ECMWF细网格2 m温度在抚州市预报能力检验

基于2015-2017年3 a的ECMWF细网格模式2 m温度预报产品,采用格点映射站点法、天气学检验方法和逐步回归拟合订正方法,对该模式在不同季节、不同天气时的抚州市温度预报能力进行检验。结果表明:ECMWF细网格模式2 m温度预报的02:00和14:00可代表日最低、最高温度。冬半年的逐季最高气温预报准确率高出夏半年9.7%～27.4%。夏半年的逐季最低气温预报准确率高出冬半年7.0%～24.7%。A、B、C格点02:00预报的气温很好地代表临川区、资溪县、广昌县全年的日最低气温预报。拟合的ECMWF模式2 m最高温度预报订正方程适用于日最高温度预报,对24 h内的最高温度和最低温度预报提供参考依据。     

多模式解释集成方法在云南降水预测中的应用

发展数值预报模式、增强模式产品的解释应用能力,是提高短期气候预测准确率的重要途径.文章基于国家气候中心提供的3种气候模式产品,开展云南3—9月降水和夏季(6—8月)各月降水的降尺度释用和集成技术方法研究,并利用距平符号一致率(PC)、趋势异常综合(PS)和距平相关系数(ACC)3项指标,对比分析了不同模式和方法对云南降水的预测性能.结果表明:对模式直接输出结果,各月平均的PC和PS评分NCEP模式最高,EC次之,NCC最低;ACC评分EC最高,NCEP次之,NCC最低;对夏季降水,EC模式PC和PS评分最高,NCC模式则ACC评分最高.模式降尺度释用结果的PC评分较同一模式直接输出结果以负订正为主,PS和ACC以正订正为主,表明降尺度释用方法对云南月降水距平符号的预测能力不如模式直接输出结果,但对降水空间分布形态和异常级降水的预测与实况更接近.不同集成方案的预测性能不尽相同,模式集成的PC评分最高,这与模式直接输出结果对降水的PC评分较释用结果偏高有关;优选集成的PS评分和ACC评分最高,且各月评分值较为稳定,表明同时引入模式直接输出与降尺度释用结果的优选集成可发挥二者的优势,改进预测性能.     

国家精细化温度指导预报在天津滨海新区的检验订正

对国家气象中心2014年7月至2015年6月下发的精细化温度指导预报在天津滨海新区的绝对平均误差和预报准确率进行了分析,结果发现:24,h预报效果好于48,h及72,h;在各时段的温度预报中,最低温度预报效果好于最高温度预报。分析报错的原因,提取离散度大于2,℃的个例,根据不同天气状况进行归类,找出不同天气状况下最高、最低温度订正值,利用2015年7~10月的温度指导预报资料进行验证,计算≤1,℃、≤1.5,℃、≤2,℃3个区域订正前后的准确率,结果最低、最高气温准确率提高12%,~13%,,订正效果显著。     

关于WRF模式模拟到达地表短波辐射的统计订正

太阳能光伏发电预报研究和业务工作迫切需要开展太阳辐射预报技术研究,而中尺度数值模式直接输出的辐射预报与实测值误差较大,有必要对模式输出结果进行解释应用以提高辐射预报的准确率.基于WRF模式逐时输出结果,对模式模拟的2009年8月武汉站到达地表短波辐射进行误差订正.结果表明:1)与武汉站逐时总辐射相关性较高的模式输出因子为:到达地表短波辐射、地表温度、2m气温、2m比湿和云水混合比的垂直积分;2)简单的消除偏差方法对模式预报效果略有改进;3)综合考虑了辐射、温度和水汽条件的MOS预报效果最佳,可使平均绝对百分比误差由模式预报的38.3%减少到22.0%.可见,通过对模式输出结果进行误差订正,能够进一步提高辐射预报的准确率.     

基于多模式预报优选融合技术的短时定量降水预报

为提升短时定量降水预报准确率,使其更好地支撑城市暴雨洪涝及中小河流洪水预报,基于多源数值天气模式预报值,构建了基于预报成员优选融合的短时(0~12h)逐小时定量降水预报模型,模型由单模式百分位映射订正技术模块、模式订正预报成员实时优选技术模块、预报成员实时融合技术模块和融合预报的百分位映射订正技术模块4个技术模块组成。以河南省为例对模型进行检验,结果表明:模型预报降水分布和强度随着预报时效临近更接近实况降水;模型提前6h预报出郑州“7·20”暴雨最强时段降水的落区和强度;在2021年1—9月降水预报对比检验中,模型预报准确率高于任意单模式订正预报和原始模式预报,且准确率随着预报时效的临近逐步提高。     

营口市气温预报方法研究

地面气温与大气低层温度存在明显的正相关,本文利用NCEP/NCAR 850 hPa和925 hPa的温度资料与营口市的日最高和最低气温分季建立预报回归方程,并分析了风向、风速、低云量和降水对日最高和最低气温变化的影响程度并建立预报指标,对预报回归方程进行订正。本文对预报方程结果进行了预报检验,结果表明：日最高气温预报误差小于2℃的预报准确率,春季为57.6%,夏季为82.2%,秋季为83.3%,冬季为78.3%;日最低气温预报误差小于2℃的预报准确率,春季为64.1%,夏季为82.6%,秋季为70%,冬季为60%。     

基于支持向量机的张掖市温度预报研究

基于21种常见的气象要素数据，利用支持向量机回归模型对张掖市的气温、最高气温、最低气温、24 h变温、露点温度和0 cm地温进行了预报。研究结果表明：支持向量机对张掖市温度有较强的预报能力，预报值与真实值十分接近，预报准确率都能达到90%以上；支持向量机对最低气温预报结果的平均绝对误差和均方根误差最小，为0.440℃和0.747℃，准确率达到了97.85%，对0 cm地温预报结果的平均绝对误差和均方根误差最大，为2.539℃和3.894℃，准确率为91.41%。     

基于阴阳历叠加的中长期天气预报方法

采用在阴阳历叠加的基础上进行修正的方法,利用环渤海地区和青藏高原东北部地区1960-2010年地面测站降水、风速资料,探讨了阴阳历叠加法进行中长期天气预报的可行性.结果表明:对于不同地区,不同要素阴阳历叠加预报时最佳样本长度略有差异,降水预报时环渤海地区最佳样本长度为37 a,青藏高原东部地区最佳样本长度为20 a;对大风天气过程而言,环渤海地区最佳样本长度为34 a,青藏高原东北部地区为31 a.降水日预报检验表明,环渤海地区和青藏高原东北部地区降水日预报威胁评分(TS)呈单峰型变化,峰值均集中在夏季,6-8月降水日预报TS评分均高于0.4,两地各月降水日预报TS评分均高于气候概率.利用站点相关订正后,准确率最高可提高14.2%,最低提升了4.1%,平均提高9.8%,站点相关订正是有效的.两地大风预报准确率呈现单峰型分布特征,并在3-5月间为明显的波峰,且两地的预报TS评分均高于气候概率TS评分,预报是有效的.     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。     

“海峡号”航线风场特征及模式预报风场的对比检验

基于平潭沿海、平潭浮标、台湾沿海的观测资料以及WRF、EC细网格10 m预报风场资料,通过计算相关系数(CC)、偏差(Bias)、均方根误差(RMSE)以及平均绝对误差(MAE)等,定量分析模式风场预报产品的有效性和可用性。结果表明,(1)"海峡号"航线多为偏北风或偏南风。5个检验站点中,牛山岛、海峡号码头、基隆主导风向轴以NNE-SW为主,平潭浮标主导风向轴以N-SSW为主,新竹主导风向轴以NNE-W为主。(2)平潭沿海及平潭浮标的大风日数要多于台湾北部沿海,10月—次年1月为大风多发期。(3)经过定量比较,EC细网格预报风向、风速在"海峡号"航线上具有较高精度,可用性强于WRF。因此,可选用EC细网格模式预报风场作为参考,开展航线气象服务。     

基于滚动极值处理的BP神经网络方法的WRF模式预报风速订正

为解决风速预报准确性问题,提高风能利用率,应用滚动的BP神经网络方法结合对极值的处理,对我国某风电场2007年4—11月的WRF模式预报风速结果进行了滚动订正研究。结果表明,经过1 h、12 h、24 h时间步长的滚动极值BP神经网络方法订正后,风电机组轮毂高度70 m处订正风速的相对均方根误差平均值分别减少16.59%、12.11%和11.61%,相对平均绝对误差平均值分别减少13.81%、11.09%和10.37%;且以时间步长为1h的滚动极值处理的BP神经网络订正效果最好,预报风速更趋近于实测风速,预报精度明显提高。     

赣东主汛期模式降水预报检验分析

基于ECMWF模式形势场预报资料及JAPANFAX、GFS、EC-THIN、JMA、T639、NCEP等11家模式降水预报资料,从面雨量、极值降雨量2个方面对2015年江西省抚州市主汛期(6月上旬至7月上旬)区域性暴雨的降水预报结果进行了短期主观检验,对比分析了11种数值模式对江西省抚州市区域性暴雨系统预报的效果。结果表明:1)在面雨量预报方面,EC集合预报、T639模式预报、GFS预报在主汛期的降水预报准确率较好; 2)在极值降雨量的预报方面,EC-THIN、T639模式预报在主汛期的降水预报准确率更好; 3)得到本地化预报准确的模式,再对2016-2017年的强降水天气过程的面雨量和极值降水量进行了预报验证,找出这2个要素的预报思路及指标,为今后主汛期降水起到较好的参考指导意义。     

基于贝叶斯模式平均与标准化异常度的东江汛期降水预报

考察贝叶斯模式平均(BMA)对第二代气候预报系统(CFSv2)在东江流域汛期月降雨量预报的订正效果,同时引入标准化异常度(SA)指标识别异常的降雨值,分别进行SA的确定性预报以及集合预报,通过建立SA和BMA结果之间的联系构建一个较为完整且精度较好的降雨预报模型,提高东江流域中长期降雨预报的精度。主要结论如下:1BMA50%以下的分位数不具有预报作用,75%分位数具有最优的预报效果。但BMA还存在不足之处,常表现为对极端降雨的低估;2利用CFSv2集合平均值进行SA计算时,SA严重偏小,可能说明CFSv2存在系统性误差。对CFSv2原始预报分别进行伽玛函数订正以及多项式订正后,降水预报成功指数(Ts)和异常值报对的次数有明显地提高,但预报偏差(Bs)也相应地增大;3 SA与BMA之间大致可建立如下的关系,即当SA判断会出现异常值时可选择95%分位数的预报值,相反则选择75%分位数预报值。     

基于风速数值预报的两种风电功率预测方法

针对风电场风功率预测,根据2011年11-12月的北方某大型风电场132台风机的实测风速资料与输出功率资料,以及BJ-RUC数值预报模式在该风电场风机高度(50 m)的预报风速资料,探讨了2种利用神经网络将风速数值预报转化为风功率预测值的途径:1)利用神经网络对风速数值预报进行预测后延误差动态订正,以订正后的风速预测风功率;2)用风速的数值预报值直接与风功率输出建立神经网络模型的释用方法。根据该风电场的实测资料和BJ-RUC模式输出资料,对0-4 h的风功率预报进行了试验,结果表明2种方法相较直接使用BJ-RUC模式风速得到的风功率预报效果有明显改进,第1种方法,风速的绝对误差下降了48.7%,风功率的平均绝对误差下降了58.2%,第2种方法,风功率的平均绝对误差下降了60.4%。     

数值预报产品的误差订正方法

提出了一种基于统计学的数值预报产品误差订正的新方法,该方法根据模式前几个预报时次的误差计算出后面预报时次的误差,通过订正进一步提高了数值预报产品的精度,从而使其能够在日常天气预报中起到更好的作用.为了验证该方法的订正效果,设计了基于T213数值预报产品的订正方案并进行了试验.结果表明,订正方案稳定可靠,订正效果显著,明显减小了各时次的预报误差.另外,该订正方法计算量小,对计算机设备要求不高,便于在各级气象台站推广使用.     

小兴安岭地区气温预报方法

小兴安岭地区受地形影响温度预报很难把握,工作中利用常规资料给出最高最低气温的一个初始预报值,再结合欧洲数值预报产品850hPa的温度场对初值进行客观订正,加之综合分析,从而得出最终气温预报结果。     

基于全球天气预报系统对河套周边地区低云量精细化预报

基于2008-2013年全球天气预报系统(GFS)预报场资料,构造了30个云预报因子,分析了其与低云量的相关关系,采用多元逐步回归预报方法建立了黄河河套周边地区低云量0～168 h逐小时精细化区域预报,评估了预报模型的预报效果.结果表明,低云量与水汽类因子整层湿度和整层相对湿度具有较强的正相关性;与大气可降水量、低层温度露点差和总温度具有较强的负相关性;与GFS云类预报因子有较强的正相关性.在预报方程中水汽类预报因子和GFS云量因子具有较高的引用频数.多元逐步回归方法低云量预报值与实况的差值明显低于直接使用GFS低云量的预报结果,在夏季逐步回归方法对低云量有较大改进,上半年对低云量的订正效果强于下半年.逐步回归方法对西北部低云量的订正能力高于东南部地区,部分地区的订正能力在20%以上.     

环境空气质量预报准确率研究

在分析多年空气自动监测数据的基础上,选用统计预报模式(多元线性回归)和数值预报模式(CAPPS)两种模式同步应用,以源解析结论为数据修正程序,很好地解决了安阳市在空气质量预报方面准确率低的问题.安阳市2005年1月~9月环境空气质量预报PM10浓度预报准确率为74.70%.     

基于改进U-Net模型的次季节降水预报订正

针对现有次季节降水预报误差较大的问题，提出基于改进的U-Net模型的次季节降水预报订正方法.首先，通过指数变换，将非正态分布的降水预报数据变换到正态分布；其次，结合残差连接和通道注意力改进U-Net模型，用于订正模式预报结果，生成订正后的降水概率预报；最后，通过损失函数加权提高强降水预报性能.实验结果表明，订正结果相较于原始预报误差明显降低，CRPS降低了14%,概率预报的采样均值在10 mm日降水量阈值的TS评分提升48%.     

人工神经网络方法在短期天气预报中的应用

将人工神经网络方法试用于南京夏季短期降水分级预报,根据南京夏季梅雨期的天气特点,用统计和动力学方法从HLAFS(高分辨率有限区域预报系统)预报产品中寻找预报因子,然后用2种方法选取输入因子分别对人工神经网络进行训练,并利用抽取的5天雨量实况作降水分级预报检验.通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现:与HLAFS数值模式的降水预报相比,人工神经网络降水预报方法的准确率提高了20%以上,而且漏报、错报明显减少;特别是与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高,这一研究表明人工神经网络方法在短期天气预报中也会有较大的应用价值.