精细化气象要素温度指导预报在山西区域的误差及特征

利用2009-2010年山西区域108站共730天精细化气象要素温度指导预报资料,对比日最高气温和日最低气温的预报误差,采用常规统计、EOF分析等方法研究指导预报误差的时间和空间分布特征,结果表明:山西区域的温度预报准确率比较稳定,但有明显的季节特点,夏季最高,秋季次之、冬春季相对偏低,日最高气温年平均正、负误差略高于日最低气温误差,春季大,冬秋次之,夏季小;正负误差值的空间分布与山西地形有一定的联系,日最高气温和日最低气温误差的分布特点具有明显的全区一致性.     

基于T639数值预报产品的气温本地化应用及检验

基于T639数值预报产品下发的多个物理量资料,利用多元回归方法,开展本地化的分县气温客观预报方法研究,结合常规气象观测资料、美国NCEP/NCAR 1°×1°网格点逐6 h再分析资料,开展业务应用并进行了效果检验,得出以下结论:最低气温预报准确率要好于最高气温,同时夏季的气温预报也明显好于其他季节;在最高气温中对扬中的预报准确率高于其他站点,在最低气温中对丹阳的预报效果相对比较好;客观预报方法存在明显的系统性负偏差,通过使用每个预报时效预报误差的7 d滑动平均进行订正,结果表明通过订正,预报效果有所提高,特别是最高气温订正效果较明显;通过主客观预报准确率的对比分析,发现虽然客观预报对最高气温的预报效果比较差,但是在气温趋势预报上具有一定的参考价值;最低气温客观预报准确率明显高于江苏省的平均水平,和主观预报相比,虽然仍然低于主观预报水平,但是差距不大,基本上可以替代主观预报;分县气温客观预报方法对高温、寒潮等灾害性天气具有一定的预报能力,但是和实况相比,预报强度偏弱.     

川西高原地区SCMOC温度精细化指导预报质量检验及影响因子分析

利用2014~2015年阿坝州13站共730天08:00和20:00起报的SCMOC温度精细化指导预报资料,对比实况日最高(低)气温,进行预报质量检验。结果表明:日最高(低)气温预报准确率与预报时效成反比,两个时次预报的最低气温准确率高于最高气温,且最低气温预报准确率有明显的季节变化。08:00起报的日最低气温多出现负误差,其余预报最高(低)气温多出现正误差。日最低气温预报绝对误差与海拔高度有关。24h最高(低)气温预报绝对误差>4℃样本分析表明,温度平流、大气稳定度与非绝热过程对温度的影响明显,造成气温偏差的主要原因是降水及冷空气影响范围和强度,冷、暖平流影响偏差,高空槽强度和移动偏差等几方面。     

ECMWF模式气温预报在青岛地区的检验与评估

利用2013—2015年ECMWF(简称EC)细网格模式2m气温预报产品,分析了不同季节和不同天气形势下EC细网格模式产品对青岛地区7个基准站逐日最高气温和最低气温的预报性能。结果表明:EC细网格模式2m气温预报误差沿海站点大于内陆站点,且误差随着预报时效的延长逐渐增大。最高气温预报除胶州站外均为负误差,最低气温预报青岛、平度、莱西为正误差,崂山、黄岛、胶州和即墨为负误差。最高气温预报在3—4月和8—9月预报质量不稳定,最低气温预报夏半年好于冬半年。根据模式误差特点,给出7站气温主观订正参考值,订正后最高气温预报准确率提高3%~16%,最低气温预报准确率提高4%~18%。EC细网格模式对于暴雨、强对流、高温晴热、回暖天气、冷空气过程最高气温预报偏低,海雾影响时最高温度预报偏高;对冬季大雾情形下的最低气温预报偏低,辐射降温时最低气温预报沿海站点偏低,北部内陆站点偏高。     

中央气象台精细化预报产品检验及误差分析

2013年7月至2014年6月中央气象台精细化预报产品在汉中市的检验结果表明:一般性降水和晴雨预报准确率较高,有一定的参考价值,暴雨以上降水准确率较低,参考性较差;最低气温预报准确率明显高于最高气温,对本地预报有较好的指导性。气温预报存在季节性误差,最高气温误差夏季大于冬季,而最低气温误差冬季大于夏季。气温预报误差还受天气变化影响,转折性天气时最高气温预报误差较大,晴转阴或晴转小雨时为正误差,晴转明显降水时为负误差,阴转晴或雨转晴时为负误差;11、12、1月晴天时最低气温预报误差较大,基本为正误差,其余月份误差较小且无规律。     

日极端气温的多模式集成预报应用及检验

基于Grapes、T639、ECMWF和JMA精细化数值模式,利用平均集成(EMN)、反误差加权集成(IEWE)、消除偏差加权集成(BRWE)法进行广州5个观测站的日极端气温集成预报研究。结果表明:(1)数值模式对最高气温的预报较为接近,其中Grapes模式的预报效果相对较优;模式对最低气温的预报普遍优于最高气温,ECMWF模式明显优于其余3种数值模式。(2)BRWE的效果最好,尤其对最高气温预报有明显改善,其24~72 h预报效果较最优的Grapes模式分别提高了27.6%、17.1%、9.9%;对最低气温的预报亦有改进,24 h预报误差较最优的ECMWF模式提高12.5%,但48~72 h的改进效果则不明显。(3)集成预报在不同季节的效果有一定差异,在夏秋、冬季节,BRWE的最高气温预报效果明显高于春季;而BRWE的最低气温预报在春、夏季节具有较高的应用价值。     

石家庄温度预报检验及影响因子分析

对石家庄市2004年11月－2008年3月的温度预报进行了质量检验。结果表明：石家庄最低气温和最高气温的平均绝对误差均低于2 ℃,均方根误差低于3 ℃,最低气温预报准确率明显优于最高气温。进而对温度预报误差较大的样本出现原因进行了逐日客观分析,并通过自然正交函数分解（EOF）法,对不同情形下石家庄及周边县站极端最高、最低气温EOF分解特征向量场的变化特征对比,推断出影响气温预报偏差的主要因子大致相同,焚风是导致温度预报出现较大误差的重要原因。     

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。     

三种气温预报产品黑龙江省预报效果检验

利用T639模式预报产品和黑龙江省83个国家气象站气温实况观测资料,采用最优预报因子方法选取预报因子,应用多元回归方法建立逐站日最高气温和日最低气温的MOS预报方程; 对MOS、中央气象台指导预报（SCMOC）和T639三种气温预报产品的日最高气温和日最低气温预报效果进行对比检验分析,并用EOF方法检验预报与实况的时空变化特征一致性。结果表明: 与实况的时空变化一致性方面,MOS和SCMOC较好,T639略差; 预报效果方面,MOS和SCMOC对日最高气温和日最低气温的2 ℃预报准确率普遍高于T639,MOS的预报准确率在日最高气温方面高于SCMOC,在日最低气温方面低于SCMOC; MOS对T639气温预报产品改善效果明显,尤其对冬季日最低气温的预报改善效果十分显著; MOS较T639气温预报改善效果与T639模式预报效果呈负相关关系,主要表现为,MOS预报改善效果在T639预报准确率低的山区明显优于平原,在春、夏季,预报准确率较低的日最高气温明显优于日最低气温,在冬季,预报准确率较低的日最低气温优于日最高气温; MOS气温预报方法的预报性能较理想,SCMOC对黑龙江省预报难度较大的日最低气温预报效果较好。     

利用ECMWF产品对庆阳极端气温释用效果分析

利用CMSVM的回归方法,用2003～2007年的欧洲数值预报格点资料和庆阳市8个自动站极端气温资料建立最高最低气温预报模型.2008年业务运行效果检验评估表明:5 d最高、最低气温综合平均预报准确率达到64%和71%,对实时业务有较好的指导作用.最高、最低气温准确率随着预报时效的延长效果降低,最低比最高气温的预报准确率高.最低气温预报效果春夏季好于秋冬季,最高气温相反.最高、最低气温绝对误差和平均误差都随预报时效的延长增大,最高比最低气温平均绝对误差大,二者的平均误差接近,均为正值,预报值具有偏高的倾向.对9月明显变化过程的评估表明,最高最低气温预报与实况演变的趋势相似.     

香山红叶变色日气象统计预测方法研究

采用香山公园逐日黄栌树叶变色率以及相应的气象资料研究了黄栌树叶变色的气象条件,并建立了香山红叶变色日的气象统计预测模型。(1)黄栌树叶变色与临近几天的温度变化关系非常密切,根据气象条件闭值回报变色目的可信度比较高。(2)黄栌树叶平均变色日是10月4—5日,最早为9月27日,最晚为10月13日。(3)黄栌树叶变色日与7月的最低气温、平均气温和最高气温均存在显著的负相关。值得注意的是,黄栌树叶变色日的年际增量与7月降水的年际增量之间存在显著的正相关。(4)选择7月的平均温度和最高温度的年际增量作为预报因子建立模型,1999—2010年回报的平均误差为3d左右。(5)通过2011年独立样本检验和2012年预报试验的结果,可以认为香山红叶变色日气象统计模型具有比较高的准确率和可操作性。     

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。     

威宁县乡镇最高最低气温分析与预报方法探讨

基于贵州省威宁县2012年12月-2018年8月国家基准气候站(以下简称“国家站”)和52个区域自动观测站(以下简称“区域站”)的逐日最高最低气温资料,采用统计学方法和加权最小二乘法,分析威宁县近几年来最高最低气温的变化特征及国家站和部分区域站最高最低气温的相关性。结果表明:四季中,最低气温存在稳定的低值中心和高值中心,而最高气温只存在稳定的高值中心。春、夏、秋季的最高最低气温和冬季的最低气温分布与地形基本一致,但冬季的最高气温分布受地形和滇黔静止锋共同影响却有所变化。根据拟合方程得出的各乡镇气温预报值比直接用EC模式的预报值准确率更高,其误差值≤|2|℃。随着方程相关系数的减小,预报准确率相应降低,误差范围对应增大,预报准确率的高低与相关系数的变化具有一致性。     

河北省高速公路路面温度变化特征及预报模型

利用2010年1月至2011年12月邯长、京秦高速公路涉县、玉田南北2监测站和所在气象站观测资料,统计分析南北2站路面温度与气温的日变化特征及路面最高温度与气象因子的关系,基于多元回归分析方法建立逐月路面温度预报方程,并进行精度检验。结果表明,路面温度的日变化不但与季节、天空状况有关,还与地理位置密切相关。路面最高温度受多种气象因子的影响,与前一日路面最高温度、最高气温、能见度呈显著正相关,与总云量、低云量、相对湿度呈显著负相关,其中与最高气温的相关性最显著;路面最低温度与最低气温呈显著线性相关。基于路面最高温度预报方程的检验精度,玉田站年平均为77.5%,涉县为79.2%,可为今后路面最高温度预报提供参考。     

哈尔滨气温的长期变化及基本态特征

利用1881—2009年的气温观测资料,研究了哈尔滨年及四季平均气温的气候基本态和气候变率特征。结果表明,20世纪80年代以来哈尔滨夏季气温变化的异常程度显著增加。在冬季,近期哈尔滨气温处于暖背景及小变率的时段,反映了哈尔滨很长时间内大多数年份还将维持暖冬天气。近49年哈尔滨平均气温、平均最高(低)气温和平均日较差的时间变化特征显示,哈尔滨的年及四季平均气温都呈上升趋势,冬季增暖幅度最大;最高(低)气温变化趋势与平均气温一致,但无论年及四季,平均最高气温的变化速率都小于平均气温,平均最低气温的变化速率都大于平均气温。     

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。     

华南3 km高分辨率区域模式气温预报在贵州的质量检验

利用2018年1—10月华南3 km区域高分辨率模式08时、20时起报的气温预报和实况资料,采用线性内插法进行站点预报值处理,并从平均均方根误差及预报准确率的角度,检验分析了贵州省72 h预报内逐24 h最高(低)气温预报质量。结果表明,72 h内随着预报时效的增加,预报准确率差异较小;日最低气温预报准确率相对最高气温平均高出20%左右;08时起报的最高(低)气温预报优于20时的。同时发现,最高(低)气温的预报能力在月份上存在明显差异,6—8月预报性能总体优于其它月份;在24~48 h预报中,东北—西南向一带较贵州其它区域展现出更高的预报能力。在9个主要城市站上,最高(低)气温均表现出较高的预报技巧,其中,20时起报的兴义站24 h最低气温准确率100%。通过对2018年7月18日气温预报质量检验,最高(低)气温及35.0℃以上高温事件预报准确率均在80%左右,较好反映了天气实况。因此,华南3 km高分辨率区域模式对贵州气温预报具有较好的参考价值。     

Evaluation of the CORDEX regional climate models performance in simulating climate conditions of two catchments in Upper Blue Nile Basin

This study was targeted at evaluating the performance of six Regional Climate Models (RCMs) used in Coordinated Regional Climate Downscaling Experiment (CORDEX). The evaluation is on the bases of how well the RCMs simulate the seasonal mean climatology, interannual variability and annual cycles of rainfall, maximum and minimum temperature over two catchments in western Ethiopia during the period 1990–2008. Observed data obtained from the Ethiopian National Meteorological Agency was used for performance evaluation of the RCMs outputs. All Regional Climate Models (RCMs) have simulated seasonal mean annual cycles of precipitation with a significant bias shown on individual models; however, the ensemble mean exhibited better the magnitude and seasonal rainfall. Despite the highest biases of RCMs in the wet season, the annual cycle showed the prominent features of precipitation in the two catchments. In many aspects, CRCM5 and RACMO22 T simulate rainfall over most stations better than the other models. The highest biases are associated with the highest error in simulating maximum and minimum temperature with the highest biases in high elevation areas. The rainfall interannual variability is less evident in Finchaa with short rainy season experiencing a larger degree of interannual variability. The differences in performance of the Regional Climate Models in the two catchments show that all the available models are not equally good for particular locations and topographies. In this regard, the right regional climate models have to be used for any climate change impact study for local-scale climate projections.