基于CMA區(qū)域集合預(yù)報(bào)的海河流域面雨量預(yù)報(bào)評(píng)估與應(yīng)用

摘要 面雨量是流域防汛抗洪調(diào)度的重要依據(jù)，單模式的確定性預(yù)報(bào)無(wú)法反映面雨量的多種可能性，為了解決面雨量預(yù)報(bào)存在不確定性的問(wèn)題，本文基于中國(guó)氣象局區(qū)域集合預(yù)報(bào)系統(tǒng)（China Meteorological Administration-Regional Ensemble Prediction System，CMA-REPS）降水結(jié)果對(duì)海河流域集合預(yù)報(bào)面雨量開(kāi)展了適用性評(píng)估和分析，結(jié)合高分辨率格點(diǎn)實(shí)況資料對(duì)其2020—2022年5—8月面雨量進(jìn)行檢驗(yàn)，并依檢驗(yàn)結(jié)果開(kāi)展了集合預(yù)報(bào)面雨量產(chǎn)品及跨度預(yù)報(bào)產(chǎn)品研發(fā)。檢驗(yàn)表明CMA-REPS集合預(yù)報(bào)對(duì)海河流域面雨量預(yù)報(bào)有改進(jìn)：1）海河流域集合平均面雨量預(yù)報(bào)的絕對(duì)誤差明顯優(yōu)于控制預(yù)報(bào)，在空間分布上表現(xiàn)為南部河系預(yù)報(bào)誤差較大，中部次之，北部最小。2）模糊評(píng)分表明小雨和中雨量級(jí)集合平均預(yù)報(bào)更貼近實(shí)況，而暴雨量級(jí)則需進(jìn)一步參考集合成員的極端性。3）TS及Bias評(píng)分表明集合平均在小雨量級(jí)預(yù)報(bào)效果較好，中雨及以上量級(jí)在預(yù)報(bào)后期改進(jìn)更加明顯。4）概率預(yù)報(bào)評(píng)分發(fā)現(xiàn)CMA-REPS對(duì)海河流域中部河系中雨以下面雨量有較好的表現(xiàn)，而南部河系的評(píng)分則低于中部河系。開(kāi)發(fā)集合預(yù)報(bào)面雨量產(chǎn)品并對(duì)海河流域兩次致洪暴雨過(guò)程檢驗(yàn)發(fā)現(xiàn)：1）集合成員對(duì)24 h大暴雨等級(jí)面雨量的預(yù)報(bào)有較高的概率，與實(shí)況量級(jí)相當(dāng)，對(duì)極端降水有較好的提示。2）24 h內(nèi)集合平均具有較好的評(píng)分，而24～48 h，75％分位數(shù)產(chǎn)品對(duì)于強(qiáng)降水過(guò)程預(yù)報(bào)效果更好;本文依據(jù)檢驗(yàn)結(jié)果開(kāi)發(fā)的集合預(yù)報(bào)混合百分位產(chǎn)品及跨度預(yù)報(bào)產(chǎn)品對(duì)于強(qiáng)降水有較好的參考性。3）依據(jù)概率預(yù)報(bào)隨時(shí)間的變化曲線對(duì)面雨量進(jìn)行平滑擬合，可以得到更貼近于實(shí)況的逐小時(shí)面雨量預(yù)報(bào)產(chǎn)品。

關(guān)鍵詞集合預(yù)報(bào);海河流域;面雨量;CMA-REPS

海河流域地理位置特殊復(fù)雜，內(nèi)部河流眾多，人口密集，在燕山及太行山地形下，一旦發(fā)生區(qū)域性致洪暴雨，將對(duì)人民群眾生命財(cái)產(chǎn)安全造成極大威脅。流域的降水預(yù)報(bào)是防汛抗洪的關(guān)鍵依據(jù)，單站的降水量不足以表征區(qū)域整體降水狀況，而面雨量（單位面積上的降水量）能夠反映某一特定區(qū)域或流域的平均降水狀況（畢寶貴等，2003），是流域水文氣象重點(diǎn)關(guān)注的預(yù)報(bào)要素。精細(xì)化的面雨量預(yù)報(bào)能夠?yàn)橹行『恿鞯姆姥凑{(diào)度及風(fēng)險(xiǎn)災(zāi)害防范提供有力的決策依據(jù)。目前面雨量的預(yù)報(bào)主要依賴于單模式的確定性預(yù)報(bào)，而該結(jié)果受限于模式性能及初始場(chǎng)，無(wú)法客觀反映流域降水的多種可能性。集合預(yù)報(bào)提供了一種概率預(yù)報(bào)（陳靜等，2002;朱躍建，2020），能夠?yàn)闆Q策部門提供更多參考信息，如降水的概率分布、極端值和平均值等。當(dāng)前，海河流域面雨量的預(yù)報(bào)存在不確定性，一方面海河流域易受東北冷渦等天氣系統(tǒng)影響發(fā)生強(qiáng)降水天氣，而天氣系統(tǒng)的位置和強(qiáng)度預(yù)報(bào)存在不確定性;另一方面，受太行山及燕山地形影響，迎風(fēng)坡容易觸發(fā)強(qiáng)降水天氣;此外，近年來(lái)極端天氣頻發(fā)，如2021年7月河南極端強(qiáng)降水天氣，單模式的預(yù)報(bào)結(jié)果不能提供強(qiáng)降水的概率，因此開(kāi)展海河流域集合預(yù)報(bào)面雨量研究成為本地業(yè)務(wù)發(fā)展的迫切需求。開(kāi)發(fā)中小河流域面雨量概率預(yù)報(bào)產(chǎn)品也是中國(guó)氣象局地球系統(tǒng)數(shù)值預(yù)報(bào)中心與海河流域氣象中心共建的《國(guó)省統(tǒng)籌研發(fā)計(jì)劃》的重要任務(wù)之一。

面雨量有多種計(jì)算方案，包括泰森多邊形法、三角形法、逐步訂正格點(diǎn)法、算術(shù)平均法等，方法各有其優(yōu)缺點(diǎn)（畢寶貴等，2003;方慈安等，2003）。以往的算術(shù)平均法直接利用區(qū)域內(nèi)觀測(cè)站降水實(shí)況，方法簡(jiǎn)單易行，然而由于觀測(cè)站點(diǎn)分布的不均勻性，其計(jì)算精度受到限制。近年來(lái)，有學(xué)者利用雷達(dá)（賀芳芳等，2018）、衛(wèi)星（潘永地和姚益平，2005）等非常規(guī)觀測(cè)資料反演區(qū)域平均面雨量，得到了較好的效果。徐晶和姚學(xué)祥（2007）指出對(duì)于較高的空間分辨率資料，可通過(guò)算術(shù)平均直接計(jì)算流域的面雨量。中央氣象臺(tái)在三源融合降水資料（潘旸等，2015）的智能網(wǎng)格基礎(chǔ)上，基于射線法與算術(shù)平均法建立了全國(guó)七大江河流域及其子流域面雨量估測(cè)與預(yù)報(bào)方法（包紅軍等，2021）。可見(jiàn)，高分辨率的格點(diǎn)降水資料為面雨量提供了更加便捷可靠的計(jì)算方案。

許多學(xué)者基于不同模式開(kāi)展了流域降水的研究工作。朱紅芳等（2007）利用GRAPES的降水預(yù)報(bào)，制作了2005年7—9月淮河流域的面雨量預(yù)報(bào)產(chǎn)品，結(jié)果顯示GRAPES模式產(chǎn)品在實(shí)際工作中具有較高的參考價(jià)值。朱占云等（2017）通過(guò)檢驗(yàn)水庫(kù)流域面雨量發(fā)現(xiàn)，幾種模式的預(yù)報(bào)效果均隨著面雨量等級(jí)增大而下降，確定性的模式預(yù)報(bào)不能提供極端降水的可能性。郝瑩等（2019）基于歐洲中心模式、日本模式及WRF（Weather Research and Forecasting）模式評(píng)估了淮河流域面雨量預(yù)報(bào)，認(rèn)為單模式的預(yù)報(bào)仍然具有局限性。王海燕等（2022）基于多模式降水預(yù)報(bào)產(chǎn)品開(kāi)展了長(zhǎng)江流域降水預(yù)報(bào)方法研究，指出模式的固有缺陷會(huì)造成定量降水存在偏差。以上研究表明，單模式的預(yù)報(bào)無(wú)法描述降水的不確定性信息，不能滿足業(yè)務(wù)需求。有學(xué)者從集合預(yù)報(bào)的角度評(píng)估了流域的降水概率。趙琳娜等（2010）和劉永和等（2013）分別基于TIGGE（THORPEX Interactive Grand Global Ensemble）資料開(kāi)展了流域降水的概率性預(yù)報(bào)評(píng)估及集合預(yù)報(bào)性能分析，指出超級(jí)集合考慮了更多的降水可能性，強(qiáng)降水的量級(jí)和空間分布預(yù)報(bào)同觀測(cè)更為接近，多模式集合平均預(yù)報(bào)優(yōu)于單模式。Ye et al.（2014）從不同子流域及不同洪水季節(jié)的角度評(píng)估了基于ECMWF（European Centre for Medium-range Weather Forecasts）降水集合概率產(chǎn)品的淮河流域降水預(yù)報(bào)，并指出該集合預(yù)報(bào)產(chǎn)品能夠服務(wù)于水文氣象預(yù)報(bào)業(yè)務(wù)。董全等（2016）和徐姝等（2021）基于ECMWF集合預(yù)報(bào)分別開(kāi)展了淮河流域及海河流域的降水預(yù)報(bào)方法研究，提出集合預(yù)報(bào)后處理方法能夠?qū)α饔蚪邓兴倪M(jìn)，概率預(yù)報(bào)更加接近實(shí)況。楊寅等（2022）基于歐洲中心集合降水預(yù)報(bào)開(kāi)發(fā)了不同集合統(tǒng)計(jì)量的長(zhǎng)江流域面雨量預(yù)報(bào)產(chǎn)品，指出集合平均的面雨量產(chǎn)品誤差小于確定性預(yù)報(bào)。

研究表明，集合預(yù)報(bào)在流域降水預(yù)報(bào)方面具有應(yīng)用前景，然而現(xiàn)有的研究多基于低分辨率、長(zhǎng)時(shí)間段的模式降雨分析，缺乏針對(duì)精細(xì)化時(shí)空尺度的集合預(yù)報(bào)面雨量產(chǎn)品研究。包紅軍等（2016）在氣象水文研究進(jìn)展中指出，中尺度集合預(yù)報(bào)技術(shù)是提升流域局地性強(qiáng)降水預(yù)報(bào)能力的主要途徑。因此，開(kāi)展高分辨率模式的中尺度集合預(yù)報(bào)面雨量研究是提升流域精準(zhǔn)預(yù)報(bào)能力的關(guān)鍵。中國(guó)氣象局區(qū)域集合預(yù)報(bào)系統(tǒng)（China Meteorological Administration-Regional Ensemble Prediction System：CMA-REPS）是地球系統(tǒng)數(shù)值預(yù)報(bào)中心自主研發(fā)的中尺度區(qū)域集合預(yù)報(bào)系統(tǒng)。從2019年汛期的預(yù)報(bào)評(píng)估來(lái)看，該系統(tǒng)在小雨、大雨及暴雨的36～48 h集合預(yù)報(bào)評(píng)分優(yōu)于ECMWF全球集合預(yù)報(bào)，體現(xiàn)了高分辨率區(qū)域集合預(yù)報(bào)描述強(qiáng)降水預(yù)報(bào)不確定性的優(yōu)勢(shì)（陳靜和李曉莉，2020），然而該模式對(duì)于海河流域集合預(yù)報(bào)面雨量及其檢驗(yàn)仍有待探索。本文立足于CMA-REPS，開(kāi)展海河流域不同子流域集合預(yù)報(bào)面雨量檢驗(yàn)評(píng)估及產(chǎn)品研發(fā)，檢驗(yàn)國(guó)產(chǎn)中尺度集合預(yù)報(bào)模式對(duì)于海河流域面雨量的預(yù)報(bào)能力，期望能夠?yàn)榱饔騼?nèi)中小河流提供面雨量的概率預(yù)報(bào)，推動(dòng)集合預(yù)報(bào)產(chǎn)品在流域面雨量中的應(yīng)用，為防汛救災(zāi)提供有效參考。

1 數(shù)據(jù)和方法

1.1 海河流域子區(qū)域劃分

海河流域主要橫跨北京市、天津市、河北省、山西省、山東省、河南省和內(nèi)蒙古自治區(qū)7個(gè)省、自治區(qū)和直轄市，包含了遼寧省部分地區(qū)，地形涵蓋山脈、平原以及入海口，其中燕山和太行山自西北向東南傾斜，沒(méi)有明顯的丘陵過(guò)渡帶。在這種地形下，一旦發(fā)生暴雨，就會(huì)迅速加大河流的流量與流速，極易造成洪澇災(zāi)害。從海河流域降水的時(shí)空分布來(lái)看，大暴雨主要發(fā)生在7月下旬到8月上旬（余文韜等，2015;邵月紅等，2020），洪水主要源自燕山和太行山的迎風(fēng)坡。海河流域可以分為漳衛(wèi)河、徒駭馬頰河（簡(jiǎn)稱：徒馬河）、黑龍港運(yùn)東、子牙河、大清河、海河干流、永定河、北三河及灤河9個(gè)主要子流域，同時(shí)內(nèi)部又可細(xì)化為63條中小河流。

1.2 模式和資料簡(jiǎn)介

CMA-REPS是中國(guó)氣象局地球系統(tǒng)數(shù)值預(yù)報(bào)中心自主研發(fā)的中尺度區(qū)域集合預(yù)報(bào)系統(tǒng)（表1），模式3.0版本引入了云分析同化系統(tǒng)及臺(tái)風(fēng)渦旋條件性重定位方案（吳政秋等，2020），初值擾動(dòng)采用ETKF方案（Bishop and Toth，1999;Ma et al.，2009;張涵斌等，2017），物理過(guò)程擾動(dòng)為單一物理過(guò)程加SPPT方案（Buizza et al.，1999;史永強(qiáng)等，2022），側(cè)邊界擾動(dòng)來(lái)自CMA-GEPS全球集合預(yù)報(bào)。近期研究表明，該模式對(duì)中國(guó)汛期降水有較好的預(yù)報(bào)能力（王靜等，2019;王婧卓等，2021）。預(yù)報(bào)初值來(lái)自CMA-MESO 3km模式，當(dāng)前版本模式水平分辨率為0.1°×0.1°（水平格點(diǎn)數(shù)751×501），集合成員數(shù)為15個(gè)，每日兩次起報(bào)（00時(shí)和12時(shí)，世界時(shí)，下同），能夠提供0～84 h的逐小時(shí)預(yù)報(bào)。

實(shí)況降水資料來(lái)自中國(guó)國(guó)家氣象信息中心的三源融合格點(diǎn)降水資料，水平分辨率為0.05°×0.05°。本文選取了2020—2022年5—8月汛期降水資料;3 a汛期降水在流域的分布存在差異，總的來(lái)說(shuō)是自南向北減少，南部的漳衛(wèi)河、徒馬河及黑龍港運(yùn)東是強(qiáng)降水的集中帶;2021年汛期降雨量相對(duì)較大，強(qiáng)降水集中在流域南部的漳衛(wèi)河、北部的北三河及灤河南側(cè)（圖略）。

1.3 集合預(yù)報(bào)面雨量計(jì)算檢驗(yàn)方案及產(chǎn)品

1.3.1 面雨量計(jì)算方案

根據(jù)氣預(yù)函（2021）47號(hào)文件《全國(guó)七大江河流域面雨量監(jiān)測(cè)和預(yù)報(bào)業(yè)務(wù)規(guī)范（修訂）》的規(guī)定，本文采用算術(shù)平均法計(jì)算流域內(nèi)面雨量，其計(jì)算方案為流域內(nèi)所有雨量站（或網(wǎng)格點(diǎn)）的降雨量之和除以雨量站（或網(wǎng)格點(diǎn)）總數(shù)，公式為：

本文首先采用Arcgis軟件提取流域內(nèi)網(wǎng)格點(diǎn)信息（3 282個(gè)格點(diǎn)），將不同子流域地理數(shù)據(jù)進(jìn)行分類和標(biāo)簽化，讀取同類標(biāo)簽的降水量及其格點(diǎn)總數(shù)，按算術(shù)平均法（式（1））求得各個(gè)子流域內(nèi)面雨量。本文按9條主要河系劃分子流域，對(duì)CMA-REPS集合預(yù)報(bào)降水以及實(shí)況觀測(cè)降水采取相同的面雨量計(jì)算方案，得到海河流域不同子流域集合預(yù)報(bào)面雨量及面雨量實(shí)況分布，構(gòu)造了2020—2022年5—8月每日兩次起報(bào)的海河流域不同子流域集合預(yù)報(bào)面雨量及實(shí)況面雨量數(shù)據(jù)集。面雨量的等級(jí)按照2017年發(fā)布的江河流域面雨量等級(jí)（表2）。

1.3.2 面雨量常規(guī)集合預(yù)報(bào)產(chǎn)品

1）集合平均

面雨量的集合平均是集合預(yù)報(bào)成員面雨量的平均，公式為：

其中：fi為第i個(gè)成員面雨量預(yù)報(bào);N為集合成員數(shù)。集合平均表征了集合成員的總體趨勢(shì)，在非極端的情況下，集合平均具有代表性，且通常集合平均預(yù)報(bào)技巧高于單個(gè)成員。然而集合平均勢(shì)必削弱了預(yù)報(bào)中的極端情況、過(guò)濾了預(yù)報(bào)中的不確定成分。

2）面雨量郵票圖

將各個(gè)成員面雨量預(yù)報(bào)排列在一起，形成一組包含所有成員預(yù)報(bào)信息的集合郵票圖，可為預(yù)報(bào)員提供更加直觀且全面的面雨量預(yù)報(bào)信息，如面雨量極端值、大值落區(qū)、降水概率等。

3）百分位箱線圖

將集合成員面雨量進(jìn)行排序，取出其中最小值、25％分位數(shù)、平均數(shù)、75％分位數(shù)以及最大值，將最大值最小值以線條的形式畫在兩端，25％～75％分位數(shù)以箱的形式畫在中間，可形成集合成員對(duì)某一時(shí)次面雨量預(yù)報(bào)的箱線圖。集合預(yù)報(bào)面雨量箱線圖能夠直觀地反映出各集合成員對(duì)面雨量預(yù)報(bào)的分布情況;對(duì)比實(shí)況，它能夠體現(xiàn)出各集合成員預(yù)報(bào)的偏差情況和離散程度。

4）概率預(yù)報(bào)

概率預(yù)報(bào)可較全面地包含實(shí)際大氣可能發(fā)生的多種情況。研究表明，基于集合預(yù)報(bào)的概率預(yù)報(bào)比基于單一模式單一預(yù)報(bào)更準(zhǔn)確（Eckel and Walter，1998）。假設(shè)每個(gè)成員的權(quán)重相等，某等級(jí)的面雨量預(yù)報(bào)概率可定義為預(yù)報(bào)出現(xiàn)的成員數(shù)與總成員數(shù)之比，由此可以計(jì)算面雨量在不同量級(jí)及不同時(shí)效出現(xiàn)的預(yù)報(bào)概率。不同的面雨量等級(jí)如表2所示。

大于降雨閾值R0的降水概率預(yù)報(bào)P的計(jì)算公式為：

其中：Pi為第i個(gè)集合成員出現(xiàn)的概率;N為總成員數(shù);R為降雨量。

1.4 檢驗(yàn)方法

1.4.1 絕對(duì)誤差及模糊評(píng)分

絕對(duì)誤差為預(yù)報(bào)面雨量與實(shí)況面雨量之差，直觀地反映了預(yù)報(bào)與實(shí)況的實(shí)際差異。然而面雨量的預(yù)報(bào)可以是一個(gè)等級(jí)范圍，定量的預(yù)報(bào)無(wú)法判斷面雨量等級(jí)預(yù)報(bào)的準(zhǔn)確程度。

為了較客觀地評(píng)估面雨量預(yù)報(bào)，可使用與預(yù)報(bào)等級(jí)有關(guān)的模糊評(píng)分。《全國(guó)七大江河流域面雨量監(jiān)測(cè)和預(yù)報(bào)業(yè)務(wù)規(guī)范（修訂）》規(guī)定，模糊評(píng)分的數(shù)值應(yīng)與3個(gè)因子有關(guān)：預(yù)報(bào)等級(jí)j，等級(jí)誤差|Fi-Oi|和該等級(jí)最大等級(jí)誤差Emax（j），當(dāng)空?qǐng)?bào)和漏報(bào)時(shí)，模糊評(píng)分為0。Fi為第i個(gè)流域的預(yù)報(bào)等級(jí)，Oi為第i個(gè)流域的實(shí)況等級(jí)。第i個(gè)預(yù)報(bào)子流域、第j級(jí)降雨預(yù)報(bào)的模糊評(píng)分SMP為：

式中：第1項(xiàng)是有雨預(yù)報(bào)正確的基礎(chǔ)分，規(guī)定為60分;第2項(xiàng)是強(qiáng)度（等級(jí)）預(yù)報(bào)的加權(quán)分。當(dāng)預(yù)報(bào)等級(jí)有誤差時(shí)，按其誤差大小給分。誤差越大，分值越低。可以看出，根據(jù)誤差大小計(jì)算的模糊評(píng)分，表征了預(yù)報(bào)貼近實(shí)況的程度。分值越高，預(yù)報(bào)越接近實(shí)況。

第i個(gè)預(yù)報(bào)子流域模糊評(píng)分SMP為：

式中，N為降水等級(jí)總數(shù)。

第j級(jí)降水模糊評(píng)分SMP為：

式中，T為預(yù)報(bào)子流域總數(shù)。

1.4.2 TS和Bias評(píng)分

利用二分類事件列聯(lián)表（表3）檢驗(yàn)方法，計(jì)算面雨量的TS（Threat Score，ST）評(píng)分及偏差（Bias，SBias）。TS評(píng)分評(píng)估識(shí)別發(fā)生正確的概率，僅與事件發(fā)生有關(guān)，不考慮正確否定的事件。偏差的定義如式（8）所示，指預(yù)報(bào)發(fā)生的樣本數(shù)與實(shí)況發(fā)生的樣本數(shù)之比，1為最佳。

1.4.3 AROC評(píng)分

對(duì)面雨量的集合概率預(yù)報(bào)進(jìn)行檢驗(yàn)，能夠更加客觀地評(píng)價(jià)集合預(yù)報(bào)模式對(duì)于流域面雨量的預(yù)報(bào)效果。相對(duì)作用評(píng)分（Relative Operating Characteristic，ROC）是一種概率預(yù)報(bào)評(píng)分，將命中率作為縱坐標(biāo)、誤報(bào)率作為橫坐標(biāo)，將概率預(yù)報(bào)作一條曲線，能夠得到ROC曲線，曲線與坐標(biāo)軸形成的面積，即為AROC（Area under the ROC，AROC），其值越接近1越好。本文將對(duì)海河流域不同子流域的面雨量進(jìn)行集合預(yù)報(bào)檢驗(yàn)評(píng)分。

2 海河流域集合預(yù)報(bào)面雨量及其檢驗(yàn)

2.1 面雨量預(yù)報(bào)絕對(duì)誤差

根據(jù)不同子流域計(jì)算2020—2022年5—8月海河流域CMA-REPS集合預(yù)報(bào)面雨量以及實(shí)況面雨量。其中控制預(yù)報(bào)（control，簡(jiǎn)寫為ctl）是未經(jīng)擾動(dòng)的單模式預(yù)報(bào)結(jié)果，即中尺度預(yù)報(bào)模式確定性預(yù)報(bào)。以集合平均（簡(jiǎn)寫為ave）和控制預(yù)報(bào)的面雨量結(jié)果減去實(shí)況面雨量，得到絕對(duì)誤差，如圖2所示。圖2a為海河流域整體面雨量預(yù)報(bào)情況，集合平均的面雨量預(yù)報(bào)絕對(duì)誤差明顯小于控制預(yù)報(bào)，特別是在預(yù)報(bào)的24～84 h，說(shuō)明CMA-REPS集合平均的面雨量預(yù)報(bào)明顯優(yōu)于控制預(yù)報(bào)。將海河流域子流域按照實(shí)況降水南北分布特征劃分為南部河系（漳衛(wèi)河、徒馬河及黑龍港運(yùn)東）、中部河系（子牙河、大清河及海河干流）及北部河系（永定河、北三河及灤河），對(duì)南北不同分區(qū)河系的面雨量絕對(duì)誤差進(jìn)行分析。由圖2b可見(jiàn)，在所有預(yù)報(bào)時(shí)段內(nèi)，南部河系的預(yù)報(bào)誤差較大，中部次之，北部最小，這與降雨帶的分布關(guān)系密切;同時(shí)可看出，不論河系的南北分布，所有預(yù)報(bào)時(shí)次內(nèi)集合平均的結(jié)果均優(yōu)于控制預(yù)報(bào)。由此可見(jiàn)，在業(yè)務(wù)預(yù)報(bào)中，CMA-REPS的集合平均面雨量預(yù)報(bào)比單模式預(yù)報(bào)更具參考性，同時(shí)可考慮降雨帶的南北分布特征對(duì)面雨量進(jìn)行訂正。

2.2 面雨量模糊評(píng)分

對(duì)海河流域面雨量進(jìn)行模糊評(píng)分，當(dāng)漏報(bào)和空?qǐng)?bào)時(shí)，模糊評(píng)分為0。對(duì)不同量級(jí)的逐24 h累積面雨量進(jìn)行分析，按公式（6）統(tǒng)計(jì)流域內(nèi)3 a的面雨量模糊評(píng)分，結(jié)果如圖3所示。在小雨量級(jí)上，所有預(yù)報(bào)時(shí)段內(nèi)集合平均的模糊評(píng)分均高于控制預(yù)報(bào)。中雨量級(jí)在40 h之后集合平均模糊評(píng)分才體現(xiàn)出明顯優(yōu)勢(shì)。大雨量級(jí)集合平均和控制預(yù)報(bào)的24 h面雨量模糊評(píng)分基本重合，然而在24～36 h集合平均模糊評(píng)分不如控制預(yù)報(bào)，而在36～56 h則集合平均效果優(yōu)于控制預(yù)報(bào)。就暴雨而言，集合平均的結(jié)果削弱了面雨量的極端值，因此其模糊評(píng)分的分?jǐn)?shù)較低，在這種情況下，個(gè)別集合成員的效果可能要優(yōu)于集合平均的結(jié)果。模糊評(píng)分表征了預(yù)報(bào)貼近實(shí)況的程度，對(duì)比不同量級(jí)的評(píng)分結(jié)果可發(fā)現(xiàn)，CMA-REPS在小雨和中雨量級(jí)的面雨量的集合平均預(yù)報(bào)更貼近于實(shí)況，而大雨量級(jí)的集合平均面雨量在36～56 h效果更好，暴雨量級(jí)則需進(jìn)一步參考集合成員的極端性。

2.3 面雨量預(yù)報(bào)TS及Bias檢驗(yàn)

將海河流域各子流域小雨到大雨量級(jí)的面雨量進(jìn)行評(píng)分，并對(duì)3 a汛期不同預(yù)報(bào)時(shí)效的結(jié)果進(jìn)行統(tǒng)計(jì)平均。由圖4a可見(jiàn)，在小雨量級(jí)面雨量上，各預(yù)報(bào)時(shí)次上集合平均的TS評(píng)分明顯均高于控制預(yù)報(bào)，24 h控制預(yù)報(bào)的TS評(píng)分為0.65，而集合平均的TS評(píng)分為0.67，隨著預(yù)報(bào)時(shí)效的增加，兩者的差異逐漸增大，72 h控制預(yù)報(bào)TS為0.55，而集合平均TS為0.61，集合平均的改進(jìn)效果更加明顯。從中雨和大雨量級(jí)面雨量來(lái)看，預(yù)報(bào)前期集合平均與控制預(yù)報(bào)差異不大，而預(yù)報(bào)后期（60～72 h）集合平均的TS評(píng)分優(yōu)于控制預(yù)報(bào)。Bias（圖4b）與TS評(píng)分有相似的結(jié)果，小雨量級(jí)集合平均面雨量Bias更接近于1，而中雨量級(jí)面雨量預(yù)報(bào)前期集合平均與控制預(yù)報(bào)Bias差異不大，后期集合平均優(yōu)于控制預(yù)報(bào)。上述結(jié)果表明，集合平均的面雨量在小雨量級(jí)預(yù)報(bào)效果較好，中雨及以上量級(jí)在預(yù)報(bào)后期改進(jìn)更加明顯。

2.4 面雨量概率預(yù)報(bào)檢驗(yàn)

將2020—2022年不同量級(jí)面雨量進(jìn)行AROC評(píng)分，由于海河干流面積較小、格點(diǎn)數(shù)較少，評(píng)分時(shí)容易造成誤差，所以將其歸入臨近的大清河進(jìn)行評(píng)分，同樣可將子流域分為南部、中部及北部3個(gè)區(qū)域。同時(shí)將其與不同子流域?qū)?yīng)的實(shí)況面雨量繪制在一張圖上，因小雨量級(jí)3 a結(jié)果接近，故圖5a給出了3 a平均的結(jié)果。南部河系的平均AROC評(píng)分相對(duì)較低，中北部河系的平均評(píng)分較高，其中子牙河的評(píng)分最高（0.747）。

將中雨量級(jí)面雨量結(jié)果按不同年份展示在圖5b—d中。由圖5b可見(jiàn)，2020年汛期南部及中部河系實(shí)況累積面雨量較大，特別是徒馬河及子牙河;從24 h概率預(yù)報(bào)評(píng)分來(lái)看，南部河系的徒馬河評(píng)分較低（0.513），而中部河系的子牙河評(píng)分較高（0.563），大清河的AROC評(píng)分達(dá)到0.540，說(shuō)明中部河系的累積面雨量較大，而對(duì)應(yīng)的集合預(yù)報(bào)也有較好的概率預(yù)報(bào)。不同年份的其余預(yù)報(bào)時(shí)效的AROC評(píng)分有相似的結(jié)果。由圖6c可看到，僅2021年北部河系的北三河實(shí)況面雨量累積值較大，且中雨量級(jí)概率預(yù)報(bào)有較高的評(píng)分（0.559），其余年份北部河系面雨量及中雨AROC評(píng)分均較低，說(shuō)明北部河系的中雨AROC評(píng)分較低與實(shí)況面雨量較小有密切聯(lián)系。

由上可知，海河流域中南部累積降雨量較大，北部地區(qū)相對(duì)較小，造成了北部河系中雨量級(jí)AROC評(píng)分較低，當(dāng)北部河系實(shí)況出現(xiàn)較大面雨量時(shí)，CMA-REPS能夠?qū)Υ擞休^好的反饋，如2021年北三河概率預(yù)報(bào)評(píng)分就有較好的表現(xiàn)。將中部和南部河系的概率預(yù)報(bào)評(píng)分對(duì)比發(fā)現(xiàn)，CMA-REPS對(duì)中部河系的AROC評(píng)分在小雨和中雨量級(jí)的面雨量均有較好的表現(xiàn)，而南部河系的評(píng)分總體低于中部河系。

從絕對(duì)誤差、模糊評(píng)分及面雨量評(píng)分等方面對(duì)2020—2022年3 a的汛期降水進(jìn)行了總體的檢驗(yàn)，目的是評(píng)估CMA-REPS對(duì)于海河流域面雨量的集合預(yù)報(bào)效果。結(jié)果表明，集合平均面雨量預(yù)報(bào)比單模式預(yù)報(bào)更具參考性，在模式訂正應(yīng)用方面可以考慮降雨帶的南北分布特征對(duì)面雨量進(jìn)行偏差訂正，集合平均的面雨量在小雨和中雨量級(jí)有明顯改進(jìn)，南部河系的評(píng)分低于中部河系。總體的評(píng)估表明，CMA-REPS集合預(yù)報(bào)能夠?qū)：恿饔蛎嬗炅款A(yù)報(bào)有一定改進(jìn)，依據(jù)檢驗(yàn)結(jié)果可進(jìn)一步開(kāi)展適用于海河流域的集合預(yù)報(bào)相關(guān)產(chǎn)品研發(fā)。

3 集合預(yù)報(bào)面雨量產(chǎn)品開(kāi)發(fā)

3.1 混合百分位產(chǎn)品

除常規(guī)的集合預(yù)報(bào)產(chǎn)品之外，本文進(jìn)一步開(kāi)發(fā)了25％、50％、60％、75％、90％分位數(shù)產(chǎn)品及最大值的面雨量預(yù)報(bào)產(chǎn)品。3 a汛期的12 h降水檢驗(yàn)（圖6）表明，在小雨量級(jí)，在前12 h，60％分位數(shù)產(chǎn)品最優(yōu)，50％分位數(shù)產(chǎn)品次之，36 h之后75％分位數(shù)產(chǎn)品具有明顯優(yōu)勢(shì);在中雨量級(jí)，50％分位數(shù)產(chǎn)品評(píng)分低于集合平均，60％及75％分位數(shù)產(chǎn)品具有一定優(yōu)勢(shì)，盡管90％分位數(shù)產(chǎn)品能夠提供更高的評(píng)分，但其絕對(duì)誤差也更大，因此75％分位數(shù)仍然是最優(yōu)選擇;在大雨及以上量級(jí)，其評(píng)分結(jié)果與中雨相似（圖略）。

由此本文設(shè)計(jì)了基于不同百分位面雨量的混合百分位產(chǎn)品。該產(chǎn)品在12 h內(nèi)取集合平均產(chǎn)品，12～48 h內(nèi)依據(jù)集合平均面雨量的大小選擇不同百分位數(shù)：當(dāng)集合平均面雨量為大雨及以下量級(jí)時(shí)，選擇集合平均;當(dāng)集合平均面雨量為暴雨量級(jí)時(shí)，選擇60％分位數(shù);當(dāng)集合平均面雨量為大暴雨以上量級(jí)時(shí)，選擇75％分位數(shù)。在24～48 h，一般選擇75％分位數(shù)，當(dāng)集合平均面雨量為大暴雨量級(jí)時(shí)，選擇90％分位數(shù)。將該產(chǎn)品對(duì)比2020—2022年汛期數(shù)據(jù)進(jìn)行檢驗(yàn)，3 a的平均結(jié)果顯示該產(chǎn)品在48 h內(nèi)與集合平均預(yù)報(bào)效果相當(dāng)（圖略），產(chǎn)品對(duì)于強(qiáng)降水過(guò)程更具參考性。

3.2 跨度預(yù)報(bào)產(chǎn)品

跨度預(yù)報(bào)產(chǎn)品結(jié)合了50％～90％分位數(shù)的預(yù)報(bào)結(jié)果，以表達(dá)面雨量預(yù)報(bào)的區(qū)間。本文以50％分位數(shù)為預(yù)報(bào)下限，并將其四舍五入到整十?dāng)?shù)，當(dāng)面雨量的預(yù)報(bào)為小雨到中雨量級(jí)時(shí)，預(yù)報(bào)上限選擇為75％分位數(shù)，當(dāng)預(yù)報(bào)為大雨及以上量級(jí)時(shí)，預(yù)報(bào)上限選擇為90％分位數(shù)，預(yù)報(bào)效果如圖7所示，可見(jiàn)面雨量跨度預(yù)報(bào)區(qū)間能夠較好地覆蓋實(shí)況面雨量。在應(yīng)用時(shí)需要進(jìn)一步參照業(yè)務(wù)規(guī)范要求（6 mm≤預(yù)報(bào)下限<15 mm，跨度≤5 mm;15 mm≤預(yù)報(bào)下限<30 mm，跨度≤10 mm;30 mm≤預(yù)報(bào)下限<60 mm，跨度≤15 mm;60 mm≤預(yù)報(bào)下限<150 mm，跨度≤20 mm），對(duì)面雨量區(qū)間進(jìn)行優(yōu)化。

4 海河流域強(qiáng)降水過(guò)程個(gè)例檢驗(yàn)

海河流域的洪水主要來(lái)自南部河系，其洪水量占洪水總量的2／3，而北部河系則占1／3。由前述可知，2021年汛期海河流域降水較多，其中：7月17—22日海河流域南部出現(xiàn)大到暴雨，漳衛(wèi)河發(fā)生2021年第1號(hào)洪水;7月12—13日流域北部灤河發(fā)生2021年第1號(hào)洪水。下面對(duì)這兩次強(qiáng)降水進(jìn)行集合預(yù)報(bào)的面雨量產(chǎn)品檢驗(yàn)。

4.1 兩次強(qiáng)降水過(guò)程集合預(yù)報(bào)面雨量

2021年7月21日，海河流域西南部出現(xiàn)大到暴雨，部分地區(qū)為大暴雨到特大暴雨（圖8a）。從不同河系的24 h累積面雨量來(lái)看，漳衛(wèi)河及子牙河流域面雨量達(dá)到大暴雨量級(jí)，大清河流域面雨量達(dá)暴雨量級(jí)（圖8b）。

從7月21日00時(shí)起報(bào)CMA-REPS海河流域面雨量預(yù)報(bào)來(lái)看，控制預(yù)報(bào)對(duì)漳衛(wèi)河、子牙河的大暴雨及大清河暴雨預(yù)報(bào)較準(zhǔn)確，而對(duì)其余子流域的面雨量預(yù)報(bào)普遍偏大。共有11個(gè)成員預(yù)報(bào)了漳衛(wèi)河的大暴雨，10個(gè)成員預(yù)報(bào)了子牙河的大暴雨，而對(duì)于大清河流域則有14個(gè)成員預(yù)報(bào)出大雨及以上的量級(jí)，其中5個(gè)成員成功預(yù)報(bào)出暴雨量級(jí)面雨量。可見(jiàn)CMA-REPS對(duì)此次過(guò)程24 h大暴雨等級(jí)面雨量的預(yù)報(bào)有較高的概率，且與實(shí)況面雨量量級(jí)相當(dāng)。同時(shí)發(fā)現(xiàn)，在此次過(guò)程中，北三河及灤河的集合預(yù)報(bào)效果較好，永定河流域山脈地形復(fù)雜，模式預(yù)報(bào)降水略偏大;總的來(lái)說(shuō)，模式對(duì)于北部平原小雨量級(jí)面雨量有較好的概率預(yù)報(bào)能力。從實(shí)況與各集合成員的對(duì)比來(lái)看，集合成員9與實(shí)況更為接近，集合成員對(duì)中南部河系（如徒馬河、黑龍港運(yùn)東）面雨量的預(yù)報(bào)存在偏大的問(wèn)題。

2021年7月12日，海河流域北部出現(xiàn)大到暴雨（圖9a）。從不同河系的24 h累積面雨量來(lái)看，北三河及灤河流域面雨量達(dá)到大暴雨量級(jí)（圖9b）。控制預(yù)報(bào)的北三河及灤河的面雨量預(yù)報(bào)明顯偏弱，但有7個(gè)成員成功預(yù)報(bào)出北三河或?yàn)春拥拇蟊┯炅考?jí)面雨量。在這7個(gè)成員中，有3個(gè)成員在流域中南部預(yù)報(bào)偏強(qiáng)，集合成員8與實(shí)況更為接近。由集合郵票圖可發(fā)現(xiàn)，集合成員對(duì)永定河預(yù)報(bào)偏強(qiáng)，說(shuō)明模式對(duì)此天氣系統(tǒng)位置預(yù)報(bào)偏西，而實(shí)況則是東移速度更快。

分析這兩次南北不同的致洪暴雨過(guò)程可見(jiàn)，CMA-REPS能夠?yàn)闃O端降水提供較好的概率預(yù)報(bào)，且與實(shí)況面雨量量級(jí)相當(dāng)。由于天氣系統(tǒng)的移速及強(qiáng)度的預(yù)報(bào)存在偏差，所以模式仍然有改進(jìn)的空間，而集合預(yù)報(bào)能夠?yàn)槊嬗炅康念A(yù)報(bào)提供更多參考。

4.2 集合預(yù)報(bào)面雨量百分位產(chǎn)品檢驗(yàn)

集合箱線圖表征了集合成員的排位分布，本文選取了最小值、25％分位數(shù)、50％分位數(shù)、75％分位數(shù)以及最大值。為進(jìn)一步探索集合預(yù)報(bào)性能，將集合平均、控制預(yù)報(bào)以及實(shí)況觀測(cè)的面雨量用實(shí)線表示（圖10）。圖10a為2021年7月21日00時(shí)起報(bào)的子牙河流域箱線圖，可見(jiàn)在預(yù)報(bào)的前24 h，集合平均比控制預(yù)報(bào)更接近于實(shí)況，控制預(yù)報(bào)對(duì)子牙河流域預(yù)報(bào)明顯偏大，然而大部分集合成員的24～48 h面雨量預(yù)報(bào)偏小，75％～100％分位數(shù)的預(yù)報(bào)更有優(yōu)勢(shì)。就大清河流域而言，在15～24 h，集合平均幾乎與觀測(cè)面雨量重合，而在27～48 h，集合預(yù)報(bào)75％分位數(shù)結(jié)果更接近于實(shí)況（圖10b）。對(duì)于北三河的大暴雨過(guò)程，控制預(yù)報(bào)在15 h后面雨量預(yù)報(bào)偏小，而集合平均的結(jié)果始終優(yōu)于控制預(yù)報(bào)（圖10c）。發(fā)生洪水的灤河流域在12 h后實(shí)況面雨量增大，集合平均和控制預(yù)報(bào)與實(shí)況均存在偏差，但仍有集合成員預(yù)報(bào)了與實(shí)況相當(dāng)?shù)拿嬗炅康燃?jí)（圖10d）。

表4和表5展示了兩種集合預(yù)報(bào)產(chǎn)品對(duì)這兩次強(qiáng)降水過(guò)程的預(yù)報(bào)效果。可見(jiàn)，在7月21日的過(guò)程中，子牙河及大清河的混合百分位產(chǎn)品均更接近實(shí)況，比集合平均更具優(yōu)勢(shì)，實(shí)況落在跨度預(yù)報(bào)區(qū)間內(nèi);漳衛(wèi)河的實(shí)況降雨量較大（圖略），雖然混合百分位產(chǎn)品及跨度預(yù)報(bào)未能更貼近實(shí)況，但相較于集合平均仍表現(xiàn)出了明顯的優(yōu)勢(shì)。在7月12日過(guò)程中，模式對(duì)灤河流域24 h內(nèi)預(yù)報(bào)偏小，而跨度預(yù)報(bào)的極端值則更接近實(shí)況;混合百分位產(chǎn)品對(duì)北三河的48 h預(yù)報(bào)偏大，而跨度預(yù)報(bào)仍能覆蓋實(shí)況。由此可見(jiàn)，本文設(shè)計(jì)的混合百分位產(chǎn)品及跨度預(yù)報(bào)產(chǎn)品對(duì)強(qiáng)降水過(guò)程具有較好的參考性。

4.3 結(jié)合概率預(yù)報(bào)的逐小時(shí)面雨量訂正方法

逐小時(shí)的定量面雨量預(yù)報(bào)是精細(xì)化預(yù)報(bào)服務(wù)中的關(guān)鍵環(huán)節(jié)，由于逐小時(shí)或逐3 h累積面雨量沒(méi)有統(tǒng)一的閾值標(biāo)準(zhǔn)，所以本節(jié)將對(duì)逐小時(shí)滾動(dòng)累積的12 h面雨量進(jìn)行精細(xì)化檢驗(yàn)，包括面雨量量級(jí)與降水時(shí)段。對(duì)于實(shí)況，采用相同的方法得到逐小時(shí)滾動(dòng)累積的12 h面雨量，并將其與不同等級(jí)概率預(yù)報(bào)進(jìn)行對(duì)比（圖11）。從面雨量實(shí)況來(lái)看，漳衛(wèi)河的降水在12～32 h已經(jīng)達(dá)到大暴雨量級(jí)（40～80 mm），12 h的暴雨概率極高，而大暴雨的概率預(yù)報(bào)僅為26.7％（圖略），由此可以看出模式對(duì)大暴雨量級(jí)的面雨量預(yù)報(bào)偏小，當(dāng)有集合成員預(yù)報(bào)出大暴雨概率時(shí)就應(yīng)及時(shí)關(guān)注。將逐小時(shí)滾動(dòng)的概率預(yù)報(bào)與實(shí)況面雨量對(duì)比后可發(fā)現(xiàn)，二者有較好的關(guān)聯(lián)性，特別是大雨和暴雨量級(jí)的概率預(yù)報(bào)，如圖11b、c所示，子牙河及大清河的實(shí)況面雨量存在兩個(gè)波峰一個(gè)波谷，而概率預(yù)報(bào)的分布與其有較好的吻合度。雖然黑龍港運(yùn)東的面雨量預(yù)報(bào)概率偏大，但其隨時(shí)間的變化趨勢(shì)仍然與實(shí)況有很好的相關(guān)性。由此可以看出，集合預(yù)報(bào)概率值隨時(shí)間的變化對(duì)面雨量的逐小時(shí)精細(xì)化預(yù)報(bào)有較好的指導(dǎo)作用，可依據(jù)該曲線對(duì)面雨量逐小時(shí)預(yù)報(bào)進(jìn)行平滑擬合。具體方法是：使用概率預(yù)報(bào)曲線結(jié)合當(dāng)前實(shí)況對(duì)面雨量預(yù)報(bào)值進(jìn)行線性擬合，對(duì)擬合曲線進(jìn)行5點(diǎn)平滑，得到概率平滑訂正曲線。由圖12可見(jiàn)，擬合訂正后的曲線更接近于實(shí)況，其絕對(duì)誤差總體上小于集合平均和控制預(yù)報(bào)（圖12b），能提供更好的逐小時(shí)面雨量預(yù)報(bào)。

5 結(jié)論與討論

本文基于中尺度集合預(yù)報(bào)系統(tǒng)CMA-REPS對(duì)海河流域面雨量開(kāi)展了研究，結(jié)合高分辨率三源融合格點(diǎn)實(shí)況，對(duì)2020—2022年5—8月每日兩次起報(bào)的海河流域不同子流域集合預(yù)報(bào)面雨量進(jìn)行了檢驗(yàn)，依據(jù)檢驗(yàn)結(jié)果開(kāi)展了相關(guān)集合預(yù)報(bào)面雨量產(chǎn)品研發(fā)，并針對(duì)海河流域兩次強(qiáng)降水過(guò)程開(kāi)展了詳細(xì)分析，得到以下主要結(jié)論：

從整體性能來(lái)看：1）在絕對(duì)誤差方面，所有預(yù)報(bào)時(shí)效內(nèi)CMA-REPS集合平均的面雨量預(yù)報(bào)明顯優(yōu)于控制預(yù)報(bào)，南部河系的預(yù)報(bào)誤差較大，中部次之，北部最小。2）模糊評(píng)分、TS評(píng)分以及Bias評(píng)分的結(jié)果表明，CMA-REPS在小雨和中雨量級(jí)面雨量的集合平均預(yù)報(bào)更貼近于實(shí)況，其中小雨量級(jí)面雨量TS評(píng)分在各個(gè)預(yù)報(bào)時(shí)次均明顯高于控制預(yù)報(bào)，較長(zhǎng)預(yù)報(bào)時(shí)效的中雨以上量級(jí)的集合平均TS評(píng)分優(yōu)于控制預(yù)報(bào)。3）AROC評(píng)分在中部河系小雨及中雨量級(jí)的面雨量均有較好的表現(xiàn)，而南部河系的評(píng)分總體低于中部河系。當(dāng)北部河系實(shí)況出現(xiàn)較大面雨量時(shí)，CMA-REPS能夠?qū)Υ擞休^好的反饋。

檢驗(yàn)發(fā)現(xiàn)24 h內(nèi)集合平均對(duì)面雨量有較好的預(yù)報(bào)，而在更長(zhǎng)的預(yù)報(bào)時(shí)段內(nèi)，集合平均削弱了降水的極端值，需進(jìn)一步考慮75％及以上分位數(shù)。海河流域兩次致洪降水過(guò)程的分析表明，CMA-REPS對(duì)24 h大暴雨等級(jí)面雨量有較高的概率預(yù)報(bào)，量級(jí)與實(shí)況相當(dāng)，當(dāng)模式預(yù)報(bào)出大暴雨的概率時(shí)就應(yīng)引起關(guān)注。本文設(shè)計(jì)的混合百分位產(chǎn)品及跨度預(yù)報(bào)產(chǎn)品能夠提升對(duì)面雨量量級(jí)的預(yù)報(bào)效果。此外，依據(jù)概率預(yù)報(bào)曲線對(duì)逐小時(shí)面雨量進(jìn)行平滑擬合，可以得到更貼近于實(shí)況的逐小時(shí)精細(xì)化面雨量預(yù)報(bào)。

研究結(jié)果表明，基于CMA-REPS中尺度區(qū)域集合預(yù)報(bào)的面雨量產(chǎn)品能夠?yàn)楹：恿饔蛱峁┚?xì)化預(yù)報(bào)，集合預(yù)報(bào)相關(guān)產(chǎn)品比單模式的預(yù)報(bào)更具參考性，有利于提升海河流域暴雨預(yù)警能力，為防汛救災(zāi)提供有效參考依據(jù)。從目前的檢驗(yàn)結(jié)果來(lái)看，未來(lái)還有改進(jìn)的空間：可依據(jù)南北不同地形區(qū)域進(jìn)一步選擇動(dòng)態(tài)權(quán)重的最優(yōu)百分位集成方法構(gòu)造集合預(yù)報(bào)產(chǎn)品;可有效利用集合預(yù)報(bào)概率預(yù)報(bào)隨時(shí)間的變化曲線，進(jìn)一步探索面雨量逐小時(shí)精細(xì)化預(yù)報(bào)方法;從模式應(yīng)用的角度來(lái)說(shuō)，可進(jìn)一步開(kāi)展區(qū)分不同天氣類型的集合預(yù)報(bào)面雨量評(píng)估。

參考文獻(xiàn)（References）

包紅軍，王莉莉，沈?qū)W順，等，2016.氣象水文耦合的洪水預(yù)報(bào)研究進(jìn)展［J］.氣象，42（9）：1045-1057. Bao H J，Wang L L，Shen X S，et al.，2016.A review：advances of flood forecasting of hydro-meteorological forecast technology［J］.Meteor Mon，42（9）：1045-1057.doi：10.7519／j.issn.1000-0526.2016.09.002.（in Chinese）.

包紅軍，張恒德，許鳳雯，等，2021.國(guó)家級(jí)水文氣象預(yù)報(bào)業(yè)務(wù)技術(shù)進(jìn)展與挑戰(zhàn)［J］.氣象，47（6）：671-684. Bao H J，Zhang H D，Xu F W，et al.，2021.Progress and challenge of national level operational technology for hydrometeorological forecasting［J］.Meteor Mon，47（6）：671-684.doi：10.7519／j.issn.1000-0526.2021.06.003.（in Chinese）.

畢寶貴，徐晶，林建，2003.面雨量計(jì)算方法及其在海河流域的應(yīng)用［J］.氣象，29（8）：39-42. Bi B G，Xu J，Lin J，2003.Method of area rainfall calculation and its application to Haihe valley［J］.Meteor Mon，29（8）：39-42.doi：10.3969／j.issn.1000-0526.2003.08.009.（in Chinese）.

Bishop C H，Toth Z，1999.Ensemble transformation and adaptive observations［J］.J Atmos Sci，56（11）：1748-1765.doi：10.1175／1520-0469（1999）056<1748：etaao>2.0.co;2.

Buizza R，Miller M，Palmer T N，1999.Stochastic representation of model uncertainties in the ECMWF Ensemble Prediction System［J］.Quart J Roy Meteor Soc，125（560）：2887-2908.doi：10.1002／qj.49712556006.

陳靜，陳德輝，顏宏，2002.集合數(shù)值預(yù)報(bào)發(fā)展與研究進(jìn)展［J］.應(yīng)用氣象學(xué)報(bào)，13（4）：497-507. Chen J，Chen D H，Yan H，2002.A brief review on the development of ensemble prediction system［J］.J Appl Meteor Sci，13（4）：497-507.doi：10.3969／j.issn.1001-7313.2002.04.013.（in Chinese）.

陳靜，李曉莉，2020.GRAPES全球／區(qū)域集合預(yù)報(bào)系統(tǒng)10年發(fā)展回顧及展望［J］.氣象科技進(jìn)展，10（2）：9-18，29. Chen J，Li X L，2020.The review of 10 years development of the GRAPES Global／Regional Ensemble Prediction［J］.Adv Meteor Sci Technol，10（2）：9-18，29.doi：10.3969／j.issn.2095-1973.2020.02.003.（in Chinese）.

董全，金榮花，代刊，等，2016.ECMWF集合預(yù)報(bào)和確定性預(yù)報(bào)對(duì)淮河流域暴雨預(yù)報(bào)的對(duì)比分析［J］.氣象，42（9）：1146-1153. Dong Q，Jin R H，Dai K，et al.，2016.Comparison between ECMWF ensemble and deterministic forecast for heavy rainfall in the Huaihe River Basin of China［J］.Meteor Mon，42（9）：1146-1153.doi：10.7519／j.issn.1000-0526.2016.09.012.（in Chinese）.

Eckel F A，Walters M K，1998.Calibrated probabilistic quantitative precipitation forecasts based on the MRF ensemble［J］.Wea Forecasting，13（4）：1132-1147.doi：10.1175／1520-0434（1998）013<1132：cpqpfb>2.0.co;2.

方慈安，潘志祥，葉成志，等，2003.幾種流域面雨量計(jì)算方法的比較［J］.氣象，29（7）：23-26，42. Fang C A，Pan Z X，Ye C Z，et al.，2003.Comparison of calculation methods of river valley area rainfall［J］.Meteor Mon，29（7）：23-26，42.doi：10.7519／j.issn.1000-0526.2003.7.005.（in Chinese）.

郝瑩，王元，王皓，等，2019.淮河流域不同時(shí)間尺度暴雨的多模式預(yù)報(bào)性能評(píng)估及洪水可預(yù)報(bào)性探討［J］.氣象，45（7）：989-1000. Hao Y，Wang Y，Wang H，et al.，2019.Evaluation of multi-NWPs rainstorm forecasting performance in different time scales in Huaihe River Basin and discussion on flood predictability［J］.Meteor Mon，45（7）：989-1000.doi：10.7519／j.issn.1000-0526.2019.07.009.（in Chinese）.

賀芳芳，徐衛(wèi)忠，周坤，等，2018.基于雷達(dá)資料的上海地區(qū)暴雨面雨量計(jì)算及應(yīng)用［J］.氣象，44（7）：944-951. He F F，Xu W Z，Zhou K，et al.，2018.Compution and application of rainstorm surface rainfall based on radar data in Shanghai［J］.Meteor Mon，44（7）：944-951.doi：10.7519／j.issn.1000-0526.2018.07.010.（in Chinese）.

劉永和，嚴(yán)中偉，馮錦明，等，2013.基于TIGGE資料的沂沭河流域6小時(shí)降水集合預(yù)報(bào)能力分析［J］.大氣科學(xué)，37（3）：539-551. Liu Y H，Yan Z W，F(xiàn)eng J M，et al.，2013.Predictability of 6-hour precipitation in the Yishu River basin based on TIGGE data［J］.Chin J Atmos Sci，37（3）：539-551.doi：10.3878／j.issn.1006-9895.2012.11078.（in Chinese）.

Ma X L，Xue J S，Lu W S，2009.Study on ETKF-based initial perturbation scheme for GRAPES global ensemble prediction［J］.Acta Meteor Sinica，23（5）：562-574.

潘旸，沈艷，宇婧婧，等，2015.基于貝葉斯融合方法的高分辨率地面-衛(wèi)星-雷達(dá)三源降水融合試驗(yàn)［J］.氣象學(xué)報(bào)，73（1）：177-186. Pan Y，Shen Y，Yu J J，et al.，2015.An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method［J］.Acta Meteor Sinica，73（1）：177-186.doi：10.5zZqoXNMVy2E2IAZegbH4zHUwq1h+NPO1NVNrX7NVoM=11676／qxxb2015.010.（in Chinese）.

潘永地，姚益平，2004.地面雨量計(jì)結(jié)合衛(wèi)星水汽通道資料估算面降水量［J］.氣象，30（9）：28-30. Pan Y D，Yao Y P，2004.Simulating area rainfall by ground gauge observation and water vapor channel data of meteorological satellite［J］.Meteor Mon，30（9）：28-30.doi：10.3969／j.issn.1000-0526.2004.09.006.（in Chinese）.

邵月紅，劉玲，劉俊杰，等，2020.海河流域近60 a降水極值的頻率分析及時(shí)空分布特征［J］.大氣科學(xué)學(xué)報(bào)，43（2）：381-391. Shao Y H，Liu L，Liu J J，et al.，2020.Frequency analysis and its spatiotemporal characteristics of precipitation extremes in the Haihe River basin during 1951—2010［J］.Trans Atmos Sci，43（2）：381-391.doi：10.13878／j.cnki.dqkxxb.20170625001.（in Chinese）.

史永強(qiáng)，張涵斌，劉郁玨，等，2022.隨機(jī)物理過(guò)程擾動(dòng)方案在克拉瑪依區(qū)域集合預(yù)報(bào)中的應(yīng)用研究［J］.大氣科學(xué)學(xué)報(bào)，45（6）：926-937. Shi Y Q，Zhang H B，Liu Y J，et al.，2022.Study on the application of stochastic perturbed physics tendency perturbation in the Regional Ensemble Prediction System of Kelamayi［J］.Trans Atmos Sci，45（6）：926-937.doi：10.13878／j.cnki.dqkxxb.20211121001.（in Chinese）.

王海燕，孟英杰，程昌玉，等，2022.長(zhǎng)江流域多模式動(dòng)態(tài)集成降水預(yù)報(bào)方法及應(yīng)用評(píng)估［J］.氣象，48（8）：1043-1052. Wang H Y，Meng Y J，Cheng C Y，et al.，2022.Precipitation forecasting method and application evaluation based on multi-model dynamic integration for the Yangtze River Basin［J］.Meteor Mon，48（8）：1043-1052.doi：10.7519／j.issn.1000-0526.2022.041101.（in Chinese）.

王靜，陳靜，張進(jìn)，等，2019.一種新型西南低渦逐步訂正識(shí)別方法［J］.大氣科學(xué)學(xué)報(bào)，42（4）：621-630. Wang J，Chen J，Zhang J，et al.，2019.A new method for gradually identifying the southwest vortex［J］.Trans Atmos Sci，42（4）：621-630.doi：10.13878／j.cnki.dqkxxb.20170523001.（in Chinese）.

王婧卓，陳法敬，陳靜，等，2021.GRAPES區(qū)域集合預(yù)報(bào)對(duì)2019年中國(guó)汛期降水預(yù)報(bào)評(píng)估［J］.大氣科學(xué)，45（3）：664-682. Wang J Z，Chen F J，Chen J，et al.，2021.Verification of GRAPES-REPS model precipitation forecasts over China during 2019 flood season［J］.Chin J Atmos Sci，45（3）：664-682.doi：10.3878／j.issn.1006-9895.2008.20146.（in Chinese）.

吳政秋，張進(jìn)，陳靜，等，2020.GRAPES區(qū)域集合預(yù)報(bào)條件性臺(tái)風(fēng)渦旋重定位方法研究［J］.氣象學(xué)報(bào)，78（2）：163-176. Wu Z Q，Zhang J，Chen J，et al.，2020.The study on the method of conditional typhoon vortex relocation for GRAPES regional ensemble prediction［J］.Acta Meteor Sinica，78（2）：163-176.doi：10.11676／qxxb2020.027.（in Chinese）.

徐晶，姚學(xué)祥，2007.流域面雨量估算技術(shù)綜述［J］.氣象，33（7）：15-21. Xu J，Yao X X，2007.Watershed areal precipitation estimation technology：a review［J］.Meteor Mon，33（7）：15-21.doi：10.3969／j.issn.1000-0526.2007.07.002.（in Chinese）.

徐姝，熊明明，陳法敬，2021.基于ECMWF集合預(yù)報(bào)的海河流域降水概率預(yù)報(bào)應(yīng)用和檢驗(yàn)［J］.暴雨災(zāi)害，40（5）：523-530. Xu S，Xiong M M，Chen F J，2021.Application and verification of probabilistic precipitation forecasting in Haihe River Basin based on ECMWF Ensemble Prediction System［J］.Torrential Rain Disasters，40（5）：523-530.doi：10.3969／j.issn.1004-9045.2021.05.009.（in Chinese）.

楊寅，林建，包紅軍，2022.基于集合降水預(yù)報(bào)的長(zhǎng)江流域面雨量預(yù)報(bào)與應(yīng)用［J］.暴雨災(zāi)害，41（5）：571-579. Yang Y，Lin J，Bao H J，2022.Prediction and application of area rainfall in the Yangtze River Basin based on ensemble precipitation forecasting［J］.Torrential Rain Disasters，41（5）：571-579.doi：10.12406／byzh.2022-029.（in Chinese）.

Ye J，He Y，Pappenberger F，et al.，2014.Evaluation of ECMWF medium-range ensemble forecasts of precipitation for river basins［J］.Quart J Roy Meteor Soc，140（682）：1615-1628.doi：10.1002／qj.2243.

余文韜，吳振玲，何群英，等，2015.天津天氣預(yù)報(bào)手冊(cè)［M］.北京：氣象出版. Yu W T，Wu Z L，He Q Y，et al.，2015.Tianjin weather forecast manual［M］.Beijing：China Meteorological Press.（in Chinese）.

張涵斌，智協(xié)飛，陳靜，等，2017.區(qū)域集合預(yù)報(bào)擾動(dòng)方法研究進(jìn)展綜述［J］.大氣科學(xué)學(xué)報(bào)，40（2）：145-157. Zhang H B，Zhi X F，Chen J，et al.，2017.Achievement of perturbation methods for regional ensemble forecast［J］.Trans Atmos Sci，40（2）：145-157.doi：10.13878／j.cnki.dqkxxb.20160405001.（in Chinese）.

趙琳娜，吳昊，田付友，等，2010.基于TIGGE資料的流域概率性降水預(yù)報(bào)評(píng)估［J］.氣象，36（7）：133-142. Zhao L N，Wu H，Tian F Y，et al.，2010.Assessment of probabilistic precipitation forecasts for the Huaihe Basin using TIGGE data［J］.Meteor Mon，36（7）：133-142.（in Chinese）.

朱紅芳，王東勇，朱鵬飛，等，2007.GRAPES模式在淮河流域面雨量預(yù)報(bào)中的應(yīng)用［J］.氣象，33（3）：76-82. Zhu H F，Wang D Y，Zhu P F，et al.，2007.Application of GRAPES model to area-rainfall forecast in the Huaihe River Basin［J］.Meteor Mon，33（3）：76-82.doi：10.3969／j.issn.1000-0526.2007.03.011.（in Chinese）.

朱躍建，2020.基于最新全球集合預(yù)報(bào)系統(tǒng)的可預(yù)報(bào)性評(píng)估［J］.大氣科學(xué)學(xué)報(bào)，43（1）：193-200. Zhu Y J，2020.An assessment of predictability through state-of-the-art global ensemble forecast system［J］.Trans Atmos Sci，43（1）：193-200.doi：10.13878／j.cnki.dqkxxb.20191101013.（in Chinese）.

朱占云，潘婭英，駱月珍，等，2017.浙江省水庫(kù)流域面雨量的多模式預(yù)報(bào)效果分析與檢驗(yàn)［J］.氣象與環(huán)境科學(xué)，40（3）：93-100. Zhu Z Y，Pan Y Y，Luo Y Z，et al.，2017.Analysis and test on multi-model prediction of reservoir basin area rainfall in Zhejiang Province［J］.Meteor Environ Sci，40（3）：93-100.doi：10.16765／j.cnki.1673-7148.2017.03.015.（in Chinese）.

Evaluation and application of area rainfall forecast based on CMA regional ensemble forecast in the Haihe River basin

Abstract Area rainfall plays a crucial role in flood prevention within river basins.However，deterministic forecasts from single models often fail to capture the full range of possibilities，leading to uncertainties in area rainfall predictions.To address this issue，we employ the China Meteorological Administration-Regional Ensemble Prediction System to study ensemble forecasted area rainfall in the Haihe River basin.We evaluate and analyze the applicability of ensemble area rainfall forecasts from May to August of 2020 to 2022，utilizing high-resolution observed grid data.Subsequently，we develop ensemble area rainfall products and span forecasts based on our findings.Our analysis reveals several key insights：（1） The ensemble mean forecast of area rainfall in the Haihe River basin exhibits lower absolute error compared to the control forecast，with larger spatial distribution errors observed in the southern regions，followed by the central and northern regions.（2） Fuzzy scores indicate that the ensemble mean area rainfall forecasts for lighFN+8WOgBdeYxH9mSl6x8gRe36aQ/NNyTLxQiSjPVFkA=t and moderate rain closely align with observations，while forecasts for rainstorms require further consideration of ensemble extremes.（3） The ensemble mean demonstrates higher TS and Bias scores for light rain across all forecast times，with more improvements in moderate rain and higher categories during later forecast periods.（4） Probability forecasts suggest that CMA-REPS performs better for lower rainfall predictions in the central rivers of the Haihe River basin，while scores for the southern rivers are lower than those for the central rivers.We develop ensemble forecast area rainfall products and span forecast products and test them on two flood-causing rainstorm events in the Haihe River basin.Results indicate：（1） Ensemble members show a higher probability of predicting 24-hour intense area rainfall equivalent to observed magnitude，serving as warnings for extreme rainstorms.（2） Ensemble mean forecasts within 24 hours exhibit better scores，while 75％ quantile products are more significant for heavy precipitation process within 24 to 48 hours.（3） The ensemble forecast mixed percentile and span forecast products offer valuable references for heavy area rainfall.Additionally，by analyzing the probability forecast curve over time，we derive hourly area rainfall forecast products closer to observations.

Keywords ensemble forecast;Haihe River basin;area rainfall;CMA-REPS