引言

台风登陆造成的灾害往往是由台风引发的暴雨造成的。暴雨会引起山洪爆发或大型水库崩塌等，造成洪水泛滥，带来巨大的损失。因此，多年来关于台风暴雨研究及其预报应用一直是备受重视的课题之一。由于目前地面雨量站点分布不均，雷达探测范围有限。这使得人们很难从定量角度及时获取登陆台风降水的全面信息，也给政府部门制定防洪决策带来了较大的困难。当前用于登陆台风降水的预报方法很多，如数值预报、统计预报等，都具有一定的预报能力。但现有模式的台风初始场同化技术、物理过程和边界层参数化方案以及卫星、雷达等非常规资料的融合应用能力仍较为薄弱。这不仅影响了台风路径预报的精度，也大大限制了对台风降水的预报能力。

早期研究表明，集合数值预报方法是一种专门用来定量估计预报误差，即预报不确定性的动力学方法，其在暴雨这类预报误差较大的预报制作过程中大有作为。集合预报方法在台风暴雨研究和预报中的应用，包括四个方面：(1) 台风暴雨集合预报系统的建立，如初值和物理扰动的生成等；(2) 预报方法，如再预报相似集合法等；(3) 在预报后处理与订正中的应用，如概率匹配平均法(PM)和集合动力因子法等；(4) 对暴雨天气系统的机理分析与模式初值改进，如集合敏感性法和目标观测等(杜钧等，2014；董全等，2016；李勇，2016；赵琳娜等，2015)。本文主要关注第三个方面，也可称集合预报释用技术应用。目前，集合预报产品已在国家级和部分省级台风预报业务中得到初步的应用和推广，相关的集合预报释用技术研发相继开展。例如，中央气象台台风海洋中心基于欧洲中期天气预报中心(ECMWF，简称EC)的集合预报产品和最新台风中心定位，提出一种台风路径预报实时订正技术(ensemble forecast real-time correction method，ERCM；钱奇峰等，2014)，取得了不错的成效。在强降水预报方面，最优百分位、PM等集合统计量产品也得到不断改进和较好业务应用(吴政谦等，2012；彭相瑜等，2014；陈博宇等，2015；李俊等，2015)。因此，本文结合台风路径预报实时订正技术和集合统计量降水产品的最新改进方法，提出一种针对台风降水预报的实时订正方法，为预报员业务预报提供参考。

1 资料与方法

本文所用资料包括EC集合预报降水、台风路径资料以及全国范围国家级站点降水资料。需要指出，EC确定性预报即EC细网格业务模式预报，其水平分辨率约为16 km(0.25°×0.25°)；EC集合预报系统有51个成员，包括1个控制预报和50个扰动成员，其针对东亚区域(15°~55°N、70°~136°E)降水产品水平分辨率约为30 km(0.5°×0.5°)，含133×81个格点。本文选取2013—2015年登陆台风尤特(1311)、潭美(1312)、菲特(1323)、海燕(1330)、威马逊(1409)、麦德姆(1410)、海鸥(1415)、灿鸿(1509)、莲花(1510)、苏迪罗(1513) 和杜鹃(1521) 的暴雨过程为研究对象，分别计算EC确定性预报以及集合统计量等客观产品1~5 d全国范围大雨、暴雨和大暴雨量级降水的TS(Threat scores)评分。

成员优选方案：基于中央气象台台风中心定位，在51个成员中，选取模式起报后6 h时刻中心位置预报偏差最小的前n个成员为优选成员(钱奇峰等，2014)。集合统计量产品：概率匹配平均(Probability Matching average，简称PM)和融合(FUSE)产品。PM产品(图 1)：第一步，将东亚区域内n个成员所有格点(含n×133×81个格点)的降水预报值从大到小排列，将该序列从大到小分为133×81等份，保留每一等份的中位数；第二步，对每个格点上n个成员预报计算平均，得到集合平均场，将集合平均场所有格点的数值按从大到小排列，并保留各数值在平均场中的位置；将第一步保留下来的预报值序列与集合平均场序列从大到小一一对应，将第一步的预报值保留至其对应数值所在集合平均场中的位置。FUSE产品的每个格点计算规则如下(按先后优先顺序)：(1) 如果集合最大值≥100 mm，融合值等于最大值；(2) 如果集合90%分位值≥50 mm，融合值等于90%分位值；(3) 如果集合75%分位值≥25 mm，融合值等于75%分位值；(4) 如果集合中位值≥10 mm，融合值等于中位值；(5) 如果上述条件都不满足，则融合值等于10%分位值。

2 成员优选技术的改进

集合预报较确定性预报的优势在于涵盖预报的多种可能性，通过业务检验发现，除少数个例外，在EC集合预报的51个成员中，总能找到一些成员与台风实际路径非常接近。不难理解，台风的登陆点很大程度决定了台风暴雨过程的降水落区，如果我们利用模式起报时刻到业务起报时刻之间时段内最新的实况来优选预报偏差较小的成员，形成新的预报集合。可以预计，将在一定程度上减小验证时段内集合预报的不确定，提高集合统计量降水产品的准确性。基于这种思路，在实际应用中将面临一个问题：选取多少成员可使产品的降水评分达到最高。

本文以全国范围大暴雨量级TS评分来评估成员优选技术对集合统计量产品的改进程度，同时为初步确定不同预报时效下最优成员数，引入函数R，定义如下：

$ R=T{{S}_{\text{opti}}}/T{{S}_{\text{norm}}} $

式中，TS_norm和TS_opti分别为优选前和优选后集合统计量产品的大暴雨量级降水评分。图 2分别给出了2013—2015年登陆台风暴雨过程中PM和FUSE产品的统计结果。可以看出，成员优选方法对于改进PM和FUSE产品均有明显的效果，且不同预报时效的最优成员数存在一定差异。

对于PM产品，优选10~15个集合成员对改进36、84和132 h时效预报有一定的帮助，其中，36 h时效预报大暴雨评分改进最大接近10%。对于FUSE产品，最优成员数随预报时效而增加，其中，36 h时效预报最优个数在4~6，60 h时效预报最优成员数为8~10个，84 h时效预报最优个数在18~22，108 h时效预报的最优个数在20~28；60 h时效的改进程度最大，可超过20%；预报时效超过132 h以上，成员优选方法对改进产品预报无显著作用。因此，基于最新的台风中心实况，成员优选技术对于改进短期时效内大暴雨降水预报有较为显著的作用。

另一方面，优选成员个数对PM和FUSE产品的影响存在较大不同。对PM产品，函数R曲线往往存在多个极值点，存在一定的波动性；对FUSE产品，函数R曲线的单调性更为明显。近期研究结果显示，集合统计量降水产品对汛期暴雨和大暴雨预报具有一定的参考价值(刘琳等，2013；狄靖月等，2013；张涵斌等，2014；周迪等，2015)。对暴雨量级降水预报，PM产品的TS评分与确定性预报相当，但其空报率相对较低，FUSE产品较确定性预报有更高的TS评分；对大暴雨量级降水预报，PM产品的TS评分低于确定性预报，而FUSE产品的TS评分高于确定性预报。通过检验2013年登陆台风暴雨过程，统计结果显示，FUSE产品的空报站点数平均是确定性预报2~3倍(陈博宇等，2015)。优选成员数的减少有利于控制FUSE产品的空报率，空报率的大幅下降对FUSE产品TS评分的提升有重要影响。由于PM产品的暴雨和大暴雨空报率相对较低，可初步判断，优选少数路径预报较好的成员后其TS评分的提升很大程度受降水分布改进的影响。然而，除了台风路径外，台风降水还受到台风强度等其他各种因素的影响。

3 成员优选产品计算方案的改进

通过第二节对成员优选技术改进作用的评估，结果显示该技术对改进集合统计量降水产品的评分有较明显的作用。此外，基于对PM和FUSE产品的分析，本节将从改进FUSE产品计算规则和成员优选方案两个方面入手，进一步挖掘成员优选产品的潜在应用价值。

3.1 融合匹配平均产品计算规则

根据PM和FUSE产品的计算规则和统计检验结果，分析得出，PM产品优势在于综合了集合成员降水分布的信息，但对台风暴雨过程的降水量级存在一定的低估；FUSE产品是基于独立格点上选取不同百分位值而得出，对暴雨过程的降水量级预报较EC确定性预报有一定优势，但往往是以更高的空报率为代价。因此，综合上述两种产品的各自优势，考虑将FUSE产品与集合平均场再次匹配，得到新的融合匹配平均(Fuse Matching average，FM)产品。具体地，将计算出的FUSE产品所有格点上的预报值按从大到小排列；将该序列与按从大到小排列的集合平均场序列一一对应，并将FUSE产品预报值保留至其对应数值所在集合平均场中的位置，即得到FM产品(图 3)。

一般而言，由于集合平均过程的非线性过滤作用把成员中可预报性相对较低的成分过滤掉而留下各成员共有的信息，因此集合平均预报在降水分布上较单一预报更为准确，而原始集合成员在降水量级或各量级降水出现的频率分布比较准确，把两者有机结合起来，理论上可以得到一个较好的预报。由于引入了集合成员优选技术，本文将区分计算降水分布(集合平均场)和匹配场的优选成员数。因此，对于PM和FM产品，将分别有50×50种优选成员数配置，以期获得该统计量产品的最优评分。

3.2 计算集合平均场和匹配场的优选成员数

图 4给出了在不同计算集合平均场和匹配场优选成员数的配置下，PM和FM产品36和108 h时效预报的TS评分分布。对于36 h时效预报，优选10~15个成员确定集合平均场并匹配10个左右优选成员预报，计算得出的PM产品可使评分达到最优，较使用51个成员计算得出的原PM产品提高近10%(图 4a)；优选10~20个成员确定集合平均场并匹配优选3~5个成员计算得出的FUSE产品，可使由此得到的FM产品的评分达到最优，较优选前的FM产品的评分有较大程度的提高(图 4b)且最优评分与PM产品相当。对于108 h时效预报，优选25~30个成员确定集合平均场并匹配30~45个优选成员预报，计算得出的PM产品可在一定程度上改进原PM产品的评分；优选40~45个成员确定集合平均场并匹配优选10~25个成员计算得出的FUSE产品，也可在一定程度上改进原FM产品的评分，但FM产品的最优评分要明显高于PM产品。不难理解，随着预报时效的增长，初期路径预报较好的成员在验证时刻出现较大路径偏差的可能性也在增加，由此造成确定集合平均场和匹配场的最优成员数也相应增加。

通过比较36和108 h时效预报，结果显示，PM和FM产品108 h时效预报改进程度较36 h时效有所下降，这说明成员优选技术对中期时效集合统计量产品的改进效果要低于短期时效统计量产品。此外，改进后的PM产品的评分对计算集合平均场的优选成员数较计算匹配场的优选成员数更为敏感。结果表明，36 h时效预报中，选取少数路径预报较好的集合成员对于改进PM产品有一定的帮助，而计算匹配场的最优成员数则具有更明显个例依赖性。在短期时效预报中，FM产品对于计算匹配场的优选成员数更为敏感，该结果与第二节中对FUSE产品改进的分析基本吻合。

3.3 成员优选后的PM、FUSE和FM产品比较

PM、FUSE和FM产品在不同预报时效的最优评分存在差异，因此，在成员优选产品业务化过程中需要确定不同预报时效下选用的统计量产品类型。图 5给出了通过成员优选方法改进后的集合平均(AVE)、PM、FUSE和FM产品的最优TS评分及其相应的Bias评分(大暴雨)。结果显示，对于不同预报时效，FM产品的评分要总体高于FUSE产品，且FM产品84 h时效空报率要明显低于FUSE产品(图略)，Bias评分较FUSE产品要更接近于1，这说明通过将FUSE产品匹配到集合平均场得到的FM产品，在一定程度上弥补了FUSE产品空报率偏高的不足。

可以看出，对于36 h时效预报，PM和FM产品表现相当，PM产品的空报率要明显低于FM产品(图略)，而FM产品的Bias评分表现更好，因此在实际业务预报中，PM和FM产品均有一定的参考价值；对于60 h时效预报，FM和FUSE产品的评分要明显高于PM产品，但其Bias评分也出现显著的增加，FM产品的Bias评分较FUSE产品略好；对于84 h时效预报，FM产品的TS评分要明显高于FUSE和PM产品，因此60和84 h时效预报中，FM产品对于提高预报员主观预报评分具有相对更好的帮助，但由于其Bias评分高于1，使用过程中仍需综合考虑FM和PM产品对降水量级的把握。需要指出，由于成员优选技术对中期时效预报改进不显著，下文仅评估短期时效内成员技术的改进作用。

4 个例分析

本文选取2015年台风苏迪罗(1513) 和灿鸿(1509) 暴雨过程具体评估成员优选产品的性能。1513号台风苏迪罗是2015年影响我国范围最广的台风。受其影响，7—11日，台湾、浙江、福建、江西东部和北部、安徽中南部、江苏中南部出现强降雨，其中，台湾大部降雨200~400 mm，局地800~1300 mm；浙江东部和南部、福建东北部、江苏中部、江西北部等地部分地区350~600 mm。与台风苏迪罗相比，1509号台风灿鸿的影响范围相对较小，影响时段较短。受其影响，10—12日，浙江中东部、上海、江苏东南部、安徽南部等地降雨50~140 mm，浙江东北部和安徽黄山降雨150~280 mm。

4.1 台风苏迪罗暴雨过程

针对台风苏迪罗暴雨过程，分别选取了2015年8月9日08时、10日08时和11日08时的24 h累积降水为检验对象，检验24 h时效的预报员定量降水预报及前一天20时起报的36 h时效EC细网格模式和集合统计量降水预报产品，其中，统计量产品包括最优百分位(ECMWF Optimal Quantile，EOQ)、成员优选后的PM(OPTI_PM)和FM(OPTI_FM)产品。需要指出，类似于FUSE产品计算原理，EOQ产品基于历史资料统计各量级降水预报表现最佳的集合百分位产品融合而成，是当前业务预报常用的集合统计量产品之一；在本次检验中，OPTI_PM产品计算集合平均场和匹配场的优选成员数均为11个，而OPTI_FM产品计算集合平均场和匹配场的优选成员数分别为11和3个。

台风苏迪罗暴雨过程分为三个阶段：(1) 登陆初期台风本体降水(8—9日)；(2) 登陆后台风减弱强降水分散(9—10日)；(3) 伴随中纬度高空槽东移与南下冷空气结合降水加强(10—11日)。表 1分别给出了台风苏迪罗暴雨过程三个验证时段主观定量降水预报(QPF)、EC细网格模式、EOQ、OPTI_PM和OPTI_FM产品的暴雨和大暴雨TS和Bias评分。结果显示，台风登陆第一和第三天，预报员以及EC细网格模式、EOQ等客观降水产品均有较好的表现；台风登陆第二天，由于台风系统减弱，强降水分散，预报员和客观产品的评分均有明显的下降；对于上述三个阶段的降水预报，成员优选产品的TS评分总体高于EC细网格、EOQ产品及预报员主观预报，其中在第三天OPTI_PM产品的暴雨和大暴雨TS评分表现更为显著。比较OPTI_PM和OPTI_FM产品，对于本次暴雨过程36 h时效预报，OPTI_PM产品表现要略好于OPTI_FM产品。

图 6给出了台风苏迪罗登陆第一天24 h累积降水实况(9日08时)以及EC细网格模式、EOQ和OPTI_PM和OPTI_FM产品的降水预报分布。在图 6a中，EC细网格模式对暴雨雨带位置总体把握较好，暴雨和大暴雨TS(Bias)评分分别达到0.45(1.05) 和0.54(1.48)，但对大暴雨降水落区预报较实况略为偏西；在图 6c中，OPTI_PM产品的暴雨和大暴雨落区较EC细网格模式略微向东调整，其暴雨和大暴雨TS(Bias)评分分别提高到0.49(0.96) 和0.59(1.19)。EOQ和OPTI_FM产品较上述两者的暴雨和大暴雨落区范围较大，空报率有所增加；比较EOQ和OPTI_FM产品，OPTI_FM产品暴雨和大暴雨落区范围更接近实况，空报率相对较低。此外，对于浙江东南部出现的大暴雨量级降水，EC细网格和OPTI_PM产品预报存在一定低估，而OPTI_FM和EOQ产品有所体现。

图 7给出了台风苏迪罗登陆第三天24 h累积降水实况(11日08时)以及EC细网格模式、EOQ和成员优选产品的降水预报分布。在图 7a中，EC细网格模式对暴雨雨带位置总体把握较好，但对大暴雨的范围把握不足。具体地，EC细网格模式大暴雨降水落区北边界与实况一致，南边界较实况明显偏北，漏报一定数量的大暴雨站点。从图 7b中看出，EOQ产品的大暴雨落区较EC细网格模式明显扩大，几乎包括所有的大暴雨站点，但不足之处是较多站点出现空报。在图 7c和7d中，成员优选产品的大暴雨落区较EC细网格模式明显南扩，同时空报站点并没有明显增加，可为预报员订正EC细网格模式大暴雨落区提供有价值的参考。对于台风环流南侧低空急流带中分散的暴雨站点，EOQ和成员优选产品也均有一定程度的体现。通过进一步检验所有成员的降水评分，结果显示，优选出的11个成员中有7个成员评分位于所有成员评分的前25位，其中4个成员位于评分的前10位(图略)。

此外，比较OPTI_PM和OPTI_FM产品，OPTI_FM产品的大暴雨落区范围较大，在江苏北部出现一定空报，但较好把握江苏西部的大暴雨站点，而OPTI_PM在该区域出现漏报。总体上，对于该降水个例，OPTI_FM产品对大暴雨降水把握较好，而OPTI_PM产品对暴雨降水把握较好。

4.2 台风灿鸿暴雨过程

受台风灿鸿其影响，华东沿海地区出现了较强的风雨天气其影响时段相对台风苏迪罗较短。针对台风灿鸿暴雨过程，本文选取了7月11日20时24 h累积降水为对象，分别检验24 h时效的预报员定量降水预报及08时起报的36、60和84 h时效EC细网格模式、EOQ和成员优选产品。需要指出，对于36 h时效预报，OPTI_PM和OPTI_FM产品计算集合平均场和匹配场的优选成员数与4.1节相同；对60 h(84 h)时效预报，OPTI_PM产品为计算集合平均场和匹配场的优选成员数分别为19(33) 和21(21) 个，而OPTI_FM产品为计算集合平均场和匹配场的优选成员数分别为13(39) 个和7(5) 个。

结果显示(表 2)，对36和84 h时效预报，成员优选产品的TS评分总体高于EC细网格模式和EOQ产品，其中，36 h时效预报，OPTI_PM产品的大暴雨评分要明显高于EC细网格模式和EOQ产品，84 h时效预报，OPTI_PM和OPTI_FM产品的暴雨和大暴雨评分均要高于上述两者；对60 h时效预报，成员优选产品的评分要略低于EC细网格模式，但仍要高于EOQ产品的评分。预报员定量降水预报(QPF)高估了台风降水的强度，对EC细网格模式预报订正出现负技巧。此外，比较OPTI_PM和OPTI_FM产品，36 h时效预报，OPTI_PM产品表现优于OPTI_FM产品；60 h时效预报，OPTI_FM产品评分要略好于OPTI_PM产品；84 h时效预报，两者TS评分相当，但OPTI_FM产品的空报率偏高。

图 8台风灿鸿登陆当天24 h累计降水实况(11日20时)以及EC细网格模式、EOQ和成员优选产品84 h时效降水预报分布。在图 8a中，EC细网格模式的暴雨和大暴雨落区较实况显著偏南，从EC细网格模式7月8日08时起报的路径预报分析，登陆点位于浙江南部，距离实况登陆点浙江舟山有较大的偏差。从图 8b中看出，EOQ产品的暴雨和大暴雨落区较EC细网格产品明显扩大，抓住了浙江中北部的一些暴雨和大暴雨站点，但在福建北部和浙江南部出现较大范围空报。这也说明在51个集合成员中，有部分成员预报的台风登陆点较EC细网格产品偏北。在图 8c中，OPTI_PM产品的暴雨和大暴雨落区范围与EC细网格模式是大致相当的，但落区的位置出现一定程度的北移，这样不仅抓住浙江东北部更多暴雨和大暴雨站点，而且减少福建北部和浙江南部暴雨和大暴雨的空报范围。在图 8d中，OPTI_FM产品较EOQ产品的空报范围明显减小，而且其暴雨和大暴雨的北边界较OPTI_PM产品更偏北，在浙江南部和福建北部，其暴雨和大暴雨的空报范围仍较大。不难看出，成员优选产品为预报员订正EC细网格模式较长时效台风降水预报可提供有用的信息，以上结果也说明对台风路径的实时订正对台风降水预报的改进有重要的作用。

图 9给出了起始于8月7日20时和7月8日08时EC细网格模式和优选成员的路径预报。对于台风苏迪罗个例(图 9a)，从模式初始时刻后6 h看出，EC细网格模式预报台风中心位置较实况是偏西的，即高估了台风的移动速度，这与4.1节中的检验分析基本一致(图 6a)，EC细网格模式的暴雨和大暴雨降水落区预报较实况偏西的，而OPTI_PM产品的大暴雨落区较EC模式略偏东，可为预报员订正EC细网格降水预报提供帮助。对于台风灿鸿个例，初始时刻6 h后实况台风中心出现在多数成员预报的北侧，据此优选出路径偏差较小的集合成员，可预计其路径预报应出现在偏北的位置。结果也显示，多数优选成员的路径预报分布在EC细网格模式路径预报的北侧一边，登陆点大致在浙江中北部一带，这也合理说明成员优选产品暴雨和大暴雨落区较EC细网格模式预报更为偏北。此外，优选成员中有较少成员预报台风灿鸿登陆点在浙江南部附近，这说明随着预报时效增加，初始阶段路径偏差较小的成员在验证时刻路径偏离增大的概率也在增加，这些预报偏差较大的成员在一定程度上会抑制成员优选产品的改进程度。因此，上述结果也可解释成员优选产品在中期时效预报中改进效果不明显的现象。

5 成员优选产品性能评估

在台风降水业务预报过程中，由于预报员分析和预报时间十分有限，主要业务模式精细化预报和常用客观降水产品对预报员确定并制作台风暴雨的落区和降水极值等主观预报产品有重要的影响。通过上述检验结果和个例分析，不难发现，基于实时台风中心定位的成员优选方法可以有效改善传统的集合统计量降水产品。因此，相比EC细网格模式和常用客观降水产品，如EOQ、Ingredient method(IM)、多模式集成(Multiple Model Integration，MMI)、南京大学频率匹配(NJU Frequency Matching)产品等，成员优选产品的预报性能是预报员关心的问题。需要指出，为更加有效评估成员优选产品在台风降水预报中的参考价值，本节增加IM、MMI和NJU频率匹配产品参与比较。具体地，IM产品也称配料法产品，基于暴雨等强对流天气物理机制认识基础上，通过定量计算或定性分析对暴雨发生发展起重要作用的基本物理量的搭配方式，预测是否产生暴雨；MMI产品，以T639、EC、JMA、NCEP业务模式产品为基础，以相似离度、逐级归并法等方法为技术手段，形成的24 h定量降水的动态权重的集成预报产品；NJU频率匹配产品，其原理是历史观测资料，假设模式降水预报频率与观测降水频率一致，通过两者频率匹配降水预报订正值，得出订正后的降水客观产品。

图 10给出了2015年登陆台风过程EC细网格模式、QPF、EOQ、IM、MMI、NJU频率匹配以及OPTI_PM和OPTI_FM产品的大暴雨和暴雨评分。对于台风暴雨过程中大暴雨量级降水预报，OPTI_PM和OPTI_FM产品的评分要高于EC细网格模式和其他客观降水产品，其中36 h时效预报，OPTI_PM产品的评分要高于OPTI_FM产品，60和84 h时效预报，OPTI_FM产品的评分要略高于OPTI_PM产品。对于暴雨量级降水预报，成员优选产品的评分整体高于EC细网格模式和其他客观产品，但改进程度较大暴雨预报有所降低。此外，相比QPF产品，成员优选产品的大暴雨和暴雨短期时效预报均有所提高。

6 结论

本文以2013—2015年登陆我国的主要台风暴雨过程为研究对象，基于EC降水和台风路径集合预报以及中央气象台实时台风业务中心定位资料，提出一种针对EC集合预报的台风降水实时订正技术(简称集合成员优选技术)，设计该技术应用的具体计算方案，考察研究该技术方法业务应用的可行性，得出了以下主要结论：

(1) 在台风暴雨过程的降水预报中，成员优选技术对改进传统集合统计量产品有明显的帮助；在大暴雨和暴雨预报中，成员优选产品较EC细网格模式及其他常用客观降水产品有一定的优势，对预报员预报具有一定的参考价值；成员优选技术对短期时效预报的改进大于中期时效预报，对大暴雨预报的改进大于暴雨和大雨预报。

(2) 基于区分计算降水分布(集合平均场)和匹配场的优选成员数的方案，进一步提升集合统计量产品的评分。研究表明，当统计量产品的评分达到最优时，其计算集合平均场和匹配场的优选成员数并不一致，且该最佳成员数配置随预报时效而变化。结果显示，计算集合平均场和匹配场优选成员数为10~15个的PM产品在36 h时效预报中表现最佳，在60和84 h时效预报中，成员优选后的FM产品评分要高于PM产品，但其预报空报率偏高，因此在参考使用过程中，需综合考虑成员优选后的FM和PM产品对降水量级的把握。

(3) 通过分析PM和FUSE产品各自的优势，综合两种产品的计算原理，将FUSE产品与集合平均场再次匹配，得出的FM产品，经检验统计，其TS评分较FUSE产品有一定的提高，且空报率有显著下降。

另一方面，在成员优选产品业务应用方案中，相比计算集合平均场的优选成员数，PM产品的TS评分对计算匹配场的优选成员数并不敏感，确定成员优选方案的PM产品的预报表现可能存在一定的波动性。因此，考察匹配场最优成员数的影响因子，如台风强度等级，确定出不同强度的登陆台风暴雨过程所对应的成员优选方案，对进一步提高成员优选产品的稳定性有一定的帮助。此外，借鉴其他客观产品(如最优百分位和频率匹配产品)的设计原理来完善成员优选产品的计算方案也是今后研究的重要方面。