引言

梅雨指每年6—7月发生在江淮流域的连续阴雨天气，期间的异常降水是影响江淮地区发生干旱或洪涝的主要原因(张庆云和郭恒，2014；Pan et al, 2021)，对当地的社会经济发展造成严重影响。2020年梅雨呈现出入梅早、出梅晚、梅雨期长、雨区范围广、累积雨量大、强降水过程多的特点(刘芸芸和丁一汇，2020)，是1961—2020年江淮流域夏季降水最强的一次(Wei et al, 2020)。连续不断的强降水导致我国长江中下游水位长期超警，给当地造成严重的经济损失，引起社会广泛关注(Ye and Qian, 2021)，与此同时，学者们也针对此次超长梅雨事件的成因和影响机制从多个角度进行了分析和研究(刘芸芸和丁一汇，2020；陈涛等，2020；Liu et al，2020；Ye and Qian, 2021；Zhou et al，2021；Tang et al，2022；Ma et al，2022；Lu et al，2022)。一方面，从大气环流变化角度来看，刘芸芸和丁一汇(2020)的研究表明，东亚季风区内多个关键大气环流系统的准双周振荡和欧亚中高纬“两脊一槽”型环流是造成2020年梅雨异常偏强的主要因素。Zhou et al(2021)认为，2019年秋季在南印度洋自东向西缓慢移动的海洋罗斯贝波是2020年梅雨异常偏多的重要原因。Liu et al(2020)指出，北大西洋涛动和中纬度冷空气次季节尺度变化的影响是造成2020年持续性“暴力梅”事件的成因之一。另一方面，从气候变化和人为强迫角度来看，Ye and Qian(2021)对“暴力梅”事件归因研究发现，气候变化影响导致2020年“暴力梅”事件发生概率增加近5倍。Yang et al(2022)研究认为，人为气溶胶排放的减少对2020年长江流域夏季的破纪录降水有重要贡献。

在全球气候变化的影响下，极端降水事件的频率和强度与日俱增，对流域径流的影响也在加剧(Blair and Sanger, 2016)。研究表明，流域内持续不断的极端暴雨天气是水库泄洪最直接的因素(Zhang et al，2004；Furey and Gupta, 2005；刘洪韬等，2010)。针对流域降水预报，也有不少学者进行了相关的评估研究(周慧等，2010；刘永和等，2013；朱占云等，2016；祁海霞等，2020；宋雯雯等，2021；Li et al，2021；卜文惠等，2022)。例如，周慧等(2010)利用国家气象中心T639模式和NCEP模式对长江流域的降水天气过程进行预报检验，结果表明模式对一般降水的预报能力较好，但对暴雨预报稍差。谈丰等(2012)利用高分辨率的区域气候模式对淮河流域降水进行模拟评估，认为模式能很好模拟出流域降水的年际变化和空间分布特征，其中对年降水量的模拟效果最佳，但对降水强度和大雨日数的模拟结果稍差。朱占云等(2016)利用多模式客观集成预报结果对浙江地区六大水库梅雨期降水的面雨量进行预报评估，发现其对不同降水类型造成的各流域的面雨量预报效果差别较大。陈光舟等(2021)基于多种模式的预报结果分别制作了集成面雨量和单一模式面雨量预报产品，并评估检验各面雨量预报产品对2013—2016年汛期期间滁河流域面雨量的预报能力，研究发现多种模式的集成产品预报效果优于单一模式的产品，但集成预报对弱降水过程的预报优势不明显。上述研究表明，气象数值预报模式对流域降水预报, 尤其是对大雨及以上量级的降水预报尚存有一定的不确定性。当下，亟需更多个例检验来评估模式降水预报不确定性能否满足当前流域洪涝预警及防洪需求，相关评估研究也能为今后气象模式产品更好地释用于流域洪涝预报服务及防洪减灾工作中做好前期铺垫及事后案例的检验性分析。

本文以2020年超长梅雨期间新安江流域的降水过程为例，评估检验业务预报常用的全球模式和区域模式的降水预报能力，及当前模式预报性能与新安江流域复杂下垫面之间的联系，以期提高模式预报产品在流域预报服务中的适用性，同时也为改进模式对该区域流域降水精细化预报预警提供有意义的参考。

1 数据与方法 1.1 研究区域

新安江流域地跨两省，发源于安徽省黄山市休宁县境内，汇集于浙江省淳安县，最后经建德市汇入钱塘江(图 1a所示区域)。通常，上游流域的产流流量和累积面雨量能直接影响下游水库坝址区的防汛抗旱、水库调度等决策(刘洪韬等，2010；包红军等，2021)。位于浙江省杭州市淳安县的新安江水库属于国家一级水源地，总库容接近220亿m³，控制流域面积占1.1万km²，是华东地区最大的水库，同时也是浙江省内重要的大型水电站，在钱塘江流域的防洪度汛中起到关键作用。

新安江流域位于江淮梅雨带最南端，受梅雨降水影响显著。新安江水库自1959年建成运营以来共经历了7次开闸泄洪，其中以1996年、1999年和2020年较为严重(孙彭龄和侯翠香，1998；周黔生等，2001；陆小勇等，2020)。对新安江流域降水的精准预报预警服务能为防范洪水灾害、保护下游流域人民生命财产安全提供重要的决策依据。目前，应用于气象业务的数值模式不论是在分辨率还是观测资料的同化频率上较之前都有了较大提升，并在极端性暴雨预报中发挥重要作用(漆梁波，2015；王丹和余贞寿，2023)，开展业务数值模式对流域降水的预报能力评估，有助于提升模式预报服务水库泄洪预警的科技支撑能力。

1.2 数据

预报数据为2020年5月29日到7月17日期间的8个数值模式的降水预报产品，包括：欧洲中期天气预报中心数值预报系统(ECMWF)、美国国家环境预报中心全球预报系统(NCEP-GFS)、日本气象厅全球谱模式(JMA-GSM)和中国气象局全球同化预报系统(CMA-GFS)，共4个全球模式；以及中国气象局中尺度天气数值预报系统(CMA-MESO)、中国气象局上海数值预报模式系统(CMA-SH9)、浙江省中尺度数值预报业务系统(ZJWARMS)和浙江省快速更新同化预报系统(ZJWARRS)，共4个区域模式(详见表 1)。值得一提的是，CMA-GFS和CMA-MESO是基于中国自主研发的原GRAPES数值预报体系一体化发展而来；CMA-SH9、ZJWARMS和ZJWARRS则是基于WRF-ADAS框架发展而来，三者中CMA-SH9具有更广的覆盖范围，ZJWARRS则是基于ZJWARMS发展得到的3 h快速更新循环同化系统，两者主要在预报时效、同化更新频次上有所差异。观测数据选择新安江全流域(后文简写为XinAJ)内的190个国家级基本气象站和一般站的降水、海拔高度和经(纬)度数据，包括新安江流域安徽部分(后文简写为XRAH)的91个站点和新安江流域浙江部分(后文简写为XRZJ)的99个站点。研究时段内的日降水量统一界定为前日08时至当日08时(北京时，下同)的24 h累积值。

1.3 方法

面雨量作为表征区域或流域内平均降水强度的关键参数，在洪水预警与水库调度决策中具有重要的应用价值(方慈安等，2003；江锦红和邵利萍，2010；韩俊太等，2022；任智慧等，2023)。本研究中的面雨量计算如下：首先利用最邻近插值法将各模式预报的网格点数据产品插值至流域内190个观测站点上，再分别计算XinAJ、XRAH和XRZJ三个区域的观测和模式预报的算术平均面雨量。对于站点降水的预报评估，主要利用传统的点对点客观检验评分方法进行定量的比较分析，评估指标基于美国大气研究中心的模式评估工具(Model Evaluation Tools)(Opatz et al，2022)计算，包括TS评分、空报率(FAR)、命中率(POD)等，以及空间相关系数和标准差等常规统计量。

2 结果分析

相较于历史，2020年的梅雨季呈现入梅早、出梅晚、总降水量偏多、极端性偏强的特点(陈涛等，2020)。新安江流域在此期间先后经历了多轮强降水事件，整体呈现一个多雨阶段的气候特征，水库坝址以上的流域累积面雨量是常年梅雨量的3.2倍(陆小勇等，2020)。

2.1 新安江流域降水实况

在降水实况空间分布图中(图 1a)，新安江流域梅汛期累积降水量普遍超过800 mm，尤其在流域西部、西南偏南侧以及西北一带山地起伏明显地区，出现了1000~1400 mm的高值区，占站点自身全年总降水量50%以上。流域面雨量日均序列变化中(图 1b)，除6月3日XRZJ区域的面雨量显著高于XRAH区域外，后续降水峰值集中于XRAH区域内；6月18日起各子区域的日面雨量持续超过30 mm，导致流域内土壤含水量饱和，为下游区的大量产流提供了有利条件；7月2日起流域内的降水表现出更高的强度和更长的持续时间，其中发生在XRAH区域的两次日面雨量峰值都明显超前和高于发生在XRZJ的，在新安江水库泄洪的前一天(7月7日)，XRAH区域的日面雨量峰值达到最高，而XRZJ和XinAJ的最大峰值则出现在7月8日。这与图 2中出现大暴雨(日降水量≥100 mm)及以上量级降水的站点分布变化特征一致，在图 2中，6月3日的23个站点集中分布在XRZJ南部，后续强降水中心北移至XRAH区域；7月7—8日发生大暴雨的站点数达到最大(7日XRAH区域56个站点，8日XRZJ区域46个站点)。与之相应地，新安江水库自7日上午起逐步开3孔、5孔、7孔泄洪，至8日上午开9孔泄洪。随后降水逐渐减弱，泄洪口也次第关闭，至7月14日下午全部关闭，新安江水库完成泄洪，7月18日梅雨季结束。

2.2 多模式对新安江水库区降水特征的预报评估

图 3揭示了不同模式累积降水预报偏差的空间分布差异。其中，区域模式CMA-SH9和CMA-MESO呈现全流域高估表现(部分站点降水偏差≥25 mm)，而全球模式CMA-GFS和JMA-GSM明显低估了梅雨期间总降水量；此外，全球模式ECMWF、NCEP-GFS及区域模式ZJWARMS除了在流域东部(XRZJ区域)出现≤10 mm的弱正偏差外，其余大部分地区仍表现为10 mm量级的负偏差；快速更新同化模式ZJWARRS主要在XinAJ北部预报结果偏低，而中部、南部预报结果偏高。

逐日偏差序列图(图 4)中，区域模式的多模式平均在80%的时段呈正偏差，而全球模式在6月4日、20日及7月7日等关键降水峰值时段均出现超过30 mm的负偏差，表明其对极端降水过程的捕捉能力不足。此外，从单个模式预报的偏差离散度来看，区域模式虽在多模式平均结果上呈现持续的正偏差(尤其是6月20日之后的增幅显著)，但单模式之间的离散度较大、不确定性较高；反观全球模式，其在流域内的偏差离散度小于区域模式，且各模式正负偏差方向基本一致。综上，全球模式的负偏差主要源于对日降水量≥50 mm的极端降水事件的偏低估计，而区域模式中，单模式间的预报结果差异相对较大，多模式平均的预报表现更佳。延伸期(48 h、72 h预报时效)预报结果表明(图略)，区域模式的偏差随预报时效呈明显增长趋势，单个模式的偏差离散度也更大，而全球模式的预报结果在延伸期内表现更为稳定。

与此同时，不同时效的面雨量预报与观测的相关性差异表明(表略)，在24 h时效下区域模式的相关系数(0.68~0.82)整体优于全球模式(0.52~0.81)。其中，区域模式CMA-MESO(0.82)和CMA-SH9(0.81)表现最佳，可能是受区域模式预报范围影响降水预报质量的原因(Yu et al, 2022)，具有更广的覆盖范围的CMA-SH9与观测的相关性明显优于ZJWARMS(0.68)的，而ZJWARMS在提高观测资料的同化频次后，相关性略有提升(ZJWARRS：0.70)。全球模式中，NCEP-GFS(0.81)和JMA-GSM(0.76)表现突出，而CMA-GFS(0.52)相对偏低。随预报时效的增加，全球模式和区域模式的相关系数都出现了不同程度的衰减，其中CMA-GFS的相关系数衰减最慢，在48 h的提前量下还略微有提高；至72 h预报时效，仅NCEP-GFS、JMA-GSM、CMA-SH9和CMA-GFS模式的相关系数依旧超过0.50，其中全球模式占三个，可见全球模式有更长时间的可预报性。

2.3 多模式对新安江水库区降水预报的定量评估

图 5定量揭示了模式对不同量级降水的预报技能差异。梅汛期间流域内大部分站点都有≥0.1 mm的降水发生，随着降水量级的增大，站点数逐渐减少，到大雨量级(≥25 mm) 时，已经能较明显地区分出几次区域性强降水过程，其中7月2日起极端降水强度显著增强，大暴雨量级(≥100 mm)的站点集中发生在7月的几次暴雨过程中。

图 5a表明，各模式对发生降水事件的预报能力较强，但存在阶段性漏报现象。例如，区域模式ZJWARMS和ZJWARRS在6月7日、CMA-SH9和全球模式CMA-GFS在6月12日左右出现明显低估和漏报的情况。在降水间歇期(例如：6月2—3日、8—9日和18日)，各模式也出现了不同程度的空报。在WRF系列的三个区域模式中，ZJWARMS在梅汛期前期小到中雨量级的站点数基本为负偏差，在梅汛期末期偏差转为正，表明该模式对降水的极端性有较好的预报能力，而对小雨、中雨量级的降水表现稍弱；与之对应地，ZJWARRS的结果在中到暴雨量级的站点数偏差主要表现为负偏差，在梅汛期末期偏差为正，可见通过3 h一次的快速循环同化后，ZJWARRS对降水预报有明显的提升。CMA-SH9在中雨及以上量级降水中都有明显的偏高估计，且空报率较高。CMA-MESO对中雨量级降水的预报结果与观测较为接近，站点数没有明显的正负偏差表现，但在大雨(≥25 mm)及以上量级(图 5c，5d)，预报偏差出现正负交替现象，表明该模式对降水过程的预报可能存在系统性偏移，尽管能预报出不同强度的降水，但在具体发生时间上存在一定偏差。此外，全球模式ECMWF、NCEP-GFS和JMA-GSM更多呈现负偏差的现象，尤其是对7月3—9日的暴雨到大暴雨量级的降水(图 5d，5e)，没有预报出发生该降水量级的站点。全球模式CMA-GFS自中雨量级降水预报起，在几次强降水过程中都出现明显的漏报现象。

此外，不同检验评分也表现出一致的对应关系：在全流域内发生大范围有效降水时，模式呈现高TS评分和低FAR(图略)的表现，预报效果较好；反之，在全流域的弱降水时段，则对应较低的TS评分和高的FAR。基于流域防洪安全的重点需求，本节重点分析各模式对暴雨至大暴雨量级的预报性能差异(图 6)。暴雨量级下，TS评分在强降水集中期(6月20日之后)有明显提升，部分模式结果接近0.8，例如区域模式ZJWARMS、CMA-MESO、CMA-SH9，以及全球模式ECMWF和NCEP-GFS等。结合各模式的POD和FAR表明，NCEP-GFS在6月4日和7月2日左右的两次连续暴雨过程中有较好的POD表现，预报准确率较高；其次是ECMWF，在几次连续的暴雨过程中POD都接近0.6，但FAR均超过0.5；区域模式ZJWARMS、CMA-SH9和CMA-MESO的POD和FAR在几次连续暴雨过程中都有较明显的波动表现，可见区域模式对暴雨发生的具体落区预报不够稳定。大暴雨量级下的降水集中发生在开闸泄洪前(7月7—9日)的多日连续性极端降水中，TS评分表现最优的是全球模式NCEP-GFS(0.6)和ECMWF(0.4)，其次是区域模式CMA-MESO和CMA-SH9(≥0.4)；此外，较高的POD和低的FAR反映出，各模式对8日的极端降水预报较好，但都过高估计了9日的降水。结合各模式的大暴雨量级的站点分布情况(图略)和图 2可发现，各模式对多次强降水过程中大暴雨量级的降水站点分布呈现出不同程度的偏差，未能较好地再现出大暴雨事件发生的时空分布特征。可见，单纯依靠模式日降水的预报还不能满足对流域面雨量的预报服务需求。

2.4 多模式对新安江流域降水的极端性和累积效应评估

在流域的产流预报中，降水的累积效应和降水强度共同影响着流域流量的变化，被作为山洪灾害预警标准的双重指标(江锦红和邵利萍，2010)。因此，本节继续从流域降水的极端性和累积效应双重维度评估模式预报产品的指示价值。

考虑到7月3—8日的暴雨过程持续时间较长、范围较广，对8日的开闸泄洪决策起了关键性的影响，因而以此次暴雨过程为例讨论各业务模式对极端降水的预报能力。针对此次持续暴雨过程(图 7)，区域模式展现显著的预报优势，例如，CMA-SH9的TS评分达0.45(POD=0.78)，仅FAR表现稍逊(0.55)；CMA-MESO的TS评分(0.44)、POD(0.67)和FAR(0.33)表现均衡。而全球模式中表现最佳的NCEP-GFS的各类指标(TS=0.23，POD=0.29，FAR=0.45)普遍低于区域模式的中位数水平。此外，进一步比较了不同模式对流域逐日累积面雨量的预报情况(图 8)。流域的累积面雨量演变主要呈现三阶段特征，即: 第一阶段的初始累积期(5月29日至6月18日)，面雨量的累积曲线上升相对缓慢，这其中6月10—18日的累积曲线趋于平缓、基本停滞，对应图 1b的降水量时间序列在此期间的日面雨量不足10 mm, 其中XRZJ基本为零；第二阶段的加速累积期(6月19日至7月2日)，累积曲线出现一次攀升，曲线斜率高于第一阶段，对应图 1b和图 2也能看出在此阶段流域出现多次连续降水，超过100 mm的站点降水集中在XRAH；第三阶段的雨量爆发期(7月3—9日)，此时曲线斜率达到最大，对应流域内面雨量攀升，导致新安江水库于7日开闸泄洪，逐渐增开至9孔，随着曲线平缓泄洪口逐渐关闭，最终于14日完全关闭、泄洪结束(陆小勇等，2020)。

如图 8所示，各区域模式均能较好刻画累积面雨量的三个阶段特征。CMA-SH9自首阶段即呈现高估，第二阶段增速已接近实况第三阶段水平，导致过程累积雨量显著高于实况(峰值达1500 mm)；CMA-MESO次之，自第二阶段起其累积曲线与CMA-SH9基本平行，但量级略低；ZJWARRS和ZJWARMS与实况吻合度较高。CMA-SH9和CMA-MESO虽能较好反映累积过程时间演变特征，但因过程降水量系统性偏大导致累积量显著高估，所以预报效果逊于ZJWARMS和ZJWARRS。此外，除ZJWARRS和CMA-MESO(仅提供24 h预报结果)外，各模式的累积曲线随预报时效临近(图 8a~8c)普遍呈增长变化。其中，区域模式CMA-SH9的预报中始终维持高速的累积态势，在72 h和48 h时已明显高估实际的累积面雨量值；而ZJWARMS的临近预报对降水量的调整更趋合理，随预报时效由72 h缩短至24 h，其累积曲线逐渐逼近实况。全球模式方面，CMA-GFS和JMA-GSM明显低估了流域累积面雨量，未达泄洪预警阈值，且预报技巧随时效临近未见改善；NCEP-GFS和ECMWF在24 h预报中与实况最为接近，但在48~ 72 h预报中自第二阶段起明显低估，均未能再现第三阶段极端降水引发的面雨量陡增特征。

2.5 地形高度对降水预报的影响

最后，本文还简要分析讨论了不同地形高度对各模式降水预报性能的影响。由图 1中观测站点的空间分布可知，本文用到的有效站点的地形高度主要集中在600 m以下，超过600 m的站点仅有2个。故本节主要以地形高度200 m和400 m为界，将站点分为低、中、较高三类，各类有效站点数分别为118、56、16个。分析表明，区域模式对中雨及以上量级降水的预报性能具有较显著的地形依赖性(图 9)。CMA-SH9与CMA-MESO的TS评分相当，但对暴雨至大暴雨量级降水的预报在高地形区有所提升；ZJWARMS和ZJWARRS随地形高度的增加对大暴雨量级降水预报的TS评分有明显的改善。此外，全球模式中，ECMWF和NCEP-GFS对低地形区的大暴雨量级降水TS评分都表现较好，其中NCEP-GFS评分最优，但随着地形高度的增加，两个模式的TS评分明显下降，表明模式对复杂地形区的降水过程表征不足。

泰勒图(图 10)中，区域模式CMA-MESO的相关系数分布在0.5~0.8，且均满足α=0.05显著性检验；低地形站点集中分布在标准差之比(Ratio)＞1一侧，而地形高度在200 m以上的站点则更为均匀地分布在Ratio=1的两侧。CMA-SH9的结果在各地形高度上都呈现系统性高估(Ratio＞1)。ZJWARMS的相关系数集中在0.2~0.6，增加同化频率后，ZJWARRS的相关系数有所提升(0.3~0.7)。全球模式中，ECMWF表现较好，相关系数集中在0.4~0.7，Ratio≤1.25，表明预报的降水强度较观测偏弱；NCEP-GFS虽相关系数可达0.5~0.8，但大部分站点的Ratio＜1，揭示其对降水强度的持续低估。

综上，地形高度对暴雨及以上量级降水预报有较显著的影响。其中，区域模式对地形刻画更精细、对降水预报有正增益效果，但需警惕其对降水过高估计的风险；全球模式在地形复杂区对降水的预报性能明显下降，降水整体呈现偏低估计。

3 结论

2020年超长梅雨期间，新安江流域内降水呈现出持续时间长、暴雨过程多、累积降水量大等特点，持续的降水导致新安江水库在该年首次开闸9孔泄洪。因此，本文基于站点观测资料，通过对新安江流域的日均降水量、降水强度和过程累积面雨量的时空特征，评估业务数值预报模式对此次降水的预报性能，并着眼于流域预报的业务需求，重点关注模式对流域内降水的累积效应和极端性的预报能力，以了解当下业务预报数值模式能否达到水库泄洪预警的需求；此外，文中还探讨了地形高度对模式降水预报的影响。主要结论如下：

(1) 各模式对新安江流域降水特征的预报评估表明，全球模式的各成员和多模式平均普遍存在降水低估，对降水极端性的预报能力弱于区域模式；区域模式间离散度较大，多模式平均结果表现更佳。全球模式具有更长的时效预报稳定性(72 h预报与实况偏差较小)，而区域模式临近预报(24 h)能更好地捕捉降水精细化分布。

(2) 各模式对新安江流域降水预报的定量评估同样反映出，全球模式对降水预报存在明显的偏低估计，区域模式对暴雨和大暴雨量级的降水预报表现较好，但在几次连续暴雨过程中，POD和FAR评分波动显著，反映模式预报结果对暴雨及以上量级降水发生的具体落区和时间上存在一定偏差。此外，WRF系列的三个模式反映出，具有更广模拟范围的CMA-SH9较ZJWARMS更接近实况，增加同化频次(ZJWARRS)可有效提升ZJWARMS的预报技巧。

(3) 各模式对新安江流域降水的极端性和累积效应的评估表明，相较于模式的单日降水，综合考虑模式预报降水的累积效应和极端性具有更直观的预报指示意义。区域模式CMA-SH9和CMA-MESO对降水极端性预报最优，表现为较高的TS评分(≈0.45)和POD(≥0.67)，但对流域内累积降水量存在过高估计表现；ZJWARMS和ZJWARRS的累积降水量预报更接近实况，但TS评分、POD和FAR表现皆不如CMA-SH9和CMA-MESO，可见，在对流域内产流预报中，应结合各区域模式24 h预报时效下的结果进行综合分析。全球模式中，CMA-GFS和JMA-GSM在各指标的评分表现和累积流域面雨量方面都有明显的低估表现，预报结果未达到新安江水库开闸泄洪的要求。

(4) 地形高度对各模式预报暴雨及以上量级的降水有较为明显的影响。主要表现为全球模式预报水平随地形高度上升而下降，而区域模式(CMA-SH9、ZJWARMS、ZJWARRS)对较高地形的极端降水预报有一定提高，其中，大暴雨量级降水的TS评分随地形高度增加有明显改善，但也易出现偏高估计，而中雨及以下量级的降水预报结果受地形高度影响不大。

本文旨在评估业务预报模式对新安江流域降水的预报性能，以期提高模式预报产品在流域降水预报以及水库泄洪预警的释用性；并从各模式间的联系与区别着手，简要分析比较模式设计与模式自身性能对降水预报结果的影响，例如对基于WRF-ADAS发展的ZJWARMS、ZJWARRS和CMA-SH9的结果间进行比较分析表明，模式区域的选择以及同化频次的提升，对此次梅雨期间的降水预报水平都有一定的正效应，与前人研究结论一致(Yu et al, 2022)。但未涉及更多天气气候背景，对模式预报误差成因尚缺乏深入探讨。后续将继续以新安江流域的降水预报为研究对象，拟设计敏感性试验探究模式对新安江流域及库区的降水对于流量预报的误差来源及成因，以提升模式对该流域的预报水平，为流域及库区蓄水/开闸决策提供科学预报依据。