覃衛(wèi)堅(jiān)，廖雪萍，陳思蓉

（1.廣西壯族自治區(qū)氣候中心，廣西 南寧 530022；2.廣西壯族自治區(qū)氣象減災(zāi)研究所，廣西 南寧 530022）

引言

天氣的可預(yù)報(bào)性一般認(rèn)為在2周以內(nèi)，超過2周天氣預(yù)報(bào)由于計(jì)算誤差劇增使預(yù)報(bào)準(zhǔn)確率顯著下降。延伸期預(yù)報(bào)指未來10～30d的天氣預(yù)報(bào)，介于天氣和月季氣候尺度之間，是氣象預(yù)報(bào)的薄弱區(qū)。隨著經(jīng)濟(jì)社會(huì)的發(fā)展，人們對氣象預(yù)報(bào)的要求越來越高，迫切地需要提高延伸期天氣預(yù)報(bào)準(zhǔn)確率，以滿足人們對氣象服務(wù)日益增長的迫切需求，這對防災(zāi)減災(zāi)工作具有重要的意義。在氣象服務(wù)業(yè)務(wù)中，延伸期暴雨過程等災(zāi)害性天氣的預(yù)報(bào)方法不多，預(yù)報(bào)準(zhǔn)確率不高，是氣象工作者急需解決的問題。當(dāng)前延伸期過程預(yù)報(bào)多基于模式的數(shù)值模擬，在可預(yù)報(bào)信息方面，很多把大氣低頻振蕩作為預(yù)報(bào)信號(hào)［1-6］。氣象預(yù)報(bào)水平的提高離不開數(shù)值模式的發(fā)展，國家氣候中心第二代月動(dòng)力延伸預(yù)測模式業(yè)務(wù)系統(tǒng)（DERF2.0）是基于BCC_AGCM2.2模式發(fā)展建立的，可提供未來52d逐日滾動(dòng)預(yù)報(bào)，從模式的直接的降水預(yù)報(bào)來看，其延伸期逐日降水預(yù)報(bào)準(zhǔn)確率還不高，尤其暴雨過程的預(yù)報(bào)能力低，但模式的環(huán)流預(yù)測還是具有一定的參考價(jià)值。因此，本研究擬從環(huán)流預(yù)報(bào)場中提取出可靠的信號(hào)，既考慮這些信號(hào)跟廣西暴雨有很高的相關(guān)性，又參考模式對這些信號(hào)預(yù)報(bào)技巧，最后利用逐步回歸和粒子群-神經(jīng)網(wǎng)絡(luò)方法建模進(jìn)行延伸期逐日暴雨綜合強(qiáng)度預(yù)報(bào)，為延伸期暴雨過程預(yù)報(bào)提供一種新方法。

1 資料與方法

1.1 資料

使用1961～2016年廣西90個(gè)氣象觀測站20:00～20:00的日降水資料和ECMWF ERA-Interim逐日再分析資料。模式資料使用國家氣候中心月動(dòng)力延伸集合預(yù)測二代產(chǎn)品DERF2.0每日滾動(dòng)輸出的未來1～52d 1?！?。分辨率5d滑動(dòng)集合平均的高度場、風(fēng)場預(yù)測數(shù)據(jù)資料。

1.2 粒子群-神經(jīng)網(wǎng)絡(luò)方法

粒子群算法是1995年Kennedy等［7］最早提出的一種基于群體智能方法的計(jì)算技術(shù)，具有全局搜索、通過個(gè)體之間的互動(dòng)協(xié)作來搜尋全局最優(yōu)解的特點(diǎn)，對神經(jīng)網(wǎng)絡(luò)的連接權(quán)和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化，解決了以往神經(jīng)網(wǎng)絡(luò)計(jì)算中的問題［8-11］。

1.3 暴雨過程的綜合強(qiáng)度指數(shù)

依據(jù)有關(guān)廣西暴雨氣候特征研究［12-13］，暴雨過程的綜合強(qiáng)度指數(shù)計(jì)算公式：

Q=Pre·Sn0.5（1）

式中：Q為暴雨過程的綜合強(qiáng)度指數(shù)；Sn為廣西90個(gè)氣象觀測站的日雨量≥50mm的總站數(shù)。暴雨雨強(qiáng)指數(shù)（Pre）是指在暴雨過程中廣西90個(gè)氣象觀測站暴雨量級(jí)以上的平均雨量，其計(jì)算公式：

式中：day為暴雨過程持續(xù)天數(shù)；St為暴雨過程的第t天日降水量≥50mm的站數(shù)；Rt,i為暴雨過程中第t天的第i站日降水量≥50mm的日降水量。

2 暴雨過程指標(biāo)信號(hào)的選取

在預(yù)報(bào)建模之前，利用以下方法把降水過程分為一般降水過程和暴雨過程兩類，如果是一般過程，那么當(dāng)日的暴雨綜合強(qiáng)度為零。從歷年降水資料中篩選出95個(gè)持續(xù)性區(qū)域暴雨過程，首先根據(jù)公式（1）計(jì)算每日的暴雨綜合強(qiáng)度。對暴雨過程綜合強(qiáng)度和前期模式延伸期環(huán)流預(yù)報(bào)場求相關(guān)，結(jié)果發(fā)現(xiàn)暴雨綜合強(qiáng)度與赤道東太平洋南部區(qū)域200hPa緯向風(fēng)速相關(guān)顯著，相關(guān)顯著區(qū)域同時(shí)為模式預(yù)報(bào)技巧通過顯著性檢驗(yàn)的區(qū)域，其中位于25°S附近區(qū)域A為正相關(guān)，而位于靠近赤道的區(qū)域B為負(fù)相關(guān)。前期研究指出，當(dāng)預(yù)報(bào)量與模式預(yù)報(bào)的相關(guān)場中存在兩個(gè)相鄰的、符號(hào)相反、相關(guān)比較高的區(qū)域時(shí)，將這兩個(gè)區(qū)域平均值相減，得到組合預(yù)報(bào)因子，較單個(gè)因子相關(guān)更加顯著。本研究定義當(dāng)模式預(yù)報(bào)出現(xiàn)區(qū)域A和區(qū)域B200hPa緯向風(fēng)速差達(dá)到42m/s時(shí)，判斷當(dāng)日廣西出現(xiàn)暴雨過程，反之為一般過程。

利用以上暴雨過程指標(biāo)對2018年6月8日起報(bào)未來10～30d降水預(yù)報(bào)進(jìn)行分類，結(jié)果漏報(bào)了6月21、22、26日共3d暴雨過程，其中26日只有1站暴雨，空報(bào)了6月19、27、28日和7月5日共4d，其余13d一般降水和暴雨過程分類預(yù)報(bào)均正確（表2）。

圖1 廣西暴雨綜合強(qiáng)度與DERF2.0延伸期200hPa緯向風(fēng)速預(yù)報(bào)值的相關(guān)（陰影區(qū)域?yàn)橄嚓P(guān)通過0.05水平的顯著性檢驗(yàn)，樣本數(shù)=131）和模式預(yù)報(bào)效果（曲線，畫線部分通過0.05水平的顯著性檢驗(yàn)）

3 預(yù)報(bào)建模及試驗(yàn)對比分析

3.1 查找氣候影響因子

歷年降水資料中篩選出95個(gè)持續(xù)性區(qū)域暴雨過程，針對5～7月暴雨過程得到131d暴雨日，計(jì)算每日暴雨綜合強(qiáng)度，統(tǒng)計(jì)暴雨綜合強(qiáng)度與前期DERF2.0延伸期各層高度及風(fēng)場預(yù)報(bào)的相關(guān)系數(shù)，查找高相關(guān)區(qū)域，并結(jié)合模式預(yù)測技巧，篩選得到關(guān)鍵因子共11個(gè)（相關(guān)通過了0.05水平的顯著性檢驗(yàn)），作為預(yù)報(bào)因子。相關(guān)情況如表1所示。

表1 廣西暴雨綜合強(qiáng)度與各預(yù)報(bào)因子的相關(guān)系數(shù)（n=131）

3.2 逐步回歸預(yù)測

使用廣西暴雨綜合強(qiáng)度指數(shù)與模式高度場、風(fēng)場預(yù)報(bào)資料相關(guān)顯著的11個(gè)關(guān)鍵因子，利用逐步回歸方法建立預(yù)測方程，建模擬合取131個(gè)預(yù)測樣本，采用不同的F值逐步回歸方法從前面因子群里進(jìn)行關(guān)鍵因子再提取，以F=2、F=3、F=4三種不同F(xiàn)值建立逐步回歸預(yù)報(bào)方程：

利用以上三個(gè)方程對2018年6月8日起報(bào)延伸期20d進(jìn)行獨(dú)立樣本預(yù)測，把模式環(huán)流預(yù)報(bào)值代入以上預(yù)報(bào)方程即可得到暴雨綜合指數(shù)的預(yù)報(bào)值。從預(yù)測結(jié)果和實(shí)況對比來看，各方程預(yù)報(bào)平均值較實(shí)況值偏大，其中（4）方程絕對誤差最小，預(yù)報(bào)值較實(shí)況值偏大98.12，其次為（5）方程，（3）方程預(yù)報(bào)誤差最大，達(dá)到了118.28（見表2）。

表2 逐步回歸方程的預(yù)測檢驗(yàn)結(jié)果

3.3 粒子群-神經(jīng)網(wǎng)絡(luò)建模預(yù)報(bào)

采用不同的F值逐步回歸方法從11個(gè)關(guān)鍵因子群里再進(jìn)行因子提取，利用計(jì)算得到的關(guān)鍵因子建立神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型，三個(gè)不同F(xiàn)值得到不同因子數(shù)，并利用三個(gè)不同的因子數(shù)來做的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)，得到三種不同的預(yù)報(bào)結(jié)果。預(yù)報(bào)模型的建模樣本個(gè)數(shù)為131，獨(dú)立預(yù)報(bào)樣本個(gè)數(shù)為20個(gè)，設(shè)定粒子位置的上限為2（下限為-2），隱節(jié)點(diǎn)為輸入節(jié)點(diǎn)倍數(shù)上限為1.9（下限為0.3），學(xué)習(xí)因子為0.5，訓(xùn)練次數(shù)為200，總體誤差為0.01。預(yù)報(bào)結(jié)果來看（見表3），粒子群-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的絕對誤差均小于逐步回歸預(yù)報(bào)，其中利用在F=4下逐步回歸方法得到的因子粒子群-神經(jīng)網(wǎng)絡(luò)建模預(yù)報(bào)誤差最小，僅為64，相對誤差較逐步回歸方法預(yù)報(bào)效果最好的方程減小了32.5%。

表3 粒子群-神經(jīng)網(wǎng)絡(luò)建模預(yù)報(bào)檢驗(yàn)結(jié)果

4 結(jié)論與討論

通過分析得到以下結(jié)論：

（1）利用DERF2.0延伸期環(huán)流預(yù)報(bào)數(shù)據(jù)資料，使用暴雨過程信號(hào)指標(biāo)就一般降水和暴雨過程進(jìn)行分類，結(jié)果日降水分類預(yù)報(bào)準(zhǔn)確率為65%。

（2）逐步回歸方法在F=3條件下對廣西暴雨綜合強(qiáng)度預(yù)報(bào)誤差最小。粒子群-神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)誤差均小于逐步回歸方法，相對誤差較逐步回歸方法預(yù)報(bào)效果最好的方程減小了32.5%。

本研究利用DERF2.0環(huán)流預(yù)報(bào)數(shù)據(jù)和暴雨過程信號(hào)指標(biāo)來做延伸期暴雨過程預(yù)報(bào)，具有一定的預(yù)報(bào)效果，但暴雨過程信號(hào)指標(biāo)還有待進(jìn)一步的應(yīng)用來檢驗(yàn)和改進(jìn)。