Page 176 - 《高原气象》2025年第3期
P. 176

高     原      气     象                                 44 卷
              734
                  降水预报能力的客观评价是气象预报科研业                           al， 2009； Ahijevych et al， 2009； Ebert， 2010； Gille‐
             务中的重要课题（Schaefer， 1990； Baldwin and Kain，          land et al， 2010； 张宏芳等， 2021； Wu et al， 2020；
             2006； Brill and Mesinger， 2009； 张宏芳等， 2014；        潘留杰等， 2024a， 2024b）。宏观来看空间检验主要
             肖颖等， 2023； 谢泽明等， 2024； 刘雨萌等， 2025）。                包括： 属性判别法、 形变场法、 邻域法、 尺度分离
             为了准确评价降水的预报表现， 基于二分法列联                             法四类。这些检验方法放宽了预报和观测的匹配
             表 ，  在 点 对 点 对 比 的 基 础 上 定 义 诸 如 命 中 率             条件限制， 检验结果与预报员的主观判断更加吻
             （POD）、 空报率（FAR）、 预报偏差（Bias）、 TS 评分                 合， 广泛应用于 NWP 预报性能的诊断分析（Ma‐
             等一系列评分指数来判别模式的预报表现（Mason，                          son，  1989；  Brill  and  Mesinger，  2009；  刘 静 等 ，
             2004； Ebert et al， 2013）， 在天气预报检验中有着广              2022）。但是， 空间检验受阈值条件、 参数设定、 个
             泛的应用， 其中， TS 评分也被称作临界成功指数                          性需求等因素影响， 其适用性需要多视角分析， 与
             CSI （Critical Success Index）， 是降水预报检验中最            其相比， 传统二分法“点对点”检验的匹配精度更有
             重要的指标之一。二分法列联表检验最早被 Finley                         优势（薛春芳和潘留杰， 2016； 潘留杰等， 2023）。
             （1884）应用于龙卷的预报效果评估， 至今已经有一                         目前， 天气预报业务中， 二分法检验评分仍然是最
             百多年的历史。针对 Finley（1884）的检验工作，                       为重要的评价指标， 不足之处在于没有考虑不同降
             Gillbert （1884）注意到因为检验中包含大量的预报                     水量数值的影响， 特别是就TS评分计算来说， 空报
             无龙卷， 事实也未观测到龙卷事件发生的样本， 采                           和漏报具有相同的地位， 事实上， 强降水的漏报往
             用准确率不能反映真实的预报能力， 并建议在检验                            往造成严重的灾害事故。本文在传统二分法检验
             中不考虑“正确预报未发生事件的样本”， 进而定义                           TS 评分的基础上， 提出了基于影响的降水预报评
             了 CSI检验公式。随后降水检验中也发现存在类似                           分 ITS （Impact Threat Score）， 以期为降水二分法检
             情况， 未预报降水也没有观测到降水的事件样本在                            验提供更加丰富的判别标准。
             降水检验中占比非常大， 客观反映降水预报能力应
             该去除这类样本， 因此定义了威胁评分TS。                              2  传统二分法预报评分
                  近几十年来， 气象观测手段和天气预报能力快                         2. 1 二分法TS评分
             速发展。一方面， 地面气象观测站点更加稠密， 卫
                                                                    按照是否满足给定的阈值， 可以对降水事件进
             星、 雷达等遥感探测设备还能够在空间上作为地面
                                                                行“0” “1”标记。对于预报和观测降水来说， 可以
             气象观测站点的有效补充， 进而可以观测到更加局
                                                                有 4 种组合（表 1）， 即： A 同时满足阈值条件； B 预
             地的降水信息； 另一方面， 数值天气预报 NWP
                                                                报满足阈值条件， 观测不满足； C 预报不满足阈值
             （Numerical Weather Forecast ）的水平网格间距越来
                                                                条件， 观测满足； D 预报和观测同时不满足阈值条
             越小， 模式中的积云参数化方案逐渐被能够更加精
                                                                件。对关注范围内的所有站点或格点统计计算， 进
             细描述小尺度大气动力框架的“允许对流”CAM
                                                                而定义预报评分。通常， A 和 B 分别被称为命中和
             （Convection Allowing Model） 模型所替代， 能更清
                                                                空报的次数， C 为漏报的次数， D 为正确预报未出
             楚地表达四维空间中天气要素的中小尺度信息， 提
                                                                现的次数。
             供更多的预报细节； 但 CAM 模型对中小尺度天气
             结构的不精确描述， 细小的相位误差可能导致空间                                           表1  二分类列联表
             上高可变性的要素预报出现更大的强度、 形态等预                               Table 1  The binary classification contingency table
             报误差。有研究表明（Mass et al， 2002）， 高分辨率                                        观测发生         观测未发生
             模 式 通 常 比 粗 分 辨 率 NWP 的 RMSE（Root Mean                 预报事件发生              A             B
             Squared Error） 更大， 即使是相对平滑的高空风场                       预报事件未发生              C             D
             或温度场。这是因为就 RMSE 的定义来说， 相对平
                                                                    根据事件分类， 常用的评分指数命中率 POD、
             滑的要素场对减小 RMSE 更有利， 而更高的水平分
                                                                空报率 FAR、 漏报率 MAR（Sprenger et al， 2017）、
             辨率必然意味着包括了更多的细节和局地预报信
                                                                Bias和TS评分的定义如下：
             息。这些细节或局地预报信息可能不正确， 在这种
                                                                                          A
             情况下， 细节信息就转化为噪音。                                                    POD =                    （1）
                                                                                        A + C
                  为了增强高分辨率 NWP 的预报检验能力， 气                                                B
                                                                                 FAR =                    （2）
             象工作者发展了一系列空间检验方法（Gilleland et                                             A + B
   171   172   173   174   175   176   177   178   179   180   181