精细化定量降水预报是气象服务和防灾减灾决策中关注的重点内容（金荣花等，2019；赵瑞霞等，2020）。利用实况信息对模式预报进行订正以进一步提高预报技巧是模式应用的关键（代刊等，2018；金荣花等，2019；曹萍萍等，2023；朱文刚等，2024）。目前降水客观订正算法有很多，总体可分为两类：一类是对定量降水预报值进行直接订正生成新的预报值，即确定性预报订正；第二类是针对定量降水预报的时间和空间不确定性，将确定性定量降水转换为概率预报，提供更为合理的降水预报概率值（Theis et al.，2005；马申佳等，2018；刘雪晴等，2020；罗聪等，2021；潘留杰等，2024）。在实际降水预报业务中，常需要将集合预报模式多成员或多个确定性预报模式的预报集成起来形成定量降水预报，而不是给出不确定性的概率预报（代刊等，2018），因此第一类确定性预报订正方法更受预报人员青睐。

目前支撑我国1~10 d确定性降水预报业务的客观预报方法主要有：多模式集成法（陈力强等，2005；智协飞等，2013）、逻辑回归法（张芳华等，2016）、频率匹配订正算法（李俊等，2014；Zhu and Luo，2015；智协飞和吕游，2019）、基于集合预报模式的最优百分位法（代刊等，2018），以及最优TS评分方法（吴启树等，2017）。需要指出的是，以上算法多用于3、12、24 h累计降水量预报，其在逐小时降水预报客观订正效果如何有待验证。伴随高分辨率区域模式及快速循环同化模式发展，业务中已有多种类的逐时降水预报产品及各省本地化运行的模式。逐时降水预报订正也随之开展，如：时间滞后集合预报方法（唐文苑和郑永光，2019；张武龙等，2021）、卷积神经网络法（陈锦鹏等，2021）、结合频率匹配和阈值消空的统计降尺度订正方法（田笑等，2022）、邻域最优概率方法（罗聪等，2021；万羽等，2025）、多模式预报优选融合技术（曹勇等，2022）等。

邻域最优概率方法是邻域概率法（Theis et al.，2005）和基于最优概率的降水量分级订正预报方法（牛若芸，2019）的结合。邻域概率法考虑邻近格点要素预报信息的相互补偿性，利用邻域格点的定量预报计算得到中心格点的概率预报；基于最优概率的降水量分级订正预报方法，则将概率预报转换为确定性预报。最优百分位法是基于集合预报模式多成员的统计量，最终给出降水确定性预报订正的方法，但其无法在单一确定性预报模式中应用。

本文着眼于气象要素格点的邻域，将邻域格点值视为中心格点的集合预报成员，不同于Theis等（2005）提出的邻域概率法生成目标格点的概率预报，通过计算邻域内集合预报成员的百分位，直接生成降水确定性预报结果，即结合邻域信息实现最优百分位法在单一确定性预报模式降水预报订正中的应用，将其命名为邻域最优百分位法（Optimal Neighborhood Percentile，ONP）。进一步基于中国气象局（China Meteorological Administration，CMA）中尺度天气数值预报系统（Mesoscale 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）模式在河南区域开展ONP方法应用试验，以期提高河南汛期逐时降水预报能力。

1）实况资料。河南省2023—2024年4—9月自动气象站逐时降水观测数据。

2）模式资料。2023—2024年4—9月每日08：00（北京时，下同）起报的CMA-MESO、CMA-SH9、CMA-BJ模式的逐时降水预报产品。CMA-MESO模式是中国气象局自主研发的GRAPES（Global/Regional Assimilation and Prediction System）中尺度天气数值预报系统，采用GRAPES-3DVAR（three-dimensional variational）同化系统（沈学顺等，2020），每日运行8次（02：00、05：00、08：00、11：00、14：00、17：00、20：00、23：00），预报范围覆盖中国及周边地区，水平分辨率为3 km×3 km，08：00和20：00起报时次对应预报时效72 h，其他起报时次对应预报时效36 h。CMA-SH9模式为华东区域气象中心基于WRF（Weather Research and Forecasting）模式和ADAS（ARPS Data Assimilation System）分析同化系统建立，每日运行2次（08：00和20：00），预报范围覆盖中国及周边地区，水平分辨率为9 km×9 km，预报时效72 h（王晓峰等，2017）。CMA-BJ模式为北京城市气象研究院基于WRF模式及其三维变分模块深入发展而建立。CMA-BJ v2.0系统预报区域为两重单向嵌套，全国区域为9 km×9 km、华北区域为3 km×3 km分辨率网格，逐时更新（张舒婷等，2023；郭淳薇等，2025）。河南省气象局能够实时获取CMA-BJ模式每日2次（08：00和20：00）起报、水平分辨率为9 km×9 km、预报时效为48 h的逐时预报产品。

王在文等（2016）指出模式分辨率改变对降水TS评分有影响。为消除这种影响，对标当前智能网格降水预报业务5 km格点分辨率要求，将模式预报产品数据双线性插值到0.05°×0.05°后再进行订正。考虑到模式资料存在固定传输延迟问题，结合智能网格预报业务要求：24 h预报时效内时间分辨率达到1 h，基于模式13~36 h预报时效开展订正研究。采用2023年4—9月模式资料进行训练建模，对2024年4—9月降水预报进行订正与检验。

算法建模和应用均需对降水预报结果进行评估。将格点预报产品按邻近点方法取值到观测站点后进行对比检验。检验和降水订正时，将逐时降水分为5个等级：0.1、2、5、10、20 mm。涉及评分指标包括晴雨准确率（Probability of Correction，PC）、TS（Threat Score）评分、降水偏差（BIAS）或降水偏差幅度（B）、空报率（False Alarm Ratio，FAR）、命中率（Probability of Detection，POD），以及对应晴雨预报技巧（Skill of PC，SPC）、降水预报TS技巧（Skill of TS，STS）和BIAS技巧（Skill of BIAS，SBI），具体计算参考第三届全国智能预报技术方法交流大赛检验方案^①(^①中国气象局预报与网络司，2023. 第三届全国智能预报技术方法交流大赛检验方案，气预函〔2023〕22号。)，公式如下：

式中：NA为降水预报正确站（次）数，NB为空报站（次）数，NC为漏报站（次）数，ND为无降水预报正确站（次）数。下标p代表邻域集合百分位，m代表模式本身，PC_P、TS_P、B_P分别为邻域集合百分位对应的PC、TS评分、B，PC_m、TS_m、B_m为模式本身对应的PC、TS评分、B。SPC、STS和SBI大于0分别表示晴雨准确率、TS评分和降水偏差相比于模式本身有正订正技巧，即PC提高，TS评分提高，BIAS更接近于1；反之则相反。

ONP方法具体订正流程（图1）如下：

1）计算邻域集合百分位值：邻域集合百分位值由邻域窗大小和百分位共同决定。选择不同大小的邻域窗，设定好集合百分位值，计算得到不同邻域窗长度下的邻域集合百分位值。邻域窗通常可以选择圆形或者正方形，考虑到邻域窗形状的选择对结果几乎没有影响（Ebert，2009），方形邻域窗与模式格点相匹配且计算相对简便，因此采用方形邻域窗。间隔10 km，取邻域窗长度10~150 km共计15个邻域窗；计算邻域集合百分位，百分位间隔5，取5~200共计40个分位值。

2）设定不同的降水阈值T_k。T_k为第k量级降水阈值（k为1，2，...，5）。T₁、T₂、T₃、T₄、T₅分别设为0.1、2、5、10、20 mm。

3）确认检验指标，在训练建模时段分析不同降水阈值邻域集合百分位对应检验指标或衍生变量的统计变化规律，提前预判是否存在邻域集合百分位能够改进该降水检验指标。若不存在，建议不采用ONP方法进行降水预报订正；若存在，则进行下一步。文中选取的检验指标为PC、TS评分和BIAS。对2023年4—9月08：00起报13~36 h预报时效进行训练建模，在河南省区域，对不同降水阈值计算不同邻域集合百分位值对应的PC和不同量级以上降水的TS评分、BIAS，以及对应晴雨预报技巧（SPC）、TS技巧（STS）和BIAS技巧（SBI），分析其统计规律。

4）对不同降水阈值，寻找邻域最优百分位值P_k（P_k为第k量级降水阈值对应的邻域最优百分位）：基于统计规律，分析确定最优百分位选取规则，最终确定P_k，对应某一格点i，对应最优百分位预报值记为F_i（P_k）。

5）对不同降水阈值进行预报订正，计算同传统最优百分位法：按照T_k从大到小的顺序对不同等级降水进行订正：当F_i（P_k）≥T_k时，订正值为F_i（P_k），否则对下一个T_k进行判断；若所有判断都不满足，则订正值为原始模式预报结果。

邻域集合百分位能否对模式预报有所改进，需对邻域集合百分位对应降水检验指标或衍生变量进行评估。图2为训练期（2023年4—9月08：00起报的13~36 h预报时效）内CMA-MESO模式邻域集合百分位值对应的0.1 mm以上降水TS评分、降水偏差（BIAS）和晴雨准确率（PC）随百分位值和邻域窗长度的变化。可以看出，当邻域窗长度大于20 km时，存在邻域百分位临界阈值P₁（=45%）和P₂（=100%），当P₁<P<P₂时，随邻域窗长度增大，TS评分值增大，反之相反；当邻域窗长度固定时，随邻域百分位数值增大，TS评分先增后减。由此，在百分位-邻域窗分布图[图2（a）]中，TS评分高值区域呈开口朝下的“草帽状”分布，且TS评分极大值位于“帽顶”中心区域。同样地，不同降水阈值（2、5、10、20 mm）以上降水TS评分也表现出相同的分布特征（图略），仅临界阈值、邻域窗范围存在差异。

图2中数字带上标字母“T”表示STS>0的邻域集合百分位值（P_STS>0），可见存在P_STS>0可提高模式的TS评分，且不同邻域窗长度下对应STS>0的分位值个数（N_STS>0）均在10以上。N_STS>0在一定程度上可以表征邻域集合百分位的订正能力：N_STS>0大于0，表示邻域集合百分位对降水TS评分有正订正能力；个数越多，表明订正表现越稳定。图3黑线为不同降水阈值（0.1、2、5、10、20 mm）以上降水N_STS>0随邻域窗长度的变化，可以看出对于不同降水阈值以上降水，在每个邻域窗长度设置下，N_STS>0均大于0；对于0.1、2、5、10 mm以上降水，N_STS>0为5~25。这表明存在能够稳定提升降水TS评分的邻域集合百分位值。此外，当邻域窗长度超过50 km时，N_STS>0随邻域窗长度增大而缓慢减小。

分析P_STS>0对应的降水偏差BIAS[图2（b）]。大多数情况下，P_STS>0是通过增大降水偏差，即增加降水预报面积来提高TS评分[如所有邻域窗长度设置下，60%~95%分位值对应降水偏差大于模式本身降水偏差（0.81）]；P_STS>0也对应有降水偏差减小的情况[如邻域窗长度超过50 km，50%、55%分位值对应降水偏差小于模式本身降水偏差]，这表明邻域集合百分位有调整降水落区位置的能力，使得BIAS减小，但预报降水和实况降水重合度提高，对应TS评分提高。对于0.1 mm以上降水，在固定邻域窗下（≥20 km），存在邻域百分位临界阈值P₁（=60%），当P≤P₁时，BIAS随邻域窗长度增大而减小，反之相反；当邻域窗长度固定时，BIAS随邻域百分位数值增大而增大。其他降水阈值（2、5、10、20 mm）的BIAS也展示出相同的分布特征（图略），仅临界阈值、邻域窗范围有差异。

图2中数字带上标字母“B”表示SBI>0的邻域集合百分位值（P_SBI>0），可见存在百分位值可使降水偏差较模式本身更接近于1，但不同邻域窗长度对应SBI>0的分位值个数（N_SBI>0）存在差异，如邻域窗长度为20 km时，N_SBI>0为9；邻域窗长度为120~150 km时，N_SBI>0仅为4。图3红线为不同降水阈值（0.1、2、5、10、20 mm）以上降水N_SBI>0随邻域窗长度的变化，可见对于不同降水阈值，不保证在每个邻域窗长度下均存在P_SBI>0。例如，对于5 mm以上降水，除10、60和110 km邻域窗外，其他邻域窗均不存在P_SBI>0。此外，相较于N_STS>0，N_SBI>0明显偏小，如在邻域窗长度大于50 km时，对于2、5、10和20 mm以上降水，N_SBI>0均小于等于1。这表明相比于TS评分，邻域集合百分位对降水偏差的订正能力有限。

那么在哪种情况下，邻域集合百分位对降水偏差有正订正能力?图3中也标注出了模式本身预报的降水偏差BIAS和降水偏差幅度B：对于0.1和20 mm以上降水，在不同邻域窗长度下N_SBI>0均大于等于1，对应模式B分别为0.19、0.31，较2、5和10 mm以上降水的偏差幅度B（分别为0.05、0.01、0.09）要大。由此推测，在模式预报降水的偏差幅度B较大时，邻域集合最优百分位对降水偏差存在一定的正订正能力。

从图2（c）可以看出，邻域窗长度大于20 km时：当邻域集合百分位P≤25%时，随邻域窗长度增大，晴雨准确率PC值先增后减；当25%<P<80%时，随邻域窗长度增大，PC值增大；当P≥80%时，随邻域窗长度增大，PC值减小。当邻域窗长度大于40 km时，随分位值增大，PC值先增后减。图2中数字有上标字母“P”表示SPC>0的邻域集合百分位值（P_SPC>0），可见在每个邻域窗长度下，P_SPC>0的个数（N_SPC>0）均在10以上，表明存在能够稳定提高晴雨准确率的邻域集合百分位值。

对比分析P_SPC>0、P_STS>0和P_SBI>0随百分位值和邻域窗长度的分布，可以发现：对于0.1 mm以上降水，存在邻域集合百分位值可同时使得STS>0、SBI>0、SPC>0，但造成TS评分、PC和BIAS改进最显著的邻域集合百分位值可能不一致。在STS>0、SBI>0、SPC>0前提下，邻域窗长度为150 km、分位值为70%时，TS评分提高最明显；邻域窗长度为150 km、分位值为60%时，PC提高最明显；邻域窗长度为130和140 km、分位值为70%时，BIAS等于1。同样地，分析其他降水阈值以上降水P_STS>0和P_SBI>0随分位值和邻域窗长度的分布，也会发现：多数情况下会存在同时使得STS>0、SBI>0的邻域集合百分位值，但造成TS评分和BIAS改进最显著的邻域集合百分位值不一定一致。由此，在进行降水预报订正时需提前确定更侧重哪个评分指标的改进。

综上，存在邻域集合百分位可以稳定改进降水TS评分和晴雨准确率，但其对降水偏差的订正能力相对有限，当模式降水预报的偏差幅度B较大时，邻域集合最优百分位对降水偏差存在一定的正订正能力。考虑到降水有无是业务关注的重点，对于0.1 mm以上降水，在尽可能改进降水TS评分和降水偏差的前提下，订正侧重于PC的提高；考虑到邻域集合百分位对降水偏差的有限改进表现，对于2、5、10、20 mm以上降水，在尽可能控制降水偏差的前提下，订正更多考虑降水TS评分的提高。随着邻域窗的增大，N_SBI>0数值逐渐减小，且变化减缓（图3）。对于某个固定邻域窗，N_SBI>0≤1表明邻域集合百分位对降水偏差改进有限。若每个邻域窗设置均对应N_SBI>0≥2，即表明存在邻域集合百分位可稳定改进降水偏差。由此，在订正指标设置时，根据N_SBI>0是否大于等于2×m（m为设置的邻域窗个数，且邻域窗长度≥50 km），分两种情况进行邻域最优百分位值的确定，可确保降水偏差订正的稳定性。邻域最优百分位值P_k的选取标准见表1。当N_SBI>0≥2×m（m取值11）时，认为邻域集合百分值对降水偏差也有较稳定的订正能力，进而在P_{STS>0，SBI>0，SPC>0}选取SPC最大值（0.1 mm降水），在P_{STS>0，SBI>0}中选取STS最大值对应的邻域集合百分位值（2 mm以上降水）作为最优百分位；当N_SBI>0<2×m时，认为邻域集合百分值对降水偏差的订正能力有限或一般，订正时更多考虑其他检验指标的提升，对降水偏差仅进行适当控制，在P_{STS>0， SPC>0}中选择SPC最大值对应的邻域集合百分位值（0.1 mm降水）或者在STS值排名前5的P_STS>0中选择SBI最大值对应的邻域集合百分位值（2 mm以上降水）作为最优百分位。

在河南区域，采用ONP方法对2024年4—9月08：00起报的CMA-MESO模式13~36 h预报时效逐时降水预报进行订正。同时，为了解ONP方法的订正能力，将其与业务常用的最优TS评分方法（Optimal Threat Score，OTS）（吴启树等，2017）和频率匹配订正算法（Frequency-Matching Method，FMM）（李俊等，2014）进行对比。基于相同训练期和降水分级阈值设置，采用OTS和FMM方法对同时段逐时降水预报进行订正。图4为CMA-MESO模式及3种方法订正后的降水TS评分、降水偏差和晴雨准确率。可以看出：FMM仅提高了20 mm以上降水的TS评分；OTS提高了2、5、10、20 mm以上降水的TS评分；ONP可提高所有降水量阈值以上降水的TS评分，且ONP的TS评分提高程度明显高于OTS和FMM[图4（a）]。

降水偏差是降水预报面积与实况降水面积之比，最佳状况为1。BIAS>1（<1）表示预报降水面积大于（小于）实况，存在湿（干）偏差或者降水过报（少报）现象。图4（b）显示，对于0.1 mm以上降水，模式存在略微的湿偏差（BIAS=1.12），ONP和OTS方法订正后均减小了湿偏差，使得BIAS更接近于1，且前者湿偏差小于后者。吴启树等（2017）指出由于降水预报落区与实况总存在一定程度的差异，BIAS=1并不一定代表预报效果最优，即TS评分并不一定有所改进。罗聪等（2021）也指出TS和BIAS通常不能同时达到最优，BIAS=1未必是最优选择。对于2、5、10、20 mm以上降水，FMM方法订正后BIAS较ONP和OTS订正更接近于1，但其在TS评分方面表现一般。OTS方法通过增大降水湿偏差来增加TS评分，苏翔等（2021）利用理想模型对比评估FMM、OTS、最优百分位、概率匹配4种定量降水预报客观订正法的综合性能时指出，TS评分提高往往伴随着一定的降水湿偏差，且原始预报较实况的位移偏差越大，订正后降水的湿偏差越大。图4（b）也表现出了上述现象，即OTS和ONP方法在提高TS评分的同时，均增大了降水湿偏差。对于2、5 mm以上降水，OTS和ONP方法降水偏差程度相当；对于10、20 mm以上降水，虽然ONP方法的TS评分改进程度高于OTS，但对应ONP降水偏差大于OTS，即降水过报现象更严重。对于20 mm以上降水，N_SBI>0<2×m时，对应ONP订正时，更多考虑TS评分的提高。在后续工作中，需通过调整邻域最优百分位选取指标对降水偏差加以抑制。从图4（c）可见，相较于OTS和FMM方法，ONP方法订正可明显提高降水晴雨准确率。

进一步计算ONP、OTS、FMM方法订正后的降水相比于模式本身的晴雨预报技巧（SPC）和降水预报TS技巧（STS）（表2）。可见，对于2、5、10 mm以上降水，ONP方法的STS分别为2.7%、1.2%、1.2%，约为OTS方法的4.50、2.40、1.70倍；对于20 mm以上降水，ONP方法STS为0.9%，为OTS、FMM方法的1.80、2.25倍。另外，ONP方法的SPC为10.8%，明显高于OTS方法（0.4%）。

综上，ONP订正方法在晴雨准确率和不同降水量级TS评分提高方面表现明显优于OTS和FMM方法。与OTS一样，ONP增大了降水湿偏差，中小量级以上降水湿偏差增大程度低于OTS（0.1、2 mm以上降水）或者与OTS相当（5 mm以上降水）；大量级以上降水（10、20 mm以上降水）湿偏差增大（或者说降水过报）现象较OTS严重。

为进一步评估ONP方法的订正效果，在河南区域，基于相同训练期、降水分级阈值设置、指标选取方案，采用ONP方法对CMA-SH9和CMA-BJ模式同时段降水预报进行订正。

图5为CMA-MESO、CMA-SH9和CMA-BJ模式ONP方法订正前后的降水TS评分、降水偏差、晴雨准确率、空报率和命中率，表3列出ONP方法订正后3种区域模式预报降水相比模式本身的SPC和STS。可以看出，ONP订正均明显提高了3种区域模式0.1、2、5、10、20 mm以上降水的TS评分和PC。ONP方法订正后，CMA-SH9和CMA-BJ模式SPC分别高达21.1%、26.3%，高于CMA-MESO模式（10.8%）。对于0.1 mm以上降水，ONP方法通过减小降水湿偏差和减小空报率，进而提高PC。CMA-MESO模式本身0.1 mm以上降水偏差较CMA-BJ和CMA-SH9模式更接近于1，且空报率明显低于其他2种模式，对应模式本身PC明显高于其他2种模式。CMA-MESO模式SPC较其他2种模式偏低的原因可能在于CMA-MESO模式本身降水预报面积和位置更接近实况，订正提高PC的难度要高于其他2种模式。对于3种区域模式，ONP订正后0.1、2、5、20 mm以上降水STS分别在4.0%、2.5%、1.2%、0.3%以上；10 mm以上降水，CMA-BJ模式STS为1.4%，CMA-SH9模式STS偏低，为0.1%。

对于0.1 mm以上降水，ONP订正降低了湿偏差，使得BIAS更接近于1。对于2 mm以上降水，多数情况下，ONP方法TS评分的提高对应着降水偏差的增大，尤其对于20 mm以上降水，存在明显的降水过报。但需要说明的是，ONP方法TS评分的提高并不总是伴随着降水过报。ONP方法减小了CMA-SH9模式5、10 mm以上降水的湿偏差，表明ONP方法对降水预报落区有一定的订正能力。

对于0.1 mm以上降水，ONP方法明显减小了3种区域模式降水的空报率，但增加了漏报率；对于2 mm及以上降水，虽然ONP方法存在降水过报现象，但其在未引起降水空报率明显变化的前提下，显著提升了降水命中率。

综上，ONP方法通过减小空报来提升PC和0.1 mm以上降水TS评分，通过增加降水命中率来提升2 mm以上降水TS评分。该方法有效提高了3种区域模式的PC和所有量级降水的TS评分，表明其具有普适性。

2024年7月14—18日，500 hPa有低槽东移，河南省处在带状的副热带高压588 dagpm线边缘；850 hPa，河南省处在西南急流的出口区附近以及切变线附近，同时西南低空急流持续输送暖湿空气，使得该区域出现了入汛以来范围最广、强度最强、持续时间最长的降水过程，连续4 d河南均出现大范围大暴雨天气，且短时强降水频次高，全省共出现1 380站次短时强降水，其中邓州、社旗和柘城站均突破建站以来日降水量历史极值，最大小时降水量（16日02：00）出现在南阳市社旗县大冯营（148.3 mm）。

图6为7月14—17日08：00起报的13~36 h预报时效内CMA-MESO模式和ONP方法订正后的降水预报TS评分、BIAS和PC。可见，在此次降水过程中，虽然ONP方法订正均增大了降水湿偏差，但其稳定提高了不同量级以上降水的TS评分和晴雨准确率，20 mm以上降水TS评分从0.012提升至0.027。

图7为降水最强烈时刻（16日02：00）的降水实况及15日08：00起报18 h预报时效CMA-MESO模式预报和ONP订正后的小时降水，进一步计算了该时刻的降水TS评分、降水偏差、空报率和命中率（图略）。

以10 mm以上降水为例，强降水区主要位于南阳东北部，驻马店西北部，周口西南部、东南部和北部，商丘西部，以及洛阳南部[图7（a）]。模式漏报了驻马店西北部，周口西南部和北部、商丘西部以及洛阳南部降水[图7（b）]。对于南阳区域降水，预报较实况偏西偏南；周口东南部降水，预报较实况偏南[图7（b）]；模式降水偏差为0.90，空报率为0.968，命中率为0.036，TS评分为0.017。ONP方法订正对降水预报落区进行了适当调整：扩大了周口东部降水预报面积，虽然造成更大范围的空报，但其使得周口区域降水北扩，提高了命中率；缩小了南阳降水落区并向东向北调整，减小了该区域10 mm以上降水的空报；消除了许昌东北部的空报[图7（c）]；最终虽然降水偏差为4，但整体降水空报率减小至0.944，命中率提升至0.127，TS评分提升至0.040。也就是说，ONP方法可以消除模式局部降水的空报，通过增大降水面积，提高降水命中率，最终提高TS评分。苏翔等（2021）利用理想模型对最优百分位法的性能分析指出，最优百分位法通过引入集合预报信息可在一定程度上改变降水的量级和落区，可显著提升所有降水等级的TS评分。ONP方法实质为传统最优百分位法在确定性预报模式中的优化应用。需要指出的是，由于ONP方法仅集成了邻域窗内的降水信息，对于模式本身出现的局部漏报，如驻马店西北部、周口西南部和北部、商丘西部，以及洛阳南部的降水，无法做出有效改进，后续可结合模式强对流潜势预报等信息对算法进行优化改进。

对于20 mm以上降水，模式本身降水预报TS评分为0；虽然ONP方法将南阳区域强降水落区进行了缩小并向东向北调整，减少了降水空报，降水位置更接近实况，但由于降水落区较实况仍有偏差，使得降水TS评分仍为0。此外，模式未预报出50 mm以上降水，ONP方法订正后也未预报出该量级以上降水。由于ONP方法集合了邻域窗内降水信息，对降水量级进行了平滑处理，存在降水极值预报偏小的问题。

此外，以2 mm以上降水为例，ONP方法通过调整降水落区，提升降水的命中（周口南部、漯河），同时对模式局部降水的空报消空（如平顶山），最终使2 mm以上降水空报率由原来的0.756减小至0.669，命中率由原来的0.218提升至0.526，降水TS评分由原来0.130提升至0.255。

对另一降水时刻（7月17日05：00）进行分析，20 mm以上降水主要发生在商丘南部、开封南部、新乡南部和平顶山南部[图8（a）]。模式漏报了新乡南部、开封南部降水，商丘区域降水预报落区偏北；模式虽然在平顶山南部预报出了局部降水，但较实况偏南；此外，济源、焦作等区域均出现了局部降水空报[图8（b）]。模式20 mm以上降水预报偏差为0.35，命中率为0，TS评分为0。ONP方法调整了降水落区：对济源、焦作局部强降水进行消空，减小了降水空报；对商丘区域降水，通过扩大降水预报面积，使降水落区向南调整[图8（c）]，最终虽然降水湿偏差为1.2，但将降水命中率提升至0.600，TS评分提升至0.375。以2 mm以上降水为例，ONP方法可对模式预报局部降水进行消空（南阳东部、济源）；通过扩大降水预报面积，提升降水命中（商丘、开封南部、漯河），最终使降水命中率由0.308提升至0.741，TS评分由0.150提升至0.279。

本文结合集合预报和邻域，定义邻域集合百分位，即将目标格点邻域内的所有格点视为降水的“集合成员”计算得到集合百分位，实现传统最优百分位法在单一确定性预报模式逐时降水预报分级订正中的应用，有如下具体结论。

1）基于CMA-MESO模式逐时降水预报统计评估了邻域集合百分位对晴雨准确率、降水TS评分、降水偏差的订正表现。在每个邻域窗长度下，始终存在分位值可提高模式PC和所有量级降水的TS评分，但不一定存在分位值使降水偏差更接近于1；在模式预报降水偏差幅度较大时，邻域集合最优百分位对降水偏差存在一定的正订正能力。

2）确定邻域最优百分位选取指标，在2024年4—9月开展ONP方法应用评估。基于CMA-MESO模式的订正结果显示，虽然ONP方法存在比OTS严重的大量级降水过报现象，但其在晴雨准确率和不同降水量级TS评分提高方面表现明显优于OTS和FMM方法。对于2、5、10 mm以上降水，ONP方法降水TS技巧分别为OTS方法的4.50、2.40、1.70倍。对于20 mm以上降水，ONP方法降水TS技巧分别为OTS和FMM方法的1.80、2.25倍。ONP方法晴雨预报技巧达10%以上，远高于OTS方法（0.4%）。ONP方法在CMA-SH9和CMA-BJ模式逐时降水中的订正应用，也表明ONP方法在提高晴雨准确率和所有降水量级TS评分方面有明显优势。

3）个例分析结果表明，ONP方法可对模式预报局部强降水进行消空，通过增大降水预报面积，最终提升降水命中率和降水TS评分。基于3种区域模式的订正结果还表明，ONP方法主要通过减小降水空报来提升晴雨准确率和0.1 mm以上降水TS评分，通过增加降水命中率来提升2 mm以上降水TS评分。

目前，ONP方法订正试验采用的训练期相对固定，且为了增加样本数，将研究区域作为整体进行训练建模，且仅考虑了空间邻域。后续可增加时间邻域因子，采用滑动训练期等对方法进行优化。尽管该方法在提高降水TS评分和晴雨准确率方面有明显优势，但其对大量级降水尤其是20 mm以上降水存在过报现象，后续需通过调整邻域最优百分位选取指标对降水偏差加以抑制。