智協(xié)飛 趙 忱

(南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評估協(xié)同創(chuàng)新中心， 南京 210044)

引 言

近1個(gè)世紀(jì)以來，隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步，數(shù)值天氣預(yù)報(bào)技術(shù)得到飛速發(fā)展，基于Epstein[1]的隨機(jī)動(dòng)力預(yù)報(bào)理論和Leith[2]的蒙特卡羅統(tǒng)計(jì)試驗(yàn)法而提出的集合預(yù)報(bào)得到長足發(fā)展，如今各國氣象中心的集合預(yù)報(bào)技術(shù)已日臻成熟，并在實(shí)際業(yè)務(wù)和應(yīng)用中發(fā)揮重要作用[3]，尤其是對暴雨臺(tái)風(fēng)等災(zāi)害天氣，集合預(yù)報(bào)的作用尤為顯著[4-5]。

盡管集合預(yù)報(bào)已被廣泛應(yīng)用，但由于模式本身的系統(tǒng)偏差以及初始場的不確定性，集合預(yù)報(bào)的結(jié)果與實(shí)際大氣仍有差異，為充分利用不同集合預(yù)報(bào)的有效信息，進(jìn)一步提高預(yù)報(bào)技巧，近年來基于多模式的集成預(yù)報(bào)研究得到迅速發(fā)展。自 Krishnamurti等[6]首次提出超級集合預(yù)報(bào)方法后，許多研究表明多模式集成技術(shù)可有效融合不同模式的各種信息，有效提高全球模式的數(shù)值預(yù)報(bào)技巧[7-13]。尹忠海等[14]利用卡爾曼濾波校準(zhǔn)法提高了雷達(dá)定量測量區(qū)域降水量的精度，并較好地體現(xiàn)降水場結(jié)構(gòu)精細(xì)的特點(diǎn)；卞赟等[15]利用多模式集成方法對延伸期的降水預(yù)報(bào)進(jìn)行研究，表明多模式消除偏差集合平均方法預(yù)報(bào)結(jié)果將晴雨量級的降水預(yù)報(bào)時(shí)效提高了5 d； He等[16]基于卡爾曼濾波方法進(jìn)行了臺(tái)風(fēng)多模式集成預(yù)報(bào)研究，表明該方法明顯優(yōu)于簡單集合平均和超級集合預(yù)報(bào)，能夠有效減少臺(tái)風(fēng)路徑和強(qiáng)度預(yù)報(bào)誤差；顏妍等[17]利用多模式超級集合預(yù)報(bào)降低了西太平洋副熱帶高壓500 hPa位勢高度場預(yù)報(bào)的均方根誤差。

上述多模式集成研究對單一集合中心的預(yù)報(bào)成員通常采取集合平均處理，但對于降水預(yù)報(bào)，Du等[18]發(fā)現(xiàn)集合平均會(huì)產(chǎn)生小雨預(yù)報(bào)落區(qū)偏小和大雨落區(qū)偏大的問題，影響集合模式對降水預(yù)報(bào)的準(zhǔn)確度。已有研究表明：基于統(tǒng)計(jì)學(xué)模型對預(yù)報(bào)的誤差訂正，可以有效提高集合預(yù)報(bào)對氣象要素的預(yù)報(bào)準(zhǔn)確度[19-22]。針對降水預(yù)報(bào)的落區(qū)和量級問題，智協(xié)飛等[23]分別比較了固定訓(xùn)練期和滑動(dòng)訓(xùn)練期的消除偏差集合平均和超級集合對降水的預(yù)報(bào)效果，發(fā)現(xiàn)滑動(dòng)訓(xùn)練期消除偏差集合平均方法可有效提高多數(shù)預(yù)報(bào)時(shí)效的降水TS評分；吳啟樹等[24]利用最佳TS評分訂正法對降水進(jìn)行訂正，發(fā)現(xiàn)在所有時(shí)效均能提高模式降水預(yù)報(bào)質(zhì)量；Zhu等[25]使用頻率匹配法對美國的降水預(yù)報(bào)進(jìn)行分區(qū)訂正，提高了各個(gè)量級降水的ETS評分，有效減少單模式的誤差。

因此，本文主要針對歐洲中期天氣預(yù)報(bào)中心(EC- MWF)、日本氣象廳(JMA)、英國氣象局(UKMO)、美國國家環(huán)境預(yù)報(bào)中心(NCEP)和中國氣象局(CMA)的降水預(yù)報(bào)結(jié)果進(jìn)行多方案多模式集成試驗(yàn)，并討論降水訂正對多模式集成預(yù)報(bào)結(jié)果的改進(jìn)效果，以期有效提升基于現(xiàn)有數(shù)值預(yù)報(bào)的降水預(yù)報(bào)結(jié)果。

1 資料與方法

1.1 資 料

本文使用TIGGE(THORPEX Interactive Grand Global Ensemble)資料集[26-27]的降水資料，并選取中國自動(dòng)氣象站與CMORPH(Climate Prediction Center’s MORPHing technique)降水融合產(chǎn)品[28]作為觀測資料。

①TIGGE資料：選取上述5個(gè)集合預(yù)報(bào)模式逐日00：00(世界時(shí)，下同)起報(bào)的地面累積降水量資料(ECMWF中50個(gè)成員，JMA中26個(gè)成員，NCEP中20個(gè)成員，CMA中14個(gè)成員以及UKMO中11個(gè)成員)，時(shí)間長度為2016年5月1日—8月31日，預(yù)報(bào)時(shí)效為24～168 h，間隔24 h，預(yù)報(bào)區(qū)域?yàn)?0°～87.5°N，70°～140°E，分辨率為0.5°×0.5°。

②中國自動(dòng)氣象站與CMORPH降水融合產(chǎn)品：時(shí)間長度為2016年5月1日—9月7日，經(jīng)緯度范圍與模式預(yù)報(bào)資料一致，將產(chǎn)品逐小時(shí)降水量累加成與模式預(yù)報(bào)資料相同的24 h累積降水量，用于檢驗(yàn)預(yù)報(bào)結(jié)果。

1.2 方 法

1.2.1 多模式超級集合和消除偏差集合平均

在給定格點(diǎn)上對于某一預(yù)報(bào)時(shí)效的降水量，多模式超級集合(multimodel superensemble, SUP)和消除偏差集合平均(bias-removed ensemble mean, BREM)模型由下式構(gòu)建：

(1)

(2)

1.2.2 卡爾曼濾波集成方法

卡爾曼濾波集成方法(Kalman filter method, KF)主要通過模式預(yù)報(bào)值和實(shí)況值隨時(shí)間的變化從而更新計(jì)算每個(gè)模式的權(quán)重，其公式通常分為兩部分[29]：

預(yù)報(bào)方程：

(3)

(4)

分析方程：

(5)

(6)

(7)

其中，上標(biāo)f代表預(yù)報(bào)值，而上標(biāo)a則代表分析值，下標(biāo)t表示時(shí)間。W為每個(gè)模式的權(quán)重系數(shù)矩陣，I為單位矩陣，P為權(quán)重誤差協(xié)方差矩陣，Q為模式誤差協(xié)方差矩陣，K為卡爾曼增益矩陣，H為每個(gè)模式的預(yù)報(bào)值矩陣，R為觀測誤差協(xié)方差矩陣，Y是與H對應(yīng)的觀測值矩陣。

本文將權(quán)重W初始化為1/N，將協(xié)方差P初始化為0到1的隨機(jī)數(shù)(不全為0)，整個(gè)算法循環(huán)計(jì)算，不斷優(yōu)化各個(gè)模式的權(quán)重，最終將模式預(yù)報(bào)值矩陣與權(quán)重矩陣相乘得到卡爾曼濾波的集成預(yù)報(bào)值FKF，預(yù)報(bào)方程如下：

(8)

1.2.3 頻率匹配法

頻率匹配法(frequency matching method, FMM)通過統(tǒng)計(jì)不同量級閾值條件下降水實(shí)際出現(xiàn)的參考頻率和預(yù)報(bào)頻率，將有偏差的預(yù)報(bào)頻率調(diào)整到更為準(zhǔn)確的參考頻率[30]：

(9)

式(9)中，F(xiàn)J為觀測或模式預(yù)報(bào)的J閾值處的頻率，BJ為觀測或模式達(dá)到J閾值的格點(diǎn)數(shù)，A為觀測場中總的降水格點(diǎn)數(shù)，通過觀測和模式預(yù)報(bào)的FJ計(jì)算出不同降水閾值的訂正系數(shù)，使用該系數(shù)即可得到不同閾值下訂正后的預(yù)報(bào)降水量。

2 多模式集成預(yù)報(bào)降水的效果評估

針對ECMWF,JMA,NCEP,CMA和UKMO 5個(gè)預(yù)報(bào)中心2016年5—8月中國地區(qū)逐日預(yù)報(bào)時(shí)效為24～168 h逐24 h累積降水量集合預(yù)報(bào)結(jié)果，選取2016年5月1—20日共20 d為訓(xùn)練期，5月21日—8月31日共103 d為預(yù)報(bào)期進(jìn)行多模式集成試驗(yàn)。圖1為2016年8月12日華南地區(qū)強(qiáng)降水的天氣過程，對比3種多模式集成方法和3個(gè)較優(yōu)中心模式(ECMWF，JMA和UKMO)的預(yù)報(bào)結(jié)果可知，單模式預(yù)報(bào)存在小雨落區(qū)過大和強(qiáng)降水落區(qū)偏小的問題，且僅能預(yù)報(bào)出雨帶的大致位置，無法準(zhǔn)確給出強(qiáng)降水的中心位置；而多模式集成預(yù)報(bào)對降水的落區(qū)更接近實(shí)況，KF的結(jié)果優(yōu)于SUP和BREM，能較準(zhǔn)確地給出3個(gè)強(qiáng)降水中心的位置，并且在兩廣交界處的降水中心，SUP預(yù)報(bào)的最大降水量為51 mm，而KF預(yù)報(bào)的降水量為68 mm，與126 mm 實(shí)況的降水更接近。

圖1 2016年8月12日華南地區(qū)(18°～30°N,102°～120°E) 24 h累積降水量分布的實(shí)況值和時(shí)效為24 h的KF，SUP，BREM，ECMWF，UKMO及JMA預(yù)報(bào)Fig.1 Distributions of 24 h accumulated precipitation in observation and forecast with lead time of 24 h for KF,SUP,BREM,ECMWF,UKMO and JMA over South China(18°-30°N,102°-120°E) on 12 Aug 2016

續(xù)圖1

圖2是3種多模式集成方法和3個(gè)較優(yōu)中心模式在預(yù)報(bào)區(qū)域平均的平均誤差絕對值和大雨的TS評分。對各個(gè)預(yù)報(bào)時(shí)效，ECMWF的預(yù)報(bào)效果優(yōu)于UKMO和JMA；在3種多模式集成方法中，KF的預(yù)報(bào)結(jié)果則對單模式的改進(jìn)最大，在所有預(yù)報(bào)時(shí)效的效果均好于SUP和BERM的結(jié)果。在時(shí)效為24 h 的預(yù)報(bào)中，KF的平均誤差絕對值相較于ECMWF降低了0.95 mm，大雨的TS評分提高了0.02。可見在多模式集成方法中，KF的效果最佳。

圖2 預(yù)報(bào)期內(nèi)中國區(qū)域3種多模式集成方法和ECMWF，UKMO及JMA 3個(gè)模式24 h累積降水的區(qū)域平均誤差絕對值(a)和大雨的TS評分(b)Fig.2 Regional mean absolute error of 24 h accumulated precipitation(a) and threat score(TS) of heavy rain(b) for KF,SUP,BREM,ECMWF,UKMO andJMA during forecasting period

3 頻率匹配法對單個(gè)集合預(yù)報(bào)系統(tǒng)的改進(jìn)

上述結(jié)果表明:多模式集成方法對降水預(yù)報(bào)的改進(jìn)有效，但由于集成方法在計(jì)算前對預(yù)報(bào)成員進(jìn)行了集合平均處理，由此產(chǎn)生的平滑作用會(huì)濾掉一部分極端降水預(yù)報(bào)，為減少這種負(fù)面影響，在簡單集合平均之前先采用頻率匹配法對各個(gè)預(yù)報(bào)模式的所有成員進(jìn)行訂正，本文使用實(shí)況降水頻率對各集合預(yù)報(bào)成員進(jìn)行訂正試驗(yàn)。

對5個(gè)集合預(yù)報(bào)中所有成員分別進(jìn)行訂正，為檢驗(yàn)集合成員訂正后的效果，圖3是ECMWF,JMA和UKMO集合成員訂正前后的Talagrand對比，其中實(shí)線表示理想概率，而柱狀則表示實(shí)際概率，對于理想的集合預(yù)報(bào)系統(tǒng)，實(shí)況落在每個(gè)區(qū)間的概率相同[31]，即圖中實(shí)線。圖3中3個(gè)模式降水的Talagrand分布均呈“L”型，實(shí)況值落在大多數(shù)區(qū)間的概率均低于理想概率，說明該集合預(yù)報(bào)系統(tǒng)的離散度不夠，訂正之后的分布整體型與訂正前類似，但落在最小預(yù)報(bào)區(qū)間外的概率均比原始數(shù)據(jù)低，ECMWF實(shí)況落在最小預(yù)報(bào)值外的的概率由18.5 %降至16.8 %，且其他區(qū)間的概率比訂正前更接近理想概率，集合預(yù)報(bào)系統(tǒng)的正偏差得到改善。

計(jì)算了經(jīng)頻率匹配法訂正前后5個(gè)模式不同預(yù)報(bào)時(shí)效的預(yù)報(bào)結(jié)果，比較它們在不同降水量級下的TS評分(如圖4所示)。從整體看，TS評分隨預(yù)報(bào)時(shí)效增長而減小，量級越大的降水其評分減小的程度也越大；經(jīng)訂正后小雨的TS評分在每個(gè)預(yù)報(bào)時(shí)效均有0.02左右的提高，預(yù)報(bào)時(shí)效為24 h的大雨和暴雨的預(yù)報(bào)評分提高了6.7%和9.3%，而對于預(yù)報(bào)時(shí)效為24 h和48 h的中雨預(yù)報(bào)，訂正產(chǎn)生了負(fù)效果。綜合而言，訂正的效果在大雨及其以上量級較好，并隨預(yù)報(bào)時(shí)效的增加改進(jìn)幅度增加。結(jié)合Talagrand分布，頻率匹配法對不同量級的降水預(yù)報(bào)頻率進(jìn)行調(diào)整，使其更接近實(shí)際觀測，可減少簡單集合平均對強(qiáng)降水產(chǎn)生的平滑作用，改善集合預(yù)報(bào)的質(zhì)量。

圖3 對ECMWF,JMA和UKMO預(yù)報(bào)時(shí)效為168 h集合成員采用頻率匹配法進(jìn)行訂正前后Talagrand分布Fig.3 Taragrand distribution of precipitation with 168 h lead time in ECMWF,JMA and UKMO before and after calibrated by FMM

圖4 2016年5—8月中國區(qū)域24 h累積降水量ECMWF,JMA,UKMO,NCEP和CMA訂正前(虛線)及訂正后(實(shí)線)不同預(yù)報(bào)時(shí)效的小雨、中雨、大雨、暴雨的TS評分Fig.4 TS of light rain,moderate rain,heavy rain and rainstorm for 24 h accumulated precipitation with lead time from 24 h to 168 h for ECMWF,JMA,NCEP,UKMO and CMA over China from May to Aug in 2016 before(the dashed line) and after(the solid line) FMM calibration

4 集合成員訂正后的降水多模式集成預(yù)報(bào)

針對上述結(jié)果，選取集成方法中預(yù)報(bào)效果最優(yōu)的卡爾曼濾波，分別對訂正前后的5個(gè)集合預(yù)報(bào)進(jìn)行多模式集成。以TS評分、均方根誤差和距平相關(guān)系數(shù)作為衡量降水預(yù)報(bào)效果的指標(biāo)，并挑選典型個(gè)例將實(shí)況與集成預(yù)報(bào)結(jié)果進(jìn)行對比。

各種集成方法和單模式預(yù)報(bào)在各個(gè)降水量級上不同預(yù)報(bào)時(shí)效的TS評分如圖5所示?；诔蓡T訂正后的集成結(jié)果(FMM_KF)的TS評分明顯優(yōu)于使用原始集成(KF和BREM)結(jié)果，其中對小雨、中雨量級的降水略有改進(jìn)，改進(jìn)幅度為5%～9%，隨著降水量級的增大，改進(jìn)幅度也增大，特別是對于大雨以上量級的強(qiáng)降水改進(jìn)較大，F(xiàn)MM_KF在大雨、暴雨以及大暴雨的TS評分相對KF分別提高0.02，0.04和0.08，在短時(shí)次的預(yù)報(bào)上甚至超過中雨的評分。由此可見，雖然卡爾曼濾波對多模式成員集成的預(yù)報(bào)效果已較好，但經(jīng)過成員訂正后的集成預(yù)報(bào)效果得到進(jìn)一步提升，特別是在強(qiáng)降水的預(yù)報(bào)效果上，改進(jìn)幅度最高可達(dá)25%，遠(yuǎn)大于其對小雨和中雨預(yù)報(bào)效果的提升幅度。

針對強(qiáng)降水量級，進(jìn)一步探究評分提高的原因，圖6是預(yù)報(bào)期內(nèi)多種集成方法和單模式中24 h累積降水量大于25 mm的空報(bào)率和漏報(bào)率，由圖6可見，訂正并未使單模式的強(qiáng)降水空報(bào)現(xiàn)象得到改善，甚至在較短預(yù)報(bào)時(shí)效上大于單模式的空報(bào)率，而多模式集成方法均使強(qiáng)降水的空報(bào)率降低，F(xiàn)MM_KF的效果優(yōu)于原始的多模式集成，并且隨著時(shí)效的增大改進(jìn)幅度增大；在漏報(bào)率方面，頻率匹配法的改善效果顯著，24 h預(yù)報(bào)時(shí)效的降水漏報(bào)率與單模式相當(dāng)，其他預(yù)報(bào)時(shí)效比單模式的漏報(bào)率降低0.01～0.04，并且大雨量級的漏報(bào)率低于原始的卡爾曼濾波集成；基于成員訂正后的集成效果結(jié)合兩者優(yōu)點(diǎn)，進(jìn)一步降低了強(qiáng)降水的漏報(bào)率，F(xiàn)MM_KF在大雨、暴雨和大暴雨的漏報(bào)率較KF分別降低了0.03，0.04和0.08，在暴雨和大暴雨的改進(jìn)幅度較大，結(jié)合空報(bào)率看，F(xiàn)MM_KF能更準(zhǔn)確地捕捉到每一次強(qiáng)降水過程，提高強(qiáng)降水的TS評分。

圖5 預(yù)報(bào)期內(nèi)中國區(qū)域24 h累積降水量的多模式集成方法FMM_KF，KF，BREM及FMM_UK和模式UKMO及ECMWF不同預(yù)報(bào)時(shí)效的小雨、中雨、大雨、暴雨和大暴雨的TS評分Fig.5 TS of light rain,moderate rain,heavy rain,rainstorm and heavy rainstorm for 24 h accumulated precipitation with different lead time from 24 h to 168 h for FMM_KF,KF,BREM,FMM_UK,UKMO and ECMWF over China during forecasting period

從誤差的角度對集成結(jié)果和單模式預(yù)報(bào)效果進(jìn)行評估，圖7是集成預(yù)報(bào)與單模式的均方根誤差及距平相關(guān)系數(shù)。由圖7可見，KF與BREM的誤差均小于單模式，其中KF的效果較優(yōu)，其將24 h預(yù)報(bào)時(shí)效的單模式原本7 mm以上的均方根誤差降至6 mm 以下，集合成員先進(jìn)行訂正后，F(xiàn)MM_KF又將所有時(shí)效誤差進(jìn)一步縮小了0.2 mm以上，但頻率匹配法對單模式產(chǎn)生了相反效果，在距平相關(guān)系數(shù)的分布圖中亦可得到類似結(jié)論。從整體看，成員訂正后的集成效果相比于其他方法和單模式改進(jìn)最大，其誤差為5.7～7.2 mm，相關(guān)系數(shù)接近0.8，而且其隨時(shí)效的變化很小，可有效延長預(yù)報(bào)時(shí)效，說明該方法更穩(wěn)定。

上述分析表明：先對成員訂正再集合的方法對強(qiáng)降水預(yù)報(bào)有較大提升，為進(jìn)一步驗(yàn)證其改進(jìn)效果，選取2016年8月17日臺(tái)風(fēng)電母(1608)的降水過程進(jìn)行分析。圖8為臺(tái)風(fēng)電母在登陸前1 d暴雨以上量級的降水分布，海南、廣東雷州半島出現(xiàn)暴雨至大暴雨，海南西北部出現(xiàn)特大暴雨量級的降水。從對單模式預(yù)報(bào)的改進(jìn)效果看，F(xiàn)MM方法增加了單模式的降水強(qiáng)度，使100 mm以上降水范圍增大，而KF等多模式集成方法預(yù)報(bào)的降水落區(qū)與觀測更接近，F(xiàn)MM_KF有效結(jié)合了前兩者優(yōu)勢，其強(qiáng)降水預(yù)報(bào)的整體落區(qū)和降水量級均比其他方法更接近實(shí)況，其中在海南省的西北部，F(xiàn)MM_KF得到了強(qiáng)降水中心322 mm的降水，與實(shí)況的391 mm降水非常接近，而KF和FMM_UK的結(jié)果分別為224 mm和252 mm，與實(shí)際差別較大，說明FMM_KF能更好地預(yù)報(bào)此次臺(tái)風(fēng)強(qiáng)降水過程。

圖6 預(yù)報(bào)期內(nèi)中國區(qū)域24 h累積降水量的多模式集成方法FMM_KF，KF，BREM及FMM_UK和模式UKMO及ECMWF不同預(yù)報(bào)時(shí)效的大雨、暴雨和大暴雨的空報(bào)率(FAR)以及漏報(bào)率(MR)Fig.6 The FAR and MR of heavy rain,rainstorm and heavy rainstorm for 24 h accumulated precipitation with different lead time from 24 h to 168 h for FMM_KF,KF,BREM,FMM_UK,UKMO and ECMWF over China during forecasting period

圖7 預(yù)報(bào)期內(nèi)中國區(qū)域24 h累積降水量的多模式集成方法FMM_KF，KF，BREM及FMM_UK和模式UKMO及ECMWF不同預(yù)報(bào)時(shí)效空間平均的均方根誤差(a)以及距平相關(guān)系數(shù)(b)Fig.7 Regional averaged root mean square error(a) and anomaly correlation coefficient(b) of 24 h accumulated precipitation with lead time from 24 h to 168 h for FMM_KF,KF,BREM,FMM_UK,UKMO and ECMWF during forecasting period

圖8 2016年8月17日的華南及南海區(qū)域(15°～25°N，105°～122°E)24 h累積降水量實(shí)況以及24 h預(yù)報(bào)時(shí)效的FMM_KF,KF,BREM,FMM_UK和UKMO預(yù)報(bào)的分布Fig.8 The distribution of 24 h accumulated precipitation in observation and forecast with 24 h lead time for FMM_KF,KF,BREM,FMM_UK,UKMO over South China and South China Sea(15°-25°N，105°-122°E) on 17 Aug 2016

續(xù)圖8

5 結(jié)論與討論

基于TIGGE資料集下ECMWF,JMA,NCEP,CMA和UKMO 5個(gè)預(yù)報(bào)中心2016年5—8月中國地區(qū)逐日預(yù)報(bào)時(shí)效為24～168 h逐24 h累積降水量集合預(yù)報(bào)的結(jié)果，對各集合預(yù)報(bào)成員采用頻率匹配法進(jìn)行訂正，比較訂正前后的多模式集成和單模式的預(yù)報(bào)效果，主要結(jié)論如下：

1) 采用頻率匹配法訂正后的集合降水預(yù)報(bào)，將中雨量級的降水訂正到小雨和大雨，有效改善了因簡單集合平均的平滑作用產(chǎn)生的強(qiáng)降水量級減小現(xiàn)象，提高了強(qiáng)降水的TS評分，使其更接近觀測，但對降水落區(qū)的預(yù)報(bào)改進(jìn)有限。

2) 多模式集成方法提取參與集成各個(gè)模式的綜合特征，可使降水落區(qū)的預(yù)報(bào)更準(zhǔn)確，其中卡爾曼濾波集成方法的降水預(yù)報(bào)效果在TS評分和誤差方面均優(yōu)于SUP和BREM，對降水落區(qū)的預(yù)報(bào)也更精確。

3) 綜合以上兩種方法的優(yōu)勢，集合成員先訂正后集成的效果則在原始集成基礎(chǔ)上有更大改進(jìn)，強(qiáng)降水的落區(qū)及強(qiáng)降水中心的量級均較原始集成更接近實(shí)況，進(jìn)一步提升了模式強(qiáng)降水預(yù)報(bào)的技巧。

綜上所述，對集合成員先訂正后集成的方法取得了較好的效果，優(yōu)于傳統(tǒng)的多模式集成方法，且其預(yù)報(bào)降水的誤差和TS評分相對于業(yè)務(wù)中應(yīng)用較多的優(yōu)選成員集成法等有一定改進(jìn)。由于該方法對于小雨的改進(jìn)沒有強(qiáng)降水顯著，未來考慮將集合預(yù)報(bào)數(shù)據(jù)進(jìn)行分級集成，與未分級的結(jié)果進(jìn)行對比，希望對各個(gè)量級的降水預(yù)報(bào)效果均有改進(jìn)。