SCMOC温度精细化指导预报在陕西区域的质量检验

利用2012年陕西区域99站共366天北京时间08:00和20:00起报的SCMOC温度精细化指导预报与实况资料的比较,检验分析了定时温度、日最高气温和日最低气温的预报质量。结果表明:陕西区域SCMOC温度精细化指导预报08:00起报的准确率高于20:00起报的,且预报准确率有明显的季节变化,夏、秋季节较高,冬、春季节较低,日最高(低)气温的预报准确率与预报时效成反比。地形高度影响温度预报准确率,二者之间的相关系数通过了显著性检验。08:00起报的48h内逐3h气温多出现负误差,20:00起报的多出现正误差。08:00起报的日最高气温和20:00起报的日最高(低)气温多出现负误差,08:00起报的日最低气温多出现正误差。从对典型天气过程的温度预报质量检验来看,强冷空气影响下的降温天气过程的温度预报难度较大,预报准确率较其他天气类型偏低一些。     

2m气温集成订正方法及在冬奥延庆赛区的应用北大核心CSCD

为提升北京冬(残)奥会气象服务保障能力,利用2018—2021年1月1日—3月28日欧洲中期天气预报中心(ECMWF)模式预报产品以及冬奥延庆赛区8个自动气象站的2 m气温实况,通过基于地形修正的模式偏差订正和支持向量机算法,构建赛区不同海拔高度站点72 h预报时效内逐3 h的2 m气温集成订正方法。2022年北京冬(残)奥会前夕及赛事期间应用评估表明:集成订正方法对延庆赛区2 m气温的预报准确率为0.856,平均绝对偏差为1.08℃,订正效果较单一订正方法更优,尤其针对海拔高度高出模式地形高度的站点订正性能更为突出,同时,对超阈值及关键过程的气温订正效果也表现较好。对于延庆赛区大多数站点而言,该方法订正的72 h预报时效内逐3 h的2 m气温平均绝对偏差总体上表现出一定的日变化特征,且0~24 h,24~48 h,48~72 h预报时效之间偏差变化相对平稳,但不同站点的日变化趋势存在差异。随着预报时效增加,该方法订正的2 m气温平均绝对偏差的变化趋势表现出海拔依赖性。     

WRF模式2m温度在山东预报效果的评估

利用山东省内123个国家气象站2017年11月至2018年2月逐时观测地面温度对WRF模式08：00和20：00起报的2 m温度进行检验,评估了预报时效为72 h的逐时温度与日最低（高）温度的预报效果并初步分析了个别站点大值误差成因。结果表明：WRF模式08：00起报2 m温度的准确率要高于20：00起报,白天预报的效果优于夜晚;鲁西北和半岛地区的2 m预报温度的平均绝对误差总体低于鲁中和鲁南地区,全省大部分站点负误差比例高于正误差比例;WRF模式对于日最高温度的预报效果优于日最低温度;模式地形高度误差造成泰山站2 m预报温度正误差较大,基于两种温度梯度方案对泰山站2 m温度进行订正,订正后的平均绝对误差总体下降,利用单一的温度梯度在有的预报时刻出现负的订正效果,利用随预报时刻变化而变化的温度梯度在各预报时刻订正效果更为稳定;泰安站出现焚风时2 m预报温度有较大负误差,这主要是受WRF模式泰山站地形高度误差影响;WRF模式在微山湖区域土地类型与真实土地类型存在差异是薛城站夜间2 m温度负误差较大的重要因素之一。     

递减平均法对陕西SCMOC精细化温度预报的订正效果

利用递减平均法对2012—2013年陕西区域99站共731 d的SCMOC温度精细化指导预报进行误差订正,订正结果表明:该订正方法总体表现为正的订正效果,对08:00和20:00起报的定时温度、日最高温度以及08:00起报的日最低温度有明显的订正能力,在准确率偏低的预报时效内订正效果较好;对于48 h内逐3 h定时温度预报,在夜间的准确率高于白天,对应的"递减平均法"在白天的订正能力高于夜间;对于168 h内日最高(低)温度预报,随着预报时效的增加准确率降低,但是"递减平均法"的误差订正能力增强;"递减平均法"对48 h内逐3 h定时温度和24 h内日最低温度的订正能力在准确率偏低的月份偏强。     

基于地形因素的吉林省ECMWF气温预报订正方法研究

利用2016年1月1日—2018年12月31日吉林省381个站的逐日最高气温、最低气温和定时气温的观测数据,对ECMWF高分辨率模式的2 m最高、最低气温和定时气温预报进行检验分析.结果表明,ECMWF模式对吉林省的气温预报与实况存在一定偏差;从空间上看,自西向东气温预报准确率逐渐递减,预报误差逐渐增大;从时间上看,随预报时效的增长,预报准确率逐渐下降.对ECMWF的气温预报进行高度差订正后,模式最高气温24 h、48 h、72 h的预报准确率分别从52％、51％、50％提高至58％、56％、54％;最低气温准确率分别从58％、56％、54％提高至64％、62％、59％;定时气温准确率分别从63％、60％、58％,提高至67％、63％、61％.高度差订正的方法有效提高了模式气温预报的准确率,减小了模式预报误差,提高了模式预报释用能力,订正后的气温预报TS评分得到明显的提高.该方法已应用在吉林省客观预报的订正算法中.     

一种逐时气温预报方法

利用2006~2010年陕西10地市逐小时的气温和逐日的最高气温、最低气温、平均总云量、降水量资料,通过线性回归方法建立了一种基于日最高气温和最低气温预报以及临近气温实况资料的逐时气温预报模型,并对2011年每天的逐时气温预报进行检验。结果表明:该方法在晴天、多云和阴雨天的预报能力依次减弱,其中晴天和多云天02~18时的预报效果好于19时至次日01时的,而阴雨天01~10时的预报效果好于其它预报时段的;当日最高气温和最低气温预报较为准确时,西安站各预报时刻的准确率均在60%以上,其中14~17时的准确率较高,晴天的达到100%,多云天的在96%~99%之间,阴雨天的准确率偏低一些,特别是11~17时较晴天和多云天偏低了12%~27%;该方法可以将24 h日最高(低)气温预报细化到逐时气温预报,同时考虑了气温日变化的地域差异、季节特征、以及在晴天、多云和阴雨天的不同表现,具有一定的业务应用和推广价值。     

基于CMA-TRAMS模式地形高度偏差的地面气温误差订正方法研究

采用一元线性方法建立南海台风模式CMA-TRAMS地形高度偏差和地面气温预报误差的回归关系,分别开展不分级、高度偏差分级和地面气温误差分级的三种订正方法的研究,并进行订正效果评估。结果表明,模式地面气温预报误差与地形高度偏差总体呈负的线性相关关系,地面气温预报绝对误差随地形高度偏差绝对值增大而增大（对模式地形高度偏低站点尤为明显）,但不同时刻地面气温预报误差特征表现不同,模式对地形高度偏高（即模式地形高于测站高度）和地形高度偏差小于50 m的站点,06时地面气温（世界时,下同）预报总体偏低,对地形高度偏低大于50 m的站点（即模式地形低于测站高度）,06时地面气温预报总体偏高;而无论站点地形高度偏差如何,模式对18时地面气温预报总体偏高。三种订正方法中地面气温误差分级法能有效地减小地面气温预报误差,该方法订正后的分析场准确率可达96%~99%,12~48小时时效预报场准确率总体可提升至90%以上,该方法具有回归关系稳定、效果显著、适用性广、简单易行等特点。     

基于环流分型的逐时气温预报技术探讨

论文利用2009年1-2月T213模式产品、30年来的常规观测报文以及场区逐时气温记录,综合运用环流分型和Kalman滤波方法,基于逐月环流型的气温增率建立了场区72h逐时气温释用预报模型,并针对场区2009年3-7月各天72h逐时气温进行了具体的预报。结果表明:Kalman滤波算法能够得到较为精确的温度最值预报,通过环流分型得到的逐时气温预报准确率能够达到73.2%,可以作为逐时气温预报一种较好的方法。     

基于相似天气现象的重庆市逐时气温预报技术研究

利用重庆市2003—2017年34个国家级气象观测站的逐时降水和逐时温度资料，建立了一种基于未来24 h日最高、最低气温和天气现象预报值的逐时气温预报模型。该模型通过搜寻与未来24 h预报值相似的历史天气现象下的气温时间序列，预报给定站点未来1 d的逐时气温。然后运用结合了高程的反距离加权插值法，得到重庆市0.125°×0.125°分辨率逐时气温网格预报产品。2018年逐时气温预报产品的检验结果表明，整体上国家级站点绝对误差≤2℃的逐时气温预报准确率为79.73%～91.40%，均值为87.12%;10月—次年2月的准确率好于3—9月，8月较差。该模型的预报性能在无雨时稳定，有雨时在地形复杂且易出现强降水的重庆东北部地区略差。重庆西部、中部的大部以及东北部偏西地区的网格产品预报准确率较高，而偏南局地山区和偏东部分山区的准确率较低。总体上该方法预报效果较好，预报性能稳定。     

GFS模式地形高度偏差对地面2m气温预报的影响

利用2016年1月1日—12月31日全球预报系统(GFS,Global Forecasting System)1～5 d的2 m气温预报资料,以及同期中国地面气象站2 m气温观测资料,研究模式地形高度偏差对地面2 m气温预报的影响。结果表明,较大模式地形高度偏差可严重影响2 m气温模式预报性能,导致较大预报误差。随着模式预报时效延长,2 m气温预报均方根误差也略有增加。比较模式地形高度偏差和预报时效对于模式预报性能的影响,发现模式地形高度偏差对于模式预报效果的影响更加显著。两种地形订正方案,即不做温度垂直订正的线性回归以及对温度进行垂直订正的线性回归都能显著减小2 m气温模式预报的误差,后者的订正效果更好。     

陕西ECMWF、GRAPES_Meso和SCMOC气温预报的对比检验及订正

利用陕西99个国家气象站2017—2019年日最高(低)气温观测资料,采用一元线性回归和递减平均方法,对GRAPES_Meso、ECMWF和SCMOC的日最高(低)气温预报进行订正,并作对比检验。结果表明,SCMOC、GRAPES_Meso和ECMWF的日最低气温预报准确率较日最高气温偏高,其中SCMOC的日最高和最低气温预报准确率最高,ECMWF次之,GRAPES_Meso最低。一元线性回归和递减平均方法对SCMOC的气温预报订正多为负效果,但对GRAPES_Meso和ECMWF的气温预报订正有明显正效果。订正后ECMWF与订正前SCMOC的预报相比,前者日最高和最低气温的预报准确率偏高。订正后GRAPES_Meso与订正前SCMOC的预报相比,前者日最低气温预报准确率偏低、2018年24 h和2019年24、48 h日最高气温预报准确率偏高。一元线性回归法对模式气温预报的订正能力和稳定性优于递减平均法。     

基于Parsivel天气现象仪资料的郑州“7·20”罕见特大暴雨微物理特征分析

基于2016-2018年ECMWF模式温度预报和浙江省72个国家基本站观测资料,根据温度日变化特征,采用K-近邻(KNN)回归算法进行误差订正,改进浙江省172 h精细化温度预报。在KNN回归算法中,将模式起报时刻的温度视作“背景”,由模式预报减去起报时刻温度消除“背景”影响,得到温度日变化曲线,通过温度日变化曲线构建差异指标,选取历史相似个例。根据历史相似个例的误差特征,对温度预报进行订正,得到改进的温度预报。检验结果表明,KNN方案的温度预报平均绝对误差较ECMWF和30 d滑动平均误差订正方案(OCF)的分别减小26.2%和5.2%;日最高和最低温度预报误差绝对值小于2℃,准确率较ECMWF的分别提高14.8%和4.3%,较OCF的分别提高3.0%和1.3%。KNN方案对地形复杂地区的温度预报改进效果更为明显,对冷空气活动和夏季高温等天气过程预报改善效果也较稳定。     

CMA-GD模式江西省智能网格预报区域2 m气温预报误差分析

利用2020年6月1日—2022年5月31日CMA GD模式2 m气温预报产品（预报时效为13—36 h）和同期江西省智能网格预报区域内地面站气温观测资料,计算气温预报准确率、平均误差和均方根误差,并统计分析其时空分布特征。结果表明： 1）模式预报准确率在不同月份、起报时次存在差异,暖季总体较高,冷季总体较低;暖季08时起报产品的月准确率总体高于20时,冷季反之;秋、冬季旬准确率分布更离散。模式预报产品其准确率明显低于中央气象台和江西省气象台订正产品,需订正后使用。08时起报产品对寒潮的预报效果优于20时。2）气温预报年误差分布存在日变化,最大值出现在08时,最小值出现在15时;年均方根误差峰值出现在15时和06时,白天大于夜间。3）冬季平均误差多为正值,夏季为负值,春、秋季平均误差大小界于冬、夏季之间;白天时段夏季均方根误差最大,夜间时段冬季最大。4）气温预报年误差地理分布特征明显,平原地区预报值偏低,年均方根误差最小;丘陵和山区22 h时效预报值偏高,31 h时效偏低;高山站预报值偏高,年均方根误差最大。丘陵地区负误差最大,平原地区最小;山区正误差最大。     

辽宁地区ECMWF模式气温预报检验及误差订正研究

利用2016—2018年ECMWF细网格模式12—36 h内2 m温度预报产品,选取辽宁地区65个城镇站点观测资料,评估预报产品在不同季节的预报准确率,并按季节分析固定误差订正方法和最优滑动周期订正方法对提高准确率的作用。结果表明：ECMWF模式预报产品对辽宁地区气温预报的准确率表现为,ECMWF模式最高气温冬季预报最优(城镇站点预报准确率为81.5%),最低气温夏季预报最好(城镇站点预报准确率为84.3%);采用最优滑动周期订正后,2016—2018年辽宁地区的最高气温和最低气温准确率较ECMWF模式自身分别提高了19.7%和20.5%,最低气温的预报准确率提高程度优于最高气温;在整个空间分布中,ECMWF模式对辽宁中部平原地区最高(低)气温预报准确率高于东、西部地区,辽宁东北部和西南部以及东南部的长白山余脉影响区域准确率明显低于其他区域。同时,在各季中,最高气温和夏季最低气温的订正预报能力优于其他季节;在地面晴、雨两种特征下,对辽宁地区24 h气温预报进行订正检验表明,该检验结果对辽宁地区最高(低)气温订正有一定补充作用,尤其是冬季降水出现时,最高气温预报补充订正效果最为显著。     

基于莫宁-奥布霍夫相似理论的地面站点风速预报偏差订正

地形不匹配会导致风速预报出现偏差。Monin-Obukhov(莫宁-奥布霍夫)相似理论表明近地面风速垂直变化符合对数率特征,基于相似理论并引入大气稳定度判定因子构建偏差订正方案,将地面风速预报由模式地形订正到实际地形。针对冬季和夏季华北区域内760多个站点进行15 d的批量试验发现,使用订正方案后冬季和夏季00时(世界时)起始预报的模式前12 h风速预报的平均偏差可以降低20%以上,24 h预报偏差降幅也可达到10%以上,不同预报时效内风速的均方根误差可降低5%～8%。说明使用偏差订正方案可以对模式地面风速预报产生明显正效果。     

基于类卡尔曼滤波的哈尔滨智能网格气温预报检验及偏差订正

应用滑动平均（5 d、7 d）、类卡尔曼滤波递减平均两种订正方法对哈尔滨地区国家级指导预报最高（最低）气温产品进行预报能力初步检验及偏差订正。结果表明：两种订正方法对最高气温与最低气温预报产品24-240 h预报时效大部分时段均有正的订正效果,最高（最低）气温预报准确率提高1-2%,平均绝对误差0.1-0.2℃,其中24-96 h预报时效预报能力稍好,120 h之后预报能力较差,订正后预报准确率也不足60%。气温预报偏差还表现为明显的季节变化特征,7-9月最高气温的预报效果优于冬春季,冬半年的订正幅度较夏季稍大。另外,不同天气状况下降水天气对气温预报有一定的影响,如果能进一步改进模式预报中降水带来的偏差,将进一步提高模式订正效果。     

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。     

陕西智能网格气象预报系统(秦智)在佛坪的检验

通过对陕西智能网格气象预报系统(秦智)(下简称秦智系统)的温度、晴雨和暴雨预报准确率检验,发现秦智系统在佛坪地区的日最低气温预报准确率高于日最高气温预报准确率,误差≤2℃的平均准确率日最高气温为51.6%、日最低气温为79.8%,平均绝对误差日最高气温2.4℃、日最低气温1.3℃,说明秦智系统对佛坪地区的气温预报有具有较好的指导作用;日最高气温预报准确率最低的月份是5月、6月和9月、日最低气温预报准确率最低的是1月和4月;晴雨预报准确率最高的月份是10月,最低的是4月;秦智系统在佛坪的暴雨预报24 h TS评分为40%,命中率为50%,且预报时效越长TS评分和命中率越低,空报率和漏报率越高。气温预报准确率和晴雨预报准确率最低的三个站均在北部山区海拔1 000 m以上,说明地形因素对数值预报的准确性有一定影响。     

指导预报检验与订正方法研究

针对中央气象台、山西省气象台下发的2010年精细化城镇指导预报进行准确率、空报率、漏报率检验,发现:中央台降水指导预报的准确率低于省台指导预报,气温指导预报的准确率高于省台指导预报,建立以省台降水指导预报、中央台气温指导预报为基础的地市级预报业务订正流程。分析省台降水指导预报空报漏报原因,结合本地天气形势及地形特点,建立降水、气温及灾害性天气预报指标,并对历史资料进行反查。采用条件概率,将消空率≥80%的预报指标作为消空指标,将预报准确率≥90%的预报指标作为补漏指标,对指导预报建立消空、补漏预报方法,提高市级订正预报准确率。     

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。