引言

GRAPES模式是中国气象科学研究院开发的我国新一代具有自主知识产权的数值天气预报模式，该模式在非静力中尺度模式、三维变分资料同化、标准化、模块化、并行化模式程序软件等方面均取得了显著成果，并已经在业务上得到应用，具有良好性能和发展潜力^[1-5]。部分研究工作表明GRAPES＿MESO30km与15km模式对江淮流域降水均表现出较好的预报性能^[6-7]。

中国气象局北京城市气象研究所在北京区域气象中心中尺度数值业务系统WRF模式(27/9/3km三重嵌套)基础上建成了每3h快速更新循环的3DVAR中尺度同化与预报业务系统（3h Rapid Update Cycle，简称RUC）。该预报业务系统除了同化常规的GTS全球交换资料以外，还同化了包括自动气象站观测、地基GPS可降水量观测等高时空分辨率的多种非常规观测资料，为我们系统性的了解以更新循环的方式来实现具有高时空分辨率的本地非常规观测数据的同化应用效果提供了一个很好的预报产品。针对该系统在2006-2007年汛期运行情况的检验评估结果表明，RUC系统的整体预报性能令人满意^[8-9]。

以往虽然在单模式降水检验^[10-15]以及多种模式综合降水检验方面做了许多工作^[16-17]，但有关GRAPES＿MESO15km、华北中尺度MM5、RUC产品在北京奥运期间的综合检验分析还不多见，相关产品的分析也很初步。本文分析检验结果对今后北京市精细化降水预报具有一定参考价值。

1 资料和方法

本文使用2008年6—10月GRAPES_MESO15km、华北中尺度MM5、RUC中尺度数值预报模式的定量降水预报产品，检验08时（北京时）24小时降水预报性能。为了便于比较，还用到了北京市每日08时24小时降水实况资料。

主要采用相关系数（CORR）、均方根误差（RMSE）、平均绝对误差（MAE）、平均误差（ME）、晴雨（PC）和分不同降水量级（TS）评分检验，计算漏报率（PO）、空报率(NH)、预报偏差（B）等统计量以及相关分析。具体计算公式如下：

$ RMSE = {\left[{\frac{1}{N}\sum {{{\left( {{f_i}-{o_i}} \right)}^2}} } \right]^{\frac{1}{2}}} $

(1)

$ MAE = \frac{1}{N}\sum {|{f_i}-{o_i}|} $

(2)

$ ME = \frac{1}{N}\sum {({f_i}-{o_i})} $

(3)

式中, f_i为预报值，o_i为实况值。

$ PC = \frac{{NA + ND}}{{NA + NB + NC + ND}} $

(4)

$ TS = \frac{{NA}}{{NA + NB + NC}} $

(5)

$ PO = \frac{{NC}}{{NA + NC}} $

(6)

$ NH = \frac{{NB}}{{NA + NB}} $

(7)

$ B = \frac{{NA + NB}}{{NA + NC}} $

(8)

式中, NA代表模式预报降水正确的站点数，即观测与预报均出现某量级降水；NB为空报站点数，即观测无某量级降水而预报有；NC为漏报站点数，即观测出现某量级降水而预报无；ND为预报与观测均没出现某量级降水。

要做好北京市精细化预报，就必须进一步检验模式对不同区域的预报能力，需对不同区域分别进行检验。其不同区域可划分为：北京南郊观象台（54511站）、城区（观象台、丰台、海淀、朝阳、石景山5站平均）、平原地区（观象台、丰台、房山、密云、昌平、顺义6站平均）及北京市（观象台、海淀、朝阳、石景山、丰台、昌平、怀柔、大兴、房山、通州、密云、延庆、平谷、顺义、门头沟15个区县站平均），并分别对这些区域24小时降水预报性能进行检验。

为了解模式对不同量级的预报能力，就要进行分量级检验。其降水量级可分为：晴雨、小雨、中雨、大雨。因2008年6—10月北京市只出现了一次较大范围的暴雨过程，所以检验暴雨量级不具有代表性。

为了解模式对不同月份的预报能力，还要进行逐月检验。

2 降水检验结果分析 2.1 各模式分区域检验结果分析

分别对2008年6—10月GRAPES_MESO15km、华北中尺度MM5、RUC中尺度数值预报模式08时（北京时）24小时定量降水预报产品与相应时段降水实况分区域计算相关系数（CORR）、均方根误差（RMSE）、平均绝对误差（MAE）、平均误差（ME），其检验结果见表 1所示。

由表 1可见，各区域（南郊观象台、城区、平原地区、全市）计算的相关系数（CORR）、均方根误差（RMSE）均具有一致的结果，即GRAPES_MESO15km模式的相关系数最大，均方根误差最小；其次分别为华北中尺度MM5、RUC模式。从各区域计算的平均绝对误差（MAE）来看，也是GRAPES_MESO15km模式最小，RUC模式次之，华北中尺度MM5模式最大。另外，从各区域计算的平均误差（ME）来看，GRAPES_MESO15km、RUC模式均为负值，预报的降水量要比实况值普遍偏小，尤其是RUC模式更明显一些；而华北中尺度MM5模式则正好相反为正值，预报的降水量要比实况值偏大一些。

2.2 南郊观象台各模式平均绝对误差及平均误差逐月检验结果分析

从南郊观象台平均绝对误差各模式逐月检验结果（图 1）可以看出，2008年7月、8月、9月三个月GRAPES_MESO15km模式平均绝对误差最小，预报能力较强；而6月、7月、10月三个月RUC模式平均绝对误差最小，预报能力较强。其它各区域各模式平均绝对误差逐月检验结果与南郊观象台类似。

由南郊观象台平均误差各模式逐月检验结果（图 2）可以看出，2008年6—10月中，GRAPES_MESO15km模式只在8月、10月平均误差为正偏差，其它月均为负偏差；而RUC模式在6—10月中几乎均为负偏差；华北中尺度MM5模式只在9月为负偏差，其它月均为正偏差。其它各区域各模式平均误差逐月检验结果也与南郊观象台类似。

2.3 各模式分区域分量级检验结果分析

对2008年6—10月各模式分区域分晴雨、小雨、中雨、大雨量级分别进行检验，分别计算出晴雨预报正确率（PC）和各降水量级的TS评分，其检验结果见表 2所示。

由表 2可见，2008年6—10月分区域分量级检验结果是：各区域中对晴雨、小雨预报来说，GRAPES_MESO15km模式预报能力较强，并且随着预报区域的扩大，其模式预报准确率有所提高；而对于中雨、大雨预报，其RUC模式预报能力明显提高，并且随着预报区域的扩大，其模式预报能力明显提高。

2.4 南郊观象台各模式晴雨及中雨TS评分逐月检验结果分析

从南郊观象台各模式晴雨预报逐月检验结果（图 3）可以看出，GRAPES_MESO15km模式各月预报比较稳定，除6月、8月预报正确率相对偏低一些外，其它月份均较高；而RUC模式除6月、9月预报正确率相对偏低一些外，其它月份也较高；华北中尺度MM5模式7月、8月、10月预报正确率均最低，与其它两个模式来比较，其晴雨预报能力要差一些。

由南郊观象台各模式中雨TS评分逐月检验结果（图 4）可以看出，RUC模式除7月预报较差外，其它各月中雨预报能力均较强；而GRAPES_MESO15km模式6月、7月预报较差，8—10月预报准确率较高。

2.5 各模式分区域分量级其它评分方法检验结果分析

2008年6—10月各模式分区域分量级漏报率（PO）、空报率（FAR）、预报偏差（B）检验结果见表 3所示。

由表 3可见，在各区域小雨量级检验中GRAPES_MESO15km模式漏报率、空报率基本相当，预报偏差维持在1.0附近；RUC模式漏报率均明显大于空报率，预报偏差明显小于1.0，而华北中尺度MM5模式则与此相反，漏报率小于空报率，预报偏差均明显大于1.0。

在各区域中雨量级检验中GRAPES_MESO15km和华北中尺度MM5模式的漏报率、空报率与小雨相比均明显加大，预报偏差分别在1.0左右和大于1.0；RUC模式漏报率增加相对较小，空报率增加相对较大，预报偏差也有所加大，但仍然是漏报率大于空报率。

在各区域大雨量级检验中RUC模式均好于其它模式，漏报率、空报率均相对较稳定。

2.6 南郊观象台各模式小雨预报偏差（B）逐月检验结果分析

从南郊观象台各模式小雨预报偏差（B）逐月检验结果（图 5）来看，各月检验结果与6—10月总体检验结果基本一致，即GRAPES_MESO15km模式的预报偏差维持在1.0附近，RUC模式预报偏差均小于1.0，华北中尺度MM5模式预报偏差除9月以外均大于1.0。

3 多模式降水集成试验及分析

采用多元线性回归方法，对2008年6—10月各模式降水定量预报产品分区域进行集成试验。将2008年6—10月每日08时—08时24h累计降水实况作为因变量（Y），将每日08时三个模式（RUC、GRAPES_MESO15km、MM5）24h相应的降水预报值作为三个自变量（X₁、X₂、X₃）进行线性回归集成试验。2008年6—10月共有153个样本，分别对南郊观象台、城区、平原地区、全市进行降水集成试验，其具体试验结果见表 4。

由表 4可见，回归方程的相关系数随着降水集成试验的区域增大，其相关程度越高；不管降水集成试验区域大小，GRAPES_MESO15km模式自变量相关系数均比其它两个模式大，其相关程度最高；RUC模式自变量相关系数随着降水集成试验区域增大，其相关程度也加大，而MM5模式自变量相关系数变化并不明显。除观象台回归方程的第一个自变量外，其它方程的自变量均通过α=0.05的显著性检验。

通过对北京2008年6—10月降水集成试验结果进行检验，得到的各区域降水集成试验结果与实况降水的相关系数和其它三个模式的相关系数相比均最大，均方根误差均最小；各区域平均绝对误差则比GRAPES_MESO15km略大，比RUC、MM5模式小。

4 结论

（1）各区域GRAPES_MESO15km模式定量降水预报与实况降水的相关系数最大，均方根误差最小。另外，从各区域计算的平均绝对误差来看，也是GRAPES_MESO15km模式最小，RUC模式次之，华北中尺度MM5模式最大；从平均误差来看，GRAPES_MESO15km、RUC模式均为负值，预报的降水量要比实况值偏小。

（2）各区域中对晴雨、小雨预报来说，GRAPES_MESO15km模式预报能力较强；而对于中雨、大雨预报则RUC模式预报能力明显提高。

（3）在各区域大雨量级检验中RUC模式均好于其它模式，漏报率、空报率均较相对稳定。

（4）RUC模式预报的降水量要比实况值偏低，其中雨和大雨的预报能力最好，其原因是漏报率较空报率高造成；而MM5模式预报的降水量要比实况值偏高，主要是空报率较漏报率高造成。

（5）各模式在对不同区域的统计量检验中没有明显差异；但在分量级检验中，随着预报区域的扩大，其模式预报准确率有所提高。

（6）各区域降水集成试验结果均不如GRAPES_MESO15km模式好。