WRF短期气候预测实验介绍
wrf微物理方案
wrf微物理方案WRF微物理方案是气象模式中常用的一种物理过程参数化方案，它主要用来描述和模拟大气中的微观物理过程，如云和降水的生成与发展。
本文将对WRF微物理方案进行详细介绍，并探讨其在气象模拟中的应用。
WRF（Weather Research and Forecasting Model）是一种广泛应用于天气和气候模拟的数值模式，其微物理方案是其中的一个关键组成部分。
微物理方案通过模拟大气中的水汽、云滴和降水等微观粒子的运动和相互作用，来预测和模拟大气中的云和降水过程。
在WRF模式中，微物理方案主要包括云微物理和降水微物理两部分。
云微物理主要描述云滴的生成、生长和消亡过程，以及云中的凝结和蒸发等过程。
降水微物理则主要描述降水的生成和发展过程，包括云滴的凝结和碰撞、降水的形成和下落等。
这些过程的准确模拟对于天气预报和气候研究具有重要意义。
WRF微物理方案的选择对模拟结果的准确性和可靠性起着至关重要的作用。
目前，常用的微物理方案包括Kessler方案、Lin方案、Thompson方案等。
不同的方案具有不同的优缺点，适用于不同的气象条件和研究目标。
根据模拟的天气系统和需求，选择合适的微物理方案对于模拟结果的准确性和可靠性至关重要。
在实际应用中，WRF微物理方案需要根据具体的模拟需求进行调整和优化。
通过对观测数据的分析和对模拟结果的评估，可以对微物理方案的参数进行调整，以提高模拟的准确性。
此外，WRF微物理方案的选择还需要考虑计算效率和模拟稳定性等因素，以保证模拟结果的可靠性和实用性。
WRF微物理方案是气象模拟中重要的物理过程参数化方案，它对于模拟大气中的云和降水过程具有重要作用。
在使用WRF模式进行天气预报和气候研究时，选择合适的微物理方案并进行适当的调整和优化，可以提高模拟结果的准确性和可靠性。
通过不断改进和研究微物理方案，可以进一步提高气象模式的预报能力，为人们提供更加精确和可靠的天气预报和气候预测服务。
WRF使用说明范文
WRF使用说明范文WRF (Weather Research Forecasting model) 是一个高分辨率的天气模式系统，用于模拟和预测各类天气现象。
它由国家大气研究中心（NCAR）和国家环境保护署（EPA）共同开发，已成为全球范围内天气预报、气候研究和环境模拟的重要工具。
本文将介绍WRF的基本使用说明。
一旦配置完成，用户可以使用WRF模式进行多种类型的模拟和预测。
WRF可以模拟从几十米到数百公里尺度上的天气现象，并且可以针对不同的气候区域进行区域定制。
使用WRF之前，用户需要准备好输入数据，包括地形数据、气象观测数据、近地面条件数据等。
WRF模型的运行包括两个主要步骤：预处理和模拟。
预处理步骤主要用于准备输入数据，包括将地形数据转换为模型所需格式，插值气象观测数据到模型网格，生成气象初值和边界条件等。
WRF提供了多个辅助工具，如WPS (WRF Preprocessing System) 来帮助用户完成这些预处理任务。
模拟步骤是WRF模型的核心部分，主要用于模拟和预测天气现象。
用户需要选择合适的模拟选项，包括时间步长、水平和垂直分辨率、物理参数化方案等。
WRF提供了多种物理参数化方案，如微物理方案、积云方案和辐射方案，用户可以根据需要进行选择。
总结起来，WRF是一种功能强大的天气模式系统，可以用于模拟和预测各类天气现象。
但是，使用WRF需要较高的计算机配置和编程基础，以及一定的气象和数值模式理论基础。
用户需要准备好输入数据，进行模拟参数配置，运行模拟，并使用后处理工具进行结果分析和可视化。
建议用户从官方文档和培训材料入手，学习相关的数值模式理论和编程技巧，并与其他用户和研发人员进行交流和讨论。
只有通过不断地实践和学习，用户才能更加熟练地使用WRF模型，并获得准确和可靠的模拟和预测结果。
WRF使用说明范文
WRF使用说明范文WRF（Weather Research and Forecasting）是一种常用的大气动力学模型，用于天气预报、气候模拟等气象学研究领域。
本文将介绍WRF的基本原理和使用方法，帮助读者快速上手使用WRF进行天气预报。
一、WRF的基本原理WRF模型是一种通过数值模拟天气系统的大气模式，能够模拟和预报各种尺度的气象现象。
它基于Navier-Stokes方程和热力学原理，通过空间和时间离散化的数值计算方法，模拟大气的物理和动力特性。
WRF模型主要包括动力学核心、物理方案和分辨率配置三个方面。
动力学核心是WRF模型的计算引擎，包括模式的网格结构和求解方程的数值方法。
WRF模型支持三种动力学核心：全谱元谱法（全谱模式）、有限差分法（全局模式）和非均匀格点模型（多尺度模式）。
用户可以根据不同的需求选择合适的动力学核心。
物理方案是WRF模型的参数化方案，用于模拟大气中的各种物理过程。
物理方案包括微物理方案、辐射方案、降水方案、陆地过程方案等。
用户可以根据需要选择合适的物理方案，然后根据具体情况进行相应的参数调整。
分辨率配置是指WRF模型的网格设置，决定了模拟的空间和时间精度。
WRF模型支持多种网格类型，如地理坐标、斜坐标等，并提供了灵活的网格分辨率配置方法。
用户可以根据需要选择合适的网格类型和分辨率，以达到所需的模拟精度。
二、WRF的使用方法1.安装和配置环境2.模型运行和输入数据准备完成安装和配置后，用户可以使用WRF模型进行天气预报。
首先，用户需要准备输入数据，包括初始场和边界场。
初始场包括温度、湿度、风场等参数，可以从观测数据或其它模拟结果中得到。
边界场则包括在模拟区域周边的大气特征，如气压、海温等，通常可以从观测数据或全球模式中获取。
3.WRF模型运行和输出结果分析准备好输入数据后，用户可以运行WRF模型进行天气预报。
运行过程中，用户需要设置模拟的起始时间、模拟区域、物理参数、动力学核心等。
WRF介绍
9.2.4.3 辐射
3-5 MM5 Dadhia短波辐射方案： 该方案来自于MM5模式，对短波辐射通量向下进行简单积分。 它能够反映晴空散射、水汽吸收和云的反射与吸收。另外，还考虑了 地形坡度和阴影对地表短波辐射通量影响。 3-6 Goddard短波辐射方案： 该方案共有11个谱段，采用二流近似方法计算太阳短波辐射的散 射和直接辐射分量，并且方案中考虑了已有臭氧垂直廓线的气候分布。 3-7 CAM短波辐射方案： 该方案也是用于NCAR大气环流模式的谱段处理方案，主要用来 气候模拟。它能够处理几种气溶胶和痕量气体的光学特征。该方案特 别适用于区域气候模拟。
WRFDA :/wrf/users/wrfda/index.html
WRF-Chem：https:///wrf/wrf-chem/
9.2.2 WRF模式的整体框架介绍
主要由四部分组成：预处理系统（用于将数据进行插值和模 式标准初始化、定义模式区域、选择地图投影方式）、同化 系统（包括三维变分同化）、动力内核以及后处理（图形软 件包）部分。 模式的动力内核（或者框架）分为WRF—ARW（用于科学研究 ）和WRF—NMM（用于业务预报）两种模块。 ARW和NMM均包含于WRF基础软件框架中，它们之间除了动力 求解方法不同之外，均共享相同的WRF模式系统框架和物理 过程模块。 ARW(Advanced Research WRF)是在NCAR的MM5模式基础上发 展起来,用于研究； NMM(Nonhydrostatic Mesoscale Model)是在NCEP的Eta模式 基础上发展起来。这里介绍的是 ARW 。
WRF模式适用范围很广，从中小尺度到 全球尺度的数值预报和模拟都有广泛的应 用.
既可以用于业务数值天气预报，也可以 用于大气数值模拟研究领域，包括数据同 化的研究、物理过程参数化的研究、区域 气候模拟、空气质量模拟、海气耦合以及 理想实验模拟等。
新一代中尺度天气预报模式——WRF模式简介
新一代中尺度天气预报模式——WRF模式简介新一代中尺度天气预报模式——WRF模式简介随着天气预报技术的不断发展，中尺度天气预报模式在提高天气预报精度方面发挥着重要的作用。
其中，Weather Research and Forecasting（WRF）模式作为全球最先进的天气预报模式之一，受到了广泛的关注和应用。
WRF模式是一种静力、非静力和灵敏度完全隐式的非守恒型大气模式。
它采用了一套复杂的物理参数化方案，包括辐射、湍流、微物理、大气边界层以及土壤等过程。
此外，WRF模式还融合了大量的观测数据，利用数据同化方法对模式进行修正，进一步提高了预报精度。
WRF模式具有以下几个显著特点：首先，WRF模式具有较高的空间分辨率。
通过细化网格的划分，WRF模式能够更准确地描述天气系统的演变过程。
在中尺度天气预报中，空间分辨率是至关重要的因素，决定着模式对局地天气系统的刻画能力。
WRF模式通常能够在预报中实现3到10公里的空间分辨率，这对于捕捉短时天气变化和强对流天气的发展至关重要。
其次，WRF模式具有灵活多样的参数化方案。
模式中包含了多种物理参数化方案的选择，可以根据不同的预报需求和研究目标进行调整。
例如，在预测降雨过程时可以使用不同的降水方案，如Grell、Thompson等方案，以最优地模拟不同类型的降水。
这使得WRF模式在不同的气候区域和降水系统的预报中都能够取得良好的效果。
再次，WRF模式支持多种初始和边界条件。
它可以灵活地使用不同精度和来源的观测数据来初始化模拟，包括卫星观测和地面观测。
对于边界条件，WRF模式通常利用全球或大区域的模式预报数据作为输入。
这使得WRF模式具有较好的扩展性和适应性，能够在不同区域和时间尺度上提供准确的预报结果。
此外，WRF模式具有良好的可视化和后处理功能。
WRF模式提供了丰富的预报输出变量，并支持将结果以多种形式进行可视化展示。
这极大地方便了用户对预报结果的分析和使用。
wrf模型预测的知识
wrf模型预测的知识1. 引言WRF模型（Weather Research and Forecasting Model）是一种用于天气和气候预测的数值模型。
它是由美国国家大气研究中心（NCAR）和美国国家海洋和大气管理局（NOAA）共同开发的，广泛应用于全球各地的天气预报和气候研究中。
本文将深入探讨WRF模型的基本原理、应用领域以及其在天气预测中的优势。
2. WRF模型的基本原理WRF模型是一种基于数学和物理方程的数值模型，通过将大气系统划分为一个个离散的网格点，对每个网格点上的物理过程进行模拟和计算，从而得到对未来天气的预测。
WRF模型的基本原理可以总结为以下几个步骤：2.1 网格划分WRF模型将大气系统划分为水平和垂直两个方向上的网格点。
水平方向上的网格点通常采用经纬度坐标系，垂直方向上的网格点则采用气压坐标系或高度坐标系。
2.2 物理参数化方案WRF模型使用物理参数化方案来模拟和计算各种物理过程，如辐射传输、湍流混合、云微物理过程等。
这些参数化方案基于数学和物理原理，通过对各种过程进行近似和模拟，得到对未来天气的预测。
2.3 初始和边界条件WRF模型需要提供初始和边界条件作为模拟的起点。
初始条件包括大气的温度、湿度、风场等，边界条件则包括大气系统与周围环境的交换过程。
这些初始和边界条件可以通过观测数据、卫星观测数据或其他数值模型的输出结果来获得。
2.4 数值求解WRF模型使用数值方法对模型的物理方程进行求解。
常用的数值方法包括有限差分法、有限元法和谱方法等。
通过迭代计算，WRF模型可以得到在未来一段时间内的天气预测结果。
3. WRF模型的应用领域WRF模型广泛应用于天气预报和气候研究的各个领域，包括但不限于以下几个方面：3.1 短期天气预报WRF模型可以对未来几天内的天气进行准确的预测。
它可以提供高分辨率的天气预报结果，对于城市气象、灾害预警等方面具有重要意义。
3.2 长期气候预测WRF模型还可以用于对未来几个月或几年的气候进行预测。
wrf模型的基本知识
wrf模型的基本知识WRF模型的基本知识一、概述WRF（Weather Research and Forecasting）模型是一种用于天气和气候预报的数值模拟工具。
它是由美国国家大气研究中心（NCAR）和美国国家海洋和大气管理局（NOAA）共同研发的。
WRF模型具有可配置性强、适应性广、精度高等特点，被广泛应用于全球各地的天气和气候研究。
二、模型结构WRF模型采用了多种物理参数化方案，包括动力学参数化方案、湍流参数化方案、辐射参数化方案等。
它基于天气和气候的基本方程组，通过离散化和数值求解，模拟大气运动、能量传递和水循环等过程。
WRF模型的核心是动力学内核，它采用了各种数值求解方法，如有限差分法、谱方法等，以求解大气运动方程。
三、模拟过程WRF模型的模拟过程主要包括数据预处理、初始条件和边界条件设置、模型运行和后处理等步骤。
数据预处理主要包括对观测数据进行插值、平滑和纠正等处理，以提供模型初始场和边界场所需的数据。
初始条件和边界条件设置是模拟过程中非常重要的一环，它们直接影响着模拟结果的准确性和可靠性。
模型运行是指将WRF模型输入数据和参数配置文件加载到计算机中，并进行模拟计算的过程。
后处理是指对模拟结果进行可视化、分析和评估的过程，以便更好地理解和利用模拟结果。
四、应用领域WRF模型可以用于天气预报、气候模拟、环境污染预测等多个领域。
在天气预报方面，WRF模型可以提供高时空分辨率的天气预报产品，帮助决策者和公众做出准确的天气决策。
在气候模拟方面，WRF模型可以模拟全球和区域的气候变化过程，为气候研究和政策制定提供科学依据。
在环境污染预测方面，WRF模型可以模拟大气污染物的扩散和传输过程，为环境管理和应急决策提供支持。
五、发展趋势随着计算机技术的不断进步和数据观测能力的提高，WRF模型正不断发展和完善。
未来，WRF模型将更加精细化、高分辨率、多尺度，并且与其他模型和数据进行集成，以提高预报准确性和可靠性。
WRF模式入门指南
WRF模式入门指南WRF（Weather Research and Forecasting）是一种用于天气预报和气候研究的大气模式。
它是由美国国家大气研究中心（NCAR）、美国海洋和大气管理局（NOAA）、五国共同研究中心（UCAR）和其他合作机构共同开发的。
WRF模式具有高分辨率、多尺度、灵活性和可拓展性等特点，可以模拟各种天气系统，从小尺度的雷暴到大尺度的气压系统。
WRF模式的使用可以帮助气象学家、气候学家和环境科学家等研究人员预测天气现象，了解气候变化，并提供有关空气质量、灾害风险和海洋环境等方面的信息。
以下是一个WRF模式的入门指南，帮助初学者开始使用该模式。
安装完成后，你需要创建一个工作目录，并设置WRF模式的运行环境。
这包括设置环境变量和路径，以及配置模型运行参数。
这些信息可以在WRF模式的用户指南中找到，你需要仔细阅读并按照指导进行设置。
在模型运行之前，你需要准备输入数据。
WRF模式的输入数据包括初始条件和边界条件。
初始条件是指在模型开始时的大气状态，通常是由一个初始观测和分析数据集生成的。
边界条件是在模拟区域外部的边界上提供的数据，用于模拟区域和外部大气之间的相互作用。
这些数据可以来自全球或区域的气候模式输出。
一旦你准备好了输入数据，就可以开始运行模型了。
WRF模式提供了多种运行方式，包括单节点运行和并行运行。
单节点运行适用于小规模模拟，而并行运行适用于大规模或高分辨率模拟。
你可以根据自己的需要选择适当的运行方式，并使用相应的命令将模型提交到计算节点上运行。
模型运行完成后，你可以使用WRF模式的后处理工具来分析模拟结果。
这些工具可以帮助你提取和可视化模拟数据，例如气温、风速、降水量等。
你可以使用Python或其他编程语言编写自己的后处理脚本，以满足特定的分析需求。
最后，进行模型验证和评估是非常重要的。
你可以将模拟结果与观测数据进行对比，以评估模型的性能。
这可以帮助你了解模型在不同天气事件中的表现如何，并识别模拟结果中的误差和不确定性。
- 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)。
WRF短期气候预测实验介绍
2.1 WRF模式简介：
WRF模式是以美国国家大气研究中心（NCAR）、美国环境预测中心（NCEP）等美国的科研机构为中心开发的新一代中尺度天气预报模式和同化系统。
WRF 模式系统具有可移植、易维护、可扩充、高效率、方便等诸多特性，各模式下端应用行业可以便捷地将各自的行业业务预测模式耦合链接于该模式。
由于该模式集成了过去几十年所有中尺度模式研究的成果，在数值计算、模式框架、程序优化等方面采用了当前最为成熟和最优的技术，因此世界上大多数国家选用该模式作为中尺度预报模式应用业务和科研[13]。
在软件设计方面，WRF模式应用了继承式软件设计、多级并行分解算法、选择式软件管理工具、中间软件包（连接信息交换、输入/输出以及其他服务程序的外部软件包）结构，并引入了更为先进的数值计算和资料同化技术、多重移动嵌套网格性能以及更为完善的物理过程（尤其是对流和中尺度降水过程）。
因此，WRF模式在天气预报、大气化学、区域气候、数值模拟研究等领域有着广泛的应用。
和其他的中尺度模式比较，该模式具有许多优越性。
2.1.1 主要特点
（1）适用于全球各地，灵活的设置选择
（2）是一个完全可压的、非静力模式
（3）资料输入方便
（4）采用了成熟和新的物理参数化方案
（5）新的积分方案和网格形式
（6）后处理方便
（7）可在多操作平台、不同UNIX、Linux环境下运行
2.1.2 模式基本方程组及差分方案
方程取地形追随静力气压垂直坐标，即垂直质量坐标，形式为：
η=（p h-p ht）/μ
其中μ=p hs-p ht 。
由于μ(x,y)可看作是区域内（x,y）格点上的单位水平面积上气柱的质量，预报量和守恒通量都可写成近似的通量形式。
水平空间差分格式采用Arakawa C跳点格式，热力学变量和水汽变量定义在整数格点上，而υ、ν、ω交错排列与0.5dx、0.5dy、0.5dz上，这样ω与υ、ν在垂直方向上相差半个格距，使得连续方程求解ω时的计算精度更高，而T 与υ、ν在水平方向上错开半个格距以提高Φ的精度，而减少了由于地形引起的误差。
为了提高计算效率，采用了“时间分裂”的时间差分方案，即热力学变量采用时间向前差分，而速度分量和气压项采用二阶蛙跃格式；采用Runge-kutta时间积分方案，垂直方向采用隐式方案，以隐式方法求解垂直气压梯度和垂直辐射，可以使积分时间步长取较大的值，因为非静力方程是完全可压缩的，允许声波存在，为了数值计算的稳定性，对快波计算需要用短时步处理；侧边界条件用张弛边界条件，对于云水、雨水、雪、冰在流入边界为0，流出边界为0；上边界存在吸收层。
2.1.3 模式的物理过程参数化
（1）辐射过程参数化提供了几种方案可供选择：
①RRTM长波辐射方案
②Dudhia短波辐射方案
③Goddard短波辐射方案
（2）微物理过程参数化同样提供了多种方案可供选择
①干过程，无湿预报，零水汽
②Kessler方案（暖云方案）
③Purdue Lin方案
④NECP 3类简单冰方案
⑤NECP 5类混合冰方案
⑥Eta Ferrier 2类方案
（3）边界层参数化包含以下方案供选择：
①简单近地面层方案
②MYJ Monin-Obukhov近地面层方案
③MRF边界层方案
④Eta Mellor-Yamada-Janjic边界层方案
（4）积云对流参数化包含如下选项：
①不使用积云参数化方案
②浅对流Eta Kain-Fritsch方案
③etts-Miller-Janjic方案
④Kain-Fritsch方案
（5）陆面过程参数化有两种方案：
①热量扩散方案
②OSU陆面过程方案
2.2 预测方案基本情况
本次预测实验采用的WRF版本是WRF-ARW V3.6.1。
模式区域采用lat-lon 投影方式，设置了两重嵌套网格，区域一覆盖了全球，格点数为361×181，格距为111.18km；区域二覆盖了整个中国地区（图2.1），格点数为229×202，格距为37.06km。
垂直方向从1000hpa到5hpa共分为41层。
图 2.1模式覆盖区域
模式的微物理过程参数化采用Lin[14]等方案，该方案是一种复杂的包含冰、雪、霰过程的，适用于实时数据高分辨率模拟的方案。
辐射过程参数化中长波辐射方案采用CAM方案；短波辐射方案采用GFDL方案。
表面层参数化采用Monin-Obukhov方案。
行星边界层参数化采用Yonsei大学方案，该方案对于显示夹卷层采用Non-local-K方案，对于不稳定混合层采用抛物线状的k分布（bl-pbl-physics=1）。
陆面过程采用Noah 陆面模式，该模式含有四个不同层次上土壤温度和湿度、积雪覆盖面积和冻土物理过程。
对于积云参数化，采用浅对流Kain-Fritsch (new Eta)方案，该方案使用有下沉气流和CAPE可移动时间尺度的质量通量近似（cu_physics=1）的深对流和浅对流次网格方案。
预测实验采用的初始场资料是NCEP FNL资料，FNL资料主要变量[15]包括：HGT(高度)、TMP（温度）、UGRD(U分量)、VGRD(V分量)、RH(相对湿度)等。
数据
间隔为6h ，每天4个时次（00，06，12，18）。
实验一以2020年1月1日00时的FNL 资料为初始场，海温资料从2020年1月1日00时更新到2020年6月1日00时，剩下时间不更新海温资料，前两个月为模式自调整时间。
实验二以2020年3月1日00时的FNL 资料为初始场，海温资料从2020年3月1日00时更新到2020年6月1日00时，剩下时间不更新海温资料。
预报时段都为2020年3月1日00时到2014年3月1日00时，积分时间步长均为300s ，第1层24h 输出一个结果，第2层6h 小时输出一个结果。
时间积分方案采用连续积分方案
计算距平采用的对比资料是中国160个测站的1991-2020年共三十年的月平均气象资料，用WRF 模式预测值和前三十年的月平均气象资料做差。
2.3 评估方法
我们将实验一、实验二以及观测的降水（温度）图、距平图、误差图相互比较，并且使用预报评分P 、距平相关系数ACC 两种方法以160个代表站评估全国范围平均温度距平和降水距平百分率的预测效果，以此来判断预测效果。
2.3.1 预报评分P
预报评分P [16]是由原国家气象中心长期科一直使用的评分方法修改而成.在距平符号预报准确百分率的基础上加上异常级加权得分构成,它表示在预报区域内预报的总得分。
用下式表示:
100221122110⨯⨯+⨯+⨯+⨯+=
n f n f N n f n f N P
式中,N 0为距平符号报对的以及预报和实况虽距平符号不同但都属正常级(各级
标准见表2.1)的站数；N 为参加评分范围内的总站数；1n 、1f 和2n 、2f 分别为一级异常报对和二级异常预报对的站数和权重系数。
i f 与月或季的降水距平百分
表2.1 平均气温距平、降水距平百分率分级标准
级 常 正 常 异 级 二 常 异 级 一
）（℃平均气温距平 0.5ΔT < 0.5Δ≥ 1.0Δ≥
）%降水距平百分率（ 15ΔR%≤ 20ΔR%≥ 50ΔR%≥ 率或平均气温距平达到一级或二级异常出现的气候概率(i P )成反比，称之为反比权重系数，根据1951～1995年历史资料按月、季分别统计得到(i P 各月或季的值略)。
为方便起见,在实际使用时取月或季平均(表2.2)的整数值作为固定权重系数，即：月尺度预报取1f 2=，2f 1=，季节预报1f 5=，22=f 。
表 2.2 各月、季一级或二级异常权重系数(1f 或2f )计算值
月尺度预报 季节预报
平均气温距平 降水距平百分率 平均气温距平 降水距平百分率 ）一级异常（1f 51.2 19.2 57.4 39.4 ）二级异常（2f 45.1 30.1 81.1 60.1
预报评分P 立足于对大范围距平趋势预测能力的评估，用百分制表示，比较直观，加上异常级加权得分，对提高异常气候的预测能力有明显的导向作用，当预报和实况完全一致时，预报评分P 为100。
由于这种评分方法来自业务，因此经验性较强。
2.3.2 距平相关系数ACC
使用月或季的降水距平百分率和平均气温距平计算距平相关系数,用下式表示: ∑∑∑===----=N N i N
i ACC 1i 1
2002f f 001f f )ΔR ΔR (ΔR ΔR ΔR ΔR ΔR ΔR ）（）
（）（
式中,f ΔR 、f ΔR 为降水距平百分率(或平均气温距平)的预报值及其平均值；
0ΔR 、0ΔR 为相应观测值；N 为评分总站数。
距平相关系数原应用于评估动力模式对位势高度距平场的预报，在评估趋势的同时，主要反映距平量级预报的水平。
短期气候要素预测中,由于降水距平百分率(或月平均气温距平)预报值和观测值的方差有较大差别，加上目前短期气候预测量级的预测能力较低,故业务预测中距平相关系数都不容易很高[17]。