利用卡尔曼滤波方法制作防城港市气温的定量预报

利用卡尔曼滤波方法对Ｔ６３数值预报产品进行统计释用，制作１９９６上１月逐日３６－１３２小时日平均、日最低气温预报，对预报效果作初步的分析研究，结果表明：卡尔曼滤波的预报精度达到较镐水平，它的应用，将大大提高冬半年冷空气、低温冷害、秋季寒露风天气、春播期低温阴雨过程的中短期预报服务水平。     

防城港市冬半年沿海风力的卡尔曼滤波预报方法

应用卡尔曼滤波方法，对T63数值预报产品进行解释，制作防城港市各半年36～132小时日平均、日最大风力的定量预报。1995年11月和1996年1月的试报结果表明，卡尔曼滤波的预报精度达到了较高水平，对冬半年沿海偏北强风天气过程有较好的预报效果。     

基于卡尔曼滤波方法的MOS与PP法在德阳温度预报中的效果评价

本文对卡尔曼滤波方法、mos与pp法的基本原理作了简要的概述。并分别在ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场上和预报场上选取因子，即pp法和mos法分别1建立预报方程，利用卡尔曼滤波方法对德阳的日平均气温、日最高气温、日最低气温进行了预报并对相关结果进行了检验，其结果表明用pp法建立预报方程，其预报结果的误差比用mos方法建立预报方程的结果相对要一些。     

卡尔曼滤波方法在逐日极端气温预报中的应用分析

利用国家气象中心的T63数值预报产品，采用卡尔曼滤波方法，建立了内蒙古地区（35个站）的逐日极端（日最低、日最高）气温24小时预报方程。于1996年3～11月进行业务试运行，预报结果令人满意，表明该方法有一定的参考和实用价值。     

桂平机场大风预报

取T213模式的格点预报资料，利用卡尔曼滤波方法制作北海地区夏季的日最高气温预报方程，试报2003年6～7月合浦站逐日最高气温24h预报，效果不错，其对高温天气的预报准确率达50％，月平均绝对误差小于1℃。     

基于卡尔曼滤波方法的MOS与PP法在德阳温度预报中的效果评价

本文对卡尔曼滤波方法、mos与pp法的基本原理作了简要的概述.并分别在ECMWF北半球的500 hPa高度、850hPa温度、地面气压的0小时分析场上和预报场上选取因子,即pp法和mos法分别1建立预报方程,利用卡尔曼滤波方法对德阳的日平均气温、日最高气温、日最低气温进行了预报并对相关结果进行了检验,其结果表明用pp法建立预报方程,其预报结果的误差比用mos方法建立预报方程的结果相对要一些.     

利用卡尔曼滤波方法释用数值预报产品

本文对卡尔曼滤波方法的基本原理作了简要的概述。并在ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场上选取因子，利用卡尔曼滤波方法对温度和降水进行了预报及对相关结果进行了检验，结果表明利用卡尔曼滤波方法释用数值预报产品对于德阳各站的温度预报具有良好的预报能力。     

用卡尔曼滤波预报南海热带气旋路径的试验

利用卡尔曼滤波方法预报南海热带气旋路径，发现采用卡尔曼滤波可以大大地降低预报误差，提高预测模型的预报能力。     

以T42产品为因子用卡尔曼滤波方法作温度预报

本文以Ｔ４２数据预报产品为因子，用卡尔曼滤波方法建立可更新系数的预报方程作南京和芜湖的温度预报。从１９９４年１月至４月共８４次试报中，用完全相同的因子卡尔曼滤波方法比回归分析方法预报结果精度提高０．５度。     

用卡尔曼滤波制作分县温度指导预报的研究

采用卡尔曼滤波方法建立预报模型，制作出全区分县温度指导预报。通过试运行，并对吕梁地区2002年7月份全区气温预报结果进行检验，系统基本达到预期的效果。     

在雷达测雨和洪水预报中自适应卡尔曼滤波法的应用

采用自适应的卡尔曼滤波方法，运用少量雨量计对雷达估测降水进行了校正，结合新安江水文模型和GAME／HUBEX项目1998年在史灌河流域观测的水文资料，对6月28日08：00～7月5日20：00史灌河流域的一次洪水过程进行预报，并与雨量计网测量的面雨量预报结果进行对比。比较结果表明，经过校正后的雷达估测雨量和雨量计测量的面雨量都能较好地预报出流域出口蒋家集的洪水变化趋势、洪峰时刻以及洪水总量，雷达预报的结果同实际观测更加接近，而雨量计预报结果明显偏高。     

用韵律编码法做低温冷害长期预报

分析八月高温与元月低温冷害的关系，结果表明：两者存在着很好的韵律性。通过逐日对八月气温＞35℃的高温日等气象要素进行编码，来预报元月低温时段，可得到改满意的预报结果，为越冬作物预防寒害提供了科学依据。亚拒津经场预报低温时段方法的制作1．且预报对象。按省局规定，日最低气温＜5℃为低温日。规定出现低温日y为五，否则y为0。1．2预报因干。共选择8个预报因子分别为：X；：8月B最高气温＞35℃，编码为1（起报日），否则为0；X。：起报日士5天内已＜996shP。，编为三，否则为0；Xs：起报日上5天内14时气区为月最低值编为1，否…     

利用卡尔曼滤波和T213资料预报北海市高温天气

取T 213模式的格点预报资料,利用卡尔曼滤波方法制作北海地区夏季的日最高气温预报方程,试报2003年6~7月合浦站逐日最高气温24h预报,效果不错,其对高温天气的预报准确率达50%,月平均绝对误差小于1℃。     

ECMWF全风速场集合预报结果的偏差订正与预报不一致性分析

采用卡尔曼滤波类型自适应误差订正法和滑动自适应权重法,对2012年夏季ECMWF 10 m全风速场集合预报结果进行偏差订正,对订正前后的预报结果进行评估,并通过Jumpiness指数对预报结果订正前后的预报不一致性特征进行分析。结果表明,卡尔曼滤波类型自适应误差订正法能有效降低集合预报的均方根误差,且当起报时刻为00时对中低纬度地区的订正效果更显著,当起报时刻为12时对中高纬度地区的订正效果更明显;卡尔曼滤波类型自适应误差订正法能有效改善Talagrand的U型或L型分布;由均方根误差分析结果知道,ECMWF 10 m全风速场集合预报本身存在较大的预报不一致性,经过卡尔曼滤波类型自适应误差订正后,集合预报的预报不一致性明显降低,偏差订正可有效改善集合预报的预报不一致性,且随着预报时效的延长,卡尔曼滤波误差法对预报不一致性的改善效果更加明显;从预报不一致性的发生次数特征来看,单点跳跃出现的次数最多,异号三点跳跃的次数最少;经过卡尔曼滤波类型自适应误差订正后,单点跳跃、异号两点跳跃、异号三点跳跃次数都有所下降。     

黔南地区ECMWF_thin温度预报误差分析

利用2019年6月27日至2020年7月3日逐日ECMWF_thin(下称EC细网格)的未来7 d 2 m温度预报数据及相应时段实况资料,采用平均绝对误差、平均误差以及准确率对EC细网格最高气温（下称高温）预报和最低气温（下称低温）预报的误差进行分析。结果表明：EC细网格低温预报的平均绝对误差明显小于高温预报,且高温预报绝对误差分布的差异性比低温预报更明显,低温预报的准确率明显高于高温预报。低温预报准确率各月差距较小,高温预报准确率各月差距较为明显。黔南北部、西部、中部地区高温预报和低温预报的平均误差均较小,其余地区平均误差较大。高温预报准确率随总云量的增加而上升,低温预报准确率随总云量的增加下降。当海平面气压在1 012～1 032 hPa时,高温预报的平均误差基本在±2 ℃以内;当海平面气压超出此范围时平均误差明显增大。低温预报的平均误差与海平面气压的变化关系不大,基本稳定在±2 ℃以内。     

贵州西部冬季低温(凌冻)预报专家系统中长期预报试报效果检验分析报告

选用易于获取的六、盘、水三站资料，对1986年至199o年的低温（凌冻）实况及预报结果作了对比分析，即试报检验，检验情况如下。l预报时段从当年10月第五候起至次年4月中旬止，其中候、旬为中期预报时段，月、年为长期预报时段。2预报及检验方式按当年资料预报当年（以下简称）“当一当”），当年资料预报次年（以下简称“当～次”）两种方式，分别对上述时段的候、旬、月。年作出低温（凌冻）天气趋势预报，结论为偏多（正距平），正常（零距平），偏少（负距平）三类。按统计出的上述各时段平均日数，将试报年的实况也作这三种分类，预报…     

利用卡尔曼滤波方法释用数值预报产品

本文对卡尔曼滤波方法的基本原理作了简要的概述.并在ECMWF北半球的500hPa高度、850hPa温度、地面气压的0小时分析场上选取因子,利用卡尔曼滤波方法对温度和降水进行了预报及对相关结果进行了检验,结果表明利用卡尔曼滤波方法释用数值预报产品对于德阳各站的温度预报具有良好的预报能力.     

合肥市空气质量预报方法

通过对空气污染预报方法的研究，采用MOS预报方法、卡尔曼滤波方法分别建立适合于合肥市空气污染特点的预报模式，为开展空气污染预报提供了必要的技术基础。     

2008年初肇庆罕见持续低温阴雨天气的成因

利用常规气象观测资料、NCEP/NCAR的再分析资料及数值预报产品等,从大气环流形势特征、冷暖空气活动和中尺度南支波动、单站要素变化特征等方面,对2008年1月13日-2月2日肇庆低温阴雨天气的成因,以及2月3日转折天气的预报技术进行初步探讨,结果表明,大气环流异常是罕见的持续大范围低温雨雪冰冻天气发生的主要原因;把单站要素变化特征与大型环流演变结合,将会提高分析、预报能力;日本数值预报产品对肇庆低温阴雨结束期的环流形势预报效果较好。     

卡尔曼滤波方法在天气预报中的应用

从气象应用角度介绍了卡尔曼滤波的基本原理及其递推算法。为了说明卡尔曼滤波递推算法的应用方法，制作了北京１９９３年１月份逐日最低气温３６小时预报。预报结果令人满意，表明该方法很有实用价值，与ＭＯＳ方法相比，它的优点是不需要收集大样本历史资料，因此，它容易适应数值预报模式的变化。