年际增量方法在西南夏季降水预测中的应用

利用中国西南地区80站逐月降水资料及NCEP/NCAR再分析资料等,采用降水预测新方法——年际增量法,考察影响中国西南地区夏季降水年际增量的前期冬、春季大气环流年际增量状况,并选取5个关键影响因子,采用多元回归法建立中国西南夏季降水年际增量预测模型。对降水年际增量进行预测,在1971—2010年的建模阶段,预测模型的拟合率为0.78,在2011—2017的后报检验7年中,有6年与实况值同位相。后报检验2011—2017年的降水距平百分率,均方根误差为16%。为考察对降水异常分布型的预报效果,逐站建立回归方程,并进行趋势预报检验,近5年的趋势异常综合评分高于发布预测,预报效果较好。因此,该方法的应用及模型的建立对提高西南地区夏季降水预测水平有重要意义。      

2005年AREM模式汛期试验结果评估分析

AREM2．3模式2005年在中国气象局武汉暴雨研究所汛期试验过程中计算稳定，计算了该模式降水预报的分区域（长江中下游、华南、华北、东北、西南、湖北省）汛期（6、7、8三个月）TS评分，全国范围汛期漏报率、空报率、预报偏差，及各区域年内重要降水过程预报和实况的对比及TS评分，计算该模式形势场预报的平均误差、均方根误差、倾向相关系数、误差标准差，并与持续性预报（将前一天的分析场当作前一天对当天的预报场，以此类推）对比，以此对模式预报效果进行分析、评估，并做出总结，为模式的进一步开发和应用提供参考。分析结果表明：AREM2．3模式在2005年汛期试验期问48小时内预报稳定；对于长江中下游、华北、华南、东北、西南、湖北省以至全国范围均有较好的预报水平，但总体上对于强降水中心位置的预报情况不是很好；模式对于高空形势场也具有较好的预报能力，对500hPa位势高度的预报好于对500hPa温度的预报。     

概率匹配订正法在湖北襄阳地区降水预报中的应用

数值预报产品在天气预报预警中有着重要的作用。2016—2020年汛期ECMWF模式预报降水与湖北襄阳区域站观测降水的对比分析表明：ECMWF对中雨及以上降雨的预报，第1、2天预报偏小，而第3天预报偏大；三个预报时段强降雨中心位置偏差无规律。为了更好地对ECMWF产品进行释用，提高汛期降水预报准确率，从概率匹配角度研究了不同降水量级订正值，并对2021年汛期ECMWF降水预报进行逐日检验。结果显示：概率匹配订正法可有效地改善模式预报性能，对中雨及以上降雨预报均有良好的订正效果，尤其对第1天暴雨预报改进最为明显。228站平均的TS评分提高了6个百分点，由11.1%增加到17.1%，漏报情况改良了13.5个百分点，由85.0%降为71.5%。采用该订正法开展定量降水预报，由于增加了当地降雨概率分布的背景信息，能表现出比原模式更高的参考价值。     

舟山市汛期降水量预报方法

利用基于预测误差平方和 ( PRESS)准则的逐步回归分析和基于残差平方和( RSS)准则的逐步回归分析建立了舟山市 3个县区站汛期 ( 5～ 9月 )降水量的预报模型 ,并对两种方法的预测结果进行预报集成 ,经试报和预报检验表明 ,该模型的预测效果较好     

基于偏最小二乘法的前汛期月降水量预测方法

采用偏最小二乘回归建立了前汛期(4-6月)月降水量的预测模型,其中模型的输入因子是通过对3个前期月平均物理量场(海温场、500 hPa温度场和200 hPa高度场)大量的场相关因子采用系统降维的处理方法获得.为实现同时对多个站点的月降水量预测,将多站点的月降水量预测转换成多站点气候场的主分量预测,进一步利用气候场特征向量的近似不变性进行回算,从而得到多站点的逐站月降水量预测结果.对广西37个基本站的前汛期月降水量进行了6年独立样本检验,其预报结果显示该模型具有较好的预报能力.     

西南地区雨季降水的时空分布及预报试验

利用西南三省一市1980—2017年逐日降水资料,采用主成分及旋转主成分分析,对西南雨季降水的空间异常特征进行了研究,并在分区的基础上,探讨了各区降水的时间演变特征,最后运用均生函数建立预测模型,进行预报试验。结果表明:西南地区雨季降水空间差异大,具体可分为6区;各区雨季降水量的时间演变均具有显著年际、年代际变化特征,且近年来西南大部分地区雨季降水量减少、降水异常偏少年出现的频次增多;预报模型对于雨季降水的拟合和预测效果均较好。     

投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究

以1962—2006年粤北地区7个站4—6月前汛期降水量资料为基础,将前汛期降水量与74项环流指数资料进行灰色关联度分析,确定了影响粤北地区前汛期降水量的16个关键环流指数因子,分别应用投影寻踪回归、BP神经网络和逐步回归方法,建立前汛期降水趋势预测模型,对粤北地区前汛期降水趋势进行预测。结果表明:投影寻踪回归和BP神经网络方法的预测能力均优于传统的逐步回归模型。其中,PPR模型比BP神经网络方法的预测效果更好。     

华北及周边地区夏季分区客观降水预报

在降水客观分区的基础上,对华北及周边地区进行夏季降水预报。利用2006—2008年的6—8月T213资料和相应时段的实况资料,通过概率回归降水等级方案建模,对2009年和2010年6—8月进行了试报。结果表明:分区建模的降水预报与单站建模预报相比,TS评分在不同时效、不同量级上均有提高,并且在空报和漏报上有较大改善,特别是大量级降水预报改善明显。从因子分析上看,分区建模较单站建模所选因子更丰富,利用了模式产品的有用信息,因此做出了更好的预报。分区建模与模式降水预报的对比分析表明:分区建模的降水预报效果好于模式直接降水预报,空报现象改善明显。     

四维变分资料同化

本文选用数值预报产品与朔州市6区(县)夏季(6月至8月)降水资料。采用最优子集圆归方法。研究朔州市分县分级降水预报指导产品。用以提高朔州市汛期降水天气的客观预报水平。     

西南夏季降水多因子降维客观预测方法研究

本文改进了现有的多模态时间稳定性判别标准,提出一种筛选稳定高相关预测信号的思路,对1981～2016年西南夏季降水距平百分率多模态的时间稳定性、时空特征和可预测模态关键信号等进行了分析研究,在此基础上构建了多因子降维预测模型。结果表明,前9个模态在预测时效为3年和近10年内稳定,累计方差贡献率占70%,是西南夏季降水的主要模态。结合稳定高相关概念和最优子集回归方法得到主模态PC（Principal Component）系数的最优预测信号和预测方程。回报检验结果表明,各方程对PC系数有较好的拟合效果,复相关系数为0.62～0.84,均通过了99.99%的显著性检验,同号率均大于69%。构建的多因子降维预测模型对西南夏季降水的空间分布,正负趋势和异常级有较好的回报效果:距平相关系数（Anomaly Correlation Coefficient,简称ACC）平均值为0.58;时间相关系数（Temporal Correlation Coefficient,简称TCC）在除零星站点外的整个区域通过90%的显著性检验,且大部分区域通过99.9%的显著性检验;趋势异常综合评分（PS）平均分为84,其中区域降水最异常的十年,PS平均分为87.1。经过13年（1971～1980年和2017～2019年）的预报检验,该模型的PS平均分为72。其中2017～2019年的PS均分为77,优于发布预测评分。     

江西及其临近区域同化系统中不同季节背景误差协方差特征及其对降水预报影响

在不同季节背景下,对比分析多元变量相关的背景误差协方差特征,了解其在天气过程中的作用,可以改进同化系统性能,提高降水数值预报水平。对比分析汛期和非汛期江西及其临近区域多元变量相关的背景误差协方差特征,分别选取2019年汛期和非汛期的2次降水过程,设计2组循环同化试验,探讨多元变量相关的背景误差协方差对江西降水预报效果的影响。结果表明,相较于非汛期,汛期分析变量对风场、温度场和水汽场的贡献值整体上要更大,且汛期各个控制变量的背景场误差更为显著。多元变量试验的降水预报评估效果整体上更好,其汛期预报效果改善更显著。汛期与非汛期的多元变量试验降水预报结果更接近实况,且相对非汛期降水而言,汛期多元变量试验模拟效果更好,模拟的降水分布及强度与实况更为接近。     

基于粒子群优化的多指标组合算子的大气污染预报模型

根据多指标组合算子法建立了大气污染物浓度预报的参数模型,并采用一种新颖的粒子群优化算法对大气污染物浓度预报模型中的参数进行优化。通过实例计算,该模型同线性回归、模糊模式识别、参数化组合算子方法进行了结果比较,结果表明,所建立的模型比前三种方法平均误差率小,吻合度好,具有较好的预测效果。     

2013年汛期华中区域业务数值模式降水预报检验

为充分了解华中区域中尺度业务数值预报模式更新为WRF后的预报性能,对该模式2013年汛期24 h和48 h的累积降水预报产品,采用TS评分、预报正确率、漏报率、空报率、偏差及ETS评分等统计量对其进行了较详细的评估。结果表明：从日平均降水率分布来看,24 h预报的降水中心位置和强度与实况更接近,48 h的预报明显偏大、偏强;汛期总体降水检验表明,该模式的降水预报以偏大为主,随着降水量级的增大,TS和ETS评分逐渐减小,且ETS评分逐渐靠近TS;逐月降水检验结果发现,该区域汛期月晴雨预报正确率与雨日率呈正相关;通过梅雨期WRF与GRAPES_Meso的预报对比检验可见,两个模式都表现出了较好的预报性能。值得指出的是,随着降水量级的增大,WRF模式降水预报优势逐渐显现。总的来说,该模式的降水预报产品具有一定的参考价值。     

基于智能计算的广西冷湿极端天气定性和定量组合预报方法研究

论文以逐日气温和降水量数据、NCEP/NCAR再分析资料以及预报场资料为基础,将表征冬季低温冷害的冷湿指数作为预报量,先利用随机森林方法进行冬季逐日冷湿极端天气定性判别预报分析,再进一步以粒子群算法为基础的模糊神经网络集成个体生成技术方法,建立一种新的非线性智能计算定量集成预报模型（PSO-FNN）,进行了广西冷湿极端天气定量预报模型的预报建模研究。结果表明,论文提出的这种以不同的智能计算方法构建的定性、定量综合预报分析方法,比较符合极端天气小概率事件的预报特点,其中随机森林算法构建的定性预报模型,对广西冷湿极端天气事件的预报TS评分（Threat Score）为0.77,空报率为0.23,漏报率为0,ETS评分（Equitable Threat Score）为0.41,TSS评分（True Skill Statistic）为0.53。而采用粒子群—模糊神经网络方法构建的极端冷湿指数定量集成预报模型比其他线性和非线性预报模型具有更好的预报精度。其中PSO-FNN集成预报模型在预报建模样本和独立预报样本个例相同的情况下,比回归方法的预报平均绝对误差下降了25%以上,比一般的普通模糊神经网络预报平均绝对误差下降了14.37%。主要原因是因为PSO-FNN集成预报模型通过改进集成个体的预报能力和增强集成个体的种群差异性,提高了集成预报模型的预报精度。因此,该智能计算集成预报模型的泛化能力显著提高,预报结果稳定可靠,为冷湿极端天气客观预报提供了新的预报工具和预报建模方法。     

GFS预报产品在阿勒泰地区汛期降水预报中的应用检验

采用GFS（全球预报系统）产品预告图形资料,对阿勒泰地区2007-2008年汛期降水过程的预报能力进行统计检验,结果表明：GFS预报产品对汛期降水预报有一定的指导意义。     

两种短期降水集合预报方案的对比试验

将MM5V3作为试验模式,利用初值扰动和物理参数化方案,分别对东南沿海地区2004年7—9月的短期降水进行了模拟,并运用均方根误差法对模拟试验效果进行了评估检验,以比较两种方案的集合预报效果。结果表明,对于汛期短期降水预报而言,两种方案的预报效果都有一定的改进。相对于初值误差而言,积云对流过程在汛期降水过程中起着更为重要的作用,因而物理参数化方案扰动的集合预报效果,总体优于基于初值扰动的集合预报效果。研究还发现,模式物理参数化方案扰动的集合预报效果在9月出现了明显的下滑,这主要由于7—8月对流活动旺盛,而9月对流活动随热力因素减弱而减弱的原因所致。     

基于BPSO-NBayes的雷暴释用预报技术研究

提出了一种新的雷暴预报法,即二进制粒子群-朴素贝叶斯分类器(Binary Particle Swarm Optimization-Naive Bayesian Classifiers,BPSO-NBayes)方法,以福州、连城、宁波3站为例,对使用T511数值预报产品站点的雷暴释用预报技术进行研究。利用2010—2014年T511数值预报产品和单站观测资料,使用BPSO-NBayes方法,建立了0~72 h雷暴预报模型,并与Fisher判别准则和Bayes判别准则进行比较。预报结果表明,BPSO-NBayes模型临界成功指数都在0.29以上,平均值达到0.33以上,是3种方法中最好的,空报率都在0.59以下,漏报率在0.60以下,而且变化幅度很小。BPSO-NBayes模型明显优于Fisher判别准则和Bayes判别准则,具有良好的稳定性和预报能力。     

基于ECMWF细网格模式产品的湿螺旋度在四川盆地强降水预报的应用试验

利用欧洲中期数值预报中心(ECMWF)高分辨率预报场(0.25°×0.25°)资料以及四川省加密自动站降水量资料对2011年汛期7—9月和2012年5—7月共计20例强降水个例进行湿螺旋度指标的统计分析,分别归纳总结出6和24 h内强降水发生发展及落区分布的判据指标。利用这些判据指标对2012年8月30日至9月1日及9月8日发生在四川盆地的两例强降水过程及2013年汛期6—8月暴雨个例进行检验并在汛期投入了业务预报工作。检验结果表明:低层700或850 hPa湿螺旋度正值区的分布对强降水落区分布指示较好;当强降水发生时,24 h时效预报的24~48 h 3 h间隔预报场湿螺旋度数量值超过了指标值并持续了2个时次以上,达到了强降水发生的要求;零场预报的0~24 h及12 h时效预报的12~36 h间隔3 h预报场任一时刻湿螺旋度数量值达到了6 h指标判据值,对其后6 h的暴雨落区有较好的指示作用,可作为短时临近预报的业务参考;湿螺旋度订正预报暴雨发生的TS评分远高于ECMWF模式,预报效果好。     

Statistical Downscaling of Pattern Projection Using Multi-Model Output Variables as Predictors

A pattern projection downscaling method is employed to predict monthly station precipitation. The predictand is the monthly precipitation at 1 station in China, 60 stations in Korea, and 8 stations in Thailand. The predictors are multiple variables from the output of operational dynamical models. The hindcast datasets span a period of 21 yr from 1983 to 2003. A downscaled prediction is made for each model separately within a leave-one-out cross-validation framework. The pattern projection method uses a moving window, which scans globally, in order to seek the most optimal predictor for each station. The final forecast is the average of the model downscaled precipitation forecasts using the best predictors and is referred to as DMME. It is found that DMME significantly improves the prediction skill by correcting the erroneous signs of the rainfall anomalies in coarse resolution predictions of general circulation models. The correlation coefficient between the prediction of DMME and the observation in Beijing of China reaches 0.71; the skill is improved to 0.75 for Korea and 0.61 for Thailand. The improvement of the prediction skills for the first two cases is attributed to three steps: coupled pattern selection, optimal predictor selection, and multi-model downscaled precipitation ensemble. For Thailand, we use the single-predictor prediction, which results in a lower prediction skill than the other two cases. This study indicates that the large-scale circulation variables, which are predicted by the current operational dynamical models, if selected well, can be used to make skillful predictions of local precipitation by means of appropriate statistical downscaling.     

2004年汛期(5～9月)主客观降水预报检验

随着气象事业的发展，天气预报的质量越来越依赖于数值预报产品的性能。预报产品检验是评价预报质量和提高预报水平的有效手段。针对2004年汛期（5～9月）中央气象台预报员及T213、HLAFS25、MM5、GRAPES、日本及德国等国内外数值预报模式短期时效的降水预报做了详细的统计学检验。检验结果表明，对于汛期平均而言，各模式与预报员的小雨预报较好，随降水量级的增加TS评分迅速下降，国内外数值预报模式之间降水预报水平差别不大，预报员与模式相比水平略高；但对于过程预报而言，过程不同，各模式和预报员的表现不同，预报员和MM5对河南暴雨预报较好；GRAPES和日本模式对台风暴雨预报略好；T213对于四川东部暴雨的大量级降水预报较好；无论是预报员，还是数值预报模式，北京暴雨的预报是一个典型的失败个例。同时，我们也发现检验系统存在一些问题，有待今后逐步改进。