南方地區(qū)1954—2023年凍雨日數(shù)的時間序列構(gòu)建與變化特征

摘" 要：利用南方地區(qū)15年地面觀測凍雨數(shù)據(jù)，結(jié)合有明顯凍雨形成物理機制的16種氣象因子，構(gòu)建具有可解釋性的XGBoost凍雨模型，其能夠很好地模擬非訓練期間的凍雨個例和年凍雨日數(shù)的時間變化。利用1954—2023年的ERA5再分析資料驅(qū)動該模型，獲得南方地區(qū)凍雨日數(shù)70年的長時間序列。在長達70年中，凍雨日數(shù)存在2～3年的顯著周期，且隨著全球溫度的升高，凍雨日數(shù)呈明顯的下降趨勢，其有3個突變點，分別為1958年、1967年和1990年，其中最長的下降時段為1990—2023年。該研究為凍雨的氣候研究提供堅實的數(shù)據(jù)支撐。

關(guān)鍵詞：凍雨日數(shù)；預報模型；可解釋性；機器學習；南方地區(qū)

中圖分類號：P426.6" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）32-0087-04

Abstract： An interpretable XGBoost model of freezing rain was constructed by using surface freezing rain data observed in southern China over the past 15 years， and combining 16 meteorological factors with obvious physical mechanisms of freezing rain formation. The model was able to simulate well the temporal variation of individual freezing rain events and the annual number of freezing rain days during non-training periods. A 70-year long time series of freezing rain days in the southern region was obtained by XGBoost freezing rain model which driven using ERA5 reanalysis data from 1954 to 2023. The freezing rain days showed an obvious decreasing trend with the increase of global temperature， and existed a significant cycle of 2-3 years. There were three mutation points in the long 70-year period， which are 1958， 1967 and 1990， with the longest period of decline from 1990 to 2023. This study provides solid data support for climate change studies of freezing rain.

Keywords： freezing rain days; forecast model; interpretability; machine learning; southern region

凍雨是我國南方地區(qū)冬季發(fā)生的一種極端天氣現(xiàn)象，其量雖不及雨和雪，但嚴重的凍雨一旦發(fā)生，對自然環(huán)境系統(tǒng)和社會經(jīng)濟將造成巨大的危害[1-2]。如2008年冬季南方地區(qū)發(fā)生的凍雨事件，覆蓋范圍廣泛、持續(xù)時間長，導致湖南、貴州、江西等地大面積斷電，交通中斷，農(nóng)作物顆粒無收，造成超千億元的經(jīng)濟損失[3]。

目前，凍雨預報主要依靠耦合了凍雨參數(shù)化方案的數(shù)值模式，如耦合在WRF模式中的凍雨參數(shù)化方案如Ramer方案、AFWA方案、Thompson方案和RUC方案等，它們根據(jù)凍雨發(fā)生時氣象要素的統(tǒng)計閾值和各降水相態(tài)形成的物理機制所得，但由于凍雨具有高度復雜性和多變性，目前的凍雨物理及經(jīng)驗模型在處理涉及凍雨的諸多氣象要素的復雜性和不確定性時仍面臨諸多挑戰(zhàn)，憑借經(jīng)驗統(tǒng)計得到的氣象要素閾值范圍存在偏差，導致這些凍雨參數(shù)化方案對凍雨的預報評分相對較低。機器學習模型能夠更好地適應非線性、多維度、非穩(wěn)態(tài)的氣象數(shù)據(jù)，通過對大量氣象數(shù)據(jù)的學習，提取氣象要素與凍雨之間的潛在非線性關(guān)系，這為凍雨預報提供了新的途徑。目前，已有學者利用機器學習模型構(gòu)建了我國凍雨預報模型，如王珊珊等[4]使用探空、地面觀測和高分辨率的模式預報產(chǎn)品作為特征參量，并使用決策樹的集成學習算法，構(gòu)建了長江中下游地區(qū)的凍雨預報模型，比耦合了凍雨參數(shù)化方案的數(shù)值模式預報的準確率有所提高，但這種機器學習模型仍缺乏凍雨物理機制，具有不可解釋性。另外，我國現(xiàn)有的凍雨觀測資料數(shù)據(jù)質(zhì)量差、時空分辨率低，凍雨序列不足25年（1995—2019年），僅有學者[5]根據(jù)風速、相對濕度和氣溫等簡單氣象要素構(gòu)建了1954—2008年凍雨的長時間的序列，但因凍雨的物理機制非常復雜，其反演的凍雨序列具有很大的不確定性。加上地面測站分布稀疏且部分測站存在缺測、漏測的現(xiàn)象，導致凍雨數(shù)據(jù)質(zhì)量差、時空分辨率低，急需找到一種能夠較好模擬南方地區(qū)凍雨的預報模型，并利用該模型重新構(gòu)建長期的、高時空分辨率的凍雨數(shù)據(jù)集，為我國南方地區(qū)凍雨長期預報提供科學支撐。

針對上述存在的問題，本文利用大量的凍雨個例和同期的ERA5再分析資料產(chǎn)品，構(gòu)建了基于凍雨物理機制的XGBoost凍雨預報模型，使其具有可解釋性。并通過TS、命中率、空報率和漏報率評價該模型對凍雨預報的能力，并對1954—2023年逐小時南方凍雨日數(shù)進行回溯，獲得高時空分辨率的凍雨數(shù)據(jù)集，構(gòu)建70年南方地區(qū)凍雨日數(shù)的時間序列，進而分析其變化趨勢、突變性和周期性。

1" XGBoost凍雨模型的構(gòu)建

1.1" 數(shù)據(jù)的來源和預處理

資料來源：地面降水相態(tài)觀測資料來源于中國氣象局國家信息中心整編發(fā)布的Micaps資料，研究區(qū)域范圍為20～31°N，97～117°E，資料包含西藏、云南、四川、貴州、重慶、湖南、廣東、廣西、江西、福建、安徽和湖北省共729個氣象站點每日2時、8時、14時、20時（北京時）的小時變溫與變壓、風向、風速、過去天氣、現(xiàn)在天氣、露點溫度、總云量和本站氣壓等。探空觀測資料來源于美國懷俄明大學的天氣數(shù)據(jù)網(wǎng)站（http：//weather.uwyo.edu/wyoming/），研究區(qū)域所包含的騰沖、昆明、威寧和西昌等22個探空站點每日8時和20時的探空觀測結(jié)果。此外，對探空資料進行插值處理，除每個探空資料處特性層外，間隔50 hPa進行插值，并采用Poore等[6]的溫度露點差判斷方法，計算云頂高度及對應的云頂溫度。ERA5再分析資料來源于歐洲中期氣象預報中心（ECMWF）基于數(shù)值模式和資料同化技術(shù)構(gòu)建的高時空分辨率氣象再分析數(shù)據(jù)集，該資料逐小時進行更新，水平網(wǎng)格分辨率為0.25°×0.25°。

數(shù)據(jù)預處理：提取南方地區(qū)2000—2015年地面觀測降水相態(tài)數(shù)據(jù)，整理得到凍雨數(shù)據(jù)4 954條，按雨、雪、凍雨和雨夾雪的順序標號為1—4。ERA5再分析產(chǎn)品中的氣象要素采用離差標準化（即min-max標準化），使原始數(shù)據(jù)在0～1區(qū)間波動；同時，根據(jù)對凍雨物理機制的研究，暖層、融化層和再凍結(jié)層是否存在等這些因子對凍雨的形成非常關(guān)鍵，因此，對這些定性的氣象數(shù)據(jù)如是否存在再凍結(jié)層、融化層和暖層等采用“是”為1，“否”為0進行處理。

為了解決因子之間多重共線性的問題，采用方差膨脹因子（VIF）來衡量獨立變量中的多重共線性。對47種氣象要素進行多重共線性檢查，當VIF顯著高于其他變量時，直接丟棄該變量，當VIFlt;5，則認為不存在顯著的共線性關(guān)系[7]，最終選定16種氣象因子作為輸入量，分別為降水量、氣溫、露點溫度、濕球溫度、云頂溫度、能見度、液水含量、海拔高度、相對濕度、最小相對濕度、云頂高度、次凍結(jié)層頂部高度、暖層高度、風向、含冰率和探空廓線類型。

這些變量對凍雨的形成均有明顯的物理機制，如相對濕度能準確劃分云頂和云底的邊界[8]，氣溫、濕球溫度、露點溫度、海拔高度、含冰率、暖層高度、降水量、液水含量和風向等要素均是凍雨參數(shù)化方案中的關(guān)鍵要素[9-13]，將其作為輸入量構(gòu)建的XGBoost凍雨模型具有了很好的解釋性。

1.2" 預報效果評估指標

預報效果評估采用小概率成功指標即風險評分（Threat Score），簡稱為TS評分。因為凍雨是一種小概率事件，采用TS評分必須報“有”且實況為“有”時才有記分，其有效避免了報“無”而導致預報準確率很高的弊病。其算法如下

小概率成功指標TS

命中率POD

空報率FAR

漏報率MAR

式中：NA為實際發(fā)生且預報發(fā)生次數(shù)；NB為實際不發(fā)生但預報發(fā)生次數(shù)；NC為實際發(fā)生但預報不發(fā)生次數(shù)。

1.3" XGBoost凍雨模型的構(gòu)建

在XGBoost對凍雨模型的訓練中，以7∶3的比例將凍雨數(shù)據(jù)隨機分配成訓練集和測試集，即3 467條凍雨數(shù)據(jù)作為訓練集，1 487條數(shù)據(jù)數(shù)據(jù)作為測試集。同時，匹配同時刻ERA5再分析資料產(chǎn)品中的16種氣象因子作為輸入量。

XGBoost凍雨方案中各參數(shù)設置如下：學習率learning_rate（0.05），控制每一步迭代中對模型參數(shù)的更新幅度；gamma（0.1）為減少損失最小值，alpha（0.01）為L1正則化權(quán)重項，lamb-da（0.6）為L2正則化權(quán)重項；max_depth（5）為每棵樹的最大深度，控制樹的復雜度；min_child_weight（2）為決定子樹停止的條件閾值，subsample（0.8）為每棵樹所用的子樣本的比例，colsample_bytree（0.8）為弱學習器所用特征的比例， num_class（5）為分類的類別數(shù)量，objective（multi：softmax）為優(yōu)化目標此處設置為多分類問題，n_estimators（2000）為弱學習器（即決策樹）的數(shù)量，num_boost_ro und（20）為迭代次數(shù)，即訓練樹的數(shù)量。

2" XGBoost凍雨模型預報效果檢驗

選擇2016—2019年南方22個探空測站的大氣溫濕廓線與同一地面站點及附近的凍雨觀測結(jié)果進行匹配，共獲取凍雨發(fā)生時的探空廓線樣本156個，首先對 XGBoost凍雨模型預報的凍雨個例與觀測進行了TS評分（圖1），從圖1中可以看到TS評分為0.6，命中率0.92，漏報率0.05，顯示了非常好的凍雨個例預報能力。然后，使用XGBoost凍雨方案，對南方地區(qū)年凍雨日數(shù)進行回溯。由于將2000—2015年的凍雨數(shù)據(jù)隨機取樣分為訓練集和測試集，因此僅對1995—1999年和2016—2019年南方地區(qū)凍雨日數(shù)時間序列進行回溯。模擬結(jié)果（圖2）顯示，南方地區(qū)凍雨日數(shù)與觀測凍雨日數(shù)二者的相關(guān)系數(shù)均達到了0.99，通過了0.001的信度檢驗，且均方根誤差平均在0.1左右，表明XGBoost凍雨方案模擬的年凍雨日數(shù)和與實際非常一致。

3" 南方地區(qū)70年凍雨日數(shù)時間變化特征

由于XGBoost凍雨模型能夠很好地模擬南方地區(qū)非訓練期間的凍雨個例和年凍雨日數(shù)的時間變化，故而利用ERA5再分析資料驅(qū)動XGBoost凍雨模型，構(gòu)建了1954—2023年逐小時中國南方地區(qū)3 km×3 km凍雨災害數(shù)據(jù)集，進而獲得了南方區(qū)域凍雨日數(shù)70年的長時間序列。圖3（a）為1954—2023年南方地區(qū)凍雨日數(shù)的年際變化，70年平均凍雨發(fā)生天數(shù)為9.3 d，存在以2～3年為周期的顯著變化。70年間南方地區(qū)年凍雨日數(shù)呈下降趨勢，線性變化趨勢系數(shù)為-0.6/10 a，這種趨勢同全球氣候變暖密切相關(guān)，全球平均溫度與70年南方地區(qū)區(qū)域凍雨的時間序列在1～2月呈現(xiàn)顯著的負相關(guān)，負相關(guān)系數(shù)達0.37，通過了99.99%的相關(guān)信度檢驗。凍雨日數(shù)距平值的年際變化（圖3（b））顯示，1990年以前凍雨發(fā)生天數(shù)以正距平為主，其中1977年正距平值最大為19.7 d，次大值出現(xiàn)在1984年為16.7 d；凍雨日數(shù)的負距平主要出現(xiàn)的時段在1958—1966年和1990—2023年，其中1991、2004年和2020年無凍雨出現(xiàn)，其負距平值最大為-9.3 d，次大值分別出現(xiàn)在1997年、2002年和2017年。但在以負距平為主的1990—2023年，仍出現(xiàn)了較高的正距平如2008年的8.7 d和2005年的6.7 d。為了分析其是否發(fā)生突變，使用累計距平法，發(fā)現(xiàn)凍雨日數(shù)在1958年、1967年、1990年存在突變點，并得到了Mann-Kendall檢驗的證實，最終確定1958年、1967年、1990年為真實突變點，其中1990年為顯著突變點。最終確定有2個顯著凍雨日數(shù)下降時段為1958—1967年、1990—2023年；3個顯著凍雨日數(shù)上升時段為1954—1958、1967—1973年、1980—1990年。

4" 結(jié)論

本研究提取了南方地區(qū)2000—2015年地面觀測凍雨數(shù)據(jù)4 954條，通過數(shù)據(jù)的預處理，獲得了對凍雨的形成有明顯的物理機制的16種氣象因子，然后以7∶3的比例將凍雨數(shù)據(jù)隨機分配成訓練集和測試集，匹配同時刻16種氣象因子作為輸入量構(gòu)建了XGBoost凍雨模型。該模型不但能夠很好地模擬南方地區(qū)非訓練期間的凍雨個例和年凍雨日數(shù)的時間變化，而且構(gòu)建的XGBoost凍雨模型具有了很好的解釋性。利用ERA5再分析資料驅(qū)動該模型，獲得了南方地區(qū)凍雨日數(shù)70年的長時間序列。在70年間，凍雨日數(shù)存在2～3年的顯著周期，且隨著全球溫度的升高，凍雨日數(shù)呈明顯的下降趨勢，其中1958年、1967年和1990年為突變點，最長的下降時段為1990—2023年。

參考文獻：

[1] 陶詩言，衛(wèi)捷.2008年1月我國南方嚴重冰雪災害過程分析[J].氣候與環(huán)境研究，2008（4）：337-350.

[2] 黃強，王家紅，歐名勇.2005年湖南電網(wǎng)冰災事故分析及其應對措施[J].電網(wǎng)技術(shù)，2005（24）：16-19.

[3] 曾明劍，陸維松，梁信忠，等.2008年初中國南方持續(xù)性冰凍雨雪災害形成的溫度場結(jié)構(gòu)分析[J].氣象學報，2008，66（6）：1043-1052.

[4] 王珊珊，雷彥森，方鴻斌，等.基于CatBoost算法的長江中游冬季降水相態(tài)預報方法研究[J].氣象，2022，48（9）：1153-1161.

[5] 王遵婭.中國冰凍日數(shù)的氣候及變化特征分析[J].大氣科學，2011，35（3）：411-421.

[6] POORE K D， WANG J， ROSSOW W B. Cloud layer thicknesses from a combination of surface and upper-air observations [J]. Journal of Climate， 1995，8（3）：550-568.

[7] BELSLEY D A， KUH E， WELSCH R E. Regression diagnostics： Identifying influential data and sources of collinearity[M]. John Wiley amp; Sons， 2005.

[8] 周毓荃，歐建軍.利用探空數(shù)據(jù)分析云垂直結(jié)構(gòu)的方法及其應用研究[J].氣象，2010，36（11）：50-58.

[9] RAUBER R M， OLTHOFF L S， RAMAMURTHY M K，et al. The relative importance of warm rain and melting processes in freezing precipitation events[J]. Journal of Applied Meteorology， 2000，39（7）：1185-1195.

[10] RAMER J. An empirical technique for diagnosing precipitation type from model output[C]// International Conference on Aviation Weather Systems， 5 th， Vienna， VA. 1993： 227-230.

[11] 漆梁波.我國冬季凍雨和冰粒天氣的形成機制及預報著眼點[J].氣象，2012，38（7）：769-778.

[12] 趙培娟，邵宇翔，李周，等.凍雨形成的天氣條件分析[J].氣象與環(huán)境科學，2008，31（4）：36-39.

[13] 牛生杰，周悅，賈然，等.電線積冰微物理機制初步研究：觀測和模擬[J].中國科學：地球科學，2011，41（12）：1812-1821.