Page 183 - 《高原气象》2025年第3期

3 期 潘留杰等：一个基于潜在影响的降水预报评分方法 741

图8 2022年中国区域降水量R≥50. 0 mm ECMWF模式的ITS 、 ITS以及与其TS评分的差值
0
（a）ITS ， （b） ITS， （c） ITS 与TS评分的差值， （d） ITS与TS评分的差值
0
0
Fig. 8 ITS scores， ITS scores， and the difference between ITS /ITS scores and TS scores for ECMWF model
0
0
forecasts with precipitation amount R≥50. 0 mm in China in 2022.（a） ITS ， （b） ITS， （c） the difference
0
between ITS and TS， （d） the difference between ITS and TS
0
的很好指征。此外， 在天气预报业务中， 大量级降 高， 由于这些地方 FAR 高， 采用影响因子 A 和 C I
I
水在整个降水事件中的占比较低， 即使是非常好 后， Bias 空间变化不明显。而在中国的中东部采用
的预报， 也可能导致传统评价时采用的 TS 评分数 影响因子后， Bias 明显减小， 特别是在西南和华南
值相对较低， 从而在主观预报服务中表现出降水 地区， 非常接近于 1， 表明考虑降水实际量级后， 这
预报能力低下， 而 ITS 评分很好地解决了这一问 些地方预报检验更加合理。R≥50. 0 mm 降水主要
题。图 8（b）显示， 尽管华南地区 ITS 较低， 但 ITS 在东部， Bias 空间上波动很大， 但从平均来看， 考
0
评分却有很好的表现， 模式能够命中大量级的降 虑影响因子前后， 三者的 Bias分别为 1. 05、 1. 07和
水事件， 提高模式预报的 ITS 评分。在华中、 华北 0. 97， 考虑 A 和 C 影响后， ITS 对应的 Bias 有所减
I
I
和东北 TS 评分高值区， 同时也是 ITS 评分的高值 小， 在实际预报业务中， 由于空间位置预报偏差以
区， 平均高于 TS 评分 0. 2， 表明模式在这些地区不 及暴雨可能产生的灾害后果， Bias 一般会增加一
仅能够更好地命中较强降水事件， 而且对于漏报 些， 从考虑影响因子后的 Bias 来看， 虽然数值变化
事件来说， 其降水量级和观测差值也相对较小。 较小， 但也说明了这一趋势。
模式在中国西部、 青藏高原降水预报频次显著
偏多（Pan et al， 2024）， 一些研究表明， 由于缺乏观 6 结论与讨论
测数据并且气候/天气模型对青藏高原及其周边地 降水是天气预报中最为重要的要素， 随着计算
区的多尺度地形影响描述不足， 模型对大地形的影 能力的提高， 数值模式的水平分辨率越来越高， 降
响的物理机制需要进一步改进（Wu et al， 2020； 水预报也越来越精细。准确客观地评价降水的预
Wang et al， 2020）。在历史气候模拟中， 与长期平 报表现， 不仅能够更好地理解数值模式参数化方
均值相比， 一些模型对降水量进行了过度估计， 超 案、 中小尺度物理过程和模式框架对降水的捕捉能
过 30%~40%。从 2022 年 ECMWF 的 R≥0. 1 mm 降 力， 而且对实际天气预报重点关注方向和防汛减灾
水预报频次来看， 中国西部和青藏高原 Bias异常偏 有重要意义。TS 评分是传统二分法点对点评分的