金沙江下游多种面雨量集成预报方法的对比分析_周芳弛.pdf

第 卷第期 年月 ，气象科技 金沙江下游多种面雨量集成预报方法的对比分析周芳弛李国平，宋雯雯游家兴（成都信息工程大学大气科学学院，成都 ；江苏省气象灾害预报预警与评估省部共建协同创新中心，南京 ；四川省高原与盆地暴雨旱涝灾害四川省重点实验室，成都 ；四川省中国三峡建工（集团）有限公司，成都 ）摘要集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、模式预报、模式预报产品，以面雨量为研究对象，采用多元回归法、神经网络法、评分权重法、加权集成预报法和算术平均法，得到集成面雨量预报，再运用平均绝对误差、模糊评分、正确率、评分、偏差分析等方法，对 年 月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和 神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时，下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低，且多元回归法和 神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中，多元回归法集成效果较好，在大雨量级预报中，神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。关键词金沙江下游；面雨量；集成方法；预报检验中图分类号：文献标识码：气象科技国家自然科学基金（，），金沙江下游梯级水电站气象预报关键技术研究及系统建设项目（），高原与盆地暴雨旱涝灾害四川省重点实验室科技发展基金（）资助作者简介：周芳弛，女，年生，硕士研究生，天气动力学研究方向，：收稿日期：年 月日；定稿日期：年 月 日通信作者，：引言金沙江起自青海省玉树巴塘河口，止于四川省宜宾岷江口，流经青藏高原、川西高原、横断山区、云贵高原、川西南山地五大地形地貌单元，流域面积 ，全长约 。为做好三峡水库运行调度和金沙江中下游梯级水电枢纽建设，年开始，长江流域气象中心水文气象预报台为三 峡 总 公 司 开 展 金 沙 江 中 下 游 面 雨 量 预 报 业务 。面雨量是洪水预防与水库调度的重要参数，是各级政府组织防汛抗洪和水库调度等决策的重要依据，也是气象部门拓展服务领域的新举措。因此在水文气象服务中，数值模式产品在面雨量预报中的预报效果越来越受到重视，针对多种数值模式产品的集成分析的研究也越来越广泛。近年来，许多学者针对各流域面雨量集成做了大量研究，其中一些学者针对单一集成预报方法进行分析，发现面雨量集成预报性能总体上优于单个预报成员 。谷晓平等通过优化网络初始权重，将遗传算法（）和前馈误差反传播（）算法结合，应用于流域面雨量预报。除面雨量预报外，集成方法在热带气旋预报、降水分级和落区预报等其他气象预报领域的研究中也有广泛的应用 。降水预报是预报员首要关注的数值预报产品，近年来很多学者对不同模式的数值预报产品进行了检验工作，尤其是针对各地主汛期的强降水，因此检验和评估模式降水预报的预报性能是必不可少的工作 。还有一些学者运用多种集成预报方法，探讨了不同集成方法对最终降水预报效果的影响。舒章康等 对比了回归集成、集成和 系数集成等种方法，发现集成预报对降低预报误差并提高降水过程预报有较好的效果，其中 集成方法预报效果最优。智协飞等 发现采用频率匹配法，能有效改善集合平均预报中强降水预报量级偏小现象，卡尔曼滤波集成预报效果优于线性回归和消除偏差的集合预报。严明良等 探讨了几种基于超级集合思想的动态变权集成预报，在一定程度上提高了不同时间、不同区域的精细化预报水平和数值产品的利用效率。目前还没有针对金沙江下游的面雨量集成预报的准确性研究，且以往所用的集成预报方法较为单一。本文基于格点实况资料和智能网格预报、西南区域数值预报、模式预报、模式预报资料，以面雨量为研究对象，采用多元回归集成法、神经网络法、评分权重集成法、加权集成预报法和算术平均法，对 年 月金沙江下游面雨量预报效果进行检验评估，以期探究不同量级下较优的集成预报方法，为降水预报提供参考依据。资料与方法 研究区域概况金沙江流域地形极为复杂，流域内气候时空变化较大，流域面积 以上的支流有 条，从新市镇至宜宾市岷江口为金沙江下段（图）。本文着重研究金沙江下段流域 年 月的多种面雨量集成预报。图金沙江下游流域示意 资料格点实况资料来自国家气象信息中心下发的 年 月以及 年 月逐日（：至次日：）降水融合分析产品，该产品融合了 余个国家级自动站以及近万区域自动气象站实况观测数据以及多种卫星降水资料等，其空间分辨率为 。智能网格预报是集合各种数值预报和预报技术，形成全国统一数据源的格点预报数据，其空间分辨率达 ，时间上可实现逐发布未来 的 天 气 预 报。模 式 是 基 于 和 （）建立，使用 （）预报场作为模式初猜场和边界条件，模式分辨率为，每日次定时启动预报，提供 时效的多要素预报结果。模式是基于欧洲细网格预报资料，其分辨率为 。模式的背景场和侧边界采用的是国家气象中心 下发的 预报场，其水平分辨率为 。面雨量是指某一特定区域或流域的平均降水量，最常用的计算方法有格点法、网格插值法、算术平均法、等雨量线法、泰森多边形法等，金沙江下游格点资料分布均匀，因此采用算术平均法计算流域面雨量。面雨量预报检验方法参考我国江河面雨量等级划分标准，将 面雨量划分为小雨（）、中雨（）、大雨（）、暴雨（）个等级。采用平均绝对误差、模糊评分、正确率、评分等统计评价指标，对金沙江下游面雨量预报产品进行检验。各统计评价指标计算如下：（）平均绝对误差。指预报值和实况值的平均绝对误差，其计算式为：（）式（）中，为有雨预报正确的天数，为有雨且预报正确时的面雨量预报值，为有雨且预报正确时的面雨量实况值。本文仅统计实况有雨且预报也有雨时的误差。（）正确率。检验面雨量有无的预报正确率，其计算式为：气象科技第 卷（）式（）中，为降水预报正确的流域子单元数，为空报的流域子单元数，为漏报的流域子单元数，为无降水预报正确的流域子单元数。（）模糊评分法。按照中国气象局在 全国七大江河流域面雨量监测和预报业务规定 中提供的模糊评分检验方法进行检验。降水预报的模糊评分（）的计算式为：（）（）（）（）式中取，分别表示种集成预报方法；第项为预报基础分，规定为 分；第项为强度（量级）预报的加权分，其中和分别表示面雨量预报值和实况值，（）为面雨量预报值和实况值中的最大项。（）评分、空报率和漏报率。根据 年中国气象局 中短期天气预报质量检验办法（试行）中的方法对面雨量预报效果进行检验。各指标计算公式如下 ：评分：（）漏报率：（）空报率：（）式（）（）中，取，分别表示个降水量级；代表模式预报面雨量正确的天数，即观测与预报均出现某量级面雨量；为空报天数，即观测无某量级面雨量而预报有；为漏报天数，即观测有某量级面雨量而预报无。集成预报方法及对比分析 采用的集成预报方法（）评分权重集成法。该方法把各家数值预报对于不同天气系统的预报 评分作为对某一天气事件命中的概率，把与所有参加集成成员之和的比作为集成的权重，即，预报方程为：（）式中，为各个数值预报产品的预报值，为集成预报值，当达到某量级范围时，则预报某种量级的降水出现。（）多元回归集成法。先计算各数值预报产品与格点实况之间的相关系数，在相关系数均大于等于 的情况下，把各数值预报产品作为预报因子，格点实况作为预报量，建立多元回归方程，通过回代后确定量级做出预报。（）加权集成预报法。加权集成预报的系数可以用如下的计算公式确定：（）（）（）（）（）（）（）（）（）其中为各个数值预报产品与格点实况资料的平均相对误差，为各家加权集成预报的权重系数，和的含义与公式相同。用式（）（）确定加权集成预报的权重系数，它表示了某个数值预报对实测值的误差越小，则在预报集成时其权重系数越大，反之权重系数越小。（）神经网络法。神经网络是一种多层的前馈神经网络，由输入层、隐藏层和输出层组成，神经网络的输入误差产生是由于输出层到隐藏层的权值决定，通过调整输出层到隐藏层的权值和隐藏层到输入层的权值，让误差不断缩小。本次训练过程选取 函数：（）（）函数是神经网络的阈值函数，为输入层的输入矢量，将变量映射到，之间，在输入层得到刺激后，传递给隐藏层，隐藏层则根据神经元相互联系的权重并根据规则把这个刺激传给输出层，（）为输出层的输出矢量，输出层对比结果，如果不对，则返回进行调整神经元相互联系的权值，如此反复训练，最终学会。集成预报方法的对比分析本文选取 年 月金沙江下游的逐日面雨量模式预报资料和格点实况资料，其中包括智能 网 格 模 式、西 南 区 域 模 式、模 式、模 式，作 为 集 成 预报 的 试 验 组，再 选 取第期周芳弛等：金沙江下游多种面雨量集成预报方法的对比分析 年 月金沙江下游的种模式预报资料和对应的格点实况资料，通过采用多元回归法、神经网络法、评分权重法、加权集成预报法和算术平均法，进行集成预报方法的对比分析。首先采用评分权重法对实验组进行试报，预报结果与实况均采用、两种可能，则得到以下个预报方程，其中依次表示面雨量有无、小雨、中雨和大雨集成预报值：有无预报：.小雨预报：.中雨预报：.大雨预报：.：智能网格未来 降水预报；：西南区域未来 降水预报；：未来 降水预报；：未来 降水预报；：实况降水量。采用多元回归法预报是把各家数值降水预报产品作为预报因子，实况降水量作为预报量。为了消除预报因子与预报量等级接近对回归效果的影响，在分级时把实况降水量的等级比预报因子的等级大一个量级来处理（表），从而得到通过检验的回归方程。表预报量与预报因子取值表无降水有小雨有中雨有大雨有暴雨预报量（）预报因子（）.，已通过 ，自由度为（，）的检验，通过把回归值与历史实测值拟合，从而得出多种数值预报产品综合后的一个较客观的预报结果。采用 神经网络法，将四种数值降水预报产品作为输入层，实况降水量作为输出层，建立网络结构，样本数据的划分方式为随机划分，训练采用的算法是 算法，用均方根误差衡量网络性能，网络性能为 ，梯度算子为 ，算法的误差精度为 ，通过多次运行，得到平均水平下的训练结果（图）。图 神经网络训练结果：（）预测数据与实况对比，（）预测与实况的相对误差所以，我们以智能网格、西南模式、个模式的降水预报为基础，采用以上几种集成预报方法，分别进行平均绝对误差、面雨量有无正确率、模糊评分法、评分和漏报率、空报率等计算，与相同时段单模式最好对比得到以下结论。多模式面雨量集成预报检验评估 平均绝对误差检验图为 年 月多元回归集成法、神经网络法、评分权重集成法、加权集成预报法、算术平均法与单模式最好的面雨量平均绝对误差。由图可知，金沙江下游的几种集成预报中，神经网气象科技第 卷络法的预报误差最小，达到 ，其次是多元回归法，评分权重法和算术平均法的预报误差最大，均为 。单模式预报平均绝对误差（图略）在 ，仅 神经网络优于单模式最好，其余几种集成预报方法平均绝对误差均大于单模式最好。从平均绝对误差检验结果看，神经网络集成法在金沙江流域面雨量预报中具有较大的参考意义。图 年 月几种集成方法的平均绝对误差比较图 年 月几种集成方法的面雨量有无准确率比较 正确率检验图为 年 月多元回归集成法、神经网络法、评分权重集成法、加权集成预报法、算术平均法与单模式最好的面雨量有无准确率。可以看出，多元回归集成法的面雨量有无准确率最高，达到 ，其次是评分权重法，为 ，两种集成法面雨量有无准确率相比于单模式最好有显著提升，单 模 式 预 报 面 雨 量 有 无（图 略）准 确 率 为 ，运用算术平均法预报面雨量有无准确率为 ，与单模式最好相同。加权集成预报法和 神经网络法低于单模式最好，且仅较西南区域模式略有提升。由此可知，对于面雨量的晴雨集成预报，多元回归集成法最具有参考价值。模糊评分检验图为 年 月多元回归集成法、神经网络法、评分权重集成法、加权集成预报法、算术平均法与单模式最好的面雨量模糊评分。由图可知，金沙江下游种集成预报中，多元回归法预报评分最好，达到 分，其次是 神经网络法，两种方法均高于单模式最好，评分权重法与算术平均法最低，均为 分，单模式预报模糊评分（图略）在