降水量预报

合集下载

降水的统计降尺度预报及其空间相关性和时间连续性重建

降水的统计降尺度预报及其空间相关性和时间连续性重建王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢【摘要】利用欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)以及英国气象局(UKMO)四个中心1-7d日累计降水量集合预报资料,以中国降水融合产品作为“观测值”,对我国地面降水量进行统计降尺度预报,并对预报降水的空间相关性和时间连续性进行重建.对降水量进行分级后,建立各个量级的回归方程进行统计降尺度预报.此外,还利用Schaake Shuffle方法重建丢失的空间相关性和时间连续性.结果表明,分级回归比未分级回归后的预报结果相关系数更高,预报误差更小,更接近观测值.Schaake Shuffle方法可以有效地改进降水预报的空间相关性和时间连续性,使之更接近实况观测,集合成员间的相关性也更好.%Based on the ensemble forecasts of 1-7 day daily accumulated precipitation from the European Centre for Medium-Range Weather Forecasts (ECMWF),Japan Meteorological Agency (JMA),National Centers for Environmental Prediction(NCEP) and UK Met Office(UKMO),with the hourly merged precipitation product over China as the observed data,the forecast of daily precipitation in China by means of statistical downscaling and the reconstruction of spatial and temporal correlation of the precipitation forecast were conducted.The statistical downscaling based on different categories of the rainfall was applied to improve the precipitation forecast.The Schaake Shuffle was used to reconstruct the spatial correlation and temporal persistence of the precipitation forecast.The results show that the forecasts after the regression based on the different categories of the rainfall are more accurate than the ones after theregression.Classifying the rainfall into different categories was not considered,due to the fact that the anomaly correlation coefficient becomes larger and the root-mean-square error becomes smaller.The spatial and temporal correlations after the reconstruction are quite close to the observed ones.【期刊名称】《大气科学学报》【年(卷),期】2018(041)001【总页数】10页(P36-45)【关键词】降水量预报;统计降尺度;Schaake Shuffle方法;相关性重建【作者】王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢【作者单位】南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;江苏省盐城市大丰区气象局,江苏盐城224100;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京大气科学联合研究中心,江苏南京210008;江苏省气象台,江苏南京210008;国防科技大学气象海洋学院,江苏南京211101;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;武汉中心气象台,湖北武汉430074【正文语种】中文近年来,数值预报模式在迅速地发展,但其有限的空间分辨率仍然不能满足人们生产生活的需要,精细化预报正在逐渐发展成为天气预报的主要方向,降尺度是精细化预报的一种主要手段(黄刚等,2012;陈晓龙和智协飞,2014)。

基于3D卷积神经网络的区域降雨量预报

Journal of Image and Signal Processing 图像与信号处理, 2018, 7(4), 200-212Published Online October 2018 in Hans. /journal/jisphttps:///10.12677/jisp.2018.740233D Convolutional Neural Network forRegional Precipitation NowcastingKun Wu1,2, Yanyan Shen1, Shuqiang Wang1*1Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen Guangdong2University of Science and Technology of China, Hefei AnhuiReceived: Sep. 19th, 2018; accepted: Oct. 3rd, 2018; published: Oct. 10th, 2018AbstractAccurate regional precipitation forecast has been a very important issue in the field of meteoro-logical services. The goal of short-term rainfall forecasting is to make accurate and timely predic-tions about the intensity of rainfall in local areas in the short-term future (e.g., 0 - 6 hours).Weather stations can issue emergency urban rainfall alerts and provide effective flood prevention information by integrating the predicted short-term rainfall data with the observed weather fore-cast meteorological data. In this paper, according to the surrounding historical rainfall data of au-tomatic station detection and weather observation area of different heights above the Doppler radar echo extrapolation figure, we proposed a rainfall prediction model based on the deep learning method. Proposed model is based on 3D Convolution Neural Network, the established network model was applied to the regression problem of the rainfall forecast, use the appropriate index to evaluate the accuracy of model under the high precision of short-term rainfall forecast ina particular area. Through experiments, this model can accurately predict the short-term rainfallover the region. With the experiments under different network structure, the root mean square error of predicted value and observed value is below 6. The training model predicts stability in weather station data throughout the year.KeywordsDeep Learning, 3D Convolution Neural Network, Rainfall Prediction基于3D卷积神经网络的区域降雨量预报吴昆1,2，申妍燕1，王书强1*1中国科学院深圳先进技术研究院，广东深圳2中国科学技术大学，安徽合肥*通讯作者。

雨量预报方法

发达国家气象中心每天定时发布全国各城市或各区域（日本将全国划成191个格距20公里正方形区划）天气预报，预报时效7-8天，逐日滚动。各地气象台根据本地实况和预报员经验对气象中心发来的预报进行订正。几乎所有国家的气象部门都实行垂直领导，发达国家按气候区划设置台站。美国实行两级管理体制，即国家气象中心和天气服务台。国家级中心有9个--国家气象中心（逐日发布全国各城市7天预报）、国家飓风预报中心、国家强风暴预报中心、国家环境模拟中心、国家业务控制中心、国家水文气象预报中心、国家航空预报中心、国家海洋预报中心和国家气候预报中心。天气服务台有116个，每个服务台配备一部先进的多普勒天气雷达。9个国家中心承担着全国天气预报，灾害性天气警报以及航空、航海天气预报等任务。天气服务台负责接收国家中心发布的预报信息，结合本地最新气象资料和预报员经验，进行编辑和订正，作出本地天气预报。但国家中心发布的灾害性天气警报，天气服务台无权订正，理由有三条：一是只有国家中心才能获得全部数值预报产品，气象卫星、天气雷达和全国一小时一次的地面观测资料；二是国家中心预报员是通过全国公开招聘、竞争上岗的，他们既有理论，又有实践经验；三是经过三年对比证明，订正反而导致预报质量下降。日本气象体制分三级：气象厅、管区气象台和地方气象台。气象厅预报部每天发布全国191个区域天气预报和灾害性天气警报。
1、资料同化系统落后，气象卫星、商用飞机和天气雷达的资料尚未进入数值预报系统。天气雷达定量测定降水尚未开展，卫星云图还停留在"看图识字"水平上。
2、数值预报产品释用尚未形成业务。
3、天气预报重复劳动严重，主要原因是国家中心和省级气象台指导产品少、质量不高，指导不到位。下级台站为了服务，只能独立地制作长、中、短天气预报。好运
数值天气预报是现代天气预报的主要方法

中国各个地区年降水量等级划分表

中国各个地区年降水量等级划分表
中国年降水量划分标准是，中国气象局将中国的年降水量划分为五个等级：
1、干旱地区：年降水量小于400毫米。

2、半干旱地区：年降水量在400毫米至600毫米之间。

3、半湿润地区：年降水量在600毫米至800毫米之间。

4、湿润地区：年降水量在800毫米至1200毫米之间。

5、多雨地区：年降水量大于1200毫米。

降水量等级国家规定
1、小雨:1d(或24h)降雨量小于10mm者。

2、中雨:1d(或24h)降雨量10~25mm者。

3、大雨:1d(或24h)降雨量25~50mm者。

4、暴雨:1d(或24h)降雨量50~100mm者。

5、大暴雨:1d(或24h)降雨量100~250mm者。

6、特大暴雨:1d(或24h)降雨量在250mm以上者。

由上可知，年降水量等级划分为干旱地区、半干旱地区、半湿润地区、湿润地区以及多雨地区。

【法律依据】：
《中华人民共和国气象法》
第二十三条
各级气象主管机构所属的气象台站应当根据需要，发布农业气象预报、城市环境气象预报、火险气象等级预报等专业气象预报，并配合军事气象部门进行国防建设所需的气象服务工作。

暴雨洪涝预警通知范文模板

暴雨洪涝预警通知范文模板亲爱的居民：根据气象部门最新发布的天气预报，我区将有一次较强降雨天气过程即将来临。

为了确保您的安全和财产的保障，及时采取必要的防范措施，特向您发布暴雨洪涝预警通知如下：一、预警等级：红色预警。

二、预计降雨量：预计降雨量较大，超过50毫米。

三、预计时间：预计从明天开始，持续时间约为48小时。

四、可能影响范围：本次降雨过程将主要影响我区的山区和低洼地带，易发生洪涝灾害。

五、可能影响因素：降雨量大、降雨强度大、持续时间长，地势低洼易积水。

六、预警建议：1.注意天气预报和气象部门发布的最新信息，及时了解降雨情况和预警等级。

2.加强对低洼地区、山区、河道附近以及易发生洪涝的地段的巡查和监测，确保安全隐患得到及时发现和处理。

3.切勿涉水行走，避免驾车经过深水埋藏的路段，防止发生交通事故。

4.注意保持房屋的排水通畅，清理低洼地带的积水，防止低洼地区的房屋受损。

5.严禁在山区、河道附近等危险地带进行登山、游泳等活动，避免发生意外事故。

6.居民应准备好应急物资，包括食品、药品、饮用水等，以备不时之需。

七、紧急联系方式：如遇紧急情况，请及时拨打附近的应急电话或拨打当地政府公布的紧急救援电话。

八、注意事项：1.请居民密切关注官方发布的天气信息，避免受到谣言和不实信息的干扰。

2.请遵守相关部门的指挥和安排，听从疏导指引，确保自身和他人的安全。

3.如遇安全隐患，请及时报警并寻求帮助，不要擅自处置。

希望大家密切关注天气变化，切实采取预防措施，确保自身和家人的安全。

如有需要，随时与我们联系。

愿我们能够共同抵御降雨灾害，保障社区的安全和稳定。

祝您平安！xx社区居委会。

基于DERF的SD方法预测月降水和极端降水日数

模型。由于１０个站中有１３站点逐日观测数据６３个序列能够满足建模要求，因此只针对这些站点建模，图１出了各站点地理位置。给
从小到大进行排序，计算第９ｏ个百分位对应值，作为极端降水量阈值。
综合动力模式预测与统计降尺度两种方法的优势，用国家气象信息中心提供的我国１３站逐利３个日降水资料、Ｅ／ＡＲ再分析资料和ＤＲＮＣＰＮＣＥＦ的
回报资料，ＤＥＦ提供的具有较高预测技巧的大将Ｒ
日数。
２１一步法预测极端强降水日数．
场（０）７０ｈａ向风场（０）海平面气压场Ｖ２０，０Ｐ经ＶＴ０，
（Ｉ）Ｓ。建模时，先在候平均资料基础上分别计Ｐ首算６个预测时段的各时段平均值，计算时取每个时段回算或预测的集合平均值，集合成员最多４０个，
国家气候中心业务化的月动力预测气候模式（Ｒ）ＤＥＦ在短期气候预测特别是月尺度气候预测中
发挥着重要作用。但该模式水平分辨率较粗，日且
预测可信度较低，致区域尺度或日尺度降水预测导
在短期气候预测业务中，水预测既是重点又降是难点，受人们的关注，端降水的预测则更为困倍极难。目前动力气候预测模式已成为气象工作者的重

三种数值模式对长江上游面雨量预报能力的评估

三种数值模式对长江上游面雨量预报能力的评估向永龙;邬昀;孙士型;范元月;饶传新【摘要】Abstrat:Using the daily area rainfall of observation and three forecasting models in the upper reaches of the Yangtze River from 2007 to 2008, based on TS scoring methods, the capability is inspected of the models to heavy prediction over the upper reaches of the Yangtze River. Test results show that the three models are of different precipitation forecasting capacity:the score of Japan's JMH Model is 38.5%;the score of China's T213 model is 28.2%;the score of Germany GER model is 26.9%. Based on the qualitative assessment of precipitation area, a linear regression equation is established for precipitation forecast products and the precipitation.%提利用2007—2008年长江上游逐日面雨量实况和中国T213、日本JMH、德国GER三种数值模式降水预报格点资料，采用TS评分方法，检验三种数值模式对长江上游面雨量≥20mm强降水的预报能力。

检验结果显示，日本JMH模式12～36h预报评分达38.5％；中国T213模式为28.2％；德国GER 模式为26.9％。

GRAPES_Meso和ECMWF模式对郴州地区2019年汛期降水预报对比检验

收稿日期：２０２０－０８－１０基金项目：湖南省气象局预报员专项项目（ＸＱＫＪ１９Ｃ００２）；湖南省气象局重点项目（ＸＱＫＪ２０Ａ００７）作者简介：周宜卿（１９９１），女，湖南郴州人，工程师，硕士，研究方向：天气预报．ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验周宜卿，宋㊀楠，陈㊀伟（郴州市气象局，湖南郴州㊀４２３０００）摘㊀要：利用ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式降水量预报㊁实况降水量等资料，计算２０１９年汛期两种模式的晴雨预报准确率（ＰＣ）㊁风险评分（ＴＳ）㊁漏报率（ＰＯ）㊁空报率（ＦＡＲ）㊁真实技巧评分（ＴＳＳ）和预报偏差（ＢＩＡＳ）几个量，对模式降水量预报进行了统计检验．研究结果表明：对于郴州１０个国家站，ＧＲＡＰＥＳ＿Ｍｅｓｏ整体优于ＥＣＭＷＦ模式，两种模式对所有气象站降水均存在预报过度的现象，其中ＥＣＭＷＦ模式更明显；ＥＣＭＷＦ模式的漏报率低于ＧＲＡＰＥＳ＿Ｍｅｓｏ模式，但其空报率高于后者；两种模式都对资兴到永兴一带的预报效果最好，对西南部预报效果最差，ＥＣＭＷＦ模式在桂东站表现较好，ＧＲＡＰＥＳ＿Ｍｅｓｏ模式则对汝城站预报效果更优；对暴雨及以上量级的降水预报效果ＥＣＭＷＦ模式明显优于ＧＲＡＰＥＳ＿Ｍｅｓｏ模式，而对小雨量级来说，后者更佳；两种模式对９月的预报效果最差，４月和５月较好．关键词：ＧＲＡＰＥＳ＿Ｍｅｓｏ模式；ＥＣＭＷＦ模式；郴州；汛期降水；降水检验中图分类号：Ｐ４５６．７㊀㊀㊀㊀㊀㊀文献标识码：Ａ㊀㊀㊀㊀㊀㊀㊀ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－８１７３．２０２１．０２．００６对于现代天气的客观降水预报，数值模式占据主要作用，因此数值预报的检验和本地应用等工作受到广大气象学者的高度重视．只有通过对各种实际应用较多的模式进行系统化的检验，才能为预报员提供订正数值模式的客观化指标和主观化经验．目前对模式的检验主要通过定量化统计检验和主观天气学检验两个方面进行［１］．对于预报员关心的定量降水预报而言，通过定量化检验能更直观地了解数值模式在时空方面预报效果的差异，为预报员订正数值模式的预报结论提供客观依据．定量化检验是提高预报员模式订正能力的重要手段，预报员针对不同月份㊁不同量级和不同站点对模式进行订正．在过去１０年的天气预报中，使用最多的数值模式是ＥＣＭＷＦ模式（以下简称为ＥＣ模式）．ＥＣ模式是过去公认预报效果较好的数值模式，但中国气象科学研究院用ＥＣ和ＧＲＡＰＥＳ＿Ｍｅｓｏ模式（以下简称ＧＲＡＰＥＳ模式）对２０１９年主汛期进行预报的对比检验表明，在２４小时内的晴雨预报评分（ＰＣ）方面，前者低于后者，且ＧＲＡＰＥＳ模式对降水次数和强度分布的预报明显优于ＥＣ模式［２］，说明我国自主发展的ＧＲＡＰＥＳ区域模式产品（ＧＲＡＰＥＳ＿Ｍｅｓｏ－１０ＫＭ㊁ＧＲＡＰＥＳ＿Ｍｅｓｏ－３ＫＭ）可能在本地的预报效果会超过过去公认更好的ＥＣ模式．本文旨在通过对比这两种模式预报８：００起报（北京时间，下同）的３６小时时效和２４小时时效降水量预报，评估两种模式在２０１９年各个月份中对不同量级㊁郴州各个站点的预报能力，为今后更好地应用和订正两种模式降水量做铺垫．１㊀资料和评估方法简介㊀㊀利用中国气象数据网和ｃｉｍｉｓｓ里的ＧＲＡＰＥＳ模式（分辨率为１０ｋｍˑ１０ｋｍ）㊁ＥＣ模式（分辨率为０．１２５ʎˑ０．１２５ʎ）预报场２４ｈ降水量数据，起报时间为８：００（北京时间，下同），预报时效是３６ｈ（例如１日８时起报，对１日２０时到２日２０时２４ｈ降水量预报），将模式降水场资料插值到郴州市１０个国家气象观测站上（见表１）．降水实况资料为当日２０时到翌日２０时的２４ｈ降水量，从郴州市１０个国家气象观测站每月的Ａ文件中提取，检验评估时段为２０１９年４月１日到９月３０日．㊃９２㊃２０２１年４月第４２卷第２期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀湘南学院学报ＪｏｕｒｎａｌｏｆＸｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ａｐｒ．，２０２１Ｖｏｌ．４２Ｎｏ．２表１㊀郴州１０个国家气象观测站信息表站名安仁永兴桂东郴州桂阳嘉禾宜章临武资兴汝城站号５７８８１５７８８７５７８８９５７９７２５７９７３５７９７４５７９７６５７９７８５７９８１５７９８５经度１１３ʎ１６＇１１３ʎ０７＇１１３ʎ５７＇１１２ʎ５８＇１１２ʎ４３＇１１２ʎ２２＇１１２ʎ５６＇１１２ʎ３３＇１１３ʎ１３＇１１３ʎ４１＇纬度２６ʎ４３＇２６ʎ０８＇２６ʎ０５＇２５ʎ４４＇２５ʎ４５＇２５ʎ３５＇２５ʎ２４＇２５ʎ１６＇２５ʎ５８＇２５ʎ３１＇海拔／ｍ１０１．８１６７．６８３５．９３６８．８３２９．１２１４．５２２２．８２９２１３９．３６４５．６检验方法运用日常使用较多的风险评分方法，参照‘中短期天气预报质量检验办法（试行）的通知“（气发２００５１０９号）文件．本文对郴州１０个站点的２０１９年主汛期样本进行了晴雨检验㊁降水分级检验．晴雨预报准确率（ＰＣ）计算公式为：ηＰＣ＝ａ＋ｄａ＋ｂ＋ｃ＋ｄˑ１００％，（１）式中，ａ是有降水时预报正确的站次数，ｂ是空报站次数，ｃ是漏报站次数，ｄ是无降水时预报正确的站次数．风险评分（ＴＳ）㊁漏报率（ＰＯ）和空报率（ＦＡＲ）计算公式为：ηＴＳ＝ａｋａｋ＋ｂｋ＋ｃｋˑ１００％，（２）ηＰＯ＝ｃｋａｋ＋ｃｋˑ１００％，（３）ηＦＡＲ＝ｂｋａｋ＋ｂｋˑ１００％，（４）式中，ａｋ是预报正确站次数，ｂｋ是空报站次数，ｃｋ是漏报站次数．将降水量分为小雨㊁中雨㊁大雨和暴雨及以上几个量级来进行检验，检验各级降水㊁一般性降水和暴雨及以上预报情况，ｋ从１到４分别代表小雨㊁中雨㊁大雨和暴雨及以上量级降水．模式的预报偏差（ＢＩＡＳ）和真实技巧评分（ＴＳＳ）的计算公式分别为：φＢＩＡＳ＝ａ＋ｂａ＋ｃ，（５）φＴＳＳ＝ａａ＋ｃ－ｂｂ＋ｄ．（６）预报偏差（ＢＩＡＳ）是预报事件的发生频率，用于比较空报和漏报的程度，当空报和漏报站次越相近，预报偏差接近于１，说明预报正确；当空报次数多于漏报次数时，ＢＩＡＳ＞１，说明预报过度，当空报次数少于漏报次数时；ＢＩＡＳ＜１，说明预报不足．真实技巧评分（ＴＳＳ）是用来衡量预报的总效果，包括有降水和无降水预报的效果，当降水和无降水事件预报都准确时，ＴＳＳ为１；当降水和无降水预报都不准确时，ＴＳＳ为－１，说明没有预报技巧；随机预报和固定预报的ＴＳＳ均为零，如小概率事件预报得准确，ＴＳＳ也较高．２㊀结果分析２．１㊀降水预报总检验检验ＥＣ和ＧＲＡＰＥＳ模式对郴州２０１９年汛期１０个国家站点降水预报的效果，由图１可见，在晴雨预报准确率㊁风险评分和真实技巧评分方面，ＧＲＡＰＥＳ模式均好于ＥＣ模式．ＧＲＡＰＥＳ模式的晴雨预报准确率为７２．２％，ＥＣ模式为６３．４％．从真实技巧评分来看，ＧＲＡＰＥＳ模式的预报效果较好，真实技巧评分较高（ＴＳＳ为０．４７），而ＥＣ模式的（ＴＳＳ为０．３１）远不及ＧＲＡＰＥＳ模式．ＧＲＡＰＥＳ模式的风险评分（０．５４）略高于ＥＣ模式（０．５０）．两个模式的预报偏差（ＢＩＡＳ）均大于１，说明空报次数总体多于漏报次数，特别是ＥＣ模式（ＢＩＡＳ为１．８２），ＥＣ模式的漏报率（ＰＯ，６．２％）低于ＧＲＡＰＥＳ模式（１０．８％），但其空报率（ＦＡＲ，４８．３％）高于ＧＲＡＰＥＳ模㊃０３㊃湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期式（４２％），说明ＥＣ存在预报过度的情况．图１㊀ＥＣ和ＧＲＡＰＥＳ模式对郴州２０１９年汛期降水预报检验２．２㊀各站点预报检验从各个站点的检验结果（图２和图３）表明，ＥＣ模式对各个站点的晴雨预报准确率在５８％到７１％之间，真实技巧评分为０．２４到０．４２之间，风险评分在０．５到０．６２之间．预报偏差在１．４８到１．９６之间，说明ＥＣ模式对郴州各站点都存在不同程度的预报过度，漏报率非常低，在１％到６．２％之间，但空报率较高，在３６．２％到４８．９％之间．而ＧＲＡＰＥＳ模式的晴雨预报准确率在６８．１％到７８．９％之间，真实技巧评分为０．３５到０．５８，风险评分在０．５２到０．６６之间，这三个量都比ＥＣ模式高，表明ＧＲＡＰＥＳ模式对各个站点的预报效果均优于ＥＣ模式．ＧＲＡＰＥＳ模式的预报偏差在１．２到１．５４之间，漏报率为７．５％到１９％之间，比ＥＣ模式高，空报率在２７．２％到４２．９％之间，低于ＥＣ模式．㊀㊀㊀㊀㊀㊀图２㊀ＥＣ（左）和ＧＲＡＰＥＳ（右）模式对郴州１０个站点预报的ＰＣ㊁ＴＳＳ和ＴＳ㊃１３㊃周宜卿，宋㊀楠，陈㊀伟：ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验㊀㊀㊀㊀㊀㊀图３㊀ＥＣ（左）和ＧＲＡＰＥＳ（右）模式对郴州１０个站点预报的ＰＯ㊁ＦＡＲ和ＢＩＡＳ无论是ＧＲＡＰＥＳ还是ＥＣ模式的晴雨预报准确率㊁真实技巧评分和风险评分都是在资兴到永兴一带最高．ＥＣ模式的晴雨预报准确率和真实技巧评分在西部㊁南部最低，其次是郴州本站；ＧＲＡＰＥＳ模式是西部和东部桂东站较差．从风险评分来看，两个模式都是在西部和北部较差，两个模式的漏报率分布情况有所不同，ＥＣ模式在安仁到资兴一带漏报最多．而ＧＲＡＰＥＳ模式在郴州到桂阳一带漏报最多，从空报率的情况来看，两个模式都是在资兴到永兴一带最少，向四周增多，预报偏差分布情况与空报率分布情况相似．综合几个指标来看，两个模式对资兴站的预报效果最好，对西南部预报效果最差，对桂东㊁汝城山区的预报ＥＣ模式在桂东站表现较好，ＧＲＡＰＥＳ模式则对汝城站预报效果更优．２．３㊀分级预报检验从表２可知，ＥＣ模式对各个量级的风险评分在０．０９到０．４３之间，其中对暴雨风险评分最高．ＧＲＡＰＥＳ模式对各个量级的风险评分在０．０６到０．３５之间，其中对小雨量级最高，两个模式都是对大雨预报的风险评分最低（小于０．１）．从漏报率的情况来看，ＥＣ模式在１２．５％到８５．７％之间，ＧＲＡＰＥＳ模式在１６．０％到８３．３％之间，两个模式对小雨的漏报最少，对大雨漏报最多．ＥＣ模式对各个量级的空报率在４０％到８０％之间，ＧＲＡＰＥＳ模式在６３％到９２％之间，两个模式都对大雨的空报最多，ＥＣ模式对暴雨及以上量级的空报最少，ＧＲＡＰＥＳ模式则对小雨量级的空报最少．综合来看，两个模式都是对大雨量级的降水预报效果最差，对暴雨及以上量级降水的㊃２３㊃湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期预报ＥＣ明显优于ＧＲＡＰＥＳ模式，而对小雨量级来说，ＧＲＡＰＥＳ模式预报效果更佳．表２㊀ＥＣ和ＧＲＡＰＥＳ模式对各个量级降水预报的ＴＳ㊁ＰＯ和ＦＡＲ２．４㊀逐月预报检验检验模式４９月逐月预报效果，如图４和图５所示．㊀㊀㊀㊀图４㊀ＥＣ和ＧＲＡＰＥＳ模式各月的ＰＣ㊁ＴＳ㊁ＴＳＳ和ＢＩＡＳ图５㊀ＥＣ和ＧＲＡＰＥＳ模式逐月的ＰＯ和ＦＡＲＥＣ模式４９月逐月的晴雨预报准确率在５５％到７３％之间，ＧＲＡＰＥＳ模式则在６８％到７９％之间，除了５月ＥＣ略高于ＧＲＡＰＥＳ模式，其他几个月都是ＧＲＡＰＥＳ模式较好，两个模式的晴雨预报准确率都是４月最高，６月最低．ＥＣ模式对各月预报的真实技巧评分在０．０２（７月）到０．５５（９月）之间，ＧＲＡＰＥＳ模式则在０．２８（５月）到０．５（９月）之间，９月ＥＣ的评分较好，其他几个月则是ＧＲＡＰＥＳ模式更佳．从风险评分来看，ＥＣ模式在０．２７到０．７２之间，ＧＲＡＰＥＳ模式在０．２６到０．７５之间，两个模式都是９月评分最低，４㊁５月较高，其中在５月和９月，ＥＣ模式评分更高．ＥＣ模式各月的预报偏差在１．３８到３．０２之间，ＧＲＡＰＥＳ模式则在１．２到３．１９之间，模式预报过度㊁偏差最大的时间是９月，４㊁５月较好，９月ＧＲＡＰＥＳ模式预报过度现象多于ＥＣ模式，其他几个月ＥＣ模式更多．ＥＣ模式对各月预报的漏报率在０％（７月）到１５％（９月）之间，空报率在２７％（５月）到７２％（９月）之间，ＧＲＡＰＥＳ模式的漏报率在６％（４月）到２９％（８月）之间，空报率在２１％（４月）到７１％（９月）之间，在汛期的几个月中，ＥＣ模式的漏报率都低于ＧＲＡＰＥＳ模式，而空报率则相反．综合来看，两个模式对９月的预报效果最差，４㊁５月较好，在预报技巧㊁晴雨预报准确率和风险评分方面，ＥＣ模式在５月和９月表现略优于ＧＲＡＰＥＳ模式；从漏报率情况来看，ＥＣ模式都低于ＧＲＡＰＥＳ模式，空报率则相反．㊃３３㊃周宜卿，宋㊀楠，陈㊀伟：ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期３㊀结论㊀㊀通过对比检验ＥＣ模式和ＧＲＡＰＥＳ模式对郴州２０１９年汛期（４月１日到９月３０日）降水的预报效果可知，在晴雨预报准确率㊁风险评分和真实技巧评分方面，ＧＲＡＰＥＳ模式均好于ＥＣ模式；两个模式的预报偏差均大于１，说明空报次数总体多于漏报次数，ＥＣ模式预报过度的情况更明显；ＥＣ模式的漏报率低于ＧＲＡＰＥＳ模式，但其空报率高于ＧＲＡＰＥＳ模式．总体来说，ＧＲＡＰＥＳ模式对各个站点的预报效果均优于ＥＣ模式．ＧＲＡＰＥＳ模式的漏报率比ＥＣ模式高，空报率低于ＥＣ模式．ＧＲＡＰＥＳ和ＥＣ模式都对资兴到永兴一带的预报效果最好，对西南部预报效果最差；对桂东㊁汝城山区的预报，ＥＣ模式在桂东站表现较好，ＧＲＡＰＥＳ模式则对汝城站预报效果更优．在降水预报的分级检验中，ＥＣ模式和ＧＲＡＰＥＳ模式都是对大雨量级的降水预报效果最差，对暴雨及以上量级降水的预报ＥＣ模式明显优于ＧＲＡＰＥＳ模式，而对小雨量级来说，ＧＲＡＰＥＳ模式预报效果更佳．分别检验４月到９月的降水预报效果，总体来说，ＥＣ模式和ＧＲＡＰＥＳ模式对９月的预报效果最差，４㊁５月较好；在预报技巧㊁晴雨预报准确率和风险评分方面，ＥＣ模式在５月和９月表现略优于ＧＲＡＰＥＳ模式；从漏报率情况来看，ＥＣ模式都低于ＧＲＡＰＥＳ模式，空报率则相反．参考文献：［１］周宜卿，冷谦．ＧＲＡＰＥＳ＿ＭＥＳＯ模式对郴州一次强降水过程的预报检验［Ｊ］．农业与技术，２０２０，４０（１３）：１１９－１２９．［２］熊秋芬．ＧＲＡＰＥＳ＿Ｍｅｓｏ模式的降水格点检验和站点检验分析［Ｊ］．气象，２０１１，３７（２）：１８５－１９３．［３］吴晶，李照荣，颜鹏程，等．西北四省（区）ＧＲＡＰＥＳ模式降水预报的定量评估［Ｊ］．气象，２０２０，４６（３）：３４６－３５６．［４］许晨璐，王建捷，黄丽萍．千米尺度分辨率下ＧＲＡＰＥＳ＿Ｍｅｓｏ４．０模式定量降水预报性能评估［Ｊ］．气象学报，２０１７，７５（６）：８５１－８７６．［５］翟振芳，魏春璇，邓斌，等．安徽省ＥＣＭＷＦ数值模式降水预报性能的检验［Ｊ］．气象与环境学报，２０１７，３３（５）：１－９．［６］张晶，姚文，何晓东，等．营口地区数值预报降水产品定量检验和预报指标研究［Ｊ］．气象与环境学报，２０１４，３０（１）：３０－３５．ＰｒｅｃｉｐｉｔａｔｉｏｎＦｏｒｅｃａｓｔＭｏｄｅｌＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎＧＲＡＰＥＳ＿ＭｅｓｏａｎｄＥＣＭＷＦｉｎ２０１９ＦｌｏｏｄＳｅａｓｏｎｏｆＣｈｅｎｚｈｏｕＺｈｏｕＹｉｑｉｎｇ，ＳｏｎｇＮａｎ，ＣｈｅｎＷｅｉ（ＣｈｅｎｚｈｏｕＭｅｔｅｏｒｏｌｏｇｉｃａｌＢｕｒｅａｕ，Ｃｈｅｎｚｈｏｕ４２３０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎ２０１９ｆｌｏｏｄｓｅａｓｏｎｆｒｏｍＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌａｎｄＥＣＭＷＦｍｏｄｅｌａｒｅｖｅｒｉｆｉｅｄａｎｄｃｏｍｐａｒｅｄｂｙｕｓｉｎｇｏｂｓｅｒｖａｔｉｏｎｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｉｎｔｅｒｍｓｏｆＰＣ（ｆｌｏｏｄｓｅａｓｏｎｗｅａｔｈｅｒｃｏｒｅｃａｓｔａｃｃｕｒａｃｙｏｆｍｏｄｅｌ），ＴＳ（ｒｉｓｋｓｃｏｒｅ），ＰＯ（ｎｏｎ－ｒｅｓｐｏｎｓｅｒａｔｅ），ＦＡＲ（ｅｍｐｔｙｒａｔｅ），ＴＳＳ（ｒｅａｌｓｋｉｌｌｓｃｏｒｅ）ａｎｄＢＩＡＳ（ｓｅｖｅｒａｌｆｏｒｅｃａｓｔａｃｃｕｒａｃｙ）．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｉｎｇｅｎｅｒａｌ，ＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌｉｓｂｅｔｔｅｒｔｈａｎＥＣＭＷＦｍｏｄｅｌｏｎｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｉｎＣｈｅｎｚｈｏｕｗｈｏｌｅｃｉｔｙｏｒ１０ｎａｔｉｏｎａｌｓｔａｔｉｏｎｓ．Ｏｖｅｒｐｒｅｄｉｃｔｉｏｎｉｓｔｈｅｕｂｉｑｕｉｔｏｕｓｐｈｅｎｏｍｅｎｏｎｉｎｔｈｅｓｅｔｗｏｍｏｄｅｌｓ，ａｎｄＥＣＭＷＦｍｏｄｅｌｉｓｍｏｒｅｏｂｖｉｏｕｓ．Ｔｈｅｒａｔｅｏｆｍｉｓｓｉｎｇｒｅ⁃ｐｏｒｔｆｏｒｆｏｒｅｃａｓｔｉｎｇｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｆｒｏｍＥＣＭＷＦｍｏｄｅｌｉｓｌｏｗｅｒｔｈａｎＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌ，ｂｕｔｔｈｅｒａｔｅｏｆｆａｌｓｅ－ａｌａｒｍｏｆＥＣＭＷＦｍｏｄｅｌｉｓｈｉｇｈｅｒ．ＧＲＡＰＥＳＭｅｓｏａｎｄＥＣＭＷＦｍｏｄｅｌｓｓｈｏｗｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｆｏｒＹｏｎｇｘｉｎｇｃｏｕｎｔｙａｎｄＺｉｘｉｎｇｃｏｕｎｔｙ，ｂｕｔｅｘｈｉｂｉｔａｌｏｗｅｒｐｅｒｆｏｒｍａｎｃｅｉｎｔｈｅｓｏｕｔｈｗｅｓｔｐａｒｔｏｆＣｈｅｎｚｈｏｕｔｈａｎｔｈａｔｉｎｏｔｈｅｒｐａｒｔｓ．ＥＣＭＷＦｍｏｄｅｌｈａｓｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｔｏＧｕｉｄｏｎｇｃｏｕｎｔｙ，ｗｈｉｌｅＧＲＡＰＥＳＭｅｓｏｍｏｄ⁃ｅｌｐｅｒｆｏｒｍｓｂｅｔｔｅｒｉｎＲｕｃｈｅｎｃｏｕｎｔｙ．ＧＲＡＰＥＳＭｅｓｏｍｏｄｅｌｈａｓａｓｔｒｏｎｇａｂｉｌｉｔｙｏｆｌｉｇｈｔｒａｉｎ，ｂｕｔｔｈｅｈｅａｖｙｒａｉｎｆａｌｌｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｉｓｌｏｗｅｒｔｈａｎＥＣＭＷＦｍｏｄｅｌ．ＴｈｅｓｅｔｗｏｍｏｄｅｌｓｓｈｏｗｗｏｒｓｔｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｉｎＳｅｐ⁃ｔｅｍｂｅｒ，ｂｕｔｔｈｅｙｐｅｒｆｏｒｍｂｅｓｔｉｎＡｐｒｉｌａｎＭａｙ．Ｋｅｙｗｏｒｄｓ：ＧＲＡＰＥＳＭｅｓｏｍｏｄｅｌ；ＥＣＭＷＦｍｏｄｅｌ；Ｃｈｅｎｚｈｏｕ；ｆｌｏｏｄｓｅａｓｏｎｐｒｅｃｉｐｉｔａｔｉｏｎ；ｐｒｅｃｉｐｉｔａｔｉｏｎｔｅｓｔ㊃４３㊃。

时间序列分析降水量预测模型

课程名称: 时间序列分析题目: 降水量预测院系：理学院专业班级：数学与应用数学10-1学号：学生姓名：戴永红指导教师：＿＿潘洁＿2013年 12 月 13日1.问题提出能不能通过以前的降水序列为样本预测出2002的降水量？2.选题以国家黄河水利委员会建站的山西省河曲水文站1952年至2002年51年的资料为例，以1952年至2001年50年的降水序列作为样本，建立线性时间序列模型并预测2002年的降水状态与降水量，并与2002年的实际数据比较说明本模型的具体应用及预测效果。

资料数据见表1。

表1 山西省河曲水文站55年降水量时间序列3．原理 3.1模型表示均值为0，具有有理谱密度的平稳时间序列的线性随机模型的三种形式，描述如下：1、()AR p 自回归模型：1122t t t p t p t ωφωφωφωα-------=由2p +个参数刻画；2、()MA q 滑动平均模型：1122t t t t q t q ωαθαθαθα---=----由2q +个参数刻画；3、(,)ARMA p q 混和模型：(,)ARMA p q 混和模型由3p q ++个参数刻画；3.2 自相关函数k ρ和偏相关函数kk φ1、自相关函数k ρ刻画了任意两个时刻之间的关系，0/k k ργγ=2、偏相关函数kk φ刻画了平稳序列任意一个长1k +的片段在中间值11,t t k ωω++-固定的条件下，两端t ω，t k ω+的线性联系密切程度。

3、线性模型k ρ、kk φ的性质表2 三种线性模型下相关函数性质3.3 模型识别通常平稳时间序列t Z ，0,1t =±仅进行有限n 次测量(50)n ≥，得到一个样本函数，且利用平稳序列各态历经性：11nj j Z Z n μ=≈=∑做变换，t t Z ω=，1,t n =，将1,,n Z Z 样本换算成为样本1,,n ωω，然后再确定平稳时间序列{,0,1}t t ω=±的随机线性模型。

全国1-7天降水量

全国1-7天降水量降水预报的多种颜色什么表示？全国72小时天气降水分布云图分析说明：白色区域为72小时没有明显降水地区，浅绿色区域为72小时内降水量有0-10毫升，深绿色为10-25毫升，浅蓝色为25-50毫升，深蓝色为50-100毫升,粉色区域说明在末为72小时内可能出现大暴雨，降水量可达100-250毫升，需要特别注意防范！1、蓝色预警（一般）蓝色暴雪预警信号:12小时内降雪量将达到4毫米以上，或者已达4毫米以上且降雪持续，可能对交通或者农牧业有影响。

2、黄色预警（较重）暴雨黄色预警信号:6小时内降雨量将达到50毫米以上，或者已经达到50毫米以上且降雨可能持续。

3、橙色预警（严重）橙色暴雨预警信号：3小时内降雨量将达50毫米以上，或者已达50毫米以上且降雨可能持续。

4、红色预警（特别严重）红色暴雨预警信号：3小时内降雨量将达100毫米以上，或者已达100毫米以上且降雨可能持续。

拓展资料：气象灾害预警信号1、台风预警信号分四级，分别以蓝色、黄色、橙色和红色表示。

2、暴雨预警信号分四级，分别以蓝色、黄色、橙色、红色表示。

3.暴雪预警信号分为四级，分别用蓝色、黄色、橙色和红色表示。

4、寒潮预警信号分四级，分别以蓝色、黄色、橙色、红色表示。

5.大风(台风除外)预警信号分为四级，分别用蓝色、黄色、橙色和红色表示。

6、沙尘暴预警信号分三级，分别以黄色、橙色、红色表示。

7.高温预警信号分为三级，分别用黄色、橙色和红色表示。

8、干旱预警信号分二级，分别以橙色、红色表示。

干旱指标等级划分，以国家标准《气象干旱等级》（gb/t20481-2006）中的综合气象干旱指数为标准。

9、雷电预警信号分三级，分别以黄色、橙色、红色表示。

10、冰雹预警信号分二级，分别以橙色、红色表示。

11.霜冻预警信号分为三级，分别用蓝色、黄色和橙色表示。

12.大雾预警信号分为三级，分别用黄色、橙色和红色表示。

13、霾预警信号分三级，分别以黄色、橙色和红色表示。

多模式数值预报降水产品在云南主汛期的应用分析

多模式数值预报降水产品在云南主汛期的应用分析摘要：利用云南省125个国家站逐日降水资料，对ECMWF_HR、GERMAN_HR、JAPAN_MR三种数值模式降水预报产品在云南2020年主汛期（6～8月）的预报质量进行了检验，结果表明：三种模式对云南的晴雨预报准确率不高,24h分辨率0-168h晴雨预报正确率仅为57%～63%，并存在着明显的地区差异，三种模式对滇西及滇西南边缘区域的预报水平相对较高。

降水分级检验结果：小雨TS评分，GERMAN_HR最高，ECMWF_HR最低；中雨TS评分，JAPAN_MR最高，GERMAN_HR最低；大雨TS评分，ECMWF_HR及JAPAN_MR最高，GERMAN_HR最低；暴雨及以上降水TS评分，ECMWF_HR最高，GERMAN_HR模式最低。

若将≤2.0mm的降水预报作消空处理，则三种模式各预报时效的晴雨预报正确率均有明显提高，其中ECMWF_HR模式消空效果最好，0～168h晴雨预报正确率较消空前提高了8～16个百分点。

三种模式的48h降水预报产品对云南大范围大雨以上强降水过程均具有较好的趋势预报能力，其中ECMWF_HR模式预报效果相对较好，预报与实况的偏差相对较小。

关键词：数值模式晴雨预报检验引言随着高分辨率数值模式预报性能的不断提高，各种数值模式预报产品已成为各级气象台站分析制作中短期天气预报的重要参考资料。

目前，基层台站能够接收到的数值模式产品主要有ECMWF_HR、GERMAN_HR及JAPAN_MR等三种模式产品。

在日常对数值预报模式产品的解释应用中发现，这三种全球主要的数值预报模式的降水预报产品在不同季节、不同地区、不同时段、不同量级的降水预报中其预报能力有较大的差异，各有所长。

因此，对以上三种数值预报模式的降水预报产品进行系统性检验具有重要的意义，可以为预报员订正预报提供参考，进而提高晴雨预报和降水分级预报的准确率。

1资料和方法1.1资料本文选取2020年云南省主汛期6～8月20时起报 ECMWF_HR、GERMAN_HR、JAPAN_MR三种模式的降水预报产品和云南省125个自动气象站同期逐日降水资料进行检验，目前，ECMWF_HR、JAPAN_MR模式提供了24～240h的降水预报产品,而GERMAN_HR仅提供了24～168h的降水预报产品,为便于多模式对比分析，这里的检验时效统一选取24～168h。

24小时降水量表格-概述说明以及解释

24小时降水量表格-范文模板及概述示例1:标题：一天的降水量：数据分析和趋势展望导言:降水量是指地面上一定区域内单位面积上下降的水量。

它是地球上自然水循环的重要组成部分，对农业、生态系统和水资源管理都具有重要影响。

本文旨在通过分析24小时的降水量表格，探索其变化趋势和可能的影响因素。

降水量数据表格:以下是某地区最近一个月的24小时降水量数据，单位为毫米：日期降水量(mm)1号 5.22号0.03号8.54号 1.95号 4.76号0.07号 2.38号 6.89号11.210号 3.6数据分析:通过对以上表格中的数据进行分析，我们可以发现一些有趣的趋势和规律。

首先，我们注意到存在一些较高的降水量日期，如9号，其降水量达到了11.2毫米。

相比之下，2号和6号两天则完全没有降水。

这些波动表明了降水量在一个月内的显著差异。

另外，我们还可以通过计算平均降水量来了解整体趋势。

根据上述表格，可以得出本月的平均降水量为4.93毫米。

这意味着，虽然有些日期出现了较高的降水量，但整体来看，这个地区并没有经历过大规模的降水。

影响因素分析:为了更好地理解降水量表格的趋势和可能的影响因素，我们需要考虑一些环境和气候因素的影响。

以下是几个可能影响降水量的因素：1. 季节性变化：降水量通常会在不同季节出现差异。

例如，在夏季，由于热空气的上升，容易产生雷暴和暴雨。

2. 气候系统：气候系统，如厄尔尼诺现象和拉尼娜现象，也会对降水产生重要影响。

这些大气环境的变化可能导致气候异常和降水量的波动。

3. 地理因素：地形和海洋环流等地理因素也会对降水量产生影响。

例如，山脉可能阻挡云层并引起雨水下降，而接近大洋的地区则可能受到海洋水汽的供应而拥有较高降水量。

结论:通过分析24小时降水量表格，我们可以得出关于降水量变化的一些趋势和可能的影响因素。

然而，需要指出的是，单一表格无法提供全面的信息，我们还应考虑更多的数据和其他相关因素来深入理解降水量的动态和气候变化。

如何看懂韩国的数值天气预报图

如何看懂韩国的数值天气预报图作者：李德明韩国的数值天气预报图，对天气预报员做短、中、长期天气预报来说都有重要参考意义。

但图面上没有一个汉字，刚刚接触韩国数值天气预报图的预报人员常常一时间漠不着头脑。

这不要紧，您读一下我们的文章，可能就迎刃而解了。

下面拿出“东亚未来10天海平面气压和降水量北京时08点预报图”的一张来加以说明：1 、图中四角上的文字含义1．1 左上角MSLP(hPa) and Accunmulated Precipitation(mm)[084-096]上面的文字是表示:此图是海平面气压(百帕)和未来84-96小时间的降水量(毫米)预报图。

1．2 右上角GDAPS上面的文字是表示:所使用预报模式的名称—区域数据分析与预报系统,对于我们预报员来说,应用时不必细究。

1．3 右下角表示此预报图的起始时间为：2013年8月18日世界时00点，也就是2013年8月18日韩国时间09点，相当于2013年8月18日北京时08点。

1．4 左下角预报时效：表示此图是从预报起始时间加上96小时后的预报图，也就是2013年8月22日世界时00点的预报图（相当于2013年8月22日韩国时间09点，也相当于2013年8月22日北京时08点）2、降水量预报看懂降水量预报其实很简单，关键是要确定好您要预报的地区在图中的位置，并根据图中颜色确定雨量大小。

2．1 确定好您要预报的地区在图中的位置用经纬度并参考河流、边界等应当很容易地确定您所要预报地区在图中的位置。

例如黑龙江省二九零农场气象站，位于东经132度04分，北纬47度34分，并参考本站在中俄边境线附近，就可以确定在图中的位置（图中红色X处）。

2．2根据图中颜色确定雨量大小根据图中颜色雨量应为10-15mm。

这就是说，根据该图，预报2013年8月21日北京时20点到22日北京时08点的12小时降水量为10-15mm。

雨量预报方法的评价模型

雨量预报方法的评价模型摘要雨量预报对农业生产和城市工作和生活有着重要作用，但因为准确、及时地对雨量作出预报是一个十分困难的问题，所以对预报方法的评价也尤为重要，这关系到公众的感受和对水文水资源的科学决策。

我们通过对在东经120度，北纬32度附近区域24小时的雨量预报及91个观测站所提供的实测数据，从近百万个数据进行筛选，通过对准确率、绝对误差、相对误差的数据分析，结合模糊数学中综合评价方法，并对问题中所提到的两种预报方法作出模糊评分。

问题1：采用模糊数学加权评分法。

分别对b (准确率), e （绝对误差），d （相对误差）进行计算，得到矩阵3u ，并把数据归一化，然后计算加权和1ni i i S w s ==∑对于公众来说，因比较注重准确率，通过计算得出模糊评分11F =87.07，21F =84.08，显然方法1比较好。

而对科研人员来说，应注重误差数据，改变权值后得出12F =71.96，22F =73.88，即对科研需要来说方法2较好。

问题2：若按等级雨量预报，考虑公众的满意度，我们建立如下模糊综合评价模型： i i i B A R =，其中i A =（12,,a a …，7a ），i R =111221227172r r r r r r ⎛⎫⎪ ⎪ ⎪ ⎪⎝⎭，E H B =，并结合我市气象局有经验的专家进行评估赋值，通过计算得出如下结论：公众对有雨、无雨满意度比较好，对大雨量等级预报满意度比较低。

应用我们所建立的模型分析计算得出，对雨量等级预报相当准确，但对大雨量等级预报方面存在较大的误差，并且等级越大，误差越大，说明这两种方法在大雨量等级预报准确率上有待进一步提高。

1、问题重述雨量预报对农业生产和城市工作和生活有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，广受世界各国关注。

我国某地气象台和气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120度、北纬32度附近的53×47的等距网格点上。

天气预报常用术语

天气预报常用术语常规天气预报要素包括：天空状况、天气现象、降水量、降水等级、风向风速、气温等。

、1、天气预报分类：预报时效是天气预报的有效期限。

在现代天气预报业务中，根据时效的长短分为以下四类：长期天气预报：是指10天以上（月、季、年）的旱涝、冷暖、雨量等天气趋势的展望，一年以上的预报称超长期预报。

中期预报：对未来4～10天内的逐日天气预报，内容针对灾害性天气和转折性天气。

短期预报：是指对未来3天的逐日天气预报，其内容是对常规气象要素的预报。

其中0－12小时的预报称为超短期预报。

短时临近预报：是指未来0-6小时的预报，其中0-2小时的预报称临近预报。

对短期预报进行补充和订正，一般是对暴雨、冰雹、雷雨大风等尺度较小的灾害性天气的预报预警。

2、天气预报常用时间用语气象部门以北京时20点为日界，天气预报中描述的白天和夜间与我们常规的认知是有区别的。

了解了天气预报中的时间划分，就能够更好的使用它了。

常用时间用语如下:白天：08时～20时；夜间：20时～08时；早晨：04时～08时；上午：08时～11时；中午：11时～13时；午后：12时～14时下午：13时～17时；傍晚：17时～20时；上半夜：20时～24时；下半夜：24时～04时；半夜：22时～02时；凌晨：02时～04时；3、天气预报常用范围用语个别地区：一般指预报服务范围内小于5%的区域。

局部地区：一般指预报服务范围内小于10%的区域。

部分地区：一般指预报服务范围内有10%～30%的区域。

大部分地区：指预报服务范围内大于50%的地方。

4、天气预报中天空状况是如何规定的在气象上，根据云底部距离地面的高度，分为低云（2500 m 以下）、中云（2500～5000 m）和高云（5000 m以上）。

天空状况是指气象观测时天空云量的多少，就是把整个天空划分成10等份，云遮蔽天空视野的成数。

根据云量的多少，把天空状况分为以下四种：晴天：（1）天空无云；（2）只有2成以下的中、低云；（3）只有4成以下的高云。

降水预报-观测概率匹配动态订正法在江西降水集中期的应用与检验

ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０２１．０２．０１４陈翔翔１㊀郭达烽１降水预报⁃观测概率匹配动态订正法在江西降水集中期的应用与检验摘要为提高数值预报降水预报的准确率，本文利用欧洲中期天气预报中心的高分辨率数值预报（ＥＣＭＷＦ）降水预报资料和江西省国家级气象观测站实况降水资料进行概率匹配，选取Ｇａｍｍａ累积概率分布函数用于拟合预报与观测的降水累积概率，通过在２０１７年江西省一次降水集中期的应用试验，得到以下结论：基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法由于把最新的预报与实况结果带入概率匹配中，并根据近期模式预报调整及误差不断自动更新各量级降水修正值，可实时动态订正模式降水预报；检验发现ＥＣＭＷＦ模式降水产品对于２４ｈ内１２ｈ间隔的１０ｍｍ及以下量级的预报普遍偏大，２５ｍｍ及以上量级的预报普遍偏小，在江西区域九江沿江地区和景德镇的各量级降水预报较为接近实况㊁预报效果较好．本降水预报订正法能提高小雨和暴雨的ＴＳ评分㊁降低暴雨的漏报率且提升其命中率，但对大雨及部分中雨的订正效果不佳，在实践中应权衡利弊使用．关键词降水预报；概率匹配；动态订正中图分类号Ｐ５４７６文献标志码Ａ收稿日期２０１８⁃１１⁃２０资助项目２０１７年度江西省气象局面上项目作者简介陈翔翔，女，硕士，高级工程师，从事中短期天气预报研究．ｃｈｅｎｘｉａｎｇｘｉａｎｇ６６６＠１６３．ｃｏｍ郭达烽（通信作者），男，正高级工程师，主要从事天气预报研究．３８０４２４０４５＠ｑｑ．ｃｏｍ１江西省气象台，南昌，３３０００００㊀引言㊀㊀江西地处我国长江流域，属亚热带季风气候区，每年汛期（３７月）是江西暴雨㊁强对流天气多发期，尤其是连续多日的暴雨形成的降水集中期，能引发洪涝和泥石流等自然灾害，严重威胁着人民的生命和财产安全．为此，提高降水预报水平是气象预报任务中的重中之重．数值预报技术的快速发展为降水的精细化预报提供了良好的基础，目前天气预报员常用的提高预报准确率的途径，是不断对数值预报产品进行效果检验评估，从多种模式的降水产品中选择性能最稳定的，并在检验的基础上运用多种方法开展解释应用［１⁃６］．李勇［７］㊁张宏芳等［８］通过预报能力的对比分析得出欧洲中期天气预报中心（Ｅｕ⁃ｒｏｐｅａｎＣｅｎｔｒｅｆｏｒＭｅｄｉｕｍ⁃ＲａｎｇｅＷｅａｔｈｅｒＦｏｒｅｃａｓｔｓ，ＥＣＭＷＦ）高分辨率数值预报总体较优．陆如华等［９］㊁赵声蓉等［１０］和刘还珠等［１１］分别采用卡尔曼滤波法㊁神经元网络等统计方法对数值预报产品进行解释应用研究；刘琳等［１２］通过集合预报降水资料的累积概率分布，建立了极端强降水天气的预报指数；吴木贵等［１３］利用交叉熵神经网络方法建立了闽北大雨以上降水预报系统，并指出这是一种适合小概率事件预报的方法．这些技术方法在一定程度上提高了模式降水产品质量，但这些释用技术仍存在许多不足．周迪等［１４］㊁李俊等［１５］通过概率匹配（或频率匹配）降水预报订正法对降水过程取得了较好订正效果．鉴于概率匹配法能较好地利用观测资料对模式产品进行订正，因而受到预报业务单位的重视和应用．但是，李俊等［１５］使用的概率匹配降水订正法是把指定区域内所有格（站）点作为同一资料序列进行统计分析，由于区域内地理位置和地形的差异可导致气候背景不同，如果区域内所有格（站）点降水预报订正模型采用相同的值，会导致订正结果不够精细．为探索和建立更为精细的不同站点㊁不同降水等级的预报⁃观测概率匹配订正方法，本研究结合智能网格预报业务应用，在充分考虑不同站点气候特征差异，开展产品检验效果分析的基础上，对相对稳定且效果较优的ＥＣＭＷＦ高分辨降水模式产品和历史观测资料，引入累积概率分布函数，针对不同等级降水预报，逐站建立订正模型，尤其对是否发生暴雨及其以上降水进行重点分析，并根据数值预报的调整不断更㊀㊀㊀㊀新订正模型，在此基础上开展订正预报试验和效果检验评估，以期通过该动态订正法实现对ＥＣＭＷＦ模式降水产品的解释应用，有效提高降水分级预报，尤其是暴雨预报质量，为汛期防灾减灾提供更好的保障服务．１㊀资料与方法１１㊀资料的选取降水观测资料采用江西省气象信息中心提供的包含江西省９１个地面气象观测站（站点分布见图１）８２０时和２０时次日８时的１２ｈ间隔降水资料，模式预报降水产品选取ＥＣＭＷＦ高分辨率数值预报降水预报产品（空间分辨率为０１２５ʎˑ０１２５ʎ），选取２０１７年６月１９２７日每日２次的１２ｈ间隔降水格点预报资料，检验的预报时效为０７２ｈ，选取离观测点最近的格点值与观测点实况进行对比并评分．１２㊀方法简介预报⁃观测概率匹配订正法是近年来逐渐流行的一种模式释用订正方法，多用于模式降水产品的预报订正，其原理如图２［１４，１６］所示．不同量级的降水均能在实况观测的降水累积概率分布曲线（实线）上找到对应的累积概率值，这个值在０１范围内．将已找到的实况对应的累积概率值反射到模式预报的降水累积概率分布曲线（点虚线）上，亦可在横轴中找到对应的降水量值，即不同量级降水的模式预报修正值［１４，１６］．这种降水累积概率分布是非正态的，赵琳娜等［１７］㊁梁莉等［１８］以及国内外较多研究［１９⁃２３］发现，使用Ｇａｍｍａ拟合观测与预报的降水累积概率分布可取得良好效果，因此，选取Ｇａｍｍａ累积概率分布函数用于拟合预报与实况观测的降水累积概率．目前，我国各级气象台的定量降水预报，一般为０８：００㊁２０：００（北京时，下同）起报的１２ｈ间隔降水预报（８２０时和２０时次日８时），并且以１２ｈ间隔进行预报检验评分．预报检验评分时，以００㊁１００㊁２５０和５００ｍｍ等将１２ｈ降水量划分为多种等级．为了更好地分析订正效果，本文也按照１２ｈ间隔对ＥＣＭＷＦ模式的降水预报进行订正与检验，并以１２ｈ降水量１０㊁１００㊁２５０和５００ｍｍ的降水量级划分各等级．基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法是基于预报⁃观测概率匹配订正法的一种动态实践，这里把最新㊁实时的预报与实况结果带入概率匹配中，本文用预报时前１００ｄ共２００个起报时间的ＥＣＭＷＦ１２ｈ间隔降水预报资料与实况观测资料进行概率匹配，并在业务中不断更新各量级降水修正值，这可以一定程度订正近期模式预报误差，实时调节降水订正效果．目前预报业务中常用的预报效果检验指标有风险评分（ＴｈｒｅａｔＳｃｏｒｅ，ＴＳ，其量值记为ＳＴ）㊁命中率（ＰｅｒｃｅｎｔｏｆＤｏｏｍ，ＰｏＤ，其量值记为ＰｏＤ）㊁空报率（ＦａｌｓｅＡｌａｒｍＲａｔｅ，ＦＡＲ，其量值记为ＲＦＡ）和漏报率（ＰｅｒｃｅｎｔｏｆＯｍｉｓｓｉｏｎ，ＰＯ，其量值记为ＰＯ）等．设定ＮＡ为预报正确站数，ＮＢ为预报错误站数，ＮＣ为漏报站数，各指标计算公式如下：ＳＴ＝ＮＡＮＡ＋ＮＢ＋ＮＣˑ１００％，（１）ＰｏＤ＝ＮＡＮＡ＋ＮＣˑ１００％，（２）ＲＦＡ＝ＮＢＮＡ＋ＮＢˑ１００％，（３）ＰＯ＝ＮＣＮ＋Ｎˑ１００％．（４）图１㊀江西省国家地面气象观测站分布Ｆｉｇ１㊀ＤｉｓｔｒｉｂｕｔｉｏｎｍａｐｏｆｎａｔｉｏｎａｌｓｕｒｆａｃｅｍｅｔｅｏｒｏｌｏｇｉｃａｌｏｂｓｅｒｖａｔｏｒｙｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅ２㊀概率匹配动态订正法在江西省汛期降水集中期的应用分析２１㊀２０１７年６月下旬江西降水集中期概况受高空低槽㊁中低层切变线和西南急流的共同４３２陈翔翔，等．降水预报⁃观测概率匹配动态订正法在江西降水集中期的应用与检验．㊀ＣＨＥＮＸｉａｎｇｘｉａｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｉｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｒｃｔｉｏｎｍｅｔｈｏｄｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅ．图２㊀各等级降水的预报⁃观测概率匹配订正法示意图［１４，１６］Ｆｉｇ２㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｅｎｓｅｍｂｌｅｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｅｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｍｅｔｈｏｄ［１４，１６］影响，２０１７年６月２０日７月２日江西省出现了一次降水集中期，期间省内暴雨频繁发生．江西省９１个国家基本观测站中出现１０站及以上日雨量超５０ｍｍ的过程称为一次区域性暴雨过程，将江西省持续出现３ｄ及以上的区域性暴雨过程定义为持续性区域暴雨过程．在此次降水集中期内，就出现了一次持续性区域暴雨过程，２０１７年６月２１２６日江西省出现了长达５ｄ的持续性区域暴雨过程（表１），主要发生区域为赣北地区，其中，６月２５日有１９个暴雨㊁１３个大暴雨和１个特大暴雨站，持续的暴雨过程为江西省尤其是赣北人民的生产生活带来了严重的威胁．在降水集中期后半段，雨带先南移，后北抬，新的降水落区订正方法的应用与检验迫在眉睫．表１㊀２０１７年６月２１２５日江西省每日暴雨站数及位置（２０２０时）Ｔａｂｌｅ１㊀ＮｕｍｂｅｒａｎｄｌｏｃａｔｉｏｎｏｆｄａｉｌｙｒａｉｎｓｔｏｒｍｓｔａｔｉｏｎｓｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｆｒｏｍ２１ｔｏ２５Ｊｕｎｅ，２０１７（２０：００－２０：００）２１日２２日２３日２４日２５日站数１４１１１３１６３３落区赣北㊁赣中赣东北赣北赣北赣北２２㊀江西省各站点降水等级预报订正值分布特征６月２５日江西暴雨站数最多，现选取前一日即６月２４日（试验第６天）为代表，分析江西省所有站的各降水量级修正值．图３㊁图４分别是２０１７年６月２４日０１２ｈ预报时效和１２２４ｈ预报时效的各量级降水的降水订正值，可发现：对于１２ｈ间隔的小雨量级降水（１０ｍｍ），ＥＣＭＷＦ０１２ｈ和１２２４ｈ预报时效的降水预报得普遍偏大（图３ａ，图４ａ），应往小修正．尤其是赣北南部及以南地区，ＥＣＭＷＦ预报２３ｍｍ时往往可以修正为１ｍｍ，而九江市的１ｍｍ小雨预报得较为接近实况．对于１２ｈ间隔的中雨量级降水（１０ｍｍ），除九江市西南部㊁宜春市局部预报偏小外，全省大部分地区预报偏大，尤其是南昌㊁鹰潭㊁抚州三市和吉安㊁赣州两市部分地区，并且１２２４ｈ预报时效的中雨比０１２ｈ预报时效预报得更偏大，应往小修正（图３ｂ㊁图４ｂ）．而对于大量级降水，ＥＣＭＷＦ预报偏小的区域逐渐增多：０１２ｈ和１２２４ｈ预报时效的１２ｈ２５ｍｍ降水预报分别有７０３％和５７１％的站数预报偏小（图３ｃ，图４ｃ），需要往大修正；０１２ｈ和１２２４ｈ预报时效的１２ｈ间隔的５０ｍｍ的暴雨量级降水预报分别有９３４％和７８％的站数预报偏小（图３ｄ，图４ｄ），其中，萍乡㊁宜春两市市区站点和赣州市西部０１２ｈ和１２２４ｈ预报时效暴雨修正值均不足４０ｍｍ．综上，总体来看，江西省２０１７年６月降水集中期ＥＣＭＷＦ的２４ｈ内１２ｈ间隔的１０ｍｍ及以下量级的降水预报普遍偏大，２５ｍｍ及以上量级的降水预报普遍偏小．但是，九江市沿江地区和景德镇的各量级降水预报较为接近实况，预报效果较好．２３㊀修正前后各检验指标的变化２３１㊀６个预报时次各指标平均值在试验期间（２０１７年６月１９—２７日）的日变化㊀㊀气象部门对降水预报效果的评判一般用ＴＳ评分㊁命中率（ＰｏＤ）㊁空报率（ＦＡＲ）和漏报率（ＰＯ）等指标．下面对ＥＣＭＷＦ的各量级降水预报进行动态修正后的各指标日变化进行对比，为了更好地展示总体预报效果，用的是全省９１站的平均值（图５８）．分析发现，在试验期间（２０１７年６月１９２７日），对于１２ｈ１ｍｍ和５０ｍｍ的降水等级，ＥＣＭＷＦ７２ｈ内的６个预报时效平均ＴＳ在修正后均有不同程度的提升（图５）．其中，在试验第７天（２０１７年７月２５日），１２ｈ１ｍｍ和５０ｍｍ等级的降水ＴＳ分别提升了００２２和００１５，而１０ｍｍ降水的ＴＳ提升不明显，对２５ｍｍ的降水更出现了修正后不如修正前的结果，可见，基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法在实践中应权衡利弊使用，弱降水（１ｍｍ）和暴雨量级降水（５０ｍｍ）可多参考本降水预报订正法，有助于提升晴雨预报和灾害性降水的预报服务质量．预报业务中对于命中率㊁空报率和漏报率也能５３２学报（自然科学版），２０２１，１３（２）：２３３⁃２４１ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（２）：２３３⁃２４１图３㊀２０１７年６月２４日（试验第６天）０１２ｈ预报时效各量级降水的降水订正值（ｍｍ）Ｆｉｇ３㊀Ｔｈｅｃｏｒｒｅｃｔｅｄｒａｉｎｆａｌｌｖａｌｕｅ（ｕｎｉｔ：ｍｍ）ｏｆｄｉｆｆｅｒｅｎｔｐｒｅｃｉｐｉｔａｔｉｏｎｌｅｖｅｌｓｉｎｔｈｅ０－１２ｈｆｏｒｅｃａｓｔｔｉｍｅｏｎＪｕｎｅ２４，２０１７（ｔｈｅｓｉｘｔｈｄａｙｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔ）一定程度反映预报水平．大雨㊁暴雨量级降水的命中率在修正后有所提升（图６），可见本订正法可以根据近期预报与实况较好地调整降水中心强度；而小雨㊁中雨量级的降水的空报率在修正后有明显降低（图７）．这也是由于小雨和中雨的修正值比原值大，ＥＣＭＷＦ模式空报了部分小量级降水；大雨和暴雨的修正值比原值小，大雨㊁暴雨量级的降水的漏报率在修正后有明显提升（图８），说明ＥＣＭＷＦ模式对暴雨中心和量级的预报能力有待提升．对于防灾减灾而言，大量级降水的漏报能直接影响群众生命财产安全，降低大量级降水的漏报率并且提升其命中率十分重要．基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法在本次试验中明显降低了大雨和暴雨的漏报率且提升了命中率，应用效果较好．２３２㊀试验期间不同预报时效修正后平均ＴＳ增幅一般而言，预报时效越短，预报效果越好：０１２ｈ降水预报时效的预报效果比１２２４ｈ降水预报的预报效果更好，ＴＳ评分等检验评分越高，以此类推．因此，有必要从不同的预报时效着手，查看修正前后检验指标的变化．图９为不同预报时效在试验期间（共９ｄ）修正后平均ＴＳ增幅，可见，对于２４ｈ以内的降水预报，除了２５ｍｍ量级的降水预报ＴＳ评分修正后为负技巧（即修正后ＴＳ增幅＜０）外，其他量级的降水均为正技巧，其中，０１２ｈ订正效果最好的为１ｍｍ的降水量级，增幅为００２８，其次为１０ｍｍ的降水量级和５０ｍｍ的降水量级，ＴＳ平均增幅分别为０００６和６３２陈翔翔，等．降水预报⁃观测概率匹配动态订正法在江西降水集中期的应用与检验．㊀ＣＨＥＮＸｉａｎｇｘｉａｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｉｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｒｃｔｉｏｎｍｅｔｈｏｄｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅ．图４㊀２０１７年６月２４日（试验第６天）１２２４ｈ预报时效各量级降水的降水订正值（ｍｍ）Ｆｉｇ．４Ｔｈｅｃｏｒｒｅｃｔｅｄｒａｉｎｆａｌｌｖａｌｕｅ（ｕｎｉｔ：ｍｍ）ｏｆｄｉｆｆｅｒｅｎｔｐｒｅｃｉｐｉｔａｔｉｏｎｌｅｖｅｌｓｉｎｔｈｅ１２－２４ｈｆｏｒｅｃａｓｔｔｉｍｅｏｎＪｕｎｅ２４，２０１７（ｔｈｅｓｉｘｔｈｄａｙ图５㊀江西省所有站点平均ＴＳ修正前后变化情况（７２ｈ内所有预报时效平均）（ｄ１ｄ９分别代表试验第１天即２０１７年６月１９日至试验第９天即２０１７年６月２７日）Ｆｉｇ５㊀ＴｈｅｃｈａｎｇｅｓｏｆａｖｅｒａｇｅＴＳｏｆａｌｌｓｔａｔｉｏｎｓｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｂｅｆｏｒｅａｎｄａｆｔｅｒｃｏｒｒｅｃｔｉｏｎｆｒｏｍ１９ｔｏ２７Ｊｕｎｅ，２０１７（ａｖｅｒａｇｅＴＳｏｆａｌｌｐｒｅｄｉｃｔｉｏｎｓｗｉｔｈｉｎ７２ｈｏｕｒｓ）７３２学报（自然科学版），２０２１，１３（２）：２３３⁃２４１ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（２）：２３３⁃２４１图６㊀６个预报时次江西省所有站点平均命中率（ＰｏＤ）修正前后变化情况（ｄ１ｄ９分别代表试验第１天即２０１７年６月１９日至试验第９天即２０１７年６月２７日）Ｆｉｇ６㊀ＴｈｅｃｈａｎｇｅｓｏｆａｖｅｒａｇｅＰｏＤｏｆａｌｌｓｔａｔｉｏｎｓｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｂｅｆｏｒｅａｎｄａｆｔｅｒｃｏｒｒｅｃｔｉｏｎｆｒｏｍ１９ｔｏ２７Ｊｕｎｅ，２０１７（ａｖｅｒａｇｅＰｏＤｏｆａｌｌｐｒｅｄｉｃｔｉｏｎｓｗｉｔｈｉｎ７２ｈｏｕｒｓ）图７㊀６个预报时次江西省所有站点平均空报率（ＦＡＲ）修正前后变化情况（ｄ１ｄ９分别代表试验第１天即２０１７年６月１９日至试验第９天即２０１７年６月２７日）Ｆｉｇ７㊀ＴｈｅｃｈａｎｇｅｓｏｆａｖｅｒａｇｅＦＡＲｏｆａｌｌｓｔａｔｉｏｎｓｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｂｅｆｏｒｅａｎｄａｆｔｅｒｃｏｒｒｅｃｔｉｏｎｆｒｏｍ１９ｔｏ２７Ｊｕｎｅ，２０１７（ａｖｅｒａｇｅＦＡＲｏｆａｌｌｐｒｅｄｉｃｔｉｏｎｓｗｉｔｈｉｎ７２ｈｏｕｒｓ）０００４；１２２４ｈ订正效果最好的仍是１ｍｍ的降水量级，ＴＳ平均增幅为００２３．此后，随着预报时效的不断延长，不同量级降水的订正效果均有不同程度的降低，但１和５０ｍｍ量级的降水预报订正效果一直维持正技巧，即对于小量级降水（晴雨）以及大量级降水（暴雨）的预报，基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法有着良好的订正技巧．ＴＳ评分平均值修正后出现负技巧（２５ｍｍ量级的降水预报居多）的原因可能是：试验前期１００ｄ带入概率匹配的样本数太少，影响了订正结果的准确性，如果样本数太多，则会削弱对最近模式误差的订正效果．ＥＣＷＭＦ对本次试验降水落区预报不准，也能导致预报ＴＳ评分微弱提升甚至降低．８３２陈翔翔，等．降水预报⁃观测概率匹配动态订正法在江西降水集中期的应用与检验．㊀ＣＨＥＮＸｉａｎｇｘｉａｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｉｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｒｃｔｉｏｎｍｅｔｈｏｄｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅ．图８㊀６个预报时次江西省所有站点平均漏报率（ＰＯ）修正前后变化情况（ｄ１ｄ９分别代表试验第１天即２０１７年６月１９日至试验第９天即２０１７年６月２７日）Ｆｉｇ８㊀ＴｈｅｃｈａｎｇｅｓｏｆａｖｅｒａｇｅＰＯｏｆａｌｌｓｔａｔｉｏｎｓｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｂｅｆｏｒｅａｎｄａｆｔｅｒｃｏｒｒｅｃｔｉｏｎｆｒｏｍ１９ｔｏ２７Ｊｕｎｅ，２０１７（ａｖｅｒａｇｅＰＯｏｆａｌｌｐｒｅｄｉｃｔｉｏｎｓｗｉｔｈｉｎ７２ｈｏｕｒｓ）图９㊀试验期间（共９ｄ）修正后平均ＴＳ增幅Ｆｉｇ９㊀ＴｈｅｉｎｃｒｅａｓｅｏｆａｖｅｒａｇｅＴＳａｆｔｅｒｃｏｒｒｅｃｔｉｏｎｄｕｒｉｎｇｔｈｅｅｘｐｅｒｉｍｅｎｔ（９ｄ）３　结论与讨论为提高数值预报降水预报的准确率，本文利用欧洲中心高分辨率数值预报（ＥＣＭＷＦ）每日２次的１２ｈ间隔降水格点预报资料和江西省国家级气象观测站实况降水量进行概率匹配，选取Ｇａｍｍａ累积概率分布函数用于拟合预报与观测的降水累积概率，并在业务中根据近期（１００ｄ）模式预报调整及误差不断更新各量级降水修正值，通过在２０１７年６月底江西省一次降水集中期的应用试验，得到以下结论：１）江西省２０１７年６月降水集中期ＥＣＭＷＦ的２４ｈ内１２ｈ间隔的１０ｍｍ及以下量级的降水预报普遍偏大，２５ｍｍ及以上量级的降水预报普遍偏小；从江西区域分布来看，九江市沿江地区和景德镇的各量级降水预报较为接近实况，预报效果较好．２）基于ＥＣＭＷＦ的降水预报⁃观测概率匹配动态订正法在实践中应权衡利弊使用：本降水预报订正法能提高小雨和暴雨的ＴＳ评分㊁降低暴雨的漏报率且提升其命中率，但对大雨及部分中雨的订正效果不佳．对于防灾减灾而言，暴雨的漏报会直接威胁群众生命财产安全，降低暴雨的漏报率并提升其命中率十分重要，就此而言，本次降水预报订正试验获得了较好的效果．本文为数值预报产品的解释应用提供了一种方法，可以动态订正模式降水预报（尤其是致灾性暴雨）．但是，应用试验中大雨及部分中雨的预报的订正效果不佳，可能原因是：本文选择预报时前１００ｄ每天２次的预报与实况降水数据进行概率匹配，如果带入概率匹配相应降水量级的数据样本数太少，会使得本次试验不能很好拟合Ｇａｍｍａ概率分布函数，影响订正结果的准确性，如果样本数太多，则会削弱对最近模式误差的订正效果．ＥＣＷＭＦ对本次试验降水落区预报不准，也能导致预报ＴＳ评分微弱提升甚至降低．另外，本文采用的是Ｇａｍｍａ分布函数来拟合预报与观测的降水累积概率，在以后的工作中，亦可尝试采用其他分布函数（如ＧＥＶ㊁ＧＮＯ㊁ＧＬＯ㊁Ｋａｐｐａ等）来拟合，并比较其优劣．９３２学报（自然科学版），２０２１，１３（２）：２３３⁃２４１ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（２）：２３３⁃２４１参考文献Ｒｅｆｅｒｅｎｃｅｓ［１］㊀潘留杰，张宏芳，朱伟军，等．ＥＣＭＷＦ模式对东北半球气象要素场预报能力的检验［Ｊ］．气候与环境研究，２０１３，１８（１）：１１２⁃１２３ＰＡＮＬｉｕｊｉｅ，ＺＨＡＮＧＨｏｎｇｆａｎｇ，ＺＨＵＷｅｉｊｕｎ，ｅｔａｌ．ＦｏｒｅｃａｓｔｐｅｒｆｏｒｍａｎｃｅｖｅｒｉｆｉｃａｔｉｏｎｏｆｔｈｅＥＣＭＷＦｍｏｄｅｌｏｖｅｒｔｈｅｎｏｒｔｈｅａｓｔｈｅｍｉｓｐｈｅｒｅ［Ｊ］．ＣｌｉｍａｔｉｃａｎｄＥｎｖｉｒｏｎ⁃ｍｅｎｔａｌＲｅｓｅａｒｃｈ，２０１３，１８（１）：１１１⁃１２３［２］㊀陈海山，孙照渤．陆面模式ＣＬＳＭ的设计及性能检验Ⅱ：模式检验［Ｊ］．大气科学，２００５，２９（２）：２７２⁃２８２ＣＨＥＮＨａｉｓｈａｎ，ＳＵＮＺｈａｏｂｏ．ＤｅｓｉｇｎｏｆａＣｏｍｐｒｅｈｅｎｓｉｖｅＬａｎｄＳｕｒｆａｃｅＭｏｄｅｌａｎｄｉｔｓｖａｌｉｄａｔｉｏｎｐａｒｔⅡ：ｍｏｄｅｌｖａｌ⁃ｉｄａｔｉｏｎ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＡｔｍｏｓｐｈｅｒｉｃＳｃｉｅｎｃｅｓ，２００５，２９（２）：２７２⁃２８２［３］㊀潘留杰，张宏芳，王建鹏．数值天气预报检验方法研究进展［Ｊ］．地球科学进展，２０１４，２９（３）：３２７⁃３３５ＰＡＮＬｉｕｊｉｅ，ＺＨＡＮＧＨｏｎｇｆａｎｇ，ＷＡＮＧＪｉａｎｐｅｎｇ．Ｐｒｏｇｒｅｓｓｏｎｖｅｒｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓｏｆｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥａｒｔｈＳｃｉｅｎｃｅ，２０１４，２９（３）：３２７⁃３３５［４］㊀张强，熊安元，张金艳，等．晴雨（雪）和气温预报评分方法的初步研究［Ｊ］．应用气象学报，２００９，２０（６）：６９２⁃６９８ＺＨＡＮＧＱｉａｎｇ，ＸＩＯＮＧＡｎｙｕａｎ，ＺＨＡＮＧＪｉｎｙａｎ，ｅｔａｌ．Ｐｒｅｌｉｍｉｎａｒｙｓｔｕｄｙｏｎｔｈｅｓｃｏｒｉｎｇｍｅｔｈｏｄｓｏｆｃｌｏｕｄ⁃ｆｒｅｅｒａｉｎｆａｌｌ／ｓｎｏｗｆａｌｌａｎｄａｉｒｔｅｍｐｅｒａｔｕｒｅｆｏｒｅｃａｓｔｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＭｅｔｅｏｒｏｌｏｇｉｃａｌＳｃｉｅｎｃｅ，２００９，２０（６）：６９２⁃６９８［５］㊀刘建国，谢正辉，赵琳娜，等．基于ＴＵＧＧＥ多模式集合的２４小时气温ＢＭＡ概率预报［Ｊ］．大气科学，２０１３，３７（１）：４３⁃５３ＬＩＵＪｉａｎｇｕｏ，ＸＩＥＺｈｅｎｇｈｕｉ，ＺＨＡＯＬｉｎｎａ，ｅｔａｌ．ＢＭＡｐｒｏｂａｂｉｌｉｓｔｉｃｆｏｒｅｃａｓｔｉｎｇｆｏｒｔｈｅ２４⁃ｈＴＩＧＧＥｍｕｌｔｉ⁃ｍｏｄｅｌｅｎｓｅｍｂｌｅｆｏｒｅｃａｓｔｓｏｆｓｕｒｆａｃｅａｉｒｔｅｍｐｅｒａｔｕｒｅ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＡｔｍｏｓｐｈｅｒｉｃＳｃｉｅｎｃｅｓ，２０１３，３７（１）：４３⁃５３［６］㊀刘维，刘宇迪，赵世梅．二十面体网格和经纬网格全球模式在中国区域模拟效果对比［Ｊ］．南京信息工程大学学报（自然科学版），２０１６，８（２）：１４６⁃１５１ＬＩＵＷｅｉ，ＬＩＵＹｕｄｉ，ＺＨＡＯＳｈｉｍｅｉ．Ｇｌｏｂａｌｍｏｄｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｉｃｏｓａｈｅｄｒｏｎｓｐｈｅｒ⁃ｉｃａｌｍｅｓｈａｎｄｌａｔｉｔｕｄｅ⁃ｌｏｎｇｉｔｕｄｅｍｅｓｈｉｎＣｈｉｎａ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１６，８（２）：１４６⁃１５１［７］㊀李勇．２００７年６８月Ｔ２１３与ＥＣＭＷＦ及日本模式中期预报性能检验［Ｊ］．气象，２００７，３３（１１）：９３⁃１００ＬＩＹｏｎｇ．Ｖｅｒｉｆｉｃａｔｉｏｎｏｆｔｈｅｍｅｄｉｕｍ⁃ｒａｎｇｅｆｏｒｅｃａｓｔｅｆｆｉ⁃ｃｉｅｎｃｙｏｆＴ２１３ａｎｄＥＣＭＷＦａｎｄＪＡＰＡＮｍｏｄｅｌｆｒｏｍＪｕｎｅｔｏＡｕｇｕｓｔ２００７［Ｊ］．ＭｅｔｅｏｒｏｌｏｇｉｃａｌＭｏｎｔｈｌｙ，２００７，３３（１１）：９３⁃１００［８］㊀张宏芳，潘留杰，杨新．ＥＣＭＷＦ㊁日本高分辨率模式降水预报能力的对比分析［Ｊ］．气象，２０１４，４０（４）：４２４⁃４３２ＺＨＡＮＧＨｏｎｇｆａｎｇ，ＰＡＮＬｉｕｊｉｅ，ＹＡＮＧＸｉｎ．ＣｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｃａｐａｂｉｌｉｔｉｅｓｏｆＥＣＭＷＦａｎｄＪａｐａｎｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｍｏｄｅｌｓ［Ｊ］．Ｍｅｔｅｏｒｏ⁃ｌｏｇｉｃａｌＭｏｎｔｈｌｙ，２０１４，４０（４）：４２４⁃４３２［９］㊀陆如华，何于班．卡尔曼滤波方法在天气预报中的应用［Ｊ］．气象，１９９４，９，２０（９）：４１⁃４６ＬＵＲｕｈｕａ，ＨＥＹｕｂａｎ．ＴｈｅａｐｐｌｉｃａｔｉｏｎｏｆＫａｌｍａｎｆｉｌｔｅｒｉｎｗｅａｔｈｅｒｆｏｒｅｃａｓｔｓ［Ｊ］．ＭｅｔｅｏｒｏｌｏｇｉｃａｌＭｏｎｔｈｌｙ，１９９４，９，２０（９）：４１⁃４６［１０］㊀赵声蓉，曹晓钟．神经元网络的降水预报：暴雨落区预报实用方法［Ｍ］．北京：气象出版社，２０００：１３７⁃１３９ＺＨＡＯＳｈｅｎｒｏｎｇ，ＣＡＯＸｉａｏｚｈｏｎｇ．Ｐｒｅｃｉｐｉｔａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ：ｐｒａｃｔｉｃａｌｍｅｔｈｏｄｓｆｏｒｆｏｒｅｃａｓｔｉｎｇｒａｉｎｓｔｏｒｍａｒｅａ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＭｅｔｅｏｒｏｌｏｇｉｃａｌＰｒｅｓｓ，２０００：１３７⁃１３９［１１］㊀刘还珠，赵声蓉，陆志善，等．国家气象中心气象要素的客观预报：ＭＯＳ系统［Ｊ］．应用气象学报，２００４，１５（２）：１８１⁃１９１ＬＩＵＨｕａｎｚｈｕ，ＺＨＡＯＳｈｅｎｒｏｎｇ，ＬＵＺｈｉｓｈａｎ．ｅｔａｌ．ＯｂｊｅｃｔｉｖｅｅｌｅｍｅｎｔｆｏｒｅｃａｓｔｓａｔＮＭＣ⁃ＭＯＳｓｙｓｔｅｍ［Ｊ］．ＱｕａｒｔｅｒｌｙＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＭｅｔｅｏｒｏｌｏｇｙ，２００４，１５（２）：１８１⁃１９１［１２］㊀刘琳，陈静，程龙，等．基于集合预报的中国极端强降水预报方法研究［Ｊ］．气象学报，２０１３，７１（５）：８５４⁃８６６ＬＩＵＬｉｎ，ＣＨＥＮＪｉｎｇ，ＣＨＥＮＬｏｎｇ，ｅｔａｌ．Ｓｔｕｄｙｏｆｔｈｅｅｎ⁃ｓｅｍｂｌｅ⁃ｂａｓｅｄｆｏｒｅｃａｓｔｏｆｅｘｔｒｅｍｅｌｙｈｅａｖｙｒａｉｎｆａｌｌｓｉｎＣｈｉ⁃ｎａ：ｅｘｐｅｒｉｍｅｎｔｓｆｏｒＪｕｌｙ２０１１ｃａｓｅｓ［Ｊ］．ＡｃｔａＭｅｔｅｏｒｏｌｏｇｉｃａＳｉｎｉｃａ，２０１３，７１（５）：８５３⁃８６６［１３］㊀吴木贵，江彩英，张信华，等．交叉熵神经网络及其在闽北大雨以上降水预报中的应用［Ｊ］．南京信息工程大学学报（自然科学版），２０１２，４（３）：２２０⁃２２５ＷＵＭｕｇｕｉ，ＪＩＡＮＧＣａｉｙｉｎｇ，ＺＨＡＮＧＸｉｎｈｕａ，ｅｔａｌ．Ａｐｐｌｉ⁃ｃａｔｉｏｎｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｕｓｉｎｇｃｒｏｓｓ⁃ｅｎｔｒｏｐｙｔｏ９６ｈｏｕｒｓｆｏｒｅｃａｓｔｏｆｈｅａｖｙｐｒｅｃｉｐｉｔａｔｉｏｎｅｖｅｎｔｉｎｎｏｒｔｈｅｒｎＦｕｊｉａｎｐｒｏｖｉｎｃｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎ⁃ｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉ⁃ｔｉｏｎ），２０１２，４（３）：２２０⁃２２５［１４］㊀周迪，陈静，陈朝平，等．暴雨集合预报⁃观测概率匹配订正法在四川盆地的应用研究［Ｊ］．暴雨灾害，２０１５，３４（２）：９７⁃１０４ＺＨＯＵＤｉ，ＣＨＥＮＪｉｎｇ，ＣＨＥＮＣｈａｏｐｉｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎｒｅｓｅａｒｃｈｏｎｈｅａｖｙｒａｉｎｆａｌｌｃａｌｉｂｒａｔｉｏｎｂａｓｅｄｏｎｅｎｓｅｍｂｌｅｆｏｒｅｃａｓｔｖｓ．ｏｂｓｅｒｖｅｄｐｒｅｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｍｅｔｈｏｄｉｎｔｈｅＳｉｃｈｕａｎｂａｓｉｎ［Ｊ］．ＴｏｒｒｅｎｔｉａｌＲａｉｎａｎｄＤｉｓ⁃ａｓｔｅｒｓ，２０１５，３４（２）：９７⁃１０４［１５］㊀李俊，杜钧，陈超君．降水偏差订正的频率（或面积）匹配方法介绍和分析［Ｊ］．气象，２０１４，４０（５）：５８０⁃５８８ＬＩＪｕｎ，ＤＵＪｕｎ，ＣＨＥＮＣｈａｏｊｕｎ．Ｉｎｔｒｏｄｕｃｔｉｏｎａｎｄａｎａｌｙｓｉｓｔｏｆｒｅｑｕｅｎｃｙｏｒａｒｅａｍａｔｃｈｉｎｇｍｅｔｈｏｄａｐｐｌｉｅｄｔｏｐｒｅｃｉｐｉ⁃ｔａｔｉｏｎｆｏｒｅｃａｓｔｂｉａｓｃｏｒｒｅｃｔｉｏｎ［Ｊ］．ＭｅｔｅｏｒｏｌｏｇｉｃａｌＭｏｎｔｈｌｙ，２０１４，４０（５）：５８０⁃５８８［１６］㊀郭达烽，陈翔翔，段明铿．预报⁃观测概率匹配法在降水预报业务中的应用［Ｊ］．中国农学通报，２０１７，３３（３２）：１００⁃１０７ＧＵＯＤａｆｅｎｇ，ＣＨＥＮＸｉａｎｇｘｉａｎｇ，ＤＵＡＮＭｉｎｇｋｅｎｇ．Ａｐｐｌｉ⁃ｃａｔｉｏｎｒｅｓｅａｒｃｈｏｆｍｅｔｈｏｄｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＣｈｉｎｅｓｅＡｇｒｉ⁃ｃｕｌｔｕｒａｌＳｃｉｅｎｃｅＢｕｌｌｅｔｉｎ，２０１７，３３（３２）：１００⁃１０７［１７］㊀赵琳娜，梁莉，王成鑫，等．基于贝叶斯模型平均的集合降水预报偏差订正［Ｃ］ʊ第２８届中国气象学会年０４２陈翔翔，等．降水预报⁃观测概率匹配动态订正法在江西降水集中期的应用与检验．㊀ＣＨＥＮＸｉａｎｇｘｉａｎｇ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｉｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｒｃｔｉｏｎｍｅｔｈｏｄｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅ．会，Ｓ３灾害天气研究与预报．厦门，２０１１：１⁃１３ＺＨＡＯＬｉｎｎａ，ＬＩＡＮＧＬｉ，ＷＡＮＧＣｈｅｎｘｉｎ，ｅｔａｌ．Ｅｒｒｏｒｃｏｒｒｅｃｔｉｏｎｏｆｃｏｌｌｅｃｔｉｖｅｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｂａｓｅｄｏｎｂａｙｅｓｉａｎｍｏｄｅｌａｖｅｒａｇｅ［Ｃ］ʊ２８ｔｈＣｈｉｎａＭｅｔｅｏｒｏｌｏｇｉｃａｌＳｏｃｉｅｔｙＡｎｎｕａｌＭｅｅｔｉｎｇ．Ｓ３ＲｅｓｅａｒｃｈａｎｄＦｏｒｅｃａｓｔｏｆＤｉｓ⁃ａｓｔｒｏｕｓＷｅａｔｈｅｒ．Ｘｉａｍｅｎ，２０１１：１⁃１３［１８］㊀梁莉，赵琳娜，巩远发，等．夏季淮河流域雨日降水概率的空间分布分析［Ｃ］ʊ中国水利学会．２０１０学术年会论文集（上册），２０１０ＬＩＡＮＧＬｉ，ＺＨＡＯＬｉｎｎａ，ＧＯＮＧＹｕａｎｆａ，ｅｔａｌ．Ｓｐａｔｉａｌｄｉｓ⁃ｔｒｉｂｕｔｉｏｎａｎａｌｙｓｉｓｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｉｎＨｕａｉｈｅＲｉｖｅｒｂａｓｉｎｉｎｓｕｍｍｅｒｒａｉｎｄａｙ［Ｃ］ʊＣｈｉｎｅｓｅＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇＳｏｃｉｅｔｙ．Ｐａｐｅｒｓｏｆｔｈｅ２０１０ＡｎｎｕａｌＡｃａｄｅｍｉｃＣｏｎｆｅｒｅｎｃｅ（Ｖｏｌｕｍｅ１），２０１０［１９］㊀ＨｕｓａｋＧＪ，ＭｉｃｈａｅｌｓｅｎＪ，ＦｕｎｋＣ．Ｕｓｅｏｆｔｈｅｇａｍｍａｄｉｓ⁃ｔｒｉｂｕｔｉｏｎｔｏｒｅｐｒｅｓｅｎｔｍｏｎｔｈｌｙｒａｉｎｆａｌｌｉｎＡｆｒｉｃａｆｏｒｄｒｏｕｇｈｔｍｏｎｉｔｏｒｉｎｇａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｌｉｍａｔｏｌｏｇｙ，２００７，２７（７）：９３５⁃９４４［２０］㊀ＨａｍｉｌｌＴＭ，ＣｏｌｕｃｃｉＳＪ．ＥｖａｌｕａｔｉｏｎｏｆＥｔａ⁃ＲＳＭｅｎｓｅｍｂｌｅｐｒｏｂａｂｉｌｉｓｔｉｃｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｓ［Ｊ］．ＭｏｎｔｈｌｙＷｅａｔｈｅｒＲｅｖｉｅｗ，１９９８，１２６（３）：７１１⁃７２４［２１］㊀ＷｏｏｌｈｉｓｅｒＤＡ．Ｍｏｄｅｌｉｎｇｄａｉｌｙｐｒｅｃｉｐｉｔａｔｉｏｎ⁃ｐｒｏｃｅｓｓａｎｄｐｒｏｂｌｅｍｓ［Ｍ］．ＳｔａｔｉｓｔｉｃｓｉｎｔｈｅＥｎｖｉｒｏｎｍｅｎｔａｌ＆ＥａｒｔｈＳｃｉｅｎｃｅｓ，Ｌｏｎｄｏｎ：ＧｕｔｔｏｒｐＰＨａｌｓｔｅｄＰｒｅｓｓ，１９９２：７１⁃８９［２２］㊀王斌，付强，王敏．几种模拟逐日降水的分布函数比较分析［Ｊ］．数学的实践与认识，２０１１，４１（９）：１２８⁃１３３ＷＡＮＧＢｉｎ，ＦＵＱｉａｎｇ，ＷＡＮＧＭｉｎ．Ｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｎｔｈｒｅｅｄｉｓｔｒｉｂｕｔｉｏｎｆｕｎｃｔｉｏｎｓｓｉｍｕｌａｔｉｎｇｄａｉｌｙｒａｉｎｆａｌｌ［Ｊ］．ＭａｔｈｅｍａｔｉｃｓｉｎＰｒａｃｔｉｃｅａｎｄＴｈｅｏｒｙ，２０１１，４１（９）：１２８⁃１３３［２３］㊀吴洪宝，王盘兴，林开平．广西６㊁７月份若干日内最大日降水量的概率分布［Ｊ］．热带气象学报，２００４，２０（５）：５８６⁃５９２ＷＵＨｏｎｇｂａｏ，ＷＡＮＧＰａｎｘｉｎｇ，ＬＩＮＫａｉｐｉｎｇ．ＰｒｏｂａｂｉｌｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｍａｘｉｍｕｍａｍｏｕｎｔｏｆｄａｉｌｙｐｒｅｃｉｐｉｔａｔｉｏｎｉｎｃｅｒｔａｉｎｄａｙｓｉｎＪｕｎｅａｎｄＪｕｌｙｆｏｒＧｕａｎｇｘｉ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｒｏｐｉｃａｌＭｅｔｅｏｒｏｌｏｇｙ，２００４，２０（５）：５８６⁃５９２Ａｐｐｌｉｃａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｉｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｒｃｔｉｏｎｍｅｔｈｏｄｉｎｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｏｆＪｉａｎｇｘｉｐｒｏｖｉｎｃｅＣＨＥＮＸｉａｎｇｘｉａｎｇ１㊀ＧＵＯＤａｆｅｎｇ１１ＪｉａｎｇｘｉＭｅｔｅｏｒｏｌｏｇｉｃａｌＯｂｓｅｒｖａｔｏｒｙ，Ｎａｎｃｈａｎｇ㊀３３００００Ａｂｓｔｒａｃｔ㊀Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｎｕｍｅｒｉｃａｌｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇ，ｆｏｒｅｃａｓｔｄａｔａｆｒｏｍｔｈｅＥｕｒｏｐｅａｎＣｅｎｔｒｅｆｏｒＭｅｄｉｕｍ⁃ｒａｎｇｅＷｅａｔｈｅｒＦｏｒｅｃａｓｔｓ（ＥＣＭＷＦ）ａｎｄＪｉａｎｇｘｉｍｅｔｅｏｒｏｌｏｇｉｃａｌｏｂｓｅｒｖａｔｉｏｎｓｔａｔｉｏｎｓｗｅｒｅｕｓｅｄｉｎｔｈｉｓｓｔｕｄｙ．Ａｇａｍｍａｆｕｎｃｔｉｏｎｗａｓｕｓｅｄｔｏｓｉｍｕｌａｔｅｔｈｅｐｒｅｃｉｐｉｔａｔｉｏｎｃｕｍｕｌａｔｉｖｅｐｒｏｂａｂｉｌｉｔｙｏｆｐｒｅｄｉｃｔｉｏｎａｎｄｏｂｓｅｒｖａ⁃ｔｉｏｎ．ＴｈｅｍｅｔｈｏｄｗａｓｔｅｓｔｅｄｆｏｒａｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｎｃｅｎｔｒａｔｉｏｎｐｅｒｉｏｄｉｎＪｉａｎｇｘｉｐｒｏｖｉｎｃｅｉｎ２０１７．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＥＣＭＷＦｆｏｒｅｃａｓｔ⁃ｏｂｓｅｒｖｅｄｐｒｅｃｉｐｉｔａｔｉｏｎｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇｄｙｎａｍｉｃｃｏｒｒｅｃｔｉｏｎｍｅｔｈｏｄｐｒｏｖｉｄｅｓｔｈｅｌａｔｅｓｔｒｅａｌ⁃ｔｉｍｅｆｏｒｅｃａｓｔｓａｎｄｏｂｓｅｒｖａｔｉｏｎｓｆｏｒｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇ，ａｎｄｕｐｄａｔｅｓｔｈｅｐｒｅｃｉｐｉｔａｔｉｏｎｃｏｒｒｅｃｔｉｏｎｖａｌｕｅｓｏｆａｌｌｇｒａｄｅｓａｕｔｏｍａｔｉｃａｌｌｙａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｒｅｄｉｃｔｉｏｎａｄｊｕｓｔｍｅｎｔａｎｄｅｒｒｏｒｏｆｔｈｅｒｅｃｅｎｔｍｏｄｅｌ．ＩｔｉｓｆｏｕｎｄｔｈａｔｔｈｅＥＣＭＷＦｓｄａｉ⁃ｌｙ１２ｈｉｎｔｅｒｖａｌｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｓｇｅｎｅｒａｌｌｙｌａｒｇｅｒｆｏｒｐｒｅｃｉｐｉｔａｔｉｏｎ１０ｍｍａｎｄｂｅｌｏｗ，ａｎｄｓｍａｌｌｅｒｆｏｒｐｒｅｃｉｐｉ⁃ｔａｔｉｏｎ２５ｍｍａｎｄａｂｏｖｅ．ＴｈｅｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｔｈｅＪｉｕｊｉａｎｇａｒｅａａｌｏｎｇｔｈｅＹａｎｇｔｚｅＲｉｖｅｒａｎｄＪｉｎｇｄｅｚｈｅｎｉｓｃｌｏｓｅｔｏａｃｔｕａｌｃｏｎｄｉｔｉｏｎｓ．Ｔｈｉｓｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｃａｎｉｍｐｒｏｖｅｔｈｅｔｈｒｅａｔｓｃｏｒｅｏｆｌｉｇｈｔａｎｄｈｅａｖｙｒａｉｎ，ｒｅｄｕｃｅｓｔｈｅＰＯｏｆｈｅａｖｙｒａｉｎ，ａｎｄｉｎｃｒｅａｓｅｓｉｔｓＰＯＤ．Ｈｏｗｅｖｅｒ，ｔｈｅｃｏｒｒｅｃｔｉｏｎｅｆｆｅｃｔｏｆｈｅａｖｙｒａｉｎａｎｄｓｏｍｅｍｏｄｅｒａｔｅｒａｉｎｉｓｎｏｔｇｏｏｄ；ｈｅｎｃｅ，ｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｓｈｏｕｌｄｂｅｃｏｎｓｉｄｅｒｅｄｉｎｐｒａｃｔｉｃｅ．Ｋｅｙｗｏｒｄｓ㊀ｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔ；ｐｒｏｂａｂｉｌｉｔｙｍａｔｃｈｉｎｇ；ｄｙｎａｍｉｃｃｏｒｒｅｃｔｉｏｎ１４２学报（自然科学版），２０２１，１３（２）：２３３⁃２４１ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（２）：２３３⁃２４１。

降雨量预测方法

降雨量预测方法优劣的评价摘要本文就如何评价降雨量预报方法的优劣建立了相应的数学模型，并且用气象部门提供的数据对两种预报方法进行了比较。

首先用误差作为评价标准，对问题1建立了对两种降雨量预报方法进行比较的数学模型。

在计算误差的时候，为了使取值更具有比较意义，只选择离观测站最近的预测位置的预测值进行计算，通过对误差的计算，建立了数学模型。

用Object Pascal编程求解，得出了如下结论：第一种降雨量的预报方法优于第二种预报方法。

问题2在问题1所建模型的基础上建立另外一个数学模型，该模型巧妙结合公众的满意度来评价预测方法的优劣。

其中，在使用量化的方法对公众的满意程度进行刻划的时候，充分考虑公众的认知心理，使用了柯西分布隶属函数。

同样用Object Pascal编程求解，得出了如下的结论：第一种方法优于第二种方法。

综合问题1和2的结论，第一种方法优于第二种方法。

关键字降雨量预测数学模型误差柯西分布隶属函数1 问题重述雨量预报对农业生产和城市工作和生活都有重要作用，但准确、及时地对雨量作出预报是一个十分困难的问题，我国某地气象台、气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段在某些位置的雨量，这些位置都位于东经120度、北纬32度附近的53×47的等距网格点上。

再设立91个观测站点实测这些时段的实际雨量，站点的设置是不均匀的。

气象部门提供了41天的用两种不同方法的预报数据和相应的实测数据，希望建立一种科学评价预报方法好坏的数学模型与方法，对两种预测方法进行评价。

其中雨量用毫米做单位，小于0.1毫米视为无雨。

(1) 请建立数学模型来评价两种6小时雨量预报方法的准确性；(2) 气象部门将6小时降雨量分为6等：0.1—2.5毫米为小雨，2.6—6毫米为中雨，6.1—12毫米为大雨，12.1—25毫米为暴雨，25.1—60毫米为大暴雨，大于60.1毫米为特大暴雨。

若按此分级向公众预报，如何在评价方法中考虑公众的感受？2 模型假设2.1 观测站所测得的降雨量准确可靠；2.2 地球可以近似地看成一个球体；2.3 降雨量等级的划分符合公众的认识；2.4 气象站预测的数据刚好够描述整个地区的降雨情况；2.5 各个预测位置的预测数据所描述的区域范围是一样的，并且各个观测站测量的区域范围是一样的。