云量是重要的云物理特征参数,对其准确预报是做好降水、温度等其它气象要素的基础,但大气中云的形成非常复杂,至今尚有许多环节和机理仍未被认识和掌握,这极大增加了云预报的难度。长期以来,云量的预报基本上是依赖于预报员的经验进行定性预报,随着数值模式的快速发展,利用数值模式输出产品进行云量预报成为有效的方法之一。自从Smagorinsky首先提出云量与相对湿度呈线性关系的云量诊断法以来,气象学者常用相对湿度诊断云量,slingo等人提出了多种基于相对湿度的云量诊断算法,这些算法已经广泛运用到国外的业务模式中。近年来,一些学者又提出了利用模式输出的水物质进行云量预报,基于相对湿度的云量预报方法和基于水物质的云量算法,哪一种预报效果更好,国内还很少有人开展,基于此,本文采用具有较强模拟能力的WRF模式,对2008年北京一次降水云系个例进行数值模拟,利用模式的输出产品,选取应用广泛的一种基于相对湿度的改进云量算法和两种基于水物质的云量算法,开展云量预报方法研究。为了检验各云量诊断方案,需要有实测格点化云量资料,文中利用MICAPS地面观测(全站点)资料中的总云量和FY-2C亮温TBB资料对3种云量诊断方法进行检验。客观检验采用准确率和相关系数两种方法,检验结果表明:3种方案的准确率都在70%以上,但基于水物质的云量算法准确率高于基于相对湿度的云量算法,最好的算法准确率达到81.7%;3种算法与FY-2C卫星TBB云场的相关系数都在0.4以上,都具有较好的相关性,基于水物质的量温算法相关系数最好,最高达到0.75。这可能是因为取得合适的相对湿度临界值是很困难的,这就决定了基于相对湿度的云量诊断算法不可避免的存在较大误差,亮温法诊断的云量好于水物质法,这说明仅仅对云微物理量进行简单累加是不够的,考虑温度和云微物理量的亮温法可以更好的反映云生成的机制。