張君霞， 孔祥偉， 劉新偉， 王 勇

（蘭州中心氣象臺，甘肅 蘭州 730020）

降水預(yù)報是現(xiàn)代天氣預(yù)報的重要業(yè)務(wù)之一，數(shù)值預(yù)報為降水預(yù)報提供最有價值的參考，但由于模式設(shè)計等本身原因及地形等外部因素，模式輸出的降水等預(yù)報產(chǎn)品在時空分布上均有一定的誤差，因此，通過檢驗和評估模式性能為預(yù)報員訂正模式預(yù)報提供背景誤差信息［1］。點對點的常規(guī)天氣檢驗方法（如TS 評分和ETS 評分）對降水落區(qū)和時間較為敏感，存在“雙重懲罰”現(xiàn)象［2-3］，同時也會掩蓋一些對預(yù)報員訂正模式預(yù)報有參考價值的信息［4-5］，無法對業(yè)務(wù)預(yù)報中關(guān)注的降水強度、范圍大小及雨帶落區(qū)等屬性給出定量檢驗結(jié)果，也無法定量分析預(yù)報誤差來源［5-6］。為了獲取更詳細的模式預(yù)報偏差信息，氣象學(xué)者相繼開發(fā)了CRA（Contiguous Rain Area）、SAL（Structure Amplitude Location）、MODE（Method for Object-based Diagnostic Evaluation）等多種基于目標屬性的空間檢驗方法［2,4,7-12］。SAL 空間檢驗方法以某一范圍內(nèi)識別的降水為目標，定量檢驗降水目標的強度（Amplitude，A）、位置（Location，L）、結(jié)構(gòu)（Structure，S）誤差，該方法中強度、位置和結(jié)構(gòu)3 個分量是相對的度量，且分離這3 個分量的方法具有一定的主觀性［11］。MODE方法在一定區(qū)域內(nèi)識別、分離實況和預(yù)報降水場中的目標對象，比較兩個場中目標對象的空間屬性，在此基礎(chǔ)上計算目標對象的相似度特征，最終獲得實況和預(yù)報場的總體空間相似度特征［4］，但MODE 方法會因平滑半徑、濾波閾值等因素導(dǎo)致評估結(jié)果出現(xiàn)差異，可能會引起一定評估誤導(dǎo)問題［13］。CRA 方法將總體誤差分解為強度、落區(qū)及形態(tài)誤差，提供模式預(yù)報誤差信息來源，具有明確的天氣學(xué)檢驗意義。

CRA 方法在國內(nèi)外被廣泛用于模式降水預(yù)報和雷達鄰近降水預(yù)報檢驗［14-20］。Sharma等［15］利用空間檢驗技術(shù)評估了UM（Met Office Unified Model）模式的預(yù)報偏差，發(fā)現(xiàn)模式對小量級降水預(yù)報能力強，對較大量級降水的預(yù)報能力較差，且隨著降水量級的增大，位移誤差增大。Yu等［19］同樣發(fā)現(xiàn)隨著降水量級增大，模式預(yù)報能力減弱，在強降水預(yù)報中，形態(tài)誤差最大，位移誤差次之，此發(fā)現(xiàn)與符嬌蘭等［17］利用CRA 空間檢驗技術(shù)對我國西南地區(qū)東部強降水的ECMWF（European Center for Medium-Range Weather Forecast）預(yù)報的檢驗結(jié)果相似。王新敏等［18］通過對2018年8月3次登陸臺風(fēng)暴雨過程的多模式檢驗發(fā)現(xiàn)，CRA方法能更全面詳細的評估模式的誤差來源，且大部分模式預(yù)報降水個體的誤差主要來源于位移誤差。

青藏高原東北側(cè)是東亞夏季風(fēng)北邊緣過渡帶［21-22］，受東亞夏季風(fēng)系統(tǒng)、西風(fēng)帶天氣系統(tǒng)和高原天氣系統(tǒng)的共同影響，是氣候變化的敏感區(qū)［23-25］。降水量年內(nèi)分布極不平衡［26］，雨季降水量變化主要是由強降水變化引起［27］，發(fā)生在7—8月的暴雨占全年總次數(shù)的63%［28］，暴雨發(fā)生與該地區(qū)復(fù)雜地形或局地小氣候密切相關(guān)［29］。近些年來隨著大尺度數(shù)值模式預(yù)報性能的不斷提升，模式對降水的預(yù)報能力也有提高，但對降水量的預(yù)報能力隨著降水量級的增加而減弱，對強降水的預(yù)報受地形影響明顯［1,30-31］，且模式對降水強度和落區(qū)的預(yù)報誤差也較大。本文利用基于目標屬性的CRA 空間檢驗技術(shù)，開展ECMWF 和中國氣象局GRAPES 全球數(shù)值預(yù)報業(yè)務(wù)系統(tǒng)（Global Forecast System）兩種大尺度數(shù)值模式對青藏高原東北側(cè)暴雨預(yù)報的空間偏差檢驗及分析，重點分析模式預(yù)報的落區(qū)誤差、強度誤差以及模式對暴雨的預(yù)報傾向，以期為預(yù)報員提供模式預(yù)報較詳細的評估結(jié)果，從而有針對性的訂正模式預(yù)報，同時為模式研發(fā)提供有價值的模式降水預(yù)報偏差信息。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源與處理

基于目前氣象業(yè)務(wù)中的應(yīng)用情況及資料的完整性，對ECMWF 和GRAPES-GFS 模式20 h 起報的36 h預(yù)報時效的24 h累積降水量在青藏高原東北側(cè)（32°～40°N、100°～111°E）的預(yù)報空間誤差進行分析。為了減少模式版本升級對預(yù)報性能評估的影響，選用2019—2020年5—9月ECMWF和GRAPESGFS 兩種模式降水預(yù)報數(shù)據(jù)，降水觀測資料采用蘭州中心氣象臺提供的同時段的自動站（基準站、基本站和一般站）和區(qū)域自動站24 h 累積降水?dāng)?shù)據(jù)。ECMWF和GRAPES-GFS模式的分辨率分別為0.125°×0.125°和0.25°×0.25°，采用基于變分技術(shù)的客觀插值方法［32］將GRAPES-GFS 模式預(yù)報數(shù)據(jù)和實況觀測站點數(shù)據(jù)統(tǒng)一插值為0.125°×0.125°的網(wǎng)格數(shù)據(jù)，通過實例分析表明該方法具有較好的插值結(jié)果，能夠滿足客觀分析中準確性和平滑性的要求［30］。

1.2 研究方法

CRA 方法是一種基于目標的定量降水檢驗方法，將連續(xù)雨區(qū)（Contiguous Rain Area，CRA）作為目標進行檢驗［2］。檢驗?zāi)繕擞赡骋坏戎稻€為邊界的單個降水目標或雨帶而非整個降水場，因此，能夠幫助預(yù)報員更好的理解模式預(yù)報誤差來源［2,18］。該方法首先對一定區(qū)域內(nèi)的降水場用某一降水閾值來定義連續(xù)雨區(qū)，然后計算CRA范圍內(nèi)預(yù)報和實況的降水質(zhì)心、面積、平均降水強度等統(tǒng)計量。定義模式預(yù)報總誤差為原始預(yù)報與實況偏差平方和的平均值，平移后的誤差為平移后預(yù)報與實況偏差平方和的平均值，為了分析模式預(yù)報誤差的來源，將預(yù)報雨區(qū)按照預(yù)報與實況之間均方根誤差最小進行平移，得到平移后的預(yù)報雨區(qū)。由此，可將模式總誤差分解為強度誤差、形態(tài)誤差和位移誤差，其計算方法分別為：強度誤差為平移后的模式平均降水強度減去實況降水平均強度的平方，位移誤差為總誤差減去平移后的誤差，形態(tài)誤差為平移后的誤差減去強度誤差，具體計算方法見參考文獻［2,17］。

1.3 暴雨天氣過程和有效CRA

青藏高原東北側(cè)發(fā)生區(qū)域性暴雨過程較少，規(guī)定該地區(qū)24 h 累積降水量達到暴雨及以上量級降水［≥50 mm·(24h)-1］的自動站和區(qū)域自動站超過30站的即為一次區(qū)域性暴雨天氣過程。按此標準進行篩選，2019—2020 年5—9 月該地區(qū)共有37 次暴雨天氣過程（表1）?；谶@些暴雨天氣過程，采用CRA檢驗技術(shù)識別降水目標。考慮到青藏高原東北側(cè)暴雨受地形等因素影響暴雨點相對分散［28］，同時大尺度數(shù)值模式對局地暴雨的預(yù)報能力有限［30-31］，對暴雨連續(xù)雨區(qū)進行識別和分離時≥50 mm以上量級的連續(xù)雨區(qū)范圍不宜過大也不宜過小，此處要求連續(xù)暴雨區(qū)覆蓋范圍超過0.5°×0.5°時為一個有效CRA。在識別出的CRA 范圍內(nèi)計算和分析實況觀測和模式預(yù)報降水的暴雨質(zhì)心、面積、平均雨強、最大降水量以及總降水量誤差，并分析平移CRA后實況和預(yù)報的空間誤差，重點分析強度誤差和平移誤差。圖1 給 出了2019 年6 月4 日08:00 至5 日08:00發(fā)生在青藏高原東北側(cè)的一次區(qū)域性暴雨天氣的實況、ECMWF預(yù)報的24 h累積降水和識別的CRA，以此說明CRA識別、分離和平移過程。主觀上可以看出暴雨以上量級雨帶主要位于甘肅隴東南地區(qū)的東南部，模式預(yù)報降水較實況偏西偏北（圖1a），識別和分離的觀測場和預(yù)報場的有效CRA 如圖1b所示（填值“3”），整體結(jié)果與主觀分析一致。將ECMWF 預(yù)報降水按均方根誤差最小的標準向東向南平移后，模式預(yù)報降水更接近實況觀測（圖1c）。

圖1 2019年6月4日08:00至5日08:00≥50 mm降水及識別的CRA分布Fig.1 24 hours accumulated rainfall（≥50 mm）on 4 June 2019 and CRA identified from its

表1 2019—2020年5—9月青藏高原東北側(cè)暴雨天氣過程、暴雨雨區(qū)面積及有效CRA統(tǒng)計Tab.1 Statistics of rainstorm processes on the northeastern side of Tibet Plateau from May to September in 2019-2020,as well as the effective CRA and rainfall area

ECMWF 和GRAPES-GFS 兩種模式分別識別出18個和11個有效CRA（表1），部分暴雨天氣過程無有效CRA，主要由3種情況導(dǎo)致，一是模式對于暴雨漏報，ECMWF 漏報了4 次，約占總過程數(shù)的11%，GRAPES-GFS 模式漏報了11 次，約占30%；二是模式預(yù)報面積小，例如2020年7月23日西太平洋副熱帶高壓西北邊緣偏南風(fēng)氣流中的暴雨天氣（圖略），ECMWF預(yù)報的暴雨點相對分散且暴雨雨區(qū)面積嚴重偏小，落區(qū)位置偏西北，故無法識別出有效CRA；三是位置偏差太大，例如，2019 年6 月27 日的暴雨天氣，實況暴雨區(qū)面積33730 km2，模式預(yù)報面積14845 km2，但由于預(yù)報的暴雨雨區(qū)較實況空間位置偏差太大，因此，也無法識別有效CRA。兩種模式分別有15 次過程因暴雨雨區(qū)面積預(yù)報太小或位置偏差太大而沒有識別出有效CRA。

2 結(jié)果與分析

2.1 青藏高原東北側(cè)暴雨天氣特征

青藏高原東北側(cè)2019—2020 年5—9 月均有區(qū)域性暴雨天氣發(fā)生（圖2），其中7 月下旬、8 月上旬和中旬發(fā)生次數(shù)最多。37次暴雨過程雨區(qū)面積（分散暴雨過程選取連續(xù)雨區(qū)最大區(qū)域計算面積）從1709 km2增加到61783 km2（表1），變化幅度大，最大雨區(qū)面積與最小雨區(qū)面積相差近60000 km2。能識別出有效CRA 的暴雨過程中實況雨區(qū)均超過11000 km2，集中在8 月上旬和中旬。5 月上旬的暴雨天氣過程次數(shù)也較多，該時段暴雨局地性較強，暴雨面積往往小于6000 km2（表1），無法識別出有效CRA。ECMWF 和GRAPES-GFS 兩種模式因漏報或預(yù)報偏差大而無法有效預(yù)報暴雨的比例分別高達51%和70%，二者對青藏高原東北側(cè)的暴雨預(yù)報能力整體不高。

圖2 青藏高原東北側(cè)暴雨天氣過程逐旬分布Fig.2 The dekad distribution of rainstorm processes on the northeastern side of Tibet Plateau

已有研究表明，西太平洋副熱帶高壓對西北地區(qū)暴雨有重要影響［28-29］。本文37 次暴雨過程中，70%為西太平洋副熱帶高壓西伸北抬輸送的暖濕空氣，與北方冷空氣交匯，配合低層動力抬升作用產(chǎn)生，這種天氣形勢產(chǎn)生的暴雨主要發(fā)生在7—8 月。另外約30%的暴雨過程是高空低槽配合低層動力抬升作用產(chǎn)生，這種天氣形勢的暴雨主要發(fā)生在西太平洋副熱帶高壓遠離亞歐大陸期間。

2.2 青藏高原東北側(cè)暴雨預(yù)報總體誤差

ECMWF 和GRAPES-GFS 模式預(yù)報的青藏高原東北側(cè)暴雨落區(qū)、形態(tài)和強度3類誤差如表2所示，兩種模式的預(yù)報形態(tài)誤差占比最大，分別為52.36%和52.58%，ECMWF 的強度誤差占比最小，為20.73%，落區(qū)誤差次之，占26.93%，而GRAPES-GFS模式的落區(qū)誤差占比最小，為16.33%，強度誤差31.23%。兩種模式的落區(qū)誤差占比和強度誤差占比主要分布在10%～50%，ECMWF 預(yù)報的50%暴雨過程形態(tài)誤差占比超過50%（40%暴雨過程形態(tài)誤差占比超過25%），GRAPES-GFS模式預(yù)報的形態(tài)誤差占比相對較分散，超過30%的暴雨過程形態(tài)誤差占比超過50%（圖3）。

圖3 青藏高原東北側(cè)暴雨天氣過程落區(qū)、強度和形態(tài)誤差占比Fig.3 Box plots of the location,intensity and pattern error ration in the total error on the northeastern side of Tibet Plateau

表2 暴雨落區(qū)、強度平均誤差及落區(qū)、強度、形態(tài)誤差平均占比統(tǒng)計Tab.2 The average location and intensity error of rainstorm［≥50 mm·(24h)-1］as well as the percentage of location,intensity and pattern error in the total error

較大的形態(tài)誤差可能與青藏高原東北側(cè)復(fù)雜地形有關(guān)。從2019—2020 年5—9 月的觀測暴雨點分布可以發(fā)現(xiàn)（圖4a），暴雨分布與地形有密切關(guān)系。秦嶺南麓、六盤山—關(guān)山南麓、關(guān)中平原等地暴雨發(fā)生頻次高，另外，受河谷、喇叭口、小山體等小地形影響的地區(qū)暴雨發(fā)生頻次也較高，如榆林大河谷、積石山—太子山等地區(qū)（圖4a）。這與黃玉霞等［29］、趙海英等［33］關(guān)于地形對暴雨影響的研究結(jié)果一致。分析逐個天氣過程也發(fā)現(xiàn)地形對暴雨預(yù)報有重要影響，例如2020 年8 月16—17 日暴雨天氣，實況暴雨點主要分布在六盤山—關(guān)山南部，而模式預(yù)報的暴雨落區(qū)在山地南部和北部均有分布（圖4b），沒有很好的反映出山地地形迎風(fēng)坡和背風(fēng)坡對降水的不同影響。此外，榆林大河谷附近降水受局地小地形增幅影響達到暴雨，而模式預(yù)報為漏報。

圖4 青藏高原東北側(cè)2019—2020年5—9月暴雨次數(shù)（a）及2020年8月16日暴雨實況、預(yù)報（b）Fig.4 Number of rainstorm distributed from May to September of 2019-2020 on the northeastern side of Tibet Plateau(a),observation on 16 August 2020 and its corresponding ECMWF forecasts(b)

2.3 青藏高原東北側(cè)暴雨預(yù)報空間誤差

ECMWF 和GRAPES-GFS 模式預(yù)報的青藏高原東北側(cè)暴雨雨區(qū)的質(zhì)心較實況均明顯偏西（圖5a，圖5c），ECMWF預(yù)報偏西0.36°，偏南0.11°，GRAPESGFS模式預(yù)報的質(zhì)心偏西0.22°，但預(yù)報偏南偏北概率相當(dāng)（表2），表明兩種模式預(yù)報的暴雨大值中心存在系統(tǒng)偏西現(xiàn)象，ECMWF 的預(yù)報系統(tǒng)性偏南現(xiàn)象較明顯，而GRAPES-GFS 模式預(yù)報的暴雨大值中心經(jīng)向偏差不明顯。預(yù)報的暴雨落區(qū)較實況的位移誤差分布表明，ECMWF 預(yù)報大部分個例的落區(qū)較實況偏西偏北（圖5b），平均偏西0.34°，平均偏北0.08°（表2），大部分個例偏北的誤差在1°以內(nèi)，誤差分布比較集中（圖5b）。對所有暴雨天氣過程的環(huán)流形勢進行分析，發(fā)現(xiàn)位移誤差的成因主要有兩方面，一是模式預(yù)報的高空系統(tǒng)相對實況偏慢，二是實況暴雨多出現(xiàn)在切變線右側(cè)的南風(fēng)中，而模式預(yù)報多集中在切變線或低渦附近動力作用明顯的區(qū)域。例如2019 年6 月4—5 日（圖6a）和2019 年8 月3—4日（圖6b）的暴雨天氣，預(yù)報暴雨區(qū)相對于實況明顯偏西偏北，前者模式預(yù)報高空系統(tǒng)相對實況偏慢，暴雨區(qū)主要在700 hPa低渦切變線附近，而實況暴雨出現(xiàn)在700 hPa 切變線右側(cè)南風(fēng)中，后者模式預(yù)報的700 hPa 切變線、水汽輻合區(qū)較實況偏西偏北，對應(yīng)的暴雨落區(qū)同樣較實況偏西北。GRAPESGFS 模式預(yù)報的落區(qū)同樣較實況偏西偏北（圖5d），平均偏西不足ECMWF的一半，平均偏北位移與ECMWF 相當(dāng)。綜上，ECMWF 和GRAPES-GFS 模式預(yù)報的落區(qū)較實況均偏西偏北，整體而言，ECMWF預(yù)報的落區(qū)偏西更明顯。

圖5 ECMWF和GRAPES-GFS模式暴雨預(yù)報較實況雨區(qū)的質(zhì)心位置誤差（a、c）和位移誤差（b、d）散點分布Fig.5 Mass center location bias(a,c),and displacement errors(b,d)between observation and forecasts and a,b are for ECMWF,c,d are for GRAPES-GFS

圖6 2019年6月4日（a）和2019年8月3日（b）暴雨過程實況與模式預(yù)報Fig.6 The observation and its corresponding ECMWF forecasts for(a)4 June 2019 and(b)3 August 2019

2.4 青藏高原東北側(cè)暴雨預(yù)報面積誤差

ECMWF 和GRAPES-GFS 模式預(yù)報的暴雨雨區(qū)面積均較實況雨區(qū)面積偏小，分別偏小16.20%和68.33%（表2），且ECMWF預(yù)報的雨區(qū)面積離散度較大，而GRAPES-GFS 模式預(yù)報的離散度很?。▓D7a），表明GRAPES-GFS模式更易漏報暴雨過程。實況雨區(qū)格點數(shù)小于70 個（面積約10937.5 km2），ECMWF預(yù)報普遍較實況雨區(qū)面積偏?。▓D8a），無法識別出有效CRA（表1），格點數(shù)大于70個，ECMWF 預(yù)報的雨區(qū)面積較實況偏大或偏小概率相當(dāng)，此時大部分過程能夠識別出有效CRA（表1），由此說明實況暴雨雨區(qū)較大時，ECMWF預(yù)報能力較強，對暴雨雨區(qū)面積的預(yù)報效果較好，而GRAPES-GFS 模式預(yù)報的暴雨區(qū)面積普遍較實況偏?。▓D8b）。

2.5 青藏高原東北側(cè)暴雨預(yù)報強度誤差

ECMWF 預(yù)報的平均雨強較實況偏弱11.49%（表2），其中56%的CRA的平均雨強較實況偏弱，尤其當(dāng)實況雨強超過60 mm 時偏弱更明顯（圖8c），GRAPES-GFS 模式預(yù)報的平均雨強僅個別CRA 與實況相當(dāng)，其余均偏弱，平均偏弱43.40%（表2），當(dāng)平均雨強＞60 mm 時所有的CRA 均偏弱，且平均偏弱超過45%（圖8d）。對于平均雨強，ECMWF 預(yù)報的離散度較大，而GRAPES-GFS 模式預(yù)報的離散度小（圖7b），更易漏報暴雨。對于最大降水量而言，ECMWF 預(yù)報的大部分CRA 較實況偏小（圖8e），但因部分CRA的最大降水量較實況偏大的幅度較大，從而使預(yù)報的平均最大降水量較實況偏強1.47%（表2），而GRAPES-GFS 模式對最大降水量的預(yù)報離散度很?。▓D7c），最大降水量平均偏弱49.33%（表2），且呈現(xiàn)一致性較穩(wěn)定的偏弱現(xiàn)象（圖8f），因此，GRAPES-GFS 模式對暴雨以上量級降水的預(yù)報能力差，很容易出現(xiàn)漏報。

圖7 暴雨的實況和模式預(yù)報的箱線圖Fig.7 The observation rainfall and forecasts characteristics on the northeastern side of Tibet Plateau

圖8 ECMWF（a、b、c、d）和GRAPES-GFS（e、f、g、h）模式預(yù)報和實況暴雨面積、強度散點圖Fig.8 Scatter of intensity and area for observed and forecasted,and a,b,c,d are for ECMWF,e,f,g,h are for GRAPES-GFS model

ECMWF 預(yù)報的總降水量（平均降水乘以格點數(shù)）58%的CRA偏弱，但偏弱幅度較偏強幅度?。▓D8g），導(dǎo)致預(yù)報平均較實況偏強3.51%。對于＜50×102mm·m-2的總降水量，ECMWF預(yù)報較實況偏小的概率較大，但對總降水量＞50×102mm·m-2的CRA，ECMWF 預(yù)報偏強偏弱的概率相當(dāng)。ECMWF 由于對尺度較小的暴雨雨區(qū)面積預(yù)報偏小，導(dǎo)致對＜50×102mm·m-2總降水量預(yù)報偏弱。與ECMWF 相反，GRAPES-GFS 模式預(yù)報的總降水量一致性偏小且偏小達79.72%（圖8h），說明模式內(nèi)部大氣水汽循環(huán)整體偏干。通過對比暴雨以上量級的各類誤差發(fā)現(xiàn)，ECMWF 預(yù)報較GRAPES-GFS 模式預(yù)報與實況更接近。

2.6 模式對不同區(qū)域的預(yù)報效果分析

為了分析ECMWF 和GRAPES-GFS兩種模式對青藏高原東北側(cè)不同區(qū)域的預(yù)報效果，統(tǒng)計分析有效CRA的空間分布。ECMWF預(yù)報的暴雨能識別的有效CRA主要分布在甘肅河?xùn)|東部及陜西大部（圖9），其中，隴東南地區(qū)及陜西西南部地區(qū)CRA 出現(xiàn)頻次最高，其次是陜西中部、定西、天水東部及平慶地區(qū)，陜北、寧夏、白銀南部及定西北部CRA出現(xiàn)頻次低。18 次暴雨過程中有效CRA 平均位于隴東南地區(qū)和陜西西南部，GRAPES-GFS 模式預(yù)報結(jié)果與ECMWF 的相似（圖略），但其有效CRA 地理位置相對分散。ECMWF對暴雨較多的隴東南地區(qū)陜西西南部的預(yù)報效果較好，而對陜北地區(qū)和寧夏等偏北地區(qū)的預(yù)報效果較差。

圖9 ECMWF的有效CRA位置分布Fig.9 The location of effective CRA forecasted by ECMWF

2.7 模式預(yù)報暴雨的傾向分析

為了核實ECMWF 和GRAPES-GFS模式對青藏高原東北側(cè)暴雨事件的預(yù)報傾向，假設(shè)兩種模式預(yù)報的暴雨雨區(qū)面積誤差不超過20%為命中，大于20%為偏強，小于-20%為偏弱，平均雨強、最大降水量亦按此方法劃分，兩種模式的統(tǒng)計結(jié)果如表3 所示。ECMWF預(yù)報的平均雨強偏強和偏弱的頻次相當(dāng)，命中頻次最低，最大降水量預(yù)報偏弱的頻次最高，命中和偏強的頻次相當(dāng)；GRAPES-GFS模式預(yù)報的平均雨強和最大降水量，分別有3個和2個命中，其余均偏弱。對面積的預(yù)報，ECMWF 預(yù)報僅33%命中，17%偏強，偏弱的概率達50%，而GRAPESGFS 模式預(yù)報偏弱的概率高達82%。因此，兩種模式均傾向于將降水面積、平均雨強和最大降水量報弱，GRAPES-GFS模式更容易出現(xiàn)漏報。

表3 暴雨雨區(qū)面積、平均雨強、最大降水量偏差頻次分布Tab.3 Frequency distribution of rain area,average rainfall intensity and maximum precipitation deviation of rainstorm of ≥50 mm·(24h)-1

3 結(jié)論

利用2019—2020年5—9月ECMWF和GRAPESGFS 大尺度數(shù)值模式20 h 起報的36 h 預(yù)報時效的24 h 降水量預(yù)報和加密實況降水觀測資料，基于目標屬性的CRA空間檢驗技術(shù)，分析兩種模式對青藏高原東北側(cè)暴雨預(yù)報的空間誤差（位移誤差、強度誤差和形態(tài)誤差）和對暴雨的預(yù)報傾向，得到如下結(jié)論：

（1）青藏高原東北側(cè)暴雨預(yù)報誤差中，ECMWF和GRAPES-GFS 模式的形態(tài)誤差占比最大，分別達52.36%和52.58%，ECMWF的強度誤差占比最小，為20.73%，落區(qū)誤差次之，而GRAPES-GFS 模式的落區(qū)誤差占比最小，為16.19%，強度誤差次之。暴雨落區(qū)位移誤差與大尺度模式預(yù)報系統(tǒng)快慢等因素有關(guān)，而形態(tài)誤差可能與該地區(qū)復(fù)雜地形有關(guān)。

（2）ECMWF 模式預(yù)報的暴雨落區(qū)位置較實況偏西偏北，平均偏西0.34°，偏北0.08°，GRAPES-GFS平均偏西不足ECMWF的一半，平均偏北位移與ECMWF 相當(dāng)，而ECMWF 預(yù)報的暴雨雨區(qū)質(zhì)心均較實況明顯偏西偏南，平均偏西0.36°，偏南0.11°，GRAPES-GFS 平均偏西約0.22°，偏南偏北概率相當(dāng)。ECMWF 預(yù)報的暴雨中心偏西偏南，位置偏西偏北，而GRAPES-GFS 模式的暴雨大值中心同樣偏西，但偏差小于ECMWF，經(jīng)向偏差不明顯。

（3）ECMWF 和GRAPES-GFS 兩種模式預(yù)報的暴雨雨區(qū)面積均較實況偏小，但ECMWF 對格點數(shù)大于70 個的雨區(qū)，面積預(yù)報偏大偏小的概率相當(dāng)。ECMWF 和GRAPES-GFS 模式預(yù)報的平均雨強偏弱，分別偏弱11.49%和43.40%，平均雨強增強時，偏弱現(xiàn)象更明顯。GRAPES-GFS模式對最大降水量的預(yù)報呈現(xiàn)一致性的偏弱現(xiàn)象，平均偏弱49.33%，而ECMWF因?qū)ψ畲蠼邓款A(yù)報離散度較大而平均偏強約1.47%。

（4）ECMWF 和GRAPES-GFS 兩種模式對甘肅隴東南地區(qū)和陜西西南部的暴雨預(yù)報效果較好，而在陜北及寧夏等偏北地區(qū)的預(yù)報效果較差，兩種模式對暴雨的預(yù)報傾向表明其對暴雨雨區(qū)面積的預(yù)報明顯偏小，容易造成暴雨漏報，但ECMWF對暴雨的預(yù)報能力強于GRAPES-GFS模式。