四川盆地位于青藏高原以东、秦岭高地以南，由于其特殊的地理位置，使得该地降水季节差异大，多集中在5—9月且日变化显著，夜雨明显（肖递祥等，2017）。极端性暴雨为四川省最严重的气象灾害，易引发泥石流、山洪、城市内涝等自然灾害，给人们生命和财产安全造成极大威胁，尤其是高原与盆地过渡区域，例如2013年7月8—11日，盆地西部出现一次极端暴雨过程，都江堰本站日降水量达415.9 mm，造成174人失踪，经济损失达200亿人民币（肖红茹等，2013；王佳津等，2015）。此外，西南涡是四川降水的主要影响系统之一，它造成的暴雨天气的强度、频数和范围仅次于台风及残余低压，且西南涡的生产、移动以及与其他系统的相互作用，使得这类降水的落区具有更大的不确定性（周春花等，2022；屠妮妮等，2023）。鉴于此，数值模式对四川的降水预报往往存在较大偏差，并且不同模式在不同类型天气背景下，误差特征也会有所差异。研究表明，欧洲中期天气预报中心（the European Centre for Medium-Range Weather Forecasts，ECMWF）数值预报产品的降水预报效果在主汛期优于国家气象中心区域中尺度数值预报产品（China Meteorological Administration Mesoscale Model，CMA-MESO 3KM），但ECMWF模式主雨带落区较实况易偏西、偏南，且雨带移速预报偏慢，CMA-MESO 3KM模式对四川盆地西部的降水预报优于盆地东部，尤其是极端短时强降水，而西南区域中心业务运行的中尺度模式系统（Southwest Center WRF ADAS Real-time Modeling System，SWC）对于盆地沿山一带的降水预报有一定的参考价值（曹萍萍等，2018；屠妮妮等，2020；丛芳等，2021；张武龙等，2021；曹萍萍等，2023）。因此，如何为预报员提供更丰富的空间信息成为模式检验的重点。

目前，针对空间检验的方法主要分两类：一类是模糊识别法，即通过对空间尺度进行不断变化，获取不同尺度的预报信息（曲巧娜等，2019）；另一类是基于目标对象开展的检验方法，为近几年空间检验最常用的一类（公颖，2010；刘凑华和牛若芸，2013；符娇兰等，2014；茅懋等，2016；王彬雁等，2020a；王新敏和栗晗，2020；李明等，2017）。研究发现，基于目标对象的检验方法能够避免双惩罚效应，又可以从多角度（如强度、面积、位置等）为预报员提供该模式降水预报的空间信息，能够更加全面、细致地从天气学角度对模式预报效果进行评价，剖析模式的性能特征（Wernli et al.，2009；薛春芳和潘留杰，2016；李佳等，2016；陈笑等，2018）。

随着业务模式种类不断多样化，不同模式在不同地域的预报效果有所不同，加之预报时效性限制，预报员需要快速有限地获取模式多角度的预报特征。已有研究利用SAL（Structure-Amplitude-Location，SAL）方法对四川降水过程进行了相关检验并实现该方法检验流程的业务化，但针对局地强降水过程，发现SAL方法获得的检验结果为一个整体，缺少不同目标物参数信息，指示意义不明显，且缺少局地强降水的偏差评价，导致模式对这一类降水过程评估性不强（王彬雁等，2020b；丛芳等，2021）。鉴于以上考虑，结合目标对象检验法不仅能定量分析还能提供对各要素的评价，且能给出不同目标物的评分情况，在一定程度上避免仅给出结论而无诊断信息的弊端，能够更全面更多角度给出模式的预报信息，对本省开展强降水预报检验更具有参考性。此外，前期开展的强降水过程检验未进行分类，缺乏不同天气背景下的模式降水预报评估。因此，本文利用目标对象检验法对四川2018—2020年共93次暴雨过程进行检验，获得强度、面积、位置、极值等参数的预报评分，在此基础上分析不同降水类型不同模式预报的差异，以期更好地了解模式性能，为精细化预报提供技术支撑。

参与检验的模式涵盖了大尺度及中尺度模式，主要包括ECMWF模式、CMA-MESO 3KM模式、SWC模式以及国家气象中心全球数值预报系统（China Meteorological Administration for Global Forecast System，CMA-GFS）。参与检验的资料为2018—2020年4—10月降水实况，模式资料为与实况相对应的每日08：00、20：00（北京时，下同）起报的24 h累积降水量，预报时效为24~96 h。根据24 h累积降水量大于等于25 mm，共筛选出93次强降水过程，所选过程包含了西南涡暖区降水过程，冷锋切变型降水过程以及盆地西部受偏东风地形抬升造成的强降水过程等，具有一定的代表性。

由于四川地形复杂，多源实况观测数据与观测站点真值存在偏差（吴薇等，2023），因此参与检验的实况资料为四川省数据探测中心经过质控之后的全省自动站（共计4 487个）逐小时降水数据。在进行空间检验前，需将对应时刻实况24 h降水资料以及模式降水资料均插值到0.25°×0.25°网格上，保证实况场与预报场的格点数相同，其次进行均一化处理，即统一实况和预报的有效降水值长度。为避免引入周边过多的零星降水，以四川边界经纬度为处理标准，将边界经纬度以外的预报场和实况场降水均设为缺测，保证两者资料具有相同检验范围（王彬雁等，2020b）。

评分方法采用目标对象检验法与TS（Threat Score，TS）评分、偏差（Bias）评分相结合的检验流程，在传统检验基础上，给出预报员更加关注的空间检验信息，以期更深入地了解模式之间的差异。目标对象检验法主要包括两部分：一是识别匹配；二是检验评价（潘留杰等，2014）。本文主要关注大雨及以上量级降水，因此选取24 h累积降水量大于等于25 mm的降水目标物进行匹配。在已有研究基础上，利用“连通邻域法”对降水个体进行自动判别（王彬雁等，2020a），分别获取每个目标物的重心位置、强度等参数，对空间信息进行评价，具体如下：

（1）形状评分

式中：S_axial为轴向角评分；S_ellip为椭圆率评分；D_aa（°）为预报目标与实况目标的轴向角差；D_ellip为预报目标与实况目标的椭圆率差。需说明的是轴角为目标物对称轴与东西向水平轴线所成的锐角，用来整体评估一个目标的空间走向，离心率越接近1，表明形状越接近椭圆（曲巧娜等，2019）。

（2）面积评分

式中：S_area为面积评分；A_mod为预报目标面积；A_obs为实况目标面积。本文面积用目标物范围内格点数表示（曲巧娜等，2019） 。

（3）位置评分

式中：S_gc为重心评分；L_max（km）为最大容忍距离；L_min（km）为最小容忍距离。考虑到四川省东西向长约1 050 km，南北向长约940 km，相应东西向最小偏差为52.5 km、最大偏差为525 km，南北向最大偏差为470 km、最小为47 km，因此本文L_max取470 km，L_min为47 km（曲巧娜等，2019）。

（4）强度评分

以实况降水为基础，当模式预报降水极值与实况降水极值等级相一致时，强度评分S_int为1；当两者等级相差1个等级时，强度评分S_int为0.5；当等级相差2个等级及以上时，强度评分S_int为0（曲巧娜等，2019）。

（5）总检验评分

式中：S为总检验评分；S_1q为落区检验评分；R₁、R₂、R₃、R₄、R₅分别为对应评分的权重系数。前期研究表明，对降水预报指示意义最大的是位置，其次是面积、形状（公颖，2010；曲巧娜等，2019；王彬雁等，2020b），因此降水落区的3项权重系数分别取0.3、0.5、0.2，即R₁=0.3，R₂=0.5，R₃=0.2。在落区检验的基础上，根据预报员的重视程度，分别取落区系数R₄为0.8，强度系数R₅为0.2（曲巧娜等，2019）。

为了能清楚了解目标对象检验法各参数的指示意义，以2020年8月12日降水过程为例，详细给出各模式降水预报的评价结果。图1为2020年8月11日20：00至12日20：00 24 h累积降水量大于等于25 mm目标识别图和对应时段4种模式预报的12~36 h累积降水量目标识别图。从图1（a）可以看出，针对此次降水过程实况识别出1个目标对象，位于盆地西部。ECMWF模式、CMA-GFS模式、SWC模式均识别出1个目标对象，与实况位置相一致，而CMA-MESO 3KM模式识别出4个目标对象，分布在盆地西部、凉山州北部、盆地南部以及甘孜州东部。从主观分析来看，CMA-MESO 3KM模式空报较多，SWC模式预报面积偏大。下面通过目标对象检验评分方法，给出4个模式具体预报情况。

从表1可知，4个模式总检验评分均在0.70以上，对此次降水过程均有一定指导意义，其中CMA-MESO 3KM模式得分最高（0.85），其次是ECMWF模式。对于降水目标物预报的优越性主要在于位置和形状，4个模式评分均在0.90以上，对预报员有很好的参考价值，但预报优势略有不同，CMA-GFS模式离心率与实况相一致，目标物形状接近椭圆，而ECMWF模式、CMA-MESO 3KM模式轴角与实况更为接近，雨带走向较为一致，雨带呈东北—西南向。从位置评价结果来看，4个模式重心位置偏差均在可接受范围内。对于降水目标物面积的预报，4个模式预报均较实况范围偏大，其中CMA-MESO 3KM模式预报降水目标物面积大小更接近实况。极值方面，除CMA-GFS模式外，其余模式极值预报均较实况偏强。综合检验结果可知，CMA-MESO 3KM模式对此次过程把握较好，尤其是降水目标物位置和雨带走向，但雨带面积、降水极值存在一定差异，其次是ECMWF模式，整体检验结果与主观分析相一致，但目标对象检验法在一定程度上能更详细地剖析模式强降水预报性能，为预报员提供具体的检验结果。

随着模式种类不断趋于多样化，如何快速便捷地提取模式预报信息成为预报员关注的重点。运用目标对象检验法对强降水过程各要素评分进行分析，能够帮助预报员快速挖掘有效预报信息，掌握产品的详细性能。由于每个降水过程降水落区位置、面积不同，导致目标对象数目有所差异，大多数个例目标对象落区为1~2个，部分个例多达4个以上。

图2为各模式预报综合评分箱线图。从强降水预报综合评分分布来看，总评分的50%分位数除CMA-MESO 3KM模式外，其余模式均以24 h时效得分最高，并且随着预报时效越临近，模式预报平均水平越高。从箱线图拉伸程度看，CMA-GFS模式36 h时效拉伸最大，表明该模式预报水平不稳定，存在一定波动。从各时效得分看，ECMWF模式无论是总评分的50%还是75%分位数均略优于其他模式，表明ECMWF模式对强降水过程空间预报效果更突出。

图3为各模式面积评分箱线图。可见，ECMWF模式面积评分的50%分位数得分为0.50~0.60，高于其余模式，表明其对于面积预报的平均水平较优，并且随着预报时效临近，24 h时效得分明显高于其他时效。从箱线图拉伸程度看，CMA-MESO 3KM模式在24~36 h预报时效内较其他模式拉伸较小，得分相对集中，表明该模式对降水面积预报相对稳定。整体来看，ECMWF模式对降水落区面积把握优于其余模式，但CMA-MESO 3KM模式在临近预报时效内对降水落区面积的预报相对稳定。

强降水位置评分是所有要素的重点，从图4可知，ECMWF模式位置评分50%分位数24~36 h时效均接近于1.0，高于其余模式。从箱线图拉伸程度看，ECMWF模式24~48 h时效集中程度明显优于其他模式，表明ECMWF模式在对应预报时效对降水位置预报也相对稳定。此外，ECMWF模式在位置评分时较其余模式存在更多异常值，且多集中在较小值一边，表明评分值不服从正态分布，存在明显的左偏，这与模式本身的预报性能有关，尤其是针对局地强降水分布较多的降水过程，在进行位置匹配时往往没有高分辨率区域模式匹配目标物多或者目标物位置偏差较大，导致位置评分差异较大。

综合来看，各模式随着预报时效越临近，预报效果越好，其中ECMWF模式整体参考性最优，其次是CMA-MESO 3KM模式的36 h时效。

从上节分析可知各模式预报时效越接近，预报效果越好，并且ECMWF模式对降水落区把握优于其余模式。但由于各模式对强降水预报性能各有不同，是否在特定降水类型下，其余几个模式较ECMWF模式仍具有参考价值?因此，根据天气系统以及降水强度等，对2018—2020年共93次强降水进行雨型分类，发现有28次降水过程为锋面降水过程，13次为暖区降水过程，12次为偏弱对流降水，其他无明显规律，这里仅分析3类典型降水过程各模式的预报情况。

CMA-MESO 3KM模式缺少48 h预报时效，且在实际业务预报中24 h预报时效没有参考意义，因此重点给出各模式36 h预报时效的综合评分（图5）。为了评价综合评分的好与差，将综合评分等级分为3级（综合评分在0.4以下认为参考性较差，不进行统计），即综合评分大于等于0.8且小于等于1定义为Ⅰ级，大于等于0.6且小于0.8为Ⅱ级，大于等于0.4且小于0.6为Ⅲ级。从图5可知，针对Ⅰ级评分ECMWF模式对于锋面降水过程、偏弱对流降水过程评分值略高于暖区降水过程，CMA-GFS模式对不同类型降水过程评分值差异不大，SWC模式以偏弱对流降水过程评分略高，CMA-MESO 3KM模式仅锋面降水过程有评分；Ⅱ级评分CMA-MESO 3KM模式对锋面降水过程评分值高于其余两类，ECMWF模式以暖区降水过程略高，其余模式对3类降水过程评分差异接近；Ⅲ级评分ECMWF模式对于锋面降水过程评分最优，其余两类降水过程无评分，CMA-GFS模式、SWC模式均以暖区降水过程略高。综合来看I级评分不同降水类型模式预报差异，ECMWF模式对于锋面降水过程预报优于其余模式，其次是偏弱对流降水过程，而暖区降水过程评分明显低于CMA-GFS模式、SWC模式。

图6分别为各模式3类降水过程的TS评分、Bias评分。可知，无论是大雨还是暴雨及以上降水，锋面降水过程CMA-MESO 3KM模式TS评分最高，其次是ECMWF模式，CMA-GFS模式评分最低；暖区降水过程SWC模式TS评分最高，其次是ECMWF模式，CMA-GFS评分最低；偏弱对流降水过程大雨及以上降水ECMWF模式TS评分最高，其次是SWC模式，暴雨及以上SWC模式TS评分最高。

对于锋面降水过程，大雨及以上降水各模式Bias差别不大，SWC模式更接近于1，暴雨及以上降水除CMA-GFS模式Bias小于1外，其余模式均大于1，表明存在空报较多的情况，其中ECMWF模式Bias评分更接近于1；暖区降水过程无论大雨还是暴雨以上量级降水，SWC模式、CMA-MESO 3KM模式Bias更接近于1；偏弱对流降水过程大雨及以上降水ECMWF模式Bias评分更接近于1，其次是SWC模式，暴雨及以上降水SWC模式最优。

可以发现，各模式对不同类型的降水过程预报存在一定差异，这主要是由于ECMWF模式较其他模式对西风带系统预报较好，尤其是500 hPa风场，导致其对锋面降水过程预报更优。而SWC模式分辨率更高，有助于模式刻画真实地形，因此能够预报出动力配置较弱而热力条件较好条件下地形强迫所产生的强降水，尤其是盆地西部边坡过渡带。并且利用探空站对模式物理量要素进行分析可知，各模式对高度场预报最好，风场次之，对低层温度、湿度预报效果较差。

为了在实际业务中给预报员提供偏差信息参考，对各模式3类降水过程预报进行统计（重点统计Ⅰ级评分），发现锋面降水过程ECMWF模式最优评分次数最多（18次），CMA-GFS模式其次，CMA-MESO 3KM模式最少；暖区降水过程ECMWF模式最优评分次数为3次，CMA-GFS模式、SWC模式均为1次；偏弱对流降水过程ECMWF模式最优评分次数为9次，CMA-GFS模式、SWC模式分别为3次、2次。这里重点给出锋面降水过程各模式偏差信息（表2），各模式在锋面降水过程中面积预报容易较实况偏大，除CMA-GFS模式外，其余模式降水极值预报多较实况偏强；ECMWF模式预报多较实况位置偏西偏北，其余模式多较实况偏东偏北；CMA-MESO 3KM模式位置偏差度数最小，与实况雨带更为接近；各模式对于雨带走向均把握较好。结合评分结果可知，在预报业务订正中，对于锋面降水过程可以ECMWF模式预报结果为基础，参考CMA-MESO 3KM雨带位置，将ECMWF模式预报的大雨及以上量级适当向偏东偏南方向调整，并将降水量级和面积适量调小。

本文基于目标对象检验法，对2018—2020年共93次降水过程的降水落区面积、位置等进行匹配，获取模式空间场潜在的预报信息。在此基础上，重点对36 h预报时效各模式对不同类型降水过程的预报偏差进行统计，获取模式的预报性能，得到以下结论。

（1）各模式对强降水过程预报的位置评分相对最优，面积评分相对较差。ECMWF模式整体参考性最优，其次是CMA-MESO 3KM模式的36 h时效。

（2）对于锋面降水过程，ECMWF模式的空间检验评分及TS评分均优于其余模式；暖区降水过程则以SWC模式表现更优。

（3）预报业务订正中，对于暖区强降水过程，可在大尺度模式的基础上结合本地中尺度模式进行订正；对于锋面降水过程，以ECMWF模式为基础，参考CMA-MESO 3KM雨带位置对大雨及以上量级降水落区和量级进行调整。

由于本文实况降水资料采用的是自动站站点资料，存在分布不规则且分散的情况，对于分散性的局地强降水检验结果具有一定的局限性，加之总检验评分中对各要素的权重系数确定偏主观性，预报员可根据自身侧重点进行赋值。此外，对于不同类型降水过程的预报性能差异原因前期仅利用探空站进行分析且选择的物理量要素有限，后期工作中将进一步选择具有代表性的多种物理量要素，深入剖析模式预报差异，为今后的预报订正提供一定的基础。