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。     

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.     

夏季分县降水量集成预报试验

将国家气象中心Ｔ１０６和ＨＬＡＦＳ、山西省气象台ＢＰ神经元和动力相似方法输出的降水预报值作为预报因子,运用灰色理论分别将以上４个预报因子原始数列和降水实况数列作一次累加生成处理,分别得到随机性被弱化的单增数列,用卡尔曼滤波法进行递推计算,得到降水预报值。将得到的降水预报值作还原处理,即累减生成后,最终输出降水量分县预报。此方法用于１９９８年夏季,取得了良好的预报效果。     

国家气象中心客观要素预报--MOS系统

面向全国2000多个台站，应用数值预报产品释用MOS技术制作温度、降水、相对湿度、风、云量及能见度等要素预报，并实现了预报业务运行。通过建立MOS预报系统，表明预报因子和预报对象的处理、建方程前的参数选择以及预报因子的选取都会影响要素预报的质量，需要做大量的细致工作。预报检验结果显示，降水预报尚未达到可用程度．温度和相对湿度的短期预报在大多数情况下是可用的或是可参考的，但还有待进一步改进。降水预报尚需在预报因子和充分运用多种探测信息方面加以改进。     

支持向量机方法在单站降水预报中的应用探讨

将武汉天空云量预报的81个预报因子运用到该站中等以上强度的降水预报中,基于SVM方法进行了交叉验证和预报试验。结果表明用81个预报因子建立的5～9月和全样本的降水预报模型有较好稳定性、且对降水都有正的预报技巧。因此天空云量的预报因子可以用来做降水的预报因子,同时也证明了这些预报因子在天空云量和降水预报中是协调的。SVM方法为天空云量和降水的预报提供了客观参考依据。     

国家气象中心气象要素的客观预报——MOS系统

面向全国2000多个台站，应用数值预报产品释用MOS技术制作温度、降水、相对湿度、风、云量及能见度等要素预报，并实现了预报业务运行。通过建立MOS预报系统，表明预报因子和预报对象的处理，建方程前的参数选择以及预报因子的选取都会影响要素预报的质量，需要做大量的细致工作。预报检验结果显示，降水预报尚未达到可用程度，温度和相对湿度的短期预报在大多数情况下是可用的或是可参考的，但还有待进一步改进。降水预报尚需在预报因子和充分运用多种探测信息方面着手加以改进。     

辽宁省气象要素分季分县完全预报方法

选取T106资料建立辽宁省54个县站的天气要素分季预报方程，使用T213资料进行预报，并对降水及温度预报结果进行了评分和分析。预报结果表明，完全预报方法可用于日常预报业务。     

一种改进的考虑环流特征的MOS预报方法

利用一种可以考虑天气环流形势场特征的MOS预报因子处理方法进行预报因子的处理,以T106L19模式的预报产品为基础建立云南省32个基本站点的降水和气温预报方程,并与不考虑天气形势场的因子所建立的MOS方程的预报结果进行对比。结果表明,MOS预报的结果对预报因子的变化很敏感,在考虑天气形势后的MOS预报对云南各站点的降水和气温的预报效果均有显著的改进,说明MOS预报因子的处理方法和选取对改进MOS预报效果具有重要的意义。     

客观预报方程中因子的选取及应用效果分析

利用因子选取及方程建立人机交互平台,建立了云南省125个气象站的降水、温度客观要素预报方程.对比试验表明,绝大多数组合因子都优于单因子,组合因子预报方程的质量普遍比单因子预报方程好.预报检验结果显示,干季的降水预报尚未达到可用程度,雨季小雨及中雨、大雨的预报有一定业务指导意义,对于反映中小尺度系统的暴雨天气预报效果较差,在因子的选择上还需要做大量细致的工作.温度预报具有一定的参考价值,但还有待进一步改进.     

柳州区域综合法降水客观预报工具

近年来,随着数值预报产品预报质量的逐年提高,利用数值预报产品建立客观预报工具的条件已经成熟。作为一种尝试,作者采用经验回归模型与天气系统订正相结合的综合预报方法,建立了一个客观预报工具。利用2001年12月至2003年2月共14个月T213的3h降水量48h预报、T213的850hPa 48h水汽通量预报、T213的850hPa 48h水汽通量散度预报、日本48h降水预报格点资料、日本700hPa的48h垂直速度预报格点资料、北京24h降水预报资料、等共六个因子作为预选因子。在属于格点数据的因子中均挑选出各预报站点附近的六个格点,通过距离权重插值法将各站附近的点插值到站点,形成新的时间序列。北京24h降水预报资料是MICAPS第14类数据,经过解码后可直接得到站点资料。利用所得到的新的数据序列与对应各站的历史降水资料作逐步回归分析,各站一致通过F=3.0置信检验的因子均为T213的48h水汽通量预报、日本48h降水预报格点资料、北京24h降水预报共三个因子,利用这三个因子建立柳州区域各站24h降水预报共12个方程。利用上述模型对历史资料进行回报,效果较好。对2003年3月下旬至4月的试报发现,该模型对于晴雨定性预报效果较好,但对降水定量预报上有较大误差,特别是对于较大的降水过程预报降水量偏小。为了改变这种情况,作者考虑到利用天气系统来订正的方法,即利用500hPa和850hPa08时中央台天气分析图上的低涡、槽线、切变线和台风位置等天气系统及其位置来订正方程的预报。订正后,经3个月的预报发现,效果明显改观。为便于评分,将预报结果按业务规定以无雨、小雨、中雨、大雨、暴雨五个量级输出。至此,整个工具建模基本完成。本工具经过八个多月的运行,证明预报效果较好。最好的预报成绩是TS分56分,平均成绩为TS 44分,基本达到人工预报的水平。