北京智能网格温度客观预报方法(BJTM)及预报效果检验

基于欧洲中心中期天气预报(ECMWF)精细化数值预报模式产品资料,采用一元线性回归以及克里金插值,发展了北京地区智能网格温度客观预报方法(Beijing intelligent grid temperature objective prediction method,BJTM),并对2017年1—12月北京地区55个考核站进行检验。结果表明,BJTM对ECMWF细网格模式的温度预报订正能力有显著提升,日最高、最低气温预报准确率分别提高25.4%和11.2%。2018年1—6月的业务运行结果也表明BJTM预报产品的预报结果优于同期ECMWF模式、中央台指导预报及预报员主观预报产品。BJTM可以有效提升北京地区温度预报的精细化能力和水平,有较好的业务应用价值。     

北京地区4月一次罕见暴雪的形成机制分析

利用雨滴谱仪、多普勒天气雷达、微波辐射计、地面加密自动站、EC再分析资料及气候整编资料等多源观测资料,分析了2018年4月4—5日,北京地区罕见暴雪过程的极端性及形成机制。结果表明:(1)此次过程是北京地区4月首次出现纯雪日,降雪量和积雪深度均突破历史同期记录,1000～850 hPa温度标准化异常SD值均小于-3,日降雪量排在整个冷季的前5%,是一次极端天气过程。(2)低层强冷空气入侵形成冷垫,700 hPa强西南低空急流输送充沛水汽,使北京地区上空800～500 hPa产生条件性对称不稳定,暖空气在锋区以上的强上升运动触发不稳定能量,产生高架对流,局地雷达回波具有夏季对流单体的倾斜结构特征,有利于暴雪增幅。(3)降雪过程先后受到两次冷空气叠加影响,前期强冷空气持续剧烈降温导致低层温度偏低,使得温度达到降雪阈值,是此次极端降雪过程产生的主要原因。(4)微波辐射计监测显示,降雪的起止时间与逆温具有良好的对应关系,降水相态主要取决于1 km以下的温度变化。     

北京智能网格温度客观预报方法(BJTM)及预报效果检验

联系当前极端天气预报服务的需求,在最优集合预报(Analog Ensemble, AnEn)的基础上,结合模式输出统计(Model Output Statistics, MOS)方法,设计了2种基于欧洲中期天气预报中心全球确定性预报模式(EC模式)的预报改进方案(方案Ⅰ、方案Ⅱ),首先以2016—2018年EC模式预报及其相应的观测值为训练集,对方案Ⅰ、方案Ⅱ和AnEn对2019年1月1日—12月31日北京地区364个观测站的极端气温和风速预报的总体效果进行了检验评估,结果显示无论对极端气温(T)还是极端风速(V_M),方案Ⅰ和方案Ⅱ的预报准确率相比AnEn均有提升,方案Ⅱ的提升效果更好。然后,按第2、第98百分位数,定义北京地区各站极端低温(T_m)和极端高温(T_M)的阈值分别为-22.3 ℃和38.8 ℃,方案Ⅰ和方案Ⅱ对该地区T的总体预报效果表明,两种方案在AnEn基础上均有明显改进,其平均绝对误差(EMA)分别降低11.90%和21.43%;同理,按第98百分位数,定义北京地区各站V_M阈值为20.3 m·s^-1,方案Ⅰ、方案Ⅱ对V_M预报的EMA相比AnEn分别降低23.08%和26.52%。最后,对北京地区逐站T_m、T_M和V_M的预报效果的检验表明,方案Ⅰ和方案Ⅱ在AnEn的基础上对T、V_M的预报效果均有所改进,94%以上的站点显示方案Ⅱ对T和V_M预报的改进效果更好。另外,T和V_M预报准确率空间分布表明,2种改进方案对山区T和V_M预报的改进效果优于平原地区。