阅读时间 4 分钟预报

预报检验:如何给天气预报评分

没有评过分的预报,您无法为它定价、调优,也无法信任它。本文用平实的语言讲解常用评分指标和常见陷阱,并给出一个如实报告结果的公开案例。

华盛顿州和俄勒冈州上空离地 80 米高度风速的预报图,采用 1 km 网格,山口处有明亮的强风带。

首次发布于 2026年11月11日 · 更新于 2026年11月16日

预报检验,就是对照实际发生的情况给预报评分。预报团队负责人靠它判断新的模式配置是否有改进,采购方靠它了解供应商的预报值多少钱,运营负责人靠它决定对明天的数字能信到什么程度。本指南介绍拿什么作对照、用平实语言讲解的常用评分指标、会让结果显得好看的陷阱,以及一个把结果连同其局限一并报告的公开案例。

拿什么与预报作对照

没有哪种参照是完美的真值。每一种都有长处,也有盲区。

  • 地面气象站在一个点上直接测量气温、风、气压和降雨。它们在机场和城市附近密集,其他地方稀疏,而且标准测风高度是 10 m,远低于风机轮毂。
  • 激光雷达测量仪器上方多个高度的风,包括轮毂高度。它很适合风电,但装有激光雷达的场站很少。
  • 雷达每隔几分钟就能看到大范围内的雨、冰雹和雷暴结构。它测量的是空中降水反射的能量,而不是落到地面的雨,所以把它换算成降雨量需要谨慎。
  • 分析场是把观测与模式融合后得到的大气格点最优估计。它覆盖所有地方,用起来方便,但也带着生成它的那个模式的习性。用模式自己的分析场给该模式评分,结果会被美化。

无论用哪种参照,都要同时给一个基线评分:持续性预报(假定此后不变)、气候态,或一种公开预报,例如 NOAA 逐小时更新的美国预报模式 HRRR。一份预报只有胜过您不用它也能得到的东西,才对得起它的成本。

用平实语言讲常用评分指标

假设有五次风速预报,误差分别为 +2、−1、+3、−2 和 +3 m/s(预报减观测)。这些数字是为演示算法而编的。

  • 偏差是保留正负号的平均误差:(2 − 1 + 3 − 2 + 3) ÷ 5 = +1.0 m/s。预报偏高。偏差是最容易订正的误差,但偏差为零也可能掩盖了相互抵消的大误差。
  • 平均绝对误差(MAE)是去掉正负号后误差的平均大小:(2 + 1 + 3 + 2 + 3) ÷ 5 = 2.2 m/s。可以把它理解为典型的误差大小。
  • 均方根误差(RMSE)先把每个误差平方,再对平方求平均,然后开平方:√((4 + 1 + 9 + 4 + 9) ÷ 5) = √5.4 = 2.32 m/s。平方会让大误差占更大的权重,所以 RMSE 永远不会小于 MAE。当一次大误差的代价高于几次小误差时,就用它。

对于事件,例如站点出现雷暴或风速超过风机切出风速,要统计命中、漏报和空报。假设有 20 天预报了雷暴,其中 12 天雷暴确实来了,另有 3 次雷暴没有被预报到(同样是编的数字)。

  • 命中率,也称探测概率:命中 ÷ (命中 + 漏报) = 12 ÷ (12 + 3) = 0.80。在实际发生的雷暴中,80% 被预报到了。
  • 空报率:空报 ÷ (命中 + 空报) = 8 ÷ (12 + 8) = 0.40。在预报的雷暴中,40% 没有发生。

这两项要一起报告。一份天天都报雷暴的预报,命中率完美,空报率却糟得毫无用处。更完整的定义见预报检验研究联合工作组(Joint Working Group on Forecast Verification Research)维护的方法指南,该工作组隶属于 WMO 的世界天气研究计划。METplus是一个公开的检验框架,由 Developmental Testbed Center 与 NCAR 和 NOAA 共同提供。

三个会造成误导的陷阱

代表性

模式的值是一个网格单元上的平均值,仪器测的是一个点。一个网格单元里可以同时装下一道山脊和一条山谷。高度同样重要:10 m 处的风速计对 80 m 处的风说明不了多少。“误差”中有一部分来自这种不匹配,而不是预报本身。

时间误差与双重惩罚

高分辨率模式画出的雷暴轮廓分明。如果它把这场雷暴放偏了 20 km,或晚了一小时,逐点评分就会在雷暴实际所在处记一次漏报,在预报位置记一次空报:只差一点,却被罚两次。一份平滑、粗糙、从不明确表态的预报反而可能得分更高,用处却更小。允许空间邻域或时间窗口的评分方法,对轮廓分明的预报更公平。

精心挑选的个例

一个引人注目的个例证明不了什么。在看结果之前,先把时段、站点和评分指标定下来。然后报告每一个个例、样本量、基线,以及哪些地方没有奏效。

一个如实报告的实例

Aerava是由 TempoQuest 运营的气象智能平台,它公布了一项风的对比结果。其各项内容与上面的清单一一对应。

  • 样本:俄克拉何马州一座风电场的十二个夜晚。
  • 参照:美国能源部(DOE)公开的 80 m 激光雷达数据。
  • 基线:单独使用 HRRR。
  • 结果:1 km 预报与 HRRR 融合后,误差比单独使用 HRRR 低 11% 至 13%,并且在 12 个夜晚中有 11 个表现更好。
  • 没有奏效的地方:单独使用时,1 km 运行并未稳定地优于 HRRR。
  • 状态:这种融合属于研究,并未出售。

Aerava 还说明了它尚未评分的内容:雷暴预报尚未评分,冰雹尺寸属于试验性参考信息。一个场站的十二个夜晚是很小的样本,而这项说明所主张的也仅限于这十二个夜晚。这正是您应当向任何供应商(包括 TempoQuest)要求的范式:样本、参照、基线、哪些失败了,以及哪些尚未评分。

TempoQuest 正在开发 Forecast Verification Tool(FVT),旨在改进天气预报的检验。本指南中的评分指标和陷阱属于通行做法,并不是对 FVT 的描述。

下一步

阅读Aerava 的 1 km 站点预报是什么,或联系 TempoQuest。

您的预报

您自己也有预报方面的问题?

告诉我们它要服务于哪项决策。填写一份简短的表单即可联系到团队,我们会审阅每一条来信。