福建省ECMWF细网格模式2 m温度预报误差分析与订正

选取2022年1月1日—12月31日ECMWF细网格模式2 m温度预报24 h以内预报时效产品和对应时次的福建省70个国家站观测资料进行分析,采用ARIMA(差分自回归移动平均)模型和双权重ARIMA模型分别对2 m温度预报产品进行偏差订正,并对订正前后的结果进行对比分析。结果表明：1) ECMWF模式2 m温度预报在福建省主要呈现冷偏差,随着预报时效的增加,均方根误差和准确率随之变差;分别用两种模型进行订正,平均绝对误差由2.1℃以内减小到1.6℃以内,均方根误差从2.5℃以内降低到2.1℃以内,且偏差越大,订正效果越明显。2) ECMWF模式2 m温度逐月预报效果差异较大,订正后各评价指标均有显著改进,各月平均误差在-0.5—0.5℃。3) ECMWF模式2 m温度预报偏差主要表现为福建东部沿海小、中西部较大;订正后平均绝对误差和均方根误差减小至2℃以内,且对高海拔地区的站点改善效果更加明显。与ARIMA模型相比,双权重ARIMA模型订正后平均绝对误差与均方根误差更小、准确率更高,订正效果更好。     

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。     

TIGGE技术对西南地区地面要素预报性能的分析

基于TIGGE中欧洲中期天气预报中心和美国国家环境预报中心全球集合预报系统(EC_GEPS和NCEP_GEPS)的2016年1月1日—2017年12月31日连续2 a的预报资料,对两套系统在西南地区10 d以内的2 m温度和24 h定量降水预报进行检验评估和综合分析。2 m温度预报检验结果表明:EC_GEPS和NCEP_GEPS的2 m温度控制预报和集合平均预报的均方根误差均普遍偏高且NCEP_GEPS总体而言优于EC_GEPS;两套系统集合平均均方根误差相对于控制预报改进不明显;集合离散度均明显偏低;Talagrand分布均呈现出非常明显的"J型"分布特征,Outlier评分普遍偏高且EC_GEPS的Outlier评分明显低于NCEP_GEPS;从集合最小值到集合最大值,随着集合百分位的增大,各个预报时效的均方根误差逐渐减小,集合最大值预报技巧最高。降水预报检验结果表明:EC_GEPS和NCEP_GEPS的24 h定量降水预报的Talagrand分布总体而言均呈现出"L型"分布特征且NCEP_GEPS更加明显;NCEP_GEPS各个预报时效的Outlier评分均普遍偏高且明显高于EC_GEPS;EC_GEPS的降水概率预报技巧明显优于NCEP_GEPS;EC_GEPS的70%集合百分位预报技巧最高,NCEP_GEPS的80%集合百分位预报技巧最高。EC_GEPS和NCEP_GEPS在西南地区的2 m温度预报和降水预报均存在一定的系统性误差,进行相应的集合预报系统性偏差订正应该能较好地改进预报技巧。     

ECMWF模式的延伸期日最高气温预报偏差估计及订正分析

使用欧洲中期天气预报中心（ECMWF）的20年集合预报回算数据，检验分析了延伸期第16天至第30天预报时效其对我国日最高气温的预报性能。结果表明，西部地区预报误差明显大于中东部地区。全国平均而言，模式预报较实况偏低1.1℃~1.39℃，均方根误差为4.6℃~4.9℃。进一步分析指出，第16天均方根误差最小、且随着时效的延长其略有增大。夏季模式预报效果最好，春季和秋季的部分时段预报效果较差。基于历史偏差订方法，本文还对2018年6月至2019年6月的日最高气温预报进行了误差订正试验。结果显示，订正后的预报准确率提升了15.2%~19.2%。聚焦2018年7月的一次中东部地区大范围高温过程，模式原始预报明显低估了高温强度，订正预报更接近实况，显示其具有一定的订正效果。     

基于SCMOC的贵州最高气温预报方法研究

为探究最高气温预报准确率偏低这一现象,采用2013—2018年SCMOC精细化指导预报资料及气象站观测资料,对贵州省85站24～72 h最高气温预报开展研究。通过建立横向预报模型(F1)、纵向预报模型(F2)以及横向与纵向预报相整合的预报模型(Fzh),对贵州日最高气温进行预报试验。结果表明,无论平均均方根误差还是预报准确率,各模型预报效果均有不同程度改进,三种客观订正预报中Fzh表现最优;相对于SCMOC,F1春、夏季的预报优于秋、冬季,且贵州省北部地区改进较南部明显,F2四季均有改进,总体较平稳;Fzh预报结果明显优于F1和F2,均方根误差得到明显改善,平均RMSE下降1.0～2.0℃,准确率平均提高11%～13%。     

BJ-RUC产品在小区供暖供回水温度预报的应用研究

利用气象部门快速更新的BJ-RUC(Beijing-Rapid UpdateCycle)数值预报系统获得的24 h逐时的室外温度预报资料,应用能量平衡原理,建立建筑物热损失方程和供热量方程,从而推导出室外温度和室内温度、供水、回水温度的预报模型。用此模型对2010年3月1—15日期间的供、回水温度进行预报模拟,与北京市海园物业供热单位实况值进行对比分析。检验结果表明,该模型模拟的室内温度与设计要求的室内温度(20℃)之间的均方根误差为0.25℃,海园物业室内温度监测点数值与20℃之间的均方根误差为1.53℃。模拟的供、回水温度与海园物业监测点供水温度的均方根误差分别为3.69℃和3.80℃。     

ERA5再分析资料在辽宁省的适用性分析与订正

为系统研究ERA5再分析资料在辽宁省的适用性，本文基于近10a辽宁省62个地面站和9个探空站（省内4部，省外5部）资料，提取了温度、湿度、气压、风场等业务和研究中常用物理量，采用统计分析方法对ERA5资料在辽宁省的适用性进行了分析，并尝试使用机器学习的方法订正ERA5资料的偏差。结果表明：在地面观测要素分析中，2 m温度相关系数普遍较高，均方根误差普遍偏低，辽河流域及其西侧地区效果好于其他地区；10 m风速对比结果总体稍差，U分量相关系数总体低于V分量；ERA5资料质量有明显的月变化特征，相关系数总体呈现春秋季节高于夏冬季节，且相关系数总体较高的季节，均方根误差也普遍偏高。在高空观测要素分析中，辽宁中部地区的数据质量要高于东西部两地区，温度的平均相关系数最高，相对湿度相关系数平均较低，均方根误差总体较大；相对湿度的相关系数在春夏之交时最低，夏季上升较快，夏秋之交时达到最高，相关系数快速上升的月份，均方根误差也呈现出快速上升的趋势；高空U风场和V风场的均方根误差总体相差不大，且均方根误差月变化相一致，总体经向风（V风场）质量低于纬向风（U风场）。通过机器学习的订正方法有效提升了地面温度和相对湿度的应用能力，使ERA5地面温度资料的均方根误差缩小0.5～1.0℃，使地面相对湿度资料的均方根误差缩小最高可达26%。     

雷达资料快速更新四维变分同化中增加地面资料同化对强对流临近数值预报的影响

基于雷达资料快速更新四维变分同化（RR4DVar）技术和三维数值云模式发展的快速更新雷达四维变分分析系统（VDRAS）,通过在系统中加入地面自动气象站观测资料的同化方法,对发生在北京地区的10个强对流过程开展了地面资料同化的高分辨率模拟分析和检验评估,并与已经业务使用的地面资料融合方法进行对比。研究结果发现,地面观测资料同化使边界层1 km高度以下的分析场改善最为明显,风速和风向的均方根误差分别平均降低0.1 m/s和7.2°,温度的均方根误差降低0.2℃。模式最低层100 m高度的风速均方根误差降低0.5 m/s,风速的误差随高度上升逐渐增大。模式最低层风向的均方根误差降低15.5°,温度的均方根误差降低0.4℃,且1.5 km高度以下的温度偏差都减小。区域内地面10 m高风速的均方根误差平均降低0.2 m/s,风向的均方根误差降低10.8°,地面2 m气温的偏差也降低。随着预报时效的延长,地面温度和风场的误差不断增大,但地面资料同化方法在一定程度上可以提高1 h内地面气象要素的预报效果。对2019年5月17日北京地区局地强对流新生和增强过程的详细分析表明,地面自动气象站观测资料的同化方法相对于融合,可以通过更细致准确地分析低层大气的热动力特征,改善低层气象要素的预报效果。在此基础上,通过探究对流单体的局地触发机理发现,海风锋辐合线与城市的相互作用一定程度上影响了对流的局地新生和发展,该同化方法可以进一步提高北京地区局地突发强对流的临近数值预报能力。      

昌吉州主客观温度预报检验及业务应用

该文对2013年昌吉州区域3种主客观温度预报产品进行质量检验,预报时效24 h、48 h、72 h;对温度预报误差≤2℃的百分率(准确率)、平均绝对误差、均方根误差统计检验。对预报员和模式预报产品的质量、技巧评分进行对比分析。结果表明:预报员的24 h预报质量略优于模式的预报质量。48~72 h最高温度预报质量,EC细网格预报最好。分析主客观预报质量的月变化和站点变化,为业务工作中的参考权重提供依据。提出了选取最优订正值订正客观预报系统偏差的方法(预估若干订正值,分别计算每个订正值在一段时间内的平均绝对误差和准确率,选取其中平均绝对误差最小且准确率最高的订正值),并通过制作相应软件投入业务运用。     

三种数值模式气温预报产品的检验及误差订正方法研究

基于德国天气在线T7online(简称T7)、ECMWF细网格(简称EC)及T639三种数值模式的气温预报产品,结合本溪站气象观测资料,对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析,根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明:对于气温预报的年检验,T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率;对于气温预报的月检验,三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季,而对于最高气温的预报,T7的气温预报准确率明显优于EC和T639模式;当气温波动较大时,三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内,对最高气温的预报准确率存较大差别,T7模式最高气温的预报误差最小,T639模式气温预报的系统偏差最明显,最低气温系统偏差为-1.34℃,最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征,结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正,订正后气温平均绝对误差由2.40℃左右降至1.40℃左右,系统偏差和均方根误差均明显缩小,气温预报准确率由50%左右提高至80%以上,数值模式气温预报准确率明显提高,具有较好的应用价值。     

中国地面气温统计降尺度预报方法研究

利用中国752个基本、基准地面气象观测站2000—2010年地面温度日值数据,采用具有自适应特征的Kalman滤波类型的递减平均统计降尺度技术,对中国地面温度进行精细化预报研究。分析该方案的降尺度效果,并与常用插值降尺度方法进行比较。结果表明:1)递减平均统计降尺度技术相比插值方法有较大的提高,显著减小东西部预报效果差异,1~3 d预报的均方根误差减小了1.4℃;2)该方案1~3 d预报的均方根误差为1.5℃,预报误差从东南地区(均方根误差为1.4℃)向西北地区(均方根误差为1.8℃)逐渐增大,并且预报效果夏季优于冬季。因此,递减平均统计降尺度技术对中国地面温度进行精细化预报是可行的。     

卫星区域大气探测业务处理系统

本文简要介绍目前卫星区域大气探测资料业务处理系统的软件结构、算法和生成的产品。将系统处理结果与常规观测值作比较分析的结果表明:大气温度反演平均均方根误差为2.45 ℃，水汽混合比平均均方根误差为1.47 g/kg，层平均厚度误差为21.4位势米，臭氧总含量均方根误差约为10%（Dobson），长波辐射通量均方根误差约为1.7 W/m2。     

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。     

基于INCA和METRo的江苏省路面高温精细化预报

使用INCA（Integrated Nowcasting through Comprehensive Analysis）多源资料融合分析和短临外推预报系统的预报结果作为气象强迫场,驱动一路面温度理论预报模型（Model of the Environment and Temperature of Roads,METRo）,开展江苏省高速公路夏季路面高温预报试验,并使用公路沿线逐小时的路面温度观测资料对预报结果进行检验。结果表明:该预报方法能够较好地预报出高速公路沿线日最高路面温度的逐日变化趋势,以及日最高路面温度的大范围空间分布特征。平均日最高路面温度预报绝对偏差为4.1℃,平均相对偏差为10.8%。其中,日最高路面温度预报绝对偏差在5℃以内的站次占总数的64.5%,相对偏差在15%以内的站次占总数的74.6%,比常规业务预报方法分别提高了23.1%和25.3%。但该预报方法对较小的温度波动以及局地性较强的极端温度分布特征的预报技巧还需进一步提高。     

青岛市供热期最高与最低气温的客观预报方法研究

冬季最高与最低气温的准确预报可以让供热公司调节燃煤使用量,达到节能减排的目的。首先基于WRF（Weather Research and Forecasting）模式构建一个区域大气实时预报系统,然后建立客观预报方程对WRF预报气温进行修订,利用2011—2012年供热期（12月—3月）预报与观测数据开展青岛站最高与最低气温客观预报方法研究。供热期内气象部门日最高与最低气温预报的均方根误差（RMSE）平均为3.6 ℃,而WRF预报平均约为2.0 ℃,减小了44.4%;地面风与温度平流的相关性分析确定温度平流是导致WRF预报气温误差的一个显著因素,利用统计获取的南北方向温度平流和RMSE建立方程并应用于2011年供热期,相对于气象部门预报,1—3月RMSE改进率基本在50.0%以上。文中提出的客观预报方法可以运用于其它站点进行不同供热片区的温度预报服务。     

ECMWF模式对2020年冬季广东气温预报的时空检验

利用2020年广东省冬季气温观测资料、业务常用评分方法对ECMWF模式24～48 h预报时效内的最高、最低气温预报进行检验评估.结果表明:(1)ECMWF模式较好预报了气温的时间变化趋势,日最高、最低气温预报平均绝对误差分别为1.95和1.42℃;(2)ECWMF模式最高气温预报普遍偏低,最低气温预报误差普遍在2℃以内...     

重庆中尺度集合预报系统预报性能分析

本文利用2017年6～8月重庆中尺度集合预报系统逐日20时起报的预报资料及相应的观测资料对该系统的预报性能进行了综合分析,结果表明:500hPa位势高度、850hPa温度和2m温度的集合平均预报的均方根误差均优于控制预报,集合离散度均明显低于集合平均的均方根误差,Talagrand分布均呈现出“J型”或“U型”分布,500hPa位势高度和850hPa温度Outlier评分介于0.26～0.32,2m温度的Outlier评分普遍较高,总体介于0.33～0.67;降水预报方面,集合平均和概率匹配平均相对于控制预报表现出了较为明显的优势;小雨和中雨量级降水集合平均的TS评分明显优于概率匹配平均;大雨和暴雨量级的降水概率匹配平均的TS评分明显优于集合平均;0～24小时和24～48小时累计降水的Talagrand分布呈现出一定的“U型”分布且0～24小时更为明显,其余时效较为理想,Outlier评分随预报时效的延长而减小,最高0.31,最低0.20;降水概率预报检验方面,各个降水量级的Brier评分和相对作用特征技巧评分AROC均较为理想。总体而言,该系统相对于单一的确定性预报表现出了一定的优势。      

基于机器学习的华北气温多模式集合预报的订正方法

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。     

超级集合预报的误差订正与集成研究

利用类似KALMAN滤波的自适应误差订正法对中国国家气象中心、日本气象厅、美国国家环境预报中心、加拿大气象中心和澳大利亚-法国气象局的区域集合预报模式2m温度预报做订正,并对订正后的结果采用算术平均和多元回归两种方法进行集成.结果表明:订正后温度预报的各项检验指标都显示出不同程度的改善.36h内平均绝对误差在1.8℃以内;均方根误差也有明显减小,且与离散度大小更接近;talagrand图的U型分布仍然存在,但个别成员异常的现象得到改善;集合成员预报分簇的现象得到了很好的矫正;此外预报误差存在日变化.两种集成方法的温度预报结果都优于单一模式预报,并且不存在明显的系统误差,预报达到了一定精度.其中多元回归方法的集成效果胜于算术平均集成.     

基于ECMWF细网格产品的一种优化BP-MOS气温预报方法

基于ECMWF细网格模式输出产品,以一种优化的BP-MOS模型预测1~7 d日最高和最低气温,并对比该方法和ECMWF细网格的2 m温度输出产品以及线性MOS方法的预报效果。结果表明:在预报因子处理时,考虑云量、风、湿度等对气温变化的"过程"影响能有效提高预报准确率;ECMWF细网格2 m温度产品在短期3 d内均方根误差均在2℃以内,但中期时段预报效果明显低于MOS方法;由于线性MOS模型预报存在不稳定现象,而BP神经网络的非线性映射关系使其在容错性方面优势明显,因此优化的BP-MOS模型预测效果良好。