雷達測雨及臨近預報在中小流域水文視角下的應用評估

糜佳偉， 田濟揚， 薛海， 邱慶泰， 劉榮華

(1.華北水利水電大學水利學院， 鄭州 450046； 2.中國水利水電科學研究院， 北京 100044； 3.水利部防洪抗旱減災工程技術研究中心， 北京 100044； 4.中國電建集團北京勘測設計研究院有限公司， 北京 100024； 5.山東農業大學水利與土木工程學院， 泰安 271018)

目前，中國大江大河防洪體系較為完善，中小流域成為防洪減災的薄弱環節[1]。洪水預報是防洪減災的關鍵技術與手段，但對于中小流域而言，獲得高時空分辨率、 高精度的降雨監測資料和預報數據并非易事，一定程度上制約了中小流域洪水預報技術的發展[2]。盡管傳統雨量計對單點雨量的監測精度高，但中國地面雨量站密度較高的區域，站網密度也僅約25 km2/站，絕大部分地區站網密度還達不到50 km2/站，難以反映降雨的空間差異。同時，對于匯流時間短的中小流域，延長預見期對中小流域暴雨洪水災害防治具有重要意義。數值降雨預報的預見期較長，其預報精度能夠基本滿足大江大河的水文預報需求，但還難以為中小流域提供業務支持[3]。雷達資料具有高時空分辨率的特點，從理論上講，適用于中小流域尺度的降雨監測和預報[4]。

雷達測雨精度主要受雷達資料質量和反演算法的影響，臨近預報精度不僅受雷達資料質量、反演算法的影響，且對天氣形勢變化帶來的不確定性較為敏感。殷志遠等[5]提出了動態優化的雷達資料反演算法，提高了湖北漳河流域降雨觀測的精度。吳金津等[6]對雷達估測降水基于雨量站觀測值進行了融合訂正，提高了雷達測雨在官山河流域徑流模擬的準確性。嚴昌盛等[7]采用光流法開展雷達臨近預報研究，并應用于淮河王家壩閘以上3萬km2流域的洪水預報，基本滿足業務預報要求。

盡管雷達測雨及臨近預報技術相對成熟，但雷達測雨技術與臨近預報在中小流域尺度的應用較少。雷達測雨與臨近預報精度能否滿足中小流域尺度水文預報的需求，還有待深入研究。現基于福州長樂多普勒天氣雷達資料，對2012“蘇拉”、2014“海貝思”、 2016“尼伯特”三場臺風引發的降雨過程進行反演和預報，選用累積雨量相對誤差RE、時空兩個維度均方根誤差與相應維度均值的比值m-RMSE、平均絕對誤差RMAE和平均偏差RMB等指標，從水文視角對不同類型降雨的監測和預報結果進行了定量評估，分析了雷達測雨與臨近預報在中小流域水文預報中應用的可能性，提出了進一步提高適應中小流域尺度降雨監測與預報能力的研究思路，為雷達測雨與臨近預報技術在洪水預報中的應用提供參考。

1 研究區與數據

1.1 研究區概況

研究選取位于福建省中東部的梅溪流域(圖1)，面積約956 km2。受亞熱帶季風氣候及臺風影響，加之地形條件復雜、地勢多變，梅溪流域汛期降雨頻繁，且多呈現時空分布不均勻、降雨強度大的特點。流域多年平均雨量為1 560 mm。空間上，西南部的上蓮、金沙和后佳等地降雨多于中部的白中等地，閩清城關的雨量最少。時間上，旱、雨季界限分明，4—9月的降雨量一般占到全年雨量的70%以上。新中國成立以來，流域內因強降雨引發的洪災已達20余次。因此，選擇梅溪流域為研究區，對雷達測雨與臨近預報技術在洪水預報中的應用具有一定的示范作用和現實意義。

圖1 梅溪流域位置及高程Fig.1 Location and elevation of Meixi basin

1.2 數據資料

研究選取的三場降雨均為臺風雨，但因臺風強弱及對研究區影響程度不同，降雨過程也表現出不同的特點。“蘇拉”臺風登陸后，渦旋中心垂直軸線向南傾斜加大，使路徑南側對流層中、下層的差動溫度平流和差動渦度平流加強，有利于對流不穩定層結發展和動力抬升，導致路徑南側暴雨，盡管梅溪流域位于臺風路徑南側，但距離臺風中心較遠，并未形成強降雨。從降雨過程看，“蘇拉”臺風引發的降雨過程是這三場降雨中時空分布最均勻的。“海貝思”臺風是從廣東汕頭登陸，到梅溪流域時已減弱為熱帶低壓，但隨著其逐步向福建東北部移動，上升運動明顯，水汽通量增大，為梅溪流域降雨的產生、發展提供了條件。該場降雨雖然總雨量不大，但時空分布不均勻，雨量主要集中在2014年6月18日15:00—20:00以及流域的中北部和中南部。“尼伯特”臺風引發的強降雨是各種尺度天氣系統相互作用的結果，在其登陸前，沿海區域就存在明顯的不穩定層結，北方冷空氣侵入造成強迫抬升，加強臺風內螺旋雨帶的強對流過程，加劇不穩定能量釋放，引發了強降雨，24 h累積雨量達到242 mm，造成流域4 710 m3/s洪峰流量，暴發特大洪水災害。

三場降雨過程逐小時地面雨量站的降雨數據由福建省水利水電科學研究院提供。流域內共8個雨量站(圖2)，站點分布均勻合理，基本能夠反映流域降雨的空間變化，為雷達測雨與臨近預報評估提供了良好的條件。三場降雨的歷時及累積面雨量見表1。三場降雨過程對應時段的雷達資料由中國氣象局提供，已經過雷達數據質量控制，研究選用的是福建長樂的SA波段多普勒雷達，該雷達覆蓋范圍半徑為250 km(圖3)，梅溪流域幾乎全部落在雷達掃描半徑為100 km的范圍內。

表1 梅溪流域三場降雨事件Table 1 Three rain events in Meixi basins

圖2 梅溪流域雨量站分布圖Fig.2 Distribution map of rainfall stations in Meixi Basin

圖3 雷達覆蓋范圍與流域位置關系Fig.3 The relationship between radar coverage and watershed location

2 模型方法與評價指標

2.1 雷達降雨反演

通過建立雷達反射率Z與降雨強度R的Z-R關系，能夠實現降雨反演，業務中常用的Z-R關系是Z=200R1.6。但不同地區、不同降雨場次、不同雷達的Z-R關系不同，通過強降水識別，將不同時段、不同空間位置處的降水進行分類，采用不同的Z-R關系進行降雨反演，是提高雷達測雨精度的重要方法之一。本研究采用文獻[8]中的強降水識別方法，經過反復試驗，最終確定了強降水下的Z-R關系為Z=135R1.33，并對比分析了常規反演和基于強降水識別的反演結果。

2.2 臨近預報

利用雷達開展臨近預報研究主要是采用雷達外推法[9]，包括交叉相關系數法、單體質心法和光流法等，本研究選用業務預報常用的光流法[10-12]，其基本原理是將目標降水粒子的三維運動轉換為計算機上的二維投影，從二維圖像中獲取像素點的移動矢量。圖像像素點的表觀運動構成一個光流，所有光流的集合稱為光流場，根據光流場的運動規律進行雷達回波的外推，最后再根據外推得到的雷達回波進行降水反演。為了降低臨近預報的不確定性，在光流法的基礎上，通過集合的初始和邊界擾動形成集合預報，含30個集合成員，開展了預見期為1、2、3 h的臨近預報。

2.3 評價指標

累積降雨量是影響流域水文過程的主要因素，而降雨的時空分布對流域出口斷面的洪水過程也有重要影響[18]。因此，本研究計算雷達測雨的面累積雨量與實測值的相對誤差RE、均方根誤差與相應維度降雨觀測值均值的比值m-RMSE、平均絕對誤差RMAE、平均偏差RMB等對雷達測雨的效果進行評價。地面雨量站的面雨量利用泰森多邊形法計算，雷達測雨及臨近預報的面雨量為流域內全部雷達探測格點雨量的平均值。各評價指標計算公式為

(1)

式(1)中：P為雷達估測降水或臨近預報的面雨量，mm；Q為地面雨量站觀測的累積降雨量，mm。RE值越小，表明雷達測雨或預報的結果越好。

(2)

當進行時間尺度評價時，Pk和Qk分別為某一時刻k，梅溪流域面平均雨量的雷達估測/預報值與地面雨量站觀測值，N為降雨時長；當進行空間尺度評價時，Pk和Qk分別為在某一地面雨量站位置k，整個降雨過程累積雨量的雷達估測/預報值與地面雨量站觀測值，N為雨量站的個數。為了去除不同降雨場次降雨量的影響，最終求得的RMSE分別除以相應維度降雨觀測值的平均值得到m-RMSE。

(3)

(4)

式中：Pi和Qi分別為在某一地面雨量站位置i在整個降雨過程累積雨量的雷達估測/預報值與地面雨量站觀測值，N為雨量站的個數。

平均絕對誤差可以體現定量降水估計產品與雨量計比較的絕對差距程度。平均偏差可以體現定量降水估計產品與雨量計比較整體性偏離程度，三個參數越接近0，說明雷達測雨反演效果越好。

3 評估結果

3.1 雷達測雨精度評估

雷達測雨精度的評估結果見表2。經過強降水識別后，三場降雨反演精度都有顯著提升。場次Ⅰ、Ⅱ、Ⅲ雷達降雨反演QPE的24 h累積雨量RE分別降低了60.84%、49.03%、68.52%。空間尺度m-RMSE分別降低了0.47、0.28、0.39；時間尺度m-RMSE分別降低了0.09、0.37、0.29。RMAE分別降低了0.37、0.02、0.46。RMB分別降低了0.14、0.21、0.68。總體上雷達降水反演精度顯著提高。圖4、圖5也能直觀反映基于強降水識別的雷達降雨反演優于常規反演。其中，場次Ⅲ雷達降水反演精度的提高是這三場降雨中最明顯的，而“尼伯特”臺風恰好是一場特大暴雨，屬于典型的強降水。

3.2 臨近預報評價結果

基于強降水識別的臨近預報評價結果見表3～表5，結合圖6可直觀得出：

(1)場次Ⅰ臨近預報的1、2、3 h預見期RE范圍分別在-9.00%～72.99%、-13.08%～66.57%和-21.81%～73.33%；平均值分別為22.08%、16.57%和7.96%。時間尺度方面，30個集合的m-RMSE范圍分別在0.66～3.26、0.59～4.69和0.62～3.81；平均值分別為0.89、0.97和1.07。空間尺度方面，m-RMSE范圍分別在0.2～1.21、0.17～0.97和0.12～1.05；平均分別為0.38、0.28和0.22。RMAE范圍分別在0.15～1.01、0.13～0.87和0.10～0.98；平均值分別為0.29、0.22和0.17。RMB范圍分別在-0.13～1.01、-0.19～0.87和-0.25～0.98；平均值分別為0.28、0.18和0.13。從各項指標的評估結果來看，單一預報具有很大的不確定性。通過集合預報的方法可以有效降低不確定性，從集合預報的效果來看，預報精度較高。延長預見期，臨近預報精度變化幅度不大，0～3 h的預報結果穩定可靠。

表2 通過常規反演和強降水識別反演的評估指標值Table 2 Through conventional inversion and heavy precipitation identification inversion evaluation index value

圖4 不同雷達反演方法下3場降雨的雨量過程圖Fig.4 The rainfall process diagram of three rains under different radar inversion methods

圖5 三場降雨的24 h累積降雨空間分布圖Fig.5 The spatial distribution of the 24 h cumulative rainfall of the three rainfall events

(2)場次Ⅱ臨近預報的1、2、3 h預見期RE范圍分別在-67.55%～-47.19%、-80.84%～-57.99%和-85.25%～-66.51%；平均值分別為-58.67%、-71.01%和-78.67%。時間尺度方面，30個集合的m-RMSE范圍分別在0.88～1.22、1.18～1.47和1.29～1.53；平均值分別為1.01、1.35和1.43。空間尺度方面，m-RMSE范圍分別在0.62～0.76、0.75～0.9和0.84～0.97；平均分別為0.70、0.83和0.91。RMAE范圍分別在0.55～0.69、0.65～0.82和0.72～0.90；平均值分別為0.61、0.74和0.83。RMB范圍分別在-0.69～-0.52、-0.82～-0.62和-0.90～-0.72；平均值分別為-0.61、-0.74和-0.83。從各項指標的評估結果來看，降雨場次Ⅱ的1～3 h預見期的預報結果均不理想，其中1 h預見期預報的降雨量級誤差較大。隨著預見期的延長，臨近預報精度降低，2 h預見期預報的降雨落區誤差增大，3 h預見期預報的降雨時程分配誤差增大。

(3)場次Ⅲ臨近預報的1、2、3 h預見期RE范圍分別在-29.78%～15.85%、-47.88%～18.59%和-70.07%～1.64%；平均值分別為-16.01%、-30.86%和-52.38%。時間尺度方面，30個集合的m-RMSE范圍分別在0.33～1.29、0.18～1.33和1.08～2.42；平均值分別為0.71、0.57和2.04。空間尺度方面，m-RMSE范圍分別在0.26～0.73、0.25～0.92和0.37～0.78；平均分別為0.34、0.35和0.50。RMAE范圍分別在0.19～0.65、0.21～0.74和0.30～0.68；平均值分別為0.29、0.27和0.45。RMB范圍分別在-0.29～-0.38、-0.45～-0.46和-0.68～-0.30；平均值分別為-0.06、-0.22和-0.45。從各項指標的評估結果來看，其預報效果也不理想，其中1 h預見期預報的降雨量級誤差較大。隨著預見期的延長，臨近預報精度降低，2 h預見期預報的降雨落區誤差增大，3 h預見期預報的降雨時程分配誤差增大。

圖6 臨近預報累積降雨分布圖Fig.6 Nowcasting cumulative rainfall distribution map

表3 基于強降水識別降雨場次Ⅰ的臨近預報評估指標值Table 3 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅰ

表4 基于強降水識別降雨場次Ⅱ的臨近預報評估指標值Table 4 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅱ

表5 基于強降水識別降雨場次Ⅲ的臨近預報評估指標值Table 5 The evaluation index values of nowcasting based on the identification of heavy rainfall for rainfall events Ⅲ

4 結論

(1)強降水識別能夠有效提高雷達測雨精度，特別是對于暴雨量級的降雨，雷達反演精度提高最顯著，24 h累積雨量相對誤差較常規反演提高顯著提高，降雨時空分布也得到了明顯改善，基本滿足中小流域洪水預報的需求。將地面雨量站觀測降雨與雷達測雨進行融合，是進一步提高中小流域尺度的測雨精度的主要方法。

(2)對于時空分布均勻的降雨場次，雷達測雨與臨近預報效果均優于短歷時降雨和強降雨，臨近預報結果也能夠滿足中小流域洪水預報的需求。進一步研究需重視短歷時降雨和強降雨，建立隨天氣形勢變化的動態Z-R關系。

(3)隨著預見期的延長，降雨時空分布均勻的場次，其預報效果變化幅度不大，而短歷時降雨和強降雨的預報精度下降明顯。研究復合天氣形勢的具有物理機制的預報方法，與光流法等雷達外推方法相結合開展臨近預報，將有助于提高降雨預報精度。