降水量预报
降水的统计降尺度预报及其空间相关性和时间连续性重建
降水的统计降尺度预报及其空间相关性和时间连续性重建王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢【摘要】利用欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)以及英国气象局(UKMO)四个中心1-7d日累计降水量集合预报资料,以中国降水融合产品作为“观测值”,对我国地面降水量进行统计降尺度预报,并对预报降水的空间相关性和时间连续性进行重建.对降水量进行分级后,建立各个量级的回归方程进行统计降尺度预报.此外,还利用Schaake Shuffle方法重建丢失的空间相关性和时间连续性.结果表明,分级回归比未分级回归后的预报结果相关系数更高,预报误差更小,更接近观测值.Schaake Shuffle方法可以有效地改进降水预报的空间相关性和时间连续性,使之更接近实况观测,集合成员间的相关性也更好.%Based on the ensemble forecasts of 1-7 day daily accumulated precipitation from the European Centre for Medium-Range Weather Forecasts (ECMWF),Japan Meteorological Agency (JMA),National Centers for Environmental Prediction(NCEP) and UK Met Office(UKMO),with the hourly merged precipitation product over China as the observed data,the forecast of daily precipitation in China by means of statistical downscaling and the reconstruction of spatial and temporal correlation of the precipitation forecast were conducted.The statistical downscaling based on different categories of the rainfall was applied to improve the precipitation forecast.The Schaake Shuffle was used to reconstruct the spatial correlation and temporal persistence of the precipitation forecast.The results show that the forecasts after the regression based on the different categories of the rainfall are more accurate than the ones after theregression.Classifying the rainfall into different categories was not considered,due to the fact that the anomaly correlation coefficient becomes larger and the root-mean-square error becomes smaller.The spatial and temporal correlations after the reconstruction are quite close to the observed ones.【期刊名称】《大气科学学报》【年(卷),期】2018(041)001【总页数】10页(P36-45)【关键词】降水量预报;统计降尺度;Schaake Shuffle方法;相关性重建【作者】王姝苏;智协飞;俞剑蔚;陈超辉;周红梅;朱寿鹏;赵欢【作者单位】南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;江苏省盐城市大丰区气象局,江苏盐城224100;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京大气科学联合研究中心,江苏南京210008;江苏省气象台,江苏南京210008;国防科技大学气象海洋学院,江苏南京211101;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室,江苏南京210044;武汉中心气象台,湖北武汉430074【正文语种】中文近年来,数值预报模式在迅速地发展,但其有限的空间分辨率仍然不能满足人们生产生活的需要,精细化预报正在逐渐发展成为天气预报的主要方向,降尺度是精细化预报的一种主要手段(黄刚等,2012;陈晓龙和智协飞,2014)。
基于3D卷积神经网络的区域降雨量预报
Journal of Image and Signal Processing 图像与信号处理, 2018, 7(4), 200-212Published Online October 2018 in Hans. /journal/jisphttps:///10.12677/jisp.2018.740233D Convolutional Neural Network forRegional Precipitation NowcastingKun Wu1,2, Yanyan Shen1, Shuqiang Wang1*1Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen Guangdong2University of Science and Technology of China, Hefei AnhuiReceived: Sep. 19th, 2018; accepted: Oct. 3rd, 2018; published: Oct. 10th, 2018AbstractAccurate regional precipitation forecast has been a very important issue in the field of meteoro-logical services. The goal of short-term rainfall forecasting is to make accurate and timely predic-tions about the intensity of rainfall in local areas in the short-term future (e.g., 0 - 6 hours).Weather stations can issue emergency urban rainfall alerts and provide effective flood prevention information by integrating the predicted short-term rainfall data with the observed weather fore-cast meteorological data. In this paper, according to the surrounding historical rainfall data of au-tomatic station detection and weather observation area of different heights above the Doppler radar echo extrapolation figure, we proposed a rainfall prediction model based on the deep learning method. Proposed model is based on 3D Convolution Neural Network, the established network model was applied to the regression problem of the rainfall forecast, use the appropriate index to evaluate the accuracy of model under the high precision of short-term rainfall forecast ina particular area. Through experiments, this model can accurately predict the short-term rainfallover the region. With the experiments under different network structure, the root mean square error of predicted value and observed value is below 6. The training model predicts stability in weather station data throughout the year.KeywordsDeep Learning, 3D Convolution Neural Network, Rainfall Prediction基于3D卷积神经网络的区域降雨量预报吴昆1,2，申妍燕1，王书强1*1中国科学院深圳先进技术研究院，广东深圳2中国科学技术大学，安徽合肥*通讯作者。
雨量预报方法
1、资料同化系统落后，气象卫星、商用飞机和天气雷达的资料尚未进入数值预报系统。天气雷达定量测定降水尚未开展，卫星云图还停留在"看图识字"水平上。
2、数值预报产品释用尚未形成业务。
3、天气预报重复劳动严重，主要原因是国家中心和省级气象台指导产品少、质量不高，指导不到位。下级台站为了服务，只能独立地制作长、中、短天气预报。 好运
数值天气预报是现代天气预报的主要方法
中国各个地区年降水量等级划分表
中国各个地区年降水量等级划分表
中国年降水量划分标准是，中国气象局将中国的年降水量划分为五个等级：
1、干旱地区：年降水量小于400毫米。
2、半干旱地区：年降水量在400毫米至600毫米之间。
3、半湿润地区：年降水量在600毫米至800毫米之间。
4、湿润地区：年降水量在800毫米至1200毫米之间。
5、多雨地区：年降水量大于1200毫米。
降水量等级国家规定
1、小雨:1d(或24h)降雨量小于10mm者。
2、中雨:1d(或24h)降雨量10~25mm者。
3、大雨:1d(或24h)降雨量25~50mm者。
4、暴雨:1d(或24h)降雨量50~100mm者。
5、大暴雨:1d(或24h)降雨量100~250mm者。
6、特大暴雨:1d(或24h)降雨量在250mm以上者。
由上可知，年降水量等级划分为干旱地区、半干旱地区、半湿润地区、湿润地区以及多雨地区。
【法律依据】：
《中华人民共和国气象法》
第二十三条
各级气象主管机构所属的气象台站应当根据需要，发布农业气象预报、城市环境气象预报、火险气象等级预报等专业气象预报，并配合军事气象部门进行国防建设所需的气象服务工作。
暴雨洪涝预警通知范文模板
暴雨洪涝预警通知范文模板亲爱的居民：根据气象部门最新发布的天气预报，我区将有一次较强降雨天气过程即将来临。
为了确保您的安全和财产的保障，及时采取必要的防范措施，特向您发布暴雨洪涝预警通知如下：一、预警等级：红色预警。
二、预计降雨量：预计降雨量较大，超过50毫米。
三、预计时间：预计从明天开始，持续时间约为48小时。
四、可能影响范围：本次降雨过程将主要影响我区的山区和低洼地带，易发生洪涝灾害。
五、可能影响因素：降雨量大、降雨强度大、持续时间长，地势低洼易积水。
六、预警建议：1.注意天气预报和气象部门发布的最新信息，及时了解降雨情况和预警等级。
2.加强对低洼地区、山区、河道附近以及易发生洪涝的地段的巡查和监测，确保安全隐患得到及时发现和处理。
3.切勿涉水行走，避免驾车经过深水埋藏的路段，防止发生交通事故。
4.注意保持房屋的排水通畅，清理低洼地带的积水，防止低洼地区的房屋受损。
5.严禁在山区、河道附近等危险地带进行登山、游泳等活动，避免发生意外事故。
6.居民应准备好应急物资，包括食品、药品、饮用水等，以备不时之需。
七、紧急联系方式：如遇紧急情况，请及时拨打附近的应急电话或拨打当地政府公布的紧急救援电话。
八、注意事项：1.请居民密切关注官方发布的天气信息，避免受到谣言和不实信息的干扰。
2.请遵守相关部门的指挥和安排，听从疏导指引，确保自身和他人的安全。
3.如遇安全隐患，请及时报警并寻求帮助，不要擅自处置。
希望大家密切关注天气变化，切实采取预防措施，确保自身和家人的安全。
如有需要，随时与我们联系。
愿我们能够共同抵御降雨灾害，保障社区的安全和稳定。
祝您平安！xx社区居委会。
基于DERF的SD方法预测月降水和极端降水日数
从 小到 大进 行排 序 ， 计算 第 ９ ｏ个 百 分 位 对应 值 ， 作 为极端 降水 量 阈值 。
综 合动 力模式 预测 与统计 降 尺度两 种方法 的优 势 ， 用 国家气象 信 息 中 心提 供 的 我 国 １ ３ 站 逐 利 ３个 日降水 资料 、 Ｅ ／ ＡＲ再分 析资 料和 Ｄ Ｒ ＮＣ Ｐ ＮＣ Ｅ Ｆ的
回报 资料 ， ＤＥ Ｆ提供 的具 有较 高 预测 技 巧 的 大 将 Ｒ
日数 。
２ １ 一 步 法 预 测 极 端 强 降 水 日数 ．
场 （ ０ ） ７ ０ｈ ａ 向风 场 （ ０ ） 海 平面气 压 场 Ｖ２ ０ ，０ Ｐ 经 ＶＴ ０ ，
（Ｉ ） Ｓ 。建模 时 ， 先 在 候 平 均 资料 基 础 上 分别 计 Ｐ 首 算 ６个预 测时段 的各 时段 平 均 值 ， 计算 时取 每 个 时 段 回算或 预测 的集 合 平 均值 ， 集合 成 员 最 多 ４ ０个 ，
国家气 候 中 心 业 务 化 的 月 动 力 预 测 气 候 模 式 （ Ｒ ） ＤＥ Ｆ 在短 期气 候 预 测特 别 是 月 尺 度气 候 预测 中
发挥 着 重要 作用 。但 该 模 式 水 平 分 辨 率 较 粗 ， 日 且
预测 可 信度较 低 ， 致 区域 尺 度 或 日尺 度 降 水 预 测 导
在 短 期气候 预测 业 务 中 ， 水 预 测 既 是 重 点 又 降 是 难点 ， 受人 们 的关 注 ， 端 降水 的 预测 则 更 为 困 倍 极 难 。 目前 动力气 候 预测 模式 已成 为 气 象工 作 者 的重
三种数值模式对长江上游面雨量预报能力的评估
三种数值模式对长江上游面雨量预报能力的评估向永龙;邬昀;孙士型;范元月;饶传新【摘要】Abstrat:Using the daily area rainfall of observation and three forecasting models in the upper reaches of the Yangtze River from 2007 to 2008, based on TS scoring methods, the capability is inspected of the models to heavy prediction over the upper reaches of the Yangtze River. Test results show that the three models are of different precipitation forecasting capacity:the score of Japan's JMH Model is 38.5%;the score of China's T213 model is 28.2%;the score of Germany GER model is 26.9%. Based on the qualitative assessment of precipitation area, a linear regression equation is established for precipitation forecast products and the precipitation.%提利用2007—2008年长江上游逐日面雨量实况和中国T213、日本JMH、德国GER三种数值模式降水预报格点资料，采用TS评分方法，检验三种数值模式对长江上游面雨量≥20mm强降水的预报能力。
检验结果显示，日本JMH模式12～36h预报评分达38.5％；中国T213模式为28.2％；德国GER 模式为26.9％。
GRAPES_Meso和ECMWF模式对郴州地区2019年汛期降水预报对比检验
收稿日期：２０２０－０８－１０基金项目：湖南省气象局预报员专项项目（ＸＱＫＪ１９Ｃ００２）；湖南省气象局重点项目（ＸＱＫＪ２０Ａ００７）作者简介：周宜卿（１９９１ ），女，湖南郴州人，工程师，硕士，研究方向：天气预报．ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验周宜卿，宋㊀楠，陈㊀伟（郴州市气象局，湖南郴州㊀４２３０００）摘㊀要：利用ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式降水量预报㊁实况降水量等资料，计算２０１９年汛期两种模式的晴雨预报准确率（ＰＣ）㊁风险评分（ＴＳ）㊁漏报率（ＰＯ）㊁空报率（ＦＡＲ）㊁真实技巧评分（ＴＳＳ）和预报偏差（ＢＩＡＳ）几个量，对模式降水量预报进行了统计检验．研究结果表明：对于郴州１０个国家站，ＧＲＡＰＥＳ＿Ｍｅｓｏ整体优于ＥＣＭＷＦ模式，两种模式对所有气象站降水均存在预报过度的现象，其中ＥＣＭＷＦ模式更明显；ＥＣＭＷＦ模式的漏报率低于ＧＲＡＰＥＳ＿Ｍｅｓｏ模式，但其空报率高于后者；两种模式都对资兴到永兴一带的预报效果最好，对西南部预报效果最差，ＥＣＭＷＦ模式在桂东站表现较好，ＧＲＡＰＥＳ＿Ｍｅｓｏ模式则对汝城站预报效果更优；对暴雨及以上量级的降水预报效果ＥＣＭＷＦ模式明显优于ＧＲＡＰＥＳ＿Ｍｅｓｏ模式，而对小雨量级来说，后者更佳；两种模式对９月的预报效果最差，４月和５月较好．关键词：ＧＲＡＰＥＳ＿Ｍｅｓｏ模式；ＥＣＭＷＦ模式；郴州；汛期降水；降水检验中图分类号：Ｐ４５６．７㊀㊀㊀㊀㊀㊀文献标识码：Ａ㊀㊀㊀㊀㊀㊀㊀ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－８１７３．２０２１．０２．００６对于现代天气的客观降水预报，数值模式占据主要作用，因此数值预报的检验和本地应用等工作受到广大气象学者的高度重视．只有通过对各种实际应用较多的模式进行系统化的检验，才能为预报员提供订正数值模式的客观化指标和主观化经验．目前对模式的检验主要通过定量化统计检验和主观天气学检验两个方面进行［１］．对于预报员关心的定量降水预报而言，通过定量化检验能更直观地了解数值模式在时空方面预报效果的差异，为预报员订正数值模式的预报结论提供客观依据．定量化检验是提高预报员模式订正能力的重要手段，预报员针对不同月份㊁不同量级和不同站点对模式进行订正．在过去１０年的天气预报中，使用最多的数值模式是ＥＣＭＷＦ模式（以下简称为ＥＣ模式）．ＥＣ模式是过去公认预报效果较好的数值模式，但中国气象科学研究院用ＥＣ和ＧＲＡＰＥＳ＿Ｍｅｓｏ模式（以下简称ＧＲＡＰＥＳ模式）对２０１９年主汛期进行预报的对比检验表明，在２４小时内的晴雨预报评分（ＰＣ）方面，前者低于后者，且ＧＲＡＰＥＳ模式对降水次数和强度分布的预报明显优于ＥＣ模式［２］，说明我国自主发展的ＧＲＡＰＥＳ区域模式产品（ＧＲＡＰＥＳ＿Ｍｅｓｏ－１０ＫＭ㊁ＧＲＡＰＥＳ＿Ｍｅｓｏ－３ＫＭ）可能在本地的预报效果会超过过去公认更好的ＥＣ模式．本文旨在通过对比这两种模式预报 ８：００起报（北京时间，下同）的３６小时时效和２４小时时效降水量预报，评估两种模式在２０１９年各个月份中对不同量级㊁郴州各个站点的预报能力，为今后更好地应用和订正两种模式降水量做铺垫．１㊀资料和评估方法简介㊀㊀利用中国气象数据网和ｃｉｍｉｓｓ里的ＧＲＡＰＥＳ模式（分辨率为１０ｋｍˑ１０ｋｍ）㊁ＥＣ模式（分辨率为０．１２５ʎˑ０．１２５ʎ）预报场２４ｈ降水量数据，起报时间为８：００（北京时间，下同），预报时效是３６ｈ（例如１日８时起报，对１日２０时到２日２０时２４ｈ降水量预报），将模式降水场资料插值到郴州市１０个国家气象观测站上（见表１）．降水实况资料为当日２０时到翌日２０时的２４ｈ降水量，从郴州市１０个国家气象观测站每月的Ａ文件中提取，检验评估时段为２０１９年４月１日到９月３０日．㊃９２㊃２０２１年４月第４２卷第２期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀湘南学院学报ＪｏｕｒｎａｌｏｆＸｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀Ａｐｒ．，２０２１Ｖｏｌ．４２Ｎｏ．２表１㊀郴州１０个国家气象观测站信息表站名安仁永兴桂东郴州桂阳嘉禾宜章临武资兴汝城站号５７８８１５７８８７５７８８９５７９７２５７９７３５７９７４５７９７６５７９７８５７９８１５７９８５经度１１３ʎ１６＇１１３ʎ０７＇１１３ʎ５７＇１１２ʎ５８＇１１２ʎ４３＇１１２ʎ２２＇１１２ʎ５６＇１１２ʎ３３＇１１３ʎ１３＇１１３ʎ４１＇纬度２６ʎ４３＇２６ʎ０８＇２６ʎ０５＇２５ʎ４４＇２５ʎ４５＇２５ʎ３５＇２５ʎ２４＇２５ʎ１６＇２５ʎ５８＇２５ʎ３１＇海拔／ｍ１０１．８１６７．６８３５．９３６８．８３２９．１２１４．５２２２．８２９２１３９．３６４５．６检验方法运用日常使用较多的风险评分方法，参照‘中短期天气预报质量检验办法（试行）的通知“（气发 ２００５ １０９号）文件．本文对郴州１０个站点的２０１９年主汛期样本进行了晴雨检验㊁降水分级检验．晴雨预报准确率（ＰＣ）计算公式为：ηＰＣ＝ａ＋ｄａ＋ｂ＋ｃ＋ｄˑ１００％，（１）式中，ａ是有降水时预报正确的站次数，ｂ是空报站次数，ｃ是漏报站次数，ｄ是无降水时预报正确的站次数．风险评分（ＴＳ）㊁漏报率（ＰＯ）和空报率（ＦＡＲ）计算公式为：ηＴＳ＝ａｋａｋ＋ｂｋ＋ｃｋˑ１００％，（２）ηＰＯ＝ｃｋａｋ＋ｃｋˑ１００％，（３）ηＦＡＲ＝ｂｋａｋ＋ｂｋˑ１００％，（４）式中，ａｋ是预报正确站次数，ｂｋ是空报站次数，ｃｋ是漏报站次数．将降水量分为小雨㊁中雨㊁大雨和暴雨及以上几个量级来进行检验，检验各级降水㊁一般性降水和暴雨及以上预报情况，ｋ从１到４分别代表小雨㊁中雨㊁大雨和暴雨及以上量级降水．模式的预报偏差（ＢＩＡＳ）和真实技巧评分（ＴＳＳ）的计算公式分别为：φＢＩＡＳ＝ａ＋ｂａ＋ｃ，（５）φＴＳＳ＝ａａ＋ｃ－ｂｂ＋ｄ．（６）预报偏差（ＢＩＡＳ）是预报事件的发生频率，用于比较空报和漏报的程度，当空报和漏报站次越相近，预报偏差接近于１，说明预报正确；当空报次数多于漏报次数时，ＢＩＡＳ＞１，说明预报过度，当空报次数少于漏报次数时；ＢＩＡＳ＜１，说明预报不足．真实技巧评分（ＴＳＳ）是用来衡量预报的总效果，包括有降水和无降水预报的效果，当降水和无降水事件预报都准确时，ＴＳＳ为１；当降水和无降水预报都不准确时，ＴＳＳ为－１，说明没有预报技巧；随机预报和固定预报的ＴＳＳ均为零，如小概率事件预报得准确，ＴＳＳ也较高．２㊀结果分析２．１㊀降水预报总检验检验ＥＣ和ＧＲＡＰＥＳ模式对郴州２０１９年汛期１０个国家站点降水预报的效果，由图１可见，在晴雨预报准确率㊁风险评分和真实技巧评分方面，ＧＲＡＰＥＳ模式均好于ＥＣ模式．ＧＲＡＰＥＳ模式的晴雨预报准确率为７２．２％，ＥＣ模式为６３．４％．从真实技巧评分来看，ＧＲＡＰＥＳ模式的预报效果较好，真实技巧评分较高（ＴＳＳ为０．４７），而ＥＣ模式的（ＴＳＳ为０．３１）远不及ＧＲＡＰＥＳ模式．ＧＲＡＰＥＳ模式的风险评分（０．５４）略高于ＥＣ模式（０．５０）．两个模式的预报偏差（ＢＩＡＳ）均大于１，说明空报次数总体多于漏报次数，特别是ＥＣ模式（ＢＩＡＳ为１．８２），ＥＣ模式的漏报率（ＰＯ，６．２％）低于ＧＲＡＰＥＳ模式（１０．８％），但其空报率（ＦＡＲ，４８．３％）高于ＧＲＡＰＥＳ模㊃０３㊃湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期式（４２％），说明ＥＣ存在预报过度的情况．图１㊀ＥＣ和ＧＲＡＰＥＳ模式对郴州２０１９年汛期降水预报检验２．２㊀各站点预报检验从各个站点的检验结果（图２和图３）表明，ＥＣ模式对各个站点的晴雨预报准确率在５８％到７１％之间，真实技巧评分为０．２４到０．４２之间，风险评分在０．５到０．６２之间．预报偏差在１．４８到１．９６之间，说明ＥＣ模式对郴州各站点都存在不同程度的预报过度，漏报率非常低，在１％到６．２％之间，但空报率较高，在３６．２％到４８．９％之间．而ＧＲＡＰＥＳ模式的晴雨预报准确率在６８．１％到７８．９％之间，真实技巧评分为０．３５到０．５８，风险评分在０．５２到０．６６之间，这三个量都比ＥＣ模式高，表明ＧＲＡＰＥＳ模式对各个站点的预报效果均优于ＥＣ模式．ＧＲＡＰＥＳ模式的预报偏差在１．２到１．５４之间，漏报率为７．５％到１９％之间，比ＥＣ模式高，空报率在２７．２％到４２．９％之间，低于ＥＣ模式．㊀㊀㊀㊀㊀㊀图２㊀ＥＣ（左）和ＧＲＡＰＥＳ（右）模式对郴州１０个站点预报的ＰＣ㊁ＴＳＳ和ＴＳ㊃１３㊃周宜卿，宋㊀楠，陈㊀伟：ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验㊀㊀㊀㊀㊀㊀图３㊀ＥＣ（左）和ＧＲＡＰＥＳ（右）模式对郴州１０个站点预报的ＰＯ㊁ＦＡＲ和ＢＩＡＳ无论是ＧＲＡＰＥＳ还是ＥＣ模式的晴雨预报准确率㊁真实技巧评分和风险评分都是在资兴到永兴一带最高．ＥＣ模式的晴雨预报准确率和真实技巧评分在西部㊁南部最低，其次是郴州本站；ＧＲＡＰＥＳ模式是西部和东部桂东站较差．从风险评分来看，两个模式都是在西部和北部较差，两个模式的漏报率分布情况有所不同，ＥＣ模式在安仁到资兴一带漏报最多．而ＧＲＡＰＥＳ模式在郴州到桂阳一带漏报最多，从空报率的情况来看，两个模式都是在资兴到永兴一带最少，向四周增多，预报偏差分布情况与空报率分布情况相似．综合几个指标来看，两个模式对资兴站的预报效果最好，对西南部预报效果最差，对桂东㊁汝城山区的预报ＥＣ模式在桂东站表现较好，ＧＲＡＰＥＳ模式则对汝城站预报效果更优．２．３㊀分级预报检验从表２可知，ＥＣ模式对各个量级的风险评分在０．０９到０．４３之间，其中对暴雨风险评分最高．ＧＲＡＰＥＳ模式对各个量级的风险评分在０．０６到０．３５之间，其中对小雨量级最高，两个模式都是对大雨预报的风险评分最低（小于０．１）．从漏报率的情况来看，ＥＣ模式在１２．５％到８５．７％之间，ＧＲＡＰＥＳ模式在１６．０％到８３．３％之间，两个模式对小雨的漏报最少，对大雨漏报最多．ＥＣ模式对各个量级的空报率在４０％到８０％之间，ＧＲＡＰＥＳ模式在６３％到９２％之间，两个模式都对大雨的空报最多，ＥＣ模式对暴雨及以上量级的空报最少，ＧＲＡＰＥＳ模式则对小雨量级的空报最少．综合来看，两个模式都是对大雨量级的降水预报效果最差，对暴雨及以上量级降水的㊃２３㊃湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期预报ＥＣ明显优于ＧＲＡＰＥＳ模式，而对小雨量级来说，ＧＲＡＰＥＳ模式预报效果更佳．表２㊀ＥＣ和ＧＲＡＰＥＳ模式对各个量级降水预报的ＴＳ㊁ＰＯ和ＦＡＲ２．４㊀逐月预报检验检验模式４ ９月逐月预报效果，如图４和图５所示．㊀㊀㊀㊀图４㊀ＥＣ和ＧＲＡＰＥＳ模式各月的ＰＣ㊁ＴＳ㊁ＴＳＳ和ＢＩＡＳ图５㊀ＥＣ和ＧＲＡＰＥＳ模式逐月的ＰＯ和ＦＡＲＥＣ模式４ ９月逐月的晴雨预报准确率在５５％到７３％之间，ＧＲＡＰＥＳ模式则在６８％到７９％之间，除了５月ＥＣ略高于ＧＲＡＰＥＳ模式，其他几个月都是ＧＲＡＰＥＳ模式较好，两个模式的晴雨预报准确率都是４月最高，６月最低．ＥＣ模式对各月预报的真实技巧评分在０．０２（７月）到０．５５（９月）之间，ＧＲＡＰＥＳ模式则在０．２８（５月）到０．５（９月）之间，９月ＥＣ的评分较好，其他几个月则是ＧＲＡＰＥＳ模式更佳．从风险评分来看，ＥＣ模式在０．２７到０．７２之间，ＧＲＡＰＥＳ模式在０．２６到０．７５之间，两个模式都是９月评分最低，４㊁５月较高，其中在５月和９月，ＥＣ模式评分更高．ＥＣ模式各月的预报偏差在１．３８到３．０２之间，ＧＲＡＰＥＳ模式则在１．２到３．１９之间，模式预报过度㊁偏差最大的时间是９月，４㊁５月较好，９月ＧＲＡＰＥＳ模式预报过度现象多于ＥＣ模式，其他几个月ＥＣ模式更多．ＥＣ模式对各月预报的漏报率在０％（７月）到１５％（９月）之间，空报率在２７％（５月）到７２％（９月）之间，ＧＲＡＰＥＳ模式的漏报率在６％（４月）到２９％（８月）之间，空报率在２１％（４月）到７１％（９月）之间，在汛期的几个月中，ＥＣ模式的漏报率都低于ＧＲＡＰＥＳ模式，而空报率则相反．综合来看，两个模式对９月的预报效果最差，４㊁５月较好，在预报技巧㊁晴雨预报准确率和风险评分方面，ＥＣ模式在５月和９月表现略优于ＧＲＡＰＥＳ模式；从漏报率情况来看，ＥＣ模式都低于ＧＲＡＰＥＳ模式，空报率则相反．㊃３３㊃周宜卿，宋㊀楠，陈㊀伟：ＧＲＡＰＥＳ＿Ｍｅｓｏ和ＥＣＭＷＦ模式对郴州地区２０１９年汛期降水预报对比检验湘南学院学报（自然科学版）㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２１年４月（第４２卷）第２期３㊀结论㊀㊀通过对比检验ＥＣ模式和ＧＲＡＰＥＳ模式对郴州２０１９年汛期（４月１日到９月３０日）降水的预报效果可知，在晴雨预报准确率㊁风险评分和真实技巧评分方面，ＧＲＡＰＥＳ模式均好于ＥＣ模式；两个模式的预报偏差均大于１，说明空报次数总体多于漏报次数，ＥＣ模式预报过度的情况更明显；ＥＣ模式的漏报率低于ＧＲＡＰＥＳ模式，但其空报率高于ＧＲＡＰＥＳ模式．总体来说，ＧＲＡＰＥＳ模式对各个站点的预报效果均优于ＥＣ模式．ＧＲＡＰＥＳ模式的漏报率比ＥＣ模式高，空报率低于ＥＣ模式．ＧＲＡＰＥＳ和ＥＣ模式都对资兴到永兴一带的预报效果最好，对西南部预报效果最差；对桂东㊁汝城山区的预报，ＥＣ模式在桂东站表现较好，ＧＲＡＰＥＳ模式则对汝城站预报效果更优．在降水预报的分级检验中，ＥＣ模式和ＧＲＡＰＥＳ模式都是对大雨量级的降水预报效果最差，对暴雨及以上量级降水的预报ＥＣ模式明显优于ＧＲＡＰＥＳ模式，而对小雨量级来说，ＧＲＡＰＥＳ模式预报效果更佳．分别检验４月到９月的降水预报效果，总体来说，ＥＣ模式和ＧＲＡＰＥＳ模式对９月的预报效果最差，４㊁５月较好；在预报技巧㊁晴雨预报准确率和风险评分方面，ＥＣ模式在５月和９月表现略优于ＧＲＡＰＥＳ模式；从漏报率情况来看，ＥＣ模式都低于ＧＲＡＰＥＳ模式，空报率则相反．参考文献：［１］周宜卿，冷谦．ＧＲＡＰＥＳ＿ＭＥＳＯ模式对郴州一次强降水过程的预报检验［Ｊ］．农业与技术，２０２０，４０（１３）：１１９－１２９．［２］熊秋芬．ＧＲＡＰＥＳ＿Ｍｅｓｏ模式的降水格点检验和站点检验分析［Ｊ］．气象，２０１１，３７（２）：１８５－１９３．［３］吴晶，李照荣，颜鹏程，等．西北四省（区）ＧＲＡＰＥＳ模式降水预报的定量评估［Ｊ］．气象，２０２０，４６（３）：３４６－３５６．［４］许晨璐，王建捷，黄丽萍．千米尺度分辨率下ＧＲＡＰＥＳ＿Ｍｅｓｏ４．０模式定量降水预报性能评估［Ｊ］．气象学报，２０１７，７５（６）：８５１－８７６．［５］翟振芳，魏春璇，邓斌，等．安徽省ＥＣＭＷＦ数值模式降水预报性能的检验［Ｊ］．气象与环境学报，２０１７，３３（５）：１－９．［６］张晶，姚文，何晓东，等．营口地区数值预报降水产品定量检验和预报指标研究［Ｊ］．气象与环境学报，２０１４，３０（１）：３０－３５．ＰｒｅｃｉｐｉｔａｔｉｏｎＦｏｒｅｃａｓｔＭｏｄｅｌＣｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎＧＲＡＰＥＳ＿ＭｅｓｏａｎｄＥＣＭＷＦｉｎ２０１９ＦｌｏｏｄＳｅａｓｏｎｏｆＣｈｅｎｚｈｏｕＺｈｏｕＹｉｑｉｎｇ，ＳｏｎｇＮａｎ，ＣｈｅｎＷｅｉ（ＣｈｅｎｚｈｏｕＭｅｔｅｏｒｏｌｏｇｉｃａｌＢｕｒｅａｕ，Ｃｈｅｎｚｈｏｕ４２３０００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎ２０１９ｆｌｏｏｄｓｅａｓｏｎｆｒｏｍＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌａｎｄＥＣＭＷＦｍｏｄｅｌａｒｅｖｅｒｉｆｉｅｄａｎｄｃｏｍｐａｒｅｄｂｙｕｓｉｎｇｏｂｓｅｒｖａｔｉｏｎｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｉｎｔｅｒｍｓｏｆＰＣ（ｆｌｏｏｄｓｅａｓｏｎｗｅａｔｈｅｒｃｏｒｅｃａｓｔａｃｃｕｒａｃｙｏｆｍｏｄｅｌ），ＴＳ（ｒｉｓｋｓｃｏｒｅ），ＰＯ（ｎｏｎ－ｒｅｓｐｏｎｓｅｒａｔｅ），ＦＡＲ（ｅｍｐｔｙｒａｔｅ），ＴＳＳ（ｒｅａｌｓｋｉｌｌｓｃｏｒｅ）ａｎｄＢＩＡＳ（ｓｅｖｅｒａｌｆｏｒｅｃａｓｔａｃｃｕｒａｃｙ）．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｉｎｇｅｎｅｒａｌ，ＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌｉｓｂｅｔｔｅｒｔｈａｎＥＣＭＷＦｍｏｄｅｌｏｎｐｒｅｃｉｐｉｔａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｉｎＣｈｅｎｚｈｏｕｗｈｏｌｅｃｉｔｙｏｒ１０ｎａｔｉｏｎａｌｓｔａｔｉｏｎｓ．Ｏｖｅｒｐｒｅｄｉｃｔｉｏｎｉｓｔｈｅｕｂｉｑｕｉｔｏｕｓｐｈｅｎｏｍｅｎｏｎｉｎｔｈｅｓｅｔｗｏｍｏｄｅｌｓ，ａｎｄＥＣＭＷＦｍｏｄｅｌｉｓｍｏｒｅｏｂｖｉｏｕｓ．Ｔｈｅｒａｔｅｏｆｍｉｓｓｉｎｇｒｅ⁃ｐｏｒｔｆｏｒｆｏｒｅｃａｓｔｉｎｇｏｆｐｒｅｃｉｐｉｔａｔｉｏｎｆｒｏｍＥＣＭＷＦｍｏｄｅｌｉｓｌｏｗｅｒｔｈａｎＧＲＡＰＥＳ＿ＭＥＳＯｍｏｄｅｌ，ｂｕｔｔｈｅｒａｔｅｏｆｆａｌｓｅ－ａｌａｒｍｏｆＥＣＭＷＦｍｏｄｅｌｉｓｈｉｇｈｅｒ．ＧＲＡＰＥＳＭｅｓｏａｎｄＥＣＭＷＦｍｏｄｅｌｓｓｈｏｗｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｆｏｒＹｏｎｇｘｉｎｇｃｏｕｎｔｙａｎｄＺｉｘｉｎｇｃｏｕｎｔｙ，ｂｕｔｅｘｈｉｂｉｔａｌｏｗｅｒｐｅｒｆｏｒｍａｎｃｅｉｎｔｈｅｓｏｕｔｈｗｅｓｔｐａｒｔｏｆＣｈｅｎｚｈｏｕｔｈａｎｔｈａｔｉｎｏｔｈｅｒｐａｒｔｓ．ＥＣＭＷＦｍｏｄｅｌｈａｓｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｔｏＧｕｉｄｏｎｇｃｏｕｎｔｙ，ｗｈｉｌｅＧＲＡＰＥＳＭｅｓｏｍｏｄ⁃ｅｌｐｅｒｆｏｒｍｓｂｅｔｔｅｒｉｎＲｕｃｈｅｎｃｏｕｎｔｙ．ＧＲＡＰＥＳＭｅｓｏｍｏｄｅｌｈａｓａｓｔｒｏｎｇａｂｉｌｉｔｙｏｆｌｉｇｈｔｒａｉｎ，ｂｕｔｔｈｅｈｅａｖｙｒａｉｎｆａｌｌｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｉｓｌｏｗｅｒｔｈａｎＥＣＭＷＦｍｏｄｅｌ．ＴｈｅｓｅｔｗｏｍｏｄｅｌｓｓｈｏｗｗｏｒｓｔｐｒｅｄｉｃｔｉｏｎａｂｉｌｉｔｙｉｎＳｅｐ⁃ｔｅｍｂｅｒ，ｂｕｔｔｈｅｙｐｅｒｆｏｒｍｂｅｓｔｉｎＡｐｒｉｌａｎＭａｙ．Ｋｅｙｗｏｒｄｓ：ＧＲＡＰＥＳＭｅｓｏｍｏｄｅｌ；ＥＣＭＷＦｍｏｄｅｌ；Ｃｈｅｎｚｈｏｕ；ｆｌｏｏｄｓｅａｓｏｎｐｒｅｃｉｐｉｔａｔｉｏｎ；ｐｒｅｃｉｐｉｔａｔｉｏｎｔｅｓｔ㊃４３㊃。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
降水量预报
降雨量以毫米为单位，它可以直观地表示降雨的多少。
单位时间的降水量称为降水强度，常用mm/h或mm/min为单位。
单位时间的雨量称为雨强。
把一个地方多年的年降水量平均起来，就称为这个地方的“平均年雨量”。
例如，北京的平均年雨量是.0毫米，上海的平均年雨量是.1毫米。
气象预报把下雨、下雪都叫做降水，降水的多少叫降水量，表示降水量的单位通常用毫米。
1毫米的降水量是指单位面积上水深1毫米。
在气象部门公布的天气预报中小雨、中雨、暴雨等专业术语，它们之间的区别就是：小雨为24小时内降水量不少于10毫米的雨，小到中雨为5毫米~16.9毫米，中雨为10毫米~24.9毫米，中到大雨为17毫米~37.9毫米，大雨为25毫米~49.9毫米，大到暴雨为38毫米~74.9毫米。
24小时内雨量超过50毫米的称为暴雨，超过毫米的称为大暴雨，超过毫米的称为特大暴雨。