两种降水客观统计方法对ECMWF集合平均降水预报的订正研究

doi:10.11755/j.issn.1006-7639(2024)-02-0293

两种降水客观统计方法对ECMWF集合平均降水预报的订正研究

焦洋^,, 郑丽娜^,, 张永婧, 苏轶

山东省济南市气象局，山东济南 250102

Correction of ECMWF ensemble average precipitation forecast using two objective precipitation statistical methods

JIAO Yang^,, ZHENG Lina^,, ZHANG Yongjing, SU Yi

Ji’nan Meteorological Bureau of Shandong Province， Ji’nan 250102， China

通讯作者: 郑丽娜（1971—），女，山东东营人，博士，正高级工程师，从事天气预报和气候变化研究。E-mail:dongyingzln@163.com。

责任编辑: 王涓力；校对：邓祖琴

收稿日期: 2023-05-8 修回日期: 2023-12-5

基金资助:

中国气象局气象软科学重点项目(2023ZDIANXM03)
山东省自然科学基金项目(ZR2021MD012)
山东省气象局青年基金项目(2020SDQN11)

中国气象局决策服务专项“特大城市内涝风险预估技术研究”共同资助

Received: 2023-05-8 Revised: 2023-12-5

作者简介 About authors

焦洋（1989—），女，山东济南人，硕士，工程师，从事预报方法和极端天气研究。E-mail:jiaoyang0621@foxmail.com。

摘要

提升降水量级预报精度，有助于优化灾害预警与决策支持。选取2018年1月1日至2021年1月山东省逐12 h降水观测数据和欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasting，ECMWF）的集合预报集合平均（Ensemble Prediction Ensemble Mean，EPEM）结果进行72 h内逐12 h降水量级预报统计订正，然后对比ECMWF集合平均降水预报插值的原始预报（EC_EPEM）、基于EC_EPEM的输出统计（Model Output Statistics，MOS）预报（EC_EPEM_MOS）、利用最优TS（Threat Score）评分订正（Optimal Threat Score，OTS）预报（EC_EPEM_OTS）的效果。结果表明：EC_EPEM_MOS在较小量级上表现最优，但在大量级上订正效果稍差，甚至略低于EC_EPEM；EC_EPEM_OTS仅在0.1、10 mm量级上低于EC_EPEM_MOS，其他量级均为最优，尤其在较大量级上订正效果更明显。在50、100 mm大量级上，EC_EPEM_OTS在12~72 h时效订正效果均最优，这是由于EC_EPEM_OTS在稍大量级上提高订正系数使得大量级降水漏报率减小，同时对大量级降水使用较小订正系数也减小了空报率。在较小量级降水中短期预报时效除了山东中部山区外EC_EPEM_MOS表现最佳，山区EC_EPEM_OTS最佳；中等以上量级、尤其较大量级降水，山东大部分地区EC_EPEM_OTS表现最佳。EC_EPEM_MOS订正预报有效地减小了EC_EPEM的空报问题。EC_EPEM_OTS的订正效果最佳，在大范围强降雨过程中与实况降雨分布更为接近，降水总体分布把握较好。

关键词： 客观统计方法; 降水预报; 最优TS评分订正; 山东

Abstract

Improving the accuracy of precipitation level forecast is helpful to optimize disaster warning and decision support. Based on the precipitation observation data in the time interval of 12 hours from January 2018 to January 2021 in Shandong Province and the ensemble prediction ensemble mean results of the European Centre for Medium-Range Weather Forecasting, the precipitation level forecast for 12 hours interval within 72 hours are statistically revised. Then, the effects of the original forecast of ECMWF ensemble mean precipitation forecast interpolation (EC_EPEM), the Model Output Statistics (MOS) prediction based on the EC_EPEM (EC_EPEM_MOS) and the Optimal Threat Score (OTS) prediction (EC_EPEM_OTS) are compared, and the improving effects of two statistical correction methods on precipitation level with the time interval of 12 hours prediction of the ECMWF ensemble forecast are discussed. The results indicate that the EC_EPEM_MOS has the best performance on the relatively smaller precipitation grades, while its correction effect is relatively poor for higher grades, even slightly lower than the EC_EPEM. The correction effect of the EC_EPEM_OTS is only lower than the EC_EPEM_MOS for 0.1 and 10.0 mm precipitation grades, and for the other grades it is optimal, especially for the larger grades, its correction effect is more obvious. The EC_EPEM_OTS has the best correction effect from 12 to 72 hours for both 50 mm and 100 mm precipitation grades, because the EC_EPEM_OTS increases the correction coefficient for a slightly larger grade, resulting in a low false report rate for large grades. At the same time, using a smaller correction coefficient for large precipitation also reduces the false report rate. The EC_EPEM_MOS is best in most parts of Shandong Province except for the mountains area in the middle parts for short prediction period and smaller precipitation, while the EC_EPEM_OTS is the best in the mountains area. For above medium grade, especially large precipitation, the EC_EPEM_OTS is the best in most areas of Shandong Province. The EC_EPEM_MOS correction prediction effectively reduces the problem of empty report of the EC_EPEM. The correction effect of the EC_EPEM_OTS is the best, and the rainfall area is closer to the observations in the processes of large-scale heavy rainfalls, and the overall distribution of precipitation is better grasped.

Keywords： objective statistical method; precipitation forecast; optimal threat score correction; Shandong Province

PDF (24252KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

焦洋, 郑丽娜, 张永婧, 苏轶. 两种降水客观统计方法对ECMWF集合平均降水预报的订正研究[J]. 干旱气象, 2024, 42(2): 293-304 DOI:10.11755/j.issn.1006-7639(2024)-02-0293

JIAO Yang, ZHENG Lina, ZHANG Yongjing, SU Yi. Correction of ECMWF ensemble average precipitation forecast using two objective precipitation statistical methods[J]. Arid Meteorology, 2024, 42(2): 293-304 DOI:10.11755/j.issn.1006-7639(2024)-02-0293

引言

短期预报方法包括以数理统计为基础的统计学方法和以数值模式为基础的动力学方法，二者均存在各自的优缺点（顾震潮，1958；Barnett and Preisendorfer，2010；杨杰等，2014；赵瑞霞等，2020）。目前普遍的共识是两种方法需要相互融合，取长补短，共同发展，且已经开展了大量相关研究（任宏利等，2006；郑志海等，2009；吴启树等，2016）。通过对预报误差分布特征的统计分析进而提高预报准确性，有望进一步提高预报服务水平。

欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasting，ECMWF）对亚洲中高纬环流形势、西太平洋副热带高压、850 hPa温度等变化趋势预报具有较高水平，对中短期天气预报具有重要的指导意义。但从降水和温度等近地面要素的确定性预报看，数值模式产品还有很多不尽人意的地方，如温度、降水、风等气象要素预报存在较大误差，需要对数值预报产品进行释用，即利用统计算法进行改进（薛谌彬等，2019；杨璐等，2023）。

数值预报产品释用可有效提升预报准确率（邓国等，2010；李佰平和智协飞，2012；韩念霏等，2022），例如MOS（Model Output Statistics），它挑选模式预报的物理量作为预报因子，通过建立预报因子与预报量之间的统计关系来进行预报，所以MOS预报是一种确定论和概率论相结合的方法（刘还珠等，2004）。基于确定性模式的MOS预报或者集合MOS预报方法广泛应用于客观预报业务中，明显提高了临近和短期预报效果（Glahn and Lowry，1972；Carter et al.，1989；Vislocky and Fritsch，1995）。目前网格预报已成为全国主要的预报业务，MOS预报、集合MOS预报仍然是客观指导预报业务中的有效手段（赵声蓉等，2009；赵声蓉等，2012；吴启树等，2016；盛春岩等，2020）。

近年来客观预报方法在不断创新和结合，如吴启树等（2017）设计了最优TS（Threat Score）评分订正法（Optimal Threat Score，OTS），对多个模式的累积降水量进行订正，结果表明OTS方法能有效提高模式累积降水量预报质量；赵瑞霞等（2020）的最新研究发现，MOS预报方法可以整体上合理优化ECMWF降水预报分布，但对ECMWF模式有无降水预报评分没有太大改进。通过对MOS预报进行优化，结合OTS预报方法（吴启树等，2017），适当调整阈值，会明显提高所有量级降水的单模式预报性能。对于降水量级预报，已有研究比较了固定训练期和滑动训练期消除偏差对降水预报的影响，表明滑动训练期可以有效提高多数预报时效的降水TS评分（智协飞等，2013；智协飞和赵忱，2020）。

山东省自2018年以来开展智能网格预报业务，前期也开展了基于模式预报结果的客观订正方法研究，并在业务中逐步使用。ECMWF集合预报是基于多个数值模式运行的集合预报系统（麻巨慧等，2011），即利用不同数值模式的多个初始条件和物理参数化方案，通过模拟多种可能的大气状态生成一系列的预报解，然后利用这些预报解的集合统计信息，例如平均值等，通过结合多个模式的预测结果生成最终的预报。集合预报可以提供更全面、可靠和准确的预测信息，在预测准确性和不确定性处理方面具有一定优势（漆梁波等，2007；林春泽等，2009；Hagedorn et al.，2012；徐姝等，2018；赵华生等，2018）。

本文采用准对称混合滑动训练期选取最优训练期，结合业务需求对12 h定量降水预报分量级进行精细化评估，对比ECMWF集合预报集合平均（Ensemble Prediction Ensemble Mean，EC_EPEM）、基于EC_EPEM的MOS预报（EC_EPEM_MOS）、利用OTS订正（EC_EPEM_OTS）的预报结果。此外，讨论两种统计订正方法对EC_EPEM降水量级预报的改进效果。

1 资料和检验方法

1.1 资料

TIGGE（THORPEX Interactive Grand Global Ensemble）是全球交互式大集合的简称（智协飞和陈雯，2010），选取TIGGE（https://apps.ecmwf.int/datasets/data/tigge/levtype=sfc/type=cf/）中的ECMWF集合预报产品数据（共50个成员）（World Meteorological Organization，2012），利用2018年1月至2021年1月EC_EPEM产品进行分析。考虑到实际预报中每天制作20：00（北京时，下同）预报利用的是当日08：00起报的模式资料，08：00预报利用前日20：00起报模式资料，研究中12 h资料应用模式12~24 h的产品，24 h用24~36 h的产品，36 h用36~48 h的产品，48 h用48~60 h的产品，60 h用60~72 h的产品，72 h用72~84 h的产品。观测资料为中国气象局2018年1月至2021年1月山东逐日气象观测站逐12 h降水资料。

1.2 检验方法

目前预报员每日制作的短期网格预报时间间隔为12 h，网格预报的检验过程中以24 h内逐12 h降水最高量级为准，例如，预报员对当日20：00至次日20：00降水做预报，其中当日20：00至次日08：00或次日08：00—20：00预报有大于等于50 mm以上降雨则按照24 h内预报暴雨去检验。因此，根据业务需要，后文检验采用24 h降雨量级的标准，即0.1 mm量级为小于0.1 mm的微量降水及无降水情况，10 mm量级为0.1~9.9 mm，25 mm量级为10.0~24.9 mm，50 mm量级为25.0~49.9 mm，100 mm量级为50.0~99.9 mm（王雨和闫之辉，2007）。采用TS评分、空报率、漏报率、预报偏差，对于第i量级的累积降水检验方法计算如下：

（1）

T S_{i} = \frac{N A_{i}}{N A_{i} + N B_{i} + N C_{i}} \times 100 %

（2）

P O_{i} = \frac{N C_{i}}{N A_{i} + N C_{i}} \times 100 %

（3）

F A R_{i} = \frac{N B_{i}}{N A_{i} + N B_{i}} \times 100 %

（4）

B_{i} = \frac{N A_{i} + N B_{i}}{N A_{i} + N C_{i}} \times 100 %

（5）

P C = \frac{N A + N D}{N A + N B + N C + N D} \times 100 %

式中：TS_i 为TS评分；PO_i（%）为漏报率；FAR_i （%）为空报率；B_i（%）为预报偏差；PC（%）为预报准确率； $N A_{i}$ 为预报正确站（次）数； $N B_{i}$ 为空报站（次）数； $N C_{i}$ 为漏报站（次）数；NA为有降水预报正确站（次）数；NB为空报站（次）数；NC为漏报站（次）数；ND为无降水预报正确的站（次）数。

2 订正方法和准对称混合滑动训练期试验

2.1 订正方法

（1）MOS方法

将集合预报的格点资料插值到站点，利用MOS预报方法建立线性回归方程，确定预报量与EC_EPEM 12 h降水量级预报之间的定量统计关系。MOS预报的建模在训练期分别建立各站点某一预报时效（逐12 h）降水的多元线性回归方程，生成如下所示的线性回归预报方程：

（6）

S = a + b_{1} F_{1} + b_{2} F_{2} + \dots + b_{n} F_{n}

式中： $S$ 为预报值（即逐12 h降水量）； $F_{1}$ ，…， $F_{n}$ 为集合模式预报因子值； $a$ 为常数； $b_{1}$ ，…， $b_{n}$ 为回归系数。本文选取的预报因子为总云量，850、700 hPa比湿，850、700、500 hPa经向风、纬向风。采用最短预报时效的预报值与观测值确定建立 $a$ 和 $b_{1}$ ，…， $b_{n}$ ，每日更新两次，用得到的回归方程对所有时效的降水集合预报进行订正。

（2）OTS方法

设5个降水量级（i）应用于分级订正，5个降水量级分别为0.1、10、25、50、100 mm。利用OTS建模：

（7）

y = \{\begin{matrix} 0 x < F_{1} \\ O_{i} + (O_{i + 1} - O_{i}) \frac{(x - F_{i})}{(F_{i + 1} - F_{i})} \\ x \frac{O_{M}}{F_{M}} x \geq F_{M} \end{matrix} F_{i} < x < F_{i + 1}

式中： $x$ 和 $y$ 分别为模式降水的预报值和订正值； $O_{i}$ 为第i量级降水阈值（i=1，2，…，M），共分为M级降水量级； $F_{i}$ 为预报降水量订正到 $O_{i}$ 时，该量级对应模式降水量阈值。当预报值小于最小量级降水的阈值 $F_{1}$ 时，订正预报 $y$ 为0。当第i量级以上累积降水的TS评分达到最高时求得 $F_{i}$ ，即以TS评分最优化为目标的偏差订正方案。

分析EC_EPEM、EC_EPEM_MOS以及EC_EPEM_OTS的预报效果，以提高逐12 h降水量级预报准确率。应用1 a期的准对称滑动训练期（吴启树等，2016），逐次滑动分别选取预报日之前和前1 a预报日之后N日资料，每日两次，样本量为N×2×2，计算最佳训练期日数。EC_EPEM_OTS滑动计算出各量级降水订正阈值，统一应用于预报日所有站点降水的订正。

2.2 准对称混合滑动训练期

首先将EC_EPEM数据插值到山东省123个国家气象观测站，对2019—2020年数据进行检验，准对称混合滑动训练期需要应用2018年资料。准对称混合滑动训练期试验，分别取N为3~60 d作为准对称混合滑动训练期，逐日滑动计算预报准确率。由图1可见，山东123个国家气象观测站，EC_EPEM_MOS预报和EC_EPEM_OTS预报中不同的滑动训练期对EC_EPEM的逐12 h降水预报准确率均有提高，30 d以上的滑动训练期准确率较高，12~72 h最佳训练期均在30 d左右。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 2种订正算法12~72 h预报时效逐12 h的降水预报准确率随滑动训练期的变化

（a）EC_EPEM_MOS，（b）EC_EPEM_OTS

Fig.1 Variation of accuracy of precipitation forecast in 12 hours interval with the change of running training period for prediction period of 12 to 72 hours for two correction algorithms

（a） EC_EPEM_MOS，（b） EC_EPEM_OTS

3 不同订正方法检验结果对比

3.1 分量级评分检验

2019—2020年EC_EPEM 12 h累积降水的12 h预报TS评分[图2（a）]显示，2种订正算法对EC_EPEM都有一定的订正效果，分别对弱降水和强降水提高更明显。从3种预报结果看，EC_EPEM_OTS仅在0.1、10 mm量级上低于EC_EPEM_MOS，其他量级均为最优，尤其对较大量级的订正效果更好；EC_EPEM_MOS在0.1、10 mm量级上表现最优，因为EC_EPEM_MOS订正方程建立中较小量级样本数较多，但对50 mm及以上量级订正效果稍差，略低于EC_EPEM，这是由于EC_EPEM_MOS主要依赖于线性分析，大量级样本较少，个别站点缺少大量级样本。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 2019—2020年EC_EPEM及EC_EPEM_MOS、EC_EPEM_OTS 的12 h累积降水12 h预报评分（a）TS评分，（b）空报率，（c）漏报率，（d）预报偏差

Fig.2 The threat score （a）， empty report rate （b）， missing report rate （c） and forecast deviation （d） of 12 h cumulative precipitation prediction of EC_EPEM，EC_EPEM_MOS and EC_EPEM_OTS for 12 h prediction period during 2019-2020

从2019—2020年EC_EPEM 12 h累积降水的12 h预报空报率[图2（b）]可见，0.1、10 mm量级EC_EPEM_MOS最优，EC_EPEM_MOS、EC_EPEM_OTS均减小了较小量级的空报率；25 mm及以上量级2种算法空报率均比EC_EPEM高，订正效果稍差。但从漏报率[图2（c）]来看，10 mm及以上量级EC_EPEM_OTS订正效果最优；25 mm量级EC_EPEM_MOS预报订正对EC_EPEM有所改善，其他量级的漏报率改善效果一般，比EC_EPEM结果差；0.1 mm量级EC_EPEM漏报率最低，但较低的漏报率也导致了较高的空报率。EC_EPEM本身存在低量级偏空报、大量级偏漏报的情况，因此EC_EPEM_OTS通过对低量级降低订正系数减少空报，同时对大量级提高订正系数减少漏报。

从2019—2020年EC_EPEM 12 h累积降水的12 h预报的预报偏差[图2（d）]看，0.1 mm量级EC_EPEM预报偏差最大（因它对该量级漏报率小、空报率大造成），EC_EPEM_MOS、EC_EPEM_OTS相差不大，EC_EPEM_MOS略优于EC_EPEM_OTS；10 mm量级三者相差不大；25 mm及以上量级，2种订正方法的预报偏差明显高于EC_EPEM，因EC_EPEM_OTS在较大量级上漏报率小、空报率大，而EC_EPEM_MOS在较大量级中的空报率和漏报率均最大，导致预报偏差最高。

图3为5个量级12~72 h预报时效的TS评分。可以看到在0.1、10 mm两个量级上，EC_EPEM_MOS和EC_EPEM_OTS都具有一定的订正能力，EC_EPEM_MOS在前36 h的评分最高，EC_EPEM_OTS略低于EC_EPEM_MOS，主要体现在EC_EPEM_MOS对较小量级的空报进行了比较明显的改进，36 h之后EC_EPEM_OTS评分最高；25 mm量级中，EC_EPEM_OTS在12~72 h订正效果均最优，EC_EPEM_MOS对原始模式集合预报的结果提升幅度低于EC_EPEM_OTS，但也有一定的提升效果；50、100 mm大量级上，EC_EPEM_OTS在12~72 h订正效果均最优，这是由于EC_EPEM_OTS在稍大量级上提高订正系数使得大量级漏报率小，同时在大量级上使用较小订正系数也减少了空报率，而EC_EPEM_MOS订正效果较差（低于EC_EPEM）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2019—2020年EC_EPEM、EC_EPEM_MOS、EC_EPEM_OTS的12~72 h预报时效逐12 h不同量级预报的TS评分变化

（a）0.1 mm，（b）10 mm，（c）25 mm，（d）50 mm，（e）100 mm

Fig.3 The variation of threat score of prediction with the time interval of 12 h for precipitation with different grades of EC_EPEM，EC_EPEM_MOS and EC_EPEM_OTS for prediction period of 12 to 72 h during 2019-2020

（a） 0.1 mm，（b） 10 mm，（c） 25 mm，（d） 50 mm，（e） 100 mm

3.2 2019—2020年6—9月检验结果

针对2019—2020年主要降水时段6—9月进行检验，从TS评分检验表（表1）可以看到，0.1~9.9 mm量级EC_EPEM_MOS和EC_EPEM_OTS在12~72 h都表现较好，两者12 h的TS评分分别为0.303、0.301，36 h前EC_EPEM_MOS订正效果最优，36 h之后EC_EPEM_OTS最优；10.0~24.9 mm量级EC_EPEM_MOS和EC_EPEM_OTS在12~72 h都具有较好表现，两者12 h的TS评分分别为0.205、0.206，且12~60 h EC_EPEM_OTS表现均为最优；25.0~49.9 mm量级EC_EPEM_OTS在12~72 h均为最优，12 h的TS评分为0.166，而EC_EPEM_MOS在12~72 h均最差，12 h的TS评分为0.132，EC_EPEM 12 h的TS评分为0.141；50.0~99.9 mm量级EC_EPEM_OTS在12~72 h均为最优，12 h的TS评分为0.168，而EC_EPEM_MOS在12~72 h均最差，12 h的TS评分为0.140，EC_EPEM 12 h的TS评分为0.157。综上，在主要降水月份，小量级EC_EPEM_MOS在短期内订正效果较好，EC_EPEM_OTS次之，在较长时效里EC_EPEM_OTS最优；中等量级EC_EPEM_MOS和EC_EPEM_OTS均有较好的订正效果，EC_EPEM_OTS最优；大量级EC_EPEM_MOS订正效果较差，EC_EPEM_OTS具有较好的订正效果。

表1 2019—2020年6—9月EC_EPEM、EC_EPEM_MOS、EC_EPEM_OTS的12~72 h预报时效逐12 h降水预报的TS评分

Tab.1 The threat scores of EC_EPEM， EC_EPEM_MOS and EC_EPEM_OTS for prediction period of 12 to 72 h with the time interval of 12 h from June to September during 2019-2020

降水量级/mm		预报时效/h
降水量级/mm		12	24	36	48	60	72
0.1~9.9	EC_EPEM	0.282	0.265	0.248	0.231	0.214	0.190
	EC_EPEM_MOS	0.303	0.285	0.268	0.246	0.229	0.198
	EC_EPEM_OTS	0.301	0.284	0.267	0.250	0.233	0.205
10.0~24.9	EC_EPEM	0.200	0.192	0.177	0.166	0.154	0.139
	EC_EPEM_MOS	0.205	0.193	0.183	0.175	0.167	0.159
	EC_EPEM_OTS	0.206	0.197	0.188	0.180	0.172	0.155
25.0~49.9	EC_EPEM	0.141	0.130	0.119	0.108	0.093	0.076
	EC_EPEM_MOS	0.132	0.119	0.105	0.092	0.080	0.058
	EC_EPEM_OTS	0.166	0.161	0.150	0.137	0.128	0.118
50.0~99.9	EC_EPEM	0.157	0.145	0.137	0.121	0.112	0.094
	EC_EPEM_MOS	0.140	0.127	0.113	0.100	0.087	0.066
	EC_EPEM_OTS	0.168	0.156	0.145	0.133	0.120	0.108

新窗口打开| 下载CSV

对2019—2020年6—9月山东省123个国家气象观测站单站0.1~9.9 mm量级逐12 h降水预报TS评分最优的产品分布进行统计（图4）可见，EC_EPEM_MOS对0.1~9.9 mm量级降水逐12 h的EC_EPEM预报有较好的订正效果，表现在12~36 h时效山东西北和西南平原、半岛部分地区等地TS评分最高，而EC_EPEM_OTS在山东中部山区及其他部分地区有较好的表现；36~60 h时效表现较好的是EC_EPEM_OTS，范围扩大到山东西北部和半岛大部分地区，而山东东北部和南部地区EC_EPEM_MOS依然表现最佳；72 h时效EC_EPEM_OTS在山东中部山区和半岛部分地区表现最优，EC_EPEM在山东西北和山东西南平原地区表现较好，甚至优于2种订正方法。综上，针对较小量级降水，EC_EPEM_OTS订正方法在山区更有优势，EC_EPEM_MOS在较短期的时效中具有较好的订正效果，尤其在平原地区。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2019—2020年6—9月不同时效逐12 h 0.1~9.9 mm量级降水预报TS评分最优产品空间分布

（a）12 h，（b）24 h，（c）36 h，（d）48 h，（e）60 h，（f）72 h

Fig.4 The spatial distribution of optimal products with high threat scores for 0.1 to 9.9 mm grades precipitation prediction with the time interval of 12 h for different prediction periods from June to September during 2019-2020

（a） 12 h，（b） 24 h，（c） 36 h，（d） 48 h，（e） 60 h，（f） 72 h

10.0~24.9 mm量级逐12 h降水预报TS评分最优产品分布见图5，可见EC_EPEM_MOS表现最优的站次数明显减少，只有山东中部少部分地区EC_EPEM_MOS表现最优，而EC_EPEM_OTS在山东大部分地区表现最优。EC_EPEM的TS评分较高范围明显缩小，这是由于EC_EPEM_MOS和EC_EPEM_OTS在该量级上有效降低了空报率和漏报率，从而提高了预报准确的站点数和TS评分。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 2019—2020年6—9月不同时效逐12 h 10.0~24.9 mm量级降水预报TS评分最优产品空间分布

（a）12 h，（b）24 h，（c）36 h，（d）48 h，（e）60 h，（f）72 h

Fig.5 The spatial distribution of optimal products with high threat scores for 10.0 to 24.9 mm grades precipitation prediction with the time interval of 12 h for different prediction periods from June to September during 2019-2020

（a） 12 h，（b） 24 h，（c） 36 h，（d） 48 h，（e） 60 h，（f） 72 h

25.0~49.9 mm量级逐12 h降水预报TS评分最优产品分布见图6。可以看出，EC_EPEM_MOS对25.0~49.9 mm量级降水逐12 h集合降水预报订正效果明显变差，主要由样本数量有所减少所致。12 h山东大部分地区EC_EPEM_OTS的TS评分最高，EC_EPEM_MOS和EC_EPEM在局部地区有较好表现；24~48 h时效 EC_EPEM_OTS在山东大部分地区表现最佳，山东南部和西北平原的部分地区EC_EPEM自身评分也较高；60 h 时效EC_EPEM_OTS在山东大部分地区表现最佳，EC_EPEM_MOS在山东东北部最佳，山东南部平原的部分地区EC_EPEM自身评分也较高；72 h时效EC_EPEM_OTS在全省大部分地区表现最佳，EC_EPEM_MOS在山东西部局部地区最佳，在山东东部局部地区EC_EPEM自身评分最优。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2019—2020年6—9月不同时效逐12 h 25.0~49.9 mm量级降水预报TS评分最优产品空间分布

（a）12 h，（b）24 h，（c）36 h，（d）48 h，（e）60 h，（f）72 h

Fig.6 The spatial distribution of optimal products with high threat scores for 25.0 to 49.9 mm grades precipitation prediction with the time interval of 12 h for different prediction periods from June to September during 2019-2020

（a） 12 h，（b） 24 h，（c） 36 h，（d） 48 h，（e） 60 h，（f） 72 h

50.0~99.9 mm量级逐12 h降水预报TS评分最优产品空间分布见图7。在大量级中，EC_EPEM_MOS订正效果较差，12~72 h时效降水预报中山东大部分地区EC_EPEM_OTS订正效果最好；12~60 h时效山东东北部地区和其他局部地区EC_EPEM的TS评分较高，但相比25.0~49.9 mm量级评分较高范围有所缩小；72 h时效EC_EPEM_OTS表现最佳。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2019—2020年6—9月不同时效逐12 h 50.0~99.9 mm量级降水预报TS评分最优产品空间分布

（a）12 h，（b）24 h，（c）36 h，（d）48 h，（e）60 h，（f）72 h

Fig.7 The spatial distribution of optimal products with high threat scores for 50.0 to 99.9 mm grades precipitation prediction with the time interval of 12 h for different prediction periods from June to September during 2019-2020

（a） 12 h，（b） 24 h，（c） 36 h，（d） 48 h，（e） 60 h，（f） 72 h

综上可知，在较小量级中短期预报时效除了山东中部山区外EC_EPEM_MOS最佳，山区EC_EPEM_OTS最佳；而中等以上量级尤其较大量级，山东大部分地区EC_EPEM_OTS表现最佳，平原局部地区EC_EPEM的TS评分较高。

4 个例检验

2020年7月22日白天到夜间，山东出现大范围暴雨。图8为2020年7月22日08：00—20：00实况、集合模式预报、订正预报的降雨量级。可见，EC_EPEM的暴雨区范围比实况略偏北，没有体现出山东南部的部分暴雨点；EC_EPEM_MOS解决了个别暴雨空报的问题，但暴雨漏报率也更大，对山东中部山区和南部的暴雨均存在漏报；EC_EPEM_OTS表现最佳，订正后使得EC_EPEM对山东西南部分站点的暴雨漏报问题有所改善，整体暴雨区向南订正，体现了南大北小的分布特征，与实况降雨分布更为接近，降水总体分布把握较好。这次过程中，山东南部受泰山地形迎风坡影响，降雨量级较大，EC_EPEM对地形抬升作用在降雨过程中对降雨的增幅作用考虑不足，对比预报偏差选取最优方法，证明EC_EPEM_OTS对此问题有较好的订正效果。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 2020年7月22日08：00—20：00实况（a）、EC_EPEM（b）、EC_EPEM_MOS（c）、EC_EPEM_OTS（d）降雨量级及最优预报产品（e）空间分布

Fig.8 The spatial distribution of observations （a）， EC_EPEM （b）， EC_EPEM_MOS （c）， EC_EPEM_OTS （d） precipitation grades and optimal forecasting products （e） from 08：00 to 20：00 on July 22， 2020

2020年9月7日20：00至8日08：00山东中北部有小到中雨，局部大雨天气。从图9可见，ECMWF集合降水预报山东西北、中部和半岛地区有小雨，局部大雨，半岛地区出现大范围空报，其他地区降雨量级偏小，EC_EPEM对小量级的空报问题较突出；EC_EPEM_MOS订正预报有效地减小了EC_EPEM在半岛地区的小雨空报及山东东北部分站点的中雨漏报；EC_EPEM_OTS订正预报改善了半岛部分地区小雨空报，对山东西北和中部山区北部的中雨漏报问题订正效果明显。根据预报偏差选取最优方法，EC_EPEM_MOS对EC_EPEM在小量级上的空报问题订正效果较好。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 2020年9月7日20：00至8日08：00实况（a）、EC_EPEM（b）、EC_EPEM_MOS（c）、EC_EPEM_OTS（d）降雨量级及最优预报产品（e）空间分布

Fig.9 The spatial distribution of observations （a）， EC_EPEM （b）， EC_EPEM_MOS （c）， EC_EPEM_OTS （d） precipitation grades and optimal forecasting products （e） from 20：00 on September 7 to 08：00 September 8， 2020

5 结论与讨论

为了提升降水量级预报精度，本文讨论了两种统计订正方法对EC_EPEM降水量级预报结果的改进效果。

（1）TS评分结果显示，EC_EPEM_MOS在较小量级上表现最优，但在大量级上订正效果稍差；EC_EPEM_OTS仅在较小量级上略低于EC_EPEM_MOS，其他量级均表现最优，尤其在较大量级上订正效果更明显。EC_EPEM_MOS、EC_EPEM_OTS均减少了较小量级的空报率；10 mm及以上量级中EC_EPEM_OTS对漏报率的订正效果均最优；25 mm及以上量级，由于EC_EPEM_OTS漏报率小、空报率大，EC_EPEM_MOS漏报率及空报率均较大，使得这两种订正方法的预报偏差明显高于EC_EPEM。

（2）EC_EPEM_MOS和EC_EPEM_OTS在较小量级上都具有一定的订正能力，EC_EPEM_MOS在前36 h的评分最高，EC_EPEM_OTS略低于EC_EPEM_MOS，主要体现在EC_EPEM_MOS对较小量级的空报进行了比较明显的改善，36 h之后EC_EPEM_OTS评分最高；25 mm量级中，EC_EPEM_OTS在12~60 h时效订正效果均最优；50、100 mm大量级上，EC_EPEM_OTS在12~72 h时效订正效果均最优，这是由于EC_EPEM_OTS在稍大量级上提高订正系数使得大量级漏报率小，同时在大量级上使用较小订正系数也减少了空报率。

（3）较小量级短期预报时效，除了山东中部山区外EC_EPEM_MOS表现最佳，山区EC_EPEM_OTS最佳；中等及以上量级，山东大部分地区EC_EPEM_OTS最佳。EC_EPEM_MOS有效地减小了EC_EPEM的空报率，EC_EPEM_OTS在大范围强降雨过程中订正效果最佳。

从检验结果中可发现，EC_EPEM_MOS、EC_ EPEM_OTS均只改变预报降水强弱，对于预报无降水的降水漏报区域不会改变。EC_EPEM_MOS更多依赖于样本选择，因为小雨量级降水样本数量相对较多，所以EC_EPEM_MOS对较小量级的订正效果更好，通过降低较小量级的预报量可以降低空报率。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

邓国, 龚建东, 邓莲堂, 等,

2010.

国家级区域集合预报系统研发和性能检验

[J]. 应用气象学报, 21(5): 513-523.