羅聰，時(shí)洋，吳乃庚，張華龍，黃曉瑩，蘇冉

（1.廣東省氣象臺(tái)，廣東廣州510641；2. 廣東省生態(tài)氣象中心，廣東廣州510641；3.中國氣象局廣州熱帶海洋氣象研究所/區(qū)域數(shù)值天氣預(yù)報(bào)重點(diǎn)實(shí)驗(yàn)室，廣東廣州510641；4.廣州市氣象臺(tái)，廣東廣州511430)

1 引 言

數(shù)字網(wǎng)格預(yù)報(bào)是現(xiàn)代天氣預(yù)報(bào)的核心業(yè)務(wù)，為精細(xì)的氣象服務(wù)提供了高時(shí)空分辨率的預(yù)報(bào)產(chǎn)品支撐。隨著人們對(duì)災(zāi)害性天氣預(yù)報(bào)服務(wù)需求不斷增加，逐小時(shí)、對(duì)流尺度天氣預(yù)報(bào)的重要性日益凸顯，為了進(jìn)一步提升時(shí)空無縫隙的網(wǎng)格降水預(yù)報(bào)能力，高分辨率數(shù)值模式的解釋應(yīng)用是關(guān)鍵。童文雪等[1]針對(duì)對(duì)流降水預(yù)報(bào)發(fā)展了1 h更新循環(huán)的分步同化方案，有效提升了模式在12 h 時(shí)效內(nèi)的降水預(yù)報(bào)能力；陳子通等[2-3]持續(xù)優(yōu)化熱帶區(qū)域數(shù)值天氣預(yù)報(bào)模式，進(jìn)一步提升了強(qiáng)天氣過程預(yù)報(bào)能力和氣象要素預(yù)報(bào)精度。然而，由于中小尺度對(duì)流天氣系統(tǒng)的時(shí)空尺度小，其動(dòng)力和物理過程也尚未被完全認(rèn)識(shí)清楚，模式對(duì)降水預(yù)報(bào)的時(shí)空不確定性可能導(dǎo)致高空?qǐng)?bào)率和低命中率[4]。

氣象學(xué)者發(fā)展了一系列基于數(shù)值預(yù)報(bào)的客觀釋用方法。這些方法總體上可分兩類，一類是直接針對(duì)定量降水進(jìn)行統(tǒng)計(jì)訂正，例如，李俊等[5]應(yīng)用頻率匹配法對(duì)集合降水預(yù)報(bào)進(jìn)行訂正，改善了強(qiáng)降水預(yù)報(bào)效果；代刊等[6]總結(jié)了最優(yōu)百分位、概率匹配平均等系列集合定量降水釋用方法在業(yè)務(wù)中的應(yīng)用；智協(xié)飛等[7-8]開展基于頻率匹配的降水多模式預(yù)報(bào)訂正，在減小降水量預(yù)報(bào)誤差的同時(shí)，也提升了降雨雨區(qū)面積預(yù)報(bào)與實(shí)況的吻合度。另一類則是將定量降水預(yù)報(bào)轉(zhuǎn)換為概率預(yù)報(bào)，以應(yīng)對(duì)模式降水預(yù)報(bào)的時(shí)空不確定性，例如，Theis 等[9]采用鄰域概率法的思路，利用鄰域格點(diǎn)的定量預(yù)報(bào)計(jì)算得到中心格點(diǎn)的概率預(yù)報(bào)；潘柳杰等[10]利用鄰域法評(píng)估了ECMWF、JMA 和T639 三家模式在不同空間尺度上的預(yù)報(bào)能力；馬申佳等[11]同樣利用鄰域法檢驗(yàn)了對(duì)流尺度集合預(yù)報(bào)在降水預(yù)報(bào)上的時(shí)空不確定性，并得到與其時(shí)空尺度相匹配的降水概率預(yù)報(bào)結(jié)果，提高了對(duì)流降水預(yù)報(bào)的技巧；劉雪晴等[12]開展了降水鄰域集合概率的尺度敏感性試驗(yàn)，指出恰當(dāng)?shù)泥徲蚋怕拾霃娇梢缘玫礁侠淼慕邓怕暑A(yù)報(bào)；牛若蕓[13]則提出了基于最優(yōu)概率的降水量分級(jí)訂正預(yù)報(bào)方法，實(shí)現(xiàn)概率預(yù)報(bào)和降水量級(jí)預(yù)報(bào)的融合。

總體而言，以往研究大多圍繞集合預(yù)報(bào)開展日累積降水釋用和評(píng)估，對(duì)快速更新的高分辨率模式的降水訂正研究和業(yè)務(wù)應(yīng)用并不多見。本文在前人研究工作的基礎(chǔ)上，針對(duì)華南區(qū)域GRAPES 快速更新循環(huán)同化預(yù)報(bào)系統(tǒng)（GRAPES_GZ_R 3 km）降水預(yù)報(bào)的時(shí)空不確定性，采用鄰域降水概率的思路，通過引入空間鄰域、時(shí)間滯后因子進(jìn)行了GRAPES_GZ_R 3 km 預(yù)報(bào)產(chǎn)品訂正參數(shù)的確定，提出基于鄰域最優(yōu)概率閾值的逐時(shí)降雨分級(jí)訂正方法，并進(jìn)行檢驗(yàn)評(píng)估，旨在提高區(qū)域快速同化更新模式對(duì)降水的預(yù)報(bào)可參考性。

2 資料和方法

2.1 資料介紹

（1）華南區(qū)域GRAPES 快速更新循環(huán)同化預(yù)報(bào)模式資料。逐小時(shí)循環(huán)同化更新的24小時(shí)逐時(shí)降水預(yù)報(bào)（其中2019 年8 月起預(yù)報(bào)時(shí)效延長至30小時(shí)），空間分辨率為3 km，資料時(shí)長為2019—2020年，每年的4月1日—9月30日。

（2）實(shí)況資料。2019—2020 年，每年的4 月1日—9月30日，包括廣東省86個(gè)國家級(jí)自動(dòng)氣象站和約3 000個(gè)區(qū)域自動(dòng)氣象站的逐小時(shí)降水?dāng)?shù)據(jù)。

強(qiáng)降水是預(yù)報(bào)業(yè)務(wù)中的關(guān)注重點(diǎn)，因此本文選取2019年汛期（4—9月）廣東區(qū)域性暴雨過程[14]的資料用于建模訓(xùn)練。利用空間鄰域概率和時(shí)間滯后集合的方法，將鄰域格點(diǎn)的確定性預(yù)報(bào)轉(zhuǎn)變?yōu)橹行母顸c(diǎn)的概率預(yù)報(bào)，并基于歷史訓(xùn)練期的分級(jí)降水最優(yōu)概率實(shí)現(xiàn)定量降水訂正預(yù)報(bào)，選取2020年4—9月的資料用于檢驗(yàn)。

2.2 鄰域法

由于中小尺度對(duì)流性降水具有明顯的空間分布非均勻性，高分辨率數(shù)值模式的降水預(yù)報(bào)通常也會(huì)出現(xiàn)較大的預(yù)報(bào)偏差，以往研究表明，鄰域法在訂正預(yù)報(bào)空間誤差上是一種較為有效的方法，因此，引入該方法對(duì)GRAPES_GZ_R 模式預(yù)報(bào)結(jié)果進(jìn)行后處理，綜合格點(diǎn)鄰域范圍內(nèi)的降水值，進(jìn)而得到更優(yōu)化的降水預(yù)報(bào)結(jié)果。

首先，將小時(shí)雨量分為4 個(gè)等級(jí)，其取值記為Gk(k=1，2，3，4)，依次對(duì)應(yīng)0.1 mm、2 mm、10 mm、20 mm。

其次，對(duì)模式的降水場進(jìn)行“0/1”二分類處理，即超過降水閾值Gk的格點(diǎn)記為1，反之為0，從而得到降水閾值Gk對(duì)應(yīng)的二進(jìn)制降水概率場BP(i，j)，選擇適當(dāng)?shù)泥徲蚍秶鷮?duì)概率場BP(i，j)進(jìn)行平均，即可得到中心格點(diǎn)的鄰域概率：

式中，i為經(jīng)向格點(diǎn)，j為緯向格點(diǎn)，n為鄰域范圍內(nèi)格點(diǎn)數(shù)，P(i，j)為Gk對(duì)應(yīng)的鄰域概率場。

2.3 鄰域窗選取

不難看出，鄰域窗大小的選擇將直接影響鄰域法得到的鄰域概率場的分布，即在多大空間尺度上模式預(yù)報(bào)性能最優(yōu)，這是模式應(yīng)用的關(guān)鍵問題。以往學(xué)者對(duì)鄰域窗的選擇通常采用圓形或正方形兩種類型，但Ebert[15]的研究表明，鄰域窗的形狀對(duì)鄰域概率的結(jié)果沒有明顯影響。考慮到方形的鄰域窗可以和數(shù)值模式的經(jīng)緯格點(diǎn)相匹配，且計(jì)算相對(duì)簡便，因此，本文選擇正方形鄰域窗來計(jì)算降水的鄰域概率。

為了確定最優(yōu)的鄰域窗大小，需對(duì)不同鄰域半徑的鄰域概率進(jìn)行檢驗(yàn)。對(duì)于二分類事件的概率預(yù)報(bào)檢驗(yàn)，存在很多標(biāo)量準(zhǔn)確性的量度標(biāo)準(zhǔn)，Brier 評(píng)分（BS）就是其中一種。BS 評(píng)分本質(zhì)上是概率預(yù)報(bào)的均方誤差，且是一個(gè)負(fù)向評(píng)分，結(jié)果越接近0越好。BS及其斜率的計(jì)算公式如下:

式中，Pk為預(yù)報(bào)概率；Ok為實(shí)況概率，當(dāng)實(shí)況事件發(fā)生則觀測為1，不發(fā)生則為0；rd為不同的領(lǐng)域半徑，SLP為BS隨鄰域半徑變化的斜率。

圖1為不同等級(jí)降水的BS評(píng)分隨鄰域半徑的變化。以小時(shí)雨量超過20 mm、6 h 預(yù)報(bào)時(shí)效為例（圖1a），鄰域半徑為3 km 的BS評(píng)分為0.021 3，而鄰域半徑為60 km 的BS 評(píng)分快速下降至0.009 3，但隨著鄰域半徑繼續(xù)增加，BS 評(píng)分下降幅度已經(jīng)十分微弱，鄰域半徑為150 km 的BS 評(píng)分為0.007 9，僅僅比鄰域半徑為60 km 時(shí)下降了0.001 4，BS 斜率接近于0。對(duì)于10 mm、2 mm 和0.1 mm 以上的小時(shí)雨量，鄰域半徑分別在90 km、120 km、150 km 處，BS 斜率接近于 0，但當(dāng)鄰域半徑達(dá)到60 km 時(shí)，各個(gè)等級(jí)降水的BS 下降均已成明顯變緩的趨勢，其余時(shí)效也表現(xiàn)出類似的變化趨勢。因此，綜合考慮BS 評(píng)分和計(jì)算效率，在實(shí)際業(yè)務(wù)中把60 km 作為鄰域窗半徑是較優(yōu)的選擇。

圖1 降水超過0.1（a）、2（b）、10（c）、20（d）mm/h的鄰域概率BS評(píng)分隨鄰域半徑的演變

為了進(jìn)一步考慮模式不同時(shí)間起報(bào)的不確定性，引入時(shí)間滯后因子，以t0為當(dāng)前起報(bào)時(shí)刻，選取t0-H～t0時(shí)刻內(nèi)所有時(shí)次起報(bào)的模式預(yù)報(bào)場數(shù)據(jù)，分析不同時(shí)間滯后參數(shù)H對(duì)應(yīng)的鄰域概率變化，以確定合理的時(shí)間滯后窗。

由于2019 年的GRAPES_GZ_R 模式預(yù)報(bào)時(shí)效僅為24 h，因此，圖2 僅給出了6 h、12 h、18 h 對(duì)應(yīng)的鄰域概率BS 評(píng)分隨時(shí)間滯后的演變。以小時(shí)雨量超過20 mm、6 h 預(yù)報(bào)時(shí)效為例（圖2a），對(duì)比未考慮時(shí)間滯后（0 h）與時(shí)間滯后4 h 的鄰域概率場，BS 評(píng)分從 0.009 3 下降至 0.008 0，下降幅度為14.4%，但當(dāng)滯后窗從4 h增加到5 h時(shí)，BS評(píng)分僅下降1.3%；隨著預(yù)報(bào)時(shí)效增加，BS 隨時(shí)間滯后窗擴(kuò)展而下降的趨勢更加緩慢，在實(shí)際業(yè)務(wù)中將時(shí)間滯后窗定為4 h是較合理的選擇。

圖2 降水超過0.1（a）、2（b）、10（c）、20（d）mm/h的鄰域概率BS評(píng)分隨時(shí)間滯后的演變

2.4 鄰域最優(yōu)概率法

鄰域法提供的是降水概率預(yù)報(bào)場，為了得到確定性降水訂正場，采用基于鄰域最優(yōu)概率閾值的降雨分級(jí)訂正方法，將降水量概率預(yù)報(bào)轉(zhuǎn)換為定量降水預(yù)報(bào)，具體步驟如下。

（1）利用2019 年4—9 月的資料用于建模，訓(xùn)練所有氣象站點(diǎn)在不同降水等級(jí)Gk對(duì)應(yīng)的鄰域概率Pk。

（2）從0～1每隔0.01設(shè)定一個(gè)概率閾值Pj，計(jì)算降水等級(jí)Gk在每個(gè)概率閾值下的TS評(píng)分TSkj。

（3）提取TSkj中最大值對(duì)應(yīng)的概率閾值Pj（Max），作為降水等級(jí)Gk的最優(yōu)概率閾值OPk。

（4）對(duì)于任意格點(diǎn)，計(jì)算實(shí)時(shí)預(yù)報(bào)的鄰域概率場，由高到低逐級(jí)比較該點(diǎn)各預(yù)報(bào)等級(jí)的Pk和OPk，若Pk≥OPk，則停止判別，并賦值Gk為該點(diǎn)的逐時(shí)降水預(yù)報(bào)等級(jí)值，記為PGk；然后選取其鄰域范圍內(nèi)的格點(diǎn)降雨預(yù)報(bào)結(jié)果fk，以及降水等級(jí)同為PGk的格點(diǎn)概率Pk，利用式（6）計(jì)算基于最優(yōu)概率的定量降水F(i，j)，訂正流程見圖3。

圖3 逐時(shí)降水訂正流程圖

利用2019年的區(qū)域性暴雨過程資料統(tǒng)計(jì)分析（圖4，見下頁），以12 h預(yù)報(bào)時(shí)效為例，對(duì)于20 mm以上的小時(shí)雨量，最優(yōu)鄰域概率為10%，TS評(píng)分達(dá)到0.034，隨著概率閾值的增加，TS 評(píng)分迅速降低（圖4a），10 mm、2 mm 以上降水以及晴雨預(yù)報(bào)的最優(yōu)鄰域概率閾值分別為15%、25%和65%，相應(yīng)的 TS 評(píng)分為 0.058、0.170 和 0.747?？傮w而言，降雨越強(qiáng)，對(duì)應(yīng)的最優(yōu)鄰域概率閾值越小。

圖4 12 h時(shí)效的不同鄰域概率下逐時(shí)降水TS評(píng)分

3 檢驗(yàn)與分析

為了評(píng)估基于鄰域最優(yōu)概率的逐時(shí)降水訂正效果，本研究對(duì)2020年4月1日—9月30日的所有逐時(shí)起報(bào)時(shí)次的模型訂正結(jié)果進(jìn)行檢驗(yàn)，主要檢驗(yàn)對(duì)象為晴雨準(zhǔn)確率、強(qiáng)降水準(zhǔn)確率和偏差（BIAS）。特別注意的是，2020 年 3 月 1 日起，GRAPES_GZ_R 的預(yù)報(bào)時(shí)效從24 h 延長至30 h，但由于無法利用2019 年的歷史數(shù)據(jù)對(duì)30 h 預(yù)報(bào)時(shí)效進(jìn)行建模，因此只能將24 h 預(yù)報(bào)時(shí)效的參數(shù)應(yīng)用于2020年的30 h預(yù)報(bào)時(shí)效。結(jié)果分析如下。

3.1 晴雨預(yù)報(bào)檢驗(yàn)

本方法采用的晴雨預(yù)報(bào)TS（TS_s）計(jì)算公式如下：

式中，NA 為有降水預(yù)報(bào)正確站（次）數(shù)，NB 為空?qǐng)?bào)站（次）數(shù)、NC為漏報(bào)站（次）數(shù)，ND 為無降水預(yù)報(bào)正確的站（次）數(shù)。

圖5給出的是2020年汛期（4—9月）晴雨預(yù)報(bào)檢驗(yàn)。GRAPES_GZ_R 的晴雨預(yù)報(bào)TS 并非簡單地隨預(yù)報(bào)時(shí)效增加而下降，而是呈現(xiàn)先降后升的變化：1 h 的TS 評(píng)分最高，達(dá)到0.900，1~6 h 內(nèi) TS呈下降趨勢，6 h的TS為0.823，在6~12 h內(nèi)TS逐漸上升，12 h的TS達(dá)到0.853，隨后TS維持相對(duì)穩(wěn)定，介于0.85～0.86之間。

圖5 2020年汛期的晴雨預(yù)報(bào)檢驗(yàn)

經(jīng)過鄰域最優(yōu)概率訂正的晴雨TS 在1 h 預(yù)報(bào)時(shí)效達(dá)到 0.920，2~30 h 的 TS 維持在 0.89～0.90 之間，基本不隨預(yù)報(bào)時(shí)效增加而降低。與原始的GRAPES_GZ_R 模式預(yù)報(bào)相比，鄰域最優(yōu)概率訂正后的晴雨預(yù)報(bào)全部為正技巧，其中1 h 提升了2.2%，6 h 提升了8.4%，總體提升了約5.3%。上述結(jié)果表明，鄰域最優(yōu)概率法可以提升逐時(shí)降水的晴雨預(yù)報(bào)準(zhǔn)確率，且訂正后的預(yù)報(bào)效果更為穩(wěn)定。

3.2 強(qiáng)降水預(yù)報(bào)檢驗(yàn)

本研究定義的強(qiáng)降水標(biāo)準(zhǔn)為小時(shí)雨量超過20 mm，采用的檢驗(yàn)標(biāo)準(zhǔn)包括強(qiáng)降水預(yù)報(bào)TS（TS_r，式（8））和預(yù)報(bào)偏差BIAS（式（9）），計(jì)算公式如下：

其中，NA 為強(qiáng)降水預(yù)報(bào)正確站（次）數(shù)，NB 為空?qǐng)?bào)站（次）數(shù)，NC為漏報(bào)站（次）數(shù)。

圖6給出的是2020年汛期4—9月強(qiáng)降水預(yù)報(bào)檢驗(yàn)。GRAPES_GZ_R 的強(qiáng)降水預(yù)報(bào)TS 隨時(shí)效有較明顯的變化：最高出現(xiàn)在2 h 時(shí)效，達(dá)到0.016，而3~6 h 的強(qiáng)降水TS 同樣處于較低水平，約0.007～0.009，與晴雨預(yù)報(bào)類似，其余時(shí)次強(qiáng)降水預(yù)報(bào)TS 介于0.008～0.012 之間，所有時(shí)效的強(qiáng)降水預(yù)報(bào)TS 平均約為0.01。經(jīng)過鄰域最優(yōu)概率訂正后，強(qiáng)降水預(yù)報(bào)TS 均表現(xiàn)為正技巧，TS 較低的時(shí)次出現(xiàn)在 3~6 h 時(shí)效，從 6 h 時(shí)效起，TS 逐漸升高，12 h 時(shí)效的TS 最高達(dá)到0.022，隨后又逐漸降低，所有時(shí)效的TS 平均約0.014，高于原始模式預(yù)報(bào)。

圖6 2020年汛期的強(qiáng)降水預(yù)報(bào)檢驗(yàn)

預(yù)報(bào)偏差BIAS 是天氣事件的預(yù)報(bào)次數(shù)與實(shí)際發(fā)生次數(shù)的比率，理想狀況為1，而BIAS＞1表示預(yù)報(bào)高于實(shí)況頻率，BIAS＜1則相反。然而在實(shí)際業(yè)務(wù)中，尤其是在面對(duì)可能致災(zāi)的天氣時(shí)，由于存在空?qǐng)?bào)和漏報(bào)的情況，TS 和BIAS 通常不能同時(shí)達(dá)到最優(yōu)，BIAS=1 也未必是最優(yōu)選擇。GRAPES_GZ_R 模式在 1 h 時(shí)效的 BIAS 為 0.758，也反映開始階段模式的強(qiáng)降水預(yù)報(bào)偏弱，2~5 h 時(shí)效 BIAS 突增至4 左右，空?qǐng)?bào)明顯增多，6 h 開始逐漸降低，12 h 后維持在1 左右，空?qǐng)?bào)和漏報(bào)基本相當(dāng)。訂正后，1~4 h 時(shí)效的BIAS 普遍高于模式預(yù)報(bào)，5 h 起 BIAS 逐漸降低，12 h 后同樣維持在 1 左右，與模式大致持平。

綜合強(qiáng)降水TS 和BIAS 表現(xiàn)可知，模式對(duì)強(qiáng)降水的預(yù)報(bào)能力并非單純隨預(yù)報(bào)時(shí)效增加而下降，而是在3~6 h 通常表現(xiàn)有所下降，6 h 后逐漸上升，在12 h前后表現(xiàn)較優(yōu)，隨后又逐漸下降。訂正后的預(yù)報(bào)也表現(xiàn)出類似的變化特征，12 h 前后的訂正效果最為明顯。從BIAS 分析表明，對(duì)于模式前期預(yù)報(bào)能力較弱的時(shí)次，本方法主要是以更多的空?qǐng)?bào)為代價(jià)來提升預(yù)報(bào)評(píng)分，后續(xù)可以考慮結(jié)合其他算法進(jìn)行消空訂正以進(jìn)一步提高TS 評(píng)分；而本方法對(duì)于模式12 h預(yù)報(bào)時(shí)效后的訂正，在空?qǐng)?bào)和漏報(bào)上達(dá)到較好的平衡，BIAS接近1。

3.3 個(gè)例應(yīng)用分析

鋒面降水個(gè)例：2020 年 5 月 20 日下午到 22 日中午（北京時(shí)間，下同），廣東出現(xiàn)年內(nèi)第一場“龍舟水”（每年5 月21 日—6 月20 日）強(qiáng)降水，其中21日夜間至22日早晨，受強(qiáng)雷雨云團(tuán)影響，珠江三角洲出現(xiàn)大范圍的強(qiáng)降水，廣州黃埔區(qū)錄得最大1 h雨量167.8 mm，東莞東城區(qū)錄得最大3 h 雨量351 mm，均突破廣東“龍舟水”期間歷史極值。

5 月21 日20 時(shí)起，粵北的韶關(guān)和河源的南部有雷雨云團(tuán)逐漸發(fā)展，并緩慢向西南方向移動(dòng)，23時(shí)前后，云團(tuán)移動(dòng)至珠江三角洲的廣州和惠州一帶，強(qiáng)度不斷增強(qiáng)，同時(shí)移速變慢，在當(dāng)?shù)匦纬沙掷m(xù)性強(qiáng)降水。以降水最為強(qiáng)烈的22 日03 時(shí)為例：21 日 14 時(shí)（ 北 京 時(shí) 間 ，下 同 ）起 報(bào) 的GRAPES_GZ_R模式第13 h時(shí)效（圖7b）盡管預(yù)報(bào)了22 日03 時(shí)廣州有強(qiáng)降水，但是范圍明顯偏小，位置偏西；進(jìn)一步分析更早的模式預(yù)報(bào)（圖7c~7f）發(fā)現(xiàn)，10~13時(shí)起報(bào)的GRAPES_GZ_R模式普遍預(yù)測22 日03 時(shí)珠江三角洲地區(qū)將有強(qiáng)降水，但不同時(shí)次起報(bào)的位置和強(qiáng)度、范圍均有不同的偏差，表明模式預(yù)報(bào)的時(shí)空不確定性較大。采用空間鄰域和時(shí)間滯后訂正后的概率產(chǎn)品較準(zhǔn)確地預(yù)報(bào)了廣州、東莞一帶為高概率的強(qiáng)降水中心（圖7g），并超過歷史統(tǒng)計(jì)的強(qiáng)降水最優(yōu)概率閾值（10%），表明該地區(qū)出現(xiàn)強(qiáng)降水可能性很大。訂正后的定量降水預(yù)報(bào)中心的時(shí)雨量超過50 mm（圖7h），盡管極值中心與實(shí)況仍有一定偏差。然而，由于模式多個(gè)時(shí)次均在粵東沿海預(yù)報(bào)有強(qiáng)降水，訂正后的結(jié)果也在該地區(qū)出現(xiàn)了空?qǐng)?bào)，這也是本方法僅對(duì)降水采取時(shí)滯集成訂正存在的不足，后續(xù)或可加入風(fēng)場等要素進(jìn)行協(xié)同判斷以提升訂正效果?？傮w而言，訂正后的強(qiáng)降水落區(qū)和范圍與實(shí)況較為吻合，強(qiáng)降水TS 達(dá)到0.271，明顯高于同時(shí)次模式的強(qiáng)降水TS（0.155），也體現(xiàn)了本訂正方法對(duì)于具備一定范圍的鋒面降水訂正能力較好。

圖7 2020年5月22日03時(shí)降水實(shí)況(a)，GRAPES_GZ_R模式不同時(shí)次起報(bào)的降水(b~f)，領(lǐng)域概率法2020年5月21日14時(shí)起報(bào)的強(qiáng)降水概率（g）和小時(shí)降水量（h）

暖區(qū)降水個(gè)例：2020年6月5—9日，廣東出現(xiàn)了一次典型的暖區(qū)降水過程，其中6 月7 日凌晨起，受西南季風(fēng)影響，珠江口東側(cè)沿海地區(qū)出現(xiàn)強(qiáng)降水云團(tuán)并不斷發(fā)展，緩慢向東北方向移動(dòng)，造成持續(xù)性強(qiáng)降水。

以7 日06 時(shí)為例：強(qiáng)降水主要位于廣東南部的汕尾和惠州、肇慶北部（圖8a），6 日20 時(shí)起報(bào)的GRAPES_GZ_R 模式10 h 時(shí)效（圖8b）對(duì)汕尾、惠州中部的強(qiáng)降水預(yù)報(bào)明顯偏弱，同時(shí)在廣州、韶關(guān)和河源交界地區(qū)出現(xiàn)了明顯的強(qiáng)降水空?qǐng)?bào)，分析更早的16—19時(shí)起報(bào)的模式預(yù)報(bào)（圖8c~8f）發(fā)現(xiàn)，GRAPES_GZ_R 模式大部分預(yù)報(bào)了汕尾地區(qū)的強(qiáng)降水，但普遍沒有預(yù)報(bào)廣州、韶關(guān)和河源交界地區(qū)的強(qiáng)降水，同樣也漏報(bào)了惠州中部的強(qiáng)降水。經(jīng)過空間鄰域和時(shí)間滯后訂正后的概率產(chǎn)品保留了汕尾的強(qiáng)降水中心預(yù)報(bào)（圖8g），并擴(kuò)大了20 mm以上的降水預(yù)報(bào)范圍（圖8h），同時(shí)也對(duì)廣東中東部的強(qiáng)降水空?qǐng)?bào)有一定的抑制作用。訂正后的強(qiáng)降水TS 達(dá)到0.164，高于同時(shí)次的模式強(qiáng)降水TS（0.058）。因此，對(duì)于一些模式能較穩(wěn)定預(yù)測的暖區(qū)降水個(gè)例，基于時(shí)滯集成的概率和定量訂正預(yù)報(bào)也能提供一定的分析參考，可作為快速循環(huán)同化模式業(yè)務(wù)應(yīng)用的支撐技術(shù)。

圖8 2020年6月7日06時(shí)降水實(shí)況(a)，GRAPES_GZ_R模式不同時(shí)次起報(bào)的降水(b~f)，領(lǐng)域概率法6日20時(shí)起報(bào)的強(qiáng)降水概率（g）和小時(shí)降水量（h）

4 小結(jié)與討論

高分辨率數(shù)值預(yù)報(bào)的時(shí)空不確定性問題已經(jīng)得到廣泛的關(guān)注，本文利用鄰域最優(yōu)概率方法對(duì)華南區(qū)域GRAPES 快速更新循環(huán)同化預(yù)報(bào)模式進(jìn)行逐時(shí)降水訂正，提升了模式的晴雨和強(qiáng)降水客觀預(yù)報(bào)能力。

（1）采用鄰域法對(duì)GRAPES_GZ_R 模式降水概率計(jì)算時(shí)，其最優(yōu)鄰域半徑隨降水等級(jí)增加而減小，晴雨預(yù)報(bào)的最優(yōu)鄰域半徑可達(dá)150 km，而強(qiáng)降水的最優(yōu)鄰域半徑為60 km。

（2）通過引入時(shí)間滯后因子能進(jìn)一步改善模式不同時(shí)間起報(bào)的不確定性。BS 評(píng)分隨著時(shí)間滯后窗的增加而進(jìn)一步改善，但是預(yù)報(bào)時(shí)效越長，改善效果越不明顯，結(jié)合BS 評(píng)分確定了時(shí)間滯后窗為4 h。

（3）利用鄰域最優(yōu)概率法對(duì)2020 年的GRAPES_GZ_R 模式預(yù)報(bào)進(jìn)行訂正，檢驗(yàn)表明：晴雨預(yù)報(bào)和強(qiáng)降水預(yù)報(bào)均為正技巧。晴雨TS 評(píng)分達(dá)到0.89以上，與模式預(yù)報(bào)相比提升約5.3%，且預(yù)報(bào)效果更為穩(wěn)定，基本不隨預(yù)報(bào)時(shí)效增加而降低。強(qiáng)降水TS 評(píng)分呈先降后升趨勢，在12 h 時(shí)效前后預(yù)報(bào)效果最優(yōu)，TS 評(píng)分達(dá)到0.022，隨后又逐漸降低，所有時(shí)效的TS 平均約0.014，高于原始模式預(yù)報(bào)。

綜上可見，采用鄰域最優(yōu)概率法對(duì)提高GRAPES_GZ_R 模式預(yù)報(bào)性能具有較為明顯的效果。不過，由于數(shù)據(jù)樣本的限制，本文重點(diǎn)討論了該方法對(duì)GRAPES_GZ_R 模式24 h 的改善效果，對(duì)于更長預(yù)報(bào)時(shí)效、以及該方法對(duì)其它業(yè)務(wù)數(shù)值模式的可適性還未進(jìn)行分析。另外，盡管該方法能提高降水預(yù)報(bào)的TS 評(píng)分，但如何更好地消除空?qǐng)?bào)和漏報(bào)仍然需要更多的后續(xù)研究。