基于ECMWF 细网格、GRAPES 的短时强降水潜势预报和检验

吴迎旭，孟莹莹，周 一，赵 柠，李兴权，刘松涛，吴 岩

（黑龙江省气象台，黑龙江 哈尔滨 150030）

短时强降水强度和致灾可能性很大[1]，同时分布零散，时效短，可预报性差。 它有时会出现在连续性降水中的某个时段， 因为一次暴雨过程的降水总量往往是中尺度雨团不断生成和移动的结果[2]。 有时仅产生在一个很弱的影响系统，2014 年7 月4 日黑龙江省伊春的朗乡站3 h 雨量超过100 mm，最大10 min 雨量超过30 mm，而当日黑龙江其它自动站没有出现24 h 雨量超过30 mm 的站点[3]，降水非常集中。

有关极端性强降水的个例研究较多： 何斌等[4]对杭州湾北岸的短时暴雨做了中尺度分析， 指出短时暴雨与近地面西南偏西气流和东南偏东气流的辐合作用密切相关， 局地热对流触发两股气流导致短时大暴雨产生。 一场午后气温的高低可能直接影响对流触发，郑婧等[5]分析了江南北部梅雨锋和低空急流引发的灾害性暴雨，认为热力不稳定、较强的垂直风切变、 低层充沛的水汽供应以及强烈的辐合抬升是短时暴雨产生的有利环境场， 而多尺度系统的协同作用和稳定维持加大了短时暴雨强度。 近年来有一些关于短时强降水影响系统和分布特征的研究，何晗等[6]针对2009—2013 年4—9 月的65 个冷涡背景下短时强降水特征及两者之间的关系得出结论： 冷涡背景下的短时强降水主要集中在京津和河北东南部以及东北平原地区， 冷涡发展时期突发性暴雨很多，并主要位于冷涡中心的东南部和西南部。沈澄等[7]将南京市的雨量站按照1979—2012 年的一般站和2008—2012 年自动站进行划分，分析短时强降水发生规律， 指出城区的对流活动较郊区更活跃，且城市下风向地区的降水随之增强。 常煜等[8]采用Gumbel 极值法确定内蒙古1991—2013 年6—8月极端强降水时空分布特征和演变过程， 发现极端强降水主要分布在7 月下旬17 时左右。黑龙江省在这方面也做了一些相关研究， 曾利用2008—2016年6—8 月黑龙江省844 个自动雨量站资料， 采用了多级判别法、一元线性回归、平均值显著性检验等方法统计黑龙江省311 d 的2 154 个站次短时强降水的时空分布特征和高空地面影响系统， 分析发现高空低值系统与地面锋面共同影响是产生短时强降水及较大影响面积的主要原因； 由于受降水性质和系统发生频率以及物理条件影响， 高空槽前配合地面暖锋是最主要的影响系统[9]。

目前，我国强降水的研究主要在两方面，第一，是时效较长物理意义更明确的中尺度环境场的研究；第二，是依托自动站、雷达的临近预报或预警。强降水潜势预报主要依据的就是各类数值模式， 董全等[10]利用EC 集合预报判断极端强降水的预报阈值。陈涛等[11]针对2016 年7 月16 日华北极端强降水过程，基于4 km 分辨率的WRF－ARW 中尺度模式，采用Morrison 方案和WSM6_P2 方案检验＜50 mm 量级和＞100 mm 量级强降水预报。 段鹤等[12]利用多普勒天气雷达、 探空和雨量站按照降水结构分为3 种短时强降水概念模型并分析了强度、移速、生命期、垂直风切变等特征， 给出了西双版纳短时强降水预报指标。以上的各类研究多是对强降水个例、气候特征的研究，而针对强降水的指标研究较少，特别是黑龙江省一直以来缺少高于实况分布密度的模式预报的物理因子阈值和各因子间融合的分析， 本文针对黑龙江省短时临近预报应用最多的ECMWF 细网格（简称“EC”）和GRAPES_GRAPES（简称“GRAPES”）模式，分析统计黑龙江省短时强降水预报方法、各项指标的确定以及检验和应用情况。

1 资料和方法

1.1 资料选取

采用2016—2018 年6—8 月EC、GRAPES 模式08 时初始场配合黑龙江省822 个自动雨量站逐小时雨量，逐3 h 识别不同级别的强降水天气。

按照我国《短时临近预报业务规定》和黑龙江省近3 a 强降水中雨强约第90 百分位平均降水阈值，将强降水分为一般强降水（小时雨量＞20 mm）和极端强降水（小时雨量＞40 mm 或2 h 雨量＞50 mm）。根据样本数据，极端强降水占样本总数的15.2%。由于资料接收的滞后性， 利用08 时初始场预报未来12～36 h 不同程度强降水落区。

1.2 研究方法和步骤

1.2.1 读取自动站气象要素信息

根据气象要素性质决定自动站信息的读取方式，正态分布的要素如气温、气压，采用双线插值法获取.公式为：

非正态分布要素如降水、风速，双线插值法会更多的平滑掉小尺度特征，因而采用临近格点法获取，即距离站点最近的格点值。

1.2.2 分位数法

根据降水、暴雨和强对流的形成和维持机制，选定强降水影响因子。 没有采用相关法，统计中发现：强降水产生前后， 会出现某一因子持续处于有利状态，如副热带高压外围影响黑龙江省时，会在很大范围出现较高的比湿值， 而这一阶段的实况可能是一个较大范围强降水或者暴雨， 也可能是无强降水产生。 采用物理因子样本数的95 或98 分位数（公式2）作为单一因子能否产生强降水的阈值，无法达到阈值的区域被视为非强降水区。

其中，P 代表百分数（例如：10，25，50，75，90），n 代表成员数，XP为返回P 分位数的值。

1.2.3 配料法

以水汽、触发抬升、不稳定、能量为框架，对强降水有影响的因子按照不同搭配方式逐一识别。 方法是在所有影响因子满足阈值后， 当某一因子相对不是很有利的情况下， 判断是否会出现其它非常有利的条件， 如中低层温差虽然达到基础阈值但仍然较小时，对强降水不是很有利，但可能在配合低层近饱和状态的水汽时，就会出现强降水，如果没有配合其它更好的形成条件视为非强降水区。 本文的研究为了尽可能降低漏报率， 保证每一次的搭配都要满足样本数的95%以上，同时也为降低空报率，各项因子经过多次搭配完成配料。

1.2.4 排除法

在各项物理因子阈值和配料的框架下， 逐一剔除非强降水区得到强降水区域。再依据维持机制，剔除部分区域后，得到极端强降水区。

1.2.5 潜势预报原则

从实际业务出发，目前我国对于＞2 h 的强对流预报仍然处于一种潜势预报的态势， 即使是2 h 以内的临近预报也只是在一定程度上缩小预报的时空范围， 黑龙江的强对流临近预报预警目前是精准至县级， 所以长时效的点对点精准预报至今还无法实现，由面到点的预报预警在实际业务中得到应用。因此客观预报是一个较大范围和较模糊时段， 也会在一定程度上导致大量空报的站点。

一般性强降水主要分析对流的形成原因， 因为这种强度降水由于对流强度和尺度往往不大， 很难长久维持，生命期也较短。但极端强降水除了探讨形成过程，对于维持机制的研究也很重要，只有具备了能够长久生存的机制才可能保证风暴的持续时间、尺度和强度， 所以对于极端强降水的配料着重分析它的维持机制。

2 研究原理和预报指标

2.1 确定影响因子

充沛的水汽、强烈上升运动、较长持续时间是暴雨形成必要条件；水汽、抬升不稳定、触发是雷暴产生的基本条件[2]。 从以上角度出发，选择影响因子（表1），与水汽相关的因子包括：水汽通量、比湿、相对湿度、温度露点差、气柱含水量、抬升凝结高度，由于降水的水汽来源主要在低层，所以1 000～850 hPa水汽分布是直接决定降水的关键， 而925 hPa 比湿介于850 hPa 和1 000 hPa 之间，所以其分布的代表性不如850 hPa 和1 000 hPa 强，但考虑低层水汽有时会在某一层表现更加明显， 用这3 个等压面比湿和量进一步表征效果更佳；另外，增加700 hPa 相对湿度可在一定程度上判断大气湿层厚度。 不稳定条件根据气块法分析对流不稳定、静力不稳定，考虑中低层温差或者位温差， 中低层温差考虑T850-500（850与500 hPa 温度差）和T700-500（700 hPa 与500 hPa 温度差）。上升运动参考中低层辐合辐散，包括散度、水汽通量散度、垂直上升速度和海平面气压。降水持续性和强度方面主要考虑能量， 如果仍有能量需要继续或快速释放，一定程度上就有利于强降水的产生，参考的能量参数主要是对流有效位能（CAPE）和K指数。 能够表现水汽、抬升、不稳定的条件除了以上这些基本条件外还包括一些其他条件。 其他因子的选择主要从两方面出发： 一方面是当发生强降水时这些物理量是否能够表现出一个较明显的上限或者下限或者区间值又或者通过诊断方式得出发展趋势； 另一方面这些因子相互配合后在某一特征上具有明显性或与基本条件相关的因子能够得出某一限定值，本文选取中层相对湿度、水汽总含水量、湿层厚度、抬升凝结高度。

表1 强降水框架下的物理因子

2.2 各指标差异性

白天和夜间各因子之间以及两种模式本身都有一些差异性， 选择相关因子时会在各项指标阈值和配合上有所考虑。 每一因子的确定和不同因子之间的融合标准以及定量化指标必须满足95%以上统计值（或者95 以上分位数）。表2 为一般性强降水的两种模式在不同时段的部分因子阈值。

2.2.1 时间差异性

时间差异性一方面表现在以旬为单位的旬变化， 另一方面是以北京时间08、20 时为分界点的日较差。 尽管研究对象仅仅集中在6—8 月，但3 个月的时间跨度同样存在一定的差异性， 主要体现在与水汽和温度相关的物理量， 与抬升机制相关的定性诊断方面还没有进行时段划分。 划分方法是以旬为单位，对比6—8 月所有样本中，当某个因子在某旬与总样本的95 分位数相差5%以上时，该因子被认为有显著旬变化， 如果连续2 个或更多旬一致与总样本数相差较大，而他们本身差异不足5%时，则这连续的2 个或多个旬可划分在同一时段内。 根据这一方法， 两种模式预报都可以划分6 月中上旬（6.1—6.20）和其他时段（6 月下旬—8 月下旬，简写为6.21—8.31）。 6 月中上旬由于大气含水量相对较低， 比湿和气柱含水量都有显著旬变化， 而相对湿度、温度露点差、抬升凝结高度、水汽通量没有明显旬变化，但存在较明显日较差，夜间（20 时至第二天08 时）出现强降水一定要有充沛的水汽条件，假相当位温差、 中低层温差这些表现温度层结稳定性的因子在白天阈值明显高于夜间。

从一般性强降水统计结果看，EC 和GRAPES的比湿在任何时段，都是随着高度的升高而减小，根据表2 两种模式6 月中上旬的比湿都相对较小（图1），EC 在夜间和白天比其它时段分别降低约6.1%和9.1%； GRAPES 降低约6.0%和13.0%，两种模式都是夜间比湿大于白天， 根据25、50、75、95 分位数的变化率，其波动性小于白天。表示空气饱和度的相对湿度和温度露点差两项因子， 也是在夜间要求高于白天， 夜间强降水要求地面为湿区（温度露点差＜4 ℃），白天仅要求非干区（温度露点差＜10 ℃）即可，但不同于比湿，波动性在夜间更大一些；一般情况下低层相对湿度高于高层， 统计中发现两种模式白天850 hPa 的相对湿度阈值基本与1 000 hPa相同。 另外研究发现夜间的抬升凝结高度整体要高于白天的高度。

表2 一般强降水部分物理因子阈值

图1 模式比湿阈值

温度层结作用对强降水非常明显， 中低层的温差越大越易出现强降水， 两种模式的夜间中低层温差的阈值比白天低。从T850-500指标和K 指数看，6 月中上旬都要高于其它时段，根据样本数据，当这两项因子刚好达到阈值时， 往往需要较大比湿或相对湿度才可能出现强降水。 例如EC 在6 月21 日—8 月31 日如果T850-500达到阈值19 ℃，但＜21 ℃时，低层比湿和必须＞35 g/kg， 低层相对湿度和也要＞280%，才有可能出现强降水。

低层的抬升一方面通过低层散度、 垂直上升速度、水汽通量散度几项因子定性判断，不同时间不同模式都是用低层辐合和上升运动判断； 另一方面通过海平面气压分析， 当低气压团四周空气和水流向气压中心时， 可以增加气压中心温度和水汽含量引起上升运动。通过分析，不同时间要求的气压阈值没有明显变化， 但在相对海平面气压值不是很低的情况下，周围的水汽通常都比较大，并存在一定的对流有效位能。

2.2.2 不同级别强降水差异性

极端强降水是在一般强降水基础上， 着重分析积云对流的维持机制。 所以对它的识别是在一般强降水的潜势预报基础上剔除一部分降水持续时间较短的区域。 研究的指标也是在一般性强降水（表2）基础上附加低层水汽含量、大气饱和程度、中低层冷暖平流或者温差、对流有效位能、垂直风切变、低层最大风速几方面因子。极端强降水中层饱和度（相对湿度）的阈值较一般强降水增长约20%，同时在其它因子变化不是很突出时， 中层500、700 hPa 相对湿度和（RH500+700）有明显的增加，一般出现在距离极端强降水很近或者已经开始时。 极端强降水在任何时段都高于一般强降水（图2）。

图2 6 月21 日—8 月31 日不同程度强降水温湿条件比较

3 效果检验

根据本文的研究方法和原理，检验2018 年6—8 月强降水的识别， 按照国家气象局对降水评分标准（公式3～5）， 计算逐3 h 强降水预报的TS 评分（TSK）、漏报率（Pok）、空报率（FARK）：

式中，NAk为预报正确站（次）数、NBk为空报站（次）数、NCk为漏报站（次）数。 本文TS 评分也称为准确率。

3.1 点对点检验

3.1.1 一般性强降水点对点检验

根据图3 可知，一般强降水的识别，两种模式空报率都＞97%，尤其是6 月的空报率＞98%。漏报率和准确率却非常低，特别是准确率＜2%。 从模式上看，两种模式的漏报率相差很小，EC 漏报率在时段上的波动性比较大，漏报率略低，准确率高于GRAPES，但是由于漏报率本身非常高， 所以任何时段两种模式的空报率相差都不足1%。 从预报时间看，由于强降水的局地性特征， 所以检验效果与强降水时空密度相关。 由表3 可知，2018 年7 月强降水站次约占本年度强降水总站次的62.3%，准确率最高，而6 月的夜间强降水站次仅占该年强降水总站次的3.2%，因此两种模式的准确率都是最低的。

图3 一般性强降水点对点效果检验

表3 2018 年强降水在各时间段所占比例

3.1.2 极端强降水点对点检验

由于极端强降水局地性和不确定性更强， 所以空报率明显高于一般性强降水，如果想降低漏报率，那么一定会增加空报率。根据图4 可知，2 个模式的漏报率不超过50%，TS 评分不足0.7 分。 从时间看，也是由于6 月的夜间强降水分布密度最低导致整体漏报率较高、 准确率较低，7 月的检验效果相对最好。从模式上看，与一般性强降水相反，EC 准确率低于GRAPES，其中EC6 月夜间的预报准确率最低。

图4 极端强降水点对点效果检验

3.2 点对面检验

强降水分布零散，突发性强，这也是空报率高、准确率低的重要原因， 漏报率和空报率本身又存在一定的矛盾。如果要保证较低的漏报率，潜势预报的区域可能就会相对较大，空报率也会随之增大。而强降水的潜势预报目的就是预报某一定区域， 而非某一个站点，即使在预报区域内，能够突发强降水的站点分布的零散性和偶然性也很大， 所以点对点式检验必然会出现大量空报现象。 而点对面的检验更为广泛应用， 即对于每一个站点上的强降水预报正确与否，是用以该点为中心，一定半径内是否出现了强降水为判断标准。 采用两种半径长度实行点对面的检验：第一种，由于研究过程中采用的是822 个自动站，根据黑龙江省面积473 000 km2，平均每个自动站的代表面积约575.4 km2， 所以选用检验半径为14 km。 第二种是参考美国SPC 的“点对面”普遍检验方法[13]，即识别40 km 为半径的圆面上的强降水。

3.2.1 一般强降水点对面检验

比较图5 与图3， 点对面检验的准确率有明显增加。从模式上看，EC 的准确率高于GRAPES，其中EC 白天的准确率相对较高。14 km 为半径点对面的检验，准确率基本在3 分以上，7 月最高。 40 km 为半径的点对面检验， 两种模式的差距相对缩小，GRAPES 白天的准确率最低， 为6～8 分，EC 白天准确率最高，达8～10 分。

图5 一般性强降水点对面效果检验

3.2.2 极端强降水点对面检验

极端强降水准确率较一般性强降水的准确率明显偏低（图6），即使是40 km 半径的点对面检验，最高也不足5 分，最低是6 月夜间，约0.5 分，与一般性强降水检验结果不同，极端强降水GRAPES 的TS评分高于EC。

图6 极端强降水点对面效果检验

3.3 检验误差说明

根据检验结果， 由于空报率很大导致最终TS评分很低，分析原因主要有以下几方面：

（1）模式本身，预报场不是实况场，本身就存在一定误差； 两种模式的分辨率都无法预报一些直接产生强降水的中小尺度系统。

（2）采用的方法存在以下几个问题：第一，考虑雷达、自动站等探测手段在临近预报中的修订作用，所以制定的方法是为了一定程度上能够减小漏报可能，而不是单一的追求高准确率，从而影响了TS 评分。 第二，空间分析着重于垂直梯度，水平梯度是被忽略的。 第三， 潜在的强降水条件可能持续时间较长，但实况强降水发生只是其中很短的时间，所以存在较大时间误差。 第四，日较差划分不够详细，只是简单划分了白天和夜间。第五，没有其他资料融合和订正。

（3）预报区域中，虽然没有达到强降水的标准，但是基本都会出现明显降水， 可能还常常伴有其它类型强对流天气发生。

4 个例实验

根据前文中部分物理因子不同时段特征， 分别选取了2019 年6 月中旬和8 月上旬2 个实验。

4.1 2019 年6 月12—13 日

利用2019 年6 月12 日08 时初始场EC 和GRAPES 模式资料识别2019 年6 月12 日20 时—13 日20 时强降水。12 日20 时—13 日20 时黑龙江省处于500 hPa 低涡前部，并伴有低层切变线，冷涡中心位于黑龙江西部， 切变线和中层干空气随着系统向东移动，同时，低层垂直上升区强度和面积也增大，气柱含水量超过30 kg/m2的区域增大并向东北地区移动。黑龙江省的低层暖平流较强，冷空气自西北向黑龙江渗透， 中西部有冷暖交汇和上干下湿的对流不稳定层结。

4.1.1 一般性强降水

6 月12 日20 时—13 日08 时的实况强降水发生在黑龙江西部地区， 其中西南部站次密度相对较大（图7a）；EC 预报区分布同样是西南部集中，西北部分散，其他地区无，但密集区的位置比实况场略有偏东，落区预报整体比较准确（图7b），具有参考性。GRAPES 预报落区与EC 和实况都大致相同（图7c），只是预报的西北部密度偏大，所以空报率会更大，与预报的西南部的密集区相比，EC 更接近实况，同样具备参考性。

图7 6 月12 日20 时—13 日08 时一般强降水落区

6 月13 日08—20 时实况强降水主要在黑龙江北部地区（图8a）；两种模式空报都比较明显。 EC 预报集中在黑龙江北部和南部特别是东北部和南部的中部地区（图8b），其中黑龙江南部出现明显空报；GRAPES 同样在南部地区出现空报（图8c），但空报区和密集程度比EC 小。

图8 6 月13 日08 时—13 日20 时一般强降水落区

4.1.2 极端强降水

6 月12 日20 时—13 日08 时实况的极端强降水位于黑龙江中部，局地性非常强（图9a）；EC 预报集中区域比实况偏东不足30 km（图9b）；GRAPES预报的面积更大（图9c），所以空报率更大，但从预报的密集区与实况区的吻合看，比EC 更准确。两种模式整体效果较好。

图9 6 月12 日20 时—13 日08 时极端强降水落区

13 日08—20 时实际的极端强降水在黑龙江北部（图10a）；EC 和GRAPES 预报区域面积过大，整体效果较差，在东北部和南部完全是空报（图10b、图10c）。 GRAPES 并没有在实况位置形成预报密集区，所以这次的潜势预报基本是错误的。

图10 6 月13 日08—20 时极端强降水落区

4.2 2019 年8 月6—7 日

2019 年8 月6 日08 时高空500 hPa 构成了“两高两低”的“鞍形场”，东北部为冷涡系统，冷涡底后部不断有弱冷空气引导南下影响强降水区； 西南部冷涡缓慢东移， 冷涡前部西南气流向北输送影响黑龙江省，东南部和西北部分别为高值系统，2 个低值系统的温度场落后于高度场， 西北部高值系统是由于贝加尔湖西部暖脊加强形成， 东南部为副热带高压，“584 dagpm”线北挺至黑龙江东南部，强降水区处于副热带高压外围， 同时在我国台湾岛东部有台风“范斯高”正在北上，在一定程度上阻碍系统的移动。配合地面系统在6 日上午，同样存在4 个不同的高低系统，地面辐合线明显，西南部气旋中心位于内蒙古东北部。

4.2.1 一般性强降水

8 月6 日20 时—7 日08 时的实况强降水区位于黑龙江西南部和中部地区， 强降水出现连续性和集中性（图11a 圆圈处）。 EC 预报也出现了密集区，但同时又在东北部出现了相对较为稀松的落区（图11b），总体与实况吻合较好。GRAPES 在东北部没有出现明显的空报，预报区也集中在西南部和中部，与实况不同的是预报区中没有出现相对集中区（图11c）。 2 个模式预报都有较好的指示性。

图11 8 月6 日20 时—7 日08 时一般性强降水落区

8 月7 日08—20 时的实况强降水在中部、中南部和东部（图12a），两种模式在预报区域和密集程度上出现了很高的相似（图12b、12 c），它们都出现了较大空报，并集中在西南部和东南部，实况与预报密集区相吻合， 所以这次过程两种模式的一般性强降水预报有一定参考价值， 可以在降水过程中关注其他探测手段。

图12 8 月7 日08—20 时一般性强降水落区

4.2.2 极端强降水

8 月6 日20 时—7 日08 时的极端强降水区与该时段一般性强降水区在实况和模式预报中的分布都基本一致（图13）， 只是它们的集中程度略小一些，所以预报效果较好。

图13 8 月6 日20 时—7 日08 时极端强降水落区

8 月7 日08—20 时极端强降水（图14）也与一般性强降水相似，但由于极端强降水本身的偶然性，所以实况分布相对零散， 两种模式预报有一定的差别，EC 仍然是在西南部和东南部出现空报，GRAPES 在西南部基本没有预报区，减少了空报率，但在中部地区出现了部分漏报。

图14 8 月7 日08—20 时极端强降水落区

5 结论

（1） 强降水的环境背景一方面受限于基本因子阈值，另一方面也需要各物里因子间的融合，当所有影响因子达到阈值后， 某一因子的条件相对较差时需要其他因子非常有利情况下，才可能出现强降水。

（2）一般性强降水的主要影响因子为与水汽（比湿、相对湿度）、热力（中低层温差、地面温度、温度平流、能量）、抬升（散度、水汽通量散度、垂直速度、海平面气压）相关的因子，其中水汽和热力条件以定量诊断为主，抬升条件以定性诊断为主。极端强降水的识别是在一般性强降水的基础上考虑积云的维持与增长机制。各物理因子间存在一定旬差异和日较差，夜间与水汽含量相关因子的阈值明显大于白天，不稳定条件则是白天高于夜间。 6 月中上旬要求的水汽含量小于其它时间。

（3）由于模式本身、研究方法、实况代表性等原因，两种模式的潜势预报都存在很大误差。因为强降水的局地性、突发性特征，逐3 h 检验结果空报率非常大，TS 评分很低。一般性强降水，两种模式点对点检验的TS 评分基本在2%以下，14、40 km 半径点对面检验的TS 评分约3%和8%。极端强降水，两种模式点对点检验TS 评分基本在0.4%左右；14、40 km半径点对面检验TS 评分约0.7%和2%。

（4）受强降水分布影响，7 月由于强降水发生频繁，检验效果相对好于其它时段，一般性强降水优于极端强降水。 随着点对面检验半径的扩大，TS 评分随之增加。一般性强降水检验中EC 细网格TS 评分高于GRAPES_GRAPES，而极端强降水检验中两种模式的TS 评分刚好相反。

本文的研究还存在不足， 物理因子垂直和水平梯度分析的密度较小，且没有明确各因子的权重；自动站、雷达资料没有及时同化；在日较差方面，只分白天和夜间； 存在降低漏报率和提高准确率之间的矛盾。