基于非齐次回归的概率定量降水预报研究

Probabilistic quantitative precipitation forecasts (PQPFs) based on direct ensemble model output suffer from bias in representing forecast uncertainty and usually show poor forecast performance especially for small-scale extreme rainfall events over complex terrains. Focusing on the above problems, this study uses the ECMWF reforecast data and the long-term historical daily precipitation gauge observations in China to investigate the uncertainty of precipitation forecast based on nonhomogeneous regression (NR) theory. The systematic bias and probabilistic forecast error of the ECMWF ensemble forecasts are calibrated, overcoming the problem of the poor performance of ensemble forecasts over complex terrains. Firstly, the precipitation amount in east China is transformed to the daily standardized precipitation anomalies to construct the spatially uniform NR model. Then, the calibrated standardized anomalies are transformed back to precipitation amount with small-scale characteristics using the long-term precipitation climatology. In addition, the forecast probability density functions on different sites are discretized and ensemble members are reconstructed to maintain spatial correlation of ensemble precipitation forecasts of different sites. Finally, the performance of the ensemble precipitation forecast products from the NR model are comprehensively verified. These investigations will further develop the NR theoretical model, extend its potential application in east China and provide scientific guidance to the prediction improvements of PQPFs in China.

基于集合预报直接输出的概率定量降水预报在不确定性的表达方面存在偏差，尤其对复杂地形背景下小尺度强降水往往预报效果不佳。针对上述问题，本研究利用ECMWF reforecast降水集合预报历史回算数据与中国多年历史日降水量观测资料，基于非齐次回归理论，研究降水预报的不确定性，订正ECMWF集合预报的系统偏差和概率预报误差，克服复杂地形背景下集合预报表现不佳的难点。首先，对中国东部地区降水进行标准化气候异常转换，建立空间统一的非齐次回归理论模型，再利用降水长期气候背景场还原降水的小尺度特征；其次，对不同地点预报的概率密度函数进行离散化和集合成员重建，以保持各地降水集合预报的空间相关性；最后，综合评估非齐次回归理论模型的降水集合预报产品性能。这些研究拟将进一步发展非齐次回归理论模型，拓展其在中国东部地区降水集合预报中的潜在应用价值，为提升我国概率定量降水预报水平提供科学参考。

提升定量降水预报质量对于防灾减灾、工农业生产和公众生活等方面具有重要意义。数值模式直接输出的定量降水预报存在一定的误差，而国内大部分研究所使用的偏差订正方法很少考虑定量降水预报的不确定性。本研究基于左删失的广义极值（GEV）分布函数构建了六参数和双参数的非齐次回归模式（NR），并研发了自适应滑动训练期取样方法，将其运用于淮河上游流域67个基本站2020年全年的ECMWF降水集合预报中。研究了不同滑动训练期、频率匹配预处理、NR模型参数数量等因素对2020年淮河上游流域ECMWF降水集合预报的订正效果的影响，建立了适用于淮河上游流域的双参数自适应滑动训练模型，并对生成的确定性预报和概率预报性能进行了全面的检验评估，为提升淮河流域降水集合预报的运用水平提供了新思路。本研究还系统回顾了大量新颖的集合预报统计学后处理方法，包括单变量集合预报统计后处理方法、考虑变量依赖性结构的多变量集合预报统计后处理方法、多模式集合和机器学习方法，为业务和科研人员提供了参考。基于2019年全年、不同季节、不同预报时效的欧洲中期天气预报中心模式的定量降水预报，检验评估了频率匹配、最优TS评分、最优百分位、概率匹配4种定量降水预报客观订正方法的综合性能。利用理想模型研究了不同雨带位移偏差和干湿偏差情形下频率匹配法与最优TS评分的表现。采用基于对象诊断的检验评估方法（MODE）对第1909号超强台风“利奇马”过程中不同预报产品的强降水目标对象进行了分析，发现MODE技术相比于传统点对点的检验方法可以提供更加丰富的模式性能分析信息，将模式的预报能力（是否匹配）与预报偏差（位置偏差、面积偏差等属性）区分分析。针对ECMWF模式在2020年我国江淮流域超长梅雨期暴雨雨带预报中的不确定性，选取10个典型的狭长暴雨雨带，基于对象诊断方法（MODE）对雨带东西段的位置预报偏差、稳定性以及偏差的连续性等进行分析，并基于集合敏感性方法（ESA）分析揭示雨带典型偏差特征的关键天气系统。