T639预报气温产品误差分析与订正

由于T639数值预报模式对具体区域预报有一定偏差,为了更好的利用该模式做出山东即墨本区域各自动站气温预报,制定订正方法,将订正方法运用到实际业务中,推广到相关单位,提高气温预报准确率,本文利用2013年1月至2015年12月山东省即墨市8个区域自动站的最高(低)气温实况和对应的T639数值预报24小时2m气温预报产品进行了日最高(低)气温的预报准确率、相对误差分析,并结合风向风速预报结论和地形分区,运用综合订正、季节订正、风向订正和风速订正4种误差订正方法,在对比检验的基础上,得出如下结论:在4种订正方法中,预报准确率最高为综合订正方法。     

一种气温的数值预报权重误差订正释用方法

该文在对几种数值预报产品的气温要素预报结果进行检验的基础上,尝试建立了一种权重误差订正方法:通过对数值预报产品进行检验订正,首先根据EC粗网格预报结果结合典型天气形势判断气温走势建立方程,对不同预报产品以近期准确率作为权重平均并结合误差加以订正,建立订正预报方程,对历史个例的检验和试报说明此方法对于提高气温预报的准确率,减小误差是有效的。     

误差订正在辽宁地区冬季温度预报中的应用

利用7d固定误差订正和滑动误差订正方法对2014年冬季辽宁地区中尺度业务模式2m温度预报产品插值结果进行订正,并将订正结果与中央气象台MOS预报进行对比,分析MOS、7d固定误差订正和滑动误差订正3种数值模式后处理方法对辽宁地区冬季温度预报准确率的影响。结果表明:经过两种误差订正后的预报结果准确率均比数值模式预报插值结果高,滑动误差订正效果优于7d固定误差订正;24h最高气温预报中,滑动误差订正结果的准确率最高;最低气温预报中,08时滑动误差订正结果准确率高于中央气象台MOS预报,但20时滑动误差订正结果准确率低于MOS预报。滑动误差订正需1—15d的资料积累,比MOS方法所需资料少且操作简单,适合观测资料积累少的地区开展数值模式的温度订正。     

东北区域数值模式产品在天气预报业务中的检验

利用2015年大连地区7个主要气象站的地面气温、降水、风向风速和相对湿度观测资料,针对东北区域中尺度数值模式(Weather Research and Forecast,WRF)产品中常规天气要素进行检验分析,了解掌握WRF模式对不同天气要素的预报能力,以期为天气预报业务中WRF模式产品的订正提供参考。结果表明:WRF模式产品的气温预报准确率整体上08时起报的比20时起报的稍好,最低气温预报效果比最高气温稍好,且WRF模式对升温和降温的趋势预报较好,具有一定参考性。WRF模式产品的降水预报准确率相对较高; WRF模式对风向的预报准确率可以达到50%左右,而风速的预报准确率可以达到60%—70%;大雾天气的预报,可以相应参考WRF模式的相对湿度。     

基于ECMWF产品的站点气温预报集成学习误差订正

提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。     

基于数值预报及上级指导产品的本地气温MOS预报方法

利用恩施基准站2008—2011年地面实测资料、数值预报产品、上级台站指导产品,采用M(数值模式预报)、E(天气学经验)、D(诊断分析)相结合的方法(简称MED),从气温变化的影响因素如大气稳定度、温度平流、水汽条件等设计具有物理意义的预报因子。或根据需要进行因子的组合叠加利用,并将指导产品直接作为预报因子。利用常规统计预报方法(逐步回归),将高、低温实况作为预报对象来建立地方气温预报模式。结果表明:将天空状况进行分型后建立地方气温MOS预报模型,并对应高低温一般出现时间段来选取数值预报产品因子进行预报,对本地气温预报质量的提高有积极的意义;模型建立过程中,综合采用了MED相结合的方法,并应用了数值预报再加工因子,考虑了天气系统变化对气温的影响,增强了数值预报的解释应用能力;参考客观数值模式产品、上级业务部门指导产品相结合的综合MOS预报方法,建立地方气温MOS预报是提高本地天气预报准确率的有效尝试。检验结果也表明,本地气温MOS预报效果较好,明显高于指导预报,已较好应用于实际业务中。     

基于多模式的新疆最高(低)气温预报误差订正及集成方法研究

干旱区由于气温日较差大,气温预报难度偏大,尤其是最高、最低气温预报。利用2013—2015年ECMWF、T639、DOGRAFS、GRAPES 4种模式24 h内气温预报产品,采用递减平均订正法以及集合平均和加权集合平均法,设计2种订正集成方案,即方案1是对多模式气温预报先集成后订正,方案2是先订正后集成,对新疆地区日最高气温和最低气温预报的误差订正及集成效果进行对比检验。结果表明:(1)4种模式对新疆气温预报的准确率表现为ECMWF模式整体最好,DOGRAFS模式最差,且最低气温的预报准确率提高程度高于最高气温;(2)对于新疆不同区域,最高(低)气温预报准确率北疆高于南疆,西部高于东部,平原高于山区,且冬季的订正能力大于其他季节;(3)加权集合平均法优于集合平均法,先订正后集合方案优于先集合后订正方案;(4)方案2对2015年7月13—30日和2014年4月22—24日两次极端高、低温天气过程的最高(低)气温订正效果明显。     

三种数值模式气温预报产品的检验及误差订正方法研究

基于德国天气在线T7online(简称T7)、ECMWF细网格(简称EC)及T639三种数值模式的气温预报产品,结合本溪站气象观测资料,对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析,根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明:对于气温预报的年检验,T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率;对于气温预报的月检验,三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季,而对于最高气温的预报,T7的气温预报准确率明显优于EC和T639模式;当气温波动较大时,三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内,对最高气温的预报准确率存较大差别,T7模式最高气温的预报误差最小,T639模式气温预报的系统偏差最明显,最低气温系统偏差为-1.34℃,最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征,结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正,订正后气温平均绝对误差由2.40℃左右降至1.40℃左右,系统偏差和均方根误差均明显缩小,气温预报准确率由50%左右提高至80%以上,数值模式气温预报准确率明显提高,具有较好的应用价值。     

基于T639数值预报产品的气温本地化应用及检验

基于T639数值预报产品下发的多个物理量资料,利用多元回归方法,开展本地化的分县气温客观预报方法研究,结合常规气象观测资料、美国NCEP/NCAR 1°×1°网格点逐6 h再分析资料,开展业务应用并进行了效果检验,得出以下结论:最低气温预报准确率要好于最高气温,同时夏季的气温预报也明显好于其他季节;在最高气温中对扬中的预报准确率高于其他站点,在最低气温中对丹阳的预报效果相对比较好;客观预报方法存在明显的系统性负偏差,通过使用每个预报时效预报误差的7 d滑动平均进行订正,结果表明通过订正,预报效果有所提高,特别是最高气温订正效果较明显;通过主客观预报准确率的对比分析,发现虽然客观预报对最高气温的预报效果比较差,但是在气温趋势预报上具有一定的参考价值;最低气温客观预报准确率明显高于江苏省的平均水平,和主观预报相比,虽然仍然低于主观预报水平,但是差距不大,基本上可以替代主观预报;分县气温客观预报方法对高温、寒潮等灾害性天气具有一定的预报能力,但是和实况相比,预报强度偏弱.     

最优集合预报订正方法在客观温度预报中的应用

数值模式的直接输出预报在实际应用时常与实况产生一定的偏差,对模式预报进行有效的本地化订正是提高预报准确率的重要手段。以欧洲中期天气预报中心(ECMWF)模式细网格资料,采用最优集合(anolog ensemble,AnEn)预报订正方法对北京市各站1～7 d的日最高气温和日最低气温进行订正,并对相关参数进行了本地化。采用了滑动训练期、优化变量权重两种方案进行训练。检验评估结果表明:(1)滑动训练期采用60 d时能同时保证计算效率和预报准确率;采用最优变量权重方案后,与预报员主观预报准确率对比,AnEn的最低气温优于预报员主观预报,最高气温基本相当;增加训练期的长度(引入多年的历史资料)相比优化变量权重方案能更有效地提高预报准确率。(2)AnEn预报订正方法在改善数值模式预报的固有偏差(如对由数值模式对局地地形、边界层日变化等形成的误差)效果显著,有较好的应用价值;对于因局地天气(如霾、降水、大风等)影响下,AnEn的温度预报准确率虽优于ECMWF,但不如主观预报,未来还有改进空间。还对检验结果进行了时间和空间验证,确保在以后的业务尤其是智能网格预报业务中的运行效果。     

ECWMF高分辨率模式2m温度预报在六盘水市的误差分析及订正指标

采用气候概率统计和多时效平均的思路,对2018—2019年的欧洲中期天气预报中心（ECWMF）高分辨率模式2 m温度产品在六盘水市的预报误差进行统计分析,并对采用指标订正后的2020年度模式预报准确率进行检验评估。结果表明：ECWMF高分辨率模式对六盘水市的温度预报误差随时效的增加而逐渐减小,且各时效平均的最高温度年均预报误差和误差标准差要明显高于最低温度;对于六盘水而言,模式的温度预报在初夏（6月）可靠性最高,而在春季（3—4月）最低;通过采用预报误差最大占比对逐月多时效平均的模式最低温度预报进行订正,以及根据天气类型采用不用订正方式与订正指标对模式24 h最高温度预报进行订正,能够大幅提升全市未来5 d（120 h）综合最低温度和24 h内的最高温度预报准确率,分别稳定在90%和70%以上;经过订正后,全市的2020年度平均最低温度预报准确率与实际相当,而24 h最高温度预报准确率要高于实际预报准确率。     

ConvLSTM Based Temperature Forecast Modification Model for North China

The correction of model forecast is an important step in evaluating weather forecast results. In recent years, post-processing models based on deep learning have become prominent. In this paper, a deep learning model named ED-ConvLSTM based on encoder-decoder structure and ConvLSTM is developed, which appears to be able to effectively correct numerical weather forecasts. Compared with traditional post-processing methods and convolutional neural networks, ED-ConvLSTM has strong collaborative extraction ability to effectively extract the temporal and spatial features of numerical weather forecasts and fit the complex nonlinear relationship between forecast field and observation field. In this paper, the post-processing method of ED-ConvLSTM for 2 m temperature prediction is tested using The International Grand Global Ensemble dataset and ERA5-Land data from the European Centre for Medium-Range Weather Forecasts (ECMWF). Root mean square error and temperature prediction accuracy are used as evaluation indexes to compare ED-ConvLSTM with the method of model output statistics, convolutional neural network postprocessing methods, and the original prediction by the ECMWF. The results show that the correction effect of ED-ConvLSTM is better than that of the other two postprocessing methods in terms of the two indexes, especially in the long forecast time.     

基于SVD与机器学习的华南降水预报订正方法

降水是在多种天气系统和复杂物理过程共同影响下形成的,因此降水预报难度较大。由于数值预报模式的局限性,使得模式预报产品存在一定误差。为探讨更加有效的模式预报产品误差订正方法,基于奇异值分解（SVD）与机器学习（多元线性回归、套索回归、岭回归）构建订正模型,对2007—2019年4月1日—6月30日华南前汛期欧洲中期天气预报中心（EC）模式降水预报产品进行误差订正试验。结果表明:基于SVD与机器学习相结合的订正模型能有效降低EC模式降水预报产品在华南的预报误差,均方根误差最大优化率达4.2%,累计超过69%的站点得到不同程度的优化;SVD与机器学习相结合的订正模型能很好地处理因子间共线性问题,具有更好的鲁棒性;而对多个订正模型加权集成,均方根误差优化率达5.7%,累计超过77%的站点得到优化,显然加权集成方法订正效果不仅优于EC模式预报产品,也优于参与集成的任一订正模型。     

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3~12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。     

北京地区夏季多模式降水预报的降尺度集成应用

以2008—2010年5—9月日本、德国、T639数值预报模式降水产品为基础,采取反距离插值的统计降尺度分析方法,将数值预报模式降水格点数据插值到北京西北、东北、西南、东南区域的延庆、密云、房山、观象台4个典型代表站点上;再结合统计分析,将夏季产生降水的天气系统分为西来槽、东北低涡、蒙古低涡、其他系统4种类型,采用预报准确率定级方法对各家模式配以不等权权重系数,从而建立北京地区夏季多模式集成降水预报模型,并用独立的样本对预报模型进行了业务试运行检验,检验结果表明:所建模型对降水预报的改进效果较好,优于单个数值模式降水预报。该模型的建立和应用方法为其他区域本地释用数值模式降水预报产品提供了一定的客观参考。     

华南3 km高分辨率区域模式气温预报在贵州的质量检验

利用2018年1—10月华南3 km区域高分辨率模式08时、20时起报的气温预报和实况资料,采用线性内插法进行站点预报值处理,并从平均均方根误差及预报准确率的角度,检验分析了贵州省72 h预报内逐24 h最高(低)气温预报质量。结果表明,72 h内随着预报时效的增加,预报准确率差异较小;日最低气温预报准确率相对最高气温平均高出20%左右;08时起报的最高(低)气温预报优于20时的。同时发现,最高(低)气温的预报能力在月份上存在明显差异,6—8月预报性能总体优于其它月份;在24~48 h预报中,东北—西南向一带较贵州其它区域展现出更高的预报能力。在9个主要城市站上,最高(低)气温均表现出较高的预报技巧,其中,20时起报的兴义站24 h最低气温准确率100%。通过对2018年7月18日气温预报质量检验,最高(低)气温及35.0℃以上高温事件预报准确率均在80%左右,较好反映了天气实况。因此,华南3 km高分辨率区域模式对贵州气温预报具有较好的参考价值。     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

ECMWF高分辨率数值模式对广安地区气温预报性能检验分析

为了解ECMWF高分辨率数值预报模式(以下简称“EC”)对广安地区气温的预报性能,提高预报质量。利用EC气温预报产品,对2015～2017年广安地区最低(高)气温进行预报性能检验。结果表明:EC模式预报最低气温,正确率较高;预报最高气温,正确率波动大,随月份呈明显的“V”型变化,盛夏7、8月最低。预报误差随时效延长,略有增大;最低气温误差小于最高气温误差;最低气温误差各月无明显差异,最高气温误差在盛夏7、8月最大。最低气温预报效果区域差异不明显;最高气温预报效果受地形影响较大。根据订正指标,进行气温订正预报,可有效提升预报正确率。EC模式预报高温时的最高气温偏小,经过订正后,各站各时效正确率均明显提高,正确率提升20.6～91.3%,具有较高的参考价值。      

近10年中国现代天气预报的发展与应用

近10年来,随着数值预报技术的进步,探测手段的日臻完善和丰富,以及高性能计算机快速发展和应用,现代天气预报技术取得了显著的进步,其中快速更新同化分析和预报、集合预报、概率预报以及数字化预报等新技术的应用,促进了中国天气预报业务水平的提高,在中国防灾减灾、保障社会经济发展和人民安康福祉的气象服务中发挥了重要作用。回顾和介绍了近10年中国现代天气预报新技术,主要包括基于中尺度模式的多源资料快速更新同化预报技术,提供灾害性、极端性天气预报的不确定性信息的集合预报和概率预报技术及高时空分辨率气象要素的数字化预报技术,展望未来发展趋势,以期能够对未来天气预报技术发展提供借鉴和参考。