A correction method for hourly precipitation forecast based on the optimal neighborhood percentiles

doi:10.11755/j.issn.1006-7639-2026-02-0325

Abstract

Abstract:

How to improve the accuracy of hourly precipitation forecasting is a problem that needs to be solved urgently. Combining the ensemble forecast and the neighborhood window, the Optimal Neighborhood Percentile (ONP) method is proposed, which realizes the application of the traditional optimal percentile method in the correction of hourly precipitation forecast from deterministic forecasting model. Based on the hourly precipitation data from regional automatic stations in Henan Province, the hourly precipitation forecasts of China Meteorological Administration (CMA) mesoscale numerical prediction model (CMA-MESO), CMA Shanghai 9 km model (CMA-SH9) and CMA Beijing model (CMA-BJ) are corrected by using the ONP method. The application results from April to September 2024 show that the ONP method can improve the probability of correction (PC) and the threat score (TS) of forecasting of precipitation above 0.1 mm by reducing the false alarms of precipitation, and improve the TS of forecasting of precipitation above 2 mm by increasing the hit rate of precipitation. The performance of the ONP method is better than that of Optimal Threat Score (OTS) and Frequency-Matching Method（FMM). The results of correction based on CMA-MESO show that the skill of the PC by using the ONP method is over 10%, which is higher than that of the OTS method (0.4%). The TS accuracy of the ONP for precipitation above 20 mm is 1.80 and 2.25 times of the OTS and FMM, respectively. The ONP method can lead to a relatively large wet bias for heavy rain (especially precipitation above 20 mm), and it needs further adjust the selection rules to reduce bias.

Key words: hourly precipitation forecast, Optimal Neighborhood Percentile （ONP）, Threat Score （TS）, probability of correction （PC）

摘要：

如何提高小时降水预报准确率是目前业务中亟需解决的难点问题。本文结合集合预报和邻域窗提出邻域最优百分位法（Optimal Neighborhood Percentile，ONP），实现了传统最优百分位法在确定性模式逐时降水预报分级订正中的应用。利用河南省区域自动气象站降水数据，对中国气象局中尺度天气数值预报系统（China Meteorological Administration Meso-scale Numerical Prediction Model，CMA-MESO）、中国气象局上海区域中尺度数值预报系统（CMA Shanghai 9 km Model，CMA-SH9）和中国气象局北京快速更新数值预报系统（CMA Beijing Model，CMA-BJ）的逐时降水预报进行订正。2024年4—9月业务应用结果显示，ONP通过减小降水空报提高晴雨准确率（Probability of Correction，PC）和0.1 mm以上降水TS评分（Threat Score，TS），通过增加降水命中提高2 mm以上降水TS评分。ONP在提高PC和不同降水量级TS评分方面的表现明显优于最优TS评分法（Optimal Threat Score，OTS）和频率匹配法（Frequency-Matching Method，FMM）。基于CMA-MESO模式的订正结果显示，ONP晴雨预报技巧达10.0%以上，远高于OTS（0.4%）；ONP订正后的20 mm以上降水TS技巧分别为OTS和FMM的1.80、2.25倍。ONP存在大量级（20 mm）以上降水过报现象，需进一步调整最优百分位选取指标加以抑制。

关键词: 小时降水预报, 邻域最优百分位法, TS评分, 晴雨准确率

CLC Number:

P457.6

WANG Chunxiao, XU Pingping, SU Aifang, LI Han, WU Xixi, DONG Junling, LI Chaoxing, CUI Liman. A correction method for hourly precipitation forecast based on the optimal neighborhood percentiles[J]. Journal of Arid Meteorology, 2026, 44(2): 325-337.

王春晓, 许平平, 苏爱芳, 栗晗, 吴稀稀, 董俊玲, 李朝兴, 崔丽曼. 基于邻域最优百分位的逐时降水预报订正方法[J]. 干旱气象, 2026, 44(2): 325-337.

Figures/Tables 11

Fig.1 The flow chart of the ONP method for hourly precipitation forecast correction

Fig.2 The TS （a）， BIAS （b）， and PC （c） of the precipitation greater than 0.1 mm for the different neighborhood ensemble percentiles vary with the quantile value and the length of the neighborhood window （The values in a， b， c figures represent TS×100，BIAS，PC×100， respectively. The letters “T”， “B” and “P” correspond to STS， SBI and SPC being greater than 0， respectively）

Fig.3 Variations of NSTS>0 （black lines） and NSBI>0 （red lines） with different neighborhood window length for precipitation greater than different precipitation thresholds （The upper left corners of the figure is marked with the BIAS and the B values of the model itself）

Tab.1 Criteria for selecting the neighborhood optimal percentiles

降水分级	说明
R≥0.1 mm	若N_SBI>0≥2×m，在同时使得STS>0、SBI>0、SPC>0的邻域集合分位值P_{STS>0，SBI>0，SPC>0}中选择SPC最大值对应的邻域集合分位值；若N_SBI>0<2×m，在同时使得STS>0和SPC>0的邻域集合分位值P_{STS>0，SPC>0}中，选择SPC最大值对应的邻域集合分位值
R≥2、5、10、20 mm	若N_SBI>0≥2×m，在同时使得STS>0和SBI>0的邻域集合分位值P_{STS>0，SBI>0}中选择STS最大值对应的邻域集合分位值；若N_SBI>0<2×m，将STS>0对应的邻域集合分位值P_STS>0按STS值从大到小排序，在排名前5的P_STS>0中选择SBI最大值对应的邻域集合分位值

Fig.4 The TS （a）， BIAS （b） and PC （c） of precipitation forecasting of the CMA-MESO model and after correction using the ONP， OTS， and FMM methods for different precipitation thresholds

Tab.2 The SPC and STS for the ONP， OTS and FMM methods compared to the model

订正方法	SPC	STS（R≥0.1 mm）	STS（R≥2 mm）	STS（R≥5 mm）	STS（R≥10 mm）	STS（R≥20 mm）
ONP	10.8	5.5	2.7	1.2	1.2	0.9
OTS	0.4	-0.3	0.6	0.5	0.7	0.5
FMM	0	0	-3.0	-1.2	-0.8	0.4

Fig.5 The TS （a）， BIAS （b）， PC （c）， FAR （d） and POD （e） for precipitation forecasts from the CMA-MESO、CMA-SH9 and CMA-BJ models before and after corrections by using the ONP method for different precipitation thresholds

Tab.3 The SPC and STS for the ONP method compared to the CMA-MESO、CMA-SH9 and CMA-BJ models

模式	SPC	STS（R≥0.1 mm）	STS（R≥2 mm）	STS（R≥5 mm）	STS（R≥10 mm）	STS（R≥20 mm）
CMA-MESO	10.8	5.5	2.7	1.2	1.2	0.9
CMA-SH9	21.1	4.1	3.8	1.2	0.1	0.3
CMA-BJ	26.3	4.4	2.5	1.9	1.4	0.3

Fig.6 The TS （a）， BIAS （b） and PC （c） for 13-36 h precipitation forecasts starting at 08 ：00 from July 14 to 17， 2024 from the CMA-MESO model and the ONP correction for different precipitation thresholds

Fig.7 The observed precipitation at 02：00 on July 16， 2024 （a） and the 18 h precipitation forecasts starting at 08：00 on July 15 obtained from the model （b） and the ONP correction （c）（Unit： mm）

Fig.8 The observed precipitation at 05：00 on July 17， 2024 （a） and the 21 h precipitation forecasts starting at 08：00 on July 16 obtained from the model （b） and the ONP correction （c）（Unit： mm）

References 31

[1]	曹萍萍, 肖递祥, 龙柯吉, 等, 2023. 基于分位数映射法的四川省 ECMWF 模式降水预报误差订正分析[J]. 干旱气象, 41(4):666-675. DOI
[2]	曹勇, 张恒德, 郭云谦, 等, 2022. 基于多模式预报优选融合技术的短时定量降水预报[J]. 河海大学学报:自然科学版, 50(5):10-15.
[3]	陈锦鹏, 冯业荣, 蒙伟光, 等, 2021. 基于卷积神经网络的逐时降水预报订正方法研究[J]. 气象, 47(1):60-70.
[4]	陈力强, 周小珊, 杨森, 2005. 短期集合预报中定量降水预报集合方法初探[J]. 南京气象学院学报, 28(4):543-548.
[5]	代刊, 朱跃建, 毕宝贵, 2018. 集合模式定量降水预报的统计后处理技术研究综述[J]. 气象学报, 76(4):493-510.
[6]	郭淳薇, 仲跻芹, 赵秀娟, 等, 2025. CMA-BJ模式对“23·7”极端强降水过程预报性能分析[J]. 气象学报, 83(2):304-319.
[7]	金荣花, 代刊, 赵瑞霞, 等, 2019. 我国无缝隙精细化网格天气预报技术进展与挑战[J]. 气象, 45(4):445-457.
[8]	李俊, 杜钧, 陈超君, 2014. 降水偏差订正的频率(或面积)匹配方法介绍和分析[J]. 气象, 40(5):580-588.
[9]	刘雪晴, 陈静, 陈法敬, 等, 2020. 降水邻域集合概率方法尺度敏感性试验[J]. 大气科学, 44(2):282-296.
[10]	罗聪, 时洋, 吴乃庚, 等, 2021. 基于邻域最优概率的GRAPES快速更新循环同化预报系统逐时降水订正方法[J]. 热带气象学报, 37(4):569-578.
[11]	马申佳, 陈超辉, 智协飞, 等, 2018. 基于时空不确定性的对流尺度集合预报效果评估检验[J]. 气象学报, 76(4):578-589.
[12]	牛若芸, 2019. 基于最优概率的中期延伸期过程累计降水量分级订正预报[J]. 热带气象学报, 35(6):721-731.
[13]	潘留杰, 代刊, 张宏芳, 等, 2024. 邻域法在天气预报中的应用研究进展[J]. 大气科学学报, 47(6):962-975.
[14]	沈学顺, 王建捷, 李泽椿, 等, 2020. 中国数值天气预报的自主创新发展[J]. 气象学报, 78(3):451-476.
[15]	苏翔, 袁慧玲, 朱跃建, 2021. 四种定量降水预报客观订正方法对比研究[J]. 气象学报, 79(1):132-149.
[16]	唐文苑, 郑永光, 2019. 基于快速更新同化数值预报的小时降水量时间滞后集合订正技术[J]. 气象, 45(3): 11-23.
[17]	田笑, 余文韬, 从靖, 等, 2022. 统计降尺度方法在天津小时降水和气温精细化预报中的应用[J]. 干旱气象, 40(1): 135-145. DOI
[18]	万羽, 许冠宇, 钟敏, 等, 2025. 基于多模式融合的湖北逐时短时强降水预报方法改进[J]. 干旱气象, 43(1):143-152. DOI
[19]	王晓峰, 许晓林, 徐同, 等, 2017. 华东区域数值预报系统对极端降水预报能力的评估[J]. 气象科技进展, 7(6):67-74.
[20]	王在文, 梁旭东, 范水勇, 等, 2016. 数值模式降水评分对分辨率的敏感性初探[J]. 暴雨灾害, 35(1):10-16.
[21]	吴启树, 韩美, 刘铭, 等, 2017. 基于评分最优化的模式降水预报订正算法对比[J]. 应用气象学报, 28(3): 306-317.
[22]	张芳华, 曹勇, 徐臖, 等, 2016. Logistic判别模型在强降水预报中的应用[J]. 气象, 42(4): 398-405.
[23]	张舒婷, 仲跻芹, 卢冰, 等, 2023. CMA-BJ V2.0系统华北地区降水预报性能评估[J]. 应用气象学报, 34(2):129-141.
[24]	张武龙, 王彬雁, 陈朝平, 等, 2021. SWCWARMS模式小时降水量时间滞后集合预报研究[J]. 气象科技, 49(4):561-568.
[25]	赵瑞霞, 代刊, 金荣花, 等, 2020. OTS,MOS和OMOS方法及其优化组合应用于72 h内逐3 h降水预报的试验分析研究[J]. 气象, 46(3):420-428.
[26]	智协飞, 季晓东, 张璟, 等, 2013. 基于TIGGE资料的地面气温和降水的多模式集成预报[J]. 大气科学学报, 36(3): 257-266.
[27]	智协飞, 吕游, 2019. 基于频率匹配法的中国降水多模式预报订正研究[J]. 大气科学学报, 42(6):814-823.
[28]	朱文刚, 盛春岩, 范苏丹, 等, 2024. 基于前馈神经网络的多模式集成降水预报研究[J]. 干旱气象, 42(1):117-128. DOI
[29]	EBERT E E, 2009. Neighborhood verification: A strategy for rewarding close forecasts[J]. Weather and Forecasting, 24(6): 1 498-1 510.
[30]	THEIS S E, HENSE A, DAMRATH U, 2005. Probabilistic precipitation forecasts from a deterministic model: A pragmatic approach[J]. Meteorological Applications, 12(3): 257-268. DOI URL
[31]	ZHU Y J, LUO Y, 2015. Precipitation calibration based on the frequency-matching method[J]. Weather and Forecasting, 30(5):1109-1 124.