云模式预报雨量与雷达估测雨量及自动站实测雨量比较

云模式预报雨量与雷达估测雨量及自动站实测雨量比较李玉林;周国强【摘要】By using the 2007-2008 rainfall data from GRAPES cloud model product, radar estimation and automatic weather station, the basic statistic characteristics and geographical distribution of precipitation and the corresponding relativities are analyzed. Also, the complex relationships among them are analyzed based on 129 samples. The results show that there is a good complex relationship. The maximum hourly rainfall value from GRAPES cloud model is larger than those from radar estimation and measurement.%利用2007-2008年1-12月国家气象中心GRAPES云模式预报雨量资料，及同期江西区域天气雷达估测雨量及自动气象站实测雨量资料，比较其基本统计与地理分布特征，并对其进行相关计算与结果分析，选取129个数据样本，计算分析它们之间的复相关性，并对其计算误差进行比较与分析。

结果表明，三种雨量的复相关性较好，GRAPES云模式预测的时雨量值最大，比雷达估测的时雨量值及自动站实测的时雨量值偏大，自动站实测时雨量值次之，雷达估测的时雨量值偏小。

【期刊名称】《气象与减灾研究》【年(卷),期】2013(000)002【总页数】6页(P65-70)【关键词】预报雨量;GRAPES云模式;雷达估测;实测【作者】李玉林;周国强【作者单位】江西省人工影响天气领导小组办公室，江西南昌 330046;江西省人工影响天气领导小组办公室，江西南昌 330046【正文语种】中文【中图分类】P426.613国内在利用数字化雷达、多普勒天气雷达等估测降水方面已作过一些工作［1-7］，包括Z-I关系法、概率配对法、卡尔曼滤波校准法和变分校准法等，进行雷达定量测量降水订正与估测。

在利用传统的只针对自动雨量站资料本身质量控制方法的基础上，引入雷达资料，将地面实测雨量与雷达估测雨量通过相似离度的方法查找二者之间的关系，并对雷达回波强度和自动站雨量的相关性进行了研究；有的学者利用粒子激光探测仪观测到的滴谱资料建立实时的Z-I关系，然后利用变分法对同时有雷达回波和雨量计资料站点的实测校准因子进行校准；有学者利用多普勒雷达及自动气象站雨量资料，在淮河流域雨季不同气候区进行了降水估测；采用最优化、概率配对法分别得到不同区域的Z-I关系，找出最佳估测区域和最佳估测方法；用卡尔曼滤波校准方法、最优化方法、概率配对方法同时进行降水估测，提供了判别其方法优劣的可靠依据［8-12］。

而利用GRAPES云模式预报雨量、多普勒天气雷达估测雨量、自动站实测雨量等资料，比较其基本特征，并进行综合相关计算与结果分析等工作开展得比较少，对计算精度的比较工作也不多见。

文中利用2007—2008年1—12月国家气象中心GRAPES云模式预报雨量资料，及同期江西区域天气雷达估测雨量及自动站实测雨量资料，应用数理统计等方法，比较它们之间的基本特征与地理分布特征；从总资料样本中选取129个资料数据样本，计算分析它们之间的复相关性，并对其计算误差进行比较与分析，为江西省人工增雨作业潜力分析、技术指导、效果分析等提供依据。

1.1 时雨量表1给出了江西区域3种雨量各时次的平均值。

分析发现，GRAPES云模式预报的时雨量最大，其平均值为1.41 mm，比雷达估测及自动气象站实测的时雨量平均值均偏大0.96 mm。

由图1看出，GRAPES云模式预报的时雨量值曲线位于其他两条曲线上方，呈双峰型，峰值分别出现在12时、08时，分别为1.91、1.33 mm。

雷达估测的时雨量值最小，平均为0.42 mm，比GRAPES模式预报的时雨量平均值偏小0.99 mm，比自动气象站实测的时雨量平均值偏小0.03 mm；呈单峰型，峰值出现在09时，其值为0.83 mm。

自动站实测的时雨量值曲线在三条曲线中居于中间，其平均值为0.45 mm，比GRAPES云模式预报的时雨量平均值偏小0.96mm，比雷达估测的时雨量平均值偏大0.03 mm；呈多峰型，峰值分别出现在09时、14时、17时、04时，分别为0.83、0.68、0.60、0.39 mm。

极大值出现时间段为：GRAPES云模式预报时雨量最大值出现在12时，为1.91 mm；雷达估测的时雨量与自动气象站实测的时雨量最大值均出现在09时，均为0.83mm；GRAPES模式预报的时雨量值最大值出现时间，比雷达估测时雨量值及自动气象站实测时雨量值出现最大值的时间落后了3 h，其值偏大1.08 mm。

极小值出现时间段为：GRAPES云模式预报时雨量最小值出现在次日03时，为1.02 mm；雷达估测时雨量最小值出现在21时，为0.18 mm；自动气象站实测时雨量最小值出现在23时，为0.21 mm；GRAPES云模式预报时雨量最小值出现的时间，比雷达估测时雨量最小值出现的时间落后6 h，其值偏大0.84 mm，比自动气象站实测时雨量最小值出现时间落后了4 h，其值偏大0.81 mm。

1.2 月雨量表2给出了江西区域三种雨量的各月数值。

分析发现，自动气象站实测月雨量值最大，其平均值为11.58mm，分别比GRAPES云模式预报的和雷达估测的月雨量平均值偏大2.39、8.39 mm。

结合图2分析发现，自动气象站实测月雨量值曲线1—5月在三条曲线中居于中间，在6—12月居于其他两条曲线之上，呈多峰型，峰值分别出现在2月、4月、9月、12月，合计雨量分别为9.18、11.91、18.40、5.43 mm。

GRAPES云模式预报月雨量值居第二，其平均值9.19 mm，比自动气象站实测月雨量平均值偏小2.39 mm，比雷达估测月雨量平均值偏大6.00 mm；GRAPES云模式预报月雨量曲线1—5月居于其他两条曲线的上方，6—12月在三条曲线中居于中间，呈多峰型，峰值分别出现在5月、9月、12月，合计雨量分别为14.05、16.37、4.41 mm。

雷达估测月雨量值最小，其平均值3.19 mm，比自动气象站实测的月雨量平均值偏小8.39 mm，比GRAPES云模式预报月雨量平均值偏小6.00 mm；雷达估测的月雨量值曲线居于其他两条曲线的下方，呈多峰型，峰值分别出现在2月、9月、12月，合计雨量分别为6.82、4.57、3.33 mm。

1.3 三种雨量地理分布的个例比较图3给出了2007年9月3日GRAPES云模式预报、雷达估测、自动气象站实测雨量地理分布。

可以看出，GRAPES云模式预报雨量集中在江西地区的南部、北部，最大值出现在崇义县，为36.95 mm；雷达估测雨量集中在江西地区的西南部和东南部，最大值出现在黎川县，为18.13 mm；自动气象站实测雨量集中在江西地区的西南部和东南部，最大值出现在全南县，为67.40mm。

GRAPES云模式预报、自动气象站实测、雷达估测雨量的地理分布趋势大致相同，但在03时、06时、09时、23时、02时、05时等，GRAPES云模式预报雨量、自动气象站实测雨量地理分布区域接近，雷达估测雨量除在12时值为0外，在其他时段与GRAPES云模式预报雨量、自动站实测雨量地理分布较接近。

2.1 计算资料样本选取自动气象站实测、雷达估测、GRAPES云模式预报的时雨量资料样本选取，需保证时间、区域同步。

文中选取的样本资料中自动气象站实测的每小时雨量资料，在统计时其资料时间比雷达估测雨量、GRAPES云模式预报雨量资料时间推迟5—10min，主要是考虑云中大雨滴从云中降至地面需要的时间约为5—10 min；其雨量值的区域与GRAPES云模式预报的雨量、雷达估测的雨量相同。

雷达估测雨量资料来自南昌多普勒雷达实时估测资料；GRAPES云模式预报雨量资料来自国家气象中心GRAPES云模式预报的雨量基数据，再经同步计算，使其计算的雨量值与自动气象站实测雨量、雷达估测雨量在时间与区域上同步。

根据计算标准与要求，从2007—2008年自动气象站实测、雷达估测、GRAPES云模式预报雨量资料中选取符合条件样本共129个（表3）。

2.2 回归计算结果分析由表3可知，自动气象站实测雨量Y与GRAPES云模式预报雨量X2的复相关性较好，复相关系数R=0.734 0。

自动气象站实测雨量Y与雷达估测雨量X1的复相关性次之，复相关系数R=0.728 7。

雷达估测雨量X1与GRAPES云模式预报雨量X2的复相关性最小，复相关系数R=0.557 1。

回归计算结果分析表明，GRAPES云模式预报的月雨量值与自动气象站实测的月雨量值较接近；自动气象站实测的时雨量值与雷达估测的时雨量值比较接近；雷达估测的时雨量值与月雨量值，均表现为最小。

2.3 回归拟合结果2.3.1 自动气象站实测雨量、雷达估测雨量回归拟合计算结果表明，自动气象站实测雨量Y与雷达估测雨量X1残差拟合（图略）、线性拟合、标准概率分布拟合，表现为在雨量数值较低值范围内残差拟合效果比较好，雨量数值点比较集中，分析数据值比较接近，残差值较小；随着雨量数值范围增大，雨量数值点比较分散，而且雨量数值点数也明显减少，残差值较大。

而在雨量数值较低值范围内线性拟合比较好，雨量数值点比较集中，随着雨量数值范围增大，雨量数值点比较分散，而且雨量数值点数也明显减少，与残差拟合分析图形的数据点分布比较接近。

在雨量数值较低值范围内标准概率拟合比较好，雨量数值点比较紧密、集中，随着标准概率百分比值增大，雨量数值点值明显增大。

2.3.2 自动气象站实测雨量与GRAPES云模式预报雨量回归拟合计算结果表明，自动气象站实测雨量Y与GRAPES云模式预报雨量X2之间残差拟合、线性拟合、间标准概率分布拟合，表现为在雨量数值较低值范围内残差拟合比较好，雨量数值点比较集中，分析数据值比较接近，残差值较小；随着雨量数值范围增大，雨量数值点比较分散，而且与自动气象站实测雨量Y与雷达估测雨量X1雨量数值点数不同的是，在标准线以下的数值点数明显增加，表明在负值范围内的残差值较大，残差值负值数据点数增多。

而与自动站实测雨量Y与雷达估测雨量X1雨量数值点数不同的是，在红线标准线右下方数值点数明显增加，表明自动气象站实测雨量Y与GRAPES云模式预报雨量X2的线性拟合随雨量数值增大而呈离散型分布，线性拟合结果变差。