso全國3 km分辨率系統實現準業務化運行，其降水和近地面要素的預報能力明顯優于GRAPES-Meso 10 km系統，標志著GRAPES首次實現覆蓋全國范圍的對流可分辨(千米級分辨率)的業務預報，有效提高我國中小尺度災害性天氣預報能力，同時明顯提升對西部地區業務天氣預報的支撐能力。通過這幾次關鍵技術的升級，GRAPES-Meso的降水預報ETS評分(Jolliffe and Stephenson，2003)逐年提高(圖1)。

圖1 2007—2019年GRAPES-Meso模式24 h 降水預報檢驗ETS評分年平均演變Fig.1 Annual averaged ETS score for 24 h accumulated precipitation prediction of GRAPES-Meso from 2007 to 2019

隨著2019年國家氣象中心完成GRAPES覆蓋全國范圍的3 km分辨率系統業務化，實時給國家級和各級預報臺站提供模式預報產品，有效支撐國家級和各級臺站的中小尺度災害性天氣預報業務。其主要工作包括：1)在三維雷達質量控制拼圖系統中實現對SC/CD/CC型號雷達資料的讀取、質量控制及拼圖處理，為模式提供全國范圍特別是西部地區的云初始信息;2)采用初始時刻水平平均場優化初始參考廓線，實現單調水平擴散方案，提高動力框架計算精度及穩定性;3)改進優化邊界層方案和云量診斷方案，提高對2 m溫度和降水的預報精度(圖2);4)直接診斷及輸出螺旋度、垂直風切變產品，增加降水相態(降雪)產品，為中小尺度災害性天氣預報提供大量診斷分析產品，有力地支撐降水精細化預報的發展。

圖2 業務模式在2019年夏季(6—8月)的3 h強降水(≥10 mm)TS評分 (來自中國氣象科學研究院區域高分辨率數值預報檢驗評估平臺)Fig.2 TS score for heavy rainfall (≥ 10 mm·3 h-1) forecast from different NWP models in 2019 summer (From the Regional High-Resolution NWP Verification System, developed by Chinese Academy of Meteorological Sciences)

GRAPES-3 km模式系統雖然取得較大進展，但是還有許多需要完善之處，如：尚未實現其同化系統和云分析的業務化，大量高時空分辨率資料未能在業務中發揮作用，同時由于尚未實現區域模式連續滾動循環，導致其中尺度信息需要較長的“spin-up”時間，難以發揮高分辨率模式對時空精細化特別是短時臨近預報的支撐。因此，GRAPES研發團隊在當前GRAPES-3 km模式系統基礎上建立3 h循環系統以實現每天8次更新預報，解決高密度觀測資料同化和實現模式“暖啟動”的關鍵問題，具體主要包括同化系統中關鍵參數如背景誤差參數的重新統計、多尺度水平相關、質量控制變量和UV風場控制變量的實現，高時空密度資料如地面濕度、AMSUA資料、雷達、FY-4衛星資料的有效同化等。經過研發和大量試驗，GRAPES-3 km 3 h循環預報系統于2020年6月實現業務運行，評估表明其預報能力優于目前GRAPES-3 km模式，為降水精細化預報奠定了重要基礎。

2 網格降水預報的主客觀融合、時空降尺度技術和滾動更新方法

2.1 主客觀融合降水反演技術

降水時空精細化預報特點主要從空間、時間以及高頻次滾動更新三個方面體現。目前中央氣象臺可提供逐小時更新，空間分辨率為5 km，未來3天內逐1 h時間間隔，未來10天內逐3 h時間間隔的網格化定量降水預報產品，該產品的生成主要依賴網格化降水預報技術和快速滾動更新精細化降水預報技術。

降水主客觀融合以及時空降尺度技術高分辨率網格化降水預報產品并非通過簡單數值模式降水預報的空間插值獲取，而是對預報員對數值模式的檢驗評估、降水天氣形成機制的分析及長期的預報經驗基礎上的主觀預報結果進行網格化降水預報技術的應用，實現降水精細化預報。網格化降水預報技術主要包括：主客觀融合降水反演技術、降水空間統計降尺度技術、降水時間拆分技術3個技術。

主客觀融合降水反演技術主要包括以下四個步驟：1)基于多模式QPF實時數據集，依據針對不同時效、季節、需求的使用經驗，挑選合適的QPF數據源；2)根據對歷史、近期預報檢驗和對未來不確定性評估，采用多模式QPF集成技術獲得最優猜測場；3)基于各種天氣概念模型和對模式誤差的理解，利用QPF預報場調整技術、等值線訂正技術進一步校正最優猜測場；4)等值線主客觀融合反演技術，主要利用最優客觀降水預報背景場以及預報員主觀等級落區預報實現與業務模式分辨率相當的粗網格格點化定量降水預報。在此基礎上，通過降水空間統計降尺度技術實現從粗到細網格降水場轉變。由于動力降尺度需要依賴成熟可靠的中尺度模式和耗費大量計算資源和時間(Pavlik et al，2012)，實際預報業務中一般利用統計降尺度技術，如美國海洋和大氣局下屬的水文預報中心，使用地形地圖投影技術進行降水降尺度(Schaake et al, 2004)。中央氣象臺使用降尺度比例矢量技術來實現降水的空間統計降尺度(蘇翔和袁慧玲，2020)，利用粗與細分辨率的定量降水估測產品，建立大尺度到小尺度降水的氣象統計關系并確定降尺度比例矢量，實現從粗到細網格降水的映射轉化。比例矢量關系由實況降水所得，能體現出局地由于地形或氣候特點導致的降水精細尺度的變化，體現不同空間尺度降水的氣象關系。降水時間拆分技術提高降水預報的時間分辨率，將某一時段總降水量合理地分配于各個精細化預報時段內，提高時間分辨率的同時也提高精細化時段內降水預報準確率。該技術假定，業務預報中使用的數值模式能較好反映出降水的時間變化過程，但降水量的預報準確率不高。因此需要將主客觀融合訂正后的網格總降水量信息合理分配到模式原始的降水預報過程中，以達到提高降水預報時間分辨率的目的(圖3)。

圖3 網格化定量降水預報流程圖Fig.3 Flow chart of gridded quantitative precipitation forecast technology

圖4為一次降水過程基于主客觀融合QPF平臺的預報思路及操作流程。多模式數據源評估發現：EC(圖4a1)、GRAPES-3 km(圖4a3)和華東區域高分辨率中尺度模式(簡稱華東9 km中尺度模式)(圖4a4)對雨帶形狀預報大體一致，NCEP模式(圖4a2)降水強度預報弱于其他模式，華東9 km中尺度模式(圖4a4)雨帶位置較其他模式略偏南。選擇上述模式進行融合，由于EC和中尺度模式在雨帶位置及強度預報等方面同預報員主觀分析結果接近，給定EC、華東9 km中尺度模式、GRAPES-3 km、NCEP的權重配比為38∶31∶20∶11。由于EC的近期預報檢驗量級跟實況接近且評分較高，且穩定性優于其他模式，而華東9 km和GRAPES-3 km中尺度模式預報量級偏大，因此概率匹配量級訂正選取EC模式。利用濾波調整，去除“噪音”降水，保留可信平滑預報結果。由于濾波操作，造成調整后強降水量級偏弱，通過值域調整進一步完成降水強度訂正后自動生成等值線及格點背景場。預報員在此基礎上稍作調整和修改即可完成預報。EC模式雨帶預報略偏北且量級偏弱，通過多模式對比、選擇和融合對落區進行訂正，并通過值域調整等完成量級訂正，預報效果較EC原始模式提高幅度明顯。

圖4 2019年7月8日強降水過程主客觀融合QPF平臺示意圖 (a)2019年7月7日20時起報的36 h預報數據：(a1)EC、(a2)NCEP、(a3)GRAPES-3 km和(a4)華東9 km； (b)相應權重集成選擇界面Fig.4 Schematic diagram of forecasted heavy rainfall on 8 July 2019 in south of the Yangtze River using QPF Master Blender (a) all models initiated at 20:00 BT 7 July 2019 with 36 h: (a1) EC, (a2) NCEP, (a3) GRAPES-3 km, (a4) The SMS-WRF-ADAS Real-Time Modeling System developed by Shanghai Meteorological Service (SMS-WARMS 9 km); (b) how four corresponding weights

2.2 快速滾動更新精細化降水量預報技術

由于中小尺度天氣系統的突發性(俞小鼎，2012)，每日2次的定時產品難以完全捕捉這類天氣系統，對其導致的降水預報能力有限。因此，當獲取到最新定量降水估測(QPE)產品，并發現與網格化定量降水預報存在較大差異時，或當發生突發性災害性強降水時，如何利用實時QPE產品實現對網格定量降水預報的訂正、以提高網格定量降水預報的準確率和實用性，是國家級網格化定量降水發展的一個重要方向。中央氣象臺主要是基于多尺度改進光流法的臨近外推預報技術、基于GRAPES-3 km的實時頻率匹配的降水預報偏差訂正技術和基于最優背景場生成技術的短中期定量降水預報技術來實現逐小時滾動更新訂正，相比美國純模式快速滾動更新，較多的模式后處理及數據處理技術被應用到該領域。

研究表明，定量降水預報存在可預報性問題，不同預報技術在不同預報時效內的預報技巧不同(Browning,1980)：0～2 h，臨近外推預報的預報技巧相對最高；2～12 h，基于快速更新同化的中尺度模式預報技巧相對最高；短中期時效，對天氣尺度系統預報全球模式預報效果會最高。基于此研究，可構建逐1 h快速滾動更新定量降水預報技術架構，如圖5所示，主要包括4個技術模塊:定量降水估測技術模塊，實現實時全國定量降水實況估測(潘旸等，2015)；基于多尺度改進光流法的定量降水短時臨近外推技術模塊，實現定量降水估測產品1～6 h的臨近外推預報；基于GRAPES-3 km實時頻率匹配訂正的短時定量預報技術模塊，實現定量降水1～18 h短時預報；基于最優背景場生成技術的短中期降水預報技術，即前期中央氣象臺定時網格定量降水預報技術(曹勇等，2016)。值得注意的是在臨近外推、短時及短中期降水預報之間會通過不同預報時效的準確率評估，利用權重函數相互融合，實現逐1 h快速滾動更新定量降水預報產品。

圖5 快速滾動更新定量降水預報流程圖Fig.5 Flow chart of the rapid update quantitative forecasting technology

2.3 滾動更新精細化降水預報檢驗

選取2019年5—10月共計6個月的實況、模式及滾動產品數據，對快速滾動更新精細化降水預報進行統計檢驗(圖6)。臨近預報方面：日降水預報平均圖中，區域模式(華東9 km)預報量級明顯偏大，貴州湖南西部等地雨量偏多；滾動降水預報的臨近時效預報雨量分布、量級大小等更接近實況格點降水分析。臨近時效(1～3 h)，滾動更新降水中的臨近外推方案也有明顯優勢，TS評分和空報率較區域模式和持續性預報更準確，而區域模式有明顯空報。但3 h以后，區域模式趕上并超過外推方案，滾動更新也轉以區域模式訂正產品為主。

圖6 2019年汛期(5—11月)的(a)格點日平均雨量,(b)華東9 km 24 h預報 累加日平均雨量及(c)快速滾動更新(臨近預報)逐2 h時效預報累加日平均雨量； 同時期臨近外推預報以及持續性預報降水(d)TS評分和(e)Bias評分(>5 mm·h-1)Fig.6 (a) The grid daily average rainfall analysis, (b) daily averaged accumulated rainfall of 24 h forecast by the regional model (East China), (c) rapid update of daily averaged rainfall with 2 h lead time of the 2019 flood season (May-November)； (d) TS score and (e) Bias score (>5 mm·h-1) of the precipitation in the same period, including the continuous forecast and nowcast of precipitation

短時預報方面：滾動預報以區域模式的客觀訂正為基礎，對短時時效各家模式及其訂正產品進行檢驗，如圖7，區域模式(華東、GRAPES-Meso)表現較全球模式(EC)更優，但仍有量級偏大問題(小雨量級24 h內逐小時Bias>2.0)。區域模式經過短時客觀預報訂正后(實時頻率匹配訂正技術)，有效降低了預報偏強現象 (小雨量級Bias在1.2左右)，同時有效地提升了預報準確率(晴雨及較強降水TS均明顯上升)。因此，在短時時效內，區域模式實時動態頻率匹配訂正產品是滾動更新降水預報最重要參考。

圖7 2019年汛期(5—11月)1～18 h短時預報時效，區域模式頻率匹配產品、 原始區域預報及EC模式降水預報性能檢驗(20時起報) (a)晴雨(>0.01 mm·h-1)，(b)強降水(>5 mm·h-1)Fig.7 Verification of short-time precipitation forecast from frequency matching products, original regional forecast and EC model precipitation forecast in 2019 flood season (May-November) (a) light rain (>0.01 mm·h-1), (b) heavy precipitation (>5 mm·h-1)

通過無縫隙動態融合各時效性能較好的訂正產品，生成滾動更新降水預報，其產品性能評分在整個0～24 h內各時效中均相對原始模式有明顯提升(TS及Bias相對優勢明顯)(圖8)。同時，由于產品根據最新實況進行調整，充分考慮模式和實況偏差，其滾動預報效果(準確率、TS等)較定時模式預報有更大提升(圖6，以3 h間隔的滾動預報為例)。

圖8 2019年汛期(5—11月)RUC無縫隙融合降水產品、短時臨近外推、區域模式和 EC全球模式降水預報性能檢驗:(a,c)20時起報；(b,d)08時起報 (a,b)晴雨(>0.01 mm·h-1),(c,d)強降水(>5 mm·h-1)Fig.8 Verification of hourly rain forecast from the RUC seamlessly integrated precipitation products and short-time extrapolation, rainfall forecasts of regional models and EC global models initiated at 20:00 BT (a, c) and 08:00 BT (b, d) in 2019 flood season (May-November) (a, b) light rain (>0.01 mm·h-1), (c, d) heavy precipitation (>5 mm·h-1)

3 網格降水相態和新增積雪的客觀精細化預報技術

降水相態精細化預報不僅包括雨、雪、雨夾雪和凍雨等天氣現象的預報，還包括降雪量和積雪深度(包括新增積雪深度)的預報。2008年低溫雨雪冰凍事件(楊貴名等，2008)之后，國內對雨雪相態的研究和預報技術的開發得到了極大的重視和發展。中央氣象臺開展了氣候背景態的統計分析、天氣學概念模型的歸納和建立，以及雨雪相態客觀預報方法的研究和開發，為降水相態精細化預報提供支撐。近年來中央氣象臺降水相態精細化預報的提高主要是在降水相態的客觀預報和新增積雪預報技術兩個方面。

3.1 網格降水相態的客觀預報技術

2012年前后，降水相態預報處于剛起步階段，其時空分辨率較低。中央氣象臺運用人工神經網絡，基于數值模式偏差訂正結果，開發了全國600多個站逐3 h的雨、雪和雨夾雪的客觀預報方法和產品(董全等，2013)。

近年來隨著智能網格預報的發展，對高時空分辨率(空間分辨率為5 km，時間分辨率為1～3 h)的降水相態格點預報提出新要求。中央氣象臺充分運用高時空分辨率地面資料，開發了基于地面2 m氣溫閾值法的降水相態預報方法(Chen et al,2014)和產品，以解決模式預報無降水處無相態預報的問題，以及在復雜地形區域模式相態預報精度較低的問題。運用我國1 000多個站點的地面觀測資料，基于過去30年(1981—2010年)天氣現象和地面2 m氣溫觀測，用頻數分析方法，以雨和雪頻數達到50%分別作為雨和雪的氣溫閾值(圖9a，9c)。選取克里金插值方法(劉世偉等，2015；李軍龍等，2006)，插值生成空間分辨率為0.05°的雨和雪格點化氣溫閾值(圖9b，9d)。基于智能網格氣溫預報就可以生成格點化雨、雨夾雪和雪預報產品。

圖9 雨(a，b)和雪(c，d)站點氣溫閾值(a，c)以及克里金插值格點氣溫閾值(b，d)Fig.9 Station temperature thresholds (a, c) and the gridded interpolation results (b, d) of rain (a, b) and snow (c, d)

EC模式基于溫濕層結曲線預報結果，通過經驗參數化模擬降水粒子下降過程中的相態變化，對降水相態進行直接預報(Gascón et al，2018)。檢驗結果(董全等，2020a)顯示其對我國的雨雪相態具有較好的預報能力，且集合預報系統降水相態概率預報結果較細網格確定性預報具有更高相對經濟價值和預報技巧。為挖掘集合預報系統對降水相態預報能力，提高預報效果，運用最優概率閾值法，通過歷史資料評估最優概率閾值，從而將概率預報轉換為確定性預報。結果顯示，集合最優概率閾值法預報效果最好(圖10)，相對于地面2 m氣溫閾值法和細網格確定性預報，明顯提高了四類降水相態預報正確率和HSS評分(董全等，2020b)。

圖10 08時(實線)和20時(虛線)起報，對2018年冬半年全國2 000多個站點雨雪相態 不同時效預報的HSS評分(a)和正確率(b) (OHHS：HSS評分最優，OTS：TS評分最優，OBias：Bias最優，HRD：EC細網格確定性模式， CF：集合預報系統控制預報，TT：地面2 m氣溫閾值法)Fig.10 The precipitation type forecast measures of HSS (a) and accuracy (b) with initial time of 08:00 BT and 20:00 BT at different lead times based on the dataset of more than Chinese 2 000 stations in the 2018 winter half year (OHSS： optimal HSS, OTS： optimal TS, OBias： optimal bias based on ensemble prediction system (EPS), HRD： EC high resolution deterministic model, CF： EPS control forecast, TT： 2 m temperature threshold method)

由于集合預報系統空間分辨率為0.5°，遠達不到智能網格預報5 km的分辨率要求，結合最優概率閾值法和地面2 m氣溫閾值法的預報結果進行融合和空間降尺度。假設降水相態是氣溫的分段反函數，而氣溫是海拔、經度和緯度的線性函數，并且氣溫垂直遞減率為濕絕熱遞減率。基于以上假設關系，當0.5°網格內兩種方法的站點相態預報出現差異時，結合高精度的地形高度資料將最優概率閾值法的預報結果進行空間降尺度，在保證高空間分辨率同時，進一步提高雨雪相態客觀預報效果。如圖11，實況雨雪分界線基本位于河南北部和山東北部沿黃河一線(圖11a)。兩種方法融合以后的產品(圖11a)，較細網格確定性模式(圖11d)以及兩種客觀方法(圖11b，11c)對雨雪相態預報都更好，可反映由于地形差異而導致的更細相態預報差異(如陜西中南部)。

圖11 2020年1月7日02時降水相態實況(散點)以及對應時刻的78 h時效預報(填色) (a)融合產品，(b)最優概率閾值法，(c)地面2 m氣溫閾值法，(d)細網格確定性預報Fig.11 The precipitation type observations at 02:00 BT 7 January 2020 (scatter point) and the corresponding forecast with 78 h lead time (colored area) (a) fusing product, (b) optimal HSS, (c) 2 m temperature threshold method, (d) ECMWF high-resolution deterministic model

地面2 m氣溫閾值法發揮地面觀測和智能網格預報資料高時空分辨率優勢，在地形復雜地區，可更為細致地刻畫出受海拔高度等因素影響的降水相態差異，但由于降水相態受整層溫濕層結影響，該方法存在較大局限性。基于集合預報系統的集合最優概率閾值法，可進一步改進雨雪相態預報效果，但受模式分辨率影響，無法滿足精細化預報要求。兩者融合產品，可發揮各自優勢，進一步改進現有降水相態格點預報效果。

3.2 新增積雪預報技術

早期中央氣象臺主要發布降雪量預報產品，無積雪深度預報產品。由于公眾并不清楚降雪量和積雪量區別，易造成公眾對降雪預報產品理解上的偏差(曹冀魯，2010)。由于缺乏新增積雪預報相關科學問題研究，以及相應預報方法與技術支持，業務上主要是基于雪水比(新增積雪深度/降雪量)經驗值(10∶1)進行新增積雪深度經驗預報。隨著公眾對氣象預報服務需求精細化程度的逐漸提高，對于降雪天氣而言，僅提供定量降水預報很難滿足需求，有必要開展定量積雪深度預報(QSF)。目前EC、NCEP等全球模式均提供積雪預報指導產品，從EC模式積雪預報方案可見，積雪預報是陸面物理過程的一部分，通過降雪量、雪密度等預報量診斷得到(ECMWF，2019)，由于模式對上述預報量預報存在一定偏差，積雪預報能力與業務需求存在一定差距。

近年來，歐美等氣象工作者已逐步開展積雪深度預報的技術與方法研究。目前國際上主要開展氣候學、統計學及物理學(Alcott and Steenburgh，2010)等三類方法研究，前期采用雪水比的經驗預報屬于氣候學方法。Bossolasco(1954)、Diamond(1954)、Judson and Doesken(2000)、Wetzel et al(2004)和Simeral(2005)針對當地的降雪天氣，通過線性回歸方法建立地面或700 hPa溫度與雪水比統計模型。Waldstreicher(2001)研究指出降雪微物理過程對于雪暴等強降雪天氣的形成至關重要，在分析冰晶類型、溫度垂直分布、垂直速度的空間分布特征的基礎上，在紐約以及賓夕法尼亞州建立了基于cross-hair signature 的雪暴預警方法，當最大垂直速度與樹枝狀冰晶形成的溫度環境處于同一垂直高度上時，則發布雪暴警報。Cobb and Waldstreicher(2005)利用溫度和雪水比的高斯分布特征，以垂直速度作為權重系數建立了雪水比的物理預報模型，最終結合降雪量的預報得到積雪深度的預報產品，該方法目前在美國國家氣象局(NWS)得到很好應用。Roebber et al(2007)通過分析溫度、濕度、地面風場等物理因子與雪水比統計關系，利用神經網絡方法建立雪水比預報模型，并在美國威斯康星大學建立實時融化比預報平臺。Alcott and Steenburgh(2010)通過分析溫度、對流層中層濕度、風速與融化比的統計關系，利用多元回歸方法建立了當地的融化比預報方程。

2015年中央氣象臺開展雪水比氣候特征以及關鍵影響因子研究，以北京和武漢站為例(圖12)，雪水比分布較廣，北京站雪水比最大可達37，最小為2，其中50%以上個例雪水比大于10∶1，而武漢站最大為27，最小為1，且40%雪水比低于5∶1，可見雪水比具有顯著的區域特征，經驗預報無法滿足積雪預報準確率的需求。

圖12 1951—2012年典型降雪個例雪水比分布 (a)北京，(b)武漢Fig.12 The frequency of snow to liquid ratio for the typical snow weather from 1951 to 2012 (a) Beijing, (b) Wuhan

在此基礎上，引用Cobb算法，基于溫度與融化比統計關系，以及云內抬升運動對冰晶增長效率等影響雪水比的關鍵因子構建了新增積雪的物理預報模型，通過地形降尺度技術以及中央氣象臺降水和相態智能網格技術，結合模式預報的溫度、濕度、垂直速度等物理量，開發了未來10天5 km分辨率的雪水比和新增積雪網格預報產品，目前該產品已在中央氣象臺業務中應用，在降雪預報中發揮了重要支撐作用。圖13為2019年10月1日至2020年3月20日期間EC模式和基于Cobb算法新增積雪短期時效(1～3 d)預報TS評分，可以看出Cobb算法大于3 cm的各新增積雪評分較EC明顯提高，表明該產品較EC模式在積雪較深的降雪過程預報中改進明顯。此外，從2019年11月18日新增積雪預報結果(圖14)可見：模式對積雪落區把握較好，同時對于東北地區東部大于10 cm的積雪預報較為準確，EC模式總體預報較實況明顯偏小。

圖13 2019年10月1日至2020年3月20日Cobb算法和EC全球模式新增積雪TS評分 (a)36 h預報時效，(b)60 h預報時效，(c)84 h預報時效Fig.13 TS score of the depth of new snowfall of Cobb method and ECMWF IFS model outputs with lead times of (a) 36 h, (b) 60 h and (c) 84 h from 1 October 2019 to 20 March 2020

圖14 2019年11月18日08時24 h累計新增積雪深度(單位：cm)實況(圓點)及預報(陰影) (a)基于Cobb算法36 h新增積雪客觀預報，(b)EC模式36 h新增積雪預報Fig.14 Synoptic verification of observed (dot) 24 h depth of new snowfall (unit： cm) at 08:00 BT 18 November 2019 and the forecast (shaded) (a) observed and Cobb method forecasted depth of new snowfall with 36 h lead time, (b) observed and EC forecasted depth of new snowfall with 36 h lead time

4 精細化網格預報檢驗評估技術

隨著精細網格預報業務的穩步推進，預報檢驗業務也逐步由對城鎮預報的檢驗向精細化網格預報檢驗發展過渡。目前中央氣象臺精細化網格預報檢驗主要包括以下幾個方面進展。

4.1 精細化網格預報檢驗的改進

(1)傳統的城鎮預報檢驗技術繼續被應用到精細化格點預報中。包括降水晴雨預報準確率、分級累加降水空報率、漏報率、TS評分和Bias評分等在內的傳統的檢驗指標，一方面能大致體現精細化網格預報的預報水平，同時也非常便于同歷史上城鎮預報產品進行對比，從而準確表現精細網格預報技術進步帶來的預報準確率的變化。

(2)擴大檢驗實況數據的時空范圍。傳統的城鎮預報只重點關注城鎮站點附近的天氣，遠離城鎮站點的地區通常沒有定量的預報，自然也無需相應檢驗。而智能網格預報覆蓋范圍內每個點，無論其是否鄰近觀測站點，都有了定量預報，也因此有了檢驗的需求。如果仍然以國家站的觀測數據作為檢驗的實況，顯然不能滿足大部分區域的檢驗需求。為此，中央氣象臺對自動站觀測資料進行梳理統計，挑選10 461個站點組成一套檢驗用稠密站點序列，通過擴展檢驗站點數量提高檢驗精細程度。

在站點稀疏地區，即使擴大檢驗站點數量，仍存在諸多遠離觀測站點區域的網格預報無法進行有效的檢驗。采用網格化的實況作為檢驗參照是一個必要選擇，其前提是充分準確地估算網格實況的誤差范圍，否則無法理解檢驗結果所代表的含義。然而在站點稀疏的區域對網格化實況的準確性評估本身也是一項困難的工作，這還有待于更深入的研究。

4.2 適應精細化網格預報的檢驗方法研發和應用

隨著精細化智能網格預報時空分辨率逐步提高，傳統的點對點的檢驗方法，包括常用的TS、Bias等檢驗方法缺乏對噪音的容忍能力，常出現“雙重懲罰”現象，其評分結果不能穩定體現預報產品的性能。

針對傳統檢驗方法在精細化網格預報中應用的問題，各類空間檢驗方法(Gilleland et al，2009)是有效的應對方案。目前，中央氣象臺研究和應用的空間檢驗方法主要有點對面檢驗、升尺度檢驗、鄰域空間檢驗等方法(陳法敬等，2019; 趙濱和張博，2018；唐文苑等，2018)，這些方法在一個相對更大的窗口內建立觀測和預報的匹配關系，因此能給出更加穩定檢驗結果。另外，基于目標識別的降水檢驗方法通過對預報和觀測中的降水雨帶進行識別和匹配，基于雨帶而不是站點進行檢驗，因此能給出更接近天氣學意義的檢驗結果，中央氣象臺也開展了相關方法研究和應用試驗(劉湊華和牛若蕓，2013；符嬌蘭和代刊，2016；牛若蕓等，2018)，目前國家級天氣預報檢驗分析系統(韋青等，2019)中正開展基于目標識別的降水檢驗的業務試驗。

5 精細化降水預報業務技術思考

5.1 GRAPES數值預報系統

GRAPES數值預報系統作為中央氣象臺降水預報的重要支撐，近年來得到了長足的發展，其預報能力逐年提高。但隨著業務預報逐漸走向精細化，模式發展也必須適應其要求。對“定時定點定量”的降水預報需求，數值天氣模式面臨更多的挑戰。一是高分辨率資料如何有效應用，如雷達(包括雙偏振雷達和相控陣雷達)和靜止衛星特別是FY-4衛星等。高時空分辨率資料提供的更新、更高效的觀測信息(包括云物理觀測信息)，如何通過同化、云分析等技術手段，利用這些資料得到準確、協調的分析場，對強天氣預報特別是短時臨近預報有著極為重要的意義。二是模式分辨率亟待提高至1 km 左右或更高，在這樣的分辨率尺度上，才可能解決地形問題、復雜下墊面包括超大城市及相關的邊界層和微物理等問題，這也是高分辨率數值模式面臨的重要挑戰。此外，建立更加快速更新(如10 min或更高頻次更新)的數值預報系統，以向業務預報提供“最新”的數值預報產品，對海量數據的處理、快速同化和預報模型、產品的快速分發都提出了更高的要求。

5.2 降水預報的時空精細化發展

通過上述技術的發展，中央氣象臺降水預報精準化水平得到一定程度的提高，但還存在如下幾個問題和需要突破的方向：首先是降水預報的準確率有待進一步提高，網格降水預報的背景場雖然是利用多家全球和中尺度模式訂正和融合的最優背景場，相比原始模式預報以及單模式訂正預報，準確率有較明顯提高，但仍需進一步挖掘模式誤差特征、提高背景場的準確率。其次社會對更高時空分辨率的降水預報提出要求，而產生強降水的中小尺度系統受下墊面影響強烈，如何將復雜下墊面的影響納入時空統計降尺度技術提高降水時空分辨率也是需要解決的問題。此外滾動更新降水預報中的臨近、短時及短中期預報由于采用不同的數據源和技術方案，因此存在一定的時空分辨率以及降水位置強度不匹配問題，如何利用相應的融合技術實現多預報時效降水匹配，提高無縫隙降水融合質量也需要進一步研究。通過時間降尺度的小時降水預報，由于主要參考天氣尺度信息，中尺度信息表現不足，短時強降水預報偏多，需改進小時降水強度預報問題。如何基于海量觀測和模式預報數據，利用以深度學習為代表的大數據挖掘技術等，提高降水預報準確率和精細化程度也是需要重點研究的。

5.3 精細化降水相態及新增積雪預報

由于目前降水相態積雪觀測等資料時空分辨率較低，也缺乏有關降雪云微物理過程研究，對影響新增積雪的物理機制認識還不夠，客觀定量描述降雪粒子在云內、云外以及近地面的變化過程有一定難度，制約著降水相態和積雪精細化預報能力的提升和預報產品評估檢驗。另外，社會對電線結冰厚度、道路結冰等精細化預報，也有越來越迫切的需求。高分辨率衛星、雙偏振雷達等非常規觀測手段在積雪、降水相態以及云內降水粒子方面監測能力的提升，將有助于加深對積雪物理過程的認識，從而進一步提高積雪和降水相態的精細化客觀預報能力。結合集合預報系統，開發雨雪冰凍等災害性天氣的概率預報產品，滿足多樣化用戶的需求。

5.4 精細化網格預報檢驗

未來精細化網格預報檢驗技術的研發主要是要解決評價公平性和通過檢驗反饋信息及問題的能力兩個方面。公平的評價方法不僅能夠選擇出更合理的產品供下游使用，還能幫助了解預報制作采用的不同數值模式和不同客觀方法的優劣，以便合理地選擇數據源。檢驗分析的目的在于發現預報存在的規律性誤差。檢驗方法通常分為傳統和空間檢驗方法。傳統檢驗方法不便揭示存在問題和改進途徑。空間檢驗方法能提供一些有天氣學意義的檢驗結果，但算法較為復雜，在業務中推廣應用仍存在一定困難。此外，為提高檢驗精細化程度，除研發新的檢驗方法，還需廣泛開展分類檢驗，通過按季節、區域、不同天氣系統或更多其他條件分別統計預報誤差，找到預報問題。精細化預報檢驗工作的關鍵是效率問題。為此中央氣象臺研發全流程檢驗評估程序庫，并通過開源形式和全國氣象部門共享，基于該程序開展精細化網格預報的檢驗計算或檢驗系統的研發效率將明顯提高。

6 結 論

中央氣象臺經過70年的發展，降水精細化預報水平有了很大的提高。在降水精細化預報技術方面的進展主要包括：

(1)除GRAPES全球數值模式(GRAPES_GFS)以外還發展了GRAPES-Meso和GRAPES-3 km 中尺度數值模式，并以GRAPES-3 km為基礎，建立了3 h循環每天8次更新的循環更新系統并在2020年6月實現業務運行，將更好地支撐降水的時空和相態的精細化預報。

(2)在數值模式預報發展基礎上，利用降水網格化技術, 幫助預報員從海量預報數據選取、集成、調整和訂正，實現預報員主觀預報與最優客觀預報背景場的數字化融合，同時利用時空統計降尺度技術進一步提高了網格降水時空精細化程度；與此同時，利用基于多尺度光流法的臨近預報及基于中尺度模式實時頻率匹配的短時訂正預報，構建了快速滾動更新網格降水預報，進一步提高了降水預報頻次。

(3)開發了基于集合預報系統的最優概率閾值法和地面2 m氣溫閾值法相融合的降水相態客觀預報方法和產品；引用Cobb算法，基于溫度與融化比統計關系及云內抬升運動對冰晶增長效率等影響雪水比的關鍵因子構建新增積雪物理預報模型，通過地形降尺度技術，開發了未來10天逐3 h、5 km分辨率的雨、雪、雨夾雪、凍雨及雪水比和新增積雪網格預報產品。

(4)隨著精細降水預報業務的穩步推進，預報檢驗業務也向精細化網格預報檢驗發展過渡，中央氣象臺在繼續保留傳統城鎮預報檢驗方法基礎上，采用更加精細的觀測資料作為檢驗參考，研究空間檢驗方法在精細化網格預報中的應用，推進全流程檢驗評估程序庫建設并進行開源共享，以推進更加高效的精細化分類檢驗。

中央氣象臺的QPF業務將在數值模式和統計后處理技術不斷發展的基礎上，通過在便捷高效的預報編輯工具(主客觀融合平臺)上進行海量信息及數據挖掘，獲得最優客觀預報，并依靠預報員對降水物理概念模型的構建、數值模式及誤差的理解和訂正，通過貫穿整個技術流程的實時檢驗評估等多個技術環節中進一步向智能化、精細化、精準化發展。