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。     

ECMWF全风速场集合预报结果的偏差订正与预报不一致性分析

采用卡尔曼滤波类型自适应误差订正法和滑动自适应权重法,对2012年夏季ECMWF 10 m全风速场集合预报结果进行偏差订正,对订正前后的预报结果进行评估,并通过Jumpiness指数对预报结果订正前后的预报不一致性特征进行分析。结果表明,卡尔曼滤波类型自适应误差订正法能有效降低集合预报的均方根误差,且当起报时刻为00时对中低纬度地区的订正效果更显著,当起报时刻为12时对中高纬度地区的订正效果更明显;卡尔曼滤波类型自适应误差订正法能有效改善Talagrand的U型或L型分布;由均方根误差分析结果知道,ECMWF 10 m全风速场集合预报本身存在较大的预报不一致性,经过卡尔曼滤波类型自适应误差订正后,集合预报的预报不一致性明显降低,偏差订正可有效改善集合预报的预报不一致性,且随着预报时效的延长,卡尔曼滤波误差法对预报不一致性的改善效果更加明显;从预报不一致性的发生次数特征来看,单点跳跃出现的次数最多,异号三点跳跃的次数最少;经过卡尔曼滤波类型自适应误差订正后,单点跳跃、异号两点跳跃、异号三点跳跃次数都有所下降。     

风能模式预报的相似误差订正

采用一种基于相似误差的模式后处理方法,对2011年10月18日—2012年1月5日WRF模式24 h预报的陕西延长风电场风速进行误差订正。该方法通过寻找与当前预报相似的历史预报来进行误差订正,克服了一般基于时间顺序的误差订正方法的不足,即不能处理由于天气系统的剧烈转变引起的预报误差的快速变化。相似误差订正方法减小了预报的均方根误差和中心均方根误差,相对原始预报分别减小9%和10%左右。该方法不仅可以减小系统误差,还可以减小随机误差,从而提高预报准确率。同时,订正结果相对原始预报具有更好的Taylor图模态相关。相似误差订正方法对风能预报敏感区的订正效果更为显著,均方根误差和中心均方根误差分别减小了12%和22%左右。该方法尤其适用于基于风能模式预报的风速误差订正,同时该方法对其他的预测系统和预报变量也有很好的应用潜力。     

T213全球集合预报系统性误差订正研究

针对模式系统性误差一直存在的现状,研究使用卡尔曼滤波的自适应误差订正方法对国家气象中心业务全球集合预报系统的系统性误差进行估计和订正.本文主要介绍这种方法及其原理,其优点是需要的样本量比较小,能够快速经济地对模式产品进行有效的误差估计和订正.使用这种方法对全球T213集合预报系统500 hPa高度场、850 hPa温度场和2 m温度的预报产品进行一阶偏差订正,对订正前后集合预报产品进行检验分析和对比,结果表明,订正后的高层形势场集合预报和2 m温度集合预报的均一性、集合平均的均方根误差和距平相关系数都得到了改善,系统性偏差得到了不同程度的订正,对于存在较大系统性误差的2 m温度预报,订正效果尤其显著.     

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。     

中尺度集合预报的二阶矩离散度订正研究

利用类似KALMAN滤波的自适应误差订正方法对中国国家气象中心的中尺度集合预报系统2m温度预报做二阶矩离散度订正研究.通过对预报结果,尤其是概率预报结果比较详尽的检验分析,评价二阶矩订正对离散度的调整效果.结果表明:经过二阶矩订正后,2m温度的订正效果较为显著,集合成员预报的PDF分布比较一致,CRPS也比订正前减小了;预报的离散度得到合理的增大且与均方根误差较为接近,预报可靠性提高;无论是集合平均预报还是概率预报,预报能力都明显提高; 另外,针对集合概率预报可靠性的talagrand分布,针对集合预报分辨能力的roc分析和EV分析,以及概率预报评分bs、bss都从各自的角度证明了误差订正的效果,订正后预报能力大为提高.     

集合预报在渤海极大风预报中的应用

利用2015年2月至2018年2月地面气象常规观测中逐小时极大风及欧洲中期天气预报中心集合预报中6 h极大风预报数据,选取渤海海域代表站点,对集合预报极大风产品进行预报误差特征分析。分析表明:集合预报极大风产品的离散度明显偏小于均方根误差,各个预报成员的预报结果集中与否并不能反映出预报可信度。受模式预报能力所限,无法简单通过集合预报选取出最为可信的预报结果。集合平均、第75%分位值、最大值在极大风预报中各有优劣,因此基于以上三个统计量及不同量级风速发生的频率建立了渤海极大风预报客观订正方法,试验对比分析表明,该订正方法可以使极大风预报准确率有效的提高,为大风天气过程预报提供重要参考。     

GFS模式地形高度偏差对地面2m气温预报的影响

利用2016年1月1日—12月31日全球预报系统(GFS,Global Forecasting System)1～5 d的2 m气温预报资料,以及同期中国地面气象站2 m气温观测资料,研究模式地形高度偏差对地面2 m气温预报的影响。结果表明,较大模式地形高度偏差可严重影响2 m气温模式预报性能,导致较大预报误差。随着模式预报时效延长,2 m气温预报均方根误差也略有增加。比较模式地形高度偏差和预报时效对于模式预报性能的影响,发现模式地形高度偏差对于模式预报效果的影响更加显著。两种地形订正方案,即不做温度垂直订正的线性回归以及对温度进行垂直订正的线性回归都能显著减小2 m气温模式预报的误差,后者的订正效果更好。     

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。      

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。     

Short-term wind speed forecasting bias correction in the Hangzhou area of China based on a machine learning model

Accurate wind speed forecasting is of great societal importance. In this study, the short-term wind speed forecasting bias at automatic meteorological stations in Hangzhou, Zhejiang Province, China, was corrected using an XGBoost machine learning model called WSFBC-XGB. The products of the local NWP (numerical weather prediction) system were used as the inputs of WSFBC-XGB. The WSFBC-XGB-corrected results were compared with those corrected using the traditional MOS (model output statistics) method. Results showed that WSFBC-XGB performed better than MOS, with the root-mean-square errors (RMSEs)/accuracy rates of the wind speed forecasting (ACCs) of WSFBC-XGB being reduced/ promoted by 26.1% and 7.64%/35.6% and 7.02% relative to NWP and MOS, respectively. The RMSEs/ACCs of WSFBC-XGB were smaller/higher than those of MOS at 90% stations. In addition, the mean decrease in impurity method was used to analyze the interpretability of WSFBC-XGB to help users gain trust in the model. Results showed that the four most important features were the wind speed at 10 m (47.35%), meridional component of wind at 10 m (12.73%), diurnal cycle (9.97%), and meridional component of wind at 1000 hPa (7.45%). The WSFBC-XGB model will help improve the accuracy of short-term wind speed forecasting and provide support for large-scale outdoor activities.摘要准确的风速预报具有重要的社会意义. 在本研究中, 使用名为WSFBC-XGB的XGBoost机器学习模型对中国浙江省杭州市自动气象站的短期风速预报误差进行校正. WSFBC-XGB使用本地数值天气预报系统的产品作为输入. 将WSFBC-XGB校正的结果与传统MOS(模型输出统计)方法校正的结果进行了比较. 结果表明: WSFBC-XGB预报风速的均方根误差(RMSE)/准确率(ACC)分别比NWP和MOS降低/提高了26.1%和7.64%/35.6%和7.02%; 对于90%的站点WSFBC-XGB的RMSE/ACC均小于/高于MOS. 此外, 采用平均杂质减少法对WSFBC-XGB的可解释性进行分析, 以帮助用户增加对模型的信任. 结果表明: 10米风速(47.35%), 10米风的经向分量(12.73%), 日循环(9.97%)和1000百帕风的经向分量(7.45%)是前4个最重要的特征. WSFBC-XGB模型将有助于提高短期风速预报的准确性, 为大型户外活动提供支持.     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料，将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域，通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析，得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差，BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比，其RMSE平均降低了58.9%，MAE平均降低了63.2%；风速误差和大风统计过程分析发现，BLSTM TRA模型具有一定的抗干扰能力，可以抓住短时大风等敏感信息，对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

我国近海洋面10 m风速集合预报客观订正方

利用2013—2015年ECMWF集合预报10 m风场及我国沿岸和近海88个代表站点风速实况观测,建立基于ECMWF集合预报众数的我国近海洋面10 m风速客观订正方法。集合预报众数正确率及稳定性高于中值及平均值,因此基于集合预报众数,综合考虑历史数据的预报概率及集合预报各个成员的分布情况进行客观订正,可以提高订正效果。订正后的6~7级、8~9级风速偏小的误差及TS评分有明显改进,其中72~120 h预报时效的8~9级风速预报的TS评分由0.04增加到0.44,能够有效提高中长期时效大量级风速的预报能力。订正的风速产品对于我国近海冷空气及台风大风天气过程有较好的预报效果。     

一种温度集合预报产品释用方法的初步研究

数值天气预报技术与能力在不断地发展与提高,集合预报是数值预报发展中的一个热点.集合预报产品所提供的大量预报信息,需要通过合适的产品释用处理来传递给用户,因此对集合预报产品进行解释与应用是实现其实用价值的一个重要环节.选取武汉站00:00 UTC地面气温(T2m)作为预报量,利用其历史观测资料及2008年1月份TIGGE...     

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。      

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。      

ENSEMBLE PREDICTION EXPERIMENTS OF TYPHOON TRACK BASED ON THE STOCHASTIC TOTAL TENDENCY PERTURBATION

The GRAPES-TCM is used to make ensemble prediction experiments for typhoon track. Three kinds of ensemble schemes are designed for the experiments. A total of 109 experiments are made for the nine typhoons in 2011 and the integral time is 72 h. The experiment results are shown as follows. In the three ensemble schemes, on the whole, scheme 1 has the best track prediction. Its average absolute track error and overall deviations of typhoon moving speed and moving direction are all the smallest in the three schemes. For both scheme 1 and scheme 2, they are all smaller than those of their control predictions. Both of their ensemble predictions show superiority to their deterministic predictions. Overall, compared with the observations, the typhoon moving directions of the three schemes mainly skew to the right, and in the late integration they mainly tend to be relatively slow. In the three schemes, the track dispersion of scheme 1 is the largest and that of scheme 3 the smallest. In scheme 1 it is much larger than in schemes 2 and 3. The difference of dispersion between scheme 2 and scheme 3 is small. The track dispersions of the three schemes are all much smaller than their rational dispersions. Compared with the eight domestic and overseas operational numerical weather prediction (NWP) models, scheme 1 has better predictions than the other seven operational models except ECMWF NWP model. Scheme 1 has the value of operational application.     

浙江省温度和相对湿度释用技术及其效果检验分析

基于多模式的要素预报和浙江省乡镇站点观测资料,结合全省天气统计特点,利用最优集成方案,改进了温度和相对湿度的1~7 d预报。统计检验发现,模式的温度预报在浙江省中南部主要表现为系统性偏差,在浙江省北部平原地区主要为随机误差。使用滑动平均误差订正后,浙中南等地形复杂地区温度预报的系统性偏差明显减小。在模式订正基础上,使用动态集成进一步减小了浙北平原地区温度预报的随机误差。基于温湿关系,使用改进后的温度预报对相对湿度预报进行订正。与传统的加权平均方法相比,改进后的温度预报均方根误差减小16.7%,相对湿度预报均方根误差减小13.8%,对改善浙江省精细化预报有一定参考意义。