新型局地增长模培育法对两次飑线个例的对流尺度集合预报试验

李坤 陈超辉 何宏让 马申佳 姜勇强

摘要 利用局地增长模培育法对两次典型飑线过程进行了对流尺度集合预报试验，通过与传统增长模培育法对比，检验了局地增长模培育法的实际预报效果。通过概率匹配平均处理后，将降水预报结果与实况资料进行对比分析，并用分数技巧评分来代替传统公平技巧评分实现对降水结果的合理检验，得出结论：1）在飑线降水预报上，局地增长模培育法优于增长模培育法。2）分数技巧评分比公平技巧评分更好地反映对流尺度集合预报能力，特别是在大暴雨量级降水评估上。3）降水评分结果显示，集合平均对于小雨、中雨和大雨级别降水的预报技巧高于概率匹配平均，概率匹配平均对于暴雨和大暴雨级别降水更有优势。

关键词 局地增长模培育法; 对流尺度集合预报; 概率匹配平均; 分数技巧评分

强对流天气时空尺度小、破坏性大，一直以来都是天气预报关注的重点。但由于对流过程具有高度非线性特征，数值模式预报往往面临着巨大的挑战。因此，发展能够直接描述对流过程的对流尺度集合预报（预报时效为0～24 h，分辨率为1～4 km，不采用积云参数化）有助于提高强对流天气的预报能力（Hohenegger and Schar，2007）。目前，对流尺度集合预报在初值扰动上一般有两种途径。一是利用现有的全球或区域集合预报成员进行降尺度处理（Hohenegger et al.，2008;Kühnlein et al.，2014）。该方法耗费资源少，简便易行，但是缺少小尺度和对流尺度的不确定信息（Zhang et al.，2015）。二是将集合资料同化系统中的分析场集合作为初始成员（Bouttier et al.，2015;Harnisch and Keil，2015）。这种方法可以使得各成员包含所有尺度的不确定信息，但受计算资源限制，成员数目和分辨率往往受到限制（Schumacher and Clark，2014;Schwartz et al.，2014）。所以，如何设计对流尺度集合预报系统的初值扰动仍然是目前国际上亟需解决的问题。

全球集合预报系统经过多年的发展，已形成了一系列成熟的扰动生成技术。理论上而言，将这些扰动技术运用到对流尺度当中是可行的（孔凡铀，2018）。而增长模培育法（Breeding Growing Mode，BGM;Toth and Kalnay，1993，1997）作为其中比较经典的扰动方法，在区域中尺度集合预报上已取得不少成果（智协飞等，2015a，2015b，闵锦忠和房丽娟，2017，陈超辉等，2018）。随着模式分辨率的不断提高，BGM已从中尺度转入至对流尺度研究中（高峰等，2010;Li et al.，2017;马申佳等，2018）。这些工作表明BGM用于对流尺度集合预报中，能够对控制預报起到一定改善效果，但也存在着集合成员不够发散，局地特征不强等缺陷（马申佳等，2018）。为了弥补这些缺陷，Chen et al.（2018）提出了局地增长模算法（Local Breeding Growing Mode，LBGM），在BGM扰动培育阶段引入了局地特征，一定程度上提高了离散度。Ma et al.（2019）将该方法运用到飑线个例中，从信息熵（Abramov et al.，2005）的角度证明了LBGM能够改善集合成员的局地信息量。但是，Chen et al.（2018）和Ma et al.（2019）的试验大部分为理想试验，且研究的侧重点放在培育阶段扰动变量的离散度上，所以，LBGM在强对流天气预报中的实际效果如何，尚不可知。

此外，集合预报产品的释用一直是集合预报研究的重点。集合平均（Ensemble mean，EM）作为最基本的集合预报产品，通常比单一预报更加准确，甚至比更高分辨率的确定性预报结果要更好一些（Du et al.，1997;Stensrud et al.，1999）。然而，EM对于高分辨率的对流尺度集合预报并不完全适用。特别是在强降水事件的预报上，EM由于平滑作用会降低对降水强度的预报能力。为此，Ebert （2001）提出了概率匹配平均法（Probability Matched Mean，PMM）来提取集合成员信息。李俊等（2015）和荣艳敏等（2017）对PMM在不同量级降水中的预报效果开展了研究，发现PMM对大量级降水预报有着改善作用。然而，这些研究在检验降水预报结果时均采用传统的技巧评分（Threat Score，TS）或公平技巧评分（Equitable Threat Score，ETS），其评分原理仍依赖于观测场和预报场的“点对点”比较。而在高分辨率模式下，由于预报场与观测场之间的时空微小差异，可能会给评分带来“双重惩罚”（Mittermaier et al.，2013），从而使得模式评分结果不合理。因此，需要更加合适的降水评估方法来重新衡量PMM较EM对降水预报的改善作用。为了解决高分率模式下的降水评估问题，一些空间方法提了出来，主要包括MODE（Method for Object-Based Diagnostic Evaluation;Davis et al.，2009），邻域法（Neighborhood;Ebert，2009），CRA法（Contiguous Rainfall Area;Ebert and Gallus，2009），分数技巧评分FSS （Fractions Skill Score;Roberts and Lean，2008）等。其中，FSS法作为一种改进的邻域技巧评分，构造简单，避免了滤波阈值等复杂因素的影响，近几年已逐渐替代传统的降水评分（赵滨和张博，2018）。

本文利用LBGM对两次典型的飑线个例开展对流尺度集合预报试验，通过PMM来生成集合预报产品后，利用FSS对降水预报进行了评估，检验LBGM实际预报效果的同时重新评判PMM较EM对不同量级降水预报的改善作用。

1 试验设计

1.1 两次个例简介

个例一选取2014年3月底发生在我国华南地区的一次飑线过程。2014年3月29晚至31日下午，我国华南地区遭受了一次强对流天气过程，广西、广东、云南等省份均受到了不同程度的影响。其中，30日20时—31日04时（世界时，下同），一条长飑线自西北至东南方向经过广东省，部分城市出现冰雹、大风等灾害性天气，中部地区累计降水量达160 mm。图1a、b给出了2014年3月30日12时的大尺度环流形势。整个华南地区位于200 hPa高空急流入口处右后方的辐散区，因此高空急流对该地区的空气有很强的抽吸作用。500 hPa高空中，受高纬地区强高压脊影响，源源不断的冷空气输入至华南地区，为强对流的发展提供了中层冷空气条件。同时，广东省西部有一高空槽，有利于空气的上升运动。在低空，受700 hPa急流和850 hPa暖式切变线的影响，大量暖湿空气经过广东省，提供水汽条件的同时还加剧了该地区的对流不稳定，有利于强对流天气的发展。

个例二选取2014年7月底发生在我国江淮地区的一次飑线过程。2014年7月30日06—11时，一条东西走向的飑线自北向南横扫安徽、江苏两省中北部。30日16时，飑线转为南北走向，并向东移动，于30日19时左右，在江苏省境内消散。受此飑线影响，盐城等多个城市出现短时强降水，小时雨量达20～50 mm，内涝灾害严重。滁州市及其附属地区出现7级以上雷暴大风，房屋受损，人员出现伤亡。图1c、d给出了2014年7月30日00时的大尺度环流形势。500 hPa高空槽在200 hPa高空急流的引导下向东移动，至苏皖地区上空时，受副高的阻挡作用，使得槽线最终停滞在苏皖地区，从而不断为强对流的发展提供中层冷空气。在700 hPa低空，受急流影响，大量暖湿空气输送至苏皖地区，最终堆积在850 hPa暖式切变线南侧。故在高低空环流形势的配合下，苏皖地区发生强对流天气的可能性大大增加。

1.2 模式配置与资料

试验基于WRFV3.6版本，采用双向双层嵌套方案，外区域分辨率设置为9 km，内区域（分析区域）分辨率设置为3 km，垂直不等距分为35层。两次个例的控制预报试验（未加入任何扰动，后文中用CTL表示）物理参数化方案选取和网格设置，如表1所示。模式驱动采用NCEP全球预报系统（Global Forecast System，GFS）资料，天气形势分析采用FNL再分析资料，以中国气象局气象数据中心发布的自动站与CMORPH卫星融合降水（0.1°×0.1°）资料作为实况，以此检验试验结果。

为了更好地评判LBGM的优势，本文采用了传统BGM方法作为对照试验。每个个例均进行了两组集合预报试验，扰动成员数均为10，扰动方法分别采用传统BGM和新型LBGM（见2.1节）。为了保证试验结果只受初值扰动的影響，两组试验中各扰动成员的物理参数化方案配置与控制试验一致，未引入侧边界和模式上的扰动，且未同化任何观测资料。所有集合试验分为培育阶段和预报阶段，详情见表2。

2 方法介绍

2.1 LBGM

LBGM是基于传统的BGM方法提出来的。两者的最大区别主要体现在培育阶段的动态调整上。BGM中，扰动调整公式为

xat（k）=xft（k）×e0（k）et（k），

et（k）=1N2×∑Ni=1[Xpert（i，j，k）-Xctlt（i，j，k）]2。（1）

其中：k和t分别表示垂直层数和当前培育时刻;xat（k）和xft（k）分别对应为分析扰动（调整后的扰动）和上一个培育周期得到的预报扰动（调整前的扰动）;N为k层的格点总数。e0（k）和et（k）分别为培育初始时刻和当前时刻的均方根误差（RMSE），其比值e0（k）et（k）为调整系数。et（k）是在全局角度来计算的，同一垂直层上的格点扰动调整系数相等。但由于对流尺度天气系统具有很强的局地性特征，系统内部水平差异性很大，故而BGM的直接应用可能会限制对流尺度集合预报的结果。

LBGM中，将局地半径参数r引入至扰动调整公式：

xat（i，j，k）=xft（i，j，k）×e0（k）et（i，j，k），

et（i，j，k）=1（2r+1）2× ∑i+ri-r∑j+rj-r[Xpert（i，j，k）-Xctlt（i，j，k）]2。 （2）

其中：i和j分别表示纬向和径向上的格点数;et（i，j，k）为当前时刻垂直方向上第k层的格点（i，j）上的RMSE;Xpert（i，j，k）和Xctlt（i，j，k）分别为该点在t时刻的扰动预报结果和控制预报结果。参数r的引入，使得扰动的调整对象从单个垂直层变为垂直层上的每一个格点，实现了局地调整，详见Chen et al.（2018）和Ma et al.（2019）。在Chen et al.（2018）的研究基础上，本次试验选取的r为13。

2.2 PMM

PMM的基本原理是保留了EM的空间分布特点，但格点上的预报值已经被各个成员中的极值给替换。为了得到PMM结果，将所有成员（n个成员）的所有网格点的预报值按降序排列，每n个值为一个子序列，提取子序列中的第一个值并形成序列1。然后，将EM的所有预报值降序排列形成序列2。序列2中的排名则与模式格点位置相对应。最后，将序列2中的值替换为序列1中的值，并将新的序列2转换至对应格点上。详情请见Ebert （2001）。

2.3 FSS

FSS是一种基于邻域法的技术，可用于评估定量降水预报。其计算公式为：

FSS=1-∑（N2Pf-N2Po）∑（N2Pf+N2Po）。  （3）

其中：NPf和NPo分别代表预报结果和实况的邻域概率场。各格点上的邻域概率是指以该格点为中心的邻域范围内降水量超过一定阈值的格点比例。具体过程请参考Roberts and Lean（2008）。FSS的取值范围为0～1，结果越接近于1，表示降水预报技巧越高。

3 降水预报效果检验

3.1 累计降水分布

强降水往往是强对流天气的一个重要表现特征，通过对降水预报结果的分析，可以评价集合预报系统的优劣。图2给出了两次飑线持续期间12 h累计降水量。对于个例一（图2a），降水主要集中在广东省中部。南部也有少量降水，但强度和范围均不如中部。

114°E经线附近为两个降水中心，强度分别达140 mm和100 mm。相较于个例一，个例二（图2b）的降水强度偏弱，分布较零散。雨带主体位于江苏和安徽省的中部和北部，呈东北-西南走向。雨量达70 mm以上的强降水中心有两个，分布在江蘇省北部。

图3和图4分别给出了两次个例与图2实况对应时间内12 h累计降水量的EM和PMM结果。对于个例一，LBGM和BGM得到的EM结果（图3a、b）除了广东省南部珠海区域存在漏报现象，雨区主体分布基本上与实况相吻合。但LBGM较好地模拟出114°E附近的两个降水中心，强度与实况接近。而BGM中，降水中心不明显，且强度偏强。个例二中，LBGM和BGM（图4a、b）均得到了东北-西南走向的雨区分布，实况中两个强降水中心的位置也被准确预报出来，但苏皖地区中部出现漏报，苏北地区存在部分虚报。与实况对比，BGM得到的皖北雨区强度严重偏弱，效果明显不如LBGM。相较于EM，PMM（图3c、d），图4c、d更多地考虑了集合成员中的极值信息，使得两种方法下的降水强度增强。这对于极端降水预报有更明显的指示作用，但也降低了弱降水地区的预报技巧，使得降水整体分布上，PMM效果不如EM。

3.2 累计降水评分检验

考虑到强对流降水强度没有一个严格的规定，为了分析集合预报对不同量级降水的预报效果，本文在降水阈值的选择上参考了国家气象部门规定的降水量标准（表3）。通过对个例一3月30日18时—31日06时和个例二7月30日07—19时的12 h累计降水量进行ETS和FSS评分检验，评估降水预报的同时，考察两种评分在对流尺度下的合理性。根据赵滨和张博（2018）和Ma et al.（2018）的工作，FSS邻域尺度选择60 km（20倍网格空间）。

图5为两次个例12 h累计降水量在不同阈值下的降水评分。

从评分大小看，ETS评分明显低于FSS，且对于大暴雨量级（>70 mm）降水，个例一中EM的ETS评分高于PMM，个例二中EM评分基本为0，这均与之前12 h累计降水量分析结果不一致。这是因为ETS依赖于预报场和观测场的“点对点”比较。当模式分辨率较高时，预报场和观测场之间的空间误差往往会被放大，从而产生“双重惩罚”现象，造成预报评分较低，无法正常反映预报能力。因此，在对流尺度集合预报检验时，均采用FSS评分用于降水评估。从两次个例的FSS结果（图5b、d）可以看出，无论是EM和PMM结果，LBGM评分基本高于BGM。虽然个例一中小雨（>1 mm）、暴雨（>30 mm）量级降水预报上，BGM评分略高于LBGM，这可能是由于个例的差异性导致的，对评估LBGM并无太大影响。对比EM和PMM结果，对于暴雨以下量级（<30 mm）的降水，EM评分均高于PMM，对于暴雨和大暴雨量级的降水，PMM评分要高于EM。这与PMM增强降水强度、改善极端降水（图3c、d，图4c、d）是一致的。

3.3 逐小时降水评分检验

图6和图7分别给出了不同阈值下两次个例逐小时降水FSS评分与预报时间的关系。

对于小雨和中雨（图6a、b，图7a、b），两次个例的EM预报评分均高于PMM，且LBGM得到的EM预报技巧最高。虽然LBGM和BGM的PMM评分基本一致，但在飑线发生发展期间LBGM结果更优。对于大雨，个例一在飑线生成前，BGM的EM和PMM评分相当，略高于LBGM。当飑线生成后，LBGM的PMM评分接近于EM，整体预报效果要优于BGM，并且，BGM中EM评分仍高于PMM。个例二中，LBGM与BGM下的EM和PMM评分差别不大，但仍能大致看出LBGM结果要略优于BGM。对于暴雨和大暴雨，两次个例中的PMM评分均有了很大改善，效果明显要优于EM。个例一在飑线生成前，BGM下的PMM效果评分最佳，其EM结果对暴雨的预报效果也要优于LBGM，这可能是因为BGM预报的强降水出现时间偏早，故当在飑线生成后，BGM的PMM评分逐渐低于LBGM。个例二中集合预报整体效果降低，反映了极端降水的预报困难。但PMM在一定程度改善了暴雨和大暴雨量级降水的预报效果，特别是LBGM下的PMM结果，评分明显优于其他结果。因此，LBGM在对降水预报上整体上要优于BGM。在降水后处理上，对于暴雨以下量级的降水，EM的预报效果要优于PMM。PMM对暴雨以上量级的降水预报技巧要高于EM。

4 讨论和结论

利用LBGM对两次典型飑线个例进行了对流尺度集合预报试验。通过PMM生成集合预报产品，结合降水实况，与传统BGM法进行了对比，检验了基于LBGM法的集合预报系统对飑线活动的实际预报效果。由于高分辨率模式下的降水评估存在着“双重惩罚”现象，所以FSS和ETS均用于不同量级降水中的检验，合理评估PMM对降水预报的改善作用，得到以下结论：

1）LBGM生成的对流尺度集合预报对飑线降水的预报能力均优于传统BGM。

2）由ETS和FSS的评分差异以及12 h累计降水分布可见，FSS评分更加适合于对流尺度集合预报的降水评估。

3）由12 h累计降水和逐小时降水演变的FSS评分可见，对于小雨、中雨和大雨级别的降水，EM的预报技巧高于PMM，在暴雨和大暴雨级别的降水预报上，PMM预报效果要优于EM。

初值扰动设计是对流尺度集合预报研究的重点。与国际上普遍的动态降尺度和集合资料同化技术相比，LBGM的计算成本更低，生成的扰动包含了局地信息。尽管本文试验仅用了两个飑线个例，但可以为LBGM的操作使用和基于LBGM的对流可分辨尺度集合预报产品的评估提供指导。此外，关于LBGM仍有许多问题需要更深入研究。例如，LBGM扰动的空间特征以及模型分辨率对扰动质量的影响需要进一步评估。LBGM是否适合其他类型的强对流天气系统也需要研究。

参考文献（References）

Abramov R，Majda A，Kleeman R，2005.Information theory and predictability for low-frequency variability[J].J Atmos Sci，62（1）：65-87.doi：10.1175/jas-3373.1.

Bouttier F，Raynaud L，Nuissier O，et al.，2015.Sensitivity of the AROME ensemble to initial and surface perturbations during HyMeX[J].Quart J Roy Meteor Soc，142：390-403.doi：10.1002/qj.2622.

Chen C H，Li X，He H R，et al.，2018.Algorithm based on local breeding of growing modes for convection-allowing ensemble forecasting[J].Sci China Earth Sci，61（4）：462-472.doi：10.1007/s11430-017-9167-5.

陈超辉，刘梅，智协飞，等，2018.基于BGM框架的短期集合预报扰动典型规律研究[J].大气科学学报，41（4）：483-493. Chen C H，Liu M，Zhi X F，et al.，2018.Typical characteristics of spatio-temporal evolution of initial perturbations in short-range ensemble prediction system based on the breeding method[J].Trans Atmos Sci，41（4）：483-493.doi：10.13878/j.cnki.dqkxxb.20171210001.（in Chinese）.

Davis C A，Brown B G，Bullock R，et al.，2009.The method for object-based diagnostic evaluation （MODE） applied to numerical forecasts from the 2005 NSSL/SPC spring program[J].Wea Forecasting，24（5）：1252-1267.doi：10.1175/2009waf2222241.1.

Du J，Mullen S L，Sanders F，1997.Short-range ensemble forecasting of quantitative precipitation[J].Mon Wea Rev，125（10）：2427-2459.doi：10.1175/1520-0493（1997）125<2427：srefoq>2.0.co;2.

Ebert E E，2001.Ability of a poor mans ensemble to predict the probability and distribution of precipitation[J].Mon Wea Rev，129（10）：2461-2480.doi：10.1175/1520-0493（2001）129<2461：aoapms>2.0.co;2.

Ebert E E，2009.Neighborhood verification：a strategy for rewarding close forecasts[J].Wea Forecasting，24（6）：1498-1510.doi：10.1175/2009waf2222251.1.

Ebert E E，Gallus W A Jr，2009.Toward better understanding of the contiguous rain area （CRA） method for spatial forecast verification[J].Wea Forecasting，24（5）：1401-1415.doi：10.1175/2009waf2222252.1.

高峰，閔锦忠，孔凡铀，2010.基于增长模繁殖法的风暴尺度集合预报试验[J].高原气象，29（2）：429-436. Gao F，Min J Z，Kong F Y，2010.Experiment of the storm-scale ensemble forecast based on breeding of growing mode[J].Plateau Meteor，29（2）：429-436.（in Chinese）.

Harnisch F，Keil C，2015.Initial conditions for convective-scale ensemble forecasting provided by ensemble data assimilation[J].Mon Wea Rev，143（5）：1583-1600.doi：10.1175/mwr-d-14-00209.1.

Hohenegger C，Schar C，2007.Atmospheric predictability at synoptic versus cloud-resolving scales[J].Bull Amer Meteor Soc，88（11）：1783-1794.doi：10.1175/bams-88-11-1783.

Hohenegger C，Walser A，Langhans W，et al.，2008.Cloud-resolving ensemble simulations of the August 2005 Alpine flood[J].Quart J Roy Meteor Soc，134（633）：889-904.doi：10.1002/qj.252.

孔凡铀，2018.雷暴尺度天气集合数值预报研究[J].气象科技进展，8（3）：53-60. Kong F Y，2018.A study of storm-scale ensemble forecast[J].Adv Meteor Sci Technol，8（3）：53-60.（in Chinese）.

Kühnlein C，Keil C，Craig G C，et al.，2014.The impact of downscaled initial condition perturbations on convective-scale ensemble forecasts of precipitation[J].Quart J Roy Meteor Soc，140（682）：1552-1562.doi：10.1002/qj.2238.

李俊，杜钧，陈超君，2015.“频率匹配法”在集合降水预报中的应用研究[J].气象，41（6）：674-684. Li J，Du J，Chen C J，2015.Applications of “frequency-matching” method to ensemble precipitation forecasts[J].Meteor Mon，41（6）：674-684.doi：10.7519/j.issn.1000-0526.2015.06.002.（in Chinese）.

Li X，He H R，Chen C H，et al.，2017.A convection-allowing ensemble forecast based on the breeding growth mode and associated optimization of precipitation forecast[J].J Meteor Res，31（5）：955-964.doi：10.1007/s13351-017-6695-0.

馬申佳，陈超辉，何宏让，等，2018.基于BGM的对流尺度集合预报试验及其检验[J].高原气象，37（2）：495-504. Ma S J，Chen C H，He H R，et al.，2018.Experiment and verification of the convective-scale ensemble forecast based on BGM[J].Plateau Meteor，37（2）：495-504.doi：10.7522/j.issn.1000-0534.2017.00073.（in Chinese）.

Ma S J，Chen C H，He H R，et al.，2018.Assessing the skill of convection-allowing ensemble forecasts of precipitation by optimization of spatial-temporal neighborhoods[J].Atmosphere，9（2）：43.doi：10.3390/atmos9020043.

Ma S J，Chen C H，He H R，et al.，2019.An analysis on perturbation features of convection-allowing ensemble prediction based on the local breeding growth mode[J].Wea Forecasting，34（2）：289-304.doi：10.1175/waf-d-18-0111.1.

闵锦忠，房丽娟，2017.基于增长模繁殖法的暴雨集合预报[J].大气科学学报，40（1）：1-12. Min J Z，Fang L J，2017.Storm ensemble forecast based on the BGM method[J].Trans Atmos Sci，40（1）：1-12.doi：10.13878/j.cnki.dqkxxb.20140404002.（in Chinese）.

Mittermaier M，Roberts N，Thompson S A，2013.A long-term assessment of precipitation forecast skill using the fractions skill score[J].Meteor Appl，20（2）：176-186.doi：10.1002/met.296.

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.

荣艳敏，盛春岩，范苏丹，等，2017.概率匹配平均法在山东强降水预报中的应用[J].海洋气象学报，37（3）：95-101. Rong Y M，Sheng C Y，Fan S D，et al.，2017.Applications of probability matching method in heavy rainfall forecast in Shandong Province[J].J Mar Meteor，37（3）：95-101.doi：10.19513/j.cnki.issn2096-3599.2017.03.011.（in Chinese）.

Schumacher R S，Clark A J，2014.Evaluation of ensemble configurations for the analysis and prediction of heavy-rain-producing mesoscale convective systems[J].Mon Wea Rev，142（11）：4108-4138.

Schwartz C S，Romine G S，Smith K R，et al.，2014.Characterizing and optimizing precipitation forecasts from a convection-permitting ensemble initialized by a mesoscale ensemble kalman Filter[J].Wea Forecasting，29（6）：1295-1318.

Stensrud D J，Brooks H E，Du J，et al.，1999.Using ensembles for short-range forecasting[J].Mon Wea Rev，127（4）：433-446.

Toth Z，Kalnay E，1993.Ensemble forecasting at NMC：the generation of perturbations[J].Bull Amer Meteor Soc，74（12）：2317-2330.

Toth Z，Kalnay E，1997.Ensemble forecasting at NCEP and the breeding method[J].Mon Wea Rev，125（12）：3297-3319.

Zhang H，Chen J，Zhi X，et al.，2015.A comparison of ETKF and downscaling in a regional ensemble prediction system[J].Atmos，6（3）：341-360.

赵滨，张博，2018.邻域空间检验方法在降水评估中的应用[J].暴雨灾害，37（1）：1-7. Zhao B，Zhang B，2018.Application of neighborhood spatial verification method on precipitation evaluation[J].Torrential Rain and Disasters，37（1）：1-7.（in Chinese）.

智协飞，孙晶，周文友，2015a.2009年夏季西太平洋台风的集合预报和多模式集成预报试验[J].大气科学学报，38（5）：633-640. Zhi X F，Sun J，Zhou W Y，2015a.Ensemble and multimodel ensemble forecasts of western Pacific typhoons during summer 2009[J].Trans Atmos Sci，38（5）：633-640.doi：10.13878/j.cnki.dqkxxb.20130620010.（in Chinese）.

智协飞，朱寿鹏，孙晶，等，2015b.基于BGM与ETKF的台风“苏拉”（1209）集合预报的对比试验Ⅰ：路径预报[J].大气科学学报，38（6）：776-784. Zhi X F，Zhu S P，Sun J，et al.，2015b.Comparative experiments of ensemble forecasting of typhoon Saola（1209） based on BGM and ETKF，Part Ⅰ：track forecast[J].Trans Atmos Sci，38（6）：776-784.doi：10.13878/j.cnki.dqkxxb.20150420002.（in Chinese）.

Convection-allowing ensemble forecasts of two squall line cases using a novel local breeding growth mode method

LI Kun1，CHEN Chaohui1，HE Hongrang1，MA Shenjia2，JIANG Yongqiang1

1College of Meteorology and Oceanography，National University of Defense Technology，Nanjing 211101，China;

2PLA Troop 78127，Chengdu 610000，China

In the present study，a new local breeding growth mode （LBGM） method is used to conduct convection-allowing ensemble prediction experiments regarding two typical squall line cases.Next，by comparing the results with the traditional breeding growth mode （BGM） method，the actual forecast effect of the LBGM is tested.The simulations of precipitation are performed using the probability-matched mean （PMM） method，then compared with the observational data.Finally，the fraction skill score （FSS） is used to replace the traditional equitable threat score （ETS），so as to reasonably evaluate the precipitation prediction.We obtained the following results：（1） The LBGM is observed to be superior to the BGM in the forecast of the precipitation in the squall line.（2） The FSS better represents the convection-allowing ensemble prediction capability better than ETS，particularly for extremely severe rain assessments.（3） The precipitation scoring results show that the EM is superior to the PMM method for light，moderate and heavy rainfall，whereas the PMM method is better for severe and extremely severe rainfall.

local breeding growth mode;convection-allowing ensemble forecasting;probability-matched mean;fraction skill score

doi：10.13878/j.cnki.dqkxxb.20200420001

（責任编辑：刘菲）