华南复杂地形下GRAPES_Meso 3 km对流尺度模式前汛期精细化降水预报评估

陈静 庞波 吴政秋 陈法敬 陈雨潇 刘昕 马雅楠

摘要 为深入认识GRAPES_Meso（Global/Regional Assimilation and Prediction System）3 km对流尺度区域模式对华南前汛期精细化降水的预报性能，为模式改进及业务应用提供参考依据，利用广东省86个站点逐小时观测降水资料和国家气象信息中心多源融合降水資料，针对广东省复杂地形特点，结合距海岸线的远近及站点地形特点，将86个站划分为沿海东部、沿海西部和内陆地区三个子区域，采用二分类降水预报检验方法，定量评估了2020年5月18日—6月18日华南前汛期降水预报效果。结果显示，GRAPES_Meso 3 km模式精细化降水预报技巧受广东复杂地形影响较大，广东沿海东部和内陆地区24 h时累积降水的小雨、中雨、大雨量级预报成功指数（Threat Score，TS）、公平成功指数（Equitable Threat Score，ETS）评分高于沿海西部地区，尽管暴雨预报评分具有此相同特征，但三个子区域的暴雨预报评分总体较低;从 3 h累积降水预报评分看，沿海东部、沿海西部及内陆地区等三个子区域存在明显的日变化特征，但是沿海东部及西部与内陆地区表现有所不同，沿海东部和西部降水预报评分夜间较低（预报偏差偏高），白天相对较高（预报偏差偏低），而内陆地区则是夜间较高（预报偏差偏低），白天相对较低（预报偏差偏高）。沿海西部预报评分相对较低的原因是由于检验时段内广东地区存在一个弱的风切变，而沿海西部大部分地区正好处于切变线南侧的温度高值区控制，但模式模拟该区域的日平均温度较实况偏低，导致沿海西部模式预报降水空报较多，降低其降水预报技巧。

关键词华南前汛期;GRAPES对流尺度模式;精细化降水预报;检验评估

众所周知，随着5月中下旬南海夏季风爆发，印度洋低层西南季风为华南输送大量水汽，华南地区进入暴雨频发时段（吴志伟等，2006;陈静等，2019），俗称华南前汛期。受华南复杂地形和天气系统影响，华南前汛期暴雨发生频数多，降水强度大，持续时间长，研究显示，华南前汛期平均暴雨日数和暴雨量占全年的一半（胡娅敏等，2014），因此，准确预报华南前汛期降水对保护人们生命和财产安全具有重要意义。

随着数值预报模式和资料同化技术进步、模式云微物理等物理参数化方案逐渐完善（Bauer et al.，2015），2～4 km水平网格距的对流尺度模式可较好地模拟出复杂地形下的气流及对流组织发展过程（Meng et al.，2012），成为对流降水预报的重要手段（毕宝贵等，2016）。国内外学者利用美国WRF（Weather Research and Forecast Model）对流尺度模式开展了华南区域预报试验和评估。 Zhu et al.（2018）发现WRF对流尺度较中尺度模式能更好地刻画出精细的强降水强度和位置。Li et al.（2020）指出WRF对流尺度模式可以更准确地描述降水日变化过程，特别是午后降水与观测更匹配。进一步，Yu et al.（2020）对比分析了4、12 km水平分辨率WRF模式在华南沿海和内陆区域的降水预报效果，发现沿海地区降水预报能力优于内陆地区，且4 km模式降水预报均优于12 km模式。

GRAPES（Global Regional Assimilation and Prediction System）模式系统是我国科学家自主研发的全球/区域预报系统，包括了全球确定性预报模式和集合预报模式（李晓莉等，2019;陈静和李晓莉，2020;Shen et al.，2020）、区域确定性和集合预报模式（张涵斌等，2014;陈浩等，2017;马旭林等，2018;夏宇等，2018），在降水相态等强对流天气中表现出了较好的潜力（佟华和张玉涛，2019）。覆盖中国区域的GRAPES_Meso 3 km是GRAPES模式体系中的对流尺度模式，于2018年实现了业务化运行，预报产品下发全国，已为预报业务部门提供较好地应用支撑。吴亚丽等（2018）选取2015年6月15日发生在粤西沿海地区的一次暖区暴雨个例进行数值试验，表明GRAPES_Meso 3 km对流尺度模式初始水汽和云中水物质条件的改进很大程度上能提高华南暖区暴雨的预报能力。

众所周知，模式降水预报检验评估不仅有助于改进模式，还有助于认识暴雨预报能力，促进预报水平提升。许晨璐等（2017）从降水累积量、降水频率、强度等多个角度评估了GRAPES_Meso 3km模式在中国东部降水预报性能，发现该模式可以较好地捕捉到中国东南部降水量、降水频率及地域分布特征，对短时强降水预报有一定优势，但对一般性降水强度预报则偏弱。张小雯等（2020）利用成功指数评分（Threat Score，TS）和分数技巧评分（Fraction Skill Score，FSS）评估了GRAPES_Meso 3 km强对流天气预报性能，发现该模式对风暴等强对流天气的预报明显优于其他模式，起报时间越新预报效果越好。钟水新（2020）指出GRAPES_Meso 3 km模式对粤北和广西东北部地区降水模拟比实况偏高，对粤北山区的强降水中心、以及南岭山脉背风波降水低值中心有一定模拟能力。也有不少学者利用集合预报开展了复杂地形下强降水预报效果的评估。陈良吕等（2020）采用重庆市气象局业务运行的WRF 3km对流尺度模式集合预报系统，通过改变不同成员的地形插值方案和地形平滑方案研究了西南地区集合降水预报效果，发现对流尺度集合预报模式在一定程度上能改进复杂地形下降水预报效果。王婧卓等（2021）对比不同版本的GRAPES中尺度集合降水预报效果，发现水平分辨率10 km的GRAPES区域集合预报降水预报效果总体上优于15 km分辨率的，且在小雨和暴雨预报方面优于ECWMF全球集合降水预报效果。刘雪晴（2020）采用FSS评分、AROC评分和BS评分等多种检验方法评估集合降水预报效果，均表现出较高的预报技巧。

上述研究表明，GRAPES_Meso 3 km对流尺度模式对中国区域强对流天气精细化预报具有明显优势，但是针对华南前汛期降水定量统计检验较少，因此有必要对GRAPES_Meso 3 km对流尺度模式对华南前汛期降水预报进行深入的评估检验。本研究针对广东省复杂地形特点，将广东省站点根据距离海岸线的远近分为沿海东西部、沿海东部和内陆地区三个子区域，利用广东省站点逐小时观测降水资料和国家气象信息中心多源融合降水资料，采用二分类检验方法，通过TS评分、公平成功指数评分（Equitable Threat Score，ETS;Schaefer，1990）、预报偏差Bias（Donaldson et al.，1975）等检验指标，检验评估GRAPES_Meso 3 km对流尺度模式在华南前汛期降水预报性能，分析华南复杂地形对GRAPES_Meso 3 km对流尺度模式降水预报的影响，探究影响GRAPES_Meso 3 km模式降水预报能力的可能原因，以期为改进GRAPES_Meso 3 km对流尺度模式、集合预报和预报应用提供参考依据。

1 模式、资料及研究方法

1.1 GRAPES_Meso 3 km对流尺度模式简介

GRAPES_Meso 3 km对流尺度模式由中国气象局数值预报中心自主研发（Shen et al.，2020），模式参数设置如表1所示。模式动力框架采用了地形追随坐标、半隐式半拉格朗日差分方案、全可压非静力平衡动力框架。云物理过程采用WSM6云微物理方案（Hong et al.，2006）;辐射方案采用RRTM长波辐射方案（Mlawer et al.，1997）和Dudhia短波辐射方案（Dudhia，1989）;近地面层方案采用Monin-Obukhov方案（Beljaars and Holtslag，1991）;陆面过程采用Noah（Ek et al.，2003）;边界层方案采用MRF边界层方案（Hong and Pan，1996），无积云参数化方案。模式积分步长为30 s，背景场和边界条件采用NCEP全球模式当前时刻分析和预报资料，利用云分析方案（Xue et al.，2000）同化了中国区域卫星和雷达资料。模式预报资料区域为70°～145°E、10°～60.1°N，水平分辨率为0.03°×0.03°，垂直层数为50层，预报时效为36 h。

1.2 资料

预报资料时段为华南前汛期（2020年5月18日—6月18日）GRAPES_Meso 3 km模式00时（世界时，下同）起报的逐小时降水预报资料。观测资料采用中国气象局数值预报中心检验资料库站点逐小时降水、2 m温度、气压，10 m风等资料，观测站点选择是从国家级地面自动气象观测站（2 402个）中选取的广东省86个站（站点分布如图1所示）。此外，还采用了同期水平分辨率0.05°×0.05°的地面-卫星-雷达三源融合降水分析产品（CMA Multi-source merged Precipitation Analysis Systen，CMPAS;潘旸等，2015），在模式降水预报偏差成因分析中，选取了水平分辨率为0.25°×0.25°的欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA5再分析资料。

1.3 研究方法

1.3.1 廣东省三个子区域分类

针对华南复杂地形特点，以广东省（109°～118°E，20°～26°N）为代表进行研究。首先分析了广东省近30年（1983—2013年）5月和6月95%百分位的日降水量的空间分布，这2个月的空间分布类似，图1a给出了6月分布。从图1a可见，华南近汛期强降水存在三个大值区，位于沿海东部、西部和内陆。结合Chen et al.（2018）研究方法，将广东省86个站点分为沿海西部、沿海东部和内陆地区三个子区域，用于检验评估GRAPES_Meso 3 km模式在华南前汛期降水预报性能，表2是三个子区域站点分类详情。从图1b中可见，第一个子区域是距海岸线距离小于130 km的沿海西部站点，编号为1～23号，简称沿海西部，该子区域有三条主要山脉，从北向南依次为云开山、云雾山和天露山;第二个子区域是距海岸线距离小于130 km的沿海东部的35个站点（编号24～58号），简称沿海东部，该子区域中有罗浮山、莲花山等主要山脉，莲花山脉是广东省最主要的山脉，呈东北西南走向，主峰莲花山海拔高度达1 336 m;第三个子区域是距海岸线距离大于130 km的28个站点（编号59～86号），简称内陆地区，该子区域中包含了九莲山、青云山和南岭等诸多山脉，海拔高度平均大于500 m。

1.3.2 检验指标

检验指标采用世界气象组织（World Meteorological Organization，WMO;WMO，2009）推荐的二分类降水预报检验方法。对某一单站，统计检验时段内（2020年5月18日—6月18日）不同降水量级预报样本命中数（a）、空报数（b）、漏报数（c）、正确否定数（d）（表3），并利用式（1）—（6）计算命中率（hit rate）、空报率（false alarm rate）、漏报率（miss rate）、成功指数（Threat Score，TS）、公平成功指数（Equitable Threat Score，ETS）和预报偏差（Bias Score，BS）等多种检验评分，其中观测与预报的匹配方法采取临近点匹配方法（WMO，2009），即以距离观测站点最近的模式格点预报值作为该站点预报值。根据每个站点检验结果绘制预报评分的空间分布和时间变化图，重点分析24 h累积降水和3 h累积降水预报评分（其中24 h累积降水小雨、中雨、大雨、暴雨检验阈值分别定义为0.1、10、25、50 mm;3 h小雨、中雨、大雨、暴雨检验阈值分别定义0.1、3、10、20 mm），评估GRAPES_Meso 3 km对流尺度模式华南降水预报效果。

从评分定义可见，成功指数TS评分取值范围为0～1，当TS为1时，为理想评分;当TS为0时，表示无预报技巧。预报偏差Bias评分值越接近1越好，当Bias为1，表示漏报率和空报率相当;当Bias 小于 1时，漏报次数大于空报次数;否则相反，表示空报次数大于漏报次数。ETS取值范围为-1/3～1，其理想评分为1，评分值为零或者为负时表示无预报技巧。

2 结果分析

2.1 预报与实况日平均降水量空间分布对比特征

图2是2020年5月18日—6月18日CMPAS三源融合日平均降水与GRAPES 3 km模式24 h预报降水对比。从图2a可见，广东省沿海东部和内陆区域实况降水量明显大于沿海西部。沿海东部和内陆地区日平均降水普遍大于10 mm，有5个日平均最大降水量大于35 mm的强降水中心，主要位于东部海岸线、莲花山脉附近及内陆区域，沿海东部的佛岗站（58号）日平均降水量达50 mm;而沿海西部的降水总体偏少，大部分站点日平均降水量不足4 mm，最大降水中心位于天露山，日平均降水达20 mm。从图2b可以，模式预报最大降水中心区主要发生在沿海东部和内陆地区，但强降水中心位置和强度与实况有显著差异，日平均降水大于10 mm降水预报区域明显小于实况区域，总体而言，GRAPES_Meso 3 km模式对华南前汛期降水预报较实况偏弱，落区精细化分布不足;而沿海西部降水量预报明显小于沿海东部和内陆地区，最大降水中心位置位于沿海西部海岸线附近，与实况强降水中心位置差异较大。

华南前汛期正处于南海季风爆发后的特殊阶段，水汽输送的预报误差可影响降水预报技巧。图3是检验时段内广东省1 000 hPa水汽通量、水汽通量散度、散度场、和涡度场空间分布，可以看到，水汽主要来自南海西南水汽输送，到达海岸线附近后，分为两支，一支折向西北内陆，一支两北方输送。平均水汽通量大值区位于广东省沿海东部和沿海西部的沿海岸，西南气流先将南海水汽输送到沿海沿岸然后分成两股，一股继续西南而上，另一股转向东南风向西北方向输送，从水汽通量散度（图3b）可以看到，受海岸地形影响，广东省沿海地区的水汽通量散度为负值，在广东省整个沿海沿岸都为水汽的辐合区，导致沿海岸形成了相对明显的降水带（图3b）。

2.2 24 h累积降水检验评估

图4是三个子区域24 h累积降水预报TS评分分布，可见，各量级降水预报TS评分总体呈现出沿海东部和内陆地区高于沿海西部的特征，从小雨TS评分看，86个站点小雨TS评分均大于0.5，TS平均值达0.75，评分最大值是沿海东部的第64号站，高达0.964，最小值是沿海西部的第1号站点，仅为0.33;从中雨TS评分看，86个站点TS评分平均值为0.41，沿海东部和内陆区域TS评分值大于沿海西部，沿海西部部分站点TS评分值小于0.1;从大雨评分看，沿海东部大雨TS评分值为0.2～0.6，沿海西部TS评分值普遍小于0.2，内陆地区TS值为0.3～0.5;从暴雨评分看，沿海东部和内陆区域预报评分普遍为0.1～0.3，沿海西部评分值普遍小于0.1。

图5是检验时段内三个子区域24 h预报小雨、中雨、大雨和暴雨量级TS评分、ETS评分、Bias评分、命中率、空报率、漏报率。由图5a和图5b可见，沿海西部地区小雨、中雨、大雨和暴雨预报的TS和ETS评分是最低的，而沿海东部和内陆地区评分略高;Bias评分（图5c）显示预报偏差均大于1，表明模式对小雨、中雨、大雨和暴雨量级均存在空报情况，降水量级越大，偏差越大;三个子区域的命中率和漏报率随着降水量级的增大而逐渐减小，空报率则逐渐增大，相对而言，沿海东部命中率最高，其次是内陆地区，沿海西部的命中率最低。

2.3 3 h累积降水检验

Chen et al.（2018）研究表明，華南沿海降水日变化特征明显，早晨降水主要发生在海岸线或者海上，而午后降水通常发生在陆地。为了检验GRAPES_Meso 3 km模式精细化降水预报能力，重点对3 h累积降水预报进行分析评估。图6是广东省三个子区域0～36 h预报的3 h累积小雨、中雨、大雨和暴雨量级TS评分。从图6可见，沿海东部和内陆地区各时次各量级降水TS评分普遍高于沿海西部，特别是小雨、中雨、大雨量级更为明显;同时，沿海东部和沿海西部的小雨、中雨、大雨TS评分具有相同日变化特征，即自6 h预报时效后 TS评分值逐渐上升，约在18 h预报时效TS评分达到最大值，随后评分值逐渐下降，至27 h预报时效达到最低值后又逐渐增加，呈现出夜晚评分值相对较高，白天评分值相对较低的特点。而内陆地区TS评分日变化特征与沿海东部和西部不同，呈现出夜晚评分值相对较低，白天评分相对较高的特点，具体不再细述。但值得注意的是，三个子区域的暴雨量级TS评分值随预报时效增加而逐渐下降，降水评分值的日变化特征均不明显。沿海东部和沿海西部的ETS评分（图7）日变化特征与TS评分较为一致。总体而言，内陆地区和沿海东部地区ETS评分大于沿海西部。三个子区域Bias评分也存在一定的日变化（图8），除沿海西部Bias评分值在0900 UTC至1200 UTC小于1，其余时次各子区域的Bias评分值均大于1。值得注意的是，沿海东部和沿海西部Bias值在夜间偏高，沿海西部凌晨暴雨Bias值甚至超过了5，而内陆地区Bias则是白天偏高。

上述研究表明，GRAPES 3 km对流尺度模式对华南沿海东部、沿海西部、内陆地区三个子区域降水预报评分存在明显差异。为了分析不同子区域降水预报评分差异的可能原因，对比分析了GRAPES_Meso 3 km模式预报场与ERA5再分析场异同。图9是在检验时段内广东省2 m温度和1 000 hPa风场平均（图9）。从图9a可见，ERA5再分析资料给出检验时段内广东省日平均温度为24～30 ℃，主要受西南暖湿气流区控制，沿海西部北侧存在一个弱的风切变，切变线以南温度较高，最高温度达29 ℃，切变线北侧地区为温度低值区。而GRAPES_Meso 3 km模式预报沿海西部（沿海东部）日平均温度较ERA5分析略偏低（偏高），沿海西部的云雾山脉阻挡了冷空气南下，而沿海西部大部分地区正好处于切变线南侧的温度高值区控制，尽管GRAPES_Meso 3 km模式预报该地区日平均温度较ERA5偏低，但与沿海东部和内陆地区相比偏高，暖区降水特征更为显著，模式预报降水空报较多，预报能力相对较弱。

3 总结与展望

基于GRAPES_Meso 3 km对流尺度模式，选取2020年5月18日—6月18日广东省86个站点逐小时观测降水资料和国家气象信息中心多源融合降水资料，并根据这些气象观测站距海岸线距离和地形特征，将其划分为沿海东部、沿海西部和内陆地区三个子区域，采用传统的二分类降水预报检验方法，定量评估了沿海东部、沿海西部和内陆地区降水预报效果。检验评估指标主要包括降水TS评分、ETS评分和预报Bias评分，并初步探究了模式对不同区域降水预报能力存在差异的可能原因。获得如下主要结果和结论：

1）GRAPES_Meso 3 km精细化降水预报评分与广东复杂地形密切相关，沿海东部和内陆地区24 h累积降水小雨、中雨、大雨及暴雨预报成功指数TS评分、公平成功指数ETS评分高于沿海西部地区，但三个子区域暴雨预报技巧均较低。

2）从 3 h累积降水预报评分看，三个子区域预报评分具有明显的日变化特征，但是沿海地区与内陆地区表现有所不同。沿海东部和沿海西部预报技巧夜间较低，白天相对较高，而预报偏差则表现为夜间偏高，白天偏低的特征。内陆地区预报技巧则是夜间较高，白天相对较低，预报偏差则是夜间偏低，白天相对偏高。

3）GRAPES_Meso 3 km对流尺度模式对广东省三个子区域降水预报存在差异，可能与检验时段内广东地区存在的一个弱风切变有关，沿海西部大部分地区正好处于切变线南侧的温度高值区控制，但模式预报该地区温度较再分析资料偏低，导致沿海西部模式预报降水空报较多，降低了降水预报评分。

需要指出的是，上述结果和结论仅是对GRAPES_Meso 3 km模式2020年华南前汛期降水预报进行了检验评估，未来需要开展更多时段和更多个例的应用评估。此外，采用传统的二分类方法评估高分辨率模式降水预报效果有一定的局限性，本研究后期可以采用Roberts and Lean（2008）提出的FSS（Fractional Skill Score）评分和Casati et al.（2004）提出的强度尺度分离法（ISV，Intensity-skill verification）进一步检验评估GRAPES_Meso 3 km对流尺度模式对华南降水预报效果，更深入认识GRAPES_Meso 3 km模式对华南降水预报效果。最后需要强调的是，由于GRAPES_Meso 3 km业务系统中应用了云分析方案同化雷达资料，改进了降水预报效果，但广东新建的双偏振雷达资料还未在GRAPES_Meso 3 km系统中获得应用，需要加强双偏振雷达资料的同化应用，改进短时预报降水偏差较大的问题。

参考文献（References）

Bauer P，Thorpe A，Brunet G，2015.The quiet revolution of numerical weather prediction[J].Nature，525（7567）：47-55.doi：10.1038/nature14956.

Beljaars A C M，Holtslag A A M，1991.Flux parameterization over land surfaces for atmospheric models[J].J Appl Meteor，30（3）：327-341.doi：10.1175/1520-0450（1991）030<0327：fpolsf>2.0.co;2.

毕宝贵，代刊，王毅，等，2016.定量降水预报技术进展[J].应用气象学报，27（5）：534-549. Bi B G，Dai K，Wang Y，et al.，2016.Advances in techniques of quantitative precipitation forecast[J].J Appl Meteorol Sci，27（5）：534-549.doi：10.11898/1001-7313.20160503.（in Chinese）.

Casati B，Ross G，Stephenson D B，2004.A new intensity-scale approach for the verification of spatial precipitation forecasts[J].Meteorol Appl，11（2）：141-154.doi：10.1017/S1350482704001239.

Chen G X，Lan R Y，Zeng W X，et al.，2018.Diurnal variations of rainfall in surface and satellite observations at the monsoon Coast （South China）[J].J Climate，31（5）：1703-1724.doi：10.1175/jcli-d-17-0373.1.

陳浩，陈静，汪矫阳，等，2017.观测误差对GRAPES区域集合预报影响的敏感性试验[J].大气科学学报，40（2）：193-201. Chen H，Chen J，Wang J Y，et al.，2017.Sensitivity tests of the influence of observation mean square error on GRAPES regional ensemble prediction[J].Trans Atmos Sci，40（2）：193-201.doi：10.13878/j.cnki.dqkxxb.20151102001.（in Chinese）.

陈静，李晓莉，2020.GRAPES全球/区域集合预报系统10年发展回顾及展望[J].气象科技进展，10（2）：9-18，29. Chen J，Li X L，2020.The review of 10 years development of the GRAPES global/regional ensemble prediction[J].Adv Meteor Sci Technol，10（2）：9-18，29.doi：10.3969/j.issn.2095-1973.2020.02.003.（in Chinese）.

陈静，刘凑华，陈法敬，等，2019.一种基于可预报性的暴雨预报评分新方法Ⅰ：中国暴雨可预报性综合指数[J].气象学报，77（1）：15-27. Chen J，Liu C H，Chen F J，et al.，2019.A new verification method for heavy rainfall forecast based on predictability Ⅰ：synthetic predictability index of heavy rainfall in China[J].Acta Meteorological Sinica，77（1）：15-27.doi：10.11676/qxxb2019.002.（in Chinese）.

陈良吕，夏宇，庄潇然，2020.WRF模式不同地形平滑方案对降水预报的影响[J].气象科技，48（5）：664-674. Chen L L，Xia Y，Zhuang X R，2020，Influence of different terrain smoothing schemes in WRF model on precipitation forecast[J].Meteorological Science and Technology，48（5）：664-674.doi：10.19517/j.1671-6345.20190451.（in Chinese）.

Donaldson R J，Dyer R M，Kraus M J，1975.An objective evaluator of techniques for predicting severe weather events[C]//Ninth conference on severe local storms.Amer Meteor Soc：321-326.

Dudhia J，1989.Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model[J].J Atmos Sci，46（20）：3077-3107.doi：10.1175/1520-0469（1989）046<3077：nsocod>2.0.co;2.

Ek M B，Mitchell K E，Lin Y，et al.，2003.Implementation of Noah land surface model advances in the National Centers for Environmental Prediction operational mesoscale Eta model[J].J Geophys Res：Atmos，108（D22）：8851.doi：10.1029/2002JD003296.

Hong S Y，Pan H L，1996.Nonlocal boundary layer vertical diffusion in a medium-range forecast model[J].Mon Wea Rev，124（10）：2322-2339.doi：10.1175/1520-0493（1996）124<2322：nblvdi>2.0.co;2.

Hong S Y，Lim K S，Kim J H，2006.The WRF single-moment 6-class microphysics scheme （WSM6）[J].J Korea Meteo，42（2）：129-151.

胡娅敏，翟盘茂，罗晓玲，等，2014.2013年华南前汛期持续性强降水的大尺度环流与低频信号特征[J].气象学报，72（3）：465-477. Hu Y M，Zhai P M，Luo X L，et al.，2014.Large scale circulation and low frequency signal characteristics for the persistent extreme precipitation in the first rainy season over South China in 2013[J].Acta Meteorol Sin，72（3）：465-477.（in Chinese）.

Li P X，Furtado K，Zhou T J，et al.，2020.The diurnal cycle of East Asian summer monsoon precipitation simulated by the Met Office Unified Model at convection-permitting scales[J].Climate Dyn，55（1/2）：131-151.doi：10.1007/s00382-018-4368-z.

李晓莉，陈静，刘永柱，等，2019.GRAPES全球集合预报初始条件及模式物理过程不确定性方法研究[J].大气科学学报，42（3）：348-359. Li X L，Chen J，Liu Y Z，et al.，2019.Representations of initial uncertainty and model uncertainty of GRAPES global ensemble forecasting[J].Trans Atmos Sci，42（3）：348-359.doi：10.13878/j.cnki.dqkxxb.20190318001.（in Chinese）.

刘雪晴，陳静，陈法敬，等，2020.降水邻域集合概率方法尺度敏感性试验[J].大气科学，44（2）：282-296. Liu X Q，Chen J，Chen F J，et al.，2020.Scale sensitivity experiments of precipitation neighborhood ensemble probability method[J].Chin J Atmos Sci，44（2）：282-296.doi：10.3878/j.issn.1006-9895.1903.18228.（in Chinese）.

马旭林，计燕霞，周勃旸，等，2018.GRAPES区域集合预报尺度混合初始扰动构造的新方案[J].大气科学学报，41（2）：248-257. Ma X L，Ji Y X，Zhou B Y，et al.，2018.A new scheme of blending initial perturbation of the GRAPES regional ensemble prediction system[J].Trans Atmos Sci，41（2）：248-257.doi：10.13878/j.cnki.dqkxxb.20160104001.（in Chinese）.

Meng Z Y，Zhang F Q，Markowski P，et al.，2012.A modeling study on the development of a bowing structure and associated rear inflow within a squall line over South China[J].J Atmos Sci，69（4）：1182-1207.doi：10.1175/jas-d-11-0121.1.

Mlawer E J，Taubman S J，Brown P D，et al.，1997.Radiative transfer for inhomogeneous atmospheres：RRTM，a validated correlated-k model for the longwave[J].J Geophys Res：Atmos，102（D14）：16663-16682.doi：10.1029/97JD00237.

潘旸，沈艷，宇婧婧，等，2015.基于贝叶斯融合方法的高分辨率地面-卫星-雷达三源降水融合试验[J].气象学报，73（1）：177-186. Pan Y，Shen Y，Yu J J，et al.，2015.An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method[J].Acta Meteorol Sin，73（1）：177-186.（in Chinese）.

Roberts N M，Lean H W，2008.Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events[J].Mon Wea Rev，136（1）：78-97.doi：10.1175/2007mwr2123.1.

Schaefer J T，1990.The critical success index as an indicator of warning skill[J].Wea Forecasting，5（4）：570-575.doi：10.1175/1520-0434（1990）005<0570：tcsiaa>2.0.co;2.

Shen X S，Wang J J，Li Z C，et al.，2020.Research and operational development of numerical weather prediction in China[J].J Meteor Res，34（4）：675-698.doi：10.1007/s13351-020-9847-6.

佟华，张玉涛，2019.GRAPES-MESO模式预报降水相态诊断及应用研究[J].大气科学学报，42（4）：502-512. Tong H，Zhang Y T，2019.Diagnosis of precipitation types and its application in the GRAPES-MESO forecasts[J].Trans Atmos Sci，42（4）：502-512.doi：10.13878/j.cnki.dqkxxb.20190416001.（in Chinese）.

王婧卓，陈法敬，陈静，等，2021.GRAPES区域集合预报对2019年中国汛期降水预报评估[J].大气科学，45（3）：664-682. Wang J Z，Chen F J，Chen J，et al.，2021.Verification of GRAPES-REPS model precipitation forecasts over China during 2019 flood season[J].Chin J Atmos Sci，45（3）：664-682.doi：10.3878/j.issn.1006-9895.2008.20146.（in Chinese）.

WMO，2009.Recommendations for the Verification and Intercomparison of QPFs and PQPFs from Operational NWP Models[R].

吴亚丽，蒙伟光，陈德辉，等，2018.一次华南暖区暴雨过程可预报性的初值影响研究[J].气象学报，76（3）：323-342. Wu Y L，Meng W G，Chen D H，et al.，2018.A study of the impact of initial conditions on the predict-ability of awarm-sector torrential rain over South China[J].Acta Meteorol Sin，76（3）：323-342.doi：10.11676/qxxb2018.001.（in Chinese）.

吴志伟，江志红，何金海，2006.近50年华南前汛期降水、江淮梅雨和华北雨季旱涝特征对比分析[J].大气科学，30（3）：391-401. Wu Z W，Jiang Z H，He J H，2006.The comparison analysis of flood and drought features among the first flood period in South China，Meiyu period in the Yangtze River and the Huaihe river valleys and rainy season in North China in the last 50 years[J].Chin J Atmos Sci，30（3）：391-401.（in Chinese）.

夏宇，陈静，刘艳，等，2018.GRAPES混合同化方法在青藏高原区域的初步试验[J].大气科学学报，41（2）：239-247. Xia Y，Chen J，Liu Y，et al.，2018.A tentative experiment of GRAPES En-3DVAR hybrid data assimilation method over the Tibet Plateau[J].Trans Atmos Sci，41（2）：239-247.doi：10.13878/j.cnki.dqkxxb.20160119001.（in Chinese）.

許晨璐，王建捷，黄丽萍，2017.千米尺度分辨率下GRAPES-Meso4.0模式定量降水预报性能评估[J].气象学报，75（6）：851-876. Xu C L，Wang J J，Huang L P，2017.Evaluation on QPF of GRAPES-Meso4.0 model at convection-permitting resolution[J].Acta Meteorol Sin，75（6）：851-876.doi：10.11676/qxxb2017.068.（in Chinese）.

Xue M，Droegemeier K K，Wong V，2000.The Advanced Regional Prediction System （ARPS）-a multi-scale nonhydrostatic atmospheric simulation and prediction model.Part Ⅰ：model dynamics and verification[J].Meteor Atmos Phys，75（3/4）：161-193.doi：10.1007/s007030070003.

Yu B Y，Zhu K F，Xue M，et al.，2020.Using new neighborhood-based intensity-scale verification metrics to evaluate WRF precipitation forecasts at 4 and 12 km grid spacings[J].Atmos Res，246.doi：10.1016/j.atmosres.2020.105117.

张涵斌，陈静，智协飞，等，2014.GRAPES区域集合预报系统应用研究[J].气象，40（9）：1076-1087. Zhang H B，Chen J，Zhi X F，et al.，2014.Study on the application of GRAPES regional ensemble prediction system[J].Meteor Mon，40（9）：1076-1087.（in Chinese）.

张小雯，唐文苑，郑永光，等，2020.GRAPES_3 km数值模式对流风暴预报能力的多方法综合评估[J].气象，46（3）：367-380. Zhang X W，Tang W Y，Zheng Y G，et al.，2020.Comprehensive evaluations of GRAPES 3 km numerical model in forecasting convective storms using various verification methods[J].Meteor Mon，46（3）：367-380.doi：10.7519/j.issn.1000-0526.2020.03.008.（in Chinese）.

钟水新，2020.地形对降水的影响机理及预报方法研究进展[J].高原气象，39（5）：1122-1132. Zhong S X，2020.Advances in the study of the influencing mechanism and forecast methods for orographic precipitation[J].Plateau Meteor，39（5）：1122-1132.doi：10.7522/j.issn.1000-0534.2019.00083.（in Chinese）.

Zhu K F，Xue M，Zhou B W，et al.，2018.Evaluation of real-time convection-permitting precipitation forecasts in China during the 2013—2014 summer season[J].J Geophys Res：Atmos，123（2）：1037-1064.doi：10.1002/2017JD027445.

（责任编辑：刘菲）