基于WRF模式的紫外线指数逐小时预报模型

应 爽， 谢静芳， 刘海峰， 于月明， 王 宁

(1.长春市气象局，长春 130000； 2.吉林省气象服务中心，长春 130062； 3.吉林省气象台，长春 130062)

引 言

紫外线(Ultraviolet，UV)在太阳辐射光谱中的长度范围为100-400 nm，它对人类健康、生态环境和地球气候等具有较为复杂和重要的影响。例如，紫外线具有杀菌作用，但过量的辐射又容易引发皮肤癌等疾病。因此，对紫外线辐射(Ultraviolet Radiation，UVR)强度的监测、预报和研究具有重要意义[1-4]。紫外线指数(Ultraviolet Index，UVI)是衡量某时某地紫外线辐射对人体可能影响(即强度)的国际计量标准。

紫外线辐射的预报模型主要有统计预报模型和辐射传输模型。加拿大率先于20世纪90年代初期开展紫外线指数预报，并提出通过拟合大气参数与紫外线指数的观测值，建立回归方程进行估算的经验方法(即统计预报法)[5]。统计预报方法建模相对简便，在国内业务中较为常用。陈炳洪[6]、武辉芹[7]、高迎娟[8]、刘雨轩[9]等分别基于常规地面气象观测或数值模式气象要素预报，采用多元回归方法建立了本地的紫外线预报模型。贾艳辉等[10]对比了逐步回归方法和灰色系统理论的建模结果。王宝书等[11]基于云量等常规气象要素观测资料，探索了长春市紫外线辐射强度分季节逐小时统计预报方法。孙翠凤等[12]结合常规气象要素与空气质量资料，建立了逐月的本地预报方程。辐射传输模型物理意义较为明确，但部分参数较难获取。美国国家天气局(NWS)和我国国家气象中心(NMC)均通过辐射传输模式推断到达地面的紫外线辐射量[2,13]。傅炳珊等[14]基于中分辨率大气辐射传输模式，建立了石家庄夏季晴空或少云状态下的紫外线预报模型。白建辉[15]、蔡新玲[16]、张云海[17]、刘慧[18]、蒋璐璐[19]等分别基于大气辐射传输机理，建立了本地的紫外线估算或预报模型。郜婧婧等[20]在参数时空变化基础上进行改进，建立了全国UVR强度预报模型。近年来，神经网络等人工智能方法也广泛应用于紫外线辐射的估算[21, 22]。胡春梅等[23]将两种人工智能非线性模型(BP神经网络模型和支持向量机模型)应用于紫外线预报，并与线性逐步回归模型进行了对比。

我国目前进行的是白天10-14时之间最大紫外线辐射强度转换的紫外线指数的逐日预报，以往建模对象通常是紫外线辐射强度的日预报值，建模数据多采用全球模式，少有针对逐小时精细化预报方法的研究，且经验模型因子多以常规气象要素为主。随着大城市精细化预报服务需求的提升，智能网格等预报技术的快速发展，基于高时空分辨率的中尺度数值模式，研究逐小时的紫外线精细化预报方法，具有必要性和可行性。WRF (Weather Research and Forecasting) 模式在长春地区的预报业务中运行稳定，质量可靠，且除常规气象要素外，还运算输出若干与紫外线辐射直接相关的物理量，可应用于经验模型的紫外线预报。因此，尝试采用WRF模式模拟输出的紫外线辐射相关物理量(以下统称“辐射因子”)与常规气象要素(以下统称“气象因子”)的逐小时数据，结合长春市紫外线逐小时观测资料，利用多元回归方法，对比了单纯以气象因子建模和综合气象因子、辐射因子建模的效果。根据两种模型的预报结果，采取第二种方式分季节建立了长春市未来24 h时效的紫外线指数逐小时预报模型。相比以往的预报模型研究，此方案不仅具有统计预报方法建模相对简便的特点，而且充分考虑了辐射因子的作用，建立的预报模型物理意义明确，同时解决了辐射参数不易获取的问题。此外，将预报的时间分辨率由通常的24 h缩短为1 h，提高了紫外线的精细化预报服务能力。

1 资料与方法

1.1 紫外线观测资料

采用的实况资料为2012年1月1日-2014年12月31日吉林省长春市通带式波段辐射计观测到的逐小时紫外线累计辐射强度。考虑实际业务需求，按照紫外线辐射强度、紫外线指数及其等级的换算对应关系(表1)[2]，将辐射强度换算为指数进行研究。

表1 紫外线辐射强度、指数及级别换算对应表

1.2 WRF模拟输出

以NCEP提供的FNL(Final Operational Global Analysis)1°×1°间隔6 h再分析资料为初始场，采用吉林省实际业务运行的WRFV3.3.1方案，计算输出了2012年1月1日-2014年12月31日的逐小时预报产品，并在常规气象要素的基础上，增加输出了与辐射相关的物理量。

其中，WRFV3.3.1采用较为常用的Lin微物理方案、KF积云对流方案、Duhdia短波辐射方案、RRTM长波辐射方案、YSU边界层方案等[24-27]；网格方案采用双重嵌套，第一层网格间距为9 km，第二层网格间距为3 km；垂直坐标37层。计算输出资料的空间范围为40°-47°N、121°-132°E，水平分辨率为1°×1°，时间分辨率为1 h。

2 紫外线逐小时预报模型

2.1 样本设置

采用上述长春市紫外线逐小时观测资料，按照表1将辐射强度换算成指数进行统计分析，得到紫外线指数的日变化特征曲线(图1)。曲线呈抛物线型，中午前后指数最大，即辐射最强，06时之前和18时之后基本无辐射。

图1 2012-2014年长春市紫外线指数的日变化特征曲线

综合考虑紫外线日变化特征和实际业务需求及运算成本，选取每日08-16时的紫外线指数与WRF输出数据，剔除缺测值和奇异值后，得到样本共计9414个，以2012-2013年数据(6210个样本)作为训练集进行建模，以2014年样本作为测试集进行试报检验。

2.2 预报因子分析

将WRF输出的气象要素及辐射相关物理量与紫外线指数实况进行相关分析，其相关系数通过α为0.01的显著性检验，符合物理意义的要素共17个(表2)。

表2 17个与UVI相关系数在10%以上且通过α为0.01的显著性检验的WRF输出要素

由相关分析结果可见，气象因子当中，地面及低层大气气温与紫外线指数呈现较明显的正相关；辐射因子当中，SWDOWN(downward short wave flux at ground surface)表征到达地表高度的太阳短波辐射，SWDOWN与紫外线指数相关性最好，即地表接收到的短波辐射通量与地面紫外线观测值统计关系较为密切。两种类型因子对比来看，SWDOWN和GRDFLX相比大多数气象因子来说，与紫外线指数的相关性更好。

各因子之间的相关性分析显示，T925、T850和T700之间的相关系数均大于等于0.95，Q925和Q700直接的相关系数为0.84，为避免多线重叠，优先选取近地面要素，去掉T850、T700和Q700，以其余14个要素作为回归方程待选因子。

2.3 建模方式对比

为对比和检验辐射因子对紫外线指数的影响贡献，首先尝试分别从只考虑气象因子、综合考虑辐射和气象因子两个角度建立预报模型，并考察了两种方式所建立的预报模型的效果。

选取气象因子作为自变量，紫外线指数实况为因变量，进行多元逐步回归，得到预报方程(1)，选取气象因子和辐射因子共同作为自变量进行建模，得到方程(2)。

Y=-11.398-0.038x1-0.083x2+
0.137x3+0.062x4

(1)

Y=-3.399+0.032x1-0.023x2+0.42x3+
0.035x4+0.004x5

(2)

式中，Y为紫外线指数的逐小时预报值，方程(1)中x1-x4分别为Q925、T925、T2、WS10，方程(2)中x1-x5分别为Q925、T925、T2、WS10、SWDOWN。两个方程的复相关系数见表3。

中国气象局对紫外线预报质量实行等级误差考核评分办法，即当紫外线指数等级预报的误差为0级时得分为100，误差为1级时得分为50。根据此办法，对方程进行拟合，拟合结果见表3。

表3 两种不同建模方式所得方程的复相关系数和拟合率

由表3可见，与方程(1)相比，方程(2)的复相关系数、0级拟合率和1级以内拟合率均有明显提高。其中复相关系数提高了29%，说明采用综合气象因子和辐射因子的方式建模，方程稳定性增强，拟合效果明显优于单纯气象因子预报模型的效果。

2.4 分季节的综合因子预报模型

采取综合气象因子和辐射因子的建模方式，按照长春市气候特征，划分四季(春夏秋冬四季分别为4-5月、6-8月、9-10月、11月-次年3月)，建立了分季节的长春市逐小时紫外线预报模型：

Yspr=-3.339-0.013x1+0.143x2+
0.105x3+0.02x4

(3)

Ysum=-8.44-0.209x1+0.248x2-0.008x3

(4)

Yfal=1.133+0.202x1+0.088x2-0.023x3

(5)

Ywin=-1.906+0.01x1+0.062x2-
0.005x3+0.006x4

(6)

其中，Yspr、Ysum、Yfal、Ywin分别为春、夏、秋、冬四个季节的紫外线预报指数；方程(3)中，x1-x4分别为GRDFLX、WS10、Q925、T2，复相关系数为0.445；方程(4)中，x1-x3分别为T925、T2、GRDFLX，复相关系数为0.322；方程(5)中，x1-x3分别为Q925、WS10、GRDFLX，复相关系数为0.648；方程(6)中，x1-x4分别为T925、WS10、GRDFLX、SWDOWN，复相关系数为0.752。

可以看到，与紫外线指数相关性较好的GRDFLX得以进入回归方程。方程组拟合结果如表4。与不分季节的预报方程(2)相比，秋冬两季的方程复相关系数更大，稳定性更强，拟合过程中，1级以内拟合率有所提高。可见，在秋冬两季采用分季节的预报方程，可改善季节性预报偏差；春夏两季的方程表现略差，可能与样本数量有一定关系。

表4 综合气象和辐射因子建立的分季节预报方程的复相关系数和拟合率

综上，采用春秋季使用方程(2)、秋冬季分别使用方程(3)和(4)的方式，作为最终的分季节的综合因子预报模型。

3 模型效果检验

为检验模型预报效果，采用最终的综合因子预报模型，对2014年样本进行了试报检验。另外，本地实际业务中采用的是与方程(1)类似，即仅考虑气象因子的预报模型(以下称为原有模型)，采用该模型进行了对比检验。根据检验结果(表5)，综合因子预报模型的1级内拟合率达92%，试报效果较原有模型有明显提高。

表5 两种预报模型的试报拟合率

4 结论与讨论

本文基于WRF模式模拟输出的2012-2014年长春市的常规气象要素及与辐射相关的物理量，结合紫外线实况，采用多元回归方法，建立了分季节的长春市逐小时紫外线指数预报模型。

建模因子当中，地面及低层大气气温与紫外线指数呈现较明显的正相关，地表接收到的短波辐射通量与地面紫外线观测值统计关系最为密切；部分辐射因子相比大多数气象因子而言，与紫外线指数具有更好的相关性。综合气象因子和辐射因子建立的紫外线逐小时预报模型，稳定性和拟合效果都明显优于单纯采用气象因子建立的预报模型，说明辐射因子在紫外线预报中较有优势。

以综合因子建模方式，建立了分季节的紫外线逐小时预报方程，秋冬两季的方程稳定性和1级以内拟合效果较不分季节的预报模型的有所提高。最终确立的分季节的综合因子预报模型试报1级拟合率达92%，效果较本地原有模型有明显提升。

辐射因子便于从业务运行的中尺度数值模式中获取，结合统计建模方法，能够以较低成本有效提高紫外线预报的精细化程度和预报效果，值得在业务中应用。考虑到实际业务中模式可能出现调整升级，可进一步采取滑动训练期等方式对模型进行改进。