龐玥 劉祥 韓瀟 胡春梅 王歡

(1 重慶市氣象臺，重慶 401147；2 重慶市氣象服務(wù)中心，重慶 401147)

引 言

重慶地區(qū)地形復(fù)雜，災(zāi)害性天氣頻發(fā)，暴雨就是其中之一。近年來，隨著數(shù)值天氣預(yù)報的發(fā)展，越來越多的模式產(chǎn)品對暴雨預(yù)報起到了較好的指示作用。但由于單一的數(shù)值模式對暴雨預(yù)報存在很大的不確定性[1-2]。集合數(shù)值預(yù)報就是估計數(shù)值模式中不確定性的一種方法，往往比單一的確定性預(yù)報獲得更多的信息[3-5]。

目前，集合數(shù)值預(yù)報已在全球多個國家中廣泛應(yīng)用于日常預(yù)報業(yè)務(wù)中，已成為國內(nèi)外眾多學(xué)者研究暴雨等災(zāi)害性天氣事件的重要方法之一[6-9]。然后由于集合數(shù)值預(yù)報的系統(tǒng)誤差、初始條件、同化方案、成員樣本數(shù)等原因，常表現(xiàn)出系統(tǒng)性偏差，不能完整描述大氣的不確定性[10-11]，因此還需要進行統(tǒng)計學(xué)后處理技術(shù)來改善其可靠性和預(yù)報技巧。蘇翔等[12]、代刊等[13]指出非參數(shù)化后處理方法具有靈活多樣的形式，反映了歷史訓(xùn)練樣本中預(yù)報和觀測數(shù)據(jù)的統(tǒng)計關(guān)系，但它無法推演訓(xùn)練樣本中未發(fā)生過的事件，且需要大量的樣本來訂正統(tǒng)計模型。目前，非參數(shù)化后處理方法在國內(nèi)外已得到廣泛應(yīng)用。如美國國家環(huán)境預(yù)報中心在業(yè)務(wù)中使用頻率匹配法顯著減小了全球降水模式預(yù)報的系統(tǒng)性偏差[14]；陳圣劼等[15]指出概率預(yù)報、最優(yōu)百分位、杜—周排序法和降水偏差訂正頻率匹配法在江蘇暴雨預(yù)報中有一定指示意義；FANG，et al[16]將概率匹配方法應(yīng)用于提高臺風和地形增強引發(fā)的暴雨預(yù)報準確率。這些后處理方法在所研究的的區(qū)域或個例中均較大程度地減少了集合數(shù)值預(yù)報的系統(tǒng)誤差，提高了降水預(yù)報技巧，因此統(tǒng)計學(xué)后處理已成為集合預(yù)報系統(tǒng)的重要組成部分。

隨著集合數(shù)值預(yù)報在全國氣象部門的推廣，各地的氣象工作者開始著眼于研究集合預(yù)報在本地的檢驗和應(yīng)用[17-19]。近年來，重慶市氣象局一直在大力發(fā)展集合預(yù)報系統(tǒng)的研究和應(yīng)用，但在實際工作中，預(yù)報員對集合預(yù)報產(chǎn)品的使用意識較為薄弱、使用率較低，存在著概念模糊和應(yīng)用方法欠缺等問題。鑒于當前現(xiàn)狀，本文將基于數(shù)據(jù)較全、業(yè)務(wù)使用率較高的ECMWF集合預(yù)報系統(tǒng)，研究ECMWF集合預(yù)報統(tǒng)計量產(chǎn)品及其后處理技術(shù)在重慶暴雨預(yù)報中的應(yīng)用，分析ECMWF集合預(yù)報系統(tǒng)對暴雨的可預(yù)報性問題，其結(jié)果有助于預(yù)報員深入認識集合預(yù)報系統(tǒng)，進而做出更好的決策，也為暴雨預(yù)報業(yè)務(wù)工作提供科學(xué)參考。

1 資料與方法

1.1 資料

本文所用實況資料為2014—2020年5—9月重慶地區(qū)34個國家氣象站20時—次日20時(北京時，下同)的24 h降水資料(圖1)。數(shù)值預(yù)報資料為同時段ECMWF集合預(yù)報降水資料和國家氣象中心基于ECMWF集合預(yù)報系統(tǒng)開發(fā)的12類常用的降水統(tǒng)計量產(chǎn)品，其預(yù)報區(qū)域選取重慶范圍(28°～33°N、105°～111°E)(圖1)，分辨率為0.5°×0.5°。采用最優(yōu)插值方法，將集合預(yù)報格點降水數(shù)據(jù)插值到站點。考慮到ECMWF集合預(yù)報資料會有8～12 h的接收延遲，因此對模式每日08時起報的12～36 h的24 h降水產(chǎn)品進行檢驗分析。其中，集合預(yù)報降水統(tǒng)計量產(chǎn)品包括：概率匹配平均、平均數(shù)、中位數(shù)、最大值、最小值、Mode、控制預(yù)報、10%分位數(shù)、25%分位數(shù)、75%分位數(shù)、90%分位數(shù)和融合產(chǎn)品，其計算方法分別為：

圖1 預(yù)報檢驗區(qū)域及重慶地區(qū)34個國家氣象站(黑色圓點)分布

(1)概率匹配平均：將區(qū)域內(nèi)n個成員所有預(yù)報從大到小排列，保留每n/2個間隔的預(yù)報值；然后將集合平均場按從大到小排列；將第一步保留下來的序列與集合平均序列匹配，即得到概率匹配平均產(chǎn)品。

(2)平均數(shù)(集合平均)：所有集合成員的算術(shù)平均。

(3)中位數(shù)：將數(shù)據(jù)從大到小排列，取中間值。

(4)最大/小值：將數(shù)據(jù)從大到小排列，取最大/小值。

(5)Mode：指樣本中最常出現(xiàn)的值，公式為Mode=3×中位數(shù)-2×平均數(shù)。

(6)控制預(yù)報：不加擾動的預(yù)報結(jié)果。

(7)百分位值(10%、25%、75%、90%分位數(shù))：將數(shù)據(jù)從大到小排列，取百分比值。

(8)融合產(chǎn)品：如果集合最大值≥100 mm，則融合值為集合最大值；如果集合90%分位值≥50 mm，則融合值為90%分位值；如果集合75%分位值≥25 mm，則融合值為75%分位值；如果集合中位值≥10 mm，則融合值為集合中位值；在上述條件都不滿足的情況下，融合值為集合10%分位值。

1.2 檢驗方法

本文采用日常業(yè)務(wù)中常用的TS評分、ETS評分、預(yù)報偏差(BIAS)、漏報率(PO)、空報率(FAR)等多個參數(shù)進行檢驗分析。其表達式分別為：

TS評分：

TS=NA/(NA+NB+NC)，

(1)

ETS評分：

ETS=(NA-r)/(NA+NB+NC-r)，r=(NA+NB)(NA+NC)/(NA+NB+NC+ND)，

(2)

預(yù)報偏差：

BIAS=(NA+NB)/(NA+NC)，

(3)

漏報率：

PO=NC/(NA+NC)，

(4)

空報率：

FAR=NB/(NA+NB)。

(5)

其中：NA為暴雨預(yù)報正確的站數(shù)；NB、NC分別為暴雨空報和漏報站數(shù)；ND為未預(yù)報暴雨且實況無暴雨發(fā)生的站數(shù)。

1.3 暴雨日的定義

本文定義暴雨日為重慶地區(qū)34個站中至少有1個站24 h累計降水量為暴雨及以上級別降水(簡稱“暴雨”)，即至少1站24 h降水量大于等于50 mm。剔除集合預(yù)報系統(tǒng)未接收到的降水資料時次，本文選取2014—2016年5—9月81個暴雨日進行以下集合預(yù)報統(tǒng)計量產(chǎn)品和后處理技術(shù)產(chǎn)品的暴雨預(yù)報檢驗分析。由于后處理方法中的最優(yōu)百分位和頻率匹配方法的計算需要歷史實況信息，因此需將這兩種方法的研究時段分為訓(xùn)練期和檢驗期，其中2014—2016年的81個樣本作為訓(xùn)練數(shù)據(jù)，再選取2017—2020年的78個樣本作為檢驗數(shù)據(jù)進行評估。

2 集合預(yù)報統(tǒng)計量產(chǎn)品在暴雨預(yù)報中的檢驗

ECMWF集合預(yù)報系統(tǒng)由1個控制預(yù)報成員和50個預(yù)報成員組成，國家氣象中心集合預(yù)報團隊針對ECMWF集合預(yù)報系統(tǒng)開發(fā)了12類常用的降水統(tǒng)計量產(chǎn)品，然后針對暴雨這類災(zāi)害性天氣，預(yù)報員可以參考哪些統(tǒng)計量產(chǎn)品呢？如何利用統(tǒng)計量產(chǎn)品為暴雨預(yù)報提供客觀依據(jù)呢？因此本節(jié)將對這12類統(tǒng)計量產(chǎn)品在重慶暴雨中的預(yù)報性能進行分析。由于控制預(yù)報為不加擾動的預(yù)報成員，與日常業(yè)務(wù)中所用的ECMWF確定性預(yù)報相比，只是分辨率有所不同，因此控制預(yù)報可以理解為是日常業(yè)務(wù)中所用的確定性預(yù)報的簡化版，本文將其代替單一的確定性預(yù)報與其他統(tǒng)計量產(chǎn)品進行對比分析。

圖2給出了集合預(yù)報統(tǒng)計量產(chǎn)品對重慶地區(qū)暴雨預(yù)報的檢驗結(jié)果。從暴雨TS評分來看(圖2a)，各統(tǒng)計量產(chǎn)品的TS評分均值只有0.108，這與這些產(chǎn)品的計算方法有關(guān)。比如集合平均的平滑作用會過濾掉小概率事件，保留大概率事件，但暴雨就是小概率事件，所以它的暴雨TS評分只有0.057，對暴雨預(yù)報較差。其中TS評分最高的產(chǎn)品為最大值(0.257)，此外，90%分位數(shù)、融合產(chǎn)品、概率匹配平均、75%分位數(shù)的TS評分均高于控制預(yù)報(0.113)，說明這些產(chǎn)品對暴雨強度預(yù)報較控制預(yù)報更有參考性。而最小值和10%分位數(shù)的暴雨TS評分為0，25%分位數(shù)的TS評分接近0，說明這些產(chǎn)品對暴雨降水基本沒有預(yù)報能力。從ETS評分來看(圖2a)，評分最高的產(chǎn)品為90%分位數(shù)(0.197)，也高于控制預(yù)報的ETS評分(0.086)。

圖2 集合預(yù)報統(tǒng)計量產(chǎn)品對暴雨預(yù)報的TS評分、ETS評分(a)以及預(yù)報偏差BIAS(b)

為了綜合評估暴雨空漏報及落區(qū)的情況，圖2b為集合預(yù)報統(tǒng)計量產(chǎn)品的暴雨預(yù)報偏差檢驗，結(jié)果表明：除最大值以外，其他產(chǎn)品的預(yù)報偏差都小于1，這說明即使暴雨TS評分超過0.2的融合產(chǎn)品和90%分位數(shù)也有部分的暴雨還是沒有預(yù)報出來，只有最大值對暴雨預(yù)報范圍偏大，而其他大部分產(chǎn)品都對暴雨預(yù)報范圍偏小。其中，預(yù)報偏差最接近1的產(chǎn)品有融合產(chǎn)品和90%分位數(shù)，值分別為0.858、0.85。此外，75%分位數(shù)、概率匹配平均對暴雨預(yù)報的偏差程度也小于控制預(yù)報，說明這些產(chǎn)品對暴雨范圍預(yù)報較控制預(yù)報更有優(yōu)勢。值得注意的是，最大值的TS評分最高，但其ETS評分反而比融合產(chǎn)品和90%分位數(shù)低，結(jié)合最大值的預(yù)報偏差明顯大于1，說明最大值是通過大量空報暴雨造成TS評分偏高。

綜上，最大值、90%分位數(shù)、融合產(chǎn)品、概率匹配平均、75%分位數(shù)對暴雨預(yù)報有一定參考性，其中90%分位數(shù)和融合產(chǎn)品對暴雨落區(qū)預(yù)報較好，最大值對暴雨強度預(yù)報有一定指示意義，但表現(xiàn)為明顯的濕偏差。

3 集合預(yù)報后處理方法在暴雨預(yù)報中的應(yīng)用

雖然集合預(yù)報系統(tǒng)提供了豐富的預(yù)報信息，但在實際應(yīng)用中，集合模式結(jié)果仍表現(xiàn)出不同程度的系統(tǒng)性偏差以及欠離散或過離散情況，為此需要發(fā)展統(tǒng)計后處理技術(shù)來適當訂正集合預(yù)報結(jié)果出現(xiàn)的偏差。以下利用應(yīng)用較為廣泛的幾種非參數(shù)化后處理技術(shù)，并對集合預(yù)報系統(tǒng)進行計算得到新產(chǎn)品，進一步分析其在重慶暴雨降水中的預(yù)報效果。

3.1 最優(yōu)百分位法

上一節(jié)分析可知集合分位數(shù)產(chǎn)品在重慶暴雨預(yù)報中具有較好的預(yù)報效果，國家氣象中心通過長時間檢驗發(fā)現(xiàn)不同的集合預(yù)報百分位值對不同等級的降水具有預(yù)報優(yōu)勢，基于此開發(fā)了最優(yōu)百分位法，即用動態(tài)百分位值代替集合統(tǒng)計量產(chǎn)品中的固定百分位值，則轉(zhuǎn)變?yōu)楦屿`活的最優(yōu)百分位法[20]

本文將百分位值從0%～100%劃分為100個預(yù)報等級，計算其對重慶暴雨降水的預(yù)報能力(圖3)。從圖3a可以看出，隨著百分位數(shù)的增加，TS評分總體呈非線性增加，TS評分最高的為94%分位數(shù)(0.292)，而99%分位數(shù)、100%分位數(shù)(即最大值)的TS評分值又低于98%分位數(shù)。其中小于68%分位數(shù)產(chǎn)品的TS評分值低于控制預(yù)報的TS評分值(0.113)，小于53%分位數(shù)產(chǎn)品的TS評分值已經(jīng)低于平均數(shù)的TS評分值(0.057)。ETS評分的增長趨勢與TS評分類似，評分最高產(chǎn)品仍然為94%分位數(shù)(0.223)。從圖3b可見，隨著百分位數(shù)的增加，大于25%分位數(shù)產(chǎn)品的空報率上升，大于20%分位數(shù)產(chǎn)品的漏報率下降，其漏報率的變化幅度大于空報率，尤其當大于80%分位數(shù)時，其漏報率顯著減低。由于漏報率減低可以提高TS評分，但空報率上升卻減低TS評分，當兩者達到平衡時，使得TS評分最高。由此尋找到對于2014—2016年主汛期暴雨預(yù)報的最優(yōu)百分位數(shù)為94%分位數(shù)，其預(yù)報偏差為1.257，表現(xiàn)為濕偏差，該分位數(shù)位于空報率和漏報率曲線的交點附近。

圖3 集合預(yù)報動態(tài)百分位值產(chǎn)品對暴雨預(yù)報的TS評分、ETS評分(a)以及空報率FAR、漏報率PO(b)

綜上所述，最優(yōu)百分位產(chǎn)品的思路在于漏報率和空報率達到平衡時的百分位數(shù)值即為暴雨預(yù)報準確率最高的產(chǎn)品。值得注意的是，最優(yōu)百分位94%是基于訓(xùn)練期2014—2016年的歷史集合預(yù)報與實況資料計算出，故將該結(jié)果應(yīng)用到檢驗期的集合預(yù)報系統(tǒng)進行暴雨降水訂正，得出2017—2020年5—9月的暴雨TS評分為0.218，其值比同時期最大值產(chǎn)品的暴雨TS評分(0.185)還要高，對暴雨強度具有較好的預(yù)報效果。

3.2 概率匹配—融合、融合—概率匹配法

融合產(chǎn)品和概率匹配平均的計算方法表明，它們分別對集合平均的降水量級和降水落區(qū)進行訂正，因此在重慶暴雨預(yù)報中具有較好的指示意義?；诖颂攸c，陳博宇等[21]進一步開發(fā)融合—概率匹配產(chǎn)品(FUSE-PM)和概率匹配—融合產(chǎn)品(PM-FUSE)，其設(shè)計原理為：融合—概率匹配產(chǎn)品利用概率匹配平均的計算方法，將融合產(chǎn)品與集合平均進行匹配實現(xiàn)降水落區(qū)的調(diào)整；概率匹配—融合產(chǎn)品采用融合產(chǎn)品的計算原理，在概率匹配平均的基礎(chǔ)上進行降水量級的調(diào)整。

圖4為融合產(chǎn)品、概率匹配平均、融合—概率匹配、概率匹配—融合、控制預(yù)報的各項預(yù)報檢驗評分對比。由圖4可見，融合—概率匹配產(chǎn)品的TS評分(0.282)、ETS評分(0.217)較融合產(chǎn)品都有所提高，甚至高于最大值的值；而概率匹配—融合產(chǎn)品的TS(0.153)和ETS(0.125)評分較概率匹配平均的值持平，略高于控制預(yù)報。此外，融合—概率匹配產(chǎn)品較融合產(chǎn)品的空報率和漏報率都有所減低，其漏報率在5個產(chǎn)品中最低(0.544)；而概率匹配—融合產(chǎn)品雖然空報率較低，但出現(xiàn)了較高的漏報率，因此其TS評分不高。從預(yù)報偏差來看，概率匹配-融合產(chǎn)品的預(yù)報偏差只有0.29，仍以干偏差為主；融合—概率匹配產(chǎn)品以濕偏差為主，值為1.074，對暴雨落區(qū)的偏差程度甚至小于融合產(chǎn)品和90%分位數(shù)，對暴雨降水落區(qū)具有較好的指示意義。

圖4 融合產(chǎn)品、概率匹配平均、融合—概率匹配、概率匹配—融合、平均數(shù)、控制預(yù)報的各項預(yù)報檢驗評分對比

因此，對于2014—2016年主汛期重慶暴雨預(yù)報，融合—概率匹配產(chǎn)品改進方案更有效，它在于實現(xiàn)了對暴雨降水落區(qū)的位置訂正，而概率匹配—融合產(chǎn)品改進方案僅降低了空報率。

3.3 頻率匹配法

概率匹配平均產(chǎn)品雖然具有降水空間分布較好的集合平均場和降水量級更準確的集合成員的優(yōu)點[22]，但缺少對觀測數(shù)據(jù)的應(yīng)用，如果使用實況觀測資料對暴雨降水進行匹配就變成了頻率匹配法[14，23-24]。李俊等[23]進一步研究表明，若先對降水預(yù)報進行集合平均，再應(yīng)用頻率匹配法進行偏差訂正，可以明顯訂正降水范圍和降水量級的偏差。本文概率匹配方法的具體實施方案[24]：假設(shè)實況觀測降水頻率與模式降水預(yù)報頻率一致，利用2014—2016年5—9月逐日實況降水資料和集合平均降水預(yù)報數(shù)據(jù)，計算重慶地區(qū)各站點暴雨降水的Gamma分布累積概率Po；令集合平均暴雨預(yù)報對應(yīng)的累積概率值Pf與實況暴雨概率值相等，即Pf=Po；反算出Pf所對應(yīng)的集合平均的暴雨預(yù)報閾值R*。

圖5為以沙坪壩站為例的暴雨集合預(yù)報—觀測頻率匹配訂正，Po為根據(jù)實況觀測曲線上橫坐標為50 mm(暴雨閾值)對應(yīng)的累積概率，令Pf=Po，找到集合預(yù)報曲線上對應(yīng)的累積概率Pf，最后由Pf找到集合預(yù)報對應(yīng)的橫坐標上的暴雨降水閾值R*，即為沙坪壩站的暴雨訂正值R*=28.42mm。由此計算出重慶地區(qū)34個站的集合平均暴雨預(yù)報閾值(表1)。經(jīng)計算，集合平均經(jīng)降水偏差頻率匹配訂正后各站點的平均TS評分為0.281，明顯高于集合平均和控制預(yù)報的暴雨TS評分，甚至高于最大值的TS評分(0.257)；漏報率為0.562，較集合平均明顯下降；預(yù)報偏差為1.135，較融合產(chǎn)品和90%分位數(shù)的暴雨偏差程度更小。

圖5 沙坪壩站的暴雨集合預(yù)報—觀測頻率匹配法(黑色和灰色實線分別為集合平均和觀測降水的累積概率分布曲線)

表1 重慶地區(qū)34個站的集合平均暴雨預(yù)報臨界閾值

可見，基于降水偏差訂正的頻率匹配法主要通過降低漏報率，有效提高了集合平均數(shù)對暴雨降水的預(yù)報性能。將該方法在訓(xùn)練期中得到的重慶地區(qū)34個站的暴雨預(yù)報閾值應(yīng)用到檢驗期的集合平均進行各站點的暴雨預(yù)報訂正，計算得出2017—2020年5—9月集合平均經(jīng)降水偏差頻率匹配訂正后的各站點平均暴雨TS評分為0.240，高于同時期最大值產(chǎn)品的值(0.185)，預(yù)報偏差為0.909，其偏差程度小于同時期90%分位數(shù)的值(1.037)，有效訂正了集合預(yù)報系統(tǒng)對暴雨強度和落區(qū)的預(yù)報。

3.4 概率預(yù)報

集合概率預(yù)報產(chǎn)品體現(xiàn)了集合預(yù)報相對于傳統(tǒng)確定性預(yù)報的優(yōu)勢，它可以定量描述某種天氣事件發(fā)生的可能性，是最具代表性的集合預(yù)報產(chǎn)品。概率預(yù)報產(chǎn)品的檢驗方法參考李俊等[25]使用的平均法：定義N個預(yù)報成員在集合預(yù)報系統(tǒng)中占有相同的權(quán)重，當有M個成員預(yù)報發(fā)生暴雨時，則該模式發(fā)生暴雨的概率為M/N。本文將概率預(yù)報產(chǎn)品從0.1%～99%劃分為100個預(yù)報等級，分析其在重慶暴雨降水中的預(yù)報性能。

圖6a為集合概率預(yù)報產(chǎn)品的暴雨TS和ETS評分檢驗?？芍?，隨著概率值的增大，TS評分曲線先迅速上升，當概率值為7%時，暴雨TS評分最高，值為0.299，隨后TS評分曲線迅速下降，當概率值超過78%時，暴雨TS評分為0；ETS評分曲線趨勢與TS一致，但當概率值為8%時，暴雨ETS評分最高(0.23)。從集合概率預(yù)報產(chǎn)品的暴雨預(yù)報偏差來看(圖6b)，隨著概率值的增大，預(yù)報偏差迅速從濕偏差變?yōu)楦善睿敻怕手禐?0%時，暴雨偏差最接近1(1.006)。而TS和ETS評分最高的7%概率和8%概率產(chǎn)品的預(yù)報偏差值分別為1.319、1.189，均為濕偏差。這說明，暴雨是一種小概率事件，當概率值較小時對應(yīng)的暴雨預(yù)報準確率較高，隨著概率值的增大，其空報率緩慢下降，但伴隨漏報率顯著上升，因此使得TS和ETS評分迅速減低。因此，概率預(yù)報產(chǎn)品既反映了暴雨的不確定性，也可用作暴雨的確定性預(yù)報，當在用于暴雨這類小概率災(zāi)害性天氣事件的確定性預(yù)報時，小的概率值就需要引起重視。

圖6 集合概率預(yù)報產(chǎn)品對暴雨預(yù)報的TS評分、ETS評分(a)以及預(yù)報偏差BIAS(b)

4 結(jié)論

本文利用重慶地區(qū)34個國家氣象站降水資料和ECMWF集合預(yù)報降水資料，系統(tǒng)檢驗和評估了集合預(yù)報統(tǒng)計量產(chǎn)品及后處理技術(shù)產(chǎn)品對2014—2016年主汛期5—9月重慶暴雨的預(yù)報性能。主要結(jié)果如下：

(1)對于12類常用的集合預(yù)報統(tǒng)計量產(chǎn)品，最大值、90%分位數(shù)、融合產(chǎn)品、概率匹配平均、75%分位數(shù)對暴雨預(yù)報有一定參考性，其中90%分位數(shù)和融合產(chǎn)品對暴雨落區(qū)預(yù)報較好，最大值對暴雨強度預(yù)報有一定指示意義，但表現(xiàn)為明顯的濕偏差。

(2)對于集合預(yù)報后處理技術(shù)產(chǎn)品(表2)，其暴雨TS評分較控制預(yù)報和平均數(shù)有明顯提高，其中概率預(yù)報、最優(yōu)百分位、融合—概率匹配、頻率匹配法的暴雨TS評分均超過0.2，甚至優(yōu)于最大值的暴雨預(yù)報效果，對暴雨強度預(yù)報具有較高的指導(dǎo)意義；此外，這4種方法有效訂正了集合預(yù)報系統(tǒng)對暴雨落區(qū)預(yù)報偏小的問題，其預(yù)報偏差均表現(xiàn)為濕偏差，其中融合—概率匹配、頻率匹配法的偏差程度小于90%分位數(shù)和融合產(chǎn)品，對暴雨落區(qū)預(yù)報較好；概率匹配—融合的暴雨預(yù)報效果也優(yōu)于控制預(yù)報，但預(yù)報偏差為干偏差，該方案對降低空報率有一定指示意義。值得注意的是，大部分后處理技術(shù)方法表現(xiàn)為濕偏差，表明其訂正重點為減低漏報率，由于漏報率和空報率之間存在反相關(guān)關(guān)系，未來還需在此基礎(chǔ)上進一步研究減低空報率的新方法。此外，這幾種后處理技術(shù)方法都是基于降水量進行建模，隨著人工智能技術(shù)的不斷發(fā)展，未來可考慮引入大數(shù)據(jù)信息的機器學(xué)習方法以提高集合預(yù)報系統(tǒng)對暴雨降水的預(yù)報性能。