BCC_S2S預報長江上中游流域夏季降水精度評估

李 恒，朱 堅,2*

(1.河海大學 水文水資源學院，江蘇 南京 210098；2.中國氣象局?河海大學水文氣象研究聯合實驗室，江蘇 南京 210098)

季節–次季節預報（sub-seasonal to seasonal，S2S）介于季節預測和天氣預報之間，相較于季節預測，外部強迫因子不足以影響其變率，相較于天氣預報尺度，初始值的記憶性已經消散，是目前氣象預報業務的難點[1]。由于相關的研究較少，也稱為“預測沙漠”[2–3]。次季節–季節時間尺度的預報是連接季節預測與天氣預報的關鍵接口，也是政府部門應急減災從被動應災到主動減災的關鍵預測時段[4]。為填補這一“預測沙漠”，世界氣候研究計劃（World Climate Research Program，WCRP）和世界天氣研究計劃（World Weather Research Programme，WWRP）聯合制定了S2S計劃，目的是完善14～60 d預測時間尺度的關鍵接口，填補季節預測和天氣預報之間的縫隙。

近年來，研究人員利用各國發布的S2S模式歷史回報產品開展了包括熱浪[5]、降水[6]、季風[7–9]、熱帶大氣季節內振蕩（madden-julian oscillation，MJO）及遙相關特征[10–12]、土壤濕度[13]、極端事件[1]、臺風[14]等方面的預測技巧分析工作。中國國家氣候中心（Beijing Climate Center，BCC）參加S2S預測研究計劃模式版本為 BCC_CSM 1.1 m[15]，并基于此模式研發了第2代短期氣候模式系統BCC_CSM 2.0[16–18]。在本文中，將BCC_CSM 2.0模式中與S2S的相關的預測系統稱為BCC_S2S模式預測系統，簡稱BCC_S2S模式。吳統文[19]和吳捷[20]等評估了BCC_CSM 2.0模式的預報系統，結果表明：該模式在全球范圍內，預報環流、氣溫和降水的性能較前一代有所提升，但在預報中國東部地區的夏季降水時預測技巧不高。郭渠等[21]對BCC_S2S模式在西南地區的預測效果進行評估，結果表明：在夏季，隨著預見期的增加，BCC_S2S模式的預報性能不斷下降；在不同區域、不同年份，模式預報性能亦有差異。

中國長江上中游地區地勢落差大，水能資源占全國一半以上，針對該區域的模式降水評估對水能利用具有重要的意義。評估BCC_S2S模式的預測性能，可以更有效地利用模式預報信息[22–23]，從而充分利用S2S預測降水時所延長的預報時效，提升政府部門防備洪澇災害的應急管理水平[24]。

截至目前，對BCC_S2S模式的預測性能檢驗評估和應用，已開展部分工作[25]，主要聚焦于全國的月或季節降水總量的研究。然而，針對逐日降水及更強的極端降水事件的預報評估的研究較少。因此，擬對BCC_S2S模式提前0～30 d預報長江上中游流域夏季降水的預報精度進行評估，并從單站極端降水事件和區域極端降水事件兩方面，綜合評價模式對極端降水的預報表現，為提升模式預報精度，提高極端降水的預測技巧提供參考。

1 資料和方法

1.1 研究區域

選擇長江上中游流域（upper and middle researches of the Yangtze River，UMRYR）為研究區域（圖1），主要位于中國中西部。長江上中游流域橫跨中國陸地地勢的3級階梯，從西往東地勢下降，落差較大，包括青藏高原、橫斷山脈、云貴高原等地形單元[26]。長江上中游夏季降水類型復雜交錯，從環流背景來看，受南亞高壓、西太副高、中高緯度環流、熱帶季風輸送的暖濕氣流、海溫等外部強迫因子影響[27]；從大范圍或局地的天氣系統來看，鋒面、西南渦、局地強對流、地形抬升對流等，均能引發強降水甚至暴雨[27–28]，繼而引發洪澇、泥石流、滑坡等自然災害。

1.2 研究資料

觀測降水數據均下載自國家氣象科學數據中心（http://www.nmic.cn/），根據資料連續性、統一性和時間一致性等標準，選取長江上中游范圍內140個觀測站點的逐日降水資料。以自然流域為劃分依據[26]，把長江上中游劃分6個子區域。雨量站點分布及子區域劃分如圖1所示，除金沙江上游無測站外，有站點區域雨量站空間分布均勻，雨量站密度在0.78×104～1.61×104km2/站之間，雨量站海拔范圍在191.31 m～2 452.36 m。

圖1 長江上中游流域雨量站點空間分布Fig.1 Spatial distribution of meteorological stations in UMRYR

本文評估的預報降水數據來自BCC_S2S模式，該模式由大氣分量模式BCC_AGCM2.2、陸面分量模式BCC_AVIM1.0、海洋分量模式MOM5、海冰分量模式通過耦合器CPL5. 0直接動態耦合而成。進行氣候預測時，選用美國國家環境預測中心（National Center for Environmental Prediction，NCEP）每日4次的高空再分析資料的風場、溫度場和地面氣壓場作為大氣初值，以NCEP全球海洋同化系統的海洋再分析資料作為海洋初值，構建初始驅動場。采用滯后平均預報（lagged average forecast，LAF）和奇異向量擾動（singular vector，SV）進行集合預報，共24個樣本集合[25]，格點分辨率為1.5°×1.5°。關于BCC_S2S模式的更多技術細節參見文獻[18]。

該模式回報試驗數據為每周三、周六滾動預報未來60 d的環流要素和常規氣象要素[15]，本文依據BCC_S2S在24°N～36°N，96°E～120°E范圍內的2005—2020 年共 16 a的日降水格點資料，采用雙線性插值法將BCC_S2S格點降水數據降尺度到站點。

1.3 研究方法和定義

選擇相關系數（correlation coefficient，CC）、均方根誤差（root mean squared error，RMSE）和平均誤差（mean error，ME）3個指標，定量評估BCC_S2S提前0～30 d預報日降水量的精度。評估指標的計算公式分別為：

式中，n為樣本總數；Si為BCC_S2S對樣本i的預報降水；Oi為樣本i的站點觀測降水；為BCC_S2S預報降水平均值；為站點觀測降水平均值。

本文使用百分位法[29]定義極端降水事件：將每年的日降水量按照升序排列，取95百分位數的降水量的多年平均值作為閾值。當某一單站某日降水量大于等于該值時，則認為發生了一次極端降水事件。在評估模式預報技巧時，對實測降水和模式預報降水均采用相同的閾值。

為評價BCC_S2S模式對長江上中游極端降水的預報性能，對于單站極端降水事件，采用Heidke 技巧評分（Heidke’s skill score，HSS）進行評估，該指標同時考慮了命中率和誤報率，能夠更好地反映模式定性預測極端降水事件的能力，該評分越高，說明模式對極端降水的預報技巧越好[30–31]。該評分的計算公式如下：

式中，N11為觀測降水與預報降水均大于閾值的天數或站數記，N10為觀測降水小于閾值且預報降水大于閾值的天數或站數記，N01為觀測降水大于閾值且預報降水小于閾值的天數或站數記，N00為觀測降水與預報降水均小于閾值的天數或站數記。

對于區域性極端降水事件的定義為：當日降水量大于等于極端降水閾值的站點數占該區域總站點數的比率超過10%時，即認為發生了一次區域性極端降水事件[32]。

聚類分析作為一種統計分類方法，已被應用于極端降水的研究[33]。本文結合區域極端降水評估的需求，采用層次聚類[34]的方法：1）先依照規定的范數計算出類與類之間的距離，把不同樣本站點進行分組；2）依據聚類水平矩陣，把指標空間中最接近的兩組逐步合并為一個新類。使用相關系數作為測度鏈接層次聚類：

式中：rij為相關系數測度，i和j表示不同的時間點；k表示空間點；m表示空間點的總數；xik和xjk為站點降水觀測值；和表示所有站點在i和j時刻的空間平均值。利用平均輪廓系數圖法進行驗證，聚類方案是恰當的。將滿足定義的2005—2020年夏季的157次極端降水事件分為4類，并依據每種類型的極端降水，對不同的預見期范圍（0～10 d、11～20 d、21～30 d）內BCC_S2S預報的降水場進行合成分析。

2 結果與分析

2.1 日降水預報精度評估

按照以下步驟評估模式預報精度：以評估模式各季節的預報性能為例，先用雙線性插值法，將模式預報的降水數據插值到各站點，再按照以下步驟操作：1）依照被預報日劃分為4個季節，找出各年份中所有包含在該季節內的被預報日；2）計算該季節內被預報日的模式預報降水量和觀測站點降水量的CC、RMSE和ME；3）若做區域的預報精度評估，把各站的統計結果取算術平均。

2.1.1 全流域各季節日降水預報精度

圖2為BCC_S2S時長江上中游流域各季節日降水量預報精度（灰色虛線代表相關系數通過90%信度檢驗線）。 如圖2（a）所示：各季節模式預報降水與觀測降水的相關系數在預報當日最高，隨著預見期的增加而降低；至第10 d后，進入低相關系數階段。模式預報的相關系數在各季節間相差不大，夏季的相關系數最低。據圖2（b）可知：各季節均方根誤差隨預見期的增加而稍有增加，季節間差異較大；夏季均方根誤差最大，達到15 mm/d左右。圖2（c）給出了平均誤差，模式預報夏秋季節降水整體偏多，而冬季偏少。

圖2 BCC_S2S 對長江上中游流域各季節日降水量預報精度Fig.2 BCC_S2S forecasting accuracy of daily precipitation in the UMRYR in four seasons

2.1.2 子區域夏季日降水預報精度

由于夏季是長江上中游的主要降水季節，本文后續針對夏季降水進行細致分析。按照自然流域邊界劃分子區域，并分別計算相關系數、均方根誤差和平均誤差，如圖3所示（灰色虛線代表相關系數通過90%信度檢驗線）。由圖3可知，各子區域的統計值呈現趨勢與全流域平均情況一致。相關系數在漢江及江漢平原最高，在金沙江流域最低（圖3（a））。均方根誤差空間分布特征明顯，隨預見期增加稍有增加；在金沙江流域最小，約10 mm/d；在其他區域較大，基本位于12～17 mm/d間（圖3（b））。平均誤差空間分布特征明顯，金沙江流域為負偏差，說明模式對該地區降水預報值整體偏小，在其他流域則整體偏大（圖3（c））。

圖3 BCC_S2S 對長江上中游流域各子區域夏季日降水量預報精度Fig.3 BCC_S2S forecast accuracy of summer daily precipitation for each sub-region in UMRYR

2.1.3 子區域夏季各月份日降水預報精度

為討論本節中長江上中游各子流域夏季各月的日降水預報精度及第2.2節中的極端降水預報精度，圖4給出了各子區域6—8月的月均降水量和月平均極端降水事件頻數的區域平均值柱狀圖。由圖4可知：長江上中游偏西偏北的3個子區域（金沙江流域、嘉岷流域、漢江及江漢平原）7月降水最多且易發生極端降水；偏東偏南的3個子區域（上游干流及烏江、洞庭湖流域、鄱陽湖流域）6月降水偏多且易發生極端降水。

圖4 各子區域地面觀測站點夏季各月月平均降水量、極端降水發生次數的區域平均值Fig.4 Regional mean of monthly mean precipitation and occurrence frequency of precipitation extremes in each sub-region in summer

同前面評估季節日降水預報精度一樣，計算了月平均降水預報的相關系數、均方根誤差、平均誤差3個指標。對于相關系數，變化趨勢與圖3（a）基本一致：在預報當日最高，隨著預見期的增加而降低；至第10 d后，進入低相關系數階段。由于各子區域各月的相關系數的中值、離散程度差別不大，因此箱線圖略。

圖5為日降水量預報的均方根誤差的統計結果。在夏季各月份中，6月的中位值較小，且離散程度相對較小，表明6月預報誤差較小且預報性能相對穩定。對比各子區域，可以看到嘉陵江、漢江及江漢平原流域預報性能較好。

圖6為日降水量預報的平均誤差。大部分情況下，平均誤差在長江上中游的中東部子區域呈正偏差，西部子區域呈負偏差。整體上，6月各區域的平均誤差更接近0且離散程度較??；對比各子區域，可以看到嘉陵江流域誤差更接近0且離散程度較小。

對比圖3的統計結果，模式平均誤差在6月洞庭湖流域（圖6（m））的平均偏差呈負偏差，如圖4（a）所示，在6—8月中，該區域在6月份月降水最高，極端降水頻發，此時模式更易低估日降水量值。由于受到較多的大異常值的影響，模式預報的均方根誤差在鄱陽湖流域出現了中值低（圖5（p）～（r））、均值高（圖3（b））的現象。

圖6 BCC_S2S 對各自區域6—8月日降水量預報平均誤差箱線圖Fig.6 Boxplots of ME of daily precipitation forecast from June to August of BCC_S2S model in each sub-region

2.2 夏季極端降水預報評估

2.2.1 夏季單站極端降水預報技巧

利用百分位法定義單站極端降水，計算各站點在夏季的HSS評分，把各站的統計結果按子區域取算術平均，結果如圖7所示?？梢钥闯觯焊髯訁^域極端降水的預報技巧在預見期為0時最高，隨預見期增加而降低；在預見期到達5～10 d后，進入低預報技巧階段，較好的預見期偏短；在漢江及江漢平原最高（HSS評分在0.15至0.64之間），在金沙江流域最低。

圖7 BCC_S2S 對長江上中游流域夏季單站極端降水預報技巧的各子區域平均HSS評分Fig.7 BCC_S2S forecasting skills (HSS index) of summer precipitation extremes in each sub-region of the UMRYR

2.2.2 夏季各月份單站極端降水預報技巧

參照第2.1.3節的模式數據與觀測數據分組方式，分析夏季各月份極端降水預報技巧，如圖8所示。在各月份，模式對極端降水事件的預報技巧在6月最高，8月最低；隨著預見期的增加，6月份進入低預報技巧的時間較其他月份更久，較好的預見期更長。各子區域模式對極端降水預報技巧取到最高、最低值所在的月份并不相同，偏東偏南的3個子區域（上游干流及烏江、洞庭湖流域、鄱陽湖流域）在6月，偏西偏北的3個子區域（金沙江流域、嘉岷流域、漢江及江漢平原）在7月預報技巧為高值，降水最多且易發生極端降水（圖4（a）和（b）），說明模式預報極端降水技巧在降水較大、極端降水頻發的月份更好。

圖8 BCC_S2S模式對長江上中游流域各子區域不同月份極端降水的HSS評分隨超前天數的變化Fig.8 Change of HSS index of BCC_S2S model for precipitation extremes of each month in each sub-region of the UMRYR with lead days

2.3 夏季區域性極端降水事件的預報評估

參照區域極端降水事件的定義，根據聚類分析方法，以相關系數作為相似系數的測度，把2005—2020年發生的157次極端降水事件按照多雨帶的位置劃分為4類。將各類降水極端事件的所有降水場分別取算術平均值，得到合成場。合成場的計算結果如圖9所示。第Ⅰ類的多雨帶位于江西中部和湖南中部，第Ⅱ類的多雨帶位于江西北部、湖南北部、湖北東部，第Ⅲ類的多雨帶位于重慶、貴州北部、湖北西部，第Ⅳ類的多雨帶位于四川中東部。

圖9 4類長江上中游流域區域極端降水事件的合成場Fig.9 Composite fields of four types of precipitation extremes in UMRYR

為檢驗模式對區域極端降水的預報效果，依照各類型的區域極端降水事件發生的日期，分別計算BCC_S2S在預見期為0～10 d、11～20 d、21～30 d預報的當日降水場，并取算術平均值作為合成場。如圖10所示：模式預報0～10 d的多雨帶位置與原降水合成場基本一致，預報日雨量值偏小。模式預報合成場在預見期為11～20 d、21～30 d時，多雨帶的范圍及降水量均與原降水合成場相差較大，預報效果不理想。

圖10 BCC_S2S預見期為0～10 d、11～20 d、21～30 d預報結果的4類區域極端降水事件的合成場Fig.10 Composite fields of four types of regional precipitation extremes predicted by BCC_S2S 0～10 d in advance, 11～20 d in advance, and 21～30 d in advance

3 結 論

本文基于相關系數、均方根誤差和平均誤差3個指標，以及HSS評分，評估了中國國家氣候中心季節–次季節預報模式產品（BCC_S2S）在長江上中游流域對日降水和夏季極端降水事件的預報性能。

針對長江上中游全流域、全季節的日降水預報，BCC_S2S模式降水和觀測降水相關系數在各季節之間差異不大，隨預見期的增加而下降；在預見期為5～10 d以后，進入低預報技巧階段。均方根誤差季節差異較大，夏季最高。平均誤差統計結果表明模式預報夏秋季節降水整體偏多，而冬季偏少。

針對長江上中游流域的6個子區域，模式在夏季預報的相關系數與全流域平均情況一致，隨預見期的增加而下降，在預見期為5～10 d以后進入低預報技巧階段。均方根誤差在金沙江流域最小，在其他區域較大。平均誤差在金沙江流域為負偏差，其他流域為正偏差。在夏季各月，相關系數在各月和不同區域差異不大，均方根誤差在6月相對較低且離散程度更小，平均誤差的離散程度亦是6月相對較小。對比模式在各子區域各月的預報表現，模式在嘉岷流域預報日降水的精度相對較好。

對于各子區域夏季單站極端降水事件，模式預報技巧隨預見期增加而降低，在預見期到達5～10 d后，進入低預報技巧階段。對比不同月份的預報技巧發現，模式對極端降水預報技巧在月降水量偏多、極端降水事件頻發的月份較高。

對區域性極端降水事件，將全流域157場極端降水劃分為4種分布類型，模式在預見期為0～10 d時，均能較好地再現4類極端降水的多雨帶范圍，但預報降水量偏低；在預見期10 d之后，預報效果較差。

綜上所述，模式對長江上中游地區的日降水和極端降水事件的預報性能隨預見期的增加而下降?？臻g上，模式整體對長江上中游的偏西偏北地區預報較好；而在事件上，模式對6月降水的預報精度相對較高，這可能與6月主要受大范圍水汽輸送或鋒面這樣較容易預報的天氣系統[27–28]有關。以后還需要對模式再現天氣氣候系統、物理聯系等方面進行進一步研究。