1 引言

随着模式和同化的改进以及计算机技术的快速发展，数值天气预报取得了显著的进步，预报能力逐步提高，但少数情况仍会出现较大的系统性误差，呈现预报技巧极端下降（Forecast Bust）现象^[1]。直观上，此现象表现为温、压、风、湿等气象要素的预报值与观测值差异较大。进一步来说，这些事件还涉及对高影响天气的预报失败，例如冬季风暴或台风。Rodwell等^[1]系统研究了欧洲中期天气预报中心（European Centre for Medium - Range Weather Forecasts，ECMWF）模式在欧洲地区中期预报技巧极端下降事件，并将此类事件定义为在144小时预报500 hPa高度场的距平相关系数（Anomaly Correlation Coefficient，ACC）小于0.4，均方根误差（Root Mean Square Error，RMSE）大于60 gpm的预报即为中期预报技巧极端下降事件。

Rodwell等^[1]利用ERA-Interim（European Centre for Medium-Range Weather Forecasts Interim Reanalysis）再分析资料作为初值重新预报得到的预报数据，根据定义识别出584个预报技巧极端下降个例，通过合成分析研究了极端下降事件的共同特征。结果表明，中期预报技巧极端下降事件通常与欧洲阻塞形势建立时的预报误差有关。这些预报误差来源于初值中存在于上游北美地区落基山槽和槽前高对流有效位能的误差，在春季该特征尤为明显。Magnusson^[2]对其中三个典型中期预报技巧极端下降事件进行个例分析，研究表明都与斯堪的纳维亚阻塞形势的预报有关。Ferranti等^[3]对ECMWF集合预报在北大西洋振荡（North Atlantic Oscillation，NAO）正位相、NAO负位相、阻塞形势、大西洋脊四种天气模态情况下的预报结果进行分析比较，发现NAO-天气模态下的预报技巧最好，阻塞形势的预报技巧最差。预报技巧极端下降事件往往低估了阻塞形势的维持，而高估了向纬向环流形势的转变。

对于一年中不同季节发生的多个中期预报技巧极端下降事件，它们受不同环流形势的影响而体现出不同的特征。Lillo等^[4]基于Rodwell等的研究，进一步分析了ECMWF模式在欧洲地区的预报技巧极端下降事件，将所有事件分为三个高发时间段进行独立分析。在1—2月，模式对墨西哥湾沿岸和美国东南海岸气旋生成的预报误差带来的高层误差，会被强大的冬季急流向下游传播。在6—7月，北美中西部上空的对流活动预报误差导致高空产生反气旋，使得横跨大西洋的脊维持在原地，造成北美中西部对流活动进一步虚假发展，通过这个正反馈，模式在欧洲地区的预报逐渐偏离真实情况，这与Rodwell等的合成分析结果一致。对于ECMWF模式而言，9—10月是预报技巧极端下降事件高发期。该时期是热带风暴在大西洋中部活跃时期，模式预报的热带风暴路径偏向于通过大西洋中部极向转向，路径的误差导致潜热释放和相应的沿急流轴的负位涡距平输送到风暴北部和东部。这些负位涡距平通过触发罗斯贝波列将误差进一步传递到下游欧洲地区。这些研究结果表明了中期预报技巧极端下降现象与横跨大西洋的罗斯贝波的虚假触发和放大有关，误差通过罗斯贝波向下游传播，引起下游欧洲地区环流形势的预报失败。

早在20世纪初，Grazzini等^[5]就发现ECMWF同化在北美地区的分析增量异常与模式在欧洲地区的预报失败有一定联系。在不稳定的潮湿环境下，模式将会产生非常强烈的虚假中尺度对流系统（Mesoscale Convective System，MCS），这使得资料同化过程中合理的观测数据会由于与预报背景场相差较大而导致被剔除。合理观测资料的剔除导致模式误差得不到有效订正，由此造成的初值误差将很快被模式预报产生的虚假对流活动所放大，并向下游扩散，对模式在欧洲地区的预报技巧造成了严重的影响。Rodwell等^[1]也提出，造成2011年4月10日欧洲中期预报技巧极端下降事件的原因来自模式同化过程，在同化过程中对位于上游美国中部对流发生的环境场不能准确刻画，进而导致模式在短期预报中难以正确预报对流活动。同化初猜场未能准确刻画对流活动，加之MCSs区域内能够同化应用的观测资料又较少，难以产生合理的初值。2009年，研究发现局部对流产生的初始误差会对中纬度地区的大气产生远程影响。中尺度对流上升运动过程中，潜热释放和高空辐散导致高空反气旋形成，引起较大的风场预报误差，并通过高空急流向下游传播，在下游触发罗斯贝波响应，产生大规模的扰动，从而影响模式的预报技巧^[6-7]。与此同时，中尺度对流活动会通过改变环流形势产生反馈而进一步放大预报误差^[8-9]。上述研究说明，在中期天气预报中，大尺度环流形势的变化和中小尺度扰动之间的相互作用如果不能正确刻画将成为预报技巧极端下降事件的重要来源。

近年来，随着模式和同化系统的不断改进以及模式分辨率的提高，ECMWF预报技巧极端下降事件显著减少。ECMWF业务预报的年度中期预报技巧极端下降总数已从1990年的每年约70起下降到2011年的每年约5起^[1]。然而，即使是这种较低数量的中期预报技巧极端下降事件也会给使用数值天气预报产品的用户带来困扰，并对预报技巧评分产生较大影响。上述针对ECMWF模式系统开展的研究，对于改进我国自主发展的全球中期数值预报系统(GRAPES Global Forecast System, GRAPES_GFS) 具有重要的借鉴意义。

2016年，中国气象局自主研发的全球中期数值预报系统GRAPES_GFS全面实现业务应用^[10-11]。到目前为止，历经数次业务升级，预报技巧稳步提高，预报误差得到了显著的改善，但仍发现预报存在技巧极端下降的情况，严重影响了预报产品的质量和综合评分。本文通过研究GRAPES_GFS模式在东亚地区的中期预报技巧极端下降事件，为进一步改进GRAPES_GFS同化预报系统提供诊断分析依据。

2 资料与方法 2.1 资料

本文选取GRAPES_GFS模式^[10-11]在2016年4月1日—2018年12月31日0000 UTC（世界时，下同）起报的业务预报数据，预报时长为10天。预报数据的水平分辨率为0.25 °×0.25 °，垂直60层。本文研究的主要区域为东亚地区，范围为70~145 °E, 15~65 °N。本研究选取ECMWF的ERA-Interim再分析资料作为实况对比分析GRAPES_GFS的预报误差，ERA-Interim水平分辨率约为80 km，垂直方向从地面到0.1 hPa共60层。基于时段为1989—2008年的ERA-Interim逐日资料计算得到逐日气候态。降水资料取自全球降水观测GPM计划多星融合反演降水产品IMERG（Integrated Multi-satellite Retrievals for GPM），水平分辨率为0.1 °×0.1 °，覆盖范围为60 °S~60 °N。

2.2 中期预报技巧极端下降事件的定义

对于全球确定性预报，通常采用ACC和RMSE这两个指标来衡量全球模式的预报技巧。ACC用来计算预报场与分析场之间的线性相关程度，判断两个空间变量场间的相似程度，计算公式如下：

$ \mathrm{ACC}=\frac{\sum\limits_{i=1}^{n}\left(x_{f}-x_{c}-M_{f, c}\right)_{i}\left(x_{v}-x_{c}-M_{v, c}\right) \cos \varphi_{i}}{\sqrt{\sum\limits_{i=1}^{n}\left(x_{f}-x_{c}-M_{f, c}\right)_{i}^{2} \cos \varphi_{i}} \times \sqrt{\sum\limits_{i=1}^{n}\left(x_{v}-x_{c}-M_{v, c}\right)_{i}^{2} \cos \varphi_{i}}} $

(1)

其中，x_f和x_v是预报量和分析量，x_c是气候平均量，φ_i是格点所在的纬度，$M_{f, c}=\frac{1}{n} \sum\limits_{i=1}^{n}\left(x_{f}-x_{c}\right)_{i}$ 是预报气候异常，$M_{v, c}=\frac{1}{n} \sum\limits_{i=1}^{n}\left(x_{v}-x_{c}\right)_{i}$ 是观测气候异常。ACC越大，说明预报场与分析场越相似，模式的预报效果越好。根据世界气象组织的标准，当模式预报500 hPa高度场的ACC大于0.6，则该预报被认为有效预报。

RMSE是用来衡量预报量与分析量之间的偏差，比较预报场相对于分析场的偏离程度。RMSE越大，说明模式预报效果不佳。计算公式如下：

$ \mathrm{RMSE}=\sqrt{\frac{\sum\limits_{i=1}^{n}\left(x_{f}-x_{v}\right)_{i}^{2}}{n}} $

(2)

为了量化预报技巧极端下降事件，本文采用Rodwell等^[1]的定义，将东亚地区144小时预报500 hPa高度场的ACC小于0.4，RMSE大于60 gpm的事件定义为东亚“中期预报技巧极端下降”事件。与欧洲地区同样，此定义下的中期预报技巧极端下降事件伴随着东亚不同地区（尤其是我国）气温、降水等天气要素预报误差的急剧增加。

3 GRAPES_GFS在东亚地区中期预报技巧极端下降事件的总体特征 3.1 统计分析

图 1给出了GRAPES_GFS模式在2016— 2018年逐日0000 UTC起报不同预报时效的东亚500 hPa高度场的ACC和RMSE时间序列，图中给出了预报时效分别为48 h、96 h、144 h的情况。从各预报时效来看，GRAPES_GFS模式在48 h和96 h预报的ACC基本在0.6以上，而144 h预报的ACC波动较大，多次出现了预报技巧极端下降现象。并且，不同时效的预报技巧之间存在一定的相关性，当短期预报的ACC较小时，邻近日期的中期天气预报的ACC也会减小，RMSE也存在类似的变化趋势。

从图 1a和图 1b可看出，ACC越小，RMSE越大，两者波动呈现相反的趋势，但并不是完全一一对应。将144 h时效预报500 hPa高度场的ACC小于0.4、RMSE大于60 gpm作为预报技巧极端下降事件的判断标准，可以确保预报技巧极端下降事件与足够大的预报误差相关联。

通过对2016—2018年GRAPES_GFS模式144 h时效预报数据的筛选，表 1给出了GRAPES_GFS模式在东亚地区中期预报技巧极端下降事件的时间及其实况天气特征。从表 1可以看到，2016—2018年GRAPES_GFS模式在东亚地区的中期预报技巧极端下降事件总计29例，其中春季（3—5月）9例，夏季（6—8月）5例，秋季（9 —11月）12例为最多，冬季（12月—次年2月）3例，分别占全部个例的比例为31.03%、17.24%、41.38%、10.34%。尽管数据样本量较少，但仍能发现中期预报技巧极端下降事件在不同的季节有不同的表现，季节变化的影响较大，高发期主要集中在春秋季。这与ECMWF模式在不同季节的表现比较一致。

GRAPES_GFS模式在不同季节发生的东亚地区中期预报技巧极端下降事件的影响因素可能存在不同。在西太平洋台风活跃期间，即夏秋季节，中期预报技巧极端下降事件发生的时间点十分相近，如2017年8月1日、4日接连两次的东亚中期预报技巧极端下降事件都与强台风“奥鹿”的变化有关。对西太平洋地区台风的强度与位置预报的准确与否将对东亚环流形势的预报产生重要影响。春、冬季的中期预报技巧极端下降事件发生的时间点相隔较远，影响因素又有不同。这些都是值得研究的有趣现象。

3.2 平均特征分析

为了更清楚地描述中期预报技巧极端下降事件的空间分布特征，本文对2016年4月1日—2018年12月31日期间GRAPES_GFS模式在东亚中期预报技巧极端下降事件的所有个例进行合成分析。如3.1节所述，由于中期预报技巧极端下降事件不仅受不同季节环流形势的影响，还与台风等复杂天气系统相关，故本文将所有预报技巧极端下降事件分为春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12月—次年2月)、台风、无台风这6种情况，其中有无台风情况是通过筛选初始场中是否存在较为明显的台风得到的。

本文首先将所有个例的预报场对应ERAInterim再分析场计算偏差，再对每个季节包含的中期预报技巧极端下降个例进行合成，并基于该季节的所有个例进行Student-t检验。

图 2给出了以上所分6种情形的中期预报技巧极端下降个例的144 h预报500 hPa高度场的偏差合成图。如图 2a所示，对于春季而言，东亚预报技巧极端下降时环流偏差特征主要表现为鄂霍次克海高压预报严重偏弱、相应的日本海上空东亚槽偏浅，以及相伴随的上游波状偏差分布。图 2b是夏季的情形，夏季环流场的主要偏差特征表现为西伯利亚高压预报严重偏弱以及相伴随的上游槽显著偏浅、日本海上空存在较大的负偏差，总体偏差特征表现为预报的中高纬环流形势槽脊活动偏弱、等值线趋于平直。同时，预报的西太平洋副热带高压西伸北进都较实况显著偏弱。图 2c显示了秋季东亚预报技巧极端下降时的偏差合成特征，可以看到预报显著偏强的贝加尔湖槽和乌拉尔山脊、以及鄂霍茨克海过深的槽和西太平洋显著偏弱的副热带高压是秋季模式预报严重失败的整体特征。从图 2d可以看到，冬季模式预报技巧极端下降的偏差特征表现为显著偏弱的东亚大槽和偏弱的蒙古-西伯利亚高压。从图中也可以看到，这些偏差与北半球环状模型的高纬极区预报偏差有紧密联系。

从以上四个季节合成的模式在东亚地区的偏差特征来看，极端预报失败均与该季节影响东亚地区主要天气系统的预报偏差大有关系。合成图仅仅给出平均特征，通过更多个例的研究追踪造成主要天气系统预报偏差大的来源将是今后研究的重点。

图 2e给出了极端下降样本中有台风的所有个例的合成偏差图，有台风时所呈现出的东亚地区环流场预报极端失败的偏差与前述夏季（图 2b）与秋季（图 2c）有相似之处，尤其是与秋季（图 2c）的偏差分布非常相似。由此可以推断，GRAPES_GFS模式夏、秋季在东亚地区预报极端失败与模式未能合理预报台风活动有很大关系；尤其是秋季，模式未能准确预报台风活动是造成秋季GRAPES_GFS在东亚地区预报技巧极端下降的原因之一。图 2f给出了无台风时夏秋所有个例的合成偏差图，从偏差分布来看更与夏季的偏差分布相似，基本表现了夏季预报失败的主要特征。

对于一年中不同季节发生的多个中期预报技巧极端下降事件，它们受不同环流形势的影响而体现出不同的特征。为了更加深入地了解这些预报误差的来源与发展，本文将在下一节选取冬春夏秋四个典型个例以及台风特殊个例进行诊断研究，以期找到一些造成预报技巧极端下降的误差来源线索。

4 中期预报技巧极端下降事件的个例研究 4.1 冬季典型个例

本文选取了GRAPES_GFS模式在2017年1月19日东亚的中期预报技巧极端下降事件作为冬季的重点研究个例，该个例在预报误差分布、误差来源等方面具有代表性。向后回溯法^[2]常用来确定预报误差的来源，将不同预报时效的预报结果与对应时刻的分析场（即“真值”）进行比较，确定误差的分布特征，找出特定的误差结构，不断向后回溯误差起源与发展，从而最终确定误差源头。本文利用该方法，来追踪定位东亚地区中期预报技巧极端下降的偏差可能来源与发展。

图 3给出了GRAPES_GFS模式在2017年1月19日0000 UTC起报不同预报时效的500 hPa高度场及其偏差，预报时效分别为24 h、48 h、72 h、96 h、120 h、144 h。从144 h的预报结果来看，预报技巧极端下降时，模式在中纬度地区的预报偏差整体呈现为“正-负-正-负-正”的波状特征，在东亚地区具体表现为偏弱的东亚大槽和偏弱的蒙古-西伯利亚高压，这也与预报技巧极端下降时的合成分析中所呈现出的冬季东亚上游波状偏差分布特征相一致（图 2d）。

从预报技巧极端下降时刻向后回溯，可以看到，模式在极区的预报误差从第48 h开始迅速向南扩展，中纬度天气尺度波的活动与传播受到较大影响，到72 h时已经影响到了整个北半球中高纬度的环流活动。从24 h、48 h的预报误差分布来看，负的预报误差使得极涡预报偏强，偏强的极涡及其向南的扩张造成中纬度环流有向纬向型环流发展的趋势，造成槽脊的活动经向度变弱。如前所述，这在东亚地区表现为偏弱的东亚大槽和偏弱的蒙古-西伯利亚高压（图 3c、3f），也即主导东亚地区天气形势的两大系统预报偏弱，造成了预报技巧极端下降。

4.2 春季典型个例

本文选取了GRAPES_GFS模式在2017年4月13日东亚的中期预报技巧极端下降事件作为春季的代表性研究个例。图 4给出了GRAPES_GFS模式在2017年4月13日0000 UTC起报不同预报时效的500 hPa高度场及其偏差。从144 h的预报结果来看，模式在我国上游的预报偏差表现为槽脊强度的大幅度变弱，包括贝加尔湖槽及其上游脊的同时减弱，形势场趋于平直化，并且可以发现该预报偏差在预报第72 h开始发展并在缓慢东移过程中加强。而且，144 h的预报偏差在我国东北部表现为东亚大槽东移速度明显偏慢，造成在渤海湾上空显著的负偏差和日本东部显著的正偏差。这种预报偏差在我国上游的形成发展、并进而影响模式在东亚地区预报技巧的情况在GRAPES_GFS的春季预报中是造成预报技巧极端下降的主因。这也与预报技巧极端下降时的合成分析中所呈现出的春季东亚上游波状偏差分布特征相一致（图 2a）。

为了更清楚地观察预报偏差自上游传播并造成东亚地区预报技巧极端下降的过程，图 5给出了GRAPES_GFS模式在2017年4月13日0000 UTC起报不同预报时效500 hPa位势高度预报偏差的Hovmöller图，图中给出了沿35~75 °N的平均。可以看到，正负相间、波列状的预报偏差从上游欧洲区域自西向东传播并最终影响东亚地区的预报技巧，偏差传播的速度为5~6经度/天，群速度可从相邻偏差大值区中心连线的斜率看出，为20~30经度/天，预报偏差的群速度明显大于相速度，使得上游的偏差在2~3天内影响东亚地区，造成该地区的预报技巧极端下降。

在研究ECMWF模式在欧洲区域预报技巧极端下降的春季个例时，Rodwell指出模式在北美地区的预报偏差随着Rossby波向下游的传播是造成模式在欧洲预报技巧极端下降的动力机制，并进一步指出模式在北美的预报偏差来源于模式初值不能正确表述北美地区的中尺度对流活动^[1]。本研究也存在类似的物理机制，具体的预报偏差的起源还需要进一步的研究。

4.3 夏季典型个例

本文选取了GRAPES_GFS模式在2017年7月8日东亚的中期预报技巧极端下降事件作为夏季代表性研究个例。图 6给出了GRAPES_GFS模式在该日0000 UTC起报不同预报时效的500 hPa高度场及其预报偏差。从144 h的预报结果来看，模式在我国上游的预报偏差表现为西伯利亚高压预报严重偏弱，日本上空存在较大的负偏差，总体偏差特征与合成图一致，表现为预报的中高纬环流形势槽脊活动偏弱、等值线趋于平直（图 2b）。通过向后追溯法可以发现，造成该夏季个例东亚预报技巧极端下降的误差源有两个，即白令海峡以西负的预报偏差以及中西伯利亚的负预报偏差。从图 6c可以看到，白令海峡以西的负预报偏差率先出现并加强，具体表现为模式对白令海峡以西的低压系统东移预报偏快。更进一步，从图 6d和6e可以看到，模式预报的极地低涡向南扩张过快，造成在中西伯利亚出现负的预报偏差，同时极区的预报偏差不断加大并向南传播，进一步加强了中西伯利亚到极区的负预报偏差。这两处误差的维持与加强，造成了GRAPES_GFS预报技巧的严重下降。与冬季个例类似，模式在高纬极区容易出现较大的预报误差，这可能与模式对极区的处理和计算精度不足有关，需要进一步研究。

4.4 秋季典型个例

从表 1可看出，秋季是东亚中期预报技巧极端下降事件频发的季节。考虑秋季是台风活跃季节，为排除台风预报误差的影响，本文选取了GRAPES_GFS模式在2017年10月24日发生的东亚中期预报技巧极端下降事件作为秋季代表性研究个例，台风个例将在下文给出。图 7给出了该个例在不同预报时效的500 hPa高度场及其预报偏差。从144 h的预报结果来看，东亚地区预报技巧极端下降表现为日本上空较大的正偏差和与之相伴随的鄂霍次克海负偏差、以及乌拉尔山的负偏差，呈现为模式预报的东亚大槽和乌拉尔脊均偏弱，总体偏差特征与合成图相似（图 2c）。进一步向后追溯发现，较大的误差最早出现在北美和大西洋地区，随后沿西风带向下游扩展。具体表现为模式预报的槽脊首先在大西洋、欧洲地区移动偏快，逐步影响下游，这可以从72 h到120 h预报的高度场清楚看到（图中红色等值线）。至144 h，可以看到明显移动偏快的东亚大槽和乌拉尔脊，换言之，预报技巧极端下降表现为形势场移动位相的较大差异。Lillo等^[4]曾研究发现，对于ECMWF模式而言，9—10月是预报技巧极端下降事件高发期。该时期是热带风暴在大西洋中部活跃时期，模式预报的热带风暴路径偏向于通过大西洋中部极向转向，路径的误差导致潜热释放和相应的沿急流轴的负位涡距平输送到风暴北部和东部。这些负位涡距平通过触发罗斯贝波列将误差进一步传递到下游欧洲地区。本文秋季在东亚地区预报技巧极端下降的个例是否存在类似的机制，需要进一步详细研究。

为了考察台风预报误差对东亚预报技巧极端下降事件的影响，本文选取了GRAPES_GFS模式在2018年10月25日东亚的中期预报技巧极端下降事件作为台风重点研究个例。2018年第26号台风“玉兔”于10月19日11时在马绍尔群岛西北洋面上形成扰动，于23日8时升级为台风，24日2时升级为强台风，当日5时继续升级为超强台风。此后，“玉兔”开始缓慢减弱向偏西方向移动，于10月28日降级为强台风。10月30日4时40分许，“玉兔”的环流中心在菲律宾吕宋岛东北部沿海登陆，登陆时中心附近最大风力有15级，中心最低气压为945 hPa。而后，“玉兔”继续向偏西方向移动，强度快速减弱，于11月3日停止编号逐渐消散。

此次10月25日的中期预报技巧极端下降事件主要发生于台风“玉兔”加强为超强台风的过程中。图 8给出了GRAPES_GFS模式在10月25日0000 UTC起报不同预报时效的500 hPa高度场及其预报偏差。为更清楚研究台风的影响，与上述个例不同，研究范围集中在东亚和南海、西太平洋地区，并在图 8中标出了各预报时刻实况台风的位置（红色台风标志）。同时，图 9给出了与图 8对应的24小时累积降水预报偏差。

从图 8a给出的24 h预报中可以看到，预报台风与实况比较接近，但已经可以看到位置的差异，这种差异在24小时降水预报偏差图（图 9a）中表现更为明显。随着预报时效的延长，预报台风明显偏慢，台风降水差异更为明显。

此个例预报技巧极端下降时的环流偏差表现为位于我国东北部的明显负偏差，具体表现为一次东北低涡过程的显著移动偏慢。从现象看，东北低涡的移动偏慢可能与24 h预报开始呈现的台风预报偏差及其相伴随的降水预报偏差有关。降水预报偏差意味着非绝热加热场的偏差。从24 h、48 h和72 h的降水预报偏差图（图 9a、9b、9c）可以看到，显著的加热场正偏差（对应降水正偏差）连续维持在138 °E，15 °N附近。这种加热场偏差的维持可能是造成位于横跨中国东北和日本北部环流正偏差的原因。类似的现象或机制在热带西太平洋对流活动对北半球环流影响的遥相关研究中得到广泛关注^[12-14]。这种横跨中国东北和日本北部环流正偏差的产生与维持是造成东北低涡移动偏慢的原因。

值得注意的是，从表 1可知，2018年夏秋季的预报技巧极端下降事件锐减，受台风影响的中期预报技巧极端下降事件不多，这可能得益于GRAPES_GFS模式在2018年将三维变分同化系统升级为四维变分同化系统，GRAPES_GFS模式的同化预报能力得到了显著改进。改善GRAPES_GFS模式对于气旋的预报，尤其是强台风等天气系统，也是提高模式在东亚地区的中期天气预报技巧的有效方式之一^[14]。

5 结论与讨论

本文将GRAPES_GFS模式在东亚地区144 h时效预报500 hPa高度场的ACC小于0.4，RMSE大于60 gpm的事件定义为GRAPES_GFS模式在东亚的中期预报技巧极端下降事件，并对此开展了初步研究，得出以下研究成果。

（1）东亚地区的中期预报技巧极端下降事件的高发期主要为春秋季，春季和秋季分别占比31.03%、41.38%，通常表现为对于该季节影响东亚地区天气的主要天气系统的预报存在较大偏差，如对东亚大槽的强度、西伯利亚槽脊的强度、副热带高压的位置与强度的预报偏差大等。

（2）通过对29个个例研究结果发现，不同季节的中期预报技巧极端下降事件偏差来源与发展并不一致。冬夏季预报偏差主要来源于高纬极区，与模式极地的算法处理紧密相关；春秋季预报偏差主要来源于上游天气系统的活动；西太平洋洋面上活跃的台风的位置与强度的预报也易影响东亚地区环流形势的预报。

（3）实际上，本文并不能确定是哪个区域起主要作用，可能是多个区域的叠加效应引起了东亚中期预报技巧极端下降事件。未来工作可通过松弛逼近试验，通过限制某一个区域的初始条件，使得预报值更逼近于实况，从而可以进一步地论证东亚中期预报技巧极端下降的敏感区域。

致谢: 感谢中国气象局数值预报中心提供的GRAPES_GFS模式业务预报数据。