УДК 551.509.313+551.509.324.2+551.508.85

Оперативная технология наукастинга осадков
на основе радиолокационных данных и сравнительные результаты точечной верификации
для теплого и холодного периодов года

А.В. Муравьев, Д.Б. Киктев, А.В. Смирнов, М.Ю. Зайченко

Гидрометеорологический научно-исследовательский центр
Российской Федерации, г. Москва, Россия

muravev@mecom.ru

Представлены результаты испытаний оперативной системы наукастинга осадков Гидрометцентра России в холодный период года (ноябрь 2017 г. – март 2018 г.) на основе данных девяти радиолокаторов Европейской территории России. Эти результаты дополняют предыдущие испытания в теплый период (май – сентябрь 2017 г.). Основное внимание уделено точечной верификации прогностической продукции в сопоставлении с аналогичными оценками качества в теплый период. Показано, что в холодный период наукастинг осадков оказывается более информативным по коэффициенту корреляции (COR) и сопоставим по систематическому смещению (BIAS). Сопоставление по категориальным показателям Пирса – Обухова (PSS) и критического индекса успешности (ETS) привело к неоднозначным выводам для разных порогов интенсивности ввиду того, что в данный период интенсивность осадков была примерно вдвое слабее интенсивности в предыдущий теплый период. Отмечено более сильное влияние помех и иных особенностей радиолокации на результаты верификации в холодный период испытаний.

Ключевые слова: наукастинг осадков, радиолокационные оценки осадков,
верификация прогнозов полей осадков, сравнительные характеристики качества прогнозов по теплым и холодным периодам года

Operational precipitation nowcasting system
based on radar data and comparative pointwise verification results for the warm and cold seasons

A.V. Muravev, D.B. Kiktev, A.V. Smirnov, M.Yu. Zaichenko

Hydrometeorological Research Center of Russian Federation, Moscow, Russia

muravev@mecom.ru

The article presents the results of testing the operational precipitation nowcasting system of the Hydrometcentre of Russia during the cold season (November 2017 – March 2018) based on data of nine radars located on the European territory of Russia. These results supplement the earlier testing for the warm season (May – September 2017). Key attention is given to the pointwise forecast verification compared to the similar qua-lity assessment for the warm period. It is demonstrated that the precipitation nowcasting during the cold season is more informative as against the warm period, when evaluated using the correlation coefficient (COR), and that it is comparable in terms of the syste-matic bias (BIAS). Given that in the examined period the precipitation intensity was half the intensity observed in the previous warm season, the comparison based on categorical scores like the Pierce skill score (PSS) and the equitable threat score (ETS) has resulted in ambiguous conclusions for different intensity thresholds. Stronger effects of ground clutters and other radiolocation features on the verification results have been observed for the cold period.

Keywords: precipitation nowcasting, radar precipitation estimates, precipitation field forecast verification, comparative forecast quality characteristics for the warm and cold seasons

Введение

В опубликованной ранее статье [7] описаны особенности развернутой в Гидрометцентре России системы наукастинга осадков, основанной на радиолокационных полях осадков, поступающих от Центральной аэрологической обсерватории (ЦАО) [4], и приведены результаты точечной и пространственной верификации прогнозов по девяти радиолокаторам на Европейской территории России за период с 1 мая по 30 сентября 2017 года, условно названный «теплым» периодом года. Расчетным ядром системы является статистическая прогностическая схема STEPS (Short-Term Ensemble Prediction System), построенная как мультипликативный каскад с использованием технологии оптического потока [9].

Решением Центральной методической комиссии по гидрометеорологическим и гелиогеофизическим прогнозам (ЦМКП) Росгидромета от 01.12.2017 г. было рекомендовано внедрить в качестве основной технологии в оперативную практику Гидрометцентра России «Технологию наукастинга интенсивности осадков на срок до 90 мин в теплый период года». Методологические основы развернутой системы и оценки качества прогнозов были представлены на международной конференции, посвященной столетию со дня рождения академика А.М. Обухова [6].

В течение 2018 г. были проведены испытания схемы наукастинга осадков за период с 1 ноября 2017 г. по 31 марта 2018 г., который будем условно называть «холодным» периодом года, для той же сети из девяти радиолокаторов на Европейской территории России – Курск (RAKU),
Тула (RATL), Внуково (RAVN), Воейково (RAVO), Брянск (RUDB),
Кострома (RUDK), Смоленск (RUDL), Нижний Новгород (RUDN) и
Валдай (RUWJ). Передача данных и прогностическая продукция остались неизменными. Так, прогнозы составлялись каждые 10 минут и представляли собой серии по 15 последовательных прогностических полей с
10-минутной дискретностью. Результаты прогнозов в графическом и цифровом виде накапливались на сервере Гидрометцентра России в виде полей в примерно двухкилометровом разрешении размером 256×256, а наложенные на географическую сетку прогностические поля размещались на веб-сайте Гидрометцентра России с опцией анимации. За отчетный период тестирования количество прогнозов по каждому локатору составило порядка 20 тысяч, примерно такое же, как и в теплый период тестирования, что сделало возможным статистически обеспеченное сопоставление соответствующих оценок.

Параллельно испытаниям по плану НИР в течение 2018 г. были проведены тестовые прогоны обновленной версии схемы STEPS, в которой размер и шаг определяются исходными полями произвольного размера. Возможность увеличения расчетной области за пределы исходной зоны покрытия каждого отдельного локатора позволяет пополнять и взаимно корректировать пересекающиеся области осадков. Был оценен рост затрат при различных факторах: расширениях расчетных областей, подключении новых радиолокаторов и увеличении объемов прогностических ансамблей в наличной вычислительной среде Гидрометцентра России.

В настоящее время проводятся эксперименты с данными 27 радиолокаторов в режиме оперативного поступления информации ДМРЛ-С,
при этом расчеты прогнозов с заблаговременностью до 2 ч в области
размером 504×504 км занимают не более 5 мин для каждого локатора. Так как данные наблюдений поступают каждые 10 мин, времени на расчет
и прорисовку в среде сервера с 32 ядрами хватает для своевременной публикации текущих результатов в виде карт на сайте Гидрометцентра России с опцией анимации. Материалы для испытаний новой версии системы в теплый период планируется накопить в течение 2019 года.

В представленной статье большинство оценок качества сопоставляются по обоим периодам испытаний, однако это касается не всех ранее примененных показателей (например, индекс экстремальной зависимости EDI) и большее внимание уделено так называемому критическому индексу успешности (ETS). Анализ ограничен оценками точечной верификации наукастинга осадков, а объектно-ориентированные оценки, аналогичные предыдущим и рассчитанные также для холодного периода, в настоящую статью не включены. Дело в том, что в период испытаний в дополнение
к прежним пространственным оценкам были разработаны и применены новые характеристики качества прогнозов: показатели качества для экстремальных по площади областей осадков (на основе распределения Парето) и для так называемых «пространственных долей» (на основе показателя FSS, Fractions Skill Score). Объем и новизна полученных результатов по пространственной верификации требуют отдельных публикаций.

1. Объемы данных и характеристики точечной верификации

В табл. 1 приведено точное количество накопленных и использованных полей наблюдений и прогнозов по всем радиолокаторам. Звездочкой отмечены локаторы с нарушением передачи данных из-за длительных технических аварий, устранение которых занимало иногда до 15 суток. Заметное снижение количества прогнозов в теплый период было вызвано недостатками организации оперативного счета на сервере Гидрометцентра России, такими как несинхронность потоков входных данных и нехватка оперативной памяти при параллельном счете прогнозов.

В оба периода испытаний качество точечных прогнозов интенсивности осадков оценивалось только для тех пар прогнозов и наблюдений,
в которых хотя бы одно значение превышало 0,05 мм/ч. Ограничение
интенсивности сокращает объем выборки верификации до 10–15 %
от полного объема, а ограничение верификации полем размера 126×126 – до 24 % точек общей области.

Таблица 1. Количество наблюдений (радарных полей) и прогнозов за теплый (01.05.2017 – 30.09.2017) и холодный (01.10.2017– 31.03.2018) периоды

Table 1. Number of observations (radar fields) and forecasts during warm (01.05.2017 – 30.09.2017) and cold (01.10.2017– 31.03.2018) periods

Локаторы	Теплый период Максимальное количество сроков: 22032 = 153 сут × 144 обзора		Холодный период Максимальное количество сроков: 21744 = 151 сут × 144 обзора
	Количество	%	Количество	%
RAKU	21843/19436	99/88	21041/20793	97/96
RATL	*19124/16925	87/77	*20225/19860	93/91
RAVN	21866/19430	99/88	21539/21314	99/98
RAVO	*20322/17896	92/81	*19753/19507	91/90
RUDB	*19633/17367	89/79	21436/21261	99/98
RUDK	21803/19466	99/88	21327/21124	98/97
RUDL	21495/19118	98/87	21219/21014	98/97
RUDN	21846/19407	99/88	21183/21009	97/97
RUWJ	21879/19474	99/88	21451/21257	99/98

Примечание. * Сбои и аварии на локаторах максимальной длительностью до 15 суток. The asterisk denotes technical radar failures and breakdowns, with up to 15 days duration.

В представленной статье используются следующие показатели из трех групп характеристик, перечисленных в [7]:

1) общие статистические характеристики: ACCU – накопленная сумма осадков;

2) показатели для непрерывных предиктантов: ME – средняя ошибка; COR – коэффициент корреляции;

3) показатели для категоризованных предиктантов: BIAS – систематическое смещение; PSS – критерий Пирса-Обухова; ETS – критический индекс успешности относительно случайного попадания, или критерий Гилберта GSS).

Для простейшего описания пространственного распределения показателей качества используются суммарные статистики показателя по соответствующему полю: min – минимальное значение; q25 – квантиль 25 % (первый квартиль); med – медиана (второй квартиль); mean – среднее арифметическое значение; q75 – квантиль 75 % (третий квартиль); max – максимальное значение; IQR – интерквартильный размах (q75 – q25); std – стандартное отклонение; NA's – количество точек поля с вырожденными значениями (inf, NaN); valid – количество точек с невырожденными значениями.

Все перечисленные показатели рассчитываются с помощью модуля verification и встроенной функции summary языка R, а поля показателей качества визуализируются с помощью графического пакета Grads.

2. Поля и пространственное распределение показателей качества

2.1. Накопленная сумма осадков (ACCU)

Накопленные за длительное время прогностические и фактические осадки являются важной климатологической характеристикой качества системы наукастинга и обычно используются для калибровки самих радиолокационных данных [4]. Ввиду того, что суммы радарных и прогностических осадков выражены в мм/ч (а обновление информации происходит каждые 10 мин), то для сравнения с реальной климатологией результаты суммирования должны быть уменьшены в шесть раз при расчете таких характеристик, как ACCU и ME.

Рассмотрим накопленные за весь период суммы радиолокационных осадков и результаты прогноза на первые 10 мин (рис. 1).

Во-первых, отчетливо видно, что пространственная структура большинства зон осадков сильно искажена влиянием местных препятствий (местников). При этом пространственные структуры сходны с аналогичной графикой для теплого периода испытаний (рис. 1, [7]), а большее проявление местников в холодный период обусловлено, главным образом, примерно в два раза меньшей интенсивностью осадков в холодный период, как отчетливо видно на рис. 2 для локатора RAVN. Во-вторых, в
холодный период практически повсеместным явлением оказывается наличие кольцевой структуры со снижением суммы осадков при удалении от координат локатора. Эти кольцевые структуры, проявляющиеся и в большинстве полей рассчитанных показателей, возможно, вызваны либо систематическим ослаблением радиоизлучения в осадках, зависящим как от физических свойств атмосферы, так и от длины пути прохождения
радиолуча [3, 5], либо особенностями оценок интенсивности осадков в программном комплексе ГИМЕТ (ЦАО), либо какими-то иными причинами. В картах накопленных сумм за предыдущий (теплый) период похожие кольцевые структуры не просматриваются.

Сравнение значений сумм радарных осадков с фактической климатологией возможно только по небольшому количеству станций с приведением значений к сопоставимому временному интервалу. Здесь воспользуемся данными по московской станции ВДНХ, для которой суммы осадков за пять месяцев выделенного периода были равны последовательно 46,4; 86,0; 66,5; 63,5 и 30,6 мм, в сумме 293 мм [3]. Шестикратная сумма для пяти месяцев равна 1758 мм/ч, что попадает в интервал соответствующих значений в центральной части зоны обзора локатора Внуково, лежащих в интервале между 1350 и 1800 мм/ч (рис. 1а, б, панель RAVN).

а)

б)

Рис. 1. Накопленные суммы радарных (а) и 10-минутных прогностических (б) осадков (умноженные на 6) за период 01.10.2017 – 31.03.2018 по радиолокаторам на ЕТР. Единица измерения – [мм], градуировка палитры – [мм∙6]. Суммирование проводится по тем срокам, для которых имеются синхронизованные прогнозы с заблаговременностью 10 мин.

Fig. 1. Accumulated radar (a) and 10-min forecast (б) precipitation (multiplied
by 6) for the 01.10.2017 – 31.03.2018 period obtained from radars located on the European territory of Russia. The unit of measurement is [mm], the calibration
of palette is [mm∙6]. Sums are calculated over date and time instants with synchronized 10 min forecasts present.

а)

б)

Рис. 2. Накопленные суммы радарных осадков (умноженные на 6) по локатору Внуково (RAVN) за холодный период 01.10.2017 – 31.03.2018 (а) и теплый период 01.05.2017 – 30.09.2017 (б). Единица измерения – [мм], градуировка палитры – [мм×6]. Суммирование проводится по тем срокам, для которых имеются синхронизованные прогнозы с заблаговременностью 10 мин.

Fig. 2. Accumulated radar precipitation (multiplied by 6) from Vnukovo radar (RAVN) for the 01.10. 2017 – 31.03.2018 period (а) and for the 01.05.2017 – 30.09.2017 period (б). The unit of measurement is [mm], the calibration of palette is [mm×6]. Sums are calculated over date and time instants with synchronized 10 minutes forecasts present.

Прогностические карты накопленных сумм за первые 10 мин прогноза (рис. 1б) демонстрируют заметный сглаживающий эффект двумерного фильтра Фурье, используемого для построения турбулентного каскада в схеме STEPS. При одновременной потере пространственных деталей такое спектральное сглаживание устраняет местники небольшого масштаба, что нельзя не считать вполне благоприятным эффектом.

2.2. Средняя ошибка (ME)

Если в качестве характеристики полезного прогноза использовать те же значения |ME|£0,5 мм/ч, которые были эвристически рассчитаны для теплого периода, то можно прийти к следующим выводам: 1) до конца срока прогнозирования (150 мин) основная площадь обзоров всех радаров остается занятой «полезными» прогнозами; 2) с ростом заблаговременности возникают и растут области систематического занижения прогностической интенсивности (отрицательные МЕ); 3) области систематического занижения являются зачастую пространственно связными и могут быть объектом систематической коррекции, что, конечно же, требует дополнительного и более внимательного анализа.

Табл. 2, содержащая суммарные характеристики распределения значений МЕ по всем точкам усеченных полей, показывает, что ни одно максимальное значение не превысило 0,5, в то время как минимальные значения менее -0,5 объясняются, возможно, ошибками оценок осадков по радиолокационной отражаемости, например, данные локатора Внуково (RAVN).

Таблица 2. Суммарные характеристики полей средней ошибки (МЕ) прогноза осадков для синхронизованных радарных и прогностических данных с заблаговременностью 10 и 150 мин в холодный период. Выбросы (предположительно ошибки в радарных полях) выделены красным. Общее количество точек усеченного поля равно 15876 (126×126)

Table 2. Summary characteristics of precipitation mean error fields (ME) for synchronized radar and 10 and 150 min forecasts. Outliers (presumably radar field errors) are given in red. Total number of valid truncated field points equals 15876 (126×126)

Радар	lead	min	q25	med	mean	q75	max	IQR	std
RAKU	010:	-0.30	0.00	0.00	0.03	0.10	0.10	0.10	0.05
	150:	-0.40	-0.10	0.00	-0.04	0.00	0.20	0.10	0.10
RATL	010:	-0.10	0.00	0.00	0.02	0.10	0.20	0.10	0.06
	150:	-0.30	-0.10	0.00	0.00	0.10	0.40	0.20	0.13
RAVN	010:	-5.30	0.00	0.00	0.00	0.00	0.30	0.00	0.06
	150:	-4.60	-0.10	-0.10	-0.03	0.00	0.30	0.10	0.11
RAVO	010:	-1.00	0.00	0.00	0.00	0.00	0.30	0.00	0.05
	150:	-1.00	-0.10	0.00	-0.03	0.00	0.20	0.10	0.07
RUDB	010:	-0.30	0.00	0.00	0.03	0.10	0.20	0.10	0.06
	150:	-0.30	-0.10	0.00	-0.03	0.10	0.30	0.20	0.13
RUDK	010:	-0.30	0.00	0.00	0.01	0.00	0.10	0.00	0.03
	150:	-0.30	-0.10	0.00	-0.01	0.00	0.10	0.10	0.08
RUDL	010:	-0.50	0.00	0.00	0.01	0.00	0.10	0.00	0.04
	150:	-0.40	-0.10	0.00	-0.03	0.00	0.10	0.10	0.08
RUDN	010:	-0.50	0.00	0.00	0.01	0.00	0.30	0.00	0.07
	150:	-0.40	0.00	0.00	0.00	0.00	0.40	0.00	0.10
RUWJ	010:	-0.90	0.00	0.00	0.00	0.00	0.20	0.00	0.02
	150:	-0.90	-0.10	0.00	-0.03	0.00	0.20	0.10	0.06

Так же, как и по полям оценок для теплого периода (см. табл. 3, [7]), видно несколько асимметричное распределение МЕ по первому и третьему квартилям (q25, q75) с большими областями нулевых значений (med, mean) и со слабым сдвигом в отрицательную область с ростом заблаговременности (lead = 150). Последнее наблюдение свидетельствует о небольшом систематическом ослаблении прогностической интенсивноcти
с ростом заблаговременности для всех локаторов, кроме RUDN.

Как и следовало ожидать, в графическом изображении полей МЕ значения в интервале между -0,5 и +0,5 оказываются преобладающими в полях обзоров всех радаров (рис. 3а, б, в), без заметного изменения значений с ростом заблаговременности, но с появлением и увеличением одноцветных областей (в сторону завышения или занижения прогностической интенсивности) для отдельных локаторов (RATL, RAVN, RUDK, RUDL). При этом географическая локализация связных зон систематического занижения или завышения прогнозов также имеет место, хотя и заметно слабее по сравнению с теплым периодом.

Как упоминалось выше, из-за меньшей климатической интенсивности осадков в холодный период года использование одинакового порога полезности для обоих периодов не совсем корректно. Его следовало бы выбрать также меньшим примерно вдвое, делая более мелкой и градуировку цветовой палитры около нуля в графических образах. Тем не менее в данном случае порог оставлен прежним для сохранения единообразия оценок качества, как и палитра цветов – для удобства предварительного сопоставления.

Рис. 3а.

б)

в)

Рис. 3. Средняя ошибка (МЕ) прогноза осадков с заблаговременностью 10 мин (а), 70 мин (б) и 150 мин (в) за период 01.10.2017 – 31.03.2018 для радиолокаторов на ЕТР. Единица измерения – [мм], градуировка палитры – [мм×6]. Оценка МЕ проводится по синхронизованным парам прогноз-наблюдение.

Fig. 3. Mean error (МЕ) of precipitation nowcasts 10 minutes (а), 70 minutes (б) and 150 minutes (в) ahead for the 01.10.2017 – 31.03.2018 period for radars on the ETR. The unit of measurement is [mm], the calibration of palette is [mm×6]. ME is calculated for synchronized forecast – observation pairs.

2.3. Коэффициент корреляции (COR)

Воспользуемся тем же эвристическим приемом выделения диапазона 0,1–0,15 значений COR в качестве нижнего порога значимости при нулевой теоретической корреляции и в предположении, что общее количество прогнозов составляет около 20 тыс., а типичное время эволюции мезомасштабных осадков в средних широтах равно примерно восьми часам
[1, 2, 7].

На рис. 4 собраны поля COR для заблаговременностей 60 и 150 мин. Видно, что значения коэффициента корреляции существенно выше значений для теплого периода, кроме, возможно, расчетов по локатору Воейково (RAVO) (см. рис. 5 и рис. 6 [7]). При этом в полях оценок для холодного периода уже на ранних прогнозах наблюдается географическая локализация связных областей высокой и низкой корреляции, которые трансформируются в некоторых случаях в отчетливые циклические структуры (рис. 4б), проявившиеся в картах накопленных осадков
(рис. 1).

Табл. 3 содержит данные о «потенциальной информативности» системы наукастинга в виде общих характеристик распределения показателя COR по полю размером 126×126 точек. Зеленым цветом выделены значения COR ≥ 0,1, розовым – значения COR ≥ 0,15. Столбцы квантилей (q25, med, q75) выделяют соответственные доли от полной площади с указанными значениями COR. Характеристики (min, mean, max, IQR, std) дают важные дополнительные сведения о распределении показателя по точкам поля.

Оценки потенциальной информативности системы наукастинга по показателю COR в долях общей площади, содержащих значения COR не менее выделенного значимого уровня и с учетом заблаговременностей, собраны в табл. 4. Отчетливо видно, что по большинству локаторов прогноз осадков по критическому нижнему значению COR = 0,15 информативен вплоть до 2,5 ч на области, занимающей до 75 % общей площади обзора.

Таким образом, по показателям точечной верификации качество прогнозов в холодный период оказывается более высоким по коэффициенту корреляции, и практическая предсказуемость по этому же показателю для некоторых радаров достигает в этот период конца прогностического интервала (2,5 ч).

2.4. Систематическое смещение (BIAS)

Напомним, оценка BIAS (систематическое смещение, сдвиг) является отношением числа прогнозов данной категории к числу наблюдений этой же категории и изменяется в интервале [0, +¥] со значением BIAS = 1
для идеального прогноза. Возможно, точнее было бы называть данную характеристику отношением пространственных долей. Как и в работе
[7], правилами обработки и интерпретации категоризованных показателей являются вначале а) определение максимального, статистически обеспеченного порога категории для прогноза за первые 10 минут (по
отсутствию вырожденных таблиц сопряженности), а затем б) оценка
полезности прогноза выделенной категории по изменению показателя с заблаговременностью.

а)

б)

Рис. 4. Коэффициент корреляции (COR) прогностических осадков с заблаговременностью 60 мин (а) и 150 мин (б), за период 01.10.2017 – 31.03.2018 для радиолокаторов на ЕТР.

Fig. 4. Correlation coefficient (COR) of precipitation nowcasts 60 minutes (а) and 150 minutes (б) ahead for the 01.10.2017 – 31.03.2018 period for radars on the ETR.

Таблица 3. Суммарные характеристики полей коэффициента корреляции интенсивности осадков (COR) для синхронизованных радарных данных и прогнозов разной заблаговременности (lead) в холодный период. Критический уровень COR в диапазоне 0.1 (зеленый) – 0.15 (розовый)

Table 3. Summary characteristics of precipitation intensity correlation for synchronized radar and forecasts with varying lead-time (lead) in the cold period. Critical COR levels are given in the range of 0.1 (green) and 0.15 (pink)

Радар	lead	min	q25	med	mean	q75	max	IQR	std
RAKU	010:	0.01	0.53	0.57	0.57	0.60	0.74	0.07	0.05
	020:	0.01	0.49	0.52	0.52	0.55	0.73	0.06	0.05
	030:	0.01	0.44	0.48	0.48	0.51	0.69	0.07	0.05
	…	…	….	….	….	….	….	….	….
	150:	-0.05	0.15	0.20	0.19	0.24	0.41	0.09	0.07
RATL	010:	0.03	0.48	0.54	0.52	0.58	0.73	0.10	0.10
	020:	0.01	0.43	0.49	0.47	0.53	0.70	0.10	0.10
	030:	-0.02	0.39	0.45	0.43	0.49	0.67	0.10	0.10
	…	…	….	….	….	….	….	….	….
	120:	-0.02	0.15	0.21	0.20	0.25	0.43	0.10	0.08
	130:	-0.04	0.13	0.19	0.18	0.24	0.42	0.11	0.08
	140:	-0.06	0.12	0.18	0.17	0.22	0.40	0.10	0.08
	150:	-0.05	0.10	0.16	0.15	0.21	0.40	0.11	0.08
RAVN	010:	-0.02	0.44	0.50	0.48	0.55	0.72	0.11	0.11
	020:	-0.06	0.38	0.45	0.43	0.49	0.65	0.11	0.10
	030:	-0.09	0.34	0.40	0.38	0.45	0.59	0.11	0.10
	…	…	….	….	….	….	….	…	….
	080:	-0.16	0.17	0.23	0.23	0.29	0.50	0.12	0.09
	090:	-0.17	0.14	0.21	0.20	0.27	0.48	0.13	0.09
	100:	-0.18	0.13	0.19	0.18	0.24	0.46	0.11	0.09
	110:	-0.19	0.11	0.17	0.17	0.23	0.44	0.12	0.09
	120:	-0.19	0.09	0.15	0.15	0.21	0.45	0.12	0.09
	130:	-0.21	0.07	0.13	0.13	0.20	0.43	0.13	0.09
	140:	-0.22	0.06	0.12	0.12	0.18	0.42	0.12	0.09
	150:	-0.26	0.04	0.11	0.11	0.17	0.42	0.13	0.09
RAVO	010:	0.00	0.45	0.49	0.48	0.52	0.71	0.07	0.08
	020:	-0.01	0.40	0.44	0.42	0.47	0.63	0.07	0.07
	030:	-0.03	0.35	0.39	0.38	0.42	0.62	0.07	0.07
	…	…	….	….	….	….	….	…	….
	100:	-0.17	0.15	0.19	0.18	0.23	0.42	0.08	0.07
	110:	-0.18	0.13	0.17	0.16	0.21	0.39	0.08	0.07
	120:	-0.17	0.11	0.15	0.14	0.19	0.39	0.08	0.07
	130:	-0.19	0.09	0.13	0.13	0.17	0.39	0.08	0.07
	140:	-0.18	0.07	0.12	0.11	0.15	0.37	0.08	0.07
	150:	-0.22	0.06	0.10	0.10	0.14	0.30	0.08	0.07
RUDB	010:	0.04	0.49	0.55	0.54	0.59	0.78	0.10	0.08
	020:	0.03	0.44	0.49	0.49	0.54	0.73	0.10	0.08
	030:	0.03	0.39	0.45	0.44	0.50	0.66	0.10	0.08
	…	…	….	….	….	….	….	…	….
	120:	-0.05	0.16	0.21	0.21	0.27	0.51	0.11	0.08
	130:	-0.06	0.14	0.20	0.20	0.25	0.52	0.11	0.08
	140:	-0.07	0.13	0.18	0.19	0.24	0.52	0.11	0.08
	150:	-0.10	0.12	0.16	0.17	0.22	0.44	0.10	0.08
RUDK	010:	0.05	0.52	0.56	0.55	0.59	0.77	0.07	0.05
	020:	0.04	0.47	0.50	0.50	0.54	0.72	0.07	0.05
	030:	0.04	0.42	0.45	0.45	0.49	0.66	0.07	0.05
	…	…	….	….	….	….	….	…	….
	140:	-0.10	0.15	0.19	0.18	0.23	0.39	0.08	0.07
	150:	-0.11	0.13	0.18	0.17	0.22	0.33	0.09	0.07
RUDL	010:	0.11	0.55	0.58	0.58	0.61	0.77	0.06	0.05
	020:	0.07	0.50	0.53	0.53	0.56	0.75	0.06	0.05
	030:	0.07	0.46	0.49	0.49	0.52	0.72	0.06	0.05
	…	…	….	….	….	….	….	…	….
	140:	-0.09	0.16	0.21	0.20	0.24	0.43	0.08	0.06
	150:	-0.12	0.14	0.19	0.18	0.23	0.40	0.09	0.07
RUDN	010:	-0.46	0.47	0.52	0.50	0.56	0.83	0.09	0.13
	020:	-0.27	0.42	0.47	0.45	0.51	0.84	0.09	0.12
	030:	-0.27	0.37	0.43	0.41	0.47	0.77	0.10	0.11
	…	…	….	….	….	….	….	…	….
	120:	-0.06	0.15	0.19	0.19	0.24	0.42	0.09	0.06
	130:	-0.05	0.14	0.18	0.18	0.22	0.44	0.08	0.06
	140:	-0.05	0.13	0.16	0.16	0.20	0.52	0.07	0.06
	150:	-0.06	0.11	0.15	0.15	0.19	0.37	0.08	0.06
RUWJ	010:	-0.01	0.51	0.54	0.53	0.57	0.81	0.06	0.06
	020:	-0.01	0.45	0.48	0.48	0.52	0.75	0.07	0.06
	030:	-0.01	0.41	0.44	0.43	0.47	0.74	0.06	0.06
	…	…	….	….	….	….	….	…	….
	120:	-0.20	0.15	0.19	0.18	0.22	0.38	0.07	0.06
	130:	-0.26	0.12	0.17	0.16	0.21	0.38	0.09	0.06
	140:	-0.26	0.11	0.15	0.14	0.19	0.37	0.08	0.06
	150:	-0.29	0.09	0.13	0.13	0.17	0.30	0.08	0.06

Таблица 4. Предел информативного прогноза системы наукастинга
(в десятках минут) и для заданной доли площади (в %) по показателю COR

Table 4. Informative forecast limit of the nowcasting scheme (in tens of minutes) and for the given area fraction (in %), based on COR

Радар	Критический уровень показателя COR*
	0.10			0.15
	Доля площади, занимаемой значениями COR не ниже критического уровня**
	75%	50%	25%	75%	50%	25%
RAKU	150	150	150	150	150	150
RATL	150	150	150	120	150	150
RAVN	110	150	150	80	120	150
RAVO	120	150	150	100	120	140
RUDB	150	150	150	120	150	150
RUDK	110	150	150	80	120	150
RUDL	120	150	150	140	150	150
RUDN	150	150	150	120	150	150
RUWJ	140	150	150	120	140	150

Примечание. *Critical COR level.

**Area fraction covered by COR values no less than the critical level.

На рис. 5 приводятся оценки BIAS прогноза на первые 10 мин для порогов 2 и 4 мм/ч.

а)

б)

Рис. 5. Систематическое смещение (BIAS) прогнозов на 10 мин интенсивности осадков ≥2 мм/ч (а) и ≥4 мм/ч (б) за период 01.10.2017 – 31.03.2018 для радиолокаторов на ЕТР.

Fig. 5. Systematic 10-minutes nowcast bias (BIAS) of precipitation intencity ≥2 mm/h (а) and ≥4 mm/h (б) for the 01.10.2017 – 31.03.2018 period for radars on the ETR.

Для порога 2 мм/ч видно влияние и местников (RATL, RUDB, RUDN), и ослабления луча (RAVN). Отчетливо разнообразие пространственных структур для разных локаторов, иногда с более или менее связными областями значений оценки BIAS по одну или другую сторону от единицы (RUDK, RUDN, RUDL, RUDB, RAKU), а иногда с неструктурированной пестротой (RUWJ, RAVN). Области белого цвета сигнализируют об отсутствии оценок для данной категории (наличие значений inf в таблицах сопряженности). Не приводя соответствующих рисунков заметим, что областей белого цвета, а также контрастных угловых секторов из-за местников в холодный период существенно больше, чем в теплый период. В частности, в теплый период на картах BIAS для порога 2 мм/ч вырожденные значения полностью отсутствуют для всех локаторов.

Карты для порога 4 мм/ч обнаруживают более сильное различие в пространственных структурах, большую пестроту и обширные области вырожденных значений. По результатам испытаний для теплого периода именно порог 4 мм/ч был признан по категорийным показателям статистически наиболее обеспеченным. Для холодного периода статистически обеспеченным порогом оказывается примерно вдвое меньшей интенсивности, т. е. около 2 мм/ч.

Суммарные пространственные характеристики поля показателя BIAS для прогноза на 10 мин содержатся в табл. 5, в которой видны как границы обеспеченных порогов, так и большое разнообразие характеристик по разным локаторам. Устойчивой (робастной) характеристикой среднего положения является медиана. В частности, медианное значение BIAS для порога 2 мм/ч оказывается для трех локаторов чуть больше 1, а в остальных – чуть меньше 1.

Красноречивой суммарной характеристикой оказывается столбец наличия вырожденных точек из 15876 = 126×126: с ростом порога в зонах обзора некоторых локаторов к порогу 4 мм/ч теряется не менее половины точек поля (RAVN). Наличие нулей в соответствующих таблицах сопряженности приводит к множеству значений Inf (infinite) и NaN (not a number), что сигнализирует о заметной потере статистической обеспеченности категорийных оценок.

Качество прогноза категории «не меньше 2 мм/ч» по показателю BIAS отражено на рис. 6. Помимо наличия областей влияния местников (RUDN, RATL, RUDB) и ослабления луча (RAVN), наблюдается некоторая пространственная структурированность областей значений BIAS по обе стороны от единицы. Так, проявляется некоторая «фронтальная полоса» приемлемых значений BIAS около единицы, сужающаяся с увеличением заблаговременности (RUDL, RUDB, RAKU). При этом прочие области заполняются либо существенным превышением, либо существенным занижением количества случаев прогноза выделенной градации. В то же время области, находящиеся под влиянием местников или близкие к ним, характеризуются значениями BIAS, лишенными всякого смысла (RUDN, RATL, RUDB).

Таблица 5. Суммарные характеристики полей смещения (BIAS) интенсивности осадков для синхронизованных радарных и прогностических данных с заблаговременностью 10 мин в холодный период для порогов (thr) 0.5, 1, 2, 4, 8, 12 мм/ч. Inf, NaN – нулевые ячейки в таблице сопряженности (infinite, not a number)

Table 5. Summary characteristics of precipitation intensity bias (BIAS) for synchronized radar and forecasts with 10-min lead-time in the cold period for thresholds (thr) of 0.5, 1, 2, 4, 8, 12 mm/h. Inf, NaN – zeros in contingency table entries (infinite, not a number)

Радар	thr	min	q25	med	mean	q75	max	IQR	std	NA’s	valid
RAKU	0.5:	0.69	1.09	1.18	1.20	1.29	1.90	0.20	0.15	0	15876
	1:	0.53	1.06	1.18	1.24	1.38	2.34	0.32	0.25	0	15876
	2:	0.40	0.82	0.97	1.05	1.21	3.47	0.39	0.33	0	15819
	4:	0.00	0.62	0.86	Inf	1.25	Inf	0.63	NaN	0	15819
	8:	0.00	0.20	0.50	Inf	1.00	Inf	0.80	NaN	1519	14357
	12:	0.00	0.00	0.25	Inf	1.50	Inf	1.50	NaN	6975	8901
RATL	0.5:	0.37	1.03	1.17	Inf	1.41	Inf	0.38	NaN	0	15876
	1:	0.33	0.96	1.17	Inf	1.73	Inf	0.77	NaN	0	15876
	2:	0.00	0.74	0.98	Inf	1.65	Inf	0.91	NaN	42	15834
	4:	0.00	0.56	0.89	Inf	1.71	Inf	1.15	NaN	844	112182
	8:	0.00	0.12	0.50	Inf	1.40	Inf	1.28	NaN	3694	14357
	12:	0.00	0.00	0.29	Inf	1.50	Inf	1.50	NaN	8112	7764
RAVN	0.5:	0.06	0.80	1.00	Inf	1.27	Inf	0.47	NaN	0	15876
	1:	0.00	0.72	1.02	Inf	1.67	Inf	0.95	NaN	68	15808
	2:	0.00	0.51	1.00	Inf	2.78	Inf	2.27	NaN	1708	14168
	4:	0.00	0.43	1.00	Inf	Inf	Inf	Inf	NaN	5771	10105
	8:	0.00	0.00	1.00	Inf	Inf	Inf	Inf	NaN	10588	5288
	12:	0.00	0.00	Inf	Inf	Inf	Inf	Inf	NaN	13268	2608
RAVO	0.5:	0.12	1.04	1.15	1.17	1.27	3.71	0.23	0.26	0	15876
	1:	0.06	0.98	1.14	1.19	1.32	6.00	0.34	0.39	0	15876
	2:	0.03	0.73	0.92	Inf	1.17	Inf	0.44	NaN	0	15876
	4:	0.00	0.50	0.90	Inf	1.50	Inf	1.00	NaN	250	15626
	8:	0.00	0.00	0.67	Inf	Inf	Inf	Inf	NaN	5297	10579
	12:	0.00	0.00	1.00	Inf	Inf	Inf	Inf	NaN	11221	4655
RUDB	0.5:	0.48	1.05	1.19	1.