基于次季节—季节(S2S)模式的中国东部夏季日降水预报评估

王晨，李建平,5

(1.中国海洋大学深海圈层与地球系统前沿科学中心，山东 青岛 266100；
2.中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100；
3.中国海洋大学海洋与大气学院，山东 青岛 266100；
4.中国海洋大学未来海洋学院，山东 青岛 266100；
5.青岛海洋科学与技术试点国家实验室海洋动力过程与气候功能实验室，山东 青岛 266237)

极端天气气候事件会给人类社会带来重大影响[1]。近年来在全球变暖的背景条件下，大气中的水汽含量逐渐增加，区域水循环的速度逐渐增快，极端降水事件频发，会威胁人民生命财产安全、制约社会可持续发展[2-6]。对中国而言，虽然全国整体总降水量没有明显的变化趋势，但极端降水强度有所增强，受极端降水影响的地区也有所增多，且未来极端降水的频率和强度均趋于增加[7-11]。城市化进程会增加极端降水事件的发生，同时增大城市受极端降水的影响[12-14]。中国东部城市化进程迅速，国民经济发展速度快，人口稠密，自然环境和社会经济具有很大的暴露度和脆弱性[15]。中国降水季节分布不均匀，季节最大降水百分率出现在夏季，占全年降水的56.5%[16]。

次季节—季节(subseasonal to seasonal，S2S)尺度的时间范围为2周～3个月，它衔接了较为成熟的中期天气预报和长期或季节预测，正处于发展的相对早期阶段。由于这一时间尺度受初始条件和边界条件影响均较大，被认为是“可预报性沙漠”[17-18]，但其预报预测对更早预警极端事件、降低风险灾害、保障人民生命健康和农业粮食安全等方面都具有重要意义。世界天气研究计划和世界气候研究计划于2013年11月联合启动S2S预测计划，以促进S2S预报预测发展，并建立了包括12个业务中心最长可达65 d的S2S近实时集合预报和回报数据集，用于科学研究。

极端降水临界阈值的界定会直接影响对极端降水事件的判断，从而影响其时空分布、变化特征等多方面研究。各种阈值界定方法各有其优劣，适用于不同的空间尺度和研究目的[19]。国际上大多取空间点自身降水量序列的95%或99%分位数作为该点的极端降水阈值[20-25]，这考虑了空间尺度较大的区域内降水分布不均匀的特点。在中国，根据24 h降雨量可对所有降雨事件进行等级划分并制定国家标准[26]。当日降水量达到或超过50 mm时，该降水事件可称为暴雨，并可将其细分为暴雨、大暴雨和特大暴雨3个等级[27]。暴雨及以上等级的降雨事件均可称为极端降水[10,22,28-29]。此种利用绝对临界值的阈值界定方法虽然对于某些降水较少的地区而言有些严苛，但可以在同一标准下进行不同区域的极端降水特征研究。

前人已针对多个区域的S2S模式逐日降水、多日累计或滑动平均降水和极端降水预报展开评估[30-33]，但较少利用绝对临界值法界定极端阈值，且在中国东部夏季逐日降水及极端降水S2S模式预报评估方面尚有欠缺。本文针对中国大陆108°E以东1999—2010年夏季期间至少发生一次暴雨事件的454个台站展开S2S模式日降水预报评估，采用两种极端降水临界阈值界定方法从不同角度研究S2S模式的极端降水预报，并比较其对评估结果的影响，以探究S2S模式在中国东部夏季日降水的预报技巧，从而促进预报水平的提高。

1.1 数据资料

降水观测资料来自国家气象信息中心发布的中国地面气候资料日值数据集(V3.0)，包含中国大陆699个国家基准气候站和国家基本气象站1951—2020年的前一日20时—当日08时、当日08—20时及前一日20时—当日20时累计降水量，将其日界由北京时20时订正为世界时00时，下载地址为http://data.cma.cn/。S2S模式降水预报资料来自S2S数据集[18]中国气象局(China Meteorological Administration，CMA)、欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts，ECMWF)和美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)回报数据的控制预报。回报是使用与实时预报相同的模式版本对过去若干时间进行的预报，可用于计算模式偏差，以对实时集合预报进行校正，故对其进行预报质量评估具有十分重要的意义。本文所用3个S2S模式的回报频率相比于数据集中的其他模式较高，在相同回报时间段内的回报数据多，可在一定程度上保证研究的样本数量。各模式具体信息如表1所示，虽然各模式原始输出的空间分辨率各不相同，但都以1.5° × 1.5°的规则经纬度网格分辨率存储。评估的时间段为3个模式的公共回报期1999—2010年，回报频率以ECMWF为基准，各模式回报数据下载地址为https://apps.ecmwf.int/datasets/data/s2s/levtype=sfc/type=cf/。

表1 采用模式的基本信息

1.2 研究方法

分别使用50 mm的绝对阈值和各台站1981—2010年夏季非零逐日降水量序列95%分位数的相对阈值判别日极端降水，并使用双线性插值将S2S模式降水预报值插值到站点上。主要利用均方根误差(root mean square error，RMSE)、相关系数、均方技巧评分(mean square skill score，MSSS)等基本指标和空报率(false alarm rate，FAR)、漏报率(missing alarm rate，MAR)、TS评分(threat score，TS)等降水预报检验指标对S2S模式的中国东部夏季日降水预报技巧展开评估。其中：RMSE可用于衡量模式预报误差的大小；
相关系数可表示模式预报与观测之间的关系密切程度；
MSSS以观测的持久性为参照来衡量模式预报的表现，当其大于0时可认为模式具有预报技巧；
空报率为当模式预报降水事件发生时，该事件实际没有发生的比率；
漏报率为当降水事件实际发生时，模式预报该事件不发生的比率；
TS评分为模式正确预报事件发生占预报或观测中事件发生的比值，可用于表示降水预报的准确率。

m个台站中第i个站点的基本指标计算公式如下：

(1)

(2)

(3)

(4)

(5)

(6)

区域平均降水预报检验指标的计算公式如下：

(7)

(8)

(9)

图1 中国大陆东部1981—2010年夏季平均日降水(a，色阶，单位：mm·d-1)和极端降水相对阈值(b，色阶，单位：mm)、绝对极端(c)和相对极端(d)降水事件累计降水量占总降水量的比例(色阶，单位：%)以及1999—2010年夏季绝对极端(e)和相对极端(f)降水事件的频数(色阶，单位：次)空间分布Fig.1 Spatial distribution of daily mean precipitation (a, color scale, units: mm·d-1), relative thresholds of extreme precipitation (b, color scale, units: mm), the proportion (color scale, units: %) of accumulated precipitation from absolute extreme (c) and relative extreme (d) precipitation events to total precipitation during the summer of 1981-2010, and the frequency (color scale, units: times) of absolute extreme (e) and relative extreme (f) precipitation events during the summer of 1999-2010 in the eastern part of Chinese mainland

其中，NA为研究区域内所有台站模式预报和观测中降水事件均发生的总次数，NB为模式预报降水事件发生但实际未发生的空报总次数，NC为模式预报降水事件不发生但实际发生的漏报总次数。当进行降水分级检验时，若预报和观测的降水等级不一致，选择较大的降水等级作为检验的级别。

受地理纬度及海陆位置影响，1981—2010年夏季中国东部平均日降水空间分布(图1a)整体上从东南向西北递减，高值区主要位于华南地区，各台站最高为13.88 mm·d-1，最低为1.46 mm·d-1。由于极端降水相对阈值的界定来源于各台站自身的降水序列，故其空间分布(图1b)整体与平均日降水类似，高值区主要集中在华南沿海、长江中下游地区及淮河流域，最高可达91.92 mm。南方大部分台站的相对阈值可以超过以50 mm为标准的绝对阈值，但长江流域和珠江流域交界地区以及浙江东部相对较低。北方除黄淮地区、环渤海地区和辽东半岛部分台站外，大部分台站的相对阈值要低于暴雨等级。

各台站夏季绝对极端和相对极端降水事件累计降水量占总降水量比例的空间分布(图1c、d)因极端阈值界定方法的不同而有所区别，前者存在较大的空间差异。陕西、山西、内蒙古、黑龙江、吉林等省份夏季暴雨累计降水量占总降水量的比例较低，最低的台站仅为1.83%，这些地区虽然单次暴雨过程的降水量要远大于夏季平均日降水量，但暴雨频数低。华南沿海地区暴雨频数较其他地区高，其1981—2010年夏季的暴雨日数占总日数仍不足8%，而其暴雨累计降水量最高可占58.43%，由此可见极端降水研究的重要性。相对极端降水事件的空间差异显著减小，各台站中占比最低为24.71%、最高为39.65%，高值区主要位于长江以南沿海地区、河北南部、河南及环渤海地区。

图2 中国东部台站1999—2010年夏季逐日降水量观测值与模式在不同预报时间(a、f、k. 1 d， b、g、l. 4 d， c、h、m. 8 d， d、i、n. 11 d, e、j、o. 15 d)对应的预报值的散点图(a—e. ECMWF， f—j. NCEP， k—o. CMA；
紫/黄色点表示预报值高/低于观测值50 mm及以上，灰色点和蓝色虚线之间区域表示预报误差小于50 mm，灰色实线表示预报误差为0，灰色虚线表示50、100、250 mm降水量)Fig.2 Scatter plot between daily precipitation observed at eastern China stations during the summer of 1999-2010 and corresponding forecast values of different models (a-e. ECMWF, f-j. NCEP, k-o. CMA) at different forecast times (a/f/k. 1 d, b/g/l. 4 d, c/h/m. 8 d, d/i/n. 11 d, e/j/o. 15 d; the purple/yellow dots indicate that the forecast value is at least 50 mm higher/lower than the observed value, the grey dots, namely the dots between the blue dashed lines, indicate that the forecast error is less than 50 mm, the grey solid line indicates that the forecast error is equal to 0, and the grey dashed lines indicate the precipitation of 50, 100, and 250 mm, respectively)

在研究时间段的1999—2010年夏季，各台站在绝对和相对阈值标准下极端降水事件的频数分别如图1e和图1f所示。华南沿海地区暴雨最频繁，最高可达88次；
其次为浙闽交界沿海地区、长江中下游部分地区及淮河流域。华北、内蒙古、东北地区发生暴雨较少，但其中沿海地区尤其是鸭绿江口附近地区暴雨较多。在相对阈值标准下，东北及内蒙古地区各台站可用于研究的极端降水事件数目明显增加，最少为8次，降低了评估的偶然性，增加了研究的可信度；
频数高值区依然位于华南地区，最多为44次。

不同预报时间下1999—2010年夏季台站逐日降水量观测值及其对应的模式预报值散点分布如图2所示。在理想状况下，各模式降水预报误差为0，降水事件应位于灰色实线上，但与实际情况存在较大出入。随着预报时间的增长，各模式中降水事件的整体分布由较为松散转为相对集中，逐渐向坐标轴方向发生偏离，预报误差增大，呈现当观测偏湿时预报倾向偏干、当观测偏干时预报倾向偏湿的特点。在同一预报时间下，ECMWF的降水事件分布更为松散，更接近偏差较小的蓝色虚线之间区域；
CMA的分布更为集中，更远离偏差较小区域；
NCEP处于二者之间。此外，预报偏低的降水事件要多于预报偏高的事件，且无论观测降水的多少，各模式预报值基本达不到特大暴雨等级。而对于观测实际发生的特大暴雨事件，ECMWF在提前1 d时对个别事件预报较好，但CMA对其的预报基本达不到暴雨等级，误差极大。综上所述，各S2S模式的降水预报值与观测值之间存在较大偏差，其误差大小和相关性强弱将在下文进行展开说明。

3.1 均方根误差

为评估S2S模式在中国东部降水预报值的整体偏差大小，计算其在不同降水事件下的RMSE(图3a—c)。各模式的RMSE随预报时间的增长均有所增加，并在14 d左右趋于饱和。RMSE在后期波动变化的原因主要在于各模式的回报频率被统一为一周两次，不同预报时间对应的降水事件不完全相同。在所有降水事件中，预报前期ECMWF表现最佳、NCEP次之、CMA相对较弱，模式间差异较小，但其RMSE已超过绝大部分台站的夏季平均日降水。ECMWF的RMSE增长速度最快，在预报后期的饱和值最高。在绝对极端降水事件中，三者的RMSE在提前1 d预报时即可达到暴雨等级，其中CMA超过70 mm，已接近其饱和RMSE。相对极端降水事件中各模式表现与暴雨事件类似，但数值有所减小。由此可见，S2S模式对中国东部夏季日降水预报存在较大误差，具有很大的改进空间。

图3 1999—2010年夏季所有降水(a、d、g)、绝对极端降水(b、e、h)、相对极端降水(c、f、i)事件中各模式降水预报值与观测值的RMSE(a—c)、相关系数(d—f)和MSSS(g—i)随预报时间的变化(图d中圆点表示通过置信水平为90%的显著性检验)Fig.3 Variations of RMSE (a-c), correlation coefficient (d-f), and MSSS (g-i) of forecast and observed precipitation with forecast time in all (a/d/g), absolute extreme (b/e/h), and relative extreme (c/f/i) precipitation events during the summer of 1999-2010 (in Fig.3d, dots denote passing the significance test at 90% confidence level)

由于区域平均会中和各台站的具体信息，为探究S2S模式预报RMSE在各台站的具体情况，绘制其空间分布图(图4)，发现各台站的RMSE基本随着预报时间的增长而增加。

在所有降水事件(图4a)中，提前1 d预报时CMA在长江中下游地区的RMSE要高于其余两个模式，提前15 d预报时ECMWF在海河流域及其以南地区的RMSE明显更高，这与空间整体情况(图3a)相吻合。此外，RMSE的空间分布与夏季平均日降水类似，降水量越多的台站其RMSE相对越大。

在绝对极端降水事件(图4b)中，提前1 d预报时CMA的RMSE极高且随预报时间的增长变化相对不明显，这也与区域平均情况(图3b)相吻合。相对极端降水事件(图4c)与绝对事件相比，RMSE的空间分布更具有规律性。相对阈值低于绝对阈值的地区RMSE减小，相对阈值高于绝对阈值的华南沿海及长江中下游地区RMSE增加，这进一步验证了模式预报RMSE在观测降水量越多时通常越大。

3.2 相关系数

为评估S2S模式在中国东部夏季日降水预报值与观测值之间的相关性，计算了不同降水事件下二者之间的相关系数。在所有降水事件(图3d)中，ECMWF、NCEP和CMA可以通过显著性检验的具有预报技巧的天数分别为11 d、9 d和5 d；
各模式的相关系数逐渐降低并在14 d左右变化波动趋于平缓，甚至在个别预报时间下呈负相关。在极端降水事件(图3e、f)中，相关系数始终较小，无法通过显著性检验，缺乏预报技巧，但前期仍存在随预报时间的增长而降低的趋势，且各模式出现负相关系数的情况增加。

图4 各模式在不同预报时间(1、4、8、11、15 d)的降水预报RMSE(色阶，单位：mm)空间分布(a.所有降水，b.绝对极端降水，c.相对极端降水)Fig.4 Spatial distribution of RMSE (color scale, units: mm)of precipitation forecast by different models at different forecast times (1, 4, 8, 11, and 15 d) (a. all precipitation, b. absolute extreme precipitation, c. relative extreme precipitation)

为探究各台站相关系数的具体情况，绘制其空间分布图(图5)。在所有降水事件中(图5a)，3个模式提前1 d预报时的所有台站均可通过显著性检验，但CMA的相关性相对较低。此后各台站相关系数迅速降低，能够通过显著性检验的台站数目大幅减少，其中ECMWF的衰减速度最慢、NCEP次之、CMA相对最快，呈负相关的台站逐渐增多。当提前15 d预报时，虽然各模式在中国东部的平均相关系数均不显著，部分台站自身仍可通过显著性检验且分布较为集中，但此时其RMSE已趋近饱和，故模式预报结果的可信度仍较低。此外，个别台站出现预报时间较短时不显著、预报时间更长时反而显著的情况，这一方面可能与模式的回报频率有关，另一方面可能与模式在较长时间下的预报结果不稳定有关，这也与区域平均相关系数的波动变化相吻合(图3d)。

图5 同图4，但为相关系数(色阶，黑色圆圈表示正相关系数通过置信水平为90%的显著性检验)Fig.5 The same as Fig.4, but for correlation coefficient (color scale, the black circle indicates that the positive correlation coefficient passes the significance test at 90% confidence level)

在极端降水事件(图5b、c)中，整体而言呈负相关的台站逐渐增多。针对单个台站进行分析，与所有降水事件中相关系数连续衰减至0附近不同，大部分台站的正负相关系数均较大，呈振荡衰减。其一方面与极端降水事件样本数量相对较少有关，计算结果具有一定的偶然性；
另一方面与极端降水预报的困难性有关。当预报时间较长时，在所有降水事件中，各台站的相关系数均较小致使区域平均相关系数小；
而在极端降水事件中，各台站的相关系数较大且台站间差异大，经平均后各台站的具体信号被中和致使区域平均相关系数在0附近波动。此外，由于当极端降水事件达到3次及以上时才进行相关系数的计算，受样本数量的影响，绝对极端降水事件与相对事件相比，北方部分台站出现缺省情况。但通过区域平均(图3e、f)可以发现，极端降水临界阈值的界定方法对模式预报的区域整体表现影响较小。

3.3 均方技巧评分

为探究S2S模式预报与直接采用降水观测平均值为预报值的“气候态”预报之间的技巧差异，对不同降水事件下各模式中国东部夏季日降水预报的MSSS(图3g—i)进行计算，其随预报时间的增加而逐渐降低且ECMWF的衰减速度最快，各模式在14 d左右变化波动趋于平缓。在所有降水事件中，ECMWF、NCEP和CMA预报结果优于气候态预报、具有预报技巧的天数分别为4 d、3 d和2 d。在极端降水预报中，各模式在MSSS方面均无预报技巧。提前1 d预报时ECMWF和NCEP预报的均方误差可达气候态预报均方误差的2倍以上，CMA的MSSS要远小于前两者且已接近误差饱和状态。当预报时间在14 d之内时，各模式表现为ECMWF最好，NCEP次之，CMA稍差；
当预报时间超过14 d时，三者之间的差异很小。

图6 同图4，但为MSSS(色阶)Fig.6 The same as Fig.4, but for MSSS (color scale)

在空间分布方面，所有降水事件(图6a)中，1 d时除了位于华北、华南和福建的个别台站外，各模式在绝大部分台站具有预报技巧，ECMWF和NCEP在华东、黄河流域和辽东半岛表现较好。同一模式中各台站的MSSS相对接近且CMA的台站间差异最小，但其MSSS相对也最低。黄河以北地区的MSSS降低迅速，南方下降速度相对较慢，南北差异逐渐呈现，且CMA最为显著、界限分明。CMA在11 d时的杭州湾沿岸地区MSSS较低，此信号在15 d时又消失，这与模式的回报频率有关。此外，15 d时NCEP在黄河以北的表现要明显优于其他两个模式。以MSSS为标准进行衡量，与“气候态”预报相比，各模式在4 d后基本失去预报技巧，在减缓北方MSSS衰减速度方面仍有很大的进步空间。

在极端降水事件(图6b、c)中，绝大部分台站无预报技巧，各模式1 d时在海河入海口及东北地区的MSSS与其他台站相比较低，存在一定的南北差异，但此差异随预报时间的增长而逐渐减小。相对极端降水事件与绝对事件相比，长江中下游及华南沿海等相对阈值高于绝对阈值、极端降水量升高、事件数减少的地区MSSS降低，而陕西、山西、内蒙古、黑龙江、吉林等相对阈值低于绝对阈值、极端降水量降低、事件数增多的地区MSSS升高。由于所有降水和绝对极端降水事件中降水量高、事件数多的南方相比于降水量低、事件数少的北方MSSS表现更好，推断MSSS可能与降水事件频数有关。当观测降水事件越多时，其“气候态”预报值更为稳健，更有利于该地的降水预报。

4.1 所有降水和极端降水预报检验

根据各台站24 h累计降水量是否大于0、是否大于等于50 mm和是否大于等于其相对阈值，可分别进行所有降水、绝对和相对极端降水的预报检验(图7)，各项指标随预报时间的增长逐渐变差至波动变化趋于平稳。

对于空报率(图7a—c)而言，NCEP在所有降水事件的整体表现最优、ECMWF次之、CMA相对较差。在极端降水事件中，尽管ECMWF和NCEP差异不大，但ECMWF表现更优，CMA在10 d时间内的空报率明显较高。各模式的极端降水饱和空报率为97%左右，这表示当模式预报极端降水发生时，实际几乎不发生极端降水。

各模式的漏报率(图7d—f)在所有降水中要远小于空报率，但在极端降水中恰好相反。在所有降水事件中，各模式提前1 d预报时差别不大，但随预报时间的增长，NCEP的漏报率极速增加，最终上升近20百分点。CMA在5 d后整体表现最优，漏报率基本低于5%。但在极端降水事件中，CMA提前1 d预报的漏报率已趋于饱和，饱和漏报率接近100%，说明CMA对中国东部夏季日降水事件发生的预报较为准确，但对极端降水的预报值普遍偏小，基本无法达到极端降水的等级。此外，尽管ECMWF和NCEP在较短预报时间内的表现要优于CMA，其最低漏报率也接近80%，饱和漏报率与CMA相似，这与降水量观测值及其对应的模式预报值分布(图2)相吻合。各S2S模式对于极端降水的空报率和漏报率表现均不佳且漏报率更高，亟待改进。

TS评分(图7g—i)方面，在所有降水事件中，CMA和ECMWF的表现相当，且CMA在较长预报时间下的表现最佳，基本处于0.5以上。NCEP在5 d内表现较好，但降低速度快，此特征也与其空报率和漏报率的表现一致。在极端降水事件中，ECMWF和NCEP提前1 d预报的TS评分可达0.1以上，但同时会迅速降低至0附近；
CMA的TS评分始终不足0.03，对极端降水事件是否发生基本无预报能力。

图7 1999—2010年夏季所有降水(a、d、g)、绝对极端降水(b、e、h)、相对极端降水(c、f、i)事件中各模式预报的空报率(a—c)、漏报率(d—f)和TS评分(g—i)随预报时间的变化Fig.7 Variations of FAR (a-c), MAR (d-f), and TS (g-i) of different model forecasts with forecast time in all (a/d/g), absolute extreme (b/e/h), and relative extreme (c/f/i) precipitation events during the summer of 1999-2010

4.2 绝对极端降水分级检验

为探究S2S模式对不同等级暴雨的预报技巧，开展绝对极端降水分级检验(图8)，发现各项指标的表现随着降水等级的升高而变差。

以空报率(图8a—c)为指标进行衡量，各模式在暴雨和大暴雨预报中的表现较为接近，但对于特大暴雨出现大量缺省情况。这说明在所研究的时间段内其对应的预报时间下，模式日降水量预报值均低于250 mm，无法达到特大暴雨等级。相对而言，ECMWF预报特大暴雨发生的情况较多，但其空报率达到100%，NCEP和CMA几乎不预报特大暴雨的发生。

各S2S模式对各暴雨等级的漏报率(图8d—f)均极高，说明当实际发生暴雨事件时，模式预报的降水等级往往偏低，其中ECMWF表现较优，CMA对任一暴雨等级的漏报率表现均较差。对于特大暴雨，3个S2S模式在所研究降水事件中的漏报率均为100%。

图8 绝对极端降水事件中ECMWF(a、d、g)、NCEP(b、e、h)、CMA(c、f、i)模式针对不同降水量等级的空报率(a—c)、漏报率(d—f)和TS评分(g—i)随预报时间的变化Fig.8 Variations of FAR (a-c), MAR (d-f), and TS (g-i) of ECMWF (a/d/g), NCEP (b/e/h), and CMA (c/f/i) models for different precipitation grades in absolute extreme precipitation events with forecast time

在TS评分(图8g—i)方面，当预报时间较短时，ECMWF和NCEP对暴雨和大暴雨的发生预报具有一定的准确率；
但对于特大暴雨，二者的TS评分基本为0，对其几乎无预报能力。CMA对任一暴雨等级的TS评分均接近于0，说明CMA基本无法正确预报绝对极端降水事件的发生。

利用中国地面气候资料日值数据集(V3.0)的台站降水观测数据对中国大陆东部夏季日降水和极端降水基本情况展开了研究，并评估了CMA、ECMWF和NCEP的3个S2S模式在公共回报期1999—2010年对其的预报技巧，主要结论如下：

(1)中国东部夏季极端降水相对阈值高值区主要分布在华南沿海、长江中下游地区及淮河流域，各台站夏季极端降水对总降水有较大的贡献。

(2)各S2S模式对中国东部夏季日降水预报存在较大偏差。随预报时间的增长，各模式均呈现出当观测偏湿(干)时预报倾向偏干(湿)的特点，各项评估指标逐渐变差并在14 d左右变化波动趋于平缓。各模式整体表现为ECMWF最优、NCEP次之、CMA相对较弱，在S2S时间尺度基本丧失预报技巧，具有很大的改进空间。极端降水临界阈值的界定方法会直接影响单个台站的评估结果，但对区域整体预报技巧影响不大。

(3)整体而言，S2S模式预报的RMSE在观测降水量越多时往往越大；
其相关系数在所有(极端)降水事件中呈连续(振荡)衰减，甚至出现负相关；
MSSS在所研究降水事件较多的情况下表现更好，因为其“气候态”预报值更稳健，更有利于降水预报。

(4)各S2S模式在所有降水的空报率要远高于漏报率，但在极端降水中恰好相反。在绝对极端降水分级检验中，各项指标的表现逐级变差，NCEP和CMA模式的逐日降水量预报基本不出现特大暴雨，且CMA对极端降水事件发生的预报准确率较低。

对3个S2S模式降水回报数据的控制预报进行了预报技巧评估，计划在未来针对实时预报数据展开相应研究以掌握各模式最新预报水平并考虑集合成员数量对预报技巧的影响。此外，今后会探究各模式预报技巧差异的产生原因和影响因子，剖析模式参数化方案等对降水预报的影响，以便为S2S模式降水预报技巧的提高提供新的见解。