目前，我国已建水库近1×105座，为实现水库的智能调度和运维，亟须高精度的实时降水预报信息．随着水文预报技术及计算机不断发展，涌现出多种数值天气预报模式．目前应用较多的是美国的第五代中尺度模式(the fifth-generation mesoscale model，MM5)和天气研究预报模式(weather research and forecast model，WRF)．WRF模式是由美国国家大气研究中心(National Center for Atmospheric Research，NCAR)及美国环境预测中心(National Centers for Environmental Prediction，NCEP)等科研机构研发的新一代中尺度天气预报，是在MM5基础上的改进．诸多国内外研究表明：WRF模式在降水方面的模拟效果优于MM5模式[1-3]，与MM5模式相比，WRF模式拥有更完善的动力框架和更丰富的物理参数．数值天气预报本质是对大气运动过程的近似描述，模型中各物理参数化方案大多是基于当地观测资料，在进行区域短历时强降水模拟和预报之前，须综合考虑流域自然气候条件、下垫面时空分布规律和气象水文要素动力特性，对模型物理参数化方案进行区域适用性评估和优选．现阶段，WRF模式参数化方案的优选偏重降水量评估[4]，尚未形成完整刻画降水预报效果的评价体系，给参数化方案组合的合理确定带来极大困难．一些参数化方案组合在降水量维度表现良好，但在降水分级和降水时空分布维度表现较差[5]．为更全面客观地对比不同参数方案组合的模拟结果，本研究构建了涵盖多物理参数的中尺度数值天气预报WRF模型，引入TS评分、漏报率、错报率[6]、相对误差、平均误差、平均绝对误差[7]、偏差评分、均方根误差和平均偏差[8]等评价指标，提出了融合降水分级、降水量及降水时空分布等多个维度的降水预报综合评价体系，解析了预报结果对WRF模式中不同物理参数的敏感性，优选了适用于梅江流域的参数化方案组合．在此基础上，将这些参数化方案组合作为降水集合预报成员构建集合预报模型，进一步提高了流域降水预报精度．1 WRF模式的数值天气预报建模1.1　模型搭建WRF模式主要由驱动数据、模式预处理、模式主程序和模式后处理四部分组成．首先，通过驱动数据准备，为模式运行提供数据支撑；其次，模式预处理过程将驱动数据转化为WRF模式运行需要的相关格式；然后，在模式主程序模块进行WRF模式天气模拟；最后，通过模式后处理部分从模拟结果中提取用户需要的预报信息．1.2　物理参数化方案组合模式拥有微物理过程、积云对流、长波/短波辐射、边界层及陆面过程等多种参数选项[9]．综合国内外许多学者的研究结果，微物理过程、积云对流及长波/短波辐射对WRF模式降水预报结果准确度起主要作用[10-11]，因此本研究主要对微物理过程、积云对流及长波/短波辐射的参数化方案组合进行研究．根据选定的参数不同，共形成36种物理参数方案组合，不同参数化方案组合见表1．10.13245/j.hust.220808.T001表1不同参数化方案组合方案微物理过程积云对流长波/短波辐射1Lin schemeNew KFRRTM/Dudhia2WSM-6New KFRRTM/Dudhia3WDM-16New KFRRTM/Dudhia4Lin schemeBMJRRTM/Dudhia5WSM-6BMJRRTM/Dudhia6WDM-16BMJRRTM/Dudhia7Lin schemeGD EnsembleRRTM/Dudhia8WSM-6GD EnsembleRRTM/Dudhia9WDM-16GD EnsembleRRTM/Dudhia10Lin schemeGrell 3DRRTM/Dudhia11WSM-6Grell 3DRRTM/Dudhia12WDM-16Grell 3DRRTM/Dudhia13Lin schemeNew KFCAM/CAM14WSM-6New KFCAM/CAM15WDM-16New KFCAM/CAM16Lin schemeBMJCAM/CAM17WSM-6BMJCAM/CAM18WDM-16BMJCAM/CAM19Lin schemeGD EnsembleCAM/CAM20WSM-6GD EnsembleCAM/CAM21WDM-16GD EnsembleCAM/CAM22Lin schemeGrell 3DCAM/CAM23WSM-6Grell 3DCAM/CAM24WDM-16Grell 3DCAM/CAM25Lin schemeNew KFRRTMG/RRTMG26WSM-6New KFRRTMG/RRTMG27WDM-16New KFRRTMG/RRTMG28Lin schemeBMJRRTMG/RRTMG29WSM-6BMJRRTMG/RRTMG30WDM-16BMJRRTMG/RRTMG31Lin schemeGD EnsembleRRTMG/RRTMG32WSM-6GD EnsembleRRTMG/RRTMG33WDM-16GD EnsembleRRTMG/RRTMG34Lin schemeGrell 3DRRTMG/RRTMG35WSM-6Grell 3DRRTMG/RRTMG36WDM-16Grell 3DRRTMG/RRTMG1.3　降水集合预报在WRF模式中，单一的参数化方案组合很难对所有场次降水实现准确预报，不同方案组合的模拟表现与每场降水的成因有很大关系，而从物理成因角度分析每场降水又太过复杂繁琐，可引入集合预报思想，通过算数平均法、TS匹配平均法及频率匹配平均法等多种集合预报方法构建降水集合预报模型[12]，以几组在模拟中表现较优的方案组合作为集合成员．2 多维降水预报评价体系多维降水预报评价体系分为降水分级评价、降水时空分布评价和降水量评价三类，见图1．其中，降水分级评价中，将降水划分为不同的等级分别进行评价，评价指标包括TS评分、漏报率(PO)及错报率(FAR)指标；降水时空分布评价中，对模拟与实测降水在时间及空间分布的拟合程度进行评价，评价指标包括平均偏差(MBE)、均方根误差(RMSE)、准确率(POD)、误报率(FAR)、临界成功率(CSI)及偏差评分指标；降水量评价中，评价指标包括平均误差(ME)、平均绝对误差(MAE)及相对误差(RE)，对模拟与实测降水量的接近程度进行评价．10.13245/j.hust.220808.F001图1多维降雨预报评价体系2.1　降水分级评价在利用评价指标对降水量评价之前，先按降水量将降水进行分级．按24 h降水量，将降水分为小雨(0.1，10.0]mm、中雨(10，25]mm、大雨(25，50]mm、暴雨(50，100]mm和大暴雨(100，+∞)mm多个量级．TS评分分级检验法是水文学中常用的降水预报评价方法，包括TS评分(Ti)、PO(Pi)及FAR(Fi)，各指标具体计算公式为Ti=NAi/(NAi+NBi+NCi)；Pi=NCi/(NAi+NCi)； Fi=NBi/(NAi+NBi)，式中：NAi为预报准确的站点数；NBi为错报的站点数；NCi为漏报的站点数．将实测站点降水与由网格插值的站点模拟降水对比，若在同一量级i，则代表预报准确．2.2　降水量评价本次研究引入的误差评价指标包括ME(EME)，MAE(EMAE)及RE(ERE)，各指标具体计算公式为EME=1N∑j=1N(Pj-Qj);EMAE=1N∑j=1N|Pj-Qj|;ERE=(P-Q)/Q,式中：N为站点个数；Pj为站点j模拟降水量；Qj为站点j实测降水量；P为模拟面雨量，Q为实测面雨量．2.3　降水时空分布评价为更好地评价所提模式模拟降水结果的时间及空间分布，引入POD(IPOD)，FAR(IFAR)及CSI(ICSI)，各指标具体计算公式为IPOD=1N∑j=1NNAjNAj+NCj;IFAR=1N∑j=1NNBjNAj+NBj;ICSI=1N∑j=1NNAjNAj+NBj+NCj,式中：NAj，NBj和NCj分别用来描述j站点下模拟降水和实测降水发生预报准确、错报和漏报的情况，对比站点j的Pj和Qj，若模拟和实测均有雨(即Pj，Qj0.1 mm)，则表示预报准确，NAj=1，否则NAj=0；若模拟有雨，实测无雨(即Pj，Qj0.1 mm)，则表示错报，NBj=1，否则NBj=0；若模拟无雨，实测有雨，则表示漏报，NCj=1，否则NCj=0．以上降水时空分布评价指标为定性评价指标，除此之外，本研究还引入了RMSE(ERMSE)和MBE(EMBE)，从定量的角度对WRF模式的模拟结果进行分析，指标具体计算公式为：ERMSE=1N∑j=1N(Pj-Qj)2;EMBE=1N∑j=1N(Pj-Qj)．为进一步评价模拟降水与实测降水范围的拟合度，引入BS评分分级检验，计算公式为BSi=(NAi+NBi)/(NAi+NCi)．2.4　降水预报综合评价指标构建多维度多指标的评分不能直观地表示模拟效果，须要将不同参数化方案组合在三个维度的所有指标评分量化为一个总的分数．降水预报评分量化细则为：a. 将三个维度的所有指标评分进行归一化处理，评分区间转化为[0，1]，评分由小到大表示模拟效果由差到好；b. 单维度分数为该维度中各指标评分的算术平均数，三个维度总分为各维度分数相加求和；c. 每个维度均选分数前5的参数化方案组合，即认为这5个参数化方案组合在该维度降水预报中表现良好；d. 计算上一步所有参数化方案组合的多维度总分，选取多维度总分前5的参数化方案组合，即认为这5个参数化方案组合在所有维度降水预报中表现良好．3 应用研究3.1　研究区域梅江流域位于广东省东北部，范围广、汛期长、年径流量大，受季风环流、锋面雨和台风雨共同影响，降水和径流年内和年际变化大，地处亚热带季风区，夏季洪涝灾害频发，高精度、长预见期的降水预报对梅江流域的防洪减灾尤为重要．研究区域位于梅江流域上游，内有21个气象站点(见图2)，根据泰森多边形法则，将所有站点雨量的加权平均值作为面雨量．暴雨过程为2015年7月9日0：00—10日0：00(中国时间)的典型降水过程．10.13245/j.hust.220808.F002图2研究区域与站点分布3.2　WRF数值天气预报模型构建本研究使用WRF-3.9.1的ARW核心版本，采用三层嵌套方式，最内层子域d03完全覆盖研究流域．预热期设置为16 h；垂直方向分设置为27层；积分时间步长设置为81 s；模式输出数据时间间隔为1 h．3.3　多维尺度降水预报评价结果3.3.1　降水分级评价结果由于本场降水历时短、降水量大，在所有站点实测24 h累积降水量中，除尖山站为89.5 mm外，其余站点降水均在100 mm以上，因此进行分级降水评价时，只研究大暴雨及以上量级模拟结果，其余雨量不做分析．由于方案较多，因此在表2~6中仅展示部分方案的评价结果．10.13245/j.hust.220808.T002表2累积降水量分级评分(大暴雨及以上)方案TiFiPi方案TiFiPi10.380.110.60110.670.070.3070.620.070.35190.700.000.30100.760.060.20310.850.000.1510.13245/j.hust.220808.T003表3累积降水量误差评分方案EMEEMAEERE方案EMEEMAEERE322.97125.770.0810-10.3540.14-0.067-11.1547.43-0.1812-7.4870.33-0.099-1.2369.63-0.1131-8.7645.84-0.1410.13245/j.hust.220808.T004表4降水时空分布评分结果方案时间方案空间IPODIFARICSIIPODIFARICSI70.790.150.6670.660.290.5790.800.170.6580.720.380.58190.770.160.6490.680.220.57210.780.150.65200.730.370.59310.770.160.64210.690.200.57330.760.130.67320.690.380.5710.13245/j.hust.220808.T005表5模拟降水时空分布评分方案时间空间ERMSEEMBEERMSEEMBE11.07-0.460.60-0.4670.97-0.070.40-0.0790.71-0.010.53-0.01100.90-0.070.33-0.07120.72-0.050.52-0.05310.76-0.060.37-0.0610.13245/j.hust.220808.T006表6模拟降水分布BS分级评分(大暴雨及以上)方案BSi方案BSi10.45110.7570.70190.70100.85310.85根据不同方案模拟结果，计算大暴雨及以上量级降水的TS评分，PO及FAR，计算结果见表2．方案7，10，11，19和31的TS评分较高且FAR较小，其中方案31的TS评分最高，达到0.85，FAR为0.15，PO为0，方案10次之．3.3.2　降水量评价结果计算不同方案的ME，MAE和RE，计算结果见表3．方案7，9，10，12和31的ME绝对值较小，方案3，7，9，10，12和31的降水量RE较其他方案更佳，其绝对值均在0.2以下．另外，方案7，10，11，19和31在降水量MAE结果上比其他方案更优．3.3.3　降水时空分布评价结果从时间和空间两个角度分别计算不同方案组合模拟降水结果的POD，FAR及CSI，计算结果见表4．从时间角度来看，方案7，9，19，21，31和33结果较好，POD均在0.75以上，CSI均在0.64以上，且FAR均在0.2以下；从空间角度来说，方案7，8，9，20，21和32较其他方案更优，POD全部超过0.66，且CSI均接近0.6．进一步地，计算所有方案模拟结果的RMSE和MBE，计算结果见表5．从时间角度来看，方案7，9，10，12和31表现更优，均方根误差均小于1且平均偏差绝对值在0.1以下；从空间角度分析，方案7，9，10，12和31平均偏差绝对值均在0.1以下，其中方案7，10和31的均方根误差均不大于0.4．计算不同方案模拟结果的BS评分，计算结果见表6．所有方案BS评分均小于1，表明所提模式不同方案组合都低估了本场降水的实际降水范围，其中表现最好的方案有7，10，11，19和31，BS评分均达到0.7以上．3.3.4　参数化方案组合优选根据降水预报评分量化标准，计算不同方案模拟结果的各维度分数和多维总分，依次列出排名前5的分数及其对应方案，见表7．10.13245/j.hust.220808.T007表7各维度及多维度排名前5的分数及其对应方案降水分级维度降水量维度降水时空分布维度多维度方案分数方案分数方案分数方案总分310.90100.81310.72312.39100.83310.7790.69102.33190.8070.74100.6972.15110.7790.7370.68192.1470.73120.71190.6792.11对比分析降水量和降水时空分布维度各优选出的5种参数化方案组合，方案7，9，10和31同时适用于两个维度，但降水量维度优选出方案12，降水时空分布维度优选出方案19，即方案12在模拟降水量方面具有优越性，方案19在降水时空分布方面取得较好的模拟效果．因此，从降水分级、降水量及降水时空分布等多个维度对预报结果进行对比分析，综合评判出方案31，10，7，19和9对本场暴雨模拟效果较好．3.3.5　集合预报结果分析集合预报方法分为算数平均法、TS匹配平均法及频率匹配平均法三种．三种集合预报方法的24 h累积降水量见图3．总体来看，三种方法预报降水量与实测结果符合较好，但算数平均集合预报方法前20 h的预报降水量与实测结果拟合最好．算数平均集合预报方法的累积降水分布结果见图4．10.13245/j.hust.220808.F003图3三种预报方法的24 h累积降水量(7月9日)10.13245/j.hust.220808.F004图4算数平均集合预报方法24 h累积降水分布(色标单位：mm)不同维度均可表现出与实测相似的降水量由东南向西北部递减的空间分布趋势，模拟暴雨中心位置与实测略有偏差．仅从降水量维度评价参数化方案，集合预报降水量模拟结果与其他维度相差不大；从多维度评价参数化方案，降水量模拟效果稍次于前者，但降水时空分布模拟效果显著提升(降水时空分布预报精度从73%提高到88%)．因此，相较于单维度评价，多维预报评价体系能更好地选优参数化方案组合．4 结论为解析预报结果对数值预报模式中不同物理参数化方案的敏感性，建立了多维降水预报评价体系和降水集合预报模型，以2015年7月9—10日发生在梅江流域的暴雨事件为例，分析得出以下结论．a. 仅从单维度评价参数化方案组合，可能出现误选和漏选的情况，当模式用这些参数化方案组合进行降水预报时，会导致预报精度降低．从降水量维度评价参数化方案组合，优选出方案7，9，10，12和31，即出现误选方案12和漏选方案19的情况，导致降水量模拟效果稍好，但降水时空分布模拟效果较差，整体上不如从多维度评价参数化方案组合优选出的方案7，9，10，19和31．b. 通过多维降水预报评价体系，能够更全面客观地优选出几种模拟效果较好的参数化方案组合．当构建集合预报模型时，将这些优选的参数化方案组合作为降水集合预报成员，可以有效提高模式的降水预报精度．