引言

5月下旬到6月中旬，正值端午节赛龙舟之时，是华南前汛期降水最集中的时段，经常会出现持续性大范围的强降水过程，容易引发严重的洪涝灾害，人们将这种类型的降水称为“龙舟水”(钱光明，2008)。2022年华南“龙舟水”期间(5月21日至6月21日)，降水极端性强、累计降水量大、强降水过程频繁，是近10年来最强和1951年以来第二强的“龙舟水”。2022年极端“龙舟水”具有“北多南少”的特点，在广西北部、广东北部和福建南部地区的累计降水量达到600 mm以上，与常年同期相比偏多5成至近3倍(伍红雨等，2024)。“龙舟水”期间华南地区出现连续强降水过程，逐日平均降水量普遍达到10 mm以上，导致“龙舟水”后期珠江发生流域性洪水，造成广东韶关、清远、河源、梅州等14个市、61个县受灾，受灾人口达156.5万人，直接经济损失为73.42亿元(王丹丹，2022)。因此，提升极端“龙舟水”的业务预报能力对于防灾减灾意义重大。

数值预报模式产品已经成为“龙舟水”降水预报的主要参考依据，然而目前不同模式的业务预报性能仍然存在较大的不确定性。例如，华南区域中尺度模式TRAMS和欧洲中期天气预报中心全球模式ECMWF对于本次极端“龙舟水”的累计降水量预报存在着非常明显的差异，前者普遍达到800 mm以上，而后者基本不超过600 mm，导致模式预报不确定性的原因可能与华南前汛期同时存在锋面和暖区这两种可预报性存在明显差异的天气系统有关(陈涛等，2020；吴乃庚等，2020；Wu et al, 2020；刘文君等，2023)。对“龙舟水”的模式预报能力进行检验和评估，可以帮助预报员更好地了解不同业务模式产品的偏差特征，从而在模式预报出现较大分歧时做出更加可靠的降水预报估计(唐思瑜等，2022；胡榕等，2024)。

传统数值预报评估中通常在点对点对比的基础上定义命中率(POD)、空报率(FAR)、预报偏差(Bias)、风险评分(TS评分)以及公平技巧评分(ETS评分)等一系列指数来判别模式的预报表现(Schaefer, 1990; Brill and Mesinger, 2009)。然而，随着计算机性能的不断提高，国际上各个数值预报中心的区域模式分辨率已经达到5 km或更高。例如在华南区域气象中心业务运行的TRAMS模式分辨率已经达到3 km(徐道生等, 2016)。在此分辨率下，模式基本能够显式地模拟对流尺度天气系统，这可以有效减少低分辨率模式中对流参数化造成的预报不确定性，但是中小尺度系统模式预报误差也可以通过非线性相互作用快速增长，并导致对流系统和降水位置预报出现明显偏差(马杰等, 2021；苏翔等, 2021；庄潇然等, 2022)。Mass et al(2002)、Casati et al(2008)和Ebert et al(2013)研究指出，对于千米尺度分辨率模式来说，当出现降水位置预报偏差时，传统的点对点评估方法可能出现“双重惩罚”的现象并导致客观检验结果与预报员对模式的主观评判不尽相同。

为解决上述问题，人们已经针对高分辨率模式降水预报评估的需求提出了许多基于降水空间结构特征的邻域评估方法(潘留杰等, 2014；2024；陈昊明等，2021)。目前应用较为广泛的空间邻域检验方法是Roberts and Lean(2008)提出的分数技巧评分(FSS)，该方法通过设置不同的邻域半径计算FSS值，可有效避免传统点对点评估方法面临的“双重惩罚”问题。FSS方法近年来已经被应用于TRAMS模式降水预报的评估中(林晓霞等，2021；Zhang et al，2023)。另外一类比较主流的高分辨率降水评估方法是基于对象的诊断方法，其中比较有代表性的是由美国国家大气研究中心(NCAR)研发的MODE方法(Davis et al, 2006a；2006b；2009；Marzban and Sandgathe, 2006; Gilleland et al, 2008)。其方法的主要思路是通过识别和追踪降水对象，然后根据这些对象来计算POD、FAR、漏报率(MR)和ETS评分等指数，从而避免降水位置偏差导致的“双重惩罚”。此外，MODE方法还能提供中小尺度对流系统降水特性(位置、面积等)的预报偏差信息，这有助于使用者更加全面地了解模式预报性能。苏翔和康志明(2020)利用MODE方法对超强台风利奇马降水预报进行评估时发现，ECMWF模式对于降水位置预报偏差较小且主要表现为偏北，而GRAPES-MESO(现为CMA-MESO)的位置预报偏差相对较大且主要表现为偏南，这说明不同模式对于降水位置偏差的可预报性存在差异。苏翔等(2021)针对ECMWF模式在2020年我国江淮流域超长梅雨期暴雨雨带预报中的不确定性，选取10个典型的狭长暴雨雨带，基于MODE方法对雨带东西段的位置预报偏差、稳定性以及偏差的连续性等进行分析。李晓兰和符娇兰(2021)对ECMWF模式的2016—2018年华南前汛期降水预报进行了检验评估，发现87%的强降水过程都存在明显位置预报偏差，且模式预报的降水面积较实况偏大的个例较多。刘静等(2022)基于目标对象检验法和邻域法，对辽宁主汛期降水中不同模式降水预报的落区形态和质心位置偏差进行了检验，从不同角度挖掘区域模式的附加信息，为预报决策提供了一定的参考。吴俞等(2021；2023)利用面向降水过程的时空检验方法评估了海南岛暖季非台风降水的模式预报效果，发现相对于传统的点对点检验评估方法，MODE方法具有捕捉模式预报偏差特征的优势。

从上述研究可以看出，MODE方法等基于对象的评估方法已经成为了解高分辨率模式降水预报偏差特征的有效工具，但是目前这类方法在华南“龙舟水”降水预报检验中的应用仍然比较少见。为此，本文拟基于MODE方法开展TRAMS和ECMWF模式对2022年极端“龙舟水”期间降水预报的检验评估，目的是增加不同模式对锋面暴雨和暖区暴雨的总体偏差特征的认识，以便在业务应用中提升模式预报的订正能力，同时为华南区域模式的诊断分析和技术改进提供参考。

1 资料和方法 1.1 模式和观测资料

本文检验的对象包括TRAMS和ECMWF模式。TRAMS中尺度区域模式是由华南区域气象中心发展并业务运行的数值预报系统，范围为(16.6°~ 42.88°N、93.64°~126.34°E)，水平分辨率为0.03°(徐道生等，2016)。ECMWF模式是由欧洲中期天气预报中心研发并实时业务运行的高分辨率全球数值预报模式，水平分辨率为0.09°(ECMWF，2019)。本文检验范围为华南地区(18°~27°N、105°~120°E)。两种模式产品的起报时间为每天08时和20时(北京时，下同)，TRAMS和ECMWF模式最长预报时效分别为96 h和240 h，为方便两者的预报效果进行对比，检验的预报时效选取24~96 h。检验目标为2022年“龙舟水”期间(5月21日至6月21日)的暴雨及以上量级降水，其中暴雨日定义为华南地区5个相邻站点08时至次日08时累计降水量达到暴雨(50 mm)及以上量级，影响天气系统基本相同的暴雨日被认定为同一个降水过程。

本文同时采用传统点对点方法和MODE方法进行降水评估。在传统点对点方法评估中采用的降水实况资料为华南地区的10 578个自动气象站观测资料，而在MODE空间检验时所用的降水资料为同期相应范围内的水平分辨率为0.05°的地面-卫星-雷达三源融合24 h降水分析产品(CMPA; 潘旸等，2015)。

1.2 检验方法

定义ETS评分、POD、FAR和MR四个评分指标检验模式降水预报效果：

$ \mathrm{ETS}=\frac{a-a_{\mathrm{ref}}}{a+b+c-a_{\mathrm{ref}}} $

(1)

$ a_{\mathrm{ref}}=\frac{(a+c)(a+b)}{a+b+c+d} $

(2)

$ \mathrm{POD}=\frac{a}{a+c} $

(3)

$ \mathrm{FAR}=\frac{b}{a+b} $

(4)

$ \mathrm{MR}=\frac{c}{a+c} $

(5)

式中：a、b、c分别为某一检验时段内统计暴雨的命中站数、空报站数和漏报站数。传统的点对点评估方法采用邻近点匹配法(WWRP/WGNE Joint Working Group on Verification, 2008)对观测与实况进行匹配，而MODE方法则是先对预报场和观测场的降水对象进行识别和匹配。除了提供ETS评分、POD、FAR和MR等传统降水评分指标外，MODE方法还可以提供模式对检验对象的空间位置、面积、强度等的预报偏差信息。

MODE方法中的对象识别过程实际上是一个聚类分析的过程。首先通过给定的卷积半径和降水阈值对需要评估的要素场进行卷积和要素场的卷积平滑，卷积平滑可以过滤掉较弱的降水对象，同时使降水区变得更加连续。然后将平滑后观测和预报场中降水量小于设定阈值的格点设置为0，将每个格点作为一个初始对象，并根据邻近度进行多次对象的合并，直至所有对象之间的邻近度都小于设定阈值，所剩对象即为算法识别出的降水对象(刘凑华和牛若芸，2013)。在完成观测场和预报场的对象识别之后，将观测和预报的对象进行匹配。计算识别出的单个目标物的面积、质心、强度百分位数等属性，对预报和观测对象的各个属性进行比较，再通过模糊逻辑算法计算两个对象的相似度，相似度达标的对象匹配成功。对于匹配成功的预报和观测强降水雨带对象，可以计算位置误差、面积误差、强度偏差等相关信息，而对于未匹配成功或空报、漏报的统计，也是重要的预报参考信息。

2 2022年“龙舟水”过程的降水类型划分

2022年“龙舟水”期间广东共出现6次暴雨过程。考虑到数值模式对于锋面暴雨和暖区暴雨的预报性能存在较大差异(陈涛等，2020；吴乃庚等，2020)，本文将这两种类型的降水进行分类评估，以便更加明确地了解ECMWF和TRAMS模式对于“龙舟水”期间不同类型暴雨预报性能的差异。分类方法如下：由冷暖空气对峙形成的锋面和切变线造成的暴雨过程划分为锋面暴雨，发生在锋前的暖区或者无锋面和切变的西南气流里的暴雨过程则划分为暖区暴雨。根据上述分类标准，本次“龙舟水”出现了4次锋面暴雨和2次暖区暴雨过程(表 1)。从图 1可以看出，两个数值模式都能报出南岭附近的锋面雨带，其中TRAMS模式对降水量级的预报明显优于ECMWF模式。对于暖区暴雨，TRAMS模式能够预报出粤东沿海的暖区暴雨，但是漏报了粤西沿海的暖区暴雨，而ECMWF模式则完全漏报了粤东和粤西沿海的暖区暴雨。

图 2是每次暴雨过程对应的低空风场。第一次暴雨过程出现在5月26—27日，26日20时冷暖气团在粤北和广西中北部形成低空切变线，27日西南季风加强，切变有所北推，受其影响，粤北和广西中北部出现暴雨、局部大暴雨(图 2a)。6月5—7日对应着冷暖气流交汇形成切变线，并配合500 hPa高空槽东移，广东大部分地区出现暴雨(图 2b)。6月8—9日随着季风气流的加强，华南地区的冷暖空气切变转变为低涡暖式切变，降水主要出现在暖切变附近及低涡移动方向的右前侧，在粤西到粤北南部和广东沿海地区出现暴雨到大暴雨(图 2c)。虽然这次降水发生在低涡切变的南侧，但是强降水落区主要出现在暖切变附近及其南侧200 km之内，将本次暴雨判为暖区暴雨不符合黄士松等(1986)定义。但是高守亭等(2018)提出比较广义的暖区暴雨定义，认为距离锋面200 km之内但不受冷空气影响的暴雨也可称为暖区暴雨。对6月8—9日暴雨过程进行进一步检查，发现强降水发生在低涡南压之后，并且雨带的移动与低涡的移动比较一致，这说明冷空气对本次降水过程有较大的影响，因此将本次过程定义为锋面暴雨类型。10—11日西南季风加强过程中受海岸线、地形等因素引起的低空辐合，在粤西沿海地区产生暖区暴雨(图 2d)。12—15日西南季风与冷空气交汇形成低空切变线，由于西南季风强度较强，使切变线在广东和广西上空摆动，相应地区出现持续性锋面暴雨过程(图 2e)。16—21日随着西南季风的进一步加强，暖湿气流在粤北地形的辐合抬升影响下，在韶关、清远等地形成了持续性暖区暴雨过程，这是本次“龙舟水”的最强降水时段(图 2f)。

3 检验评估结果 3.1 传统点对点方法和MODE方法检验结果对比

如前文所述，基于对象的检验评分关注的是模式预报的对象与观测能否匹配，即模式能不能报出观测对象，而并不关心预报对象和观测对象点对点的重合程度，这可以避免传统点对点评估方法中降水位置预报偏差对于评估结果的影响。由于点对点方法“双重惩罚”现象和模式对于局地暴雨的预报效果都与模式分辨率密切相关，对于不同分辨率的降水预报产品，MODE方法和传统点对点方法之间的差异程度可能会有所不同。下面分别对9 km分辨率的ECMWF模式和3 km分辨率的TRAMS模式降水产品检验评估结果进行对比，目的在于了解传统点对点方法和MODE方法在不同分辨率下的具体表现差异。

图 3给出了TRAMS和ECMWF模式预报评分随预报时效的变化。传统点对点方法下，TRAMS模式对锋面暴雨和暖区暴雨的ETS评分均明显高于ECMWF模式(图 3a)；图 3c表明TRAMS模式对两类暴雨的POD明显高于ECMWF模式，但是TRAMS模式的FAR也高于ECMWF模式(图 3e)；从MR可以看出，ECMWF模式对两类暴雨的MR接近于1，明显高于TRAMS模式(图 3g)。MODE方法评估得到的ETS评分(图 3b)、POD(图 3d)和MR(图 3h)也表明，TRAMS模式的降水预报技巧明显高于ECMWF，不同之处在于此时TRAMS模式的空报率明显低于ECMWF模式(图 3f)；另外，MODE方法评估得到的ETS评分和POD明显高于传统点对点评分，MR明显低于传统点对点评分。

从式(1)~(5)可以看出，传统点对点评估方法中ETS评分、POD、FAR和MR的计算结果主要取决于命中站数、空报站数和漏报站数，而MODE方法中则主要取决于命中对象数、空报对象数和漏报对象数。由于TRAMS模式分辨率(3 km)高于ECMWF模式(9 km)，当出现降水位置偏差时，传统点对点评估方法一方面命中站数减少，一方面空报站数增加，最终导致图 3e中TRAMS模式FAR明显高于ECMWF模式，即所谓的“双重惩罚”现象。MODE方法采用降水对象的命中数和空报数计算FAR，而TRAMS模式对暴雨的识别和匹配能力优于ECMWF模式(见3.2节)，所以MODE方法中TRAMS模式的FAR会低于ECMWF模式。MODE方法在计算ETS评分和POD时，重点关注预报对象与观测对象的匹配情况，以及空报和漏报情况，相比点对点评分，MODE方法避免了“双重惩罚”的问题，命中对象的比例显著提高，同时漏报和空报对象的比例明显降低，因此ETS评分明显高于传统点对点评分。POD的计算相比ETS评分减少了对空报对象的考量，因此MODE方法中POD相对于点对点评分的提高较ETS评分更加明显。MR关注的重点是漏报对象和命中对象的情况，相比点对点评分，MODE方法命中对象的比例显著提高，漏报比例降低，因此两个模式的MR均降低，但ECMWF模式MR降低幅度较小，这与ECMWF模式存在明显的漏报情况有关。

3.2 暴雨对象数量检验

MODE方法通过对预报和观测的降水对象进行识别和匹配，可以获取模式对暴雨对象数量方面的系统偏差信息，从而评判模式与实况的匹配度。图 4给出了TRAMS和ECMWF模式不同时效预报场中识别的暴雨对象数量(图 4a，4b)及其中与实况对象相匹配的数量(图 4c，4d)。在锋面暴雨过程中，实况观测的暴雨对象一共有25个(图 4a中黑色虚线)，TRAMS模式预报的暴雨对象数量总体略多于实况，而ECMWF模式在不同时效预报的对象数量只有9~13个，明显少于实况(图 4a)。从模式和观测的匹配度来看，TRAMS模式与实况匹配的对象数量多达18~22个，与实况(25个)非常接近; 而ECMWF模式与实况匹配的对象数量只有3~6个(图 4c)，这说明ECMWF模式对于锋面暴雨的预报存在较严重的漏报情况。从图 4b和4d可以看出，两种模式对于暖区暴雨对象数目的预报性能与锋面暴雨基本类似。

综上，不管是锋面暴雨还是暖区暴雨，ECMWF模式表现为比较严重的漏报现象，而TRAMS模式存在一定程度的空报，这可能与模式分辨率提高以后可以更加容易地描述华南前汛期局地强对流有关(林晓霞等，2021)。

3.3 位置偏差检验

位置偏差是降水预报偏差的一个重要方面，也是对流系统位置预报偏差的直接体现。从降水预报偏差特征的角度进行天气学分析，有助于进一步诊断模式对暴雨相关天气系统的预报偏差。

基于3.2节中观测与模式互相匹配的降水对象，图 5给出了不同预报时效下两个模式对锋面暴雨和暖区暴雨降水预报中心位置偏差分布情况。TRAMS模式的评估结果表明：预报时效为24 h的降水位置整体偏北，东西方向的偏差不超过±4°，其中位置偏东的降水对象偏北程度更加明显(图 5a)；当预报时效介于36~60 h时，东西方向的位置偏差幅度进一步增大至±4°(图 5b~5d)；当预报时效进一步延长至72 h以后时，降水位置在西侧的偏差基本限制在2°以内，而东侧的偏差可达到4°(图 5e~5g)。总体而言，在TRAMS模式中暴雨位置预报均表现出总体性偏东，部分时次暖区暴雨的位置偏东特征比锋面暴雨更加明显(图 5c~5d)。唐思瑜等(2022)也基于MODE方法对本次“龙舟水”进行评估，同样发现TRAMS模式的暴雨位置预报容易偏东。ECMWF模式(图 5h~5n)不同时效的降水预报均表现出偏北的现象(特别是锋面降水)，并且24~84 h预报时效的降水都表现出“位置偏东时偏北程度更大”的现象，但是东西方向的偏差幅度相对较小，一般不超过±2°。胡榕等(2024)也分析了ECMWF模式集合预报对“龙舟水”期间一次暴雨过程的预报偏差，同样发现该模式对于锋面雨带的位置预报存在偏北的现象。

下文分别针对TRAMS和ECMWF模式各选取一个代表性案例，主要从影响暴雨的关键性天气系统的角度开展分析，进一步探讨模式降水预报位置偏差的形成原因。首先通过TRAMS模式对2022年6月17日广西北部地区暖区暴雨的预报案例分析其位置预报(图 6a，6b)偏东的原因。图 6c中黑色线包围的区域是MODE方法从实况降水(图 6a)识别的暖区暴雨对象(标记为数字1)，其主要分布在贵州南部、广西北部和广东北部地区。从图 6e中可以看出，本次暖区暴雨主要由西南季风在云贵高原及南岭地形阻挡作用下辐合抬升而形成。与ERA5再分析资料相比，TRAMS模式在广西境内的南风明显偏弱，较弱低空气流无法直接翻越广西北部的山脉而转向东侧的湖南南部绕流，从而导致湖南南部的偏西风分量加强(图 6e，6f)。湖南南部的偏西风与广东北部的偏南风急流形成辐合，造成TRAMS模式在湖南南部和江西南部地区出现范围较大的虚假降水。在使用MODE方法进行对象识别时，由于广西北部和湖南南部的降水互相连接，因此被划分为同一个对象，最终导致其质心位置比实况偏东(图 6d)。2022年6月5日，南岭南北两侧冷暖气流在地形抬升作用下分别形成两条雨带(图 7a)，而在ECMWF模式中预报的降水只有一条雨带，其位置与南岭山脉基本一致(图 7b)。MODE方法能够识别南岭附近的锋面雨带，并对观测和预报进行匹配，并且ECMWF模式预报的锋面雨带质心位置比实况偏北(图 7c，7d)。从850 hPa风场可以看出，南岭南侧锋面降水的水汽主要来源于广西境内低涡东侧的偏南气流(图 7e)，ECMWF模式对于该低涡系统的预报比实况偏强(图 7f)，这使得广东境内偏南气流也随之加强，更多的暖湿空气被输送至南岭北侧并直接与冷空气辐合形成降水，这是ECMWF模式只能预报出一条雨带并且位置偏北的主要原因。

3.4 暴雨面积和强度的偏差检验

暴雨面积的准确预报对于实际决策部门的防灾减灾工作也有重要参考价值。基于3.2节中观测与模式互相匹配的降水对象，本文进一步对TRAMS和ECMWF模式的暴雨面积预报性能进行评估。从图 8可以看出，TRAMS模式对锋面暴雨面积的预报并不存在系统性偏差，但是对暖区暴雨面积的预报总体偏大。暖区暴雨的实际面积主要分布在4×10⁴~12 ×10⁴ km²(对应的水平尺度大约为200~350 km的区域性暴雨)，而TRAMS模式的预报中有一部分暴雨对象的面积达到了12×10⁴~18×10⁴ km²。进一步分析(图略)发现，这些被高估的对象对应于6月16—21日发生在低空急流和南岭交汇处的暴雨过程。从图 6中对6月17日暖区暴雨个例的低空风场偏差分析可以看出，TRAMS模式在湖南南部西风分量和广东北部南风分量的偏强导致南岭附近水汽辐合明显加强，这是江西南部出现大面积虚假暴雨的主要原因。ECMWF模式对锋面暴雨和暖区暴雨面积的预报均存在系统性的低估，特别是在预报时效不超过72 h时模式预报的暴雨面积普遍低于4×10⁴ km²，这可能与ECMWF模式分辨率较低导致对强对流模拟偏弱有关。

从降水强度评估结果(图 9a~9d)来看，TRAMS模式的预报偏差出现了较大的离散度，说明其对降水强度的预报存在较大的不确定性。对于降水量低于80 mm的暴雨对象，TRAMS模式并没有明显的系统性偏差，这使得其累积降水强度比较接近实际观测。对于降水量超过80 mm的2~3个锋面暴雨对象，模式基本比实况偏弱10 mm以上。ECMWF模式对于各个量级的降水预报均表现出比较明显的偏弱现象。

除了暴雨降水量中位数外，最严重的洪涝灾害往往与暴雨降水量极值密切相关，因此对于极端“龙舟水”来说，进一步考察TRAMS和ECMWF模式对暴雨降水量极值的预报性能也是很有实际意义的。从降水量极值的评估结果(图 9e~9h)来看，两种模式对锋面暴雨和暖区暴雨都存在明显的低估现象，并且这种极值预报低估的现象随着降水强度的加强而更加明显。与ECMWF模式相比，TRAMS模式在300~400 mm降水量区间对降水量极值的低估程度相对更小，这体现了高分辨率模式在局地强对流预报方面的优势。总体而言，现有的业务数值预报模式对于强降水中心极值的预报能力仍然明显不足，虽然提高模式分辨率会有一定程度的改进，但是资料同化、模式动力框架计算精度、云微物理参数化方案和边界层参数化方案等相关因素都有可能对降水强度产生显著影响，因此有必要开展更加深入的误差来源诊断和技术改进研究。

4 结论和讨论

本文利用MODE方法对TRAMS和ECMWF模式在2022年“龙舟水”期间的锋面暴雨过程和暖区暴雨过程进行了检验和评估，主要结论如下：

(1) 根据MODE方法和传统的点对点评估方法计算得到的ETS评分和POD都能体现出TRAMS模式对于2022年“龙舟水”的预报优势，但是后者容易受到降水位置预报偏差的影响，导致TRAMS模式在FAR方面高于ECMWF模式，而前者可以较好地避免“双重惩罚”对FAR造成的影响。

(2) TRAMS模式的暴雨识别和匹配能力优于ECMWF模式，其中TRAMS模式存在少量空报的情况，ECMWF模式则存在比较严重的漏报。

(3) TRAMS模式的暖区降水位置预报整体偏东，ECMWF模式的锋面降水位置总体性偏北，降水位置偏差特征与不同模式对低空偏南气流的预报误差密切相关。

(4) TRAMS模式对锋面降水的面积预报相对较准确，但是对暖区暴雨的面积预报偏大；ECMWF模式则对两种类型的暴雨面积都存在低估；降水强度方面，TRAMS模式的预报性能略优于ECMWF模式，但是在强降水阶段仍然存在比较明显的低估现象，特别是对于400 mm·d^-1以上的降水极值预报。

总的来说，分辨率更高的本地化区域模式TRAMS对于华南“龙舟水”表现出了较好的预报性能，但是在暴雨位置、面积和强度方面仍然有较大的改进空间。在后续的研究中，有必要进一步从低空风场和云降水等方面开展更加细致的评估和误差来源诊断研究，从而为TRAMS模式的改进提供参考依据，进一步提高其对极端“龙舟水”的预报能力。

值得注意的是，过去对华南前汛期的评估结论普遍认为锋面暴雨的预报技巧会高于弱强迫天气背景下的暖区暴雨(陈涛等，2020；吴乃庚等，2020)，而在本次极端“龙舟水”过程中TRAMS模式对于锋面和暖区暴雨的预报都表现出了较高的预报性能。2022年极端“龙舟水”的暖区暴雨主要发生在粤北地区，高分辨率TRAMS模式对于这种大尺度地形强迫造成的暴雨过程具有较好的预报能力，因此暖区暴雨的预报评分整体较高。需要指出TRAMS模式的一个明显缺陷在于其基本完全漏报了粤西沿海的暖区暴雨，这可能与该类型暴雨触发条件的局地性更强有关。尽管过去针对TRAMS模式在粤西沿海暖区暴雨的一些预报失败案例进行了诊断和改进(例如：徐道生等，2015；Xu et al, 2023)，但是显然还需要开展更加深入的研究和总结。