¹黄平县气象局，贵州 黄平

²三穗县气象局，贵州 三穗

³镇远县气象局，贵州 镇远

⁴黔东南州气象局，贵州 黔东南

收稿日期：2024年4月3日；录用日期：2024年4月30日；发布日期：2024年5月8日

摘要

本文使用黔东南州2022年7月~2022年12月15个国家基本气象站、1个国家基准气候站及448个气象观测站逐日降雨资料以及ECMWF、JAPAN_MR、GRAPES_GFS、NCEP_GFS 4种数值模式20时起报的24小时降水预报产品，采用平均绝对误差、正确率、模糊评分、TS评分、漏报率、空报率等方法，对该时间段黔东南州面雨量预报效果进行检验评估。结果表明：1) 从4种数值预报模式预报效果分析得出JAPAN_MR模式在3个流域预报效果均较好，ECMWF模式在㵲阳河流域的预报效果优于其它模式，NCEP_GFS模式在清水江上游预报效果优于其它模式。对各模式进行预报误差分析得出GRAPES_GFS模式在黔东南州面雨量预报误差最小。2) 随着降水等级的增大，TS评分逐渐降低，漏报率、空报率逐渐增大，所有模式的预报效果逐渐降低。NCEP_GFS模式在小雨、中雨等级面雨量预报中优于其余3种模式。4种数值模式的空报率均大于漏报率，小雨等级最为明显，因此在面雨量预报中需注意消空处理。3) 从分流域预报总体效果来看，ECMWF、JAPAN_MR、GRAPES_GFS、NCEP_GFS 4种数值模式在㵲阳河流域表现较差，在都柳江流域表现最好，在清水江上游的预报效果优于清水江下游的预报效果。

关键词

面雨量，数值预报产品，黔东南州，预报检验

Performance Evaluation of Areal Precipitation Forecasting for Qiandongnan Prefecture Based on Multimodal Numerical Forecasting

Jiahao Xie¹, Yuanjin Wu², Ping Yang³, Yu Zhang², Shenzhong Yang^4*

¹Huangping Meteorological Bureau, Huangping Guizhou

²Sansui Meteorological Bureau, Sansui Guizhou

³Zhenyuan Meteorological Bureau, Zhenyuan Guizhou

⁴Qiandongnan Meteorological Bureau, Qiandongnan Guizhou

Received: Apr. 3^rd, 2024; accepted: Apr. 30^th, 2024; published: May 8^th, 2024

ABSTRACT

This paper uses the daily rainfall data of 15 national basic meteorological stations, 1 national reference climate station and 448 meteorological observation stations in Qiandongnan Prefecture from July to December 2022, as well as the 24-hour precipitation forecast products reported by the ECMWF, JAPAN_MR, GRAPES_GFS and NCEP_GFS numerical models starting at 20:00, and adopts mean absolute deviation, accuracy, fuzzy grading, threat score, false negative rate and false alarm rate, to evaluate the performance of areal precipitation forecasting for Qiandongnan Prefecture during this time period. The results show that: 1) From the analysis of the prediction effects of four numerical prediction models, it can be concluded that the JAPAN_MR model has good prediction effects in all three river basins. The ECMWF model has better prediction performance than other models in the Wuyang River Basin, and the NCEP_GFS model has better prediction performance than other models in the upstream of the Qingshui River. Analyzing the prediction error of each model, it is found that the GRAPES_GFS model has the smallest prediction error of surface rainfall in Qiandongnan Prefecture. 2) With the rising level of precipitation, the threat score gradually decreases, the false negative rate and false alarm rate increase, and the forecast ability reduced. The NCEP_GFS model performs better than the other three models in predicting surface rainfall with light and moderate rain levels. The false alarm rate of all four numerical models is greater than the false negative rate, and it is the most obvious at light rain level. Therefore, attention should be paid to void elimination in surface rainfall forecasting. 3) From the overall effect of watershed forecasting, the ECMWF, JAPAN_MR, GRAPES_GFS and NCEP_GFS numerical models perform poorly in the Wuyang River Basin, perform best in the Duliu River Basin, and have better prediction results in the upstream of the Qingshui River than in the downstream of the Qingshui River.

Keywords:Areal Rainfall, Numerical Model, Qiandongnan Prefecture, Verification of Forecast

Copyright © 2024 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言

面雨量是指某一特定区域或流域的平均降水状况，定义为单位面积上的降水量，能较客观地反映整个区域的降水情况，它是洪水与水库调度中一个非常重要的参数，开展面雨量计算和面雨量预报能更好地为各级政府组织防汛抗洪以及水库调度等决策提供重要的依据 [1] 。黔东南苗族侗族自治州(简称黔东南州，下同)地属中亚热带季风湿润气候区，具有冬无严寒，夏无酷暑，雨水充沛等特点。境内水系发达，河网稠密，有大小河流2900多条，以清水江、㵲阳河、都柳江为主干，呈树枝状展布于各地。清水江河道长376 km，流域面积14,769 km²。㵲阳河河道长166 km，流域面积为5106 km²。都柳江自西向东南流经河道长141 km，流域面积为8802 km²。强降雨是黔东南州汛期面临的最严重的气象灾害之一，常伴随洪涝灾害以及泥石流、山体滑坡等次生灾害发生，而境内山塘水库又呈现点多面广的特点，强降雨对其的影响极其严重 [2] 。因此，做好汛期面雨量预报对于防灾减灾有着重要意义。近年来已经有众多气象学者对面雨量数值预报进行了研究。宋雯雯 [3] 等对2019年汛期大渡河流域面雨量多模式预报效果进行检验，发现ECMWF模式在小雨和中雨面雨量预报中优势明显，智能网格在大雨和暴雨等级面雨量预报中表现较优。廖春花 [4] 等对湖南水库流域和郝莹 [5] 等、罗静 [6] 等对淮河流域面雨量预报进行检验，发现细网格模式对流域面雨量的预报能力随预报时效的增加而下降，但ECMWF和JMA的预报效果相对较好且稳定，T639最差。陈光舟 [7] 等研究发现集成面雨量预报效果在汛期滁河流域整体上优于单一数值预报模式，尤其是预报致灾严重的暴雨等级优势明显。朱占云 [8] 等对ECMWF、JMA、OCF三种模式进行检验发现，随着降水等级的增大，三种模式的预报效果在浙江流域逐渐变差。程中阳 [9] 等的研究发现，在嘉陵江流域ECMWF产品漏报现象较少，WRF产品对于实际无雨情况的预报准确性较高。

气象业务现代化建设的迅速发展促使数值预报广泛使用在日常预报业务中，数值预报产品已成为广大预报员制作日常预报的主要参考依据之一。因不同数值模式的初始场，边界条件，参数化方案等均有不同，预报效果也具有明显的差异 [10] ，数值预报产品检验是检验预报模式，提高预报效果的有效途径。

2. 资料与方法

2.1. 资料

参考黄艳 [11] 等的研究将黔东南州划分为北部㵲阳河流域(黄平、施秉、镇远、三穗、岑巩)、中部清水江流域划分为清水江上游(麻江、丹寨、雷山、凯里、台江)和清水江下游(剑河、天柱、锦屏)以及南部都柳江流域(榕江、从江、黎平)。

本文使用的资料时段为2022年7月~2022年12月，站点实况资料为黔东南州15个国家基本气象站、1个国家基准气候站及448个气象观测站逐日(20:00~20:00，北京时，下同)降雨资料。各检验产品为ECMWF、JAPAN_MR、GRAPES_GFS、NCEP_GFS 4种数值模式20时起报的24小时降水预报产品。所有检验指标计算均采用双线性插值法将模式资料匹配至观测站点展开。

2.2. 面雨量计算方法

面雨量最常用的计算方法有网格插值法、格点法、等雨量线法、算术平均法、泰森多边形法等，因黔东南州站点分布较为密集，所以本文采用算术平均法计算面雨量 [12] 。并参考我国《江河流域面雨量等级》 [13] ，将24 h面雨量划分为小雨(0.1~5.9 mm)、中雨(6.0~14.9 mm)、大雨(15.0~29.9 mm)、暴雨(30.0~59.9 mm)。

2.3. 面雨量预报检验方法

本文采用《全国七大江河流域面雨量监测和预报业务规范(修订)》、《中短期天气预报质量检验办法》中平均绝对误差、正确率、模糊评分、TS评分、漏报率、空报率等统计评价指标，对黔东南州面雨量预报产品进行检验。

1) 平均绝对误差

$E_a=\frac{1}{n}{\displaystyle {\sum }_{i=1}^n\left|R_f-R_o\right|}$ (1)

式中：n为有雨且预报正确的天数；R_f和R_o分别为有雨且预报正确时的面雨量预报值和实况值。本文仅统计实况有雨且预报也有雨时的误差。

2) 正确率

$PC=\frac{NA+ND}{NA+NB+NC+ND}\times 100\%$ (2)

式中：NA、NB和NC分别为降水预报正确、空报和漏报的天数；ND为无降水预报正确的天数。

3) 模糊评分法

$MP\left(j,i\right)=60+40\times \left(1-\frac{\left|F_i-O_i\right|}{MAX\left(i,j\right)}\right)$ (3)

式中：第一项为预报基础分，规定为60分；第二项为等级预报的加权分， $\left|F_i-O_i\right|$ 为等级误差，F_i为预报等级，O_i为实况等级； $MAX\left(i,j\right)$ 为该等级最大等级误差。当预报等级和实况等级一致时(即等级误差为0)，该等级模糊评分为100，当空报和漏报时，模糊评分为0。当预报等级有误差时，按其误差大小计算给分。模糊评分能够很好地表征预报贴近实况的程度。分值越高，预报越接近实况。第i个预报子流域模糊评分计算如下(N为降水等级数)：

$MP\left(i\right)=\frac{1}{N}\left[{\displaystyle {\sum }_{j=1}^{N}MP\left(j,i\right)}\right]$ (4)

4) 分等级TS评分、漏报率( $P{O}_k$ )和空报率( $FA{R}_k$ )

$T{S}_k=\frac{N{A}_k}{N{A}_k+N{B}_k+N{C}_k}\times 100\%$ (5)

$P{O}_k=\frac{N{C}_k}{N{A}_k+N{C}_k}\times 100\%$ (6)

$FA{R}_k=\frac{N{B}_k}{N{A}_k+N{B}_k}\times 100\%$ (7)

式中：NA_k为k等级面雨量预报正确的天数，即预报与实况等级相同；NB_k为k等级面雨量空报天数，即预报等级大于实况等级；NC_k为k等级面雨量漏报天数，即预报等级小于实况等级。

3. 面雨量总体偏差特征分析

表1给出了2022年7~12月黔东南州4种数值模式面雨量预报偏大和偏小次数占总预报次数的百分比。可以看出，4种数值模式在黔东南州均存在较大的湿偏差 [14] ，除JAPAN_MR模式外，其余3种模式的偏大次数百分比较偏小次数百分比多20%~30%，其中ECMWF模式最为明显。因此在黔东南州预报面雨量等级时，可以考虑预报等级较小的模式。

表1. 2022年7~12月黔东南州4种数值模式面雨量预报偏大和偏小次数占总预报次数的百分比

4. 面雨量检验评估

4.1. 平均绝对误差

图1是2022年7~12月黔东南州4种数值模式面雨量预报平均绝对误差。可以看出，在㵲阳河、清水江上游、下游、都柳江流域中GRAPES_GFS模式的平均绝对误差均最小，分别为2.6 mm、2 mm、2.2 mm、1.8 mm；㵲阳河、都柳江流域中ECMWF模式平均绝对误差最大，分别为3.2 mm、2.3 mm；清水江上游、下游中JAPAN_MR模式平均绝对误差最大，分别为2.5 mm、3.4 mm。从平均绝对误差检验结果看，GRAPES_GFS模式在黔东南州面雨量预报中具有一定的参考性，当实况与预报都有雨时，GRAPES_GFS模式误差最小，其次为NCEP_GFS模式。

4.2. 正确率

图2是2022年7~12月黔东南州4种数值模式面雨量预报正确率。可以看出，在㵲阳河流域ECMWF和JAPAN_MR模式面雨量预报正确率最高，为73.8%，GRAPES_GFS模式最低，为67.3%；在清水江上游NCEP_GFS模式面雨量预报正确率最高，为79.2%，GRAPES_GFS模式最低，为75.6%；在清水江下游JAPAN_MR模式预报正确率最高，为81%，ECMWF模式最低，为69.6%；在都柳江流域4种数值模式面雨量预报正确率均大于80%，最高为JAPAN_MR模式83.3%，最低为ECMWF模式81%。综上所述，晴雨预报方面JAPAN_MR模式在3个流域表现均较好，其次ECMWF模式在㵲阳河流域表现较好，NCEP_GFS模式在清水江上游具有一定的参考性。

图1. 2022年7~12月黔东南州4种数值模式面雨量预报平均绝对误差

图2. 2022年7~12月黔东南州4种数值模式面雨量预报正确率

4.3. 模糊评分检验

图3是2022年7~12月黔东南州4种数值模式面雨量预报模糊评分。可以看出，在㵲阳河流域JAPAN_MR模式模糊评分最高，为62.5分，其次为ECMWF模式58.3分，NCEP_GFS模式56.9分；在清水江上游JAPAN_MR模式模糊评分最高，为73.8分，其次为NCEP_GFS模式70.8分，GRAPES_GFS模式68.9分；在清水江下游JAPAN_MR模式模糊评分最高，为71.4分，另外三个模式均低于60分；在都柳江流域4种数值模式模糊评分均大于70分，最高为JAPAN_MR模式75.9分，最低为ECMWF模式70.1分。综上所述，4种数值模式在㵲阳河流域面雨量预报表现较差，在都柳江流域表现最好；JAPAN_MR模式在3个流域中最具有参考意义，NCEP_GFS模式在清水江上游具有一定的参考性。

图3. 2022年7~12月黔东南州4种数值模式面雨量预报模糊评分

4.4. 分等级TS评分、漏报率和空报率检验

图4为2022年7~12月黔东南州4种数值模式不同等级面雨量TS评分。因大雨、暴雨的样本较少，此次TS评分仅检验小雨和中雨等级面雨量(漏报率与空报率同)。

在㵲阳河流域中，小雨等级面雨量预报TS评分最高的为ECMWF模式51.1%，其次为NCEP_GFS模式49.5%；中雨等级面雨量预报TS评分最高的为ECMWF模式和NCEP_GFS模式33.3%，其次为JAPAN_MR模式30%；4个模式中雨等级面雨量预报TS评分较小雨等级下降20%~30%。

在清水江上游中，小雨等级面雨量预报TS评分最高的为NCEP_GFS模式65.7%，其次为GRAPES_GFS模式62.3%；中雨等级面雨量预报TS评分最高的为NCEP_GFS模式30.8%，其次为GRAPES_GFS模式28.6%；4个模式中雨等级面雨量预报TS评分较小雨等级下降30%~40%。

在清水江下游中，小雨等级面雨量预报TS评分最高的为JAPAN_MR模式56.8%，其次为NCEP_GFS模式53.8%；中雨等级面雨量预报TS评分最高的为NCEP_GFS模式22.2%，JAPAN_MR模式的TS评分为0；4个模式中雨等级面雨量预报TS评分较小雨等级下降30%~50%。

在都柳江流域中，小雨等级面雨量预报TS评分最高的为NCEP_GFS模式69.9%，其次为JAPAN_MR模式69.7%；中雨等级面雨量预报TS评分最高的为NCEP_GFS模式33.3%，GRAPES_GFS模式的TS评分为0；4个模式中雨等级面雨量预报TS评分较小雨等级下降30%~60%。

综上所述，对于小雨、中雨等级面雨量预报，NCEP_GFS模式在3个流域均表现较好，ECMWF模式在㵲阳河流域预报效果较好，JAPAN_MR模式在清水江下游、都柳江流域具有一定参考意义。4个模式在各流域的中雨等级面雨量预报TS评分较小雨等级均有不同程度降低，在都柳江流域下降最多。

图4. 2022年7~12月黔东南州4种数值模式不同等级面雨量TS评分。(a) 小雨；(b) 中雨

图5、图6分别为2022年7~12月黔东南州4种数值模式不同等级面雨量漏报率、空报率。可以看出，小雨等级面雨量预报中，在㵲阳河流域4种数值模式的漏报率为4%~35%，清水江上游、下游、都柳江流域的漏报率较㵲阳河流域偏低，其中清水江上游漏报率为3%~21%，清水江下游为9%~25%，都柳江流域为3%~9%。ECMWF模式在3个流域表现均较好，除在清水江下游高于漏报率10%外，其余三个流域低于5%。空报率方面，4种数值模式在㵲阳河流域为43%~52%，清水江上游为27%~37%，清水江下游为30%~48%，都柳江流域为25%~33%。

中雨等级面雨量预报中，在㵲阳河流域4种数值模式的漏报率为16%~72%，清水江上游为20%~60%，清水江下游、都柳江流域为0%~100%；ECMWF、NCEP_GFS模式在清水江下游和都柳江流域的漏报率均为0；JAPAN_MR模式在清水江下游漏报率为100%，GRAPES_GFS模式在都柳江流域为100%。空报率方面，4种数值模式在㵲阳河流域为60%~75%，清水江上游为63%~77%，清水江下游为77%~100%，都柳江流域为66%~100%。4个模式的空报率均大于漏报率。

总体而言，4种数值模式的空报率均大于漏报率。随着降水等级的增大，漏报率、空报率逐渐增大。

图5. 2022年7~12月黔东南州4种数值模式不同等级面雨量漏报率。(a) 小雨；(b) 中雨

5. 结论

本文对ECMWF、JAPAN_MR、GRAPES_GFS、NCEP_GFS 4种数值模式在黔东南州2022年7~12月面雨量预报效果进行检验，结论如下：

图6. 2022年7~12月黔东南州4种数值模式不同等级面雨量空报率。(a) 小雨；(b) 中雨

1) 从4种数值预报模式预报效果分析得出JAPAN_MR模式在3个流域预报效果均较好，ECMWF模式在㵲阳河流域的预报效果优于其它模式，NCEP_GFS模式在清水江上游预报效果优于其它模式。对各模式进行预报误差分析得出GRAPES_GFS模式在黔东南州面雨量预报误差最小。

2) 随着降水等级的增大，TS评分逐渐降低，漏报率、空报率逐渐增大，所有模式的预报效果逐渐降低。NCEP_GFS模式在小雨、中雨等级面雨量预报中优于其余3种模式。4种数值模式的空报率均大于漏报率，小雨等级最为明显，因此在面雨量预报中需注意消空处理。

3) 从分流域预报总体效果来看，ECMWF、JAPAN_MR、GRAPES_GFS、NCEP_GFS 4种数值模式在㵲阳河流域表现较差，在都柳江流域表现最好，在清水江上游的预报效果优于清水江下游的预报效果。

基金项目

贵州省气象局气象科技开放研究基金项目(黔气科合KF[2017]08号)；贵州省气象局科研业务项目(黔气科登[2022]08-12号)；贵州省气象局省市联合科研基金项目–山区山洪致灾机理及预报预警技术研究(黔气科合SS[2023]33号)。

文章引用

谢佳豪,吴远金,杨 平,张 羽,杨胜忠. 基于多模式数值预报产品的黔东南州面雨量检验
Performance Evaluation of Areal Precipitation Forecasting for Qiandongnan Prefecture Based on Multimodal Numerical Forecasting[J]. 气候变化研究快报, 2024, 13(03): 445-453. https://doi.org/10.12677/ccrl.2024.133047

参考文献