基于目標對象的數值模式區域降水預報選優方法*

盛春巖 曲巧娜 范蘇丹 榮艷敏 孫興池

1 山東省氣象防災減災重點實驗室，濟南 250031

2 山東省氣象科學研究所，濟南 250031

3 山東省氣象臺，濟南 250031

提 要： 針對業務上大量的數值預報產品如何快速選優問題，提出了一種基于目標對象的數值模式區域降水預報選優方法。該方法首先通過TS評分、重心位置、面積大小、落區形狀預報評分的權重平均進行單個目標對象評分，在此基礎上，進行區域預報總評分和預報選優,以局地分散性降水和大尺度降水為例進行對比試驗以及3個月的批量試驗。結果表明:該方法選優結果合理。單個目標對象識別匹配時加大TS評分權重(超過0.4)對選優結果有較大影響，能夠提高選優結果的合理性。按照每個目標對象的面積權重評分計算區域預報總評分，是合理選出最優預報產品的關鍵。該方法對于局地分散性降水預報選優具有優勢，可以克服傳統TS評分的缺點。由于目標對象評分考慮了降水落區形狀、重心位置和面積大小評分，其選優結果較單一TS評分更為合理。

引 言

數值天氣預報已成為天氣預報的重要基礎和核心支撐技術。目前，省級氣象局可以接收到國內外全球數值預報和國內區域中尺度數值預報產品，這些全球和區域數值預報可以每日兩次提供至少3天內的逐小時降水、溫度、風等要素預報。同時，快速更新循環同化預報(RUC)系統可以對短時天氣進行逐小時循環更新預報。由于不同數值預報對不同天氣過程的預報準確率各有所長，大量的數值預報產品如何選擇使用，成為當今預報員面臨的一個重要難題。當有災害天氣過程影響時，預報員往往來不及查看所有的數值預報結果，只能根據經驗選擇應用。而由于觀測資料的誤差、模式系統的spin-up等問題，即使進行快速更新循環同化預報，最新時次的預報結果也未必一定是最準確的。因此，亟待研發一種數值模式區域降水預報選優方法，能夠從大量的數值預報產品中快速選出最優預報產品，為預報員選擇使用以及智能網格預報業務提供基礎。

預報選優往往根據數值預報過去一段時間的表現來判斷，如何評判天氣預報好壞需要合理的檢驗評估方法。目前，天氣預報業務上使用較多的是TS評分，該評分方法要求點對點預報準確才算正確，落區的稍微偏離或強度稍微偏差即不得分，因此，往往不能很好地評判出適合預報員應用的模式產品(戴建華等，2013)。對于數值預報和集合預報產品的檢驗評估方法還有很多，比如，王婧卓等(2021)采用確定性預報檢驗評分預報偏差Bias(Donaldson et al,1975)、公平技巧評分ETS(Schaefer,1990)、概率預報檢驗評分Brier(Brier,1950)、相對作用特征(ROC)(Mason,1979;Swets,1986)、可靠性評分(Br?cker and Smith,2007)和降水FSS(fraction skill score)評分(Roberts and Lean,2008;劉雪晴等,2020)6種檢驗方法，對GRAPES-REPS V3.0 區域集合預報模式的降水預報能力給予了客觀評價。這些檢驗方法大多也是需要點對點進行檢驗。

近年來，基于目標對象的檢驗方法在國內外得到應用。Ebert and Mcbride(2000)首先提出了面向對象的降水預報誤差分析方法，通過對某一降水過程進行分離，可實現對單個降水事件落區、量級等預報誤差的定量化分析。Davis et al(2006a;2006b;2009)提出了基于目標的檢驗方法，將降水量大于給定閾值的相互連通的區域作為一個降水目標，可以客觀對比分析預報和觀測對象的位置、形狀、方向和尺寸等屬性。借鑒這些先進的檢驗方法，劉湊華和牛若蕓(2013)、尤鳳春等(2011)、熊秋芬(2011)、薛春芳和潘留杰(2016)、李佳等(2016)、張博等(2017)、徐同等(2019)、蔡義勇等(2020)先后開展了基于目標的降水預報檢驗方法試驗和業務應用，推進了該方法在業務中的應用。曹春燕等(2017)引入了預報區域重疊比例、實況區域重疊比例和杰卡德相似系數等指標，進行雷達降雨預報形狀檢驗。符嬌蘭等(2014)采用面向對象的檢驗技術和天氣系統識別技術，對ECMWF模式在西南地區強降水天氣系統的預報誤差進行了檢驗分析。公穎(2010)引進了德國定量降水預報檢驗SAL方法，該方法以研究范圍內的降水為目標物，可以對雨帶的強度、位置、結構三方面進行檢驗。以上這些方法較好地克服了傳統TS評分的不足，通過目標對象檢驗，為預報員提供有天氣學意義和更多參考價值的數值預報產品。

茅懋等(2016)設計了一種目標對象檢驗方法，通過對比與實況相對應的預報目標對象的等級TS評分、等級面積評分、位置評分、交叉相關評分、形狀評分等，實現對強對流預報產品檢驗，該方法可合理評價有預報參考價值的強對流預報產品。曲巧娜等(2019)在改進此方法的基礎上，通過對多種數值天氣預報、集合預報的降水預報進行目標對象檢驗，進行不同模式產品預報評價。上述研究均為針對單個目標對象的識別匹配檢驗方法。在實際天氣預報業務中，預報員更為關注某一區域范圍的預報總體情況。當研究區域范圍內存在多個目標對象時，如何在合理評價單個目標對象預報評分的基礎上，進行區域降水預報總體評價，從大量的數值預報產品中選取最優預報產品，缺乏有效的方法。

本文借鑒茅懋等(2016)、曲巧娜等(2019)目標對象檢驗方法，設計提出了一種數值模式區域降水預報選優方法，可以在單個目標對象檢驗的基礎上，計算區域預報總評分，從而對數值模式區域降水預報進行選優。通過對不同降水過程不同選優方案的批量對比試驗，對選優方法的合理性和業務應用方案進行研究。

1 資料與方法

1.1 資 料

本文使用的數值模式為山東省氣象科學研究所開發的快速更新循環同化預報系統(以下簡稱RUC系統)。該系統采用27、9、3 km三層嵌套網格，基于WRF 3Dvar同化系統進行逐小時循環同化預報。為了便于在智能網格預報業務中應用，將RUC系統3 km降水預報產品實時處理成覆蓋山東區域范圍的0.05°×0.05°網格數據。降水實況采用山東省氣象臺智能網格預報業務中使用的降水格點實況數據，該數據以山東省1 200多個質量較好的地面氣象觀測站數據為基礎，將站點降水實況處理到山東區域范圍0.05°×0.05°網格上，形成逐小時間隔的格點實況數據。

1.2 方 法

本文設計的基于目標對象的數值模式區域降水預報選優方法包括兩部分。第一部分是進行預報區域內單個目標對象識別匹配評分。與茅懋等(2016)、曲巧娜等(2019)對單個目標對象評分的方法不同。首先，根據業務上降水短時臨近預報關注重點，選定TS評分、重心位置預報評分、面積大小預報評分、落區形狀預報評分四項作為單個降水目標對象識別匹配綜合評分的內容，對每一項評分只考慮某一閾值強度以上降水的評分，不再細分不同等級降水評分，便于對關注強度的降水進行選優評價。其次，在進行單個目標對象識別匹配綜合評分時，對這四項評分的權重大小對選優結果的影響進行批量對比試驗，合理確定各項評分的權重大小。第二部分為區域降水預報總評分。這里定義了區域降水預報總評分方法，即在單個目標對象綜合評分的基礎上，將區域內預報目標對象按匹配結果分為三類：預報正確落區、空報落區、漏報落區，給定每個預報正確落區一定的評分權重，計算區域預報總評分，總評分最高的即為最優預報。關于每個目標對象評分權重的選取，下面也將通過敏感性試驗來確定。

1.2.1 單個目標對象識別匹配評分

首先，確定選優的降水強度(閾值)和一個目標對象的最小格點數(閾值)，本文設定一個目標對象的最小格點數為10。根據選優的降水閾值，對預報和實況格點場進行目標對象識別。找出該區域內所有大于等于該強度閾值以上的降水預報或實況格點，逐個點判斷與其相鄰的格點是否為該強度以上的預報。如有大于該強度的預報，則作為一個識別的目標點，繼續判斷周圍的點的值；如周圍的點都小于該等級的預報，則結束一個目標對象識別。依次計算，最終識別出一個個預報及實況目標對象。然后進行目標對象識別匹配評分。具體評分內容包括：

(1)TS評分。根據實況目標對象，對識別的預報目標分別進行TS評分，計算單個目標對象點對點預報的準確率，檢驗預報目標對象與實況目標對象的重疊程度。

TS評分計算公式如下：

式中：NA為預報正確的格點數，預報出現某一強度以上降水，實況也出現該強度以上降水為預報正確；NB為空報格點數，預報出現某一強度以上降水，實況未出現該強度以上降水為空報；NC為漏報格點數，未預報出現某一強度以上降水，而實況出現該強度以上降水為漏報。

(2)重心位置預報評分。重心位置為目標對象中最強降水中心所在的位置(經緯度)。如果最強預報中心有多個點的，取多個點的中心位置為重心位置。根據檢驗范圍大小和業務需求，設定預報目標對象和實況目標對象重心位置的最大容忍距離和最佳距離，進行重心位置評分，評價預報目標對象與實況目標對象位置的偏離程度。本文主要針對山東省內降水預報進行選優，這里設定最大容忍距離為220 km，最佳距離為40 km。

重心位置預報評分計算公式如下：

式中：SGC為重心位置評分，L為預報目標對象與實況目標對象重心之間的距離，Lmax為最大容忍距離，Lmin為最佳距離。

(3)面積大小預報評分。分別計算實況目標對象及預報目標對象對某一強度以上降水預報的有效面積大小，對面積大小預報進行評價。

面積大小預報評分計算公式如下:

式中：Amod為預報目標對象的有效面積，Aobs為實況目標對象的有效面積。

(4)落區形狀預報評分。落區形狀預報評分包括軸向角評分和橢圓率評分。首先確定目標對象長短軸的尺度、比例和軸向。對于某個目標對象，提取邊界點信息，通過重心的最長兩個邊界點的連線為長軸，通過重心且垂直于(基本垂直，偏差在2°內)長軸的最短兩個邊界點連線為短軸。計算長短軸的比例(即橢圓率)和長軸的軸向角度，計算軸向角評分和橢圓率評分，二者平均即為落區形狀評分。

軸向角評分計算公式如下(茅懋等,2016)：

式中：SAxial為軸向角評分，DAxA為預報與實況目標對象的軸向角差。

橢圓率評分計算公式如下：

式中：SEllip為橢圓率評分，DEllip為預報與實況目標對象的橢圓率差。

落區形狀評分為軸向角評分和橢圓率評分的加權平均，計算公式如下：

落區形狀評分SShape越高，說明預報目標對象形狀越接近實況。

(5)在完成上述四項評分后，進行單個目標對象識別匹配綜合評分。對目標對象TS評分、重心位置預報評分、面積大小預報評分、落區形狀預報評分四項評分按不同權重相加，即為單個目標對象的綜合評分值，綜合評分最高的為匹配最好的目標對象。依次循環，完成預報區域范圍內所有目標對象的匹配評分。

目標對象識別匹配綜合評分計算公式如下：

Smod=R1·TS+R2·SGC+R3·SArea+R4·SShape

式中：R1為TS評分權重，R2為重心位置預報評分權重，R3為面積大小預報評分權重，R4為落區形狀預報評分權重，各評分項權重大小如何選取將通過敏感性試驗確定。

1.2.2 區域預報總評分

為對區域降水預報進行合理評價，在單個目標對象識別匹配評分的基礎上，將預報區域范圍內所有目標對象匹配結果分為三類：預報正確落區、漏報落區、空報落區。定義重心位置評分>0的預報目標對象為預報正確落區，實況有而未預報出該強度以上落區的為漏報落區，實況無而預報有該強度以上落區的為空報落區。給定預報正確落區一定的評分權重，按權重評分計算區域預報總評分，總評分最高的即為最優預報產品，空報和漏報落區總數目可作為選優的輔助參考。對預報正確落區評分權重的設定對選優結果的影響，下文也將進行敏感性試驗。

2 選優試驗方案設計

由于RUC系統的預報具有一定的連續性，這里主要根據區域預報總評分進行預報選優試驗，不考慮空報和漏報落區的情況。考慮到預報員比較關注降水落區位置預報，同時，在重心位置距離相同的情況下，范圍大的目標對象和范圍小的目標對象預報效果不同，為此，這里設計了2組敏感性對比試驗，分別對單個目標對象各評分項的權重大小對選優結果的影響，以及每個預報正確落區評分權重大小對區域總評分的影響進行敏感性試驗。

試驗1：單個目標對象評分敏感性試驗。在單個目標對象匹配評分時，分別給定不同的TS評分和重心位置預報評分權重，同時兼顧面積大小和落區形狀預報評分對選優結果的影響，設計了3組敏感性試驗，分別以A1,A2,A3表示，具體如下：

A1方案：R1=0.2，R2=0.6，R3=0.1，R4=0.1；

A2方案：R1=0.4，R2=0.4，R3=0.1，R4=0.1；

A3方案：R1=0.6，R2=0.2，R3=0.1，R4=0.1。

將TS評分、重心位置、面積大小、落區形狀4項評分按不同的權重(分別為R1，R2，R3，R4)進行相加，計算出單個目標對象預報的綜合評分值，選取綜合評分最高的目標對象為匹配最好的預報目標。

試驗2：區域預報總評分敏感性試驗。在計算了區域內每個目標對象的綜合評分后，如何合理對區域預報總評分進行評價，是影響數值預報區域降水預報選優的關鍵。這里針對區域預報總評分計算方法設計了2組敏感性試驗，分別以B1,B2表示，具體如下：

B1方案：預報區域內每個預報正確落區的評分權重均為1，進行權重評分累加計算出區域預報總評分；B2方案：按照每個目標對象的面積權重評分計算區域預報總評分，即計算每個預報正確的目標對象的面積權重占所有預報正確目標對象總面積的百分比，作為該目標對象的評分權重，對預報范圍內所有目標對象進行權重評分累加，即為區域預報總評分。

以上2組不同的試驗方案分別組合，共形成6組不同的數值模式區域降水預報選優方法，具體方案設計見表1。同時，為對比基于目標對象的選優方法與傳統TS評分選優方法的差異性，也增加了TS評分選優結果進行對比。

表1 不同的區域降水預報選優試驗方案

3 選優效果分析

3.1 選優對象

為試驗基于目標對象的數值模式區域降水預報選優方法的合理性，分別選取局地分散性降水和較大尺度降水兩類過程進行選優效果分析。這里選取2019年6月20日山東省局地短時降水過程作為局地分散性降水預報選優試驗個例，選取2019年8月11日臺風利奇馬影響山東期間的降水過程作為較大尺度降水預報選優試驗個例。以1 h降水短時臨近預報為選優對象，對RUC系統在降水開始前1～8個時次的預報結果進行選優試驗。

3.2 局地分散性降水預報選優試驗

2019年6月20日下午，山東省出現了局地性短時降水天氣，其中15—16時(北京時，下同)山東省出現多個局地較強降水中心，小時降水量均超過10 mm(圖1)。由于本次降水尺度小、局地性強，因此預報難度較大，此類降水預報也是數值預報的難點。分析RUC系統提前1～8 h(08—15時)不同時次的預報可以發現(圖2)，2019年6月20日08—11時(圖2a～2d)，模式預報的降水均較弱，未預報出明顯的局地性強降水。12—14時(圖2e～2g)，RUC系統均不同程度預報出山東的局地分散性降水。15時臨近實況時次的預報(圖2h)，預報的山東降水幾乎“消失”。從RUC系統不同起報時次的預報表現來看，臨近時次預報的降水反而“消失”現象顯然是spin-up引起的。對于此類降水預報，預報員僅靠主觀判斷難以選擇合理的預報產品。下文將試驗不同的選優方案對本次降水的選優效果。

圖1 2019年6月20日15—16時山東省1 mm以上降水實況格點分布(a)全省降水分布， (b)山東省魯北、魯中和半島3個降水區域降水格點值放大圖(數字，單位：mm)(圖中A,B,C分別為魯北、魯中和半島3個降水區域編號)

圖2 2019年6月20日08—15時RUC系統不同時次起報的15—16時降水量預報(a)08時,(b)09時,(c)10時,(d)11時,(e)12時,(f)13時,(g)14時,(h)15時

為分析不同強度降水預報選優效果，分別對≥1 mm、≥10 mm兩個閾值的降水預報進行選優試驗。表2給出了不同方案組合選出的2019年6月20日15—16時最優降水預報結果，可以發現，試驗1(A1B1)選出的1 mm以上最優預報為20日13時RUC起報的2～3 h降水預報，試驗2～試驗6選出的最優預報均為20日12時起報的3～4 h降水預報。TS評分選出的1 mm以上最優降水預報為20日08時起報的7～8 h預報。不同方案之間的選優結果差異較大。對于10 mm以上降水，不同的試驗選優結果一致，均為20日13時起報的2～3 h降水預報。下文將對不同試驗方案的選優結果做進一步分析。

表2 2019年6月20日08—15時RUC系統不同時次起報的15—16時降水預報選優結果

圖3給出了不同方案對≥1 mm降水預報選優結果，圖中實況顯示，山東區域分布著多個1 mm以上的降水落區(黑色陰影)，這些降水落區分散、不連續，圖3a紅色區域為試驗1(A1B1)選出的1 mm以上降水最優預報產品(20日13時2～3 h預報)，模式預報出了成片的1 mm以上降水落區，對魯中降水落區預報較好，其次為半島地區，但預報范圍較實況明顯偏大，空報較多。圖3b給出了試驗2～試驗6選出的1 mm以上降水最優預報(20日12時3～4 h預報)，該預報與13時2～3 h預報類似，模式較好地預報出魯中和半島的降水，但降水空報范圍縮小。圖3c給出了TS評分選出的1 mm以上最優降水預報(20日08時7～8 h預報)，該預報主要對半島的降水落區預報較好，魯中的降水全部漏報。對比這三次選優產品預報結果可以發現，基于目標對象的試驗2～試驗6方案選出的最優降水預報(20日12時3～4 h預報)為最佳預報，13時2～3 h預報空報過多，而08時7～8 h預報雖然TS評分較高，然而未能預報出魯中的降水，且選出的預報產品時效較早，預報與實況偏差較大，表明僅考慮TS評分進行選優是不夠的。

圖3 不同試驗方案對2019年6月20日15—16時≥1 mm最優降水預報選優結果(a)試驗1降水預報選優結果(2013.3h)及實況，(b)試驗2～試驗6降水預報選優結果(2012.4h)及實況，(c)TS評分降水預報選優結果(2008.8h)及實況(黑色陰影區為實況降水格點,紅色為預報降水格點示意,具體數值無意義，下同)

圖4給出了各試驗方案對≥10 mm降水預報選優結果(2013.3h,圖4a)，可以發現，實況有3個10 mm以上降水落區(圖中黑色陰影)，模式也預報出3個10 mm以上的降水落區(圖中紅色區域)，其中魯中東南部的降水落區預報較好，預報與實況落區重疊。魯中西部和半島的降水落區預報與實況有偏差，但是通過預報員訂正可以作為一次較好的預報產品。為分析本次選優結果的合理性，這里同時給出了≥1 mm降水預報選優結果(20日12時3～4 h預報)對10 mm以上的降水預報和實況的對比(圖4b)，可以發現，12時3～4 h的模式預報對魯中東南部的降水落區預報也較好，其他兩個落區均漏報。由此可見，各試驗方案對10 mm以上降水預報選優結果為13時2～3 h預報是合理的。

圖4 2019年6月20日15—16時≥10 mm最優降水預報結果與其他預報及實況的對比(a)所有試驗方案降水預報選優結果(2013.3h)及實況(b)RUC系統≥1 mm 20日12時3～4 h降水預報及實況

3.3 大尺度降水預報選優試驗

為試驗本方法對尺度較大的降水過程選優效果，選取2019年8月11日臺風利奇馬影響山東期間降水預報進行選優試驗。以2019年8月11日00—12時逐小時降水預報為基礎，逐小時對RUC系統提前1～8個時次的預報結果進行選優。由于本次降水過程較強，這里僅對小時降水量≥10 mm的降水預報進行選優試驗。

表3分別給出了6組不同的試驗方案對8月11日00—12時逐小時降水預報選優結果以及TS評分選優結果。可以發現，這6組不同的試驗方案對臺風利奇馬影響山東期間10 mm以上強度降水預報的選優結果不盡相同，基于目標對象的選優結果與TS評分選優結果大部分相同、部分不同。對所有的選優結果和實況進行了對比分析發現，由于該時段降水尺度較大，而且RUC系統預報總體較好，因此，TS評分選優結果總體較好。

基于目標對象的部分選優結果較差(表中加下劃線斜體字體)，部分選優結果優于TS評分選優(表中加粗字體)。根據6組不同試驗和TS評分選優結果的差異性，把00—12時逐小時預報選優結果歸納為以下三類(表3)：

表3 不同試驗方案對2019年8月11日00—12時逐小時≥10 mm降水預報選優結果

Ⅰ類，共9次，為11日03—08時和10—12時的選優結果。此類所有的選優結果總體一致，即基于目標對象的不同試驗方案選優結果與TS評分選優結果均較一致。

Ⅱ類，共2次，為11日00時和02時的選優結果。此類基于目標對象的不同方案選優結果存在差異，合理的方案選優結果更好。

Ⅲ類，共2次，為11日01時和09時的選優結果。此類基于目標對象的不同方案選優結果也存在差異，但部分目標對象的選優結果好于TS評分選優。

下文分別對這三類選優的結果進行對比分析。

圖5給出了Ⅰ類選優結果(即總體一致)的部分預報和實況，以11日03時和07時的選優結果為例。圖5a，5b分別為11日03時TS評分選優結果(1023.4h)和基于目標對象的選優結果(1101.2h)與實況的對比，可以發現，這兩張圖雖然是不同時次的預報，但預報結果(圖中紅色區域)幾乎完全一樣，模式較好地預報出了10 mm以上降水雨帶的走向、形態分布，預報與實況較接近，只是預報的10 mm以上降水范圍較實況偏小。同時發現，基于目標對象的選優結果(圖5b)對蘇北和魯中東部的局地降水落區也有較好的預報。

圖5 Ⅰ類選優結果的預報和實況格點分布(a)11日03時TS評分選優結果(1023.4h),(b)11日03時試驗1～試驗6的選優結果(1101.2h)(黑色陰影區為≥10 mm實況降水格點，紅色區為對應預報降水格點示意)

分析11日07時不同方案的選優結果和實況落區分布可以發現(圖略)，這些選優結果的降水預報分布也基本一致。

下面對Ⅱ類選優結果進行分析，即11日00時和02時的選優結果，此類基于目標對象的不同方案選優結果存在差異。由圖6a～6d可以發現，11日00時試驗1的選優結果(1018.6h，圖6a)最差，降水預報明顯偏南，試驗3的選優結果(1017.7h，圖6b)略有改進，較實況落區仍然偏差較大。試驗4的選優結果(1023.1h，圖6c)降水預報明顯北抬，有較好改進，但強度偏弱。試驗2、試驗5、試驗6及TS評分選優結果(1021.3h，圖6d)的降水預報與實況最為接近，降水落區和強度預報較其他方案選優結果更好。

圖6 同圖5，但為Ⅱ類(a)11日00時試驗1的選優結果(1018.6h),(b)11日00時試驗3的選優結果(1017.7h)，(c)11日00時試驗4的選優結果(1023.1h),(d)11日00時試驗2、試驗5、試驗6及TS評分選優結果(1021.3h)，(e)11日02時試驗1～試驗4的選優結果(1020.6h),(f)11日02時試驗5、試驗6和TS評分選優結果(1023.3h)

圖6e、6f給出了11日02時不同方案的選優結果，可以發現，試驗1～試驗4的選優結果(1020.6h，圖6e)降水預報偏南，沒有“抓住”魯中北部的大片降水落區，而試驗5～試驗6和TS評分選優結果(1023.3h，圖6f)較好地預報出了魯中北部的降水落區，且雨帶走向與實況也較為一致，顯然試驗5～試驗6的選優方案更為合理。

分析11日00時和02時降水實況落區分布可以發現，這兩次降水實況的共同特點是預報范圍內存在多個降水落區(目標)，特別是02時的降水實況(圖6e、6f中黑色陰影區)，在魯中北部存在一個范圍較大的降水落區(目標)，南部存在多個分散的小落區(目標)，顯然，在進行區域降水預報總評分時，給定不同降水目標對象同樣的評分權重(B1方案，試驗1～試驗3)，或者目標對象評分中TS評分權重過小(A1方案，試驗1、試驗4)均不能體現出大范圍降水落區的重要性，導致選優結果降水預報偏南(偏向小落區)。而區域預報總評分時按照降水落區面積權重進行累加(B2方案)并提高目標對象評分的TS評分權重，顯著改進了降水預報選優結果(試驗5、試驗6)，說明提高目標對象評分中TS評分權重并且按照每個目標對象的面積權重評分計算區域總評分是合理和必要的。

圖7給出了Ⅲ類降水預報選優結果(這里僅給出了11日01時的預報選優結果)，此類部分目標對象的選優結果好于TS評分選優。由圖7a～7c可見，試驗1～試驗2的選優結果(1020.5h，圖7a)預報最差，雨帶明顯偏南。試驗3和TS評分選優的結果(1022.3h，圖7b)降水預報有較好改進，雨帶更偏北了。而試驗4～試驗6選優的降水預報結果(1023.2h，圖7c)更為合理，預報雨帶與實況雨帶走向更為吻合，選優的產品預報時次更新(10日23時1～2 h預報)，體現出包括落區、形狀等信息在內的目標對象評分的優勢。

從表3和圖7選優結果分析中還可以發現，基于目標對象的選優結果好于TS評分的選優結果(11日01時試驗4～試驗6)，11日09時試驗5～試驗6的選優結果類似(圖略)，且基于目標對象的選優預報產品均較TS評分的選優產品預報時效更新(即RUC起報時間更臨近實況)，從另一個角度說明了目標對象選優考慮了較多因素，選出的預報產品更加合理。

圖7 同圖5，但為Ⅲ類(a)11日01時試驗1、試驗2的選優結果(1020.5h),(b)11日01時試驗3和TS評分選優結果(1022.3h),(c)11日01時試驗4～試驗6的選優結果(1023.2h)

綜上分析可見，大部分基于目標對象的選優方案與TS評分選優結果一致。當降水落區比較復雜或模式預報不太好時，加大目標對象評分中TS評分的權重(超過0.4，A2、A3方案)，同時在區域總評分時，按照每個目標對象的面積權重評分計算區域預報總評分(B2方案)，選優的預報產品更加合理，選優結果好于TS評分選優。從本文的批量試驗可以發現，試驗6(A3B2)為所有方案中的最佳方案，其次為試驗5(A2B2)。而由于TS評分不考慮重心位置、面積大小和落區形狀，其選優結果可能不合理。

4 批量試驗

為進一步驗證上述不同選優方案的合理性，以2019年6—8月逐小時降水預報為選優對象，采用前面所述的6組不同的試驗方案組合，對RUC系統提前1～8 h的降水預報對1 h≥10 mm降水進行目標對象選優批量對比試驗。通過對逐時≥10 mm降水預報選優結果的總體分析發現，不同方案大部分選優結果是一致的，但部分降水選優結果不同。為說明不同方案選優結果的合理性，對6組試驗方案基于目標對象選取的逐小時≥10 mm最優降水預報統一進行TS評分，并對3個月內有降水得分時次(有1組方案有得分就參與統計)不同方案的TS評分進行總平均，計算結果見表4。可以發現，平均TS評分最高的為試驗6(A3B2)方案，其次為試驗5(A2B2)方案，第三位為試驗3(A3B1)方案。此結果與上述個例分析的結果是一致的，即目標對象選優方法在單個目標對象識別匹配時加大TS評分權重同時兼顧其他評分，且按照區域內每個目標對象面積權重計算區域總評分，選取的最優降水預報更加合理。

表4 不同試驗方案對2019年6—8月逐小時≥10 mm降水預報選優結果的平均TS評分

5 結 論

針對天氣預報業務上大量數值預報產品如何選優使用問題，本文提出了一種基于目標對象的數值模式區域降水預報選優方法，通過對局地分散性降水和大尺度降水預報的選優對比試驗以及3個月的批量試驗，可以得到以下結論：

(1)通過TS評分、重心位置、面積大小、落區形狀預報評分按不同權重平均進行單個目標對象評分，在此基礎上，進行區域預報總體評價和選優。經個例試驗以及批量試驗表明，該方法可以較好地從大量數值預報產品中選出最優降水預報。

(2)單個目標對象識別匹配的各項評分權重對選優結果有較大影響，提高TS評分的評分權重(超過0.4)，能夠提高選優結果的合理性。按照每個目標對象的面積權重計算區域預報總評分(B2方案)，是合理選出最優預報產品的關鍵。

(3)該方法對于局地分散性降水預報選優具有顯著優勢，可以克服傳統TS評分的缺點，選出有參考價值的預報產品。由于目標對象評分考慮了降水落區形狀、重心位置和面積大小評分，其選優結果較TS評分更為合理。