利用贝叶斯模式平均方法（Bayesian model Averaging，BMA）对数值预报结果进行集成处理，可以得到更优的预报结果。前人提出的传统的BMA方法对强降水预报效果不理想。为解决这一问题，智协飞教授团队近年来在传统BMA方法的基础上，提出了分级雨量BMA预报方法，显著提升了强降水预报能力。以博士生吉璐莹为第一作者,智协飞教授为通讯作者的论文《Probabilistic Precipitation Forecasting over East Asia Using Bayesian Model Averaging》已在国际期刊Weather and Forecasting发表。
该研究利用全球交互式大集合预报（TIGGE）数据集提供的欧洲中期天气预报中心（ECMWF）、美国国家环境预报中心（NCEP）和英国气象局（UKMO） 3个集合预报中心的多成员、多预报时效的24h累积降水量集合预报资料，结合高分辨率中国降水融合产品，对东亚地区24h累积降水量进行分级雨量BMA概率预报。通过将24h累积降水量分为小于10mm（小雨）、10~25mm（中雨）和大于等于25mm（大雨及以上量级）三个量级，分别建立各个量级的BMA预报模型，研究发现，分级雨量BMA模型对强降水的确定性预报有明显改进，对中期预报和延伸期预报，此模型对小雨预报也有明显改善。另外，分级BMA模型提供的概率密度函数更加集中，表明概率预报技巧也优于传统BMA模型。
论文结果：相对于原始集合预报的两种BMA确定性预报的ETS技巧评分随预报时效的变化
(a) > 0.01 mm; (b) 0.01~9.9 mm; (c) 10~24.9 mm and (d) ≥ 25 mm