我国粮食产量综合预测系统

介绍了我国粮食产量综合预测方法及其预测系统的结构与特性。系统的模型体系包括气象预测模型、社会经济因素预测模型、社会经济和气象因子综合预测模型,通过实例分析了这３个不同预测模型的历史拟合情况和预报效果。结果表明,综合模型的预测效果比单一模型好,但其业务化程度较低,需要进一步改进。     

机器学习方法在湖南夏季降水预测中的应用

利用湖南97个国家站的逐月降水资料、国家气候中心130项气候指数集以及国家气候中心和美国国家环境预报中心两套季节预测模式的降水预测资料,采用递归特征消除法确定预测因子并使用多层前馈神经网络、支持向量回归和自然梯度提升三种算法建立了两种湖南夏季降水统计预测方案的模型,检验了预测效果.结果表明:基于机器学习的预测模型对湖南...     

ECC方法在中国夏季气温预测研究中的应用

以中国夏季气温为预测对象,选取东亚地区冬季500 h Pa高度场、海平面气压场、地表温度场和850 h Pa温度场为预测因子,采用1951~2009年去趋势处理后的资料,通过变形的典型相关分析(Barnett-Preisendorfer Canonical Correlation Analysis,BP-CCA)方法分别建立单因子预测模型,再利用集合典型相关分析(Ensemble Canonical Correlation,ECC)方法建立集合预测模型,对中国夏季气温进行基于交叉检验方法的预测试验,然后利用2010~2014年的资料对中国夏季气温进行独立样本检验。通过分析BP-CCA模态可知,一对BP-CCA模态的空间型在一定程度上可以反映预报因子场和对象场的遥相关特征。通过基于交叉检验方法的预测试验表明环流场和热力场均能为气温提供预测信息。ECC预测模型综合了各个预报因子的在不同地区的预报技巧,比单因子BP-CCA预测模型有更高、更稳定的预报技巧。独立样本检验表明ECC模型与单因子BP-CCA预测模型相比,对中国夏季气温有更高、更稳定的实际预测能力,对气温季节预测具有参考价值。     

基于月动力延伸预报最优信息的中国降水降尺度预测模型

利用国家气候中心月动力延伸预报结果、NCEP/NCAR再分析资料和中国160个站观测资料,通过计算两次相关的方法,获取最优预报信息作为建立降尺度预测模型的预测因子,提取的最优预测因子同时满足既是观测环流要素场影响降水的关键区域,又是模式要素场预报的高技巧区域两个条件.结合挑选出的最优预测因子,利用最优子集回归建立月平均降水的降尺度预测模型.文中设计了消除预测因子和预测量的线性趋势值后建立预测模型(方案1)和直接利用原始资料建立预测模型(方案2)两种方案.经过独立样本检验,发现这两种方案建立的预测模型都能够提高月尺度降水预测,方案1对月尺度降水预测的距平相关系数平均可达0.35.利用该方案对超前时间分别为0、5、10 d的月动力延伸预报产品进行月降水的降尺度预测表明,模式初值信息不仅影响月动力延伸预报结果,也影响降尺度应用效果,利用超前时间为0和5 d的月动力延伸预报结果进行降水降尺度预测可在业务中参考.此外,降尺度预测模型中选取的预测因子不仪在统计上是显著的,同时也具有清楚的物理意义.     

基于SVM方法的乌鲁木齐国际机场多要素预测

利用2000年1月-2010年3月乌鲁木齐国际机场的观测资料,构建逐时能见度、温度、天气现象以及逐日最高温度、最低温度、降水量这六类预报对象的样本空间,使用SVM方法进行交叉验证和预报建模。结果表明建立的预测模型有较好的稳定性,并且对上述预报对象均有较好的预测效果。     

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。     

基于大气降水的华北地区土壤湿度预测模型

基于引入随机变量的机理性模型方法,利用华北地区2000—2008年气象台站观测数据,以大气降水为随机变量,并考虑其延迟效应,利用回归方法建立了预测时效为1旬的土壤相对湿度预测模型。利用预测率和干旱等级预报精度两个评价指标,结合2009年土壤湿度实际观测数据,验证了预测模型预报率均在90%以上,绝大部分站点的干旱等级预报精度均在70%以上,得出该预测模型在华北地区应用的合理性,从而建立了一套客观、动态的土壤湿度预测方法,有利于及时掌握农田旱情程度和分布,主动采取防旱、抗旱应对措施。     

月尺度降水的客观预测方法研究

从短期气候预测业务的实际出发,提出了一个以单站作为预报量的客观预测模型,分析了利用该模型制作预测产品的目的、实现途径以及流程设计。在气候预测业务中,利用该模型制作气候预测产品,能在实际业务中实现动态优化,方便地更换因子,降低业务工作强度。通过实例,详细说明了利用该模型制作月尺度降水产品的全过程,其中包括标准化预测模型数据文件的结构,动态建模过程及在动态建模过程中输出的各项参数的含义,把动态建模过程中的输出参数用于改进模拟质量,以及如何把试报结果分站Ps评分用于业务决策等。针对月动力延伸预报产品样本较少的情况,文中还进行了交叉预报试验。该模型作为气候预测业务工具,具有使用简单、预测质量稳定的特点。     

基于残差周期修正的辽宁省粮食产量灰色预测

基于1971—2005年辽宁省主要粮食作物水稻和玉米的全区平均单产资料,根据产量数据的多周期和波动性特点,采用周期修正残差值方法,构建了辽宁省粮食产量灰色预测模型,采用正弦曲线拟合残差序列,对模型的残差进行周期修正,预测精度提高。结果表明：预测＂十二五＂期间,辽宁省水稻在2013年以后出现小幅度下降,而单产绝对值仍处于一个相对较高的水平。玉米单产至2014年呈持续增产趋势,2015年略有下降,单产波动幅度较小。以2006—2009年实际产量数据对模型进行检验,效果较好。水稻单产预测模型精度为一级,玉米单产预测模型精度为二级。该模型对于大灾年份的粮食产量预测精度较差,但可反映其趋势。     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

国内外雾预报技术研究进展

大雾是引起低能见度的主要天气现象.提高雾的预报技术水平是确保交通安全的重要措施.从统计和数值预报两个方面,回顾了过去几十年来国内外在雾预报技术上的主要研究进展,并总结了各种方法的特点及存在的缺陷.在某些情形下,新统计方法的应用提高了雾的预报准确率,但仍然无法摆脱统计方法本身的缺陷.相比较而言,数值模式在大雾预报方面具有更广泛的应用和更大的潜力.在目前的计算机水平下,使用高分辨率的一维雾模式与中尺度天气模式相结合的方法,在一定程度上可以提高雾的预报准确率,该方法在大雾易发区的机场及高速公路沿线具有重要的应用价值.随着计算机能力的不断提高,包含大雾形成和演变的各种复杂过程、具有先进资料同化过程的高分辨率三维雾模式,以及集合数值预报系统将是未来的发展方向.     

基于前期观测降水和500 hPa高度场的西北太平洋热带风暴生成频数的新预测方案

利用前期1—2月和4—5月平均的东半球格点降水与500hPa高度场资料,通过多元线性逐步回归,建立了预测西北太平洋年热带风暴生成频数的预测方案。由于分别使用了欧洲中期数值预报中心和美国国家环境预测中心的大气再分析资料,建立了两个预测模型,对1979—2002年的预测交叉检验的距平相关系数分别为0.78和0.74。预测的多年平均绝对误差是3.0和3.2,即多年平均西北太平洋年热带风暴生成频数的10%左右。进一步指出:实际预测中可以把两个模型的预测结果平均作为最后预测结果,这样的话,多年交叉检验的距平相关系数是0.88,多年平均的预测绝对误差是1.92个。这样就可能得到更加准确的预测。本文结果还只是该方案的交叉检验结果,尚需在实际预测中进一步检验其能力。     

A new prediction model for grain yield in Northeast China based on spring North Atlantic Oscillation and late-winter Bering Sea ice cover

Accurate estimations of grain output in the agriculturally important region of Northeast China are of great strategic significance for guaranteeing food security. New prediction models for maize and rice yields are built in this paper based on the spring North Atlantic Oscillation index and the Bering Sea ice cover index. The year-to-year increment is first forecasted and then the original yield value is obtained by adding the historical yield of the previous year. The multivariate linear prediction model of maize shows good predictive ability, with a low normalized root-mean-square error (NRMSE) of 13.9%, and the simulated yield accounts for 81% of the total variance of the observation. To improve the performance of the multivariate linear model, a combined forecasting model of rice is built by considering the weight of the predictors. The NRMSE of the model is 12.9% and the predicted rice yield explains 71% of the total variance. The corresponding cross-validation test and independent samples test further demonstrate the efficiency of the models. It is inferred that the statistical models established here by applying year-to-year increment approach could make rational prediction for the maize and rice yield in Northeast China before harvest. The present study may shed new light on yield prediction in advance by use of antecedent large-scale climate signals adequately.     

新疆夏季降水和冬季气温预测方法及效果评估

本文利用4个国内外先进的气候模式（国家气候中心、ECMWF、NCEP和JMA）业务预测数据,采用2种多模式集合方法（等权平均和超级集合）、3种降尺度方法（BP-CCA、EOF迭代、高相关回归集成）和3种统计方法（CCA、最优气候值、高相关回归集成）以及降尺度集成和降尺度-统计方法集成,分析了目前季节模式、多模式集合、降尺度、统计方法、降尺度-统计集合等目前常用气候预测技术对新疆夏季降水和冬季气温的业务预测能力。 研究表明,以上技术方法对新疆夏季降水和冬季气温的预测预测能力有较大差别。目前先进的气候业务模式的预测技巧普遍很低,多模式超级集合和降尺度方法的技巧常高于单个模式,并且最佳的降尺度方法通常技巧高于最佳多模式集合方法。同时,统计方法和降尺度方法的预测技巧通常较为接近,而对二者进行超级集合可以具有相对很高的预测技巧。此外,现有常用气候预测技术方法对新疆夏季降水和冬季气温的趋势有一定的预测能力,但对气候异常的空间分布基本无预测能力。建议新疆气候预测技术围绕统计和降尺度方法集合发展。     

基于残差周期修正的辽宁省粮食产量灰色预测

基于1971-2005年辽宁省主要粮食作物水稻和玉米的全区平均单产资料,根据产量数据的多周期和波动性特点,采用周期修正残差值方法,构建了辽宁省粮食产量灰色预测模型,采用正弦曲线拟合残差序列,对模型的残差进行周期修正,预测精度提高。结果表明：预测“十二五”期间,辽宁省水稻在2013年以后出现小幅度下降,而单产绝对值仍处于...     

Assessing the performance of two models on calculating maize actual evapotranspiration in a semi-humid and drought-prone region of China

The two-step and one-step models for calculating evapotranspiration of maize were evaluated in a semi-humid and drought-prone region of northern China. Data were collected in the summers of 2013 and 2014 to determine relative model accuracy in calculating maize evaopotranspiration. The two-step model predicted daily evaoptranspiration with crop coefficients proposed by FAO and crop coefficient calibrated by local field data; the one-step model predicted daily evapotranspiration with coefficients derived by other researcher and coefficients calibrated by local field data. The predicted daily evapotranspiration in 2013 and 2014 growing seasons with the above two different models was both compared with the observed evapotranspiration with eddy covariance method. Furthermore, evapotranspiration in different growth stages of 2013 and 2014 maize growing seasons was predicted using the models with the local calibrated coefficients. The results indicated that calibration of models was necessary before using them to predict daily evapotranspiration. The model with the calibrated coefficients performed better with higher coefficient of determination and index of agreement and lower mean absolute error and root mean square error than before. And the two-step model better predicted daily evapotranspiration than the one-step model in our experimental field. Nevertheless, as to prediction ET of different growth stages, there still had some uncertainty when predicting evapotranspiration in different year. So the comparisons suggested that model prediction of crop evapotranspiration was practical, but requires calibration and validation with more data. Thus, considerable improvement is needed for these two models to be practical in predicting evapotranspiration for maize and other crops, more field data need to be measured, and an in-depth study still needs to be continued.     

Nonstationary time series prediction by incorporating external forces

Almost all climate time series have some degree of nonstationarity due to external forces of the observed system. Therefore, these external forces should be taken into account when reconstructing the climate dy- namics. This paper presents a novel technique in predicting nonstationary time series. The main difference of this new technique from some previous methods is that it incorporates the driving forces in the pre- diction model. To appraise its effectiveness, three prediction experiments were carried out using the data generated from some known classical dynamical models and a climate model with multiple external forces. Experimental results indicate that this technique is able to improve the prediction skill effectively.     

基于多种集合的中国冬季气温逐月滚动预测

利用1979—2015年中国国家气候中心整编的160站月平均气温和NCEP/NCAR全球大气再分析资料,从1979/1980—2008/2009年冬季前期500 h Pa高度场、200 h Pa势函数和850 h Pa势函数场选择预测因子,考虑不同时效因子的组合及其独立性,综合应用多因子回归集合、交叉检验集合、逐月滚动集合,建立了针对中国冬季气温的逐月滚动预测模型,并利用该模型对2010/2011—2014/2015年冬季气温进行了独立预测试验和检验。结果表明,综合运用多种集合可提高短期气候客观定量预测的可行性和稳定性。多因子回归集合能增加可预测站点数,交叉检验集合可减少因统计关系不稳定而产生的对预报效果的影响,逐月滚动集合的应用不仅增加了可预测站点数,而且使预测效果更加稳定。本文建立的预测模型可对中国冬季气温进行长时效的预测,且有一定的预报技巧,对实际的季节预测业务有重要应用价值。     

深圳单点气温的时间滞后集合预报研究

利用欧洲中心TL799 L91模式在深圳的单点气温预报数据和深圳本地的气温观测数据,对比分析了时间滞后集合预报方法与传统确定性预报的预报能力.结果表明:(1)TL799 L91 模式提供的确定性预报对于深圳单点气温有一定预报能力,它的预报误差总体上有随预报提前量增加而增加的趋势,但最近时次的确定性预报并不一定是最佳的预报;(2)时间滞后集合预报总体上优于确定性预报,而且参与集合的成员数量越多则预报准确率大体上越高.所以,时间滞后集合预报可在一定程度上改进单点气温的预报质量,是充分利用更早起报时刻数值预报价值的一种有效途径.