基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

环胶州湾高速路面低温气候特征和SVM预报模型

利用环胶州湾（青兰高速起始段及胶州湾大桥）14个高速交通气象观测站逐5 min监测资料,统计分析了冬季环胶州湾高速路面低温（路面温度t＜0 ℃）出现频率、出现时间特征及其与气象要素的相关性。结果表明：冬季环胶州湾高速路面结冰风险普遍较高,空间分布上呈现“西南高东北低”的特点;逐时最低路面温度日变化趋势与逐时最低气温基本一致,全天各时次最低路面温度均高于最低气温;14:00气温、路面温度和18:00相对湿度与次日最低路面温度呈正相关,18:00风速与次日最低路面温度呈负相关。经过参数调优的支持向量机（support vector machine,SVM）模型预报路面温度t≤0 ℃准确率达到87.78%,高于多元线性回归模型,并在独立性检验中得到了验证,对实际预报服务具有指导意义。     

基于ConvGRU和自注意力的海表温度偏差订正研究

海表温度（Sea Surface Temperature, SST） 是一个重要的海洋物理量, 其准确预报对于水产养殖和预测海洋环境信息等海洋相关领域的研究至关重要。数值预报是目前预报海表温度的一种常用方法, 但数值预报模型所产生的预报结果往往与实际观测数据有偏差, 因此有必要对数值预报产品的偏差进行订正。本文提出了一种结合ConvGRU 神经网络与自注意力（Self-Attention, SA） 的新型时空混合海表温度订正模型（ConvGRU-SA）, 对南海海表温度预报数据进行偏差订正, 该模型适用于利用卫星遥感数据对海表温度数值预报产品进行订正。经与ConvLSTM、ConvGRU 等网络模型对比, 证明了ConvGRU-SA 模型的优越性, 设置不同的超参 数进行实验, 提高模型订正准确率。订正后该区域的海表温度预报均方根误差从0.52 ℃降低至0.32 ℃, 准确率提高了38.4%, 优于现有模型。     

青岛沿海海雾决策树预报模型研究

利用青岛2006—2013年4—8月地面观测资料以及FNL再分析资料,采用分类与回归树(CART)方法建立了青岛沿海海雾决策树预报模型,并根据2014年4—8月海雾预报空报情况,调整了预报模型中部分判别流程及预报指标阈值。2015年5月预报结果表明:修订后的青岛沿海海雾决策树预报模型72 h内海雾预报准确率可达70%—75%左右,表明修订后的海雾决策树预报模型可基本满足常规业务预报需求。青岛沿海海雾决策树预报模型中2 m相对湿度和海表温度最为关键,另外850 h Pa风向在海雾判别中也很重要,而且随着季节的不同判别阈值也明显不同。     

中国海及邻近海域卫星观测资料同化试验

利用1个基于POMgcs海洋模式和多重网格三维变分同化方法建立的中国海及邻近海域海面高与三维温盐流数值预报模型,通过一系列数值试验,研究了同化卫星测高和卫星遥感海面温度观测资料对该模型预报能力的影响。试验结果表明,同化卫星测高资料可明显改善海面高度与三维温度和盐度的分析预报效果,使1 200 m以上的温度预报误差减小0.16℃,并能有效提高对海洋中尺度现象的预报能力;同化卫星遥感海面温度对100 m以上的温度和盐度的预报效果有所改善,可使海面温度的预报误差减小10%。     

基于贝叶斯分类器的南海黄鳍金枪鱼渔场预报模型

本文利用来自中西太平洋渔业委员会(WCPFC)黄鳍金枪鱼延绳钓2000-2011年的历史渔获数据和美国国家海洋和大气管理局(NOAA)气候预报中心提供的海表温度最优插值数据和法国空间局(CNES)卫星海洋数据中心提供的多卫星融合高度计月合成海面高度资料,基于贝叶斯分类器,根据模型中环境因子的选取以及渔区分类策略的不同预拟了8种构建方案对2011年南海外海黄鳍金枪鱼的渔场进行分类预报,并将预报结果与实际渔场进行对比检验,比较分析不同方案对最终分类结果和精度的影响。检验结果表明,方案1-8总体精度分别为71.4%、75%、70.8%、74.4%、66.7%、68.5%、57.7%和63.7%。方案1-6在65%以上,均能够满足实际渔场预报业务化需求。采用SST和SSH双环境因子的方案均比采用单SST环境因子的方案总体精度稍高,一定程度上提高了预报精度,其中采用去除SST和SSH相关性的第一主分量作为预报因子的方案2达到了75%最高精度。采用CPUE平均值正负标准差作为节点比以33.3%与66.7%作为节点来区分高、中、低CPUE渔区的预报结果要更加准确。因此在模型筛选的基础上,选用模型方案2完成南海金枪鱼渔场渔情预报服务系统的系统实现。     

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。     

Kalman滤波技术在海表温度预测中的应用

以EOF分解方法为基础,把AR模型和Kalman滤波方法相结合,建立了海表温度的预报模型。首先对历史时间序列资料进行EOF分解,在此基础上,利用时间权重系数建立AR(2)模型,并对此模型参数进行了改进,作为Kalman滤波的状态方程。然后用Kalman滤波方法对时间权重系数进行了滤波预测,并引入集合预报的思想对SST预测结果进行了重构,并与实况资料进行了相关性分析。以太平洋、印度洋、大西洋三大洋的热带海域为个例进行了预测试验。试验结果表明,预测效果较好,相关系数平均达到了98%以上,而残差方差在0.5以内。     

基于最小二乘和卡尔曼滤波方法进行原子时预报的研究

介绍和分析了最小二乘和卡尔曼滤波方法在时间预报中的应用。通过IGS站提供的钟差数据,分别运用这两种方法对其中六个原子钟进行了时间预报的实验。通过对预报结果进行分析,结论证明为了取得较好的预报效果,不同的预报方法和钟参数的模型对于观测数据的要求有一些差别。从实验数据所成图形来看,当采用一天的观测数据进行模型预报时,最小二乘法的预报精度比卡尔曼滤波法稍高一些。     

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。     

基于朴素贝叶斯的西北太平洋柔鱼渔场预报模型的建立

西北太平洋是中国进行柔鱼(Ommastrephes bartramii)捕捞生产的重要海区,准确预报渔场出现的位置对提高渔业捕捞产量、节省燃油有重要的意义。本研究利用2002—2011年中国在该海域的历史产量数据、渔场时空数据以及包括海表温度、叶绿素浓度a、表温梯度强度和叶绿素梯度强度在内的海洋环境数据,基于朴素贝叶斯方法,建立了西北太平洋柔鱼渔场的预报模型。为满足朴素贝叶斯方法对条件独立性的假设,利用独立成份分析,重新获得相互独立的属性变量。通过求Cohen′s Kappa系数最大值的方法,确定3种CPUE类型的先验概率,建立可用于渔场预报的朴素贝叶斯预报模型。作为实际验证,将2012年7~11月我国柔鱼渔船在西北太平洋实际生产数据与预报的高CPUE渔场位置进行叠加,平均综合预报精度达到69.9%,表明该模型对西北太平洋渔场的预报具有较好效果和可行性。     

基于POMgcs模式中国海及邻近海域三维温盐流数值预报海面温度的检验分析

对基于POMgcs海洋模式建立中国海及邻近海域三维温盐流数值预报系统的海面温度产品,进行检验分析。利用2011年预报的月平均海面温度数据同卫星观测的月平均海面温度资料相比较,发现三维温盐流数值预报系统预报偏高。此外,分别利用2011年GTS海洋观测海面温度数据和2012年2、3、4月份卫星融合海面温度数据,与该系统海面温度预报逐日产品进行检验分析。检验结果表明:预报精度随着预报时效逐渐降低;预报海面温度高于观测值1℃~2℃。     

几种统计模型对热带印度洋海温异常的预报

本文利用神经网络模型、多元线性回归模型和马尔科夫模型分别建立了统计预报模型,对热带印度洋海表温度异常(SSTA)和印度洋偶极子(IOD)指数进行了63 a的长时间回报实验,并详细比较了线性和非线性统计预报模型的差异。结果表明:统计模型对IOD指数的预报技巧和现有动力模式预报技巧相差不大,对偶极子指数(DMI)有效预报时效为3个月,东极子指数(EIO)为5～6个月,西极子指数(WIO)达到8～9个月。IOD事件强烈的季节锁相特性使得对秋季的DMI指数可以提前4个月做出有效预报。加入同期的ENSO指数来预报IOD指数,能有效地提高IOD预报技巧,特别是对IOD峰值的预报。复杂的神经网络模型和简单的多元线性回归模型在对SSTA和IOD指数的预报具有同等的效果。     

亚丁湾海域数值预报与Argo观测温度比较研究

亚丁湾海域是印度洋西部一个重要海洋运输通道,其海水性质变化多样,海水运动复杂,对航海等起着重要作用。利用了海浪-环流耦合模式建立的全球大洋环流预报系统2008年的预报结果,结合实时/准实时的Argo观测资料,针对亚丁湾海域进行了模拟与观测的对比研究。对比分析包括:不同季节代表月份的预报结果与Argo剖面的比较、预报结果与全年Argo观测温度误差的统计分析等。比较表明:该预报结果与Argo观测剖面吻合较好,温度预报在整体上具有较小的误差,在100 m以深的海洋下层有75%的温度误差分布在±1℃范围内,而100m以浅的海洋上层的温度误差在该范围占67%。比较结果也显示预报的上层混合作用仍略偏弱,剖面中的逆温现象没有在预报中反映出来等,其机制有待深入研究,可能受分辨率低的限制。这些结果为将来在该海域建立高分辨率的海洋环流预报系统有一定借鉴意义。     

卫星钟差长期预报模型的研究与改进

在传统的二次多项式模型和灰色模型的基础上提出了一种新的组合模型来预报卫星钟差.首先利用灰色模型估计的残差建立二次多项式模型,预报以后历元的残差修正值,然后和灰色模型的预报结果相加.并分析了利用不同历元个数的残差建模所得组合模型的精度,将组合模型与灰色模型、二次多项式模型的预报精度进行了比较.结果表明:组合模型相对于灰色...     

基于分类回归树算法的东南太平洋智利竹筴鱼渔场预报

为了提高智利竹筴鱼渔场预报水平和满足渔业捕捞生产的需要,利用2002—2008年的东南太平洋公海海域捕捞的中国大型拖网渔船共计15艘的生产统计资料,以及海洋环境数据(包括海表温度、叶绿素a浓度、表温距平、叶绿素a浓度距平、海表温度梯度强度和海面高度异常等数据),基于CART的算法,构建了智利竹筴鱼渔场决策树预报模型。用含1 114条记录的数据集对模型进行训练,并采用ROC方法对该模型诊断中心渔场的准确性进行了分析。最后将该模型应用于2009年各月份的智利竹筴鱼中心渔场预报,并与实际渔场位置进行了对比,结果显示预报渔场与实际生产位置基本一致,表明利用CART决策树方法建立智利竹筴鱼渔场预报模型是可行的。     

北印度洋风浪流数值预报系统:Ⅱ-检验分析

基于系统构建工作[1],开展北印度洋风浪流数值预报系统后报和准业务化预报,并利用2013年9月—2014年3月共6个月的资料对预报结果进行了统计检验。结果显示北印度洋风浪流数值预报业务运行稳定可靠,大气模式(WRF)72 h预报的500 hPa位势高度距平相关系数达到89%,海浪模式(SWAN)的72 h有效波高预报的相对误差低于20%,海流模式(ROMS)的72 h海表温度预报的均方根误差在0.5℃左右;同时对2013年10月期间孟加拉湾的超级气旋风暴"PHAILIN"的预报结果进行了分析。该风、浪、流预报系统能够较好地预报"PHAILIN"的移动路径、最低气压及相应的海浪和海流过程。该系统的试运行和检验分析结果,对建立新一代海洋环境数值预报系统具有一定借鉴意义。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等,利用LSTM深度神经网络方法,开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域,通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子,分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析,得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差,RMSE分别降低了41.3%和38.8%,MAE平均降低了43.0%和40.0%;风速误差统计和极端大风分析发现,LSTM模型能够抓住地形、短时大风和台风等敏感信息,对于大风过程预报结果明显优于WRF模式;两种LSTM模型对比发现,ALL_LSTM模型风速预报误差最小,具有很好的稳定性和鲁棒性,OBS_LSTM模型应用范围更广泛。     

基于机器学习方法对台风浪短期预报应用

基于第三代海浪模型SWAN建立中国东海波浪数值模型,模拟1509号“灿鸿”台风,1909号“利奇马”台风和2106号“烟花”台风过境期间的波浪场,并将结果作为多层感知机,随机森林和支持向量回归预报台风浪模型的数据集,同时引入空间性特征对算法输入进行改进,并对比不同模型的训练速度。结果显示,加入空间性特征后,模型预报精度得到提升,其中多层感知机均方根误差降低40.4%,运行速度最快,随机森林均方根误差降低20.8%,运行速度最慢,支持向量回归均方根误差降低8.7%,运行速度介于前两者之间。表明改进后的模型有效提高了预报精度,可以用于针对台风浪的短期预报。     

青岛近岸能见度逐小时分级预报模型初探

本文对青岛2014~2015年4~8月份位于青岛奥帆基地站和胶州湾跨海大桥上的大桥4站的逐小时自动气象站测量数据进行多种统计分析工作,发现两地能见度变化影响因子有不同特点,大桥4站在雾出现时降温增湿过程更明显。能见度处于1km以下时,风速降低,温度降低,绝对湿度减小会导致更低的能见度出现。使用神经网络方法分别对两站建立逐小时的能见度分级预报模型,并用2016年4~8月数据进行预报检验,表明少数关键预报因子就可以较好地建立预报模型,奥帆基地站能见度0~1km和1~5km级别的TS评分可超过0.4,因子增多会提升能见度1~5km级别的预报效果。两站独立建模比使用一个模型预报效果更好。该研究为青岛近岸能见度精细化客观定量预报提供参考。