ECMWF集合预报产品在广西暴雨预报中的释用

第２９卷第３期　２Ｏ１８年５月　应用气象学报　ＪＯＵＲＮＡＬ　ＯＦ　ＡＰＰＩ　ＩＥＤ　ＭＥＴＥＯＲＯＬＯＧＩＣＡＬ　ＳＣＩＥＮＣＥ　Ｖ０ｌ｜２９，Ｎｏ．３　Ｍａｖ　２Ｏ１８　赵华生，黄小燕，黄颖．ＥＣＭＷＦ集合预报产品在广西暴雨预报中的释用．应用气象学报，２０１８，２９（３）：３４４—３５３　ＤＯＩ：１０．１１８９８／１００１－７３１３．２Ｏ１８０３０８　ＥＣＭＷＦ集合预报产品在广西暴雨预报中的释用　赵华生　黄小燕　黄　颖　（广西壮族自治区气象减灾研究所，南宁５３００２２）　摘　要　基于最大相关最小冗余度算法和随机森林回归算法，该文提出一种对欧洲中期天气预报中心（ＥＣＭＷＦ）集合　预报产品进行暴雨预报的释用方法。该方法采用最大相关最小冗余度算法，对ＥＣＭＷＦ集合预报的５１个成员进　行筛选，选取若干个与预报对象相关性最大、相互间冗余度最小的成员作为随机森林回归算法的输入因子。利用　ＥＣＭＷＦ集合预报降水量平均值对建模样本进行分类，使预报模型的建模样本更具有针对性。通过２０１２年４　月　２Ｏ１５年１２月的交叉独立样本试验预报和２０１６年１　９月的业务预报试验的统计结果表明：该释用方法的暴　雨预报ＴＳ和ＥＴＳ评分，均比采用ＥＣＭＷＦ集合预报产品５１个成员降水量预报进行插值后取平均值的释用方法　分别提高了０．０７和０．０５以上，显示了较好的数值预报产品释用效果。　关键词：最大相关最小冗余度算法；随机森林回归算法；释用　ｏｎ　ｆｏｒｅｃａｓｔ，ＱＰＦ）的释用方法研究＿２　］，包括强降水　引　言　随着社会的发展，各行各业对气象服务的需求　越来越多，要求也越来越高。同时，随着高时空分辨　率的数值预报模式在预报业务中的使用，人们希望　气象部门能提供更为准确的天气预报产品。然而，　受模式误差、输出误差、模式稳定性以及预报员的主　观分析等原因影响，如果直接使用数值预报模式中　的客观定量预报释用方法研究，取得了较多的研究　成果，并在实际预报业务中得到应用。如Ｄａｖｉｄ　等＿７　利用分级技术从ＮＣＥＰ多模式短期集合预报　系统中输出较可靠的３　ｈ概率定量降水预报　（ＰＱＰＦ），并对此进行分析发现分级技术对降水事　件能提供更多预报技巧和可靠性；赵声蓉等　以多　个模式的降水量预报产品作为神经网络的预报因　子，利用神经网络方法建立一种数值预报产品释用　的输出结果进行预报，其准确率相对较低。为了得　到客观化和定量化的预报效果，目前，对数值模式产　品进行客观订正的释用是解决该问题的主要方法之　一的定量降水预报模型，预报效果提高明显；唐晓文　等＿１叩根据深厚湿对流系统长时间维持将产生强降　水这一配料法的预报原理以及中国不同区域的天气　。实践证明：通过对数值预报产品的释用，其预报　特点，选取对强降水（不小于２５　ｍｍ·ｄ　）有显著　影响的４类因子（水汽因子、动力因子、不稳定因子　能力比模式的直接输出预报有明显提高　］。同时，　由于暴雨是我国最重要气象灾害之一，开展客观定　量的数值预报产品暴雨预报释用方法研究具有重要　意义。　及热力因子），在一定的物理条件约束下，利用经验　和统计相结合的方法建立配料综合指数与强降水之　间的关系；Ｊｅｒｏｍｅ等　利用美国国家气象局气象　发展研究室开发的高分辨率全球预报系统（Ｇｌｏｂａｌ　Ｆｏｒｅｃａｓｔｉｎｇ　Ｓｙｓｔｅｍ，ＧＦＳ）得到美国本土的４　ｋｍ格　到目前为止，很多学者开展了利用数值预报产　品进行客观定量降水预报（ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐｉｔａｔｉ—　２０１　７　０７　２５收到，２Ｏ１８—０１　２９收到再改稿。　资助项目：国家自然科学基金项目（４１５７５０５１，６１５６２００８，４１７６５００２），广西重点基金项目（２０１７ＧＸＮＳＦＤＡ１９８０３０），广西青年基金项目（２０１４Ｇ—　ＸＮＳＦＢＡ１１８２ｌ１）　＊邮箱：２（）（］６ｚｈａ。ｈｕａｓｈｅｎｇ＠１６３．ｃｏｍ　第３期　赵华生等：ＥＣＭＷＦ集合预报产品在广西暴雨预报中的释用　３４５　距的高分辨率ＭＯＳ定量降水预报；孙靖等口。　利用　分等级消除偏差法，并采用混合训练期和６Ｏ　ｄ滑动　训练期方案，对２０１２年欧洲中期天气预报中心（Ｅ—　ＣＭＷＦ）数值模式夏季１－－５　ｄ的降水预报进行订正　试验，试验结果表明：该方法对２５　ｍｍ·ｄ　以上降　水预报的ＥＴＳ评分提高明显。　从上述国内外研究现状可以看到，基于数值预　报产品释用的客观定量降水预报方法是目前短期客　观定量预报的重要发展方向。然而，目前国内外还　没有一种成熟、有效并得到预报业务技术人员普遍　认同的数值预报产品释用方法。为此，本文尝试提　出一种基于最大相关最小冗余度（ｍａｘｉｍｕｍ　ｒｅｌｅ—　ｖａｎｃｅ　ｍｉｎｉｍｕｍ　ｒｅｄｕｎｄａｎｃｙ，ＭＲＭＲ）算法和随机　森林回归算法（ｒａｎｄｏｍ　ｆｏｒｅｓｔ　ｒｅｇｒｅｓｓｉｏｎ，ＲＦＲ）相　结合的数值预报产品释用方法。该方法以广西８９　个站点的降水作为预报对象，采用最大相关最小冗　余度算法从ＥＣＭＷＦ集合预报的５１个成员筛选出　若干个成员，这些成员与预报对象具有相关性最大、　成员间冗余度最小的优点。将提取出的预报成员作　为随机森林回归算法的输入因子进行释用。　１资料与方法　１．１　资　料　本文所用资料是ＥＣＭＷＦ集合预报模式的逐　日０８：００（北京时，下同）和２０：Ｏ０的２４　ｈ和４８　ｈ降　水量预报产品（格距为０．５。×０．５。，水平范围为２１。　～２６．２５。Ｎ，１０４．７５。～１１２。Ｅ）；选取试验样本时段为　２０１２年４月一２０１６年９月，共２１７６个样本（去除数　据缺失样本），其中２０１２年４月一２０１５年１２月为　建模样本，２０１６年１—９月（共５２６个样本）为独立　样本进行预报试验。　１．２　方　法　统计预报中，有两方面因素影响其预报效果：一　是预报因子的选取，即所选取的模型预报因子与预　报对象之间的相关性强弱以及预报因子间的复共线　性大小问题；二是预报模型本身的问题，即所选取模　型的拟合能力和泛化性能强弱。为此，本文首先采　用最大相关最小冗余度（ＭＲＭＲ）算法，从多个预报　因子中选取与预报对象相关性大而它们之间的预报　信息重叠少（复共线性小）的若干个预报因子作为预　报模型的输入。其次，在预报模型的构建上，考虑采　用具有泛化能力和抗噪声能力强、训练时间短且不　容易陷入过拟合的随机森林回归算法。　本文提出的基于最大相关最小冗余度算法和随　机森林回归算法相结合的数值模式预报释用方法主　要步骤如下：　①采用三次多项式插值方法将每个ＥＣＭＷＦ　集合预报成员插值到站点上。　②利用ＥＣＭｗＦ集合预报成员插值的平均　值，对预报对象的历史样本序列进行分类。　③将分类后的预报对象样本对应的因子矩阵　采用最大相关和最小冗余度算法，对每个站点的　ＥＣＭＷＦ集合预报５１个成员进行筛选。　④将步骤③选出的预报成员作为随机森林算　法的模型输入进行预报建模，并输出预报结果。　１．２．１最大相关最小冗余度算法　预报因子是统计预报模型的重要组成部分，预　报因子的选取直接影响预报效果。本文将ＥＣＭＷＦ　集合预报产品５１个成员的输出值作为预报模型的　输入因子，成员之间的相关性和冗余性会影响预报　模型的预报能力，为此本文尝试采用ＭＲＭＲ算法　对集合预报的成员进行筛选。　ＭＲＭＲ算法是信息论中典型的特征降维算　法ｌ＿１　，其主要思想是从特征空问中寻找与目标类别　相关性最大而相互之间冗余性却最少的ｍ个特　征口　，他们之间的相关性和冗余性利用互信息＿】　衡　量。互信息用于衡量两个随机变量之间的相互约束　程度。对于给定ｓ一｛　ｌ　ｉ一１，…，ｍ｝为特征集合和　目标类别ｙ，则特征集合ｓ中的特征与目标类别ｙ　的最大相关度以及度量特征集合ｓ中各特征间的互　相关度分别为式（１）和式（２）。　１一　ｍａｘＤ（ｓ，ｙ），Ｄ—　　１Ｉ　＞　（１ｚ　，ｙ）；　（１）　ｓ　１　一　ｍｉｎＲ（Ｓ），Ｒ一　（　）。　（２）　ｌ　　ｌｘｉ，　∈Ｓ　Ｐｅｎｇ等＿１　定义算子（Ｄ，Ｒ）结合相关性因子Ｄ　和冗余性因子Ｒ，即将式（１）减式（２）进行组合，从而　得到最大相关性最小冗余度准则（ＭＲＭＲ）：　ｍａｘ，（Ｄ，Ｒ）一Ｄ（Ｓ，ｙ）一Ｒ（Ｓ）。　（３）　１．２．２随机森林回归算法　统计预报模型构建方法的选取，对释用效果也　有直接影响，本文采用多决策树组合而成的随机森　林回归算法（ｒａｎｄｏｍ　ｆｏｒｅｓｔ　ｒｅｇｒｅｓｓｉｏｎ，ＲＦＲ）进行　构建预报模型，ＲＦＲ算法是由Ｂｒｅｉｍａｎ于２００１年　提出的一种非线性统计方法＿１　，该算法具有抗噪声　３４６　应用气象学报　第２９卷　强、预报结果稳定的优点。ＲＦＲ是利用自举法从原　医学等众多领域得到广泛应用口　］。然而，该方法　在降水预测中的应用报道较为少见。为此，本文尝　始样本中抽取多个训练样本子集，对每个样本子集　分别进行决策树建模。进一步通过组合多棵决策树　进行预测，并通过取平均值得到最终预测结果＿１引，　其本质与气象上的集合预报思想相近，是将多棵决　试采用该方法进行数值模式的降水预报产品进行释　用。　ＲＦＲ算法是通过自举法抽样技术，由随机向量　０。（即回归决策树）生长形成（ｈ（Ｘ，０　），ｉ＝１，…，是）　策树建模得到的预测结果进行集成。　随机森林回归算法同时还具有计算速度快、泛　的组合模型。预测变量是一个数值型变量，与其分　类模型不同，其预测值是通过ｋ棵回归决策树的预　测结果取平均值得到的。ＲＦＲ算法实现见图１。　化性能好以及参数少等优点，且不容易出现人工神　经网络的过拟合现象。目前该方法在农业、水文和　图ｌ　ＲＦＲ算法流程图　Ｆｉｇ．１　ＲＦＲ　ａｌｇｏｒｉｔｈｍ　ｆｌｏｗ　ｃｈａｒｔ　报时次为０８：Ｏ０和２Ｏ：００）降水量作为预报对象，重　２　建模试验　本文以广西８９个气象站未来２４　ｈ（每日２个预　点研究暴雨以上量级的降水预报。研究区域和站点　分布如图２所示。　图２研究区域和站点分布　Ｆｉｇ．２　Ｔｈｅ　ｔａｒｇｅｔ　ａｒｅｇ　ａｎｄ　ｓｔａｔｉｏｎ　ｄｉｓｔｒｉｂｕｔｉｏｎ　第３期　赵华生等：ＥＣＭＷＦ集合预报产品在广西暴雨预报中的释用　３４７　２．１　单站暴雨集合预报建模样本及预报因子处理　林回归模型算法建立集合预报模型。　⑦将步骤⑤选出的因子（成员）对应的预报样　本代入步骤⑥训练好的预报模型中，得到对该站未　来２４　ｈ的降水量预报。　２．２结果分析　经过统计分析，２０１２年４月一２Ｏ１６年９月共　２１７６个样本中（去除资料缺失样本），广西８９个基　本气象站２４　ｈ（统计时段包含当日０８：Ｏ０一次日　０８：Ｏ０和前日２０：Ｏ０一当日２０：００）内出现１个站以　上、降水量达到暴雨以上的有４７７５个站次。本文的　研究对象２４　ｈ降水量达到暴雨以上量级的情况比　在进行建模试验时，为了能够更好地了解本文　提出方法的释用能力，在此采取交叉检验法，即将　２０１２年４月一２０１５年１２月的样本作为独立样本进　行与实际预报相同的独立预报试验，对２０１６年１—　较频繁。为提高暴雨预报的准确率，在进行单站暴　雨集合预报建模时，对模型的建模样本采取分类处　理方式，具体建模步骤如下：　９月进行业务预报试验。在进行试验计算前，要先　确定出２．１节计算步骤中的几个阈值参数（ｎ，ａ，　）。　参数”用于选取若干个集合预报成员作为模型的预　报因子参与最后的训练计算，根据文献［２２］的研究　结果，参与集合预报计算的成员，其数量控制在８～　１ｏ个比较合适。本文先设定参数　为１０，分析另外　两个阈值参数ａ和口不同取值时对预报模型的影响　情况。同时，为了能够将预报结果与数值预报产品　进行比较，本文采用常用的多项式插值方法将ＥＣ—　ＭＷＦ集合预报成员的格点资料插值到站点上，并　将所有成员插值到站点后取其平均值的预报方法称　为ＡＶＩ（ａｖｅｒａｇｅ　ｖａｌｕｅ　ｏｆ　ｔｈｅ　ｉｎｔｅｒｐｏｌａｔｉｏｎ）。表１　①对ＥＣＭＷＦ集合预报的每个成员（共５１个　成员），利用前一日４８　ｈ累积降水量预报场减去　２４　ｈ累积降水量预报场，从而获得该成员当日的未　来２４　ｈ降水量预报场Ｒ。　。　②采用多项式插值方法，将降水量预报场Ｒ。　插值到８９个气象站。此时，每个预报对象（气象站）　都对应有５１个预报因子（５１个ＥＣＭＷＦ集合预报　成员的插值），记为　。　③对于第ｋ（足一１，…，８９）个预报对象ｌ，（气象　站），如果该站点的Ｆ５　平均值大于ａ　ｍｒｎ，则在预报　对象ｙ的历史样本序列（其样本序号记为　）中，选　出降水量大于　ｎ＇１１＂ｎ的样本序号集Ｑ　（Ｑ　Ｑ）。　若该站点的Ｆ　平均值小于ａ　ｍｍ，则令Ｑ　一　。　④利用步骤③得到的预报对象ｙ的建模样本　序号集．Ｑ　，可得到与之对应的由Ｆ　组成的因子矩　阵　和预报量序列ｌ，　。　⑤将ｓ　和ｙ　带入ＭＲＭＲ算法，求出这５１个　为本文提出的新方法（称为ＭＲＭＲ—ＲＦＲ）预报结果　与相应预报时段的ＥＣＭＷＦ集合预报５１个成员插　值到站点后取其平均值（ＡＶＩ方法）的ＴＳ评分，表　１中ＴＳ评分越高，表示对应方法预报的准确性越　高。考虑到ＥＴＳ评分方法可有效去除随机降水概　率对评分的影响，同时也可以避免使用气候概率的　情况，本文也对试验预报结果采用ＥＴＳ评分进行对　比。　因子中（集合预报成员）与预报量ｙ　相关性最大和　冗余度最小的　个因子（成员）。　⑥以步骤⑤选出的ｓ　和ｙ　为基础，采用随机森　表１　２０１２－－２０１５年暴雨以上量级降水交叉独立预报ＴＳ评分　Ｔａｂｌｅ　１　ＴＳ　ｏｆ　ｃｒｏｓｓ　ｉｎｄｅｐｅｎｄｅｎｔ　ｓａｍｐｌｅ　ｔｅｓｔ　ｆｏｒｅｃａｓｔ　ｏｆ　ｒａｉｎｓｔｏｒｍ　ｆｒｏｍ　２０１２　ｔｏ　２０１５　２Ｏｌ２　２Ｏ１３　２Ｏ１４　０．１２　０．１１　０．１１　Ｏ．１１　０．１０　０．１１　０．１５　０．１３　０．１７　０．１４　０．１２　Ｏ．１２　０．１４　Ｏ．１２　０．１４　０．１３　０．１３　０．１４　０．１１　０．１２　０．１２　０．１０　０．０７　０．０９　０．０８　０．０６　０．０６　０．０８　０．０７　０．０６　２０１５　０．１２　Ｏ．１１　对数值模式产品的解释应用，是在承认其具有　一降水的情况。同时，由于模式预报结果与实际降水　量差异存在，一般设定阈值参数　＜　。从表１的统　计结果中可以看到：两种评分方法的统计结果中，　定预报能力的基础上进行的。因此，假设当集合　预报的成员插值平均达到１５　ｍｍ以上（阈值ａ取　１５　ｍｍ以上）时，实况降水量才可能出现暴雨以上　ＥＴＳ评分整体上略低于ＴＳ评分，这是因为ＥＴＳ评　３４８　应用气象学报　第２９卷　分方法对空报和漏报都有惩罚。相比ＡＶＩ方法的　ＥＴＳ评分较ＴＳ评分偏低幅度，ＭＲＭＲ—ＲＦＲ释用　方法ＥＴＳ评分偏低幅度更大一些，说明ＭＲＭＲ—　ＲＦＲ释用方法空报的次数多于ＡＶＩ方法。②本文　２０１２年４月一２０１５年１２月的交叉独立预报中，其　暴雨ＴＳ评分比ＡＶＩ方法分别提高了０．０８，０．０４，　０．０９和０．０８，而相应的ＥＴＳ评分方法也比ＡＶＩ方　法的ＥＴＳ评分分别提高了０．０６，０．０４，０．０７和　０．０６。　选取的３组阈值参数，其预报结果在暴雨以上量级　降水预报（降水量不小于５０　ｍｍ）的ＴＳ和ＥＴＳ评　由上述的分析可知，参数ａ和　在一定范围内　分相差不大，说明这两个阈值参数对其预报能力的　敏感性不明显，只要取值在一定范围之内，ＭＲＭＲ—　ＲＦＲ释用方法ＴＳ和ＥＴＳ评分均高于ＡＶＩ方法的　进行取值，ＭＲＭＲ—ＲＦＲ方法的预报效果稳定。为　了进一步考察参数，ｚ取值对预报模型稳定性的影　响，首先固定参数ａ和ｐ的取值（取ＴＳ，ＥＴＳ评分最　高的参数组合：ａ一２０　ｍｍ，　一１５　ｒａｍ）选取不同的　值进行上述同样本的试验分析，其中　的取值分别　尝试取９个和１１个（８－－１０个的附近ｌ＿２。］），其统计结　果见表２。　预报结果，这其中提高幅度最大的是ａ取２０　ｍｍ，　取１５　ｍＩＴｌ时，即当集合预报５１个成员的插值平均　预报降水量达到２０　ｍｍ以上时，选取实况降水量大　于１５　ｍｍ的样本进行建模，该组参数的预报结果在　表２不同参数ｎ下２０１２－－２０１５年暴雨交叉独立预报ＴＳ评分　Ｔａｂｌｅ　２　ＴＳ　ｏｆ　ｃｒｏｓｓ　ｉｎｄｅｐｅｎｄｅｎｔ　ｓａｍｐｌｅ　ｔｅｓｔ　ｆｏｒｅｃａｓｔ　ｏｆ　ｒａｉｎｓｔｏｒｍ　ｕｎｄｅｒ　ｄｉｆｆｅｒｅｎｔ　ｎ　ｆｒｏｍ　２０１２　ｔｏ　２０１５　０．１５　０．１３　０．１４　Ｏ．１２　０．１３　０．１２　０．１４　０．１１　０．１２　Ｏ．１１　０．１２　０．１４　０．１４　０．１５　Ｏ．１２　Ｏ．１６　分析表２可知，ＭＲＭＲ—ＲＦＲ方法在３个不同咒　取值情况下，该释用方法交叉独立样本的试验结果　４月　２Ｏ１５年１２月试验结果中ＴＳ，ＥＴＳ评分相对　较高的参数组合（ｎ一１０，ｄ一２０，　一１５），对２０１６年　ｌ一９月进行业务预报试验。预报结果见表３。　由表３可知，本文提出的ＭＲＭＲ—ＲＦＲ释用方　法在的逐次独立样本预报检验中，９个月ＴＳ，ＥＴＳ　评分全部超过０分，并且在出现暴雨站次达到１００　个以上的４　８月，该释用方法的ＴＳ，ＥＴＳ评分均　中，３组参数组合的ＴＳ，ＥＴＳ评分互有高低，统计结　果相对比较稳定。由此可知，参数　在一定范围的　取值，ＭＲＭＲ—ＲＦＲ释用方法的预报结果也保持稳　定。　为了进一步检验模型的预报性能，采用２０１２年　表３　２０１６年１—９月单站暴雨以上量级降水业务预报ＴＳ。ＥＴＳ评分　Ｔａｂｌｅ　３　ＴＳ　ａｎｄ　ＥＴＳ　ｏｆ　ｓｉｎｇｌｅ－ｓｔａｔｉｏｎ　ｆｏｒｅｃａｓｔ　ｏｆ　ｒａｉｎｓｔｏｒｍ　ｕｓｉｎｇ　ｄｉｆｆｅｒｅｎｔ　ｍｅｔｈｏｄｓ　ｆｒｏｍ　Ｊａｎ　２０１６　ｔｏ　Ｓｅｐ　２０１６　Ｍ月份　月份　（ｎ一　，ａ一　一１０　２　０　，口＝　）　１５，　ＥＴＳ　Ｏ．００　０．００　降水量不小于　５０　ｍｍ站次　０．００　０．０６　０．０３　Ｏ．１３　０．０６　０．０１　０．１８　０．００　０．００　０．０５　０．０２　０．１１　０．０３　０．００　Ｏ．１５　０．００　Ｏ．Ｏ８　０．０６　第３期　赵华生等：ＥＣＭＷＦ集合预报产品　Ｊ＇‘　暴『：ｆ：ｊ预报Ｌ｝ｌ的释刚　叫显高于ＡＶＩ方法。统计可知，ＭＲＭＲ　ＲＦＲ释用　非台风类的一般性暴雨强降水过程，共有２７个气象　站降水量达到５０　ｎｌＩ＂Ｉ１以上，　４为该次过程　种方　法预报对比。　由图３叮以看到，埘于８户ｊ　２口２ｏ：Ｏ０　３　ｒ＿Ｉ　方法在５　８月ＴＳ，ＥＴＳ评分均高于０．１０。该释用　方法１　９月平均的ＴＳ，ＥＴＳ评分比ＡＶＩ方法评分　分另０提高０．０７＿干口０．０５。　本文选取２０１６年８月两次暴雨预报情况进行　分析。一次过程选取受２０１６年第４号台风妮娟影　响而造成的大范剧暴雨，具体时段为２０ｌ６年８月２　口２０：Ｏ０　３日２ｏ：Ｏ０，共有３０个气象站降水量达　到５０　ｍＦｌｌ以上，图３为两种方法预报对比。另一次　过程选取２Ｏｌ６年８月ｌ２日２Ｏ：∞　１３日２０：Ｏ０的　２Ｏ：（）（）预报中，ＭＲＭＲ—ＲＦＲ释川方法ｌ币ＩＪ　ＡＶＩ方法　预报降水量大于５０　ＩＴＩｉ２１的落　拱本亘合，覆盖厂全　区的大部分地区，然而，ＭＲＭＲ—ＲＦＲ释用方法比　ＡＶＩ方法住广两西南部和东南部这两个区域更接　近实况。　图３　２０１　６年８月２　Ｅｌ　２０：００－－３　Ｅｌ　２０：００　２｛ｈ降水实况　ｊ预报　（ａ）实况，（ｂ）ＭＲＭＲ—ＲＦＲ释用方法预报．（ｃ）ＡＶＩ方法预报　Ｆｉｇ．３（）ｂｓｅｒｖａｔｉｏｎ　ａｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　Ｉｈｅ　ｃａｓｅ　ｆｒｏｍ　２０００　Ｉ¨、２　Ａｕｇ　ｔＯ　２０００　ＢＴ　３　ＡＬｌｇ　ｉｎ　２０１　６　（ａ）ｏｂｓｅｒｖａｔｉｏｎ，（Ｉ））ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ＭＲＭＲ～ＲＦＲ．（ｃ）ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ＡＶＩ　第２９巷　ｌ０８　１０９　１１０　续图３　由　４町知，对于８月１２日２Ｏ：００　１３日　集合预报产品释用。其预报技巧　大郝分　况下为　２Ｏ：（）（）ＡＶＩ方法预报出该降水过程的雨带，但所有　正技巧，可以一定程度上提高ＥＣＭＷＦ集合坝报的　站降水量均未超过５０　Ｆｉｌｍ。而实况有２７个站降水　暴雨预报能力。这与本文采用的　ｆ选取办法、建　垃超过５０　ＩＴＩＴＩＩ。ＭＲＭＲ—ＲＦＲ释用方法预报出１３　模样本分类以及预报模型建立的　‘法仃父，通过这　个站降水量超过５Ｏ　ｍｉｌｌ，卒报１　６个站，漏报ｌ４个　些处理，既可以使模型更加专注于　的降水过　．同　站，ＴＳ评分为０．３０（ＥＴＳ评分为０．１６）。即　时义能在预报强降水的建模样本·　除部分降水量　ＭＲＭＲ—ＲＦＲ释用方法具有　预报技巧。　很小或较小的样本．减少建模样本ｆｌ，的噪，ｌ　（　扰）。　综Ｊ　所述，ＭＲＭＲ　ＲＦＲ释州方法对ＥＣＭＷＦ　图４　２（）１　６　ｑ　８』ｊ　１　２¨２Ｏ：（）（）　１　３日２（）：００　２４　ｈ降水实况和预报　（ａ）实况，（ｂ）ＭＲＭＲ　ＲＦＲ释用方法预报，（Ｃ）ＡＶＩ厅法预报　Ｆｉｇ．４（）ｂｓｅｒｗｌｌｉｏｎ　ａｉｌｄ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｔｈｅ　ｃａｓｅ　ｆｒｏｍ　２０００　ＢＴ　ｌ　２　Ａｕｇ　ｔｏ　２０００　Ｉ｛Ｔ　１　３　（ａ）ｏｂｓｃ　ｒｖａＩｉｏｎ．（Ｉ】）ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ＭＲＭＲ　ＲＦＲ，（ｃ）ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ＡＶＩ　第３｛　赵华生等：ＥＣＭＷＦ集合预报产品往广西暴雨颅报中的释ＪＨ　３５ｌ　２６。Ｎ　引　皋、　１０５　ｌＯ６　ｌ０７　ｌＯ８　ｌ０９　１１０　１１１　１１２。Ｅ　’　２６。Ｎ　．．　ｉ　ｉ　●　Ｊ■●　●　一　●　。　●Ｉ‘Ｉ　ｌ１　　２扎Ｏ　２蓦．９　．　‘　一一　西ｌ９．　』　ｎｎ　一　３ｆ．８　Ａ　．　２　…”’１　ｒ　３３　４　撕　６　．。　２３　曼　ｌ【】（）　——　ｉ　·９　３ｊ５　．搿　。　００　１　，　■　２Ｓ　．５　“１－－　ｎ　１　一　ｌＯ５　ｌ０６　１０７　１０９　１ｌ０　ｌ】１　ｌ】２　Ｅ　本文提出的对数值预报产品的ＭＲＭＲ—ＲＦＲ　３　小　结　１）采用最大相关最小冗余度的互信息技术进　行因子选取，可以提高人选因子的预报信息。同时入　选因子与预报量具有最大的相关性。构建模型时采　用可调参数极少、计算速度快日｜有很好的非线性拟　合能力和泛化性能的随机森林算法。　２）独立样本预报试验表明：本文提出的　释用方法较为简单，便于预报人员往业务巾使用。　参考文献　刘还珠，赵声蓉，陆志蔷。等。国家气象中心气象要素的客观预　报　Ｍ（）ｓ系统．应用　象学报，２Ｏ０　ｉ，ｌ　５（２）：１８１　１　９１．　毕宝贵．代刊．王毅．等．定最降水预报技术进展．应用气象学　报．２０１　６，２７（５）：５３４　５ｌ９．　岳彩　．寿亦萱，寿绍文．等．湿Ｑ矢皱释用技术及其存定量　降水预报中的应用．应用气象学报，２０Ｏ７，１８（５）：６６６　６７５．　Ｌ荣．１　建捷，梁丰，等．　度分解技术红定璇降水』『缶近预报检　验中的应用．应用气象学报．２Ｏ１０．２１（５）：ｊ３５　５４４．　ＭＲＭＲ—ＲＦＲ释用方法相对于ＥＣＭＷＦ集合预报　产品插值方法（ＡＶＩ方法），能更好地判断暴雨的落　区及落区范围大小。　杨成荫，王汉杰．周林．等．基于全场信息的数值预报产，　释用　３５２　方法研究．应用气象学报，２００９，２０（２）：２３２—２３９．　应用气象学报　第２９卷　ｍｉｃｒｏａｒｒａｙ　ｇｅｎｅ　ｅｘｐｒｅｓｓｉｏｎ　ｄａｔａ．Ｊｏｕｒｎａｌ　ｏｆ　Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ　ａｎｄ　Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｂｉｏｌｏｇｙ，２００５，３（２）：１８５　２０５．　ｎｇ　Ｃ．Ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ｂａｓｅｄ　Ｏｉｌ　ｍｕｔｕａｌ　［１５］　Ｐｅｎｇ　Ｈ，Ｌｏｎｇ　Ｆ　Ｈ，Ｄｉｉｎｆｏｒｍａｔｉｏｎ：Ｃｒｉｔｅｒｉａ　ｏｆ　ｍａｘ　ｄｅｐｅｎｄｅｎｃｙ，ｍａｘ－ｒｅｌｅｖａｎｃｅ，ａｎｄ　ｍｉｎ－ｒｅｄｕｎｄａｎｃｙ．¨　ＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｅ６］　刘长征，杜良敏，柯宗建，等．国家气候中心多模式解释应用集　成预测．应用气象学报，２０１３，２４（６）：６７７—６８５．　ｄ　Ｊ　Ｓ，Ｎｕｓｒａｔ　Ｙ．Ｒｅｌｉａｂｌｅ　ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐ—　［７］　Ｄａｖｉｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔｓ　ｆｒｏｍ　ａ　ｓｈｏｒｔ　－ｒａｎｇｅ　ｅｎｓｅｍｂｌｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｓｙｓ——　ｔｅｒｎ．Ｗｅａ　Ｆｏｒｅｃａｓｔｉｎｇ，２００７，２２（１）：３－１７．　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００５，２７（８）：１２２６—１２３８．　　Ｙ，Ｄａｖｉｄ　Ｊ　Ｓ．Ｒｅｌｉａｂｌｅ　ｐｒｏｂａｂｉｌｉｓｔｉｃ　ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐ—　［８３　Ｎｕｓｒａｔｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔｓ　ｆｒｏｍ　ａ　ｓｈｏｒｔ—－ｒａｎｇｅ　ｅｎｓｅｍｂｌｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｓｙｓ——　ｎ　Ｍ　Ａ，Ｊｉａ　Ｘ，Ｐｉｃｋｅｒｉｎｇ　Ｍ．Ｓｕｂｓｐａｃｅ　ｄｅｔｅｃｔｉｏｎｕｓｉｎｇ　ａ　［１６］　Ｈｏｓｓａｉｍｕｔｕａｌ　ｉｎｆｏｒｍａｔｉｏｎ　ｍｅａｓｕｒｅ　ｆｏｒ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉ—　ｃａｔｉｏｎ．ｊＥＥＥ　ｏｎ　Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｌｅｔｔｅｒｓ，　ｔｅｒｎ　ｄｕｒｉｎｇ　ｔｈｅ　２００５／０６　ｃｏｏｌ　ｓｅａｓｏｎ．Ｍｏｎｔ　Ｗｅａ　Ｒｅｖ，２００８，１３６　（６）：２１５７－２１７２．　［９］　赵声蓉，裴海瑛．客观定量预报中降水的预处理．应用气象学　报，２００７，１８（１）：２１—２８．　［１０］　唐晓文，汤剑平，张小玲．基于业务中尺度模式的配料法强降　水定量预报．南京大学学报（自然科学版），２Ｏ１０，４６（３）：２７７—　２８３．　［１１］　Ｊｅｒｏｍｅ　Ｐ　Ｃ，Ｆｒｅｄｅｒｉｃｋ　Ｇ　Ｓ．Ｒｅｇｉｏｎａｌｉｚａｔｉｏｎ　ｉｎ　ｆｉｎｅ～ｇｒｉｄ　ＧＦＳ　ＭＯＳ　６－ｈ　ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔｓ．Ｍｏｎ　Ｗｅａ　Ｒｅｖ．　２０１１，１３９（１）：２４—３８．　［１ｅｌ　Ｊｅｒｏｍｅ　Ｐ　Ｃ，Ｆｒｅｄｅｒｉｃｋ　Ｇ　Ｓ．Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ　ＯＦＳ－ｂａｓｅｄ　ＭＯＳ　ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔｓ　ｏｎ　ａ　４－ｋｍ　ｇｒｉｄ．Ｍｏｎ　Ｗｅａ　Ｒｅｖ，２０１１，１３９（１）：３９—６８．　［１３］　孙靖，程光光，张小玲．一种改进的数值预报降水偏差订正方　法及应用．应用气象学报，２０１５，２６（２）：１７３—１８４．　［ｉ４］　Ｄｉｎｇ　Ｃ．Ｐｅｎｇ　Ｈ．Ｍｉｎｉｍｕｍ　ｒｅｄｕｎｄａｎｃｙ　ｆｅａｔｕｒｅ　ｓｅｌｅｅｔｉｏｎ　ｆｒｏｍ　２０１４，２（１１）：４２４—４２８．　［１７］　Ｂｒｅｉｍａｎ　Ｌ．Ｒａｎｄｏｍ　ｆｏｒｅｓｔｓ．Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ，２００　１，４５（１）：　５—３２．　［１８］　方匡南．随机森林组合预测理论及其在金融中的应用．厦门：　厦门大学出版社，２Ｏ１２．　［１９］　邹亮，黄琼，李骜，等．基于随机森林和富集分析的阿尔茨海默　症ＧＷＡ研究．中国科学（生命科学），２０１２，４２（８）：６３９—６４７．　［２Ｏ］　李建更，高志坤．随机森林：一种重要的肿瘤特征基因选择法．　生物物理学报，２００９，２５（１）：５１　５６．　［２１］　方匡南，朱建平，谢邦昌．基于随机森林方法的基金收益率方　向预测与交易策略研究．经济经纬，２０１０（２）：６卜６５．　［２２］　Ｄｕ　Ｊ，Ｍｕｌｌｅｎ　Ｓ　Ｌ，Ｓａｎｄｅｒｓ　Ｆ．Ｓｈｏｒｔ　ｒａｎｇｅ　ｅｎｓｅｍｂｌｅ｛ｏｒｅｃａｓ～　ｔｉｎｇ　ｏｆ　ｑｕａｎｔｉｔａｔｉｖｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ．Ｍｏｎ　Ｗｅａ　Ｒｅｖ，１９９７，１２５：　２４２７—２４５９．　第３期　赵华生等：ＥＣＭＷＦ集合预报产品在广西暴雨预报中的释用　３５３　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ＥＣＭＷＦ　Ｅｎｓｅｍｂｌｅ　Ｆｏｒｅｃａｓｔ　Ｐｒｏｄｕｃｔｓ　ｔｏ　Ｒａｉｎｓｔｏｒｍ　Ｆｏｒｅｃａｓｔ　ｉｎ　Ｇｕａｎｇｘｉ　Ｚｈａｏ　Ｈ　ｕａｓｈｅｎｇ　Ｈ　ｕａｎｇ　Ｘｉａｏｙａｎ　Ｈ　ｕａｎｇ　Ｙｉｎｇ　（Ｇｕａｎｇｘｉ　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ　Ｄｉｓａｓｔｅｒｓ　Ｍｉｔｉｇａｔｉｏｎ，Ｎａｎｎｉｎｇ　５３００２２）　Ａｂｓｔｒａｃｔ　Ｕｓｉｎｇ　ｔｈｅ　ｍａｘｉｍａｌ　ｃｏｒｒｅｌａｔｉｏｎ　ｍｉｎｉｍｕｍ　ｒｅｄｕｎｄａｎｃｙ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｒａｎｄｏｍ　ｆｏｒｅｓｔ　ｒｅｇｒｅｓｓｉｏｎ　ａｌｇｏ—　ｒｉｔｈｍ，ａ　ｒａｉｎｓｔｏｒｍ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｅｔｈｏｄ　ｗｉｔｈ　ｎｕｍｅｒｉｃａｌ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｓｙｓｔｅｍ　ｏｆ　Ｅｕｒｏｐｅａｎ　Ｃｅｎｔｅｒ　ｆｏｒ　Ｍｅｄｉｕｍ—Ｒａｎｇｅ　Ｗｅａｔｈｅｒ　Ｆｏｒｅｃａｓｔｓ（ＥＣＭＷＦ）．　Ｔｈｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔ　ｏｆ　５　１　ｍｅｍｂｅｒｓ　ｉｎ　ＥＣＭＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｓｙｓｔｅｍ　ａｒｅ　ｉｎｔｅｒｐｏｌａｔｅｄ　ｔｏ　ｗｅａｔｈ—　ｅｒ　ｓｔａｔｉｏｎｓ，ａｎｄ　ｔｈｅｎ，ｔｈｅ　ｍａｘｉｍｕｍ　ｒｅｌａｔｅｄ　ｍｉｎｉｍｕｍ　ｒｅｄｕｎｄａｎｃｙ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｕｓｅｄ　ｔｏ　ｆｉｌｔｅｒ　ｅｎｓｅｍｂｌｅ　ｍｅｍｂｅｒｓ．Ｆｉｎａｌｌｙ，ｓｅｖｅｒａｌ　ｍｅｍｂｅｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎｓ　ｔｈａｔ　ｈａｖｅ　ｔｈｅ　ｈｉｇｈｅｓｔ　ｃｏｒｒｅｌａｔｉｏｎ　ｗｉｔｈ　ｔｈｅ　ｐｒｅｄｉｃｔａｎｄ　ａｎｄ　ｔｈｅ　１ｅａｓｔ　ｒｅｄｕｎｄａｎｃｙ　ｗｉｔｈ　ｅａｃｈ　ｏｔｈｅｒ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ａｓ　ｉｎｐｕｔ　ｆａｃｔｏｒｓ　ｏｆ　ｔｈｅ　ｒａｎｄｏｍ　ｆｏｒｅｓｔ　ｒｅｇｒｅｓｓｉｏｎ　ａｌｇｏ—　ｒｉｔｈｍ．Ｆｕｒｔｈｅｍｏｒｅ，ｉｎ　ｏｒｄｅｒ　ｔｏ　ｍａｋｅ　ｍｏｄｅｌｉｎｇ　ｓａｍｐｌｅｓ　ｏｆ　ｔｈｅ　ｆｏｒｅｃａｓｔ　ｍｏｄｅ１　ｍｏｒｅ　ｐｅｒｔｉｎｅｎｃｅ，ｔｈｅ　ｍｏｄｅｌ—　ｉｎｇ　ｓａｍｐｌｅｓ　ａｒｅ　ｃｌａｓｓｉｆｉｅｄ　ｕｓｉｎｇ　ｔｈｅ　ｍｅａｎ　ｒａｉｎｆａｌｌ　ｖａｌｕｅ　ｏｆ　ＥＣＭＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ　ｏｆ　５　１　ｍｅｍｂｅｒｓ．Ｔｈａｔ　ｉｓ，ｗｈｅｎ　ｔｈｅ　ｍｅａｎ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｕｓｉｎｇ　ＥＣＭＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ　ａｔ　ａ　ｃｅｒｔａｉｎ　ｓｔａｔｉｏｎ　ｉｓ　ｒｅｌａｔｉｖｅｌｙ　ｌａｒｇｅ　ａｎｄ　ｔｈｅｒｅ　ｉｓ　ａ　ｐｏｓｓｉｂｉｌｉｔｙ　ｏｆ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ａｂｏｖｅ　ｔｈｅ　ｓｔｏｒｍ　ｌｅｖｅｌ，ｏｎｌｙ　ｈｉｓｔｏｒｉｃａｌ　ｓａｍｐｌｅｓ　ｃｏｎｔａｉｎｉｎｇ　ａ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ａｓ　ｍｏｄｅｌｉｎｇ　ｓａｍｐｌｅｓ　ｏｆ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｒｏｏｄ—　ｅ１．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｒｅｄｕｃｅｓ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　ｔｈｅ　ｓｕｎｎｙ　ａｎｄ　ｗｅｔ　ｗｅａｔｈｅｒ　ｓａｍｐｌｅｓ　ｏｎ　ｔｈｅ　ｎｏｉｓｅ　ｏｆ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ，ｓｏ　ｔｈａｔ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｆｏｃｕｓｅｓ　ｏｎ　ｔｈｅ　ｔｒａｉｎｉｎｇ　ｏｆ　ｌａｒｇｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｓａｍ～　ｐｉｅｓ．Ｗｈｅｎ　ｔｈｅ　ｍｅａｎ　ｖａｌｕｅ　ｏｆ　ｔｈｅ　ｐｒｅｄｉｃｔｅｄ　ＥＣＭＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ａｔ　ａ　ｃｅｒｔａｉｎ　ｗｅａｔｈｅｒ　ｓｔａｔｉｏｎ　ｉｓ　ｓｍａｌｌ，ａｌｌ　ｓａｍｐｌｅｓ　ｏｆ　ｔｈｅ　ｗｅａｔｈｅｒ　ｓｔａｔｉｏｎ（ｉｎｃｌｕｄｉｎｇ　ｓａｍｐｌｅｓ　ｏｆ　ｓｕｎｎｙ　ｄａｙｓ　ａｎｄ　ｈｅａｖｙ　ｐｒｅｃｉｐｉｔａｔｉｏｎ）ａｒｅ　ｍｏｄｅｌｅｄ　ｓｏ　ｔｈａｔ　ｔｈｅ　ｔｒａｉｎｉｎｇ　ｏｆ　ｔｈｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｃａｎ　ｒｅｃｏｎｃｉｌｅ　ｔｈｅ　ｈｅａｖｙ　ｒａｉｎ　ｓａｍｐｌｅｓ　ａｎｄ　ｔｈｕｓ　ａｓ　ｆａｒ　ａｓ　ｐｏｓｓｉｂｌｅ　ｔｏ　ａｖｏｉｄ　ｔｈｅ　ｒａｉｎｓｔｏｒｍ　ｏｆ　ｗｅａｔｈｅｒ　ｓｔａｔｉｏｎ　ｏｍｉｓｓｉｏｎｓ　ｒｅｐｏｒｔｅｄ．Ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ａｐｐｌｉｅｄ　ｔｏ　８９　ｓｔａｔｉｏｎｓ　ｉｎ　Ｇｕａｎｇｘｉ。ａｎｄ　ａ　４－ｙｅａｒ　ｃｒｏｓｓ—ｉｎｄｅｐｅｎｄｅｎｔ　ｓａｍｐｌｅ　ｔｅｓｔ　ｆｏｒｅｃａｓｔ　ｆｏｒ　２０１２—２０１５　ｉｓ　ｃａｒｒｉｅｄ　ｏｕｔ．Ｔｈｅ　ｂｕｓｉ—　ｎｅｓｓ　ｔｅｓｔ　ｆｏｒｅｃａｓｔ　ｉｓ　ｃａｒｒｉｅｄ　ｏｕｔ　ｉｎ　２０１　６．Ｉｎ　ｔｈｅ　４－ｙｅａｒ　ｃｒｏｓｓ—ｉｎｄｅｐｅｎｄｅｎｔ　ｓａｍｐｌｅ　ｔｅｓｔ　ｒｅｓｕｌｔｓ，ｒａｉｎｓｔｏｒｍ　ＴＳ　ａｎｄ　ＥＴＳ　ｓｃｏｒｅｓ　ｏｆ　ｔｈｉｓ　ｍｅｔｈｏｄ　ａｒｅ　ａｌｌ　ｉｍｐｒｏｖｅｄ　ｂｙ　０．０４—０．０９　ａｎｄ　０．０４—０．０７，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ａｖｅｒａｇｅ　ｖａｌｕｅ　ａｆｔｅｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｕｓｉｎｇ　ｔｈｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔ　ｏｆ　５　１　ｍｅｍｂｅｒｓ　ｉｎ　ＥＣＭＷＦ　ｅｎ—　ｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ。Ｒｅｓｕｌｔｓ　ｏｆ　ｔｈｅ　ｂｕｓｉｎｅｓｓ　ｔｒｉａｌ　ｉｎ　２０１６　ｓｈｏｗ　ｔｈａｔ　ＴＳ　ａｎｄ　ＥＴＳ　ｓｃｏｒｅｓ　ｏｆ　ｔｈｅ　ｍｅｔｈ—　ｏｄ　ｆｏｒ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ　ｒａｉｎｓｔｏｒｍｓ　ＴＳ　ａｎｄ　ＥＴＳ　ｓｃｏｒｅｓ　ａｒｅ　ｉｍｐｒｏｖｅｄ　ｂｙ　０．０７　ａｎｄ　０．０５，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｏｍ—　ｐａｒｅｄ　ｗｉｔｈ　ａｖｅｒａｇｅ　ｖａｌｕｅｓ　ｏｆ　ｐｒｅ—ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｍｅｔｈｏｄｓ　ｆｏｒ　ｔｈｅ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｆｏｒｅｃａｓｔ　ｏｆ　５　１　ｍｅｍｂｅｒｓ　ｉｎ　ＥＣ—　ＭＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ．Ｉｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｒａｉｎｓｔｏｒｍ　ｐｒｅｃｉｐｉｔａｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　ＥＣＭ—　ＷＦ　ｅｎｓｅｍｂｌｅ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｏｄｕｃｔｓ　ｈａｓ　ａｄｖａｎｔａｇｅｏｕｓ　ｅｆｆｅｃｔｓ　ｏｎ　ｆｏｒｅｃａｓｔｉｎｇ　ａｎｄ　ｐｒａｃｔｉｃａｌ　ａｐｐｌｉｃａｔｉｏｎ　ｆｏｒｅ—　ｃａｓｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｍａｘｉｍｕｍ　ｒｅｌｅｖａｎｃｅ　ｍｉｎｉｍｕｍ　ｒｅｄｕｎｄａｎｃｙ；ｒａｎｄｏｍ　ｆｏｒｅｓｔ　ｒｅｇｒｅｓｓｉｏｎ；ｉｎｔｅｒｐｒｅｔａｔｉｏｎ