ECMWF极端天气指数在华东台风降水预报中的应用和检验

傅良 罗玲 张玉静 娄小芬 钱浩

(1 浙江省气象台，杭州 310017；2 杭州市气象局，杭州 310051)

引 言

华东沿海地区夏秋季常受台风侵袭，其带来的强降水会导致严重的洪涝灾害和生命财产损失。近年来，关于台风极端降水的预报研究越来越受到重视[1-3]。其中对台风极端降水的预报一直是预报业务中的重点和难点。提高台风极端降水的早期预警能力对增强防灾减灾能力起着重要的作用。集合预报(Ensemble Prediction System， EPS) 相比于常规的确定性预报，考虑了模式的不确定性与发生概率等因素，且能反映未来大气的多种状况，已成为研究极端天气的重要手段[4-6]。

基于欧洲中期天气预报中心(ECMWF)的集合预报，Lalaurette[7]提出了极端天气指数(Extreme Forecast Index，EFI)，该指数假设如果模式天气相对于“模式气候”为极端事件，则实际天气相对于实际气候也为极端事件；Zsótér[8]在弥补EFI指数不足的基础上设计了SOT(Shift of Tails)指数，该指数对CDF尾端的信息更敏感，可作为EFI指数的有效补充[9-10]。近年来，ECMWF构建的极端天气指数产品已经较为完善且已得到了国内外气象部门的推广和应用[11]，要素包括2 m平均气温，最高最低气温、10 m风速，降水量，对流有效位能等。然而EFI和SOT作为极端天气指标，在不同地区不同季节针对不同类型天气，其指示意义有所不同，需通过大量检验来验证。ECMWF的预报经验表明，EFI绝对值在0.5～0.8为异常，超过0.8则为“非常异常”，预示发生极端天气的可能性很大[9]。Petroliagis， et al[12]分析了德国北部3个机场7 a的强风事件，指出EFI指数可以提早发出预警信息。Boisserie， et al[13]基于EFI和SOT构建了极端强风暴预报方法，分析了过去30 a影响法国的强风暴，指出大多数风暴可以被提早3～4 d预警。朱鹏飞等[14]分析了降水EFI和强降水、降水气候距平之间的统计关系，表明降水EFI大值区和强降水具有较好的对应关系，EFI值越大，强降水发生的可能性越大，预报时效延长则EFI指示意义减弱。刘琳等[15]基于T213集合预报构建极端天气预报指数，指出EFI指数可提前5～7 d提供极端降水信息。罗玲等[16]分析了极端天气指数与台风暴雨的统计关系，指出极端天气预报指数可以提前3～5 d提供极端降水信息。董全等[11]通过个例总结和大样本分析的方法，指出SOT和EFI指数在气温和降水预报中都呈现出时效越长阈值越小，预报效果越差，且事件越极端，阈值越大的特点。

通过EFI指数和SOT指数的日常应用，发现其对台风强降水落区和强度的预报有一定的指示意义，但对这两个指标在台风强降水中的预报效果进行定量对比分析还不多见，且在实际应用中缺乏定量的检验依据。基于此，本文以华东地区为评估区域，评估降水EFI和SOT指数在2015—2018年台风降水预报中的效果，提炼台风强降水EFI和SOT预警指标，以期为降水EFI指数和SOT指数在预报业务中的应用提供一定的参考依据。

1 资料和方法

1.1 EFI和SOT定义和评分方法

ECMWF对EFI定义[7]为累积“集合预报概率分布函数”和“模式气候概率分布函数”之差，其公式为：

(1)

(2)

根据EFI值的定义，当集合成员都大于等于(小于等于)“模式气候”极大(小)值时，EFI都等于1或者-1，在这种情况下不能反映出事件的极端程度，因此Zsótér[8]定义了SOT指数：

(3)

(4)

其中：Qc(1)和Qc(0)分别为“模式气候”的最大值和最小值；Qf(p)和Qc(p)分别为集合预报和“模式气候”p分位数。ECMWF输出SOT+(0.9)和SOT-(0.1)。对于降水，ECMWF仅输出SOT+(0.9)。当SOT+(0.9)大于0时，代表至少有10%的集合成员预报大于“模式气候”的最大值。SOT+(0.9)值越大代表集合预报有更多的成员预报大于“模式气候”极大值，预报的降水也就更极端。SOT的值域理论上为-∞～+∞。集合成员相对于“模式气候”最大值越大，SOT值也越大[11]。

在实际的业务应用中，需要针对不同量级的降水，检验EFI和SOT的预报效果，确定最佳的临界阈值。由于降水是不连续的，因此采用两分类列联表(表1)，通过该表计算TS评分、命中率H、假警率F、预报偏差BS评分等来评估降水EFI和SOT指数的预报效果。

表1 两分类列联表Table 1 Contingency table of dimorphic distributio

(5)

(6)

(7)

(8)

1.2 资料和方法

采用的资料包括2015—2018年13个台风影响期间逐日的ECMWF提供的降水EFI指数和SOT指数、华东区域(浙江、江西、福建、安徽、江苏、上海)367个国家站1981—2014年逐日08时(北京时,下同)—次日08时降水资料。选取的台风个例包括1509灿鸿、1513苏迪罗、1521杜鹃、1601尼伯特、1614莫兰蒂、1617鲇鱼、1709纳沙、1710海棠、1808玛利亚、1810安比、1812云雀、1814摩羯、1818温比亚，除2018年外，每年有2～3个台风在华东沿海登陆(图1)。

图1 台风个例路径Fig.1 The path chart of typhoon cases

极端天气的定义采用分位数法[16-17]。由于EFI指数和SOT指数的“模式气候”构建采用过去20 a预报的每日前后15 d的回算资料[8]，其反映天气的极端性是相对历史同期而言。本文计算降水气候百分位数的历史资料也采用类似的方法构建，选取1981—2014年的日降水资料，每日前后各15 d，共1 054个样本，构建每日的气候样本，然后通过这一样本计算每日降水相对于历史同期气候百分位。本文将95个百分位的日降水量定义为极端降水的阈值，当某测站某日降水量超过这个阈值，则认为该站出现了极端降水[16]。

ROC曲线(相对作用特征曲线)可以应用到两类事件概率预报的评估当中，是评估概率预报的有效方法，在坐标轴中的完美预报位于左上角顶部(H，F)=(0，1)，最差的预报位于坐标轴右下角(H，F)=(1，0)，对角线以上代表正技巧，对角线以下代表负技巧，ROC曲线以下的面积(AROC)可以用来衡量预报技巧的好坏，面积越大预报技巧越好，反之[18]。因此通过ROC曲线来评估不同预报时效EFI和SOT对暴雨和大暴雨的预报技巧。

2 逐日降水与EFI和SOT的相关性

为了分析降水与EFI指数、SOT指数之间的关系，计算了逐日降水的气候百分位，并给出了逐日EFI、SOT和历史同期降水气候百分位 (图2)。可以看出，历史同期降水气候百分位与预报EFI值存在明显的正相关关系，相关系数达到0.588。随着EFI值的增加，降水气候百分位也呈现增加趋势。当EFI值达到0.5以上时，有更多的降水事件的历史同期百分位接近1。图2b给出了SOT指数与历史同期降水气候百分位之间的关系，可以看到不同的SOT指数对应的降水气候百分位有明显的差异，将SOT指数分成了4个不同的区间，分别是(-∞，-0.5)、[-0.5，0)、[0，0.5)以及[0.5，+∞)，分析不同区间降水事件百分位出现频率最大的区域，当SOT小于-0.5时，最大频数的百分位在0.76左右；当SOT在-0.5～0时，最大频数的百分位在0.96左右；当SOT在0～0.5时，最大频数的百分位达到0.99左右；而SOT大于0.5时，最大频数的百分位达到1，说明当SOT大于0.5时有较大概率出现达到历史同期极值的极端降水事件发生。此外在不同的取值区间暴雨发生概率显著不同，总体上来说，随着SOT指数的增加，暴雨发生概率在迅速增加。当SOT小于-1时暴雨发生概率为0.62%；当SOT为-1～0时，暴雨概率为9.38%；当SOT为0～1时，暴雨概率为35.77%；当SOT小于1时，暴雨概率达到53.54%。

根据定义，EFI的值域定义为-1～1，对于接近或者超过历史极值的降水事件，EFI值最大只能到1，因此不能真实反映出降水的极端程度，而SOT指数的值域理论上能达到+∞，因此对于接近或者超过历史同期极值的事件有更好的预报能力，事件越极端，其值越大，因此对于此类极端事件，EFI值都接近或等于1，而SOT值却有较大的差异，因此对于接近或者超过历史同期极值水平的极端降水事件，SOT较EFI指数更有优势。

图2 (a)降水EFI与历史同期降水气候百分位之间的散点及两者之间的相关系数和线性拟合函数(红线为线性拟合直线；绿线为二次拟合曲线)；(b)SOT与历史同期百分位之间的散点(绿线分别为-0.5、0和0.5的SOT值；红色区域为不同的绿线所示SOT区间内百分位数频数分布最多的区域；以上EFI和SOT都为36 h预报时效)Fig.2 (a) EFI and (b) SOT with percentile of daily precipitation corresponding to historical climate， and the correlation coefficients and fitted linear function (The green lines are SOT values of -0.5， 0 and 0.5， respectively， and the red areas arethe regions with the highest frequency, the EFI and SOT are 36 h leading time)

图3给出了不同时效日降水EFI和SOT对暴雨和大暴雨预报的ROC曲线，可以看到，命中率和假警率呈现正相关，提高命中率则假警率也会提高。对于暴雨和和大暴雨的预报，随着预报时效的增加，SOT和EFI预报技巧逐渐降低，且对所有时效的预报SOT和EFI都为正技巧。对于24 h时效的暴雨和大暴雨预报，EFI的ROC曲线在SOT曲线的上方，因此EFI的预报技巧优于SOT指数；对72 h时效的暴雨预报，EFI的预报技巧还略优于SOT，但对大暴雨，EFI与SOT的预报效果相近；到了120 h时效SOT的ROC曲线与EFI的ROC曲线出现相交，两者对暴雨和大暴雨的预报技巧相近，SOT的预报效果甚至略优于EFI，而对于168 h时效的预报SOT预报技巧明显优于EFI。总体而言，对于72 h以内的短期时效，EFI预报技巧优于SOT，而随着预报时效的延长，SOT预报技巧逐渐接近并超过EFI，对168 h(7d)的暴雨和大暴雨预报，SOT预报技巧明显优于EFI。对于长时效的预报，由于离散度的增大，EPS的CDF和“模式气候”CDF越来越接近，导致EFI不能表现极端事件。而根据定义，对于某一过程，SOT的值只和EPS最大的5个成员有关，其相对于历史极值越大，则SOT值越大，可能发生的降水也越极端，因此对于接近或者超过模式气候极值的极端天气，SOT指数能在更长的时效上提供预警信息[11]。

图3 不同时效日降水EFI和SOT对暴雨和大暴雨预报的ROC曲线:(a)50 mm; (b) 100 mmFig.3 The ROC curves of EFI and SOT for rainstorm and heavy rainstorm respectively for different lead time: (a) 50 mm; (b) 100 mm

为了进一步分析降水量与EFI、SOT指数的关系，结合降水量和EFI、SOT的箱线图(图4)分析其统计特征。总体而言，随着EFI和SOT指数的增加，平均降水量和降水量中位值也呈增加趋势，且其离散度也在增加。对24 h时效，当EFI达到0.9时，平均降水量达到65 mm，75%的站点降水量超过35 mm，更有25%的站点超过80 mm。对于120 h时效，随着EFI值的增加其对应的降水量平均值和中位值也呈增加趋势，当EFI值达到0.8时，其中位值达到25 mm，平均值达到近50 mm，有25%的站点超过75 mm。对比图4a、4c可以看到，随着时效的增加，相同的EFI值对应的降水平均值在减小而离散度在增加，因此，EFI对降水的指示意义随着预报时效的增加而减弱。与EFI指数相似随着阈值的增加SOT对应的平均降水量也在增加，对24 h时效，其对应的平均降水量从SOT值为-0.8时的15 mm增加到0.8时的60 mm，中位数也从5 mm增加到50 mm；对120 h时效，随着SOT阈值的增加，其对应的平均降水量也在增加，但增加相对缓慢，SOT从-0.8增加到0.8其对应的平均降水量从15 mm增加到40 mm，增幅明显小于24 h时效(平均降水量从15 mm增加到60 mm)。此外对于120 h时效，SOT值取0.8时其对应的降水量中位数也从24 h时效的近50 mm下降到20 mm左右。比较其他阈值对应的降水量可以得到相似的结论，因此随着预报时效的延长，相同SOT阈值对强降水的指示意义也在减弱。

3 EFI与SOT阈值

为了进一步分析降水EFI和SOT对不同量级降水的指导意义，得到定量的预报阈值，分别以不同阈值EFI(0.1～1.0，间隔0.1)代表暴雨和大暴雨的落区。如以EFI指数大于0.5的区域代表暴雨和大暴雨的落区，再分别计算暴雨、大暴雨预报的TS评分、预报偏差(BS)，然后以TS评分最大为标准，同时将BS评分作为参考，确定不同预报时效，不同量级降水的EFI阈值。同理，可以计算得到不同预报时效，不同量级降水的SOT阈值。

图4 不同时效逐日EFI及SOT对应降水的箱线图(红圈为平均值)：(a、b) 0～24 h；(c、d) 96～120 hFig.4 Box plots of EFI and SOT of daily precipitation at different leading time (red circle is average value): (a， b) 0-24 h; (c， d) 96-120 h

图5 不同预报时效逐日降水EFI对应的大雨、暴雨、大暴雨的TS评分(柱状)和BS评分(线条)：(a)0～24 h; (b)24～48 h;(c)48～72 h;(d)72～96 h; (e)96～120 hFig.5 The TS score(bar) and Bs score(line) with the different EFI thresholds at leading time of： (a) 0-24 h;(b) 24-48 h;(c) 48-72 h;(d) 72-96 h;(e) 96-120 h

由图5可见，对不同量级的降水，随着EFI值的增加，BS评分都呈下降趋势，而TS评分则先增加后减小。要获得更大的TS评分，则EFI阈值要随着降水量级的增加而增大，随着预报时效的增加而减小。对24 h时效的暴雨预报，当以EFI值等于0.7作为暴雨落区阈值时，BS评分约为1.2，偏差在合理的预报偏差范围之内，此时对应TS评分达到最大值，约为0.37。当EFI阈值增加时，BS评分随之减小，空报减小，但TS评分也随之下降；反之，因此可以取0.7作为24 h 暴雨预报额EFI阈值。48 h(图5b)和72 h(图5c)EFI阈值分别取0.7和0.6时TS评分最高，BS在1～2之间，预报偏差较为合理。对于96 h(图5d)的暴雨预报，当EFI阈值取0.5时TS评分最大，但是此时BS超过2，意味着有超过一半的站点空报，如果EFI阈值取0.6时，虽然TS评分略低于EFI取0.5时的TS评分，但是BS接近1，预报发生暴雨的次数与实际暴雨发生次数接近，预报偏差更为合理，因此对于96 h时效的暴雨预报，EFI阈值取0.6较为合理，如取0.5则会产生一倍的空报次数。对于120 h的预报，TS评分在EFI阈值取0.5时达到最大，此时BS等于1.8，存在一定的空报，考虑到预报时效较长，可以允许一定的空报，因此可以取EFI等于0.5作为120 h时效的预报阈值。总体而言，随着预报时效的增加，降水落区的误差也会增加，需要扩大预报落区才能得到更高的TS，此时往往会导致空报率增加，预报偏差也会增加。对于大暴雨，以TS评分最大为标准，考虑合理的预报偏差，可以选0.8作为24 h和48 h EFI阈值，0.7作为72～120 h时效的预报的阈值。

图6给出了不同预报时效、不同量级的降水的SOT指数的预报评分。与EFI指数相似，对于暴雨和大暴雨，随着SOT值的增加，BS评分都呈下降趋势，而TS评分则呈现先增加后减小的趋势。此外对于同一预报时效，同一个SOT阈值，暴雨的TS评分明显高于大暴雨，说明降水量级越大，SOT指数预报效果越差。以暴雨为例，对于不同的预报时效， TS评分达到最大值时SOT值相差不大，都在0到0.2之间，96 h时效以内SOT取0.2时TS评分达到最大，而当预报时效为120 h时SOT取0时TS评分达到最大。值得注意的是SOT取-0.2到0.4时各预报时效对应的TS评分差别不大，在SOT等于0.4时，各预报时效的其TS评分仅略小于对应预报时效TS评分最大值，而BS评分除120 h时效外都略大于1，预报偏差在合理范围之内，因此对96 h以内的预报时效可以选0.4作为暴雨预报的SOT阈值，而对于120 h时效，SOT取0和0.2时TS评分达到最大，取0时预报偏差接近1.5，而取0.2时 BS更接近1，空报较少，因此可以取0.2作为120 h时效暴雨预报的SOT阈值。同理，以TS评分最大标准，并参考漏报率、空报率，预报偏差等因素，可以选择1.0作为24～120 h时效大暴雨预报的SOT的预报阈值。

图6 同图5，但为SOTFig.6 Same as Fig.5， but for SOT

综上所述，EFI和SOT指数对不同量级降水的预报有一定的指示意义，总的来说，EFI和SOT的阈值随着降水量级的增加而增大，对于同一量级的降水随着预报时效的延长EFI的阈值有减小的趋势，而SOT的阈值基本保持不变，且具体阈值见表2。

表2 不同时效不同量级台风降水EFI和SOT阈值Table 2 Threshold of EFI and SOT for different leading time， different intensity of typhoon precipitation

4 个例检验

1614号台风“莫兰蒂”是近年来少见的绕过台湾岛，直接登陆福建的超强台风。受台风“莫兰蒂”影响，2016年9月15日08时—16日08时，福建、浙江、上海、江苏南部普降大到暴雨，部分大暴雨，局部特大暴雨，浙江东部降水普遍达到100 mm(图7a)，从历史同期降水气候百分位来看(图7b)，江西东部、安徽东南部、江苏南部、福建西北部以及浙江大部的日降水量都超过了历史同期95百分位值，其中浙江中北部、江苏南部的日降水量更是普遍接近或者超过历史同期99百分位值，上述地区的降水都超过了当地极端降水的阈值，达到了极端降水的程度。接下来我们按照前文研究得到的阈值，分析EFI、SOT以及EC细网格降水预报(EC-thin)在24 h、72 h、120 h时效的预报效果。

图7 2016年9月15日08时—16日08时(a)降水实况、(b)降水气候百分位和不同预报时效下(c—e)EFI指数、(f—h)SOT指数和(i—k)EC细网格降水预报(c—h中黑色和红色细实线分别代表暴雨和大暴雨的阈值): (c、f、i) 24 h; (d、g、j) 72 h; (e、h、k) 120 hFig.7 (a) Accumulated precipitation, (b)precipitation percentile and precipitation results on (c-e) EFI, (f-h) SOT, (i-k) EC-thin inlimit of different forecast from 08∶00 BST on 15 to 08∶00 BST on 16 September 2016 (The black and red solid lines represent the thresholds forprecipitation magnitude greater than 50 mm and 100 mm, respectively in c-h): (c, f, i) 24 h; (d, g, j) 72 h; (e, h, k) 120 h

图7c—7k分别给出了EFI、SOT、EC-thin在不同预报时效的预报结果。对比图7a、7c可以看到，对于24 h时效的预报，EFI指数大于等于0.7的区域与实况降水大于等于50 mm的区域基本吻合，在福建的东北部存在一些空报。24 h预报时效的SOT指数(图7f)大于等于0.4的区域与EC-thin暴雨预报区域大体相当，与实况暴雨区相比，EC-thin的24 h降水预报在福建东北部存在对暴雨空报的情况(图7i)，而SOT指数则在这一区域预报值小于0，没有产生空报(图7f)。从24 h预报的TS评分看(表3)，EFI、SOT和EC-thin对暴雨的预报评分都接近或超过了0.6，预报效果较好。对于24 h时效的大暴雨的预报，EC-thin在浙江东部存在明显的漏报(图7i)，而EFI指数在浙东的大部分地区大于0.8， SOT指数大于1.0，都对大暴雨的发生发出了预警。对于72 h时效，由于模式对台风路径预报偏西偏慢，导致EC-thin预报的强降水中心比实况偏西偏南(图7j)， 模式对浙江东部的大暴雨区产生了漏报。由于集合预报模式成员整体预报的路径偏西偏慢[19]，因此EFI指数的大值区偏南偏西，EFI指数对浙江东部的大暴雨也产生了漏报(图7d)。此外浙江西北部、江苏南部降水的气候百分位达到或超过了0.99，EFI指数在该地区仅为0.6，没有对极端性降水发出预警。相反，SOT指数在浙东和浙西北以及苏南的部分地区都超过了1(图7g)，预示着有极端降水发生的可能。从TS评分(表3)上看，对于大暴雨，72 h时效SOT的TS评分明显高于EFI指数和EC-thin，造成这种区别的原因可能是SOT只和EC集合预报中最大的5个集合成员有关(公式(3))，因此即使大部分模式成员预报偏小或者路径偏西，只要预报降水最大的几个成员在浙东的降水预报仍然较为极端，则该地区的SOT预报值仍然较大。通过SOT指数提供的这些信息，可以对强降水的落区进行适当的调整，以减少漏报。对于120 h时效的降水预报，EC-thin预报的暴雨落区与实况暴雨落区大致相当，但是在福建的东北部存在空报而在安徽的东南部存在漏报，对浙江东北部大暴雨的范围的预报也略偏小(图 7k)。若以EFI大于等于0.5、 SOT大于等于0.2分别作为120 h时效暴雨预报的落区(图7e、7h)，则实际暴雨落区与预报的暴雨落区相近，但在福建的东北部存在空报，而在江苏南部安徽东南部存在漏报。对于大暴雨，EFI大于等于0.7的区域略大于实际的大暴雨落区，预报表现较好，120 h时效的TS评分也达到了0.4，高于SOT和EC-thin(表3)。SOT大于等于1的区域较大暴雨的实际落区整体偏大(图7f)，而在苏南等地区SOT值较小，对大暴雨存在一定的漏报。值得注意的是在120 h时效，SOT指数在浙江的东部的值超过了2，预示着至少有5个集合成员预报的降水远超历史同期的极值，预示着极端强降水发生的可能，预报中可以考虑在EC-thin预报的基础上适当的提高降水量级。

整体而言，对于此次台风降水过程，EFI指数和SOT指数可以作为EC定量降水预报的补充，为台风极端降水提供预警信息。EFI指数与所有集合成员的预报有关，当大部分集合成员的台风预报路径调整，预报降水落区变化时，EFI指数指示的强降水落区也会变化，当这种整体强降水落区调整是错误时，EFI指数容易漏报极端降水。SOT指数根据其定义只与最大的5个集合成员有关，即使大部分成员预报落区调整，只要有5个集合成员在某地区预报的降水较为极端，则该地区的SOT值仍然较大。在这种情况下，即使模式定量降水预报在该地区较小，但仍然要考虑该地极端降水发生的可能。因此综合考虑SOT指数和EFI指数以及EC-thin定量降水预报有助于减少强降水的漏报，提早发出极端降水的预警信息。

表3 EFI、SOT和EC-thin不同预报时效的暴雨和大暴雨的TS评分Table 3 TS scores of EFI，SOT，EC-thin for rainstorm，heavy rainstorm with different leading times

5 结论

台风造成的极端降水，每年都会给华东地区，特别是其沿海地区带来严重的灾害，且预报难度大。本文基于降水EFI及SOT指数在2015—2018年间影响华东的13个台风的暴雨预报、预警表现进行了定性和定量的评估。主要结论如下：

(1) EFI指数和SOT指数与历史同期降水气候百分位之间存在明显的正相关关系，更大的EFI值和SOT值对应更高的强降水发生概率。由于EFI和SOT预报的极端性都是相对历史同期而言，因此可以通过计算相应气候百分位对应的实况降水分布，对台风降水预报进行订正。

(2) 对暴雨和大暴雨的预报，随着预报时效的增加，SOT和EFI的预报效果逐渐变差，对强降水的指示意义也在减弱。对于72 h以内的短期时效，EFI的预报技巧优于SOT，随着预报时效的延长，SOT的预报技巧接近并超过EFI。平均降水量和中位值随着EFI和SOT阈值的增加呈现增加趋势，且其离散度也在增加。

(3) 以不同的EFI阈值区域代表暴雨，大暴雨的落区，并计算TS评分、预报偏差。结果表明：随着预报时效的延长，对于暴雨和大暴雨，EFI阈值都逐渐减小，24～120 h暴雨预报的EFI阈值分别为0.7、0.7、0.6、0.6和0.5；大暴雨的EFI阈值分别为0.8、0.8、0.7、0.7和0.7；而SOT的预报阈值随着预报时效的延长没有明显的变化，对于暴雨96 h时效以内选0.4作为SOT预报阈值，120 h时效，SOT阈值为0.2；对大暴雨，120 h时效以内，SOT阈值为1.0。

总体而言，极端天气指数EFI和SOT对台风强降水有较好的识别能力，但是当集合预报成员都大于等于“模式气候”时，根据定义，EFI的值都为1，不能反映集合预报成员超过“模式气候”极大值的程度，在这种情况下如果最大的5个集合成员偏离历史同期极值越多，则SOT值越大，预示着更极端的降水可能发生，此时SOT可以作为EFI的有效补充。因此SOT对于预报超过或者接近历史同期极值的极端降水事件较EFI更有优势。在具体的台风强降水预报中，预报员需要综合考虑SOT指数和EFI指数以及EC-thin定量降水预报，这样有助于减少强降水的漏报，可以提早发出极端降水的预警信息。需要指出的是，本文研究仅针对于两种极端天气指数与实况台风降水的相关关系，没有评估其他的强降水类型如梅汛期暴雨、春季强对流等。此外，由于资料长度的限制，只选取了13个台风个例，没有分季节评估两种极端天气指数在台风降水预报中的表现，其中也包含预报路径与实际路径偏差较大的个例，对结论的代表性也会有所影响。在今后的研究中将结合更多的台风个例，对比ECMWF确定性预报和集合预报或者建立联合阈值等方式更全面的评估EFI和SOT指数在台风强降水中的预报能力和季节差异。