为提高山东定量降水预报准确率，采用深度前馈神经网络（Deep Forword Neural Networks， DFNN）和降水分级最优TS（Threat Score）权重集成方法对多模式集成降水预报进行研究。对2019年4—9月欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasting， ECMWF）全球数值预报系统、中国气象局上海数值预报模式系统（China Meteorological Administration Shanghai 9 km， CMA-SH9）和中国气象局中尺度天气数值预报系统（China Meteorological Administration Mesoscale， CMA-MESO）逐24 h累积降水量预报进行有监督训练，得到4组DFNN（ES、EM、SM、ESM）深度学习模型，并利用多模式降水分级最优TS权重集成方法建立Mul-OTS（Multi-mode Optimal Threat Score）集成模型。用2020年4—9月各模式逐24 h累积降水量进行降尺度格点预报，对5种集成方案对比检验、个例分析应用。结果表明：不同起报时间、不同预报时效，5组集成方案均降低了平均相对误差，ESM方案最好，Mul-OTS方案最差；4组DFNN方案均提高了晴雨准确率，ESM方案最好，Mul-OTS方案低于模式预报；4组DFNN方案均提高了各降水等级TS、ETS评分，对弱降水的提高幅度大于强降水，Mul-OTS方案对小量级降水等级订正是负技巧，对大量级降水等级的订正效果较好，但仍不如ESM方案；个例分析发现降水强度和落区预报ESM方案均优于其他集成方案。因此业务上采用最优的ESM方案建立了定量降水格点预报系统，为智能网格预报提供重要支撑。
