基于交叉验证的多模式超级集合预报方法研究

利用AREM、MM5和WRF 3个中尺度有限区域模式,通过选取对短期天气预报影响颇大的积云参数化方案和边界层方案构成15个集合预报成员,以2003年7月汛期天气为研究对象,分别采用相关加权、多元线性回归以及支持向量机回归与"交叉验证"相结合的方法,开展有限区域模式的多模式短期超级集合预报研究.文中主要对上述3种方法的24 h降水和700 hPa流场的超级集合预报结果与多模式集合平均预报结果以及T213模式结果进行了对比分析,结果表明:(1)对于24 h降水,支持向量机回归方法的超级集合预报得到的均方根误差比多模式集合平均小,各降水临界值的TS异常评分比多模式集合平均高;并且它也较相关加权法和多元线性回归的超级集合预报效果好.(2)对于700 hPa流场,对比分析各预报结果经过向量EOF分析得到的风场第1模态和第2模态表明,多模式集合平均主要使风场强度变小,多元线性回归和支持向量机回归的超级集合预报可以较好地刻画风场的强度分布,其中支持向量机回归的超级集合预报对风场强度及其区域分布的预报效果最好.(3)对于700 hPa流场,超级集合预报明显优于同期T213模式预报,从相同的预报均方根误差意义看,支持向量机回归的超级集合预报至少较T213模式预报能提前12 h.     

基于数值预报模式降水产品的集成应用方法试验

利用2008年5~7月四川省152个站点的逐日降水实况和T213、德国数值预报模式、日本数值预报模式、西南区域本地化的MM5集合降水预报模式和各成员的逐日降水预报产品进行Ts评分,然后基于西南区域集合预报8个成员Ts评分权重系数进行集成预报试验和集成方法对比试验,结果表明:基于Ts评分为权重系数的集成预报效果得到明显改进,且该方法优于逐步回归和支持向量(SVM)回归方法;最后根据上述5~7月T213、日本、德国和集合预报8个成员共11个数值模式降水预报的Ts评分按权重系数集成,预报四川2008年8~9月降水并进行效果评价,结果显示:以多个模式Ts评分为权重系数集成的降水预报效果相对于单一模式有明显提高,有较好的预报指导意义。      

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

多次取样的网格化暴雨预报“配料法”研究

利用2008—2019年甘肃省陇东342个测站的逐日降水资料和ECMWF_ERA5再分析资料，总结了不同暴雨天气过程的环流特征，建立了精细至模式预报每个格点、综合考虑暴雨日每个预报时次的多次取样网格化暴雨预报“配料法”方案，并通过2020年5次暴雨过程进行验证。结果表明，陇东暴雨可分为副高扰动型、冷槽切变型和偏北气流对流型；由于不同类型暴雨的环流特征差异明显，降水范围及持续时间不同，具有代表意义的关键物理量及阈值也不相同；网格化配料法的过程预报准确率相比ECMWF_THIN提高了20%，站点预报准确率提高了7.8%，性能优于ECMWF_THIN模式的暴雨预报；配料法对小区域预报效果优秀，预报范围越大预报准确率越低。     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法(SVM),依据T213数值预报产品,对海口降水进行预报应用研究,结果表明:所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

支持向量机方法在海口降水预报中的应用研究

利用支持向量机方法（SVM）,依据T213数值预报产品,对海口降水进行预报应用研究,结果表明：所建立的SVM分类方法降水预报模型具有较好的正技巧,SVM方法对海口降水具有较为明显的预报能力。     

基于CFSv2.0西南地区机场10-30天延伸期预报产品设计与实现

延伸期逐日预报对于民航属于新兴气象业务。针对民航运行服务需求,根据CFSv2.0气候模式预报产品,运用双线性站点插值技术,基于5天集合滑动平均和实况报文订正方案生成10-30天西南地区各机场延伸期逐日最高温度、最低温度、降水量和风向风速的时序柱状曲线预报产品。选取2020年冬季双流机场和贵阳机场明显的降温和降水过程进行预报效果检验,结果表明：机场延伸期逐日预报产品表现出较好的预报性能,能平均提前16天预报降温过程,提前20天预报降水过程。与实况数据相比,降温和降水预报的时段、强度略有偏差,但预报的变化趋势基本一致。     

神经网络方法在广西日降水预报中的应用

以广西前汛期5、6月区域平均日降水量作为预报对象，采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解，有效浓缩数值预报产品因子的预报信息，并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验，并与T213的降水预报进行对比分析。结果表明，本文建立的3个区域日平均降水量神经网络预报模型，在预报性能上明显优于同期的T213降水预报。     

南京地区霾预报方法试验研究

支持向量机(SVM)方法是基于统计学理论的一种新的机器学习方法,对解决小样本条件下的非线性问题非常有效.利用2004～2007年南京站的逐日常规观测资料以及同期南京市环境质量监测点的逐日污染物浓度资料,使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日14时(北京时间,下同)能见度预报模型.预报试验结果...     

两个集合预报系统对秦岭及周边降水预报性能对比

利用欧洲中期天气预报中心 (ECMWF)、美国大气环境预报中心 (NCEP) 集合预报系统 (EPS) 降水量预报资料,CMORPH (NOAA Climate Prediction Center Morphing Method) 卫星与全国3万个自动气象站降水量融合资料,基于技巧评分、ROC (relative operating characteristic) 分析等方法,对比两个集合预报系统对秦岭及周边地区的降水预报性能。结果表明:两个系统均能较好表现降水量的空间形态,对于不同量级降水,ECMWF集合预报系统0~240 h控制及扰动预报优于NCEP集合预报系统,但NCEP集合预报系统264~360 h预报时效整体表现更好; ECMWF集合预报系统0~120 h大雨集合平均优于NCEP集合预报系统,两个系统集合平均的预报技巧整体低于其控制及扰动成员预报,这种现象ECMWF集合预报系统表现更为显著; ECMWF集合预报系统降水预报概率优于NCEP集合预报系统。ROC分析显示,随着预报概率的增大,ECMWF集合预报系统在命中率略微下降的情况下,显著减小了空报率,NCEP集合预报系统则表现出高空报、高命中率。     

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。     

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验

本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统（RISE系统）预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充...     

北京市城六区2018年空气质量数值预报效果评估

为更好地改进提高模式预报性能,评估了新一代WRF-CMAQ（Weather Research and Forecasting model-Community Multi-scale Air Quality model）模式系统的不同网格分辨率预报产品对2018年北京市城六区空气质量预报结果的影响。分析表明:（1）基于首要污染物为PM2.5的预报数据集,模式系统1 km网格分辨率（BJ01）和3 km网格分辨率（BJ03）等级准确率优于官方预报结果,模式系统BJ01和BJ03区域4天内预报等级准确率均达到50%以上,24 h内准确率达60%以上,官方预报24 h内等级准确率为59%。本文引入预报综合评分法,基于IAQI（Individual Air Quality Index）和等级级别正确性双因素的预报综合评分结果显示,模式系统BJ03得分75.0分最高,BJ01次之,优于官方预报结果,模式9 km网格分辨率（BJ09）得分69.1分最低。（2）基于模式系统2018年长时间序列预报结果分析表明:模式系统预报的PM2.5浓度与实测的变化趋势较为一致,其中模式系统BJ03结果与实测PM2.5浓度相关系数达0.76,覆盖区域较大的BJ03和BJ09对PM2.5浓度峰值模拟较好。中重度污染过程的PM2.5浓度峰值模式预测误差表明,不同分辨率模式预报峰值误差的变化趋势基本一致,覆盖区域更大的粗分辨率模式预报结果高于覆盖区域小的细分辨率模式预报结果。与预报综合评分结果一致,统计分析结果也表明BJ03区域预报效果最好,平均偏差为0.83 μg/m3;而BJ01区域预报整体偏低,BJ09区域预报整体偏高。（3）基于不同网格分辨率预报效果的空间差异性分析表明:同一站点在不同分辨率上表现不一致,BJ01区域中农展馆站表现最好,BJ03区域中万柳站表现最好,BJ09区域中东四站表现最好。     

三种全球预报产品中国区近地面气温短期预报效果检验

全球气象预报产品是扩散模式、空气质量模式的重要基础资料和前提条件,其误差直接影响模拟结果的准确度。为考察不同气象预报产品的误差,选取2016年6月至2017年5月GFS、ECMWF、T639三种全球气象预报产品,利用中国2100个地面观测站数据,对预报产品中近地面气温进行了对比,并分析了其在不同季节、不同区域的特征。结果表明：在中国区域三种气象产品气温预报存在偏低预报的趋势,其均方根误差的年平均值为2.60—3.52℃,相关系数的年平均值为0.89—0.92,平均绝对误差的年平均值为1.87—2.67℃。整体而言,EC表现最佳,其余依次为GFS、T639。气温预报误差存在季节变化特征,三种产品均方根误差与平均绝对误差均表现为夏秋季优于春冬季,相关系数表现为秋冬季优于春夏季。气温预报误差存在明显的地域差异,三种气象预报产品的气温误差空间分布特征较为相似,在中国华东地区误差值表现较低,在西南地区误差较高。同时,其误差水平在中国沿海地区表现较低,在地形复杂地区表现较高。     

ECMWF集合预报系统对秦岭周边地区降水确定性预报的性能分析

尽管确定性预报不是集合预报系统(EPS)的主要目的和应用方向,但其每一个成员的预报表现决定了集合预报系统的预报性能,集合平均也是实际预报业务的一个重要参考指标。为此,利用2013~2015年5~10月的欧洲中期天气预报中心(ECMWF)集合预报系统的降水预报资料,CMORPH(NOAA Climate Prediction Center Morphing Method)卫星与全国3×10~4余个自动气象观测站的逐小时降水量融合资料,研究ECMWF集合预报系统对秦岭周边地区逐日降水的控制预报、成员预报、集合平均的预报能力,并探索提高降水集合平均预报性能的有效方法。主要结论如下:(1)无论是集合平均还是控制预报,整体上都较好的刻画了秦岭周边地区降水的空间形态,比较而言,控制预报能够更好的表现了降水的方差变化。(2)泰勒分析表明,集合平均的降水方差随预报时效增加单调减小,控制预报的方差变化随预报时效的增长振荡较小,其相关系数略优于集合平均。(3)技巧评分表明,集合平均使小雨(降水发生频次)的预报偏差显著增加,增大了空报率;使大雨以上的降水预报偏差减小,增大了漏报率,从而使得大多数情况下,集合平均TS(Threat Score)、ETS(Equitable Threat Score)评分低于控制及扰动成员预报。分析认为这主要是由于降水这一要素的偏态分布特性引起的。(4)集合平均的显著贡献在于能够较好的指示可能发生降水的空间位置。通过阈值限定,调整预报偏差,减少(增大)其对小雨(暴雨)的预报频率,能够使集合平均的TS、ETS评分大幅度提升,预报技巧显著优于成员预报和控制预报。目前,预报偏差Bias订正方法已成功应用于陕西省精细化格点预报系统中。     

基于SCTP-RF算法的甘肃省短期定量降水客观预报方法研究

基于欧洲中期天气预报中心(ECMWF)的精细化数值预报产品、中国气象局下发的降水指导产品(TP;MA)及甘肃省340个气象站点降水实况数据,利用泰森多边形与K-means空间聚类方法(spatial cluster and Tyson polygon, SCTP),对2017—2019年4—9月甘肃省340站降水资料进行客观分区。在此基础上,采用随机森林算法(random forest, RF),筛选出与降水相关的物理量因子构建模型,开展甘肃省短期定量降水客观预报订正试验,并进行预报效果检验。结果表明:(1)甘肃省4—9月降水客观分区依次为7、6、14、13、14和11个。(2)就晴雨预报而言,SCTP-RF订正产品对甘肃省汛期的晴雨预报能力较TP;MA指导产品和ECMWF模式产品有一定提升,提升幅度分别为6.1%、4.2%;在空间上,SCTP-RF算法对甘肃省340站的晴雨预报均具有一定的订正能力,大部分站点晴雨预报准确率提升了5%,特别是河东地区。(3)在分级降水预报中,SCTP-RF订正产品对中雨和大雨的预报能力均优于TP;MA指导产品和ECMWF模式产品,且全省大部的订正效果较好,特别是河东中部及陇东南地区,但在强降水过程中对小雨和暴雨的预报订正不稳定,尤其是陇东南地区的小雨。     

基于三大全球集合预报系统对内蒙古降水预报能力评估

利用ECMWF、NCEP和CMC中心的1~3天7种降水集合预报产品,同时结合内蒙古119个气象站同期降水观测资料,对降水预报效果基于晴雨、降水等级划分(包括小雨、中雨、大雨以及暴雨)确定性TS评分以及空间分布特点进行了归纳总结,评估了三大全球集合预报系统在内蒙古地区的降水预报能力,为进一步开发模式预报及应用提供技术支撑。研究结果表明,ECMWF集合预报产品对内蒙古降水预报能力明显优于NEPC和CMC中心的产品。ECMWF集合预报产品24h时效下的晴雨及小雨、中雨、大雨以及暴雨预报都具有良好的预报能力,但是随着预报时效的延长至48h、72h,ECMWF集合预报产品预报能力明显降低,预报能力与NCEP和CMC中心的产品接近。24h的ECMWF集合预报产品在呼伦贝尔市、兴安盟、锡林郭勒盟、巴彦淖尔市西部、阿拉善盟地区预报效果明显较好,三大集合预报系统对内蒙古东部地区的预报能力总体偏高。      

支持向量机非线性回归方法的气象要素预报

该文介绍了基于基本的支持向量机非线性回归方法,该方法具有解决非线性问题的能力,在数值预报解释应用技术中,对某些预报量与预报因子之间相关性不显著的要素,如风、比湿等,采用支持向量机非线性回归技术较多元回归的MOS方法更具优势;利用北京市气象局中尺度业务模式 (MM5V3) 的12:00(世界时) 起始数值预报产品和观测资料,制作北京15个奥运场馆站点6~48 h逐3 h的气象要素释用产品。对比MM5V3模式,从均方根误差的平均减小率来看,2 m温度减小12.1%,10 m风u分量减小43.3%,10 m风v分量减小53.4%,2 m比湿减小38.2%。与同期的MOS方法预报结果相比,整体预报效果SVM略优于MOS。由此可见,支持向量机非线性回归方法解决与预报因子之间非线性相关的气象要素较好,具有较高的预报优势。