融合人工智能模型与多源数值预报的广东台风暴雨预报研究

Study on typhoon torrential rainstorm over Guangdong based on multi⁃source forecasts from numerical and AI models

摘要

2025年第4号台风“丹娜丝”在浙江南部沿海登陆减弱后，台风残涡环流向西南方向穿过福建进入广东.受其影响，7月10日广东出现大范围极端暴雨降水，11日台风残涡环流中心移至珠三角南部沿海，广东中南部降水却明显减弱，传统数值模式对此次过程暴雨落区和发生时段预报存在较大偏差.针对台风暴雨预报的不确定性，应用频率偏差订正和邻域法等客观订正算法，优化贝叶斯模型平均（Bayesian Model Averaging，BMA），将人工智能模型和数值模式优势结合起来，形成融合多源预报的降水概率预报.优化的BMA方案预报7月10日广东暴雨概率高值区覆盖珠江口至粤东的暴雨核心区，11日暴雨概率高值区主要位于粤东沿海地区，预报的暴雨概率分布以及发生时段与实况更为吻合，有效弥补了单一模式对台风残涡暴雨落区、时段预报偏差以及极端降水捕捉不足等问题.对2025年影响广东的台风降水进行系统性的检验分析，结果表明优化后的概率预报评分均较ECMWF集合预报有所改进，可为台风暴雨防灾减灾与应急决策提供重要科学依据.

Abstract

Typhoon Danas，the 4th typhoon in 2025，made landfall in Zhejiang Province and was weakened into a remnant vortex,and moved southwestward across Fujian into Guangdong. Under the influence of this vortex，Guangdong Province experienced a widespread,extreme rainstorm on July 10-11. The extensive extreme rainstorm blanketed across the Pearl River Delta on July 10，when the center of the remnant vortex was over Eastern Guangdong. However,the torrential rains began to subside on July 11,as the remnant vortex center moved closer to the region. Traditional numerical models exhibited significant deviations in forecasting the location and temporal evolution of this heavy rainfall. To address the uncertainty in the typhoon rainstorm forecast，objective correction algorithms,such as frequency bias correction and the neighborhood method were applied to optimize the Bayesian model averaging (BMA). By leveraging the strengths of both artificial intelligence and traditional numerical models，a novel probabilistic precipitation forecast is developed based on the combination of the multiple forecasts. The probability of torrential rain predicted by the optimized BMA scheme successfully captured the major rainstorm area from the Pearl River Estuary to eastern Guangdong on July 10. On July 11, the likelihood of torrential rain decreased over the Pearl River Delta. The spatial distribution and temporal evolution of heavy rain probabilities exhibited better alignment with observations,effectively addressing the limitations of deterministic forecasts. A systematic verification of typhoon precipitation affecting Guangdong in 2025 shows that the optimized probabilistic precipitation forecast outperforms the ECMWF ensemble forecast in all verification metrics. These findings could serve as a valuable scientific basis for typhoon rainstorm prevention,mitigation,and emergency decision⁃making.

Graphical abstract

关键词

台风暴雨 / 降水概率预报 / 盘古气象模型 / 贝叶斯模型平均

Key words

typhoon rainstorm / precipitation probability forecast / Pangu⁃weather / Bayesian model averaging

广东是我国受台风影响最为严重的省份之一^［1］，台风常带来大范围极端暴雨，是防灾减灾关注的重点.台风极端暴雨的发生受台风强度、自身结构、台风路径以及周围环流等诸多因素影响^［2］，具有较大的预报难度和较高的不确定性.台风暴雨并非总是发生在台风最强盛阶段，诸多打破历史纪录的极端暴雨发生在台风减弱阶段或台风残涡背景下，如河南“75·8”和2023年9月7日广东珠三角等地极端特大暴雨分别发生在1975年第3号台风“妮娜”和2023年第11号台风“海葵”减弱阶段^［3-4］.台风残涡极端暴雨具有极高的致灾风险和极低的可预报性，已成为科学研究和预报业务亟待解决的难点和重点^［4］.

近年来，数值预报在很大程度上改进了台风路径和强度预报水平^［5-6］，已成为台风预报的主要参考.欧洲中期天气预报中心（European Centre for Medium⁃Range Weather Forecasts，ECMWF）与美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）提供应用最广泛的全球模式^［7-8］，预报时效可达15 d左右.华南等区域中尺度模式则通常提供未来3~4 d的更高时空分辨率预报.数值模式要素预报质量不断提高^［9-11］，但台风降水预报能力仍不足，尤其是台风极端降水的落区和强度预报还存在较大偏差^［12］，如全球和区域模式均漏报2023年第11号台风“海葵”残涡给广东珠三角地区带来的极端暴雨，造成较大的经济损失^［4］.在确定性预报之外，降水概率预报还可以为台风暴雨提供更加全面的预报参考^［13］.美国、日本、澳大利亚、欧洲以及我国的一些城市先后进行了降水概率预报研究和应用尝试，为决策和公众提供服务参考^［14-16］.现有预报研究主要是利用数值模式集合成员分析得到降水概率预报^［17-18］.模式集合成员和控制预报之间并非完全独立，基于多模式成员投票的概率预报可以有效改善集合成员之间离散度不足的问题^［19-20］.成员投票的概率预报方法仅使用当次预报进行采样，没有充分利用历史资料进行统计分析，也没有对不同模式的预报性能进行评估和针对性建模.Raftery et al^［21］发展了基于多模式的贝叶斯模型平均（Bayesian Model Averaging，BMA）概率预报，可以根据历史预报统计为不同模式赋予不同的权重.最初发展的BMA算法仅适用于符合正态分布的温度和气压等要素，随后BMA算法进一步拓展至降水和风等偏态分布的预报要素，并在我国气象和水文等预报领域得到一定应用^［22］.近期，盘古气象模型（以下简称“盘古”）等人工智能模型预报快速发展，在暴雨落区等方面有较好预报效果^［23-25］，如何更有效地将传统数值模式与人工智能模型结合，已成为改进台风残涡极端暴雨预报的可能途径.

降水概率预报准确率依赖于模式预报性能.受大气的混沌特征以及数值模式随机误差等因素的影响，降水预报误差不可避免，数值模式存在弱降水预报频率较高和极端降水预报频率偏低等问题^［26］.数值模式预报的客观释用算法快速发展，可以有效提高模式降水等要素预报准确率^［27-29］，模式预报偏差订正等预处理有助于提升台风强降水概率预报效果.不同类型天气过程中，数值模式预报误差存在较大差异，机器学习算法可以更加针对性、区分性对模式要素预报进行客观订正^［30-31］.李超等^［32］利用K近邻算法天气过程客观分类对多模式预报进行分类动态订正融合，改进了转折天气过程模式确定性预报.代刊等^［33］和苏翔等^［34］对数值模式定量降水预报客观订正算法进行了系统性总结，指出最优百分位和多模式融合等统计后处理算法可以有效提高定量降水预报准确率.以上研究表明，全球和区域等多尺度数值模式和人工智能模型快速发展为降水概率预报提供重要基础，要素预报客观订正预处理有助于进一步改善降水概率预报.

2025年影响广东的台风达到15个之多，数量创历史之最.2025年7月10-11日受4号台风“丹娜丝”残余涡旋环流影响，广东省出现大范围的极端暴雨过程.各模式在此次过程的降水落区、强度、极值中心和时间演变上存在显著差异，台风残涡极端暴雨极高的致灾风险对精细化预报提出多重严峻挑战.台风暴雨预报具有较大不确定性，利用概率预报刻画降水发生的不确定性，可使决策者定量掌握未来天气的演变可能性，以便作出更加科学和全面的决策^［35-36］.本研究针对“丹娜丝”残涡极端暴雨，利用全球和区域多尺度模式，结合人工智能模型和降水预报客观释用，优化BMA降水概率预报模型，对广东台风暴雨概率预报进行改进研究.

1 资料和方法

1.1　资料

台风降水分析使用的资料包括地面气象观测和多源模式预报等.地面气象观测包括广东省4308个常规气象站降水观测资料.多源模式预报包括业务化的欧洲中期天气预报中心（ECMWF）、美国环境预测中心（NCEP）、中国气象局全球模式（CMA⁃GFS），中国气象局广东模式（CMA⁃GD）和CMA⁃GD （MT），中国气象局上海9 km模式（CMA⁃SH9）和盘古（Pangu⁃Weather）.模式预报包含2025年1-12月全年数据.ECMWF，CMA⁃GD，CMA⁃GD （MT）和CMA⁃SH9模式为逐小时分辨率降水预报，NCEP模式为逐3 h降水预报，盘古预报为逐6 h分辨率.在降水对比分析中，日降水量统计采用气象日界（北京时间前一天20时至当日20时）.为了分析台风暴雨的大气环流特征，还使用了ECMWF第五代大气再分析数据集（ECMWF Fifth⁃Generation Reanalysis，简写为“ERA5”）^［37］，分析要素包含水平风场、垂直速度、涡度、水平散度、比湿等逐小时要素，ERA5资料的水平分辨率为0.25°×0.25°.

1.2　方法

对比分析两种降水概率预报方案，一种是以往广泛使用的集合成员投票的概率预报方案，该方案也被应用在台湾地区台风暴雨预报研究中^［38］；另一种是融合人工智能模型的多源预报优化发展的BMA概率预报.第一种基于模式集合成员投票概率预报方案，定义降水概率（p）为超过指定降水量阈值的成员数（m）和总成员数量（n）的比例（式（1））.在3.1的分析中，选用的ECMWF集合预报了共51个成员，降水量阈值选取50 mm，故取n=51，m为日雨量大于50 mm的成员数.

p=\frac{m}{n}(1)

在第二种方案中，使用数值模式和人工智能模型等多源降水确定性预报（表1），优化BMA模型形成降水概率预报方案.图1给出利用BMA模型结合智能网格客观释用的定量降水概率预报方案示意图.在BMA建模过程中，所有模式成员的预报均使用双线性方法插值至1 km×1 km分辨率网格上.考虑到所有模式均输出0~72 h时效预报（表1），应用BMA模型得到0~72 h空间分辨率为1 km×1 km，逐24 h日雨量大于50 mm的暴雨概率.

正如之前许多研究^［26-28］指出，多源预报降水直接输出存在系统性偏差，降水预报偏差订正等预处理有助于优化基于BMA模型的降水概率预报.首先使用TS （Threat Score）评分（式（2））检验分析数值模式不同雨量量级分别调整至指定阈值的预报评分，式（2）中N_A为预报正确站次数，N_B为空报站次数，N_C为漏报站次数.利用不同滑动阈值TS评分，对比分析数值模式雨强预报和台风降水实况观测的映射对应关系.

TS=\frac{N_{\mathrm{A}}}{N_{\mathrm{A}}+N_{\mathrm{B}}+N_{\mathrm{C}}}(2)

针对台风暴雨进行基于TS评分滑动阈值分析频率调整，是改进降水概率预报的重要基础.图2是将ECMWF模式不同量级雨量置换为50 mm计算所得TS评分，可以看到不同起报时间ECMWF模式最高评分均位于50 mm的左侧，说明不同起报时间ECMWF模式均存在强降水预报偏弱的问题.多源预报均存在强降水预报偏弱，基于多源预报的BMA概率预报仍存在台风暴雨概率预报偏低等问题（图略），因而有必要对多源预报进行雨强偏差等预处理.根据不同起报时间的TS评分，将最高TS评分对应的预报日雨量调整至50 mm，以纠正数值模式的降水强度预报偏差的问题.以上降水强度订正算法和Zhu and Luo^［39］基于长时间序列的频率匹配算法思路是一致的，但本方案的降水强度订正有更明确的台风针对性.在调整降水频率基础上，再采用邻域法扩展暴雨落区范围，在指定网格点使用周边20 km范围内网格点最大值代替该点降水值，通过覆盖更大的强降水落区，减小强降水落区预报的不确定性.经上述客观释用算法预处理后的多源降水预报数据，作为BMA模型预报的输入源.

将订正后的多源降水预报作为BMA模型的不同成员，基于成员k概率预报（h_k ），通过权重（{\omega }_k）加权融合得到降水量y的概率预报p，具体如式（3）所示：

p\left(y\left|f_{\mathrm{1}},\dots ,f_K\right.\right)={\displaystyle \sum _{k=\mathrm{1}}^K}{\omega }_k{h}_k\left(y\left|f_k\right.\right)(3)

其中，f_k 为模式成员k的降水预报值，{\omega }_k是当k成员为最佳预报时的后验概率，为非负数，且{\displaystyle \sum _{k=\mathrm{1}}^K}{\omega }_k=\mathrm{1}，反映了某个成员预报在训练期内对预测的相对贡献能力.基于单一模式k的降水概率预报（h_k ）使用伽马函数对偏态分布的降水量（y）进行拟合，如式（4）所示：

h_k\left(y\left|f_k\right.\right)=\frac{\mathrm{1}}{{\beta }_k^{{\alpha }_k}\alpha }{y}^{{\alpha }_k-\mathrm{1}}\mathrm{e}\mathrm{x}\mathrm{p}\left(-y/{\beta }_k\right)(4)

伽马函数的形状参数α_k 和尺度参数β_k 可通过均值{\mu }_k、方差{\sigma }^{\mathrm{2}}估计得到（式（5））.模型中的后验概率{\omega }_k(k=\mathrm{1},\dots ,K)以及伽马函数的方差参数c_{\mathrm{0}}，c_{\mathrm{1}}利用最近30 d滑动窗口训练期采用极大似然估计，通过期望最大化迭代法求得.

\left\{\begin{array}{l}{\mu }_k=b_{\mathrm{0}k}+b_{\mathrm{1}k}{f}_k^{\mathrm{1}/\mathrm{3}}=\alpha {\beta }_k\\ {\sigma }_k^{\mathrm{2}}=c_{\mathrm{0}}+c_{\mathrm{1}}{f}_k=\alpha {\beta }_k\end{array}\right.(5)

最后，在“降水概率预报检验”模块，分别使用Brier评分（Brier Score，BS）、Brier技巧评分（Brier Skill Score，BSS）和相对作用特征曲线（Relative Operating Characteristic，ROC）等评分方法^［40］进行定量降水概率检验评估.BS评分对二态分类事件概率预报进行评估，如式（6）所示：

BS=\frac{\mathrm{1}}{N}\sum _{i=\mathrm{1},N}{\left(f_i-O_i\right)}^{\mathrm{2}}(6)

其中，N为二态分类事件的预报数，f_i 为事件发生的预报概率，O_i 为观测概率，事件发生O_i =1，事件不发生则O_i =0.BS的取值范围为0~1，越小越好，BS=0表示概率预报最佳，BS=1表示预报评分最差.

BSS基于BS定义，反映了BS对气候态概率（B{S}_{c\mathrm{l}\mathrm{i}\mathrm{m}}）的技巧得分，根据式（7）和式（8）算出：

BSS=\frac{\mathrm{1}-BS}{B{S}_{c\mathrm{l}\mathrm{i}\mathrm{m}}}(7)

\left\{\begin{array}{l}B{S}_{c\mathrm{l}\mathrm{i}\mathrm{m}}=\overline{O}(\mathrm{1}-\overline{O})\\ \overline{O}=\frac{\mathrm{1}}{N}\sum _{i=\mathrm{1},N}{O}_i\end{array}\right.(8)

其中，\overline{O}为事件发生的气候频率（式8）.BSS表示概率预报对气候频率的改进程度，BSS0表示概率预报对气候频率有正技巧；BSS0表示概率预报对气候频率有负技巧.

ROC是通过对比命中率和空报率评估概率预报性能的指标.通过选择阈值将概率预报转化为二态分类计算命中率（Probability of Detection，POD）和空报率（Probability of False Detection，POFD），当预报概率大于等于指定阈值时，认为预报事件发生，否则认为不发生，命中率和空报率的具体计算见Mason et al的研究^［41］.在ROC图中，将POFD和POD分别作为X和Y轴，ROC曲线下面积（Area Under Curve，AUC）用来表示概率预报区分度.理论上，完美预报对应AUC=1，而随机预报对应的AUC=0.5，这是因为完美预报可以将所有的正例和负例完全正确地分类，而随机预报则将正例和负例的分类结果随机分布在ROC曲线上.

2 台风暴雨天气个例

2.1　降水概况

2025年第4号台风“丹娜丝”在南海生成，于7月6日和8日先后登陆台湾嘉义和浙江温州.9日11时减弱为热带低压，23时在福建境内停止编号，台风残涡向西南方向移动进入广东.受其影响，10-11日广东省出现了大范围极端暴雨天气，降水空间分布呈现出东强西弱的特征（图3）.其中，7月10日的强降水呈东北⁃西南向带状分布，暴雨（日雨量大于50 mm）和大暴雨（日雨量大于100 mm）核心区主要集中在珠江口两侧以及粤东地区（图3a）.7月11日粤东的强降水有所西移北抬，河源、梅州、惠州及粤东地区出现暴雨到大暴雨，珠江口附近及其以西地区降水显著减弱，以小雨到中雨为主（图3b）.

2.2　环流形势

台风“丹娜丝”残涡极端暴雨分布和演变特征与高、低层多尺度天气系统的配置密切相关（图4）.在高层200 hPa上，7月10日青藏高原西部为明显的反气旋风场环流（图4a箭头），表示青藏高原受南亚高压控制.珠江口东侧至粤东沿海地区位于中纬度西风急流南侧的风场辐散区域，辐散强度超过9×10^-5 s^-1，高层的抽吸作用有利于上升运动加强和维持.在500 hPa高度场（图4b）上，588 dagpm等值线表示的西太平洋副热带高压（以下简称“副高”）呈带状分布，两个高压中心分别在海上以及我国东北至朝鲜半岛地区，台风残涡在副高南侧的偏东气流影响下向偏西方向移动.广东沿海和南海北部区域的强垂直上升运动（图4b阴影）与200 hPa的强辐散区高度重合，为对流发展提供了较好的动力条件.低层850 hPa和925 hPa风场分布（图4c和图4d箭头），台风残涡北侧的东北、西北风与残涡南侧的西南风在珠江口西侧到粤东沿海形成东西向分布的低空切变线（图4c和图4d中蓝色实线），其南侧强盛的西南急流（风速≥12 m·s^-1）向广东输送来自南海与孟加拉湾的暖湿水汽，有利于广东大部地区比湿达到18 g·kg^-1以上的高值（图4c和图4d中阴影），为该阶段台风残涡降水增强提供了充沛的水汽条件.

7月11日，南亚高压中心东移至青藏高原东部，广东上空200 hPa辐散区有利于台风残涡系统的维持（图5a）.与此同时，500 hPa高度场上588 dagpm等值线西伸至100°E附近，脊线略向南压至30°N（图5b），说明大陆副高中心强度增强并向西伸展，引导台风残涡缓慢向珠三角南部沿海移动.此外，海上副热带高压显著加强，其西侧的低层偏南气流与孟加拉湾槽前西南气流在广东上空交汇.低层切变线（图5c和图5d中蓝色实线）在广东沿海稳定维持，伴随南海西南季风加强并向北推进，切变线东侧延伸至河源⁃惠州北部一带，呈东北⁃西南走向.低空急流向粤东地区持续输送充沛水汽，而珠江口西侧的高比湿区则向南落至海上（图5d阴影）.粤东地区处于气旋式辐合区，低层辐合抬升与残涡正涡度环流相互叠加，进一步增强了区域上升运动.7月11日，珠三角地区850与925 hPa风场辐合强度较10日显著增强.

由以上分析可见，7月10日台风残涡中心位于粤东上空，11日残涡西移至珠三角地区附近，珠三角地区动力和水汽条件进一步好转.实际上，珠三角地区极端暴雨主要发生在7月10日，7月11日珠三角地区降水明显减弱.由不同高度环流演变特征分析，无法充分实现台风残涡降水分布和演变的精细化预报.台风残涡引发降水的预报不确定性，凸显了利用多源预报资料开展台风降水概率预报研究的必要性.

2.3　业务模式预报分析

台风残涡环流7月10日由福建移入广东东部地区.受其影响，粤东和珠三角等地区出现暴雨到大暴雨（图3a），数值模式和人工智能模型预报暴雨落区主要集中在粤东地区，但降水分布细节存在一定差异.图6是不同业务模式7月8日20时起报9日20时至10日20时降水分布.业务全球模式ECMWF预报（图6a）7月10日强降水主要位于粤北地区，较实况明显偏北，漏报粤东沿海及珠江口附近的暴雨.NCEP （图6b）和盘古（图6c）较准确地预测出“珠江口西侧⁃粤东沿海”的暴雨大暴雨的主要落区，但NCEP预报范围偏小，盘古预报的范围和实况更接近.区域模式CMA⁃GD （图6d）、CMA⁃GD（MT）（图6e）大致捕捉到珠江口至粤东的强降水带，但预报强度偏弱，且空间分布偏散.更高分辨率的区域模式CMA⁃SH9 （图6f）预报强降水中心强度达到特大暴雨级别，较实况偏强.

台风残涡环流7月11日进一步西移至广东珠三角地区上空，不同模式和人工智能预报对强降水时空演变预报仍存在较大分歧.图7是不同业务模式7月8日20时起报10日20时至11日20时降水分布.ECMWF预报强降水落区在粤北，对粤东沿海及河源的暴雨漏报（图7a）；NCEP较准确地预测出粤东沿海的强降水核心区（图7b）；盘古预报广东沿海地区大范围暴雨，对粤东沿海的强降水有所体现，但落区明显偏南（图7c）；区域模式（图7d~f）预报强降水范围缩小、强度偏弱.总体上，NCEP和盘古的降水空间分布以及演变和实况更吻合.由上可见，虽然部分数值模式和人工智能模型的预报效果较好，但多数模式预报强降水演变和实况存在较大的分歧，依靠单一模型无法提供准确的强降水预报，多源预报可为发展台风定量降水概率预报提供重要基础.

3 降水概率预报

由前面分析可见，台风残涡与不同纬度环流以及复杂地形相互作用，造成台风残涡暴雨预报具有较大不确定性，单一的业务模式均无法为此次残涡暴雨的准确预报提供参考.本节综合利用多源数值模式，融合快速发展的盘古预报，结合智能网格客观订正和贝叶斯模型平均算法，发展优化针对台风定量降水的概率预报，并与传统基于数值模式集合预报的概率预报进行对比分析.

3.1　基于ECMWF集合预报的降水概率预报

基于数值模式集合成员预报分析是获取降水概率预报的传统方案.利用式（1）进行概率预报估计，其中，n=51 （ECMWF模式集合成员数），m为日雨量大于50 mm的成员数.图8是基于ECMWF模式51个集合成员投票的日雨量大于50 mm的暴雨概率分布.基于ECMWF的暴雨概率预报7月10日大值区主要位于粤东沿海地区（图8a），与实况暴雨核心区位于粤东北部地区（图3a）在落区上存在一定差异.但基于ECMWF模式集合成员的暴雨概率预报在落区上和确定性预报（图6a）较为吻合，说明ECMWF集合预报成员和确定性预报不是完全独立的.此外，基于ECMWF模式的概率预报显示，珠江口附近的降水概率仅20%~40%，对珠三角大暴雨预报的可参考性较低.

7月11日基于ECMWF模式集合预报的广东暴雨概率普遍下降至10%~40%，粤东沿海和粤西北地区暴雨概率略偏高，仅为30%~40%，对7月11日粤东沿海暴雨发生有一定指示意义.此外，ECMWF集合预报还空报了粤西北地区的暴雨，这和确定性预报暴雨落区也是较为一致的，进一步说明单一模式集合预报成员和确定性预报并非完全独立，不能充分反映强降水发生的不同可能性.

3.2　BMA暴雨概率预报

由上可见，基于ECMWF集合预报的台风暴雨概率预报准确率明显偏低，台风“丹娜丝”残涡影响期间，广东暴雨概率最大仅50%左右，这与数值模式对台风强降水预报偏弱和极端降水捕捉不足有关^［38］.为了提升台风暴雨概率预报的指示意义，以1.2中提出的BMA方案为基础，同时使用针对台风降水的偏差订正和邻域法等预处理作为BMA模型预报的输入源.

使用优化的BMA方案得到台风“丹娜丝”残涡暴雨概率分布（图9）.7月10日，BMA模型暴雨概率大值区位于粤东到珠三角沿海，中心区域概率值超过80%（图9a），相较于ECMWF集合预报，其在落区和量级上均显著改进，对暴雨预报指示性大幅提升.7月11日，BMA模型预报暴雨风险主要位于粤东沿海，粤西北和粤西地区零星区域暴雨概率大于50%，粤西北区域的暴雨概率大值主要和ECMWF模式预报有关.7月11日，BMA模型粤东沿海暴雨风险概率较ECMWF集合预报明显提高，这可能与NCEP和盘古预报有关，同时有效降低了粤西北地区暴雨风险概率.整体来看，优化后的BMA模型对7月10-11日暴雨概率预报与台风残涡暴雨的时空演变特征高度一致，为此次台风残涡暴雨预报提供了更具参考价值的概率指示.

3.3　2025年影响广东的台风降水概率预报检验

以上分析表明，优化的BMA方案改进了台风“丹娜丝”残涡暴雨概率预报，对该方案的可靠性和一致性有必要进行系统性检验分析.本节利用2025年影响广东的所有台风降水事件进行系统性检验.2025年登陆或影响广东的热带气旋达到15个，远超常年平均（5.8个），其中七个登陆广东，三个给广东造成严重风雨影响，另有五个对广东造成风雨影响（表2）.台风强度总体偏强，其中三分之二的台风（10个）的强度达到台风级别或以上.通过分析台风路径（图10）发现，多数台风生成于西北太平洋洋面，然后沿偏西或西北向移动趋向华南沿海，对广东造成明显降雨影响.2025年，台风影响广东时间跨度大，从6月初持续到11月初，叠加季风环流后预报难度加大，对防灾减灾和精细化预报提出了严峻的挑战.

利用1.2的BS，BSS，ROC三种评分方法对2025年影响广东的15个台风过程中日雨量大于50 mm降水概率预报进行检验对比（图11）.在ROC检验对比分析中，ECMWF集合预报对应的AUC为0.566，接近ROC对角线分布，说明ECMWF对台风暴雨概率预报区分能力较弱；BMA优化算法的AUC提升至0.662，曲线整体位于ECMWF上方，说明BMA优化算法有效增强了对暴雨概率预报的区分能力.从BS评分看，ECMWF模式的评分为0.205，数值偏高且BSS评分接近0，表明其预报技巧仅略优于气候态基准；BMA优化算法的BS评分降至0.125，BS评分降低说明基于多源预报的BMA算法概率预报偏差小于ECMWF集合预报；BMA概率预报BSS评分达0.16，较ECMWF集合预报有明显提高.这一结果表明，基于多源预报的BMA概率预报，大幅减小了概率预报与实况的偏差，显著提升了暴雨概率预报的可靠性和一致性.

4 结论

本文以2025年第4号台风“丹娜丝”残余涡旋环流引发的广东区域性极端暴雨为研究对象，针对台风残涡暴雨落区、时段预报偏差大的预报难点，利用全球和区域多尺度模式，融合最新人工智能模型盘古等多源预报，开展台风暴雨概率预报研究，主要结论如下.

（1）此次极端暴雨过程是多尺度环流系统协同作用的结果，其时空演变特征与台风残涡移动、水汽输送以及动力抬升条件密切相关.高层200 hPa强辐散引发的“抽吸效应”，为强降水维持提供了核心动力支撑；500 hPa 副高呈带状分布，其南侧偏东气流引导残涡西移，广东沿海与南海北部的强垂直上升运动和高空辐散区重合，形成有利的中层强迫抬升条件；低层850 hPa，925 hPa西南季风的水汽输送与切变线辐合，进一步增强了降水强度.

（2）业务预报模式和再分析资料对台风残涡暴雨发生区域和时段预报指示意义存在明显不足，不同预报模式对此次台风残涡暴雨的预报能力存在着显著差异.ECMWF全球模式存在明显的落区预报偏差，强降水预报偏北至粤北地区，对珠江口及粤东沿海的核心暴雨区漏报严重，且极端降水捕捉能力弱；区域模式虽能大致捕捉降水带，但存在强度预报偏强或偏弱、空间分布散乱的问题；盘古对强降水核心落区的预报与实况更为吻合，但其空间细节刻画与范围预报仍有提升空间.

（3）基于多源预报发展针对台风暴雨的概率预报可有效提升台风暴雨预报能力.本文发展了基于多源预报融合的优化BMA概率预报方案，该方案通过针对性订正台风降水的强度偏差，结合邻域法扩大强降水落区，有效降低了单一模式的漏报、落区偏差等预报不确定性.优化后的BMA概率预报，能较好地刻画台风极端暴雨的时空演变特征，7月10日暴雨概率大值区与实况高度匹配，11日全省暴雨概率的减弱趋势也与降水演变特征一致.

（4）进一步对2025年15个台风影响广东系统性检验该方案概率预报效果.结果表明，融合人工智能的BMA方案中ROC曲线较ECMWF更靠近左上角，且AUC明显增大，说明对暴雨概率预报区分度更高.优化后BMA方案的BS和BSS评分也优于ECMWF集合预报，说明优化后的BMA概率预报具有较好的稳定性和一致性.

本研究融合人工智能等多源预报优化台风暴雨概率预报，将人工智能与传统数值模式不同优势结合起来，有效弥补了传统数值模式不同集合成员之间独立性不高，台风残涡暴雨强度和落区预报偏差以及极端降水预报能力不足等问题，可为华南地区台风残涡暴雨的概率预报提供新的方法参考，进一步提升台风暴雨防灾减灾决策服务的科学性和精细化水平.

参考文献

[1] 林良勋.广东省天气预报技术手册.北京：气象出版社,2006.

[2] 蔡虎益,王赟,张熠.西北太平洋台风路径与台风云型之间的关联性分析.南京大学学报(自然科学),2025,61(3)：387-398.

[3] 李泽椿,谌芸,张芳华,等.由河南“75·8”特大暴雨引发的思考.气象与环境科学,2015,38(3)：1-12.

[4] 陈训来,徐婷,王蕊,等.珠江三角洲“9·7”极端暴雨精细观测特征及成因.应用气象学报,2024,35(1)：1-16.

[5] Zhang Z, Wang W G, Doyle J D,et al. A review of recent advances (2018-2021) on tropical cyclone intensity change from operational perspectives,part 1：dynamical model guidance. Tropical Cyclone Research and Review,2023,12(1)：30-49.

[6] Yuan H M J, Wang H, Li Y B,et al. Forecast errors of tropical cyclone track and intensity by the China meteorological administration from 2013 to 2022. Atmospheric and Oceanic Science Letters,2026,19(1)：100675.

[7] Gregory D, Morcrette J J, Jakob C,et al. Revision of convection,radiation and cloud schemes in the ECMWF integrated forecasting system. Quarterly Journal of the Royal Meteorological Society,2010,126(566)：1685-1710.

[8] Jung T, Balsamo G, Bechtold P,et al. The ECMWF model climate：Recent progress through improved physical parametrizations. Quarterly Journal of the Royal Meteorological Society,2010,136(650)：1145-1160.

[9] 潘留杰,张宏芳,朱伟军,等.ECMWF模式对东北半球气象要素场预报能力的检验.气候与环境研究,2013,18(1)：111-123.

[10] 陈博宇,代刊,郭云谦.2013年汛期ECMWF集合统计量产品的降水预报检验与分析.暴雨灾害,2015,34(1)：64-73.

[11] 刘静,任川,赵梓淇,等.多区域高分辨率模式强降水预报检验分析.气象,2022,48(10)：1292-1302.

[12] Chen J H, Lin S J, Zhou L J,et al. Evaluation of tropical cyclone forecasts in the next generation global prediction system. Monthly Weather Review,2019,147(9)：3409-3428.

[13] 朱科锋,张晨悦,薛明,等.对流可分辨尺度集合预报对河南“21·7”极端降水事件可预报性研究.中国科学：地球科学,2022,52(10)：1905-1928.

[14] 周兵,陆晨,周小平.北京地区夏季降水概率预报业务应用研究.气象,1996(1)：3-6.

[15] Gahrs G E, Applequist S, Pfeffer R L,et al. Improved results for probabilistic quantitative precipitation forecasting.Weather Forecasting,2010,18(5)：879-890.

[16] 杜钧,陈静.单一值预报向概率预报转变的基础：谈谈集合预报及其带来的变革.气象,2010,36(11)：1-11.

[17] Wilks D S. Probabilistic quantitative precipitation forecasts derived from PoPs and conditional precipitation amount climatologies. Monthly Weather Review,2009,118(4)：874-882.

[18] Evans C, Van Dyke D F, Lericos T. How do forecasters utilize output from a convection⁃permitting ensemble forecast system? Case study of a high⁃impact precipitation event. Weather Forecasting,2014,29(2)：466-486.

[19] Ebert E E. Ability of a poor man's ensemble to predict the probability and distribution of precipitation. Monthly Weather Review,2001,129(10)：2461-2480.

[20] 林春泽,祁海霞,智协飞,等.中国夏季降水多模式集成概率预报研究.暴雨灾害,2013,32(4)：354-359.

[21] Raftery A E, Gneiting T, Balabdaoui F,et al. Using bayesian model averaging to calibrate forecast ensembles. Monthly Weather Review,2005,133(5)：1155-1174.

[22] 梁莉,赵琳娜,齐丹,等.基于贝叶斯原理降水订正的水文概率预报试验.应用气象学报,2013,24(4)：416-424.

[23] 朱恩达,王亚强,赵妍,等.东亚区域人工智能气象大模型预报技巧评估.应用气象学报,2024,35(6)：641-653.

[24] Bi K F, Xie L X, Zhang H H,et al. Accurate medium⁃range global weather forecasting with 3D neural networks. Nature,2023,619(7970)：533-538.

[25] Xia X, Gao Y, Lu C,et al. A fine‐tuned Pangu weather model and its performance based on an operational framework in South China. Meteorological Applications,2025,32(6)：e70114.

[26] 史珍,丁瑞强,李建平.随机误差对混沌系统可预报性的影响.大气科学,2012,36(3)：458-470.

[27] 马申佳,陈超辉,智协飞,等.基于时空不确定性的对流尺度集合预报效果评估检验.气象学报,2018,76(4)：578-589.

[28] 王德立,黄辉军,陈训来,等.深圳对流尺度集合预报系统对台风降水预报的检验评估.热带气象学报,2020,36(6)：759-771.

[29] 张华龙,程正泉,肖柳斯,等.集合百分位融合法在广东台风降水预报中的改进.气象,2022,48(1)：84-95.

[30] Ghazvinian M, Zhang Y, Hamill T M,et al. Improving probabilistic quantitative precipitation forecasts using short training data through artificial neural networks. Journal of Hydrometeorology,2022,23(9)：1365-1382.

[31] 杨绚,代刊,朱跃建.深度学习技术在智能网格天气预报中的应用进展与挑战.气象学报,2022,80(5)：649-667.

[32] 李超,李明华,周凯,等.基于KNN回归算法的浙江省温度预报改进研究.气象与环境科学,2022,45(1)：81-89.

[33] 代刊,朱跃建,毕宝贵.集合模式定量降水预报的统计后处理技术研究综述.气象学报,2018,76(4)：493-510.

[34] 苏翔,袁慧玲,朱跃建.四种定量降水预报客观订正方法对比研究.气象学报,2021,79(1)：132-149.

[35] 陆如华,裘国庆.天气概率预报的科学性及其应用前景.气象,1995(11)：3-6.

[36] 王东海,杜钧,柳崇健.正确认识和对待天气气候预报的不确定性.气象,2011,37(4)：385-391.

[37] Hersbach H, Bell B, Berrisford P,et al. The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society,2020,146(730)：1999-2049.

[38] Teng H S, Done J M, Lee C S,et al. Dependence of probabilistic quantitative precipitation forecast performance on typhoon characteristics and forecast track error in Taiwan. Weather and Forecasting,2020,35(2)：585-607.

[39] Zhu Y J, Luo Y. Precipitation calibration based on the frequency⁃matching method. Weather and Forecasting,2013,30(5)：1109-1124.

[40] 皇甫雪官.国家气象中心集合数值预报检验评价.应用气象学报,2002,13(1)：29-36.

[41] Mason S J, Graham N E. Conditional probabilities,relative operating characteristics,and relative operating levels. Weather and Forecasting,1998,14(5)：713-725.

基金资助

国家自然科学基金(42575008)

深圳市科技计划(JCYJ20250604184312017)