CN116068676B - 一种降水预报跨量级通用综合评价方法 - Google Patents

一种降水预报跨量级通用综合评价方法 Download PDF

Info

Publication number
CN116068676B
CN116068676B CN202310206219.6A CN202310206219A CN116068676B CN 116068676 B CN116068676 B CN 116068676B CN 202310206219 A CN202310206219 A CN 202310206219A CN 116068676 B CN116068676 B CN 116068676B
Authority
CN
China
Prior art keywords
precipitation
forecast
live
pas
scoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310206219.6A
Other languages
English (en)
Other versions
CN116068676A (zh
Inventor
张冰
曾明剑
李昕
史文茹
周嘉陵
王文兰
秦正坤
梅海霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute Of Meteorological Science And Technology Innovation
Original Assignee
Nanjing Institute Of Meteorological Science And Technology Innovation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute Of Meteorological Science And Technology Innovation filed Critical Nanjing Institute Of Meteorological Science And Technology Innovation
Priority to CN202310206219.6A priority Critical patent/CN116068676B/zh
Publication of CN116068676A publication Critical patent/CN116068676A/zh
Application granted granted Critical
Publication of CN116068676B publication Critical patent/CN116068676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Algebra (AREA)
  • Atmospheric Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种降水预报跨量级通用综合评价方法，属于降水预报技术领域，包括如下步骤一、获取降水预报量和实况量数据；步骤二、将步骤一中获取的预报量数据匹配到实况量数据的格点或站点上；步骤三、分析步骤二中获得的预报降水量和实况降水量的关系，得到降水预报准确度检验评分公式；步骤四、在进行降水预报检验评分时，先根据降水量级分类后再使用所述步骤三中的降水预报准确度检验评分公式进行评分。本发明构建了定量降水预报检验指标新体系，规则客观、透明，具有公平性、适用于稀有事件、有界性、适度对称性等特点，该评价方法能够用来计算数值模式或定量降水预报的准确程度，评价精细化定量降水预报产品的降水综合预报能力。

Description

一种降水预报跨量级通用综合评价方法
技术领域
本发明专利属于大气科学研究领域，具体是一种降水预报跨量级通用综合评价方法。
背景技术
二分类预报验证列联表（Brownlee K A． Statistical Theory and Methodologyin Science and Engineering［M］． New York: John Wiley ＆ Sons Wiley，1965:26-30．）和临界成功指数CSI（Schaefer J T． The critical success index as anindicator of warning skill［J］． Weather and Forecasting，1990，5( 4) : 570-575．），常被用来对降水量预报进行评价；传统检验就是指的二分类列联表检验，即以简单而直观的方式把连续变量（如降水量）确定性预报的检验问题简化为一个二元检验问题，如图2所示，其中NA：命中，NB：空报，NC：漏报，ND：命中“否”；传统列联表检验，将降水过程指定时间段、指定阈值来评分； TS评分就是指的临界成功指数CSI，即将降水量按阈值分类，通过二分类列联表的方式进行检验。
TS评分可以看成是去除命中“否”频率后的预报准确率，检验公式简单客观标准化。但针对TS评分有认为存在的局限主要有一下两点：
1）基于列联表的降水量按阈值分类；
降水量存在按阈值分类的特殊性。人为地将降水分成不同阈值的缺陷在于你永远无法合理地分类来保证相邻的两个降水值能够分在同一个阈值里，而差别较小的降水值不在同一个阈值里面就会导致降水评分的失真。
2）“双重惩罚”问题；
假设在预报面积不变的情况下，当事件在预报和观测中的时间和位置发生较小的偏差，既会产生“空报”也会产生“漏报”现象，导致评分低于主观预期结果，可能会出现看起来不错的预报评分不如看起来不好的预报。
近年来，新的主流评分方法的主要针对上述局限进行了改进但仍然存在局限性。
1）基于传统TS评分的阈值分类局限性的改进；
针对降水量阈值分类的局限性问题，为了改进评分效果，如对暴雨评分，有“暴雨预报准确率检验办法”采用《暴雨预报准确率检验办法（试行）》（气预函〔2015〕54号）规定（以下简称量级改进型TS评分），对相近的预报值给适当的权重，避免完全不得分。但量级改进型TS评分仍然具有局限性，例如24h累积降水实况是50mm，当预报A为49mm，预报B为99mm时，可知预报A好于预报B，按原TS评分，预报A不得分，预报B得1分；量级改进后的TS评分，因为预报B和实况属于同一个量级的降水，预报A为0.4，预报B为1，仍然未能体现预报A好于预报B的评分。
2）基于传统TS评分的所谓“双重惩罚”问题的改进；
针对所谓“双重惩罚”的问题，一般采用邻域空间检验方法或称模糊法，其具体有两种处理形式。
一种是简单的升尺度（upscaling），在尺度范围内采用某种方法（有值平均、最大值、值加权等等）取值，然后采用传统技巧评分。
另一种是改进邻域空间检验方法(Roberts N M, Lean H W. Scale-selectiveverification of rainfall accumulations from high-resolution forecasts ofconvective events. Monthly Weather Review, 2008, 136(1): 78-97)，其参照Murphy技巧评分（MSE skill score）通过比较不同尺度窗口内降水发生频次（概率）的方法获取综合评估信息，若预报发生的概率与观测发生概率近似即为有效预报。从分析区域内降水发生概率角度看，观测与预报的降水发生概率就是降水面积与区域分析面积的比值。该评分称为分数技巧评分（FractionSkill Score，FSS）。由于邻域范围的确定是一个相当主观行为，不利于检验评分标准化，缺乏可比性，且会对客观定量检验产生负面影响。众多的试验表明，采用领域法后评分值会有明显的提升，特别是对大量级的降水预报评分。但评分的目的不在于仅仅是评分值的提升，应当是遵循尽量客观的原则，误差就是误差，不能通过简单的放松标准来解决问题，我们真正想知道的是误差的程度如何。
当今的数值预报和智能网格预报已经发展成精细化高分辨率降水输出，降水实况无论格点数据还是站点数据都已是高分辨率了，如果还停留在二分类量级降水检验的基础上，不仅是对原有数据资源的浪费，也不能适应精细化预报的检验要求，因此为了适应精细化预报发展的需求，需要一种新的评分方法。
发明内容
本发明的目的在于：针对传统和改进型降水评分中“降水量阈值的划分导致评分失真和空间领域法的设定带来主观性风险增大”的问题，结合相对误差和绝对误差的各自优点，通过直接分析降水预报量和实况量的接近程度，研发构建了一种降水预报跨量级通用综合评价方法。
技术内容：一种降水预报跨量级通用综合评价方法，所述评价方法包括如下构建步骤：
步骤一、获取降水预报量和实况量数据；
步骤二、将步骤一中获取的预报量数据匹配到实况量数据的格点或站点上；
步骤三、分析步骤二中获得的预报降水量和实况降水量的关系，得到降水预报准确度检验评分公式，所述降水预报准确度检验评分公式的函数表达式为：
Figure SMS_1
其中，
Figure SMS_2
为评分值，x为降水预报量，u为实况降水量且u不为0，x和u单位为mm；所述PAS评分的阈值在0~1之间，评分越高，降水预报效果越好；PAS=1时，预报降水量和实况完全吻合，是完美预报；当实况有降水，预报无降水时，PAS=0；当降水预报量预报降水量足够大时，PAS->0即计算出的PAS≤0.001时，则可认为PAS->0，近似PAS=0；
步骤四、在进行降水预报检验评分时，先根据降水量级分类后再使用所述步骤三中的降水预报准确度检验评分公式进行评分。
进一步的，所述步骤一中获取的预报量数据为二进制的格点数据，实况量数据为二进制或文本格式的格点或站点数据。
进一步的，所述步骤四中，先根据降水量级分类后再使用降水预报准确度检验评分公式进行评分时，具体分类情况如下：
（1）一般性降水：实况降水<30mm，评分时间段为12h；或实况降水<50mm，评分时间段为24h；
（2）暴雨以上降水：实况或预报降水≥30mm，评分时间段为12h；或实况或预报降水≥50mm，评分时间段为24h；
（3）短时强降水：条件为实况或预报降水≥20mm，评分时间段为1h或3h；
（4）总体降水预报检验评分：条件为实况降水u≥0.1或预报降水x≥0.1，评分时间段为12h或24h；若实况降水0≤u<0.1mm且预报降水0≤x<0.1mm，则为无降水预报正确。
进一步的，还包括步骤五，根据降水预报准确度检验评分公式，得到欠量降水预报度指标
Figure SMS_3
和过量降水预报度指标/>
Figure SMS_4
：
Figure SMS_5
；
Figure SMS_6
。
进一步的，步骤四中总体降水预报检验评分时，可进一步细化为如下情况：
（一）、针对实况降水量小于10mm的情况，假定：
（1） 0<u≤x<5时, PAS =1；
（2）u=0, x≠0时,PAS=0.5PAS|u->0；PAS|u->0表示实况降水0<u≤0.1mm的情况下，PAS的评分值；
（3）x=0, u<10时,PAS=0.5PAS|x->0；PAS|x->0表示预报降水0<x≤0.1mm的情况下，PAS的评分值；
则：
（A）当实况降水u=0mm时，令
Figure SMS_7
,则:
Figure SMS_8
；
（B）当实况降水0<u<5mm时：
① x=0时，令
Figure SMS_9
，则/>
Figure SMS_10
；
②x≠0时，则：
Figure SMS_11
；
（C）、当实况降水5≤u<10mm时：
①x=0时，令
Figure SMS_12
，则：
Figure SMS_13
；
② x≠0时，则：
Figure SMS_14
；
（二）、当实况降水u≥10mm时，则：
Figure SMS_15
。
进一步的，根据所述步骤四中，总体降水预报检验评分分类，分析衍生出PAS晴雨评分：
Figure SMS_16
其中，
Figure SMS_17
为无降水预报正确评分，
Figure SMS_18
；/>
Figure SMS_19
为PAS晴雨评分，/>
Figure SMS_20
为PAS总体降水预报检验评分，具体的为/>
Figure SMS_21
为条件为实况降水u≥0.1mm或预报降水x≥0.1mm的PAS评分； m为/>
Figure SMS_22
评分的站数或格点数，n为无降水预报正确评分的站数或格点数；
所述PASC评分的阈值在0~1之间，评分越高，晴雨预报效果越好；PASC=1时，晴雨预报和实况完全吻合，是完美预报；PASC=0时，晴雨预报效果最差，为失败预报。
与现有技术相比，本发明的有益效果在于：
本发明提供了一种降水预报跨量级通用综合评价方法，构建了定量降水预报检验指标新体系，规则客观、透明，具有公平性、适用于稀有事件、有界性、适度对称性等特点，是适合总体降水、一般性降水、暴雨以上降水和短时强降水的一种客观检验方法，该评价方法能够用来计算数值模式或定量降水预报的准确程度，评价精细化定量降水预报产品的降水综合预报能力。
附图说明
图1 实况点F和周边预报点F1、F2、F3、F4的双线性插值示意图；
图2为二分类列联表检验示意图；
图3为实况雨量为60mm时降水预报准确度检验PAS评分曲线示意图；
图4为不同实况降水量（u=10,25,50,100mm）下，预报的PAS评分曲线图；
图5为不同预报降水量（u=10,25,50,100mm）下，预报的PAS评分曲线图；
图6为一般性降水（u=10,25,45mm）下，预报的PAS评分曲线图;
图7为暴雨以上降水（u=25,50,100mm）下，预报的PAS评分曲线图;
图8 为实况降水u=0mm时，预报的PAS评分曲线图；
图9为实况降水0<u<5mm、预报降水x=0时，预报的PAS评分曲线图；
图10为实况降水0<u<5mm、预报降水x≠0时，预报的PAS评分曲线图；
图11为实况降水5≤u<10mm、预报降水x=0时，预报的PAS评分曲线图；
图12为实况降水5≤u<10mm、预报降水x≠0时，预报的PAS评分曲线图；
图13为实况降水u≥10mm时，预报的PAS评分曲线图；
图14为2019年7月16日00-12时累积降水预报；
图15为2019年7月16日00-12时累积降水预报；
图16为2020年6月13日00-12时累积降水实况和预报；
图17为2020年6月13日00-12时累积降水实况和预报。
具体实施方式
下面结合附图和具体实施案例对本发明的技术方案展开详细具体的说明。
为了解决传统和改进型降水评分中“降水量阈值的划分导致评分失真和空间领域法的设定带来主观性风险增大”的问题，本发明结合相对误差和绝对误差的各自优点，通过直接分析降水预报量和实况量的接近程度，研发构建了降水预报跨量级通用综合评价方法，即降水预报准确度检验评分方法（PrecipitationForecast Accuracy Score，PAS）。
本发明所述的降水预报跨量级通用综合评价方法，所述评价方法的构建步骤如下：
步骤一、获取降水预报量和实况量数据；
获取的预报量数据为二进制的格点数据，实况量数据为二进制（或文本格式）的格点或站点数据。
步骤二、将步骤一中获取的预报量数据匹配到实况量数据的格点或站点上；
将预报量数据采用临近点法（Nearest Neighbor）或双线性插值方法（BilinearInterpolation）匹配到实况的格点或站点。临近点法（Nearest Neighbor）就是将距离实况的点最近的预报点的值作为该点的预报值。双线性插值方法（BilinearInterpolation）具体为：
1）假设某实况格点（或站点）的经纬度坐标为(x0,y0)，其周边的预报格点坐标为(x1,y1)、(x2,y1)、(x1,y2)和(x2,y2)，格点的预报值分别F1、F2、F3和F4，则点（x0,y0）的预报值F为：
Figure SMS_23
（1）
2）不失一般性，从普适性上考虑（如图1），实况格点（或站点）F的经纬度坐标为（x0,y0），不和预报点重合，在其周边预报格点F1、F2、F3和F4的经纬度坐标分别为（x1,y1）、（x2,y2）、（x3,y3）和（x4,y4），组成四边形。点F、F1、F2、F3和F4的降水量的值分别为F、F1、F2、F3和F4。过F点的直线x=x0与线段F1F2交于点R，其坐标为（x0,y5），与F3F4交于点Q，其坐标为（x0,y6），设|RF1|=a1, |F2R|=a2, |QF3|=b1, |F4Q|=b2, |FR|=c1, |QF|=c2。
则点（x0,y0）的预报值F为：
Figure SMS_24
（2）
步骤三、分析预报降水量和实况降水量的关系，得到降水预报准确度检验评分公式，所述降水预报准确度检验评分公式的函数表达式为：
Figure SMS_25
（3）
其中，
Figure SMS_26
为评分值，x为降水预报量，u为实况降水量且u不为0，x和u单位为毫米（mm）；
如图3所示，实况雨量为60mm时降水预报准确度检验PAS评分曲线示意图；所述PAS评分的阈值在0~1之间，评分越高，降水预报效果越好；PAS=1时，预报降水量和实况完全吻合，是完美预报；当实况有降水，预报无降水时，PAS=0；当降水预报量足够大时，即计算出的PAS≤0.001时，则可认为PAS->0，近似PAS=0。
由评分公式的曲线特点可知，理论上预报量x->+∞时，PAS->0；但实际评分中PAS≤0.001，则可认为PAS->0，近似PAS=0。因此不同的实况量，预报降水量足够大的值是不同的，如u=10时，x=36.28，PAS=0.001，则x>36.28可认为足够大；u=25时，x=90.71，PAS=0.001，则x>90.71可认为足够大；u=50时，x=181.41，PAS=0.001，则x>181.41可认为足够大，以此类推。可以这么认为PAS=0有两种情况，一是预报x=0，二是预报x足够大。
步骤四、在进行降水预报检验评分时，先根据降水量级分类后再使用所述步骤三中的降水预报准确度检验评分公式进行评分。本发明采用“检验前分类，检验时不分类”的规则，在检验前将降水量级分以下几种情况后进行评分：
（1）一般性降水（第一种评分情况）
条件为12h实况降水<30mm，评分时间段为12h；或24h实况降水<50mm，评分时间段为24h；
（2）暴雨以上降水（第二种评分情况）
条件为12h实况或预报降水>=30mm，评分时间段为12h；或24h实况或预报降水>=50mm，评分时间段为24h；
（3）短时强降水（第三种评分情况）
条件为实况或预报降水>=20mm，评分时间段为1h或3h；
（4）总体降水预报检验评分（第四种评分情况）
条件为实况降水u≥0.1或预报降水x≥0.1，评分时间段为12h或24h；若实况降水0≤u<0.1mm且预报降水0≤x<0.1mm，则为无降水预报正确。
按照评分性质，也可检验中雨以上、大雨以上、大暴雨以上等降水预报，其分类方法和第二种情况“暴雨以上降水”评分类似。
步骤五、根据降水预报准确度检验评分公式，得到欠量降水预报度指标IPS和过量降水预报度指标EPS和 PAS晴雨评分PASC；
欠量降水预报度指标（Accuracy score of insufficient precipitationforecast，IPS）
Figure SMS_27
（4）
过量降水预报度指标（Accuracy score of excessive precipitationforecast，EPS）
Figure SMS_28
（5）
在本发明检验方法中，当实况u=0，预报x>0时，称“空报”；预报x=0、实况u>0时，称“漏报”，除了“空报”和“漏报”两种情况，其他预报和实况不相等情况下称为“欠量降水预报”或“过量降水预报”。
除了上述步骤一和步骤五外，针对步骤四中，总体降水预报检验评分（第四种评分情况）进行进一步分析：
（一）、由降水预报准确度检验评分公式的函数性质可知，当实况u<10mm时，PAS曲线的梯度大，预报值x微小的变化，会造成PAS很大的波动，结合预报员和公众对小量级降水的感受综合分析，对实况降水量 10mm以下降水检验采用优化处理方案。
假定：
1） 0<u≤x<5时, PAS =1
2） u=0, x≠0时,PAS=0.5PAS|u->0；PAS|u->0表示实况降水0<u≤0.1mm的情况下，PAS的评分值；
3）x=0, u<10时,PAS=0.5PAS|x->0；PAS|x->0表示预报降水0<x≤0.1mm的情况下，PAS的评分值。
则会有以下几种情况：
（A）当实况降水u=0mm时,令
Figure SMS_29
,则:
Figure SMS_30
（6）/>
实况降水u=0mm时，预报的PAS评分曲线图如图8所示；
（B）当实况降水0<u<5mm时：
(1)x=0时，令
Figure SMS_31
，即
Figure SMS_32
（7）
实况降水0<u<5mm且预报降水x=0时，预报的PAS评分曲线图如图9所示；
(2) x≠0时，
Figure SMS_33
（8）
实况降水0<u<5mm且预报降水x≠0时，预报的PAS评分曲线图如图10所示；
（C）、当实况降水5≤u<10mm时，
(1)x=0时，令
Figure SMS_34
，则：
Figure SMS_35
（9）
实况降水5≤u<10mm且预报降水x=0时，预报的PAS评分曲线图如图11所示；
(2)x≠0时，则：
Figure SMS_36
（10）
实况降水5≤u<10mm且预报降水x≠0时，预报的PAS评分曲线图如图12所示；
（二）、实况降水量大于等于10mm的情况进行分析：
当实况降水u≥10mm时，则：
Figure SMS_37
（11）
实况降水u≥10mm时，预报的PAS评分曲线图如图13所示。
（三）若实况降水0≤u<0.1mm且预报降水0≤x<0.1mm，则无降水预报正确，记录为PASN=1 ；若不满足实况降水0≤u<0.1mm且预报降水0≤x<0.1mm的条件，则计算PAS值，然后，此时公式中的
Figure SMS_38
=0；则可以衍生出PAS晴雨评分/>
Figure SMS_39
：
Figure SMS_40
（12）/>
其中，
Figure SMS_41
为无降水预报正确评分，
Figure SMS_42
；/>
Figure SMS_43
为PAS晴雨评分，/>
Figure SMS_44
为PAS总体降水预报检验评分，具体的为/>
Figure SMS_45
为条件为实况降水u≥0.1mm或预报降水x≥0.1mm的PAS评分； m为/>
Figure SMS_46
评分的站数或格点数，n为无降水预报正确评分的站数或格点数。
所述PASC评分的阈值在0~1之间，评分越高，晴雨预报效果越好；PASC=1时，晴雨预报和实况完全吻合，是完美预报；PASC=0时，晴雨预报效果最差，为失败预报。PASC评分反映了降水和非降水预报的综合准确程度，可类比于传统的晴雨预报正确率PC检验，但它比PC评分更能刻画系统晴雨预报能力。
所述步骤四中总体降水预报检验评分（第四种评分情况），结合PAS晴雨评分（PASC）后，在检验前可以将第四种评分情况细化为以下两种形式：
（一）、24h累积降水PAS评分：
（1）PASC ：条件为24h PAS晴雨评分；
（2）
Figure SMS_47
：条件为实况降水u≥0.1mm或预报降水x≥0.1mm的PAS评分；
（3）
Figure SMS_48
：条件为24h实况降水u≥10mm或预报降水x≥10mm的PAS评分；
（4）
Figure SMS_49
：条件为24h实况降水u≥25mm或预报降水x≥25mm的PAS评分；
（5）
Figure SMS_50
：条件为24h实况降水u≥50mm或预报降水x≥50mm的PAS评分；
（6）
Figure SMS_51
：条件为24h实况降水u≥100mm或预报降水x≥100mm的PAS评分；
（二） 12h累积降水PAS评分：
（1）PASC ：条件为12h PAS晴雨评分；
（2）
Figure SMS_52
：条件为12h ，实况降水u≥0.1mm或预报降水x≥0.1mm的PAS评分；
（3）
Figure SMS_53
：条件为12h，实况降水u≥10mm或预报降水x≥10mm的PAS评分；
（4）
Figure SMS_54
：条件为12h，实况降水u≥25mm或预报降水x≥25mm的PAS评分；
（5）
Figure SMS_55
：条件为12h，实况降水u≥50mm或预报降水x≥50mm的PAS评分；
（6）
Figure SMS_56
：条件为12h，实况降水u≥100mm或预报降水x≥100mm的PAS评分。
上述步骤三中（3）短时强降水PAS评分（第三种评分情况）中，1小时条件可以细化为：
（1）
Figure SMS_57
：条件为1h，实况降水u≥10mm或预报降水x≥10mm的PAS评分；/>
（2）
Figure SMS_58
：条件为1h，实况降水u≥20mm或预报降水x≥20mm的PAS评分。
本发明所述的降水预报准确度检验方法（PAS）具有以下特性:
（1）有界性：PAS评分值介于0和1之间，PAS=1时为理想预报，PAS=0时为实况有降水，预报无降水。评分值的范围和传统TS评分一致，易于对评分方法进行比较评判，易于投入实际预报检验应用。
（2）公平性 ：PAS评分方法，以客观表现形式构成评分公式，没有主观划界的定义。降水预报在检验时不分量级、不划定影响范围，预报和实况越接近的得分越高，具有公平性。
（3）敏感差异性：从国家标准GB/T 28592—2012《降水量等级》对降水量等级的分类可以看出，公众对于低等级雨量预报较为敏感，随着雨量的增大，公众的敏感度逐渐降低，也就是雨量越大，公众对误差的容忍度也越大，或者说强降水过程更大的预报误差与弱降水较小的误差可能从预报评分来看是相当的，如图4中的E点预报为42.4mm，对于24小时25mm的实况降水，预报为17.4mm的误差与100mm实况降水为57.6mm的预报误差，评分都为0.62，从预报服务效果来看，这符合一般公众的感受。
（4）适合稀有事件：PAS评分方法，对暴雨以上量级有较好的评价能力，图4为不同实况降水量（u=10,25,50,100mm）下，预报的PAS评分曲线图；当实况为100mm，预报59mm、147.2mm，PAS得分0.8和0.8，而TS大暴雨评分为0和1，改进的TS大暴雨评分为0.8和1，可见PAS适合对强降水事件的评分，满足作为一种方法而言的普适性需要，不会因为事件稀少而退化。
图4中，过点A的函数是实况降水量为10mm的评分曲线图，公式如下：
Figure SMS_59
（13）
过点B的函数是实况降水量为25mm的评分曲线图，公式如下：
Figure SMS_60
（14）
过点C的函数是实况降水量为50mm的评分曲线图，公式如下：
Figure SMS_61
（15）
过点D的函数是实况降水量为100mm的评分曲线图，公式如下：
Figure SMS_62
（16）/>
（5）适度对称性
在PAS评分方法函数表达式（1）中将实况作为自变量x，降水预报作为参数u，方程改写为：
Figure SMS_63
（17）
同样针对不同预报降水量（u=10,25,50,100mm），0至300mm的实况降水，对应的预报评分如图5所示，预报评分也是随着预报和实况接近程度不同而改变。图4和图5有相似的图形走势，但不完全相同，PAS评分具有适度对称性。
图5中，过点A的函数为预报降水量10mm的评分曲线图，公式如下：
Figure SMS_64
（18）
过点B的函数为预报降水量25mm的评分曲线图，公式如下：
Figure SMS_65
（19）
过点C的函数为预报降水量50mm的评分曲线图，公式如下：
Figure SMS_66
（20）
过点D的函数为预报降水量50mm的评分曲线图，公式如下：
Figure SMS_67
（21）
下面通过具体数据对本发明的评价方法进行验证：
一、一般性降水预报评分（第一种情况）
一般性降水PAS评分示意图，如图6所示：
过点A的函数，是实况降水量为10mm的评分曲线图，函数公式为公式（13）；
过点B的函数是实况降水量为25mm的评分曲线图，函数公式为公式（14）；
过点C的函数是实况降水量为45mm的评分曲线图，公式如下：
Figure SMS_68
（22）
过点D的函数是实况降水量为50mm的评分曲线图，函数公式为公式（15）；
比较了实况u在24h累积降水为10mm、25mm和45mm时，PAS评分为0.8、0.7、0.5、0.3的情况下的预报量，如下表1所示：
Figure SMS_69
当实况为10mm时，预报量5.9、14.7mm的PAS评分都为0.8，其和完美预报值（10mm）的差值分别为4.1和4.7mm；PAS为0.3时的预报量分别为1.9、21.0mm，和10mm相差8.1和11.0。当实况为25mm时，PAS评分值为0.8的预报有14.7、36.8mm，其和完美预报值（25mm）的差值分别为10.3和11.8mm；PAS为0.5时的预报量分别为8.3、45.8mm，和25mm相差16.7和20.8。
从以上结果可以看出相同实况、相同评分的预报，欠量预报和实况的绝对误差要小于过量预报与实况的绝对误差，其评分越高，预报和实况的绝对误差越接近。当实况为45mm时，只有欠量预报评分，过量预报由于大于50mm不在一般性降水中评定。评分结果符合试验预期结果。
二、分析暴雨以上降水预报评分（第二种情况）
暴雨以上量级降水PAS评分示意图，如图7所示：
过点A的函数是实况降水量为10mm的评分曲线图，函数公式为公式（13）；
过点B的函数是实况降水量为25mm的评分曲线图，函数公式为公式（14）；
过点C的函数是实况降水量为50mm的评分曲线图，函数公式为公式（15）；
过点D的函数是实况降水量为100mm的评分曲线图，函数公式为公式（16）。
比较了实况u在24h累积降水为25mm、50mm和100mm时，PAS评分为0.877、0.7、0.5、0.3、0.1的情况下的预报量，如表2所示：
Figure SMS_70
当实况为25mm时，预报量≥50mm才参与评定（预报量<50mm归入第一种情况评分），52.4、62.9mm的PAS评分分别为0.3和0.1。PAS为0.877，实况为50mm时，预报分别为34.1和68.1；实况为100mm时预报为68.1和136.2。可以看出在实况为50mm和100mm的情况下，预报68.1mm，评分是相同的均为0.877，其过量预报的绝对误差为18.1mm、欠量预报的绝对误差为31.9mm，说明该评分随着实况量级的增加评分宽容度也在增大，它是通过连续变化的形式逐步展开的，避免了量级的变化造成不连续的越升。实况u=50mm，PAS为0.3时的欠量预报为9.7mm，过量预报为104.9；实况=100mm时，PAS为0.3时的预报分别为19.4和209.7。实况为50mm时，PAS为0.1的欠量预报为3.2mm，过量预报为125.9mm；实况为100mm时，PAS为0.1的预报分别为6.1和251.7mm。
从以上结果可以看出实况降水一定的情况下，相同评分的预报，欠量预报和实况的绝对误差要小于过量预报与实况的绝对误差，其评分越高，预报和实况的绝对误差越接近。实况降水量越大，评分的宽容度也越大，评分结果符合试验预期结果。
三、针对2019年7月16日12时（UTC）和2020年6月13日12时（UTC）的12小时降水过程，进行了传统TS评分和PAS评分对比试验。结果如图14和15 所示；图14为2019年7月16日00-12时累积降水实况，图15为2019年7月16日00-12时12h累积降水预报；图16为2020年6月13日00-12时累积降水实况，图17为2020年6月13日00-12时12h累积降水预报；
首先，对这两次过程的主观分析发现2019年7月16日这次过程（图14 和15），降水预报的强度和雨区和实况比较一致。长江以南东西两个强降雨区，特别是东段浙江地区分散性暴雨预报相当不错的；而2020年6月13日这次降雨过程（图16和17），明显的降水预报过量。但2019年7月16日12时过程传统的≥0.1mm TS评分为0.210（表3），2020年6月13日12时过程的评分为0.741（表4），主观判断存在差异。
Figure SMS_71
Figure SMS_72
但通过用降水预报准确度检验方法（PAS）并对比传统TS评分，得到以下结论：
1. 对于≥0.1mm降水，2019年7月16日降水过程PAS评分为0.524（表1），高于2020年6月13日降水过程的PAS评分0.411（表2），符合主观判断。
2. 在2019年7月16日降水过程中，PAS评分各量级评分（除≥50mm），比TS评分有增加，修正了TS评分偏低的问题；在2020年6月13日降水过程中，PAS评分≥0.1mm、≥10mm量级评分比TS评分有减少，而≥25mm、≥50mm量级评分比TS评分有增加。这说明PAS评分不同于量级改进型TS评分和邻域空间检验方法评分一味地增加容忍度使评分单一地增加。PAS评分是根据预报与实况的接近程度客观地给定分值。
3. PAS评分客观可信。
总结来说，本发明通过分析传统的TS评分、量级改进型TS评分以及邻域空间检验方法的优缺点，结合相对误差和绝对误差的各自优点，从基于预报和实况的接近度的角度来设计新的降水检验方法。构建了定量降水预报检验指标新体系，是一种跨量级通用综合评价方法，该方法称作降水预报准确度检验（PAS），具有客观性、有界性、公平性、适用于稀有事件、适度对称性等特点，是适合总体降水、一般性降水、暴雨以上降水和短时强降水预报等的客观检验方法，可用来计算数值模式或定量降水预报的准确程度，评价精细化定量降水预报产品的降水综合预报能力。

Claims (6)

1.一种降水预报跨量级通用综合评价方法，其特征在于，所述评价方法包括如下构建步骤：
步骤一、获取降水预报量和实况量数据；
步骤二、将步骤一中获取的预报量数据匹配到实况量数据的格点或站点上；
步骤三、分析步骤二中获得的预报降水量和实况降水量的关系，得到降水预报准确度检验评分公式，所述降水预报准确度检验评分公式的函数表达式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为评分值，x为降水预报量，u为实况降水量且u不为0，x和u单位为mm；所述PAS评分的阈值在0~1之间，评分越高，降水预报效果越好；PAS=1时，预报降水量和实况完全吻合，是完美预报；当实况有降水，预报无降水时，PAS=0；当降水预报量预报降水量足够大时，PAS->0即计算出的PAS≤0.001时，则可认为PAS->0，近似PAS=0；
步骤四、在进行降水预报检验评分时，先根据降水量级分类后再使用所述步骤三中的降水预报准确度检验评分公式进行评分。
2.根据权利要求1所述的一种降水预报跨量级通用综合评价方法，其特征在于，所述步骤一中获取的预报量数据为二进制的格点数据，实况量数据为二进制或文本格式的格点或站点数据。
3.根据权利要求1所述的一种降水预报跨量级通用综合评价方法，其特征在于，所述步骤四中，先根据降水量级分类后再使用降水预报准确度检验评分公式进行评分时，具体分类情况如下：
（1）一般性降水：实况降水<30mm，评分时间段为12h；或实况降水<50mm，评分时间段为24h；
（2）暴雨以上降水：实况或预报降水≥30mm，评分时间段为12h；或实况或预报降水≥50mm，评分时间段为24h；
（3）短时强降水：条件为实况或预报降水≥20mm，评分时间段为1h或3h；
（4）总体降水预报检验评分：条件为实况降水u≥0.1或预报降水x≥0.1，评分时间段为12h或24h；若实况降水0≤u<0.1mm且预报降水0≤x<0.1mm，则为无降水预报正确。
4.根据权利要求1所述的一种降水预报跨量级通用综合评价方法，其特征在于，还包括步骤五，根据降水预报准确度检验评分公式，得到欠量降水预报度指标
Figure QLYQS_3
和过量降水预报度指标/>
Figure QLYQS_4
：
Figure QLYQS_5
；
Figure QLYQS_6
。
5.根据权利要求3所述的一种降水预报跨量级通用综合评价方法，其特征在于，步骤四中总体降水预报检验评分时，可进一步细化为如下情况：
（一）、针对实况降水量小于10mm的情况，假定：
（1） 0<u≤x<5时, PAS =1；
（2）u=0, x≠0时,PAS=0.5PAS|u->0；PAS|u->0 表示实况降水0<u≤0.1mm的情况下，PAS的评分值；
（3）x=0, u<10时,PAS=0.5PAS|x->0；PAS|x->0 表示预报降水0<x≤0.1mm的情况下，PAS的评分值；
则：
（A）当实况降水u=0mm时，令
Figure QLYQS_7
,则:
Figure QLYQS_8
；
（B）当实况降水0<u<5mm时：
① x=0时，令
Figure QLYQS_9
，则/>
Figure QLYQS_10
；
②x≠0时，则：
Figure QLYQS_11
；
（C）、当实况降水5≤u<10mm时：
①x=0时，令
Figure QLYQS_12
，则：
Figure QLYQS_13
；
② x≠0时，则：
Figure QLYQS_14
；
（二）、当实况降水u≥10mm时，则：
Figure QLYQS_15
。
6.根据权利要求3所述的一种降水预报跨量级通用综合评价方法，其特征在于，根据所述步骤四中，总体降水预报检验评分分类，分析衍生出PAS晴雨评分：
Figure QLYQS_16
其中，
Figure QLYQS_17
为无降水预报正确评分，
Figure QLYQS_18
；/>
Figure QLYQS_19
为PAS晴雨评分，/>
Figure QLYQS_20
为PAS总体降水预报检验评分，具体的为/>
Figure QLYQS_21
为条件为实况降水u≥0.1mm或预报降水x≥0.1mm的PAS评分； m为/>
Figure QLYQS_22
评分的站数或格点数，n为无降水预报正确评分的站数或格点数；
所述PASC评分的阈值在0~1之间，评分越高，晴雨预报效果越好；PASC=1时，晴雨预报和实况完全吻合，是完美预报；PASC=0时，晴雨预报效果最差，为失败预报。
CN202310206219.6A 2023-03-07 2023-03-07 一种降水预报跨量级通用综合评价方法 Active CN116068676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310206219.6A CN116068676B (zh) 2023-03-07 2023-03-07 一种降水预报跨量级通用综合评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310206219.6A CN116068676B (zh) 2023-03-07 2023-03-07 一种降水预报跨量级通用综合评价方法

Publications (2)

Publication Number Publication Date
CN116068676A CN116068676A (zh) 2023-05-05
CN116068676B true CN116068676B (zh) 2023-06-02

Family

ID=86183801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310206219.6A Active CN116068676B (zh) 2023-03-07 2023-03-07 一种降水预报跨量级通用综合评价方法

Country Status (1)

Country Link
CN (1) CN116068676B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010107787A (ja) * 2008-10-30 2010-05-13 Cosmotopia Japan Inc 評価分析システム
JP2010277519A (ja) * 2009-06-01 2010-12-09 Mitsubishi Electric Building Techno Service Co Ltd 雨情報配信システム
CN107179568A (zh) * 2017-05-23 2017-09-19 贵州东方世纪科技股份有限公司 一种降水预报精度评定方法
CN107544077A (zh) * 2017-08-31 2018-01-05 千寻位置网络（浙江）有限公司 一种gnss数据质量检测分析系统及其分析方法
CN206908631U (zh) * 2017-06-27 2018-01-19 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) 一种天气预报业务质量实时检验评估系统
AU2019100631A4 (en) * 2019-06-12 2019-07-18 China Institute Of Water Resources And Hydropower Self-correcting multi-model numerical rainfall ensemble forecasting method
WO2019225064A1 (ja) * 2018-05-22 2019-11-28 株式会社日立製作所 気象予測装置、気象予測方法、並びに風力発電出力推定装置
CN111275234A (zh) * 2019-10-16 2020-06-12 防城港市气象局 一种台风综合信息业务系统
CN111458770A (zh) * 2020-05-27 2020-07-28 上海眼控科技股份有限公司 降水量预报评估方法、装置、计算机设备及存储介质
CN111563660A (zh) * 2020-04-13 2020-08-21 国网浙江省电力有限公司电力科学研究院 一种架空输电线路覆冰预报检验评估方法
CN111639810A (zh) * 2020-06-01 2020-09-08 宁波市水利水电规划设计研究院有限公司 一种基于防汛需求的降雨预报精度评估方法
CN112034535A (zh) * 2020-07-20 2020-12-04 南方电网科学研究院有限责任公司 数值模式降水预报的订正方法、系统及存储介质
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CA3114445A1 (en) * 2020-02-27 2021-08-27 Intercontinental Exchange Holdings, Inc. Systems and methods for converting live weather data to weather index for offsetting weather risk
CN115356789A (zh) * 2022-10-08 2022-11-18 南京气象科技创新研究院 一种梅雨期短时强降水分级预警方法
CN115471000A (zh) * 2022-09-23 2022-12-13 大连理工大学 一种确定性分级降雨预报不确定性的评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7107152B2 (en) * 2003-04-28 2006-09-12 Fixman Bruce A Weather forecast accuracy verification and evaluation system
CN105808948B (zh) * 2016-03-08 2017-02-15 中国水利水电科学研究院 一种自动修正的多模式数值降雨集合预报方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010107787A (ja) * 2008-10-30 2010-05-13 Cosmotopia Japan Inc 評価分析システム
JP2010277519A (ja) * 2009-06-01 2010-12-09 Mitsubishi Electric Building Techno Service Co Ltd 雨情報配信システム
CN107179568A (zh) * 2017-05-23 2017-09-19 贵州东方世纪科技股份有限公司 一种降水预报精度评定方法
WO2018214364A1 (zh) * 2017-05-23 2018-11-29 贵州东方世纪科技股份有限公司 一种降水预报精度评定方法
CN206908631U (zh) * 2017-06-27 2018-01-19 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) 一种天气预报业务质量实时检验评估系统
CN107544077A (zh) * 2017-08-31 2018-01-05 千寻位置网络（浙江）有限公司 一种gnss数据质量检测分析系统及其分析方法
WO2019225064A1 (ja) * 2018-05-22 2019-11-28 株式会社日立製作所 気象予測装置、気象予測方法、並びに風力発電出力推定装置
AU2019100631A4 (en) * 2019-06-12 2019-07-18 China Institute Of Water Resources And Hydropower Self-correcting multi-model numerical rainfall ensemble forecasting method
CN111275234A (zh) * 2019-10-16 2020-06-12 防城港市气象局 一种台风综合信息业务系统
CA3114445A1 (en) * 2020-02-27 2021-08-27 Intercontinental Exchange Holdings, Inc. Systems and methods for converting live weather data to weather index for offsetting weather risk
CN111563660A (zh) * 2020-04-13 2020-08-21 国网浙江省电力有限公司电力科学研究院 一种架空输电线路覆冰预报检验评估方法
CN111458770A (zh) * 2020-05-27 2020-07-28 上海眼控科技股份有限公司 降水量预报评估方法、装置、计算机设备及存储介质
CN111639810A (zh) * 2020-06-01 2020-09-08 宁波市水利水电规划设计研究院有限公司 一种基于防汛需求的降雨预报精度评估方法
CN112034535A (zh) * 2020-07-20 2020-12-04 南方电网科学研究院有限责任公司 数值模式降水预报的订正方法、系统及存储介质
AU2021100001A4 (en) * 2021-01-01 2021-03-18 Baghavathi Priya, S. DR Scientific model for predicting change in rainfall using climatic raster data mining
CN115471000A (zh) * 2022-09-23 2022-12-13 大连理工大学 一种确定性分级降雨预报不确定性的评估方法
CN115356789A (zh) * 2022-10-08 2022-11-18 南京气象科技创新研究院 一种梅雨期短时强降水分级预警方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"7·20"郑州特大暴雨的多模式对比及高分辨率区域模式预报 分析;史文茹;《大气科学学报》;第44卷(第5期);688-702 *
A long-term assessment of precipitation forecast skill using the Fractions Skill Score;Marion Mittermaier,;《METEOROLOGICAL APPLICATIONS》;176-186 *
Regional varability in microphsical characteristics of precipitation features with lightning across China: observations form GPM;Fengjiao Chen;《Remote Sensing》;第14卷(第23期);6072 *
Scale-Selective Verification of Rainfall Accumulations from High-Resolution Forecasts of Convective Events;NIGEL M. ROBERTS;《MONTHLY WEATHER REVIEW》;第136卷(第1期);78-97 *
一种新型降水预报评分方法;黄海洪;《气象》;第30卷(第9期);35-38 *

Also Published As

Publication number Publication date
CN116068676A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Haylock et al. Trends in extreme rainfall indices for an updated high quality data set for Australia, 1910–1998
Moreira et al. SPI-based drought category prediction using loglinear models
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
Haddad et al. Design rainfall estimation in Australia: a case study using L moments and generalized least squares regression
CN112488385B (zh) 一种基于多模式融合的降水预报订正方法和装置
Kilgore et al. Estimating joint flow probabilities at stream confluences by using copulas
CN115206088B (zh) 考虑动态交通流的城市快速路交通事故风险量化评估方法
Chen et al. Assessing typhoon damages to Taiwan in the recent decade: Return period analysis and loss prediction
Lee et al. Influence of the El Niño/southern oscillation on South Korean streamflow variability
CN115630337A (zh) 基于大尺度气候遥相关的极端降雨归因的定量评估方法及系统
CN113779760B (zh) 基于可预测气候模态的动力-统计结合季节气候预测方法
CN116068676B (zh) 一种降水预报跨量级通用综合评价方法
Wasko et al. A systematic review of climate change science relevant to Australian design flood estimation
Fangmann et al. Statistical approaches for identification of low-flow drivers: temporal aspects
CN107944466A (zh) 一种基于分段思想的降雨偏差纠正方法
Mawada et al. Climate change impacts on the extreme rainfall for selected sites in North Western England
CN112200399A (zh) 一种地震成灾风险评估和经济损失预测方法
CN116776263A (zh) 基于数据驱动的街区尺度建筑高能耗异常检测方法及系统
CN111339392B (zh) 一种基于气象要素的天空蓝指数确定方法及系统
CN111160608A (zh) 极端降水天气指数的应用方法、应用系统、电子设备及存储介质
Holtermann et al. The subnational effect of temperature on economic production: a disaggregated analysis in european regions
CN112380778A (zh) 一种基于海温的气象干旱预报方法
CN115236770B (zh) 基于时空堆叠和样本重构的非线性短时临近降水预报方法
Chen et al. Uncertainty analysis of hydrologic forecasts based on copulas
Condon et al. Climate change and non-stationary flood risk for the Upper Truckee River Basin

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant