引言

极端降水事件作为一种小概率事件，具有降水量集中、突发性强的特点(杨金虎等，2008)，可诱发暴雨洪涝、山洪、泥石流和滑坡等灾害，给交通干线、电信电网、农田水利以及人民的生命财产安全造成极大威胁(Re, 2011)。在全球变暖背景下，极端降水呈增多增强趋势，已成为各国政府和社会各界关注的焦点(张顺谦和马振峰，2011a；2011b)。四川位于我国西南部，地处中国大陆地势三大阶梯中的第一级青藏高原和第二级长江中下游平原的过渡地带，高差悬殊，中小河流众多。受到东亚季风、高原季风和西南季风的耦合调制(周顺武和假拉，2003；吕俊梅等，2004；白莹莹等，2014；王颖和李栋梁，2015；庞轶舒等，2017)，水汽来源包括孟加拉湾、南海、西太平洋(蒋兴文等，2007)和阿拉伯海(庞轶舒等，2017)，外强迫影响多元而复杂(陈永仁和李跃清，2007；李永华等，2012)。我国最强烈的暴雨系统之一——西南涡常产生于此(李国平和陈佳，2017)。在特殊的地理和气候环境下，极端降水对四川的危害更加凸显，全省每年因相关灾害造成的人员伤亡和财产损失占总损失的70%以上。特别是2008年以来，汶川地震触发的大量崩塌滑坡改变了泥石流发生区域的物源条件，极端降水更易诱发山洪泥石流等地质灾害。因此，汛期极端降水预测一直是当地相关决策部门的关注重点。

次季节气候预测介于天气预报和季节预测之间，相对于天气预报尺度，其大气环流初始场的记忆已经消失，相对于季节尺度，其变率不足以受到海洋等外强迫因子的较大影响，是目前气象预报的难点(Vitart and Robertson, 2018)。由于所受关注较少，也被称为“预测沙漠”(Waliser et al, 2003；齐艳军和容新尧，2014；Vitart et al, 2017)。这是天气预报到季节预测的关键接口，可填补气象预测缝隙；也是政府部门从被动应对灾害转为主动减灾的一个关键预测时段。所以，次季节气候预测研究具有重要的科学意义和广泛的社会应用价值(Morss et al, 2008)。为研究相关问题，世界天气研究计划(WWRP)和世界气候研究计划(WCRP)联合组织制定了“次季节至季节(sub-seasonal to seasonal，以下简称S2S)预测计划”，重点关注极端事件和模式检验(Vitart et al, 2012；Vitart and Robertson, 2018)。该计划收集了来自11个业务和科研机构——欧洲中期天气预报中心(ECMWF)、意大利国家研究委员会大气科学与气候研究所(CNR-ISAC)、中国气象局(CMA)、韩国气象局(KMA)、日本气象厅(JMA)、加拿大环境和气候变化中心(ECCC)、澳大利亚气象局(BoM)、法国国家气象研究中心(CNRM)、美国国家环境预测中心(NCEP)、俄罗斯水文气象中心(HMCR)和英国气象局(UKMO)的次季节模式预报和回报数据(Vitart et al, 2017)。近年来，气象学者们对这些模式产品进行了包括热浪(Hudson et al, 2011)、降水(Liang and Lin, 2018)、季风(Marshall and Hendon, 2015；Jie et al, 2017；贺铮等，2018)、Madden-Julian振荡(MJO)及其遥相关特征(Vitart et al, 2017；Zhou et al, 2019)、土壤湿度(Zhu et al, 2019)、台风(李慧等，2020)等方面的预测技巧分析工作，并对次季节尺度的北半球夏季风降水概率预报进行了研究(Vigaud et al, 2017)。研究发现，S2S模式对降水的预报能力随预测时效的增长而逐渐降低；与其他预报中心模式相比，ECMWF、UKMO、KMA和CNR-ISAC的降水产品在全球大部分区域都具有更高的可预报性，其中KMA和UKMO的降水产品能更好地捕捉澳大利亚、北欧和东亚地区的实际降水特征(林倩等，2019)。在10 d以上(包含了S2S时效)的预测中，ECMWF模式对热带地区降水的预测技巧高于非热带地区(Vitart, 2014)。

作为预报预测的前沿研究领域，S2S降水预测所延长的时效能够有效提高洪涝等灾害风险的预警能力(White et al, 2015)，为地方政府防灾减灾赢得时间。已有研究表明，S2S预测产品对一些大范围极端事件的发生、发展和衰减有提前数周的预测潜力。例如，S2S模式(ECMWF、CNRM、JMA和BoM)提前三周预报出了2010年5—8月俄罗斯持续高温热浪中最严重一周的2 m气温极端异常。再比如，S2S模式可通过大尺度预测因子，如MJO的预报信息，来得到大尺度热带风暴发生概率的有用信息(Vitart and Robertson, 2018；Rao et al, 2019)。模式预测能力的检验评估是了解模式性能，有效应用模式信息的重要基础(段春锋等，2017；程智等，2020)。但截至目前，S2S模式对四川地区气象要素预测能力的检验评估和解释应用工作尚未展开。因此，有必要结合业务实际需求和防灾减灾重点，评估分析S2S模式对四川汛期极端降水事件的预测技巧，为进一步解释应用模式产品，提高极端降水预测准确率，延长预测时效打下科学基础。

1 资料和方法 1.1 资料

本文采用1995—2010年四川省157个气象台站(图 1)汛期(5—9月)的逐日降水观测资料；S2S计划中8个业务和科研机构次季节模式的汛期降水回报数据，详细信息见表 1。为了比较模式之间的预测技巧，检验时段为各模式回报时段的交集，即1995—2010年。与此同时，检验预测时效也为各模式的公共预测时效0~30 d，即包括起报日期在内共计31 d。由于各模式预报频率不同，故评估样本数量不同。例如，CMA模式降水每日预报1次，那么16年汛期(每年153 d)共计2 448个样本用于检验评估。

1.2 方法

已有的研究表明，四川极端降水阈值为12.3~44.9 mm·d^-1，四川盆地和攀西地区较大，平均阈值为30 mm·d^-1，比中雨标准(25 mm·d^-1)稍大，川西高原平均阈值为16 mm·d^-1，介于小雨(10 mm·d^-1)与中雨之间(张顺谦和马振峰，2011b)。根据上述研究，本文在检验评估过程中将四川盆地和攀西地区的极端降水阈值设为30 mm；川西高原的极端降水阈值设为15 mm。利用双线性插值法将模式的格点数据插值到站点。采用命中率(probability of detection, POD)、误警率(false alarm ratio, FAR)、Heidke技巧评分指数(Heidke’s skill score, HSS)、误差(Error)和偏差(绝对误差，absolute error, AError)5个评分指标，结合极端降水阈值进行检验评估。命中率越高，表明降水产品对极端降水事件的漏报程度越小；误警率越小，表示模式误报程度越小；Heidke技巧评分指数同时考虑了命中率和误警率，综合反映预测产品对极端降水事件的定性预测能力，HSS越高，越能预判极端降水事件是否发生(Jolliffe and Stephenson, 2003；杨雨蒙等，2016；林倩等，2019)。误差大(小)表示降水产品的预报量值大(小)于实际降水量；偏差越大，表明降水产品的预测值偏离实际降水量的程度越大，反映预测产品对极端降水事件的定量预测能力。上述5个评分指标的计算公式如下。

$ {POD = \frac{{{N_{11}}}}{{{N_{11}} + {N_{01}}}}} $

(1)

$ {FAR = \frac{{{N_{10}}}}{{{N_{11}} + {N_{10}}}}} $

(2)

$ HSS = \frac{{2\left( {{N_{11}}{N_{00}} + {N_{10}}{N_{01}}} \right)}}{{\left( {{N_{11}} + {N_{01}}} \right)\left( {{N_{01}} + {N_{00}}} \right) + \left( {{N_{11}} + {N_{10}}} \right)\left( {{N_{10}} + {N_{00}}} \right)}} $

(3)

$ {\rm{ }}Error = \frac{1}{N}\sum\limits_{i = 1}^N {\left( {{S_i} - {O_i}} \right)} $

(4)

$ AError = \frac{1}{N}\sum\limits_{i = 1}^N {\left| {{S_i} - {O_i}} \right|} $

(5)

式中：N₁₁为S2S降水产品和观测降水均达到阈值的天数或站数；N₁₀为S2S降水产品达到阈值但观测降水未达到阈值的天数或站数；N₀₁为S2S降水产品未达到阈值但观测降水达到阈值的天数或站数；N₀₀为观测降水和S2S降水产品均未达到阈值的天数或站数；O_i和S_i分别表示第i(i=1，2，…，N)点观测降水量达到阈值时观测和S2S产品的降水量，单位：mm；N表示站点总数。

2 月内极端降水预测技巧

S2S各模式对四川汛期极端降水事件的预测技巧随预测时效的改变而变化。当预测时效为1 d时，各模式的预测技巧最高，其POD、HSS和误差最大，FAR和偏差最小。随后POD、HSS和误差快速下降，FAR和偏差快速增长，在预测时效为7~12 d时进入低技巧时段，变化平缓。从评估指标的数值来看，所有模式的POD最高不超过25%，FAR不低于70%，误差均为负值，偏差不低于20 mm。由此可以看出，S2S各模式对四川极端降水的预测准确率整体较低，表现为低命中率、高误警率，进而使得极端降水事件发生时的预测值远小于实际值，偏差较大。分预报时段来看，各模式在天气尺度(1~10 d)内的POD为7%~25%，FAR为72%~95%，HSS为0.08~0.26，误差为-32~-21 mm，偏差为22~32 mm。进入次季节尺度(11~30 d)后，POD降低为3%~12%，FAR增长至90%左右，HSS降低至0.05~0.13，误差降低至-34~-28 mm，偏差增加为28~34 mm。由此可以看出，各模式在天气尺度内的定性和定量预测技巧均优于次季节尺度，模式之间预测技巧的差异在天气尺度中大于次季节尺度(图 2)。

将8个模式横向对比后发现，天气尺度内CNR-ISAC、UKMO、ECMWF和ECCC这4个模式对四川极端降水的POD较高，FAR较低，进而HSS较高，与此同时它们的偏差较小，误差较大。这其中UKMO的HSS最高，误差最大，偏差最小，是天气尺度内预测效果最好的模式。在次季节尺度内，各模式的FAR基本接近，CNR-ISAC、BoM、CMA和JMA依次为POD和HSS最高的4个模式。这其中，CNR-ISAC的误差最大，偏差最小，是次季节尺度预测效果最好的模式(图略)。

四川省地形复杂多变，各地气候差异明显，盆地—攀西地区与川西高原的极端降水阈值差别显著，因此有必要分开讨论各模式在这两个区域的预测技巧。

与全省相似，各模式对盆地—攀西地区极端降水的预测技巧在预测时效为1 d时最高，随预测时效的增加而降低，至时效为7~12 d时进入低技巧时段，变化平缓，在天气尺度内的预测能力高于次季节尺度。与全省不同的是，以CNR-ISAC、KMA和BoM为代表的部分模式POD明显降低，FAR明显增加，进而HSS降低，但UKMO、ECMWF和ECCC等模式的定性预测技巧却没有明显的变化，造成模式间定性预测技巧的差异增大。各模式在天气尺度内的POD为2%~25%，FAR为68%~99%，HSS为0.05~0.28；在次季节尺度的POD为2%~8%，FAR为90%~99%，HSS为0.05~0.1。所有模式的定量预测技巧明显降低，天气尺度内的误差为-50~-32 mm，偏差为33~50 mm，次季节尺度内的误差为-53~-41 mm，偏差为41~53 mm(图 3)。可以看出，各模式对盆地—攀西地区极端降水的定性和定量预测能力总体低于全省，形成这种特点一方面是由于部分模式定性预测技巧的下降，另一方面可能是因为盆地—攀西地区极端降水的量值高于全省平均(图 3)。

对比8个模式后发现，UKMO、CNR-ISAC、ECMWF和ECCC在天气尺度内对盆地—攀西地区极端降水的POD、HSS和误差相对最大，FAR和偏差相对最小，这其中以UKMO的各项预测技巧最高，是天气尺度内的最优预测模式。而在次季节尺度中，CNR-ISAC、JMA、UKMO和ECCC的POD、HSS和误差相对最大，FAR和偏差相对最小，其中以CNR-ISAC的各项预测技巧最高，是次季节尺度内的最优预测模式(图略)。

与全省和盆地—攀西地区相似，各模式对川西高原极端降水的预测技巧在预测时效为1 d时最高，后随预测时效增加而降低，在天气尺度中明显高于次季节尺度。但与上述两地区不同的是，仅ECMWF的预测技巧在预测时效为11 d左右进入低技巧时段，其余各模式均在预测时效为6~7 d进入低技巧时段，最佳预测期偏短。与盆地—攀西地区和全省相比，各模式对川西高原极端降水的POD偏高，在天气尺度为6%~44%，在次季节尺度为4%~28%。这其中，BoM模式的POD提高最为明显，最高值达44%，且始终大于20%。与此同时，尽管各模式的FAR并非都小于盆地—攀西地区和全省，但与它们相比，各模式FAR离散程度明显偏小，误警率接近。这种特点尤其体现在天气尺度，FAR为78%~93%。并且FAR的总体均值也偏小。因此，各模式对川西高原极端降水的HSS普遍高于盆地—攀西地区和全省，在天气尺度为0.12~0.25，在次季节尺度为0.08~0.17。在定量预测技巧方面，各模式的误差在天气尺度内为-16~-6 mm，在次季节尺度内为-17~-12 mm；偏差在天气尺度内为9.5~16 mm，在次季节尺度为12~17 mm。误差和偏差的量值均小于盆地—攀西地区和全省(图 4)。由此可以看出，各模式对川西高原极端降水的定性和定量预测技巧均明显高于盆地—攀西地区，对全省的预测技巧具有正向贡献。

将8个模式分预报时段进行横向对比后发现，在川西高原极端降水预报能力较强的模式与在全省和盆地—攀西地区有很大不同。在天气尺度内，POD最高的4个模式分别是BoM、CNR-ISAC、CMA和KMA，FAR最低的4个模式分别是ECMWF、KMA、UKMO和ECCC，HSS最高的4个模式分别是KMA、ECMWF、CNR-ISAC和UKMO。与此同时，误差最大的4个模式分别是BoM、CNR-ISAC、KMA和CMA，偏差最小的4个模式分别是CNR-ISAC、KMA、UKMO和ECMWF。综合定量和定性预测技巧两方面，KMA是天气尺度内的最优预测模式。在次季节尺度内，POD最高的4个模式分别为BoM、CNR-ISAC、CMA和JMA，FAR最小的4个模式分别为UKMO、KMA、BoM和JMA，HSS评分最高的4个模式为BoM、CNR-ISAC、CMA和JMA，误差最大的4个模式分别为BoM、CNR-ISAC、CMA和JMA，偏差最小的4个模式为CNR-ISAC、JMA、KMA和BoM。综合定量和定性预测能力，BoM和CNR-ISAC是次季节尺度内的最优预测模式(图略)。

3 预测技巧的时空变化特征

HSS同时包含POD和FAR两种指标的特点, 能综合反映预测产品对极端降水事件的定性预测能力, 即预测极端事件是否发生的能力(Jolliffe and Stephenson, 2003；杨雨蒙等，2016；林倩等，2019)。偏差直接反映预测值偏离实际值的程度，相较于误差更能够体现模式对极端降水的定量预测能力。为进一步探明各模式对四川极端降水预测能力的变化特点，本文对HSS和偏差的时空特征进行分析和讨论。

3.1 HSS和偏差的空间变化特征

在天气尺度内，各模式HSS的空间分布不完全相同。BoM、JMA、CMA和KMA这4个模式的HSS呈“自西向东递减，高原大于盆地”的分布特点，UKMO的HSS呈“北高南低”型分布，ECCC、CNR-ISAC和ECMWF这3个模式的HSS则呈“中间低，东、西两侧相对高”的分布型。所有模式的HSS最高值均位于川西高原南部，大于0.25。但最低值出现区域并不一致，BoM和CMA模式的HSS最低值在盆地东北部，其余6个模式则在攀西地区(图 5)。

与HSS分布较为一致，天气尺度内各模式的偏差总体呈现高原小(10~15 mm)、盆地—攀西地区大(30~65 mm)的分布形态。与HSS分布不同的是，各模式在攀西地区的偏差始终小于盆地，为偏差次低区域，偏差极大值均在盆地西部沿山地区。上述分析说明S2S模式对川西高原极端降水的定量预测能力较好，攀西地区次之，对盆地尤其是西部沿山一带的极端降水定量预测能力差(图 6)。

进入次季节尺度后，各模式的HSS明显降低。与天气尺度相同的是，各模式HSS的最高值出现在川西高原南部，ECCC、JMA、CNR-ISAC、KMA、UKMO和ECMWF这6个模式的最低值出现在攀西地区，BoM、JMA、CMA和KMA这4个模式的HSS空间分布依然表现为自西向东逐渐降低的分布特点。不同的是，BoM和CMA的HSS最低值分布区扩大，其中BoM的最低值分布在盆地东北部和中部，CMA的最低值则分布在盆地东部和攀西地区南部。UKMO、CNR-ISAC、ECMWF和ECCC模式HSS的空间分布出现较大改变：UKMO表现为中间低两边高的“川字型”分布, CNR-ISAC表现为“X型”分布, ECMWF和ECCC则呈自西北向东南递减的分布型(图 7)。

在次季节尺度, 各模式的偏差空间分布形态与天气尺度相似：高原偏差较小，攀西地区次之，盆地最大，偏差极大值分布在盆地西部沿山地区。不同的是，ECCC、CMA和ECMWF模式在高原地区的偏差明显增高，其大部地区的偏差为15~20 mm。CMA和UKMO模式在盆地的偏差有所增加(图 8)。

盆地西部沿山地区是川西高原与四川盆地过渡区，有龙门山、邛崃山、峨眉山等海拔约在1 500~3 000 m的山脊分布，过渡区东西两侧高差悬殊近2 000 m(图 1)。受地形影响，该区域是四川暴雨中心集中地，以及区域性暴雨主要发生地(肖递祥等，2017；王春学等，2017；周秋雪等，2019)。由前面的分析可以发现，无论在天气尺度还是次季节尺度，所有模式的偏差极大值均出现在这一地区，说明S2S各模式对地形降水的定量预测能力普遍不足。然而值得注意的是，仅ECCC、CNR-ISAC和ECMWF在天气尺度，UKMO在次季节尺度的定性预测技巧——HSS的谷值分布在这一地区。这些模式对地形极端降水的定量预测能力较差可能源于定性预测能力不足。但其他模式的定性预测能力并未直接受到地形的影响，它们较差的定量预测能力则可能源于盆地西部山区极端降水本身量级大、频次多的特点。

3.2 HSS和偏差的时间变化特征

无论在天气尺度还是次季节尺度，S2S各模式的HSS和偏差均随预报月份的改变而变化(图 9~图 12)。

在天气尺度内，BoM模式对四川极端降水的HSS峰值出现在6月，其他模式均出现在7月；JMA模式的预测技巧谷值出现在9月，其他模式均出现在5月。总体来说，各模式对主汛期，尤其是盛夏时期极端降水的定性预测技巧高于其他时期。分月横向对比后发现，ECCC和ECMWF模式分别对5月和6月的极端降水定性预测技巧最高，UKMO模式则对汛期其他3个月的极端降水有较高的定性预测技巧(图 9a)。进一步分区讨论后发现，在盆地—攀西地区KMA和BoM模式的HSS最高值出现在6月，其他模式出现在7月；CNR-ISAC、JMA和CMA模式的HSS谷值出现在9月，其他模式出现在5月。与全省相似，各模式对主汛期极端降水的定性预测技巧高于其他时期。分月横向对比后发现，ECMWF模式在6月的定性预测技巧最高，UKMO模式在其他4个月中定性预测技巧最高(图 9b)。与全省和盆地—攀西地区相比，各模式在川西高原HSS的逐月变化特征有较大不同，BoM、KMA和UKMO模式的HSS峰值在7月，其余模式则均在6月；ECCC、JMA、KMA和ECMWF模式的HSS谷值在9月，其他模式均在5月。但各模式对主汛期极端降水的定性预测技巧依然高于其他时段。对于川西高原，5—6月定性预测技巧最佳的模式为ECMWF, 7—9月为KMA(图 9c)。

天气尺度内各模式的预测偏差均自5月逐渐增加，至盛夏时期达到峰值后下降，其中ECMWF模式最大偏差出现在7月，其他模式出现在8月，所有模式的最小偏差则均出现在5月。说明各模式对四川极端降水的定量预测能力在盛夏最低, 而在5月最高, 这种特征与5月极端降水发生次数少，而盛夏极端降水多发且量级较大的气候特征有一定关联。横向对比来看，UKMO模式在汛期各月的预测偏差均最小，定量预测效果最佳(图 10a)。分区讨论后发现，各模式对盆地—攀西地区极端降水的预测偏差的逐月变化特征与全省基本一致，但量级明显偏大。在汛期各月中预测偏差最小的模式依然是UKMO(图 10b)。而在川西高原，各模式预测偏差逐月变化特征与盆地—攀西地区和全省有很大不同，模式间也有较大差异：BoM和ECCC模式最小偏差出现在5月，随后增大，至8月出现峰值后下降；UKMO和KMA模式的最小偏差出现在7月，最大偏差出现在8月；JMA模式的偏差则从5月开始下降，至7月出现谷值后上升，9月的偏差最大；ECWMF和CNR-ISAC模式的偏差从5月开始下降，谷值出现在6月，峰值出现在7月；CMA模式的偏差从5月开始逐渐上升，峰值出现在7月后下降，最小值出现在9月。然而，大多数模式仍然在盛夏时期预测偏差最大。通过对比，对川西高原6月、8月和9月极端降水预测偏差最小的模式为CNR-ISAC，在5月和7月为KMA(图 10c)。

进入次季节尺度，各模式对四川极端降水HSS的逐月变化特征发生了较大改变。一方面，除HSS整体降低外，模式间HSS的差异较天气尺度增大; 另一方面，除CNR-ISAC和UKMO模式的HSS峰值在7月，BoM模式在8月外，其余模式的峰值均在6月；各模式的谷值则均出现在9月。大多数模式的定性预测技巧在7月之前明显高于之后。横向对比来看，5—7月定性预测技巧最高的模式为CNR-ISAC，8—9月则为BoM(图 11a)。对于盆地—攀西地区来说，各模式HSS的逐月变化特征与全省较为相似。较为不同的是，CNR-ISAC、ECCC、UKMO和CMA模式的HSS峰值在7月，其他模式在6月。针对该地区的极端降水事件，5—8月定性预测技巧最佳的模式是CNR-ISAC，9月为KMA(图 11b)。在川西高原，多数模式的HSS在汛期内呈“M”型分布，各模式的峰值均在6月，谷值均在9月。分月来看，5月定性预测技巧最高的模式为CMA, 6—9月为BoM(图 11c)。

在次季节尺度内, 模式对四川极端降水预测偏差总体呈“正态分布”型，盛夏时期大于其他时段, 其中BoM、ECMWF、KMA、UKMO和CMA模式的偏差峰值出现在7月，CNR-ISAC、JMA和ECCC模式的峰值在8月, 所有模式的最小值则均在5月。在这些模式中，CNR-ISAC对汛期各月四川极端降水的预测偏差最小(图 12a)。进一步分区发现，盆地—攀西地区极端降水预测偏差的逐月变化特征与全省基本一致，但量级偏大。在所有模式中, 对汛期各月极端降水预测偏差最小的模式均是CNR-ISAC。在高原地区，模式间的预测偏差的逐月变化特征差异较大, 但所有模式的最小偏差均出现在5月，最大偏差则出现在盛夏时期：BoM、ECCC、KMA、ECMWF、CNR-ISAC和CMA模式最大偏差出现在7月；UKMO和JMA模式最大偏差出现在8月。分月横向对比后发现, 在5月和8月，预测偏差最小的为CNR-ISAC模式，在6月和7月，预测偏差最小的为JMA模式，在9月则是BoM模式。

4 结论与讨论

极端降水事件可诱发暴雨洪涝、山洪、泥石流和滑坡等灾害，给四川经济发展和人民生命财产安全造成极大威胁，对其的预测是政府部门和社会各界关注的重点。为提高极端降水预测准确率，延长预测时效，为次季节数值产品应用打下基础，本文基于1995—2010年四川气象观测降水资料和S2S计划中8个模式的降水回报资料，采用5种指标评估分析并对比了各模式产品对四川汛期极端降水的预测能力。

结果表明，S2S各模式对四川极端降水的预测能力整体较低，表现为“低命中率、高误警率，极端降水预测值远小于实际值，偏差较大”的特征。各模式的预测技巧随预测时效的增加而降低，至时效为7~12 d时进入低技巧时段，变化平缓，在天气尺度的预测能力明显高于次季节尺度。综合定性和定量预测技巧，UKMO和CNR-ISA分别是天气尺度和次季节尺度中预测效果最好的模式。针对盆地—攀西地区的极端降水，各模式的预测技巧随预测时效变化的特征，以及不同预报时段内的最佳预测模式均与全省一致，但在该地区各模式定性和定量预测能力总体低于全省。与全省和盆地—攀西地区相比，各模式对川西高原极端降水的预测能力整体偏高，但最佳预测时期偏短，除ECWMF模式的预测技巧在预测时效为11 d左右进入低技巧时段，其余各模式均在预测时效为6~7 d进入低技巧时段。对于该地区来说，KMA模式在天气尺度内预测效果最好，BoM和CNR-ISAC模式则在次季节尺度内预测效果最好。

从模式预测技巧的空间分布特征来看，无论在天气尺度还是次季节尺度，各模式对极端降水事件的定性和定量预测技巧均随预报区域的改变而变化，并且模式间的预测技巧空间分布各异。总体来说，各模式的最高定性预测技巧出现在川西高原南部，而最低定性预测技巧则出现在盆地东部或攀西地区。预测偏差基本呈现出“盆地大、攀西地区次大、川西高原小”的分布特征，最大值均分布在盆地西部沿山地区。模式预测偏差的这种分布特征，一方面与模式本身对极端降水的定性预测能力有关，另一方面也和各地区极端降水本身的量级和发生频次有关，同时反映了各模式对地形降水预测能力的不足。

从模式预测技巧的时间变化特征来看，在不同的预测时段内，针对不同的预测区域，S2S各模式的定性和定量预测技巧均随预报月份的改变而变化。其中，定性预测技巧在主汛期尤其是盛夏时期高于其他时段，但定量预测技巧却在盛夏最低。仅从定性预测技巧来看，在天气尺度内BoM和ECMWF模式分别对四川省5月和6月极端降水的预测能力最高，而UKMO模式则对7—9月极端降水的预测能力最高。在次季节尺度内，CNR-ISAC模式对5—8月极端降水的预测能力最高，BoM模式在9月预测能力最高。针对盆地—攀西地区，ECMWF和UKMO分别是天气尺度内6月和7—9月预测效果最好的模式；CNR-ISAC和KMA则分别是次季节尺度内5—8月和9月预测效果最好的模式。针对川西高原，ECMWF和KMA分别是天气尺度内5—6月和7—9月极端降水预测效果最好的模式。而CMA和BoM则分别是次季节尺度内5月和6—9月极端降水预测效果最好的模式。