潘欣，馬依依，毛程燕，鄭倩

(浙江省衢州市氣象局，衢州 324000)

引言

隨著數(shù)值預(yù)報技術(shù)的迅速發(fā)展，數(shù)值預(yù)報產(chǎn)品的精度、準(zhǔn)確度不斷提升，其已逐漸成為各級氣象臺站預(yù)報員制作天氣預(yù)報的重要依據(jù)。然而，由于數(shù)值模式初值的不確定性和模式本身存在的系統(tǒng)偏差，模式預(yù)報往往與實況存在偏差(穆穆等，2011；武英嬌等，2019；趙寧坤等，2021)。因此，采用各種釋用方法對模式預(yù)報產(chǎn)品進(jìn)行后處理以改進(jìn)預(yù)報效果，已成為目前解決模式預(yù)報偏差的常用手段。

降水量是氣象預(yù)報中重要的預(yù)報要素之一，由于其本身的非正態(tài)性和不連續(xù)性，預(yù)報難度較大，因此研究模式降水預(yù)報的訂正釋用方法是氣象預(yù)報關(guān)鍵技術(shù)研究中的重要課題。李俊等(2014)根據(jù)模式降水預(yù)報的偏差特征，采用基于頻率(或面積)匹配的偏差訂正方法顯著改善了模式降水預(yù)報中雨量和雨區(qū)范圍的系統(tǒng)性偏差。曹萍萍等(2018)基于地形地理分區(qū)，采用概率匹配方法有效訂正了西南地區(qū)的逐12 h降水預(yù)報。趙瑞霞等(2020)將最優(yōu)評分訂正(Optimal Threat Score,OTS)、模式輸出統(tǒng)計(Model Output Statistics,MOS)和納入超前空間實況信息的模式輸出統(tǒng)計(MOS with prior-spatial observation predictors,OMOS)方法及其優(yōu)化組合應(yīng)用于逐3 h 降水預(yù)報中，結(jié)果表明MOS-OTS 綜合預(yù)報性能最好。曹萍萍等(2020)基于“配料法”有效訂正了四川夏季的大雨、暴雨預(yù)報。從靖等(2021)將Gamma 累積概率分布曲線應(yīng)用于預(yù)報-實況概率匹配方法中，并以此改善了海河流域東北冷渦背景下ECMWF 小雨、大雨和暴雨預(yù)報技巧。

浙江汛期多暴雨過程、強度較大，模式對其預(yù)報偏差大，其精準(zhǔn)預(yù)報一直是氣象預(yù)報中的難點和重點。研究表明，頻率匹配法能夠有效利用歷史降水資料對模式降水預(yù)報進(jìn)行有效訂正(智協(xié)飛和呂游，2019)，此法是一種簡便且實用的降水訂正方法。然而，由于浙江地形復(fù)雜多樣，呈“七山一水二分田”特征，同時降水天氣氣候背景復(fù)雜，浙西為梅汛期暴雨區(qū)，浙東為臺汛期暴雨區(qū)。如果將全省作為整體進(jìn)行頻率匹配，顯然缺乏合理性，而以降水分區(qū)為基礎(chǔ)進(jìn)行頻率匹配降水訂正更為合適。目前常用的降水分區(qū)方式是根據(jù)地形等地理信息進(jìn)行人為主觀分區(qū)(曹萍萍等，2018；智協(xié)飛和呂游，2019)。而為了保證降水分區(qū)的客觀性和合理性，本文聚類分區(qū)方式采用Kmeans聚類算法(王偉等，2011；茍浩鋒等，2020)，其被廣泛應(yīng)用于數(shù)據(jù)分析、數(shù)據(jù)挖掘、模式識別等領(lǐng)域，是在科研和工業(yè)中應(yīng)用最廣泛的聚類算法之一。本文旨在通過聚類分析，對復(fù)雜地形地區(qū)的降水進(jìn)行合理分區(qū)，在此基礎(chǔ)上，對李俊等(2014)基于頻率(或面積)匹配的偏差訂正方法進(jìn)行改進(jìn)，獨創(chuàng)基于聚類分析的偏差訂正方法。利用該方法，對數(shù)值模式降水預(yù)報進(jìn)行分區(qū)訂正，以期提升降水(特別是暴雨以上)預(yù)報能力，為汛期防災(zāi)減災(zāi)提供參考。

1 資料與方法

1.1 資料說明

1.1.1 降水實況資料

降水實況資料為2016─2021 年每年汛期(4月15日─10 月15 日)浙江省2 227 個氣象站(包括國家氣象站和區(qū)域自動氣象站，其站點分布見圖1)逐日(以20∶00為日界，北京時，下同)降水資料，該資料來源于浙江省氣象信息中心，對其中的缺測樣本已剔除。

圖1 浙江省2 227個氣象站(黑色點)空間分布Fig.1 Spatial distribution of 2227 automatic meteorological stations(black dots)in Zhejiang Province

1.1.2 降水預(yù)報資料

降水預(yù)報資料為2017—2021 年每年4—10 月浙江省氣象臺下發(fā)的多模式客觀集成預(yù)報(Objective Consensus Forecasting,OCF)降水資料(空間分辨率0.05°×0.05°)?？紤]到日常預(yù)報業(yè)務(wù)中的實時性與實用性，選取每日08∶00起報的未來12—36 h的降水預(yù)報值作為后一日的降水預(yù)報值(該預(yù)報值與以20∶00為日界的日降水量實況值匹配)。采用最近鄰法根據(jù)降水預(yù)報格點資料得到各個氣象站點的降水預(yù)報資料。

1.2 研究方法

首先，選取2016—2020 年汛期浙江省2 227 個氣象站逐日降水實況數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用Kmeans聚類算法，根據(jù)站點日降水序列間的相似性對所有站點進(jìn)行分區(qū)。然后，對偏差訂正進(jìn)行時空上的改進(jìn)。將改進(jìn)后偏差訂正法與分區(qū)結(jié)合形成分區(qū)訂正方法。最后，以2021年汛期降水預(yù)報數(shù)據(jù)及降水實況數(shù)據(jù)為例，對OCF 降水預(yù)報進(jìn)行分區(qū)訂正(如下文1.2.2所述，分區(qū)計算降水頻率，分區(qū)訂正降水)，對分區(qū)訂正和全區(qū)訂正(即不對站點進(jìn)行分區(qū)，而是全區(qū)統(tǒng)一訂正)的預(yù)報結(jié)果進(jìn)行對比檢驗。

1.2.1 Kmeans聚類算法

Kmeans聚類算法作為一種無監(jiān)督聚類算法，廣泛應(yīng)用于科研與工業(yè)，特別是數(shù)據(jù)分析和數(shù)據(jù)挖掘方面(王偉等，2011；茍浩鋒等，2020)。Kmeans 聚類算法分類原理是將n個樣本劃分為k個簇，各個簇內(nèi)的樣本具有高度相似性而各個簇的樣本間具有較大差異性。相似度的度量可以根據(jù)不同的需求采用不同度量方式。Kmeans 聚類算法優(yōu)點是不需要通過任何先驗知識或標(biāo)簽，僅僅需要數(shù)據(jù)本身就可以對數(shù)據(jù)進(jìn)行合理分類。雖然算法開始要求指定簇數(shù)，但可以通過嘗試不同簇數(shù)，根據(jù)肘部法則和平均輪廓系數(shù)來確定聚類簇數(shù)，提升聚類合理性。

1.2.2 基于頻率匹配的偏差訂正法

采用基于頻率匹配的偏差訂正法，在原有的預(yù)報偏差訂正法(李俊等，2014)基礎(chǔ)上做時間和空間上的改進(jìn)。Kmeans 聚類算法中頻率匹配方面和原預(yù)報偏差訂正法一致，通過預(yù)報降水累積頻率和實況降水累積頻率的匹配來訂正預(yù)報降水量。考慮到數(shù)據(jù)年限較短，為提升降水頻率計算的合理性，根據(jù)Kmeans聚類降水分區(qū)結(jié)果，將原有的點對點或點對全區(qū)頻率匹配改為點對區(qū)域匹配，將原本通過全區(qū)或單點預(yù)報/實況降水?dāng)?shù)據(jù)來計算得到的全區(qū)或單點預(yù)報/實況降水頻率修改為各個區(qū)域所有站點集合計算得到區(qū)域預(yù)報/實況降水頻率(李俊等，2014；曹萍萍等，2018)。為了進(jìn)一步擴充數(shù)據(jù)，將過去20 d滑動平均法計算平均頻率修改為過去、未來n天滑動平均(準(zhǔn)對稱滑動訓(xùn)練期，n根據(jù)訓(xùn)練數(shù)據(jù)試驗選取)，并包含過去幾年同時段數(shù)據(jù)計算平均頻率，以便充分利用歷史數(shù)據(jù)，提高對于極值降水的預(yù)測能力。如圖2 所示，準(zhǔn)對稱滑動訓(xùn)練期采用的數(shù)據(jù)包括當(dāng)年當(dāng)日及之前n天的預(yù)報、觀測資料和過去1年到i年的當(dāng)日及前后n天的預(yù)報、觀測資料(i為歷史預(yù)報和觀測資料年限)。為了提升降水訂正效果，根據(jù)訓(xùn)練數(shù)據(jù)試驗以降水檢驗評分指標(biāo)選定n(n的取值范圍在5～15之間)。

圖2 準(zhǔn)對稱滑動訓(xùn)練期Fig.2 Quasi-symmetric sliding training period

1.2.3 降水檢驗方法

本文采用點對點的方法，對降水量的預(yù)報值與實況值之間的誤差進(jìn)行檢驗(趙濱和張博，2018)。檢驗指標(biāo)包括TS 評分、ETS 評分、命中率POD、BIAS 偏差評分。

TS(技巧評分，Threat Score，記為TS)，表示在預(yù)報區(qū)域內(nèi)滿足某降水閾值的降水預(yù)報技巧。

ETS(公平技巧評分，Equitable Threat Score，記為ETS)，表示在預(yù)報區(qū)域內(nèi)滿足某降水閾值的降水預(yù)報結(jié)果相對于滿足同樣降水閾值的隨機預(yù)報的預(yù)報技巧。

POD(命中率，Probability of Detection，記為POD)，預(yù)測的降水站點數(shù)占全部實際降水站點數(shù)的比重。

BIAS(偏差評分，Bia Score，記為BS)，主要用來衡量模式對某一量級降水的預(yù)報偏差,該評分在數(shù)值上等于預(yù)報區(qū)域內(nèi)滿足某降水閾值的總站點數(shù)與對應(yīng)實況降水總站點數(shù)的比值，其值越接近于1，表明預(yù)報范圍越接近實況。

式(1)─(4)中，TP為預(yù)報出現(xiàn)且實況出現(xiàn)站點數(shù)，即命中數(shù)；FP為預(yù)報出現(xiàn)但實況未出現(xiàn)站點數(shù)，即空報數(shù)；FN為預(yù)報未出現(xiàn)但實況出現(xiàn)站點數(shù)，即漏報數(shù)；TN為預(yù)報未出現(xiàn)且實況未出現(xiàn)站點數(shù)，即真負(fù)數(shù)。

2 氣象站點分區(qū)

將2016—2020年汛期浙江省2 227個氣象站逐日降水量數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以歐氏距離作為相似度度量標(biāo)準(zhǔn)進(jìn)行Kmeans 聚類分區(qū)。為提升聚類合理性，根據(jù)肘部法則和平均輪廓系數(shù)來確定聚類簇數(shù)。綜合肘部法則和平均輪廓系數(shù)(圖略)，7 為Kmeans 聚類分區(qū)合適的分區(qū)數(shù)。本文Kmeans聚類采用的各站訓(xùn)練數(shù)據(jù)中，僅包含逐日降水量數(shù)據(jù)，未加入任何站點空間地理位置信息。圖3 為浙江省氣象站點分區(qū)結(jié)果，呈現(xiàn)明顯的區(qū)域特征，存在南北、東西和海陸差異。分區(qū)結(jié)果與胡波等(2011)根據(jù)1961—2008 年浙江省38 個國家氣象站汛期日降水資料，通過旋轉(zhuǎn)經(jīng)驗正交函數(shù)(Rotated Empirical Orthogonal Function,REOF)方法得到的浙江省梅汛期降水分區(qū)類似，其中浙北北部區(qū)與4區(qū)對應(yīng)，浙東南部區(qū)與1、3、6區(qū)對應(yīng)，浙西南區(qū)與2、5區(qū)對應(yīng)，浙中東區(qū)與7區(qū)對應(yīng)。將以上分區(qū)結(jié)果與毛程燕等(2018)根據(jù)衛(wèi)星資料反演得到的年平均降水空間分布對比，結(jié)果表明2 000 mm 以上降水區(qū)對應(yīng)5區(qū)，1 800～2 000 mm降水區(qū)對應(yīng)2、3區(qū)，1 400 mm以下降水區(qū)對應(yīng)4、7區(qū)。分區(qū)區(qū)域與浙江省地貌地形存在明顯相關(guān)性，用數(shù)字1～7 及7 種不同顏色代表浙江各區(qū)域(圖3)，其中1 區(qū)為溫州東部(甌江流域)，2 區(qū)為衢州南部、金華南部和麗水西北部(仙霞嶺區(qū)域)，3 區(qū)為溫州南部、麗水東南部(洞宮山及南雁蕩山區(qū)域)，4 區(qū)為嘉興、湖州及杭州北部(杭嘉湖平原地區(qū))，5 區(qū)為杭州中南部、衢州北部、金華北部和紹興西部(浙西山區(qū)，包含白際山、千里崗山、龍門山)，6 區(qū)為臺州和寧波、紹興、金華、麗水、溫州與臺州交界小部分區(qū)域(括蒼山及北雁蕩山區(qū)域)，7 區(qū)為寧波、紹興東部和舟山(會稽山、四明山、天臺山以及浙北沿海區(qū)域)。

圖3 基于Kmeans聚類算法的浙江省降水分區(qū)Fig.3 Precipitation division of Zhejiang province based on the K-means clustering algorithm

3 對OCF降水預(yù)報的分區(qū)訂正效果

根據(jù)2021年汛期降水實況分別對OCF預(yù)報、全區(qū)訂正及分區(qū)訂正預(yù)報結(jié)果按不同降水閾值進(jìn)行檢驗，檢驗評分結(jié)果如表1 所示。從小雨以上量級降水(≥0.1 mm，即晴雨)評分指標(biāo)來看，相較于OCF 預(yù)報，全區(qū)訂正和分區(qū)訂正TS均由0.69提升至0.74左右，預(yù)報降水范圍有所縮小，更接近實況(BS更接近于1)，但命中率由0.97 下降至0.93。分析發(fā)現(xiàn)，全區(qū)訂正和分區(qū)訂正預(yù)報均通過合理減少降水預(yù)報數(shù)，以損失一定命中率的代價，有效減少空報率(消空)，明顯提升預(yù)報技巧(包括TS和ETS，下同)，改善預(yù)報降水落區(qū)；其中全區(qū)訂正預(yù)報方法消空效果略好于分區(qū)訂正。從中雨以上量級降水(≥10 mm)評分指標(biāo)來看，相較于OCF預(yù)報，全區(qū)訂正和分區(qū)訂正TS均由0.49 下降至0.48，ETS均由0.48提升至0.49，中雨以上預(yù)報范圍擴大，明顯大于實況范圍，命中率均由0.74 提升至0.80 左右；全區(qū)訂正和分區(qū)訂正預(yù)報相較OCF 無明顯優(yōu)勢。從大雨以上量級降水(≥25 mm)評分指標(biāo)來看，相較于OCF預(yù)報，全區(qū)訂正和分區(qū)訂正預(yù)報技巧均有提升，特別是ETS由0.27提升至0.36，大雨以上范圍明顯擴大(OCF預(yù)報范圍大小更接近實況)，命中率由0.46提升至0.64(全區(qū)訂正和分區(qū)訂正均值)左右；全區(qū)訂正和分區(qū)訂正將漏報率由0.54下降至0.35左右，空報率由0.51提升至0.59左右，以提升較小空報率為代價較明顯提升命中率；全區(qū)訂正和分區(qū)訂正預(yù)報提升效果基本一致。從暴雨以上量級降水(≥50 mm)評分指標(biāo)來看，相較于OCF 預(yù)報，全區(qū)訂正和分區(qū)訂正預(yù)報技巧均有提升，分區(qū)訂正提升更明顯，暴雨以上范圍大小更接近實況，OCF 預(yù)報范圍明顯小于實況，全區(qū)訂正和分區(qū)訂正預(yù)報范圍比實況略偏大)，全區(qū)訂正、分區(qū)訂正預(yù)報命中率從OCF 預(yù)報命中率的0.25 分別提升至0.38、0.41。經(jīng)分析發(fā)現(xiàn)，全區(qū)訂正和分區(qū)訂正預(yù)報均通過合理增加暴雨以上降水預(yù)報數(shù)(擴大預(yù)報范圍)，以增加一定空報率為代價(全區(qū)訂正提升28%，分區(qū)訂正提升24%)，明顯提高命中率(全區(qū)訂正提高52%，分區(qū)訂正提高64%)，提升暴雨以上預(yù)報技巧，改善暴雨以上預(yù)報落區(qū)。綜上，全區(qū)訂正和分區(qū)訂正預(yù)報均對OCF 降水預(yù)報有較明顯提升，對于小雨以上量級降水預(yù)報(晴雨預(yù)報)，通過明顯降低降水空報率，從而提升晴雨預(yù)報能力；對于大雨以上量級降水預(yù)報，通過合理擴大降水預(yù)報范圍，提升預(yù)報能力，特別是對于暴雨以上量級降水分區(qū)訂正方法提升更明顯。

根據(jù)降水分區(qū)，進(jìn)一步針對暴雨以上量級降水的OCF、全區(qū)訂正和分區(qū)訂正預(yù)報結(jié)果進(jìn)行檢驗。檢驗結(jié)果如表2 所示。從中可見，不同區(qū)域暴雨以上降水OCF 預(yù)報評分差異明顯，7 區(qū)最優(yōu)，1 區(qū)最差。全區(qū)訂正和分區(qū)訂正預(yù)報對1、2、3、4、5區(qū)暴雨以上預(yù)報均有明顯提升效果，但6、7區(qū)提升效果不明顯(僅有命中率一項有明顯提升)。從兩種訂正方法評分指標(biāo)對比來看，除5區(qū)分區(qū)訂正預(yù)報評分略差于全區(qū)訂正預(yù)報，其它區(qū)域分區(qū)訂正的大多數(shù)評分優(yōu)于全區(qū)訂正。特別是4 區(qū)，TS全區(qū)訂正提高15%，分區(qū)訂正提高44%；ETS全區(qū)訂正提升13%，分區(qū)訂正提升44%；全區(qū)訂正命中率提升至0.43，分區(qū)訂正命中率提升至0.52。綜合來看，對于暴雨以上量級降水，分區(qū)訂正和全區(qū)訂正除對浙中北沿海地區(qū)(6、7區(qū))訂正效果不佳外，其它地區(qū)效果較好，且分區(qū)訂正明顯優(yōu)于全區(qū)訂正。其中6、7區(qū)訂正效果不佳主要原因是2021年汛期浙中北沿海地區(qū)(即6區(qū))暴雨以上量級降水多為對流性降水，局地性強、突發(fā)性強，訂正效果較差；OCF 預(yù)報對7 區(qū)的預(yù)報效果較好，較難進(jìn)行有效訂正。

表2 OCF降水預(yù)報、全區(qū)訂正以及分區(qū)訂正預(yù)報方法在2021年汛期浙江省暴雨以上量級降水中的檢驗評分Table 2 Test scores of OCF precipitation forecast,overall correction,and regional correction method for the magnitude of rainfall above in Zhejiang province during the flood season of 2021

4 分區(qū)訂正預(yù)報方法在2021 年汛期降水預(yù)報中的應(yīng)用效果

以兩次降水過程為例，對分區(qū)訂正預(yù)報效果進(jìn)行分析、檢驗。第一次過程為2021年第6號臺風(fēng)“煙花”登陸前其外圍影響造成的一次系統(tǒng)性暴雨到大暴雨過程(7 月23 日20∶00—24 日20∶00)。給出此次過程OCF、全區(qū)訂正、分區(qū)訂正降水預(yù)報和實況分布圖4。從中可知，OCF 預(yù)報降水主要集中在浙中北地區(qū)，降水量級為大雨，暴雨預(yù)報區(qū)域主要分布于浙中沿海小部分區(qū)域，范圍小且較分散。經(jīng)全區(qū)訂正后，大雨區(qū)和暴雨區(qū)范圍有所擴大，浙北和浙中沿海預(yù)報了較明顯的暴雨區(qū)。經(jīng)分區(qū)訂正，大雨區(qū)范圍擴大，暴雨區(qū)主要集中在浙北和浙東沿海地區(qū)，范圍明顯擴大，且在浙東沿海(寧波)、浙北(湖州、杭州交界處)預(yù)報有大暴雨區(qū)。與降水實況對比發(fā)現(xiàn)，OCF預(yù)報暴雨區(qū)范圍明顯偏小，落區(qū)與實況偏差大，降水中心強度明顯小于實況；全區(qū)訂正對暴雨落區(qū)和強度有所改善；經(jīng)分區(qū)訂正后，暴雨區(qū)范圍明顯擴大，與實況暴雨區(qū)范圍最為接近，且基本覆蓋了大部分浙北和浙東沿海的實況暴雨區(qū)，同時預(yù)報出了大暴雨區(qū)(其中四明山區(qū)、天目山區(qū)大暴雨落區(qū)與實況基本重合)。綜上，從暴雨以上降水的落區(qū)和強度來看，經(jīng)分區(qū)訂正后降水預(yù)報效果有明顯提升。

圖4 2021年7月23日08∶00起報的OCF(a)、全區(qū)訂正(b)、分區(qū)訂正(c)的浙江省12─36 h降水量與24 h降水量實況(d)Fig.4 Diagram of future 12-36 hour precipitation forecasted by(a)OCF,(b)overall correction,(c)regional correction forecast and(d)observed precipitation in Zhejiang province starting from 08∶00 BT on 23 July 2021

第二次過程為2021年8月12日20∶00—13日20∶00的一次對流性暴雨、局部大暴雨過程。給出此次過程OCF、全區(qū)訂正、分區(qū)訂正預(yù)報和實況降水分布情況圖5。從中可見，OCF 預(yù)報此次過程大雨以上降水位于浙北，暴雨區(qū)集中在杭嘉湖交界處。經(jīng)全區(qū)訂正，大雨范圍擴大至浙中北，暴雨擴大至浙北大部分地區(qū)。經(jīng)分區(qū)訂正，暴雨區(qū)向浙東沿海擴大，浙北出現(xiàn)大暴雨區(qū)。由于此次降水過程為對流性降水，暴雨區(qū)小而分散，整體預(yù)報效果較差。OCF預(yù)報暴雨落區(qū)整體偏北，與實況有較明顯偏差，且存在大暴雨漏報。全區(qū)訂正后預(yù)報的暴雨落區(qū)囊括了杭州北部、杭州紹興嘉興交界處的暴雨區(qū)，但漏報衢州西北部、浙東沿海暴雨區(qū)以及大暴雨區(qū)。相對而言，分區(qū)訂正后降水預(yù)報效果更好，在全區(qū)訂正的基礎(chǔ)上進(jìn)一步預(yù)報出了浙東沿海暴雨區(qū)，且預(yù)報出大暴雨區(qū)(與實況相比落區(qū)偏北)。綜上，對于分散性對流降水，在原始預(yù)報暴雨落區(qū)偏差較大的情況下，分區(qū)訂正方法能夠在一定程度上改進(jìn)暴雨落區(qū)和強度預(yù)報，但出現(xiàn)較大范圍空報。

綜合來看，相較于OCF 預(yù)報，分區(qū)訂正預(yù)報方法對于受臺風(fēng)“煙花”外圍影響造成的系統(tǒng)性暴雨到大暴雨過程有明顯的訂正效果，可以有效提升暴雨以上降水的預(yù)報效果；對于對流性暴雨到大暴雨過程分區(qū)訂正預(yù)報方法能夠在一定程度上改善暴雨以上落區(qū)和強度，但出現(xiàn)較大范圍空報。同時也可以從圖4 中OCF 預(yù)報、分區(qū)訂正與實況降水分布的對比中發(fā)現(xiàn)，雖然分區(qū)訂正預(yù)報暴雨落區(qū)與實況接近，但大暴雨落區(qū)中心(紹興與杭州交界處)漏報。此外，分區(qū)訂正預(yù)報最大降水量為123.4 mm，雖然高于OCF預(yù)報最大值(78.9 mm)，但仍然與實況最大值(256.6 mm)存在較大偏差。圖5中同樣存在大暴雨落區(qū)和極值偏差問題。

5 結(jié)論與討論

首先，利用2016—2020 年每年汛期浙江省2 227個氣象站逐日降水資料作為訓(xùn)練數(shù)據(jù)(不包含任何地理特征信息)，采用Kmeans 聚類算法，以歐氏距離為相似度度量標(biāo)準(zhǔn)，度量各站逐日降水序列相似性，對2 227個站點進(jìn)行分區(qū)。然后，對偏差訂正進(jìn)行時空上的改進(jìn)，將改進(jìn)后偏差訂正法與分區(qū)結(jié)合形成分區(qū)訂正方法。最后，以2021年汛期OCF降水預(yù)報數(shù)據(jù)及浙江省同期降水實況為例，對該訂正方法進(jìn)行檢驗。主要結(jié)論如下：

(1)采用Kmeans 聚類算法，將浙江省分為7 個降水相似區(qū)，分區(qū)結(jié)果具有明顯的區(qū)域特征，與浙江省主要山區(qū)、平原、流域分布密切相關(guān)。

(2)2021 年汛期降水訂正檢驗結(jié)果表明，相較于OCF預(yù)報，全區(qū)訂正和分區(qū)訂正預(yù)報均能明顯提升汛期降水預(yù)報效果。在晴雨預(yù)報中，全區(qū)訂正預(yù)報消空能力略好，預(yù)報結(jié)果略優(yōu)于分區(qū)訂正。針對中雨以上量級預(yù)報，全區(qū)訂正和分區(qū)訂正預(yù)報均無明顯訂正效果。針對大雨以上量級預(yù)報，全區(qū)訂正和分區(qū)訂正預(yù)報結(jié)果有所提升。針對暴雨以上量級預(yù)報，全區(qū)訂正和分區(qū)訂正后預(yù)報效果有較明顯提升，特別是分區(qū)訂正提升幅度更大，暴雨以上降水預(yù)報落區(qū)接近實況，命中率全區(qū)訂正由0.25提升至0.38，提升51%；分區(qū)訂正提升至0.41，提升64%。分區(qū)檢驗表明，針對暴雨及以上量級降水，分區(qū)訂正預(yù)報對于各個分區(qū)訂正效果不一，對浙中北沿海地區(qū)訂正效果不佳，其它地區(qū)分區(qū)訂正效果明顯提升。主要原因是浙中北沿海地區(qū)(即6區(qū))暴雨以對流性降水為主，局地性強、突發(fā)性強，訂正效果較差；OCF預(yù)報對7區(qū)的預(yù)報效果較好，較難進(jìn)行有效訂正。

(3)選取2021年臺風(fēng)“煙花”登陸前造成的系統(tǒng)性暴雨、局部大暴雨過程和一次對流性暴雨、局部大暴雨過程對分區(qū)訂正預(yù)報方法進(jìn)行檢驗。對于系統(tǒng)性暴雨、局部大暴雨過程，分區(qū)訂正后暴雨落區(qū)更接近實況，且預(yù)報出大暴雨區(qū)(其中四明山區(qū)、天目山區(qū)大暴雨落區(qū)與實況基本重合)。針對對流性暴雨、局部大暴雨過程，暴雨以上落區(qū)和強度預(yù)報效果有所改善，但出現(xiàn)較大范圍空報。

值得注意的是，不論是系統(tǒng)性降水過程還是對流性降水過程，雖然訂正后暴雨預(yù)報范圍接近實況，但對于大暴雨中心位置和強度的預(yù)報仍存在明顯偏差。其主要原因在于：偏差訂正法是通過對原有的預(yù)測值進(jìn)行放大和縮小來調(diào)整降水量，它能有效訂正降水量的大小，通過訂正降水量可在一定程度上對降水落區(qū)做出訂正，但很難直接對整體降水落區(qū)進(jìn)行修正；同時它訂正的基礎(chǔ)來源于歷史觀測和預(yù)報數(shù)據(jù)的內(nèi)插，很難預(yù)報極端或大量級降水(特別是超歷史極值的降水)。這是分區(qū)降水訂正方法的缺陷，也是需要繼續(xù)提升的方向。分區(qū)訂正預(yù)報方法是由偏差訂正方法改進(jìn)而來，經(jīng)過2021 年汛期檢驗，結(jié)果表明該方法能依據(jù)各個降水相似區(qū)的降水特征對汛期降水預(yù)報進(jìn)行有效訂正(特別是暴雨以上量級降水預(yù)報)。但它仍存在偏差訂正法固有的難以改進(jìn)強降水落區(qū)偏差、極端降水預(yù)報訂正能力欠缺等問題?？梢钥紤]采用機器學(xué)習(xí)方法如隨機森林、梯度提升樹模型等根據(jù)“配料法”來建立降水分類模型或總結(jié)分析不同天氣形勢下預(yù)報大量級降水偏差特征，根據(jù)該特征對大量級降水落區(qū)進(jìn)行修正。極端降水預(yù)報訂正還可以結(jié)合集合預(yù)報(李俊等，2020)來做進(jìn)一步探索。