劉松濤,高夢竹,王承偉,張惠君

（黑龍江省氣象臺，黑龍江 哈爾濱 150001）

1 引言

隨著數值預報降水產品不斷增加， 模式定量降水預報產品為天氣預報服務提供了重要支撐。 在實際預報業務使用中， 各家模式降水預報表現特征不盡相同，在實際使用中也存在需要主觀訂正的要求，期望進一步提升預報質量[1-2]。不同起報時間的模式降水預報存在很大不確定性，業務中常用模式在0-24 h預報還存在較大調整的現象，這給災害性天氣預報服務增加了很大難度，給預報員帶來巨大挑戰[3-4]。 如何調整模式降水落區和量級，給預報員提出了一個實際而又迫切的問題。

黑龍江省處于中高緯度， 汛期強降水性質主要有區域性暴雨（5 個國家站24 h＞50 mm）和短歷時暴雨（3 h 累積50 mm 以上）。穩定的急流輸送水汽和能量對區域性暴雨十分重要，水汽垂直梯度變化、抬升條件等是短時暴雨關鍵因素。 從模式實際使用中發現，中尺度模式預報暴雨頻率高于全球模式，對強降水量級和落區調整最為頻繁， 而全球模式預報對于較強天氣尺度降水系統可以報出大雨、暴雨，對于中尺度系統引發的強降水預報效果不好， 在大氣環流調整期也存在降水預報出現較大變化的情況。 因此有必要對多種數值預報模式降水產品進行客觀檢驗， 從關鍵檢驗指標中對比發現多個模式的降水預報特征， 利用客觀檢驗數據讓預報員了解模式預報性能，進而更好地修正強降水預報[5]。

本文主要對比檢驗歐洲中心、CMA-MESO、CMA-SH9、 黑龍江省氣象臺客觀訂正預報和融合預報。主要針對2020-2022年黑龍江省汛期（6-8月）的0-24 h 累積降水預報進行對比檢驗分析， 總結各模式預報特征和預報性能， 為一線業務人員使用和訂正提供參考。

2 數據和檢驗方法

本文對2020-2022年汛期（6-8月）全球模式預報、中尺度模式預報、客觀訂正預報在黑龍江省降水預報效果進行評估。 包括： 歐洲中心細網格預報ECMWF（以下簡稱EC）、中尺度模式CMA-MESO 和CMA-SH9， 以及黑龍江省客觀訂正預報 （以下簡稱pm_fm） 和黑龍江省多模式融合預報 （以下簡稱fuse）。預報時效0-24 h，部分模式預報在業務應用中延時12 h（歐洲中心細網格預報、CMA-MESO 預報、CMA-SH9 預報為0-36 h）。

針對黑龍江省范圍內共計979 個地面自動氣象站數據進行檢驗，包括83 個國家站和896 個區域自動站。 以觀測站點數據為實況值，采用自然臨近插值方法， 將距離觀測站點最近的網格點預報值作為站點預報值進行檢驗。 主要檢驗分析的指標有：平均誤差me、平均絕對誤差mae、均方根誤差rmse、晴雨準確率pc、降水ts 評分、偏差bias。

3 檢驗系統介紹

本文利用自主開發的黑龍江省級客觀預報檢驗系統實現預報產品的檢驗評估算法及檢驗分析產品生成。 以多模式預報為對象，實現檢驗過程的模塊化運行，高效獨立，方便功能擴充，容易移植，便于維護。 主要分為：數據處理模塊，從CMACAST、CIMISS數據庫等下載收集數據， 檢查數據完備性并對數據進行預處理；檢驗模塊，利用第三方軟件庫基礎層函數讀取數據收集流程產生的觀測和預報合并數據，選取檢驗指標，并調整對應的參數，計算檢驗結果并繪圖，對檢驗結果進行評估分析。

4 檢驗結果分析

本節從近3 a 模式時間序列降水預報和主要降水過程等方面， 對比分析五種模式在各項檢驗指標中的結果。

4.1 多模式降水預報對比檢驗

對比五種預報檢驗結果， 平均絕對誤差項 （圖1a），pm_fm 預報和fuse 預報最小，誤差分別為3.1 和3.41。原始模式預報中EC 最小，為3.61。兩種中尺度模式 （CMA-MESO、CMA-SH9） 預報較大， 分別為4.77、5.14。 均方根誤差項（圖1b），EC 預報和兩種訂正預報（pm_fm、fuse）均較小，分別為7.83、7.61、7.84,中尺度模式較大,CMA-MESO 為10.84，CMA-SH9 為11.52。 晴雨準確率上看（圖1c），最高為CMA-MESO,得分為70.7%，CMA-SH9 第二， 得分為70.14%，fuse預報第三，得分為69.18%，EC 最低，得分為64%。 預報偏差上 （圖1d），CMA-MESO 表現最好， 得分為1.28；fuse 預報第二，得分為1.38。

圖1 2020-2022年6-8月五種降水預報(a)平均絕對誤差、(b)均方根誤差、(c)晴雨準確率、(d)預報偏差整體檢驗結果

6-8月逐月檢驗結果顯示， 平均絕對誤差 （圖2a），6月份誤差最小為pm_fm 預報， 得分為3.03，fuse 誤差排第二，得分為3.25,第三為EC 預報，得分為3.48。 兩種中尺度模式預報 （CMA-MESO、CMASH9）誤差較大，得分分別為4.61 和4.64。7、8月份誤差最小均為pm_fm 預報，7月得分為3.08，8月份得分為3.17。 晴雨準確率上 （圖2b），6月份CMAMESO、CMA-SH9、fuse 三種預報得分均為0.72，并列第一，pm_fm 得分為0.71。7月份CMA-MESO、CMASH9 并列第一， 得分為0.69，pm_fm、fuse 得分均為0.66，EC 預 報 為0.61。 8月 份 得 分 最 高 為CMAMESO，得分為0.72，pm_fm 第二，得分為0.71，CMASH9、fuse 得分均為0.7，EC 為0.63。

圖2 2020-2022年6-8月逐月五種降水預報(a)平均絕對誤差、(b)晴雨準確率檢驗結果

對比五種預報降水分級檢驗結果， 在降水分級偏差上（圖3a），大雨、暴雨量級bias 表現最好的為fuse， 大雨bias 為0.84， 暴雨bias 為0.47。 EC 大雨bias 為0.82， 暴雨bias 為0.44。 pm_fm 大雨bias 為0.69，暴雨bias 為0.39。 CMA-MESO、CMA-SH9 的大雨、暴雨預報偏差明顯＞1，大雨、暴雨空報較大。 對比五種預報降水分級ts 得分（圖3b），大雨ts 得分最高為fuse， 得分為16.12%，EC 第二， 得分為15.92%，pm_fm 第三， 得分為15.53%。 暴雨ts 得分最高為pm_fm， 得分為5.16%，CMA-MESO 第二， 得分為4.3%， 第三為CMA-SH9， 得分為3.98%，EC 和fuse得分均為2.93%。

圖3 2020-2022年6-8月五種預報(a)降水分級偏差bias、(b)降水分級ts 檢驗結果

對比2020-2022年逐年五種降水預報分級ts 得分 （圖4），2020-2022年小雨得分最高均為pm_fm（圖4a），中雨得分最高均為EC（圖4b），2020年大雨最高為EC （圖4c）， 得分為24.7%，2021年最高為pm_fm， 得分為9.5%，2022年最高為fuse， 得分為14.3%。 暴雨得分（圖4d），2020年最高為pm_fm，得分 為11.5%，2021年 最 高 為CMA-SH9， 得 分 為4.5%，2022年最高為CMA-SH9,得分為3.4%，CMAMESO 位列第二位，得分為3.3%。

圖4 2020-2022年6-8月預報逐年降水(a)小雨、(b)中雨、（c）大雨、（d）暴雨分級ts 檢驗結果

通過以上分析可以看到， 定量降水預報誤差與觀測降水量密切相關，汛期降水量較大，預報的定量誤差隨之較大，五種預報相比較，pm_fm 和fuse 預報定量誤差較小， 同時， 中尺度模式CMA-MESO、CMA-SH9 的定量誤差相對較大。 各家晴雨準確率得分在64%-71%之間，相比較而言，EC 預報晴雨準確率得分低于其它四種預報。 從bias 上可以看出，所有預報存在預報范圍偏大的問題，其中EC 偏大最為顯著。 降水分級檢驗結果表明，CMA-MESO 在大暴雨量級有一定的預報能力， 但在其它量級預報能力較差， 其降水分級bias 評分明顯＞1， 表明空報明顯。pm_fm 預報在小雨、 暴雨量級上預報能力明顯優于其它模式， 分級ts 得分最高， 有較好的預報參考價值。

逐月檢驗結果顯示，各月的定量誤差差異較小，pm_fm 預報和fuse 預報表現較好， 而中尺度模式預報誤差較大。逐月晴雨準確率表現為五種預報均為6月、8月得分較高，7月較低。 逐年檢驗結果顯示，各量級降水評分，2020年優于2021年和2022年。

4.2 預報隨機誤差檢驗

預報隨機誤差檢驗常用AI 指數[6]，它是無偏的誤差方差標準化度量，可以量化隨機誤差技巧，取值范圍為0-2。 其理想值為0，表示預報與實況接近，隨機誤差小；指數接近1，表示預報和觀測之間差異大，隨機誤差大；指數接近2，預報和觀測呈負相關，但隨機誤差小。 檢驗近三年汛期五種預報一般性降水、分級降水的隨機誤差，分析隨機誤差大小，進而檢驗預報降水的隨機性強弱。 AI 指數計算公式為

式（1）中，Fi代表網格預報值，Oi代表站點觀測值。

五種預報AI 指數橫向對比發現 （表1），pm_fm預報在一般性降水、小雨、中雨、大雨等量級上最接近于0，隨機誤差最小。 暴雨量級AI 指數，CMA-SH9最小。 縱向對比發現， 四種預報（EC、pm_fm、fuse、CMA-MESO） 隨預報量級增加，AI 指數越接近于1，但CMA-SH9 暴雨量級AI 指數小于大雨量級。 綜合以上結果，兩種訂正預報在小雨至暴雨四個量級上，隨機誤差小于模式預報， 訂正預報不但可以有效消除模式系統性誤差[7]， 也可以改善原始模式隨機誤差。 EC 全球模式在大雨及以下量級AI 指數較小，即隨機誤差小于兩種中尺度模式預報，CMA-SH9 中尺度模式預報在暴雨量級隨機誤差表現好于CMAMESO， 融合預報fuse 由于有中尺度模式的加入，在大雨及以下量級隨機誤差大于pm_fm， 但暴雨量級好于pm_fm，這與加入CMA-SH9 中尺度模式有密切關系。 pm_fm 預報得益于使用較好的背景場， 將EC集合預報和EC 細網格預報結合到一起，在降水信息豐富程度和各量級降水預報較為均衡合理的優勢，在除暴雨以外的量級中取得良好預報效果。 由于全球模式對暴雨預報能力較差， 導致pm_fm 在暴雨量級隨機性大，差于fuse 和CMA-SH9。

表1 五種降水預報AI 指數

4.3 主要降水過程檢驗

對2020-2022年逐年6-8月黑龍江省的過程降水情況進行檢驗分析，降水過程的選取標準為：滿足24 h 累計降水觀測≥25 mm（大雨及以上量級）的國家站站次≥5。 經統計，2020年共51 次降水過程，2021年共38 次降水過程，2022年共20 次降水過程。 分別對逐年的降水過程進行檢驗。

2020年51 次降水過程中， 分級檢驗結果顯示（圖略）， 大雨量級fuse 最優，ts 得分26.1%， 其次為EC，ts 評分為24.9%。 暴雨量級EC 最優， 得分為12.8%，pm_fm 和fuse 并列第二，得分為11.9%。 大暴雨量級CMA-SH9 預報最優，為3.3%。

2021年38 次降水過程中， 大雨量級fuse 最優，ts 得分22.2%，其次為pm_fm，得分22.0%。 暴雨量級CMA-MESO 預報表現最優，ts 得分8.3%， 其次為fuse 預報，得分8.0%。 大暴雨量級僅CMA-MESO 預報有得分。

2022年20 次降水過程中， 大雨量級fuse 最優，ts 得分20.3%，其次為EC 預報，得分19.3%。 暴雨量級CMA-SH9 預報最優，ts 得分5.4%， 其次為CMAMESO 預報，得分4.3%。 大暴雨量級CMA-MESO 預報最優，為5.0%。

降水過程對比逐年檢驗結果， 大雨量級fuse 最優。暴雨量級逐年檢驗結果略有差異，2020年表現最優 的 為EC 預 報，2021 為CMA-MESO，2022年 為CMA-SH9。 針對滿足標準的近三年降水過程檢驗發現，兩種中尺度預報對暴雨預報能力較好，大暴雨量級檢驗結果顯示CMA-MESO 有一定的預報能力。

4.4 個例檢驗

選取時段2022年7月13日08-14日08 時。 此時段內黑龍江省西南部地區出現區域性大雨， 局地大暴雨天氣過程（圖略）。 對比結果，晴雨準確率最高的 是pm_fm、fuse 和CMA-SH9，pm_fm 為82%，fuse為80%，CMA-SH9 為73%。定量降水方面，平均誤差CMA-MESO、CMA-SH9、fuse 為正值，為濕偏差特征，EC 平均誤差最小，平均誤差為-0.52。 分級檢驗結果顯示，大雨、暴雨量級準確率最高的均是fuse，得分分別為50.7%、23.3%； 大暴雨量級準確率最高的是CMA-MESO，得分為12.5%。

對比各家預報結果， 模式均預報出了黑龍江省西南部的大降水落區，但CMA-MESO 預報量級明顯偏大，大雨和暴雨空報率大。 CMA-SH9、fuse 大雨以上落區和量級相比其它預報更為合理。

落區及起止時間： 從1 h 區域自動站實況看，本次過程西南部地區降水開始時間在7月13日08-09時，落區在大興安嶺、齊齊哈爾和大慶南部。 EC 和CMA-MESO，12日08-11 時預報落區在大興安嶺、齊齊哈爾南部、三江平原東部，與差別較大。 CMASH9，08-11 時預報落區在大興安嶺西部和齊齊哈爾南部， 預報降水開始落區略微偏西，11-14 時預報落區東界位于大興安嶺東部、齊齊哈爾、大慶、綏化中部，與實況基本一致。 pm_fm、fuse 特征與EC 預報基本一致。

各家預報均預報出了黑龍江省西南部的大降水落區，CMA-MESO、CMA-SH9、fuse 大雨以上落區和量級相比其它預報更為合理。 從落區及起始時間來看，CMA-SH9 預報與實況基本接近， 參考性大；EC和CMA-MESO 雨區均略快， 其中EC 雨區三江平原東部空報，CMA-SH9 雨區位置與實況接近。

5 結論和討論

本文利用黑龍江省考核站觀測資料， 對2020-2022年汛期6-8月全球尺度模式預報、 中尺度模式預報、客觀訂正預報等在黑龍江省的預報性能、誤差進行了對比分析。 得出以下結論：

（1）定量降水預報誤差與觀測降水量密切相關，汛期降水量較大，預報定量誤差較大。 五種預報相比較， 黑龍江省氣象臺客觀預報和融合預報誤差相對較小，中尺度模式的定量誤差相對較大。 五種降水預報存在預報范圍偏大的問題，EC 預報范圍偏大現象最為顯著。

（2）針對一般性降水，兩種訂正預報隨機誤差表現最好，其次為EC 預報，兩種中尺度模式降水預報的隨機誤差表現相對較差。 訂正預報pm_fm 在大雨及以下量級隨機誤差表現最好，暴雨量級CMA-SH9最好。 訂正預報不但可以有效消除模式系統性誤差，也可以改善原始模式隨機誤差。

（3）降水分級檢驗結果表明，CMA-MESO 在大暴雨量級有一定的預報能力， 但在其它量級預報能力相對較差，分級bias 評分顯示空報明顯，fuse 在大雨量級上表現較好，pm_fm 在小雨、暴雨量級上預報能力明顯優于其它模式。

綜上所述， 本文通過對五種預報的性能和誤差特征進行了對比分析， 給出五種預報分級降水使用建議， 為預報一線人員在預報業務工作中有針對性的使用數值模式預報產品和主觀訂正提供參考。