基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。     

华南低能见度天气特征及客观预报研究

利用2000—2016年华南219个县级气象观测站的地面、高空气象观测资料以及对应站点的再分析资料,统计发生低能见度天气的天气形势和特征,归纳低能见度天气的预报指标。将与能见度以及能见度变化相关的气象要素输入神经网络进行训练,利用EC集合预报数据集获得能见度集合预报结果,通过对其离散度的统计分析以及经验公式最终获得具有泛用性、可靠性的神经网络模型的参数集。通过输入EC确定场数据,获得华南219县级站长时效精细化能见度预报结果,2017年上半年的能见度预报试验显示,模型预报结果的误差与TS评分均优于CUACE模式能见度预报。     

北京小海陀山区雪面温度预报模型研究

基于2019年10月至2020年3月北京市延庆小海陀山区高海拔站点二海坨站和低海拔站点长虫沟站逐时气象观测数据,分析小海陀山区雪面温度演变特征及其与气象因子的相关性。采用BP神经网络及逐步回归方法建立该地区两站的雪温预报模型并进行效果检验。结果表明:(1)小海陀山区积雪时段雪温逐小时变化幅度较气温更显著,雪温与气温及总辐射呈明显正相关,气温及总辐射是影响雪温变化的主要因子;(2)基于神经网络方法建立的雪温预报模型效果优于逐步回归方法建立的雪温预报模型,模型效果低海拔站点优于高海拔站点,夜间优于白天;(3)区分白天与夜间的分时段建模方案更适用于低海拔站点。     

太原大气能见度影响因子分析及能见度预报

利用2017年1月—2019年12月太原地区逐时气象资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,构建了能见度预报模型并进行检验,结果表明:(1)从空间分布看,太原北部能见度明显高于南部地区。从时间分布看,太原地区平均能见度最大值出现在5月,最小值出现在1月;日间最低值出现在06:00(北京时,下同),冬季略向后推移,最高值出现在15:00前后。(2)2017—2019年太原地区低能见度分别出现93、84、79 d;低能见度发生时,干霾、湿霾发生频率分别为59.27%、40.73%;湿霾发生时,能见度降低更加明显。(3)所选个例中,能见度均随各影响因子有所起伏,干霾、湿霾过程中能见度分别与颗粒物浓度、相对湿度变化一致。(4)采用神经网络方法构建太原地区能见度预报模型,预报模型相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为87%。神经网络方法对太原地区能见度预报具有较高的参考价值。     

数值预报产品在三峡坝区初夏强降水预报中的释用

利用1992-2001年5-6月期间日本数值预报产品(FSFE02、FSFE03)、宜昌单站探空资料以及单站大气能量资料,对照三峡气象站降水资料,从中找出相关性较好的预报因子,应用基于费歇准则的判别分析方法,建立三峡坝区初夏(5-6月)强降水预报模型,从而对日本数值预报产品进行释用.经2002-2007年预报检验,该模型预报准确率和概括率分别为77%和89%,预报效果较好.该预报模型具有一定的实用性.     

低能见度雾的分级预报方法研究

利用2007年11月—2009年12月京石（北京-石家庄）高速公路沿线气象站的人工观测资料、自动站资料和交通气象自动站资料,对低能见度雾天气进行分级统计,找出各级雾的生消特征。应用天气学原理和数理统计方法对低能见度雾的生消机理进行研究,利用相关分析找出了与低能见度雾的生消有密切关系的气象因子,建立能见度与气象因子之间的回归方程;在此基础上,结合对低能见度雾的成因分析和预报经验,加入降水因子和大气稳定度因子,建立低能见度雾的分级预报方程,找出各级雾的生消判别指标,为低能见度雾的分级客观化预报奠定基础。各预报因子采用MM5精细化数值预报产品,并通过自动站实时监测资料和预报员的综合预报结果对数值预报产品进行合理订正,得到预报时刻各气象因子的值,从而实现低能见度雾的分级客观化预报。      

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。      

多元动态逐步回归方法在北京地区能见度预报中的应用

基于2016年冬季的观测资料和ECMWF细网格240 h气象要素预报资料,选用与能见度变化相关的水汽、动力、热力等因素作为预报因子,利用多元动态逐步回归方程对北京地区未来10 d的能见度进行预报研究。同时将能见度分为3个等级:1 km、1～10 km(低能见度)和≥10 km,并从区域平均、空间分布及3次低能见度过程个例进行预报效果检验。多元动态逐步回归方法对北京地区的能见度及其变化趋势均有一定预报能力且效果稳定,其中≥10 km等级的能见度预报效果最好,TS评分为64.2%,其次是1～10 km,TS评分为53.1%,最后是1 km,TS评分为51.3%;两个低能见度等级中平原地区预报效果优于山区,表现为从东南向西北递减的特征;而≥10 km等级的呈相反变化,预报效果山区优于平原地区;北京地区3次雾霾过程个例预报也证实动态逐步回归方法能够较好预报北京地区持续性低能见度过程。     

基于数值预报产品的地面气温BP-MOS预报方法

在山东省临沂市气象局开发的"中尺度数值预报业务系统"的基础上,利用高分辨率的数值预报产品和地面气温观测资料,建立了地面气温的BP神经网络方法预报模型。检验结果表明BP神经网络模型的气温预报准确率高于逐步回归模型和MM5模式输出的气温预报准确率,可应用于实际预报业务中来制作气温的精细化预报。     

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料,采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比,结果如下:（1）相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优（少云击中率平均提高24 %,多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。      

基于EC细网格数值预报产品的太阳辐照度订正技术

太阳辐照度与光伏电站发电功率密切相关,其预报的准确性直接影响发电功率预报的准确性。根据光伏电站太阳辐照度实况、气象站实况、WRF(Weather Research and Forecast Model)模式辐照度预报、EC细网格数值预报以及太阳理论辐照度,利用逐步回归法开展太阳辐照度预报订正研究,得到以下结论:①太阳辐照度实况与太阳理论辐照度的比值与EC细网格数值预报中气象要素的相关性优于太阳辐照度实况与气象要素的相关性;②不同时刻影响太阳辐照度的气象因子存在差异,通过逐步回归法建立不同时刻太阳辐照度预报模型;③在非晴天情况下,回归预报辐照度相对均方根误差比WRF模式预报辐照度降低10%左右,减小了辐照度预报误差。该研究成果在光伏电站的新能源数值预报服务中有一定的应用价值。     

北方公路交通气象环境识别及安全管理策略研究

用沈山高速公路沿线10个交通气象站的逐10 min气温、能见度、路面温度、降水、湿度和风等资料,采用多元逐步线性回归、最小二乘曲线拟合、MLP神经网络建立数学模型对北方公路路面温度、能见度以及冰雪路面等交通气象环境进行识别。通过抽取随机样本对模型进行检验,结果表明:所建立的模型对交通气象环境具有较好的模拟和识别作用。基于交通工程理论建立的不同路况条件下车速预估和交通安全指数模型对公路交通安全管理具有很好的应用价值。     

龙川县气温预报方法的建立与应用

利用龙川站2008-2012年地面观测资料、欧洲中心数值预报产品,采用常规统计预报方法（逐步回归）,将最高（低）气温实况作为预报对象,把可能影响气温变化的气象要素作为预报因子,分月建立未来24～ 72 h最高（低）气温的MOS预报方程,通过对2013年全年的检验预报表明：未来24～72 h最高（低）气温预报平均绝对误差均在2.0℃以内.     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆（LSTM）的气象预测方法。方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息。通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测。通过实验以及与经典机器学习预测方法的比较,验证了本文方法在气象预测中的有效性,进一步提升了气象预测的准确性,各项预测值的均方检验误差平均值为0.35。