Radar rainfall nowcasting, the process of statistically extrapolating the most recent rainfall observation, is increasingly used for very short range rainfall forecasting (less than 6 hr ahead). We performed a large‐sample analysis of 1,533 events, systematically selected for 4 event durations and 12 lowland catchments (6.5–957 km2), to determine the predictive skill of nowcasting. Four algorithms are tested and compared with Eulerian Persistence: Rainymotion Sparse, Rainymotion DenseRotation, Pysteps deterministic, and Pysteps probabilistic with 20 ensemble members. We focus on the dependency of nowcast skill on event duration, season, catchment size, and location. Maximum skillful lead times increase for longer event durations, due to the more persistent character of these events. For all four event durations, Pysteps deterministic attains the longest average decorrelation times, with 25 min for 1‐hr durations, 40 min for 3 hr, 56 min for 6 hr, and 116 min for 24 hr. During winter, with more persistent stratiform precipitation, we find three times lower mean absolute errors than for convective summer precipitation. Higher skill is also found after spatially upscaling the forecast. Catchment location matters too: Given the prevailing storm movement, two times higher skillful lead times are found downwind than upwind toward the edge of the domain. In most cases, Pysteps algorithms outperform the Rainymotion benchmark algorithms. We speculate that most errors originate from growth and dissipation processes which are not or only partially (stochastically) accounted for.

中文翻译：

---

1533个事件雷达降雨临近预报技术的时空评价

雷达降雨临近预报，统计推断最近降雨观测的过程，越来越多地用于极短程降雨预报（提前不到 6 小时）。我们对 1,533 个事件进行了大样本分析，系统地选择了 4 个事件持续时间和 12 个低地集水区（6.5-957 平方公里），以确定临近预报的预测技能。测试了四种算法并与 Eulerian Persistence 进行了比较：Rainymotion Sparse、Rainymotion DenseRotation、Pysteps deterministic 和 Pysteps probabilistic，具有 20 个集成成员。我们关注临近预报技能对事件持续时间、季节、流域大小和位置的依赖性。由于这些事件具有更持久的特性，因此事件持续时间越长，最大熟练前置时间就会增加。对于所有四个事件持续时间，Pysteps 确定性获得最长的平均去相关时间，1 小时持续时间为 25 分钟，3 小时为 40 分钟，6 小时为 56 分钟，24 小时为 116 分钟。在冬季，随着更持久的层状降水，我们发现平均绝对误差比夏季对流降水低三倍。在空间上放大预测后，还发现了更高的技能。集水区位置也很重要：考虑到盛行的风暴运动，在域边缘发现顺风比逆风高两倍的熟练提前期。在大多数情况下，Pysteps 算法优于 Rainymotion 基准算法。我们推测大多数误差源自未或仅部分（随机）考虑的增长和耗散过程。6 小时 56 分钟，24 小时 116 分钟。在冬季，随着更持久的层状降水，我们发现平均绝对误差比夏季对流降水低三倍。在空间上放大预测后，还发现了更高的技能。集水区位置也很重要：考虑到盛行的风暴运动，在域边缘发现顺风比逆风高两倍的熟练提前期。在大多数情况下，Pysteps 算法优于 Rainymotion 基准算法。我们推测大多数误差源自未或仅部分（随机）考虑的增长和耗散过程。6 小时 56 分钟，24 小时 116 分钟。在冬季，随着更持久的层状降水，我们发现平均绝对误差比夏季对流降水低三倍。在空间上放大预测后，还发现了更高的技能。集水区位置也很重要：考虑到盛行的风暴运动，在域边缘发现顺风比逆风高两倍的熟练提前期。在大多数情况下，Pysteps 算法优于 Rainymotion 基准算法。我们推测大多数误差源自未或仅部分（随机）考虑的增长和耗散过程。在空间上放大预测后，还发现了更高的技能。集水区位置也很重要：考虑到盛行的风暴运动，在域边缘发现顺风比逆风高两倍的熟练提前期。在大多数情况下，Pysteps 算法优于 Rainymotion 基准算法。我们推测大多数误差源自未或仅部分（随机）考虑的增长和耗散过程。在空间上放大预测后，还发现了更高的技能。集水区位置也很重要：考虑到盛行的风暴运动，在域边缘发现顺风比逆风高两倍的熟练提前期。在大多数情况下，Pysteps 算法优于 Rainymotion 基准算法。我们推测大多数误差源自未或仅部分（随机）考虑的增长和耗散过程。