基于欧洲中期天气预报中心(European Center for Medium-range Weather Forecasts,ECMWF)集合预报资料及浙江全省自动站降水观测资料,采用贝叶斯模型平均(Bayesian Model Average,BMA)方法对2020年浙江超长梅汛期开展降水概率预报订正试验。采用平均绝对误差、连续等级概率评分、布莱尔评分B_(S)、Talagrand、概率积分变换(Probability Integral Transform,PIT)直方图及属性图检验方法对本次过程BMA订正前后的概率预报进行对比分析,结果表明:(1)50 d为适用于浙江梅汛期ECMWF集合预报订正的BMA最优训练期,经最优训练期的BMA订正后,预报离散度有所增加,预报误差有所下降;(2)BMA对0.1 mm、10.0 mm和25.0 mm阈值降水的订正效果显著,经BMA订正后3个阈值的降水预报B_(S)下降率分别为25.92%、19.29%、4.76%,但对超过50.0 mm的降水订正效果不明显,且随着降水阈值增加,BMA的订正效果减弱;(3)在强降水个例中,BMA能有效减少各阈值降水预报概率大值落区偏差,使订正后的降水预报概率大值区与观测落区更一致。
使用TIGGE (the THORPEX interactive grand global ensemble)资料集下欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts, ECMWF)逐日起报的预报时效为24~168 h的日降水量集合预报资料,集合预报共包括51个成员,利用左删失的非齐次Logistic回归方法(left-Censored Non-homogeneous Logistic Regression, CNLR)和标准化的模式后处理方法(Standardized Anomaly Model Output Statistics, SAMOS)对具有复杂地形的中国东南部地区降水预报进行统计后处理。结果表明:采用CNLR方法能够有效改进原始集合预报的平均绝对误差(Mean Absolute Error, MAE)和连续分级概率评分(Continuous Ranked Probability Score, CRPS),提升了降水的定量预报和概率预报的预报技巧。而使用SAMOS方法对数据进行预处理,考虑地形等因素的影响,能在CNLR方法的基础上进一步订正由于地形影响造成的预报误差,并得到更加准确的全概率的降水概率预报。
