中尺度业务预报试验数值模式系统

以引进的美国Penn State/NCAR中尺度模式（MM2和MM4）为基础，按照实时业务预报需要和我国资料特点，在PC/386微机上研制了中尺度业务预报试验数值模式系统。在1989—1990年进行的实时业务预报试验中，该系统运行稳定，预报时效能满足实时业务预报要求，预报结果对12—24小时短期天气预报具有参考价值，适合于省（市）级气象台站等业务单位使用。     

汾渭平原CUACE模式空气质量预报性能的检验订正及环境评估

利用2019年1—6月地面环境监测资料和PM_2.5气象条件评估指数，结合滚动偏差订正方法，对汾渭平原CUACE空气质量预报产品进行了检验订正，并对气象条件和污染减排影响进行了评估。结果表明：CUACE模式对空气质量指数(AQI)、PM_2.5和SO₂浓度预报值较接近观测值，PM₁₀、CO和NO₂预报值小于观测值，O₃预报值大于观测值；对首要污染物O₃和PM_2.5及重度和严重等级污染的预报的TS评分最高，漏报率和空报率最小，预报偏差最接近1；滚动偏差订正方法对改善CUACE空气质量预报效果较为明显，尤其是对PM₁₀、O₃和NO₂改善最为明显；汾渭平原2019年上半年气象条件变化使PM_2.5浓度较2018年同期和过去5年同期分别上升了18.26%和11.18%，减排措施使PM_2.5浓度较2018年同期和过去5年...     

北京地区中尺度数值业务预报的客观检验

对北京地区中尺度数值天气预报客观检验系统的框架和方法进行了详细的介绍，分析了北京地区冬季（2001年11月1日~2002年2月28日）主要预报要素的客观检验结果，在此基础上给出北京地区冬季中尺度数值预报业务的误差特征，并根据检验结果定性地分析了模式预报系统性和非系统性误差的可能来源。结果表明，模式地形的强迫作用是地面和对流层低层预报系统性误差的重要来源；测站高空预报要素的非系统性误差显著，初始时刻存在的误差在积分过程中被进一步放大；对北京 (54511) 单站地面要素预报的检验结果发现，2-m温度预报冬季整体偏低。在系统性误差为主要误差分量时对模式的平均误差进行订正能有效地提高温度预报的准确率。     

CAPPS在太原市本地化过程中的改进和应用

该文针对CAPPS在太原市运行的误差问题，在分析其主要原因的基础上，变换地形背景场，依据不同季节、不同天气形势，在模式中增加对综合误差系数和扬尘系数的调节功能，进行多种数值模拟试验。结果表明:在误差分析基础上确定的模拟试验方案，使主要污染物SO₂、NO_X和PM₁₀的预报值与监测值的相关系数分别提高到0.96、0.91和0.89，最终使CAPPS成为预报准确率稳定在90%以上的业务化数值模式系统。     

风电场风速降尺度预报方法对比分析

使用中尺度数值天气预报业务模式9 km和3 km分辨率的模式输出产品,分别应用小尺度模式CALMET模式和双线性插值(BLI)方法将预报风速进行降尺度处理,并对比预报风速和风塔观测资料。结果表明：WRF模式9 km分辨率的模式输出经过CALMET模式降尺度以后得到的风速预报效果比3 km分辨率的模式输出略好。同时,由于中尺度数值预报模式分辨率本身较高,使用BLI也可以得到较好的风速预报。将风速分为0 m·s^-1≤风速<5 m·s^-1,5 m·s^-1≤风速<10 m·s^-1和风速≥10 m·s^-1共3个等级,检验3个风速等级的预报偏差百分比得出,CALMET模式和BLI方法对10 m·s^-1以上的大风的预报效果相对较差;如何对大风预报进行订正对风速预报准确率的提高具有重要的意义。     

基于极端随机树方法的WRF-CMAQ-MOS模型研究

随着城市化、工业化的快速发展,空气污染已经成为了公众最关注的问题之一。为了提高空气质量预报的准确度,以多尺度空气质量模型（Community Multi-Scale Air Quality,CMAQ）为工具,结合中尺度WRF（Weather Research and Forecast Model）气象预报数据、气象观测数据、污染物浓度观测数据,基于极端随机树方法建立了WRF-CMAQ-MOS（Weather Research and Forecast Model-Community Multi-Scale Air Quality-Model Output Statistics）统计修正模型。结果表明,结合WRF气象预报的CMAQ-MOS方法明显修正了由于模型非客观性产生的模式预报偏差,提高了预报效果。使用线性回归方法不能获得较好的优化效果,选取极端随机树方法和梯度提升回归树方法对模型进行改进和比较,发现极端随机树方法对结合WRF气象要素的CMAQ-MOS模型有较大的提升。针对徐州地区空气质量预报,进一步使用基于极端随机树方法的WRF-CMAQ-MOS模型对2016年1、2、3月的空气质量指数（AQI）及PM_2.5、PM₁₀、NO₂、SO₂、O₃、CO六种污染物优化试验进行验证,发现优化效果最为明显的两种污染物分别是NO₂及O₃,2016年1、2、3月整体相关系数NO₂由0.35升至0.63,O₃由0.39升至0.79,均方根误差NO₂由0.0346减至0.0243 mg/m3,O₃由0.0447减至0.0367 mg/m3。文中发展的WRF-CMAQ-MOS统计修正模型可以有效提升预报精度,在空气质量预报中具有很好的应用前景。      

GRAPES与MM5产品业务应用质量对比

分别以GRAPES和MM5为核心建立中尺度数值预报业务系统,并对2006年6～8月温度和降水预报产品业务应用效果进行严格的检验。结果表明:GRAPES和MM5对黑龙江省都具有较强的预报能力,温度预报两者相当,24h降水预报GRAPES总体好于MM5,48h降水预报MM5总体好于GRAPES。两个中尺度数值预报业务系统的产品,对实现精细化预报有重要的作用,可以作为加工预报产品的基础。     

CAPPS3模式在福州市预报效果检验

对2009年7月至2010年6月区域空气质量数值预报模式CAPPS3在福州市的应用进行效果检验,分析各季节CAPPS3预报福州市3种污染物SO₂、NO₂和PM₁₀的等级预报准确率、转折性天气预报准确率与监测值的相关系数以及综合评分。结果表明：夏秋季节CAPPS3模式3种污染物等级预报准确率较高,冬季NO₂和春季PM₁₀的等级预报准确率较低,错误等级预报多数偏高;转折性天气预报准确率夏秋季最高,春季最低,模式对天气形势的变化反应不灵敏,特别是污染物浓度突变时,预报能力较差,当天气形势稳定时,预报效果较好;浓度预报值较监测值有偏大和滞后的缺点;相关系数及综合评分结果夏秋季最高,春季最低。CAPPS3总体预报效果较好,可提供有价值的指导预报,适合业务运行。     

利用PCA-kNN方法改进广州市空气质量模式PM2.5预报

为了提高广州市PM_2.5客观预报能力,采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法,基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM_2.5观测实况,试验确定PCA-kNN方法的最佳参数方案,建立广州市空气质量模式PM_2.5预报客观订正方法。结果表明:与CMAQ模式的PM_2.5预报相比,在第1~3天预报时效上,PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%,均方根误差分别降低17%、16%、20%,平均偏差更接近0,PM_2.5浓度等级TS评分接近或优于CMAQ预报,PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM_2.5预报,本研究对其他地区、其他污染物客观预报研究具有借鉴意义。      

数值预报产品动力释用预报系统的研制

选用一种无需数值预报历史资料且物理意义十分明确的动力释用方法，应用MM5中尺度数值模式输出产品，预报降水的天气落区及强度，建立大连地区暴雨和大暴雨的数值预报产品动力释用预报平台。     

北京地区中尺度非静力数值预报系统的开发与实时预报应用

国家气象中心与北京市气象局联合开发并将于1999年底建成“北京地区中尺度数值天气预报业务系统”。作为开发的第一阶段,以PSU/NCAR的MM5非静力中尺度模式为基础,在国家气象中心IBM/SP2机并行运算环境下与国家气象中心资料源连接并应用北京地区加密地面观测资料,初步建成了“北京地区中尺度数值天气预报试验系统”（以下简称BJ-MM5V.1）。模式设计为垂直23层,水平分辨率分别为45和15km的两重双向嵌套网格。在IBM/SP2计算机上用24个节点作36 h预报所需机时为2 h 20 min,满足实时业务预报需要。该系统于1997年夏季进行了实时运行试验,可提供北京地区每小时降水量预报每3 h多种气象要素预报,预报产品在北京市气象局试用。结果表明,系统有较强的稳定性和实用性,对降水时空分布的预报效果较好。     

北京地区风廓线仪布网方案的数值研究

文中利用北京地区中尺度数值天气预报业务系统 ,通过进行多个例数值对比试验 ,对在北京地区如何进行风廓线仪布网进行了数值研究。结果表明大气风场随高度的垂直分布和变化对天气过程有明显的作用 ,在较短时期就可对大气的空间特征形成深厚的影响 ,天气系统对大气风场的垂直结构特征是较为敏感的。其可在短期天气过程中影响天气系统的温度场结构及相关降水过程 ,且在以上影响随着预报时效的增加而增强的同时 ,影响范围也随预报时效的增加而扩大。对中尺度数值预报和北京地区的风廓线仪布点方案来说 ,以核心区域 (北京市城区 )为中心的呈近等边三角形的布网方案具有与近正四边形布网方案相当的探测效果 ,选择近等边三角形布网方案 ,较选择较近正四边形布网方案更为合理。可节省大量的资源及经费。文中所研究方法和结果对在有限区域如何选择风廓线仪布网方案具有广泛的借鉴意义和实际应用价值。     

Differences in Meteorological Conditions between Days with Persistent and Non-Persistent Pollution in Beijing,China

We compared the regional synoptic patterns and local meteorological conditions during persistent and non-persistent pollution events in Beijing using US NCEP–Department of Energy reanalysis outputs and observations from meteorological stations. The analysis focused on the impacts of high-frequency (period < 90 days) variations in meteorological conditions on persistent pollution events (those lasting for at least 3 days). Persistent pollution events tended to occur in association with slow-moving weather systems producing stagnant weather conditions, whereas rapidly moving weather systems caused a dramatic change in the local weather conditions so that the pollution event was short-lived. Although Beijing was under the influence of anomalous southerly winds in all four seasons during pollution events, notable differences were identified in the regional patterns of sea-level pressure and local anomalies in relative humidity among persistent pollution events in different seasons. A region of lower pressure was present to the north of Beijing in spring, fall, and winter, whereas regions of lower and higher pressures were observed northwest and southeast of Beijing, respectively, in summer. The relative humidity near Beijing was higher in fall and winter, but lower in spring and summer. These differences may explain the seasonal dependence of the relationship between air pollution and the local meteorological variables. Our analysis showed that the temperature inversion in the lower troposphere played an important part in the occurrence of air pollution under stagnant weather conditions. Some results from this study are based on a limited number of events and thus require validation using more data.     

中尺度天气的高空地面综合图分析

中尺度强天气的预报能力非常有限,一个重要原因是在业务预报中,缺乏对中尺度对流天气发生的环境场条件和发生发展特征进行及时有效的分析。本文介绍了国家气象中心正在试行的中尺度天气的天气图分析方法。中尺度天气的天气图分析主要利用探空资料和数值预报相关参量资料,分析中尺度对流天气发生发展的环境场条件,包括高空综合图分析和地面分析。在高空分析中重视风、温度、湿度、变温、变高的分析,并通过将不同等压面上最能反映水汽、抬升、不稳定和垂直风切变状况的特征系统和特征线绘制在一张图上形成综合图,以更直观的方式反映产生中尺度深厚对流系统发生发展潜势的高低空配置环境场条件。地面分析包括气压、风、温度、湿度、对流天气现象和各类边界线(锋)的分析。国家气象中心的强对流天气预报业务试验表明,中尺度天气的天气图分析已经成为强对流天气潜势预报的重要依据。     

Regional meteorological patterns for heavy pollution events in Beijing

The present study investigates meteorological conditions for the day-to-day changes of particulate matter (PM) concentration in Beijing city during the period 2008–2015. The local relationship of PM concentration to surface air temperature, pressure, wind speed, and relative humidity displays seasonal changes and year-to-year variations. The average correlation coefficient with PM₁₀ in spring, summer, fall, and winter is 0.45, 0.40, 0.38, and 0.30 for air temperature; –0.45, –0.05, –0.40, and –0.45 for pressure; 0.13, 0.04, 0.53, and 0.50 for relative humidity; and –0.18, –0.11, –0.45, and –0.33 for wind speed. A higher correlation with wind speed is obtained when wind speed leads by half a day. The heavily polluted and clean days, which are defined as the top and bottom 10% of the PM values, show obvious differences in the regional distribution of air temperature, pressure, and wind. Polluted days correspond to higher air temperature in all the four seasons, lower sea level pressure and anomalous southerly winds to the south and east of Beijing in spring, fall, and winter, and a northwest–southeast contrast in the pressure anomaly and anomalous southerly winds in summer. Higher relative humidity is observed on polluted days in fall and winter. The polluted days are preceded by an anomalous cyclone moving from the northwest, accompanied by lower pressure and higher air temperature, in all four seasons. This feature indicates the impacts of moving weather systems on local meteorological conditions for day-to-day air quality changes in Beijing.     

2012—2015年北京市空气质量指数变化及其与气象要素的关系

根据2012—2015年的空气质量指数（AQI）日报数据与同时段的气象数据,采用统计方法和广义加性模型（GAM）对空气质量指数的时间变化及其与气象要素的关系进行了分析,结果表明：2012—2015年北京市空气质量整体呈现下降趋势,冬春季空气质量较差,夏秋季的较好,冬季容易产生重污染天气,春季污染天气频发。北京空气质量存在一定程度的周末效应,表现为周末空气质量较差,工作日相对较好。整体上空气质量指数与风速、日照时数、降水量、平均气温和最高气温呈负相关,与湿度呈正相关,不同季节和不同级别空气质量下的AQI与气象要素相关性差异较大。通过广义加性模型得到AQI与降水量呈线性关系而与其他气象要素均呈非线性关系,气象要素在不同数值范围内对AQI的影响趋势和程度存在显著差异。     

THE BEIJING AREA MESOSCALE NWP SYSTEM AND ITS APPLICATION

Significant progress has been made on the development of mesoscale numerical weather prediction(NWP)system for Beijing area,as a joint project of the National Meteorological Center(NMC)andthe Beijing Meteorological Bureau(BMB).On the basis of the non-hydrostatic mesoscale model PSU/NCAR MM5,a mesoscale NWP system for Beijing area(BJ-MM5V.1)has been developed on thecomputer IBM/SP2 MPP with 24 nodes at NMC.As a two-way nested grid model two grids arechosen with 45 and 15km grid length respectively,and 23 levels in the vertical.It takes 2 hours and20 minutes to make a 36h forecast,which satisfies the time requirement for the operational use.Inaddition to the routine data received from GTS at NMC,the enhanced observations over Beijingregion are used for the objective analyses.This system was put into semi-operational use during thesummer of 1997 to test its performance.The forecast products,hourly rainfalls and all of themeteorological elements needed,are provided to the forecasters at BMB for use.It is identified fromthe test results that the system is robust and has pretty good ability to forecast the spatial andtemporal distribution of the precipitation for the local heavy rainfalls.     

冬、夏季风转换期间南海南部海区的气象特征

南海南部海区冬、夏季风转换时段主要的天气系统有副热带高压和热带辐合带；冬、夏季风转换的集中时段是5月上旬；气温和海水表层温度最高值时段是5月下旬；各气象要素连续变化规律与冬季风北退和夏季风逐步盛行的阶段性变化较明显；平均日变化幅度小，海水表层温度和气温日变化最高值与最低值时次差异相反，正午时段的气温又比海水表层温度值高。     

北京城市大气环境污染机理与调控原理

该文主要介绍了科技部国家重点基础研究发展规划项目“首都北京及周边地区大气、水、土环境污染机理及调控原理”大气分项目的研究成果。项目分别于2001年和2003年重点开展了BECAPEX科学试验 (Beijing City Air Pollution Experiment)。BECAPEX试验同步进行城市边界层气象与大气化学观测, 通过卫星遥感、地面观测, 即城市空间和地面以及点与面结合的技术途径, 以揭示北京城市污染“空气穹隆”大气化学结构特征及其变化规律, 为城市环境大气动力-化学模式提供基本科学参数, 给出城市边界层大气物理化学过程综合模型, 为提高城市环境大气物理-化学过程耦合模式的准确性和可靠性提供科学依据。该项目揭示了北京城区和城近郊区城市边界层结构与湍流特征, 城市大气污染垂直结构特征; 发现了城市大气污染空间结构多尺度特征, 其中包括大气污染源影响和城市热岛多尺度特征; 揭示了城市大气重污染过程周边源影响域, 以及北京及周边地区气溶胶影响域和区域气候响应; 提出了北京市典型污染源排放清单; 发展了城市气象模式系统, 包括冠层模式、街谷环流和热力结构以及城市高大建筑群周围风环境数值模拟; 发展了空气质量模式技术, 包括二次气溶胶模拟试验、北京地区SO₂污染的长期模拟及不同类型排放源影响的计算与评估、影响北京地区的沙尘暴输送模拟、区域化学输送模式中NO_x和O₃源示踪法, 城市尺度的大气污染CAPPS模式及统计模型的应用、大气污染及紫外辐射数值预报模式和CMAQ-MOS空气质量预报方法; 改进了美国公共多尺度空气质量预报模式, 建立了CMAQ-MOS区域空气质量动力-统计模型预报模式, 以及发展的源同化技术, 突破了当前空气质量模式技术“瓶颈”, 使模式预报准确率明显提高。     

A Model Output Machine Learning Method for Grid Temperature Forecasts in the Beijing Area

In this paper, the model output machine learning (MOML) method is proposed for simulating weather consultation, which can improve the forecast results of numerical weather prediction (NWP). During weather consultation, the forecasters obtain the final results by combining the observations with the NWP results and giving opinions based on their experience. It is obvious that using a suitable post-processing algorithm for simulating weather consultation is an interesting and important topic. MOML is a post-processing method based on machine learning, which matches NWP forecasts against observations through a regression function. By adopting different feature engineering of datasets and training periods, the observational and model data can be processed into the corresponding training set and test set. The MOML regression function uses an existing machine learning algorithm with the processed dataset to revise the output of NWP models combined with the observations, so as to improve the results of weather forecasts. To test the new approach for grid temperature forecasts, the 2-m surface air temperature in the Beijing area from the ECMWF model is used. MOML with different feature engineering is compared against the ECMWF model and modified model output statistics (MOS) method. MOML shows a better numerical performance than the ECMWF model and MOS, especially for winter. The results of MOML with a linear algorithm, running training period, and dataset using spatial interpolation ideas, are better than others when the forecast time is within a few days. The results of MOML with the Random Forest algorithm, year-round training period, and dataset containing surrounding gridpoint information, are better when the forecast time is longer.