夏季南海台风移动路径的一种客观预报方法

以1960—2003年共44a夏季的7月、8月、9月西行进入南海海域的台风样本为基础,综合考虑南海台风移动路径的气候持续因子和数值预报产品物理量因子,运用条件数方法选取因子并建立回归方程,进行台风路径预报模型的预报建模研究。通过对比分析发现,基于条件数方法的南海台风移动路径模型具有较好的预报效果,7月、8月、9月3个月24h台风路径预报的平均距离误差为153．9km,预报能力明显高于目前国内外的其他一些台风路径客观预报方法。该方法的预报精度相对于逐步回归方法有了很大的提高,相对于气候持续法也为正的预报技巧水平。     

条件数在区域日降水量预报中的应用研究

针对前汛期广西北部暴雨洪涝灾害频发的问题，利用T213模式和日本细网格降水预报等数值预报产品，采用条件数计算选取回归因子的方法建立广西北部区域平均降水量的预报方程。进行了2004、2005年两年5-6月的前汛期业务预报应用试验。采用条件数方法建立的预报方程和传统的逐步回归预报方程的平均预报误差分别为6．3569mm和7．0096mm，同期T213模式的预报误差为7．9456mm。试验表明新方法比传统的逐步回归方程和T213模式具有更高的预报精度，有较好的业务应用前景。计算对比可知，采用条件数计算选择的预报因子间的复共线性较微弱，而逐步回归方法选择的因子间的复共线性很严重，影响了回归方程的预报效果。     

基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。     

用时间权重系数作组合因子建立预报倒春寒的逐步回归方程

用自然正交展开的方法,求出各个样本的时间权重系数,并把它作为组合因子来建立逐步回归方程.这样建立起来的方程中所引入的预报因子——时间权重系数,是一个携有全部参加自然正交展开的前期因子信号的组合因子.由这样因子构成的逐步回归方程,可以期望较一般因子或人为组合因子所构成的逐步回归方程有更客观、更理想的预报效果.     

应用数值预报的结果作西太平洋台风路径统计预报的尝试

本文应用台风位置以北的27个网格点上的数值预报位势高度和一些持续性因子作为预报因子,采用逐步回归方法,分别建立了初始时刻后各时段内的台风位移和台风数值预报位移误差订正量的回归方程。但由于样本较少(仅84个样本),预告的稳定性可能会受到一定的影响。     

典型相关分析在台风路径预报中的应用

本文通过对500hPa上的五个因子场分别与台风中心未来48小时和60小时经纬度的预报量场进行典型相关分析,求出由各因子场组成的典型变量,以此作为预报因子,再结合经实践证明预报效果较好的天气学经验因子,用逐步回归方法建立台风中心未来48小时和60小时的路径预报方程。通过对历史样本的拟合和实际试报,表明该方程的预报能力有明显的提高;典型变量权重系数的地理分布与因子场的天气学意义基本吻合。      

台风路径完全预报方法初探

引言 本文利用500hPa的环流资料与相同时刻的台风路径,用逐步回归方法建立了台风中心未来48小时和60小时的路径预报方程,然后使用B模式的500hPa 48小时形势预告图来作具体台风路径预报。该方程的拟合绝对平均误差和实际试报误差比其它统计方法和统计-动力方法小。     

多预报量双重筛选逐步回归在台风路径预报中的应用

本文对通常的逐步回归进行了分析,指出在同时制作多个预报量的预报时,这方法并不十分可靠。因为这样得到的预报方程常常包含着比较大的随机误差,之所以产生上述情况,问题在于对多个预报量建立方程时,没有考虑预报量之间的关系。因此,有必要对通常的逐步回归进行改进,考虑对多个预报量同时进行筛选的逐步回归。 台风路径预报的试验结果表明:由多预报量双重筛选逐步回归建立的方程组,对相近预报时段的相同预报量,其影响的预报因子大体相同,而对于不同预报时段的不同预报量,则影响的预报因子有着显著的差异,这样得到的方程组物理意义比较明确,不仅有利于提高预报方程的预报精度,而且还有利于对不同预报方程的预报因子进行分析和改进。     

我国台风路径业务预报误差及成因分析

利用2005 2009年中国气象局(CMA)提供的西北太平洋(包括南海)台风路径业务预报资料,比较了各类型台风路径、台风登陆位置及登陆时间的预报误差,登陆台风不同阶段以及华东登陆和华南登陆台风的路径预报误差。结果表明:CMA在2005 2009年的路径预报水平与1999 2003年的相比有了显著提高。平均南海台风预报误差大于西北太平洋。异常路径台风主要出现于南海,三个预报时效(24、48和72 h)异常路径的预报误差平均都小于正常路径。将登陆台风分为远海、登陆期间和登陆后三个阶段,显示登陆期间台风预报误差最大,同一阶段华南登陆台风的预报误差大于华东登陆台风。台风登陆位置在24、48和72 h预报时效的平均预报误差分别为71.1、122.6和210.6 km,48和72 h台风实际登陆时间有70%早于预报时间,平均分别提早8和12 h。比较大尺度引导气流与台风移动的偏差及24 h路径预报误差,得到南海三种典型登陆台风路径的大尺度引导气流与台风移动的偏差及其与路径预报误差的关系不一样,即误差成因不同。南海倒抛物线型的大尺度引导气流与台风移动的偏差最大,其预报误差最小;西一西北型的大尺度引导气流与台风移动的偏差最小,其预报误差最大,可能与大尺度环流预报准确性差有关。登陆华东的预报误差小于登陆华南台风的预报误差,这与台风登陆华南时其大尺度引导气流和台风移动的偏差大于登陆华东的台风有关。     

预报台风路径的“RSWA”*方法性能分析

本文通过大量样本计算分析,试图阐明“RSWA”台风路径预报方法的性能。得出预报结果的优劣主要依赖台风初始位置及前期路径的局部特征(如移动方向和速度),从而找出了“RSWA”的不足之处。 并从预报误差方面展开了对模式性能的讨论。结果表明,“RSWA”用于预报台风路径,尤其是C类台风路径,具有一定参考价值,且比原方案优越。 经分析表明,一个方法的预报误差,应由模式引起的误差(EM)和台风移动过程中诸因素引起的误差(E_T)组成。而台风移动过程中所引起的误差应是依赖于台风初始定位、初始移动,台风强度及季节等要素的一个连续函数。     

A Study on Influence of Predictor Multicollinearity on Performance of the Stepwise Regression Prediction Equation

The prediction accuracy of the traditional stepwise regression prediction equation (SRPE) is affected by the multicollinearity among its predictors.This paper introduces the condition number analysis into the prediction modeling to minimize the multicollinearity in the SRPE.In the condition number prediction modeling,the condition number is used to select the combination of predictors with the lowest multicollinearity from the possible combinations of a number of candidate predictors (variables),and the sel...     

台风路径数值预报实时订正技术及其集成应用

以台风路径数值预报的短时效预报偏差和目标时效（指所需订正的时效）的纬度预报为预报因子,采用多元线性回归方法建立了台风路径预报的偏差预估方程,继而对台风路径预报进行实时订正。本文以12 h为短时效,通过对欧洲中期天气预报中心确定性预报模式（ECMWF-IFS）和集合预报模式（ECMWF-EPS）的台风路径预报的应用,得到以下结论:2018年试报结果表明,24 h、36 h、48 h、60 h、72 h、84 h订正后的ECMWF-IFS台风路径预报的平均距离误差分别比订正前减小了7.3 km、9.3 km、8.9 km、6.5 km、6.9 km、2.6 km,总体来说较强台风（指12 h的台风强度实况≥32.7 m s?1）路径预报的订正效果更好。尝试了先对ECMWF-EPS各成员的台风路径预报进行订正,再进行集成预报,并对比了以下5种方式得到的台风路径预报:“订正后的确定性预报”、“所有集合预报成员集合平均”、“优选集合预报成员集合平均”、“所有集合预报成员先订正再集合平均”和“优选集合预报成员先订正再集合平均”,2018年试报结果表明,对于平均距离误差,24 h和36 h“优选集合预报成员先订正再集合平均”最小,48 h和60 h“所有集合预报成员先订正再集合平均”最小,72 h和84 h“优选集合预报成员集合平均”最小,如果在业务中有针对性地进行应用,有望获得一个在各预报时效表现都较优异的台风路径客观综合预报结果。24 h、36 h、48 h、60 h“优选集合预报成员先订正再集合平均”的平均距离误差分别比“所有集合预报成员集合平均”减小了13.3 km、11.7 km、10.0 km、7.6 km,比中央气象台官方预报（对应的时效为12 h、24 h、36 h、48 h）减小了0.7 km、2.0 km、3.9 km、2.4 km。     

南海热带气旋大风的遗传－神经网络集合预报

利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考.     

Ensemble Prediction of Monsoon Index with a Genetic Neural Network Model

After the consideration of the nonlinear nature changes of monsoon index,and the subjective determination of network structure in traditional artificial neural network prediction modeling,monthly and seasonal monsoon intensity index prediction is studied in this paper by using nonlinear genetic neural network ensemble prediction（GNNEP）modeling.It differs from traditional prediction modeling in the following aspects： （1）Input factors of the GNNEP model of monsoon index were selected from a large quantity of preceding period high correlation factors,such as monthly sea temperature fields,monthly 500-hPa air temperature fields,monthly 200-hPa geopotential height fields,etc.,and they were also highly information-condensed and system dimensionality-reduced by using the empirical orthogonal function（EOF）method,which effectively condensed the useful information of predictors and therefore controlled the size of network structure of the GNNEP model.（2）In the input design of the GNNEP model,a mean generating function（MGF）series of predictand（monsoon index）was added as an input factor;the contrast analysis of results of predic- tion experiments by a physical variable predictor-predictand MGF GNNEP model and a physical variable predictor GNNEP model shows that the incorporation of the periodical variation of predictand（monsoon index）is very effective in improving the prediction of monsoon index.（3）Different from the traditional neural network modeling,the GNNEP modeling is able to objectively determine the network structure of the GNNNEP model,and the model constructed has a better generalization capability.In the case of identical predictors,prediction modeling samples,and independent prediction samples,the prediction accuracy of our GNNEP model combined with the system dimensionality reduction technique of predictors is clearly higher than that of the traditional stepwise regression model using the traditional treatment technique of predictors,suggesting that the GNNEP model opens up a vast range of possibilities for operational weather prediction.     

南海台风路径预报试验

利用预测误差平方和最小准则的逐步算法对台风路径进行拟合和预测试验，试验结果表明ＰＲＥＳＳ方法得到的模型具有较强的预测能力，因而，ＰＲＥＳＳ方法同逐步回归一样，也是一种预报台风路径客观有效的方法。     

2007年国内台风模式路径预报效果评估

使用中央气象台提供的台风中心定位报文资料、国内台风业务预报部门提供的台风模式路径预报报文资料和台风所气候持续性方法路径预报报文资料等,对2007年中央气象台编号的热带气旋对国内5种台风业务数值预报模式的路径预报效果进行了检验评估,检验内容主要包括距离误差、技巧评分和稳定度指标等.结果表明:(1)国内各模式24h/48h预报平均距离误差最小值为122.8km/246.3km,最大值为180.7km/304.4km.各模式24h/48h预报最大误差为1429.7km/1003.7km, 最小误差为11.2km/10.1km.24h/48h预报平均距离误差为147km/267km.平均而言,导致路径预报误差最大的是0707号热带气旋帕布,误差在其登陆后尤为明显.(2)相对于上海台风研究所路径预报气候持续法做了各种数值预报方法的技巧评分:各模式24h/48h预报平均技巧评分为32%/43%,最高的技巧评分为48%/54%, 最低的技巧评分为3.17%/33.53%.其中4个模式的24h/48h技巧评分高于36%/33%.(3)检验了距离稳定度、方向稳定度、有效稳定度等指标,以全面评估各模式的路径预报性能.该评估结果在一定程度上反映了当前国内台风路径数值预报相对于常用气候统计方法的优越性,同时也表明,尽管国内台风数值预报模式对于热带气旋在海上时的路径预报有一定的稳定性,但对热带气旋登陆后转向过程的预报表现出了较大误差.因此,在模式开发的下一步工作中,除台风初始化之外,还应结合登陆台风的特点,对边界层和陆面过程参数化等作针对性的研究.     

Prediction of Typhoon Tracks Using Dynamic Linear Models

This paper presents a study on the statistical forecasts of typhoon tracks. Numerical models have their own systematic errors, like a bias. In order to improve the accuracy of track forecasting, a statistical model called DLM (dynamic linear model) is applied to remove the systematic error. In the analysis of typhoons occurring over the western North Pacific in 1997 and 2000, DLM is useful as an adaptive model for the prediction of typhoon tracks.