不同方法對青海2020年強降水模式產(chǎn)品預(yù)報性能的檢驗對比

沈曉燕，申燕玲，權(quán) 晨，杜華禮，顏玉倩

(1.青海省氣象科學(xué)研究所，青海 西寧 810001;2.青海省防災(zāi)減災(zāi)重點實驗室，青海 西寧 810001)

引 言

隨著數(shù)值預(yù)報技術(shù)的不斷發(fā)展及模式分辨率的逐步提高，數(shù)值模式已成為天氣預(yù)報的重要手段。預(yù)報檢驗是數(shù)值模式發(fā)展及應(yīng)用的重要組成部分，檢驗?zāi)軌虮嫖霾煌Ｊ街g的客觀差異[1]，不僅可以反饋給模式開發(fā)者以提高其預(yù)報性能，還可以為模式應(yīng)用者提供有價值的參考信息。

以往模式預(yù)報檢驗分析大多采用點對點的傳統(tǒng)檢驗方法[2-8]，如TS評分、空報率、漏報率以及HSS評分、ORSS評分、HK評分、SEDS評分[9-10]等。傳統(tǒng)檢驗方法定量且易于理解，但預(yù)報時間和空間上的細微偏差均會導(dǎo)致漏報或空報，從而引起總體評分較低，且缺乏對預(yù)報和觀測之間誤差來源的詳細分析，有時還與模式預(yù)報的主觀評價不一致。因此，空間檢驗逐漸備受關(guān)注[11]?？臻g檢驗方法可分為4種類型：鄰域法、尺度分離法、特征法、場變形法[12-15]。不同方法各有優(yōu)缺點，鄰域法也稱“迷糊法”，通過對高分辨率模式預(yù)報結(jié)果濾波，獲取不同空間尺度評分來體現(xiàn)模式預(yù)報能力[16]，它通過放寬傳統(tǒng)檢驗中觀測與預(yù)報一一對應(yīng)的要求，給予與觀測場空間接近的更高預(yù)報評分，避免了將此類預(yù)報判定為無效預(yù)報[17]；尺度分離法是分離出與尺度相關(guān)的誤差，需要通過小波分析等空間濾波器進行檢驗評估；特征法是檢驗降水系統(tǒng)的宏觀尺度特征，而場變形法則是對預(yù)報場進行形變以便更好地與觀測場進行匹配，與特征法相比它還能夠識別出預(yù)報與實況嚴(yán)重不符的情況，但計算過程復(fù)雜。FSS(fraction skill score)是目前應(yīng)用較為普遍的空間鄰域檢驗方法，若檢驗?zāi)康氖菫榱嗽\斷預(yù)報誤差來源，則特征法更為合適，而面向?qū)ο蟮臋z驗方法(method of object-based diagnostic evaluation，MODE)是最具代表性的特征法，它通過分析預(yù)報與觀測對象的空間特性，有效診斷出對應(yīng)組合對象的位置、大小等屬性差異[18-20]。通過對比TS(threat score)評分、FSS評分、MODE方法在模式降水預(yù)報性能檢驗中的應(yīng)用，發(fā)現(xiàn)傳統(tǒng)檢驗方法雖然有一定的缺陷，但能夠得出模式預(yù)報的整體性能，故而仍然具有一定的適用性[21-26]；在降水量級較小情況下FSS評分與TS評分的評估效果相差不大，但在降水量級較大時TS評分不穩(wěn)定，而FSS評分依舊可以區(qū)分不同條件下模式預(yù)報性能[27]，且可以判別預(yù)報效果較好的空間尺度(鄰域半徑)；MODE方法通過計算降水對象的多種位置、形狀屬性，從多視角展現(xiàn)模式預(yù)報能力[28]。

青海位于青藏高原東北部，強降水次數(shù)雖然較少，但因局地性強，在地形復(fù)雜特殊、生態(tài)環(huán)境脆弱條件下極易引發(fā)山洪、泥石流等災(zāi)害，因此提升模式降水預(yù)報準(zhǔn)確率對當(dāng)?shù)胤罏?zāi)減災(zāi)、人類生命財產(chǎn)安全意義重大，而預(yù)報檢驗是模式改進的重要前提。目前，全球及區(qū)域模式對強降水預(yù)報能力較弱，傳統(tǒng)點對點檢驗效果較差，無法體現(xiàn)模式性能差異，而空間檢驗則是傳統(tǒng)點對點檢驗的有益補充。為此，本研究針對青海省2020年7—8月強降水天氣個例，選取多種模式降水預(yù)報產(chǎn)品，采用傳統(tǒng)檢驗方法、鄰域法及面向?qū)ο蠓椒?，對比檢驗各模式在青海地區(qū)強降水預(yù)報中的性能，以期為不同模式在該地區(qū)的應(yīng)用及改進提供一定參考。

1 資料及處理

按照24 h降水量達到大雨及以上量級的站點超過3個的原則，選出2020年7—8月青海省[包括海西蒙古族藏族自治州(簡稱“海西州”)、海北藏族自治州(簡稱“海北州”)、海南藏族自治州(簡稱“海南州”)、玉樹藏族自治州(簡稱“玉樹州”)、黃南藏族自治州(簡稱“黃南州”)、果洛藏族自治州(簡稱“果洛州”)及西寧市、海東市8個行政區(qū)域]10次強降水天氣個例(表1)，強降水落區(qū)主要集中在祁連山區(qū)、東部農(nóng)區(qū)、玉樹州東部、果洛州東部及海南州、黃南州地區(qū)。

所用資料包括：(1)歐洲中期天氣預(yù)報中心(European Center of Medium-range Weather Forecasts,ECMWF)(水平分辨率12.5 km)和美國國家環(huán)境預(yù)報中心(National Center for Environmental Prediction，NCEP)(水平分辨率25 km)全球模式、中國氣象局全球同化預(yù)報系統(tǒng)(China Meteorological Administration global assimilation forecast system，CMA-GFS)(水平分辨率25 km)及GRAPES(global and regional assimilation and prediction system)區(qū)域中尺度數(shù)值預(yù)報系統(tǒng)(GRAPES regional mesoscale numerical prediction system，GRAPES-Meso)(水平分辨率9 km)24 h降水量預(yù)報產(chǎn)品；(2)青海省232個氣象站24 h降水量觀測資料，其中52個國家級地面觀測站，180個國家地面天氣站，站點分布如圖1所示；(3)中國氣象局國家氣象信息中心制作的青海區(qū)域地面-衛(wèi)星-雷達三源融合的實時降水格點分析產(chǎn)品(CMA multi-source precipitation analysis system，CMPAS)，水平分辨率為5 km。文中的青海省及各市(州)行政邊界是基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2019)1696號的標(biāo)準(zhǔn)地圖制作，底圖無修改。

表1 2020年青海7—8月強降水天氣個例信息Tab.1 Information of heavy precipitation weather cases in Qinghai from July to August in 2020

圖1 青海省地形高度(彩色區(qū)，單位：m)與氣象站點(黑點)分布Fig.1 Distribution of topography elevation (colour areas, Unit: m) and meteorological stations (black dots) in Qinghai Province

傳統(tǒng)檢驗過程中采用最鄰近插值法將模式網(wǎng)格數(shù)據(jù)插值到232個站點上，而空間檢驗過程中則采用雙線性插值法將模式網(wǎng)格數(shù)據(jù)插值到CMPAS產(chǎn)品網(wǎng)格上，空間檢驗范圍為青海省區(qū)域(89.2°E—102.95°E、31.4°N—39.4°N)。另外，根據(jù)24 h累計降水量，將降水等級劃分為小雨(0.1～9.9 mm)、中雨(10.0～24.9 mm)、大雨(25.0～49.9 mm)和暴雨(≥50.0 mm)。

2 檢驗方法

2.1 傳統(tǒng)檢驗法

傳統(tǒng)檢驗選用TS評分、空報率(false alarm ratio，F(xiàn)AR)、漏報率(missing ratio，MR)、預(yù)報偏差(Bias)作為檢驗指標(biāo)，計算公式如下：

(1)

(2)

(3)

(4)

式中：k為降水等級；NAk為k等級降水預(yù)報正確的站數(shù)；NBk為k等級降水空報的站數(shù)；NCk為k等級降水漏報的站數(shù)。

2.2 空間檢驗法

FSS評分是目前應(yīng)用較為普遍的空間鄰域檢驗方法，它是基于FBS評分(fraction Brier score)的變形，利用方差技巧評分構(gòu)建思路，用來檢驗預(yù)報降水概率[27]，其計算公式如下：

(5)

(6)

式中：Pf、Po分別為單個鄰域窗內(nèi)預(yù)報和觀測降水發(fā)生的概率(可類比于鄰域窗內(nèi)降水的概率)；N為檢驗區(qū)域內(nèi)鄰域窗個數(shù)。

MODE檢驗方法是將觀測場和預(yù)報場進行平滑，設(shè)定雨量閾值，選取關(guān)注的降雨面積最小值提取對象。然后，通過計算對象質(zhì)心距離、目標(biāo)面積、最小邊界距離等屬性，將相似的觀測場和預(yù)報場目標(biāo)進行匹配，如果觀測場和預(yù)報場目標(biāo)存在多對多的情況，則將多對多的目標(biāo)進行合并。最后，通過綜合計算觀測和預(yù)報對應(yīng)對象的屬性，得出預(yù)報對象的整體相似度，其公式[28]如下：

(7)

式中：ai、wi分別表示對象第i個屬性及其權(quán)重系數(shù)；Ci表示對象第i個屬性的置信水平；I(ai)表示對象第i個屬性的收益函數(shù)，是ai的函數(shù)。通常認(rèn)為，目標(biāo)相似度達到0.7時，模式對雨帶的預(yù)報較為準(zhǔn)確。

在計算FSS評分時使用了MET V9.1.1(model evaluation tools)。MET是由美國數(shù)值預(yù)報發(fā)展試驗中心研發(fā)，主要針對WRF(weather research and forecasting)中尺度模式(也可應(yīng)用于其他模式)提供多種檢驗方法，其中FSS評分包含于基于格點-格點的鄰域空間檢驗方法。MODE的計算采用基于Python的Meteva程序庫，該程序庫由中國氣象局國家氣象中心預(yù)報技術(shù)研發(fā)室檢驗科研發(fā)，同樣提供了多種檢驗算法。

3 結(jié)果與分析

3.1 整體檢驗評分

圖2是2020年7—8月青海10次強降水天氣個例的傳統(tǒng)點對點檢驗TS評分、漏報率、空報率及偏差。可以看出，各模式小雨及以上量級預(yù)報TS評分相差不大，平均值介于0.85～0.87之間，ECMWF略優(yōu)，CMA-GFS略差；GRAPES-Meso漏報較多，空報較少，而其他全球模式空報較多。針對中雨及以上量級，NCEP和ECMWF預(yù)報較好，TS評分分別為0.36、0.35，GRAPES-Meso預(yù)報相對較差，TS評分為0.29。其中，NCEP空報率、漏報率均較低，GRAPES-Meso漏報較多，CMA-GFS空報較多。針對大雨及以上量級，GRAPES-Meso預(yù)報相對較好，但TS評分僅為0.06，所有模式空報和漏報均較高，其中NCEP和GRAPES-Meso相對較優(yōu)。從預(yù)報偏差來看，小雨及以上量級的預(yù)報偏差較小，介于1.03～1.14之間，而中雨及以上量級和大雨及以上量級的模式預(yù)報均偏多，且CMA-GFS預(yù)報偏差均最大(1.72、2.85)，預(yù)報偏差最小的分別是GRAPES-Meso(1.18)、ECMWF(1.38)。

圖2 2020年7—8月青海強降水天氣個例不同模式降水預(yù)報的平均TS評分(a)、漏報率(b)、空報率(c)及偏差(d)Fig.2 The average TS score (a), MR (b), FAR (c), Bias (d) of precipitation forecast by different models for heavy precipitation weather cases in Qinghai Province from July to August 2020

鄰域檢驗法是計算檢驗區(qū)域內(nèi)所有空間鄰域集合的誤差矩陣。鄰域是以每個格點為中心的網(wǎng)格窗口，窗口可以是圓形或正方形，不同鄰域窗對檢驗結(jié)果影響不大[17]。為簡便計算，本文選擇正方形鄰域窗，鄰域半徑為3×3、5×5、…、21×21網(wǎng)格窗口。由于鄰域檢驗使用的CMPAS降水格點分析產(chǎn)品空間分辨率為5 km，因此計算的鄰域半徑相應(yīng)為15×15、25×25、…、105×105 km。從圖3看出，隨著鄰域空間尺度的增大，整體上各量級降水的FSS評分逐漸增加；不同量級降水，各模式預(yù)報的FSS評分優(yōu)劣存在差異，小雨及以上量級FSS評分自GRAPES-Meso、NCEP、ECMWF、CMA-GFS依次減小，中雨及以上量級自NCEP、ECMWF、CMA-GFS、GRAPES-Meso依次減小，其結(jié)果與TS評分一致，而大雨及以上量級則自ECMWF、CMA-GFS、GRAPES-Meso、NCEP依次降低。

分別針對中雨和大雨及以上量級進行MODE檢驗，并對比目標(biāo)屬性(表2)?？梢钥闯觯椭杏昙耙陨狭考夘A(yù)報而言，NCEP整體相似度相對較好，ECMWF次之，GRAPES-Meso最差，這與TS評分和FSS評分一致。從10次個例的相關(guān)屬性(圖略)來看，NCEP質(zhì)心距離僅次于GRAPES-Meso，總體平均面積比(觀測和預(yù)報中較小者與較大者之比)及交叉面積最大，ECMWF各目標(biāo)屬性僅次于NCEP，而CMA-GFS交叉面積小，質(zhì)心距離整體偏大；GRAPES-Meso預(yù)報的7月至8月初幾次過程整體相似度低，交叉面積小，質(zhì)心距離遠，而對8月中下旬海東地區(qū)過程表現(xiàn)較好。從預(yù)報與觀測目標(biāo)質(zhì)心距離及方位角[圖4(a)]來看，不同模式預(yù)報整體較觀測偏西，這與青海中南部中雨及以上雨量預(yù)報偏多有關(guān)系。

圖3 2020年7—8月青海強降水個例不同模式預(yù)報的平均FSS評分Fig.3 The average FSS score of precipitation forecast by different models for heavy precipitation cases in Qinghai Province from July to August 2020

表2 2020年7—8月青海強降水天氣個例MODE檢驗的預(yù)報與觀測對象平均屬性Tab.2 The average attributes of forecast objects corresponding to observation for MODE test of heavy precipitation weather cases in Qinghai Province from July to August 2020

圖4 2020年7—8月青海強降水天氣個例MODE檢驗的中雨及以上量級(a)和大雨及以上量級(b)預(yù)報與觀測對象質(zhì)心距離(單位：km)及方位角(4位數(shù)字為強降水發(fā)生日期)Fig.4 The centroid distance (Unit: km) and azimuth of moderate rain and above (a) and heavy rain and above (b) forecast objects corresponding to observation for MODE test of heavy precipitation weather cases in Qinghai Province from July to August 2020(four digits for the occurrence date of heavy rainfall)

對于大雨及以上量級預(yù)報(表2)，ECMWF、CMA-GFS、GRAPES-Meso整體相似度相差不大，而NCEP整體相似度明顯偏低；NCEP預(yù)報與觀測目標(biāo)質(zhì)心距離最大、面積比和交叉面積最小，F(xiàn)SS評分最低；ECMWF質(zhì)心距離最小、交叉面積最大，CMA-GFS面積比最大，兩種模式FSS評分較高；GRAPES-Meso質(zhì)心距離、面積比、交叉面積均相對表現(xiàn)較好。另外，ECMWF、GRAPES-Meso的大雨及以上量級中心預(yù)報均較觀測偏北，而NCEP預(yù)報的2次大雨及以上量級中心較觀測偏南[圖4(b)]。

整體來看，不同模式對小雨及以上量級預(yù)報評分均較高，模式之間差異不大，但不同檢驗方法下評分最高的模式略有不同；4種模式的中雨及以上量級預(yù)報在不同檢驗方法下優(yōu)劣程度表現(xiàn)一致，均自NCEP、ECMWF、CMA-GFS、GRAPES-Meso依次降低，其中MODE檢驗可以分析預(yù)報與觀測對應(yīng)對象的質(zhì)心距離、方位角、面積比、交叉面積等屬性，進而獲得預(yù)報與觀測間的誤差來源；對于大雨及以上量級，傳統(tǒng)點對點檢驗評分均較低，很難區(qū)別模式間預(yù)報能力，F(xiàn)SS評分雖有效提高了模式間預(yù)報差異性的評估能力，但MODE檢驗則提供了模式應(yīng)用參考價值。

3.2 典型個例檢驗評分

2020年7—8月青海省大到暴雨超過10站的個例有3次(表1)，均出現(xiàn)在8月，分別為5日08:00至6日08:00(簡稱“case1”)、22日08:00至23日08:00(簡稱“case2”)、28日20:00至29日20:00(簡稱“case3”)，這3次個例大雨站數(shù)較多且較為集中。當(dāng)大雨站數(shù)較多且較為集中時，MODE檢驗的目標(biāo)對象屬性更為明顯。下面詳細對比分析這3次個例不同檢驗方法結(jié)果。

從圖5看出，CMPAS降水格點分析產(chǎn)品上，case1和case2大雨及以上量級站點主要出現(xiàn)在海東市、海南州、黃南州，232站中分別有11、18站達到大雨量級，2、1站達到暴雨量級，最大降水量分別出現(xiàn)在海南州南部同德秀麻鄉(xiāng)(60.8 mm)及海南州北部共和縣石乃亥鄉(xiāng)(94.0 mm)；case3大雨及以上量級站點主要出現(xiàn)在祁連山區(qū)、海東市，35站達到大雨量級，9站達到暴雨量級，最大降水量出現(xiàn)在湟源(81.5 mm)。在case1中，針對中雨及以上量級，ECMWF對青海東部降水預(yù)報較好，而NCEP、CMA-GFS預(yù)報的青海東部降水中心位置偏北，GRAPES-Meso預(yù)報的青海東部降水范圍偏小；除ECMWF外，其余模式對玉樹州北部均有空報。在case2、case3中，不同模式對青海東部降水預(yù)報相對較好，但對青海南部均有空報。

綜上可見，就中雨及以上量級而言，不同模式對case1預(yù)報效果存在明顯差異，NCEP、ECMWF、CMA-GFS、GRAPES-Meso預(yù)報的TS評分依次為0.27、0.26、0.09、0.02[圖6(a)]，最高與最低評分相差0.25。同樣，各模式預(yù)報的空間檢驗結(jié)果也差異較明顯，F(xiàn)SS評分[圖7(a)]與MODE檢驗結(jié)果[圖8(a)]一致，自ECMWF、NCEP、CMA-GFS、GRAPES-Meso依次降低，MODE檢驗的整體相似度依次為0.91、0.89、0.73、0.54。另外，從MODE檢驗的預(yù)報與觀測對象屬性來看，各模式對case1預(yù)報對象的質(zhì)心方位角均較觀測偏西北[圖4(a)]，其中ECMWF預(yù)報與觀測對象質(zhì)心距離僅次于GRAPES-Meso，面積比、交叉面積最大；GRAPES-Meso預(yù)報與觀測對象質(zhì)心距離、面積比、交叉面積均最小[圖8(a)]，說明預(yù)報較實況范圍偏小。

case2和case3的中雨及以上量級預(yù)報TS評分明顯優(yōu)于case1，但在case2和case3中不同模式預(yù)報結(jié)果差異不明顯，最高與最低TS評分分別相差0.11、0.05[圖6(a)]，且不同檢驗方法下各模式表現(xiàn)略有差異。在case2中，ECMWF、NCEP、GRAPES-Meso、CMA-GFS預(yù)報的TS評分分別為0.61、0.59、0.54、0.50，F(xiàn)SS評分自CMA-GFS、ECMWF、NCEP、GRAPES-Meso依次降低[圖7(a)]，MODE整體相似度GRAPES-Meso、NCEP、CMA-GFS、ECMWF依次為0.83、0.73、0.72、0.70[圖8(a)]。從MODE檢驗來看，GRAPES-Meso質(zhì)心距離最小、面積比和交叉面積最大，整體相似度高，而ECMWF面積比偏小，整體相似度最低。由于CMA-GFS降水空間分布形態(tài)更為接近實況，故而FSS評分較高。另外，各模式對青海南部空報較多，故而預(yù)報對象的質(zhì)心方位角普遍較觀測偏西[圖4(a)]。在case3中，傳統(tǒng)TS評分GRAPES-Meso(0.55)表現(xiàn)較好[圖6(a)]，而FSS評分及MODE檢驗整體相似度NCEP表現(xiàn)略好。從預(yù)報相對觀測的方位角來看，各模式均偏西南，與青海南部地區(qū)空報有關(guān)，質(zhì)心距離CMA-GFS最小，NCEP次之，但NCEP的面積比和交叉面積最大，故而MODE檢驗整體相似度較高[圖8(a)]。

當(dāng)各模式大雨及以上量級預(yù)報的傳統(tǒng)檢驗TS評分均為0時，空間檢驗則是傳統(tǒng)檢驗的有益補充。在case1中，各模式大雨及以上量級預(yù)報的TS評分均為0，模式差異無法體現(xiàn)[圖6(b)]。但從模式預(yù)報空間分布(圖5)來看，case1中ECMWF預(yù)報較好，NCEP落區(qū)位于玉樹州北部，為空報，而CMA-GFS落區(qū)位置偏東北，但范圍與實況接近，GRAPES-Meso漏報。空間檢驗顯示，ECMWF與CMA-GFS預(yù)報結(jié)果較優(yōu)，兩種模式預(yù)報對象均位于實況東北部；ECMWF質(zhì)心距離較小、交叉面積較大，但面積比遠小于CMA-GFS，故ECMWF的FSS評分高于CMA-GFS[圖7(b)]，而整體相似度小于CMA-GFS[圖8(b)]。

圖5 2020年8月青海省3次暴雨天氣個例的降水分析產(chǎn)品和模式預(yù)報產(chǎn)品(單位：mm)(從上至下依次是CMPAS和ECMWF、NCEP、CMA-GFS、GRAPES-Meso，從左至右依次為case1、case2、case3)Fig.5 The precipitation analysis product and forecast products of model for three rainstorm weather cases in Qinghai Province in August 2020 (Unit: mm)(The precipitation products are CMPAS, ECMWF, NCEP, CMA-GFS and GRAPES-Meso from top to bottom in turn; the cases are case1, case2 and case3 from left to right in turn)

圖6 2020年8月青海省3次暴雨個例不同模式中雨及以上量級(a)和大雨及以上量級(b)預(yù)報的TS評分Fig.6 TS score of moderate rain and above (a) and heavy rain and above (b) forecast by different models for three rainstorm cases in Qinghai Province in August 2020

從圖5看出，case2，不同模式均報出了青海東部大雨及以上量級降水中心；case3，除NCEP外，其余模式均報出了青海東部大雨及以上量級降水中心。當(dāng)模式預(yù)報較好時，不同檢驗方法下模式評分均較高。在case2中，CMA-GFS在不同檢驗方法下均表現(xiàn)最優(yōu)，其TS評分為0.24，遠大于其余模式，且面積比、交叉面積最大，整體相似度高(0.66)；ECMWF、GRAPES-Meso預(yù)報對象質(zhì)心均位于實況北部，而NCEP、CMA-GFS預(yù)報值均位于實況西部，且NCEP略偏南。具體來看，CMA-GFS對青海東部及東南部預(yù)報均較好，但質(zhì)心距離較大、方位偏西，對青海南部地區(qū)有空報；ECMWF、GRAPES-Meso對青海東部預(yù)報較好，但對東南部存在漏報，而NCEP預(yù)報位置偏南。當(dāng)模式未預(yù)報出降水中心或與實況偏離較遠時，不同檢驗方法下模式評分均較差。在case3中，除NCEP表現(xiàn)較差外，其余模式TS評分相對較高且相差不大，GRAPES-Meso、CMA-GFS、ECMWF分別為0.27、0.24、0.22[圖6(b)]。不同檢驗方法下3種較優(yōu)模式也略有差異，F(xiàn)SS評分自ECMWF、GRAPES-Meso、CMA-GFS依次降低[圖7(b)]，整體相似度自CMA-GFS(0.83)、GRAPES-Meso(0.79)、ECMWF(0.65)依次減小[圖8(b)]。由于CMA-GFS預(yù)報與觀測對應(yīng)目標(biāo)面積較為接近、交叉面積大，整體相似度最高；ECMWF空間分布形態(tài)與實況最為接近，質(zhì)心距離最小，F(xiàn)SS評分最高，但在祁連山區(qū)預(yù)報面積小，整體相似度不高；NCEP三種評分結(jié)果均最差。

結(jié)合環(huán)流形勢(圖略)來看，case1降水區(qū)位于副熱帶高壓邊緣西南氣流中，水汽條件好。不同模式傳統(tǒng)檢驗TS評分差異較大時，空間檢驗結(jié)果(MODE和FSS評分)同樣差異較大， CMA-GFS和GRAPES-Meso表現(xiàn)均較差，不同檢驗方法得出的結(jié)論較為一致。case2、case3，青海中東部存在高空槽，低層有切變線，青海東部有地面輻合線。不同模式中雨及以上量級預(yù)報效果均較好，模式之間差異不大，但不同檢驗方法下表現(xiàn)較優(yōu)的模式略有不同，觀測與預(yù)報對應(yīng)對象在面積接近、交叉面積大情況下，MODE整體相似度較高，而在質(zhì)心距離接近、空間分布形態(tài)相似時，F(xiàn)SS評分較高；CMA-GFS和GRAPES-Meso在大雨及以上量級預(yù)報中表現(xiàn)較好。

4 結(jié) 論

(1)2020年7—8月青海強降水天氣個例，ECMWF、NCEP、GRAPES-Meso、CMA-GFS模式對小雨及以上量級預(yù)報的TS評分均較高(超過0.84)，預(yù)報偏差略偏高(介于1.03～1.14之間)；對中雨和大雨及以上量級預(yù)報均偏多，中雨及以上量級CMA-GFS預(yù)報偏差最大為1.72，GRAPES-Meso偏差最小為1.18，而大雨及以上量級ECMWF偏差較小(1.38)，其余模式偏多明顯(介于2.12～2.85之間)。

(2)2020年7—8月青海強降水天氣個例，小雨及以上量級，不同模式間相差不大，不同檢驗方法下表現(xiàn)較優(yōu)的模式略有差異；中雨及以上量級，不同模式間差異較為明顯，不同檢驗方法下各模式優(yōu)劣表現(xiàn)一致；大雨及以上量級，各模式預(yù)報均較差，TS評分差異不大，F(xiàn)SS評分能夠有效提高模式差異性的表現(xiàn)能力，MODE方法則提供降水對象的屬性表現(xiàn)。另外，中雨及以上量級預(yù)報較觀測普遍偏西，質(zhì)心距離介于1.69～1.93 km之間，與青海南部空報較多有關(guān)，而大雨及以上量級預(yù)報普遍偏北，質(zhì)心距離介于0.62～1.12 km之間。

(3)當(dāng)模式預(yù)報效果較好時，不同檢驗方法下模式評分均較高；當(dāng)模式未預(yù)報出降水中心或與實況偏離較遠時，不同檢驗方法下模式評分均較差。

總體來看，4個模式產(chǎn)品中ECMWF、CMA_GFS、GRAPES_Meso對強降水有較好的參考價值，ECMWF預(yù)報與實況質(zhì)心距離最為接近，CMA_GFS預(yù)報與實況面積比最大，ECMWF、GRAPES_Meso預(yù)報較觀測偏北。然而，由于青海省強降水天氣個例嚴(yán)重偏少，還不足以概括每一種模式產(chǎn)品在本省較穩(wěn)定的偏差。另外，MODE檢驗結(jié)果對參數(shù)的選擇較為敏感，如平滑半徑、濾波閾值、合并距離等，致使檢驗結(jié)果缺乏一致性，可能會引起一定誤導(dǎo)。然而，鄰域方法不需要選擇參數(shù)，能夠體現(xiàn)不同鄰域空間尺度下評分變化，對檢驗一些“模糊的”不包含匹配良好對象的預(yù)報表現(xiàn)較好。隨著高分辨率數(shù)值模式的廣泛應(yīng)用，如何有效利用空間檢驗方法以提高模式釋用還有待更進一步研究。