不同方法在湖南省早稻产量动态预报中的比较

为了提高产量趋势预报的准确性和定量预报的准确率,利用1962—2002年气象、早稻产量和田间观测资料,建立基于气候适宜度、关键气象因子、作物生长模型的湖南省早稻产量动态预报方法,进行回代检验;并利用2003—2012年资料进行预报检验。分析表明:3种方法的预报准确率比较接近,平均在93.8%以上;基于气候适宜度预报方法的趋势预报准确性最高,较基于关键气象因子的预报方法高4%~6%;基于作物生长模型预报方法的误差5%以内样本百分率最高,较基于气候适宜度的预报方法高2%~20%。研究结果为湖南省早稻产量动态预报筛选出了较优的方法,即产量趋势预报选用基于气候适宜度的方法,定量预报选用基于作物生长模型的方法,同时可供我国其他早稻区的产量动态预报方法研究借鉴。     

全球最优插值客观分析

主要叙述国家气象中心实时运行的全球资料同化系统中的客观分析方案，该方案采用最优插值统计方法，使用所有可以使用的各种类型有不同误差的观测资料和模式的６ｈ预报值，给出数值形式的全球分析值。在两年的业务运行中，为Ｔ４２中期数值预报谱模式提供了较好的初始场。     

一个改进的汛期降水预报的热力学模式

本文在地气系统热平衡方程、土壤热传导方程和Ｇ．Ｗ．Ｐａｌｔｒｉｄｇｅ关于行星大气等效红外辐射温度参数化公式三个方程的基础上,建立了一个用于汛期（４－９月）降水预报的区域模式。它有效地修正了汤懋苍等提出的“一个长期降水预报的热力学模式”中存在的一些问题。     

基于改进遗传小波神经网络的雷暴预报方法

为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性.     

基于多模式短期集合预报技术的热带气旋降水预报试验

利用中尺度AREM和WRF模式为试验模式,由对降水预报结果影响颇大的积云和边界层参数化方案构成的10个集合预报成员,开展有限区域多模式短期集合预报在热带气旋降水预报中的应用与研究.分别研究了单个模式集合预报和多模式集合预报在热带气旋"天鹅"(0907)降水预报中的应用.试验结果表明:(1) WRF模式集合预报效果整体上...     

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。     

基于ELM的风电场短期风速订正技术研究

风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM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,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM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。     

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。     

2003年江淮汛期多模式短期集合预报方法研究

利用AREM、MM5和WRF模式为试验模式,由对短期天气预报结果影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,开展有限区域多模式短期集合预报在我国汛期时段的应用与研究.分别研究了单个模式集合预报和多模式集合预报在2003年汛期(7月)预报中的应用,预报对象主要包括降水、500 hPa位势高度和700 hPa相对湿度.试验结果表明:(1) 由AREM、MM5和WRF模式构成的多模式集合对以上要素的集合预报总体效果比其任一单个模式的集合预报效果好;(2) 对于降水的集合预报,单个模式的集合平均结果对多模式集合预报效果有影响.且对于不同的降水临界值影响不同;当降水临界值较小时,单模式集合平均结果对多模式集合效果影响较小;当降水临界值较大时,影响较大,甚至可以影响多模式集合的集合平均预报成败;(3) 对于降水、500 hPa位势高度和700 hPa相对湿度,其单个模式以及多模式的48 h集合预报对确定性预报的改善度都比24 h的显著.(4) 对于形势预报和相对湿度预报,多模式集合预报效果明显比同期T213模式的预报水平高.     

地面气象要素多模式集成预报研究进展

目前,集合预报已成为天气预报业务的主要支撑。然而,由于数值模式本身的限制与不完善以及集合系统存在初值扰动、集合大小等方面的局限,常存在预报偏差。不同预报模式通常具有不同的物理过程参数化方案、初始条件等,导致其预报能力各有不同。为此,如何纠正预报偏差以及如何充分有效地利用不同模式的预报信息以获得更加准确的天气预报广受关注。近年来,利用统计理论与预报诊断,基于多个集合预报系统的多模式集成预报技术得到快速发展,已成为有效消除预报偏差从而提高天气预报技巧的一种统计后处理方法。针对气温、降水和风3个最基本的地面气象要素,首先依据预报形式将应用范围较广的简单集合平均、消除偏差集合平均、超级集合、贝叶斯模式平均、集合模式输出统计等加权或等权平均多模式集成技术,分成确定性预报和概率预报两大类,并做系统介绍。最后,讨论使用和发展多模式集成技术需要关注的问题,包括考虑参与集成的模式个数、发展降水及风速分级预报模型和发展基于机器学习的多模式集成新技术。