企业官网建设流程全解析

前言
在气象预报、短临降水预测、强对流天气预报等领域，评价一个预报系统好坏，不是看一眼“准不准”就完了。尤其对于降水有无、雷暴有无这类二分类事件，业界有一整套约定俗成的检验指标，比如大家经常听到的TS评分（Threat Score）、命中率(POD)、虚警率(FAR)、ETS公平评分等等。
如果你正在做气象智能预报、机器学习后处理，或是跑WRF/数值模式结果检验，这篇文章能帮你把这些指标彻底理清，并直接拿去用（文末有完整Python代码）。

---

1. 二分类预报的“四格表”

任何检验都从一张列联表（Contingency Table）开始。假设我们要检验“未来1小时有无降水”（≥0.1mm为有），将实况和预报做比对：

实况：有	实况：无
预报：有	命中 (a)	空报 (b)
预报：无	漏报 ©	正确否定 (d)

• a (Hit)：报有，且确实下了。
• b (False Alarm)：报了有，但没下——空报。
• c (Miss)：报了无，但下了——漏报。
• d (Correct Negative)：报了无，确实没下——无事发生的安宁。

所有常用指标都由这四个数组合而来。有了这张表，我们开始“盘”指标。

---

2. 核心指标大盘点

2.1 准确率（Accuracy）

[
ACC = \frac{a+d}{a+b+c+d}
]
缺点非常致命：当事件本身稀少时（比如暴雨网格点占1%），就算全部报“无”，准确率也能达到99%，毫无意义。气象中很少单独用它。

2.2 TS评分（Threat Score, CSI）

TS评分，学名Critical Success Index，也叫威胁评分，是气象业务最常用的“硬指标”之一：
[
TS = \frac{a}{a+b+c}
]

• 含义：在所有“预报有”或“实况有”的事件里，正确命中的比例。
• 范围：0~1，越接近1越好。
• 特点：不考虑“正确否定(d)”，因此不会被大量“无事件”样本稀释，更专注于预报有事件的真实水平。
• 注意：TS评分对命中率和空报一视同仁，而且受事件频率影响，不可跨季节、跨区域直接横向比较。完美TS=1，但无事件时分母为0，无定义。

📌业务小贴士：通常降水TS评分为0.2~0.4属于还不错，短临强对流能到0.3以上就可以发文章了，但要根据具体阈值来。

2.3 命中率 POD (Probability of Detection)

[
POD = \frac{a}{a+c}
]

• 含义：实况出现了，你报出来的概率。完美为1。
• 弥补了TS对漏报的“粗放”，但单独看POD可能会很高，如果你“天天报有”，那a很大，c很小，POD接近1，但空报会爆炸。

2.4 虚警率 FAR (False Alarm Ratio)

[
FAR = \frac{b}{a+b}
]

• 含义：你只要报了“有”，其中多少是空报。完美为0。
• 与POD是一对博弈关系，提高POD往往以增加FAR为代价。

⚠️ 容易混淆的概念：False Alarm Rate也叫POFD= b/(b+d)，表示无事件时你乱报的概率。本文FAR特指气象常用的“空报率”。

2.5 漏报率 MAR (Miss Alarm Ratio)

[
MAR = \frac{c}{a+c} = 1 - POD
]
实况发生了，你却漏掉的比例。

2.6 预报偏差 Bias

[
Bias = \frac{a+b}{a+c}
]

• Bias >1：预报发生的次数比实况多，过度预报，容易空报。
• Bias <1：预报次数少于实况，过于保守，容易漏报。
• Bias = 1 表示预报次数和实况次数一致（并不代表完全准确，只是总数相当）。

2.7 ETS公平技巧评分 (Equitable Threat Score)

TS评分的一个缺陷是未排除随机命中的贡献。ETS则扣除了随机期望：
[
a_r = \frac{(a+b)(a+c)}{n}, \quad n=a+b+c+d
]
[
ETS = \frac{a - a_r}{a+b+c - a_r}
]

• 范围：-1/3 ~ 1，0表示无技巧。
• 优点：更公平，可对不同样本量进行对比。强对流、降水概率预报的“标准答案”之一。

2.8 HSS海德克技巧评分 (Heidke Skill Score)

也是常用技巧评分，考虑了a、b、c、d全部信息：
[
HSS = \frac{2(ad - bc)}{(a+c)(c+d)+(a+b)(b+d)}
]
完美为1，0表示无技巧，负值比随机还差。

---

3. Python实战：一键计算所有指标

下面给出一个函数，输入四个数，直接返回一个包含TS、POD、FAR、Bias、ETS、HSS等字典。可以直接用在你的后处理脚本里。

defcalc_verification(a,b,c,d):""" 计算二分类预报检验指标 :param a: 命中 Hit :param b: 空报 False Alarm :param c: 漏报 Miss :param d: 正确否定 Correct Negative :return: dict """n=a+b+c+d metrics={}# 准确率metrics['ACC']=(a+d)/nifn>0elsefloat('nan')# TS评分 (CSI)denom_ts=a+b+c metrics['TS']=a/denom_tsifdenom_ts>0elsefloat('nan')# 命中率 PODdenom_pod=a+c metrics['POD']=a/denom_podifdenom_pod>0elsefloat('nan')# 虚警率 FAR (空报率)denom_far=a+b metrics['FAR']=b/denom_farifdenom_far>0elsefloat('nan')# 漏报率 MARmetrics['MAR']=c/denom_podifdenom_pod>0elsefloat('nan')# 预报偏差 Biasmetrics['Bias']=(a+b)/denom_podifdenom_pod>0elsefloat('nan')# ETS公平TSifn>0anddenom_ts>0:ar=(a+b)*(a+c)/n metrics['ETS']=(a-ar)/(denom_ts-ar)ifdenom_ts!=arelsefloat('nan')else:metrics['ETS']=float('nan')# HSSifn>0:num=2*(a*d-b*c)denom_hss=(a+c)*(c+d)+(a+b)*(b+d)metrics['HSS']=num/denom_hssifdenom_hss!=0elsefloat('nan')else:metrics['HSS']=float('nan')returnmetrics# 示例：假设有1000个格点/样本a,b,c,d=80,30,20,870res=calc_verification(a,b,c,d)fork,vinres.items():print(f"{k}:{v:.3f}")

输出如下：

ACC: 0.950 TS: 0.615 POD: 0.800 FAR: 0.273 MAR: 0.200 Bias: 1.100 ETS: 0.517 HSS: 0.674

解读：准确率虽高，但那是d多造成的；TS=0.615算是相当不错；POD 0.8说明80%的实况降水都被捕捉到；FAR 0.273代表报了四次有降水，大约有一次是空报；偏差1.1稍微有点“偏向多报”，总体可以接受。

---

4. 业务中多指标怎么组合看？

• TS + Bias：经典组合，TS看准确，Bias看倾向。TS高而Bias远离1，可能是有系统的空报/漏报。
• POD + FAR：直接反映命中与虚警的平衡。在降水检验图上常画POD-FAR曲线（类似ROC）。
• ETS：当你需要在不同样本、不同季节间比较模型技巧，用ETS比TS更公平。
• HSS：同样适合公平比较，尤其是在“全报无”也能高分的情景下，HSS会把这种懒惰模型打回原形。

实际检验往往还用到降水量级分级检验（小雨、中雨、大雨……），对每一级降水分别算TS等。本质上还是这个框架。

---

5. 小结

写气象预报算法时，别再说“我模型准确率90%”这种容易被怼的话了。老老实实把列联表算出来，一票指标跑一遍。尤其TS评分，是气象入门的必修课。
上面这段Python代码，你可以封装到自己的检验模块里，搭配pandas批量计算不同时段、不同站点的指标，一键出图，非常实用。

希望这篇文章帮你理清了 TS、POD、FAR、ETS…… 那些眼花缭乱的符号。下一步，拿起你的预报场和观测场，去算一算模型的“真实水平”吧！

📊觉得有用？点个赞、收藏，防丢备用。
（气象检验系列持续更新，下次聊聊概率预报的Brier评分和可靠性图）