新增積雪深度客觀預報技術研究及其應用*

符嬌蘭 陳博宇 陳 雙 董 全 曹 勇 楊舒楠

國家氣象中心，北京 100081

提 要：利用地面歷史觀測數據對我國冬季典型降雪過程的雪水比進行了統計分析，在此基礎上，利用改進后的Cobb算法、ECMWF IFS模式預報及中央氣象臺降水和相態網格預報構建了雪水比和新增積雪深度物理預報模型。結果表明：我國降雪過程的雪水比分布較廣，最小為0.3∶1,最大為100∶1,僅有4%左右的雪水比為10∶1；雪水比具有明顯的區域和季節特征，新疆、西北地區東部、華北以及東北地區雪水比大于其他區域，冬季較春、秋季雪水比大；改進后的Cobb算法建立了隨地形高度變化的云識別方案，利用云內溫度與雪水比統計關系及垂直速度構建了雪水比和新增積雪深度預報模型，其預報的雪水比和新增積雪深度空間分布特征較原Cobb算法的預報更接近實況；結合雪水比預報模型和中央氣象臺降雪網格技術的新增積雪深度預報較ECMWF IFS模式預報有明顯的改進，相對模式新增積雪深度預報TS評分提高率基本在10%以上，尤其對20 cm以上新增積雪深度預報能力提升明顯。

引 言

強降雪天氣形成的積雪是雪災關鍵致災因子之一(宮德吉和郝慕玲，1998;時興合等，2006)。2010年新年伊始，我國華北地區普降大到暴雪，降雪量達到歷史同期第一位(李青春等，2011)。與此同時，1 月3 日20 時北京南郊觀象臺觀測的積雪深度達23.4 cm，突破歷史極值。這場暴雪給人們的生產生活、尤其是交通出行等造成了非常嚴重的影響。2018年1月3—5日安徽省中北部出現了大暴雪到特大暴雪天氣,全省有51個市縣積雪超過15 cm,合肥積雪達到21 cm(楊祖祥等，2019)。受積雪影響，4日合肥市望江路公交站臺頂板在大雪中倒塌,造成一死多傷,帶來了極大的社會關注度。

雪水比，即某一時間段內(如24 h)降雪天氣產生的新增積雪深度(單位：cm)與相應的降雪融化后形成的液態水量(單位：mm)之間的比值(國際上通常稱為snow to liquid ratio或者snow ratio，簡稱SR)，是降雪過程新增積雪深度預報所必須的重要參數(崔錦等，2017)。多年來，業務新增積雪深度預報多以經驗預報為主，預報員根據新增積雪深度與降雪量之間的經驗關系(雪水比經驗值),將降雪量預報換算成積雪深度預報。1878年加拿大的氣象觀測員根據多倫多安大略湖長期觀測資料分析得到了當地平均雪水比為10∶1。此后，相當長的一段時間內，國內外氣象業務部門利用雪水比10∶1對積雪深度進行簡單的換算預報。然而，隨著觀測記錄日益增多，分析發現雪水比10∶1是一個相當粗糙的近似值(Cobb and Waldstreicher，2005)。Judson and Doesken(2000)對美國大量降雪過程進行了統計分析，表明雪水比為3∶1～100∶1。不少研究也表明不同降雪天氣過程對應的雪水比數值相差甚遠(Doesken and Juson,1996;Super and Holroyd,1997)。陳雙和符嬌蘭(2021)對華北地區兩次降雪過程的對比分析也表明不同天氣過程雪水比差異非常大。由此可見，要開展新增積雪深度預報，就必須弄清楚我國降雪天氣雪水比的氣候分布特征。然而目前我國對雪水比氣候特征的研究工作相對較少，起步較晚。楊琨和薛建軍(2013)僅用了兩個冬季的觀測數據進行了研究，缺少不同季節不同區域雪水比的統計分析。近年來，崔錦等(2015)、王一頡等(2019)、楊成芳和朱曉晴(2020)、魏凌翔等(2021)對北方部分地區的雪水比氣候特征及影響因子進行了分析，但缺乏全國范圍內的分析。

曹冀魯(2010)指出，我國氣象業務部門僅發布降雪量預報，并不提供積雪深度預報產品，這容易造成公眾對預報信息理解的偏差。為了滿足日益增加的氣象預報服務需求，有必要開展精細化積雪深度預報業務，然而，目前我國新增積雪深度預報技術支撐相對較薄弱。國際上積雪深度預報技術主要有四大類：數值模式預報、氣候學、統計預報模型以及物理預報模型(Alcott and Steenburgh，2010)。以歐洲中期天氣預報中心全球預報模式(以下簡稱為ECMWF IFS)為例，其積雪深度預報是陸面物理過程的一部分，通過地表雪水含量和積雪密度計算得到積雪深度,由于目前模式積雪密度采用一層模式，勢必會導致密度偏大、積雪偏小(ECMWF，2020)。Roebber et al(2003；2007)通過分析溫度、濕度、地面風場等物理因子與雪水比的統計關系，利用神經網絡的方法建立了雪水比的統計預報模型。Cobb and Waldstreicher(2005)利用溫度和雪水比的統計關系，以垂直速度作為權重系數建立了雪水比物理預報模型，并結合降雪量預報開發了新增積雪深度預報技術(以下簡稱Cobb算法)，該技術已在美國氣象部門得到了很好應用。考慮到利用統計模型需要大量的歷史觀測數據，2013年我國地面觀測業務開始改革，夜間降水相態等人工觀測業務取消，導致近年來降雪量等觀測信息的缺失，因此本文主要參考Cobb算法構建新增積雪深度物理預報模型和客觀預報技術。

本文利用地面站觀測數據、ECMWF IFS模式預報數據、中央氣象臺智能網格降水、降水相態預報等資料對我國典型降雪過程的雪水比氣候特征進行分析，在此基礎上建立了新增積雪深度客觀預報技術，并對其預報效果進行應用評估。

1 資料及方法介紹

利用我國1951—2012年國家站地面觀測數據集中的降雪量(SN)、風速、積雪深度數據，基于對典型降雪事件的定義選取了我國典型降雪個例，通過計算當日08時與前一日08時積雪量差，獲得當日08時24 h累計新增積雪量(NSD)，利用式(1)得到雪水比(SR)，并對其進行氣候統計。此外，利用ECMWF-IFS模式預報的溫度、相對濕度和垂直速度等物理量(空間分辨率為0.2°，時間分辨率為3 h和6 h)、中央氣象臺智能網格降水和相態預報產品(空間分辨率為5 km，時間分辨率為3 h)以及5 km分辨率地形數據建立了雪水比和新增積雪深度客觀預報技術。進一步利用2019年10月至2020年3月地面積雪觀測、ECMWF-IFS模式積雪深度預報及新增積雪深度客觀預報數據，通過計算式(2)的TS評分對新增積雪深度客觀預報產品預報性能進行評估。

(1)

(2)

式中:Na為預報正確站點數，Nb為空報站點數，Nc為漏報站點數。

2 我國典型降雪天氣雪水比氣候特征分布

為避免弱降雪觀測不精確以及風吹雪等對積雪的影響(Roebber et al,2003)，典型降雪個例選取標準為：24 h累計降雪量≥2.5 mm，累計新增積雪深度≥3 cm，同時地面風速<9 m·s-1。需要說明是，盡管對降雪個例進行了篩選，但是我國積雪觀測資料只有08時24 h累計積雪量記錄，中間可能出現融雪等現象，因此可能會導致計算的雪水比比實際值要偏小。通過對我國1951—2012年國家站降水量、積雪深度以及10 m風場等觀測數據進行篩選，共有800個站點44 567個站次滿足上述標準。根據式(1)雪水比的計算方法，利用24 h累計降雪量和新增積雪深度觀測數據，計算得到所有站次的雪水比，并對所有站次以及558個站點(該站點樣本數大于10)雪水比進行了時空特征分析。從所有站次雪水比統計特征分布可以看出(圖1)，雪水比分布非常廣，最小值為0.3∶1，最大值為100∶1，僅有1705個站次雪水比為10∶1(9.5∶1～10.4∶1)，占比4%左右，與Roebber et al(2013)的研究結果基本一致。按照基于雪水比的降雪性質分類方法，可將降雪分為干雪個例(SR≥15∶1)、濕雪(SR≤9∶1)以及正常降雪(9∶1

圖1 我國44 567個站次雪水比頻次統計分布

楊琨和薛建軍(2013)分析指出雪水比具有明顯的地區差異。為此，進一步對雪水比時空分布進行分析。圖2a為冬半年雪水比平均值的空間分布，新疆、西北地區東部、華北、東北地區等地雪水比氣候均值≥10∶1，其中內蒙古東北部、黑龍江及新疆、甘肅西部等地的部分地區雪水比平均值>12∶1，最大可達16∶1；青藏高原地區、黃淮、江淮、江漢以及貴州等地雪水比均值為<10∶1、>7∶1,江南等地大部地區雪水比<7∶1，云南西北部個別站點雪水比<5∶1。與此同時，從春、秋季以及冬季雪水比平均值分布可以看出(圖2b～2d),雪水比表現出一定的季節差異，總體而言冬季雪水比最大，其次為春季，秋季最小；冬季，黃淮及其以北大部地區平均雪水比>10∶1；秋季僅新疆、甘肅中西部、內蒙古中東部以及東北地區大部雪水比>10∶1；此外，華北、黃淮、江淮、江漢以及青藏高原東部等地雪水比季節特征最顯著。Roebber et al(2007)研究指出，雪水比受大氣溫度、濕度、地面和地表溫度等因素影響。由于我國不同季節、不同區域大氣溫度、濕度以及地面和地表溫度等氣象條件存在較大的差異，我國雪水比存在明顯的季節性以及區域性特征。基于氣候學或者經驗值的雪水比對新增積雪深度進行預報將會帶來較大的預報偏差。

圖2 我國(a)冬半年、(b)秋季、(c)冬季、(d)春季典型降雪天氣雪水比氣候特征分布

3 新增積雪客觀預報技術

積雪形成與云內、云外以及地面過程等有關(Roebber et al,2003)，其中云內微物理過程對積雪形成至關重要。Cobb算法建立的雪水比及積雪深度物理預報模型主要考慮了云內微物理過程對積雪深度的影響。研究表明：云內-18～-12℃溫度層最有利于樹枝狀冰晶的形成，對應的降雪雪密度低，雪水比大，高于或低于該溫度則雪密度增加，雪水比明顯減小(Libbrecht,2006)。在飽和情況下，垂直速度與單位時間降水率直接有關，大的垂直速度將會把云內過冷卻水帶到更高的冰晶層內，從而有利于冰晶增長，并進一步影響雪水比，因此基于Cobb算法構建的預報模型重點引入了云內溫度、垂直速度等變量計算雪水比(Cobb and Waldstreicher,2005)。本文參考Cobb算法利用ECMWF IFS模式輸出的高空溫度、相對濕度、垂直速度以及高度場等變量建立了雪水比預報模型，算法具體如下：

首先需要在模式輸出的濕度廓線內識別出云，Cobb算法(Barnwell,2011)利用相對濕度>90%來識別云，根據中央氣象臺多年預報經驗表明，模式預報的相對濕度達到85%左右就有可能出現降雪，因此本文將云定義為相對濕度≥85%。考慮到地形的影響，不同海拔高度云識別的上下邊界選擇的氣壓層不一樣，云識別范圍的下邊界氣壓層位勢高度必須≥地形高度(H)，上邊界最高氣壓層選取標準如下：

當H≥4000 m，最高氣壓層為100 hPa；

當2000 m≤H<4000 m，最高氣壓層為200 hPa；

當1000 m≤H<2000 m，最高氣壓層為300 hPa；

當H<1000 m，最高氣壓層為400 hPa。

其次，計算云內各層雪水比權重系數Wi，具體如下：

(3)

式中：ωmax為整個云體內最大垂直上升速度，ω是任意云層內的平均垂直上升速度，φ2、φ1為云層上下邊界的位勢高度。

SRi(T)為云內某一氣壓層上的雪水比，由雪水比和溫度的統計關系得到。最后，計算整個云內加權的雪水比WSRi，并將各層雪水比累加得到最終雪水比WSR，具體如下：

(4)

WSR=∑WSRi

(5)

由于ECMWF IFS模式空間分辨率為9 km，為了得到更精細的積雪深度預報產品，利用雙線性插值方法將模式溫度、相對濕度、垂直速度以及高度場插值到5 km分辨率。結合5 km分辨率地形數據以及上述變量，根據式(3)～式(5)分析得到5 km分辨率的雪水比預報產品。

在雪水比預報模型的基礎上，根據雪水比計算式(1)，用雪水比乘以降雪量即可得到新增積雪深度。由于數值模式降水量(曹勇等，2016)和相態預報(董全等，2020a；2020b)存在一定的預報偏差，預報的精細化程度也無法滿足業務預報需求。近年來，中央氣象臺發展了智能網格降水量和相態預報技術。從預報效果來看，格點化定量降水預報TS評分和均方根誤差均較ECMWF IFS模式降水預報有一定提高(曹勇等，2016)。基于集合預報系統的最優概率閾值法構建的相態預報技術較集合預報系統控制成員及ECMWF IFS模式預報顯著提高了降水相態預報能力(董全等，2020a；2020b)。因此,本文降雪量預報數據來源于中央氣象臺智能網格降水以及相態預報產品，通過判斷逐3 h或6 h的降水相態類型，將出現降雪時段的降水量確定為相應時段的降雪量，結合雪水比預報模型即可得到相應時段的新增積雪深度預報，具體技術流程見圖3。根據上述技術流程，發展了雪水比、新增積雪深度預報技術，相應的產品空間分辨率為5 km，1～3 d預報時效時間分辨率為3 h、6 h、24 h，4～10 d預報時效時間分辨率為6 h、24 h。

圖3 新增積雪預報技術流程框架圖

考慮到地形的影響，不同于Cobb算法預報模型(以下簡稱Cobb方案)對云識別范圍定義(云識別范圍為1000～500 hPa)(Cobb and Waldstreicher,2005)，本文所采用的算法(以下簡稱為改進后的Cobb方案)在云識別方案中對不同地形高度區域的云識別范圍進行了規定，具體見上文。為了對比不同云識別方案對新增積雪預報性能的影響，本文選取典型個例進行分析。2018年1月3日，西北地區東部、華北西部、黃淮西部、江淮、江漢等地出現了大范圍強降雪，大部地區出現了中到大雪，陜西關中平原、山西南部、河南西部和南部、安徽中北部、湖北中北部等地出現暴雪到大暴雪，局地特大暴雪(圖4a)。需要說明的是，考慮到有些區域出現了雨雪相態轉化，由于積雪只有24 h累計量觀測，為了保證分析的準確性，分析時已將24 h內出現了雨雪相態轉化的站點過濾掉。受其影響，上述大部地區新增積雪深度達到3～10 cm，其中，陜西關中平原、山西南部、河南西部和南部、湖北北部、安徽中北部等地的部分地區新增積雪深度高達10～30 cm，局地超過30 cm(圖5a)。通過積雪深度觀測及降雪量計算得到實況24 h雪水比(圖6a)，實況雪水比表現出明顯的區域差異，河南中南部、湖北中北部、蘇皖北部等地雪水比為3∶1～10∶1，局地大于10∶1，而西北地區東部、山西中南部、河南北部等地大部分地區雪水比在10∶1～25∶1，局地大于30∶1。

圖4 (a)2018年1月4日08時觀測的降雪量(彩色點，單位：mm)及(b)中央氣象臺智能網格36 h預報時效降雪量預報(填色)

圖5 (a)2018年1月4日08時觀測的24 h累計新增積雪深度(單位：cm)及(b)改進后的Cobb方案,(c)Cobb方案36 h時效24 h累計新增積雪預報(填色)

圖6 (a)2018年1月4日08時觀測的24 h累計雪水比實況以及(b)改進后的Cobb方案,(c)Cobb方案的雪水比預報

圖4b顯示，對于上述地區的降雪，中央氣象臺智能網格預報的降雪范圍和強度與實況基本一致，僅在湖北西南部等地降雪預報較實況偏大。湖北西南部降雪偏大的主要原因是智能網格相態預報為純雪，而實況該地區為降雨。對比改進后的Cobb方案與Cobb方案相應的新增積雪預報可見(圖5b,5c)，除了在湖北西南部因相態預報偏差出現明顯空報之外，二者預報的新增積雪與實況基本一致，但改進后的Cobb方案對河南東南部、安徽北部以及湖北北部大于20cm新增積雪深度預報更接近實況，且在河南等地預報出了30 cm以上的積雪，與實況相符。Cobb方案對上述地區的新增積雪深度明顯偏小，對山西中部、河南東北部等地新增積雪深度高估。從TS評分也可以看出(圖7)，改進后的Cobb方案各量級新增積雪深度均較Cobb方案的TS評分提高明顯，尤其對大于10 cm及以上量級的預報TS評分提高率大于18%。

圖7 2018年1月4日08時36 h時效基于改進后的Cobb方案和Cobb方案新增積雪深度預報TS評分

對比分析Cobb方案與改進后的Cobb方案雪水比預報可以發現(圖6b,6c)，兩個方案預報的雪水比空間分布與實況較為一致，但Cobb方案對山西、河南北部雪水比預報明顯較實況偏大，對于河南南部等地雪水比預報略偏小，而改進后的Cobb方案對河南、山西等地的預報更接近實況，較為準確地預報了河南東南部20 cm以上新增積雪，并減少了山西中部和河南北部積雪深度高估情況。

可見，兩個方案新增積雪深度以及雪水比預報差異最大主要位于河南東南部等地。為進一步說明二者偏差來源，以河南東南部為例，對其溫度、濕度以及垂直速度的垂直結構進行分析。從ECMWF IFS模式2日20時預報的物理量廓線可以看出(圖8)，最有利于冰晶增長的溫度層結(-18～-12℃)位于500～400 hPa，且最大垂直速度基本與該層結重合，根據陳雙和符嬌蘭(2021)、Lib-brecht(2006)等研究表明，1 000～400 hPa層內溫度和垂直速度的垂直分布更有利于密度較小、雪水比大、積雪深度大的降雪產生，Cobb方案僅考慮1000～500 hPa層內的溫度和抬升速度對雪水比的影響，由于該層結內溫度普遍高于-12℃，過冷卻水含量較高，更有利于密度大、雪水比小的降雪產生，這也就是改進后的Cobb方案雪水比較Cobb方案大、預報的新增積雪深度與實況更為接近的原因。

圖8 ECMWF IFS模式2018年1月2日20時預報的2日20時至4日20時區域(32.3°～33.3°N、114.3°～115.8°E)平均溫度(紅色線及填色,單位：℃)、相對濕度(綠色實線,單位：%)及垂直速度(黑色線,單位：Pa·s-1)時間-高度剖面對比

2019年11月17日，吉林大部、黑龍江等地普降大到暴雪，吉林東部、黑龍江東部出現大暴雪，局地特大暴雪，大部地區降雪量預報與實況基本一致，黑龍江中西部略偏大(圖略)。圖9顯示，吉林大部、黑龍江大部24 h新增積雪深度超過5 cm，吉林大部、黑龍江東部新增積雪深度10 cm以上，局地達到30 cm。總體而言，兩個方案新增積雪深度預報對吉林中東部和黑龍江東部積雪深度預報與實況基本一致，基于改進后的Cobb算法準確預報了吉林東部局地30 cm積雪，但二者對30 cm積雪范圍預報較實況偏大。此外，對黑龍江中西部積雪預報也略偏大；一部分是由于降雪量預報較實況略偏大(圖略)，另一部分原因則與雪水比預報偏差有關。進一步對比兩種方案的雪水比預報發現(圖10)，基于Cobb算法的雪水比較實況明顯偏大，尤其是在黑龍江中西部，基于改進后的Cobb算法對雪水比偏大的誤差有明顯改進。從圖10a藍色方框內的溫度、濕度及垂直速度剖面可以看出(圖略)，降水期間，云層伸展高度達到了400 hPa及以上，最有利于冰晶增長的溫度層結位于925～700 hPa，最大抬升速度主要位于500 hPa及以下，同時，黑龍江中西部地形復雜，大部分地區地形高度在500 m以上，因此基于改進后的Cobb算法較基于Cobb算法的雪水比小，且更接近實況。從新增積雪深度預報TS評分可以看出(圖11)，基于改進后的Cobb算法新增積雪深度預報TS高于基于Cobb算法的新增積雪深度預報。

圖9 同圖5，但為2019年11月18日08時

圖10 同圖6，但為2019年11月18日08時

圖11 同圖7，但為2019年11月18日08時

綜上所示，基于改進后的Cobb方案相對Cobb方案對雪水比及新增積雪預報改進明顯。需要指出的是，Cobb方案及改進后的Cobb方案僅考慮了與云內微物理過程有關的溫濕廓線對新增積雪深度的影響，并未考慮融雪等近地面過程。由于目前常規積雪深度觀測僅有24 h累計量，期間發生的融雪量無法觀測。因此，本文所探討的雪水比有可能比實際雪水比大，這可能是上述個例中本方案預報的雪水比在部分地區較實況雪水比偏大的可能原因。目前，即使是預報性能最好的ECMWF IFS模式，也不能較好地把降雪伴隨的地面融化過程刻畫好，未來還需要增加地面融雪預報技術的研發。

4 新增積雪客觀預報產品檢驗評估

為更好評估新增積雪客觀預報產品預報性能，利用全國國家站08時實況積雪深度觀測資料對2019年10月至2020年3月期間新增積雪客觀預報產品以及ECMWF IFS模式新增積雪預報產品的預報情況進行了檢驗。用當日08時積雪深度觀測量減去前一日08時積雪深度觀測量得到當日08時24 h累計新增積雪深度實況資料。ECMWF IFS模式積雪預報(sd)數據是通過積雪當量預報(SWE)以及雪密度D計算得到，具體見式(6)。進一步參考實況新增積雪深度計算方法得到ECMWF IFS模式新增積雪深度預報數據。

(6)

式中：D為降雪密度(單位：kg·m-3)，SWE為積雪深度當量(單位：10-7m·kg·m-3)，sd為積雪深度(單位，cm)。

利用雙線性插值方法將ECMWF IFS模式和基于改進后的Cobb算法新增積雪預報數據插值到實況新增積雪站點上，并計算新增積雪TS評分。參照降雪量等級及積雪觀測業務規范，評分等級分別為1、3、5、10、20、30 cm，并進一步按照下式計算了相對ECMWF IFS模式新增積雪預報產品的TS評分提高率(RIT)。

(7)

式中：Tsa為基于改進后的Cobb算法新增積雪預報產品TS評分，而Tsb為ECMWF IFS模式新增積雪預報產品的TS評分。

從提前1～3 d的預報評分可以看出(圖12)，基于改進后的Cobb算法新增積雪深度預報產品對絕大部分量級新增積雪深度預報評分要優于ECMWF IFS模式，提前2 d預報評分提高率基本達到了10%以上(圖12a)，尤其是大于20 cm新增積雪深度預報，評分相對模式提高率超過100%(圖12b)，可見，該方法相對數值模式改進明顯。對于30 cm以上新增積雪深度預報評分，提前1～2 d該方法較模式略有降低。通過分析發現，2019年10月1日至2020年3月20日期間，30 cm以上新增積雪觀測記錄主要位于西藏邊境線附近，考慮到該地區觀測極少，模式預報的降雪強度通常較觀測強，易造成空報，中央氣象臺智能網格降水預報對此處降雪量進行了一定程度的消空，可能造成對個別強降雪過程的漏報，從而導致新增積雪深度預報偏小。

圖12 2019年10月1日至2020年3月20日短期時效(36～84 h)(a)基于改進后的Cobb算法和ECMWF IFS模式新增積雪深度預報TS評分，(b)改進后的Cobb算法相對于ECMWF IFS模式預報TS評分提高率

5 結論與討論

本文利用歷史觀測數據對我國典型降雪過程的雪水比氣候特征進行了統計研究，在此基礎上，構建了基于改進后的Cobb算法的雪水比及新增積雪深度客觀預報技術，并對其進行了應用評估，具體結論如下：

(1)我國典型降雪過程的雪水比統計分布較廣，最小值為0.3∶1，最大值為100∶1，僅有4%左右的雪水比為10∶1，雪水比位于9∶1～15∶1的樣本占比也僅有30%左右。雪水比具有明顯的季節和區域特征，北方地區雪水比較南方地區大，冬季雪水比較秋、春季大。

(2)基于改進后的Cobb方案建立了雪水比及新增積雪預報技術。較原Cobb方案，改進后的Cobb方案考慮了地形對不同區域降雪云邊界識別及云內溫度及垂直抬升速度廓線的影響，檢驗表明改進后的Cobb方案雪水比和新增積雪預報性能較原方案改進明顯。

(3)基于改進后的Cobb算法新增積雪預報性能較好，準確率較ECMWF IFS模式預報有明顯提高，短期時效內(1～3 d)大部分量級預報提高率均在10%以上，尤其是對于20 cm以上的新增積雪深度，提高率可達100%及以上。

本文利用改進后的Cobb算法構建了雪水比和新增積雪預報技術，該技術已在中央氣象臺得到很好應用，并加入了“智慧冬奧2022天氣預報示范計劃”，為冬季強降雪預報以及2022年北京冬奧會賽事氣象服務保障提供了有力的技術支撐。應用評估表明，盡管該預報技術較模式積雪預報有明顯提升，但仍有較大的改進空間，一方面降水相態預報難度較大，當出現較復雜的相態轉換過程，降水相態預報可能會出現一定的誤差，進而會導致新增積雪預報出現較大偏差；此外，降雪過程近地面溫度或地表溫度高于0℃，就會出現一定的融雪現象，而目前研發的新增積雪預報技術并未考慮到地面融雪過程，這也會影響到新增積雪預報準確率(胡寧等，2021；楊成芳和劉暢，2019)。因此，未來需要進一步提升降水相態預報性能，同時，探索近地面融雪過程對新增積雪深度的影響及相應的預報技術，從而更好地提高新增積雪預報準確率。