基于LAPS分析的WRF模式逐时气温精细化预报释用

为了满足湖北电力和华中电力系统对逐时气温预报的需求,开展气温精细化预报服务,基于局地分析预报系统(LAPS)分析融合的WRF模式精细化数值预报产品,对2011年4月1日至7月20日湖北省内及周边区域站点的逐时气温进行精细化预报释用.比较几种模式释用方案,结果表明:WRF模式预报趋势较好,预报准确率评分50％左右,日间08-20时预报误差小于夜间,最高气温(Tmax)评分54％,最低气温(Tmin)评分为44％.通过模式释用,提高了预报准确率,可使预报评分提高到60％～70％,对Tmax评分达到57％,对Tmin评分最高达到74％.分时刻建立MOS方程能够有效降低夜间20-07时的预报误差.将实况最高气温引入Kalman滤波方程能进一步提高预报准确率.     

MEOFIS平台的苏州本地化释用和气温检验

基于现代天气业务发展要求而开发的MEOFIS精细化气象要素客观预报平台已被苏州市气象局引进并业务运行。该平台利用T639模式输出资料结合苏州历史实况资料建立预报方程,采用"动力-统计预报方法",得到了具有精细化指导作用的要素预报产品,时间分辨率为3 h,空间分辨率达乡镇级。经客观检验,2011年7月24 h日最低气温2℃以内准确率达90.3%、日最高气温达74.2%、逐3 h气温准确率达82.7%,对业务预报有指导意义。误差分析表明,如果相邻两天的日最高、最低气温起伏剧烈,对应时段内MEOFIS的预报误差则较大。利用集合经验正交分解(EEMD),对逐3 h气温预报滤波发现,MEOFIS的预报误差仍具有一波和二波的显著周期,通过滤波可使气温预报准确率提高。     

基于相似天气现象的重庆市逐时气温预报技术研究

利用重庆市2003—2017年34个国家级气象观测站的逐时降水和逐时温度资料，建立了一种基于未来24 h日最高、最低气温和天气现象预报值的逐时气温预报模型。该模型通过搜寻与未来24 h预报值相似的历史天气现象下的气温时间序列，预报给定站点未来1 d的逐时气温。然后运用结合了高程的反距离加权插值法，得到重庆市0.125°×0.125°分辨率逐时气温网格预报产品。2018年逐时气温预报产品的检验结果表明，整体上国家级站点绝对误差≤2℃的逐时气温预报准确率为79.73%～91.40%，均值为87.12%;10月—次年2月的准确率好于3—9月，8月较差。该模型的预报性能在无雨时稳定，有雨时在地形复杂且易出现强降水的重庆东北部地区略差。重庆西部、中部的大部以及东北部偏西地区的网格产品预报准确率较高，而偏南局地山区和偏东部分山区的准确率较低。总体上该方法预报效果较好，预报性能稳定。     

日较差分级的新疆逐时气温预报

利用1994-2005年新疆12个基准站逐时气温资料,统计了不同日较差等级内的逐时气温和逐时气温变量的气候平均值,并在此基础上自动地输出新疆逐站逐时气温预报值,由此得到与气温变化有关的专业气象预报产品,应用于专业气象业务。     

湖北分县MOS预报系统建立与评分

在T213L31数值模式产品释用基础上,设计计算并选用模式大气中分别与降水、地面气温和风场有天气学意义的线性化预报因子,采用Kalman滤波和相似-Kalman滤波,在湖北省及邻近范围,建立实时(逐日更新样本)多站点、多时次、多要素的统计MOS预报方程,做定点(分县)、定时(6小时分辨率)和定量降水与概率、地面气温和风场客观预报(MOS预报系统)."系统"经2005、2006年6-8月业务试验表明,各个MOS预报都具稳定性和具有一定的评分水平.从而表明,相似-Kalman滤波在一定程度上消去单纯Kalman滤波"预报滞后"效应,并实现用Kalman滤波或相似-Kalman滤波做定性、定量降水MOS预报,和做地面气温和风场MOS预报,且用了实时历史样本雨/晴预报准确率,当作有/无降水发生概率.     

哈尔滨市降水和气温的分布预报方案

按“前期环流状态决定后期环流状态”的思想,用逐站预报、场展开、分片预报方法,设计了哈尔滨市月、季气温降水的３个预报方案,给出一年试报结果     

ECMWF模式对陕西2016年春夏季气温预报性能评估

利用2016年春、夏季节陕西99个国家站的气温逐1 h观测数据,对ECMWF高分辨率数值模式对陕西国家站0~72 h逐3 h和78~240 h逐6 h的气温预报性能进行评估。结果表明,陕西大部分地区,气温预报误差≤1 ℃和≤2 ℃的准确率在72 h之前分别为30%~50%和55%~85%,96 h之后分别为10%~30%和25%~55%,夏季的准确率高于春季,20:00起报的准确率略高于08:00起报。随着预报时效的增加,模式的气温预报能力和稳定性波浪式下降,日变化特征明显,23:00至次日11:00时段的预报能力和稳定性好于14:00—20:00时段。模式的气温预报值与观测值有很好的相关性,但是模式和实际观测站的地形高度差异会对气温预报质量产生较大影响。基于气温垂直变率和模式与实际观测站的地形高度差异进行的高度差订正,可以适当提高模式的气温预报水平,文中提出的几种气温预报的高度差订正方法,对陕西大部分地区的气温预报为正订正效果,但还存在一些问题,有待进一步研究。     

基于Kalman滤波的副热带高压数值预报误差修正

利用Kalman滤波方法，对T106数值预报产品进行了误差修正和预报优化。用1995-1996年夏季（5-8月）T106数值预报产品资料建立预报模型，并提供递推参数初始值，其后以1997年夏季（5-8月）T106资料为独立样本对副高面积指数和脊线指数进行动态订正预报。预报效果的对比分析表明，Kalman滤波方法较其它统计预报方法的自适应能力更强。能够对预报对象提供更为准确、有效的跟踪和描述。对数值预报产品的副高预报误差修正效果良好。     

淮河流域大气环流型在冬季气温预测中的应用

应用Lamb-Jenkinson大气环流分型方法,根据由1970—2012年NCEP/NCAR逐日海平面气压场计算得到的环流指数,对淮河流域的环流进行分型。分析了冬季主要环流型和气温的分布特征及两者的联系,并以环流指数和主要环流型为预测因子,结合经验正交函数分解(EOF)方法和逐步回归方法,建立了淮河流域冬季气温距平的预测模型。结果表明,淮河流域冬季的主要环流型是东北风型、东风型、反气旋环流型以及东北风、东风配合下的反气旋性环流型,划分的环流型符合实际情况,这些环流型具有显著的年际和年代际变化特征。通过对预测模型进行后报试验和独立预报试验,表明该模型具有一定的预报技巧。     

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。     

基于WRF模式输出统计的逐时太阳总辐射预报初探

基于WRF(weather research and forecasting model)模式逐时输出结果,设计了逐时太阳总辐射的模式输出统计(model output statistics,MOS)预报流程。主要包括:对逐时观测序列进行低通滤波再除以天文辐射,对模式输出因子的筛选和降维,以及建立MOS预报方程,并对2009年1月、4月、8月和10月武汉站逐时太阳总辐射进行预报试验。结果表明,该方案在各月预报相对稳定,拟合和预报效果均较为理想,可使平均绝对百分比误差控制在20%～30%,相对均方根误差控制在30%～40%,相对模式直接预报辐射改进了50%左右。由此可见,通过对模式输出进行解释应用,可以有效提高辐射预报的准确率。此外,客观分析所得的气温、云量、露点、比湿、相对湿度、地面气压等13个模式输出因子可以作为各地区建立MOS辐射预报方程的参考因子。     

极端气温集成预报方法对比

用2003-2009年ECMWF和庆阳市极端气温资料建立最高最低气温SVM、Kalman、多元线性回归3种统计方法的预报模型,采用平均、加权、回归3种方法进行预报集成,对庆阳市2010年6-12月各预报方法及5个时次集成预报进行评估.结果表明:单一的SVM、多元回归和集成方法最低气温预报5个时次的准确率均高于最高气温0.8％～24.2％,集成后加权法准确率最高,但最高和最低气温选取权重不同,SVM权重大时最高气温效果好,多元回归权重大时最低气温效果好.随着预报时效的增加,单一的预报方法和集成预报,预报准确率降低.逐月评估表明,单一的SVM准确率较高且预报性能稳定,Kalman准确率较低,回归方法各月差异大,预报不稳定,集成后,3种集成方法的预报比单一的预报方法均有所改善和提高.绝对误差分析表明,加权集成后最高和最低气温误差都较小,优于平均集成法和回归集成法.     

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料,采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比,结果如下:（1）相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优（少云击中率平均提高24 %,多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。      

精细化逐时滚动温度预报方法及检验

以Grapes数值模式预报为基础,首先利用卡尔曼滤波方法对Grapes模式的温度预报进行释用,再将模式统计输出方法应用于卡尔曼滤波结果,从而得到站点逐时滚动温度预报,最后通过站点-格点映射方法将站点预报误差反馈到最匹配的格点上,实现精细化逐时滚动温度预报(SHUF)。检验结果表明,Grapes模式的24小时温度预报CSI评分稳定在0.4左右;卡尔曼滤波方法的CSI评分介于0.47～0.43之间;而SHUF的CSI评分在1～6小时内由0.91降至0.64,7～16小时的CSI评分由0.6逐渐降低至0.52,17～24小时的CSI介于0.5～0.45之间,均优于同期Grapes模式预报和卡尔曼滤波释用结果。精细化逐时滚动温度预报方法利用最新的气象观测要素对数值模式预报的结果进行订正,可有效改进数值模式的短时温度预报能力。     

2008年12月至2009年2月T639与ECMWF及日本模式中期预报性能检验

对2008年12月至2009年2月T639、ECMWF、日本模式的中期预报性能进行了检验和对比分析.结果表明:3种模式对大气环流的演变和调整、850hPa温度升降变化趋势均有较强的预报能力,其中尤以ECMWF模式预报误差最小.3种模式对重大灾害性、转折性天气过程也有很好的指示性能,较成功地预报了3次全国性寒潮天气过程、长江中下游地区持续阴雨天气过程的大气环流形势特征及主要影响系统.     

北京地区中尺度非静力数值预报产品释用技术研究

在国家气象中心与北京市气象局联合开发的“北京地区中尺度数值预报业务系统”基础上，充分利用高分辨率中尺度数值预报产品和地面加密气象观测资料，分别使用统计和动力释用方法进行局地温度、风和北京市区空气污染状况的预报。试预报结果表明，用卡尔曼滤波方法建立的温度和风的预报效果高于中尺度数值预报直接输出结果；使用中尺度数值预报结果作为一个简单的污染预报动力模式的气象背景场，进行了污染预报试验，结果表明该预报方法具有一定的预报能力，其中SO₂、NO₂、CO浓度的预报准确率在夏、秋、冬三季中均可达到65%以上。上述研究成果已用于业务预报。     

基于两种数据传输途径的国家级地面自动站逐小时数据差异分析

对2006-2009年两种途径（A文件和Z文件）上传的2400多国家级自动站观测的小时常规六要素资料进行了对比分析。结果表明：两种途径得到的小时数据中,2 min风和10 min风的不一致率较高,主要由两种文件对于风速为零时风向的规定不同造成,其他要素的不一致率相对较低;在不一致数据中,各要素在仪器误差允许范围内的比率分别为气温23.27 %、气压5.4 %、相对湿度23.19 %、降水65.42 %、2 min风12.93 %、10 min风14.16 %。     

基于频率匹配法的中国降水多模式预报订正研究

基于TIGGE资料中欧洲中期天气预报中心、日本气象厅、美国国家环境预报中心及英国气象局1～7 d日降水量预报以及中国自动站观测资料与CMORPH降水产品融合的逐时降水量网格数据集,利用频率匹配法(Frequency-Matching Method,FMM)对中国降水预报进行客观订正。首先利用卡尔曼滤波方法对降水频率进行调整,并根据不同区域降水强度差异将全国分为7个子区域分别进行频率匹配。结果表明,FMM可以有效减小降水量预报的误差。经过频率匹配法订正后各模式降水预报的平均绝对误差(Mean Absolute Error,MAE)大幅减小,且订正后各量级降水的雨区面积更加接近实际观测值。FMM对小于5 mm和大于15 mm的降水预报技巧改进明显。此外,FMM降低了模式预报的小雨空报率和大雨漏报率,并且明显提高了晴雨预报的准确率。FMM明显消除了大范围小雨空报区域,但是对强降水预报FMM仅能调整降水量大小,强降水落区预报并不能得到明显改善。     

Parameter identification for Kalman filtering of noisy and censored data: Is this a data quality control method?

Summary The quality control of rain amount data is usually based on a posteriori defined sets of empirical thresholds, e.g. when crosscheking neighbouring observations. While these procedures are well suited for very long time series, it is difficult to adopt the rules for time series of special observation periods with higher resolution in time. We propose a linear Kalman filter and present several methods, how to fit it onto the stochastic structure of the time series in the presence of many zeroes. These zeroes may indicate light rain or no rain and, therefore, are considered censored. They do not fit into the stochastic structure of the non-zero values and have to be treated separately. Fitting one out of four model parameters of the Kalman filter also determinates two other dependent ones. Only one model parameter has to be known from independent sources. The fitting algorithms are tested with artificial rain rate time series with known stochastic structure and several zero rain data points. Furthermore, applied to time series of observed hourly rain amounts for 4 consecutive winter months, the Kalman filter shows its sensitivity for faulty data points. The detection of conspicuous data by the method of Kalman filtering is discussed.With 3 FiguresProf. Dr. H.-D. Schilling died November 22, 1997.