2020年江蘇主汛期短期暴雨預報檢驗*

蘇 翔 劉 梅 康志明 李 昕

1 中國氣象局交通氣象重點開放實驗室，南京 210041 2 江蘇省氣象臺，南京 210041 3 南京氣象科技創新研究院，南京 210041

提 要： 基于江蘇預報業務常用的三個全球模式(ECMWF、NCEP-GFS、CMA-GFS)、三個區域模式(CMA-MESO、CMA-SH9、PWAFS)、本地客觀預報和預報員主觀預報，對2020年江蘇主汛期(6—9月)中的短期暴雨預報總體性能進行檢驗，并按降水性質分穩定性暴雨和對流性暴雨分別進行了檢驗和個例展示。結果表明：從總體檢驗來看，預報員的暴雨主觀預報僅在24 h時效內相比于ECMWF有TS評分正技巧，本地客觀和預報員暴雨預報的TS評分>區域模式>除ECMWF以外的全球模式，且無論是全球模式還是區域模式，并非分辨率越高預報性能越好；區域模式的暴雨預報大多面積偏大，空報率較高；全球模式除ECMWF以外的暴雨預報大多面積偏小，漏報率較高；20時起報的CMA-MESO的預報性能明顯好于08時起報的預報；對于穩定性暴雨預報，應重點參考ECMWF、48 h時效內的本地客觀預報和20時起報的CMA-MESO；對于對流性暴雨預報，應重點參考區域模式CMA-SH9、PWAFS和24 h時效內的本地客觀預報。

引 言

2020年6月9日江蘇淮河以南地區自南向北先后入梅，江蘇正式進入主汛期(6—9月)。期間經歷了長達51 d的超長梅雨期(6月9日至7月29日)，暴雨頻發，全省平均梅雨量達615.4 mm，是常年同期(236 mm)的2.61倍，為有氣象記錄以來第二多(僅次于1991年的738.8 mm)。不少氣象工作者通過診斷分析(杜小玲等，2016；蔣駿等，2016；金瓊等，2020；毛程燕等，2019)和數值試驗(劉建勇等，2011；閔錦忠等，2018；梅疏影和閔錦忠，2018；張舒陽和閔錦忠，2018)研究了梅雨鋒暴雨的環流特征和發展機制，而且在實際暴雨預報業務中，數值模式提供的降水預報是預報員最重要的參考依據。

一些學者對部分業務模式的暴雨預報性能進行了檢驗評估。孫素琴等(2017)基于歐洲中期天氣預報中心(ECMWF)、日本氣象廳(JMA)和T639模式降水預報產品，對2015年江西省汛期區域性暴雨預報進行了檢驗，發現ECMWF模式的降水預報分布總體偏北，三個模式都存在暴雨漏報的問題。黨英娜(2018)基于ECMWF和華東區域氣象中心模式(CMA-SH9)，對山東半島2016—2017年汛期暴雨預報能力進行了檢驗，發現ECMWF暴雨預報偏弱，CMA-SH9空報率高。宮宇等(2018)對比了中國氣象局全球同化預報系統(CMA-GFS)、ECMWF和T639在2013—2015年的20次南方暴雨、6次北方暴雨以及12次臺風暴雨預報中的性能，發現CMA-GFS模式明顯優于T639，預報穩定性較好。然而上述研究與江蘇預報業務的實際情況存在一定差距，一方面是區域氣候特征上的差異，另一方面是所用的業務模式有所不同，例如JMA和T639模式在江蘇已被其他的數值模式所取代。目前江蘇預報業務上常用的三個全球模式為ECMWF、美國國家環境預報中心全球預報系統(NCEP-GFS)、CMA-GFS，常用的三個區域模式為中國氣象局中尺度天氣數值預報系統(CMA-MESO)、CMA-SH9和江蘇本地研發的精確化天氣分析與預報系統(PWAFS)(Li et al，2016；2020)，與之相關的本地化檢驗評估研究仍相對缺乏。

此外，基于統計學的客觀訂正和基于預報員經驗的主觀訂正相比于數值模式是否有預報技巧也是預報業務亟需了解的問題。為了改進預報水平，除了大力發展更加先進的數值模式以外，模式統計后處理技術也在暴雨預報中得到了廣泛應用(代刊等，2018；蘇翔和袁慧玲，2020)。例如，江蘇采用改進的頻率匹配法(Zhu and Luo，2015；蘇翔等，2021)，對ECMWF確定性預報進行訂正，生成本地客觀降水預報業務產品。2020年主汛期，江蘇還引進中央氣象臺主客觀融合算法(唐健等，2018)，并在本地化部署時開發了集合融合和物理量融合等多種落區與格點預報融合技術，讓預報員在網格預報的基礎上制作編輯落區預報，實現落區反演格點預報產品入庫，形成統一的主客觀融合產品，解決了傳統預報“兩張皮”的問題，即預報員的降水落區預報與上傳的站點考核預報不一致的問題。

除了需要考察江蘇2020年主汛期暴雨預報的整體性能以外，由于不同天氣系統引發的暴雨存在物理機制上的差異(傅云飛等，2020)，可進一步將暴雨樣本按降水性質分為穩定性降水和對流性降水分別進行檢驗。例如梅雨鋒中不同尺度天氣系統的相互作用使得梅雨鋒暴雨的形成機制較為復雜(陸漢城，2019)，既有層狀云降水，也可產生較強的積云對流(壽紹文，2019)。按降水性質分類統計不同預報產品的暴雨預報性能對于業務具有更加實際的指導意義。

本文基于江蘇預報業務常用的數值模式、本地客觀、預報員主觀的短期降水預報產品和站點觀測資料，首先對比不同預報產品在2020年江蘇主汛期短期暴雨預報中的整體性能，其次檢驗不同預報產品在穩定性暴雨和對流性暴雨預報中的不同表現，最后選取典型暴雨個例進行展示說明。這些分析有助于預報員了解不同預報產品在江蘇主汛期暴雨預報中的性能，總結預報經驗，以期提升江蘇主汛期暴雨預報水平。

1 資 料

1.1 觀測資料

所用的觀測資料來源于中國氣象局考核的259個江蘇基本站和優質加密站的08時至次日08時和20時至次日20時(北京時，下同)累積降水。相比于僅使用基本站和使用所有加密站，可在保證較高數據質量的同時提供更加豐富的降水細節信息。需要注意的是，使用不同的觀測資料進行檢驗所得的預報評分會有差異。

1.2 模式資料

江蘇預報業務常用的三個全球模式分別為：(1)歐洲中期天氣預報中心ECMWF模式，水平分辨率為0.125°，每日進行2次0～15 d預報；(2)美國國家環境預報中心NCEP-GFS模式，水平分辨率為0.5°，每日進行4次0～16 d預報；(3)我國自主研發的CMA-GFS模式，水平分辨率為0.25°，每日進行2次0～10 d預報。

江蘇預報業務常用的三個區域模式分別為：(1)我國自主研發的中尺度模式CMA-MESO，水平分辨率為3 km，對流可解析(無積云對流參數化)，每日進行2次0～36 h預報，采用NCEP同時刻分析場和云分析生成模式初值(許晨璐等，2017；張小雯等，2020)；(2)華東區域氣象中心模式CMA-SH9，水平分辨率為9 km，每日進行4次0～72 h預報，同化了中國高低空常規觀測資料、雷達基數據以及風云衛星等多源資料，采用復雜云分析技術改善了模式初始場，并對模式的對流參數化方案和微物理過程進行了優化(呂林宜等，2019)；(3)江蘇本地PWAFS模式，由江蘇省氣象局與美國俄克拉何馬大學CAPS實驗室合作搭建，內核使用ARW-WRF V3.5.1，采用單向嵌套雙重網格，外層區域水平分辨率為15 km，采用Kain-Fritsch積云對流方案，內層區域水平分辨率為3 km(本文使用3 km分辨率)，對流可解析，每日進行8次預報，其中08時和20時起報的預報時效均為0～72 h(Li et al，2016)。

1.3 本地客觀預報

目前江蘇預報業務上采用改進的頻率匹配法(Zhu and Luo，2015；蘇翔等，2021)，對ECMWF確定性降水預報進行實時訂正，生成與原始預報具有相同水平分辨率的本地客觀預報業務產品。對不同起報時間和預報時效單獨進行滑動建模，所用的訓練樣本為去年同期前后各一個月(共61 d)的歷史預報和觀測資料。本地客觀預報算法的目的是通過消除ECMWF模式的頻率偏差對降水強度進行訂正，其降水分布形態通常與ECMWF模式預報具有較高的相似性?？紤]到ECMWF模式數據計算和傳輸的時間滯后性，本地客觀預報的起報時間與其所訂正的ECMWF模式降水預報產品相比落后12 h。例如本地客觀08時起報的24、48、72 h時效產品所訂正的對象為ECMWF模式前一日20時起報的36、60、84 h時效產品。

1.4 預報員主觀預報

江蘇2020年主汛期開始實行基于主客觀融合的預報業務流程。預報員自由選取不同的數值模式和客觀預報算法作為網格預報背景場，并在此基礎上制作編輯降水落區預報。系統平臺會通過主客觀融合算法將預報員繪制的降水落區預報轉換為連續變化的格點預報，形成統一的主客觀融合產品庫。每日06時之前由值班預報員制作完成08時起報的24、48和72 h逐日降水預報產品，每日17時之前由首席預報員制作完成20時起報的24、48和72 h逐日降水預報產品。

2 檢驗方法

2.1 主汛期暴雨樣本的選取

從2020年江蘇主汛期(6—9月)08時至次日08時和20時至次日20時觀測出現暴雨的日期中剔除暴雨站點數小于總站點數2%的局地暴雨日期，分別得到35個和39個暴雨觀測樣本用于江蘇主汛期暴雨預報的總體性能檢驗。需要注意的是，多樣本總體檢驗可能存在部分降水較多日樣本評分覆蓋降水較少日樣本評分的情況，檢驗結果僅代表統計時段內的總體性能，不代表單日樣本性能。

2.2 預報時效的對應

模式資料由于計算和傳輸等原因，實際的產品可用時間滯后于模式起報時間。例如預報員早上制作08時起報的24 h預報時，實際可參考的資料為同一起報時間和預報時效的本地客觀產品以及各個模式前一日20時起報的36 h時效產品。為了考察預報員的主觀訂正相比于模式和客觀預報產品是否有預報技巧，將預報員和本地客觀08時起報的24、48、72 h時效產品與各個模式前一日20時起報的36、60、84 h時效產品進行對比檢驗，并將預報員和本地客觀20時起報的24、48、72 h時效產品與各個模式當日08時起報的36、60、84 h時效產品進行對比檢驗。根據不同模式預報時效的長度，CMA-MESO模式僅檢驗36 h時效，CMA-SH9和PWAFS模式僅檢驗36 h和60 h時效。

2.3 穩定性暴雨和對流性暴雨的劃分

對于24 h累積降水，目前并沒有一個明確的方法可以劃分穩定性降水和對流性降水。層云穩定性降水和積云對流性降水既可能存在水平和垂直空間上的疊加，也可能存在時間上更替，可根據兩者出現的比例，按一定客觀標準劃分為以穩定性降水為主的暴雨樣本和以對流性降水為主的暴雨樣本。考慮到穩定性降水具有持續時間長的特點，對流性降水具有強度大的特點，可采用逐小時站點降水觀測數據進行客觀劃分。根據經驗和測試，設計了如下劃分標準：計算將暴雨(≥50 mm·d-1)站點上的24 h累積降水拆分為逐小時降水，計算其中短時強降水(20 mm·h-1)小時數與降水(>0 mm·h-1)小時數的比值r；若r≥5%，則判斷為對流性降水(為主)；若r<5%，則判斷為穩定性降水(為主)。按此標準，08時至次日08時和20時至次日20時暴雨觀測樣本可分別劃分為9個和12個穩定性暴雨樣本，26個和27個對流性暴雨樣本。

2.4 主汛期暴雨的總體檢驗評分

先將所有模式、本地客觀和預報員主觀網格預報產品統一雙線性插值到觀測站點上，再分別計算暴雨(≥50 mm·d-1)的頻率偏差(FB)、TS評分、漏報率(PO)、空報率(FAR)(Jolliffe and Stephenson，2003)：

(1)

(2)

(3)

(4)

式中：H、M、F分別為暴雨命中樣本數、漏報樣本數和空報樣本數。這里的樣本數是時間樣本數和空間樣本(站點)數的乘積。式(1)中的頻率偏差為統計時段內預報暴雨總樣本數與觀測暴雨總樣本數的比值，越接近1代表預報的系統偏差越小，大于1代表暴雨預報面積偏大，小于1代表暴雨預報面積偏小。此外，頻率偏差和TS評分還可以分別寫成漏報率和空報率的函數：

(5)

(6)

由式(5)可知，當漏報率高于空報率時，暴雨預報面積偏??；當空報率高于漏報率時，暴雨預報面積偏大。由式(6)可知，TS評分的數值由漏報率和空報率共同決定。選取ECMWF模式為參考模式，將不同預報產品的TS評分與之進行比較，若TS評分高于ECMWF，則為TS評分正技巧，反之則為TS評分負技巧。

2.5 小樣本檢驗的注意事項

小樣本檢驗可能存在評分不穩定的情況。在大樣本總體檢驗時，通常默認式(1)～式(4)的分母較大，不會出現評分不穩定的情況；但在小樣本檢驗時，例如個例檢驗或按降水性質分類檢驗時，式(1)～式(4)的分母可能會變得很小，導致評分數值不穩定，引起錯誤理解。例如，NCEP-GFS和CMA-GFS模式2020年6月17日08時起報的12～36 h累積降水相比于2020年6月17日20時至18日20時的降水觀測都沒有報出沿淮分布的暴雨雨帶，兩個模式預報的暴雨雨帶幾乎都在江蘇區域以外(3.3節中將對此進行詳細討論)。兩個模式預報的暴雨雨帶僅存在細微的差異，暴雨命中站點數H分別為1和0，暴雨空報站點數F分別為0和2，都遠低于暴雨漏報站點數37和38，但卻導致兩者的空報率FAR的數值出現了0和1的巨大差別，與預報員的主觀感受偏差較大，這是由于暴雨預報樣本數(H+F的值)太小導致的評分數值不穩定?？紤]到文中的個例檢驗或按降水性質分類檢驗所用的暴雨樣本都是基于觀測選取的，即H+M的值不會太小，因此在上述小樣本檢驗時改用空報面積比(FAAR)代替空報率(FAR)以獲得更加符合預報員主觀感受的檢驗評分結果：

(7)

即：空報面積比是暴雨空報樣本數F與暴雨觀測樣本數H+M的比值，與漏報率PO具有相同的分母，是空報率FAR與頻率偏差FB的乘積。上述例子中兩個模式的空報面積比FAAR分別為0和0.05，代表模式空報的站點數相對于暴雨觀測站點數都很低，更加符合預報員的主觀認知。在本文的穩定性暴雨和對流性暴雨檢驗中將使用空報面積比代替空報率。

3 檢驗結果

3.1 總體性能檢驗

3.1.1 24 h時效暴雨預報檢驗

圖1為2020年江蘇主汛期預報員和本地客觀08時起報的24 h(對應模式20時起報的36 h)暴雨預報檢驗評分，并已按評分數值大小對預報產品進行排序。全球模式NCEP-GFS和CMA-GFS的暴雨預報面積最小且暴雨漏報率最高，區域模式CMA-MESO和CMA-SH9的暴雨預報面積最大且暴雨空報率較高。從暴雨預報的TS評分上看，本地客觀、預報員和CMA-MESO相比于ECMWF都具有一定正技巧。本地客觀和預報員較好地訂正了ECMWF模式暴雨預報面積偏小的系統偏差，訂正以后的頻率偏差值更接近1，兩者暴雨預報的TS評分也最高。CMA-MESO暴雨預報的TS評分正技巧主要得益于較低的暴雨漏報率。區域模式PWAFS由于暴雨漏報率和空報率均高于ECMWF，因此暴雨TS評分相比于ECMWF為負技巧。

圖2為2020年江蘇主汛期預報員和本地客觀20時起報的24 h(對應模式08時起報的36 h)暴雨預報檢驗評分。部分結論與圖1一致，即全球模式CMA-GFS和NCEP-GFS的暴雨預報面積最小且具有最大的暴雨漏報率，區域模式CMA-SH9和CMA-MESO的暴雨預報面積最大且具有最大的暴雨空報率。而在暴雨TS評分方面，預報員和本地客觀預報相比于ECMWF具有正技巧，這主要得益于較低的暴雨漏報率。區域模式PWAFS的暴雨漏報率略低于ECMWF，但空報率顯著高于ECMWF，因此其相比于ECMWF模式的暴雨TS評分為負技巧。值得注意的是，20時和08時起報的CMA-MESO的暴雨TS評分差異較大。雖然兩個時次起報的CMA-MESO的暴雨空報率均較高，但前者的暴雨漏報率低，因此暴雨TS評分較高(圖1)，后者的暴雨漏報率與ECMWF相當，暴雨TS評分較低(圖2)。

3.1.2 48 h時效暴雨預報檢驗

圖3為2020年江蘇主汛期預報員和本地客觀08時起報的48 h(對應模式20時起報的60 h)暴雨預報檢驗評分。全球模式NCEP-GFS和CMA-GFS的暴雨預報面積最小且暴雨漏報率最高。僅有區域模式PWAFS和CMA-SH9的暴雨預報面積輕微偏大，其他產品的暴雨預報面積均偏小。從暴雨TS評分上看，所有預報產品相比于ECMWF均為負技巧。雖然區域模式PWAFS和CMA-SH9的暴雨漏報率略低于ECMWF，但暴雨空報率較高，因此暴雨TS評分相比于ECMWF為負技巧。本地客觀預報和NCEP-GFS雖然空報率低于ECMWF，但暴雨漏報率較高，因此其暴雨TS評分也為負技巧。

圖4為2020年江蘇主汛期預報員和本地客觀20時起報的48 h(對應模式08時起報的60 h)暴雨預報檢驗評分。部分結論與圖3一致，即全球模式CMA-GFS和NCEP-GFS的暴雨預報面積最小且具有最大的暴雨漏報率，區域模式PWAFS和CMA-SH9的暴雨預報面積最大且具有最大的暴雨空報率。所有預報產品相比于ECMWF的暴雨預報TS評分均為負技巧，其中區域模式CMA-SH9和PWAFS的暴雨預報TS評分負技巧主要源于較高的空報率，全球模式NCEP-GFS和CMA-GFS的暴雨預報TS評分負技巧主要來源于較高的漏報率。

3.1.3 72 h時效暴雨預報檢驗

圖5為2020年江蘇主汛期預報員和本地客觀08時起報的72 h(對應模式20時起報的84 h)暴雨預報檢驗評分。全球模式CMA-GFS的暴雨TS評分最差，原因是其暴雨漏報率和暴雨空報率都是最高的。NCEP-GFS暴雨預報面積最小，暴雨漏報率很高，但暴雨空報率最低，因此暴雨TS評分略高于CMA-GFS。預報員和本地客觀的暴雨漏報率和暴雨空報率均略高于ECMWF，因此暴雨TS評分均略低于ECMWF。

圖1 2020年江蘇主汛期預報員和本地客觀08時起報的24 h(對應模式20時起報的36 h)暴雨預報的 (a)TS評分，(b)頻率偏差，(c)漏報率和(d)空報率Fig.1 The 24 h forecasts of forecasters and local objective method initialized at 08:00 BT (corresponding to the 36 h forecast of models initialized at 20:00 BT) in terms of torrential rain during the 2020 Jiangsu main flood season (a) TS, (b) frequency bias, (c) miss rate, (d) false alarm ratio

圖2 同圖1，但為預報員和本地客觀20時起報 (對應模式08時起報)Fig.2 Same as Fig.1, but for forecast of forecasters and local objective method initialized at 20:00 BT (corresponding to the forecast of models initialized at 08：00 BT)

圖3 2020年江蘇主汛期預報員和本地客觀08時起報的48 h(對應模式20時起報的60 h)暴雨預報的 (a)TS評分，(b)頻率偏差，(c)漏報率和(d)空報率Fig.3 The 48 h forecast of forecasters and local objective method initialized at 08:00 BT (corresponding to the 60 h forecast of models initialized at 20:00 BT) in terms of torrential rain during the 2020 Jiangsu main flood season (a) TS, (b) frequency bias, (c) miss rate, (d) false alarm ratio

圖4 同圖3，但為預報員和本地客觀20時起報 (對應模式08時起報)Fig.4 Same as Fig.3, but for forecast of forecasters and local objective method initialized at 20:00 BT (corresponding to the forecast of models initialized at 08:00 BT)

圖5 2020年江蘇主汛期預報員和本地客觀08時起報的72 h(對應模式20時起報的84 h)暴雨預報的 (a)TS評分，(b)頻率偏差，(c)漏報率和(d)空報率Fig.5 The 72 h forecast of forecasters and local objective method initialized at 08:00 BT (corresponding to the 84 h forecast of models initialized at 20：00 BT) in terms of torrential rain during the 2020 Jiangsu main flood season (a) TS, (b) frequency bias, (c) miss rate, (d) false alarm ratio

圖6為2020年江蘇主汛期預報員和本地客觀20時起報的72 h(對應模式08時起報的84 h)暴雨預報檢驗評分。結論與圖5基本一致，主要區別在于08時起報的CMA-GFS暴雨預報面積偏小的程度相比于20時起報的更大，其暴雨空報率也明顯下降。

從不同預報時效的總體檢驗來看：本地客觀預報和預報員的暴雨預報TS評分 > 區域模式 > 除ECMWF以外的全球模式，僅有24 h時效的本地客觀預報、預報員以及20時起報的CMA-MESO相比于ECMWF模式具有暴雨TS評分正技巧，而08時起報的CMA-MESO則性能較差；區域模式大多暴雨預報面積偏大，空報率較高；全球模式除ECMWF以外大多暴雨預報面積偏小，暴雨漏報率較高。

3.2 按降水性質檢驗

3.2.1 穩定性暴雨預報檢驗

表1和表2展示了不同起報時間和預報時效下，不同預報產品的穩定性暴雨TS評分。6個模式里面ECMWF的總體表現最好，僅有20時起報的36 h時效的CMA-MESO和CMA-SH9以及08時起報的84 h時效的NCEP-GFS相比于ECMWF具有暴雨TS評分正技巧。預報員不同起報時間和預報時效的暴雨預報TS評分與ECMWF都相差不大，說明預報員的主觀預報參考ECMWF模式較多。然而預報員僅有08時起報的24 h預報和20時起報的48 h預報相比于ECMWF具有暴雨TS評分正技巧，且訂正技巧不如本地客觀預報。值得注意的是20時起報的36 h時效的CMA-MESO和CMA-SH9相比于ECMWF也具有暴雨TS評分正技巧，這主要得益于兩者具有較小的暴雨漏報率(表略)，但也伴隨著較大的暴雨空報面積比(表略)。此外，08時起報的84 h時效的NCEP-GFS暴雨預報的TS評分也高于ECMWF，這是由于其暴雨空報面積比很低(表略)?？傮w來看，對于穩定性暴雨，ECMWF模式的整體表現較好，48 h時效內的本地客觀預報對ECMWF的訂正大多具有暴雨TS評分正技巧，可供預報員參考。

圖6 同圖5，但為預報員和本地客觀20時起報 (對應模式08時起報)Fig.6 Same as Fig.5, but for forecast of forecasters and local objective method initialized at 20:00 BT (corresponding to the forecast of models initialized at 08：00 BT)

表1 2020年江蘇主汛期預報員和本地客觀08時起報的24, 48, 72 h (對應模式20時起報的36, 60, 84 h) 暴雨預報中穩定性降水樣本的TS評分Table 1 TSs of stable precipitation samples of the 24, 48, 72 h torrential rain forecast of forecasters and local objective method initialized at 08:00 BT during the 2020 Jiangsu main flood season (corresponding to the 36, 60, 84 h torrential rain forecast of models initialized at 20:00 BT)

表2 同表1，但為預報員和本地客觀20時起報(對應模式08時起報)Table 2 Same as Table 1, but for forecast of forecasters and local objective method initialized at 20:00 BT (corresponding to the forecast of models initialized at 08:00 BT)

3.2.2 對流性暴雨預報檢驗

表3和表4展示了不同起報時間和預報時效下，不同預報產品的對流性暴雨TS評分。本地客觀預報和預報員僅在24 h時效下表現較好，區域模式CMA-SH9和PWAFS相比于ECMWF大多具有暴雨TS評分正技巧，主要得益于較低的暴雨漏報率(表略)，但也存在暴雨預報面積明顯偏大的問題。值得注意的是，20時起報的48 h和72 h時效的NCEP-GFS相比于ECMWF具有暴雨TS評分正技巧，這是由于其空報面積比很低(表略)，暴雨預報面積明顯偏小。此外，08時起報的CMA-MESO表現較差的原因在于其空報面積比超過ECMWF的2倍，但暴雨漏報率相比于ECMWF卻沒有降低，虛假暴雨落區較多?？傮w來看，對于對流性暴雨，區域模式CMA-SH9、PWAFS以及24 h時效的本地客觀預報總體表現較好，具有參考價值。

3.3 暴雨個例檢驗

3.3.1 穩定性暴雨個例檢驗

圖7為不同模式2020年6月17日08時起報的36 h降水預報、預報員和本地客觀2020年6月17日20時起報的24 h降水預報以及對應的2020年6月17日20時至18日20時降水觀測，表5為該穩定性降水個例中不同預報產品暴雨等級的不同評分。下面以此個例為例探討不同類型模式在穩定性暴雨預報中的偏差原因。此次暴雨過程中，觀測的暴雨呈帶狀分布在沿淮一帶。而NCEP-GFS和CMA-GFS漏報了這次暴雨過程，與其存在較大的暴雨漏報率且暴雨預報面積明顯偏小的統計結論相一致，這可能是由于這兩個全球模式的分辨率較粗，與降水相關的物理參數化方案不夠準確。全球模式ECMWF的分辨率相對較高，對于穩定性暴雨雨帶的強度和位置都把握較好，暴雨TS評分最高。本地客觀預報在該個例中對于ECMWF模式的訂正效果不理想，暴雨落區有所減小，暴雨TS評分相比于ECMWF為負技巧。區域模式由于分辨率較高，均報出了沿淮一帶的暴雨雨帶，但在強度和位置上仍存在一定的差異。PWAFS預報的暴雨雨帶偏窄且略偏北，CMA-MESO模式預報的暴雨雨帶偏寬偏南，因此兩者暴雨預報的TS評分均較低。CMA-SH9模式預報的暴雨雨帶的位置預報較好，暴雨TS評分相對較高。這可能是由于PWAFS和CMA-MESO在3 km分辨率上對于對流過程的解析不夠準確，而分辨率為9 km的CMA-SH9采用優化的對流參數化方案和微物理過程，獲得了較好的預報效果。預報員對ECMWF的暴雨進行了增強和落區擴展，出現了較多的空報，因此暴雨TS評分略低于ECMWF。

表3 同表1，但為對流性降水Table 3 Same as Table 1, but for convective precipitation samples

表4 同表2，但為對流性降水Table 4 Same as Table 2, but for convective precipitation samples

圖7 2020年6月17日08時起報的12～36 h降水預報：(a)ECMWF、(b)NCEP-GFS、(c)CMA-GFS、 (d)CMA-MESO、(e)CMA-SH9、(f)PWAFS， 17日20時起報的0～24 h降水預報： (g)本地客觀、(h)預報員，以及(i)對應的17日20時至18日20時降水觀測Fig.7 (a-f) the 12-36 h precipitation forecast initialized at 08:00 BT 17, (g, h) the 0-24 h precipitation forecast initialized at 20:00 BT 17 and (i) the corresponding precipitation observation from 20:00 BT 17 to 20:00 BT 18 June 2020 (a) ECMWF, (b) NCEP-GFS, (c) CMA-GFS, (d) CMA-MESO, (e) CMA-SH9, (f) PWAFS, (g) local objective method, (h) forecaster

表5 預報員和本地客觀2020年6月17日20時起報的24 h(對應模式2020年6月 17日08時起報的36 h)暴雨預報的TS評分、頻率偏差、漏報率和空報面積比Table 5 TS, frequency bias, miss rate and false alarm area rate for the 24 h torrential rain forecast of forecasters and local objective method initialized at 20:00 BT 17 June 2020 (corresponding to the 36 h torrential rain forecast initialized at 08:00 BT June 17 2020)

圖8 同圖7，但為2020年7月18日08時對流性暴雨個例 (a-f)08時起報，(g,h)20時起報，(i)18日20時至19日20時觀測Fig.8 Same as Fig.7, but for the case on 18 July 2020 (a-f) 12-36 h precipitation forecast initialized at 08:00 BT 18, (g, h) 0-24 h precipitation forecast initialized at 20:00 BT 18, (i) observation from 20:00 BT 18 to 20:00 BT 19

3.3.2 對流性暴雨個例檢驗

圖8為不同模式2020年7月18日08時起報的36 h降水預報、預報員和本地客觀預報18日20時起報的24 h降水預報以及對應的18日20時至19日20時降水觀測，表6為該對流性降水個例中不同預報產品暴雨等級的不同評分。以該個例為例探討不同類型模式在對流性暴雨預報中的偏差原因。此次暴雨過程的雨帶主體分為兩塊，分別位于江淮之間東南部和沿江東部地區。三個全球模式都沒能報出這次對流性暴雨過程的雨帶主體部分，其中ECMWF的暴雨雨帶位于沿淮和淮北地區，而NCEP-GFS和CMA-GFS暴雨預報面積明顯偏小，沒有明顯的暴雨雨帶，這可能是由于全球模式分辨率較粗，對于中小尺度天氣系統的預報能力有限所致。區域模式均在不同程度上報出了觀測的暴雨雨帶，其中CMA-SH9模式的暴雨落區與實況最為接近，PWAFS也在一定程度上報出了兩塊暴雨主體，但雨帶較為分散，CMA-MESO模式僅報出了江淮之間東部的暴雨主體。CMA-SH9模式預報好于PWAFS和CMA-MESO的原因可能也是前者采用了積云對流參數化方案，雖然預報的雨帶相對平滑但位置較為準確，后兩者采用了3 km高分辨率的對流解析取代了積云對流參數化方案，雖然預報的雨帶結構較為精細，但暴雨落區的準確度不如CMA-SH9模式。本地客觀預報和預報員均參考了ECMWF模式預報的雨帶，落區偏差較大，暴雨TS評分較低。

表6 預報員和本地客觀預報2020年7月18日20時起報的24 h(對應模式2020年7月 18日08時起報的36 h)暴雨預報的TS評分、頻率偏差、漏報率和空報面積比Table 6 TS, frequency bias, miss rate and false alarm area rate for the 24 h torrential rain forecast of forecasters and local objective method initialized at 20:00 BT 18 July 2020 (corresponding to the 36 h torrential rain forecast initialized at 08:00 BT 18 July 2020)

4 結論與討論

本文對2020年主汛期暴雨預報中江蘇預報業務常用的三個全球模式(ECMWF、NCEP-GFS、CMA-GFS)、三個區域模式(CMA-MESO、CMA-SH9、PWAFS)、本地客觀預報、預報員主觀預報進行了總體檢驗評估，并按降水性質分穩定性暴雨和對流性暴雨樣本分別進行了預報性能檢驗，最后展示了典型的穩定性暴雨和對流性暴雨個例的檢驗分析結果，得出以下結論：

(1)從總體檢驗來看，預報員的暴雨主觀預報僅在24 h時效內相比于ECMWF有TS評分正技巧，本地客觀預報和預報員暴雨預報的TS評分 > 區域模式 > 除ECMWF以外的全球模式，且無論是全球模式還是區域模式，并非分辨率越高預報性能越好。

(2)區域模式的暴雨預報大多面積偏大，空報率較高；全球模式除ECMWF以外的暴雨預報大多面積偏小，漏報率較高。

(3)20時起報的CMA-MESO的預報性能明顯好于08時起報的預報。

(4)對穩定性暴雨預報，應重點參考ECMWF、48 h時效內的本地客觀預報和20時起報的區域模式CMA-MESO。

(5)對于對流性暴雨預報，應重點參考區域模式CMA-SH9、PWAFS和24 h時效內的本地客觀預報。

以上結論對于江蘇主汛期的實際業務預報具有一定的指示意義。下面就暴雨預報檢驗中需要注意的幾點問題進行討論：

(1)本文的研究結論來源于江蘇區域2020年主汛期(6—9月)的統計結果，暴雨樣本數量有限，尤其是穩定性暴雨的數量相對不足，在未來的工作中還需加入更多年份的暴雨樣本進行檢驗分析?？紤]到數值模式發展過程中存在不定期的系統升級，模式的預報偏差性能亦可能發生變化，還需要跟蹤檢驗其預報性能的變化。此外，未來還可以考慮將檢驗區域由江蘇拓展到更大的華東區域，有助于揭示江蘇范圍模式預報性能相對于周邊地區的異同之處，亦可為華東區域的暴雨預報業務提供參考。

(2)雖然三個全球模式里面，分辨率較高的ECMWF性能明顯優于分辨率相對較低的NCEP-GFS和CMA-GFS，但在三個區域模式中，分辨率高達3 km 的CMA-MESO和PWAFS總體上不如分辨率9 km的CMA-SH9模式。雖然CMA-MESO和PWAFS采用對流解析取代了積云對流參數化方案，但并未取得更準確的預報效果。此外，20時和08時起報的CMA-MESO模式在預報性能上存在的較大差異，還需要模式研發人員根據模式的設計研究其中的具體原因。

(3)基于頻率匹配的本地客觀訂正在江蘇區域內效果有時并不理想。主要原因包括：首先，模型訓練期與檢驗期的頻率偏差不可避免地存在一定的差異；其次，江蘇地區的空間訓練樣本數較小導致模型并不穩定；此外，當原始模式的暴雨頻率偏差接近1時，頻率匹配的訂正效果也會受到影響。因此，未來還需要進一步加強客觀預報技術的研發，增加多模式集成與人工智能等先進的暴雨訂正技術方法的研究。

(4)在一些暴雨過程中，穩定性降水和對流性降水同時存在，如何科學合理地對這兩類降水類型進行劃分以及不同的劃分標準是否會對研究結論產生影響也是需要進一步研究的問題。此外，本文基于觀測的逐小時降水對穩定性暴雨和對流性暴雨進行劃分，而在實際業務中預報員還需考慮如何根據模式預報資料對暴雨降水性質進行預判以選擇合適的預報策略。

(5)在暴雨誤差分類檢驗中，僅僅根據降水性質對暴雨樣本進行劃分還不夠細致。若對暴雨樣本分類太粗，可能無法準確刻畫不同天氣背景引發的暴雨預報的偏差特征；若分類太細，又可能導致檢驗樣本量不足而失去了統計意義。未來可考慮增加更多年份的暴雨樣本，并根據不同環流背景對不同暴雨預報產品進行分類檢驗。