仁寿县暴雨短时临近预报订正方法研究

仁寿县暴雨短时临近预报订正方法研究

林,佳1       ,吕,莲2

1.仁寿县气象局  四川 眉山  620500；

2.东坡区气象局  四川 眉山  620000；

摘要：本文分析了仁寿县暴雨时空特征，利用2013-2018年探空站要素资料与仁寿县片区暴雨发生概率进行相关性分析，得到相关预报因子再利用主成分回归分析方法构建仁寿县五个片区暴雨发生概率方程。

关键词：暴雨；短时预报；主成分回归

在目前暴雨预报业务中，除了参考国内的数值预报模式结果之余，还参考了欧美等西方国家的数值预报结果。由于大气的运动较为复杂，所以天气预报的整体水平有待进一步提升，特别是针对县一级的精细化预报，欧洲中心数值预报产品的分辨率不大于20公里，我国的预报产品分辨率也只有250公里，远不能满足暴雨洪涝防灾减灾的需求。按照目前预报业务改革要求，通过优化短时临近天气业务和短期灾害性天气预警业务布局、调整预报业务流程，进一步提高短时临近天气监测预报预警业务能力。因此建立在数值预报模式的基础上，研究县级暴雨预报的订正方法，提升精细化水平，将更有效开展防灾减灾工作。

1 暴雨时空特征

仁寿县地质构造单元处于川西台陷龙泉褶皱车与川中台拱、威远穹隆的接合部位，龙泉山自东北向西南斜贯县境西北部，背斜以西基底属川西台陷熊坡——盐井沟雁行带，东南广大地域属川中台拱、南端为威远穹隆构造。地表水沿龙泉山脉东西分流，椰江、越溪河与龙水河、通江河、清水河汇入岷、沱二江。仁寿县观测站建站1957年开始至2018年，全县共出现暴雨日184天，平均2.9天/年，大暴雨日数27天，平均0.4天/年。日最大降雨量为284.5毫米，出现在2010年7月25日。仁寿县暴雨主要出现在5-9月，尤以7-8月最为集中，占汛期降雨量的43%，暴雨的月际分布成单峰型。

以一元线性回归方程y=a+bt仁寿县暴雨日数随时间的变化趋势，其中，y表示暴雨日数随时间的变化趋势，如图1所示，t表示所对应的年份。a为回归常数，b为回归系数。b的符号表示暴雨日数随时间的趋势倾向幅度，当b>0时，说明随时间x的增加y呈上升趋势，当b<0时，说明随着时间x的增加y呈下降趋势；b值的大小反映了上升或下降的幅度的大小。可以看出：1957-2018年，仁寿县的暴雨日数随时间以-0.0321/d的速率减少，但减少的趋势不明显，R方为0.1103，拟合度很低。   

图1  年暴雨次数趋势变化

2 片区暴雨订正方法

2.1  数据处理

采用仁寿县2013年4月~2019年8月区域自动站降雨量20-20时暴雨个例资料。按照仁寿县县域降仁寿县划分为5个片区，片区暴雨发生概率=暴雨站数/片区总站数，设西北、东北、东南、西南、中部片区暴雨发生概率分别为y1、y2、y3、y4、y5。

2.2  相关性分析

选取成都、恩施、沙坪坝、武都、哈密500hpa、700hpa、850hpa风向风速，安康、汉中、民勤、宜宾700hpa、850hpa风向风速，格尔木、西昌、榆中、酒泉、合作500hpa、700hpa风向风速、那曲、玉树500hpa风向风速分别与y1、y2、y3、y4、y5进行相关性分析。

相关性系数计算公式为：

Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差。

2.3  主成分分析

主成分分析是将多个互相关联的数值变量转换成少数几个互不相关的综合指标的统计方法。这些综合指标就是原来多个变量的主成分，每个主成的方差贡献率计算公式为：，前k个主成分的累积贡献率为。

并通过KMO检验和Bartlett球形检验，判断是否适合做主成分分析。KMO统计量越接近于1，变量间的相关性越强，主成分分析效果越好，当KMO在0.5以下时不适合应用主成分分析，应考虑重新设计变量结构。Bartlett球形检验目的是检验相关矩阵是否为单位矩阵，如果是单位矩阵，则变量间无法独立，无法从中提取公因子。一般来说显著性水平大于0.1（即Sig），则表明数据不适宜因子分析。

主成分分析的模型为Y=BX，既主成分Y为原始变量X的线性组合。通过主成分分析得到主成分后构建与暴雨发生概率y的多元线性回归方程。

3. 结论

（1）东北片区暴雨发生与恩施700hpa风速、安康850hpa风速、宜宾700hpa风速、宜宾850hpa风速、西昌500hpa风速、榆中500hpa风速显著相关（0.01＜P＜0.05）；成都850hpa风速、沙坝坪850hpa风速、汉中850hpa风速、西昌700hpa风速（P＜0.01）显著相关。

选择在0.01水平上显著相关的4个变量做主成分分析，本次研究中，KMO值为0.516，在0.5以上，而Bartlett球形检验的卡方值为22.257，相应的显著性水平为0.001，小于0.1。所以研究数据适应于主成分分析。得到4个主成分分别记为F1、F1、F3、F4的总方差分别为36.608%、27.388%、21.106%、14.898%，

表1  成分系数矩阵

将4个主成分与y2做多元线性回归分析得到回归方程，得到回归方程：

y2=0.147+0.102*F1+0.062*F3

（2）西南片区暴雨发生与那曲500风速、榆中700风向显著相关（P＜0.05）。

本次研究中，KMO值为0.5，而Bartlett球形检验的卡方值为7.691，相应的显著性水平为0.006，小于0.1。以研究数据适应于主成分分析，得到2个主成分分别记为T1、T2方差分别为63.381%、36.619%。

表2 成分系数矩阵

将2个主成分与y4做多元线性回归分析得到回归方程：

y4=0.144+0.069*T1

（3）中部片区暴雨发生与汉中850hpa风速、榆中700风向、榆中700风速、西昌700hpa风速显著相关（P＜0.05）。

本次研究中，KMO值为0.505，在0.5以上，而Bartlett球形检验的卡方值为2.234，相应的显著性水平为0.897，大于0.1。所以数据不适宜于主成分分析。

y5=0.02+0.025*汉中850hpa风速-0.015*榆中700风速

（4）东南片区暴雨发生与宜宾700hpa风速、850hpa风速、西昌700风速、酒泉500hpa风向显著相关（P＜0.05）。

本次研究中，KMO值为0.532，在0.5以上，而Bartlett球形检验的卡方值为30.116，相应的显著性水平为0.000，小于0.1。所以研究数据适应于主成分分析。得到4个主成分分别记为Z1、Z2、Z3、Z4的总方差分别为38.905%、24.893%、23.351%、12.851%，

表3 成分系数矩阵

将4个主成分与y3做多元线性回归分析得到回归方程，得到回归方程:

y3=0.141+0.061*Z1

（5）西北片区暴雨发生与汉中850hpa风速显著相关（P＜0.05），将其与y1做一元线性回归，得到方程：y1=0.09+0.022*汉中850hpa风速

4存在的问题和讨论

在暴雨预报业务中，可通过人工对天气形势分析和参考数值预报模式的基础上，再结合临近资料使用片区暴雨订正方法，对于提高暴雨预报精细化服务水平更有效果。由于全县区域自动站资料才建设完成六年，后期可再根据累加的多年资料筛选与片区暴雨发生概率相关性更大的指标代入方程进行替换，进一步凝练方程，提高暴雨概率预报的准确性。

参考文献

[1]武松,潘发明.SPSS统计分析大全[M].北京:清华大学出版社,2014:334-344

[2]吕学东,王春国,肖递祥.四川天气预报手册[M].四川：四川省气象局,2017:87-161

[3]黄海平,陈伟斌,黄海洪.基于主成分分析的北部湾冬季大风预报方法研究[J].海洋预报,2013,30(6):28-31

[4]陈荣良,彭端,赖燕冰.基于Logistic回归的肇庆市区雾天气的预报模型[J].广东气象,2019,41(2):19-23

[5]刘了凡,冯殿英,张厚臣.主成分分析在麦芽发生量预报中的应用[J].昆虫知识,1997,34(5):260-263

[6]张俊成,张军.我国天气预报对暴雨天气的现状和展望[J].南方农机,2018,(12):180

基金项目：眉山市气象局科研课题（201804）

作者简介：林佳，工程师，主要从事短期天气预报与决策服务工作。