【AI气象强短强4】基于因子分析的广东省短时强降水预报模型及其业务试验

目录

研究目标与背景

研究方法

结果与讨论

结论

---

这篇论文提出了一种基于因子分析的短时强降水预报模型，主要用于提高广东省在不同季节和地区的短时强降水（SHR）预测的命中率，并降低虚警率。以下是对该论文的详细解读：

研究目标与背景

广东省位于亚热带季风气候区，短时强降水是常见的气象现象。由于强降水往往由中小尺度天气系统引发，具有突发性和强烈性，因此其预报具有较大的挑战性。本文的目标是构建一个基于因子分析的概率预报模型，用于提升短时强降水的预报精度，尤其是在虚警率和命中率之间取得更好的平衡。

研究方法

1. 物理量的选择：

   • 本文首先通过显著性和敏感性评价，从49个潜在物理量中筛选出18个具有较低虚警率和较高敏感性的物理量。筛选过程采用了T检验和特征曲线面积（AROC）指标，确保所选物理量能够有效反映短时强降水发生的环境条件。

2. 因子分析：

   • 采用方差最大正交旋转法对选出的18个物理量进行因子分析，将这些物理量简化为6个因子。这些因子分别代表了大气不同的热力、动力和水汽等环境条件。例如，因子1主要反映热力不稳定性，因子2反映水汽条件等。

3. 分期分区建模：

   • 由于前后汛期以及不同区域的气候和降水特征差异较大，本文根据因子偏离度的时空分布特征，对广东省划分为多个区域，并针对不同季节（前汛期和后汛期）分别建立独立的预报模型。这样做有助于提高预报模型的适应性和准确性。

4. 模型输出与检验：

   • 模型生成了逐6小时的概率预报产品，针对每个区域和季节，设定不同的概率阈值进行预报。使用训练期最优的TS评分对应的固定概率值作为预测阈值，进行格点检验，并与ECMWF-Fine预报产品进行对比。

结果与讨论

1. 预报效果：
   • 模型在2019年汛期的业务试验中表现良好，广东省大部分地区的TS评分均超过0.25，部分区域的评分高达0.42，相比于ECMWF-Fine模式，前汛期和后汛期的评分分别提高了0.23和0.21。模型在南部沿海地区的表现尤为突出，尤其在命中率和虚警率之间找到了较好的平衡。
2. 因子的空间与时间分布特征：
   • 论文详细讨论了各因子在前汛期和后汛期的偏离度变化，发现在前汛期，因子的偏离度较小，差异较为均匀，而在后汛期，尤其是与热力条件相关的因子偏离度差异较大，影响因素有所变化。
3. 模型的应用优势：
   • 在暖区强降水事件中，模型表现出明显的优势。通过对因子的综合分析，模型能够为预报员提供有用的早期预警信息，尤其在天气尺度弱动力强迫的情况下，模型能够有效弥补数值模式的漏报问题。

结论

• 本文提出的基于因子分析的短时强降水概率预报模型在广东省的应用中取得了显著效果，特别是在提高命中率和减少虚警率方面。模型能够根据不同区域和季节的气候特点，灵活调整预报策略，显著提升短时强降水的预报能力。
• 未来的研究可以通过引入机器学习方法，进一步优化因子模型，提升对复杂气象系统的预测能力。

总体而言，这篇论文为短时强降水的预报提供了一种创新的思路，通过因子分析与物理量的结合，能够更精准地识别强降水发生的环境条件，从而提高预报准确性。