山岳型风景区最高最低气温预报方法研究

利用ECMWF预报场资料和地面观测资料开展支持向量机(SVM)、卡尔曼滤波(Kalman)两种统计方法对山岳型风景区气温集成预报方法的研究,并且结合自动气象观测站气温资料进行检验。结果表明:单一的SVM方法预报准确率较高且稳定,传统的Kalman方法预报效果不太理想,对长时效预报效果较差;加权集成后,3种集成方法预报稳定性较好、准确率比单一的SVM和Kalman预报方法均有所提高。从不同预报时效的检验结果看,各预报方法最高和最低气温预报准确率随着预报时效的增加均呈现降低的趋势。绝对误差分析表明,各预报方法最高气温的平均绝对误差均低于最低气温的平均绝对误差。     

利用ECMWF产品对庆阳极端气温释用效果分析

利用CMSVM的回归方法,用2003～2007年的欧洲数值预报格点资料和庆阳市8个自动站极端气温资料建立最高最低气温预报模型.2008年业务运行效果检验评估表明:5 d最高、最低气温综合平均预报准确率达到64%和71%,对实时业务有较好的指导作用.最高、最低气温准确率随着预报时效的延长效果降低,最低比最高气温的预报准确率高.最低气温预报效果春夏季好于秋冬季,最高气温相反.最高、最低气温绝对误差和平均误差都随预报时效的延长增大,最高比最低气温平均绝对误差大,二者的平均误差接近,均为正值,预报值具有偏高的倾向.对9月明显变化过程的评估表明,最高最低气温预报与实况演变的趋势相似.     

三种气温预报产品黑龙江省预报效果检验

利用T639模式预报产品和黑龙江省83个国家气象站气温实况观测资料,采用最优预报因子方法选取预报因子,应用多元回归方法建立逐站日最高气温和日最低气温的MOS预报方程; 对MOS、中央气象台指导预报（SCMOC）和T639三种气温预报产品的日最高气温和日最低气温预报效果进行对比检验分析,并用EOF方法检验预报与实况的时空变化特征一致性。结果表明: 与实况的时空变化一致性方面,MOS和SCMOC较好,T639略差; 预报效果方面,MOS和SCMOC对日最高气温和日最低气温的2 ℃预报准确率普遍高于T639,MOS的预报准确率在日最高气温方面高于SCMOC,在日最低气温方面低于SCMOC; MOS对T639气温预报产品改善效果明显,尤其对冬季日最低气温的预报改善效果十分显著; MOS较T639气温预报改善效果与T639模式预报效果呈负相关关系,主要表现为,MOS预报改善效果在T639预报准确率低的山区明显优于平原,在春、夏季,预报准确率较低的日最高气温明显优于日最低气温,在冬季,预报准确率较低的日最低气温优于日最高气温; MOS气温预报方法的预报性能较理想,SCMOC对黑龙江省预报难度较大的日最低气温预报效果较好。     

陕西ECMWF、GRAPES_Meso和SCMOC气温预报的对比检验及订正

利用陕西99个国家气象站2017—2019年日最高(低)气温观测资料,采用一元线性回归和递减平均方法,对GRAPES_Meso、ECMWF和SCMOC的日最高(低)气温预报进行订正,并作对比检验。结果表明,SCMOC、GRAPES_Meso和ECMWF的日最低气温预报准确率较日最高气温偏高,其中SCMOC的日最高和最低气温预报准确率最高,ECMWF次之,GRAPES_Meso最低。一元线性回归和递减平均方法对SCMOC的气温预报订正多为负效果,但对GRAPES_Meso和ECMWF的气温预报订正有明显正效果。订正后ECMWF与订正前SCMOC的预报相比,前者日最高和最低气温的预报准确率偏高。订正后GRAPES_Meso与订正前SCMOC的预报相比,前者日最低气温预报准确率偏低、2018年24 h和2019年24、48 h日最高气温预报准确率偏高。一元线性回归法对模式气温预报的订正能力和稳定性优于递减平均法。     

几种降水集成预报方法的对比分析

采用多数表决集成法、评分权重集成法、多元回归集成法对承德市两来系统形成的降水进行晴雨和分级集成预报试验.结果表明:在每种单一的数值预报方法TS值均较高,总体预报质量相差不大的情况下,多数表决集中集成法可大幅度提高预报准确率;如果几种数值预报对于降水分级预报的预报准确率相差较大时,可采用评分权重集成法来提高总体预报质量;在样本足够的条件下,细化的预报结果多元回归集成法是晴雨预报和分级降水预报中比较可行的集成方法之一.     

基于多模式的新疆最高(低)气温预报误差订正及集成方法研究

干旱区由于气温日较差大,气温预报难度偏大,尤其是最高、最低气温预报。利用2013—2015年ECMWF、T639、DOGRAFS、GRAPES 4种模式24 h内气温预报产品,采用递减平均订正法以及集合平均和加权集合平均法,设计2种订正集成方案,即方案1是对多模式气温预报先集成后订正,方案2是先订正后集成,对新疆地区日最高气温和最低气温预报的误差订正及集成效果进行对比检验。结果表明:(1)4种模式对新疆气温预报的准确率表现为ECMWF模式整体最好,DOGRAFS模式最差,且最低气温的预报准确率提高程度高于最高气温;(2)对于新疆不同区域,最高(低)气温预报准确率北疆高于南疆,西部高于东部,平原高于山区,且冬季的订正能力大于其他季节;(3)加权集合平均法优于集合平均法,先订正后集合方案优于先集合后订正方案;(4)方案2对2015年7月13—30日和2014年4月22—24日两次极端高、低温天气过程的最高(低)气温订正效果明显。     

县站温度集成预报方法

介绍了以各台、站气温预报为因子,县站最高、最低气温为预报对象,用多元回归技术做温度集成预报的方法.     

县站温度集成预报方法

介绍了以各台、站气温预报为因子，县站最高、最低气温为预报对象，用多元回归技术做温度集成预报的方法。     

川西高原地区SCMOC温度精细化指导预报质量检验及影响因子分析

利用2014~2015年阿坝州13站共730天08:00和20:00起报的SCMOC温度精细化指导预报资料,对比实况日最高(低)气温,进行预报质量检验。结果表明:日最高(低)气温预报准确率与预报时效成反比,两个时次预报的最低气温准确率高于最高气温,且最低气温预报准确率有明显的季节变化。08:00起报的日最低气温多出现负误差,其余预报最高(低)气温多出现正误差。日最低气温预报绝对误差与海拔高度有关。24h最高(低)气温预报绝对误差>4℃样本分析表明,温度平流、大气稳定度与非绝热过程对温度的影响明显,造成气温偏差的主要原因是降水及冷空气影响范围和强度,冷、暖平流影响偏差,高空槽强度和移动偏差等几方面。     

基于T639数值预报产品的气温本地化应用及检验

基于T639数值预报产品下发的多个物理量资料,利用多元回归方法,开展本地化的分县气温客观预报方法研究,结合常规气象观测资料、美国NCEP/NCAR 1°×1°网格点逐6 h再分析资料,开展业务应用并进行了效果检验,得出以下结论:最低气温预报准确率要好于最高气温,同时夏季的气温预报也明显好于其他季节;在最高气温中对扬中的预报准确率高于其他站点,在最低气温中对丹阳的预报效果相对比较好;客观预报方法存在明显的系统性负偏差,通过使用每个预报时效预报误差的7 d滑动平均进行订正,结果表明通过订正,预报效果有所提高,特别是最高气温订正效果较明显;通过主客观预报准确率的对比分析,发现虽然客观预报对最高气温的预报效果比较差,但是在气温趋势预报上具有一定的参考价值;最低气温客观预报准确率明显高于江苏省的平均水平,和主观预报相比,虽然仍然低于主观预报水平,但是差距不大,基本上可以替代主观预报;分县气温客观预报方法对高温、寒潮等灾害性天气具有一定的预报能力,但是和实况相比,预报强度偏弱.     

多模式温度集成预报的检验分析

该文利用C#程序语言逐日读取欧洲数值预报模式(Ec)、中国数值预报模式(T639)、德国天气在线(ZX)、美国天气(MG)、中国天气(ZG)、中央气象台指导预报(ZY)6家模式预报的日最高气温(Tg)和日最低气温(Td)预报值,建立预报数据库。使用LINEST函数对Tg和Td做多元回归分析,得出6家模式的集成预报结果,结果表明:集成预报(JC)比6家模式预报准确率都高;同时,建立本地化订正方法,将原6家模式Tg和Td进行订正后再集成,结果表明:订正后的集成比直接集成准确率提高了0%～4%,说明订正方法的使用对提高气温预报准确率有一定的效果。另外,通过对各家模式预报结果和集成预报结果的检验分析,不仅为预报员择优使用数值预报产品提供参考依据,也为数值预报产品释用提供一定的参考方法。     

基于数值模式误差分析的气温预报方法

采用欧洲中期天气预报中心(ECMWF)全球确定性预报模式地面气温和国家地面站点观测资料,对模式初值场误差、历史误差以及卡尔曼滤波预测误差与实况误差之间的相关性进行分析,设计了4种回归方案订正日最高、最低气温预报偏差,并与ECMWF、中央气象台和全国城镇的预报产品进行了检验对比。结果表明:采用了模式近1～3 d最高(最低)气温和模式最高(最低)气温历史平均误差、初值场误差以及卡尔曼滤波反演误差作为预报因子的改进方案效果最优,经对其2017年日最高和最低气温的预报检验,预报准确率较ECMWF原始模式预报有较明显提高,也明显优于中央气象台指导预报。在空间分布方面,其对地形较为复杂地区的改进效果更好。同时,与当前业务中质量最好的全国城镇预报相比,最高气温预报平均绝对偏差(Mean Absolute Error,MAE)较全国城镇预报低8.24%～13.97%,预报准确率提高1.24%～3.57%,日最低气温平均绝对偏差较城镇预报低9.43%～17.69%,预报准确率提高1.77%～2.72%。在3 d的预报中,对24 h时效内预报相对于48 h和72 h的改进幅度更大,订正效果更加明显。     

乡镇精细化最高最低气温预报方法研究

对2008年10月至2009年9月安徽省乡镇与县站观测站最低、最高温度的差异进行统计分析。结果表明：乡镇观测点和县站观测点之间的最低、最高温度具有明显差异,且随着季节变化而不同。在此基础上,以预报员主观制作的县站最高、最低预报结果作为基础,利用修正Barnes插值和一阶卡尔曼滤波订正方法制作乡镇站点的最低、最高温度预报表明,该方法制作的乡镇站点最低、最高温度具有较高准确率,前3 d的乡镇最低温度预报准确率和县站的预报比较接近,预报准确率差异在1 %之内,但随着预报时效的增加两者的差异略有增加;对于乡镇的最高温度预报,与县站的最高温度预报小于2℃的准确率始终保持在3 %之内,该方法优于基于WRF模式的MOS方法。对比一阶卡尔曼滤波订正前后效果发现,该方法对乡镇最低和最高温度的前4 d预报具有正订正效果,而对于第5-7 d没有订正效果或为负订正效果。当区分转折性天气后,可以提高第4-7 d的最高温度预报准确率。     

基于机器学习的复杂地形下短期数值天气预报误差分析与订正

初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。      

基于集合预报和支持向量机的中期强降雨集成预报试验

本文基于欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)集合预报资料和支持向量机(SVM)回归方法建立了多模式集成的动力-统计客观预报模型(SVM-多模式集成预报),继而选用2012年5—9月(共计153 d)发生在淮河流域及其以南地区的大雨和暴雨开展了回报试验,并将所得预报结果与ECMWF的控制预报和集合平均预报进行了多角度比对评估。结果表明:在中期预报时效(4~7 d),SVM-多模式集成预报方法对2012年5—9月大雨和暴雨的预报效果最优,尤其对暴雨预报准确率明显提高,其优势主要体现在对强降雨中心分布范围和强度的预报更接近实况。     

基于LAPS分析的WRF模式逐时气温精细化预报释用

为了满足湖北电力和华中电力系统对逐时气温预报的需求,开展气温精细化预报服务,基于局地分析预报系统(LAPS)分析融合的WRF模式精细化数值预报产品,对2011年4月1日至7月20日湖北省内及周边区域站点的逐时气温进行精细化预报释用.比较几种模式释用方案,结果表明:WRF模式预报趋势较好,预报准确率评分50％左右,日间08-20时预报误差小于夜间,最高气温(Tmax)评分54％,最低气温(Tmin)评分为44％.通过模式释用,提高了预报准确率,可使预报评分提高到60％～70％,对Tmax评分达到57％,对Tmin评分最高达到74％.分时刻建立MOS方程能够有效降低夜间20-07时的预报误差.将实况最高气温引入Kalman滤波方程能进一步提高预报准确率.     

精细化气象要素温度指导预报在山西区域的误差及特征

利用2009-2010年山西区域108站共730天精细化气象要素温度指导预报资料,对比日最高气温和日最低气温的预报误差,采用常规统计、EOF分析等方法研究指导预报误差的时间和空间分布特征,结果表明:山西区域的温度预报准确率比较稳定,但有明显的季节特点,夏季最高,秋季次之、冬春季相对偏低,日最高气温年平均正、负误差略高于日最低气温误差,春季大,冬秋次之,夏季小;正负误差值的空间分布与山西地形有一定的联系,日最高气温和日最低气温误差的分布特点具有明显的全区一致性.     

金沙江下游多种面雨量集成预报方法的对比分析

集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、ECMWF模式预报、GRAPES模式预报产品，以面雨量为研究对象，采用多元回归法、BP神经网络法、评分权重法、加权集成预报法和算术平均法，得到集成面雨量预报，再运用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等方法，对2020年4—10月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和BP神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时，下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低，且多元回归法和BP神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中，多元回归法集成效果较好，在大雨量级预报中，BP神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。