The present study quantifies the improvement achieved in lightning forecast skill of the NCMRWF regional ensemble prediction system (NEPS-R) compared to its deterministic counterpart (CNTL). The lightning forecasts over study regions of East and Northeast India (ENEI) and Peninsular India (PI) during the pre-monsoon season and Central-East and Northeast India (CENEI) during the monsoon season have been verified using lightning observations from the Indian Institute of Tropical Meteorology (IITM) Lightning Detection Network (LDN). The persisting systematic negative bias in deterministic and EPS-based forecasts of the ensemble mean (EnsMean) and ensemble maximum (EnsMax) indicate the lack of spread among the members, supported by the low values of ensemble spread over all the study regions. EnsMean has the lowest RMSE, with a decrease in error ranging from 0.8 % to 2.18 % compared to CNTL. Categorical skill scores indicate that the EPS-based forecasts (EnsMean and EnsMax) are more skillful than the deterministic forecast at all thresholds and lead times. Further, Fractions Skill Score (FSS) establishes the superiority of the ensemble forecasts over the deterministic forecasts, where for threshold >1, EnsMean is skillful at comparatively smaller neighborhood sizes (ENEI and PI ∼68 km; CENEI ∼36 km for day-1) than CNTL (ENEI-116 km; PI-196 km; CENEI-68 km). EnsMax at higher thresholds (>5 and >10) is skillful at lesser neighborhood sizes ranging from 116 to 276 km compared to CNTL (>401 km) for day-1. Hence, skillful re-scaled EPS forecasts based on FSS could provide better guidance for the forecasters. The Continuous Ranked Probability Score of EPS forecasts is lower by around 9 % than the Mean Absolute Error of CNTL forecasts, and the ROC of EPS shows better discrimination of events and non-events compared to CNTL. These highlight the merits of using an EPS over a deterministic system for forecasting a field of high spatial variability, like lightning, and thereby, the use of vast computational resources to run a convective scale EPS is justified.

中文翻译：

---

印度地区对流尺度的集成与确定性闪电预报性能


本研究量化了 NCMRWF 区域集成预报系统 （NEPS-R） 与确定性预报系统 （CNTL） 相比在闪电预报技能方面取得的改进。季风前印度东部和东北部 （ENEI） 和印度半岛 （PI） 研究区域以及季风季节期间印度中东部和东北部 （CENEI） 研究区域的闪电预报已使用印度热带气象研究所 （IITM） 闪电探测网络 （LDN） 的闪电观测进行了验证。在集成均值 （EnsMean） 和集成最大值 （EnsMax） 的确定性和基于 EPS 的预测中，持续的系统性负偏差表明成员之间缺乏扩散，这得到了所有研究区域中的低集成分布值的支持。EnsMean 的 RMSE 最低，与 CNTL 相比，误差降低 0.8% 到 2.18%。分类技能分数表明，在所有阈值和提前期，基于 EPS 的预测（EnsMean 和 EnsMax）都比确定性预测更熟练。此外，分数技能得分 （FSS） 确立了集成预报相对于确定性预报的优势，其中对于阈值 >1，EnsMean 擅长处理相对较小的邻域大小（ENEI 和 PI ∼68 公里;CENEI ∼第 1 天 ∼36 公里）比 CNTL（ENEI-116 公里;PI-196 公里;CENEI-68 公里）。与第 1 天的 CNTL（x3E401 公里）相比，较高阈值（>5 和 >10）的 EnsMax 在 116 到 276 公里的较小邻域大小上很熟练。因此，基于 FSS 的熟练重新缩放的 EPS 预测可以为预测者提供更好的指导。 EPS 预测的连续排名概率得分比 CNTL 预测的平均绝对误差低约 9%，并且与 CNTL 相比，EPS 的 ROC 显示出更好的事件和非事件区分能力。这些突出了在确定性系统上使用 EPS 来预测高度空间可变性场（如闪电）的优势，因此，使用大量计算资源来运行对流尺度 EPS 是合理的。