2016—2020年廣東省定量降水預報檢驗評估

汪瑛，胡勝，涂靜，曾沁，張紅艷，黃曉瑩，龔月婷，張華龍

（1．廣東省氣象臺，廣東 廣州510641；2.中國氣象局廣州熱帶海洋氣象研究所，廣東 廣州510641；3.國家氣象信息中心，北京100081）

1 引 言

定量降水預報（Quantitative Precipitation Forecast，QPF）由于影響其時間和空間分布的變量太多，被認為是天氣預報領域最困難的挑戰之一，其預報技巧提升也相對緩慢。因此，2015年之前的幾十年內我國降水業務預報以文字預報為主。近年來隨著數值模式空間分辨率的提升、數據同化能力改善、數值計算方法和次網格物理過程參數化的完善，模式對于降水的預報技巧不斷提高，如Forbes等[1]對ECMWF全球模式在2000—2015年的降水性能進行評估表明：模式降水的預報可用時效相當于提高了1天左右。2006年中國氣象局自主研發了全球/區域業務模式GRAPES，基于此框架，廣東省氣象局結合區域特點建立了更高分辨率的華南區域數值天氣預報業務模式（GZ_GRAPES）。模式時空分辨率和預報能力提升，為高分辨率QPF業務提供了核心支撐，很多國家都建立了人機交互的格點天氣預報業務，如美國2003年率先建立數字化天氣預報業務，2008年澳大利亞和韓國開始了格點預報業務[2]。廣東省氣象局2014年起在國內率先建立了人機交互的網格天氣預報業務，要素預報空間分辨率為5 km，時間分辨率為3天內逐小時，4～7天逐6小時。

網格預報產品檢驗評估是監控預報性能、理解模式誤差以及改進預報的基礎[3]，WWRP/WGNE的檢驗工作組[4]形成了一套用于QPF的檢驗標準，為不同空間區域、不同強度的模式定量降水預報提供了對比的可能。Ian等[5]在2012年第二版預報檢驗書中，詳細介紹模式定量降水預報技術檢驗方法。基于這些檢驗方法，國內外對模式定量降水預報開展的檢驗較多，如：Atger[6]比較了確定性模式和集合預報系統的降水檢驗；鐘有亮等[7]對GRAPES區域集合預報系統的登陸臺風降水進行了AROC檢驗，評定模式在不同降水量級的預報能力。Novak等[8]對美國國家環境預報中心（National Centers for Environmental Precipitation,NCEP）下屬的天氣預報中心（Weather Prediction Center,WPC）過去60年的預報員、模式預報、數值預報解釋應用的定量降水預報進行了TS檢驗，發現QPF預報技巧總體提升，預報員對模式仍有正訂正能力。王雨等[9]對2004年汛期的主客觀預報進行了TS評分，對比多個業務模式和預報員的表現，評估不同模式在暴雨過程中的表現。畢寶貴等[3]、金榮花等[10]認為檢驗是精細化網格定量預報中的重要環節，國家氣象中心也建立國家級業務化的檢驗系統對預報開展實時檢驗[11]。由于檢驗數據完整性不夠、檢驗方法統一性等方面原因，國內開展長時間、全面的QPF檢驗評估較少，對預報質量的對比分析不夠完整，對分類致災性暴雨在時間和空間方面的預報能力的分析還比較欠缺。

隨著模式時空分辨率提高和預報能力的提升，預報員對模式訂正的附加值在下降[3]，傳統預報的落區和過程預報思維與現在格點、定量、逐時預報的技術要求已經無法匹配。為了支撐定時、定點和定量的要求，基于模式的解釋應用技術快速發展，國家氣象中心開展了多種基于模式的定量降水預報的解釋應用技術[12-13]，其中基于集合預報的降水解釋應用技術產品TS評分略超過預報員。吳啟樹等[14]設計的基于評分最優化的模式降水預報訂正算法在2015年全國暴雨TS評分平均達到0.194。美國天氣局將業務中可獲取到的不同集合預報、確定性預報進行超級集合，兩年檢驗表明預報能力與預報員相當或略優[8]。廣東省氣象局對模式的解釋應用技術進行了單模式釋用、多模式集成、集合預報釋用，但解釋應用技術對QPF業務的支撐缺乏系統檢驗和評價。

本文對2016—2020年全球模式ECMWF、區域模式GZ_GRAPES、基于ECMWF集合預報的解釋應用、預報員制作的業務QPF開展檢驗分析，評估現代化格點預報業務中定量降水預報的價值和進展，分析目前網格化定量降水預報精細預報能力，研究主客觀預報對臺風暴雨、季風暴雨、鋒面暴雨的預報誤差原因，并對數值預報解釋應用的能力進行檢驗評估。通過主客觀預報檢驗，分析預報員基于現有定量降水預報指導場的訂正作用，討論在現代天氣預報業務流程中，預報員的作用和未來發展方向。

2 資料和檢驗方法

2.1 資料說明

參與檢驗的預報產品包括廣東省氣象局（GRMC）業務化的智能網格定量降水預報、全球模式ECWMF和區域模式GZ_GRAPES、基于確定性模式和ECWMF集合預報模式的解釋應用，檢驗的預報時效為1～3天（DAY1,DAY2,DAY3），表1列出了檢驗對象及其時空分辨率。本文評定每日20時起報的預報，業務預報時間節點為當日15時前后，預報員獲取的模式參考場大部分是前一日20時起報的24～48 h預報。因此，本文DAY1的預報員主觀預報為20時起報的24 h預報，模式客觀預報為前一天20時起報的24～48 h預報。DAY2和DAY3依此類推。定量降水預報產品時間為2016—2020年，數值模式解釋應用產品檢驗時間為2019和2020年。參與檢驗的實況資料為2016—2020年廣東省內2 500～3 000個自動站，利用格點預報和最近自動站的單點匹配方式開展檢驗。

表1 參與檢驗的預報產品說明表

2.2 檢驗方法

本文評定晴雨準確率（PC）、暴雨TS[5]，這些方法由于開展時間較長、應用廣泛，有利于評估預報能力的時間變化、不同預報場之間的對比。

其中Ai代表預報正確站（次）數，Bi為空報站（次）數、Ci為漏報站（次）數，Di為無降水預報正確的站（次）數。

3 全球模式和區域模式的QPF檢驗評估

通過2016—2020年全球模式ECMWF和區域模式GZ_GRAPRES兩個業務參考模式的DAY1—DAY3的晴雨預報準確率和QPF的分級TS檢驗，分析預報能力進展、區域模式和全球模式的應用價值。從圖1的晴雨檢驗來看，兩個模式的晴雨預報評分都在穩定提升，2016—2020年GZ_GRAPES均優于ECMWF，2016年區域模式GZ_GRAPES準確率為69%，2020年提升到77.4%。DAY2和DAY3的晴雨預報準確率逐年變化與DAY1一致，均為穩定提升，GZ_GRAPES技巧優于ECMWF。隨著預報時效的延長，準確率略有下降，2020年GZ_GRAPES的DAY3晴雨準確率為73.4%，已經達到2019年DAY1（73.8%）的水平，模式在晴雨預報技巧上提升較快。

對分級累積降水進行檢驗，考察模式在不同降水量級的預報能力。過去五年，小雨（0.1～9.9 mm/d）、中雨以上(≥10 mm/d)的TS整體表現出上升的趨勢，大雨以上(≥25 mm/d)、暴雨以上(≥50 mm/d)、大暴雨以上（≥100 mm/d）TS在年度間有高低變化。以暴雨（≥50 mm/d）為例（圖1，見下頁），年和年之間的TS雖有波動但都較低，ECMWF的值 在0.085～0.147之 間，GZ_GRAPES的 值 在0.098～0.144之間，總體來說兩者對DAY1—DAY3的24 h累積降水預報能力相當。以上檢驗表明，過去5年模式對強降水的預報能力沒有反映出整體提升，但Ebert等[1]指出，在短時間內（4～5年）模式的升級并不能促使模式QPF能力的快速提高，模式的暴雨預報技巧提升是一個長期的過程，需要更長時間的檢驗評估才能追蹤模式對QPF預報能力的進展。

圖1 2016—2020年晴雨預報準確率和暴雨TS（20時起報）

對比兩個模式的12小時、3小時的QPF檢驗，評估更高分辨率模式對中小尺度降水的預報能力。檢驗發現，GZ_GRAPES和ECMWF在降水量＜25 mm/(12 h)的QPF預報上，技巧相當，但是降水量≥25 mm/(12 h)以上的QPF，GZ_GRAPES明顯高于ECMWF（表2，見下頁），降水越強，優勢越明顯。3 h的QPF檢驗也反映出降水越強，區域模式更優的特點，說明模式分辨率更高模式更易預報出中小尺度降水的信息，但是降水量達到50 mm/(3 h)或以上的TS得分已非常低，區域模式對QPF的精細時空預報能力還較低。

表2 模式12小時QPF和3小時QPF的分級TS

4 預報員的QPF檢驗和評估

4.1 定量降水預報技術簡介

目前廣東省氣象局業務化的定量降水預報技術流程包括5個環節（圖2）。第一步是全球模式、區域模式等業務模式提供的客觀QPF，這是定量降水預報最核心和最重要的數據支撐。第二步是基于實時檢驗數值模式QPF場，利用統計方法對業務模式進行后處理和訂正，消除模式的系統性誤差，得出準確率更高的客觀QPF。第三步是基于預報員的天氣學概念模型、預報經驗、檢驗結果，對客觀QPF進行主觀訂正。第四步是通過智能工具箱，實現高時空分辨率的降尺度、地形訂正等精細訂正功能，得到業務應用的主客觀融合QPF。第五步開展全流程預報檢驗評估，既得到客觀檢驗結果，也實現了對客觀方法和預報員主觀訂正的信息反饋。

圖2 廣東省網格定量降水預報業務流程

廣東氣象局開展的降水釋用技術主要包括多模式集成、基于EC集合預報定量降水釋用技術。多模式集成釋用算法集成了EC細網格確定性模式、GZ_GRAPES區域模式、國家氣象中心GRAPES-MESO、NCEP確定性模式，通過實時檢驗優選形成降水格點預報融合場。集合預報降水釋用方法是基于ECMWF集合預報模式系統，實現了一系列集合預報技術的串聯，包括頻率匹配法、最優百分位融合法、晴雨降水消空技術、一致性消空技術和分類型降水落區訂正技術。與單一集合釋用產品相比，經過融合串聯的釋用方法能較充分利用集合預報的各種不確定和極端信息，并對不同天氣類型采取不同的融合方案，以提高QPF精準度和適用性。

本章節通過晴雨、暴雨、分類暴雨的檢驗，評估目前QPF的預報水平。

4.2 晴雨預報準確率

由2016—2020年預報員（GRMC）的晴雨預報準確率評分（圖1）變化可見，過去5年間預報員晴雨準確率隨模式逐年提升而提升，都優于模式預報。DAY2和DAY3的準確率數值比DAY1稍低，例如2020年DAY1的晴雨預報準確率達到83.2%，DAY3也達到了79.6%，三天內晴雨預報準確率技巧都較高；DAY2和DAY3的晴雨準確率也呈現出逐年上升的趨勢。對ECMWF、GZ_GRAPES以及預報員的晴雨命中、空報、漏報數量進行分析，發現晴雨準確率得分較高的主要技巧是減少空報數量，比如2020年，ECMWF和GZ_GRAPES的命中次數分別是324 386和257 571站次，但是ECMWF的晴雨準確率低于GZ_GRAPES，ECMWF的晴雨準確率是70.2%、GZ_GRAPES的準確率是77.4%，GZ_GRAPES的空報數量少，僅為112 053站次，ECMWF的空報數量高達276 115站次。預報員基于模式空報較多的檢驗結果，進行消空訂正，空報數量減少到72 310站次，2020年預報員的晴雨準確率達到83.2%。

4.3 暴雨精細時空預報能力

4.3.1 暴雨的三天預報能力評估

對未來三天暴雨和大暴雨的TS進行分析（圖3），考察業務暴雨能力隨時間的進展、在未來三天內的預報能力。2016—2020年，DAY1的暴雨和大暴雨TS在年度間波動較大，沒有表現出一致上升的趨勢，與模式的分析結果一致；DAY2和DAY3的暴雨和大暴雨TS在年度間也有高低變化，但波動較小，DAY3的TS總體來說穩中有升，與DAY2的水平越來越接近，但距離DAY1的差距依然較大，說明預報員對暴雨預報技巧的提升主要反映在預報提前量增加上，這是模式對形勢場預報能力的提升和預報員對QPF訂正的雙重結果；目前大暴雨的DAY1水平還達不到暴雨DAY3的水平，降水越強，預報難度越大、預報提前量越少，大暴雨預報能力依然較低。

圖3 2016—2020年主觀預報未來3天暴雨（實線）和大暴雨TS（虛線）

4.3.2暴雨精細時空預報能力檢驗和評估

圖4給出了2015—2019年基于廣東86個國家站和基于廣東2 500個左右稠密自動站的QPF_d(日定量降水)的檢驗結果（DAY1），QPF在基于廣東86個國家站和稠密自動站的檢驗差距越來越小，例如，格點預報剛剛業務化的前3年（2015—2017年），國家站暴雨TS評分高于區域自動站，隨著高分辨率模式的提升和應用，2018—2019年基于區域自動站的暴雨TS評分與基于國家站的TS評分縮小差距并略有反超，說明在日降水的精細空間預報能力提升。

圖4 2015—2019年國家站和區域站暴雨TS評分

通過對2015—2020年期間未來24小時內逐24小時、12小時、6小時、3小時和1小時的50 mm以上降水進行TS評分，對暴雨的空間和時間精細預報能力進行評估，分析目前預報難點，開展格點暴雨的定量降水預報應用價值評估。圖5給出了未來24小時預報時效中的各累積時段的TS評分，累計時間越短，TS越低，1小時的TS接近于零。2015—2020年的平均來看，對于50 mm以上降水，3小時TS約為0.004 3，6小時和12小時約為0.025和0.07，說明對于時間精細度3小時或者以內的50 mm強降水幾乎沒有預報能力。

圖5 2015—2020年各預報時效的50 mm以上TS評分

對比強降水的預報頻次和實況觀測頻次，分析暴雨精細時間預報能力低的原因。2018年和2019年，自動站數量約為3 000個，觀測到50 mm/h以上的站次分別有2 433站次、1 891站次；兩年中格點預報命中次數僅為3次，空報共1 792次，漏報共4 321次，預報未來24小時中50 mm/h以上的降水概率較低，預報頻次達不到觀測站次的一半，因為空間或者時間的微小錯位，造成接近0的命中率。

即使強降水精細時間預報能力水平還較低，但是逐小時晴雨預報準確率較高，平均約為80%；小于20 mm/h的降水預報TS達到了0.24，高于24小時暴雨TS的評分；氣溫的逐小時預報誤差僅為1.46℃。可見格點預報對于一般天氣、晴雨變化的逐時預報能夠提供較好的預報效果，對于50 mm/h以上的極端強降水預報能力很低。

從上述分析可以看出，格點化定量降水預報在以小時為時間單位的預報難度最大，逐小時格點預報的TS評分，同時涉及到時間、空間、強度三個維度的檢驗，也就是業務中定時、定點、定量的要求，任何一方面稍有偏差就造成TS評分極低，反應不出預報價值。未來一段時間內，一方面需要研發更合適的檢驗方法，評估精細時空QPF的預報價值和誤差來源；另一方面需要研發精細時空的QPF支撐技術，提升強降水的定時、定點、定量預報能力。

4.4 分類暴雨的檢驗評估

廣東省的區域暴雨按照主要影響系統分為鋒面暴雨、臺風暴雨、季風暴雨。鋒面暴雨定義為地面有鋒面活動或地面較難分析出鋒面但低層切變線存在明顯的冷暖系統對峙，此時強降水出現在鋒面或切變線附近；臺風暴雨定義為受熱帶氣旋影響的降水；季風暴雨定義為季風爆發后（季風爆發后到10月），排除熱帶系統影響，暴雨發生在距地面鋒前200～300 km的暖區一側，或者發生在偏南風匯合氣流中。

4.4.1 分類暴雨的空漏報分析

不同天氣類型暴雨，主客觀的預報能力不同。依據天氣類型的定義和經驗預報員的主觀判定，本文對廣東的臺風暴雨、鋒面暴雨和季風暴雨過程進行分類評定，進一步分析主客觀模式的對分類暴雨的預報能力。2017—2019年三年間共97天系統降水，實況監測到34 185站次的暴雨，其中臺風暴雨日數34天、鋒面暴雨日數35天、季風暴雨日數17天，其他暴雨日數11天。

表3給出的是分類暴雨的空漏報率和TS評分。無論是全球模式（ECMWF）還是區域模式（GZ_GRAPES），臺風暴雨預報TS最高，TS值在0.17～0.20之間；季風暴雨TS最低，TS值僅為0.05～0.08；模式對鋒面暴雨的預報能力優于季風暴雨；其中GZ_GRAPES的臺風和鋒面暴雨預報優于ECMWF,季風暴雨則是ECMWF略優于GZ_GRAPES。

預報員對臺風暴雨的預報能力最強，三年平均TS達到0.32（表3），高于所有暴雨的三年平均值（0.18），也高于全球和區域模式預報；其次是季風暴雨，TS達到0.2；鋒面暴雨的預報TS（0.16）最低。預報員基于兩個模式指導場訂正的預報，基本都是正改進，但在季風暴雨的改進量上最大、對鋒面暴雨的改進量最小。

用預報的空報、漏報來分析誤差來源。ECMWF模式和GZ_GRAPES區域模式對三類暴雨的漏報率明顯高于空報率，說明模式對24小時暴雨落區預報具有偏小的特點。預報員發布的暴雨預報空報率高于漏報率，主觀預報具有暴雨落區偏大的特點。從表3可見，命中率最高的是臺風暴雨，但空報率也接近了命中率，漏報率則較低，空報明顯。鋒面暴雨和季風暴雨命中率較低，還不到空報率和漏報率的一半，容易又空又漏。主客觀的空漏報分析表明，預報員捕捉到模式漏報較多的特點，對模式預報暴雨具有正的訂正能力，降低了漏報率，尤其是季風降水，預報員與模式相比大幅減少了漏報，使得TS評分提升了將近4倍。然而，預報員對模式補漏的能力還停留在天氣尺度系統造成的落區預報水平，因此也造成了暴雨主觀預報落區大、空報明顯的特點。

表3也給出了2019年基于EC集合預報的解釋應用算法的暴雨TS，臺風和鋒面暴雨都略高于預報員，季風暴雨TS值僅為0.043，略低于模式、遠低于預報員。對于系統性降水，客觀釋用方法優于確定性模式，接近預報員水平，但在季風降水方面，還是預報員訂正作用更顯著，說明對于模式本身無法預報的季風暴雨，模式后處理技術也無法捕捉到，目前只能靠預報員的經驗訂正為主。

表3 2017—2019年分類暴雨的空漏報率（DAY1）

4.4.2分類暴雨預報誤差的天氣學原因分析

通過分類暴雨的天氣形勢分析預報偏差的天氣學原因。模式對于鋒面暴雨預報有空報和漏報，除了對量級預報不夠準確外，低層切變線移動速度偏慢，導致降水落區預報較實況偏北，造成暴雨大面積空漏報。相對而言，GZ_GRAPES較ECMWF對雨帶南壓節奏的預報更為準確。空漏報統計發現，模式均表現為漏報多于空報，預報員則相反，空報站點遠多于漏報站點，也體現了預報員在對降水落區預報把握不足時容易造成一定范圍的空報。

臺風暴雨準確率跟臺風路徑、臺風本體降水、周邊系統相關。對臺風暴雨的檢驗開展空間對比發現，臺風本體降水預報技巧較高，預報誤差主要來源于臺風邊緣或者外圍環流降水。例如，受2020年第7號臺風“海高斯”影響，8月19—20日廣東省肇慶、云浮、江門等市及珠江口兩側出現暴雨到大暴雨降水，兩家模式對于臺風本體影響的降水落區預報均較為準確，但對于臺風外圍環流影響的珠江口以東地區強降水預報能力偏弱，相對而言，GZ_GRAPES能預報出此次珠江口以東的大暴雨中心，而ECMWF則完全漏報，這也許和ECMWF模式分辨率相對較低，無法細致分析南風輻合程度有一定關系。預報員在模式基礎上仍然減少了大量漏報，同樣的，也造成了相對多的空報。

模式對季風暴雨的總體預報能力較弱。2020年6月6—9日季風暴雨過程，6—8日連續三天每天清晨。3時(除標明外為北京時，下同)前后，在廣東中部沿海一帶有對流開始發展并向內陸推進，小時雨量為30～60 mm，部分站點小時雨量超過80 mm，午后季風降水減弱，粵北的西風槽降水發展。從ECMWF和GZ_GRAPES在6月5日、6日、7日的20時起報的QPF分析，模式一次也沒有預報出沿海一帶的季風降水。對2016—2019年39個季風暴雨日回顧，發現模式幾乎漏報或者嚴重低估了廣東沿海的季風暴雨，而模式對形勢場的預報和實況大體比較一致，主要輻合區偏北，例如2020年6月6日20時起報的8日08時的850 hPa形勢場和觀測對比ECMWF（圖6a）和GZ_GRAPES（圖6b）都比較準確地預報出了風向、風速和輻合區，其輻合區主要在粵北到江南一帶，但從8日03—08時的雨量和實況的對比來看（圖6c和6d），模式預報珠江三角洲地區降水為小雨，雨量為10 mm，但觀測到了100 mm以上降水，兩個模式都是嚴重低估。2020年6月5—9日的暴雨TS評分顯示，ECMWF和GZ_GRAPES的暴雨TS分別為0.10和0.13，模式在粵北的暴雨命中率高，在沿海的季風暴雨區漏報，但預報員通過經驗訂正，暴雨TS達到了0.28。吳亞麗等[15]、蒙偉光等[16]分析發現在季風暴雨中，暖區暴雨大多形成于弱的大尺度強迫環境中，中小尺度擾動信息（如中小尺度地形、外流邊界等）是暴雨中尺度對流系統發生更重要的強迫源[17-18]，預報員也認為模式無法預報出低空急流在廣東海陸一帶地形抬升觸發季風暴雨發生。降水觸發后，降水降落地面過程中，由于蒸發冷卻而引起的地面弱冷池的發展及其出流氣流對新對流的觸發有很大影響，這一過程可直接影響到降水的持續和暴雨的形成[15]，雖然模式分辨率提升能讓模式模擬出更合理的降水，但是結果仍然有不確定性[16]，目前季風暴雨還依賴預報員的經驗訂正為主。

圖6 2020年6月8日08時ECMWF（a）和GZ_GRAPES(b)風場預報和實況對比以及8日03—08時ECMWF（c）和GZ_GRAPES(d)雨量預報和觀測對比 a、b中紅色風為觀測，黑色風為模式；藍色等值線為500 hPa位勢高度；c、d中填色為觀測；等值線為模式預報。

5 預報員基于指導場的訂正能力分析

預報員的作用在國內外各時期都有熱烈的討論。Olson等[19]認為，人工預測精度緩慢而穩定的上升歸因于數值模型精度緩慢而穩定的上升，Novak等[8]評估了50年間美國WPC、數值預報和數值預報解釋應用的預報結果，表明預報員對降水預報的改進是基于模式預報能力的提升；畢寶貴等[3]指出，隨著數值模式的發展和統計處理方法的深入應用，預報員在最優預報基礎上添加附加值的空間越來越小。

對2016—2020年的DAY1—DAY3的主客觀預報QPF的檢驗對比分析，討論數值預報模式和預報員預報的能力。前面主客觀的晴雨和暴雨檢驗的分析可以知道，預報員預報技巧隨著模式預報能力的變化而變化，模式晴雨預報穩定提高，預報員的晴雨預報也穩定提高，而暴雨則是隨著模式逐年波動也呈現逐年波動，但預報員的技巧都優于模式。DAY2和DAY3的暴雨，預報員基于模式改進更明顯，從而延長了暴雨預報的可用時效。

利用2019年預報員相對指導場（模式及其解釋應用產品）的訂正量來進一步分析預報員在現代預報流程中的作用。預報員的預報檢驗評分值減去參考場評分值，再除以參考場得到改進量的百分比，改進量數值越大，預報員對于參考場的正訂正作用越顯著，負訂正量說明預報員得分比參考場得分低，是負技巧。參考場包括基于確定性業務模式ECMWF和GZ_GRAPES，基于多業務模式的多模式集成算法、基于ECMWF集合預報的解釋應用算法產品。圖7給出了2019年預報員基于參考場的訂正量，表明預報員對于單一模式和多模式集成都有正訂正，但基于集合預報的解釋應用訂正技巧較小。對DAY1的大暴雨和暴雨，改進量是負值，且降水越大，集合預報釋用技術的優勢更加明顯[20]；對DAY2和DAY3的暴雨，預報員基于EC集合預報解釋應用的改進量為-4.2%和0.8%，對大暴雨改進量為-54.4%、-49.9%，從TS評分來說，基于集合預報釋用的暴雨以上預報優于預報員預報，這與解釋應用算法的設計是以提高TS評分來研發的也有關系。總體來說，在極端降水上，預報員在模式后處理方法上能夠提供的附加值越來越有限，基于集合預報釋用的客觀QPF技術在可預期的時間內是提高QPF技巧方向。

圖7 2019年預報員對客觀指導場的改進量（DAY1）

以上檢驗發現，基于集合預報的解釋應用技術優于多模式集成預報，多模式集成預報優于確定性模式預報，預報員與集合預報解釋應用水平相當，對強降水甚至是負技巧，說明集合的預報成員反應出更多不確定性信息，未來格點定量預報技術應該朝著集合預報釋用或者所有業務模式的集合釋用發展。

6 小結與討論

本文通過降水的檢驗，對目前主客觀預報能力、模式解釋應用技術發展、預報員對指導場的訂正能力和分類暴雨預報水平和原因進行了分析，主要結論如下。

（1）對ECMWF和GZ_GRAPES降水評估發現，模式對中雨及其以下（≤25 mm/d）的降水預報技巧在逐年提升，大雨以上的降水預報在年度間有明顯波動，模式對暴雨預報的提升緩慢；從ECMWF和GZ_GRAPES對比發現，對于24小時累積QPF，區域模式預報技巧略高于全球模式，但是區域模式對12小時和3小時的強降水預報優勢明顯，說明區域模式在中小尺度的降水預報，尤其是強降水預報明顯優于全球模式，提供了更精細的QPF指導場。

（2）業務QPF質量是隨著模式預報能力提升而提升的，預報員在各量級的降水預報都優于業務確定性模式，5年間模式對DAY3的暴雨預報能力有所提升，暴雨預報可用時效延長，但是對于大暴雨的預報能力很低。因為模式對強降水精細時間預報能力很弱，目前業務中強降水時間分布產品應用價值較低。

（3）分類暴雨評定表明，無論是模式還是預報員，臺風暴雨預報評分最高、季風暴雨的預報難度最大。臺風本體降水預報技巧高，鋒面系統因鋒面雨區移動速度難以精確預報，造成暴雨有空報和漏報；模式及其解釋應用技術都漏報或者嚴重低估季風暴雨，預報員對模式季風暴雨的補漏明顯提高了季風暴雨能力。

（4）模式在預報業務環節中處于技術核心地位，預報員基于業務確定性模式和多模式集成算法都有明顯的正訂正量，尤其是在臺風暴雨和季風暴雨的預報中預報員正訂正技巧很高，預報員的作用依然無法被模式和客觀算法取代。

（5）集合預報給出了更多預報可能性，基于集合預報的解釋應用技術通過統計和檢驗，給出了更多參考信息，檢驗顯示基于其QPF與預報員能力相當，在不久的將來，集合預報釋用或者所有業務模式的超級集合釋用發展，是格點定量預報技術的發展方向。但是在季風暴雨預報方面，由于目前數值模式往往難以預報其發生，集合預報及解釋應用產品的預報評分也很低，依然需要預報員的經驗訂正提升QPF的準確率。

需要說明的是，降雨通常是在多種尺度的天氣系統相互作用下產生的，TS檢驗給出定點的檢驗結果，難以評價模式全面的價值，僅能提供一個方面的參考。另外，不同模式和主觀預報的格點分辨率不同，格點預報和實況站點的匹配距離不一致，不同QPF間的對比誤差信息來源不同，也難以確保檢驗結果的客觀性，需加強對模式檢驗方法的挖掘，更客觀評價模式的預報價值和探尋誤差信息來源。

致 謝：感謝廣東省生態氣象中心的吳乃庚研究員，廣東省氣象臺的羅聰、陳炳洪高級工程師等人在多模式集成算法、集合預報算法提供的預報結果。