Al utilizar diversas puntuaciones de habilidad y características espaciales de los métodos de verificación espacial y técnicas tradicionales de la herramienta de evaluación de modelos, se llevaron a cabo observaciones de precipitación en cuadrículas, conocidas como la Técnica de Morfología del Centro de Predicción Climática, observaciones de pluviómetro y tres conjuntos de datos derivados de modelos locales, de Shanghái y de Grapes, respectivamente, para evaluar la previsión de lluvia a 3 días de anticipación con intervalos de 0.5 días durante el verano de 2020 en el Este Central de China. Los resultados han mostrado que el modelo local generalmente supera a los otros dos en la mayoría de las puntuaciones de habilidad, pero suele tener incertidumbres relativamente mayores que el modelo de Shanghái, y tiene los menores errores de desplazamiento para lluvias moderadas entre los tres conjuntos de datos. Sin embargo, la lluvia del modelo Grapes ha sido subestimada en gran medida y está acompañada de un gran error de desplazamiento. Tanto el modelo local como el de Shanghái pueden prever eficazmente la convección a gran escala y las tormentas de lluvia, pero sobrestiman la convección local, mientras que el modelo local probablemente sobrestima las tormentas de lluvia locales. Además, el modelo de Shanghái tiende a sobrestimar ligeramente en un amplio rango de escala y un amplio rango de umbrales, y el modelo local ligeramente no capta la lluvia que excede los 100 mm. En general, para una evaluación comparativa amplia sobre la lluvia, se deberían recomendar los métodos dicotómicos populares al considerar una clasificación razonable de umbrales si la precisión es altamente exigente. Además, se sugiere que la mayoría de los métodos espaciales se realicen con un adecuado pretratamiento de los casos de eventos sin lluvia. Especialmente, se recomienda que las métricas de verificación, que incluyen información sobre la diferencia de características espaciales, se utilicen para enfatizar la recompensa a las previsiones de eventos severos en un contexto de calentamiento global.