基于快速融合技術在武漢定量降水預報的檢驗與誤差分析

劉佩廷，諶偉，徐迎春，劉火勝，龐晶，張麗，王瑞麗

（1.武漢市氣象局，武漢 430040；2.中國氣象局武漢暴雨研究所暴雨監測預警湖北重點實驗室，武漢 430205）

近些年來，隨著觀測系統和預報技術的發展，定量降水業務預報（QPF）取得長足的進展，主要表現在：以集合預報為基礎的概率QPF（PQPF）提供了一種更為科學的天氣預報形式；短時臨近QPF技術的發展，支撐了極端降水事件的預報預警［1，2］。雷達外推與數值模式技術在短臨預報（0?6 h）上各有所長，數值模式存在的“spin-up”等問題導致最初2?3 h內預報結果不太理想，而雷達外推技術對2 h內的強降水有較好的把握能力，且具有高精度的時空分辨率［3，4］。

因此，中國氣象局2008年啟動了業務建設項目“災害天氣短時臨近預報預警業務系統建設與改進”，開發具有自主知識產權的災害天氣短時臨近預報 系 統（SWAN）。SWAN系 統 中QPF利 用3 km CAPPI拼圖數據、COTREC矢量場和區域加密自動站雨量等資料，根據1 h雷達回波外推技術，逐小時更新生成未來30 min、1 h、2 h和3 h的QPF產品［5］。

武漢地處長江中游，強降水事件頻發，同時武漢作為國家特大中心城市，每年需要舉辦各類大型活動，例如一年一度的“漢馬節”“渡江節”，兩年一次的“航空節”以及2019年“世界軍人運動會”，社會和民眾對氣象部門精細化氣象要素，特別是降水預報的精確性要求越來越高。但是，短時強降水具有突發性、短歷時特征，如何有效地監測并及時預警短時強降水仍是當前天氣預報面臨的難點問題［6］。武漢新一代S波段天氣雷達連續觀測模式的時間間隔為6 min，空間分辨率達1 km，可連續監測降水系統中小尺度空間結構和演變過程，雷達外推和自動站雨量融合QPF產品對其捕捉能力與更新頻次呈正相關，更新頻次越快越容易捕捉到強對流雨團。所以，有必要研究基于武漢雷達外推和自動雨量站融合技術的短臨（2h）QPF，建立滿足武漢精細化氣象預報服務需求的網格降水預報產品。

雷達定量降水反演是現代天氣業務的重要組成部分，同樣也是短時強降水短臨預報預警業務的基礎，對山洪地質災害和大城市精細化預報預警起著重要的支撐作用［7］。對于0?2 h定量降水短臨預報預警業務而言，及時、準確的高時空分辨率降水數據十分重要［8］。地面加密自動站降水觀測資料具有較高的單點測量精度，多普勒天氣雷達組網拼圖資料具有較高的時空分辨率，這些都為實時監測預警中小尺度天氣系統，特別是極端強降水天氣事件提供了基礎觀測資料。但如何將地面加密自動站降水觀測資料與雷達資料進行有效融合，構建高時空分辨率的定量降水反演數據產品，長期以來一直是廣大氣象工作者的研究重點［9-11］。

目前業務上臨近預報方法仍以雷達回波的外推預報為主［12，13］，主要包括單體質心法、交叉相關法和光流法。本研究利用6 min頻次的湖北雷達組網拼圖數據和10 min級頻次的自動站雨量數據，通過構建武漢本地化的雷達外推與自動站雨量融合算法，包含業務常用光流法［14］和交叉相關法（Tracking radar echo by correlation，TREC）［15，16］2種方法，使用受地理邊界限制的Barnes插值方法［17］對武漢周邊及區域自動站雨量處理，以及半拉格朗日外推算法線性外推［18］和動態Z-I關系估測雷達降水［19］等融合技術，生成武漢及周邊區域10 min更新頻次的1 km×1 km、間隔1 h的2 h QPF產品，并進行對比檢驗與誤差分析，進而得到具有業務應用價值的高時空分辨率定量降水反演資料，開展強降雨精細化、定量化短臨預報預警服務及強降雨風險評估提供支撐。

1 資料選取與檢驗方案

本研究采用的資料主要有：①2018年3—9月武漢及周邊區域自動站逐10 min的降水資料，該資料從湖北省氣象局信息保障中心獲取，在程序中對數據進行質量控制，將其中孤立的奇異點（如大值點）去掉，同時為保障武漢及周邊區域整體的檢驗效果，選取降水時次中連續的區域站資料應超過95%，共計253站。其中武漢75站，孝感56站，黃岡43站，咸寧26站、黃石25站、鄂州15站、荊門6站、仙桃4站、隨州3站（圖1）。②利用快速融合等技術建立適合武漢本地化動態Z-I關系的光流法、TREC方法，綜合計算武漢及周邊區域（113°30′—115°12′E，29°48′—31°54′N）2 h QPF 1 km×1 km格點2 h QPF數據。③對比檢驗SWAN的1 km×1 km 1 h QPF產品數據，最終共選出1 632次/10 min的降水時次資料，進行降水預報效果總體評價。

圖1 武漢及周邊253個區域自動站空間分布

短時強降水過程的標準。選出較強區域及局地短時強降水過程進行評價，由于2018年全年降水強度偏弱，多局地分散性強降水，因此，降低挑選標準，分為3點：①1 h雨量超過10 mm的區域站數達到5個且連成片；②強降水開始時其范圍跨越1?2個區（縣），加上移動過程中所經過的區域共達到或超過2個區（縣）；③明顯的過程性降水，雨帶中包括若干小的短時強降水區域。

滿足以上任一標準即為區域及局地短時強降水過程。根據上述標準，挑選出2018年4—8月武漢及周邊區域達到區域強降水標準，且資料較為完備的過程共17個，共計314頻次/10 min，見表1。

表1 2018年4—8月武漢及周邊17次區域及局地短時降水過程

目前，對降水預報或估測的檢驗方法種類較多，但多數仍通過計算TS評分、空報率、漏報率、預報偏差等若干統計量來檢驗。該方法與日常業務聯系更緊密，且更易理解。檢驗內容分晴雨預報檢驗和降水分類預報檢驗。其中根據降水強弱，參照壽紹文等［20］將小時降水類型劃分為5個等級，分別為0.1? 1.9 mm（小雨）、2.0?4.9 mm（中雨）、5.0?9.9 mm（大雨）、10.0?19.9 mm（暴雨）、≥20.0 mm（大暴雨），對不同量級降水均分別統計預報正確、漏報、空報的站次，進行2018年1 632時次總的降水檢驗。

對區域及局地短時強降水過程的對比分析檢驗。計算3種不同方法QPF產品的相對誤差和絕對誤差以及不同預報時效的QPF產品的晴雨準確率、TS評分、空報率、漏報率、ETS評分、相對誤差Er和絕對誤差Ea。

式（1）至（8）中，NA為預報正確站次數，NB為空報站次數，NC為漏報站次數；Xi為QPF的數值，Xi0為區域雨量站點實況雨量，n為相應量級所有時次和站點的總和。檢驗分為兩步。

第一步，分析所有格點總的誤差及其空間分布。檢驗以武漢及周邊區域加密自動站點為基點，分為3種情況：①用區域加密自動站點雨量與QPF產品對應的數值作點對點誤差檢驗分析；②采用站點雨量與QPF產品對應的周邊9點數值取平均值進行誤差檢驗分析（圖2a）。采用站點雨量與QPF產品對應的周邊25點取平均值進行誤差檢驗分析（圖2b）。相應的點對點分辨率為1 km×1 km、9點為3 km×3 km、25點為5 km×5 km。

圖2 武漢區域自動站雨量值格點取平均示意圖

第二步，網格降水鄰域檢驗，參照湖北省氣象局智能網格降水檢驗方法，不把預報和觀測空間嚴格地匹配，如果在預報格點周圍的一個范圍內出現評定的事件，則評定該格點預報正確，即“點對面檢驗”。以10 km為半徑范圍，逐個格點依次判定檢驗（圖3）；并選取典型過程中的分級雨量個例檢驗時次，多角度討論光流法、TREC的評分效果。

圖3 10 km網格降水鄰域檢驗示意圖

2 結果與分析

2.1 短時降水QPF總體檢驗

3種方法的未來1 h QPF檢驗結果見圖4，不同預報時效的1 h QPF均對晴雨的預報較好，光流法、TREC和SWAN 3種方法的晴雨準確率非常接近，分別為0.81、0.79和0.80。對降水的預報，當預報雨量量級為小雨時，TS在0.10以上，分別為0.13、0.14和0.11，隨著閾值的增大，TS評分越低。整體來看，光流法大雨量級以下均在0.1以上，而≥20 mm的大暴雨量級也達到0.08，相比SWAN高2個百分點。因此，光流法總體檢驗效果最好，SWAN次之，TREC相對較差。但在大雨以下量級，SWAN均低于光流法和TREC法。在暴雨和大暴雨量級上，SWAN與光流法則較為接近，光流法評分略高。

圖4 2018年3—9月短時降水1 h QPF檢驗

晴雨的空報率在0.4附近，明顯低于降水分級空報率。其中光流法相對最低，為0.43，SWAN和TREC分別為0.47和0.48。對于分級降水，小雨量級空報率則高達0.8以上，三者較為一致，其中SWAN最高，為0.87，光流法和TREC相對較低，分別為0.83和0.82。中雨量級，三者相差較大，SWAN為0.84，而光流法和TREC分別為0.70和0.77。大雨在所有雨量分級評分中空報率最低，光流法最低，為0.62，TREC和SWAN相對較高，分別為0.73和0.72。暴雨和大暴雨空報率則較為相似，光流法和TREC空報率相對較高，TREC最高均在0.8以上，其次為光流法，SWAN最低，為0.57。

晴雨的漏報率最低，3種方法均為0.3左右，且差異較小。大雨以下量級，3種方法的差異也不大，其中小雨的漏報率最低，在0.6左右，中雨和大雨超過0.8。而暴雨和大暴雨的漏報率，光流法和TREC法相對SWAN大幅降低，暴雨量級在0.6左右，SWAN超過0.8，大暴雨上，光流法和TREC降至0.4，而SWAN超過0.7。

結合ETS評分結果，晴雨的ETS降至0.2左右，因為2018年包含大量無雨的弱降水時次。而分級降水的演變趨勢總體與TS評分一致，隨著閾值的增大，ETS評分越低。但光流法在大雨量級評分最高，為0.09，SWAN較低，僅為0.04。暴雨和大暴雨量級，光流法相對最高，SWAN次之，TREC法最低。

計算2種方法未來2 h QPF總的檢驗結果。從圖5可以看出，相比1 h QPF，晴雨準確率有一定程度的下降，光流法為0.74，TREC降幅更明顯，僅為0.68。分級降水檢驗顯示，所有分級降水TS均在0.1以下。小雨量級光流法和TREC均為0.08，相對1 h QPF分別下降了5、6個百分點，大雨量級降幅更為顯著，光流法為0.04，相對1 h QPF下降了7個百分點，TREC法為0.03，相對1 h QPF下降4個百分點。同樣暴雨和大暴雨量級下降顯著，暴雨量級光流法僅為0.02，TREC為0.01，大暴雨量級，光流法0.01，TREC為0?？傮w來看，2 h暴雨以上的預報幾乎喪失了預報能力。這是由于大多數對流降水變化較快，往往幾十分鐘到1 h內就改變，所以采用2 h外推的預報能力大大減弱。

圖5 2018年3—9月短時降水2 h QPF檢驗

晴雨空報率光流法和TREC法分別為0.59和0.70，相對1 h預報上升了16個百分點和22個百分點。降水分級空報率，除了大雨量級光流法為0.75，低于0.8，相對1 h預報上升了13個百分點，其余均大于0.8。從漏報率看，光流法和TREC法晴雨的漏報率分別為0.41和0.49，相對1 h預報分別上升13、17個百分點。漏報率中雨量級最高，其次為大雨量級，均超過0.8。大暴雨最低，約為0.4。ETS評分結果顯示，晴雨的評分光流法已降至0.14，TREC僅為0.07。其余分級降水檢驗均在0.03以下，暴雨和大暴雨量級評分甚至為0，整體2 h QPF預報能力差。

綜上所述，光流法、TREC和SWAN 3種方法對1 h的晴雨準確率非常接近，有很好的預報效果，2 h后晴雨準確率明顯降低，但光流法仍有0.74。由于降水中包含大量弱降水以及細化的分級雨量檢驗，TS總體評分不高?？傮w而言，光流法效果最好，相比業務系統SWAN QPF的TS評分高2?5個百分點，其中比小雨量級高約2個百分點，比中雨量級高約4個百分點，比大雨量級高約5個百分點，比暴雨和大暴雨量級高約2個百分點，綜合平均比SWAN高出約3個百分點，由于TREC存在在暴雨以上量級的預報劣勢，因此效果相對最差。預報1 h降水空報率，光流法和TREC法在大雨以下量級空報率相對SWAN較低，而在暴雨和大暴雨量級上相對較高。但暴雨和大暴雨量級上SWAN漏報率更大。2 h的光流法和TREC法的空報率和漏報率大幅上升，預報能力明顯降低。ETS評分上與TS較為類似，總體而言，光流法效果最好，其次SWAN，TREC法效果相對最差。

2.2 短時強降水QPF區域及局地過程點對點檢驗

2018年4—8月短時降水區域及局地過程點對點檢驗結果（圖6、圖7），過程的晴雨準確率相對總的降水檢驗而言，下降至0.6，3種方法評分比較接近，SWAN略高于光流法。分級降水TS檢驗結果，光流法和TREC法在大雨以下量級高于SWAN，但在暴雨和大暴雨量級上相對低于SWAN，光流法更接近于SWAN。空報率晴雨相對較低，其值為0.5，分級降水的空報率幾乎均超過0.8，大雨以下量級，光流法和TREC法的空報率相對SWAN較小，暴雨和大暴雨量級則相反。大暴雨量級的漏報率SWAN最高，為0.92，而特大暴雨量級的光流法僅為0.63，暴雨以下量級總體而言，光流法也略低于SWAN，差異較小。ETS評分晴雨降至0.07以下，分級降水降至0.02以下。

圖6 2018年4—8月短時強降水區域及局地過程1 h QPF點對點檢驗

圖7 2018年4—8月短時強降水區域及局地過程2 h QPF點對點檢驗

從2 h QPF短時降水過程來看，晴雨準確率略低于1 h，分級降水TS評分檢驗與1 h QPF類似，但在暴雨以上量級迅速下降。對比ETS評分結果，晴雨降至0.03以下，分散性的局地降水導致晴雨中雨以上量級評分均為0。光流法的晴雨空報率和漏報率均略低于TREC法。分級降水檢驗，空報率均超過0.8，漏報率除小雨、大暴雨量級低于0.8外，中到暴雨量級也均超過0.8。總體而言，光流法略優于TREC法。

計算QPF點對點檢驗相對誤差和絕對誤差，通過平均得出所選過程總的誤差分布，其結果見表2。3種方法計算1 h QPF晴雨的相對誤差Er，光流法和TREC法分別為-0.69、-0.98 mm，SWAN為1.96 mm。光流法和TREC法的絕對誤差Ea均為4.04 mm，而SWAN相對更大為5.81 mm。晴雨光流法相對誤差最小，TREC法次之。2 h QPF光流法相對誤差相對1 h QPF偏小0.15 mm，而TREC法偏小0.24 mm。

表2 2018年短時強降水過程QPF點對點誤差檢驗及其對比結果

分級小時雨量來看，小雨量級1 h QPF相對誤差Er為0.25 mm，TREC法為-0.84 mm，SWAN則為2.92 mm；光流法和TREC法的絕對誤差Ea較為接近，分別為3.84 mm、3.82 mm，SWAN的絕對誤差較高為5.52 mm，因此，光流法和TREC法對該量級降水具有較好的估測能力，光流法相對更好。2 h QPF光流法相對誤差Er為0.60 mm，TREC法相對誤差為0.25 mm，光流法和TREC法的絕對誤差分別為3.68、3.35 mm，TREC法比光流法略好。中雨量級1 h QPF光流法的相對誤差僅為0.05 mm，TREC法為-0.12 mm，SWAN為2.12 mm，光流法與TREC法的絕對誤差接近，小于SWAN的6.19 mm。2 h QPF光流法和TREC法相對誤差分別為0.22、-0.28 mm，均比1 h QPF偏大。光流法的絕對誤差略大于TREC法。

大雨量級1 h QPF光流法的相對誤差為0.12 mm，TREC法為-0.25 mm，SWAN為2.60 mm，光流法和TREC法絕對誤差接近，均低于SWAN。2 h QPF光流法和TREC法相對誤差相比1 h QPF略有增大，絕對誤差則較為接近。暴雨以上量級相對誤差，光流法為-3.17 mm，TREC法為-3.65 mm，明顯偏小，SWAN為4.72 mm，相對誤差明顯偏大，預報估測效果明顯下降。3種方法的絕對誤差相差不大。2 h QPF相對誤差和絕對誤差與1 h QPF基本一致。

大暴雨量級SWAN的相對誤差為10.63 mm，明顯偏大，光流法和TREC法分別為-15.81 mm和-18.99 mm，明顯偏小，這可能是由于光流法和TREC法空報率更高所致，從絕對誤差來看，SWAN也相對更小。2 h QPF光流法和TREC法與1 h QPF結果較為類似。

綜上所述，1 h QPF除了大暴雨量級，光流法和TREC法的相對誤差和絕對誤差相比SWAN偏小一些，預報估測效果更好，尤其是光流法誤差相對更小。小時雨量大雨以下量級估測能力最好，暴雨以上量級誤差有所增大。大暴雨量級相對誤差和絕對誤差SWAN相對較好，光流法的空報率更高，但相對TREC法，光流法的預報估測能力更接近SWAN。

分別取3種方法實際鄉鎮雨量站點周圍3 km×3 km（9點）和5 km×5 km（25點）范圍內未來1 h和2 h的QPF平均值與觀測雨量計算誤差，并與點對點的結果進行比較（表3）。對1 h QPF采用9點和25點平均后，不同降水量級變化不同。晴雨的平均TS略有增大，光流法和TREC法的9點和25點平均偏差分別為0.002、0.003，SWAN分別為0.003、0.005。1 h QPF 9點和25點的小雨量級光流法分別為0.026、0.035，TREC法分別為0.020、0.029。SWAN分別為0.020、0.030，3種方法的上升幅度均較大。中雨量級光流法均無變化，TREC法分別為0.001、0.003，SWAN 9點無變化、25點僅為0.001，3種方法9點和25點平均后幾乎無提升。大雨量級與中雨量級較為類似，也幾乎無變化。暴雨量級9點和25點平均光流法均為0.002，TREC法均為0.003，SWAN均為0.001，3種方法上升幅度均很小。大暴雨量級光流法9點為-0.003，25點為-0.005，TREC法分別為-0.003、-0.002，SWAN均為0.001，3種方法幾乎無貢獻。ETS評分結果大體與TS一致，只是小雨量級光流法和TREC法下降到0.006以下，SWAN也下降至0.010。3種方法空報率9點和25點平均偏差大部分為負值，其中暴雨量級均在-0.006以下。3種方法漏報率也幾乎無貢獻。

表3 2018年短時強降水過程中1 h QPF的9點、25點平均與點對點偏差對比

3種方法晴雨相對誤差9點和25點平均偏差幾乎無變化，小雨量級光流法相對誤差分別為-0.114 mm和-0.266 mm，有一定的改善作用。TREC法相對誤差分別為0.016 mm和-0.142 mm，25點平均偏差也有一定的改善。SWAN 9點和25點分別為-0.440 mm和-0.730 mm，也有一定的改善。中雨量級光流法9點和25點平均偏差分別為-0.048 mm和-0.041 mm，改善明顯。TREC法9點平均偏差為0.001 mm，幾乎無變化，25點平均偏差為-0.054 mm，也有一定的改善。SWAN分別為0.001、-0.009 mm，幾乎無變化。大雨量級光流法分別為0.103 mm和0.081 mm，相對誤差偏大，有較明顯的負貢獻。TREC法和SWAN均有一定的負貢獻。3種方法暴雨量級相對誤差的改善作用均較小。3種方法大暴雨量級相對誤差9點和25點還有一定程度的下降，25點相對9點下降幅度更大。絕對誤差暴雨以下量級相對較小，大暴雨量級也只是有一定的改善。

2 h QPF的9點、25點平均與點對點偏差對比（表4）與1 h QPF類似，光流法和TREC法僅在小雨量級有較為明顯的改善作用。FAR和PO的改善作用較小。ETS評分結果顯示，小雨量級改善不明顯。相對誤差和絕對誤差與1 h QPF類似，但大暴雨量級相對誤差和絕對誤差的改善作用更大一些。

表4 2018年短時強降水過程中2 h QPF的9點、25點平均與點對點偏差對比

總之，對QPF采用9點或25點平均后，雖然有利于相對誤差的改善，且在大暴雨量級絕對誤差也有一定的改善，但對提高預報準確率貢獻較小。

2.3 短時強降水QPF區域及局地過程鄰域法檢驗

參照湖北省氣象局智能網格降水檢驗方法，不把預報和觀測空間嚴格地匹配，如果在預報格點周圍的一個范圍內出現評定的事件，則評定該格點預報正確，“點對面檢驗”（即鄰域法檢驗）。以10 km為半徑范圍，逐個格點依次判定檢驗（圖8、圖9）。

2018年4—8月短時強降水區域及局地過程3種方法1 h QPF鄰域法檢驗（圖8），同點對點檢驗（圖6）對比，晴雨準確率相對點對點檢驗有較大程度的提升，3種方法均升至0.80附近，相對點對點檢驗上升13?17個百分點。分級降水TS檢驗結果顯示也均有較大程度的上升，小雨量級相對點對點檢驗上升5?6個百分點，其中大雨量級相對點對點檢驗光流法上升幅度最為明顯，上升了11個百分點，TREC法次之，上升8個百分點，SWAN僅上升4個百分點，該量級雨量3種方法的TS結果差異最大。在暴雨和大暴雨量級SWAN均為0.16，相對點對點檢驗上升11?12個百分點，光流法分別為0.12和0.10，均上升8個百分點，TREC法分別為0.07和0.03，僅上升2?4個百分點，上升幅度最小。ETS評分結果與TS類似，晴雨提升幅度較大，均在0.3以上，相對點對點檢驗上升了26?37個百分點。分級降水上升幅度最大，為大雨量級，其中光流法上升幅度最大，為0.11，相對點對點檢驗上升了9個百分點。暴雨和大暴雨量級，光流法和SWAN比較接近，上升至0.1左右，相對點對點檢驗上升了7?11個百分點。從空報率來看，晴雨的空報率降至0.2左右，分級降水3種方法大部分降至0.8以下，小雨的空報率在0.6左右。大暴雨量級光流法和TREC法的空報率分別為0.37、0.44，下降幅度較大，SWAN仍相對較高，為0.70。3種方法晴雨的漏報率分別為0.31、0.35、0.26，也有一定的降幅，分級降水大雨以下量級均有一定程度的下降，暴雨和大暴雨量級光流法和TREC法有一定程度的上升，其中SWAN漏報率下降的幅度較大。

圖8 2018年4—8月短時強降水區域過程1 h QPF鄰域法檢驗

2 h QPF鄰域檢驗結果（圖9），與點對點檢驗對比，TS評分也具有一定程度的提升，其中晴雨準確率光流法上升到0.72，TREC法為0.65，相對點對點檢驗分別上升12、9個百分點。分級降水TS檢驗大雨以下量級上升為0.1以上，相對點對點檢驗上升2?6個百分點。暴雨和大暴雨量級上也有一定的提升，約2個百分點。ETS評分晴雨上也有較大的提升，相對點對點檢驗分別上升21、15個百分點。分級降水上ETS也均有一定的提升，其中光流法大雨量級相對提升較大，約5個百分點。

圖9 2018年4—8月短時強降水區域過程2 h QPF鄰域法檢驗

晴雨的空報率下降至0.2附近，相對點對點檢驗下降幅度較大，分級降水的空報率下降幅度也較大，大部分降至0.8左右，其中大暴雨量級空報率降幅最大，光流法和TREC法分別下降為0.49、0.44。晴雨的漏報率較小，光流法和TREC法分別為0.40、0.53，分級降水漏報率均超過0.7。

鄰域法檢驗與點對點檢驗差異最大為1 h QPF中的大雨量級，因此，本研究選取2018年4月5日局地分散性過程大雨量級作為典型個例代表，來進一步對比分析。

2018年4月5日大雨量級過程逐10 min時間演變（圖10）可知，3種方法中SWAN的TS評分明顯最低，單點TS評分04：40以前光流法相對較高，04：40—05：40分TREC法相對較高，采用鄰域法后，光流法和TREC法，總體的變化趨勢較為一致，2種方法都得到了明顯的提升，其中光流法的提升幅度最為明顯，各時次的評分結果幾乎均高于TREC法，而光流法在大雨量級上不僅無明顯提升，還在部分時次略有下降。大雨量級單點的空報率，SWAN波動幅度較大，而光流法和TREC法整體較為接近，空報率大部分在0.5?0.8，2種方法空報率差異較小。采用鄰域法后，大雨空報率迅速下降，04：00降至0.4，而SWAN空報率卻大幅上升至0.8以上。SWAN的漏報率也明顯高于光流法和TREC法，光流法和TREC法漏報率較為相似，有時光流法低，有時TREC低，采用鄰域法之后，整體而言，光流法更低。個例分析也表明，采用鄰域法對提升準確率有較大的貢獻，同時也能夠明顯降低空報率和漏報率。

圖10 2018年4月5日過程1 h QPF單點和鄰域法檢驗結果時間演變

總的說來，采用鄰域法檢驗評價能夠較大幅度提高預報準確率，同時也在一定程度上減小了空報率和漏報率。

2.4 短時強降水QPF在區域和局地過程中的對比

QPF除整體上具有上述特征外，不同類型的強降水過程亦有差異。從上述2018年4—8月武漢17次區域及局地短時強降水過程中選取4次區域短時強降水過程（對應編號為5、6、9、14）、4次局地短時強降水過程（對應編號為7、13、15、16）。計算每一次過程不同量級的未來1 h QPF領域法的TS評分和點對點的絕對誤差Ea，來分析QPF在不同類型分級降水過程中的差異。

從鄰域法TS評分結果（圖11）可知，小雨量級TS評分平均值無論區域還是局地短時強降水過程，3種方法都較為接近，區域過程除5月20日SWAN表現較好外，其余均為光流法相對較好，局地短時過程仍是光流法相對好。整體而言，光流法在小雨量級上略優于SWAN，TREC法與光流法差異不大。絕對誤差來看，區域過程SWAN的絕對誤差明顯高于光流法和TREC法，但在局地短時過程差異有所縮小。

圖11 2018年8次短時強降水過程不同量級1 h QPF TS評分平均值和絕對誤差

中雨量級TS評分與小雨量級類似，區域過程光流法高于SWAN，且差異相對較大，局地過程中差異迅速縮小。整體而言，光流法在中雨量級上效果最好，其次為SWAN。絕對誤差也與小雨量級類似，區域過程SWAN相對光流法和TREC法偏大，局地過程有所減小。大雨量級TS評分SWAN、光流法和TREC法的差異最大，同樣主要也集中在區域性過程，以5月20日為例，光流法達0.25，TREC法次之，為0.2，而SWAN僅為0.1。局地過程光流法和SWAN各有優劣，5月21日為光流法最好，7月3日SWAN最好。整體而言，光流法最好，其次為TREC法，SWAN最差。絕對誤差SWAN略高于光流法和TREC法，也主要集中在區域性過程。暴雨量級TS評分SWAN整體上高于光流法，主要也集中在區域性過程，局地過程中光流法2個個例TS評分高，另外1個個例差距較小。絕對誤差來看，3種方法差距不大?？傮w而言，SWAN更好，光流法次之，TREC法最差。

大暴雨量級TS評分區域性過程與暴雨量級類似，SWAN仍高于光流法。局地過程光流法表現更為穩定，尤其是在7月3日，光流法為0.12，SWAN僅為0.01，差異很大，因此，局地性過程光流法相對更好。絕對誤差SWAN相對光流法和TREC法低一些。

綜上所述，通過對比分析區域性過程和局地分散性短時強降水過程。整體而言，在大雨以下量級，均為光流法最好，TREC法次之，SWAN效果最差。差異最大的主要集中在區域性過程。暴雨和大暴雨量級盡管SWAN在區域性過程中具有較高的評分，但在局地過程中表現不穩定，光流法卻相對穩定，這也就能夠很好地解釋，為何在2018年降水總體偏弱即區域性降水過程偏少的情況下，光流法總體檢驗結果在暴雨和大暴雨量級上要略好于SWAN。

3 小結與討論

本研究基于武漢雷達回波外推和自動站雨量融合技術的光流法與TREC法以及SWAN 3類QPF產品在2018年3—9月短時降水過程的誤差檢驗與分析，主要得出以下結論。

1）總體而言，基于雷達外推與自動站快速融合技術的光流法效果最好，TS評分平均值高出SWAN約3個百分點，其次為SWAN，由于TREC存在在暴雨以上量級的預報劣勢，因此預報效果相對最差。2 h QPF的光流法和TREC法的TS評分、空報率和漏報率大幅上升，預報能力明顯降低。

2）3種方法除了大暴雨量級，光流法和TREC法點對點的相對和絕對誤差相對SWAN偏小，預報估測效果更好，大雨以下量級估測能力最好，而暴雨和大暴雨量級誤差有所增大。在大暴雨量級上，光流法相對TREC法預報估測能力更接近SWAN。

3）對QPF采用9點或25點平均后，雖然在一定程度上改善相對誤差，且在大暴雨量級上絕對誤差也有一定的改善，但對提高預報準確率貢獻較小。總的說來，采用鄰域法檢驗評價能較大幅度提高預報準確率，同時也一定程度減小了空報率和漏報率。

4）通過對比分析區域性過程和局地分散性短時強降水過程。整體上在大雨以下量級，均為光流法最好，TREC次之，SWAN最差。差異最大的主要集中在區域性過程。在暴雨和大暴雨量級上，盡管SWAN在區域性過程中具有較高的評分，但在局地過程中表現不穩定，而通過快速融合技術的光流法在局地過程相對更穩定。

本研究通過構建武漢本地化的2 h QPF快速融合技術的有效嘗試，初步探討建立了2 h QPF降水的預報效果，光流法快速融合技術對于大雨以下的偏弱降水具有明顯的優點，暴雨以上的短時強降水，雖然光流法相對SWAN區域性強對流降水預報效果相對較差，但對突發性分散的強對流降水具有較好的指導意義，對后續短臨降水預報預警服務仍具有較好的參考作用。