引言

发展智能网格天气预报业务，既是为适应社会大众和经济发展的需求，也是天气预报科学技术发展的必然趋势。当前，智能手机、户外显示屏、门户网站等成为公众途径获取气象信息的主要途径，需要定时定点的天气预报数据；农业、渔业、能源、交通、运输、建筑等行业的生产调度对天气预报的预报时效和要素种类提出了更多需求；山洪地质灾害、城市内涝、森林火险等气象灾害的防御对天气预报的及时性和准确率提出更高的要求。传统的固定城市乡镇单点预报或文字定性描述的落区预报已无法满足(赵声蓉，2015)，需要发展无缝隙、全覆盖、精细化的网格天气预报产品。同时，数值天气模式快速发展，形成从全球到对流尺度、短时到中短期的完整体系，提供了多尺度、多种类的气象要素输出场，结合高时空分辨率的多源资料实况分析场，为构建智能网格天气预报业务提供了前提和基础(金荣花等，2019)。

21世纪以来，多个发达国家的天气业务中心都开展了智能网格天气预报业务。美国国家气象局(NWS)最早从2003年开始研发国家数字预报数据库(National Digital Forecast Database，NDFD)，建立以国家业务中心产品为指导，各地区业务部门在此基础上进行交互制作的数字化预报新流程(Glahn and Ruth, 2003)。NDFD从2006年8月开始投入业务运行(Glahn et al, 2009)，到目前提供逐1 h更新2.5 km×5 km分辨率从0时刻到45 d的84种气象要素或天气的网格预报产品(https://www.weather.gov/mdl/ndfd_info)。此外，如奥地利气象局研制了无缝隙概率预报系统(SAPHIR)提供空间分辨率达1 km、逐10 min更新的0~3 d的概率预报产品(Kann et al, 2018)；德国基于多模式统计后处理优化集成技术，提供逐10 min更新、2.5 km分辨率的网格预报产品，预报时效最长达30 d；澳大利亚采用多模式集成业务预报技术(Gridded Operational Consensus Forecast，GOCF)提供5 km分辨率的网格预报产品(Engel and Ebert, 2012)。

中国气象局智能网格预报业务从2014年开始，启动与城镇要素预报相协调的全国10 km格点指导预报产品研发；2016年将空间分辨率提升到5 km，并开始构建国家级下发指导产品，省市级业务单位进一步订正，最后上传拼接形成全国“一张网”的智能网格预报业务链条。2018年智能网格预报进入单轨运行，城镇单点预报逐步停止；2019年短时滚动、延伸期网格预报进入业务试运行，初步建立无缝隙网格天气预报产品体系(金荣花等，2019)。智能网格预报业务的技术体系采取“分时施策、多源集成”的途径，即不同预报时效采用不同类型的模式数据和后处理方法，多种后处理方法同时发展并通过优选或权重进行集成。在国家级业务单位，对温度、风等常规要素，主要基于T639模式(至2019年转为以GRAPES模式为基础)采用格点化MOS方法(Glahn et al, 2009；赵声蓉等，2012；赵声蓉，2015)或区域建模技术(赵翠光和赵声蓉，2011)；对于降水格点预报，发展和采用了多模式降水相似分析集成方法(陈力强等，2005；林建等，2013)，频率拟合订正算法(Zhu and Luo, 2015)，集合最优百分位方法(代刊等，2018)，并研制主客观融合平台(唐健等，2018)，形成国家级的格点化定量降水预报业务(代刊等，2016；曹勇等，2016)。在省市级业务单位，基于本地业务基础和天气特点，发展了多种后处理方法，如福建发展了最优TS评分订正算法(吴启树等，2017)；陕西研发了动态交叉最优要素预报(Dynamic Cross Optimal Element Forecast，DCOEF)方法(王建鹏等，2018)；黑龙江采用多模式集成客观预报方法(王承伟等，2018)；上海市使用“递减平均”“择优选取”“要素分类”等技术(王海宾等，2016)。

智能网格预报产品的检验评估是保障智能网格预报技术发展和业务价值链形成的基础性工作。已有研究对网格预报产品开展综合检验评估，如：Huntemann et al(2015)以站点实况和格点实况分析为参照，对美国NWS的降水BS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)对澳大利亚的GOCF温度网格预报进行了检验，并与ECMWF、UK等模式进行对比评估。国家气象中心建立了“国家级天气预报检验分析系统”(韦青等，2019)，实现对各级网格预报产品的常规检验评估。到目前为止，还尚未对我国网格预报产品进行较为全面的检验评估。本文重点针对2016—2018年的中短期降水、温度网格要素，以站点实况和格点实况分析作为参照进行检验，并与GRAPES和ECMWF业务模式进行对比评估，以便分析我国网格预报产品质量以及在数值模式基础上的准确提升率。

1 检验数据及方法

本文检验2016—2018年智能网格预报数据。该数据分为国家级指导(简称SCMOC)和省市级订正反馈(简称SPCC)两种，其中SCMOC由国家气象中心制作下发，SPCC为省市级业务单位在SCMOC基础上修改订正后上传拼接得到。SCMOC和SPCC的空间分辨率为5 km，范围为0°~60°N、70°~140°E。需要说明，SPCC的3~7 d降水、日最高/低温预报产品从2017年开始。作为对比的数值模式数据包括GRAPES全球数值模式(以下简称GRAPES)(沈学顺等，2017)和ECMWF全球高分辨率数值模式(以下简称EC)(Uppala et al，2005), 空间分辨率分别为0.5°(基于0.25°跳点)和0.125°。由于GRAPES模式2018年8月之后才输出时段最高/低温，因此文中日最高/低温预报只与ECMWF模式对比。

作为实际真值的参照数据包括站点数据和格点实况分析数据两种。站点数据采用业务检验标准规定的2 401个国家级观测站和8 060个区域观测站，组成“国家站”(简称2401站)和“国家站+区域站”(简称10461站)。如图 1，与2401站相比，10461站东部地区有更密集站点分布；观测站点的平均间距为10~60 km，且大部分集中在20~40 km；西部地区两者都显著偏少，表现了观测站分布的不均衡性。尽管站点观测更接近真值，但考虑到不均衡性，引入格点实况分析数据作对照，包括国家气象信息中心发布的CMPA三源融合降水(Shen et al，2014)和CLDAS陆面同化温度实况分析产品(韩帅等，2018)。由于格点实况分析业务从2017年开始，因此2016年不参与对照评估。

采用气象局发布的智能网格业务标准检验方法。以站点观测为真值，使用“邻近点替代”方案，即选择距离观测站点最近的格点预报作为该点预报值(有多个距离相等的格点，则优先选取东北方向格点)。以格点实况为真值，则采用双线性插值方法统一转换为5 km分辨率。降水检验采用累加降水ETS(equitable threat score)评分和Bias(bias score)评分:

$ \begin{array}{*{20}{c}} {ETS = \frac{{{N_{\rm{A}}} - R}}{{{N_{\rm{A}}} + {N_{\rm{B}}} + {N_{\rm{C}}} - R}}}\\ {{Bias} = \frac{{{N_{\rm{A}}} + {N_{\rm{B}}}}}{{{N_{\rm{A}}} + {N_{\rm{C}}}}}} \end{array} $

其中：

$ R = \frac{{\left({{N_{\rm{A}}} + {N_{\rm{B}}}} \right)\left({{N_{\rm{A}}} + {N_{\rm{C}}}} \right)}}{{\left({{N_{\rm{A}}} + {N_{\rm{B}}} + {N_{\rm{C}}} + {N_{\rm{D}}}} \right)}} $

式中：N_A为有降水预报正确站(次)数，N_B为空报站(次)数，N_C为漏报站(次)数，N_D为无降水预报正确的站(次)数。温度检验采用均方根误差(RMSE):

$ RMSE = \sqrt {\frac{{\sum\limits_{i = 1}^n {{{\left({{F_i} - {O_i}} \right)}^2}} }}{n}} $

式中：F_i为第i个格(站)点预报值，O_i为第i个格(站)点实况值，n为格(站)点总数。

2 检验结果分析 2.1 网格降水的空间分布及日变化特征对比检验

对比分析2017—2018年每日08时起报的SCMOC降水24 h时效产品的年累积空间分布(图 2)，总体上，SCMOC降水预报与格点实况分析和站点观测分布较为一致。2017年，1 500 mm以上降水主要分布在云南南部、重庆、湖北西部、湖南、江西以及华南等地，其中广西北部及南部沿海、海南东南部、云南南部强降水中心的预报与实况有较好的对应；需要注意，SCMOC降水在藏南地区预报很强的降水，但由于该区基本无观测，因此在站点观测和实况分析中都没有体现；除藏南地区，站点观测最大值出现在广西防城港，降水量为3 713 mm，而格点预报最大值为3 116 mm，略低于实况，且预报位置(25.45°N、109.95°E)与实况接近。到2018年，1 500 mm以上降水主要出现在云南西南部、四川盆地西侧、广西北部和南部沿海、广东西部和南部沿海及福建、浙江的部分地区，SCMOC降水预报的大值区范围覆盖了西南地区东部至长江以南大部分区域，预报范围和降水量都明显偏大。

对比2017—2018年每日08时起报，2401站的24 h时效的逐3 h日变化特征(图 3)，可见实况降水的日变化存在双峰特征，一个在清晨，一个在午后。02—11时预报峰值出现在05时左右，预报和实况的趋势较为一致；午后峰值预报出现在14时，较实况偏早约3 h。总体上，SCMOC逐3 h降水量高于实况观测，尤其午后降水峰值存在明显高估；与2017年比较，2018年SCMOC降水量偏强更显著；2017年SCMOC预报与实况更为接近，这与图 2中空间分布表现一致。出现上述偏差的可能原因：02—11时一般为稳定性降水，可预报性较高，误差相对较小；中午到傍晚易出现对流性短时强降水，SCMOC为了捕捉强降水，常会提高空报率而导致预报量级偏大；此外，对午后降水预报峰值的偏差，主要来自与数值模式系统本身(图略)，由于业务中主要以全球模式预报的日变化为基础对日降水总量预报进行拆分(曹勇等，2016)，对于日变化峰值预报偏差没有很好订正。

2.2 基于站点实况的网格降水检验 2.2.1 基于10461站实况检验

图 4给出2016—2018年基于10461站实况降水的检验结果。小雨量级(日降水量≥0.1 mm)的1~7 d日降水量预报ETS评分结果(图 4a)表明：相对2016年，2017、2018年数值模式预报在中期时效评分明显提高；GRAPES和EC模式对比，除2016年24和48 h时效GRAPES评分较高外，EC优势更明显；SCMOC降水较EC模式的ETS评分提升9%~37%；相对与国家级SCMOC，省级订正反馈的SPCC没有表现出优势，尤其在3~7 d的中期时效，显著低于SCMOC。

暴雨量级(日降水量≥50 mm)日降水量的ETS评分(图 4b)，随预报时效延长呈快速下降的趋势。相比GRAPES模式，EC模式对暴雨预报的评分优势明显。大部分时效SCMOC在模式基础上显著改进，评分最高提升率达41%；除2016年24和48 h时效及2018年24 h时效外，SPCC预报评分低于SCMOC预报，说明省级订正反馈没有改进预报质量。

对于中雨(日降水量≥10 mm)，2016—2018年大部分时效EC模式ETS评分比SCMOC预报高，尤其是2018年所有时效均是EC模式较高；大雨(日降水量≥25 mm)的SCMOC预报评分略高于EC和GRAPES模式(图略)。

进一步分析降水预报的系统偏差，如图 4c所示，EC和GRAPES模式都呈现小于量级预报偏湿(Bias>1)，大雨量级以上预报偏干(Bias < 1)的系统偏差；SCMOC和SPCC都对不同等级的降水偏差进行了有效的订正，更趋近于1；需注意的是，2017—2018年省级反馈的SPCC对于特大暴雨量级(日降水量≥250 mm)预报较实况明显偏多。

为更好地说明SCMOC较EC和GRAPES模式的改进，图 5给出了2018年7月10日降水预报与实况的对比。从GRAPES和EC模式的评分对比(表 1)可以看出，两家模式暴雨及以下等级的降水TS评分相近，但对大暴雨(日降水量≥100 mm)以上的降水GRAPES模式的空漏报率过高，TS评分明显低于EC模式。与站点实况(图 5d)相比，GRAPES模式对大量级降水预报范围和量值偏差较大，如对四川北部大暴雨带的预报强度和范围明显偏小，而对陕西北部大暴雨的预报范围则明显偏大(图 5c)。SCMOC和EC模式与站点实况总体分布基本一致，四川北部、甘肃东南部至陕西北部的西南—东北向的雨带位置、范围及量级与实况相似。此外，SCMOC较GRAPES和EC模式对小雨预报的消空效果明显，使得TS评分从0.525、0.524增大至0.634(表 1)。对暴雨等级，SCMOC较GRAPES和EC模式，对四川北部、甘肃东部到陕西北部雨带强度和范围改进明显，减少了空报和漏报率，TS评分从0.344、0.300增大至0.526；不足之处在于，SCMOC对大暴雨预报的范围偏大(Bias>2), 空报率较高，评分高于GRAPES模式但不如EC(表 1)。

2.2.2 基于10461站和2041站实况检验对比

为分析不同分辨率条件下网格预报的误差特征，对比以10461站和2401站观测数据为真值的检验评估结果。如图 6所示，采用10461站和2401站计算得到的SCMOC降水预报，都表现出随时效延长和量级增大而减小的趋势(图 6a~6c)；暴雨及以下等级的降水，10461站算得的ETS评分低于2401站，这主要是由于分辨率的提高，引入了可预报性较低的精细结构，加上传统评分带来的“双惩罚”影响，而使得评分降低；大暴雨以上等级的10461站算得的ETS评分略高，表明SCMOC对极端强降水具有较好的预报能力。从Bias评分对比(图 6d~6f)也可以看出SCMOC在不同分辨率条件下，体现了相似的预报偏差；对于大暴雨等级以上的降水，24 h时效10461站算得的Bias评分更接近于1，表明SCMOC对极端强降水的预报具有更高的分辨率；72 h以上的时效，10461站算得的Bias评分稍低，但ETS评分更高，这反映SCMOC在高分辨率条件下对极端强降水的捕捉能力较强。

2.3 基于格点实况的网格降水检验

考虑到观测站点分布的不均衡性，采用格点实况分析作为真值以验证检验结果。总体上，基于格点实况的检验结果(图 7)与基于站点实况的结果类似(图 4)。如图 7a, 7d所示，SCMOC的小雨等级较GRAPES和EC模式提升更明显，幅度最高达88%；国家级的SCMOC仍普遍好于省市级订正的SPCC；由于格点实况反映了更多高分辨率精细化特征，数值模式的ETS评分较站点检验结果偏低；2018年的模式和网格预报较2017年有显著提升。如图 7b，7e所示，暴雨的ETS评分也与基于站点实况的结果(图 4b)基本一致；2017年SCMOC在不同时效上都表现最好，但到2018年，其1~3 d预报不如EC模式，初步分析这与2018年分散性对流降水偏低的有关。Bias检验结果(图 7c，7f)表明，数值模式小雨预报偏湿的状况，在SCMOC和SPCC预报中都得到有效控制；但对于暴雨预报，SCMOC和SPCC预报都表现出更高的空报率，尤其是SPCC预报，这体现了国家级和省市级网格产品都倾向于适当增加空报来捕捉强降水的行为。

2.4 网格温度的空间分布及日变化特征对比检验

以2018年的最高温预报为例，对比每日08时起报的24 h时效SCMOC预报与格点、站点实况的年平均空间分布(图 8)。总体上，SCMOC预报与格点实况、站点实况的空间分布基本一致；进一步分析发现，SCMOC预报存在最高温明显偏低(图 8)、最低温偏高(图略)的现象，如在华南地区，站点实况大于25℃的范围大于SCMOC预报；在塔里木盆地边缘，站点实况温度在20~25℃，而SCMOC较少超过20℃。同时，也注意到与站点实况相比，格点实况分析场也存在类似的偏差，因此后文中最高/低温检验主要以站点实况为参照。

对比分析逐3 h整点温度预报的RMSE日变化特征(图 9)。由图可见，数值模式和网格预报的RMSE都存在双峰结构的日变化特征，即在14—17时、02—05时出现误差峰值。上述时段大致对应一天中最高、最低温的出现时间，温度起伏较大，导致预报误差增加。从2016—2018年的误差变化看，SCMOC的RMSE在逐年降低，至2018年超越EC模式；SPCC的RMSE也在逐年降低，至2018年与EC模式接近，但仍不如SCMOC的预报质量；GRA-PES模式的逐3 h温度预报误差较大。形成上述误差逐年变化的原因是：2016年SCMOC的逐3 h温度预报以T639数值模式直接输出为基础，仅对高低温进行约束，至2017年构建了逐3 h温度预报统计模式，这使得SCMOC温度预报质量得到快速改善；各省市也在逐步研发本地的网格预报产品，使得2018年预报误差较2017年有大幅度下降。

2.5 基于站点实况的网格日最高/低温检验

以10461站实况作为真值，检验EC模式、国家级网格预报SCMOC和省市级订正SPCC的日最高/低温RMSE(图 10)。由图可见，EC模式日最高温RMSE明显高于日最低温，且日最高/低温的逐年误差变化不明显；SCMOC日最高温网格预报在2016年3 d及以上时效预报误差高于EC模式，到2017—2018年大部分时效预报误差都低于EC模式，如在2018年RMSE较EC模式最大降低达16%；SCMOC日最低温网格预报1~3 d的RMSE要略低于EC模式，4~7 d的中期时效则略偏高；SPCC省市级订正预报在2017年发布时，没有显示出显著优势，特别在中期时效，至2018年则质量明显改进，日最高/低温RMSE低于EC模式和SCMOC。

以2018年11月1日为例，SCMOC与EC模式日最高温预报对比(图 11)显示，SCMOC较EC模式更接近站点实况分布，如：EC模式在青藏高原中部偏东预报显著的低值区，SCMOC较好地修正该偏差；EC模式对华南地区的高值区预报偏弱，SCMOC更接近实况，但也注意到，在湖北、湖南、重庆等地，SCMOC的日最高温预报也偏低。

对比检验采用不同分辨率实况真值对检验结果带来的影响, 图 12给出2016年SCMOC日最高/低温的10461站和2041站检验结果，表明：日最低温的RMSE比日最高温明显偏向的特征不变；1~7 d时效，SCMOC日最高/低温的2401站算得的RMSE低于10461站，这也是由于10461站引入了可预报性较低的精细化温度空间分布结构特征，而导致预报误差增长。2017—2018年具有相似的检验结论。

2.6 城镇天气预报与智能网格预报对比

2018年之前，城镇天气预报和智能网格预报两套业务系统同时运行。为使业务流程更加集约高效，2018年开始将城镇天气预报融入智能网格预报，实现单轨运行。为评估智能网格预报能否在不降低预报质量的前提下替代城镇天气预报，对2017—2018年的城镇天气预报和智能网格预报的晴雨、日最高温、日最低温进行对比检验(图 13)。如图所示，对于晴雨预报，智能网格预报与城镇天气预报质量相当，尤其从2017年10月开始，两者基本一致；对于日最高温，2017年7—10月智能网格预报准确率比城镇天气预报低9%~10%，之后两者差距逐渐缩小，至2018年5月两者基本一致。对于日最低温，2017年7—10月，智能网格预报准确率比城镇天气预报低10%~12%，至2018年5月两者趋于一致。上述分析表明，智能网格预报业务产品已能替代城镇天气预报，提供相同质量的预报产品。

3 结论与展望

本文基于站点和格点分析实况资料，对2016—2018年国家级指导网格预报SCMOC、省市级订正反馈网格预报SPCC的降水、温度要素进行综合检验评估，并与GRAPES和EC全球模式进行对比，得到一下主要结论：

(1) SCMOC降水预报的空间分布与实况分布较一致，且对于降水极值点也能较好的表现。SCMOC基本能够表现降水日变化的双峰特征，但对于午后降水峰值预报时间显著提前，未能很好地订正日变化偏差。此外，SCMOC总体上高估了降水总量，尤其在2018年强降水可预报性较低时，大部分时段，SCMOC倾向于增加降水量级以捕捉强降水事件。

(2) 对不同等级降水预报的统计和个例检验显示，SCMOC小雨和暴雨量级都在数值模式的基础上显著提升，小雨量级ETS评分提升9%~37%，暴雨量级最高提升率达41%。值得注意的是，除24 h时效，SPCC预报质量不如SCMOC，这表明对2 d及以上的降水预报，省市级订正未能起到应有的作用，需要加强推进。

(3) 对比分析基于2401站、10461站和格点实况分析的SCMOC降水预报检验结果，显示随着检验真值分辨率的提升，SCMOC降水预报评分下降，这一方面表明SCMOC对降水精细结构预报能力还有待提升，另一方面也说明传统评分不能较好地反映精细化网格预报带来的价值。

(4) SCMOC整点温度预报的空间分布与实况分布基本一致，但也存在最高温明显偏低、最低温偏高的现象。模式预报和网格预报的RMSE日变化都呈现午后和清晨的双峰特征。SCMOC与SPCC的整点温度预报质量从2016—2018年快速得到改善，在SCMOC建立新的统计模型后，已经超过EC和GRAPES模式，预报误差最小。SPCC的整点温度预报到2018年接近EC模式，但未能优于SCMOC。

(5) 总体上，模式预报和网格预报的日最高温误差大于日最低温误差。SCMOC的日最高温预报整体上优于EC模式，特别是3 d以内时效，大幅降低RMSE；到2018年，SPCC的日最高温预报在所有时效优于SCMOC，体现了省市级的订正价值。SCMOC的日最低温预报相对EC模式没有体现出优势，尤其是4 d及以上的中期时效，但到2018年SPCC能够显著降低RMSE, 达到最优预报效果。

(6) 对2017—2018年的城镇天气预报和智能网格预报的晴雨、日最高温、日最低温进行对比检验，结果表明开始智能网格预报准确率比城镇天气预报低，但之后逐步缩小差距，至2018年5月及以后，两者基本一致，表明智能网格预报业务产品可替代城镇天气预报。

本文只对智能网格预报产品的两个要素进行综合性检验评估。未来需要进一步开展更精细化的评估检验，以挖掘更多的时空误差信息，并分析背后存在的可能原因。需要对精细化网格预报开展分区域、分季节及不同天气类型的检验，应用空间检验方法，如模糊检验、目标对象检验和尺度分离法等，从不同角度开展检验评估，以便全面反映高分辨率带来的预报价值。