不同天氣現象下畢節高溫特征及預報回歸檢驗分析*

吳 姍，姚 浪，劉健平，帥 龍，聶 祥

(1.貴州省畢節市七星關區氣象局，貴州 畢節 551700;2.貴州省畢節市氣象局，貴州 畢節 551700)

0 引言

近年來畢節高溫預報質量持續偏低，成為制約畢節城鎮天氣預報的難點問題。畢節地處黔西北高海拔山區，由于東西海拔差異大，地形起伏明顯，在復雜的地貌條件下，溫度日較差不穩定，氣溫起伏波動大，因此，Grapes、EC、福建模式等數值預報模式在畢節溫度預報穩定性不好，對畢節高溫預報指導性較差[1-2]。目前，貴州省內很多學者在模式溫度預報檢驗和模式回歸分析上均開展過相關研究[3-4]。李剛等[5]對貴州最高氣溫預報研究指出多模式集合預報能有效降低預報均方根誤差，效果好于單模式預報結果。萬漢蕓等[6]提出中央氣象臺指導預報在不同天氣形勢下影響畢節氣溫的因子不同，需加以訂正。李剛等[7]在云貴準靜止鋒影響下的溫度預報研究中提出將700、850 hPa溫度影響加入客觀預報模型可以提高預報準確率。王璇等[8]提出不同季節不同天空狀況貴陽高溫的影響因子存在明顯差異。因此本文在畢節高溫研究中加入不同天氣現象、不同季節影響的差異性，通過歷史高溫特征分析、24 h高溫預報檢驗和回歸模型分析，探索不同季節、不同天氣現象下畢節高溫預報的顯著影響因子。

1 資料和方法

1.1 資料選取

本文使用資料為2010—2019年貴州省畢節站逐日最高氣溫、最低氣溫、平均云量、日照時數、濕度、降水量、風向、風速等氣象觀測資料，高溫預報檢驗資料使用2015—2019年畢節市氣象臺逐日16時發布的城鎮精細化報文中的24 h高溫預報資料。

1.2 研究方法

對春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12—次年2月)和1—12月逐月畢節站氣象觀測資料進行分析，依據云量、日照時數和降雨量將天空狀況分為晴天(總云量0～3成)、多云(總云量4～7成)、陰間多云(總云量8～10成，日照時數>1 h)、陰天無雨(總云量8～10成，08～20時無降水)、陰雨天(總云量8～10成，08—20時有降水)。按照這5類天氣現象對畢節市日高溫出現的月、季特征進行統計分析，計算氣溫日較差TMM(TMM=日最高氣溫-日最低氣溫)、高溫日變化DVP(第1 d最高氣溫為T1，第2 d最高氣溫為T2，DVP=T2-T1，以此類推)和高溫分布頻率。

利用天氣學原理尋找高溫影響因子，結合畢節市氣象臺24 h高溫預報資料采用多元逐步回歸分析，篩選出各季節不同天氣現象下影響日高溫的顯著因子，建立回歸模型對24 h高溫預報進行訂正分析。

2 日最高氣溫特征

2.1 高溫日變化

統計分析2010—2019年畢節站高溫日變化(DVP)特征發現，DVP最大值出現在冬季，夏季表現最穩定，春季波動較秋季更大。從平均DVP變化看，全年分布在1.9～4.1 ℃之間，月平均變化不明顯。將DVP按2、4、6、10為關鍵值劃分5個等級，結果表明DVP在7月最穩定，DVP<2 ℃頻率達60.5%；春季畢節高溫波動最明顯，DVP<2 ℃頻率不到40%。從DVP>10 ℃的頻率分布也發現1—4月是畢節高溫日變化異常波動頻率出現最高時段。

2.2 氣溫日較差

分析畢節氣溫日較差(TMM)特征，結果表明晴天TMM最大，平均值為14.8 ℃，陰天TMM最小，平均值為4.6 ℃，多云時TMM略大于陰間多云。由圖1可見晴天和多云時月平均高溫波動較明顯，陰間多云和陰天時月平均高溫較穩定。晴天時表現為夏季日較差小，冬季、春季日較差大；多云時表現為日較差擺動幅度較晴天明顯增大，12月—次年5月是TMM波動幅度最大的時間段，陰間多云時呈穩定波動，3月擺動幅度最大。

圖1 畢節不同天氣現象氣溫日較差分布Fig.1 The daily temperature range distribution of different weather in Bijie

2.3 不同天氣現象發生頻率

分析畢節不同天氣現象逐月出現頻率(圖2)，結果表明8～10成云出現頻率最高占65.7%，其中陰天無雨占22.7%，陰天有雨占22.4%，陰間多云占20.6%。秋冬季由于受云貴準靜止鋒面影響，畢節市常處于靜止鋒后陰雨天氣，陰天時段主要集中在10月—次年2月，月頻率均高于50%，其中1月頻率最高為68.6%。陰間多云是畢節出現頻率次高的天氣現象，月頻率分布有明顯季節變化特征，春、夏季陰間多云天氣頻率高，峰值在5月為35.4%，冬季頻率低，1月僅為6.4%。晴天是畢節出現頻率最低的天氣現象，其出現頻率在夏季波動最大，主要表現為6月頻率最低為7.3%，8月最高為25.4%，秋、冬季頻率穩定在10%～16.3%。多云頻率分布呈現春、夏季高，秋、冬季低的特點，其中7月最高為28.7%，12月最低為11.6%。分析各類天氣現象的月平均日高溫特征發現，高溫的峰值均出現在7月，且在1—7月為線性遞增趨勢，7—12月為線性遞減趨勢。畢節晴天時平均高溫值最高，多云次之，陰間多云時略低于多云，陰天時最低，且陰天無雨比陰天有雨平均高出1.2 ℃。

圖2 畢節不同天氣現象下平均日最高氣溫及出現頻率Fig.2 The average daily maximum temperature and frequency under different weather in Bijie

表1 畢節日最高氣溫日變化(DVP)特征Tab.1 Diurnal Variation Characteristics of maximum temperature in Bijie

3 畢節24 h最高氣溫預報檢驗

采用貴州省氣象局預報業務評分標準相關規定(黔氣辦發〔2018〕24號)，氣溫預報準確率檢驗以2.0 ℃作為檢驗標準，即│預報值-實況值│≤2 ℃為準確,否則為錯誤。對2015—2019年畢節市氣象臺16時發布的城鎮預報精細化報文進行24 h最高溫預報檢驗，畢節24 h高溫預報平均準確率為70.3%，且月、季變化特征明顯，夏季準確率最高，較準確率最低的冬季高出21.4%，其中7月和8月準確率高于80%，1月和2月低于60%，冬季和春季準確率均低于70%，是導致年高溫預報準確率偏低的主要影響時段。按天氣現象統計，陰雨天24 h高溫預報準確率最高，多云時準確率最低，春、冬季中陰天和陰雨天預報準確率較高，陰間多云和多云天氣預報準確率較低，其中1月非陰天有日照時準確率低于42%，2月陰間多云和晴天時低于46%，3月多云時低于47%，12月多云和陰間多云時低于47%，且多云時出現年最低值25%。

圖3 2015—2019年畢節不同天氣現象下24 h日最高氣溫預報檢驗Fig.3 The verification of 24 h daily maximum temperature forecast under different weather in Bijie during 2015—2019

4 24 h高溫預報回歸分析

本文選取畢節市24 h高溫預報、日照時數、平均本站氣壓、白天降水、前1 d高溫、前1 d低溫、前1 d氣溫日較差、前1 d低溫變化、前1 d高溫變化、平均相對濕度、平均云量、平均風速作為影響因子，通過逐步回歸分析建立各季節不同天氣現象下日高溫回歸模型，各模型均通過95%的顯著性檢驗。回歸模型相關系數整體較高，對于不同天氣現象來說，晴天相關系數較低，為0.77～0.96，其余天氣現象均在0.85以上，最高為多云(0.92)；從估計標準誤差分析，除冬季晴和多云誤差為2 ℃，其余誤差均在2 ℃以內，擬合效果好，其中陰雨天誤差最低，平均為1.4 ℃。對不同季節來說，擬合效果最好時段在夏季，平均估計誤差為1.2 ℃，估計誤差最大在冬季，平均估計誤差為1.7 ℃。

模型中24 h高溫預報影響因子在不同季節和不同天氣現象時所占模型權重差異明顯，這表明24 h高溫預報在季節和天氣現象有差異時需引入的影響因子不同。多云和陰間多云時日照時數和平均本站氣壓對模型的影響程度較高，陰天時前1 d低溫影響程度較高，陰雨時春、夏季前1 d高溫影響程度較高，秋、冬季前1 d低溫和前1 d氣溫日較差影響程度較高，不同季節中晴天時影響因子的差異最明顯。按季節分析，春季各因子的影響程度均較差，夏季前1 d低溫影響程度較高，秋季前1 d低溫和平均本站氣壓影響程度較高，冬季前1 d氣溫日較差和前1 d低溫變化影響程度較高。通過模型誤差分析和影響因子相關性分析，在不同天氣現象、不同季節中適時將影響程度較高的因子納入預報指標模型，可以降低24 h高溫預報值的絕對誤差。

表2 畢節四季不同天氣現象下最高氣溫回歸模型Tab.2 The regression model of maximum temperature under different weather in Bijie

5 小結

利用畢節2010—2019年觀測資料，分析不同天氣現象下日最高氣溫特征，建立高溫模型，并對近5 a 24 h高溫進行檢驗，得出如下結論：

①畢節高溫日變化DVP在春季波動最大，夏季表現最穩定，其中7月DVP<2 ℃頻率達60.5%，1— 4月為DVP異常波動頻率最高時段。氣溫日較差TMM在晴天時最大，陰天時最小，多云時略大于陰間多云。

②畢節8～10成的云出現頻率最高達65.7%，其中陰天時段主要集中在10月—次年2月。陰間多云為畢節出現頻率次高天氣現象，晴天頻率最低，且各類天氣現象月平均高溫峰值均出現在7月。

③近5 a畢節24 h高溫預報準確率月、季變化特征明顯，夏季準確率最高，較最低的冬季高出21.4%，在區別天氣現象的情況下，陰雨時最高，多云時最低，其中12月多云時準確率最低為25%。

④通過回歸模型分析發現24 h高溫預報在季節和天氣現象有差異時需引入的影響因子不同，擬合效果最好時段在夏季，平均估計誤差為1.2 ℃，估計誤差最大在冬季，平均估計誤差為1.7 ℃。在不同天氣現象、不同季節中適時將影響程度較高的因子納入預報指標模型，可以降低24 h高溫預報值的絕對誤差。