智能网格SCMOC及多模式降水预报对比

潘留杰 张宏芳 刘静 刘嘉慧敏 梁绵 祁春娟 戴昌明 李培荣

摘要 以三源融合網格实况降水分析资料CMPAS为参照，基于二分法经典检验、预报评分综合图和面向对象MODE检验等方法，对比分析2021年智能网格预报SCMOC以及ECMWF全球、CMA-Meso中尺度模式在秦岭及周边地区的降水预报表现，主要结论如下：1）ECMWF能够很好地刻画日平均降水量、日降水量标准差以及地形影响下降水量、降水频次的空间分布特征，但对于0.1 mm以上量级的降水预报频次远高于观测，暴雨预报频次低于观测，SCMOC、CMA-Meso日降水量大于等于0.1 mm的降水频次和暴雨频次预报更好;SCMOC不足在于降水的空间精细分布特征描述能力相对较弱。2）ECMWF预报的大于等于0.1 mm降水频次日峰值出现时间整体较观测偏早3 h左右，CMA-Meso、SCMOC与观测总体吻合较好。3）三种产品24 h降水量大于等于0.1 mm的TS（Threat Score）评分数值上基本一致，但降水预报表现的特征显著不同，SCMOC成功率高、命中率低，漏报多、空报少，ECMWF、CMA-Meso则相反;24 h、3 h大雨以上量级降水SCMOC的TS评分、成功率、命中率一致优于其他两种产品。 4）MODE暴雨检验，SCMOC大面积降水对象与观测相似度最高，预报能力优于ECMWF，但分散性小面积暴雨对象漏报风险大。SCMOC、ECMWF纬向距离偏差大于经向，位置偏西比例高于偏东。

关键词 SCMOC; 预报评分; 降水检验评分综合图; MODE方法检验

智能网格天气预报既是社会经济发展的必然要求，也是天气预报科学技术发展的必然趋势（韦青等，2019;刘新伟等，2020）。中国智能网格预报从2014年开始，2016年国家气象中心开始下发5 km业务指导产品SCMOC，2019年完成了集短时滚动、短期、延伸期一体的无缝隙网格天气预报产品体系（金荣花等，2019）。五年来，随着后处理技术（代刊等，2016;胡争光等，2020）和客观订正方法（曹勇等，2016;吴启树等，2017;赵瑞霞等，2020）的快速发展，智能网格产品质量稳步提升，在气象灾害防御和工农业生产生活中的作用越发凸显。

检验是数值模式研发、产品优选、智能网格预报客观方法以及产品性能评估中最重要的基础性工作（潘留杰等，2014，2016;黄丽萍等，2017;祁丽等，2017;郭达峰等，2018;李子良等，2021）。对数值模式研发来说，检验可以用来甄别参数化方案、物理过程以及模式更新等一系列改进后的预报效果（唐文苑等，2018;张延彪等，2022）;对客观订正方法而言，方法的稳定性、研发中间环节的调整、产品的容错能力和相对基础产品的预报技巧判断都依赖于检验方案的设计。已有的研究工作，Huntemann et al.（2015）以站点实况和格点实况分析为参照，对美国NWS（National Weather System）的降水BS（Brier Score）评分，温度、露点温度和风速等的平均误差（ME）和平均绝对误差（MAE）进行分析，Engel and Ebert（2012）对澳大利亚温度网格预报进行了检验，并与欧洲中心中期数值预报ECMWF、英国UK等模式进行对比评估。韦青等（2020）基于站点观测和实况分析资料，利用ETS（Equitable Threat Score）评分、预报偏差Bias和均方根误差RMSE等预报评分，对2016—2018年国家级网格指导预报、省市订正反馈结果进行检验。胡争光等（2020）研发了智能网格预报应用分析平台，实现了网格预报产品的实时检验功能。赵瑞霞等（2020）采用经典检验方法分析了ECMWF模式输出降水和两种订正方法的预报性能。这些工作对网格预报研发应用极具借鉴意义，但在预报性能分析方面整体上采用的是点对点的预报评分，在网格分辨率较高的情况下，很小的时空相位误差可能带来较大的双重惩罚，从而影响评价结果的客观性。

事实上，伴随着数值模式分辨率的不断提高，高分辨率网格要素预报性能的客观评价备受关注，进而发展了一系列针对高分辨率预报产品的空间检验方法（Rossa，2006;Johson and Wang，2013;Griffinet al.，2017），其中最具有代表性的是面向对象MODE（Method for Object-based Diagnostic Evaluation）空间检验，它一方面通过阈值设置和空间卷积函数在要素场中识别目标对象，构造模糊逻辑函数来评估预报和观测对象的相似程度;另一方面通过目标对象质心距离的经向、纬向分解评估对象的位置误差，能够在一定程度上近似刻画预报员的主观判别。因此，在高分辨率网格降水预报性能检验方面具有独特的优势（Davis et al.，2006，2009;薛春芳和潘留杰，2016）。

1 资料和方法

1.1 资料

降水实况采用国家气象信息中心的三源降水网格实况分析资料（CMA Multi-source Merged Precipitation Analysis System，CMPAS），潘旸等（2015）研究表明该资料能够很好地表现观测降水的实际分布。资料时段为2021年1月1日至2021年12月31日，时间分辨率为逐小时，空间分辨率为 0.05°×0.05°。模式数据为同时期每日12时（世界时）下发的欧洲中期天气预报中心ECMWF高分辨率降水预报、中国气象局自主研发的CMA-Meso和国家气象中心精细化网格降水预报指导产品SCMOC。需要说明的是，ECMWF降水预报的空间分辨率为0.125°×0.125°，最高时间分辨率为3 h。 CMA-Meso降水预报空间分辨率为0.03°×0.03°，时间分辨率为逐小时，SCMOC水平分辨率与CMPAS相同。考虑到模式预报资料的可用性，ECMWF和CMA-Meso资料统一截断12 h，即模式的12～36 h降水预报，SCMOC则为每日00时（世界时）起报的未来 0～24 h降水预报客观产品，处理后预报和观测资料的时效统一对应为24 h累计降水。此外，采用距离权重插值方法将ECMWF、CMA-Meso数据的空间分辨率插值成与CMPAS一致。评估插值前后的数据，发现插值不改变原网格点上的数值，同时原网格对其之间的数据具有约束性，不因插值产生虚假的中心值。研究范围选定为秦岭及周边区域（103°～113°E，31°～40°N）。

1.2 方法

由于ECMWF模式降水量最高時间分辨率为逐3 h，因此以3 h降水为基础研究SCMOC和模式降水日变化特征。日降水精细化对比方面参考Zhou et al.（2008）统计出日平均降水量、频率和标准差。计算公式为：1）日平均降水量=总降水量／研究时段总日数;2）降水频率=（总降水天数／研究时段总天数）×100％;3）降水日变化以3 h降水间隔为基础，参考Yu et al.（2007），对比分析降水频率日峰值（Peak Precipitation Frequency，简称PPF）和出现时间。

2 研究结果

2.1 总体特征

在详细给出CMPAS和三种降水产品预报评分之前，首先给出日平均降水量、标准差和24 h降水量大于0.1 mm、大于50.0 mm的频次空间分布。可以看到地形影响下随纬向的变化是研究区域日平均降水量的最重要特征（图1a），以34°N为界，秦岭南北日平均降水量呈现出明显的量级差异。秦岭北部，有一条清楚的沿甘肃兰州、宁夏固原、内蒙古鄂尔多斯的西南-东北向降水分界线，降水低值中心位于宁夏西北部的内蒙古地区，高值中心在陕西关中以北的陕西、山西交界处。关中平原则是地形影响下秦岭北部的第二降水低值中心，其以北地区沿陕西延安、山西吕梁受地形抬升作用，日平均降水量显著增大。而秦岭南部降水量显著偏大，整个区域日均降水量在2.5 mm以上，在秦岭、大巴山地形抬升作用下，沿山脉的两条降水量高值带非常清楚，秦岭山脉附近降水量高值中心最大日平均降水量达5.5 mm，而在四川、陕西、重庆交界处，日平均降水量超过7.5 mm，为整个研究区域的降水量最大值。此外，山西、河南境内呈现出多个分散的日均降水量高值点，与多年气候态（潘留杰等，2018;张宏芳等，2020）相比明显偏大。

三种降水预报产品均能很好地表现降水随纬度增加而减小的变化特征。ECMWF（图1b）日平均降水量级空间分布刻画最好，关中北部黄土高原、秦岭、大巴山地形作用下降水大值区和观测都非常一致，略微不足在于日平均降水量大值区的范围相对观测略偏大。CMA-Meso（图1c）与观测降水的主要差异在于，日平均降水相对观测显著偏大，陕西、四川、重庆交界处出现日平均降水量超过8.5 mm的大值区;另一方面出现了一些与观测、ECMWF降水量级变化相反的区域，具体表现为实况场上关中平原、四川盆地西部与甘肃交界处的降水量相对于其周边地区为低值区，ECMWF预报和观测一致，但CMA-Meso预报呈现为日平均降水量高值中心，可能原因是模式在地形物理机制刻画上存在较大偏差。SCMOC（图1d）日平均降水相对于观测偏小，四川、陕西交界处最大降水量仅在5.5～6.5 mm范围内，并且降水随地形的变化特征不明显，对秦岭山脉、关中北部黄土高原地形抬升区的降水大值区没有表现，也没有刻画出分散的观测降水大值中心。另从日降水量标准差来看，三种产品日降水量标准差相对观测均明显偏大。其中ECMWF（图1a）降水标准差的形态、强度、空间位置与观测仍然匹配最好，除四川盆地及其周边地区则较观测偏大外， 34°N以北和观测基本一致。而CMA-Meso、SCMOC降水日变化标准差等值线形态与观测呈现较大差异，特别是CMA-Meso 10 mm等值线范围远大于观测。

CMPAS大于 0.1 mm和大于50 mm的降水频率（图1e）整体与日平均降水量空间分布一致，受地形影响随纬度增加而递减的特征明显。值得注意的是在陕西西南部的四川、甘肃交界处 0.1 mm以上量级降水频率异常偏高，最大超过0.7，但该处的暴雨频率偏低，日平均降水量和日降水量标准差也不大（图1a），表明尽管这一区域的降水日数多，但降水强度不大。与之相反，35°N左右的河南境内以及河南、山西交界处，0.1 mm降水频次在0.3～0.4，而日平均降水量超过4.5 mm，同时日降水量标准差超过10.0 mm，暴雨频次超过1.4×10 -2，明显高于其周边地区，表明该处的降水强度异常偏大，这可能与2021年河南“7.21”极端暴雨天气过程有关。

ECMWF、CMA-Meso大于0.1 mm的降水预报频率相对观测明显偏高，特别是ECMWF （图1f）偏高非常显著，且为系统性的在整个范围内一致性偏高，CMA-Meso（图1g）则在研究区域中南部偏高明显，35°N以北基本与观测一致。从降水频率分布的高低值中心来看，ECMWF和观测对应得非常好，CMA-Meso高低值中心分布存在与观测特征相反的情况。SCMOC对整个区域内降水频率预报在数值上与观测最为吻合，但对降水频率的细节特征刻画能力弱，这点与降水量级预报表现一致。而暴雨预报频率是ECMWF系统性偏小，CMA-Meso较观测略偏大，从数值角度，SCMOC仍然表现最好。

分析降水频率的日峰值和出现时间。为了将CMPAS与三种预报产品的时间分辨率保持一致，采用逐3 h降水预报。可以看出，除去数值上的差异，三种预报产品降水频率日峰值特征与大于等于0.1 mm降水量频率的空间分布整体表现一致。CMPAS显示（图2a）不同区域降水频率的峰值时间存在明显差异，四川盆地是06时（北京时）前后降水频率高，秦岭南部山区则主要在14—17 时（北京时），而关中平原、陕北黄土高原主要出现在傍晚至入夜18—21时（北京时）。ECMWF（图2b）对关中平原、秦岭山脉、四川盆地中部的降水频率峰值时间预报与观测一致，但在陕北中部、甘肃、青海地区预报较CMPAS偏早3 h左右。CMA-Meso（图2c）预报的降水频率峰值与CMPAS吻合最好，不足在于对四川盆地以北的大巴山及周边地区凌晨06时（北京时）前后的夜雨范围预报偏大，这与多年气候平均特征（张宏芳等，2020）较一致，但就2021年度来看，相比CMPAS存在差异。SCMOC（图2d）与CMA-Meso类似，在四川盆地及周边地区夜雨的范围较CMPAS偏大，此外，陕南东部降水频率峰值时间预报较观测偏早6 h。

2.2 经典检验

基于2×2列联表获得的降水评分指数包括POD、SCR、TS评分和Bias，可以在一张降水评分综合图中显示，全面表现降水产品的预报能力。需要说明的是，命中率POD是正确预报次数与观测降水发生次数的比值，POD越大，漏报越少，成功率是正确预报次数与预报降水出现次数的比值，成功率越高，空报越少。图3给出了三种降水产品不同降水量级的预报评分综合图。可以看到三种产品不同量级降水的预报评分有明显的趋势差异。从24 h降水预报（图3a）来看，ECMWF大于等于0.1 mm降水的Bias最大为1.56，随着降水量级的增大，Bias逐渐减小，在25 mm时Bias接近于1，随后降水频次相对观测偏少，Bias小于1。不同降水量级下CMA-Meso的预报偏差则呈抛物线变化，大于等于0.1 mm的Bias为1.13，10 mm左右预报偏差达到峰值1.63，然后逐渐减小，大于等于100 mm时下降为1。与CMA-Meso类似，SCMOC预报偏差也呈抛物线趋势，但25 mm以下量级SCMOC的预报偏差偏少，50、100 mm则明显高于观测。Bias在不同量级的差异也表现在POD、SCR、TS评分上，三种产品对大于等于0.1 mm降水的预报TS评分数值上基本一致，但其反映的降水预报特性全然不同，ECMWF命中率高，漏报少，SCMOC成功率高，空报少，而对大雨以上量级降水SCMOC表现最好，命中率和成功率高，漏报率和空报率低，TS评分显著高于ECMWF和CMA-Meso。从预报效果来看，ECMWF和SCMOC各有优势，这在很大程度上取决于用户的需求和评价标准，譬如在一些重大的保障活动中，需要确保不被降水天气影响，需要重点关注ECMWF，在日常预报中，更关注预报准确率评分，则可以多采用SCMOC的预报结论。

3 h预报评分综合图与24 h表现总体一致（图3b），Bias的变化趋势为ECMWF、CMA-Meso随降水量级的增大快速减小，而SCMOC是先增后减。3 h降水量大于等于0.1 mm的降水预报TS评分ECMWF表现略优，这可能与SCMOC预报注重晴雨预报准确率有关，而对10 mm以上量级的降水来说SCMOC一致高于ECMWF和CMA-Meso。但值得注意的是，10 mm量级降水ECMWF的Bias转为偏少，SCMOC偏多，与 24 h预报相比，3 h 降水预报的正负偏差转换阈值更小。

预报评分的逐月表现如图4所示。可以看到，三种产品的晴雨ACC逐月（图4a）变化趋势一致，冬季高、夏季低，12月ACC达到最高值超过0.85。大于等于0.1 mm降水TS评分则是夏季高、冬季低，9月三种降水TS评分均超过0.65。对比三种产品，综合所有月份晴雨预报ACC，SCMOC表现最好，CMA-Meso次之，ECMWF最低。大于等于0.1 mm降水TS评分ECMWF在6—8月高于其他两种产品，其余月份偏低。暴雨Bias，9月三种产品暴雨预报频次均高于观测，其余月份一致低于观测，结合不同月份变化，CMA-Meso总体更接近于理想值1，但其暴雨TS评分只在4、5月优于ECMWF，其余月份低于SCMOC和ECMWF。分析发现尽管CMA-Meso暴雨预报Bias预报表现较好，但6—9月空间位置出现较大偏差，导致TS评分下降。

图5给出了预报评分的空间分布，三种产品晴雨预报ACC均是北部高于南部，而TS评分则相反，是南部高于北部。发现下垫面对ACC影响明显，关中平原、秦岭南部低海拔地区的ACC相对其周边地区明显偏高;而研究区域西南部、秦巴山区高海拔地区ACC显著下降，同时这些区域的降水TS评分也不高。SCMOC晴雨ACC和大于等于0.1 mm降水的TS评分明显优于CMA-Meso和ECMWF，具体表现为在宁夏、内蒙古、陕北北部的ACC超过0.9，在研究区域西南部平均超过0.8，高于CMA-Meso、ECMWF 15％以上;大于等于0.1 mm降水TS评分高于CMA-Meso、ECMWF 10％以上。另三种产品的暴雨Bias空间分布整体一致，但Bias高值区位置存在差异，SCMOC的 Bias高值区与CMPAS日降水量大值區、暴雨发生频次高值区有更好的一致性，导致SCMOC在研究区域东南部暴雨TS评分显著优于CMA-Meso和ECMWF。

2.3 空间检验

MODE空间检验利用给定的降水阈值，通过卷积函数识别降水对象，进而判别预报和观测对象的相似度、位置误差等，在很大程度上克服了因降水位置误差导致点对点检验产生的双重惩罚，检验结果能更好地体现模式的实际预报性能。因此，文章在点对点检验的基础上，利用MODE方法评估三种降水产品的预报表现，考虑到实际的业务应用，MODE检验仅用来分析暴雨以上量级的降水。

在给出MODE检验统计结果之前，先用一个个例对MODE空间检验方法详细说明。2021年9月23—24日研究区域出现大范围降水天气，关中南部、秦巴山区出现暴雨（图6a）。ECMWF（图6b）在关中北部陕西、山西交界处和秦岭以南预报出大范围暴雨，主观判断来看，秦岭以南地区暴雨范围相对观测明显偏大、位置偏西。CMA-Meso（图6c）降水区域范围与ECMWF基本一致，但暴雨的范围和强度相对ECMWF偏小，关中北部陕西、山西交界处的暴雨位置偏南，秦岭山脉南部的暴雨位置偏东。SCMOC（图6d）大于等于0.1 mm降水的范围和CMPAS更为一致，明显减少了甘肃北部和陕西交界处的降水空报，但在陕北东部也出现了部分漏报。并且SCMOC很好地消除了ECMWF和CMA-Meso关中以北的降水空报，不足的是秦岭以南暴雨的范围和强度相对观测都明显偏大。综合整个过程暴雨TS评分，SCMOC、ECMWF和CMA-Meso分别为0.169、0.128和0.067，SCMOC暴雨TS评分最高。

利用MODE识别降水对象，CMPAS降水场识别出暴雨对象4个（图6e），研究区域东部湖北境内出现局地暴雨，但三种降水产品均漏报。ECMWF识别匹配对象为2个（图6f），对关中以北暴雨降水对象空报。CMA-Meso同样也对秦岭以北山西境内降水对象空报（图6g），但对关中以南地区降水识别对象为4个，其中降水对象“1”和“2”组合与CMPAS降水对象“1”和“2”匹配，因此从暴雨对象数量上来看，CMA-Meso与观测最为一致。SCMOC则识别降水对象1个（图6h），对研究区域东南部暴雨对象漏报。

表1给出了预报和观测匹配对象的属性对比。为了方便比较，对象命名“F”表示预报，“O”表示观测，F和O的下标表示具体的对象编号。降水强度90％分位数定义为：将预报或观测数据从小到大排序，第90％分位所对应数值。三种产品降水强度分位数相对观测都明显偏低。ECMWF两个匹配对象F1预报面积较观测明显偏大，F2偏小，且整体面积偏差大，导致对象相似度偏低。事实上ECMWF两个预报对象的总面积和SCMOC基本一致，但位置上相对SCMOC更为偏西，导致ECMWF在研究区域东部漏报面积偏大，这也与对象匹配阈值有关，如果将ECMWF预报对象F1、F2整体向东平移将会有非常好的预报效果。CMA-Meso预报和观测对象质心距离较ECMWF略大，预报面积显著偏小，但预报出了更多分散、局地的暴雨对象。SCMOC仅有一个匹配对象，面积偏大，但相似度整体表现较好，这可能与SCMOC产品的算法有关，减少局地降水避免双重惩罚，增加系统性暴雨面积避免漏报，以此来提高点对点的TS暴雨预报评分。

整个研究时段MODE方法检验统计结果如图7所示，从不同面积对象数量来看（图7a），CMA-Meso、ECMWF暴雨对象数量、面积的变化与观测基本一致，但CMA-Meso较观测明显偏多、ECMWF偏少。SCMOC则对3 000 km2以下的暴雨对象预报严重偏少，6 000 km2以上的大面积对象预报偏多，与ECMWF、CMA-Meso、CMPAS呈相反趋势。强度对比发现（图7b），SCMOC、ECMWF暴雨强度低于观测，而CMA-Meso高于观测。CMPAS暴雨对象强度90％分位数集中在50～110 mm，且暴雨面积较小的对象也可能有较大的降水强度。而ECMWF和SCMOC对象面积越大，强度则越大，这种趋势在SCMOC中表现更为明显，表明SCMOC对局地分散性暴雨预报能力不足，即使有预报，强度也可能偏弱。CMA-Meso 对5 km2以下的降水对象预报严重偏多，部分对象强度偏大，与CMPAS存在较大偏差。有研究表明（张宏芳等，2021），预报和观测对象相似度超过0.6即表示有较好的预报能力。从预报和观测的重叠面积来看（图7c），重叠面积越大，相似度越高，CMA-Meso 100 km2以下93％的降水对象与观测的相似度低于0.6，预报能力弱，三种产品中SCMOC与观测的重叠面积最大，相似度最高，ECMWF 400 km2以上的降水对象相似度与SCMOC类似，但100 km2以下降水对象有46％相似度低于0.6。从对象质心距离经、纬向偏差来看（图7d），CMA-Meso经、纬向偏差分布规律较差，而SCMOC、ECMWF具有明显的规律性。其中SCMOC 90％的降水对象南北向误差小于1°，75％的对象误差小于0.5°，东西误差最大超过1.5°，且东西向误差中63％的对象位置误差以偏西为主。ECMWF也有类似表现，东西向误差大于南北向误差，位置偏西比例高于偏东，可能的原因在于SCMOC是在不同预报产品的基础上加入客观方法获得的，而ECMWF在客观方法中权重占比較高。

3 结论和讨论

以国家气象信息中心三源融合网格实况分析降水资料CMPAS为参照，基于日平均降水量、降水频率、降水频率日峰值以及经典检验、降水评分综合图、空间MODE检验等方法，对比分析2021年国家气象中心网格指导预报SCMOC和ECMWF、CMA-Meso三种降水产品的预报表现，主要结论如下：

1）日平均降水量随纬度的变化特征三种降水产品都有很好的表现，但降水量标准差相对CMPAS一致偏大。ECMWF降水量级、降水频率空间分布刻画能力优于其他两种降水预报，不足之处在于0.1 mm以上降水预报频率异常偏高，暴雨预报频率偏低。CMA-Meso日平均降水量相对观测偏大，存在高低值中心与CMPAS相反的现象。SCMOC对整个区域内大于等于0.1 mm降水频率、暴雨频率预报在数值上与观测最为吻合，但日平均降水相对于观测偏小，且对降水量、降水频率的空间分布细节特征刻画能力弱。

2）四川盆地06时（北京时）前后降水频率高，秦岭山区南部、北部降水频率峰值分别在午后和傍晚至入夜。ECMWF对陕北中部、甘肃、青海地区降水频率峰值时间预报较CMPAS偏早3 h左右。而CMA-Meso的降水频率峰值预报和CMPAS吻合最好。SCMOC对四川盆地及周边地区夜雨的预报范围较CMPAS偏大，且对秦岭以南东部地区降水频率峰值时间预报较观测偏早6 h。

3）三种产品对不同量级降水预报的Bias变化趋势显著不同，ECMWF预报Bias随着降水量级增大逐渐下降。CMA-Meso、SCMOC预报偏差呈抛物线变化。三种产品大于等于0.1 mm降水TS评分在数值上基本一致，但降水预报侧重点有差异，ECMWF漏报少，CMA-Meso、SCMOC空报少。大雨以上量级降水SCMOC命中率和成功率高，漏报率和空报率低，且TS评分一致高于ECMWF和CMA-Meso。

4）CMA-Meso预报的暴雨对象数量较观测明显偏多，而ECMWF偏少。SCMOC则对3 000 km2以下的暴雨预报对象严重偏少，6 000 km2以上的大面积对象偏多，与ECMWF、CMA-Meso、CMPAS降水场暴雨对象呈相反趋势。SCMOC暴雨对象和观测相似度较高，但存在分散性小面积降水对象漏报的风险。CMA-Meso暴雨预报位置误差规律性不明显。ECMWF、SCMOC东西向误差大于南北向，位置误差偏西占比高于偏东。

文章对比分析2021年1月1日至2021年12月31日网格预报SCMOC和多家数值模式的降水预报表现，得到了秦岭及周边地区模式预报和网格预报的预报性能差异和优缺点，为网格预报研究和业务应用提供参考。从分析来看，SCMOC暴雨预报TS评分、晴雨预报ACC明显优于其他预报产品。SCMOC的暴雨预报主要优势在于对系统性降水过程预报能力好，对分散性、局地性暴雨来说，SCMOC通过减小其预报频率来避免双重惩罚，从而提高暴雨预报TS评分，但这也导致了对局地性暴雨天气可能出现漏报。实际使用时，特别是暴雨预警需要结合多种产品综合分析。值得注意的是，一方面网格预报技术快速发展，特别是近年来在常规MOS（Model Output Statistic）方法、偏差订正、频率匹配、多模式集成等方法的基础上加入机器学习、人工智能技术，SCMOC预报能力快速提升;另一方面模式预报的分辨率和准确率逐年提高。因此不同的年份SCMOC和模式降水预报的对比分析结论可能会有不同。此外，就不同季节来说，大气环流形势、降水的日变化特征和性质也有明显的差异，导致不同季节降水预报的偏差特征和全年的统计规律不一致。通过精细的月季尺度预报对比分析，获得更有针对性的预报偏差规律，是提高预报准确率需要深入开展的工作。

参考文献（References）

曹勇，刘凑华，宗志平，等，2016.国家级格点化定量降水预报系统［J］.气象，42（12）：1476-1482. Cao Y，Liu C H，Zong Z P，et al.，2016.State level gridded quantitative precipitation forecasting system［J］.Meteor Mon，42（12）：1476-1482.doi：10.7519／j.issn.1000-0526.2016.12.005.（in Chinese）.

代刊，曹勇，钱奇峰，等，2016.中短期数字化天气预报技术现状及趋势［J］.气象，42（12）：1445-1455. Dai K，Cao Y，Qian Q F，et al.，2016.Situation and tendency of operational technologies in short-and medium-range weather forecast［J］.Meteor Mon，42（12）：1445-1455.doi：10.7519／j.issn.1000-0526.2016.12.002.（in Chinese）.

Davis C A，Brown B G，Bullock R G，2006.Object-based verification of precipitation forecasts，Part I：methodology and application to mesoscale rain areas［J］.Mon Wea Rev，134：1772-1784.

Davis C A，Brown B G，Bullock R，et al.，2009.The method for object-based diagnostic evaluation （MODE） applied to numerical forecasts from the 2005 NSSL／SPC spring program［J］.Wea Forecasting，24（5）：1252-1267.doi：10.1175／2009waf2222241.1.

Engel C，Ebert E E，2012.Gridded operational consensus forecasts of 2-m temperature over Australia［J］.Wea Forecasting，27（2）：301-322.doi：10.1175／waf-d-11-00069.1.

Griffin S M，Otkin J A，Rozoff C M，et al.，2017.Methods for comparing simulated and observed satellite infrared brightness temperatures and what do they tell us？［J］.Wea Forecasting，32（1）：5-25.doi：10.1175／waf-d-16-0098.1.

郭達烽，段明铿，夏旻惠，等，2018.模式降水与温度预报的不一致性特征［J］.应用气象学报，29（3）：321-332. Guo D F，Duan M K，Xia M H，et al.，2018.The inconsistency of forecasting in operational numerical prediction products［J］.J Appl Meteor Sci，29（3）：321-332.doi：10.11898／1001-7313.20180306.（in Chinese）.

胡争光，薛峰，金荣花，等，2020.智能网格预报应用分析平台设计与实现［J］.气象，46（10）：1340-1350. Hu Z G，Xue F，Jin R H，et al.，2020.Design and implementation of gridded forecast application analysis platform［J］.Meteor Mon，46（10）：1340-1350.doi：10.7519／j.issn.1000-0526.2020.10.008.（in Chinese）.

黄丽萍，陈德辉，邓莲堂，等，2017.GRAPESMeso V4.0主要技术改进和预报效果检验［J］.应用气象学报，28（1）：25-37. Huang L P，Chen D H，Deng L T，et al.，2017.Main technical improvements of GRAPESMeso V4.0 and verification［J］.J Appl Meteor Sci，28（1）：25-37.（in Chinese）.

Huntemann T L，Rudack D E，Ruth D P，2015.Forty years of NWS forecast：past foremance and future advance［C］／／Harry R，Glahn Symposium.Phoenix：NOAA／Nation Weather Service.

金荣花，代刊，赵瑞霞，等，2019.我国无缝隙精细化网格天气预报技术进展与挑战［J］.气象，45（4）：445-457. Jin R H，Dai K，Zhao R X，et al.，2019.Progress and challenge of seamless fine gridded weather forecasting technology in China［J］.Meteor Mon，45（4）：445-457.doi：10.7519／j.issn.1000-0526.2019.04.001.（in Chinese）.

Johnson A，Wang X G，2012.Object-based evaluation of a storm-scale ensemble during the 2009 NOAA hazardous weather testbed spring experiment［J］.Mon Weather Rev，141（3）：1079-1098.doi：10.1175／mwr-d-12-00140.1.

李子良，赵滨，李国平，2021.邻域空間检验技术在集合降水预报检验中的应用［J］.大气科学学报，44（2）：189-198. Li Z L，Zhao B，Li G P，2021.An extended spatial verification technique for ensemble precipitation forecasts［J］.Trans Atmos Sci，44（2）：189-198.doi：10.13878／j.cnki.dqkxxb.20200729001.（in Chinese）.

刘新伟，刘娜，段明铿，等，2020.基于小波分析的西北区智能网格气温客观预报方法的检验评估［J］.大气科学学报，43（4）：673-686. Liu X W，Liu N，Duan M K，et al.，2020.Test and evaluation of Northwest Intelligent Grid Temperature Objective Prediction Method based on wavelet analysis［J］.Trans Atmos Sci，43（4）：673-686.doi：10.13878／j.cnki.dqkxxb.20200426002.（in Chinese）.

潘留杰，张宏芳，王建鹏，2014.数值天气预报检验方法研究进展［J］.地球科学进展，29（3）：327-335. Pan L J，Zhang H F，Wang J P，2014.Progress on verification methods of numerical weather prediction［J］.Adv Earth Sci，29（3）：327-335.doi：10.11867／j.issn.1001-8166.2014.03.0327.（in Chinese）.

潘留杰，薛春芳，张宏芳，等，2016.两个集合预报系统对秦岭及周边降水预报性能对比［J］.应用气象学报，27（6）：676-687. Pan L J，Xue C F，Zhang H F，et al.，2016.Comparative analysis on precipitation forecasting capabilities of two ensemble prediction systems around Qinling area［J］.J Appl Meteor Sci，27（6）：676-687.doi：10.11898／1001-7313.20160604.（in Chinese）.

潘留杰，张宏芳，陈小婷，等，2018.秦岭及周边地区夏季降水的主模态分析［J］.大气科学学报，41（3）：377-387. Pan L J，Zhang H F，Chen X T，et al.，2018.Dominant modes of summer precipitation in Qinling and surrounding areas［J］.Trans Atmos Sci，41（3）：377-387.doi：10.13878／j.cnki.dqkxxb.20161019001.（in Chinese）.

潘旸，沈艳，宇婧婧，等，2015.基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验［J］.气象学报，73（1）：177-186. Pan Y，Shen Y，Yu J J，et al.，2015.An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method［J］.Acta Meteorol Sin，73（1）：177-186.doi：10.11676／qxxb2015.010.（in Chinese）.

祁莉，马琼，张文君，2017.GRAPES模式对2011／2012年冬季寒潮天气过程预报能力的检验［J］.大气科学学报，40（6）：791-802. Qi L，Ma Q，Zhang W J，2017.Verification of forecasting capability of cold wave process in the winter of 2011／2012 with GRAPES［J］.Trans Atmos Sci，40（6）：791-802.doi：10.13878／j.cnki.dqkxxb.20150104001.（in Chinese）.

Rossa A M，Nurmi P，Ebert E，2006.Overview of methods for the verification of quantitative precipitation Forecasts［J］.Advances in Measuremen：418-450.

唐文苑，郑永光，张小雯，2018.基于FSS的高分辨率模式华北对流预报能力评估［J］.应用气象学报，29（5）：513-523. Tang W Y，Zheng Y G，Zhang X W，2018.FSS-based evaluation on convective weather forecasts in North China from high resolution models［J］.J Appl Meteor Sci，29（5）：513-523.doi：10.11898／1001-7313.20180501.（in Chinese）.

韦青，李伟，彭颂，等，2019.国家级天气预报检验分析系统建设与应用［J］.应用气象学报，30（2）：245-256. Wei Q，Li W，Peng S，et al.，2019.Development and application of national verification system in CMA［J］.J Appl Meteor Sci，30（2）：245-256.doi：10.11898／1001-7313.20190211.（in Chinese）.

韦青，代刊，林建，等，2020.2016—2018年全国智能网格降水及温度预报检验评估［J］.气象，46（10）：1272-1285. Wei Q，Dai K，Lin J，et al.，2020.Evaluation on the 2016—2018 fine gridded precipitation and temperature forecasting［J］.Meteor Mon，46（10）：1272-1285.doi：10.7519／j.issn.1000-0526.2020.10.002.（in Chinese）.

吴启树，韩美，刘铭，等，2017.基于评分最优化的模式降水预报订正算法对比［J］.应用气象学报，28（3）：306-317. Wu Q S，Han M，Liu M，et al.，2017.A comparison of optimal-score-based correction algorithms of model precipitation prediction［J］.J Appl Meteor Sci，28（3）：306-317.doi：10.11898／1001-7313.20170305.（in Chinese）.

薛春芳，潘留杰，2016.基于MODE方法的日本细网格模式降水预报的诊断分析［J］.高原气象，35（2）：406-418. Xue C F，Pan L J，2016.Diagnostic analysis of precipitation forecasting from Japan thin-grid model based on MODE［J］.Plateau Meteor，35（2）：406-418.doi：10.7522／j.issn.1000-0534.2015.00010.（in Chinese）.

Yu R C，Xu Y P，Zhou T J，et al.，2007.Relation between rainfall duration and diurnal variation in the warm season precipitation over central Eastern China［J］.Geophys Res Lett，34（13）：L13703.doi：10.1029／2007GL030315.

赵瑞霞，代刊，金荣花，等，2020.OTS、MOS和OMOS方法及其优化组合应用于72 h内逐3 h降水预报的试验分析研究［J］.气象，46（3）：420-428. Zhao R X，Dai K，Jin R H，et al.，2020.Comparison of OTS，MOS，OMOS methods and their combinations applied in 3 h precipitation forecasting out to 72 h［J］.Meteor Mon，46（3）：420-428.doi：10.7519／j.issn.1000-0526.2020.03.013.（in Chinese）.

张宏芳，潘留杰，陈昊明，等，2020.秦岭及周边地区暖季降水日变化及其成因分析［J］.高原气象，39（5）：935-946. Zhang H F，Pan L J，Chen H M，et al.，2020.Diurnal variations and causes of warm season precipitation in Qinling and surrounding areas［J］.Plateau Meteor，39（5）：935-946.doi：10.7522／j.issn.1000-0534.2019.00067.（in Chinese）.

張宏芳，潘留杰，卢珊，等，2021.基于时域对象的网格降水预报的追踪诊断分析［J］.高原气象，40（3）：559-568. Zhang H F，Pan L J，Lu S，et al.，2021.Tracking diagnosis analysis of grid precipitation forecast based on time-domain object［J］.Plateau Meteor，40（3）：559-568.doi：10.7522／j.issn.1000-0534.2020.00021.（in Chinese）.

张延彪，宋林烨，陈明轩，等，2022.基于卷积神经网络的京津冀地区高分辨率格点预报偏差订正试验［J］.大气科学学报，45（6）：850-862. Zhang Y B，Song L Y，Chen M X，et al.，2022.A study of error correction for high-resolution gridded forecast based on a convolutional neural network in the Beijing-Tianjin-Hebei Region［J］.Trans Atmos Sci，45（6）：850-862.doi：10.13878／j.cnki.dqkxxb.20220615001.（in Chinese）.

Zhou X，Ding Y，Wang P X，2008.Moisture transpotr in Asian summer monsoon region and its relationship with summer precipitation in China［J］.Acta Meteor Sin，66（1）：59-70.

Based on the three-source fusion grid precipitation analysis data from CMPAS and using the dichotomy classical verification method，a comprehensive map of precipitation forecast score，and the Method for Object-Based Diagnostic Evaluation （MODE），we compare and analyzed the precipitation forecast performance of the fine-gridded SCMOC，ECMWF global，and CMA-Meso models in Qinling and its surrounding areas in 2021，and observe the following：1） The ECMWF model can well describe the spatial distribution characteristics of daily average precipitation，daily precipitation standard deviation，and daily precipitation frequency under the influence of terrain.However，the precipitation frequency of more than 0.1 mm is much higher than the observation，and the torrential rain frequency is lower than the observation.SCMOC and CMA-Meso have better forecasts of precipitation of different grades.The deficiency of SCMOC is that its ability to describe the fine spatial distribution characteristics of precipitation is relatively weak.2） The occurrence time of the daily peak of precipitation frequency greater than 0.1mm in the ECMWF model is about 3 hours earlier than the observation，and CMA-Meso and SCMOC are more consistent with the observation.3） The TS scores of the three products with 24-hour precipitation greater than or equal to 0.1 mm are basically the same，but the characteristics of the precipitation forecast are significantly different.SCMOC has a high success rate，a low hit rate，more missed hits，and fewer false alarms than ECMWF and CMA-Meso models which are the opposite of SCMOC.SCMOCs TS score，success rate，and hit rate for 24 h，3 h heavy rain，and above are better than the other two products.4） The verification results of the MODE method show that SCMOC has the highest similarity between the forecast and observation of large-area precipitation objects，and its forecast ability is better than ECMWF and CMA-Meso.However，there is a high risk of missing a hit for scattered，small-area torrential rain objects.The east-west distance deviation of SCMOC and ECMWF is greater than that of the north-south direction，and the proportion of the west position is higher than that of the east position.

SCMOC;forecast score;comprehensive map of precipitation forecast score;MODE

doi：10.13878／j.cnki.dqkxxb.20220213001

（責任编辑：刘菲）