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2m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2m温度、10m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。     

距平模式月际旱涝异常的诊断及预测试验

用地气耦合非定常距平模式对２４个夏季旱涝月个例进行了诊断和预测试验。结果表明,用这种动力与统计外部结合的ＭＯＳ方法进行旱涝预测比较简易可行,并且达到一定的准确率,便于在短期气候预报的业务中推广应用。     

基于机器学习的风场预报订正方法研究

为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。     

冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验

本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统（RISE系统）预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充...     

基于风速高相关分区的风电场风速预报订正

为了提高风电场风速预报和功率预测的精度和准确率,并考虑风机测风数据的不稳定因素,以多年服务的内蒙古中部某风力发电场A为研究区,在勘察风电场地形及风机布局后,按照季节、风向进行风机间风速时空相关性分析,划分出风机轮毂高度风速高相关为典型特征的风机网格分类片区,采用卡尔曼滤波方法,通过直接和间接两种订正方案,分别进行风机片区风速订正。结果表明:风速高相关风机片区的划分,对于提高风电场风速预报及功率预测精度和准确率具有一定作用,利用风电场区测风塔梯度观测风速,对风机片区进行间接订正,可有效改善数值模式预报风速,15个片区类型下相关系数由0.18~0.72提高至0.67~0.91,误差绝对值由1.6~2.9 m·s-1降低至1.0~1.5 m·s-1。     

基于PCA RBF的风电场短期风速订正方法研究

风电功率预测中最重要的因子是风速,准确的风速预测是风电功率预测的前提和基础。为了提高短期风速预测的准确性,本研究采用WRF模式,对我国上海崇明吕四风电场的风速进行预报。在此基础上,利用PCA-RBF算法结合WRF模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明,利用PCA-RBF算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差降低20%~30%,相对平均绝对误差降低15%~20%。与其他智能算法(BP算法、LSSVM算法)对比分析后得出,PCA-RBF算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。     

线性滚动极值处理方法对数值模拟风速的订正研究

为了进一步提高WRF模式对风速预报的准确性,以我国某风电场01#测风塔2007年5月和11月的数据为例,通过线性回归方法并结合滚动和极值处理技术,对WRF模式模拟风速进行了订正。结果表明,直接使用线性回归方法对于模拟风速的订正无明显效果;采用滚动技术的线性回归订正效果与步长有关,与线性回归订正相比总体上有较大改进,其中3 h步长改进更明显;相同步长,线性滚动极值处理订正较线性滚动订正相比有进一步改进,其中1 h步长线性滚动极值处理效果最优,如5月和11月订正前模拟风速的相对均方根误差(rRMSE)分别为29.274%、33.583%,订正后下降为14.714%、14.493%。订正后精度明显提高,更接近实况风速,线性滚动极值处理订正方法能够较好订正模式模拟风速,有效提高风速预报准确率。      

基于MOS的内蒙古风电场风机风速预报方法研究

采用基于T639数值预报产品的MOS预报,建立了内蒙古风电场风机风速预报模型,并与EC集合预报、本地MM5及上级WRF风机风速预报产品进行了对比,结果表明:平均绝对误差、平均相对误差、均方根误差均表现为EC集合预报(集合平均)效果最好,MOS方法次之,均优于本地MM5和WRF指导。由于集合预报、MOS方法预报时效较长,因而具有显著的业务应用价值。MOS方法制作风机风速预报的优点在于:以形势场作为预报因子,发挥了形势预报更为准确的优势,同时能够有效消除模式的系统误差。     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料,将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域,通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析,得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差,BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比,其RMSE平均降低了58.9%,MAE平均降低了63.2%;风速误差和大风统计过程分析发现,BLSTM TRA模型具有一定的抗干扰能力,可以抓住短时大风等敏感信息,对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

基于自动机器学习的机场温度预报方法研究

利用2015年1月—2021年3月ECMWF细网格数值预报产品构建训练样本,使用自动机器学习方法构建乌鲁木齐机场温度预测模型.结果表明:(1)ECMWF模式直接输出的乌鲁木齐机场温度平均绝对误差为1.7℃,基于自动机器学习方法的Auto-sklearn模型和Auto-Keras模型能够改善模式直接输出的误差,使平均绝对...     

数值天气预报模式产品在预报业务中的应用

介绍了数值预报模式产品性能的基本特征,讨论了模式产品误差的地理、季节和层次分布、不同尺度模式产品的可预报性、模式输出要素及物理量、指数的误差特点,并根据目前业务中常见的错误预报思路探讨了应用数值预报模式产品的合理思路,指出现代预报业务中预报员的作用。认为现代预报员应该了解几种基本的数值预报模式的特性及基本原理,集合各种模式的优点,综合本地预报经验,有效利用海量数值预报产品,做出更高质量的预报结果。     

Meshless Surface Wind Speed Field Reconstruction Based on Machine Learning

We propose a novel machine learning approach to reconstruct meshless surface wind speed fields, i.e., to reconstruct the surface wind speed at any location, based on meteorological background fields and geographical information. The random forest method is selected to develop the machine learning data reconstruction model (MLDRM-RF) for wind speeds over Beijing from 2015–19. We use temporal, geospatial attribute and meteorological background field features as inputs. The wind speed field can be reconstructed at any station in the region not used in the training process to cross-validate model performance. The evaluation considers the spatial distribution of and seasonal variations in the root mean squared error (RMSE) of the reconstructed wind speed field across Beijing. The average RMSE is 1.09 m s^?1, considerably smaller than the result (1.29 m s^?1) obtained with inverse distance weighting (IDW) interpolation. Finally, we extract the important feature permutations by the method of mean decrease in impurity (MDI) and discuss the reasonableness of the model prediction results. MLDRM-RF is a reasonable approach with excellent potential for the improved reconstruction of historical surface wind speed fields with arbitrary grid resolutions. Such a model is needed in many wind applications, such as wind energy and aviation safety assessments.     

数值天气预报和气候预测的集合预报方法:思考与展望

从初始误差、模式误差以及两者综合影响的角度,综述了天气、气候集合预报方法的研究进展,指出了传统方法的优势,同时也评论了这些方法的局限性,提出了对未来先进集合预报方法的一些思考,以及需要解决的挑战性问题和可能的应用。     

不完整气象资料下基于作物模型的产量预报方法

针对基于作物模型开展产量实时预报后期气象资料的获取问题,提出通过相似类比,从历史气象资料库中获取替代资料的方案,基于CERES-Rice模型系统评估了平均值处理方案和历史相似类比方案的可预报性和误差分布特征。结果表明:水稻产量对成熟前2个月内的气象条件较为敏感,基于气象资料和作物模型开展产量预测,在5%误差范围内可获得60%以上的预测概率;以多年气候平均值替代起报日后期气象资料,在成熟前2个月起报预测概率约为60%,成熟前1个月约为70%,但预报误差系统性偏高;采用气候相似类比方法,从历史气象资料中获取起报日后期替代资料,可有效降低预报误差的系统偏差,若引入后期气候趋势信息,成熟前2个月起报预测概率可达80%以上,较采用历史平均值有显著提高。研究结果为基于作物模型和气象观测及气候预测信息开展产量预报提供了技术方案。     

基于高分辨率数值天气模式的往返平飘式探空轨迹预测方法及初步评估

为了开展往返平飘式探空组网观测的仿真和模拟,以及评估组网观测对数值天气预报的影响,并实现往返平飘式探空在目标观测中的应用,本文提出了一种基于高分辨率数值天气模式的往返平飘式探空轨迹模拟和预报方法.基于我国自主研发的GRAPES区域高分辨率模式,初步建立了往返平飘式探空的轨迹预报系统.该系统将往返平飘式探空的上升段、平漂...     

基于机器学习的模式温度预报订正方法研究

机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

基于数值模拟和统计分析及智能优化的风速预报系统

风速预报是风力发电研究中的关键问题,也是一个十分困难的问题,其预测、评估技术还有待进一步提高.在预测短期风力(提前48～72 h对每小时的风速进行预测)时,通常采用数值天气预报模型进行预测.然而,初始扰动和模式物理过程的不确定性会影响气象数值预报的精度.将为数值天气预报模式提出一种新的后处理优化方法作为主要的思路,利用数据挖掘得到的关联规则来优化气象数值预报的结果,在中尺度模式WRF对风电场风速进行预报的基础上,将模式预测与统计分析及智能优化算法相结合,针对中国风电场的气候特征,利用一种新的修正模式误差的方法,极大地提高了风电场风速预报精度,提出了适合中国风力发电场的有效风速预报系统方案.     

基于数值模式和多普勒雷达的强对流天气预报技术

基于数值预报模式MM5,结合不稳定指标和能量指标的诊断结果,得到短时潜势预警指标,进行强对流天气0~12 h的短时预报;利用多普勒雷达信息产品提供的强对流天气风暴追踪信息,提取回波的移向和移速信息,进行强对流天气0~1 h的临近预报;均用一个强对流天气过程,来具体说明短时潜势预报和临近预报状况及其与实际情况的对比;应用短时潜势预报技术对近年来强对流天气过程进行了试用。结果表明,上述方法对强对流天气的短时预报、临近预报技术有一定的预报价值。