红水河流域面雨量多模式智能预报方法研究

红水河流域面雨量多模式智能预报方法研究

      ,贺春江 ,黄珩 ,韦健 ,黎金玲

（广西河池市气象局 广西河池 547000）

摘要：利用ECMWF、日本中分辩率（JMA）、德国（ GERMAN）和GRAPES-MESO网格降水预报产品，采用双线性二次插值的方法把网格预报的数值插入红水河各集雨区实际区域自动站点作为各时段该气象观测站的预报值，用线性回归中的最小二乘法对区域自动站实际数据与各模式的数值预报进行相关系数的计算，通过线性回归的方式确定各模式的权重，利用机器学习的方式，不断的对各模式权重动态调整，建立各流域面雨量预报产品的线性回归方程。并以2021年4-6月为例，采用平均绝对误差法检验红水河流域各集雨区智能预报面雨量与预报员综合预报面雨量的预报效果，结果表明智能预报的预报能力优于预报员同期制做的综合面雨量预报，有较好的应用前景，能提高流域面雨量定量预报的精度和准确度，发挥气象预报在水库调控、负荷调整及水位控制的作用。

关键词：流域面雨量；多模式智能预报；方法研究

1引言

红水河是珠江水系的西江干流，水能资源丰富，建设有天生桥一级、天生桥二级、平班、龙滩、岩滩、大化、百龙滩、乐滩、桥巩、大藤峡10个梯级电站，全长1050公里，总落差756.6米。2017年7月12日随着中国大唐集团广西分公司集控中心正式启用，包括平班、龙滩、岩滩、大化、百龙滩、乐滩等水库实行统一预报、统一调度、统一协调三个统一的梯级调度管理。为适应当前大唐集控中心调度高标准、严要求的趋势，面雨量精度的提升是水库调度精细化调度的重要保障，是保障各水电厂发电和防洪安全，合理的进行流域梯级调节，避免水电站梯级弃水，水位超限，出力受阻等，为梯级水库优化调度实现效益最大化提供强有力的技术支持。为提高流域面雨量的精度预报，近年来国内也有很多流域开展了基于人工智能和数值模式产品面雨量的预报和检验业务。如朱占云等[1-2]利用欧洲细网格（ECMWF）、日本高分辨率（JMA）、OCF模式预报资料对浙江省六大水库流域面雨量进行预报，并进行检验。周国兵[3]等采用相似预报、T213降水预报、MM5模式预报制做三峡库区面雨量。卢小凤等[4]利用智能网格降水产品对西江流域短期面雨量进行了检验。但针对于细化红水河流域各集雨区面雨量的智能预报仍为空白。

本文将人工智能技术，利用多家数值预报产品及实况观测资料，通过智能网格预报及预报融合订正技术, 开展对红水河流域面雨量预报的研究，并与同期预报员综合预报产品进行对比评估，生成红水河流域面雨量智能预报产品，推动红水河流域各集雨区面雨量预报技术向客观化、精准化、智能型发展。

2红水河流域概况及资料说明

2.1研究区域概况及集雨区域划分

红水河是西江上游的干流，发源于云南沾益县马雄山，流径滇、黔、桂三省区，本文研究的范围上致云南沾益、下致乐滩坝区。流域地处亚热带季风气候区，降雨量年际变化较大，年内降雨时空分布不均，表现为上游少，下游多，东多西少的特点，汛期（4-9月）流域降水占年总降水量的75%。根据红水河流域汇流特性，龙滩水文中心测报站点分布，气象区域自动站，水电站分布特征，水系分水岭以及结合大唐集控中心服务需求，将流域划分为南盘江上游、南盘江中游、南盘江下游、北盘江上游、北盘江下游、红水河（蔗香到蒙江）、石[1][2]

门坎以上区域、沫阳以上区域、曹渡河区域、布柳河到龙滩库区、岩滩库区、大化库区、百龙滩库区、刁江流域、乐滩库区等十五个集雨区（图1）。其中南盘江下游、北盘江下游、红水河（蔗香到蒙江）、石门坎以上区域、沫阳以上区域、曹渡河区域、布柳河到龙滩库区是龙滩电站的主要产流区。

      图1红水河流域15个集雨区划分

2.2实况资料选取及格点插值

实况资料采用研究范围内的红水河流域各集雨区内的自动气象站点，选取数据采集正常的自动站，站点涵盖云南、贵州、广西三省共计755个区域自动站。逐小时降水实况数据通过接口访问广西区局CIMISS数据库，读取自动站小时降水实况数据，保存到本地数据库，实况数据库字段名包括：时间、站名、区站号、经度、纬度、小时雨量。

四个数值预报模式降水预报格点以前一日20时为初始场，产品覆盖红水河流域范围（102.0°-109.0°E、23.0°-27.0°N），空间分辨率5KM，时间分辨率为12-72h逐12h分别读取EC细网格、德国细网格、日本中分辨率、GRAPES_MESO的网格预报原始降水数据。按照流域划分的15个集雨区755个实际气象区域自动站点，利用双线性二次插值的方法把4个模式的网格预报的数值插入实际自动观测站点作为各时段该气象观测站的预报值，将插值后得到的站点数据保存到本地服务器。

2.3流域面雨量计算

面雨量是指某一特定区域或流域平均降水情况，目前气象和水文部门广为采用的是算术平均法、泰森多边形法、克里金法[5]。采用算术平均法和泰森多边形法计算流域面雨量时，总体情况两种计算方法误差不大

[6] 。本文所划分的15个集雨区内包括云南、贵州、广西区内的气象区域自动站点的分布较为均匀，资料也较齐全，因此在利用自动区域站降水资料计算各个集雨区域的面雨量实况值采用算术平均法。在计算ECMWF、日本中分辩率（JMA）、德国和GRAPES-MESO输出各个流域面雨量时将数值预报格点数据转换为选定的自动区域站点数据，通过面雨量模型计算在集雨区域内的数值为面雨量预报值。

3流域多模式智能预报方法

3.1相关系数的计算

用线性回归数理统计方法，对降水数值预报模式数据与实况数据进行数理统计相关分析，本文利用线性回归中的最小二乘法对气象区域自动站实际数据与4个模式即EC细网格、德国细网格、日本中分辨率、GRAPES_MESO的数值预报进行相关系数的计算，相关系数的计算公式为： 

r=

其中Xi某气象观测站点的时间序列的实况数据， 为该站点时间序列内的实况平均值，Yi为该气象观测站点的时间序列的数值模式预报，为该站点时间序列内数值模式预报的平均值，r为实况数据与数值模式预报相关系数。通过上面的公式计算出流域某个气象观测站实况数据与数值预报的相关系数，通过相关系数来确定选用的数值预报模式，本文中我们暂定r的数值大于等于0.3的数值预报模式在该段时间序列中被选用，反之在该段时间序列中该模式被抛弃。

3.2模式权重参数和多元回归方程的建立

通过相关系数把某一气象观测站被选用的数值预报模式提取出来，用线性回归的方式确定各模式的权重参数,计算公式如下：

式中i为某气象观测站点的综合时段的预报值，xi为各时段选定的模式在该站点的数值模式预报值，b0为预报对象的平均值，bj为权重参数，该参数采用最小二乘法确定。

根据红水河流域集雨范围划分的15个集雨区，为调整优化面雨量预报精度，发挥4种预报模式的综合作用，令流域面雨量为预报量y 。其中y1为乐滩库区、y2为刁江流域、y3为北盘江上游、y4为北盘江下游、y5为南盘江上游、y6为南盘江下游、y7为南盘江中游、y8为大化流域、y9为岩滩流域、y10为布柳河纳益河龙滩近坝区、y11为曹渡河六洞河区域、y12为沫阳及以上区域、y13为百龙滩、y14为石门坎以上区域、y15为红水河区域；b1为EC细网格权重参数、b2为德国细网格权重参数、b3为日本中分辨率权重参数、b4为GRAPES_MESO权重参数；建立15个集雨区的EC、日本、德国和GRAPES四种模式降水预报值和面雨量实况值之间的线性回归方程，运用高斯消元法进行计算，将四个模式的预报值按权重计算得到最终各个流域面雨量的预报值。图2截取的是15个集雨区四种模式前一日20h起报的12-36h时效的某日权重参数，表中参数的正负值表示对各模式预报误差的修正，NULL表示没有计算出参数或该模式不被选中；该参数通过每天不同数值预报模式动态订正。

图2:红水河各个集雨区四种模式不同时效某日的权重参数

3.3智能预报的制作

为解决单一数值预报结果的不确定性，从统计学角度给出预报结果并对预报进行量化，建立流域面雨量资料库，通过面雨量实况资料库，运行计算各流域的EC细网格、德国细网格、日本中分辨率、GRAPES_MESO等多家模式的面雨量预报值与实况面雨量的相关性，通过分析不同时间与空间上的数据信息，以40天为一训练周期，不断利用计算机深度学习，自动修正和比较各家模式对红水河各集雨区降水的预报能力，并从4个模式预报中选出最优的预报效果，对各模式权重的进行动态调整，生成流域面雨量智能预报产品。预报员还可通过查看预报方程、查看各模式的预报误差，对智能预报产品进行主观订正。

4业务应用效果初步评估

为了分析和比较流域多模式智能预报系统的预报能力，本文对比了2021年前汛期4-6月24-72h红水河流域15个集雨区多模式智能预报与同期主观预报员的综合预报，评分方法采用了平均绝对误差法Ea评分。

平均绝对误差Ea，指预报值和实况值的平均绝对误差，其公式为

Ea=

式中n为流域有雨预报正确的天数，Rf为有雨且预报正确时的面雨量预报值； Ro为有雨且预报正确时的面雨量实况值。本文仅统计15个流域任一区域实况面雨量≥5mm时且预报也有雨时的误差。表1是2021年4到6月多模式智能预报和预报员综合预报对红水河流域15个集雨区24-72h面雨量预报的平均绝对误差Ea。从表中可以看到，24 h预报时效内，南盘江中游、刁江流域的多模式智能预报的平均误差值比预报员的综合预报值略大，其余13个集雨区的多模式智能预报优于预报员的综合预报；48h预报时效内，石门坎区域、沫阳区域

、岩滩库区、刁江流域多模式智能预报的平均误差值比预报员的综合预报值略大，其余11个集雨区的多模式智能预报优于预报员的综合预报；72h预报时效内的多模式智能预报与预报员的综合预报能力相当。随着时效的延长，多模式智能预报和预报员的综合预报平均绝对误差值随着增大，预报效果也随之下降。

表1：2021年4-6月智能预报与预报员综合预报对流域15个集雨区面雨量预报的平均绝对误差（单位：mm）

5结论与讨论

（1）本文利用EC细网格、德国细网格、日本中分辨率、GRAPES_MESO，4种模式的数值预报产品及实况观测资料开展人工智能预报研究，建立了红水河15个集雨区面雨量的预报模型，生成流域15个集雨区12-72h的面雨量智能预报；

（2）多模式智能预报对红水河各集雨区面雨量24-48h的预报能力整体要优于预报员的综合预报，72h的预报能力与预报员的综合预报能力相当，所以流域多模式智能预报生成的面雨量，可为预报员在制做红水河流域15个集雨区面雨量预报时提供参考；

（3）由于流域的相应实况资料库存储时间较短，机器学习的时间也较短，所建的15个流域的预报模型是以40天为周期进行学习，其稳定性需进一步验证。下一步将采用更长时间的实况资料，通过细分不同季节不同影响天气系统各家模式的预报性能，不断修正各模式的权重参数，生成更为客观的智能预报定量降水预报产品，提高流域面雨量预报的精度 。

参考文献

[1] 朱占云、陈光宇、姜瑜君等.浙江省六大水库流域面雨量模式预报效果检验[J].气象与环境学报2016，32（3）：28-33

[2] 朱占云、潘娅英、骆月珍等浙江省水库流域面雨量的多模式预报效果分析与检验[J]. 气象与环境科学2017，40（3）：93-100

[3]周国兵等.三峡库区流域面雨量预报模糊检验[J].气象科技2005，33（2）：120-123

[4] 卢小凤、李仲怡、陈剑飞等. 智能网格产品在西江流域面雨量预报中的应用检验[J].气象研究与应用2020，41（2）：45-49

[5]中国气象局. GB/T  20486-2017江河流域面雨量划分等级[S].北京：中国标准出版社，2017

[6]钟利华，钟仕全，曾鹏等.基于GIS的广西电网流域面雨量计算方法与监测预警[J].气象研究与应用，2015，36（1）：38-42

广西气象科研面上项目：流域面雨量数值预报模式方法研究(桂气科2021M12)

作者简介：贺春江（1971.05），女，汉族，广西河池人，本科，高级工程师，从事专业气象预报服务工作。