基于ECMWF细网格产品的吉林省东南部冬季气温BP-MOS预报方法

基于ECMWF细网格模式输出产品和BP神经网络预报方法建立一种优化的BP模型,对吉林省东南部山区(白山地区、通化地区)未来24h的日最高和最低气温进行预测,并对比该方法、ECMWF细网格的2m温度输出产品以及线性MOS方法的预报效果.结果表明:在建立预报方法时,考虑预报因子对气温影响的累积过程,并对其进行优化处理,有利...     

麻城龟峰山古杜鹃花期滚动预报方法探讨

利用麻城龟峰山杜鹃花海3个不同海拔高度和临近区域自动站连续2年观测的气温和物候资料,结合前期物候资料,统计不同高度、不同时段和不同要素的气象条件,结果表明:杜鹃花开放的临界温度为日平均气温稳定通过10℃,达到盛花期物候标准的积温指标为:1月1日起至盛花期前一日≥0℃活动积温大于等于730℃;3月1日起至盛花期前一日≥10℃活动积温大于等于450℃,对两项积温按不同高度、不同时间段进行垂直递减率计算并作相关分析,两因子与花期的线性相关显著。以两项积温作预报因子,建立从3月底到4月底,每隔5天一次的不同时段共7个花期预报方程。利用积温指标结合预报方程,可对杜鹃花期进行滚动预报和精细化预报,预报效果与实况基本吻合,误差较小。     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

积温对比法在鸭梨始花期预报中的应用

利用2012—2018年鸭梨花芽发育实景观测照片,精准判定每个鸭梨花芽发育物候期节点发生时间,以此为依据统计鸭梨花芽每个发育物候期的气象要素数据,以物候期为单位分析气象影响因子对花芽发育过程的影响。研究表明:温度在鸭梨花芽发育各阶段起主导作用,筛选出鸭梨花芽萌发到始花、开绽到始花、露蕾到始花3个时段日平均气温≥0℃活动积温和≥3℃有效积温,作为制作鸭梨始花期预报的积温指标计算鸭梨开花日期,得到"积温对比预报法";经2016—2018年应用检验:预报时效10～12d时预报结果与鸭梨开花实况误差在1～2d以内,预报时效7d时预报结果与鸭梨开花实况完全吻合。本研究克服了传统植物花期预报研究因花前物候资料匮乏、不能进行花前发育期分析的缺陷,并把"中长期天气预报产品"引入了花期预报方法的使用,为植物花期预报研究方法提供了新思路。     

基于EC细网格与BP算法的辐照度预报及检验

在理想晴天天气下,可计算确定位置不同时刻的理论辐照度,但与实际辐照度在不同季节仍存在一定系统误差。利用易县某光伏电站近1年逐15 min实况,提出了一种基于理论辐照度的晴天天气下的系统误差订正方法,并进一步利用欧洲EC细网格预报资料及BP神经网络方法实现了未来24~48 h辐照度的逐15 min预测,得到以下结论:(1)晴天天气下,该系统误差订正方法可有效剔除实况资料中非晴天天气数据的影响,不同季节的平均绝对误差不超过该季节最大辐照度的5%;(2)对24~48 h逐15 min的辐照度预报,经不同季节检验,冬季误差68.5 W/m²、春季误差125.2 W/m²、夏季误差119.5 W/m²、秋季误差53.7 W/m²,对11月份的预报最为理想。该研究成果可有效降低人工筛选工作量,在服务中有很好的实用性和参考性,可作为光伏数值预报的一种有效数据源。     

ECMWF模式气温预报在青岛地区的检验与评估

利用2013—2015年ECMWF(简称EC)细网格模式2m气温预报产品,分析了不同季节和不同天气形势下EC细网格模式产品对青岛地区7个基准站逐日最高气温和最低气温的预报性能。结果表明:EC细网格模式2m气温预报误差沿海站点大于内陆站点,且误差随着预报时效的延长逐渐增大。最高气温预报除胶州站外均为负误差,最低气温预报青岛、平度、莱西为正误差,崂山、黄岛、胶州和即墨为负误差。最高气温预报在3—4月和8—9月预报质量不稳定,最低气温预报夏半年好于冬半年。根据模式误差特点,给出7站气温主观订正参考值,订正后最高气温预报准确率提高3%~16%,最低气温预报准确率提高4%~18%。EC细网格模式对于暴雨、强对流、高温晴热、回暖天气、冷空气过程最高气温预报偏低,海雾影响时最高温度预报偏高;对冬季大雾情形下的最低气温预报偏低,辐射降温时最低气温预报沿海站点偏低,北部内陆站点偏高。     

鸭梨初花期预报模式的研究

根据物候资料及春季气候特点，利用榆树初花期与鸭梨初花期期间≥0℃的积温，预报鸭梨初花期；根据花前生育期特点，利用逐步回归的方法，对开花前的29种气象要素进行回归筛选，建立鸭梨初花期统计预报模式。     

基于ECMWF细网格模式的短时强降水客观概率预报方法研究

根据陕南643个经质量控制的自动气象站2010—2014年逐小时观测降水,采用百分位法确定陕南短时强降水标准。基于2010—2014年11 824站次短时强降水个例和欧洲中心（ECMWF）间隔6 h的0.25 °×0.25 °再分析格点资料,以空间最近、时间最近前1时次原则:计算并确定陕南汛期5—9月各月短时强降水36种对流参数历史概率分布特征值;考虑对流参数的显著性和适度性指标构建评价方案,利用相对模糊偏差矩阵、标准差系数方法,优选出陕南5—9月各月的15种对流参数及其权重。业务运行以ECMWF细网格模式的基本预报产品,计算优选的对流参数值,结合参数历史概率分布值及其权重,建立陕南分月短时强降水客观概率预报模型。将模型概率预报结果升序排列后80%处对应的数值,且大于0.2作为短时强降水的临界概率,对2015年汛期降水过程进行检验,TS评分为0.59,漏报率为0.18,空报率为0.31。      

基于自动机器学习的机场温度预报方法研究

利用2015年1月—2021年3月ECMWF细网格数值预报产品构建训练样本,使用自动机器学习方法构建乌鲁木齐机场温度预测模型.结果表明:(1)ECMWF模式直接输出的乌鲁木齐机场温度平均绝对误差为1.7℃,基于自动机器学习方法的Auto-sklearn模型和Auto-Keras模型能够改善模式直接输出的误差,使平均绝对...     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

多模式温度集成预报

基于中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式2 m高温度预报, 利用神经网络方法中的BP网络建立了我国600多个站的温度集成预报系统, 该预报系统的预报时效为72 h, 间隔为3 h。通过对2004年1—5月的预报结果检验, 表明:集成的温度预报结果明显优于3个模式单独的预报结果, 72 h内预报的平均绝对误差在3 ℃以内, 并且不存在明显的系统误差, 预报达到了一定的精度, 可以为预报员提供定时、定点精细的客观温度预报参考。分区的检验结果表明:不同区域预报误差存在差别, 新疆和西藏误差比较大, 而长江流域和华南地区误差很小, 并且不同区域系统误差的情况也不相同。从总体情况看, 预报误差还存在日变化, 一般来讲, 夜间的预报误差小于白天。     

ECMWF细网格模式在北疆降雪预报中的统计检验

采用ECMWF细网格模式产品,对发生在北疆2015年1月—2017年4月共20场降雪天气过程进行统计学检验。结果表明,48 h预报时效内ECMWF细网格模式对形势场、850h Pa比湿、对流层位涡及对流层低层u、v风场预报误差较小,精度较高;对流层中低层垂直速度和相对湿度及300 hPa u、v风场的系统性误差较小,随机误差相对较大,并建立了ECMWF细网格模式48 h预报时效内在北疆降雪天气预报中的应用模型;模式对新疆北部暖区降雪的各量级预报随时效的延长准确率并非减小,尤其是中雪;72 h预报时效内,模式对12 h累计降雪量为小雪和中雪的预报相对较稳定,强降雪的误差较大,随时效的延长并非呈增大的趋势;在预报业务中注意订正应用。     

利用双隐层BP网络进行雷暴潜势预报试验——以太原为例

利用太原地区探空资料,结合闪电定位资料,采用神经网络法对太原地区雷暴天气进行潜势预报.选取与雷暴发生相关性较好的探空因子作为预报因子,对其进行归一化处理,输出采用两级分类,构建双隐层的BP网络,并应用独立样本进行预报检验.结果表明,在相同条件下,与单隐层BP网络相比,双隐层BP网络显示了其在解决分类问题上的优势;与多元统计回归法相比,双隐层BP网络获得更高的雷暴预报TS评分及更可靠的结果,显示出神经网络良好的非线性问题处理能力.并且对雷暴预报结果的规律进行了分析与讨论,说明探空因子与雷暴的发生有着密切的联系.     

ECMWF细网格TP产品在北疆降雪天气中的预报性能检验

基于升级后的EC细网格TP降水量预报产品,对北疆2015年17场降雪天气的12h累积降雪量,主要运用平均误差、平均绝对误差和均方根误差进行了检验。结果表明,该模式在北疆降雪天气预报中小雪的预报准确率最高,暴雪最小;预报准确率随时效的延长并非都是减小的;小雪空报率较高、暴雪漏报率较高,中雪和大雪空报率和漏报率都不容忽视;小雪和中雪的3种误差均较小,随时效的延长变化较小;强降雪(大雪及以上量级)的误差较大,随时效的延长有增大的趋势;模式对小雪的预报总体为系统性偏大,对强降雪预报则为明显的系统性偏小,对中雪的预报系统性偏向不稳定。     

基于神经网络和地理信息的华东及华南地区降水概率预报

基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Fore-casts,ECMWF) 2015年2月8日-2016年12月31日中国华东及华南地区24 ～168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Ne...     

ECMWF细网格2 m温度预报产品在南疆西部温度预报中的释用

利用2016年1月1日—2018年12月31日ECMWF细网格模式2 m温度预报产品,使用三次多项式差值方法内插到站点,并用中短期天气预报检验方法,对南疆西部12个国家站与15个区域自动站共27个站的最高、最低气温未来24 h预报效果进行检验分析。结果表明：ECMWF细网格模式2 m温度预报产品对南疆西部非山区站未来24 h最高、最低气温的预报能力较好,对山区站未来24 h预报效果差;对南疆西部最高、最低气温的预报效果随季节变化,夏季预报准确率高于冬季,秋季预报准确率最低;模式最高气温预报准确率在降雪、高温天气时较高,最低气温预报准确率在降雨时较高,在高温过程中较低;模式对于降雨、降雪、大风/沙尘等天气最高气温预报偏低,高温事件中最高气温预报偏高。最低气温预报在降雨、高温天气中偏高,降雪时偏低,大风/沙尘天气最低气温预报偏东地区偏高、偏北地区偏低。降雪、高温天气预报相对降雨、大风/沙尘天气预报效果更稳定。     

7月份降雨分布型的预报方法

综述了我国７月份雨型的划分方法，各种雨型的多雨特点及环流特征，总结了各类雨型的预报判据，着眼于赤道东太平洋海温（ＳＳＴ），冬季（１－３月）５００ｈＰａ环流，春季（３－５月）西太平洋副热带高压，夏季（６－８月）赤道平流层纬向风准两年振荡（ＱＢＯ）等方面，分析了与７月雨型的关联。该方法对业务预报有很好的指导意义。     

基于公众天气预报预测塑料大棚逐日极端气温

利用浙江省慈溪市的公众天气预报和草莓大棚内极端气温的观测数据,构建一个以室外日最高气温、最低气温、相对湿度、最大风级、白天和夜间天空状况作为输入变量,棚内日最高气温和日最低气温作为输出变量的BP神经网络预测模型。用以预测草莓大棚室内日最高气温和日最低气温。结果表明,该模型对大棚内日最高气温、日最低气温的训练值和实测值之间的均方根误差分别为4.0℃和1.3℃,绝对误差则分别为3.2℃和1.0℃;日最高气温和日最低气温的预测值和实测值之间的均方根误差分别为3.6℃和1.2℃,绝对误差为3.0℃和1.0℃。该模型数据获取方便,实用性强,模拟精度较高,可以较准确的预测未来温室内的极端气温,为温室管理和调控提供依据。