陳曉燕，孔祥偉，彭 筱，劉新偉，吳 晶，任淑媛

（1. 蘭州中心氣象臺，甘肅 蘭州 730020；2. 甘肅省蘭州市氣象局，甘肅 蘭州 730020）

引 言

隨著數(shù)值天氣預(yù)報的不斷發(fā)展完善、預(yù)報時效延長且預(yù)報準確率不斷提高，數(shù)值天氣預(yù)報在客觀定量降水預(yù)報上表現(xiàn)出巨大潛力，逐漸成為業(yè)務(wù)預(yù)報領(lǐng)域重要且有效的預(yù)報方法［1-2］。甘肅天氣預(yù)報業(yè)務(wù)中常用數(shù)值模式有7 種，其中全球模式3 種：ECMWF、GRAPES_GFS、NCEP_GFS 模式，區(qū)域模式4 種：GRAPES 區(qū)域數(shù)值預(yù)報業(yè)務(wù)系統(tǒng)（GRAPES_3 km）、西北區(qū)域區(qū)域模式（GRAPES_LZ10 km）、西北區(qū)域快速更新循環(huán)預(yù)報系統(tǒng)（GRAPES_LZ3 km）和華東區(qū)域模式（SMS-WARMS）。由于數(shù)值模式預(yù)報結(jié)果受動力框架、物理過程和初始場等諸多要素影響，加之甘肅地處黃土高原、青藏高原和蒙古高原交匯地帶，境內(nèi)地形復(fù)雜，導(dǎo)致不同數(shù)值模式的降水預(yù)報在時空分布和降水量級等方面存在差異，這給預(yù)報員從海量數(shù)據(jù)中挖掘有效預(yù)報信息帶來巨大挑戰(zhàn)。因此，開展數(shù)值模式產(chǎn)品檢驗，特別是降水預(yù)報產(chǎn)品檢驗顯得尤為重要，及時了解各數(shù)值模式的預(yù)報特點和性能，對提高數(shù)值模式應(yīng)用能力和天氣預(yù)報準確率具有重要意義［3-5］。

目前關(guān)于各種數(shù)值模式定量降水預(yù)報的檢驗分析已有不少研究成果。有針對ECMWF、日本、T639 等全球模式的客觀檢驗分析［6-9］；也有針對區(qū)域高分辨率數(shù)值模式降水預(yù)報效果的評估，如華東區(qū)域數(shù)值預(yù)報模式對華東地區(qū)、西南地區(qū)暴雨和大暴雨的預(yù)報技巧較高［10-12］，華中區(qū)域區(qū)域模式24 h降水預(yù)報能力優(yōu)于48 h，對強降水存在較明顯的空報［13］，GRAPES_MESO 區(qū)域模式對小雨預(yù)報效果較好，對暴雨及以上降水預(yù)報能力相對較弱［14-16］；還有針對多種數(shù)值模式在預(yù)報業(yè)務(wù)應(yīng)用中的檢驗評估［17-18］。GILLELAND 等［19］對多種檢驗方法進行對比，指出可以簡單地通過提高乖離率來提高傳統(tǒng)檢驗方法評分，即高空報率有利于高TS 評分；潘留杰等［20］對比分析ECMWF模式和日本高分辨率模式對降水的預(yù)報能力，發(fā)現(xiàn)調(diào)整閾值改變預(yù)報偏差能夠在一定程度上提高降水預(yù)報技巧。

由于不同數(shù)值模式對不同區(qū)域的預(yù)報性能差異較大，因此有必要開展多模式的本地化客觀檢驗工作。2020年汛期6—8月甘肅降水日數(shù)多、持續(xù)時間長、范圍廣、強度大，與近7 a 歷史同期相比，降水日數(shù)偏多1成，降水量偏多2成。本文針對3種全球模式和4種區(qū)域模式的24 h累計降水預(yù)報效果開展檢驗評估，并采用MODE 方法對不同類型暴雨天氣過程進行空間檢驗，總結(jié)各數(shù)值模式對甘肅汛期降水的預(yù)報性能及特點，以期為數(shù)值模式在甘肅地區(qū)業(yè)務(wù)應(yīng)用提供一定參考。

1 資料與方法

1.1 資 料

實況降水數(shù)據(jù)有2 種：蘭州中心氣象臺提供的2020 年6—8 月甘肅境內(nèi)78 個觀測站（圖1）逐日08：00—08：00（北京時，下同）24 h累計降水量；國家氣象信息中心提供的逐日5 km 分辨率多源融合降水產(chǎn)品。被檢驗的模式資料采用業(yè)務(wù)預(yù)報中常用的7 種數(shù)值模式（表1），包括3 種全球模式和4 種區(qū)域模式，其中華東區(qū)域模式基于美國ADAS-WRF 模式建立，其余3 個區(qū)域模式則是GRAPES 模式系統(tǒng)。根據(jù)實際業(yè)務(wù)應(yīng)用，選取數(shù)值模式每日20：00起報，08：00—08：00 的24 h 累計降水量作為檢驗對象，資料時長為2020 年6 月1 日至8 月31 日，各模式樣本數(shù)均為92。

表1 7種數(shù)值模式基本屬性Tab.1 Introduction of seven operational models

圖1 甘肅國家氣象觀測站點空間分布Fig.1 Distribution of national meteorological stations in Gansu Province

1.2 MET檢驗工具

MET（model evaluation tools）是由美國國家大氣研究中心（National Center for Atmospheric Research，NCAR）數(shù)值預(yù)報發(fā)展試驗中心（Developmental Test?bed Center，DTC）研發(fā)的功能強大的數(shù)值天氣預(yù)報檢驗工具，具有較好的可移植性，不僅提供一系列產(chǎn)品檢驗評估方案，也為模式使用者客觀把握模式預(yù)報性能、獲取預(yù)報指標提供參考。本文基于MET7.0檢驗系統(tǒng)開展數(shù)值模式的客觀檢驗，并進行對比分析。檢驗指標有晴雨準確率（ACC）和風險評分（TS）、公平風險評分（ETS）、命中率（POD）、空報率（FAR）和預(yù)報偏差（Bias），各檢驗評分計算如下：

式中：NA、NB、NC分別為降水預(yù)報正確、空報和漏報的站（次）數(shù)，ND為無降水預(yù)報正確的站（次）數(shù)；TS評分反映模式有效預(yù)報的準確程度，其值越大模式預(yù)報降水能力越強［21］；FAR 值越低表示降水預(yù)報技巧越好；POD 取值范圍為0~1；ETS 評分是對TS評分的改進，能對空報或漏報進行懲罰，使評分相對TS評分更加公平，其值一般低于TS 評分；Bias 最佳為1，Bias>1 表示模式預(yù)報有過度或偏強傾向，Bias<1表示模式預(yù)報有不足或偏弱傾向。

1.3 MODE空間檢驗

基于對象診斷的檢驗方法MODE（method for object-based diagnostic evaluation，MODE）［22-23］是通過在預(yù)報場和觀測場中識別一系列“對象”，并賦予這些對象一定的空間屬性，包括面積、質(zhì)心、軸角、復(fù)雜度、強度百分位數(shù)等，通過定量計算分析預(yù)報和觀測重構(gòu)場中每一個目標單體的空間屬性參數(shù)，可以得到整體的空間檢驗效果。其中面積為目標物的范圍；質(zhì)心為目標物的幾何中心，如果目標只有一個對稱軸，質(zhì)心在軸上，若有2 個對稱軸，質(zhì)心為兩軸的相交點；軸角為目標物對稱軸與東西向水平軸線所成的銳角，用來評估目標的空間走向；強度百分位數(shù)是將目標物內(nèi)部的要素量值從小到大排列，分別對預(yù)報和觀測的各目標做10、25、50、75、90 百分位上的強度之比，根據(jù)比值大小評估預(yù)報要素量級的偏大或偏小。

文中附圖涉及的地圖均基于國家測繪地理信息局標準地圖服務(wù)網(wǎng)站下載的審圖號為GS（2019）1824號的中國地圖制作，底圖無修改。

2 模式定量檢驗分析

2.1 全球模式晴雨準確率和分級降水檢驗

從圖2 看出，全球模式的晴雨準確率在0.70 左右，其中ECMWF 模式最高為0.76，GRAPES_GFS 模式次之（0.73）。隨著降水量級增大，TS 評分、ETS評分和命中率逐漸減小，ECMWF 模式小雨、中雨、大雨的TS 評分和ETS 評分及大雨和暴雨的命中率高于其他2個模式。空報率隨著降水量級增大而增大，NCEP 模式空報率整體較小，全球模式中雨以上量級降水的空報率大于命中率。

圖2 2020年6—8月全球模式的晴雨準確率和24 h累計降水預(yù)報評分（a）ACC，（b）TS評分，（c）ETS評分，（d）POD，（e）FAR，（f）BiasFig.2 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models from June to August 2020（a）ACC，（b）TS，（c）ETS，（d）POD，（e）FAR，（f）Bias

ECMWF 模式各量級降水Bias 均大于1，GRAPES_GFS 模式小雨、中雨、大雨的預(yù)報偏差亦大于1，說明2個模式對降水事件的預(yù)報相對實況偏多；NCEP_GFS 模式中雨以上量級降水Bias<1，即對降水事件的預(yù)報相對實況偏少，與空報率低一致。

2.2 區(qū)域模式晴雨準確率和分級降水檢驗

區(qū)域模式的晴雨準確率（圖3）均在0.70 以上，GRAPES_3 km 模式最高為0.81，SMS-WARMS 模式次之，區(qū)域模式的晴雨準確率高于全球模式。TS 評分、ETS 評分和命中率隨著降水量級增大而減小，SMS-WARMS 模式對各量級降水的評分均優(yōu)于其他區(qū)域模式，其次是GRAPES_3 km 模式?？請舐孰S著降水量級增大而增大，GRAPES_LZ3 km 模式中雨、大雨和暴雨空報率均最低。區(qū)域模式中雨以上量級降水的空報率大于命中率，尤其是大雨和暴雨。

圖3 2020年6—8月區(qū)域模式的晴雨準確率和24 h累計降水預(yù)報評分（a）ACC，（b）TS評分，（c）ETS評分，（d）POD，（e）FAR，（f）BiasFig.3 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of regional models from June to August 2020（a）ACC，（b）TS，（c）ETS，（d）POD，（e）FAR，（f）Bias

除GRAPES_LZ3 km 模式暴雨的預(yù)報偏差明顯小于1 外，其他模式各量級降水的預(yù)報偏差均在1以上，表明區(qū)域模式對降水事件的預(yù)報相對實況偏多。GRAPES_LZ10 km模式大雨和暴雨的預(yù)報偏差明顯高于其他模式，與其空報率高、TS 評分低結(jié)果一致。

總體而言，全球模式小雨和中雨的TS 評分、ETS 評分和命中率高于區(qū)域模式，暴雨則低于區(qū)域模式，大雨預(yù)報能力相當；區(qū)域模式大雨和暴雨的命中率、空報率和預(yù)報偏差均高于全球模式。

3 分型降水檢驗

甘肅暴雨的環(huán)流形勢以副高邊緣型和低槽型為主［24］，低槽型降水發(fā)生時副熱帶高壓（簡稱“副高”）整體偏南，主體位于海洋上，西風帶中的短波槽東移南壓過程中與高原槽疊加，引導(dǎo)北方冷空氣南下，同時高空槽前的西南暖濕氣流向西北地區(qū)東部輸送，冷暖氣流在西北地區(qū)東部相遇，暴雨主要發(fā)生在高空槽前、低層切變線附近。副高邊緣型降水主要特征是副高西伸北抬，西脊點達110°E 附近，脊線位于30°N 附近，西北地區(qū)東部受副高外圍較強西南氣流影響，其與低層700 hPa 偏南氣流重疊地區(qū)時常產(chǎn)生暴雨。這種形勢下，新疆至甘肅西北部的西風帶冷槽常引導(dǎo)冷空氣東移南下，到西北地區(qū)東部與南來的暖濕氣流相遇，形成大范圍東北—西南向雨帶。

根據(jù)暴雨位置和環(huán)流形勢特征，挑選2020 年6—8 月2 種類型降水過程，其中副高邊緣型降水有4 次：7 月24—25 日及8 月6—7 日、11—12 日、15—17 日，低槽型降水有3 次：6 月7—8 日、25—26 日及8 月23—24 日，分別對2 種類型降水過程開展定量檢驗。

3.1 副高邊緣型降水過程

圖4為2020年汛期4 次副高邊緣型降水過程的預(yù)報檢驗評分。全球模式和區(qū)域模式預(yù)報的晴雨準確率均在0.80 以上，SMS-WARMS 模式最高為0.90，ECMWF 模式次之為0.89。全球模式小雨和中雨TS 評分略高于區(qū)域模式；大雨TS 評分各模式相差不大，均在0.2 以上；暴雨的TS 評分全球模式低于區(qū)域模式。ETS 評分和命中率與TS 評分相同。全球模式和區(qū)域模式對小雨的空報率均較低，中雨和大雨的空報率全球模式低于區(qū)域模式，暴雨空報率相反。全球模式和區(qū)域模式小雨、中雨預(yù)報偏差相當，全球模式大雨和暴雨的預(yù)報偏差明顯低于區(qū)域模式，尤其是NCEP_GFS 模式。GRAPES_GFS 模式和GRAPES_3 km模式中雨、大雨的預(yù)報偏差明顯高于其他模式，TS評分卻不是最高，表明2個模式對中雨和大雨預(yù)報偏多，而對暴雨預(yù)報偏少。GRAPES_LZ3 km 模式暴雨預(yù)報偏差和空報率均較高，而TS評分偏低，即暴雨落區(qū)與實況落區(qū)有偏差。

圖4 2020年汛期4次副高邊緣型降水過程全球模式及區(qū)域模式晴雨準確率和24 h累計降水預(yù)報評分（a、b）ACC，（c、d）TS，（e、f）ETS，（g、h）POD，（i、j）FAR，（k、l）BiasFig.4 The accuracy of rain probability forecast and forecast scores of 24 h accumulated rainfall of global models and regional models for 4 sub-high marginal precipitation processes in flood season of 2020（a，b）ACC，（c，d）TS，（e，f）ETS，（g，h）POD，（i，j）FAR，（k，l）Bias

3.2 低槽型降水過程

從2020 年3 次低槽型降水過程預(yù)報檢驗結(jié)果（圖5）來看，全球模式和區(qū)域模式對低槽型降水過程的晴雨預(yù)報準確率在0.70以上，明顯低于副高邊緣型降水過程。全球模式小雨和中雨的TS 評分略高于區(qū)域模式，大雨和暴雨的TS 評分低于區(qū)域模式，尤其是暴雨。ETS 評分和命中率與TS 評分相同。全球模式和區(qū)域模式對小雨的空報率在0.30左右，暴雨空報率在0.90 以上，均高于副高邊緣型降水過程，全球模式大雨的空報率低于區(qū)域模式。全球模式和區(qū)域模式小雨的預(yù)報偏差相當，全球模式中雨、大雨和暴雨的預(yù)報偏差大多在1以下，明顯低于區(qū)域模式。綜合來看，區(qū)域模式對低槽型降水過程大雨和暴雨的預(yù)報能力明顯優(yōu)于全球模式，其中SMS-WARMS模式表現(xiàn)最優(yōu)。

圖5 2020年汛期3次低槽型降水過程全球模式及區(qū)域模式晴雨準確率和24 h累計降水預(yù)報評分（a、b）ACC，（c、d）TS，（e、f）ETS，（g、h）POD，（i、j）FAR，（k、l）BiasFig.5 The accuracy of rain probability forecast and forecast scores of 24h accumulated rainfall of global models and regional models for 3 low-trough precipitation processes in flood season of 2020（a，b）ACC，（c，d）TS，（e，f）ETS，（g，h）POD，（i，j）FAR，（k，l）Bias

綜上所述，副高邊緣型降水過程的晴雨準確率和各量級降水的TS 評分、ETS 評分和命中率均優(yōu)于低槽型降水過程，全球模式和區(qū)域模式對副高邊緣型降水過程預(yù)報能力優(yōu)于低槽型降水過程；全球模式對2種類型降水過程的小雨和中雨預(yù)報評分略高于區(qū)域模式，暴雨預(yù)報評分則相反。

4 MODE空間檢驗

4.1 副高邊緣型降水過程

采用MODE 方法對4 次副高邊緣型降水過程和3 次低槽型降水過程進行空間檢驗，分析不同尺度數(shù)值模式的預(yù)報性能。從全球模式和區(qū)域模式對副高邊緣型降水過程經(jīng)由MODE 方法識別出的配對目標對象簇屬性診斷量（表2）可以看出，全球模式中雨和大雨的面積比（預(yù)報與觀測之比，下同）在1.00~1.70，表明全球模式預(yù)報降水面積較觀測略偏大；除NCEP_GFS 模式暴雨面積比小于1，其余2個模式暴雨面積比均大于1，尤其GRAPES_GFS 模式；ECMWF 和NCEP_GFS 模式大暴雨面積比也大于1。各量級降水的質(zhì)心距離均在30 km以下，中雨和大雨的軸角偏差基本在10°以內(nèi)，說明3個全球模式對中雨和大雨的走向預(yù)報較為準確，但對暴雨和大暴雨空間位置預(yù)報有偏差。ECMWF 模式各量級降水的50%分位降水強度比率（預(yù)報比觀測，下同）平均值為1.02，說明模式預(yù)報的各量級降水與觀測較為一致；其余2 個模式小于1，即GRAPES_GFS 和NCEP_GFS 模式預(yù)報的各量級降水較觀測偏弱，尤其是GRAPES_GFS 模式。ECMWF 模式各量級降水的90%分位降水強度比率均在1 以上，說明模式預(yù)報的各量級降水較觀測偏強，尤其在降水中心區(qū)域，其余2個模式偏弱。

表2 全球模式和區(qū)域模式對2020年汛期4次副高邊緣型降水過程的24 h累計降水預(yù)報和觀測值組成的對象簇屬性值Tab.2 The attribute values of matching objects of 24 h accumulated rainfall prediction based on global and regional models and observations for 4 sub-high marginal precipitation processes in flood season of 2020

區(qū)域模式中雨、大雨和暴雨面積比均大于1，其中暴雨面積比均大于4，即模式預(yù)報的暴雨面積明顯大于觀測；SMS-WARMS 模式和GRAPES_3 km 模式預(yù)報的大暴雨面積較觀測亦偏大，而GRAPES_LZ3 km 模式明顯偏小。中雨和大雨的質(zhì)心距離在30 km以內(nèi)，軸角偏差基本在12°以內(nèi)，說明4個區(qū)域模式對中雨和大雨的走向預(yù)報較為準確；暴雨和大暴雨質(zhì)心距離最小為7.05 km，最大為36.47 km，軸角偏差在30°~60°之間，表明4個區(qū)域模式預(yù)報的空間位置與觀測有偏差。區(qū)域模式中雨、大雨和暴雨50%和90%分位降水強度比率均大于1，說明模式預(yù)報的各量級降水較觀測偏強，其中SMS-WARMS模式較其他模式偏強更為明顯。SMS-WARMS 模式對大暴雨預(yù)報與觀測接近，其余模式預(yù)報偏弱，尤其是GRAPES_LZ10 km模式。

綜合來看，全球模式中ECMWF 模式各項空間屬性值表現(xiàn)最好，區(qū)域模式中SMS-WARMS 模式表現(xiàn)最優(yōu)，與統(tǒng)計評分結(jié)果一致；SMS-WARMS 模式對副高邊緣型降水空間位置預(yù)報能力優(yōu)于其余6個模式，GRAPES_3 km 模式在降水面積和降水強度上更接近于觀測。

4.2 低槽型降水過程空間檢驗

表3為2020 年汛期3 次低槽型降水過程經(jīng)MODE檢驗方法識別的配對目標對象簇屬性診斷量值?？梢钥闯觯蚰Ｊ匠齆CEP_GFS模式外，其余2 個模式中雨和大雨面積比均大于1，尤其GRAPES_GFS 模式。低槽型降水過程中雨和大雨的質(zhì)心距離較副高邊緣型降水過程偏大，軸角偏差最小值為9.62°，最大值為26.50°，說明3 個全球模式對中雨和大雨的空間位置預(yù)報與觀測有偏差。各量級降水50%分位與90%分位降水強度比率大多小于1.00，即模式預(yù)報的各量級降水較觀測偏弱，尤其是NCEP_GFS模式。

表3 全球模式和區(qū)域模式對2020年汛期3次低槽型降水過程24 h累計降水預(yù)報和觀測值組成的對象簇屬性值Tab.3 The attribute values of matching objects of 24 h accumulated rainfall forecast based on global and regional models and observations for 3 low-trough precipitation processes in flood season of 2020

區(qū)域模式除GRAPES_LZ3 km 模式暴雨面積比小于1，其余模式各量級降水的面積比均大于1，說明模式預(yù)報的降水面積明顯大于觀測。中雨和大雨軸角偏差基本在17°以內(nèi)，表明區(qū)域模式對中雨和大雨的走向預(yù)報較為準確；暴雨質(zhì)心距離在26~56 km 之間，軸角偏差在30°以內(nèi)，表明區(qū)域模式預(yù)報的暴雨空間位置與觀測有偏差。除GRAPES_LZ3 km模式外，其余3個區(qū)域模式中雨、大雨和暴雨50% 和90% 分位降水強度比率均大于1，SMSWARMS 模式預(yù)報的降水強度較其他模式更為偏強。SMS-WARMS 模式和GRAPES_3 km 模式對暴雨預(yù)報與觀測接近，其余2個模式預(yù)報偏弱。

對于低槽型降水過程，ECMWF 模式各項空間屬性值優(yōu)于其他2 個全球模式，SMS-WARMS 模式和GRAPES_3 km 模式優(yōu)于其余5 個模式，其中GRAPES_3 km 模式對降水面積和降水強度預(yù)報與觀測更接近；全球模式和區(qū)域模式對副高邊緣型降水過程的預(yù)報能力優(yōu)于低槽型降水過程，全球模式對大雨以上量級的降水預(yù)報偏弱，區(qū)域模式預(yù)報整體偏強。

4.3 個例分析

根據(jù)以上分析得知，ECMWF 模式、SMSWARMS 模式和GRAPES_3 km 模式的預(yù)報效果優(yōu)于其余模式，故分別選取副高邊緣型和低槽型降水過程中降水強度最強和范圍最大的過程作為個例（2020 年8 月15—17 日和6 月25—26 日降水過程），對3 個模式預(yù)報的暴雨開展空間檢驗。8 月15—17日副高邊緣型降水過程空間檢驗識別出1個配對目標（圖6），對比預(yù)報場和觀測場的目標1，模式預(yù)報的暴雨面積大于觀測。結(jié)合屬性值（表4）來看，3個模式的面積比均大于1，預(yù)報目標1 較觀測目標1 的質(zhì)心位置略偏西北，質(zhì)心距離和軸角偏差均較小，反映出3 個模式預(yù)報的暴雨區(qū)位置與實況較接近；模式降水強度比率均大于1，即模式預(yù)報的暴雨量級大于實況。

圖6 2020年8月15—17日降水過程MODE檢驗識別的暴雨合成目標（數(shù)字1表示各模式與觀測配對成功的目標對，藍色區(qū)域為暴雨落區(qū)。下同）（a）ECMWF，（b）SMS-WARMS，（c）GRAPES_3 km，（d）觀測Fig.6 The matching objects of rainstorm identified by MODE method during the rainfall process on 15-17 August 2020（The number“1”represents a successful target pair of observation and model forecast，the blue area is rainstorm area. the same as below）（a）ECMWF，（b）SMS-WARMS，（c）GRAPES_3 km，（d）observation

2020 年6 月25—26 日低槽型降水過程相對較弱，暴 雨TS 評 分 偏 低（ECMWF 模式 為0，SMSWARMS 模式為0.11，GRAPES_3 km 模式為0.10）。這次降水過程也識別出1個暴雨區(qū)配對目標（圖7）。對比預(yù)報場和觀測場的目標1，SMS-WARMS模式和GRAPES_3 km 模式預(yù)報的暴雨面積大于觀測，ECMWF 模式則小于觀測?？臻g檢驗指標（表4）顯示，ECMWF 模式的質(zhì)心距離最小，對暴雨預(yù)報有一定指導(dǎo)意義；2 個區(qū)域模式的面積比均在7 以上，預(yù)報目標1 較觀測目標1 質(zhì)心位置偏西南，軸角偏差較小，即模式預(yù)報的暴雨區(qū)整體趨勢與實況一致，但暴雨空報面積偏大。

表4 3種模式對2次降水過程暴雨預(yù)報和觀測組成的對象簇屬性值Tab.4 The attribute values of matching objects of rainstorm prediction based on three models and observation for the two rainfall processes

圖7 2020年6月25—26日降水過程MODE檢驗識別的暴雨合成目標（a）ECMWF，（b）SMS-WARMS，（c）GRAPES_3 km，（d）觀測Fig.7 The matching objects of rainstorm identified by MODE method during the rainfall process on 25-26 June 2020（a）ECMWF，（b）SMS-WARMS，（c）GRAPES_3 km，（d）observation

5 結(jié) 論

基于MET 檢驗系統(tǒng)對甘肅2020 年6—8 月全球模式和區(qū)域模式24 h 累計降水預(yù)報進行客觀檢驗和空間檢驗及對比分析，得到以下主要結(jié)論：

（1）全球模式晴雨準確率及小雨和中雨的TS 評分、ETS評分、命中率均表現(xiàn)較好，ECMWF 模式預(yù)報效果優(yōu)于其余2個模式；NCEP_GFS模式的空報率和預(yù)報偏差整體偏低，即對降水事件預(yù)報相對觀測偏少。

（2）區(qū)域模式晴雨準確率及小雨和中雨的TS評分、ETS 評分、命中率低于全球模式，暴雨優(yōu)于全球模式；大雨、暴雨的空報率和預(yù)報偏差均高于全球模式，表明對降水事件預(yù)報相對觀測偏多；其中SMS-WARMS表現(xiàn)最優(yōu)，其次為GRAPES_3 km。

（3）副高邊緣型降水過程的晴雨準確率和各量級降水的TS 評分、ETS 評分和命中率均優(yōu)于低槽型降水過程，表明全球模式和區(qū)域模式對副高邊緣型降水過程預(yù)報能力優(yōu)于低槽型降水過程；全球模式對2種類型降水過程的小雨和中雨預(yù)報評分略高于區(qū)域模式，ECMWF 模式和區(qū)域模式對大雨和暴雨的預(yù)報效果優(yōu)于NCEP_GFS和GRAPES_GFS模式。

（4）2 種類型降水過程空間檢驗結(jié)果表明，全球模式中ECMWF 模式各項空間屬性值表現(xiàn)最好，SMS-WARMS 模式各項空間屬性值優(yōu)于其余區(qū)域模式，與客觀檢結(jié)果相一致；全球模式和區(qū)域模式對副高邊緣型降水過程的空間位置預(yù)報效果優(yōu)于低槽型降水過程，尤其是暴雨落區(qū)預(yù)報。