長江流域多模式動態(tài)集成降水預(yù)報方法及應(yīng)用評估*

王海燕 孟英杰 程昌玉 陳良華 李 波 王曉玲

1 湖北省黃石市氣象局，黃石 435002

2 武漢中心氣象臺，武漢 430074

3 湖北省氣象信息與技術(shù)保障中心，武漢 430074

4 三峽水利樞紐梯級調(diào)度通信中心，湖北 宜昌 443000

提 要： 將長江流域進行精細分區(qū)，基于ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO、CMA-SH9等多模式降水預(yù)報產(chǎn)品，開展各模式在滑動訓(xùn)練期分區(qū)、分時效、分量級的動態(tài)TS檢驗，獲取各模式降水預(yù)報性能動態(tài)序列，再經(jīng)客觀識別降水類型,調(diào)整不同天氣尺度模式排序，對大雨及以上量級采用“鄰域擇優(yōu)法”,對中雨及以下量級采用“點對點擇優(yōu)法”，利用集合預(yù)報概率產(chǎn)品和模式統(tǒng)計分析結(jié)果對強降水和小雨進行消空，最終得到多模式動態(tài)集成降水產(chǎn)品(MDI)。采用14、21、28和35 d滑動訓(xùn)練期，分別輸出MDI-14、MDI-21、MDI-28和MDI-35。應(yīng)用分析表明：MDI在各量級降水預(yù)報優(yōu)勢明顯，其中MDI-28預(yù)報大雨及以上的降水效果最好，24 h時效TS評分較其他模式高0.051～0.141；MDI-35預(yù)報中雨及以下的降水效果最好，24 h時效TS評分較其他模式高0.006～0.117，空、漏報也有很好的控制。對比24 h時效MDI與ECMWF的站點檢驗結(jié)果空間分布情況發(fā)現(xiàn)：前者TS評分在長江流域大部地區(qū)高于后者，特別是大雨及以上量級降水評分在長江上游東部、中下游沿江及以北地區(qū)高出0.05～0.26。

引 言

長江流域水系眾多，地形復(fù)雜。為滿足長江防汛抗洪、水庫調(diào)度和航運交通等需求，2018年長江流域氣象中心從基于氣象站點的傳統(tǒng)降水預(yù)報轉(zhuǎn)向5 km分辨率的精細化網(wǎng)格降水預(yù)報發(fā)展，預(yù)報員通過人機交互的定量降水預(yù)報業(yè)務(wù)平臺，基于插值后的高分辨率數(shù)值模式降水預(yù)報產(chǎn)品進行交互訂正。

然而定量降水預(yù)報由于影響其時間變化和空間分布的變量太多，被認為是數(shù)值模式預(yù)報最困難的挑戰(zhàn)之一(Golding,2000;Ebert et al,2003)，使得基于插值后的高分辨率數(shù)值模式降水預(yù)報產(chǎn)品訂正效果充滿不確定性。盡管近年來通過持續(xù)不斷地提升模式空間分辨率、改進數(shù)據(jù)同化能力、完善數(shù)值計算方法和次網(wǎng)格物理過程的參數(shù)化方案，數(shù)值預(yù)報模式的降水預(yù)報能力不斷上升(Forbes et al,2015;Malardel et al,2015)，但也造成了模式降水預(yù)報的系統(tǒng)性誤差不太穩(wěn)定。各個模式在動力框架、分辨率、初始場、資料同化技術(shù)及物理參數(shù)化方案等方面存在差異，使得各模式在模擬能力上存在地理差異(智協(xié)飛等，2013；范宇恩等，2019),也在不同降水強度預(yù)報上誤差各異(陳博宇等，2015；張宏芳等，2014)，當然對不同地區(qū)不同降水強度的預(yù)報性能差異更明顯(辛辰和漆梁波，2018;郝瑩等，2019)。

為彌補模式預(yù)報缺陷，有必要對數(shù)值預(yù)報結(jié)果進行后處理和訂正。Scheuerer and Hamill(2015)指出降水的不連續(xù)偏態(tài)分布特征和強降水樣本的不足，導(dǎo)致降水的統(tǒng)計后處理相比于溫度和風(fēng)速等要素更加復(fù)雜。畢寶貴等(2016)指出在實際業(yè)務(wù)中，為了對海量預(yù)報數(shù)據(jù)中的有效信息進行提取和集成，通常采用定量降水訂正與集成技術(shù)、概率預(yù)報處理技術(shù)和統(tǒng)計降尺度技術(shù)等方法進行降水預(yù)報后處理。由于模式降水預(yù)報與實況始終存在一定偏差(王雨和閆之輝，2006；周慧等，2010；熊秋芬，2011；任宏昌,2017),智協(xié)飛等(2016)、孫靖等(2015)針對不同量級降水進行相應(yīng)的偏差訂正。Ross and Krishnamurti(2005)、陳麗娟等(2005)、趙聲蓉(2006)、Cartwright and Krishnamurti(2007)應(yīng)用超級集合預(yù)報技術(shù)，對各天氣預(yù)報中心的模式預(yù)報結(jié)果進行集成，發(fā)現(xiàn)多模式集成預(yù)報效果優(yōu)于單個中心的預(yù)報，對平均海平面氣壓、地面氣溫等連續(xù)變量要素的改進效果較好，但對降水場的改進效果并不理想(智協(xié)飛等，2013)。究其原因，該方法過度擬合了某幾個樣本距平的極大值，使得各模式權(quán)重系數(shù)不能真實反映模式的預(yù)報能力。

綜上所述，降水預(yù)報的訂正需要考慮地理、強度、時效、模式誤差等多種因素，所以本文擬對長江流域開展精細分區(qū)、分時效、降水量分級的多模式產(chǎn)品動態(tài)TS檢驗，在此基礎(chǔ)上建立各分區(qū)最優(yōu)預(yù)報方案，對每一個格點通過“鄰域擇優(yōu)法”或“點對點擇優(yōu)法”賦值，從而將不同尺度模式的結(jié)果進行優(yōu)勢集成，獲得0～168 h最優(yōu)降水預(yù)報場，以期為提高流域降水預(yù)報準確率以及洪水預(yù)報提供技術(shù)支撐，為長江大型水庫精細化調(diào)度和水資源精準開發(fā)利用提供參考依據(jù)。

1 資料介紹

文中使用2018—2020年的全球模式和區(qū)域模式降水預(yù)報產(chǎn)品，具體為：全球模式采用歐洲中期天氣預(yù)報中心(ECMWF)、美國國家環(huán)境預(yù)報中心(NCEP)、中國氣象局全球同化預(yù)報系統(tǒng)(CMA-GFS)和德國氣象局(GERMAN)降水預(yù)報產(chǎn)品；區(qū)域模式采用中國氣象局中尺度天氣數(shù)值預(yù)報系統(tǒng)(CMA-MESO)、中國氣象局上海數(shù)值預(yù)報模式系統(tǒng)(CMA-SH9)降水預(yù)報產(chǎn)品。另外，還使用了2018—2020年歐洲中期天氣預(yù)報中心集合預(yù)報概率產(chǎn)品和物理量場預(yù)報產(chǎn)品。模式預(yù)報產(chǎn)品起報時間為08時(北京時，下同)和20時，預(yù)報時效間隔為12 h，并通過距離權(quán)重插值法降尺度到5 km分辨率。

實況資料為2018—2020年長江流域723個國家站08時、20時過去12 h降水量觀測資料。

雨型判別物理量特征統(tǒng)計使用了2010—2017年58個強降水個例的美國國家環(huán)境預(yù)報中心(NCEP/NCAR)一日4次的大氣再分析資料。

2 長江流域分區(qū)方案

長江流域大部分地處我國亞熱帶東南季風(fēng)和西南季風(fēng)的影響范圍，地勢起伏大，水情組成復(fù)雜。根據(jù)干支流水系分布，長江流域目前有6種分區(qū)方式，按子流域的劃分方案從粗到細分別為10分區(qū)、20分區(qū)、28分區(qū)、39分區(qū)和56分區(qū)，其中56分區(qū)方案如圖1所示。由于流域內(nèi)地貌類型多樣，造成不同地區(qū)降水氣候差異較大(周秋雪等，2019)，而不同數(shù)值模式對各地的降水預(yù)報性能差異也較大(智協(xié)飛等，2013；陳博宇等，2015；張宏芳等，2014)。因此研究長江流域精細降水預(yù)報技術(shù)，有必要合理劃分子流域區(qū)間。本文在長江流域干支流水系56分區(qū)的基礎(chǔ)上，結(jié)合地形特點、水系分布、氣候差異和相關(guān)部門調(diào)度需求，將長江流域分成43個區(qū)域(圖2)，分區(qū)名稱見表1。

圖1 長江流域干支流水系56分區(qū)示意圖Fig.1 The 56 divisions of main and tributaries in the Yangtze River Basin branch

表1 長江流域精細訂正預(yù)報43分區(qū)名稱Table 1 The names of 43 divisions for fine revised forecast in the Yangtze River Basin

3 分區(qū)建立最優(yōu)預(yù)報方案

3.3 構(gòu)建數(shù)據(jù)集

如前文所述，由于模式預(yù)報能力不斷提升(Forbes et al,2015;Malardel et al,2015)，在不同年份，同一模式對同一地區(qū)的降水預(yù)報特點可能會有不同。如果訓(xùn)練期內(nèi)的降水特征與預(yù)報期內(nèi)的降水特征出現(xiàn)較大差別，訓(xùn)練期方案可能導(dǎo)致對預(yù)報期內(nèi)的降水預(yù)報“反訂正”(孫靖等，2015)，因此訓(xùn)練期須反映近期天氣變率的特點。

本文以2018—2020年5月1日至9月30日為預(yù)報期構(gòu)建各模式降水預(yù)報樣本集，以每個預(yù)報日的前14、21、28、35 d為滑動訓(xùn)練期構(gòu)建各模式降水預(yù)報TS評分樣本集，還構(gòu)建了2018—2020年對應(yīng)時段的實況樣本集。

3.3 分區(qū)分級模式性能排序

將12 h降水量分為4個等級進行檢驗，分別為小雨(0.1～9.9 mm)、中雨(10～24.9 mm)、大雨(25～49.9 mm)、暴雨(50 mm及以上)。全球模式ECMWF、NCEP、CMA-GFS、GERMAN降水預(yù)報產(chǎn)品的檢驗時效為12～24、24～36、36～48、48～60、60～72、72～84、84～96、96～108、108～120、120～132、132～144、144～156、156～168 h，其中ECMWF、NCEP、CMA-GFS時效較其他模式多168～180 h。區(qū)域模式CMA-SH9、CMA-MESO降水預(yù)報產(chǎn)品的檢驗時效為12～24、24～36、36～48、48～60、60～72 h，其中CMA-MESO時效較其他模式多72～84 h。

可見，參與12～72 h檢驗的模式最多，有6個：ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO和CMA-SH9；參與72～84 h檢驗的有5個:ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO；參與84～168 h檢驗的模式有4個:ECMWF、NCEP、CMA-GFS、GERMAN；參與168～180 h檢驗的模式有3個:ECMWF、NCEP、CMA-GFS。

首先，開展了2018—2019年汛期(5—9月)各模式在各分區(qū)、各量級降水的TS評分檢驗，建立預(yù)報性能基礎(chǔ)序列。其次，利用2020年汛期(5—9月)各模式降水預(yù)報樣本集，計算訓(xùn)練期內(nèi)各模式在各分區(qū)、各分級降水的TS評分，從而按評分高低得到各模式在各分區(qū)、分級降水的預(yù)報性能序列。若某分區(qū)在訓(xùn)練期內(nèi)的某一量級降水實況樣本數(shù)為0個，或所有模式針對該量級降水的TS評分為0，則以預(yù)報性能基礎(chǔ)序列(即2018—2019年各模式的該量級降水TS評分)作為排序依據(jù)。

3.3 雨型客觀識別法

對于不同尺度的降水，全球模式和區(qū)域模式的預(yù)報能力各有優(yōu)劣，在分級降水預(yù)報性能序列的基礎(chǔ)上，通過研究建立物理量閾值，確定全球模式和區(qū)域模式選用的優(yōu)先級。

利用58個強降水個例，按照水汽條件、動力條件、不穩(wěn)定條件三要素以及特殊環(huán)境條件，分別提取水汽及層結(jié)特征(可降水量、850 hPa露點溫度、700 hPa 溫度露點差)、動力條件(925 hPa鋒生函數(shù)、地面3 h變壓、700 hPa風(fēng)速)、不穩(wěn)定能量(濕對流有效位能CAPE、抬升指數(shù)LI、沙氏指數(shù)SI和K指數(shù))、降水效率(抬升凝結(jié)高度LCL、暖云厚度)等相關(guān)物理量做統(tǒng)計分析，分析大尺度和中尺度降水過程期間物理量的異同，凝練了兩個主要物理量作為雨型客觀識別判據(jù)。條件1：LI<0℃；條件2：CAPE≥477 J·kg-1。當同時符合這兩個條件時，認為降水為對流性降水，優(yōu)先使用區(qū)域模式；否則為穩(wěn)定性降水，優(yōu)先使用全球模式。

3.3 “鄰域擇優(yōu)法”和“點對點擇優(yōu)法”

研究表明，ECMWF模式在長江上游流域的降水預(yù)報在落區(qū)上存在偏差(王海燕等，2017),CMA-GFS存在對流性降水預(yù)報較實況偏北或主雨帶南側(cè)暖區(qū)降水預(yù)報不足的偏差特征(宮宇等，2018)。如圖3所示，實際暴雨落區(qū)發(fā)生在灰色區(qū)域的可能性較大，但若嚴苛地點對點比較模式1和模式2預(yù)報的暴雨落區(qū)，則易漏掉暴雨重要信號。本文對大雨及以上量級采用“鄰域擇優(yōu)法”，以期有效保留各模式的強降水信息。以圖4為例，假設(shè)該預(yù)報格點所在分區(qū)、暴雨量級的模式性能排序前三的為模式a1、模式a2、模式a3，對該格點周圍5 km范圍內(nèi)進行搜索，若排序前三模式中有超過兩個預(yù)報為暴雨，則認為該格點為暴雨量級，并在兩個預(yù)報暴雨的模式中采信預(yù)報性能排序最前、距離該格點最近的模式暴雨值進行賦值。但對中雨、小雨量級，若采用“鄰域擇優(yōu)法”則會增加空報率，因此采用“點對點擇優(yōu)法”。

圖3 模式a1(白色)和模式a2(黑色)預(yù)報暴雨落區(qū)及易發(fā)生暴雨落區(qū)(灰色)的示意圖Fig.3 Rainstorm forecast area of model a1 (white), model a2 (black) and rainstorm prone area (grey)

圖4 鄰域擇優(yōu)法示意圖Fig.4 Schematic diagram of neighborhood optimization method

在方案試驗評估過程中發(fā)現(xiàn)，采用上述思想建立的產(chǎn)品與客觀數(shù)值模式對比，對大量級降水的預(yù)報質(zhì)量明顯提高，對大雨以上量級降水采用“鄰域擇優(yōu)法”較“點對點擇優(yōu)法”TS評分提高2%以上。

3.3 降水預(yù)報消空方法

(1)基于集合預(yù)報概率閾值暴雨消空法

對大量級降水預(yù)報采用“鄰域擇優(yōu)法”賦值雖然提高了預(yù)報的TS評分，但也在一定程度上增加了空報率。研究表明，ECMWF集合預(yù)報的集合平均對暴雨存在明顯漏報(董全等，2016；陳圣劼等，2019)，利用集合預(yù)報的這一特性，對2018—2019年長江流域汛期暴雨過程樣本進行統(tǒng)計，分析表明，當50 mm以上強降水概率預(yù)報小于5%時，暴雨出現(xiàn)概率極低，因此，選取5%作為強降水消空閾值。

(2)分時段閾值小雨消空法

對于小雨預(yù)報，模式預(yù)報普遍空報，因此統(tǒng)計分析各模式不同月份的小雨空報率，選取弱降水空報的最佳閾值，作為消空指標。基于不同模式降水預(yù)報產(chǎn)品在不同分區(qū)的檢驗結(jié)果，得到不同月份各模式在各分區(qū)的弱降水閾值，如：檢驗表明，7—8月ECMWF模式在某分區(qū)預(yù)報12 h降水量≤0.5 mm時，降水實況一般為0 mm，則ECMWF模式在該分區(qū)7—8月的弱降水閾值為0.5 mm。

3.3 最優(yōu)集成思路

由于獲取數(shù)值模式資料的滯后性，集成時采用前12 h起報的數(shù)值模式構(gòu)成該時次的模式集。以20時的12 h降水訂正為例，采用數(shù)值模式08時起報的12～24 h降水預(yù)報數(shù)據(jù)。最優(yōu)集成預(yù)報的“擇優(yōu)”流程如圖5所示。首先判斷該格點50 mm以上的集合預(yù)報概率是否大于5%，當大于5%時，判斷其所屬分區(qū)內(nèi)滑動訓(xùn)練期暴雨最優(yōu)模式排序，假設(shè)排序前三的模式依次為模式a1、模式a2和模式a3，且該格點周圍5 km范圍內(nèi)模式a2和模式a3預(yù)報該時效有50 mm以上的降水，則認為該格點該時效為暴雨量級。由于模式a2的預(yù)報性能優(yōu)于模式a3，因此采信模式a2的暴雨值賦值該格點。

圖5 多模式動態(tài)集成預(yù)報的“擇優(yōu)”流程圖Fig.5 Flow chart of multi-mode dynamic integrated forecast

若該格點周圍5 km范圍內(nèi)暴雨排序前三的模式中≤1個模式預(yù)報或該時效50 mm以上的集合預(yù)報概率小于5%，則認為該格點為暴雨以下量級。假設(shè)其所屬分區(qū)內(nèi)滑動訓(xùn)練期大雨最優(yōu)模式排序為模式b1、模式b2和模式b3，則尋找該格點周圍5 km內(nèi)是否有≥2個模式預(yù)報大雨，若模式b1和模式b3預(yù)報大雨，則采信滑動訓(xùn)練期預(yù)報效能較好的模式b1大雨值賦值該格點。若≤1個模式預(yù)報大雨，則繼續(xù)判斷該格點是否有≥2個模式預(yù)報中雨；若≤1個模式預(yù)報中雨，則判斷該格點是否有≥2個模式預(yù)報小雨，并利用最優(yōu)模式的小雨消空閾值判斷是否需要做消空處理；若≤1個模式預(yù)報小雨，則認為該格點無雨。由此獲得的0～168 h多模式動態(tài)集成降水預(yù)報場，稱為MDI(multi-model dynamic integration)，以預(yù)報日前14、21、28、35 d作為滑動訓(xùn)練期產(chǎn)生的多模式動態(tài)集成降水預(yù)報場分別稱為MDI-14、MDI-21、MDI-28、MDI-35。

4 2020年業(yè)務(wù)應(yīng)用效果評估

4.4 總體檢驗

2020年MDI產(chǎn)品投入業(yè)務(wù)應(yīng)用，在長江流域汛期降水預(yù)報服務(wù)中取得了良好的應(yīng)用效果。表2～表5分別是2020年5—9月MDI-14、MDI-21、MDI-28、MDI-35、ECMWF、NCEP、CMA-GFS、GERMAN、CMA-MESO、CMA-SH9逐24 h降水預(yù)報產(chǎn)品的分級降水TS評分。

對暴雨以上量級(表2)，MDI產(chǎn)品TS評分最高，其中MDI-28有6個時效排前二，且在168 h時效排第一；MDI-21有5個時效排前二，且在24、48、120、144 h等4個時效排第一；MDI-14和MDI-35都有4個時效排前二，MDI-14在72 h、168 h排第一，MDI-35在96 h時效排第一。對大雨量級(表3)，MDI產(chǎn)品TS評分仍為最高，其中MDI-28和MDI-35的預(yù)報效果較好，有5個時效排前二，其中MDI-28在24、48、96、168 h等4個時效排第一，MDI-35在24 h、72 h等2個時效排第一，另外，MDI-14在120 h、144 h等2個時效排第一。對中雨量級(表4)，MDI產(chǎn)品中MDI-35和MDI-28較模式預(yù)報優(yōu)勢明顯，有6個時效排前二，其中MDI-35有4個時效排第一。對小雨量級(表5)，MDI產(chǎn)品中MDI-35、MDI-28、MDI-21的預(yù)報效果較好，均有6個時效排前二，其中MDI-35有5個時效排第一。

表2 2020年5—9月MDI及各模式暴雨及以上預(yù)報TS評分Table 2 TS scores of MDI and numerical models’ rainstorm forecast from May to September 2020

表3 2020年5—9月MDI及各模式大雨預(yù)報TS評分Table 3 TS scores of MDI and numerical models’ heavy rain forecast from May to September 2020

表4 2020年5—9月MDI及各模式中雨預(yù)報TS評分Table 4 TS scores of MDI and numerical models’ moderate rain forecast from May to September 2020

表5 2020年5—9月MDI及各模式小雨預(yù)報TS評分Table 5 TS scores of MDI and numerical models’ light rain forecast from May to September 2020

分析各分級降水的空、漏報率(表略)發(fā)現(xiàn)，MDI產(chǎn)品對大雨、暴雨及以上的空、漏報率均明顯優(yōu)于模式產(chǎn)品，特別是24 h大雨和暴雨的空、漏報率分別為0.561、0.462和0.521、0.605，遠低于模式產(chǎn)品,對中雨的漏報率也遠比模式產(chǎn)品低;而空報率除在96～168 h的4個時效略高于ECMWF以外，其他時效均低于模式產(chǎn)品。對小雨的空報率，24～72 h小于0.5，低于數(shù)值模式預(yù)報空報率，96 h之后較模式預(yù)報略高；漏報率則相反，24～72 h在0.149～0.174，略高于模式預(yù)報，96 h之后漏報率顯著降低，在0.1以下，遠低于模式預(yù)報。

總體來看，MDI產(chǎn)品對大雨及以上降水預(yù)報，在TS評分及空、漏報的整體預(yù)報效果均較好。MDI-21對24 h、48 h暴雨以上預(yù)報效果較好，MDI-28 對大雨以上降水預(yù)報效果整體較好；對中雨及以下降水，MDI-35預(yù)報效果較好，尤其是對小雨采取了分時段閾值消空法有效控制了小雨的空報率。

4.2 24 h分級降水TS檢驗空間分布對比

挑選24 h預(yù)報各量級降水TS最高的MDI產(chǎn)品和ECMWF作比較(圖6)。以ECMWF模式為參照，對于暴雨及以上降水預(yù)報，MDI-21產(chǎn)品在除金沙江以外長江流域大部地區(qū)TS評分達到0.2以上，高于ECMWF模式，特別是在漢江上游、烏江下游、清江、澧水、長江下游等地在0.35以上，且較ECMWF模式高出0.15以上；對于大雨預(yù)報，MDI-28產(chǎn)品在流域大部達到0.3左右或以上，且除金沙江上游、嘉陵江上游少數(shù)地區(qū)外，在流域其他大部地區(qū)高于ECMWF模式，其中漢江上游部分地區(qū)高出0.1以上；對于中雨預(yù)報，MDI-35產(chǎn)品在流域大部地區(qū)達到0.32左右或以上，除金沙江上游、漢江上游、陸水、洞庭湖流域部分地區(qū)外，流域其他地區(qū)均高于ECMWF模式；對于小雨預(yù)報，MDI-35產(chǎn)品在大部地區(qū)達到0.45以上，金沙江上中游、雅礱江、岷沱江、嘉陵江、長江上游干流等地達到0.55以上，且大部分地區(qū)高于ECMWF模式。

圖6 2020年5—9月(a)MDI-21暴雨，(b)MDI-28大雨，(c)MDI-35中雨，(d)MDI-35小雨的預(yù)報TS(填色)分布及其與ECMWF對比(等值線為MDI與ECMWF的TS評分差值，實線為正值，虛線為負值)Fig.6 TS-score (colored) distribution of (a) MDI-21 rainstorm, (b) MDI-28 heavy rain, (c) MDI-35 moderate rain and (d) MDI-35 light rain from May to September 2020 and its comparison with ECMWF (Contour is the TS-score difference between MDI and ECMWF, solid line is positive, and dotted line is negative)

可以看出，MDI產(chǎn)品的各級降水預(yù)報TS評分在長江流域大部地區(qū)較ECMWF模式有很大提高，特別是對大雨及以上量級的降水，在長江上游東部、中下游沿江及以北地區(qū)的優(yōu)勢較為明顯；對中雨及以下量級的降水，則在長江流域中部和南部地區(qū)的優(yōu)勢較為明顯。

5 結(jié)論與討論

將長江流域劃分成43個區(qū)域，分別以預(yù)報日前14、21、28、35 d作為滑動訓(xùn)練期，基于多種全球和區(qū)域模式對每個分區(qū)開展分時效、降水分級的滾動TS檢驗，得到每個分區(qū)各時效各量級的模式性能排序。按照暴雨、大雨采用“鄰域擇優(yōu)法”，中雨、小雨采用“點對點擇優(yōu)法”的集成思路，輸出MDI-14、MDI-21、MDI-28和MDI-35共四種產(chǎn)品。對比分析2020年5—9月MDI及模式降水產(chǎn)品的預(yù)報效果，得到以下結(jié)論：

(1)從TS評分來看，MDI產(chǎn)品整體的預(yù)報效果較好。對大雨及以上量級降水MDI-28的整體預(yù)報效果較好，另外，24 h暴雨及以上降水MDI-21具有較好預(yù)報效果。對中雨及以下量級降水MDI-35產(chǎn)品預(yù)報效果較好。

(2)從空、漏報率來看，MDI產(chǎn)品對大雨及以上降水的預(yù)報效果最好，可見“鄰域擇優(yōu)法”應(yīng)用在≥25 mm 的降水上，并采用基于集合概率預(yù)報閾值消空的方法，可以較好地控制空、漏報率。“點對點擇優(yōu)法”應(yīng)用在<25 mm的降水上還是會造成一定的空報率的增加，而對小雨采取分時段閾值消空法有效降低了小雨的空報率，以此為代價帶來的漏報率的增加也有限，整體還是對預(yù)報的正確率有正貢獻。

(3)從MDI產(chǎn)品與ECMWF模式的24 h檢驗結(jié)果在長江流域分布情況來看，MDI產(chǎn)品在各量級降水的預(yù)報上較ECMWF模式有很大優(yōu)勢，特別是對大雨及以上量級的降水，其在長江上游東部和中下游中部、北部地區(qū)表現(xiàn)出較好的預(yù)報能力，可為長江流域洪澇災(zāi)害防御氣象服務(wù)提供較好的科技支撐和決策依據(jù)。

(4)最優(yōu)集成方案能有效提升長江流域降水預(yù)報能力，不足之處在于對長江上游金沙江流域預(yù)報能力改善效果差。這主要是因為制定分區(qū)分級模式性能排序方案時，僅考慮了TS評分這一項檢驗指標，金沙江上游、雅礱江等地由于觀測站點少，限制了對降水分布的細致分析和預(yù)報效果的評估。今后還需開展多源降水融合分析格點實況應(yīng)用,納入多種檢驗方法,結(jié)合天氣系統(tǒng)移動、降水季節(jié)變化和地形分布特點設(shè)計最佳模式集成方案，從而更合理地取眾模式之長，找到每一個格點的最佳賦值。