快速检索
  气象   2019, Vol. 45 Issue (8): 1065-1074.  DOI: 10.7519/j.issn.1000-0526.2019.08.003

论文

引用本文 [复制中英文]

徐同, 杨玉华, 李佳, 等, 2019. SMS-WARMS V2.0模式对中国西南地区降水预报能力的客观检验[J]. 气象, 45(8): 1065-1074. DOI: 10.7519/j.issn.1000-0526.2019.08.003.
[复制中文]
XU Tong, YANG Yuhua, LI Jia, et al, 2019. An Objective Verification of Forecasting Ability of SMS-WARMS V2.0 Model Precipitation in Southwest China[J]. Meteorological Monthly, 45(8): 1065-1074. DOI: 10.7519/j.issn.1000-0526.2019.08.003.
[复制英文]

资助项目

政府间国际科技创新合作重点专项(2016YFE0109700)、国家自然科学基金青年项目(41505087)和上海市气象局科技开发项目(MS201802)共同资助

第一作者

徐同,主要从事数值天气预报检验工作.Email:xut@mail.typhoon.gov.cn

通信作者

陈葆德,主要从事数值天气预报研究.Email:baode@mail.typhoon.gov.cn.

文章历史

2017年9月7日收稿
2019年6月5日收修定稿
SMS-WARMS V2.0模式对中国西南地区降水预报能力的客观检验
徐同 1,2,3, 杨玉华 1,2,3, 李佳 1,2,3, 陈葆德 1,2,3    
1. 中国气象局上海台风研究所,上海 200030
2. 中国气象局台风数值预报重点实验室,上海 200030
3. 上海区域高分辨率数值预报创新中心,上海 200030
摘要:本文采用标准降水检验方法、EDI方法和MODE方法对新一代上海区域中尺度模式SMS-WARMS V2.0模式2015年12月至2016年11月的西南地区降水预报效果进行评估。结果表明:(1)模式对西南地区四季的降水TS评分均较高,夏季和秋季相对更高,且在48 h内预报性能比较稳定。(2)预报偏差和TSS评分显示,模式对西南地区春、夏两季的各个量级降水预报均较实况偏多,而对秋季的大暴雨和冬季的大雨以上量级预报则相对偏少。总体而言,对西南地区的降水技巧呈现出预报成功率高于空报率的特征。(3)模式对西南地区的小雨、暴雨和大暴雨预报评分优于EC模式。(4)EDI检验显示模式对西南地区的极端降水有较高的预报技巧,对四川中部和东北部以及贵州西南部的极端降水预报技巧相对更高。(5)模式对2015年8月一次西南涡诱发的暴雨过程的空间落区预报较好,强度较实况偏强。(6)MODE方法统计结果表明,模式对西南地区暴雨预报的目标质心偏差较小,降水中心强度偏强。
关键词SMS-WARMS V2.0模式    中国西南地区    降水    检验    
An Objective Verification of Forecasting Ability of SMS-WARMS V2.0 Model Precipitation in Southwest China
XU Tong1,2,3, YANG Yuhua1,2,3, LI Jia1,2,3, CHEN Baode1,2,3    
1. Shanghai Typhoon Institute, CMA, Shanghai 200030;
2. Key Laboratory of Numerical Modeling for Tropical Cyclone, CMA, Shanghai 200030;
3. Shanghai Innovative Center of Regional High-Resolution NWP, Shanghai 200030
Abstract: Standard precipitation verification method, extreme dependency index and method for object-based diagnostic evaluation (MODE) are applied in this paper to make evaluation of SMS-WARMS V2.0 precipitation in Southwest China from December 2015 to November 2016. The results show that (1) the treat scores of four seasons in Southwest are high, especially in spring and summer, and the performance is relatively stable within 48 h. (2) The results of frequency bias and true skill score show each magnitude precipitation in spring and summer forecasted by SMS-WARMS V2.0 in Southwest China is more than observation, but the model forecast to torrential rain in autumn and heavy rain in winter is relatively less. Overall, the forecast skill in Southwest China exhibits the features that the POD is higher than FAR. (3) The treat scores of light rain, torrential rain and downpour forecasted by SMS-WARMS V2.0 are higher than ECMWF model. (4) Model has a good performance in forecasting extreme precipitation in Southwest through extreme dependency index, especially better for central and northeastern Sichuan and southwestern Guizhou. (5) Precipitation area forecast of a rainstorm process caused by a southwest vortex in August 2015 performed well in space, but the intensity was stronger than observation. (6) Statistic results made by MODE show that the rainstorm object centroid has a small bias between forecast and observation, but the central intensity of precipitation is stronger than observation.
Key words: SMS-WARMS V2.0    Southwest China    precipitation    verification    
引言

我国西南地区地处中印半岛北部、青藏高原东南侧,包括云南全省、贵州西部、四川西南部、广西西北部以及西藏东部一带。由于其特殊的地理位置及其特定的地形,使该地出现一些像西南涡和高原低涡类的中尺度天气系统,较小的时空尺度决定其区域性、突发性和剧烈性。肖玉华等(2010)基于T639、T213、日本和德国数值预报模式对2008年5—9月的预报分区域进行了客观检验分析, 结果表明各模式在西南地区的降水预报能力随着降水级别的增加而减弱,到暴雨级别,西南区已成为各模式TS评分最低区域,正确率最低值出现在四川盆地。公颖等(2010)利用AREM、T213L31、JAPAN三个模式对2008年夏半年(5—11月)西南地区降水预报进行了统计检验,结果表明三个模式在青藏高原东南缘地区均有降水空报现象,对于西南低涡这一尺度小、结构复杂的特殊天气系统,当前模式对其强度、位置和诱发的强降水预报效果仍有待提高。张利红和何光碧(2014)研究了GRAPES_MesoV3.1模式对2011年夏季青藏高原东部及周边区域的预报效果,研究表明对于降水预报,无论是6 h还是24 h累加降水,V3.1模式的TS评分都高于V2.5模式,尤其是大雨和暴雨预报,V3.1模式能明显减小漏报率、提高日平均降水准确率,但对空报率和云南以西的虚假降水改善不明显。王静等(2017)利用2015年6—8月GRAPES-RPES区域集合预报资料,评估了模式对西南低涡发生、发展、移动及降水过程集合预报性能,证明模式有较优的预报技巧。华东区域9 km分辨率的中尺度模式系统是华东区域气象中心主要的数值预报业务模式系统,2013年该模式系统进行了全面升级改进,模式的预报范围扩大至全国(以下简称SMS-WARMS V2.0)。徐同等(2016)将SMS-WARMS V2.0与旧版模式进行了对比统计检验,结果显示新版模式对降水、2 m气温和10 m风速的预报性能均优于旧版模式。由于西南地区邻近青藏高原,地形复杂多变,因此对数值预报有较大挑战,对该地区的客观检验有助于进一步了解华东区域模式对该地区的预报性能,并且西南地区相对较多且可靠的观测资料使得检验结果较为可信,可以为该模式在西南地区的应用提供参考依据。

1 资料

用于统计检验的模式预报资料为2015年12月至2016年11月SMS-WARMS V2.0模式和ECMWF高分辨率模式(以下简称EC模式)08时(北京时)预报降水资料,个例检验资料为2015年8月16日08时模式预报降水资料。2015年8月16日08时至18日08时,受盆地西南涡西移影响,四川、重庆、贵州等地出现大范围降雨天气,暴雨主要位于川渝交界的四川盆地东部地区,超过100 mm的降雨站点数为37个,超过200 mm的降雨站点数为3个,其中四川高坪区观测站累积降雨量更是达到331 mm。此次强降雨对川、渝多个市、县造成洪涝、塌方、滑坡等灾害,人民财产遭受重大损失。因此,本文选择此个例进行检验。

使用的观测资料主要包括:2015年12月至2016年11月全国2400个观测台站逐6 h降水量观测数据,24 h累积降水由6 h间隔资料累加得到,个例检验观测资料为2015年8月16—17日。本文定义的西南地区检验范围为25°~34.5°N、97°~110.5°E,主要包含青藏高原东部、四川、重庆、贵州、青海东南部、甘肃南部、陕西南部、云南北部、广西北部等地。评估区域462个观测站点分布如图 1所示。

图 1 检验区域462个观测站点分布 Fig. 1 Distribution of observation stations in verification region, including 462 stations
2 检验方法 2.1 标准降水检验方法

本文常规降水检验方法主要采用TS技巧评分、预报偏差(BIAS)和TSS评分。王雨等(2014)潘留杰等(2014)公颖等(2015)陈超君等(2015)屠妮妮等(2016)也采用这些方法开展了相关的检验评估工作。三种评分指数均来自于列联表(表 1),分别表示如下:

表 1 降水检验列联表 Table 1 Contingency table of rainfall verification

(1) 临界成功指数(CSI):

$ CSI = \frac{A}{{A + B + C}} $

通常也称之为TS评分,TS评分的取值范围为[0, 1], CSI=1表示预报完美。

(2) 预报偏差(BIAS):

$ BIAS = \frac{{A + B}}{{A + C}} $

表示预报事件发生的次数与观测事件发生次数的比率,BIAS=1表示预报完美。

(3) TSS评分:

$ \begin{array}{*{20}{c}} {TSS = \frac{{AD - BC}}{{(A + C)(B + D)}}, }\\ {TSS = POD - POFD} \end{array} $

式中,POD为成功率,POFD为空报率, TSS反映了成功预报与空报的差异,阈值范围[-1,1],理想的预报TSS=1, TSS=0则表示无预报技巧。

2.2 极端降水检验方法

标准降水检验方法(例如TS、ETS等)评估模式确定性预报的极端二元事件(例如极端降水时)会依耐于基准率(base rate,即样本气候值,是事件发生的相对频率)的大小, 当检验的事件变得越来越极端时,评分会退化为一个很小的值,接近于0。众所周知,受局地气候的影响,某一地区例如我国西北和华南极端降水事件出现频次是有很大差异的,因此,用TS等评分评价极端降水预报的技巧是不够客观的。Stephenson et al (2008)Ferro and Stephenson(2011)提出了用于极端天气事件的检验方法极端依赖评分(EDS)以及极端依赖指数(EDI), 这些检验方法解决了评分技巧会随事件极端性增加而趋向于0的问题,也不依耐于基准率,因此是目前为止检验极端降水的较为客观的方法。Ghelli and Primo(2009)将EDS检验方法应用于EC模式的极端降水预报检验研究。本文将采用EDI评估SMS-WARMS V2.0对西南地区的极端降水预报性能。基准率和EDI的计算公式如下:

$ \mathit{Base}{\rm{ }}\mathit{Rate} = \frac{{A + C}}{{A + B + C + D}} $ (1)

式中,A, B, C, D定义参见表 1

$ EDI = \frac{{\log F - \log H}}{{\log F + \log H}} $ (2)

式中,F为空报率,$F = \frac{B}{{B + D}}$H为击中率,H=$\frac{A}{{A + C}}$EDI取值范围为[-1, 1],EDI=1表示预报完美。

2.3 基于目标的诊断检验方法(MODE)

空间检验技术是近十年发展起来的新兴检验技术,主要面向中尺度天气数值预报模式。Davis et al (2006a;2006b)发展的一种基于目标的诊断评估方法(method for object-based diagnostic evaluation,MODE), 该方法可以客观地从预报和观测场中识别出检验目标,并且可以对预报和观测目标的相关属性进行对比,这些属性包括位置、形状、移向等。通过空间属性的计算和对比,提供了一种类似于预报员主观检验的方法,该方法更适用于中尺度高分辨率模式的检验。近年来,国内尤凤春等(2011)王国荣等(2014)薛春芳和潘留杰(2016)李佳等(2016)张博等(2017)也开展了MODE方法在数值模式检验中的应用研究,本文中MODE方法的卷积半径为6个格距,检验阈值24 h累积降水大于50 mm, 关于该方法的详细介绍参见李佳等(2016)

3 检验结果分析 3.1 常规检验方法分析

图 2显示了模式2015年12月至2016年11月对西南地区四季降水的TS评分以及偏差情况。24 h累计降水分别按照小雨(24 h累积降水量>0.1 mm)、中雨(24 h累积降水量>10 mm)、大雨(24 h累积降水量>25 mm)、暴雨(24 h累积降水量>50 mm)和大暴雨(24 h累积降水量>100 mm)进行检验。其中四季如下定义,冬季(2015年12月至2016年2月)、春季(2016年3—5月)、夏季(2016年6—8月)、秋季(2016年9—11月)。如图 2所示,除个别量级外(例如秋季48 h暴雨和大暴雨评分),模式对西南地区四季的降水TS评分总体随着降水量级的增加而降低,即小雨评分最高,大暴雨评分最低。随着预报时效增加(24 h增至48 h),预报技巧降低并不显著,例如春季和夏季24 h小雨预报技巧评分分别为0.55和0.60, 48 h技巧评分则分别为0.53和0.58。对比不同季节的降水预报技巧可见,模式对西南地区夏季和秋季降水的预报技巧相对较高,而冬季的预报技巧相对较低。对比张利红和何光碧(2014)的研究结果可见, 从TS评分来看,SMS-WARMS V2.0模式对夏季西南地区的降水有较高的预报技巧,并且在48 h以内预报性能比较稳定。

图 2 2015年12月至2016年11月SMS-WARMS V2.0模式对西南地区四季(24和48 h)降水预报的TS评分(a, c, e, g)及预报偏差(b, d, f, h) (a, b)春季,(c, d)夏季,(e, f)秋季,(g, h)冬季 Fig. 2 TS (a, c, e, g) and BIAS (b, d, f, h) of precipitation forecast of four seasons in Southwest China by SMS-WARMS V2.0 from December 2015 to November 2016 (a, b) spring, (c, d) summer, (e, f) autumn, (g, h) winter

预报偏差是统计区域内(该降水等级)预报降水站数与实况降水站数的比值,因此预报偏差越接近1,说明该量级预报范围越接近实况,偏差大于1说明该量级预报降水较实况偏多(范围偏大),偏差小于1说明该量级预报降水较实况偏少。由图 2可见,模式对西南地区春季降水(图 2b)的预报偏差在各个量级均高于1,说明模式预报降水较实况偏多;夏季(图 2d)的情况与春季类似;秋季模式(图 2f)对小雨至暴雨的预报偏差都大于1,而对大暴雨的预报偏差小于1,说明模式对西南地区秋季大暴雨量级的降水预报比实况偏少;冬季模式对西南地区降水预报偏差(图 2h)在小雨和中雨量级较实况偏多,在大雨以上量级较实况偏少。

TSS评分反映了成功预报与空报的差异,如图 3a所示,模式对西南地区春季降水预报的TSS评分随着降水阈值的增加(小雨到暴雨)有逐渐降低的趋势,说明随着降水量级的增加,模式正确预报率和空报率越来越接近。24 h大暴雨TSS评分高于暴雨评分,说明模式对西南地区春季大暴雨的预报正确率和空报率的差异大于暴雨。随着检验阈值增加(小雨至大暴雨;图 3b), 模式夏季降水预报正确率和空报率的差异逐渐减小,TSS评分逐渐降低。秋季情况与夏季类似(图 3c), 不同的是大暴雨的TSS评分要高于暴雨。模式对西南地区冬季降水预报的TSS评分在暴雨和大暴雨量级为0(图 3d),表示这两个阈值的预报正确率和空报率相等。从以上分析可以看出,模式对西南地区的降水技巧总体呈现出预报成功率高于空报率的特征。

图 3 2015年12月至2016年11月SMS-WARMS V2.0模式对西南地区四季(24和48 h)降水预报的TSS评分 (a)春季,(b)夏季,(c)秋季,(d)冬季 Fig. 3 TSS of precipitation forecast of four seasons in Southwest China by SMS-WARMS V2.0 from December 2015 to November 2016 (a) spring, (b) summer, (c) autumn, (d) winter

图 4为2015年12月至2016年11月SMS-WARMS V2.0与EC模式对西南地区的降水预报TS评分,由图可见,EC模式对西南地区的中雨和大雨预报TS评分相对要高于SMS-WARMS V2.0模式,如EC模式的中雨24和48 h预报评分分别为0.24和0.21,SMS-WARMS V2.0模式则分别为0.23和0.19。SMS-WARMS V2.0模式对小雨、暴雨和大暴雨的预报TS评分要高于EC模式,在24 h累积降水量>100 mm以上表现的比较明显,例如SMS-WARMS V2.0的大暴雨24和48 h预报评均为0.02,EC模式则分别为0.01和0.004,说明SMS-WARMS V2.0模式对西南地区的暴雨以上强降水有较高的预报技巧。

图 4 2015年12月至2016年11月SMS-WARMS V2.0模式与EC模式对西南地区24和48 h降水预报的TS评分 Fig. 4 The precipitation TS forecasted by SMS-WARMS V2.0 and EC model from December 2015 to November 2016
3.2 极端降水检验方法分析

图 5显示了SMS-WARMS V2.0模式对西南地区四季降水预报的EDI评分、TS评分和基准率,评分阈值分别为24 h累积降水>25 mm、>50 mm、>80 mm、>100 mm。从基准率分析可见,西南地区四季降水事件出现频率均随着事件极端性的增加而迅速趋向于0,与之对应的TS评分由于对基准率的依赖性,也有类似的特征,例如夏季24 h累积降水量>100 mm的基准率为0.002,对应的TS评分为0.01。与TS评分相比, EDI评分并不随着降水事件极端程度的增加而迅速减小并向0收敛,相反对暴雨以上极端降水仍有较高的预报技巧。以春季为例,24 h累积降水量>80 mm降水的EDI评分为0.58,夏、秋、冬季的EDI评分也分别达到0.50、0.75和0.78;春季24 h累积降水量>100 mm降水的EDI评分为0.56,夏、秋、冬季的EDI评分分别为0.60、0.70和0.74。可见SMS-WARMS V2.0模式对西南地区四季极端降水均有较高的预报技巧,具有较好的参考价值。

图 5 2015年12月至2016年11月SMS-WARMS V2.0模式对西南地区四季EDI、TS评分及降水预报基准率 (a)春季,(b)夏季,(c)秋季,(d)冬季 Fig. 5 Extremal dependence indice (EDI), TS and base rate of precipitation forecast of four seasons in Southwest China by SMS-WARMS V2.0 from December 2015 to November 2016 (a) spring, (b) summer, (c) autumn, (d) winter

图 6显示了SMS-WARMS V2.0模式对西南地区2015年12月至2016年11月预报EDI评分空间分布情况,阈值分别取24 h累积降水量>25 mm、>50 mm、>80 mm。从24 h累积降水量>25 mm的EDI评分空间分布(图 6a)可见,评分较高的区域主要位于高原东部、青海南部、四川中部及甘肃南部,其中评分最高站点为四川广元(0.88),评分最低站点为四川万源(0.06)。从模式对西南地区24 h累积降水量>50 mm(暴雨量级以上)降水预报EDI评分指数分布分析可见(图 6b6c), 模式对西南地区的极端降水有较高的评分技巧,24 h累积降水量>50 mm和>80 mm所有站点的平均评分分别为0.72和0.85,图 6b中EDI评分高值主要位于四川中部和东北部、甘肃西南部等地,其中评分最高站点为重庆奉节(0.87),评分最低站点为珙县(0.32),图 6c中EDI高值主要位于四川中部和东北部、贵州西南部等地,其中评分最高站点为四川雅安(0.82),评分最低站点为泸县(0.59)。

图 6 2015年12月至2016年11月SMS-WARMS V2.0模式对西南地区24 h降水预报EDI空间分布 (a)>25 mm, (b)>50 mm, (c)>80 mm Fig. 6 EDI distribution of precipitation forecast in Southwest China by SMS-WARMS V2.0 from December 2015 to November 2016 (a) >25 mm, (b) >50 mm, (c) >80 mm
3.3 西南涡强降水过程检验

西南低涡是影响中国降水的重要天气系统之一。由西南低涡诱发或加强的暴雨过程往往能给西南地区带来严重的自然灾害和生命财产损失。2015年8月16日开始,四川盆地出现了范围最广、强度最大的一次区域暴雨性过程,暴雨从16日晚一直持续至18日白天。此次暴雨的主要天气影响系统为西南低涡,水汽主要来源于孟加拉湾,暖湿空气沿着副热带高压外围的西南气流进入四川盆地,与来自北方的冷空气在川东北地区相遇,为暴雨提供了充足的水汽条件。如图 7a所示,8月16日08时至17日08时,强降水主要出现在四川偏东部地区,大暴雨中心位于德阳至资阳一带。17日08时至18日08时,随着低涡东移,强降水主要出现在四川东部和贵州北部(图 7b)。

图 7 2015年8月16日08时至17日08时(a),17日08时至18日08时(b) 24 h累积实况降水量 Fig. 7 Accumulated 24 h observed rainfall from 08:00 BT 16 to 08:00 BT 17 (a), 08:00 BT 17 to 08:00 BT 18 (b) August 2015

图 8为SMS-WARMS V2.0模式2015年8月16日08时预报经由MODE方法识别出的配对目标(阈值为24 h累积降水>50 mm,表示识别的是暴雨以上的目标)。由图可见,本次预报共识别出一个目标。表 2中列举出了图 8中配对目标的部分属性,这些属性包括了面积、质心距离以及百分位强度比率等, 这些属性值客观地从空间反映出模式预报的性能。例如, 预报目标面积为623, 观测目标面积为603, 两者面积之差为20, 面积比为1.03,因此可见模式对暴雨落区的预报面积和观测面积非常接近, 说明模式对本次西南涡暴雨影响的空间范围预报较为准确。经计算,预报目标的质心位置位于30.32°N、105.61°E,对应观测目标质心位置位于30.49°N、105.85°E,两者非常接近。预报目标与观测目标之间的质心距离为3.35格距, 约为30.1 km, 并且两者之间交叉面积达到407, 说明预报对象与观测对象之间空间偏差很小。从预报强度来看, 预报目标的50%分位强度为62.76, 即预报场中有50%的格点降水强度大于62.76 mm, 对应观测目标50%分位强度为66.21, 两者之比为0.95, 强度基本相当;预报目标的90%分位强度为125.71, 即预报场中有10%的格点降水值大于125.71 mm, 而观测目标的90%分位强度为92.29, 两者之比为1.36, 说明模式预报的降水强度总体要强于观测,在90%分位表现得更为明显。

图 8 2015年8月16日SMS-WARMS V2.0模式单次预报识别出的配对目标 (a)预报,(b)观测 Fig. 8 Matched object identified for the 16 August 2015 case shown in Fig. 7 for (a) SMS-WARMS V2.0 and (b) observation

表 2 图 8中配对目标属性值和属性比值 Table 2 Matched object attribute and attribute comparisons shown in Fig. 8
3.4 MODE方法统计检验

表 3给出2015年12月至2016年11月SMS-WARMS V2.0模式预报西南地区暴雨经由MODE方法检验识别出的暴雨目标对象平均统计值,共有43个统计样本,其中目标质心纬度的平均偏差为0.05°,说明模式预报的目标位置相对于观测略偏北,目标质心经度平均偏差为-0.31°,说明模式预报的目标位置相对于观测略偏西。从目标质心的纬度和经度偏差可见,模式对降水目标的空间落区比较准确,偏差较小。预报目标和观测目标的平均面积比为2.03,说明模式预报的暴雨以上强降水的范围要大于观测。90%分位比率为1.83,表明模式对强降水中心的预报强于观测。

表 3 2015年12月至2016年11月西南地区暴雨经由MODE方法检验识别的多个目标平均属性值及四季平均值 Table 3 Average attribute value of objects distinguished by MODE in Southwest China from December 2015 to November 2016 and four seasons

分析模式对西南地区春、夏、秋、冬四季的空间预报检验属性平均值可见,春季和秋季的目标平均质心纬度为-0.10和-0.09°N,表明预报目标位置相对于观测偏南,而夏季和冬季偏北;从目标质心经度分析,四季的预报目标位置相对于观测均为偏西;从面积比分析,模式四季的预报目标和观测目标平均面积比均>1,其中秋季误差最小90%分位比率均大于1。综上所述,MODE方法的多项空间检验指标表明模式对西南地区的夏季和秋季暴雨预报技巧相对更高。

4 结论和讨论

本文采用多种降水检验方法评估2015年12月至2016年11月SMS-WARMS V2.0模式对我国西南地区的降水预报性能,得出以下主要结论:

(1) TS评分显示,SMS-WARMS V2.0模式对西南地区四季的降水评分均有较高的预报技巧,夏季和秋季相对更高,并且在48 h内预报性能比较稳定。从预报偏差的分析可以看出,模式对西南地区春、夏两季的各个量级降水预报均较实况偏多,而对秋季的大暴雨和冬季的大雨以上量级预报则相对偏少。TSS评分检验表明,模式对西南地区的降水技巧总体呈现出预报成功率高于空报率的特征。SMS-WARMS V2.0模式对西南地区的小雨、暴雨和大暴雨预报TS评分优于EC模式。

(2) 由西南地区四季降水预报的EDI评分及其空间分布可见,SMS-WARMS V2.0模式对西南地区的极端降水预报总体有较好的技巧,对四川中部和东北部以及贵州西南部的极端降水预报技巧相对更高。

(3) 将MODE空间检验方法应用于2015年一次西南低涡暴雨过程检验,预报面积和质心距离两种检验指标分析显示,SMS-WARMS V2.0模式对西南涡暴雨的空间范围预报较为准确,预报降水较观测偏强,暴雨中心表现得更为明显。

(4) MODE方法统计检验结果表明,SMS-WARMS V2.0模式对西南地区的暴雨预报空间落区较为准确,降水目标质心偏差较小,降水中心强度偏强,多项空间检验指标表明模式对西南地区的夏季和秋季暴雨预报技巧相对更高。

参考文献
陈超君, 李俊, 王明欢, 2015. 2013年汛期华中区域业务数值模式降水预报检验[J]. 气象与环境学报, 31(2): 1-8. Chen C J, Li J, Wang M H, 2015. Verification of precipitation forecast using an operational numerical model during flooding season of 2013 in the middle area of China[J]. J Meteor Environ, 31(2): 1-8 (in Chinese).
公颖, 王叶红, 赖安伟, 2010. 三个模式对2008年夏半年西南区降水预报效果的检验[J]. 高原气象, 29(6): 1441-1451. Gong Y, Wang Y H, Lai A W, 2010. Verification of three model precipitation forecast performances in Southwest China in summer half year, 2008[J]. Plateau Meteor, 29(6): 1441-1451 (in Chinese).
公颖, 周小珊, 杨森, 等, 2015. 2012年东北地区重大天气过程WRF模式预报效果检验[J]. 气象与环境学报, 31(6): 27-33. Gong Y, Zhou X S, Yang S, et al, 2015. Verification of forecasting effect by WRF model for important weather processes in northeast China in 2012[J]. J Meteor Environ, 31(6): 27-33 (in Chinese). DOI:10.3969/j.issn.1673-503X.2015.06.004
李佳, 陈葆德, 徐同, 2016. 目标检验方法在高分辨率数值天气预报检验中的应用[J]. 沙漠与绿洲气象, 10(5): 1-9. Li J, Chen B D, Xu T, 2016. Application of the object-based verification method for high resolution NWP[J]. Desert Oasis Meteor, 10(5): 1-9 (in Chinese). DOI:10.3969/j.issn.1002-0799.2016.05.001
潘留杰, 张宏芳, 王建鹏, 等, 2014. 日本高分辨率模式对中国降水预报能力的客观检验[J]. 高原气象, 33(2): 483-494. Pan L J, Zhang H F, Wang J P, et al, 2014. An objective verification of forecasting ability of Japan high-resolution model precipitation in China[J]. Plateau Meteor, 33(2): 483-494 (in Chinese).
屠妮妮, 何光碧, 衡志炜, 等, 2016. 基于MET系统对SWCWARMS及GRAPES模式在西南地区的站点检验分析[J]. 高原山地气象研究, 36(2): 8-16. Tu N N, He G B, Heng Z W, et al, 2016. The station verification in Southwest China from SWCWARMS model and GRAPES model based on MET system[J]. Plateau Mountain Meteor Res, 36(2): 8-16 (in Chinese).
王国荣, 陈敏, 尤凤春, 等, 2014. 基于对象诊断的空间检验方法(MODE)[J]. 气象科技, 42(4): 652-656. Wang G R, Chen M, You F C, et al, 2014. Method for object-based diagnostic evalu-ation and its application[J]. Meteor Sci Technol, 42(4): 652-656 (in Chinese). DOI:10.3969/j.issn.1671-6345.2014.04.022
王静, 陈静, 钟有亮, 等, 2017. GRAPES-REPS西南低涡预报检验评估[J]. 气象, 43(4): 385-401. Wang J, Chen J, Zhong Y L, et al, 2017. Verification and evaluation of the southwest vortex forecast by GRAPES-REPS[J]. Meteor Mon, 43(4): 385-401 (in Chinese).
王雨, 公颖, 陈法敬, 等, 2014. 区域业务模式6h降水预报检验方案比较[J]. 应用气象学报, 24(2): 171-178. Wang Y, Gong Y, Chen F J, et al, 2014. Comparison of two verification methods for 6 h precipitation forecasts of regional models[J]. J Appl Meteor Sci, 24(2): 171-178 (in Chinese).
肖玉华, 赵静, 蒋丽娟, 2010. 数值模式预报性能的地域性特点初步分析[J]. 暴雨灾害, 29(4): 322-327. Xiao Y H, Zhao J, Jiang L J, 2010. Analysis on geography & physiognomy character of numerical model prediction performance[J]. Torr Rain Dis, 29(4): 322-327 (in Chinese). DOI:10.3969/j.issn.1004-9045.2010.04.004
徐同, 李佳, 杨玉华, 等, 2016. SMS-WARMS V2.0模式预报效果检验[J]. 气象, 42(10): 1176-1183. Xu T, Li J, Yang Y H, et al, 2016. Verification of SMS-WARMSV2.0 model forecast results[J]. Meteor Mon, 42(10): 1176-1183 (in Chinese). DOI:10.7519/j.issn.1000-0526.2016.10.002
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 (in Chinese).
尤凤春, 王国荣, 郭锐, 等, 2011. MODE方法在降水预报检验中的应用分析[J]. 气象, 37(12): 1498-1503. You F C, Wang G R, Guo R, et al, 2011. The application analysis of MODE method to the rainfall forecast test[J]. Meteor Mon, 37(12): 1498-1503 (in Chinese). DOI:10.7519/j.issn.1000-0526.2011.12.004
张博, 赵滨, 牛若芸, 等, 2017. 全球模式对华北区域性强降水中期预报能力检验[J]. 暴雨灾害, 36(2): 118-124. Zhang B, Zhao B, Niu R Y, et al, 2017. The performance verification of several numerical models in middle range forecasting of regional heavy rainfall in North China[J]. Torr Rain Dis, 36(2): 118-124 (in Chinese). DOI:10.3969/j.issn.1004-9045.2017.02.003
张利红, 何光碧, 2014. GRAPES_Meso模式对2011年夏季青藏高原东部及周边区域的预报检验[J]. 高原气象, 33(1): 14-25. Zhang L H, He G B, 2014. Verification for GRAPES_Meso model in eastern Qinghai-Xizang Plateau and its surroundings in summer of 2011[J]. Plateau Meteor, 33(1): 14-25 (in Chinese).
Davis C, Brown B, Bullock R, 2006a. Object-based verification of precipitation forecasts.Part Ⅰ:methodology and application to meso-scale rain areas[J]. Mon Wea Rev, 134(7): 1772-1784. DOI:10.1175/MWR3145.1
Davis C, Brown B, Bullock R, 2006b. Object-based verification of precipitation forecasts.Part Ⅱ:application to convective rain systems[J]. Mon Wea Rev, 134(7): 1785-1795. DOI:10.1175/MWR3146.1
Ferro A T, Stephenson D B, 2011. Extremal dependence indices:improved verification measures for deterministic forecasts of rare binary events[J]. Wea Forecasting, 26(5): 699-713. DOI:10.1175/WAF-D-10-05030.1
Ghelli A, Primo C, 2009. On the use of the extreme dependency score to investigate the performance of an NWP model for rare events[J]. Meteor Appl, 16(4): 537-544. DOI:10.1002/met.153
Stephenson D B, Casati B, Ferro C A T, et al, 2008. The extreme dependency score:a non-vanishing measure for forecasts of rare events[J]. Meteor Appl, 15(1): 41-50. DOI:10.1002/met.53