集合空间检验技术在东北夏季强降水预报中的应用

Application of Ensemble Spatial Verification Technique in Forecasting Heavy Precipitation in Northeast China during Summer

摘要

将2018年东北夏季强降水天气过程分为西风槽型、切变线型和低涡型，筛选各类天气过程的典型降水个例，对过程分析及常规技巧评分与所研发的集合空间降水检验方法进行对比分析，结果表明：常规技巧评分在降水范围较广、强度较强时具有一定的评估能力，但当强降水分布零散、点降水占主导时，其评估劣势显示出来，即很难在点对点的检验中完美匹配预报与观测，由于严重的“双重惩罚”问题影响评估结论的可靠性及辨识度，而集合降水空间检验方法能够有效弥补，显著提高评估辨识度。

Abstract

The summer heavy precipitation in Northeast China is characterized by its localized nature, short duration, and high intensity. Such extreme weather events have always been a challenge for numerical forecasting. The traditional precipitation skill scores are often ineffective for verifying heavy precipitation processes in Northeast China due to the "double penalty" effect caused by minor spatial and temporal discrepancies. The ensemble precipitation spatial verification technique can effectively improve the validity of precipitation assessment. In this paper, the heavy precipitation events in Northeast China during the summer of 2018 were categorized into westward trough, shear line, and low vortex types,with typical precipitation cases selected for each weather process.A comparative analysis involving process analysis, ensemble equitable threat score (EETS), and the developed ensemble precipitation spatial verification method was conducted.The results indicate that EETS have certain evaluative capabilities when the precipitation area is extensive and the intensity is high. However, when heavy precipitation is scattered and point rainfall dominates, the inherent evaluation disadvantages become evident. Specifically, it becomes challenging to achieve a perfect match between forecasts and observations in point-to-point verification, leading to significant reliability and discernibility issues in the evaluation conclusions due to the serious "double penalty" problem. However, the ensemble precipitation spatial verification method can effectively compensate for these shortcomings, significantly enhancing the discernibility of the assessment.

Graphical abstract

关键词

东北夏季强降水 / 集合预报 / 常规技巧评分 / EETS / EFSS

Key words

summer heavy rainfall in Northeastern China / ensemble forecasts / traditional skill score / EETS / EFSS

东北地区位于中国温带季风气候区，受夏季东北冷涡、西太平洋副热带高压、温带气旋和台风等天气系统影响，易产生极端降水天气。强降水主要出现在7—8月，即东亚夏季风最强盛阶段^[1]。

已有研究表明，东北三省东南部是极端降水事件的高发区，春、夏季为易发季节，随着时间的推移，极端事件逐渐增多，并向东北三省西部地区扩散^[2]。松嫩平原和辽河平原由于降水强度大且频繁，也易发生极端降水天气，早晨和下午是短时强降水的高发时段^[3]。夏季强降水常伴随高空急流耦合，以对流性降水为主^[4]。不同天气系统下，数值模式在东北地区的降水预报能力存在差异^[5]。

为了检验数值模式的预报性能，国内学者对此开展了大量的研究工作。传统的二分类评分方法因受空间和时间微小差异带来的“双重惩罚”影响，难以获取足够的评估信息^[6-8]。空间检验方法是弥补常规降水检验方法的有效手段，邻域空间检验法是近年来应用最广泛的方法。该方法通过升尺度将高分辨率预报与观测信息调整至较大尺度，利用空间平滑或统计概率分布减小偶然性信息，衡量预报与观测的相似度特征^[9-10]。相对于简单的升尺度方法^[11]，FSS(Fraction Skill Score)方法^[12]解决了过度平滑问题，由于构造简单，不受复杂因素影响（滤波阈值、平滑半径等），可获得一致的评估结论，近年ECMWF也将其作为标准的降水检验技术替代传统评分方法^[13]。

随着集合预报技术的发展，在确定性降水预报中的“双重惩罚”问题也存在于集合预报检验中，研究人员开发了多种空间检验方法用于集合降水检验。Gallus^[14]采用基于对象属性的CRA及MODE方法考察集合预报成员的平均分布特征；Skinner等^[15]在中尺度气旋检验中应用了相似的方法；Radanovics等^[16]将SAL方法拓展至集合预报领域，建立了eSAL指标；Ben Bouallegue等^[17]考察区域集合预报模式中采用平滑的邻域空间检验方法的可能性；Duc等^[18]、Schwartz等^[19]均将FSS方法拓展至集合预报领域，结果表明其相对于传统检验方法均可有效地提高降水预报技巧。大多数该类方法无法规避由确定性预报向集合预报拓展中的技巧过度平滑问题。李子良等^[20]基于邻域空间检验FSS方法，建立了一种新的邻域空间检验指标EFSS（Ensemble FSS）应用于集合预报降水检验中，该方法不受集合成员数影响，获取一致性的评估结论，与常规技巧评分相比，该方法可有效提升强降水预报检验辨识度。

本文利用前期开发的EFSS方法进一步考察在东北地区的应用能力，并针对各种类型降水过程进行分类评估，考察该指标在各种类型降水预报中的应用效果。

1 资料

选取ECMWF集合预报模式2018年6—8月降水预报产品作为预报资料，模式分辨率为0.15°（约15 km），时间分辨率逐24 h，集合成员50个，选取东北区域35°~55°N，118°~136°E为检验分析区域。

实况资料选取国家气象信息中心开发的格点化降水三源融合产品^[21]，采用贝叶斯融合方法将区域性地面观测站点（中国区域30 000余站）、高分辨率雷达估测降水及卫星反演降水融合形成空间分辨率0.05°（约5 km），时间分辨率为1 h，实况范围可满足检验区域，资料插值至与模式相同分辨率，进行后续检验评估。

文中地图是基于自然资源部标准地图服务网站下载的审图号为GS(2016)1665的地图制作，底图无修改。

2 东北夏季强降水天气学分型分析

2.1 天气分型及评分分析

基于2018年夏季实况观测降水、探空观测资料及环流背景分析资料，考察东北地区强降水过程特征。将24ｈ内某地区累积降雨量≥50 mm记为一次强降水事件，发生在3个县以上范围的强降水记为一次区域性强降水事件。最终筛选出19个区域性强降水个例（表1），并按照影响该区域的主要天气系统将其分为西风槽型、切变线型和低涡型。其中，西风槽型占31.58%，切变线型占36.84%，低涡型占31.58%。

以常规降水技巧评分考察2018年夏季降水预报性能，采用李子良等^[20]依据技巧评分均值构建思路开发的可反映集合降水预报的常规技巧评分EETS(Ensemble Equitable Threat Score，E_ETS)，公式如下：

E_{\mathrm{E}\mathrm{T}\mathrm{S}}=\frac{\sum _{m}a-\sum _m{a}_{\mathrm{r}\mathrm{m}}}{\sum _m(a+b+c)-\sum _m{a}_{\mathrm{r}\mathrm{m}}}，（1）

a_{\mathrm{r}\mathrm{m}}=\frac{\sum _m(a+b)(c+d)}{\sum _m(a+b+c+d)}。（2）

式中：m为集合成员，a_rm为参考值，a、b、c、d分别为二分类降水检验中满足降水阈值条件下的实况及预报满足阈值的站点（格点）个数。

图1为24、72、120及168 h预报的不同降水阈值条件下EETS评分在2018年东北地区夏季预报的逐日预报效果演变特征。总体上看，EETS评分明显偏低，120 及168 h从中雨量级（10 mm以上）起不同天气过程的评分差异偏小，预报评分基本处于0.2以下，不同天气过程振幅过小难以有效反映出不同天气过程120、168 h的预报效果。并且随着降水阈值的增加，暴雨（50 mm以上）量级降水评分基本处于0附近，且随着时效增加体现得更为明显，强降水过程的预报差异无法从EETS评分中得到体现。同时总体所获技巧过低，不具备对各种强降水预报的正确描述能力，严重影响了检验评估的有效性和辨识度。

2.2 天气系统分型的强降水个例分析

2.2.1 西风槽型

2018年东北地区受西风槽影响共产生了6次区域性强降水天气，占全年的31.58%，降水通常与冷空气东移和偏南气流带来的暖湿空气汇合有关。

图2为2018年8月20—21日实况降水及ECMWF集合预报各成员降水预报分布特征。此次降水过程覆盖面积较广，各集合成员预报降水的雨带结构、强度与实况大多较为相似，其中37个集合成员较强降水落区预报偏大，4个集合成员偏小，其余集合成员与实况大小基本一致。12个集合成员强降水预报落区略偏西，4个集合成员略偏北，其余集合成员与降水实况基本一致。本次降水过程在雨带结构与强度、位置的预报效果较好。对应图1，大雨和暴雨量级的EETS均在0.3左右，中雨量级降雨接近0.5，总体技巧评分较高。

选取7月5—6日降水过程分析（图3），与图2相比，降雨范围较小，强降水落区略显凌乱，各成员预报的雨带范围虽大体相似，但与实况降水相比过于集中。强降水局地性较强，仅有16个成员报出强降水，15个成员强降水位置偏西南，5个成员强降水预报范围偏大，1个成员强度过强。由图1可知，此次强降水预报技巧评分接近0，主要是由于强降水发生范围过于零散，预报很难准确与实况吻合，即引起了预报与实况的空间错位，产生明显的“双重惩罚”问题。

2.2.2 切变线型

对切变线导致的降水天气而言，地形对动力场、水汽场的影响与切变线相对位置有关，当切变线上的垂直上升运动和爬坡效应相叠加时，对暴雨的增幅效应最明显。2018年因切变线导致的强降水共7例，占2018年夏季区域性强降水总量的36.84%。

选取2018年7月16—17日大范围降雨天气过程分析，由图4可知，集合成员中仅22号集合成员与实况强降水预报范围、大小、强度较为一致，但位置略有偏差。23号集合成员虽降水形状与实况相似但强度明显偏大。中小量级雨带预报方面，各集合成员预报的降雨范围和大体形状相似，中雨以上量级降水预报虽普遍有偏差，但降雨落区的形状与大小与实况有相似之处。由图1可知，强降水EETS接近0，与实况基本吻合，但中雨以上降雨的EETS技巧评分不足0.2，未能体现各集合成员的真实预报能力。

2.2.3 低涡型

东北夏季最常出现的类型是低涡型强降水。低涡区内有较强的空气上升运动，为降水提供有利的动力条件，当有明显的暖湿空气输送，大气呈不稳定状态，容易产生强降水天气。

2018年7月14—15日降雨天气过程的强降水中心位于黑龙江和吉林东部（图5）。预报的雨带形状、结构和范围与实际相近，但位置有偏差，北部预报偏小，南部预报偏大。36号和37号集合成员预报最接近实况，但在黑龙江东部预报偏小。50个集合成员预报均偏西南，强降水落区集中于辽宁东南部和吉林南部，与实际的黑龙江东部和吉林东部强降水中心有明显偏差。但在中雨量级以上预报方面，除黑龙江东部降雨预报范围偏小，辽宁中西部出现一定程度的空报，基本与实际情况一致。暴雨量级EETS的技巧评分接近于0（图1），与实际情况基本符合，但中雨以上降雨的EETS技巧评分明显偏低，与本次过程中集合模式在中雨以上量级的实际预报情况不符。

由3类天气分型条件下的降水预报效果评估分析发现，常规技巧评分在降水范围广、强度强时具有评估能力，但当强降水分布零散、点降水占主导时，其评估劣势较明显，即很难在点对点的检验中完美匹配预报与观测，由于严重的“双重惩罚”问题影响评估结论的可靠性及辨识度。赵滨等^[22]分析发现，在确定性强降水预报中常规技巧评分往往与预报员主观感受相悖，很难真实反映降水预报效果。空间检验方法可以弥补不足，有效提升降水实际检验能力。

3 集合空间检验方法及应用

李子良等^[20]将邻域空间检验FSS方法拓展至集合预报领域构建了EFSS评分。在中国地区进行检验分析发现，FSS评分各成员间的离散度高，在大量级降水整体评分过低的情况下，部分高技巧样本将集合平均技巧提升过于明显。在集合预报中，如果采用简单的集合平均方式将严重平滑预报技巧，当检验时段较短，集合成员数较少时，此问题更加明显，会出现由于部分时次、部分成员技巧跳跃（离群）导致总体评分偏移的现象，最终导致“评估误导”。

EFSS评分不再逐一计算各集合成员的空间检验技巧评分，而是将所有集合成员作为一个整体，计算所有集合成员的综合技巧，其优势在于部分集合成员的预报技巧“突变”（离群）不会严重误估所有集合成员的综合预报效果，获取的空间检验技巧评分可反映模式的综合预报性能，即可以不受集合成员数影响。因此，即使在少量（5个）成员的综合评估中也可以获取与大量（50个）成员一致的结论，获取的空间检验技巧评分可反映模式的综合预报性能。公式（3）～（5）给出了EFBS（Ensemble Fraction Brier Score，E_FBS）及EFSS （Ensemble Fraction Skill Score，E_FSS）评分表达式：

E_{\mathrm{F}\mathrm{B}\mathrm{S}}=\frac{\mathrm{1}}{M{I}_{\mathrm{N}}{J}_{\mathrm{N}}}{\displaystyle \sum _{m=\mathrm{1}}^M}{\displaystyle \sum _{i=\mathrm{1}}^{I_{\mathrm{N}}}}{\displaystyle \sum _{j=\mathrm{1}}^{J_{\mathrm{N}}}}(P_{\mathrm{f}}(i,j)-P_{\mathrm{o}}{(i,j))}^{\mathrm{2}}，（3）

E_{\mathrm{F}\mathrm{B}\mathrm{S}\mathrm{r}\mathrm{e}\mathrm{f}}=\frac{\mathrm{1}}{M{I}_N{J}_{\mathrm{N}}}{\displaystyle \sum _{m=\mathrm{1}}^M}{\displaystyle \sum _{i=\mathrm{1}}^{I_{\mathrm{N}}}}{\displaystyle \sum _{j=\mathrm{1}}^{J_{\mathrm{N}}}}{P_{\mathrm{f}}}^{\mathrm{2}}(i,j,m)+\frac{\mathrm{1}}{M{I}_{\mathrm{N}}{J}_{\mathrm{N}}}{\displaystyle \sum _{m=\mathrm{1}}^M}{\displaystyle \sum _{i=\mathrm{1}}^{I_{\mathrm{N}}}}{\displaystyle \sum _{j=\mathrm{1}}^{J_{\mathrm{N}}}}{P_{\mathrm{o}}}^{\mathrm{2}}(i,j,m)，（4）

E_{\mathrm{F}\mathrm{S}\mathrm{S}}=\mathrm{1}-\frac{E_{\mathrm{F}\mathrm{B}\mathrm{S}}}{E_{\mathrm{F}\mathrm{B}\mathrm{S}\mathrm{r}\mathrm{e}\mathrm{f}}}。（5）

式中：E_FBS为预报及观测降水概率方差，根据方差技巧评分的构建方式，E_FBSref为参考方差，可确保获取正定的技巧评分E_FSS。P_{\mathrm{f}}和P_{\mathrm{o}}分别代表预报及观测在升尺度网格内降水发生概率，I_N及J_N为纬向及经向格点数。M为集合成员。

图6为不同降水阈值条件下，2018年东北地区夏季平均1～7 d预报的EFSS和EETS的平均分布特征。EFSS在不同时效趋势基本保持一致，但仍存在细小差别，其中24 、72 h在1 mm以上降水技巧评分最高，120 h集合预报在0.1 和1 mm以上技巧评分持平，168 h在0.1 mm以上降水技巧评分最高，各时效最高技巧评分为0.7～0.85。24 h预报效果明显优于其他时效的预报，1 mm以上量级技巧评分超过0.8，后期降水技巧评分逐渐降低，但在25 mm以上降水的技巧评分为0.365，50 mm以上降水的技巧评分为0.175。相较于EETS评分量值明显提高，其中1 mm以上降水评分各时效提升0.535～0.58，24 h降水预报评分同比增长1.7倍，168 h降水预报评分同比增长7.3倍。50 mm以上24 h预报和168 h预报评分分别提升0.061和0.057，同比增长0.5倍和8.1倍。

图7为2018年夏季东北地区各阈值及预报时效从第1天～第9天降水预报EFSS和EETS评分的三维分布。EFSS评分随预报时效增加而降低，各阈值范围内分布特征基本一致，即不同阈值条件下降水评分随预报时效的变化趋势稳定。各降水量级的预报效果方面，小雨量级EFSS评分可保持在0.8左右，各预报时效差异不明显，大雨量级（25 mm）降水可达0.4左右，暴雨量级（＞50 mm）达0.2左右，均值特征反映到逐日技巧上有可能产生明显的评估差异性。EETS总体技巧值过低，各降水阈值条件下评分均值均保持在0.2附近，50 mm以上降水的长时效预报评分均值甚至低于0.1。主要是由于逐日强降水评分过低，多时间段评分为零或近似为零，导致分散型强降水评估误导，难以定位模式的降水逐日预报性能。

因此，相较于EETS评分，EFSS可有效提高降水预报评估的辨识度，在降水强度弱、覆盖面积零散条件下，也能获取有指导意义的差异信息，避免“评估误导”，具有更好的实际应用能力。

4 结论

本文基于ECMWF降水集合预报产品及实况资料筛选东北地区2018年夏季强降水天气过程，通过天气形势将其分为西风槽型、切变线型和冷涡型，分析不同类型强降水所占的比重、区域分布特征、时间分布特征以及预报难点。通过传统技巧评分获取集合降水预报效果，考察常规降水技巧评分表现及不足。采用集合空间检验方法考察其在东北强降水中的应用能力，得出以下结论：

（1）利用三源降水融合产品与MICAPS实况形势场筛选出2018年东北夏季总计19次区域性强降水过程。2018年东北地区夏季强降水局地性较强，且纬度越高，表现得越明显，区域性强降水天气过程东南部偏多，西北部偏少。西风槽型、切变线型、低涡型3种类型强降水分布较为均匀，且最多发生在8月。

（2）常规技巧评分在降水范围较广，强度较强时具有一定的评估能力，但当强降水分布零散，点降水占主导时，自身的评估劣势较明显，即很难在点对点的检验中完美匹配预报与观测，由于严重的“双重惩罚”影响评估结论的可靠性及辨识度。

（3）EFSS方法适用于高时空分辨率的区域集合预报中，特别是针对强降水天气的预报检验。EFSS方法有效提升了评估结论的辨识度和实际应用中的普适性，可以不受集合成员数影响，即使在少量（5个）集合成员的综合评估中也可以获取与大量（50个）集合成员一致的结论。在多次EETS评分检验的结论与实际情况不符的典型个例中，EFSS评分提升0.066～0.531，体现了EFSS方法在检验方面的优势，有效地解决了传统评分在以点降水占主导过程中所出现的问题，为集合预报降水检验提供可靠的检验方案。

未来，随着更高时空分辨率的区域集合预报产品的出现，EFSS方法将有更广泛的应用前景。随着数据收集的增加，不同年限的EFSS方法在东北夏季强降水集合预报检验的适用性研究也将更加深入。

参考文献

[1] 孙力,安刚,丁立,等.中国东北地区夏季降水异常的气候分析[J].气象学报,2000,58(1):70-82.

[2] SUN Li, AN Gang, DING Li,et al.A climatic analysis of summer precipitation features and anomaly in Northeast China[J].Acta Meteorologica Sinica,2000,58(1):70-82.(in Chinese)

[3] 李洋,王玉辉,吕晓敏,等.1961—2013年东北三省极端气候事件时空格局及变化[J].资源科学,2015,37(12):2501-2513.

[4] LI Yang, WANG Yuhui, LV Xiaomin,et al.Spatial distribution and temporal change in extreme weather events in three provinces in Northeast China[J].Resources Science,2015,37(12):2501-2513.(in Chinese)

[5] 白志娜,肖天贵,安娟,等.1986—2016年辽宁省强降水气候特征[J].沙漠与绿洲气象,2019,13(3):112-117.

[6] BAI Zhina, XIAO Tiangui, AN Juan,et al.Climate characteristics of strong precipitation in Liaoning Province from 1986 to 2016[J].Desert and Oasis Meteorology,2019,13(3):112-117.(in Chinese)

[7] 孙照渤,曹蓉,倪东鸿.东北夏季降水分型及其大气环流特征[J].大气科学学报,2016,39(1):18-27.

[8] SUN Zhaobo, CAO Rong, NI Donghong.A classification of summer precipitation patterns over Northeast China and their atmospheric circulation characteristics[J].Transactions of Atmospheric Sciences,2016,39(1):18-27.(in Chinese)

[9] 崔锦,周晓珊,张爱忠,等.天气学检验在东北区域数值模式秋冬季降水预报中的应用[J].气象与环境学报,2009,25(4):17-21.

[10] CUI Jin, ZHOU Xiaoshan, ZHANG Aizhong,et al.Application of synoptic verification in autumn and winter precipitation forecast of NWP model in Northeast China[J].Journal of Meteorology and Environment,2009,25(4):17-21.(in Chinese)

[11] 韩晶,路亚奇,曹彦超,等.基于空间检验技术的甘肃河东地区短时暴雨预报产品误差分析[J].沙漠与绿洲气象,2023,17(1): 83-89.

[12] HAN Jing, LU Yaqi, CAO Yanchao,et al.Error analysis of short-term rainstorm forecast product based on spatial test technology in Hedong area of Gansu[J].Desert and Oasis Meteorology,2023,17(1):83-89.(in Chinese)

[13] 吴迎旭,孟莹莹,周一,等.基于ECMWF细网格、GRAPES的短时强降水潜势预报和检验[J].沙漠与绿洲气象,2021,15(5):30-40.

[14] WU Yingxu, MENG Yingying, ZHOU Yi,et al.Short time heavy rain potential prediction and inspection based on ECMWF fine grid and GRAPES_GRAPES[J].Desert and Oasis Meteorology,2021,15(5):30-40.(in Chinese)

[15] Baldwin M E, Kain J S.Sensitivity of several performance measures to displacement error,bias,and event frequency[J].Weather and Forecasting,2006,21(4):636-648.

[16] Yates E, Anquetin S, Ducrocq V,et al.Point and areal validation of forecast precipitation fields[J].Meteorological Applications,2006,13(1):1-20.

[17] Walser A, Lüthi D, Schär C.Predictability of precipitation in a cloud-resolving model[J].Monthly Weather Review,2004,132(2):560-577.

[18] Zepeda-Arce J, Foufoula-Georgiou E, Droegemeier K K.Space-time rainfall organization and its role in validating quantitative precipitation forecasts[J].Journal of Geophysical Research Atmosphere,2000,105(8):10129-10146.

[19] Roberts N M, Lean H W.Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events[J].Monthly Weather Review,2008,136(1):78-97.

[20] Skok G, Roberts N.Analysis of Fractions Skill Score properties for random precipitation fields and ECMWF forecasts[J].Quarterly Journal of the Royal Meteorological Society,2016,142(700):2599-2610.

[21] Gallus Jr W A.Application of object-based verification techniques to ensemble precipitation forecasts[J].Weather and Forecasting,2010,25(1):144-158.

[22] Skinner P S, Wicker L J, Wheatley D M,et al.Application of two spatial verification methods to ensemble forecasts of low-level rotation[J].Weather and Forecasting,2016,31(3):713-735.

[23] Radanovics S, Vidal J P, Sauquet E.Spatial verification of ensemble precipitation:an ensemble version of SAL[J].Weather and Forecasting,2018,33(4):1001-1020.

[24] Bouallègue Z B, Theis S E.Spatial techniques applied to precipitation ensemble forecasts:from verification results to probabilistic products[J].Meteorological Applications,2014,21(4):922-929.

[25] Duc L, Saito K, Seko H.Spatial-temporal fractions verification for high-resolution ensemble forecasts[J].Tellus A:Dynamic Meteorology and Oceanography,2013,65(1):18171.

[26] Schwartz C S, Sobash R A.Generating probabilistic forecasts from convection-allowing ensembles using neighborhood approaches:a review and recommendations[J].Monthly Weather Review,2017,145(9):3397-3418.

[27] 李子良,赵滨,李国平.邻域空间检验技术在集合降水预报检验中的应用[J].大气科学学报,2021,44(2):189-198.

[28] LI Ziliang, ZHAO Bin, LI Guoping.An extended spatial verification technique for ensemble precipitation fore-casts[J].Transactions of Atmospheric Sciences,2021,44(2):189-198.(in Chinese)

[29] 潘旸,沈艳,宇婧婧,等.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,2015,73(1):177-186.

[30] PAN Yang, SHEN Yan, YU Jingjing,et al.An experiment of high-resolution gauge-radar-satellite combined precipitation retrieval based on the Bayesian merging method[J].Acta Meteorologica Sinica,2015,73(1):177-186.(in Chinese)

[31] 赵滨,张博.邻域空间检验方法在降水评估中的应用[J].暴雨灾害,2018,37(1):1-7.

[32] ZHAO Bin, ZHANG Bo.Application of neighborhood spatial verification method on precipitation evaluation[J].Torrential Rain and Disasters,2018,37(1):1-7.(in Chinese)

基金资助

国家自然科学基金青年基金项目(41905091)

国家重点研发计划(2017YFA0604500)

公益性行业（气象）科研专项课题(GYHY201506002)