-
开放科学（资源服务）标识码（OSID）：
-
在全球变暖的背景下，极端降水事件频发，近年来日尺度、次日尺度、小时尺度甚至次小时尺度的极端降水事件发生频率或强度呈增加趋势[1-3]，导致山洪、泥石流等次生地质灾害激增[1, 4-7]。作为防灾减灾工作的“消息树”和“发令枪”，暴雨预警信号在降低灾害风险、保障生命财产安全等方面发挥着关键作用。
气象预警的社会与经济价值日益受到关注，已有研究对中国多地气象灾害预警信号的分布特征与规律进行了统计分析[8-10]，客观揭示了气象预警信号的时空分布和发布特点。然而，气象部门发布预警之后，预警信息能否实现预期的防灾减灾效果，仍受多种不确定因素影响，如实际降雨量是否达到预警等级等。因此，除关注预警发布前的天气过程精确分析与预报外，近年来气象部门也日益重视预警信息的发布效果，并通过TS评分、提前量等指标，从发布时机、时效性和准确性等方面开展综合评估[11-13]。
重庆地形复杂，山地丘陵密布，江河纵横，人口稠密，城市化快速推进，地下空间开发程度高，承灾体暴露度大，生态环境较为脆弱。同时，受热带季风、副热带季风以及高原动热力作用等的综合影响[14]，重庆天气气候复杂独特，暴雨频发且呈现增长趋势[15-16]。在复杂地形和独特气候条件综合影响下，暴雨常诱发山洪、滑坡、崩塌、泥石流等次生地质灾害[17]。如：2019年4月19日重庆南部的局地极端短时强降水事件引发了山洪，造成5人遇难[17]；2023年7月3-4日，万州区暴雨诱发洪涝及地质灾害，导致15人死亡和4人失踪。这些惨痛案例充分表明，暴雨预警信号的精准性直接关系到防灾减灾工作的实效。
尽管已有研究对重庆日尺度、小时尺度降水的时空分布特征与变化规律，以及暴雨天气过程发展机理等方面积累了一定成果[17-19]，但专门聚焦达到暴雨预警标准的强降水，包括其时空分布特征、预警信号发布规律及质量评估等问题的研究，目前还相对薄弱。当前，重庆暴雨频发，社会对气象服务的需求不仅日益增长，也更趋于精细化。因此，开展系统、客观且定量的预警信号质量评估，对优化预警机制和提升防灾效益而言，具有重要的现实意义。基于此，本研究以2014-2022年重庆市气象观测站逐时降水数据和暴雨预警信号资料为基础，分析达到预警标准的暴雨事件的时空分布特征，统计预警信号的发布规律，并对其质量进行评估，梳理预警发布环节中存在的问题与不足，旨在为优化暴雨预警发布机制、精准制定防灾减灾政策提供科学依据。
HTML
-
重庆位于中国西南部、长江上游地区，地貌结构复杂。北部为大巴山山区，东部、东南部和南部属巫山、大娄山山区，区域整体地势起伏较大，地貌类型多样(图 1，地形数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站
http://www.gscloud.cn )。重庆区域内河流密布、水系发达，降水丰沛，自然生态环境相对脆弱，极易受到强降水过程影响。需要说明的是，重庆市主城区行政区划于2025年11月发生调整，撤销原江北区和渝北区，新设立两江新区，同时部分乡镇在两江新区与北碚区之间进行了划转。但本研究所使用的观测数据及预警信号资料周期为2014-2022年，均早于上述调整。在此期间，重庆市气象台负责的暴雨预警信号覆盖全市39个区县(行政区划上重庆市为38个区县，但根据气象业务实际需求，重庆市气象局将万盛经济技术开发区单独作为预警发布单元)。因此，本研究按照39个区县(单元)进行划分，该划分方式符合现行气象业务规范。基于多年气候特征、地形及行政区划的差异，重庆被划分为西部、西南部、主城区、中部、东南部和东北部6个区域[18]，其中主城包括9个区县，西部7个，西南部4个，中部4个，东南部6个，东北部9个。文中所有基于行政区划的统计分析均以此时期的数据与区划为准。
-
本研究采用的逐时降水数据由重庆市气象信息与技术保障中心提供，已经通过气候界限值检验、内部一致性检查及时间一致性检验等质量控制。为保证数据可靠性，将2014-2022年缺测记录小时数与应测小时数的百分比定义为数据缺测率，将缺测率≥15%的站点剔除，并规定缺测数据不参与统计计算，最终筛选出重庆1 967个地面气象观测站(图 2)。需指出，这些站点的空间分布不均匀，主城区渝中仅有1个站点入选，而东北部万州多达82个。
为保证预警信号的可比性，本研究仅采用重庆市气象台发布的预警，并排除各区县发布的可能因执行标准不统一而产生差异的预警信息。根据气象业务实践，预警信号可划分为面向公众发布的实际预警和仅用于系统测试的测试预警[20]。按发布阶段与目的，预警信号又可细分为首发、更新和解除3类[20]。首发预警用于首次提示即将发生的灾害性天气风险，更新预警体现了随实况天气变化对原有预警做出的动态调整，而解除预警表示天气过程结束或风险消退。
本研究旨在评估预警在暴雨发生前的指示能力，因此剔除了测试预警和不具备前瞻性的解除预警。同时，所有预警数据都经过人工排重与检查，并剔除了错误发布、要素缺失等无效个案。需要明确的是，气象预警信号是以区县为单位发布的，而非针对具体观测站点。
-
本研究以小时雨量≥0.1 mm为降水判据，定义某站点连续观测到的降水过程为小时降水事件，其中允许最多1 h的降水间断；连续降水后若至少2 h无降水，则视为事件结束[21]。根据中国气象局预警标准，重庆市暴雨预警信号分为蓝色、黄色、橙色和红色4级，分别对应12、6、3、3 h内降雨量将达50、50、50、100 mm以上(条件1)，或已达该值且降雨可能持续(条件2)(表 1)。依据实况天气开始时间、预警信号发布时间与实况天气达标时间的先后顺序，本研究将实际预警信号中的首发预警和更新预警划分为提前预警、过程预警和实况预警3类[9]。提前预警指降水尚未开始前即发布，体现对灾害性天气的前瞻性判断与预见性服务，旨在为防灾减灾争取准备时间；过程预警是在降水已开始但未达预警标准前发布，体现基于实况监测基础上的风险提示功能；实况预警则是在实况已达预警标准后发布，用于确认极端天气的发生，指导应急响应措施。一般而言，依据预报性标准(条件1)发布的预警多属于提前预警或过程预警，而依据实况性标准(条件2)发布的预警通常为实况预警。该分类方式有助于评估预警发布的时效性和气象服务的响应能力。
研究步骤如下：首先，基于暴雨预警标准，筛选满足预警条件的站点小时降水事件，并确定其对应的最高预警级别。将筛选出的基于站点、达到暴雨预警标准的小时降水事件(HPE-MREWS)与气象业务中发布的预警信号进行对比，开展不分级检验，判定事件的命中或漏报情况。在不分级检验中，若在任一级别暴雨预警信号(包括实况预警中的提前预警和过程预警)发布期间，站点小时降水事件达到预警标准，则判为预警命中；若站点小时降水事件达到预警标准，但未发布任一级别暴雨预警信号，则该事件判为漏报。
其次，统计各区县的HPE-MREWS，识别区域性达标事件，并判定其命中或漏报情况。同时，分析暴雨预警信号的命中或空报情况。对于区域性降水过程，若区域内至少有一站的小时降水事件命中，即判定为命中；若区域内所有基于站点的HPE-MREWS均为漏报，则视为该区域降水过程漏报。对于预警信号而言，若在发布期间对应区域内至少有一个站点小时降水事件达标，则判定预警信号命中，否则判定为空报。
最后，对暴雨预警信号质量进行评估。根据中国气象局《气象灾害预警信号质量检验办法(试行)》要求，本研究将对暴雨预警信号的准确性和时效性开展不分级检验。准确性指标包括命中率POD、空报率FAR以及能综合评价命中、误报和漏报能力的TS评分(又叫临界成功指数CSI)[22]，如公式(1-3)所示，其中NA、NB和NC分别为命中、空报与漏报次数。预警时效C是指预警信号发布时间A与实况降水达到预警标准时间B之间的差值(公式4)。
本研究采用了准确预警时间提前量(T1)、预警时间提前量(T2)和有效预警时间提前量(T3)3个指标(公式(5-7))，评估预警信号在不同情境下的时效性。具体而言，T1反映预警信号在命中情况下的时效表现，T2衡量的是预警信号对应应报事件的整体响应及时性，T3评估预警信号在考虑命中、漏报与空报情况下的整体预警效能。据此，本研究试图从命中质量、应报响应能力和系统整体表现等维度，量化预警信号的时效性能。漏报或空报样本的C定义为0。
1.1. 研究区域
1.2. 研究资料
1.3. 研究方法
-
2014-2022年，重庆1 967个站点共记录HPE-MREWS 52 586次。其中，蓝色、黄色、橙色和红色HPE-MREWS分别为18 802、16 510、16 322和952次。从空间分布来看，HPE-MREWS高频区集中在重庆东北部偏北地区，尤以巫溪最为显著(81次)，这与方德贤等[18]和Li等[19]的研究结果一致。次高频区分布在东南部酉阳和合川—北碚山区(图 3e)。蓝色HPE-MREWS频次中心位于重庆东北部偏北地区(开州—巫溪)(图 3a)。黄色HPE-MREWS频次分布模态与蓝色等级大致相似(图 3b)。橙色HPE-MREWS的频次中心位于东北部偏东地区(开州)、合川及石柱，次中心分布在綦江及东南部偏南地区(图 3c)。红色HPE-MREWS较少，主要分布在东南部和合川—北碚局部地区(图 3d)。尽管蓝色、黄色和橙色HPE-MREWS在空间分布上呈现相似的频次分布模态(图 3a-c)，但其所占比例分布差异较为显著(图 4a-c)。蓝色HPE-MREWS在东北部地区，尤其是沿大巴山脉一带占比最高，达45%~65%。橙色HPE-MREWS在偏南地区的比例较高，主要集中于重庆西部、中部及东南部地区，局地达30%~45%。红色HPE-MREWS在重庆的发生概率较小，比例高值区位于东南部、中部偏北和西南部偏南地区，最高约为7%(图 4d)。
在时间分布上，各等级基于站点的HPE-MREWS表现出显著的月变化特征(图 5)。蓝色和黄色HPE-MREWS呈双峰分布，主峰在6月，次峰在9月。这主要与6月冷暖空气频繁交汇形成连续阴雨天气有关[16]。橙色和红色HPE-MREWS呈单峰分布，分别高发于7月和6月。需要注意的是，7月的橙色事件数量超过蓝色和黄色事件，可能是因为此时重庆位于副热带高压的西北侧，水汽和不稳定能量条件较好，易发生强降水。8月低等级HPE-MREWS显著减少，但橙色事件数量多于蓝色与黄色事件。这是因为8月重庆大部分时间受副热带高压控制，多晴热天气，尽管区域性降水较少，但局地强对流天气仍时有发生。整体上，基于站点的HPE-MREWS在全年均有发生，但主要集中在6-9月和3-5月，10月时有发生，11月至次年2月相对较少。由于蓝、黄色HPE-MREWS数量占优，整体呈现双峰型月变化特征。基于站点的HPE-MREWS也具有显著的日变化特征(图 6)。蓝色和黄色HPE-MREWS日变化呈单峰特征，峰值出现在夜间；而橙色HPE-MREWS则表现为双峰分布，主峰在夜间，次峰位于午后，表明尽管午后降水持续时间短，但强度较大，易触发较高等级HPE-MREWS。红色事件日变化呈三峰分布，主峰在黎明(3-5点)，次峰出现在午夜与下午。由于蓝色和黄色事件数量占比高，整体HPE-MREWS的日变化表现为夜间峰值的单峰分布。
-
2014-2022年间，重庆市气象部门共发布暴雨预警信号3 963次，覆盖39个区县。其中，暴雨黄色预警信号最多(2 663次，占67.2%)，其次为蓝色(700次)、橙色(583次)和红色(仅17次)。总体来看，黄色暴雨预警信号发布频率较高，但与实际暴雨发生概率存在一定偏差。黄色预警信号主要集中在2019-2022年发布，而全部17次红色暴雨预警信号均发布于2015年，2016-2022年未再发布红色暴雨预警信号(图 7)。尽管发布红色暴雨预警信号需格外谨慎，但2016-2022年间，几乎每年均有符合红色预警标准的暴雨事件，例如2022年5月9日的大范围区域性暴雨。因此，面对日益增多的极端天气[23]，有必要更加审慎而及时地启动暴雨红色预警信号，以切实保障公众安全。从区县分布来看(图 8)，暴雨蓝色预警信号在各区县的发布次数均少于26次；而黄色预警信号发布最频繁，占比为60.32%~71.81%，其中主城区的比例均超过67.41%；红色预警信号主要针对西部和主城区的区县发布，但次数非常少。
-
前文已指出，气象业务中暴雨预警信号是以区县为发布单元，而降水观测基于单个站点，这种观测与预警发布之间的尺度差异，是理解预警质量问题的基础。统计数据表明，2014-2022年间，基于1 967个自动站数据共统计出52 586次站点尺度的HPE-MREWS，而同期重庆市发布的区县级暴雨预警信号仅3 963次，二者数量悬殊，表明站点级事件与区县预警之间存在明显的尺度不匹配问题。这种不匹配可能影响预警信号的覆盖范围与响应效率，进而直接影响暴雨预警信号的命中率、空报率及TS评分等质量评估结果。
为厘清上述尺度不匹配的具体表现及其对预警质量的影响，结合各区县的自动站数量、站点HPE-MREWS总数与平均达标频次、区域性暴雨事件次数及预警信号发布情况展开分析(图 8)。结果显示，强降水事件在区县尺度上的分布特征存在明显差异。其中，开州与巫溪的站点HPE-MREWS频次最高，分别为3 410次和3 017次，站点平均频次也最高，分别为43.7次和43.1次，且对应的自动站数量较多(分别为78个和70个)，对应的区域性暴雨事件次数分别为191次和198次。相比之下，酉阳的站点HPE-MREWS共2 275次，自动站72个，站点平均31.6次，但其区域性暴雨事件次数以223次位列全市第一。
这一对比表明，开州—巫溪的强降雨事件大多覆盖范围较大、发生时段集中，多个站点可同时达到暴雨预警标准，这类强降水过程组织性较好，其预报预警的先兆信号相对更易捕捉；而酉阳地区的强降水事件则多呈现局地性强、突发性强、时空分布零散的特征，主要以短历时强降水为主。这类降水过程对业务预警提出了更高要求，需要更加精准的空间定位和更及时的预警发布，以避免因预警滞后而陷入被动，同时也需防范空报风险[24]。对于这类“散点状”风险，基于固定行政区划的区县级预警机制往往面临较大挑战。
上述尺度差异的具体表现与预警信号命中率、空报率等核心质量指标密切相关。为系统评估当前预警业务的实际效能，本研究依据“某区县内至少有一个站点达到预警标准即视为一次区域性暴雨事件”的业务规则，对预警质量进行统计分析。基于这一标准，将系统统计各区县区域性暴雨事件的频次与分布特征，并对预警信号的命中、空报及提前量等关键指标展开定量评估，以揭示不同区县间预警适配性的具体差异。
从实况数据来看，所有区县均出现过满足任一暴雨预警标准的区域性暴雨事件。然而，预警信号在这些地区的捕捉能力和表现却存在明显差异。其中，以酉阳为代表的东南部山区以局地性强、离散型强降水为主，这类强降水过程多由中小尺度天气系统触发，具备突发性强、雨强大、持续时间短、雨量分布不均等特点，预报难度较大[25-28]。预警系统对离散型强降水的捕捉能力明显不足，这可能是酉阳漏报次数最多、预警命中率偏低(约为21%)的主要原因。相比之下，主城区的预警命中率相对较高，其中渝中区达61.9%，渝北区的预警命中次数最多(72次)，在提前预警和过程预警的命中方面均处于较高水平。需要说明的是，由于同一区县可能存在首发与后续更新预警的情况，从而导致部分区县预警信号的命中次数会略高于区域性暴雨事件的命中次数(图 9和图 10)。整体上，重庆市各区县暴雨预警质量既受到强降水复杂性的影响，也受预报技术水平的制约，总体命中率不算理想，而且空间差异明显。因此，提升山区局地性暴雨的预警能力，是进一步优化全市预警质量的关键所在。
从预警类型来看，所有区县均发布过提前预警、过程预警和实况预警这3类预警信号，其中提前预警和过程预警的命中次数明显高于实况预警。渝北区预警信号的总命中次数最多(80次)，其中提前预警和过程预警的命中次数为50次，位居全市第一。空报率的问题则比较普遍，各区县空报率都超过了30%，潼南最低(30.38%)，但过半数区县空报率高于40%。主城区空报问题尤为突出，渝中区空报率最高，达90.73%，空报次数(137次)也最多，而命中次数仅14次。从预警信号空报次数的分布可以看出(图 10)，主城区存在明显的“预警过度”现象。尽管主城区人口密集、防灾需求迫切，但过度发布预警不仅会造成人力资源与防险物资的浪费，还可能引起社会恐慌，进而削弱公众对后续预警的信任与响应积极性[29]，形成常说的“cry wolf”效应[30]。因此，在提高全市预警质量的过程中，预报员需要协同应对山区漏报多、主城区过度预警这两个难题。
预警时间提前量对公众防灾避险至关重要，及时发布预警能有效规避风险。整体来看，重庆各区县的准确预警时间提前量较高，江北达到10.98 h，巫山和秀山也均超过9.5 h，荣昌最低为5.79 h(图 11)。然而，从单个区县的角度来看，非主城区的区县因漏报较多，导致整体预警时间提前量和准确预警时间提前量均显著下降。主城区则因暴雨预警空报频繁，导致有效预警的时间提前量偏低，渝中区仅为0.7 h，为全市最低；其他区县均大于1 h，其中丰都最高，可达2.66 h。从TS评分来看，重庆各区县的TS评分整体不高，其中璧山最高，但也仅为35%；渝中最低，仅为8%，这主要归因于渝中的空报次数远高于命中次数。总之，非主城区主要受漏报影响，预警发布相对滞后；主城区则空报问题突出，预警效果不佳。这两方面因素均制约了全市预警信号的质量提升。
综合上述分析来看，重庆各区县的TS评分普遍不高，但预警质量的空间差异较为明显。渝中区属于预警过度的情况，其命中率不低，但空报率也高，这就导致其TS评分最低；而酉阳则表现为另一种情况，主要是预警不足，由于漏报较多，导致命中率偏低，但其空报次数相对较少，空报率较低。尽管强降雨本身的复杂性和预报难度显著影响了重庆各区县的预警质量，但总体来看，有效预警的时间提前量仍然比较可观。除了渝中区只有0.7 h，其余区县的有效预警提前量均超过1 h，这为防灾应对留出了宝贵时间。此外，命中率、空报率及TS评分均受到区域性强降雨特征及“站点—区县”尺度转换问题的显著影响。由此，在后续预警系统优化的研究中，重心之一就在于解决尺度适配性问题。这不仅是提升重庆乃至类似复杂地形区域暴雨预警有效性的核心难点，也是未来需要重点突破的方向。
2.1. 达到暴雨预警标准的小时降水事件时空分布特征
2.2. 暴雨预警信号的发布特征
2.3. 暴雨预警信号质量评估
-
结合2014-2022年重庆市自动气象观测站逐时降水数据与暴雨预警信号资料，本研究先完成HPE-MREWS的识别，进一步分析其与暴雨预警信号对应的时空分布特征，并对预警信号发布质量开展了检验评估，主要结论如下：
1) 基于站点的HPE-MREWS时空分布特征显著。识别出的52 586次此类事件主要集中分布在东北部、东南部和合川—北碚等山区。不同等级事件的集中区域也不相同。蓝色事件在东北部尤其是大巴山脉区域占比最高，橙色事件则在西部偏西偏南、中部偏南及东南地区比例较高，红色事件发生次数少且空间分布零散。在时间上，事件整体呈现6月与9月的双峰型月变化特征，而橙色、红色事件则分别为7月、6月单峰结构；在日变化特征上，蓝色、黄色事件多在夜间发生，橙色、红色事件在夜间和午后存在双峰值，且夜间峰值更突出。
2) 预警信号存在等级失衡问题，一定程度上表现为预警等级与实际灾害风险脱钩。研究期间共发布3 963次暴雨预警信号，其中黄色预警占67.2%，且高度集中在主城区，而红色预警占比极低。这种“黄色偏多、红色偏少”的情况，与观测资料反映的各级强降水实际发生概率存在明显差异。这表明当前预警业务在处置极端事件时，预警发布策略可能受到空报风险控制等因素的影响，在一定程度上表现出发布趋于谨慎的特征，从而可能导致预警信号未能客观反映真实的灾害风险等级。
3) 预警质量存在显著空间差异，呈现“主城过度预警”与“山区预警不足”并存的现象。预警效能在全市范围内表现不均，整体TS评分偏低，核心原因在于站点观测与区县尺度的预警适配性不足。具体而言，主城区渝中区预警过度，预警频率高，但其准确性受到一定影响，本质上是通过高空报率来维持高命中率。而东南部山区酉阳则预警不足，漏报问题突出，直接导致命中率偏低。值得一提的是，从时效性来看，虽然绝大多数区县的平均预警提前时间都超过1 h，为启动防灾响应争取了宝贵的时间窗口，但预警的最终效能，仍受限于降水识别精度与预警等级设置的合理性。
4) 不同区域的降水类型差异直接影响预警效能，提升质量需推行“分区施策”。开州—巫溪一带多为覆盖范围广、过程集中的区域性暴雨，天气系统组织性强，其预报先兆信号更清晰明确，当前以区县为单元的预警体系对该类过程的捕捉能力强，命中率较高，在实际预警业务中更适宜发布覆盖面广的区域性预警。相反，酉阳等地多为局地性、突发性强的离散型暴雨，区县尺度预警的适用性有限，难以实现精准捕捉，亟需进一步研发更精细的临近预警技术。这说明提升预警质量需采取“分区施策”的思路，根据不同区域的降水类型特征制定针对性的预警方案。
以上结论表明，当前重庆暴雨预警业务的核心问题，是相对固化的预警发布规则与复杂多变的实际灾害风险之间存在不匹配情况。要切实改善预警质量，在业务工作中需要建立预警等级与实时致灾风险的动态挂钩机制，以从制度上缓解潜在的等级失真问题。同时，可结合重庆各地地形条件和暴雨分布规律，综合考虑致灾因素、脆弱环境以及承载能力等[31]，探索建立分区预警标准。此外，还需要加强对复杂地形区强降水过程物理机制的研究，在此基础上研发适配本地的短时临近预报模型，以提升对强降水的识别与研判能力。
DownLoad: