基于卷积神经网络的京津冀地区高分辨率格点预报偏差订正试验

为了进一步提高RISE系统高分辨率网格化预报产品的准确率,同时考虑到深度学习近年来在地学领域的有效应用,采用2019—2021年高分辨率RISE系统数据,设计出卷积神经网络模型Rise-Unet,实现了未来4～12 h地面2 m温度、2 m相对湿度、10 m-U风速以及10 m-V风速预报结果的订正。订正试验结果表明,采用均方根误差和平均绝对误差作为评分标准,与RISE原始预报结果相比,基于Rise-Unet模型可以有效提高温湿风预报结果的准确率。该基于深度学习的Rise-Unet偏差订正技术可应用于RISE系统的后处理模块,对提升RISE系统百米级分辨率或其他高分辨率模式系统格点预报水平具有重要的科学意义和应用价值。     

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。     

基于机器学习的复杂地形下短期数值天气预报误差分析与订正

初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。      

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%。     

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。     

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。     

一种偏差订正方法在平昌冬奥会气象预报的应用

为了提高GRAPES_3 km（Global/Regional Assimilation and Prediction System）模式在2018年平昌冬奥会气象服务中的预报能力,采用一阶自适应的卡尔曼滤波方法对GRAPES_3 km模式的2 m气温、2 m相对湿度和10 m风开展偏差订正。结果表明:偏差订正方法明显提高了地面要素的预报效果,其中2 m气温的均方根误差整体减小到2℃左右,站点订正改善率为10%~60%;10 m风速的均方根误差减小到2 m·s-1左右,站点订正改善率为10%~45%;2 m相对湿度减小到20%以下,站点订正改善率为0~20%。与韩国气象厅LDAPS（Local Data Assimilation and Prediction System）及美国宇航局NU-WRF（NASA-Unified WRF）模式相比,GRAPES_3 km模式的风速预报表现更为优异,各站点整体预报效果明显优于LDAPS和NU-WRF模式。偏差订正方法可有效改善模式在复杂地形条件下的预报能力,是提高精细化预报准确率的重要手段。     

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...     

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。     

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CMA-BJ数值预报模式产品的复杂地形下冬奥站点地面气温和风速预报方法研究

北京冬奥服务对站点气象要素预报提出了明确需求,2 m气温预报偏差在±2℃以内,10 m风速预报平均偏差小于观测的30%,文中提出一种基于相似集合嵌套一元线性回归的预报方法—嵌套相似集合（AnEn-Ne）,该方法基于相似集合思路,在满足一定条件时,启动其嵌套一元线性回归提供订正预报。冬奥赛期（2021年11月1日—2022年3月15日）实时业务预报表明,嵌套相似集合具有较好的预报效果,相对业务数值模式（CMA-BJ）预报,预报精度显著提高,相对相似集合预报和一元线性回归预报精度明显提高,其预报结果满足冬奥服务需求。复杂地形下的要素预报检验表明,CMA-BJ模式预报2 m气温虽然存在较明显的系统偏差,但与观测相关较强,对观测的表征意义明显,订正后能有效消除复杂地形影响,10 m风速模式预报偏差振荡明显,模式预报与观测相关较弱,表征意义差,订正后站间差异明显;改进CMA-BJ模式复杂地形区近地面风速预报对观测的表征意义,可进一步提高该预报方法对10 m风速订正预报的精度。     

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。     

基于机器学习的数值天气预报风速订正研究

对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。     

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。      

复杂地形下高精度风场融合预报订正技术在冬奥会赛区风速预报中的应用研究

几乎所有的数值预报模式都存在系统偏差.虽然目前利用统计订正方法降低个别站点的风速偏差已经取得了一些成功,但基于站点的订正具有空间局限性,仍迫切需要基于格点开展复杂地形下高精度风场的融合预报偏差订正.本研究提出了一种复杂地形下北京冬奥赛区不同海拔高度高精度风场的融合预报订正技术.首先利用冬奥山地赛区及周边133个自动气象...     

基于机器学习的模式温度预报订正方法研究

机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。     

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。     

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。     

华东沿海ASCAT反演风速的检验和订正

基于2010—2014年ASCAT反演风速、华东沿海14个浮标站和浙江沿海249个自动气象站资料,对华东沿海ASCAT反演风速进行检验和订正。研究表明:站点ASCAT风速误差不仅与离岸距离相关,而且与站点周围地形有关,误差较大的5个浮标站均位于舟山群岛附近海区,平均偏大4.79 m·s-1,其他海区浮标站的ASCAT反演风速平均偏差仅为0.46 m·s-1。ASCAT反演风速与浮标站风速的线性回归可有效减小反演风速误差,订正后误差大幅减小,误差越大的站点订正效果越好。相距160 km内的浮标站点间风速误差呈正相关,且站点间距越小,误差正相关越明显。考虑带影响半径的反距离权重,采用邻站方程订正法和邻站误差订正法分别对华东沿海ASCAT反演风速进行订正,均能明显减小平均偏差和均方根误差,两种方法订正效果接近,即两种方法均有较好的订正效果,可用于实际业务。     

针对模式风场的格点预报订正方案对比

为了将格点观测融合产品用于模式预报产品的滚动订正中,获得精准的预报效果,使用国家气象信息中心HRCLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）业务系统产生的高频次格点风场融合产品作为实况资料,采用两种风场模型和8种格点误差订正方案,对模式风预报产品进行订正预报试验,试验选择欧洲中期天气预报中心10 m风预报产品的2017年1月1日—2月28日以及2017年6月1日—7月31日两个时间段,进行了预报模拟试验,对8种格点误差订正方案的订正结果进行检验,同时将订正场插值到站点,使用国家级2400个地面气象站风场资料进行站点检验,结果表明:无论从格点还是站点检验的平均绝对偏差、准确率、绝对偏差分布频率结果看,采用基于模式和实况因子的全格点滑动建模订正方案具有最佳的订正效果。