高速公路路面温度极值预报模型研究

应用地表热量平衡方程,在太阳短波辐射、大气和地面长波辐射、感热和潜热等参数化方案的基础上,提出一种用于预报高速公路路面温度极值的数值模型.并利用沪宁高速公路梅村站和仙人山站2006年7月8日-12月31日的逐分钟的各要素实测数据对模型的有效性进行验证,结果表明:模型的平均绝对误差为1.32 ℃,预报误差在±3 ℃以内的频率高达85.23%,且对冬季路面温度低于0 ℃时的预报误差基本在-1～0 ℃,可以运用于冬季高速公路路面溜滑的实际预报中.     

河北省高速公路路面温度变化特征及预报模型

利用2010年1月至2011年12月邯长、京秦高速公路涉县、玉田南北2监测站和所在气象站观测资料,统计分析南北2站路面温度与气温的日变化特征及路面最高温度与气象因子的关系,基于多元回归分析方法建立逐月路面温度预报方程,并进行精度检验。结果表明,路面温度的日变化不但与季节、天空状况有关,还与地理位置密切相关。路面最高温度受多种气象因子的影响,与前一日路面最高温度、最高气温、能见度呈显著正相关,与总云量、低云量、相对湿度呈显著负相关,其中与最高气温的相关性最显著;路面最低温度与最低气温呈显著线性相关。基于路面最高温度预报方程的检验精度,玉田站年平均为77.5%,涉县为79.2%,可为今后路面最高温度预报提供参考。     

泰安高速公路路面温度特征及预报模型

使用2011—2014年泰安交通站逐时观测资料,分析了不同季节、不同天气下的地面温度特征。对路面温度、气温、相对湿度、风场数据进行相关性分析,利用多元回归方法对春、夏、秋、冬四季分别建立了路面温度的预报模型,并对预报模型进行了检验,得出预报值和实测值相差在±3℃以内的预报准确率分别为春季62.8%、夏季64.4%、秋季76.7%和冬季78.8%。     

沪渝高速(三岔口大桥)路面温度特征及模型研究

利用沪渝高速公路恩施-宜昌路段恩施附近的三岔口大桥(海拔708 m)自动站监测2013年6—8月(夏季)及2013年12月至2014年2月(冬季)逐日逐时次气象要素资料,统计分析夏季、冬季路面温度与气温的变化特征及路面温度与气象因子的关系,基于逐步引入因子线性回归分析方法建立路面温度统计模型,并对模型的预报效果进行实验研究。结果表明:夏季路面最高温度受多种气象要素的影响,与日最高气温、日平均气温、前一日路面最高温度、前一日路面平均温度呈正相关,与相对湿度、24 h累计降水呈负相关。冬季路面最低温度与最低气温呈显著性相关。通过模型的效果实验,发现夏季路面最高温度用日最高气温、日最小相对湿度及前一天物理量建立的模型预报结果与实况的变化趋势最为接近;冬季路面最低温度用日最低气温、日最小相对湿度、日平均风速及前一天物理量建立的模型预报结果与实况的变化趋势最为接近。     

浙江省高速公路路面温度预报模型性能检验及应用

基于地表能量守恒方程和陆面模式土壤温度计算模块,建立高速公路路面温度预报物理模型。利用2014年6月1日至2015年5月31日8个常规气象观测站和6个交通自动气象监测站逐小时观测资料对模型预报产品进行评估检验,结果表明:预报效果随提前量的减小而提高,常规站(交通站)提前1h和6h预报的平均绝对误差分别为1.64℃(1.82℃)和3.27℃和(3.69℃)。由模型对输入气象要素的敏感性分析得出:模型对2m气温最敏感,其次是相对湿度、总云量,且敏感性随着预报提前量的增加而增强。结合浙江省快速更新同化系统数值预报产品,建立浙江省高速公路路面温度预报系统,为全省提供逐12h更新、12h预报时效的逐小时高速公路路面温度精细化预报,系统提前1h和11h预报常规站(交通站)的平均绝对误差分别为2.81℃(3.23℃)和2.50℃和(2.93℃),系统对极端高(低)温预报具有较高的预报技巧。     

京石高速路面温度特征及预报模型

选取京石高速公路沿线保定、望都和正定3套自动气象站2007年12月至2009年11月的逐分钟路面温度监测资料,分析京石高速路面温度特征。发现路面温度与气温的日变化规律很相近,日出后1.5h左右达到最低值,午后达到最高值。路面温度与气温的最低值在出现时间和数值上差异不大,但最高值的出现时间前者比后者早1～2h,并且数值明显比后者高。分析多种气象因子与路面温度的相关关系,结果表明,气温与路面温度始终呈正相关,并且在各项因子中最显著。而总云量、低云量、露点温度、能见度和相对湿度,它们与路面最高温度和路面最低温度的相关性是相反的,且均是与其中一个相关显著而与另一个不太显著。利用多元回归方法建立了冬夏季路面最高温度和路面最低温度的预报模型,各模型均通过显著性检验。模型对夏季40～60℃的路面温度预报较准确;对冬季-5℃以下的路面低温预报虽然略偏高,但是预报误差在2℃以内的占80%。     

一个简单的格点温度预报订正方法

格点气象要素预报是中国气象局目前的主推业务和未来天气预报的发展方向。本文基于欧洲中期数值预报中心ECMWF高分辨率模式2 m温度预报资料,在传统中央气象台站点温度指导预报SCMOC和回归方法建立的站点温度预报的基础上,提出"站点订正值向格点传递"的方法来订正格点温度预报。结果表明:(1)SCMOC站点最高、最低温度24~168 h预报误差2℃准确率分别平均高于ECMWF的10.0%和23.1%,ECMWF存在较大的系统性偏差,最低温度预报偏高,最高温度预报偏低。(2)"站点订正值向格点传递"方法能够订正模式格点温度预报的系统误差,且整体上不改变原ECMWF温度预报场的空间形态和原模式对地形的刻画特征。(3)利用研究区域内98个县级站SCMOC温度预报,订正ECMWF格点场,返回到区域内1289个乡镇站进行检验,结果24 h最低、最高温度1℃的准确率较ECMWF分别提高22.8%和11.9%,2℃的准确率则分别提高29.7%和17.4%。最低(高)温度绝对误差平均减小0.99℃(0.69℃),平均误差(ME)下降到0.7℃(-0.9℃)以内。(4)通过一元线性回归,得到98个县级站的温度预报,返回差值场来订正格点场,也能较好地订正ECMWF的系统性误差。对比两种方法,SCMOC差值传递在最低温度订正方面有较大的优势,而回归方法的最高温度订正效果较好。此外,回归方法能够较好地改善逐时温度预报效果。该方法已成功运用于陕西省精细化格点预报业务系统中。     

京藏高速民和至西宁段冬季路面与地面最低温度变化特征及影响分析

利用2018年1月1日至2020年12月冬季1月、2月和12月-次年2月逐日逐小时京藏高速民和至西宁段常规气象站和交通气象站逐日逐时气象观测资料,分析了冬季逐月平均路面最低温度和地面最低气温的日变化特征及其相关关系,建立了4站冬季各月路面最高温度和最低温度分别与地面最高温度和最低温度的相关性方程,旨在为路面温度精细化预报服务提供参考。结果表明：京藏高速民和至西宁路段4站冬季各月平均路面最低温度和地面最低温度冬季各月具有明显的日变化特征,平均路面最低温度和地面最低温度达到最低值和最高值的时间并不是完全相同；。常规气象站点平均地面最低温度日出/日落的变化速率要高于交通站点平均路面最低温度,并且平均地面最低温度的变化幅度要比路面最低温度变化幅度大。平均地温面最低温度的最高值比路面最低温度的最高值超前1～2h,常规气象站点逐小时地面最低温度＜0℃的时间维持15～18h,交通站点路面最低温度＜0℃的时间维持8～22h。应用统计学方法建立的朝阳站、汉庄站、高庙桥站和老鸦峡站最高和最低路面温度与最高和最低地面温度相关性方程具有很好的实际应用价值,可在实际业务工作中推广应用。     

陕西省高速公路路面温度特征及预报模型

利用2013年8月至2017年12月陕西高速公路交通气象站的路面温度、气温、相对湿度、风速等资料和全球大气再分析资料云量数据,分析四季不同天空状况下路面温度的分布特征,研究路面温度与气象因子的关系,建立多元回归方程。结果表明:四季路面温度有明显的日变化规律,雪后,00:00—08:00为路面结冰较易发生时段;气温是影响路面温度变化的最重要因子之一;对比路面温度实测值与预报值,回归模型对冬季路面最低温度的拟合效果较优,相关系数在0.94以上,标准差小于1,误差在±2℃的频率为98%。此外,模型对路面0℃低温预报水平较高。     

甘肃高速公路山区段路面温度特征及其预报模型

利用G30连霍高速甘肃段沿线麦积山隧道、乌鞘岭交通气象监测站的路面温度、气温、露点温度、相对湿度、风速、降水等逐时资料,统计分析了两站不同季节、不同海拔高度下路面温度与气温的差异与联系,讨论了路面温度与其他气象因子的相关关系,基于逐步线性回归方法建立路面温度统计模型,并对模型预报效果进行检验。结果表明:各个季节,甘肃山区高速公路路面温度和气温都是日出后快速升高,日落后逐渐下降,且路面温度的升、降幅度均快于气温。较低海拔站点的路面温度高于高海拔站点,但最高值出现时间、两站温差有所差异。其中,秋、冬季两站路面温差夜间大于白天,而春、夏季则昼夜相差不大。最低、最高路面温度统计模型的预报结果与实况变化趋势接近,但最高路面温度个别日期预报值与观测值偏差较大,在实际业务中应考虑各种实时气象条件及地形条件,对模型结果进行适当订正。     

基于全连接神经网络方法的日最高气温预报

为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日—2020年12月31日欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率模式（high resolution,HRES）输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高21.74%和14.17%）,在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高40.98%和20.33%）,且预报性能更加稳定。     

上海市电力负荷与气象因子关系及精细化预报

电力负荷预测是电力调度的重要参考依据,气象条件对电力负荷有重要影响。利用上海市2004—2008年15 min 1次的电力负荷资料和宝山气象站 (区站号58362) 同一时段3 h 1次的气象观测资料,对上海市电力负荷特征进行分析,发现不同温度区间和不同天气类型电力负荷的日变化特征有明显差别。采用逐步回归方法得到各温度区间日平均气象负荷率的预报方程,通过系数订正,得出不同天气类型的逐时负荷预报。2009年试报结果显示:采用预报日前3 d的趋势负荷平均值作为预报当日的趋势负荷值,得到的日平均负荷预测值的误差最小,约为3.6%;非工作日日平均负荷的平均预报相对误差比工作日大;日平均气温超过18 ℃时,工作日日平均负荷的预报误差较小;低于18 ℃时,预报误差明显增大;逐时负荷平均预报误差约为4%。     

基于ECMWF产品的站点气温预报集成学习误差订正

提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。     

国家级强对流天气综合业务支撑体系建设

国家级强对流天气预报业务正在从以短期预报为主调整到短期和短时预报并重的业务格局。文章从强对流天气预报技术发展与服务需求的角度,重点介绍了国家级强对流天气综合业务支撑平台及其核心技术。该平台以气象数据组织和图形化表达两个核心要求为牵引,发展了数据分析处理系统、自动气象绘图系统和WEB检索与显示系统。数据分析处理系统基于多源观测资料、中尺度数值预报和全球数值预报,发展了集约、高效的强对流天气监测和临近预报、短时预报和短期预报等数据分析处理技术,是整个平台的核心;主要核心技术包括:从不稳定与能量、水汽、抬升与垂直风切变等条件出发,以归纳总结的分类强对流天气概念模型为基础的分类强对流短期预报分析技术;应用"配料法"发展的分类分等级的强对流天气客观概率预报技术;强对流短时预报技术包括高分辨率数值预报释用、多模式预报集成、对流尺度分析、实况和模式探空分析等多项技术,重点实现了从过去3 h实况到未来12 h预报的无缝隙衔接;强对流的监测和临近预报技术在基于多源资料的强对流天气实况与强对流系统监测技术基础上,发展了基于雷达特征量、强对流实况、各类强对流指数和预警信号等多源信息的报警技术。自动气象绘图系统实现了高效、便捷地接入多种数据、自动进行数据分析和制图等多项功能。在预报服务方面,基于WebGIS发展了县级分类强对流预警信号和国家级分类强对流预警预报产品共享技术,实现强对流短时预报业务的高交互性与上下互通的功能。     

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。     

三种全球预报产品中国区近地面气温短期预报效果检验

全球气象预报产品是扩散模式、空气质量模式的重要基础资料和前提条件,其误差直接影响模拟结果的准确度。为考察不同气象预报产品的误差,选取2016年6月至2017年5月GFS、ECMWF、T639三种全球气象预报产品,利用中国2100个地面观测站数据,对预报产品中近地面气温进行了对比,并分析了其在不同季节、不同区域的特征。结果表明：在中国区域三种气象产品气温预报存在偏低预报的趋势,其均方根误差的年平均值为2.60—3.52℃,相关系数的年平均值为0.89—0.92,平均绝对误差的年平均值为1.87—2.67℃。整体而言,EC表现最佳,其余依次为GFS、T639。气温预报误差存在季节变化特征,三种产品均方根误差与平均绝对误差均表现为夏秋季优于春冬季,相关系数表现为秋冬季优于春夏季。气温预报误差存在明显的地域差异,三种气象预报产品的气温误差空间分布特征较为相似,在中国华东地区误差值表现较低,在西南地区误差较高。同时,其误差水平在中国沿海地区表现较低,在地形复杂地区表现较高。     

登陆热带气旋降水预报研究回顾与展望

重点围绕登陆热带气旋（LTC）降水预报研究进行了回顾和总结,指出针对LTC降水有三类预报技术：动力模式、统计方法和动力-统计结合的预报方法。以数值天气预报（NWP）模式为代表的预报技术对LTC降水的预报能力仍然非常有限。改进NWP模式预报误差的途径主要有两条：一是发展NWP模式;二是发展动力-统计结合的方法。分析表明,动力-统计相似预报是一项很有潜力的技术;针对现有研究中的不足,开展LTC降水动力-统计相似预报研究,探索减小数值模式LTC降水预报误差的有效方法,将是一个充满希望的研究领域和方向。     

北京奥运交通路段精细预报

利用2007年6月1日-9月30日北京奥运交通路段27个自动气象站（含9个路面自动气象站）的监测资料,对各自动气象站的气象要素与北京市观象台同期气象要素进行统计相关分析,得出97个一元线性关系式,其各气象要素的相关系数（最高气温为0.9103~0.9884,最低气温为0.8777~0.9883,相对湿度为0.7499~0.9682,路面环境最高气温与路面最高温度为0.8502~0.9288,路面环境最低气温与路面最低温度为0.9171~0.9851）均通过F_α=0.01的检验。2008年8月北京奥运会期间,在北京市气象台短期预报产品的基础上,根据线性回归关系式,生成交通路段客观预报产品,并应用于服务。     

三次观测站02时气温插补方法的比较分析

现行的国家级地面气象观测站网（共2416个站）包括基准站、基本站和一般站,其中1590个一般站（占总站数的65.8%）夜间不观测,但是按照《地面气象观测规范》的规定,在计算日平均气温时,必须通过数学方法给02时赋一个替代值或近似值,这种赋值过程无形中会带来计算误差。本文利用1961—2009年陕西19个国家基本/基准站的定时气温资料,对这种赋值误差进行定量评估分析,并通过多种方案的比较,提出新的赋值（或称插补）方法。结果表明：（1）传统方法所赋予的02时气温替代值比实测值偏高,19个站平均偏高0.77℃;（2）台站所处的纬度,以及季节、天气状况所引起的辐射强弱的差异,通过赋值变量（前一日20时气温）的传导,较明显地影响着02时气温的赋值误差;（3）用逐步回归分析方法,将传统方法的平均加权法调整为多因子非对称加权,显著减小了前一日20时气温的权重,降低了辐射强弱的影响,赋值与实测值更为接近,19个站平均偏差近似为零;新的回归方程对月平均气温、年平均气温产生一定的修正作用,年平均气温值可调降0.1～0.4℃,月平均气温甚至可下降0.5℃。     

Comparison of spatial interpolation methods for gridded bias removal in surface temperature forecasts

All numerical weather prediction (NWP) models inherently have substantial biases, especially in the forecast of near-surface weather variables. Statistical methods can be used to remove the systematic error based on historical bias data at observation stations. However, many end users of weather forecasts need bias corrected forecasts at locations that scarcely have any historical bias data. To circumvent this limitation, the bias of surface temperature forecasts on a regular grid covering Iran is removed, by using the information available at observation stations in the vicinity of any given grid point. To this end, the running mean error method is first used to correct the forecasts at observation stations, then four interpolation methods including inverse distance squared weighting with constant lapse rate (IDSW-CLR), Kriging with constant lapse rate (Kriging-CLR), gradient inverse distance squared with linear lapse rate (GIDS-LR), and gradient inverse distance squared with lapse rate determined by classification and regression tree (GIDS-CART), are employed to interpolate the bias corrected forecasts at neighboring observation stations to any given location. The results show that all four interpolation methods used do reduce the model error significantly, but Kriging-CLR has better performance than the other methods. For Kriging-CLR, root mean square error (RMSE) and mean absolute error (MAE) were decreased by 26% and 29%, respectively, as compared to the raw forecasts. It is found also, that after applying any of the proposed methods, unlike the raw forecasts, the bias corrected forecasts do not show spatial or temporal dependency.