引言

强降水是诱发山地泥石流灾害的关键驱动因素，在泥石流灾害预警预报中引入降水量预报因子，可以在小时、天、周、月甚至年的尺度上提前制作泥石流灾害危险度预报和预警，有利于降低降水引发的泥石流灾害的损失。目前泥石流预报业务使用的降水因子有两种：一种是预报员制作的降水落区，主要是0、10、25、50、100和250 mm降水等值线预报；另一种是数值模式的格点场降水预报。对于泥石流预报，这两种降水预报各有利弊，前者准确率高，但由于是降水分级预报结果，因此难以定量化应用。后者的缺陷是针对大雨以上的预报准确率比较低，给泥石流预报带来很大的不确定性。因此，如何得到具有较高准确率的格点场预报降水是一个具有挑战性的工作。Krishnamurti等(1999) 考虑了初始场和模式的不确定性，提出了多模式超级集合预报思想，即使用多个模式的结果，每个模式都有其自身的子集合预报系统，并依据一定的方法对预报结果进行集成，以获得最佳决定性预报。国内学者的研究也表明各成员预报的等权平均或不等权平均的集合预报明显优于单一的控制预报，可以抑制随机误差，预报结果明显改善(赵琳娜等，2010；蔡其发等，1999；杨松等，2003；陈丽娟等，2005；赵声蓉，2006)。TIGGE(the THORPEX Interactive Grand Global Ensemble)是用于观测系统研究及预报试验的全球合作数据集，资料包括了多个国家的集合预报模式的数值预报产品。TIGGE资料，目前已在概率降水预报、水文预报及集成降水预报等方面得到了初步的应用(Zhao et al, 2011;2012;赵琳娜等，2012；Liang et al, 2012;Bao et al, 2012;包红军等，2012)，这些研究结果说明，集合预报降水的集成方法能够降低预报误差，提高预报技巧。

目前降水集成方法主要针对多种单一模式的集成，或是某一个模式多个预报成员的集成(周兵等，2006；1999;段明铿等，2004；曹晓钟等，2008；尤凤春等，2009；严明良等，2009；冯汉中等，2009；彭九慧等，2008；马清等，2008；管成功等，2006)。而一般针对降水的集成研究大多关注降水总量的改善，而泥石流灾害预报则主要关注大雨以上量级的预报。本文研究的个例是一次引发泥石流的暴雨。受2009年第15号台风巨爵影响，广东西南部出现强降水，引发滑坡、崩塌地质灾害37起，其中，阳江发生地质灾害35起，占总数的92.1%，而阳江正好处于降水大值中心，因此降水预报效果尤为重要。台风巨爵引发的降水过程在9月14日20时至9月15日20时24小时时间段内主要降水集中在广东西南部和中部偏南地区，其中阳江地区是大值中心之一，部分地区降水量达100.0 mm以上。

因此，本文的研究重点在于引发泥石流、滑坡的大雨以上的降水集成，针对2009年9月14—15日台风巨爵的强降水及9月19日的非台风型降水引发多起滑坡、崩塌、泥石流等地质灾害这一实际情况，选取这两次个例，分析TS评分集成法和BS评分集成法的效果，建立面向泥石流预报的集合预报降水集成方法。具体是采用中国气象局(CMA)、日本气象厅(JMA)、欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)4家的TIGGE资料，每个模式在成员内部进行集成，再针对4个预报结果进行二次集成的方式，研究重点集中在提高集成后大雨以上量级降水预报准确率，从而可为山地泥石流预报提供更准确的降水预报信息。

1 研究区和数据

研究区域是中国东南浙闽粤三省。该区域是泥石流的多发地带，灾害主要发生在夏季(5—10月)，其中在6和8月出现两个灾害峰值。华南前汛期降水、梅汛期降水和台风降水，容易在地质条件脆弱地区形成诱发泥石流灾害的前期有效雨量和当日雨量条件，是诱发该地区的泥石流灾害的主要原因(韦方强等，2010；张国平等，2010)。

研究资料是TIGGE中国中心收到的中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的4家集合预报模式的逐日的20时到次日20时(北京时，下同)的24小时降水量数值预报产品，各模式的水平分辨率、集合成员数和预报时效等参数见表 1。从表 1可以看出，各成员的水平分辨率、预报时效各不相同。

观测降水取自国家气象中心实时收到的东南三省的320个观测站资料(图 1)，TIGGE资料和降水观测资料均选取2009年6月7日20时至2009年9月29日20时进行研究。

2 TIGGE降水分区集成方法 2.1 浙闽粤三省降水气候分区

基于降水因子在引发泥石流灾害的过程中的重要作用，考虑到东南地区泥石流灾害地区分布差异：

泥石流在三个省内均有分布，以浙江和福建两省最为集中，在地貌单元上，泥石流主要分布在浙闽丘陵和南岭(韦方强等，2010)。本文对东南地区1970—2009年的气象资料进行统计，根据与降水有关的12个因子：年均暴雨天数、年均暴雨雨量、平均暴雨雨量、年最大暴雨日数、年最小暴雨日数、最大暴雨日数年的暴雨雨量、最小暴雨日数年的暴雨雨量、最大暴雨雨量，5—10月平均降水量(代表 6个因子)、旱季降水量、雨季降水量和多年平均年降水量。利用信息量模型将整个东南地区划分成5个子区域：(1) 广东东南、(2) 浙闽沿海、(3) 广东西北、(4) 浙闽西部和(5) 浙江北部(图 1)。分区后，能更好地将降水特征差异融入到泥石流预报分析中，为进一步的泥石流预报分析作基础。

2.2 研究方法

本文采用双线性插值方法将集合降水预报格点场插值到320个观测站点上，根据2.1节5个气候分区内气象站点的降水预报和观测，进行降水集成，然后对集成结果进行检验分析，为进一步的泥石流预报模型研究作基础(图 2)。

2.3 降水集成方法

本文采用TS评分分析方法来判定各模式各成员对预报因子所占权重，TS评分公式(曹晓钟等，2008) 如下:

$ TS = {N_A}/({N_A} + {N_B} + {N_C}) $

(1)

式中，N_A表示降水预报正确的站(次)数，N_B表示空报站(次)数，N_C表示漏报站(次)数。TS值越大表示预报结果越好。

本文中，N_A表示所有样本中各站各成员的预报降水和观测降水都在25.00 mm以上的次数，N_B表示所有样本中各站各成员的预报降水在25.00 mm以上，观测降水未在25.00 mm以上的次数，N_C表示所有样本中各站各成员的预报降水未在25.00 mm以上，观测降水在25.00 mm以上的次数。

此外，本文还采用BS评分计算各模式的权重，定义公式如下(尤凤春等，2009)：

$ BS = \frac{1}{N}\sum\limits_{i = 1}^n {{{({f_i} - {o_i})}^2}} $

(2)

式中，N为二分类事件的预报数，f_i表示某一天气事件发生的预报概率，o_i表示实况，事件发生o_i为1，事件不发生o_i为0。BS的取值范围是0~1，BS值越小越好。BS等于1表示评分最差，表示预报失效。

本文中，N表示集合预报样本数，f_i表示一个集合预报样本中降水在25.00 mm以上的成员所占所有预报成员的概率，o_i表示实况降水在25.00 mm以上，事件发生o_i为1，事件不发生o_i为0。

由于本文考虑的是引发泥石流的降水预报，因此，更关注各模式及成员对25.00 mm以上的降水的预报效果，即采用算术平均、TS评分和BS评分3种集成方法后的集成预报效果。引入的TS和BS评分方法，不仅仅用于检验预报的结果，而首先是基于TS评分和BS评分对25.00 mm以上降水的评价，构建多模式多成员的预报结果的权重，将评分的结果作为求取模式权重的重要指标，完成集合预报的集成。基于TS评分的集成思路为：首先，对4家集合预报模式各成员预报插值结果分别进行TS检验分析。以CMA集合预报为例，针对15个不同的成员(1个控制预报成员，14个扰动预报成员)，基于2009年6月7日20时至9月29日20时24小时降水预报这115个样本，提取6月7日至8月31日的降水预报作为集成样本，9月1—29日的降水预报作为检验样本，分别求取CMA集合预报320个站、15个预报成员的TS评分值，其次，根据各站、各成员的TS评分高低，决定该成员在该模式集成降水预报结果中所占权重，根据降水及所占权重，最终得到CMA的确定性站点降水预报。对其他3种模式也采取类似方法，得到4家集合数值模式的集成预报后，同样对4家模式的集成降水以TS评分分析法进行集成，得到4家模式320个观测站对应的超级集成预报。

基于BS评分方法的各模式集成构建方法大体思路类似，计算方法有差异。基于BS评分方法首先基于集成样本，计算各家集合预报模式预报效果的BS评分，以获取该模式的权重，根据4家模式的控制成员降水预报及模式所占权重，最终得到4家模式320个测站对应的超级集成预报，本文不再赘述。

3 结果及分析 3.1 单个模式集成前后的降水预报比较

图 3表示从2009年9月1—29日5个区域上，分别为CMA、ECMWF、JMA和NCEP 4个模式的控制预报的降水和基于TS评分法各成员集成后的区域集成降水预报(记为ALL1)、基于BS评分法各模式集成后的区域集成降水预报(记为ALL2)和观测降水情况。根据2009年9月的集成预报和单一模式控制预报比较分析可以看出(图 3a~3e)：5个区域内，单一模式的24小时降水预报与观测间均存在一定的偏差，尤其是对大雨以上量级的降水预报，各模式预报均存在较大的系统误差，从降水趋势上看，广东东南部和浙江北部，模式降水的预报较为准确，其他3个区域，浙闽沿海、浙闽西部及广东西北部的预报系统偏差较为明显，通过TS和BS权重法集成，综合了各成员和各家模式对预报不确定性的把握，使预报结论较为稳定，降水特征更趋近于观测，预报效果较好。

从对上述集成预报的平均绝对误差来看(表 2)，经过集成后的各模式降水预报，平均绝对误差数均有明显减小，各区域基于TS评分集成后的降水的平均绝对误差普遍小于基于BS评分后的降水平均绝对误差，效果更好。以浙江北部为例，预报趋势较为准确，且各模式的平均绝对误差均较小，在这一前提下，为集成后的降水误差的进一步减小提供了良好的前期数据条件。由此可见，集成后的降水预报在平均绝对误差上得到了很好的效果。

3.2 不同集成方法集成效果对比分析

广东东南和浙江北部区域，基于TS评分的模式成员集成后的降水TS评分值明显大于其他任一单一模型，同时也优于算术平均集成降水及基于BS评分的模式集成后的降水，对于浙闽沿海和广东西北部，基于TS评分的模式成员集成后的降水TS评分值在整个比较的成员中处于中上水平(图 4)。这充分表明基于TS评分的模式成员集成的降水是具有一定参考意义的，尤其是对于预报趋势相对较好的模型输出，基于TS评分的模式成员集成的降水效果更好。

基于算术平均集成和BS评分的模式集成的降水TS评分值只有在广东东南区域表现了较好的效果，集成的降水效果并不稳定，原因有待于进一步分析(图 4)。

简单的算术平均降水集成及基于BS评分的模式降水集成在某些区域，对预报效果有较大的改进，而采用了模式成员的TS评分分值大小决定权重高低的方法，得到的集成降水评分普遍较高。因此，TS评分的模式降水集成方法是对于大雨预报的一种较为有效的集成方法，值得进一步分析。

4 多模式降水集成个例分析

为了对集成方法进一步检验，本文以2009年9月期间的台风降水和非台风降水作为实例，对全体样本集成的个例进行抽样检验。

4.1 台风期降水个例分析

2009年9月14日20时至15日20时24小时时间段内，台风巨爵引发的降水过程主要降水集中在广东西南部和中部偏南地区，部分地区降水量达100.00 mm以上(图 5a)。针对阳江地区，4个集合预报模式的控制预报对广东西南部的24小时降水预报存在一定差异，CMA模式在降水带位置分布预报上偏差较大，预报量级偏小，预报效果不理想(图 5b₁)；ECMWF模式对降水大值中心的位置预报明显偏西，在降水量级上也普遍偏小(图 5b₂)；JMA模式预报(图 5b₃)和NCEP模式预报(图 5b₄)降水大值中心略向西偏，其中JMA的预报较为接近观测降水。通过TS评分集成方法，对于预报效果差的模式的改善较为显著。CMA控制预报的降水中心明显偏北，且降水大值仅有50.00 mm以上，基于TS评分方法集成后的CMA预报(图 5c₁)在降水大值中心带分布上更接近观测降水的分布，在量级上也明显有提升，从原本的50.00 mm降水量级提升到了80.00 mm，对于预报结论有了明显的改善。尤其对于下一步的地质灾害气象预报有很大的意义。对于ECMWF、JMA、NCEP模式预报(图 5c₂~5c₄)，集成后的降水预报改善较小，和控制预报在降水分布和量级上都较为一致。

对于4家模式的总的集成预报，相较于实况观测降水，基于TS评分法的总集成降水(图 5d)优势明显，在降水大值的空间分布上，显示了优越性，在模式预报降水量级普遍偏小的情况下，改善了预报量级，预报效果最优，其次是基于BS评分法(图 5e)的总集成预报，最后是基于算术平均法(图 5f)的总集成预报。集成后的降水预报集合了各家单一模式的特点，就降水预报的稳定度而言，有了很大的改善。

4.2 非台风期降水个例分析

2009年9月18—19日降水为非台风型降水。由图 6可以看出，实际各个模式控制预报(图 6b₁~b₄)的降水预报效果都不理想，降水预报量级较实际观测(图 6a)偏小，降水中心也不稳定，在此基础上，仅用TS方法总集成后的预报(图 6d)降水量级较之单一模式从量级和降水大值中心位置的预报上更接近实际观测降水，对预报效果有较大改善，对于进一步的地质灾害预报有很好的指示作用。

5 结论和讨论

基于TIGGE多模式超级降水预报集成，能在单一模式或多模式预报均偏差较大的情况下，通过TS评分、BS评分集成和简单的算术平均集成，明显改善单一模式的确定性降水预报带来的不确定性，可以抑制单个模式的随机误差并明显改进预报结果，使大雨以上量级的降水预报结论更为可靠，从而为泥石流灾害预报提供更好的格点降水预报。

本文基于TIGGE资料，对中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的集合数值预报结果进行降水集成分析，采用算术平均法、TS评分集成法和BS评分集成法进行对比分析，结果表明：基于TS评分的多模式降水集成法无论在分区降水评分中，还是在东南地区的台风型降水和非台风型降水实例中，都有效改进了大雨以上的降水预报效果。得到的主要结论如下：

(1) 基于TS评分方法的TIGGE降水多元集成方法，对降水趋势的预报最为稳定，能较好地集合各个预报模式中较为优质的预报，综合各家模式预报中的优点。在广东东南和浙江北部分区降水评分中有明显优势。在东南地区的台风型降水和非台风型降水实例中，针对大雨以上的降水，在落区及降水量级预报方面，对单一模式预报结论尤其是CMA模式的预报结论起到了很好的修正作用，大幅度缩小了单一模式预报和观测降水的平均绝对误差。因此，TS集成方法是对于大雨预报的一种较优的集成方法。

(2) 据本次预报样本分析，基于BS评分方法的TIGGE降水多元集成是仅次于基于TS评分方法的集成方法，对预报效果有较大的改进，集成后的降水与观测降水更为接近，平均绝对误差大幅减小。

(3) 简单的算术平均集成方法是一种局部相对较优的集合方法。据本次预报样本分析，基于TS和BS评分方法优于简单的算术平均法集成的关键是为各模式赋权重，因此权重系数的选取对于集成降水预报较为重要，如何对TS评分高的集合模式预报成员设定高权重以及如何为BS评分好的集合模式设定高权重得到更优质的总集成预报结果，并将总集成降水引入地质灾害预报模型中进一步检验，值得在今后继续深入研究。