1 引言
延伸期（11~30天）预报一直是气象预报的难点， 也是目前国内外气象界正在攻克的预报重点领域， 存在着迫切的服务需求。目前延伸期预测大致可分为两类： 一类是延伸期趋势预测， 主要预报延伸期时段或延伸期时段内逐旬、 逐候的环流和要素的距平； 另一类是预测延伸期时段内的过程或事件， 这类预报更贴近服务需求（陈伯民等， 2003； 丁一汇和梁萍， 2010； 孙国武等， 2013； 何金海， 2013； 梁萍等， 2013； 朱玉祥等， 2013； 章大全等， 2019； 金荣花等， 2019； 梅双丽等， 2020）。更多的用户也习惯使用确定性的延伸期过程预报产品（金荣花等， 2019； 章大全等， 2019）。为了对接这种迫切的服务需求， 中国气象局“十二五”和“十三五”期间专门把延伸期（11~30天）重要过程预测作为重点建设的气象现代化工作以推动这项新业务的发展（陈伯民等， 2013， 2017）。
在延伸期重要天气过程预报技术发展方面， 虽然数值模式早已成为气象预报的主流工具， 并在短、 中期天气预报上取得了长足进步， 但由于种种原因， 目前模式总体上还难以直接给出延伸期时段天气过程的可用预报信息（郑志海， 2013）。以欧洲中期天气预报中心（ECMWF）模式预报为例， 逐日形势场（如500 hPa高度场）逐日可用预报时效目前仍只达到10天左右， 并且进入2010年以后， 逐日预报效果提升的幅度趋缓， 而逐日要素的实际可用预报时效更短（Richardson et al， 2011， 2013， 2014； Thomas et al， 2020）。因大气环流中大尺度缓变分量（基本气流、 超长波、 季节内振荡等）具有更长的理论和实际可预报时间（Palmer， 1988； Palmer and Park， 1993； 陈伯民等， 2003； 丑纪范等， 2010； 郑志海等， 2013； 王启光等， 2014）， 又是延伸期时段重要天气过程发生的背景条件（Namias， 1955； 张弛等， 2021）， 通过一定程度上把握这些大尺度缓变分量的未来变化， 可对延伸期天气过程的特征做出某种程度的预测。事实上， 我国气象工作者近年来从这种思路或类似的思路出发， 在延伸期过程预测技术方法上进行了不懈探索， 取得了一定成效（孙国武等， 2008， 2013， 2017； 覃志年等， 2009； 陈伯民等， 2013， 2017； 史湘军等， 2012； 周须文等； 2012； 信飞等， 2014a， 2014b， 2016， 2020； 陈丽娟等， 2005； 唐红玉等， 2017； 陈申鹏等， 2017）。
当然， 延伸期天气过程预测目前还属于新生事物， 目前世界范围内也只有我国气象部门开展这项业务， 相关技术开发和业务应用还处在起步阶段， 预报方法大多集中于强降水过程， 而针对社会各界和公众同样关注的冬季强降温（强冷空气）等过程的预测方法还相当少。唐红玉等（2017）、 史湘军等（2012）和周须文等（2012）分别通过寻找历史环流（主要是500 hPa高度场）的相似性或环流异常（主要是500 hPa高度距平）的相似性和天气过程之间的关系作延伸期天气过程（包括强降温过程）预测。董雪峰等（2021）通过建立模式预报的环流场（风场和高度场）和台站要素之间的关系， 针对四川省做三类天气过程（夏季降水、 高温和冬季强降温）的延伸期预报。
前期将主要用于过渡季节延伸期降水过程预测的低频波方法（孙国武等， 2011， 2012， 2013）尝试应用于上海冬季延伸期强降温过程预测， 基于前期关键区低频波预测未来降温过程发生的强度特征和时段， 并在2015年和2016年开展了业务预测试验， 取得初步成效（陈伯民等， 2017）； 但这项工作主要借助统计外推做预测， 还未和数值模式结合； 而单纯依赖历史资料的统计外推常常会给预报带来较大的不确定。
解决包括延伸期天气过程预测在内的各类预报问题， 根本途径有赖于数值模式。而在现阶段， 虽然模式还难以直接给出延伸期时段天气过程的确切信息， 但对模式预报中包含的有用信息充分挖掘和利用， 对改善预报是十分必要的（韦志刚等， 2019）。为此， 本文首先对美国NCEP-CSFv2模式预报的延伸期季节内振荡（即模式预报的与延伸期强降温过程密切关联的关键区低频波）的预报效果进行了定量评估； 然后将其应用到冬季延伸期强温过程预测的低频波预测方法中， 即将模式预报的1~30天关键区低频波和低频波预测模型相结合， 以改善上海地区冬季延伸期强降温过程预测效果； 最后在2018年1月至2019年1月的冬季月份开展了15次上海地区强降温过程业务预测并对结果进行了客观检验。期望所得结果能为全国区域和省级延伸期重要过程预测业务提供参考。
2 资料来源
本文所用台站实况资料为上海10个地面站（崇明、 嘉定、 宝山、 青浦、 徐家汇、 浦东、 闵行、 松江、 奉贤和金山站）2017年1月至2019年1月31日逐日地面气温资料； NCEP-CSFv2模式预报数据为同期模式逐日16个成员1~45天预报中的1~30天全球700 hPa位势高度场； NCEP再分析实况数据为同期NCEP再分析资料700 hPa高度场格点资料。本文采用北京时。
3 NCEP-CFSv2预报的延伸期关键区低频波结果评估
低频波方法预测延伸期强降温过程主要依靠700 hPa层的关键区低频波信息（各关键区低频波位相及其组合信息（孙国武等， 2011； 陈伯民等， 2017）， 故对美国NCEP-CFSv2模式1~30天预报的评估也针对模式预报的700 hPa层关键区低频波。限于所掌握的该模式逐日连续的历史预报数据长度， 将评估时段确定为2017年1 -3月和10 -12月。
3.1 低频波及其绘制
低频波是预测冬季延伸期强降温过程的核心概念， 它主要反映与过程密切关联的大气活动中心和关键环流系统的季节内准周期变化（Krishnamurti and Subrahmanyam， 1982； Murakami et al， 1984； 孙国武等， 2008）。将CFSv2模式预报的初始日之前至少150天的NCEP 700 hPa逐日再分析高度场资料和模式1~30天逐日预报高度场数据进行时间上的无缝衔接， 然后将低频关键区［图1 ， 该图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2016）1665的世界地图制作， 底图无修改］中网格点上初始日前150天和未来1~30天时段内逐日位势高度场进行空间平均， 得到关键区逐日高度场时间序列， 再使用带通滤波器对关键区的平均高度场进行滤波， 最后得到CFSv2模式预报的未来1~30天关键区低频波（低频高度曲线）。实况低频波直接使用NCEP再分析资料按相同步骤获得。本文使用的滤波器是Butterworth带通（30~50天）滤波器， 采用30~50天的频段滤波主要基于前期工作经验（孙国武等， 2008， 2010， 2011， 2013； 陈伯民等， 2017）。
图1 与上海汛期强降水、 冬半年强降温等过程关联的700 hPa 8个低频系统活动关键区黄色矩形区域为关键区， 红字数字为关键区标号 Fig.1 Eight key regions of the low-frequency weather system activity on 700 hPa associated with flood-seasonal heavy rainfall process and winter strong cooling process over Shanghai and their latitude and longitude partition.The yellow rectangular regions stand for the key regions and the red figures are their labels |
研究发现， CFSv2模式预报的延伸期（1~30天）各层等面层低频波结果中， 16个成员（每日4个时次、 4个初值样本）的低频波振幅虽然有差异， 但各成员的低频波位相及波动随时间的变化趋势十分接近（图2 ）。考虑到低频波方法预测延伸期强降温过程时只采用低频波的位相和波动趋势信息， 故从实际应用出发， 只对16个成员的集合平均结果进行评估已经足够， 而不再对所有成员的结果逐一评估。16个成员的集合为所有成员的简单算术平均； 评估时段为2017年1 -3月和10 -12月。
3.2 CFSv2预报的延伸期关键区低频波结果评估
主要从低频波与实况相关性和低频波趋势准确率对CFSv2模式预报低频波效果进行评估。预报低频率的趋势准确率是指模式预报的关键区低频波和实况低频波随时间变化趋势的吻合程度。若模式预测的相邻两日低频波随时间的趋势变化与实况一致， 认为趋势正确。否则为不正确。逐候评估中， 若某候全部5个相邻日预报低频波变化趋势与实况一致， 则准确率为100%， 4个相邻日的变化特征一致， 则准确率为80%， 以此类推。
图3 NCEP-CFSV2模式预报的2017年1 -3月8个关键区700 hPa低频波（橙线）及相应的实况（蓝线）Fig.3 The 700 hPa low-frequency wave （Orange Line） and the reality （blue line） over the eight key areas from January to March 2017 predicted by NCEP-CFSv2 model |
从逐候准确率看， 模式预报的这6个冬季月8个关键区全部6个候的低频波趋势平均准确率高达到84.5%， 其中延伸期时段（第3~6候）的准确率平均高达到83.3%， 各候的值依次为88.3%、 85.4%、 83.3%、 88.8%和78.8%， 8个关键区（关键区1~8）的平均准确率分别为81.1%、 85.6%、 85.6%、 80.6%、 81.7%、 83.9%、 89.4%和85.0%， 总平均为84.5%， 同样说明模式预报低频波趋势相当接近实际， 并且各关键区之间的差异很小。从准确率随时间变化的角度看， 其随预报时间延伸呈波浪式轻微下降， 第5候甚至还高于第2~4候， 第6候的准确率也达到78.8%， 维持相当高水平（表1 ）； 并且6个冬季月的这种特征没有明显差异。说明模式对低频波这种缓变分量的预报效果和对瞬变场（如逐日环流）预报通常随预报时间延伸， 特别是10天后快速下降的事实显著不同。
表1 NCEP-CFSv2预报的2017年1 -3月和10 -12月关键区700 hPa低频波趋势准确率Table 1 Forecast accuracy of 700 hPa low-frequency wave trend over key areas from January to March and October to December 2017 given by NCEP-CFSv2 model |
| 关键区 | 第一候 | 第二候 | 第三候 | 第四候 | 第五候 | 第六候 | 平均 |
|---|---|---|---|---|---|---|---|
| 关键区1 | 93.3% | 96.7% | 73.3% | 80.0% | 93.3% | 70.0% | 84.4% |
| 关键区2 | 86.7% | 99.9% | 76.7% | 83.3% | 90.0% | 76.7% | 85.6% |
| 关键区3 | 86.7% | 86.7% | 76.7% | 86.7% | 93.3% | 83.3% | 85.6% |
| 关键区4 | 86.7% | 80.0% | 86.7% | 73.3% | 73.3% | 83.3% | 80.6% |
| 关键区5 | 83.3% | 73.3% | 80.0% | 90.0% | 90.0% | 73.3% | 81.7% |
| 关键区6 | 90.0% | 70.0% | 86.7% | 80.0% | 93.3% | 83.3% | 83.9% |
| 关键区7 | 96.7% | 86.7% | 96.7% | 76.7% | 96.7% | 83.3% | 89.4% |
| 关键区8 | 83.3% | 90.0% | 83.3% | 96.7% | 80.0% | 76.7% | 85.0% |
| 平均 | 88.3% | 85.4% | 82.5% | 83.3% | 88.8% | 78.8% | 84.5% |
更细致的统计显示， 模式预报的1~6候中相邻两天关键区低频波趋势准确率为100%（即预报的该候关键区低频波和相应的实况低频波变化趋势完全一致）的比例高达到50.7%。准确率为80%的比例高达81.6%； 准确率最低为20%的比例仅为2.43%。在延伸期时段（3~6候）， 准确率为100%的情况出现88次， 占比达到45.8%。准确率在80%以上的情况出现155次， 占比高达80.7%； 准确率最低为20%的情况仅出现4次， 占比仅为2.08%。进一步显示了模式对低频波良好的预报性能。
4 CFSv2模式对上海冬半年延伸期强降温过程预测及评估
4.1 强降温过程标准和主要预测内容
上海地区冬半年的强降温过程是指11个地面气象站中至少3个站（含3个站）日（20:00至次日20:00）最低温度的降温幅度 和日最低温度 满足以下条件的过程： （1） （ 为强降温阈值， 按前述业务规定， 取 ℃）， 且 <10 ℃， 或（2） ℃。
强降温过程预测内容包括未来11~30天内上海地区发生满足上述标准（或强度）的强降温过程发生时段（起止日期）和过程次数。
4.2 强降温过程低频预测模型
冬季强降温过程预报主要基于强降温过程预测模型（表2 ）， 模型反映的是关键区低频环流是否出现有利于强降温过程发生的配置。其中当南方关键区1和3， 以及北方5、 6、 8区的低频波特征是实际预测中的关注重点区域。当南方关键区1区处于低频波波峰（或波谷， 或波峰到波谷的过度）， 3区处于波谷（或波峰， 或波谷到波峰过度）， 同时， 北方关键区的5、 6、 8区的低频波为表中所列的位相时， 上海冬半年常常出现强降温过程。低频波峰、 波谷的周期是统计外推方法的依据， 通常介于20~50天， 在业务预报中随时间更新。应用模式结果做预报无需统计计算低频波周期。
表2 上海冬半年延伸期强降温过程预测模型（关键区低频波配置）Table 2 The prediction model of the flood-seasonal heavy rainfall process（the key area Low-frequency weather system pattern associatedwith heavy rainfall process）over Shanghai |
| 北方关键区 | 8区： H、 H→L、 L | 6区： L、 L →H、 H | 5区H、 H→L、 L |
|---|---|---|---|
| 南方关键区 | 3区： H、 H →L、 L | 1区： L、 L →H、 H | |
字母H和L分别代表低频波波峰和波谷； 符号“→”表示低频波波峰和波谷之间的过渡； H→L表示某关键区处于低频波从波峰向波谷过渡位相， 而L→H表示某关键区处于低频谷从波峰波谷过渡位相 |
前期做强降温过程预测， 主要用统计外推的方式得到未来11~30天各关键区低频波演变及其配置， 再依据预测模型。虽然诸如低频波这样的季节内振荡信息具有准周期特征， 但影响周期的因素很多且复杂， 这常使统计外推的关键区未来低频波特征出现误差， 进而导致延伸期的过程预测出现误差。
基于上述CFSv2模式关键区低频波预报评估结果， 用模式的预报取代先前的统计外推， 即通过将模式预测直接和低频波预测模型结合， 对2018年1-3月和2018年10月至2019年1月做了15次上海地区强降温过程业务预测（每旬做1次预测， 每月做3次）。下面给出预测效果的客观评估。
4.3 强降温过程预测客观检验方法
采用前期开发的过程预测检验指标对强降温过程预测效果进行评估， 三个指标分别是预测准确率和两个客观检验指标（Cs和Zs评分）（陈伯民等， 2013， 2017）。
4.3.1 过程预测准确率
过程预测准确率 = 预报正确的过程数/预报过程总数。若实际降温过程落在预测时段内， 计为正确， 否则为不正确。若延伸期内实况未出现强降温过程， 也未预测延伸期内有强降温过程， 则此次预测不参与预测准确率检验。
4.3.2 Cs和Zs评分
Cs和Zs评分通过全面考虑预报结果的三种情景——预报正确、 漏报和空报， 针对延伸期过程预测客观检验开发的指标， 目前已纳入中国气象局《月内强降温过程业务预测规定（试行）》的检验方法（中国气象局预报与网络司， 2014）。
Cs依据延伸期过程预测正确、 空报、 漏报的天数进行计算。
对应单站Cs评分为： Cs=（预测正确日数）/（预测正确日数+空报日数+漏报日数）。
预测正确的日数、 空报日数和漏报日数按以下办法认定：
预测正确日数是指预测强降温过程中日最低温度的降温幅度 和日最低温度 满足降温过程条件 （ ℃）和 ℃的降温日包含在强降温过程预测时段内的日数（允许偏差1日）。
空报日数是指过程预测时段内未出现满足降温条件等级的日数。
漏报日数是指未包含在过程预测时段内（偏差2日及以上）的满足降温条件的日数。
若： 预测正确日数+空报日数+漏报日数=0， 即实况未出现强降温过程， 也未预测该站有强降水过程， 则该站不作记分处理。
区域Cs评分公式为区域内各考核站Cs评分的算术平均。
Zs依据预测正确的过程数、 空报的过程数、 漏报的过程数进行计算。
单站Zs=（预测正确的过程数）/（预测正确过程数+空报过程数+漏报过程数）。
过程预测是否正确按以下办法认定：
若预测的降温过程强度 满足和预测过程最低温度 满足条件： （ ℃）， 且 ℃， 则认为本次过程预测正确， 记为正确1次； 否则为空报， 记为空报1次。
式中： 为预测降温过程内日最低温度的最大值， 且 出现日期须早于 ； n为过程日数。
所预测的若干次强降温过程时段内， 均包含延伸期最强和次强的2次24 h降温过程， 则视为无漏报。若未包含最强或次强24 h两次降温过程， 则漏1次算1次， 月内漏报次数累计为漏报数。最多记漏报2次。最强和次强24 h降温幅度的实况均要求不小于强降温强度阈值 。若延伸期内实况没有出现24 h降温幅度大于或等于 的情况， 则记为无漏报数。
若： 预测正确过程数+空报过程数+漏报过程数=0， 即实况未出现强降温过程， 也未预测该站延伸期内有强降温度过程， 则该站不作记分处理。
区域Zs评分为区域内各考核站Zs评分的算术平均。
Cs和Zs评分值介于0~1之间， 最小为0， 最大为1； 评分值越大意谓着预测效果越好， 越接近实况。Cs评分侧重评估预测的客观性， Zs评分侧重评估对最强过程的把握能力。
4.4 强降温预测过程业务预测及检验
4.4.1 2018至2019年1月冬半年降温过程业务预测及客观检验
以下是2018年1 -3月和2018年10月至2019年1月上海地区15次强降温过程业务预测的客观评分和最强两次强降温过程的检验结果。
上海地区10个站15次强降温过程预测准确率平均为61.2%； 10个站的Cs评分平均介于0.081~0.177， 平均为0.149； 10个站的Zs评分平均介于0.094~0.267， 平均为0.158， 已经体现出一定的预测技巧。
2018年年初（1-3月）和年末（11 -12月）最强降温过程（24 h最强降温）分别出现在2月16 -17日和12月6 -7日（表3 ）。年初这次过程上海地区普遍降温， 10个地面站中分别有8个站24 h降温（最低温度降幅）超过4 ℃， 最强降温出现在崇明站， 降温幅度为6.3 ℃， 气温降至-2.8 ℃； 年底的这次过程全部10个站24 h降温超过4 ℃， 最强降温也出现在崇明站， 降温幅度达7.2 ℃， 最低气温降至2 ℃。业务预测分别于2018年1月29日和11月20日提前给出了这两次强降温过程发生的时段， 预测时效分别为18天和16天。
表3 2018年上海地区1 -3月和11 -12月最强降温过程预测Table 3 The prediction of the strongest cooling process and the reality over Shanghai from January to March and from November to December 2018 |
| 预报发布日期 | 预报过程 时段 | 预报 时效 | 实况 |
|---|---|---|---|
| 2018年1月29日 | 2月14 -16日 | 18天 | 2月16 -17日8站24小时降温超过4 ℃； 崇明站降温幅度最大， 达6.3 ℃， 最低温度降至-2.8 ℃ |
| 2018年11月20日 | 12月5 -8日 | 16天 | 12月6 -7日10站24小时降温幅度超4.0 ℃； 崇明站降温幅度最大， 为7.2 ℃， 最低气温降至2 ℃ |
4.4.2 与2015年和2016 -2017年同期强降温过程业务预测的对比
2018年1 -3月和2018年10月至2019年1月15次上述业务预测10个站平均预测准确率比未使用模式结果的2015年和2016年至2017年1月同期预测分别高68.6%和22.4%， 比两年平均准确率高41.6%， 并通过 水平的显著性检验。由于2015年和2016 -2017年同期缺乏CFSv2模式预报数据， 强降温过程业务预测只能基于前期关键区低频波特征和统计外推用方式， 这两年的预测准确率分别为36.3%和50.0%（两年平均为43.2%）（陈伯民等， 2017）
Cs平均评分显著高于2015年（Cs平均评分为0.051）， 也高于2016年（Cs评分平均为0.129）， 比高2015年和2016年两年平均高13.7%（表5~6）， 并通过 水平的显著性检验。Zs平均评分显著高于2015年（Zs评分平均为0.058）， 高172.4%， 略低于2016年（平均的Zs评分为0.220）， 低28.2%； 比2015年和2016年两年平均（0.139）高13.7%。
2018年至2019年1月冬半年业务预测成功给出了年度两次强降温过程发生的时段（表3 ）， 2015年和2016年至2017年1月同期业务预测， 仅对2016年相应时段的两次最强降温过程做出较好预测， 时效分别为15天和13天， 未报出2015年年初和年末的最强降温过程。对比最强降温过程预测时效， 2018年至2019年1月的预测也比2016年略长。
当然， 由于缺乏2017年之前的CFSv2模式逐日连续的历史预报数据， 无法针对2015年和2016年至2017年1月同期做模式历史预报数据应用的对比回报试验。而在2018年1月以后应用模式实时预报结果开展强降温过程业务预测的同时， 因无法保证客观性， 故放弃做由预报员同步进行的统计外推对比试验。因此， 尽管2018年至2019年1月15次业务预测检验结果， 在评分数值上总体明显高于未使用模式历史预报数据的2015年和2016年至2017年1月同期30次业务预测结果， 但今后仍需创造条件， 开展多年对比预报（或回报）试验加以验证。
5 结论和讨论
延伸期（11~30天）重要过程预测是中国气象局“十二五”和“十三五”期间气象现代化重点工作。本文在前期工作基础上， 以冬季强降温过程为切入点， 通过将数值模式有效信息应用到强降温过程预测模型中以改进预测效果； 同时， 针对上海地区开展了实时业务预测。初步得到以下结果：
（1） 针对NCEP-CFSv2模式预报的2017年1 -3月和10 -12月1~30天 700 hPa 8个关键区低频波效果做了详细的定量评估， 模式预报的1~30天和延伸期（11~30天）关键区低频波与实况低频波相关系数分别达到0.849和0.839； 1~6候和3~6候的低频波准确率平均高达到0.845和0.833， 其中第6候仍高达0.788， 更细致的统计显示， 在延伸期时段（第3~6候）， 准确率为100%的比例高达到45.8%， 准确率在80%的比例高达80.7%。准确率最低值为20%的比例仅为2.08%， 这些特征并不随不同关键区和不同月份出现明显差异。即不考虑波振幅的差异， CFSv2模式预报的1~30天和延伸期关键区低频波位相及波动随时间变化特征与实况高度吻合， 这一事实令人鼓舞。
（2） 将CFSv2模式1~30天预报的700 hPa关键区低频波结果和低频波预测模型相结合， 在2018年1月至2019年1月冬半年做了15次上海地区延伸期强降温过程业务预测试验， 预测的准确率平均为61.2%， Cs和Zs平均评分分别为0.149和0.158， 单纯从评分结果的数值上对比， 明显高于未应用模式结果的2015年和2016年至2017年1月的业务预测。
（3） 应用CFSv2模式结果后， 对2018年年初和年末两次最强降温过程发生时段做出准确预测， 而未应用模式结果的2015年和2016年最强降温过程预测结果， 仅对2016年相应时段的两次最强降温过程做出较好预测， 未报出2015年年初和年末的最强降温过程。前者时效分别达18天和16天， 也更长。
上述结果意味着， CFSv2模式预报的关键区低频波结果的应用有助于改进冬季强降温过程预测水平， 进而也大大增强了今后进一步挖掘模式预报中的有效信息， 并利用这类信息不断改善延伸期过程预测水平的信心。
需要指出的是， CFSv2模式延伸期预报结果评估中不同关键区和不同月份低频波的准确率均相当高， 且差异很小， 故有理由认为评估具有相当的可信度。尽管如此， 受模式历史预报资料不足的限制， 只评估了2017年一年， 评估数据偏少， 也无法对比不同气候背景下模式预报的效果。同时， 也有必要开展不同模式对低频波预报效果的评估， 以便发挥不同模式集合在延伸期重要过程预测中的作用。
上述CFSv2模式结果的应用才刚刚开始， 因日常业务中通讯中断等不可预见因素影响， 只开展了2018年1 -3月和2018月10月至2019年1月的业务预测， 虽然单纯从预报评分数值看， 优于未使用模式结果的2015年和2016 -2017年同期的业务预测。然而， 由于缺乏模式2017年之前的历史预报数据， 无法针对2015年和2016 -2017年同期开展模式结果应用和统计外推预报的回报对比试验， 而在2018年1月开始应用模式实时预报结果开展强降温过程业务预测后因无法保证客观性， 未做由预报员同步进行的统计外推对比预报试验。故对本文模式结果应用取得的效果仅持谨慎乐观态度， 有待未来更多对比预报试验检验。
另外， 强降温预测模型是先前根据多年资料针对冬半年归纳出来的（陈伯民等， 2017）， 时间跨度较大。模型是否在任何情况下均适合发生在秋末、 春初时段的冷空气（强降温）活动， 或者说， 针对有些情况是否需要针对秋末、 春初时段进行更精细化的建模， 也需要在今后工作中做更深入细致的分析。