概率密度匹配方法在我国近海海面10 m风速预报中的应用

海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。      

基于数值模式的月尺度近地层气象要素预报技术研究

利用WRF模式对美国NCEP发布的CFS气候预测业务产品在中国区域内进行动力降尺度预报,可得到预报时效为45天的逐6小时、30 km分辨率基础气象要素预测产品。再利用全国气象站观测资料和3个风电场70 m高度风速、温度观测资料对2015年冬季预测结果进行检验评估和分析,最后通过线性方法对地面要素预测结果和70 m高度风速、温度预测结果进行统计订正。结果表明:（1）2 m温度和相对湿度的全国预报平均绝对误差分别为4.71 ℃和18.81%,在华东、华中和华南地区误差较小;（2）10 m风速预报平均绝对误差为2.42 m/s,在东北、华北和西北地区误差较小;（3）线性订正后,2 m气温、相对湿度和10 m风速的预报绝对误差分别减小1.05 ℃、5.29%和1.47 m/s,并且订正后误差随时间变化更平稳;（4）订正后70 m高度风速和温度的预报绝对误差均减小,风速平均误差减小最大可达1.29 m/s（B塔）,气温平均绝对误差减小最大可达3 ℃（C塔）。研究结果表明,基于CFS产品和WRF模式的、与月尺度风电预报关系密切的气象要素预报性能较好,未来可将该方法尝试于风电场的月尺度功率预测产品研发。      

GRAPES全球模式预报检验评估——2016年夏季四川地面要素

本文使用2016年6~8月GRAPES全球模式2m温度和10m风场24、48、72h时效预报场和同期四川省156个国家气象站逐日地面温度和风场资料,选取预报准确率、平均误差、平均绝对误差、均方根误差和Alpha Index5个统计量对2016年夏季四川3个区域(盆地区、过渡区和高原区)2m温度和10m风场进行了较为详细的检验评估。研究结果表明:模式对10m最大风速的预报效果较好,准确率较高,最高可达80.64%。模式对过渡区温度预报效果较差,准确率基本低于10%,但是对盆地区温度的预报有一定可信度。模式对10m最大风速的风向预报效果不如最大风速值。全省各区各要素的AI值都在0.7左右变化,表明模式预报的随机误差大,预报和观测吻合较差。本研究还发现,整体来看模式对盆地各要素预报效果较好,对于地形复杂地区(高原区、过渡区)预报效果较差。此外,模式存在一定的系统误差,2m温度的系统误差盆地区约为-2.3~-1.7℃,过渡区约为-8.3~-6.0℃,高原区约为-7.3~-5.0℃;10m最大风速值的系统误差盆地区约为-1.3~-0.6m/s,过渡区约为-2.3~-1.3m/s,高原区约为-2.7~-1.1m/s。      

相似误差订正方法在风电短期风速预报中的应用研究

为降低风电场短期预报风速误差,减少风电场短期风功率偏差积分电量,提高风电场发电功率预测准确率,分季节研究了相似误差订正方法对ECMWF单台风机预报风速的订正效果。结果表明:相似误差订正后不同风机预报风速的误差差距减小;预报风速的平均绝对偏差和均方根误差明显降低,其中夏季和秋季华能义岗风电场两个指标降低幅度均超过0.1 m/s、会宁丁家沟风电场均超过0.2 m/s;订正风速削减了原始预报的极值,可反映大部分时段实况风速3 h内的趋势变化,个别时段订正风速与实况趋势相反;订正后预报风速在风功率敏感区的平均绝对偏差明显降低,华能义岗风电场四季降低幅度在0.112~0.242 m/s之间、会宁丁家沟风电场四季降低幅度在0.131~0.430 m/s之间,有效降低了原始预报误差带来的短期风功率偏差积分电量扣分值;订正风速较原始预报更多分布在风功率敏感区。该方法实际应用灵活,对提高风电场短期预报风速准确率有可观的效果,并可有效减少短期风功率偏差积分电量考核。      

四川地区EC细网格模式2m温度偏差订正研究

本文选取2017年1~12月ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式168h预报时效的2m温度场和对应时段四川地区157个国家站的观测资料,对比分析了模式温度预报的系统性偏差特征,采用15日周期的滑动双权重平均法对2m温度预报产品进行偏差订正,并与四川省气象台现有的主、客观预报产品进行对比,结果表明:(1)EC模式对低温的预报准确率远高于高温预报准确率;订正后高、低温预报准确率均有显著提高,其中低温平均提高了20.5%,高温提高了31.2%,平均绝对误差分别减小约1.1℃和2.9℃。(2)EC模式高温预报的逐月差异明显比低温预报逐月差异大,订正后差异明显减小,且各月的高、低温预报准确率均有显著提升,订正后各月高、低温的平均绝对误差均在2℃之内。(3)EC模式对于低温和高温的预报在全省均大致呈现负的系统性误差,且高温预报的系统性误差明显比低温预报的系统性误差大,订正后2m温度预报的系统性误差均明显降低,全省大部分地区维持在±1℃之间。(4)与四川省气象台现有的主、客观预报产品对比显示,对于高低温预报均是EC订正后准确率最高、平均绝对误差最小,订正效果较为理想。     

ROAD模式渤海10 m风场预报误差订正

使用"递减平均法"和渤海28个石油、平台、浮标站资料分析得到的渤海10m风速逐时格点场,对ROAD模式(Regional Ocean and Atmosphere Model)渤海区域10m风速预报进行误差订正,不同权重系数试验表明:对于渤海10m风速预报场,权重系数取0.18,订正效果最佳,12～72h预报时效内,月逐时均方根误差和平均偏差均有明显改善,分别减小1.0～1.5m/s和2.3～3.0m/s;对比渤海北部、西部和中部代表格点72h预报时效内,逐12h最大风速评分结果发现:60h预报时效内,当风速预报在5～6级时,渤海北部、中部和西部订正后的预报评分大多有所提高;当风速预报在7级时,渤海北部和中部分别在36～72h和24～48h,预报评分有提高;在实况出现最多的风力分布范围内评分提高最多。     

冬季EC 2 m温度预报在贵州毕节地区的检验分析

利用毕节市8个国家站02时、14时气温实况数据,分别计算2016—2018年冬季(12月、1月、2月)EC细网格2 m温度预报的准确率、平均绝对误差、绝对误差,检验在升温、平稳、降温3类天气过程中温度预报效果,为模式温度预报订正提供参考依据。结果表明:02时的预报平均准确率比14时高约10%;除赫章站以外,其余站点准确率在60%～80%之间,有一定预报参考意义;3类天气过程中,平稳、降温天气中温度预报效果明显优于升温天气;升温天气过程中02、14时温度预报大多偏低0～4℃,降温天气过程中02时温度预报总体偏低0～4℃,14时偏高0～4℃。     

WT模型在山区高速公路风预报订正中的应用

利用2001—2020年河北省142个国家气象站逐日最大风速资料分析了近20年河北风速变化背景。择选2021年2—5月张家口、崇礼区域日极大风速13.9 m/s以上、日10 min平均风速最大值8 m/s以上的30个代表日，运用张承高速公路沿线崇礼国家气象站、南窝铺及场地2套区域气象站、高家营及西湾子2套交通气象站的逐分钟风向风速观测资料，ECMWF数值模式输出的地面10 m风预报资料，以及3″分辨率的SRTM3地形资料，应用Meteodyn WT模型对张承高速公路沿线2个解域区域内的风预报结果进行了订正和检验。结果表明：WT模型输出风速与实际观测风速相关系数可达0.6225并通过0.001显著性检验，各代表站模拟的结果与实况的误差80%以上在±2 m/s之间，地形开阔处误差明显减小；风向也表现出很高的一致性。说明应用WT模型对山区高速公路沿线风数值预报进行订正是可行的，各地可结合本地地形数据以及相对稳定可靠的风的数值预报产品作为WT模型的驱动数据源，开展本地山区高速公路沿线风的订正应用。     

EC细网格2m温度对沧州市的预报能力检验及订正

利用EC模式对2017年沧州市14个国家基本站2m最高、最低温度的24、48、72h预报结果,采用预报准确率、平均误差、平均绝对误差和皮尔森相关系数等统计方法进行检验及订正。结果表明:EC模式对不同预报时效预报准确率,最高温度模式20时起报高于08时,最低温度08时起报高于20时;随着预报时效的延长,模式预报准确率逐渐下降。预报准确率最高温度区域差异不明显,月际变化大;最低温度区域差异显著,月际变化不均。EC模式对沧州温度的预报误差主要由系统误差造成,温度预报绝大多数的大值误差出现在转折性天气阶段,当出现明显升温和高温时,最高温度预报偏低更明显,出现明显降温时,最低温度预报偏高。对2018年1-4月EC模式预报最高、最低温度进行系统和大误差订正检验,发现订正后预报效果更好。     

ERA-Interim风速再分析数据在山东省的适用性评估

利用1979—2013年山东省32个气象观测台站的逐日平均风速数据,对比分析了欧洲中期数值预报中心ERA-Interim风速再分析资料在山东省的适用性。结果表明：ERA-Interim风速再分析数据整体具有较高的可信度,月尺度相关系数在0.40～0.83之间,存在明显季节差异,半岛地区相关系数最高,且北部高于南部,鲁中地区最低。月尺度均方根误差在0.83～4.25m/s之间,半岛地区均方根误差最小,鲁中和鲁西北地区季节差异十分明显,鲁南地区的季节差异性最小。月尺度绝对误差在-0.20～3.89m/s之间,仅个别站点出现负误差,说明ERA-Interim平均风速资料在山东省普遍偏大。代表台站绝对误差均符合正态分布,风速较小时,以正误差为主,随风速增大,负误差增多,当风力大于5级时基本以负误差为主。     

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。     

大小兴安岭林区风场动力降尺度对比研究

对2017年春季黑龙江省大、小兴安岭林区的6个代表站点10 m风场进行降尺度分析,并结合观测数据对比分析了WRF模式和CALMET降尺度模式的10 m风速、风向预报结果。结果表明：两模式逐小时风速预报与观测的相关系数为0.5-0.7,且随着风速的增加,模式的预报准确率逐渐提高,夜间的风速预报偏差较大,进入白天后,偏差明显减小。WRF模式对风速变化趋势的预报效果优于CALMET模式,与观测的风速相关性更高,而CALMET模式对较大风速的预报效果优于WRF模式。在风向预报方面,WRF和CALMET的风向模拟与观测风向均有较好的一致性,模式预报准确率较高的两个风向也刚好对应各站的盛行风向。同时,本文用回归方法对日平均风速进行订正发现,订正后各站的日平均风速预报准确率平均提高了50%,具有较好的业务应用价值。     

GRAPES全球模式的误差评估和订正

以欧洲中期预报中心的ERA-interim再分析资料为参考,对GRAPES全球模式的数值预报结果误差进行了评估,并运用基于历史资料的模式距平积分订正（ANO）方法,对数值预报结果进行了订正试验,检验了ANO方法对GRAPES模式全球中期天气预报的订正改进效果。对1984~2014逐年7月15~24日10天的预报结果订正前后对比分析表明,ANO方法对不同区域位势高度、温度等要素预报订正效果明显,31个个例200 hPa位势高度一周预报距平相关系数平均提高0.05、均方根误差减少12 gpm。其它各层误差订正也显示类似结果,验证了ANO方法对提高GRAPES全球模式10天数值天气预报技巧的有效性,并与MOS（Model Output Statistics）方法对比,更便利、更经济,具有更好的可操作性以及业务预报应用能力。     

基于机器学习的风场预报订正方法研究

为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。     

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。     

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。      

华南区域高分辨率数值模式前汛期预报初步评估

基于华南地区自动站逐小时观测资料, 采用传统站点评分、邻域法等评估华南区域高分辨率数值模式(包括GRAPES_GZ_R 1 km模式和GRAPES_GZ 3 km模式)对降水、地面温度和风场等要素的预报能力。结果表明: GRAPES_GZ_R 1 km模式的降水预报技巧优于GRAPES_GZ 3 km模式, 模式预报以正偏差为主。对于不同起报时间的预报, 00时(世界时, 下同)起报的预报效果优于12时。GRAPES_GZ_R 1 km模式的TS评分是GRAPES_GZ 3 km模式的两倍以上, 对不同降水阈值的评分均较高。分数技巧评分(FSS)显示GRAPES_GZ_R 1 km模式6 h累计降水预报在0.1 mm、1 mm及5 mm以上的降水均可达到最低预报技巧尺度, 对所检验降水对象的空间位置把握能力更好。2 m气温和10 m风速检验结果表明两个模式均能较好把握广东省温度的分布特征, GRAPES_GZ_R 1 km模式对2 m气温预报结果优于GRAPES_GZ 3 km模式, 预报绝对误差更小; 两个模式对风速的预报整体偏强, 预报偏差在1~4 m/s之间, 但相比之下GRAPES_GZ 3 km模式在风场预报上表现更好。GRAPES_GZ_R 1 km模式的2 m气温和10 m风速预报偏差随降水过程存在明显波动, 强降水过后温度预报整体偏低, 风速预报偏强, 在模式产品订正、使用等需要考虑模式对主要天气系统的预报情况。总的来说, GRAPES_GZ_R 1 km模式的预报产品具有较好的参考价值。      

基于WRF和SVM方法的风电场功率预报技术研究

利用WRF(Weather Research and Forecasting)模式,对2006年河北省张北地区某风电场区域全年回报的风速和风向,以及与对应时间段70 m高度的测风塔实测资料进行了对比分析,发现模式预报效果较好.利用2008年全年风电场每台风机的实际功率与对应时刻轮毂高度风速、风向、气温、相对湿度和气压回报资料,使用支持向量机(Support Vector Machine,SVM)回归方法建立了每台风机10min一次的风电场功率预报模型,并利用该模型进行了2009年为期一年的预报试验,检验模型的预报性能.结果表明,集WRF模式和SVM方法建立的风电功率预报方法具有较好的预报效果.各月预报相关系数在0.71～0.82之间,归一化均方根误差在9.8％～16.5％之间,归一化平均绝对误差在5.4％～10.5％之间;全年预报相关系数为0.79,归一化均方根误差为13.3％,归一化平均绝对误差为8.3％.     

GRAPES_Meso中尺度模式在新疆沙漠地区的检验与评估

使用GRAPES中尺度模式对中国新疆南部的塔里木盆地2013年1、4、7、10月逐日的天气过程进行数值模拟,并与站点的实况资料对比分析,结果表明,GRAPES模式对沙漠地区的温度、风场、降水都有一定的预报能力,但也存在较明显的预报误差。GRAPES模式可以大致的预报出塔里木盆地地区2 m温度的日变化趋势,但GRAPES模拟的温度极值还存在较明显的误差;GRAPES模式对10m风场的预报,在风速较大的1月、4月和10月预报效果较好,基本可以预测出沙漠地区的风速和风向,但在风速很小的7月,模式的预报效果不理想;GRAPES模式对沙漠地区的降水预报与实况相比还存在明显的偏差,主要表现为降水空报率较高,降水中心也存在一定的偏差;GRAPES模式在沙漠地区对高空温度的预报呈现出低层温度预报误差较大,高空相对较小的特征。     

高精度高空风预报技术探讨

针对航天气象保障中高分辨率高空风的预报需求，利用欧洲数值预报、GRAPESGFS、导航探空数据，通过WRF模式直接输出、高空风模式产品融合、动力统计订正等方法实现了20 km以下逐250 m的高空风短期预报，并选择2019年11月—2020年3月进行试验，结果表明：U风预报好于V风；5～14 km高空风预报效果好于其它层次；在模式产品融合基础上进行的动力统计订正，预报效果最好，对于同层U、V风，4 m/s偏差内预报准确率为77.4%,6 m/s偏差内预报准确率为93.2%。