0 引言
随着经济和技术的发展，智能网格预报已成为天气预报技术发展的必然趋势（韦青等，2019；潘留杰等，2023）。在数值模式、模式释用技术和多样化气象服务需求的共同推动下，智能网格产品的质量不断提升，其在气象灾害防御中的作用日益凸显（胡争光等，2020；朱国光和陈鹤，2022；陈晓燕等，2022）。然而，智能网格预报由于其多源化和数据量巨大的特点，以及社会对降水预报精细化需求的提升（符娇兰和代刊，2016；谌芸等，2021；邱雨楠，2023），仍需通过大量检验工作来满足本地服务的实际需求（郭旭晖等，2023；蔡怡等，2023）。甘肃河东地区（简称“河东”）是指甘肃省黄河以东的区域，位于甘肃省东南部，地形地貌复杂，处于内蒙古高原、青藏高原和黄土高原交汇的边坡地带（卢秀丽，2008；赵一飞，2013；殷菲等，2022），受东亚夏季风、西风带以及高原天气系统的共同影响（王奕丹等，2019；王雅琦等，2020；孔祥伟，2022），局地降水突发性强，易引发山洪泥石流等次生灾害。尽管智能网格预报性能不断提升，对区域降水目标有较好的预报能力，但与实况降水相比，仍存在一定的空间偏差（潘留杰等，2022）。
传统的点对点评分检验方法因对空间和时间的微小偏差进行“双重惩罚”，难以客观反映高分辨率数值模式降水的实际预报能力（孔祥伟等，2022；屠妮妮等，2022；张博等，2024）。为克服这一问题，国内外学者提出了多种空间检验技术，用于定量降水预报的检验分析（Ebert and Mcbride，2000；Mass et al.，2002；孔荣等，2010；韩晶等，2023），以提供更详细的模式预报偏差信息（Wernli et al.，2009；刘凑华和牛若芸，2013；Sharma et al.，2018）。其中，连续雨区（Contiguous Rain Area，CRA）空间检验技术通过定义降水阈值来识别该区域，能够从降水的落区、强度和形态等多个方面对降水预报进行综合分析（王新敏和栗晗，2020；钱磊等，2022；张君霞等，2022）。CRA空间检验技术在国内外已有较成熟的应用，能够提供更为详细的模式预报偏差信息。本文利用该技术对河东智能网格降水预报进行空间检验分析，从降水落区、强度及形态偏差等方面评估预报性能，以期为提高区域智能网格降水预报的本地化订正能力提供技术支持，进而提升区域降水预报预警的精准化水平，增强防灾减灾服务能力。
1 资料与方法
1.1 资料来源
降水资料来自甘肃省气象信息中心提供的甘肃河东地区1 766个自动气象观测站（包括国家基准气候站、国家基本气象站、国家气象观测站、省级气象观测站）观测数据（图1）。一个观测日内（前一日20：00至当日20：00，北京时，下同）任一站点降水量≥0.1 mm，则记录为一个降水日；当前时刻之前3 h内累积降水量记为该时次降水量。
图1
图1
河东地区1 766个自动气象观测站分布
Fig.1
Distribution of 1 766 automatic meteorological observation stations in Hedong area of Gansu Province
1.2 数据处理
因涉及大规模数据计算，所有数据处理和运算均使用Python编程实现。
数据空间一致性处理：在进行CRA空间匹配过程中，实况数据为站点观测数据，而预报产品为智能网格预报数据，二者数据格式不一致。为实现CRA检验并计算各项偏差值，保持智能网格预报格式不变，采用克里金插值法将实况站点降水数据转化为空间分辨率为0.05°×0.05°的网格数据，以确保数据空间一致性。
图2
图2
预报场与实况场CRA匹配图
（蓝色区域为预报CRA，其外围浅蓝色区域为预报扩展区，橙色区域为实况CRA，其外围浅橙色为实况扩展区，紫色圆圈为扩展区域交集）
Fig.2
The CRA matching between forecast field and actual field
（The blue area represents the forecast CRA， the surrounding light blue area represents the forecast extension area， the orange area represents the actual CRA， the surrounding light orange area represents the actual extension area， and the purple circle represents the intersection of the extension areas）
图3
图3
河东斜压锋生类（a）、暖强迫类（b）及冷强迫类（c）降水的天气系统配置
（绿色虚线为700 hPa等比湿线，单位：g·kg-1；棕色细箭头为700 hPa显著流线；棕色粗箭头为700 hPa低空急流；红色双实线为700 hPa切变线；红色单实线为500、700 hPa等温度线，单位：℃；蓝色单实线为500 hPa槽线；蓝色粗箭头为200 hPa高空急流；蓝色锯齿线为冷锋；D为低压系统）
Fig.3
Weather system configuration for oblique frontal (a), warm forcing (b) and cold forcing (c) precipitation in Hedong area of Gansu Province
（The green dashed lines indicate the 700 hPa isobaric humidity line, Unit: g·kg-1; the brown thin arrow represents a significant streamline at 700 hPa; the brown thick arrow represents the 700 hPa low-level jet stream; the red double solid line represents the 700 hPa shear line; the red solid lines represent temperature lines at 500 and 700 hPa, Unit: ℃; the blue solid line represents the 500 hPa trough line; the blue thick arrow represents the 200 hPa high-altitude jet stream; the blue sawtooth line represents a cold front; D represents a low-pressure system）
尺度范围格点数计算：依据大气运动的尺度划分实况雨区格点数，将尺度范围视为一个圆形区域，智能网格的空间分辨率为0.05°×0.05°，每4个相邻网格点构成一个单元。计算后四舍五入，格点数2 000~200 000个为中α尺度，20~2 000个为中β尺度，0~20个为中γ尺度。
2 智能网格降水预报偏差特征及个例筛选
通过扩展“命中”、“未命中”和“假警报”的概念来验证降水事件的预测情况。具体定义（Ebert and Mcbride，2000）如下：预报和实况中均存在可识别且成功配对的降水CRA为命中事件；观测到但未预报的降水，或预报降水量明显低估且远离实况CRA为未命中事件；有预报但未观测到的降水，或预报降水量明显高估且远离实况CRA为假警报事件。
对2018—2020年4—9月的降水进行空间检验，共识别出350组连续雨区，其中预报命中254组，假警报60组，未命中36组。预报场CRA平均格点数为1 708个，实况场经克里金插值后平均格点数为1 693个，智能网格预报的面积偏差整体较小；预报场CRA平均降水量为0.8 mm，略高于实况场CRA的0.5 mm；而预报场CRA最大降水量平均为4.0 mm，低于实况场的6.7 mm，最大降水量预报偏小。
2.1 预报偏差变化特征
2.1.1 时间变化特征
由于年变化特征不明显，故仅分析月变化特征。由5—9月智能网格降水预报CRA的命中率、未命中率和假警报率的变化（图4）可看出，平均命中率为71.8%，其中5月最低（55.9%），7月最高（83.0%），月均变化平稳，差距不超过27.1%。平均假警报率为17.6%，其中5月假警报率最高（23.5%），7月最低（11.7%），6—9月均低于20.0%。平均未命中率为10.6%，明显低于命中率和假警报率，5月未命中率最高（20.6%），7月最低（5.3%），6—8月未命中率均低于8.0%。
图4
图4
2018—2020年5—9月河东地区智能网格降水预报CRA平均命中率、未命中率和假警报率的变化
Fig.4
Changes in the average hit rate， miss rate， and false alarm rate of CRA of intelligent grid precipitation forecasts in Hedong area of Gansu Province from May to September during 2018-2020
综上，智能网格降水预报CRA6—8月命中率最高，假警报率和未命中率最低；而5月和9月的假警报率和未命中率明显偏高。其原因在于，夏季（6—8月）大气环流稳定，天气模式易被预报模型捕捉；而春秋季的5月和9月多冷暖空气交汇和锋面活动的复杂天气系统，增加了精细化降水预报的难度。
2.1.2 CRA降水格点数变化特征
对比分析预报场CRA格点的命中率和假警报率[图5（a）]，命中率整体高于假警报率，两者呈“喇叭口”形态。随着预报场CRA格点数增加，命中率波动上升，假警报率波动下降。在格点数≤100个及300~400个，命中率最低，分别为58.3%、57.1%。随着预报场CRA面积的增大，命中率迅速上升，格点数≥1 500个时，命中率趋于100%，假警报率趋于0。
图5
图5
2018—2020年河东地区智能网格降水预报命中率及假警报率随预报场（a）、命中率及未命中率随实况场（b）CRA格点数的变化
Fig.5
Changes of the hit rate and false alarm rate with the number of CRA grid points in the forecast field (a), and hit rate and miss rate with the number of CRA grid points in the actual field (b) of intelligent grid precipitation forecast in Hedong area of Gansu Province during 2018-2020
对比分析实况场CRA格点的命中率和未命中率[图5（b）]，命中率整体高于未命中率，同样呈“喇叭口”形态。随着实况场CRA格点数增加，命中率上升，未命中率波动下降。未命中的CRA格点数主要集中在≤200个，占未命中总数的72.2%，未命中率在30.4%~33.3%。随着实况场CRA面积的增大，命中率迅速上升，格点数≥1 000个时，命中率趋于100%，未命中率趋于0。
2.2 预报命中CRA个例格点数分布特征
对2018—2020年降水资料从不稳定条件和主要触发条件的角度共识别出254组预报命中的CRA个例，其中30组发生在冷强迫类环流条件下，84组发生在暖强迫类环流下，140组发生在斜压锋生类环流下。将河东地区以定西东部边缘至岷山东麓为界，划分为东、西2部分进行进一步分析。
暖强迫类降水实况场的平均CRA格点数为1 909个，斜压锋生类为1 733个，冷强迫类为1 034个（表1）。3类降水中，河东东部的CRA格点均明显多于西部地区，其中，冷强迫类降水河东东部的CRA格点占86.8%，西部地区占比低，由于甘南高原地形阻挡，冷平流倾向于沿地形平缓的北部区域移动，而西部湿度条件差，不利于降水发展；暖强迫类降水河东东部的CRA格点占59.9%，东、西部降水范围差异较小，其降水受副热带高压外围700 hPa及以下的偏南暖湿气流影响，范围较广；斜压锋生类降水河东东部的CRA格点占71.7%，冷空气受高原阻挡偏北移动，同时水汽受地形影响向东输送，导致该类降水CRA格点分布介于前两者之间。
表1 不同天气形势类型降水河东东、西部CRA格点分布特征
Tab.1
| 天气形势类型 | 西部平均格点数 | 东部平均格点数 |
|---|---|---|
| 暖强迫 | 766 | 1 143 |
| 冷强迫 | 136 | 898 |
| 斜压锋生 | 490 | 1 243 |
3 智能网格降水预报偏差分析
CRA空间检验方法将总的预报误差分解为落区、强度以及形态3个部分，对预报结果进行综合检验。
3.1 降水预报总体偏差
分析暖强迫类、冷强迫类及斜压锋生类降水预报的总体偏差（表2）表明，河东地区的降水预报中，形态偏差占比最大，强度偏差次之，落区偏差最小。其中，冷强迫类降水的强度偏差和落区偏差占比相差较大，为25.2%，而暖强迫类和斜压锋生类降水的两项偏差相差较小，不超过5.5%。
表2 降水预报总体偏差
Tab.2
| 天气形势类型 | 平均值 | 中位数 | ||||||
|---|---|---|---|---|---|---|---|---|
| 落区偏差 占比/% | 强度偏差 占比/% | 形态偏差 占比/% | 平均纬向 偏差/（°） | 平均经向 偏差/（°） | 平均面积 偏差/% | 平均强度 偏差/% | 最大降水量 偏差/% | |
| 暖强迫 | 19.9 | 23.5 | 56.6 | 0.0 | 0.2 | 18.6 | 64.1 | -24.0 |
| 冷强迫 | 8.1 | 33.3 | 58.6 | 0.0 | 0.0 | 62.3 | 0.0 | -50.0 |
| 斜压锋生 | 15.7 | 21.2 | 63.1 | 0.0 | 0.0 | 12.8 | 63.9 | -29.9 |
根据3类降水的落区、强度和形态偏差的箱线图（图6）可看出，3类降水的落区偏差占比整体偏小，分布集中，多为0~20%，且均在50%以下，其中暖强迫类和冷强迫类降水的落区偏差在25%以内的天气过程均占7成，斜压锋生类则占8成。强度偏差占比整体较大，离散度明显，其中暖强迫类降水的强度偏差整体偏小，多数集中在10%~30%，50%以下的天气过程占9成；冷强迫类降水的强度偏差多为5%~45%，50%以下的占8成；斜压锋生类强度偏差多为10%~40%，50%以下的占8成。形态偏差占比普遍偏大，多为40%~80%，且分布较为集中，其中冷强迫类降水的形态偏差相对略大，50%以上的天气过程占7成，而暖强迫类和斜压锋生类在50%以上的天气过程均接近8成。
图6
图6
不同类型降水的落区、强度和形态偏差占比箱线图
Fig.6
Box plots of proportion of precipitation zones, intensities, and morphological deviations for different types of precipitation
3.2 落区偏差的经纬度分布
为进一步量化分析降水落区预报偏差，对3类降水预报与实况的经纬度质心位置偏差进行分析（图7），结果表明，暖强迫类降水纬向准确率为16.7%，经向准确率为25.0%，质心位置偏东的占比为59.5%，偏北的占比为39.3%，其中东北方向偏差占比最大（29.8%），暖强迫类降水预报较实况偏东偏北。冷强迫类降水纬向准确率为10.0%，经向准确率为5.0%，质心位置偏东的占比为46.7%，偏南的占比为43.3%，其中东南方向偏差占比最大（23.3%），冷强迫类降水预报较实况偏东偏南。斜压锋生类降水纬向准确率为18.0%，经向准确率为12.0%，质心位置偏东的占比为47.1%，偏北的占比为43.6%，其中东北方向偏差占比最大（28.6%），斜压锋生类降水预报较实况偏东偏北。
图7
图7
3类降水预报较实况的质心位置偏差
Fig.7
Deviation of centroid position between forecasts and actual conditions of three types precipitation
3.3 降水面积偏差
基于大气运动不同尺度范围包含的格点数计算方法，结合实况降水格点数与预报降水格点数的分布情况，对暖强迫类、冷强迫类及斜压锋生类降水的面积格点（图8）进行分析。暖强迫类降水的实况格点数为9~6 209个，分布较为分散。其中，格点数100个以内的降水占比最多，为10.7%。预报CRA的降水面积较实况雨区平均偏多40个格点。根据实况雨区格点数，3.6%的暖强迫类降水为中γ尺度，55.9%为中β尺度，40.5%为中α尺度。当实况雨区为中γ和中β尺度时，智能网格降水预报雨区面积较实况平均偏大119.0%；当为中α尺度时，预报雨区面积较实况平均偏小34.3%。
图8
图8
暖强迫类（a、b）、冷强迫类（c、d）及斜压锋生类（e、f）降水预报与实况降水格点数的散点图（a、c、e）及实况雨区格点数分布（b、d、f）
Fig.8
Scatter plot of precipitation forecast and actual precipitation grid points (a, c, e) and actual precipitotion grid distribution (b, d, f) of warm forcing type (a, b), cold forcing type (c, d) and oblique pressure frontogenesis type (e, f)
冷强迫类降水的实况格点数为6~5 445个，分布较为分散。其中，格点数100个以内的降水占比最多，为11.9%。预报CRA的降水面积较实况雨区平均偏少130个格点，偏少11.1%。根据实况雨区格点数，16.7%的冷强迫类降水为中γ尺度，60.0%为中β尺度，23.3%为中α尺度。当实况雨区为中γ和中β尺度时，智能网格降水预报雨区面积较实况平均偏大66.7%；当为中α尺度时，预报雨区面积较实况平均偏小32.7%。
斜压锋生类降水的实况格点数为5~6 038个，分布较为分散，格点数100个以内的降水占比最多，为22.6%。预报CRA的降水面积较实况雨区平均偏多60个格点，偏多3.6%。根据实况雨区格点数，5.7%斜压锋生类降水为中γ尺度，62.1%为中β尺度，32.1%为中α尺度。当实况雨区属于中γ和中β尺度时，智能网格降水预报雨区较实况雨区面积平均偏大94.8%；当实况雨区属于中α尺度时，预报雨区较实况偏小31.8%。
3.4 雨强分布偏差
结合实况和预报场的平均雨强与最大雨强的分布特征，对暖强迫类、冷强迫类及斜压锋生类降水进行雨强偏差分析（图9），结果表明暖强迫类降水预报平均雨强较实况偏多1倍，实况场平均雨强为0.1~2.1 mm·（3 h）-1，其中0.1~0.8 mm·（3 h）-1占比最大，为83.3%；预报场平均雨强为0.1~6.5 mm·（3 h）-1，其中0.1~0.8 mm·（3 h）-1占比最大，为57.2%；预报最大雨强较实况偏少24.3%，实况最大雨强为0.1~46.5 mm·（3 h）-1，其中0.1~6.0 mm·（3 h）-1占比最大，为63.1%；预报场最大雨强为0.1~40.7 mm·（3 h）-1，其中0.1~7.9 mm·（3 h）-1占比最大，为84.5%。
图9
图9
暖强迫类（a、b、c、d）、冷强迫类（e、f、g、h）及斜压锋生类（i、j、k、l）平均降水实况与预报雨强散点图（a、e、i）及占比（b、f、j）和最大降水实况与预报雨强散点图（c、g、k）及占比（d、h、l）
Fig.9
The scatter plots of average precipitation and forecasted rainfall intensity (a, e, i) and their proportions (b, f, j), and the scatter plots of maximum precipitation and forecasted rainfall intensity (c, g, k) and their proportions (d, h, l) of warm forcing type (a, b, c, d), cold forcing type (e, f, g, h), and oblique pressure frontogenesis type (i, j, k, l)
冷强迫类降水预报平均雨强较实况偏高24.2%，实况场平均雨强为0.1~1.2 mm·（3 h）-1，0.1~0.5 mm·（3 h）-1占比最大，为73.3%；预报场平均雨强为0.1~1.7 mm·（3 h）-1，0.1~0.3 mm·（3 h）-1占比最大，为63.3%；最大雨强分布较为分散，预报最大雨强较实况偏少59.3%，实况场最大雨强为0.1~17.3 mm·（3 h）-1，0.1~7.8 mm·（3 h）-1占比最大，为80.0%；预报场最大雨强为0.1~10.7 mm·（3 h）-1，0.1~4.9 mm·（3 h）-1占比最大，为83.3%。
斜压锋生类降水预报平均雨强较实况偏多64.0%，实况场平均雨强为0.1~1.8 mm·（3 h）-1，0.1~0.6 mm·（3 h）-1占比最大，为79.3%；预报场平均雨强为0.1~4.3 mm·（3 h）-1，0.1~1.0 mm·（3 h）-1占比最大，为77.1%；最大雨强分布较平均雨强集中，预报最大雨强较实况偏少39.2%，实况场最大雨强为0.2~64.4 mm·（3 h）-1，0.2~10 mm·（3 h）-1占比最大，为85.0%；预报场最大雨强为0.1~24.9 mm·（3 h）-1，0.1~5.9 mm·（3 h）-1占比最大，为82.1%。
4 结论与讨论
本文利用甘肃河东地区1 766个自动气象观测站的汛期降水资料，基于2018—2020年104个降水日共264个降水时次进行分析，结合中央气象台下发的3 h智能网格降水预报数据，通过对预报场CRA及实况场CRA的识别和配对，分析了命中、假警报和未命中3种预报情况，并对预报命中的CRA进行偏差分析，得到以下主要结论。
河东地区降水天气形势主要为斜压锋生类、暖强迫类及冷强迫类。经空间检验分析，智能网格降水预报的面积偏差整体较小，平均降水量预报略偏大，最大降水量预报整体偏小；预报命中的CRA中，11.8%为冷强迫类，33.1%为暖强迫类，55.1%为斜压锋生类；3类降水的CRA分布在河东东部的格点数量明显多于西部。
智能网格3 h降水预报的命中率平均为71.8%，假警报率为17.6%，未命中率为10.6%，6—8月命中率最高，5月、9月最低。各月假警报率均高于未命中率，其中5月假警报率为23.5%，未命中率为20.6%，两者相差较小，而9月假警报率为19.0%，未命中率为12.0%，两者相差较大。因此，预报员在春季应适当增加降水过程次数的预报，而在秋季应注重提高对降水过程量级的预报，以有效提升预报命中率。
对于预报命中的个例，3类降水的形态偏差均超过56%，明显大于落区偏差和强度偏差。形态偏差最大为斜压锋生类，其次为冷强迫类和暖强迫类。强度偏差最大为冷强迫类，其次为暖强迫类和斜压锋生类。落区偏差最大为暖强迫类，其次为斜压锋生类和冷强迫类。暖强迫类降水的落区预报偏东偏北，平均雨强比实况偏大约1倍，最大雨强偏小24.3%；冷强迫类降水的落区预报偏东偏南，平均雨强比实况偏大24.2%，最大雨强偏小59.3%；斜压锋生类降水的落区预报偏东偏北，平均雨强比实况偏大64.0%，最大雨强偏小39.2%。3类降水对β及以下尺度降水的落区预报面积偏大，而对α尺度降水的落区预报面积偏小。
本文仅在甘肃河东地区有降水的情况下进行了CRA空间检验，后续工作中可针对不同降水阈值进行更为详细的空间检验和对比分析，并结合预报偏差特征进一步优化订正方案，以提高智能网格降水预报的精细化水平。
参考文献
2021年夏季CMA-MESO模式降水预报评估
[J].
利用中国2021年夏季（6—8月）逐3 h降水预报资料和地面气象站观测资料，从多个角度诊断分析CMA-MESO （China Meteorological Administration Mesoscale Model） 3 km系统模式降水预报性能，为预报员提供参考，为模式系统改进提供依据。结果表明：CMA-MESO 3 km模式能较好地预报出不同地区3 h累积降水量和有效降水频率时空分布特征，区域降水预报能力强于单站，持续性降水预报效果好于局地短时强降水。不同预报时效结果显示，CMA-MESO 3 km模式3 h降水预报值最大且大于观测值，6、9、12 h降水预报最接近实况;短时强降水个例结果显示CMA-MESO 3 km模式短临预报效果较好，3、6 h降水预报接近观测，降水量及其时间变化特征预报与观测基本一致，且8个预报时效的区域降水预报平均值接近观测值，预报效果较好。
全球和区域数值模式在甘肃2020年汛期降水预报中的检验评估
[J].2020年汛期6—8月甘肃降水日数多、持续时间长、范围广、强度大,对该时间段内3种全球模式（ECMWF、GRAPES_GFS和NCEP_GFS模式）和4种区域模式[GRAPES区域数值预报业务系统（GRAPES_3 km）、西北区域区域模式（GRAPES_LZ10 km）、西北区域快速更新循环预报系统（GRAPES_LZ3 km）和华东区域模式（SMS-WARMS）]24 h累计降水预报性能进行检验评估。结果表明：（1）全球模式中ECMWF模式的预报性能优于其余2个模式,而区域模式中GRAPES_3 km和SMS-WARMS模式预报性能相对较好,且SMS-WARMS模式预报性能更稳定。（2）区域模式晴雨准确率及小雨和中雨的TS评分、ETS评分、命中率低于全球模式,暴雨优于全球模式;大雨和暴雨的空报率和预报偏差均高于全球模式。（3）根据500 hPa环流形势可将甘肃汛期降水划分为副高边缘型和低槽型2种类型,针对2020年4次副高边缘型和3次低槽型降水进行分类检验评估。全球模式和区域模式均对前者的各个量级降水预报性能优于后者;ECMWF模式和区域模式对2种类型大雨和暴雨预报效果优于NCEP_GFS和GRAPES_GFS模式;全球模式中ECMWF模式、区域模式中SMS-WARMS模式对2种类型降水预报效果最好。（4）7种模式对2种类型中雨和大雨雨带走向预报较好,对副高边缘型降水过程降水落区的预报能力优于低槽型降水过程,但预报降水强度较观测偏强,尤其是降水中心区域。
西北地区东部夏季降水年际变化特征及其与环流的关系
[J].利用1961 -2012年夏季西北地区东部降水站点资料和NCEP/NCAR同期逐月再分析资料， 采用“均一化处理”和合成分析等方法分析了西北地区东部夏季降水的年际变化特征及其对应的环流异常。结果表明： （1）西北地区东部的夏季降水异常主要与南边界的水汽异常输送相联系； （2）西北地区东部夏季降水与西北太平洋副热带高压（简称西太副高）的位置及强度密切相联： 当西太副高偏强偏西时， 西太副高脊线西伸至我国华南地区， 对应的西北地区东部上空表现为西南风异常， 将大量的水汽从西北地区东部的南边界输入， 有利于该地区夏季降水增多； 当西太副高偏东偏弱时， 西太副高脊线西伸带来的降水影响无法到达西北地区东部， 对应着西北地区东部降水偏少。
高原季风特征及其与东亚夏季风关系的研究
[J].利用ERA-Interim的位势高度场、温度场和风场再分析资料，计算了1988—2017年的传统高原季风指数（Trational Plateau Monsoon Index，TPMI）和动态高原季风指数（Dynamic Plateau Monsoon Index，DPMI），分析了高原季风的空间分布特征和时间演变规律，结合东亚夏季风指数（East Asian Summer Monsoon Index，EASMI），探讨了高原季风与东亚季风的关系。研究表明：（1）高原夏季风从4月开始形成，暖性低值系统在高原上生成；6月暖性低压系统中心形成并达到最强，此时高原夏季风强度也达到最大；10月暖性闭合低压系统向东北方向移动且强度也随之减弱并退出，高原夏季风结束。（2）DPMI和EASMI具有明显的年际变化特征，在关键年高原夏季风和东亚夏季风的强度表现一致。（3）中纬度受东亚季风所影响区域的位势高度场和青藏高原区域的位势高度场均处于同一正相关区域，而且超前两个月的DPMI同EASMI的相关系数最大，表明高原夏季风对东亚夏季风具有一定的指示意义。（4）东亚夏季风经圈环流受高原温度场变化的影响而移动，高原夏季风的低压系统与高原温度场关系密切。
青藏高原东北侧暴雨数值模式预报空间误差特征
[J].利用2019—2020年5—9月ECMWF（European Center for Medium-Range Weather Forecast）、GRAPES-GFS（中国气象局GRAPES全球数值预报业务系统,Global/Regional Assimilation and Prediction System-Global Forecast System）大尺度数值模式36 h预报时效的24 h降水量预报和加密降水观测资料,基于CRA空间检验技术识别、分离青藏高原东北侧暴雨目标（ECMWF模式18个,GRAPES-GFS模式11个）,定量分析了两种模式对暴雨预报的空间误差（落区、强度和形态误差）特征,总结大尺度数值模式在青藏高原东北侧暴雨预报中的适用性。结果表明：（1） 两种模式的降水预报形态误差占比均最大。ECMWF预报的强度误差占比最小,落区误差次之,而GRAPES-GFS的落区误差占比最小,强度误差次之。（2） 两种模式预报的暴雨落区位置均较实况偏西偏北。暴雨大值中心ECMWF偏西偏南,而GRAPES-GFS仅偏西。（3） 对暴雨雨区面积的预报两种模式均明显偏小,容易造成暴雨漏报,对最大降水量和平均雨强的预报GRAPES-GFS模式均偏弱超过40%,ECMWF预报的平均雨强偏弱11.49%,最大降水量偏强1.47%。（4） 两种模式对甘肃陇东南地区和陕西西南部的暴雨预报效果较好,而对陕北及宁夏等偏北地区的预报效果较差。
Verification of precipitation in weather systems: Determination of systematic errors
[J].
Does increasing horizontal resolution produce more skillful forecasts?
[J].
Assessment of Met Office Unified Model (UM) quantitative precipitation forecasts during the Indian summer monsoon: Contiguous Rain Area (CRA) approach
[J].
Spatial forecast verification methods intercomparison project: Application of the SAL technique
[J].
