To study the impact of training sample heterogeneity on the performance of Bayesian model averaging (BMA), two BMA experiments were performed on probabilistic quantitative precipitation forecasts for the middle and lower reaches of the Yangtze River in summer 2016 using TIGGE (THORPEX Interactive Grand Global Ensemble) multi-model and multi-member precipitation forecast data. The first experiment, conventional Bayesian model averaging (CBMA), pools the subsamples together in training and forecasting without categorisation. The second experiment, stratified sampling BMA (SBMA), divides all available training samples into three subsets according to their ensemble spread. The results show that spread is a good indicator to divide the ensemble precipitation samples into subsets, especially for heavy rainfall. Moreover, the optimal training period for BMA is about 50 days. The CBMA often filters out most information on the high spread cases and produces ill-fitted parameters for them. Additionally, CBMA deterministic forecast and percentile forecast are often underestimated. In contrast to CBMA, parameters estimated using SBMA with stratified samples of different properties are much more reasonable. The mean absolute error, continuous ranked probability scores and Brier scores of the two BMA experiments were examined for all available forecast cases. Although CBMA was slightly superior to the raw ensemble prediction system (REPS) forecasts in low-threshold forecasts, SBMA outperformed REPS, probability-matching ensemble mean, and CBMA in all evaluations.

为了研究训练样本异质性对贝叶斯模型平均 (BMA) 性能的影响，使用 TIGGE (THORPEX Interactive Grand Global Ensemble) 对 2016 年夏季长江中下游的概率定量降水预报进行了两次 BMA 实验。 ) 多模式多成员降水预报数据。第一个实验，传统的贝叶斯模型平均 (CBMA)，在没有分类的情况下在训练和预测中将子样本集中在一起。第二个实验，分层抽样 BMA (SBMA)，根据它们的整体分布将所有可用的训练样本分为三个子集。结果表明，扩散是将集合降水样本划分为子集的一个很好的指标，特别是对于强降雨。而且，BMA 的最佳训练期约为 50 天。CBMA 通常会过滤掉有关高传播案例的大部分信息，并为其生成不合适的参数。此外，CBMA 确定性预测和百分位预测经常被低估。与 CBMA 相比，使用 SBMA 对不同属性的分层样本进行估计的参数要合理得多。对于所有可用的预测案例，检查了两个 BMA 实验的平均绝对误差、连续排序概率分数和 Brier 分数。尽管 CBMA 在低阈值预测中略优于原始集合预测系统 (REPS) 预测，但 SBMA 在所有评估中均优于 REPS、概率匹配集合均值和 CBMA。CBMA 通常会过滤掉有关高传播案例的大部分信息，并为其生成不合适的参数。此外，CBMA 确定性预测和百分位预测经常被低估。与 CBMA 相比，使用 SBMA 对不同属性的分层样本进行估计的参数要合理得多。对于所有可用的预测案例，检查了两个 BMA 实验的平均绝对误差、连续排序概率分数和 Brier 分数。尽管 CBMA 在低阈值预测中略优于原始集合预测系统 (REPS) 预测，但 SBMA 在所有评估中均优于 REPS、概率匹配集合均值和 CBMA。CBMA 通常会过滤掉有关高传播案例的大部分信息，并为其生成不合适的参数。此外，CBMA 确定性预测和百分位预测经常被低估。与 CBMA 相比，使用 SBMA 对不同属性的分层样本进行估计的参数要合理得多。对于所有可用的预测案例，检查了两个 BMA 实验的平均绝对误差、连续排序概率分数和 Brier 分数。尽管 CBMA 在低阈值预测中略优于原始集合预测系统 (REPS) 预测，但 SBMA 在所有评估中均优于 REPS、概率匹配集合均值和 CBMA。使用 SBMA 对不同属性的分层样本估计的参数更加合理。对于所有可用的预测案例，检查了两个 BMA 实验的平均绝对误差、连续排序概率分数和 Brier 分数。尽管 CBMA 在低阈值预测中略优于原始集合预测系统 (REPS) 预测，但 SBMA 在所有评估中均优于 REPS、概率匹配集合均值和 CBMA。使用 SBMA 对不同属性的分层样本估计的参数更加合理。对于所有可用的预测案例，检查了两个 BMA 实验的平均绝对误差、连续排序概率分数和 Brier 分数。尽管 CBMA 在低阈值预测中略优于原始集合预测系统 (REPS) 预测，但 SBMA 在所有评估中均优于 REPS、概率匹配集合均值和 CBMA。