强对流天气由于其突发性强、局地性明显以及持续时间较短等特点，预报的不确定性很大。集合预报不仅可以客观估计由于不可避免的初值误差、模式误差以及大气本身混沌特性引起的预报不确定性，而且可以通过集合预报后处理、目标观测和资料同化等途径提高预报的准确性，是现代天气预报技术发展的重要方向^[1,2]。欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）和美国国家环境预报中心（National Centers for Environmental Prediction，NCEP）于1992年12月将各自的全球集合预报系统正式投入业务运行，加拿大气象中心（Canadian Meteorological Centre, CMC）的集合预报系统于1998年2月实时业务运行^[3]。随着强天气的关注越来越多，区域集合预报系统逐步发展，NCEP于2001年建立了首个短期区域集合预报系统（Short-Range Ensemble Forecasting, SREF），该系统在强风暴、暴洪、航空和冬季暴风雪等方面具有广泛应用^[4]。英国气象局的全球区域集合预报系统（The Met Office Global and Regional Ensemble Prediction System, MOGREPS）于2008年全面业务运行^[5]。近年来，对流尺度集合预报系统也逐渐建立，如英国的MOGREPS-UK、德国的COSMO-DE-EPS均于2012年投入业务，法国的AROME-France-EPS于2016年业务运行^[6]。我国集合预报起步较晚，但发展较迅速，基于ECMWF开发的T639全球模式集合预报系统于2014年8月实现业务运行^[7]。自主研发了新一代全球与区域同化及预报系统（Global/Regional Assimilation and Prediction System, GRAPES），基于GRAPES的区域版本，即中尺度同化预报系统（GRAPES-Meso）构建的区域集合预报系统也于2014年8月正式业务运行^[8]。

一方面，集合预报系统迅速发展，如何从海量的数据中挖掘有价值的信息是需要解决的关键问题，实际业务中还需要考虑数据处理的效率问题，相应的各种后处理技术不断涌现，不断发展^[9,10,11]。另一方面，大气运动是复杂的物理过程，是不同时空尺度系统共同作用的结果。Doswell等^[12]根据暴洪发生的物理过程提出了基于构成要素的预报方法，即“配料法”，这一思想本质上要求基于天气过程的物理理解提取引起天气事件发生的基本要素，再通过表征这些基本要素的物理参数建立综合多个关键物理参数的预报技术^[13]。具体应用中，如果物理参数本身由若干基本要素组成而非代表某个基本条件，严格而言为“叠套法”。国内学者据此预报思路开展了雷暴^[13]、暴雨^[14]和强降水^[15]等应用研究。近年来，鉴于强对流天气预报的不确定性，进一步发展了基于模糊逻辑法、联合概率、阈值概率和卷积神经网络等技术方法的强对流短期概率预报^[16,17]。其中，美国风暴预报中心（Storm Prediction Center, SPC）提出的联合概率方法①是将集合预报应用于基于多物理因子的预报方法中，可以综合考虑多个因子以及因子本身的不确定性，进而判断天气事件可能发生的关键区域，已在森林火险、冬季风暴、对流和龙卷等业务上应用十几年，但未对该方法进行系统性检验，而是给出了不同阈值下的联合概率（https://www.spc.noaa.gov/exper/sref/）。国内学者主要通过建立（加权）综合指数或线性预报方程开展概率预报，关于联合概率方法的具体工作鲜少。对于概率预报也缺乏系统性检验，现有的系统性检验主要采用“点对面”的方法^[17,18]。此外，一些学者指出，干、湿环境下对流系统的触发和维持机制存在明显差异，不同环境下产生的对流天气也不同^[19,20]，或者从实际应用角度提出了识别干雷暴事件更有效的方法^[21]，也有学者进一步利用数值模拟从理论上讨论大气干、湿过程中能量谱^[22]以及可预报性^[23]的差异。

本文旨在基于目前最具代表性的全球集合预报系统之一的ECMWF大气模式集合预报产品，利用联合概率方法，从实际预报的角度探讨从海量的集合预报数据中提取弱降水对流、强降水对流天气有价值的信息，即基于集合预报产品，通过联合概率方法开发包含不确定信息的对流潜势预报，为强对流概率预报提供参考。

2009—2015年安徽省80个国家站逐日灾害性天气观测（包括雷暴、大风和冰雹）、地面常规降水观测、地面自动站加密降水资料作为训练集，相应的2016—2017年观测资料作为检验数据集。其中，灾害性天气观测资料是综合了重要天气预报、闪电监测和人工观测等实时上报且用于业务检验的历史整编数据。逐个剔除了台风引起的大风记录，根据中国气象局下发的业务规范定义：雷暴大风为发生雷暴时伴随大于等于17.2 m/s的大风，短时强降水为1 h降水量大于等于20 mm或6 h降水量大于等于50 mm。本文定义弱降水对流为未发生短时强降水的对流性天气（可能发生雷暴、雷暴大风、冰雹等但无明显降水或伴随弱降水），强降水对流为发生了短时强降水的对流性天气（可能同时伴随雷暴大风和冰雹等）。

王秀明等^[24]分析指出常用于强对流和暴雨数值模拟的NCEP FNL（Final）资料对温度、垂直风切变等参量可靠性较高，湿度等参量在边界层之上较边界层内误差小，因此利用2009—2015年1日4次的NCEP FNL资料（http://rda.ucar.edu/datasets/ds083.2/）提供的1°×1°分辨率的物理量分别计算强降水对流、弱降水对流相关对流参数。

①David Bright. Ways of Viewing and Interpreting Ensemble Forecasts:Applications in Severe Weather Forecasting. San Antonio(2007-01-14)

http://www.authorstream.com/Presentation/Jolene-17037-AMSSC-Ensemble-Pred-Bright-2007-2-Ways-Viewing-Interpreting-Forecasts-Applications-Severe-Weather-Forecasting-STORM-as-Entertainment-ppt-powerpoint/

集合预报资料为国家气象信息中心下发的2016—2017年ECMWF 51个集合成员20时（北京时）起报12～36 h预报时效每3 h间隔的预报场中的相关要素，与实时业务中能获取的资料保持一致。地面要素分辨率为0.5°×0.5°，高空要素分辨率为1°×1°。此外，鉴于实际的联合概率值是利用ECMWF集合预报产品计算得到，而建立联合概率预报方程和阈值是基于NCEP FNL资料，ECMWF再分析资料ERA5（https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5）用于说明NCEP FNL资料分析结果的适用性。

基于对流天气发生的3个基本要素，即水汽、不稳定和动力抬升触发，根据历史弱降水对流、强降水对流天气环境条件分析，选取具有代表性的适量物理参数并设定阈值，再建立联合概率：

其中，

式中：Pr为某预报时效的联合概率，p_i为入选的某个物理参数i的概率，总共选取的参数个数为N。f_ij表示成员j对物理参数i的预报值是否满足参数i设定的阈值，若满足则为1，反之为0。集合预报系统共M个成员，本文中M=51。需要指出，当选取的因子个数增加时，因子之间的依赖性可能增加，所以应选取适当个数且尽可能相互独立的因子。

鉴于安徽80个国家站中除岳西（435.4 m）、九华山（648.3 m）和黄山（1 841.4 m）外，其余测站的海拔均低于250 m，因此不特别考虑地形影响以便统计时有足够的样本。当某日有测站出现某种对流天气现象（雷暴、雷暴大风、冰雹和短时强降水）时，记该日为有对流，反之为无对流。对流日中如果有测站发生短时强降水，则归为强降水对流日，其余为弱降水对流日，并筛选强降水对流日中发生短时强降水的站点作为强降水对流样本。另外，如果某个测站某日出现了多种对流天气现象，每种天气现象均单独作为1个样本。计算对流参数所用的NCEP FNL资料为1日4次，故选取对流天气现象发生时刻前6 h内对应于NCEP FNL资料临近时次中的物理量进行计算，并以站点周围4个格点的平均值表示，以避免一些可能的随机误差。对流参数的具体计算过程详见参考文献[25～27]。

相对操作特征（Relative Operating Characteristic,ROC）广泛应用在信号检测、医学诊断和概率检验等领域，通过分析命中率（正确预报发生的样本与实际发生的样本的比值）和假警报率（错误预报发生的样本与实际未发生的样本的比值）的对应关系可以定量评价分类器或识别方法对事件的分辨能力，且ROC分析具有对样本均衡性不敏感的优势，在评价时表现稳定^[28,29]。ROC曲线下的面积，即AUC(Area Under the Curve)，可以定量表征分类模型的性能，完美模型AUC=1，随机模型AUC=0.5。检验时选取站点周围4个格点联合概率的平均值与该站点未来6 h的对流天气现象进行匹配，再对联合概率进行定点定时检验。

2009—2015年平均每年4~9月（暖季）共有约100个对流日，占暖季的50%～60%（图1a）。从暖季逐月2类对流的样本数（图1b）可知，弱降水对流存在4月和8月2个峰值，4月开始安徽地区冷暖空气相互作用频繁,有利于产生对流性天气。强降水对流则集中在夏季6～8月，峰值出现在7月，与主汛期联系紧密。从2类对流年平均发生日数的空间分布（图2）可以看出，弱降水对流、强降水对流的发生均存在一定地域差异，沿长江和长江以南地区发生频次较高，在一定程度上反映了对流发生需要比较有利的大气湿度条件。

水汽是雷暴等对流系统的燃料，水汽在形成云滴或冰晶时释放的潜热可以驱动云中的上升气流，为对流的维持与发展提供必要条件。表征绝对湿度的参量整层大气可降水量的箱线图（图3a）显示，整层大气可降水量在无对流时明显低于有对流时，对流的发生均需要基本的水汽条件，大气湿度偏低不利于对流发生。发生强降水对流时环境大气中的水汽含量明显高于弱降水对流，特别是在5～7月和9月。地面2 m，1 000，925和850 hPa露点的箱线图也直观体现2类对流中水汽条件的差异，但7～8月的区分度不如整层可降水量。当满足必要的水汽条件时，对流层中低层较低的相对湿度对强风暴的维持和增强具有重要作用，主要因为相对干的环境空气被夹卷进入雷暴内由降水拖拽启动的下沉气流中时，雨滴或冰雹粒子蒸发或融化使下沉气流冷却，密度增大，易引起地面大风，另外，雷暴出流边界容易在其前沿触发新的雷暴^[30]。图3b表明，总体而言，弱降水对流700 hPa温度露点差高于强降水对流，特别是春末夏初，50%的样本温度露点差大于6 ℃，体现了“干”型特征，可以作为识别弱降水对流的参数，500 hPa温度露点差与之类似，但样本间的离散度增大。

垂直温度递减率是大气层结静力稳定度的表征，850~500 hPa垂直温度递减率的箱线图（图4a）表明，弱降水对流通常发生在比强降水对流更强的不稳定环境中，但除8～9月外，该参数区分有无对流不理想。假相当位温随高度的变化可以判断大气层结潜在不稳定，当假相当位温随高度增加而减小时大气层结是潜在不稳定的。850与500 hPa假相当位温差（图4b）呈现明显的季节变化，大部分对流发生在对流不稳定环境中，除7～8月外，对有无对流指示性较好，6～9月2类对流的区分较明显。与850和500 hPa假相当位温差相比，850 hPa假相当位温（图4c）对于对流发生与否具有更好的区分度，且样本分布集中不确定性小。

静力稳定度或潜在不稳定反映的是大气部分层次的稳定性，通常用一些综合水汽和不稳定2个要素的热力参数表示大气整体的垂直不稳定度。抬升指数为500 hPa环境温度与气块从自由地面出发上升至500 hPa时的温度差，负值绝对值越大表明大气层结越不稳定。最有利抬升指数是将气块从假相当位温最大处抬升至500 Pa得到的抬升指数。对流有效位能（Convective Available Potential Energy, CAPE）的物理含义为气块绝热上升时正浮力做功可获得的能量，抬升指数是CAPE大小的一个粗略度量，CAPE物理意义更清楚。由图5a和5b可知，最有利抬升指数与CAPE分布类似，具有明显的季节变化，大部分对流发生在不稳定环境中，其中，7～8月发生弱降水对流的环境较强降水对流不稳定。CAPE是对流发生潜势的重要指标，但离散度大，中位数与平均值距离较远为偏态分布，因此本研究仅在7～9月将其作为弱降水对流的指标使用，4～6月采用对有无和类型均有较好指示性的850 hPa假相当位温。K指数反映对流层中下层稳定度，当温度直减率越大，低层水汽条件越好，其值越大。图5c显示，K指数对于对流发生与否指示性较好，在强降水对流样本中分布集中，4～6月能较好地区分对流类型，7～9月则表现略逊色，可以作为表征强降水对流的参数。与K指数类似，A指数考虑了整个中低层水汽状况，当上下层温差越大，各层湿度条件越好，A指数越大。A指数分布与K指数类似，但K指数离散度更小，故选其为强降水对流的指示参量。

动力条件方面，观测和数值模拟表明垂直风切变（水平风的大小和方向随高度的变化）是影响风暴结构和强度等的关键参数^[31～33]。因此，本文主要分析不同层次，即低层（地面至850 hPa和地面至700 hPa）、中层（地面至500 hPa和700~500 hPa）、深层（850~200 hPa）风切变的分布特征。图6显示，各层次的垂直风切变基本呈现4月最大，4～6月逐渐减小，7～8月达到平均最小，9月增加的趋势，这与大气斜压性的季节变化有关，春秋过渡季节受冷暖空气活动影响，动力作用较大，7～8月多受副高影响，动力作用减弱，热力作用增强。地面至850 hPa垂直风切变基本与地面至700 hPa垂直风切变类似，但4～5月强降水对流离散度较大。总体而言，低层垂直风切变指示性较好，产生强降水对流需要更高的低层动力抬升条件。地面至500 hPa的垂直风切变对于对流类型和对流发生与否指示性不理想。另外，700~500 hPa和850~200 hPa垂直风切变分布表明，对于对流层中高层而言，一定强度的垂直风切变对于对流发生有利，超过限值的垂直风切变可能不利于对流发生。

强对流天气的发生是一个复杂的物理过程，尽管不同类型的对流天气发生前大气环境存在一定差异，但很难将单个物理参数作为特别有效的指示因子，需要综合代表不同物理条件的多个参数。通过对流参数的联合分布可以在一定程度上更好地反映不同种类对流的大气环境特征或者物理量的联合作用。将影响2类对流发生的水汽条件、热力条件、动力条件中的关键参数绘制物理量联合分布（图7），包括散点分布、双因子的密度分布及密度中心。整层大气可降水量和850 hPa假相当位温的联合分布显示（图7a），强降水对流存在一个密度大值区，对应的850 hPa假相当位温区间为69~82 ℃，相应的大气可降水量范围为52～72 kg/m²，密度中心为77 ℃和67 kg/m²。弱降水对流则存在2个高密度区，分别对应相对较低的850 hPa假相当位温（49~63 ℃）和整层可降水量（30～42 kg/m²）组合、相对较高的850 hPa假相当位温（66~83 ℃）和大气可降水量（45～65 kg/m²）组合，密度中心为78 ℃和59 kg/m²。这种在不同的水汽和热力条件配合下均能出现弱降水对流表明，天气现象背后的物理机制很可能不同。进一步从暖季整层可降水量和地面至700 hPa的垂直风切变的联合分布（图7b）可以看到，在大气可降水量不高（30～45 kg/m²）的春季，地面至700 hPa的垂直风切变（约75%的样本大于3×10^-3 s^-1，甚至可达6×10^-3 s^-1以上）整体高于大气可降水量较高（48～63 kg/m²）的夏季（约75%的样本小于3×10^-3 s^-1），动力条件对于春季弱降水对流的发生起重要作用。

综上所述，与强降水对流相比，弱降水对流的发生通常需要更高的不稳定条件（图4a和4b，图5b）、更明显的对流层中低层干层（图3b）。强降水对流则需要更有利的水汽条件（图3a，图5c和5d，图7）、更强的低层垂直风切变（图6a），其中，水汽条件是判别对流类型的重要条件，例如，就整层大气可降水量而言，在2009—2015年训练期（图3a）、本文的整个研究时段2009—2017年（图8a），以及下文2016—2017年对流过程检验时段（图8b）均表现出强降水对流发生前临近时刻整层大气可降水量的数值分布总体上高于弱降水对流。

物理参数筛选时，以先识别对流发生与否再区分对流类别为原则，且因子之间尽可能相互独立。鉴于不同类型的对流发生前大气环境可能存在一定重叠区域而并没有明确的物理意义上的界线，如何确定对流参数的阈值也是本研究的重点和难点。统计分析得到物理参数的数值分布可以作为阈值选取的依据，再利用集合数值模式计算给定阈值条件下的概率，因此，某个对流参数的概率主要取决于选取的阈值和集合预报系统的性能。不同数值预报中心的最终分析或再分析资料之间可能会存在一些差异，这种差异与不同模式预报场之间的差异相比应该小得多，但也有必要对不同分析资料是否会影响构成联合概率的入选参数和参数的阈值进行分析。以对流发生较多的2010年、2011年和2015年为样本，分别利用NCEP FNL与ERA5资料计算得到多个重要物理参数的箱线图（图9）。对比发现，湿度参量如整层大气可降水量（图9a和9b）在不同资料中的分布很一致，850，700和500 hPa露点分布的一致性也较好。对于温度参量，除了天气分析中常用层次的温度分布一致外，温度垂直变化的分布也较一致（图9c和9d）。综合水汽和不稳定的对流参数，如850与500 hPa假相当位温差、850 hPa假相当位温（图9e和9f）、K指数（图9g和9h）等在2套资料中的分布具有较高的一致性。其他物理参量，如地面至700 hPa垂直风切变（图9i和9j）、700 hPa温度露点差等在不同资料中总体分布较一致，在一些月份表现出一些差异，但对弱降水对流和强降水对流发生时大气环境特征的反映是一致的，而有限的差异对估计强对流潜势影响比较有限。因此，利用NCEP FNL资料构建联合概率和对流参数阈值，应用于基于ECMWF集合预报的潜势预报中也是可靠的。

本研究主要根据各个对流参数逐月的指示性（箱线图），并参考逐月物理量联合分布，最终得到2类对流所入选的各物理参数在暖季各月的阈值（表1和表2），表中阈值右侧括号内标注以百分位表示的阈值标准。

利用前文所述的联合概率方法，基于ECMWF集合预报资料和对流参数阈值，计算了2016—2017年4～9月逐日逐3 h 12～36 h预报时效2类对流的联合概率。先从对事件发生与否的分辨能力的角度探讨此方法的有效性，通常认为，AUC在0.7～0.9时诊断方法的准确度属于中等，AUC在0.9以上时有较高准确度。总体而言，大样本ROC检验（图10a）得到，联合概率方法对2类对流是否发生均具有比较良好的识别能力，此方法对于有无强降水对流的分辨能力优于有无弱降水对流的识别，弱降水对流可能因为具有更高的空报可能性而分辨能力有所下降。不同时效的ROC检验（图10b～d）可得，弱降水对流的AUC在0.71～0.82，强降水对流的AUC在0.79～0.87，表明不同时效的预报对于判别弱降水对流是否发生的能力基本相当，辨别有无强降水对流亦如此。

在业务预报中，对预报效果的检验常用TS（Threat Score）评分，即综合考虑命中率、假警报率和漏报率。由不同联合概率阈值下的TS评分（图11a）可知，弱降水对流的TS评分随联合概率阈值的增加变化较缓慢，当阈值达到50%时，TS开始下降明显。强降水对流的TS评分先增加后减小，在10%～40%阈值区间可得到相对较高的评分。2类对流的TS评分随阈值的变化或许可以用对流发生时对应的联合概率预报值的概率密度分布来定性解释。图11b显示，有较高比例的对流发生在联合概率预报值低于约15%时，即对应较高的概率密度，随着强降水对流联合概率进一步增加概率密度下降比较迅速，即更少比例的强降水对流发生在联合概率预报较高时，因此，当阈值增加时，命中率下降明显，TS评分也随之快速减小。弱降水对流则不同，有相当比例的弱降水对流发生在联合概率预报较高时（40%～80%），故随着阈值增加，命中率下降比较缓慢，TS评分也变化缓慢。实际应用中，鉴于强对流天气可能的致灾性，为了尽可能少漏报，可以将阈值适当放宽接受一定程度的空报，而并非以TS最大为标准。综合图11的概率密度和TS评分，可以大致选取10%作为联合概率阈值，相当于4个对流参数中每个参数均有将近60%的成员达到该参数的阈值。

图12从客观角度直观显示了联合概率预报在不同对流天气过程中的表现，即将某时次联合概率与该时次未来6 h对流天气发生情况进行空间比对。分析表明，对于无明显降水的对流日，弱降水对流联合概率对于区域性的对流天气具有较好的指示意义，例如2017年5月14日，联合概率预报的对流落区与实况具有很高的一致性（图12a），且对自西向东的对流发生趋势也预报较好。对于较小范围（市县个数小于等于3）的对流也有较好的指示，例如2017年5月19日（图12c），联合概率对淮北地区西部的对流有较好的指示性，2016年7月29日表现类似。但如图10中ROC曲线所示也存在一定程度空报，例如2017年5月19日对沿江西部对流空报（图12c），2016年7月17日对江淮中东部空报（图12e）。强降水对流联合概率对于区域性集中短时强降水落区均具有较好的潜势预报能力，如正确预报2016年7月2日沿江一带将出现较长时间的短时强降水（图12b），2017年6月10日沿淮地区强降水（图12d），类似的过程还包括2017年7月10日、2017年9月10日等。对于范围较小的（市县个数小于等于3）强降水对流过程也有指示意义，如2016年8月20日（图12f）、2017年7月7日和2017年8月9日等。另外，也存在个别漏报过程，例如2016年7月30日（图12g）尽管对江北东部的对流有指示，但对江南的热对流漏报，分析发现由于副高控制下垂直风切变小使得联合概率值很小。2017年8月24日（图12 h）联合概率大值区偏北，对沿淮地区部分测站的短时强降水指示不理想。这些漏报过程可能与联合概率方法使用的参数和阈值所限以及集合数值模式本身预报能力有关。进一步以日为单位综合各个时效的预报得到，对于弱降水对流联合概率，指示较好或有一定指示意义的过程约占60.3%，空报约占29.4%，漏报约占10.3%，对于强降水对流联合概率，指示较好或有一定指示性的过程约占75.0%，空报约占9.3%，漏报约占15.7%。

此外，鉴于上述例子中2类对流联合概率在数值及空间分布上差异明显，容易判断出对流类型，故仅给出相应类型的联合概率分布图。对于其他过程，如2016年6月21日（图12i和12j），对2类对流均具有比较明显的指示（对流参数存在一定重叠区，不一定能很好地区分对流类型），由上述分析可知，弱降水对流联合概率对于对流发生区域通常具有指示性，但可能存在一定程度空报，强降水对流联合概率对于强降水位置指示尚可，实际应用中可以依据强降水对流联合概率（约大于等于10%）给出短时强降水基本落区，并结合弱降水对流联合概率（约大于等于10%）给出强降水之外其他对流天气现象（雷暴、雷暴大风等）的范围，再参考数值模式的降水预报对上述预报结果进行适当调整。

本文探讨了弱降水对流、强降水对流天气发生前临近时刻表征水汽、不稳定、动力条件的多个对流参数特征，同时与无对流时的大气环境条件对比发现，整层大气可降水量、低层大气湿度条件判定有无对流和识别对流类型效果较好，850与500 hPa假相当位温差、850 hPa假相当位温、最有利抬升指数、对流有效位能、K指数、A指数、地面至700 hPa垂直风切变等物理量对于判别对流发生与否和对流类型也具有良好的区分能力，但因对流发生的物理过程的复杂性，在不同月份表现有所差异，也存在一定重叠区。总体而言，弱降水对流通常需要更高的不稳定条件、较明显的对流层中低层干层，强降水对流则需要更有利的水汽条件、更强的低层垂直风切变。在简要讨论NCEP FNL资料与ERA5再分析资料关于对流参数分布一致性的基础上，综合筛选得到，整层大气可降水量、700 hPa温度露点差、850 hPa假相当位温（4～6月）、对流有效位能（7～9月）、地面至700 hPa垂直风切变共4个物理量构成弱降水对流联合概率的预报因子，整层大气可降水量、850 hPa假相当位温、K指数、地面至700 hPa垂直风切变这4个物理量为强降水对流联合概率预报的因子。

基于ECMWF集合预报资料和同期观测资料的大样本系统性检验和不同天气过程检验表明，联合概率方法对于2类对流发生与否具有良好的分辨能力，不同时效的预报表现相当，有无强降水对流较有无弱降水对流区分度更优。可以大致将10%作为联合概率的预报阈值以获得相对较高的TS评分。弱降水对流联合概率对于区域性或较小范围无强降水的对流天气的时空变化具有较好的指示意义，但也存在一定程度空报。强降水对流联合概率对区域性短时强降水均具有较好的指示能力，对于范围较小的短时强降水也有一定指示作用。受限于联合概率方法的参数和阈值选取以及集合预报系统本身的预报性能，也存在个别漏报。

本文从对流发生时是否出现强降水这个对流天气的重要方面出发进行分类，而不是直接针对雷暴、雷暴大风、冰雹等天气现象进行分类，这在实际业务中也更为合理可行，主要是因为基于已有的研究和现有的预报能力很难在潜势预报阶段即给出雷暴大风和冰雹这2类区分难度较大的对流比较可靠的精细化预报^[30,34]，还十分需要短时监测。此外，ECMWF全球集合预报系统所生成产品的分辨率与局地对流相比较粗而可能忽略一些中小尺度信息，采用中尺度集合预报模式输出的物理量场开展联合概率预报是否会对提高对流天气的落区有所帮助，这也是精细化分类概率预报需要进一步研究的问题。