基于CLDAS的格点温度预报偏差订正方法

利用国家气象信息中心CLDAS格点温度实况、中央气象台SCMOC格点温度预报以及山西省站点观测温度,采用非独立性检验综合评估CLDAS在山西区域的适用性。在此基础上,采用滑动训练期订正方案,基于格点实况开展SCMOC温度预报场的客观订正。结果表明:(1)复杂地形对山西CLDAS格点温度实况的精度有一定影响,但最高气温的分析精度优于最低气温,表明地形对最低气温的偏差影响更显著,高海拔地区CLDAS最低气温一般对应为负偏差,低海拔地区一般对应为正偏差。(2)CLDAS格点温度实况的偏差空间分布具有时间延续性,进行简单的系统偏差订正后,最高、最低气温格点实况的精度分别提升1.1%、9.7%,与站点观测更为吻合。(3)基于改进后的CLDAS格点温度实况,采用滑动偏差订正方案,显著改善了山西省SCMOC温度预报的准确率。2019年,滑动偏差订正后的24 h时效最高、最低气温预报准确率较SCMOC温度预报分别提升2.7%、4.7%,订正后的短期温度预报质量有较大提高,优于预报员主观预报。     

基于深度学习的7~15 d温度格点预报偏差订正北大核心CSCD

为了提高模式对于7~15 d温度格点预报准确性,基于U-Net模型以及U-Net残差连接模型,采用2018年12月25日—2022年7月5日多种组合气象数据作为输入数据特征,针对TIGGE数据中心提供的全球集合预报CMA-GEPS 2 m气温控制预报,开展168~360 h时效的格点预报误差订正试验。结果表明:对于240 h预报时效,两种深度学习模型中,U-Net模型表现较好;对于不同输入数据特征,加入起报时刻ERA52 m气温产品的U-Net模型表现最佳,在多个预报时效上有较好的订正效果,均方根误差减小率为10%~25%,可有效改善模式对于15.75°~55.25°N,73°~136.5°E区域北部的蒙古高原、西部的青藏高原及部分山地的预报误差较大的不足;而加入CMA-GEPS控制预报10 m风预报产品后改进不明显。总体上,基于U-Net模型构建的模式格点预报偏差订正模型可有效降低7~15 d温度格点预报误差,进一步提升复杂地形下格点预报的准确性。     

基于卡尔曼滤波递减平均算法的集合预报综合偏差订正

针对集合预报存在的偏差和集合离散度通常偏小的问题,在卡尔曼滤波递减平均的一阶矩和二阶矩偏差订正方案的基础上发展了综合偏差订正方案,并利用B08RDP WWRP(The WWRP Beijing 2008 Olympics Research and Development Project)项目中日本气象厅(JMA)区域集合预报的850 hPa温度资料,将敏感性试验得到的一阶矩和二阶矩订正的最优权重系数应用于综合偏差订正方案,并对其订正效果进行多方面检验分析。试验结果表明,一阶矩订正可以有效减小集合平均偏差,集合平均预报质量得到了明显改善;二阶矩订正对集合离散度具有较强的调整能力,订正后的集合预报可靠性、区分不同天气事件的能力总体上得到了提高;综合偏差订正方案有效融合了一阶矩和二阶矩订正的优势,其各自的最优权重系数适用于综合偏差订正方案,对集合平均偏差和离散度具有良好的订正效果,能够改善集合预报的整体质量。但一阶矩与二阶矩订正对综合偏差订正的贡献程度随评分指标而异,一阶矩订正对等级概率(RPS)评分和异常值百分比评分的贡献分别为83.75%和18.83%,可信度的改善约83.98%源于二阶矩订正,而相对作用特征(ROC)评分中二者的贡献基本相当。     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

基于卡尔曼滤波递减平均算法的集合预报综合偏差订正北大核心CSCD

针对集合预报存在的偏差和集合离散度通常偏小的问题,在卡尔曼滤波递减平均的一阶矩和二阶矩偏差订正方案的基础上发展了综合偏差订正方案,并利用B08RDP WWRP(The WWRP Beijing 2008 Olympics Research and Development Project)项目中日本气象厅(JMA)区域集合预报的850 hPa温度资料,将敏感性试验得到的一阶矩和二阶矩订正的最优权重系数应用于综合偏差订正方案,并对其订正效果进行多方面检验分析。试验结果表明,一阶矩订正可以有效减小集合平均偏差,集合平均预报质量得到了明显改善;二阶矩订正对集合离散度具有较强的调整能力,订正后的集合预报可靠性、区分不同天气事件的能力总体上得到了提高;综合偏差订正方案有效融合了一阶矩和二阶矩订正的优势,其各自的最优权重系数适用于综合偏差订正方案,对集合平均偏差和离散度具有良好的订正效果,能够改善集合预报的整体质量。但一阶矩与二阶矩订正对综合偏差订正的贡献程度随评分指标而异,一阶矩订正对等级概率(RPS)评分和异常值百分比评分的贡献分别为83.75%和18.83%,可信度的改善约83.98%源于二阶矩订正,而相对作用特征(ROC)评分中二者的贡献基本相当。     

基于贝叶斯原理降水订正的水文概率预报试验

利用淮河流域加密站点2008年6月1日—8月31日逐日降水资料、对应的T213模式的24 h, 48 h以及72 h集合预报,采用贝叶斯模型平均 (Bayesian Model Averaging,BMA) 方法对集合预报15个成员的降水预报进行了概率集成与偏差订正,采用排序概率评分 (CRPS)、平均绝对误差 (MAE) 对BMA的订正结果进行检验,并将订正后的降水预报输入VIC (Variable Infiltration Capacity) 水文模型中进行水文概率预报。结果表明:经BMA订正后的24 h, 48 h, 72 h降水预报精度较订正前有所提高;BMA模型给出的有效区间 (第25百分位数至第75百分位数) 预报将实况降水量包含在内的可能性比订正前更大;由水文概率预报检验指标分析可知,经BMA订正的降水集合预报,由VIC水文模型模拟得到的径流量变化趋势与实况较吻合。     

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。     

基于莫宁-奥布霍夫相似理论的地面站点风速预报偏差订正

地形不匹配会导致风速预报出现偏差。Monin-Obukhov(莫宁-奥布霍夫)相似理论表明近地面风速垂直变化符合对数率特征,基于相似理论并引入大气稳定度判定因子构建偏差订正方案,将地面风速预报由模式地形订正到实际地形。针对冬季和夏季华北区域内760多个站点进行15 d的批量试验发现,使用订正方案后冬季和夏季00时(世界时)起始预报的模式前12 h风速预报的平均偏差可以降低20%以上,24 h预报偏差降幅也可达到10%以上,不同预报时效内风速的均方根误差可降低5%～8%。说明使用偏差订正方案可以对模式地面风速预报产生明显正效果。     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h^-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具"潜力"的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

GMS卫星红外云图强对流云团的识别与追踪

如何有效将基于预报员经验的、不受物理公式约束的强降水天气特征作为先验知识融入到深度学习模型,是提升强降水临近预报准确率面临的重要挑战之一。首先,简述了目前主流的深度学习模型以及一些已开展的针对深度学习模型可解释性的探索成果;然后,对目前常用的几种强降水临近预报方法进行了简单介绍;最后,通过对深度学习方法在强降水临近预报技术中改进的思考,提出了将先验知识融入到深度学习模型的可能途径,具体包括: 将一些经验特征进行量化或自动识别后作为模型输入,将预先提取的特征作为模型标签,在模型架构中嵌入先验知识的量化编码,结合可求导的检验指标设计损失函数对模型进行优化;同时指出,需要提高对强降水临近预报产品的主客观评估的一致性,以便能更好地确定强降水临近预报技术的改进方向。

     

中国地区集合预报产品自适应递减平均偏差订正法的改进研究

基于中国地区T213集合预报产品2 m温度预报数据,采用卡尔曼滤波类型的自适应递减平均法进行偏差订正处理,原方案在剧烈降温天气订正效果表现不理想。通过对递减平均参数w的重新构建得到改进的订正方案w(i,p)(i为站点信息,p为天气过程信息),在此基础上进一步优化对历史信息的有效提取,得到改进的方案w(i,p)相似法和w(i,p)统计法,并进行效果检验。结果表明:改进为包含空间和天气过程信息的函数w(i,p)后方案的订正效果得到不同程度的提高,其中24 h剧烈降温预报各成员预报均方根误差平均减小了0. 15℃;而进一步改进的w(i,p)统计法在当前几种剧烈降温预报中订正效果最优,其集合平均偏差与w(i,p)方案相比减小2. 54℃。     

B08RDP区域集合预报温度场质量评估与综合偏差订正

针对B08RDP(The Beijing 2008 Olympics Research and Development Project)5套区域集合预报资料,系统分析了各套集合预报温度场的预报质量。在此基础上运用集合预报的综合偏差订正方法对温度场进行偏差订正,并对其效果进行了分析讨论。结果显示:5套B08RDP区域集合预报中,美国国家环境预报中心(NCEP)区域集合预报温度场的整体预报质量最高,平均预报误差最小,离散度也最为合理,预报可信度和可辨识度均较优;而中国气象科学研究院(CAMS)的温度预报误差过大,预报质量最差。整体上看,除NCEP之外的4套集合预报的温度场均存在集合离散度偏小的问题;综合偏差订正能有效减小各集合预报温度场的集合平均均方根误差,改善集合离散度的质量,显示出综合偏差订正方案对集合预报温度场偏差订正的良好能力。     

基于测风塔观测资料的近地层风速平面订正

利用辽宁和吉林省24座测风塔风速观测资料,应用线性回归方法对高分辨率中尺度模式近地层风速预报产品进行订正。首先通过4组不同的订正实验分析训练样本长度、样本滚动方式等对订正效果的影响,确定单点订正最佳方案,并综合线性方法在东北地区不同下垫面条件下的适用性;然后应用24座测风塔已确定的单点订正关系,尝试区域风速的平面订正,并基于剩余23座测风塔资料对全场订正效果进行评估。结果表明：训练样本的长度对订正效果影响较明显,在东北地区训练样本长度取20 d效果最佳;当训练样本长度取最优天数时,滚动系数的订正效果与固定系数的订正效果基本一致;各种下垫面通过线性订正均能取得较明显提高,其中丘陵地区效果最明显,通过订正均方根误差整体降低1.61 m·s^-1,平原地区为0.95 m·s^-1,沿海地区为0.91 m·s^-1;平面风速订正实验显示,订正关系平面外推可取得明显的订正效果,全场平均绝对误差降低0.20 m·s^-1,该方法可为订正资料匮乏区域的预报提供参考。     

风暴尺度集合卡尔曼滤波中的采样误差订正局地化方法研究

在中尺度WRF-EnSRF系统中最新引入的采样误差订正局地化方法不仅考虑了回归系数偏差,而且计算量较小。该方法基于状态变量和对应观测值的相关系数的分布关系,根据离线蒙特卡洛技术制作的关于集合数和样本相关系数的查找表格确定局地化系数因子,进而订正由集合数选取有限造成的背景误差协方差被低估引起的采样误差。本文利用风暴过程的雷达观测资料做了一系列风暴尺度的资料同化理想试验,探讨了采样误差订正局地化方法在风暴尺度集合卡尔曼滤波同化中的技术特点和同化效果。结果表明:相比于经验局地化方法,采样误差订正局地化方法能够有效地改善集合同化的效果,对距离的敏感度更低,尤其在天气系统发展变化较快的阶段,新方法优势更大。并且,对不同观测变量以及在风暴发展的不同阶段使用不同的局地化方法,所得的结果都存在一定的差异,因此需要根据同化对象合理地选择局地化方法。     

北京地区体感温度误差订正方法研究

基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts, ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error, RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics, MOS)得到的订正结果进行对比。结果表明：线性回归、梯度提升回归树、 MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。     

基于KPCA的台风强度神经网络集合预报方法研究

针对影响台风强度前期预报因子较多以及因子的非线性变化特点,首先采用逐步回归方法筛选出部分预报因子,再利用核主成分分析方法在剩余的预报因子中提取包含了原数据较多信息的核主成分与前期选入的预报因子共同作为模型输入.进一步考虑到神经网络集合预报中个体的准确性和差异性的权衡问题,在不同的初始条件下生成若干组神经网络,分别选择每组中性能最优的个体,建立了一种新的非线性神经网络集合预报模型.最后以西北太平洋海域2001-2010年5-10月的台风强度为研究对象进行了预报试验.结果表明,这种神经网络集合预报模型的预报结果符合实际应用的要求,其预报平均绝对误差明显小于同等条件下的神经网络方法和逐步回归预报方法.     

基于SAL方法对一次区域性大暴雨过程多模式预报空间检验及误差分析

采用SAL定量降水预报检验方法,对2017年梅雨期一次区域性极端降水过程EC-THIN、RIOF、NCEP、CMA的高分辨率数值预报产品,从结构、强度和位置3个方面进行检验对比,同时对72 h内各模式降水预报稳定性开展检验分析。在此基础上,剖析了降水预报误差成因。分析发现：（1）在降水分布上,RIOF、EC-THIN和CMA预报的雨带走向与实况基本一致,NCEP预报主雨带范围偏大,暴雨区偏东;（2）雨区结构上RIOF和EC-THIN把握较好,NCEP和CMA在降水强度方面预报较好,位置预报上各家误差均较小,其中CMA误差最小;（3）EC-THIN和NCEP在结构、强度和位置预报上均有较好的稳定性。CMA在降水强度方面预报稳定较好,位置预报上调整较大。RIOF在降水结构预报上稳定性较好,落区预报上变化幅度较大;（4）降水预报误差根本原因是由系统预报误差而形成,系统强度、位置、移动直接影响着降水偏差。垂直物理量的预报偏差对降水时段、加强、强度也具有一定影响。     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。