一种集合预报方法及装置与流程

本发明涉及天气预报技术领域，特别是涉及一种集合预报方法以及一种集合预报装置。

背景技术：

随着高精卫星、雷达以及其他观测、通讯信息处理技术的进步，降雨预报技术的研究有了长足的发展；在时间与空间上都有了较大的突破。集合预报其原理清晰，预见期由短到长，预报模式较多，预报产品也颇为丰富，随数据处理与模式精度的不断提高，其应用范围不断扩大。

大量研究结果表明，传统集合预报对于无雨预报的准确率相对较高，对小雨的空报和漏报率也很低，而对中雨及以上的降雨预报精度则迅速下降；原因是在传统集合预报产品中，最常见并应用广泛的是平均值预报。平均值预报在一定程度上可以过滤掉预报中的一些随机信息，弥补一些特殊值带来的振荡，但这也造成了对较大量级降雨的均化，丧失对较大量级降雨的预报能力，而较大降雨往往会造成洪涝灾害，这种对极端较大降雨预报能力的缺失限制了集合降雨预报的进一步应用与发展。

因此，目前需要本领域技术人员迫切解决的一个技术问题就是：提供一种集合预报方法及装置，以提高对高影响天气的预报能力。

技术实现要素：

本发明实施例所要解决的技术问题是提供一种集合预报方法，以提高对高影响天气的预报能力。

为了解决上述问题，本发明公开了一种集合预报方法，所述方法包括：

获取初始预报区间，包括根据第一预报模式的预报集合确定初始预报区间，所述预报集合中包含集合成员；

区间划分，包括对所述初始预报区间进行区间划分，获得至少两个预报区间；

获得级别特征值，包括获得所述集合成员的级别特征值；

确定区间，包括根据所述级别特征值的大小确定所述集合成员中的高预报成员，并根据所述高预报成员在所述预报区间上的分布比例确定二次预报区间；

确定预报结果，包括根据所述二次预报区间确定集合区间预报结果。

优选地，所述根据所述二次预报区间确定集合区间预报结果的步骤，包括：

当所述二次预报区间满足第一预设条件时，将所述二次预报区间作为集合区间预报结果；

当所述二次预报区间不满足所述第一预设条件时，将所述二次预报区间作为初始预报区间，重复所述区间划分，所述获得级别特征值，及所述确定区间的步骤，直至所述确定区间的结果满足所述第一预设条件。

优选地，获得所述集合成员的级别特征值的步骤，包括：

确定预报评价指标，并根据所述预报集合得到预报评价指标特征值矩阵；

根据所述预报评价指标特征值矩阵，对所述集合成员进行可变集模糊优选评价，得到所述集合成员的级别特征值。

优选地，所述预报评价指标包括偏差以及离散度。

优选地，所述对所述集合成员进行可变集模糊优选评价，得到所述集合成员的级别特征值的步骤包括：

根据所述预报评价指标特征值矩阵，对所述预报评价指标进行级别划分，得到分类标准值矩阵；

根据所述分类标准值矩阵以及所述预报集合，得到所述集合成员的级别特征值。

优选地，在所述根据第一预报模式的预报集合确定初始预报区间之前，包括确定第一预报模式，所述确定第一预报模式的步骤包括：

选择满足第二预设条件的预报模式；

获取所述预报模式的历史预报集合以及历史实测值，所述历史预报集合包含历史集合成员；

获得所述历史集合成员的历史级别特征值；

获得所述历史集合成员对于所述历史实测值的相对隶属度；

根据所述历史集合成员的历史级别特征值以及相对隶属度，得到所述预报模式的综合级别特征值；

根据所述综合级别特征值的大小，在所述预报模式中确定第一预报模式。

优选地，所述获得所述历史集合成员对于所述历史实测值的相对隶属度的步骤，包括：

确定所述历史实测值为评价指标，对所述历史集合成员进行可变集模糊优选评价，得到所述历史集合成员对于所述历史实测值的相对隶属度。

相应的，本发明实施例还公开了一种集合预报装置，用以保证上述方法的实现及应用。所述装置包括：

初始区间获取模块，用于根据第一预报模式的预报集合确定初始预报区间，所述预报集合中包含集合成员；

区间划分模块，用于对所述初始预报区间进行区间划分，获得至少两个预报区间；

特征值获得模块，用于获得所述集合成员的级别特征值；

区间确定模块，用于根据所述级别特征值的大小确定所述集合成员中的高预报成员，并根据所述高预报成员在所述预报区间上的分布比例确定二次预报区间；

预报结果确定模块，用于根据所述二次预报区间确定集合区间预报结果。

优选地，所述预报结果确定模块，包括：

结果输出子模块，用于当所述二次预报区间满足第一预设条件时，将所述二次预报区间作为集合区间预报结果；

循环子模块，用于当所述二次预报区间不满足所述第一预设条件时，将所述二次预报区间作为初始预报区间，重复调用所述区间划分模块，所述特征值获得模块，及所述区间确定模块，直至所述区间确定模块的结果满足所述第一预设条件。

优选地，所述特征值获得模块，包括：

矩阵获得子模块，用于确定预报评价指标，并根据所述预报集合得到预报评价指标特征值矩阵；

优选评价子模块，用于根据所述预报评价指标特征值矩阵，对所述集合成员进行可变集模糊优选评价，得到所述集合成员的级别特征值。

优选地，所述预报评价指标包括偏差以及离散度。

优选地，所述优选评价子模块包括：

分类矩阵获得子模块，用于根据所述预报评价指标特征值矩阵，对预报评价指标进行级别划分，得到分类标准值矩阵；

特征值计算子模块，用于根据所述分类标准值矩阵以及所述预报集合，得到所述集合成员的级别特征值。

优选地，所述装置还包括第一预报模式确定模块，所述第一预报模式确定模块包括：

模式选择子模块，用于选择满足第二预设条件的预报模式；

数据获取子模块，用于获取所述预报模式的历史预报集合以及历史实测值，所述历史预报集合包含历史集合成员；

历史特征值获得子模块，用于获得所述历史集合成员的历史级别特征值；

隶属度获得子模块，用于获得所述历史集合成员对于所述历史实测值的相对隶属度；

综合特征值获得子模块，用于根据所述历史集合成员的历史级别特征值以及相对隶属度，得到所述预报模式的综合级别特征值；

模式确定子模块，用于根据所述综合级别特征值的大小，在所述预报模式中确定第一预报模式。

优选地，所述隶属度获得子模块包括：

隶属度计算子模块，用于确定所述历史实测值为评价指标，对所述历史集合成员进行可变集模糊优选评价，得到所述历史集合成员对于所述历史实测值的相对隶属度。

与背景技术相比，本申请实施例具有以下优点：

在本申请实施例中，通过级别特征值首先确定预报集合中的高预报成员，再得到集合区间值的预报结果，不但提高了集合预报对高影响天气的预报能力，而且预报结果由单一值预报变成区间值预报，对流域防洪减灾机构的防洪管理与应用以及降雨预报相关研究都具有一定参考意义。

附图说明

图1是本发明实施例一种集合预报方法的步骤流程图；

图2是本发明实施例另一种集合预报方法的步骤流程图；

图3是本发明实施例一种集合预报方法中获得级别特征值步骤的流程图；

图4是附图3中可变集模糊优选评价的步骤流程图；

图5是本发明实施例一种集合预报方法中确定第一预报模式的步骤流程图；

图6是本发明实施例一种集合预报装置的结构框图；

图7是本发明实施例另一种集合预报装置的结构框图；

图8是本发明实施例一种集合预报装置中获得级别特征值模块的结构框图；

图9是附图8中优选评价子模块的结构框图；

图10是本发明实施例一种集合预报装置中确定第一预报模式模块的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明实施例一种集合预报方法的步骤流程图，具体可以包括如下步骤：

步骤101，获取初始预报区间，包括根据第一预报模式的预报集合确定初始预报区间，该预报集合中包含集合成员。

具体地，第一预报模式可以根据研究流域属性以及历史经验来确定。还可以通过获取预报模式的历史预报集合以及历史实测值，对历史集合成员进行可变集模糊优选评价，得到所有备选模式的综合级别特征值，根据综合级别特征值的大小确定与所研究区域匹配的第一预报模式。

第一预报模式的预报集合可以从tigge数据平台下载得到。tigge数据平台目前包括了ecmwf、ncep、cma、cmc等多种预报模式的降雨集合预报数据。该平台由于其开放性以及不需要太多对前期参数、模式的扰动与预报的专业知识，在短期内吸引了大批的专业学者以及相关人士加入其中，其成果也迅速应用于诸多行业领域中，并获得了用户的认同。

对于任何一种预报模式，其所有的预报结果存在于一个预报集合中，每一个集合成员代表着一种可能的结果，以集合成员中的最大值作为本次预报的最大可能情况，即上限(xforecast_max)，以集合成员中的最小值作为本次预报中可能出现的最小情况，即下限(xforecast_min)，由上下限构成的集合范围即为本预报的初始预报区间[xforecast_max,xforecast_min]。

步骤102，区间划分，包括对初始预报区间进行区间划分，获得至少两个预报区间。

在实际应用中，初始预报区间[xforecast_max,xforecast_min]为一个连续区间，由于概率分布的随机性，区间上的每一个点都可能为实际值，即区间上的所有点为等概率分布，那么可以对初始预报区间进行区间划分，例如可以通过三等分位计算将初始预报区间分割为高、中、低三个预报区间，还可以按二等分分为两个、四等分分为四个或者其它数目，只要能够获得至少两个预报区间，具体数目可视实际情况而定，本发明实施例不做限定。通过区间划分可以将初始预报区间先从量级上大概加以区分；然后再通过一系列可变集模糊优选评价，再次缩小预报的可能分布范围。

步骤103，获得级别特征值，包括获得集合成员的级别特征值。

在实际应用中，可以通过对预报集合中各成员进行可变集模糊优选评价的方法，得到各集合成员的级别特征值。还可以通过模糊分析法，灰色系统分析法，投影寻踪分类法等计算得到各集合成员的级别特征值。具体地可根据实际应用来确定计算方法，本发明实施例对此不做限定。

步骤104，确定区间，包括根据级别特征值的大小确定集合成员中的高预报成员，并根据高预报成员在预报区间上的分布比例确定二次预报区间。

按照集合预报原理，认为实际值应该分布于初始预报区间的某一点上，如集合成员在初始预报区间内均匀分布的话，初始预报区间内某一个或几个集合成员应该会分布在实际值的附近，这一个或几个接近实际值的集合成员称之为高预报成员(xhigh-hit)，而与实际值距离较远的称之为低预报成员(xlow-hit)。

在实际应用中，可以首先按照各集合成员的级别特征值大小进行排序，然后可以确定前1/3的集合成员为高预报成员，也可以将前1/2，或前1/4等比例的集合成员确定为高预报成员，具体比例根据实际情况确定，本发明实施例对此不做限定。然后再计算高预报成员在预先划分好的各预报区间上的分布比例，根据分布比例确定二次预报区间，比如可以以分布比例最高的预报区间作为二次预报区间。

在上述方法中，通过识别预报集合中的高预报成员来判断实际值的可能分布区间，从而减小预报不确定的误差范围，降低风险。

步骤105，确定预报结果，包括根据二次预报区间确定集合区间预报结果。

具体地，根据确定的二次预报区间的范围，以及所研究地区的洪水预报管理实际情况或者历史经验，可以将二次预报区间作为集合区间预报结果；还可以再按照上述步骤对二次预报区间进行多次区间压缩，直至得到较为满意的预报结果。

在本申请实施例中，通过级别特征值首先确定预报集合中的高预报成员，再得到集合区间值的预报结果，不但提高了集合预报对高影响天气的预报能力，而且预报结果由单一值预报变成区间值预报，对流域防洪减灾机构的防洪管理与应用以及降雨预报相关研究都具有一定参考意义。

在本申请的另一个实施例中，参照图2，上述确定预报结果的步骤105还可以进一步包括：

步骤201，当二次预报区间满足第一预设条件时，将二次预报区间作为集合区间预报结果。

具体地，上述第一预设条件可以是根据工作人员的历史经验确定的区间大小，还可以是结合所属地区的洪水预报管理实际情况确定的区间大小。当上述步骤104确定的二次预报区间大小小于第一预设条件中的区间大小时，可以将此二次预报区间作为集合区间预报结果。

步骤202，当二次预报区间不满足第一预设条件时，将二次预报区间作为初始预报区间，重复区间划分，获得级别特征值，及确定区间的步骤，直至确定区间的结果满足第一预设条件。

具体地，当上述步骤104确定的二次预报区间大小大于或者等于上述第一预设条件中的区间大小时，可以将此二次预报区间作为初始预报区间，重复步骤102，步骤103，及步骤104，直至步骤104输出的区间大小小于第一预设条件中的区间大小，再将步骤104输出的区间作为集合区间预报结果。

在本申请的另一个实施例中，参照图3，上述获得级别特征值的步骤103还可以进一步包括：

步骤301，确定预报评价指标，并根据预报集合得到预报评价指标特征值矩阵。

在本实施例中，上述预报评价指标可以包括偏差(bias)以及离散度(r)。

具体地，偏差(bias)是各集合成员，与预报集合平均值的差值；离散度(r)是各集合成员对预报集合平均值的标准差。

根据上述确定的预报评价指标，可以计算各集合成员对预报集合平均值的偏差以及离散度等预报评价指标的特征值，组成预报评价指标特征值矩阵。

步骤302，根据预报评价指标特征值矩阵，对集合成员进行可变集模糊优选评价，得到集合成员的级别特征值。

在本实施例中，可选地，参照图4，上述步骤302中对集合成员进行可变集模糊优选评价的步骤还可以进一步包括：

步骤401，根据预报评价指标特征值矩阵，对预报评价指标进行级别划分，得到分类标准值矩阵。

具体地，根据计算得到的预报评价指标特征值矩阵，以及预报能力和实际需要，对每个预报评价指标进行级别划分，如可以按照：1级大暴雨，2级中雨，3级小雨的分类标准，得到分类标准值矩阵。分类标准值矩阵的每一行都是由相应预报评价指标的各个级别组成的，行中各元素是用来表征相应级别的一个区间范围。分类标准值矩阵可以按照现有的对预报评价指标进行级别划分的方法得到。

步骤402，根据分类标准值矩阵以及预报集合，得到集合成员的级别特征值。

具体地，利用可变集分类原理，根据分类标准值矩阵，得到各集合成员对于各预报评价指标各级别的相对隶属度，组成相对隶属度矩阵。再根据相对隶属度矩阵以及指标权向量等，计算级别特征值。级别特征值可以按照现有方法计算得到，例如参考已发表论文：陈守煜等，洪水分类的可变集原理与方法，中国科学，2013,43:1202-1207。

为使本领域技术人员更好地理解本发明，以下用一个具体的实施例阐述本申请以上实施例的实现过程：

具体地，应用可变集模糊优选评价方法对tigge平台中的预报模式ecmwf为例，对各集合成员进行可变集模糊优选评价，设预报集合为：

u＝{u1,u2,u3…un}＝{uj}j＝1,2,…,n(1)

其中u表示由预报模式ecmwf的50个集合成员形成的预报集合，uj为50个集合成员中的任何一个，n表示集合成员总数。

在该预报模式的预报集合中，按照集合成员的数值大小，从中选出最大值与最小值，由这两个数形成该预报模式的初始预报区间[xmax,xmin]。

按照三等分位划分原则对初始预报区间进行三分位划分，上分位[xmax,x2/3(max-min)]为高区间，中分位[x2/3(max-min),x1/3(max-min)]为中区间，下分位[x1/3(max-min),xmin]为低区间。

根据预报集合结果计算得到各集合成员的偏差(bias)以及离散度(r)等m个预报评价指标的特征值，构建此预报集合的预报评价指标特征值矩阵：

x＝(xij)i＝1,2,…,m；j＝1,2,…n；(2)

其中x表示由n个集合成员的m个预报评价指标形成的预报评价指标特征值矩阵，xij为该特征值矩阵中的一个代表值，本例以ecmwf为例，则上式(2)可表达为：

根据集合预报的预报能力以及研究需要，以及上述预报评价指标特征值矩阵，将预报评价指标划分为c个等级，根据m个评价指标c个等级，建立分类标准值矩阵：

(3)式中aih表示第i个预报评价指标第h个级别的区间上限值，bih表示第i个预报评价指标第h个级别的区间下限值，所有m个预报评价指标c个级别的特征值区间构成了分类标准值矩阵y。再根据分类标准值矩阵以及预报集合，得到集合成员的级别特征值。通过级别特征值识别预报集合中的高预报成员，进而确定集合预报区间值。

在本申请的另一个实施例中，参照图5，确定第一预报模式的步骤具体可以包括：

步骤501，选择满足第二预设条件的预报模式。

具体地，满足第二预设条件的预报模式，可以是根据历史数据，选取几种历史预报准确率较高的几种预报模式；还可以是根据研究流域属性确定几种匹配的预报模式。

步骤502，获取预报模式的历史预报集合以及历史实测值，历史预报集合包含历史集合成员。

具体地，可以通过tigge平台下载各预报模式的历史预报集合，其中历史预报集合中包括历史集合成员。同时获取通过实际测量得到，与历史预报集合相对应的历史实测值。

步骤503，获得历史集合成员的历史级别特征值。

在本实施例中，可以按照如下方法获得历史集合成员的级别特征值，首先确定历史预报评价指标，如相对历史实测值的均方根误差(rmse)、平均误差(me)、绝对误差(mae)以及相关系数(cc)等，计算预报集合中各集合成员的历史预报评价指标特征值，组成历史预报评价指标特征值矩阵；然后再根据历史预报评价指标特征值矩阵，对历史集合成员进行可变集模糊优选评价，得到历史集合成员的历史级别特征值。这里获得历史级别特征值的过程与上述步骤103获得级别特征值的过程类似。

步骤504，获得历史集合成员对于历史实测值的相对隶属度。

在本实施例中，获得历史集合成员对于历史实测值的相对隶属度的步骤，包括：

确定历史实测值为评价指标，对历史集合成员进行可变集模糊优选评价，得到历史集合成员对于历史实测值的相对隶属度。其中，相对隶属度是通过可变集模糊优选评价计算级别特征值的过程中得到的一个重要参量。

步骤505，根据历史集合成员的历史级别特征值以及相对隶属度，得到该预报模式的综合级别特征值。

例如预报模式ecmwf有50个成员，每一个集合成员计算得到一个级别特征值hi，和一个对于实测值的相对隶属度ui，根据公式

计算每一个集合成员对该预报模式贡献的权重wi，再根据公式

hecmwf＝h1·w1+h2·w2+…+h50·w50

计算得到该预报模式对本次预报的综合级别特征值hecmwf。

步骤506，根据综合级别特征值的大小，在预报模式中确定第一预报模式。

具体地，可以选取预报模式中综合级别特征值最大的预报模式，作为与所研究区域最匹配的预报模式，即第一预报模式。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图6，示出了本发明实施例一种集合预报装置结构框图，具体可以包括如下模块：

初始区间获取模块601，用于根据第一预报模式的预报集合确定初始预报区间，所述预报集合中包含集合成员；

区间划分模块602，用于对所述初始预报区间进行区间划分，获得至少两个预报区间；

特征值获得模块603，用于获得所述集合成员的级别特征值；

区间确定模块604，用于根据所述级别特征值的大小确定所述集合成员中的高预报成员，并根据所述高预报成员在所述预报区间上的分布比例确定二次预报区间；

预报结果确定模块605，用于根据所述二次预报区间确定集合区间预报结果。

在本申请的另一个实施例中，参照图7，所述预报结果确定模块605，可以进一步包括：

结果输出子模块701，用于当模块604确定的二次预报区间满足第一预设条件时，将此二次预报区间作为集合区间预报结果；

循环子模块702，用于当模块604确定的二次预报区间不满足上述第一预设条件时，将此二次预报区间作为初始预报区间，重复调用模块602，模块603，及模块604，直至模块604的结果满足上述第一预设条件。

在本申请的另一个实施例中，参照图8，所述特征值获得模块603，可以进一步包括：

矩阵获得子模块801，用于确定预报评价指标，并根据预报集合得到预报评价指标特征值矩阵；

在本实施例中，上述预报评价指标可以包括偏差以及离散度。

优选评价子模块802，用于根据预报评价指标特征值矩阵，对集合成员进行可变集模糊优选评价，得到集合成员的级别特征值。

在本实施例中，可选地，参照图9，所述优选评价子模块802，可以进一步包括：

分类矩阵获得子模块901，用于根据预报评价指标特征值矩阵，对预报评价指标进行级别划分，得到分类标准值矩阵；

特征值计算子模块902，用于根据分类标准值矩阵以及预报集合，得到集合成员的级别特征值。

在本申请的另一个实施例中，参照图10，所述装置还可以包括第一预报模式确定1000，所述第一预报模式确定模块1000可以包括：

模式选择子模块1001，用于选择满足第二预设条件的预报模式；

数据获取子模块1002，用于获取所述预报模式的历史预报集合以及历史实测值，所述历史预报集合包含历史集合成员；

历史特征值获得子模块1003，用于获得所述历史集合成员的历史级别特征值；

隶属度获得子模块1004，用于获得所述历史集合成员对于所述历史实测值的相对隶属度；

在本实施例中，可选地，所述获得隶属度获得子模块1004可以包括：

隶属度计算子模块1007，用于确定所述历史实测值为评价指标，对所述历史集合成员进行可变集模糊优选评价，得到所述历史集合成员对于所述历史实测值的相对隶属度。

综合特征值获得子模块1005，用于根据所述历史集合成员的历史级别特征值以及相对隶属度，得到所述预报模式的综合级别特征值；

模式确定子模块1006，用于根据所述综合级别特征值的大小，在所述预报模式中确定第一预报模式。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

为了验证本申请的一种集合预报方法或一种集合预报方法装置的有益效果，对第二松花江丰满水库流域进行预报应用，其结果如表1所示。对于不同强度类型的降雨，预报精度判别方法多种多样，在降雨集合预报中，首先判别降雨预报结果与实测降雨是否都属于同一级别，如小雨、中雨、大雨、大暴雨等，计算降雨预报结果实际发生的概率，即概率预报；再进行定量分析。本文将集合区间预报、集合平均和控制预报进行概率预报对比分析；考虑到实际样本数据的限制，按国家防办《防汛手册》规定的24小时降雨量为标准进行分类：1)小于10mm为小雨及以下；2)[10mm，25mm]为中雨；3)大于25mm，为大雨及以上。其中大雨及以上样本数据100条，中雨样本数据150条，小雨及以下样本数据420条，比较结果如表1所示。表1中inter为集合区间预报，ave为集合平均值预报，ctrl为集合控制预报，以下文中所有表述与此一致。

对于大雨及以上降雨，其预报结果有以下特点：首先总体上ecmwf、cma、ncep的预报精度较高，cmc较低；其次，区间预报比均值和控制预报的结果精度稍高或基本相当；第三，在3天预见期内，预报精度排序为ecmwfncep≈cmacmc。24h预见期中，ecmwf、ncep、cma、cmc的区间预报概率为68％、63％，63％、37％，均值预报分别为47％、47％、47％、21％，控制预报分别为37％、47％、63％、26％，区间预报的优势比较明显；对于24h以上的预见期(不超过模式预报本身的有效预见期)，其优势更加显著，特别是ecmwf与ncep，区间预报对大雨及以上降雨的预报精度较高且稳定。

对中雨量级降雨，预报概率与大雨接近，部分模式的预报概率比大雨还大，如ecmwf24h预报概率为72％，48h预报概率为70％，不仅高于其它模式的预报概率，也高于此模式本身的均值和控制预报概率；此外，对中雨的均值与控制预报其概率高于对大雨的预报，且区间预报比均值和控制预报概率总体要高；但cmc预报模式例外。

小雨是常见的雨型，对该量级降雨的预报水平整体较好；24h区间预报精度在90％以上，在5d～1d遇见期内，预报概率基本高于80％；对于均值和控制预报，预报概率也保持70％以上，24h预见期的预报结果更是超过80％，个别超过90％，该量级降雨预报精度整体较高。

表1集合区间预报、平均和控制预报的概率预报结果

在由长到短不同时间尺度预见期内，集合预报区间随成员值的变化也在动态变化着，在第i天预见期时的集合区间为[xi,forecast_max，xi,forecast_min,]，这种集合区间随预见期的不同而呈现趋势性的变化所反应出的预报信息结合控制预报与均值预报，可以提高对预报中的一些边界小概率事件的预报覆盖率，如对较大量级的降雨预报。较大量级降雨反映在气候态上本身也是一种不太常见的现象，如大、暴雨总是由一些强对流天气导致，像台风、副热带高压、东北冷涡等较为特殊的天气形势大多都伴随有大、暴雨的发生，而这种特殊的天气现象尽管经原始初始场扰动与模式扰动也很难在集合预报过程中得以实现，反映在集合预报结果上即可解释为：集合成员中的哪些点可以最可能接近特殊气候态下的降雨，实际上这种可能的降雨一般量级都偏大，用集合平均值往往会预报偏小，而“单一”的控制预报也未必能捕捉到这种特殊的天气现象；而区间划分中的高区间代表着可能结果中的较大值，其本身即为初始场与模式扰动叠加之后较为极端的一种结果，对极端(较少见)现象具有一定的代表性，再通过其他信息的有效补充便可提高对较大量级降雨的预报能力。

综上所述，从小到大雨及以上的各类降雨中，所有数据其区间值预报结果总体优于集合平均与控制预报，在大雨及以上的降雨预报中其优势尤为明显。但随预见期的延长，预报能力下降，预报精度降低，但基本与集合平均与控制预报相持平，说明区间预报方法在极端降雨的定性概率预报中具有一定的优势。

根据上述cma、ecmwf、ncep、cmc四种集合预报结果，用《水文情报预报规范(gb/t22482-2008)》中水文预报误差的相关评价标准进行评判，集合平均与控制预报直接进行评判计算，区间预报以预报结果有一个值满足评判条件即可认为合格，否则即视为不合格。限于篇幅，本文仅以预见期为1天的预报结果为例展开分析。

表2四种模式集合区间预报结果

从表2可知，cma平均与控制预报的空报和漏报率都不高，但定量预报合格率均为50％，而区间预报合格率为77％，比前两者高出25％以上，区间预报的优势非常明显。ecmwf的区间预报合格率为82％，远超均值的55％与控制预报的36％，也超出了cma的77％，为所有预报中效果最好的一种，且其对2007-7-31与2010-7-29日两场暴雨均预报准确，对较大量级降雨的预报能力较强。ncep预报能力整体低于cma，均值预报合格率为36％，控制预报为32％，区间预报为59％，三种方式都比cma差，但其本身区间预报的合格率高于另外两种，说明区间比均值和控制预报能力都强。cmc的预报效果整体较差，均值、控制和区间预报合格率分别为32％、26％、32％。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种集合预报方法和一种集合预报装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。