基于EC-2T的黔西南州春季静止锋气温预报研究

对近5a（2015-2019年）发生在黔西南的滇黔准静止锋个例进行统计整理,分析滇黔准静止锋不同类型下在黔西南出现的规律及其附近要素分布特征,结合黔西南州8个站点气温实况数据和EC-2T预报,采用偏差订正法,建立订正方程。结果表明：近5a中,2019年春季出现静止锋天数最多,2016年春季出现静止锋天数最少,以3月出现次数为最多;黔西南州位于锋后冷气团内的天数最多（Ⅰ型）,位于锋前的暖气团中（ Ⅱ型）最少;弱静止锋出现天数最多,强静止锋出现天数最少,以3月出现强静止锋天数为最多;在滇黔准静止锋附近,各气象要素分布呈现不同的特征,即最高和最低气温空间基本呈现“东南高北低”的分布特征,雨日空间基本呈现“西高东南低”的分布特征;建立订正方程订正后,黔西南州春季静止锋最高气温在各月预报准确率均有所提高。     

基于类卡尔曼滤波的哈尔滨智能网格气温预报检验及偏差订正

应用滑动平均（5 d、7 d）、类卡尔曼滤波递减平均两种订正方法对哈尔滨地区国家级指导预报最高（最低）气温产品进行预报能力初步检验及偏差订正。结果表明：两种订正方法对最高气温与最低气温预报产品24-240 h预报时效大部分时段均有正的订正效果,最高（最低）气温预报准确率提高1-2%,平均绝对误差0.1-0.2℃,其中24-96 h预报时效预报能力稍好,120 h之后预报能力较差,订正后预报准确率也不足60%。气温预报偏差还表现为明显的季节变化特征,7-9月最高气温的预报效果优于冬春季,冬半年的订正幅度较夏季稍大。另外,不同天气状况下降水天气对气温预报有一定的影响,如果能进一步改进模式预报中降水带来的偏差,将进一步提高模式订正效果。     

1981-2019年新疆区域性高温天气过程时空特征及其环流分型

利用1981—2019年5—9月新疆105个国家基本气象站日最高气温观测资料及美国国家环境预报中心和大气研究中心(National Centers for Environmental Prediction/National Center for Atmospheric Research, NCEP/NCAR)逐日再分析资料,分析新疆区域性高温天气过程的时空变化特征及环流形势。结果表明：(1)1981—2019年新疆共出现100次区域性高温天气过程,主要发生在6—8月,其中7月最多、8月次之、6月最少;区域性高温天气过程主要出现在伊犁河谷平原地区、北疆准噶尔盆地南缘、南疆塔里木盆地及东疆平原地区。(2)进入21世纪后,新疆高温天气过程发生次数呈增加趋势,强度明显增强;过程开始时间有提前趋势,结束时间有推后趋势;过程累计日数则呈现“增加、减少、增加”的阶段性变化趋势。(3)造成新疆区域性高温天气过程的500 hPa环流形势主要分为4类,分别为伊朗副高东伸型(占54.0%)、叠加型(占32.0%)、新疆脊型(占12.0%)、西太副高西伸型(占2.0%)。     

四川最高最低气温日变化特征分析

基于1990~2019年四川地区156个气象观测站2 m最高、最低气温逐日数据,分析了最高、最低气温的日变化特征。结果表明:（1）2 m最高气温逐日变化幅度大于最低气温逐日变化幅度,最高气温逐日变温的极大值区位于凉山州东北部,最低气温逐日变温的极大值区位于甘孜、阿坝两州北部;（2）春季最高气温逐日变温幅度明显大于夏、秋、冬季,冬、春季最低气温逐日变温幅度大于夏、秋季;（3）最高气温和最低气温的逐日变温频次分布均呈现单峰型特征,前者峰值位于0~2℃,后者峰值位于?2~2℃。（4）最高气温逐日变化超过6℃的年均频次明显高于最低气温,两者高频区的空间分布与变温幅度大值区较为一致。      

冬季EC 2m温度预报在贵州毕节地区的检验分析

利用毕节市8个国家站02时、14时气温实况数据,分别计算2016-2018年冬季(12月、1月、2月)EC细网格2 m温度预报的准确率、平均绝对误差、绝对误差,检验在升温、平稳、降温3类天气过程中温度预报效果,为模式温度预报订正提供参考依据。结果表明:02时的预报平均准确率比14时高约10%;除赫章站以外,其余站点准确率在60%~80%之间,有一定预报参考意义;3类天气过程中,平稳、降温天气中温度预报效果明显优于升温天气;升温天气过程中02、14时温度预报大多偏低0~4℃,降温天气过程中02时温度预报总体偏低0~4℃,14时偏高0~4℃。     

三种数值模式气温预报产品的检验及误差订正方法研究

基于德国天气在线T7online(简称T7)、ECMWF细网格(简称EC)及T639三种数值模式的气温预报产品,结合本溪站气象观测资料,对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析,根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明:对于气温预报的年检验,T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率;对于气温预报的月检验,三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季,而对于最高气温的预报,T7的气温预报准确率明显优于EC和T639模式;当气温波动较大时,三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内,对最高气温的预报准确率存较大差别,T7模式最高气温的预报误差最小,T639模式气温预报的系统偏差最明显,最低气温系统偏差为-1.34℃,最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征,结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正,订正后气温平均绝对误差由2.40℃左右降至1.40℃左右,系统偏差和均方根误差均明显缩小,气温预报准确率由50%左右提高至80%以上,数值模式气温预报准确率明显提高,具有较好的应用价值。     

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，使平均绝对误差降低至1.4 ℃。（2）分析逐月模型预测准确率发现，Auto-sklearn模型的预报准确率（≤2 ℃）在4-10月稳定在85%以上，效果优于其余模型。（3）对于冬季低温天气，Auto-Keras模型预报准确率优于其余模型的效果，平均绝对误差为1.37～1.91 ℃；而对于温度≥0 ℃的情况，Auto-sklearn模型预测效果更好，平均绝对误差为0.93～1.22 ℃ 。     

冬季EC 2 m温度预报在贵州毕节地区的检验分析

利用毕节市8个国家站02时、14时气温实况数据,分别计算2016—2018年冬季(12月、1月、2月)EC细网格2 m温度预报的准确率、平均绝对误差、绝对误差,检验在升温、平稳、降温3类天气过程中温度预报效果,为模式温度预报订正提供参考依据。结果表明:02时的预报平均准确率比14时高约10%;除赫章站以外,其余站点准确率在60%～80%之间,有一定预报参考意义;3类天气过程中,平稳、降温天气中温度预报效果明显优于升温天气;升温天气过程中02、14时温度预报大多偏低0～4℃,降温天气过程中02时温度预报总体偏低0～4℃,14时偏高0～4℃。     

桂平机场大风预报

取T213模式的格点预报资料，利用卡尔曼滤波方法制作北海地区夏季的日最高气温预报方程，试报2003年6～7月合浦站逐日最高气温24h预报，效果不错，其对高温天气的预报准确率达50％，月平均绝对误差小于1℃。     

基于机器学习的模式温度预报订正方法研究

机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。     

春季中国日最高气温延伸期预报误差分析及订正

数值模式直接输出和经模式后处理得到的预报误差比较,是延伸期逐日要素预报应用基础。针对中国2 583个站点在2020年春季11~30天的日最高温度预报,根据欧洲数值中心的集合预报输出,首先,使用BP-SM（Back-Propagation - Self memory）法和回归法,进行确定性预报订正效果比较;结果表明BP-SM法和回归法都明显降低了预报绝对误差;在11~14天预报中,BP-SM法得到的平均绝对误差为3.3~3.6 ℃,预报准确率超过35%,订正效果更优。其次,基于模式直接输出和BP-SM法获得的概率预报,使用CRPSS (continuous ranked probability skill score)进行了可预报性分析。结果表明,在地形复杂地区,经过订正,预报准确率明显改善。对于延伸期逐日要素预报,合理的模式后处理方法是降低预报误差和提高预报能力的重要环节。      

ECMWF模式的延伸期日最高气温预报偏差估计及订正分析

使用欧洲中期天气预报中心（ECMWF）的20年集合预报回算数据，检验分析了延伸期第16天至第30天预报时效其对我国日最高气温的预报性能。结果表明，西部地区预报误差明显大于中东部地区。全国平均而言，模式预报较实况偏低1.1℃~1.39℃，均方根误差为4.6℃~4.9℃。进一步分析指出，第16天均方根误差最小、且随着时效的延长其略有增大。夏季模式预报效果最好，春季和秋季的部分时段预报效果较差。基于历史偏差订方法，本文还对2018年6月至2019年6月的日最高气温预报进行了误差订正试验。结果显示，订正后的预报准确率提升了15.2%~19.2%。聚焦2018年7月的一次中东部地区大范围高温过程，模式原始预报明显低估了高温强度，订正预报更接近实况，显示其具有一定的订正效果。     

河西走廊东部智能网格温度预报产品订正方法探讨

为提高智能网格的订正能力及预报水平,基于中央台客观指导产品的甘肃省切片数据和中国气象局陆面数据同化系统（Chinese Land Data Assimilation System Version 2.0,CLDAS-V2.0）日网格实况产品,采用卡尔曼滤波和滑动训练订正两种方法,对河西走廊东部地区（101.0°E—104.5°E,36.0°N—40.0°N）0.05°×0.05°格点最高、最低气温进行订正、检验和评估。结果表明：（1）季节对比,卡尔曼滤波和滑动训练订正产品对四季最高、最低气温的平均绝对误差均小于中央台客观指导产品,均小于2.00℃;卡尔曼滤波和滑动训练订正产品对四季最高、最低气温的预报准确率均大于70%,其中最高气温偏高6%～13%,最低气温偏高8%～24%。（2）空间对比,卡尔曼滤波和滑动训练订正产品对最高、最低气温的平均绝对误差绝大部分地区在1.00～2.00℃,个别地区大于2.00℃;卡尔曼滤波和滑动训练订正产品对最高（最低）气温的预报准确率大部分地区大于70%(60%～70%),个别地区大于80%(70%)。（3）总体上,卡尔曼滤波和滑动训练订正产品对最高、最低...     

利用卡尔曼滤波和T213资料预报北海市高温天气

取T 213模式的格点预报资料,利用卡尔曼滤波方法制作北海地区夏季的日最高气温预报方程,试报2003年6~7月合浦站逐日最高气温24h预报,效果不错,其对高温天气的预报准确率达50%,月平均绝对误差小于1℃。     

一种机器学习方法在湖北定时气温预报中的应用试验

利用2015—2017年湖北89个气象站地面观测温度、欧洲中心再分析资料和0～12 h预报资料回归模式输出要素与地面气温之间的关系,建立了LightGBM模型,并在2018年数据集上进行测试。结果表明,定时气温平均绝对误差由模式本身的1.8℃下降到1.1℃,2℃以内预报准确率由65.9%上升至86.6%,决定系数(拟合优度)高达0.97。该模型已经在武汉中心气象台业务化,初步选取定时气温中的极值进行2018年2—6月预报评分,24 h高、低温预报准确率分别为76.9%和91.4%,在客观产品中排名前列,较数值预报模式产品提升明显,低温预报准确率超过预报员水平。LightGBM作为一个年轻的机器学习框架,在气象要素预报方面具备良好的应用前景。     

1954-2016年阿勒泰市春季寒潮过程频数及强度气候特征

利用阿勒泰基准气候站日最低气温资料,资料长度从1954年到2016年的春季（每年2月26日至5月31日,共计63年）,以日最低气温及其降温幅度为指标,整理出阿勒泰市63年寒潮过程数据库,分析阿勒泰市近63a来寒潮过程的频数以及强度相关6个指标的气候特征,结果表明：（1）1954～2016年春季（3～5月）阿勒泰市共发生寒潮天气过程226次,平均每年发生3.6次。3月平均每年出现1.8次, 4月1.1次,5月0.7次。共有17a为寒潮发生异常偏少年份,16a为异常偏多年份。3月上旬和3月中旬为寒潮天气过程发生最多的时段。（2）春季寒潮频数以每10a/0.1次的速率在递减。月际尺度上,3月和5月发生寒潮天气过程递减,4月递增。年代际1950年代最多,2010-2016年最少。（3）春季寒潮天气过程持续日数在1～7d,其中持续2d的寒潮过程最多,占春季寒潮过程的49%。持续时间在1～3d的寒潮天气过程占92%。（4）春季寒潮降温过程平均降温幅度为-12.7℃,降温幅度平均值最大在3月。最大24h、48h和72h降温幅度平均值分别为-8.9℃、-12.5℃和-14.3℃。（5）春季寒潮降温过程最低气温平均值为-11.8℃。寒潮降温过程最低气温平均距平值为-7.6℃。     

洛阳分县温度周滚动预报系统

利用洛阳9县(市)2002年11月~2004年9月逐日最高、最低气温资料,应用欧洲中心数值预报产品,建立了洛阳9个县(市)的温度周滚动预报方程。2004~2005年试报结果表明:24~48 h预报准确率在70%左右,绝对误差在2℃以内;24~144 h预报准确率在62%~70%之间,绝对误差在2℃左右;最低气温预报效果要好于最高气温,最低气温的绝对误差与准确率分别为1.98℃和67%,最高气温的绝对误差与准确率分别为2.28℃和61%。     

洛阳分县温度周滚动预报系统

利用洛阳9县(市)2002年11月～2004年9月逐日最高、最低气温资料,应用欧洲中心数值预报产品,建立了洛阳9个县(市)的温度周滚动预报方程.2004～2005年试报结果表明 24～48 h预报准确率在70%左右,绝对误差在2 ℃以内;24～144 h预报准确率在62%～70%之间,绝对误差在2 ℃左右;最低气温预报效果要好于最高气温,最低气温的绝对误差与准确率分别为1.98 ℃和67%,最高气温的绝对误差与准确率分别为2.28 ℃和61%.     

基于LPSC算法的逐小时格点气温客观预报及检验评估

基于中国气象局陆面数据同化系统(Land surface Data Assimilation System of China Meteorological Administration,CLDAS)逐小时气温实况融合数据,检验评估了ECMWF、CMA-MESO-3km不同尺度模式对甘肃省逐小时气温的预报性能,并利用低频滑动平均订正算法(LPSC)对模式的系统性误差进行订正;同时对SCMOC和订正后两种模式的逐小时气温预报效果进行了统计对比。结果表明:1)ECMWF、CMA-MESO-3km模式对甘肃省逐小时气温的预报具有相对稳定的系统性误差,夜间预报准确率明显低于白天,主要表现为夜间预报显著偏高,白天为小的负偏差。2)LPSC算法能够有效改善ECMWF和CMA-MESO-3km对甘肃省逐小时气温预报的系统性误差,订正效果显著。订正后ECMWF、CMA-MESO-3km的预报准确率分别较模式本身提高了20.24％、20.25％,平均误差减小至±0.3 ℃之内;空间分布亦表明,订正后全省平均误差均明显降低至±2 ℃之内。3)同类产品对比检验表明:订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果整体上均优于SCMOC,预报准确率分别较SCMOC高20.65％、13.55％,平均绝对误差在各个时次也明显低于SCMOC。技巧评分的空间分布表明,订正后ECMWF在全省大部分地方均为正技巧,其中酒泉南部山区可达80％以上;而订正后CMA-MESO-3km的预报效果各个季节分布存在差异,主要体现在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。另外,业务应用结果表明,对于转折性天气过程,使用该方法需要特别注意。     

山东省城镇天气预报质量评估检验

根据中国气象局全国城镇天气业务产品检验评估报告和山东省预报质量评估系统检验结果,对200¬7年1月—2015年2月山东省城镇天气预报质量进行了总结分析。结果表明：（1）山东省晴雨（雪）和气温预报准确率、提高幅度均高于全国平均,降水预报准确率低于全国平均,技巧评分处于全国平均水平。（2）山东省内晴雨（雪）、最高气温、最低气温预报准确率最高的区域分别是鲁南、鲁西北和半岛,降水预报准确率半岛和鲁南明显高于鲁中和鲁西北地区。（3）山东省晴雨（雪）预报正确率夏季最低,冬季最高;气温预报准确率春季最低,最高气温预报准确率秋季最高,最低气温预报准确率夏季最高。（4）各市气象台预报相对省气象台指导预报有正的订正技巧,晴雨（雪）预报技巧评分鲁中地区相对偏低。