最佳数值预报模式选取与订正系统设计——温度集成预报系统

本文依据国家指导预报产品,山西省MOS预报以及MM5数值预报产品,对山西省的温度预报进行集成,通过3种客观预报方法的前期准确率对比,建立数学模型,从而产生一种新的客观预报方法。系统对3种数值预报产品进行了集成,建立了一个统一的预报指导产品分析、对比平台,为省台预报员提供一种客观的温度预报参考手段。     

四川地区多模式2m温度预报性能分析及集成方法研究

本文通过分析2017年9~12月四川地区ECMWF (European Centre for Medium-Range Weather Forecasting)细网格模式、GRAPES_GFS (Global and Regional Assimilation and Prediction System)全球模式和西南区域模式(South West Center-WRFADAS Real-time Modeling System,SWCWARMS)2m温度168h预报时效内的系统性偏差特征,采用滑动双权重平均法分别对三种模式温度预报产品进行偏差订正,并集成得到各时效2m温度的订正场,结果表明:(1)三种模式的预报存在明显的日变化,整体上EC模式的预报最优。(2)三种模式对于低温和高温的预报,在全省均大致呈现负的系统性误差,特别在高原及过渡区表现的尤为明显。(3)订正后三种模式的预报准确率显著提高,均方根误差减小1.4~2.5℃,大部分地区平均误差维持在± 0.5℃之间,在系统性偏差较大的地区,订正效果更好。(4)两种集成方案预报结果接近,且均优于三种模式的订正预报。     

华南区域模式在湖南省的2 m温度预报检验与订正研究

基于2019年8月至2020年7月华南区域模式（CMA-GD）预报和湖南97个国家站2m温度实况,开展了模式温度预报检验和逐步回归订正技术研究。结果表明,华南区域模式2m温度预报与实况变化趋势基本一致,预报偏差具有明显日变化,白天准确率下降、夜间升高,随着预报时效的延长,偏差增大;夏半年预报偏差大于冬半年;湘西预报效果优于湘东;00时起报的2m温度预报优于12时起报。基于华南区域模式预报产品,区分起报时次和季节的2m温度预报逐步回归订正预报效果较好,订正后预报相对于模式预报误差下降、准确率提高,有明显正技巧,对12时起报的模式预报效果改善更大,不同站点订正效果略有差异,对预报误差较大站点,订正效果明显。     

EC细网格2m温度对沧州市的预报能力检验及订正

利用EC模式对2017年沧州市14个国家基本站2m最高、最低温度的24、48、72h预报结果,采用预报准确率、平均误差、平均绝对误差和皮尔森相关系数等统计方法进行检验及订正。结果表明:EC模式对不同预报时效预报准确率,最高温度模式20时起报高于08时,最低温度08时起报高于20时;随着预报时效的延长,模式预报准确率逐渐下降。预报准确率最高温度区域差异不明显,月际变化大;最低温度区域差异显著,月际变化不均。EC模式对沧州温度的预报误差主要由系统误差造成,温度预报绝大多数的大值误差出现在转折性天气阶段,当出现明显升温和高温时,最高温度预报偏低更明显,出现明显降温时,最低温度预报偏高。对2018年1-4月EC模式预报最高、最低温度进行系统和大误差订正检验,发现订正后预报效果更好。     

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。     

超级集合预报的误差订正与集成研究

利用类似KALMAN滤波的自适应误差订正法对中国国家气象中心、日本气象厅、美国国家环境预报中心、加拿大气象中心和澳大利亚-法国气象局的区域集合预报模式2m温度预报做订正,并对订正后的结果采用算术平均和多元回归两种方法进行集成.结果表明:订正后温度预报的各项检验指标都显示出不同程度的改善.36h内平均绝对误差在1.8℃以内;均方根误差也有明显减小,且与离散度大小更接近;talagrand图的U型分布仍然存在,但个别成员异常的现象得到改善;集合成员预报分簇的现象得到了很好的矫正;此外预报误差存在日变化.两种集成方法的温度预报结果都优于单一模式预报,并且不存在明显的系统误差,预报达到了一定精度.其中多元回归方法的集成效果胜于算术平均集成.     

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。     

一种2 m温度误差订正方法在复杂地形区数值预报中的应用

利用模式三维预报变量,结合地面要素预报产品,采用2 m温度三维插值方法进行地形订正,以确保预报与观测三维空间上的一致性,在地形订正基础上,利用历史月均预报误差作为参考误差,剔除模式系统性误差,获取具备日变化特征的预报产品。基于陕西地区复杂地形条件下的典型观测站点,利用2016年8月28日48 h预报个例进行对比分析发现,三维插值方法有效改善了地形差异引起的评估误导问题,但无法改进模式预报的日变化趋势,进一步采用系统性误差订正后,日变化特征明显改善,特别是前24 h预报效果体现出与实况良好的一致性及更佳的预报技巧。通过2016年夏季统计评估表明,误差订正后的2 m温度预报产品有效改善了周期性误差振荡,均方根误差稳定在2 K左右,显示出明显的改进优势。     

基于误差权重的站点降水订正预报方法研究

基于2018—2020年逐日修水国家基本气象站降水实况和模式降水预报数据,对ECWMF、NCEP、JMA、CMA-GFS、CMA-SH9等5种模式24 h及48 h降水预报进行了误差分析及检验。结果表明,总体上各模式24 h、48 h降水预报误差均以一个量级的正误差为主;各模式24 h降水预报误差小于48 h; CMA-SH9、JMA模式24 h、48 h预报误差均较小;总体上各模式24 h预报评分优于48 h;华东模式、日本模式24 h、48 h晴雨准确率均较高;CMA-SH9、ECMWF、NCEP模式24 h、48 h降水预报各量级风险评分均较高;JMA模式对24 h暴雨及以上量级降水可能具有一定的预报指示意义;总体上各模式24 h、48 h降水预报风险评分随量级增大而降低,空报率、漏报率随量级增大而增大;总体上各模式24 h、48 h小雨预报性能较优,中雨均易空报,大雨均易漏报,暴雨及以上降水均易空报与漏报。进一步通过引入滑动训练期,并基于平均绝对误差权重的多模式集成订正方案对降水预报进行订正,且对订正预报结果进行了整体及分季节评估检验。结果表明,相对多数模式,经订正后24 h、...     

误差订正在预报集成中的应用研究

根据误差的特性，即误差由系统误差和随机误差组成，对保山5月雨量的几种预报方法的预报结果进行分析，寻找系统误差的订正方法，降低系统误差的影响。将几种预报方法订正后的结果平均从而消除随机误差，其预报结果明显改善，平均误差和均方根误差明显降低，预报准确率明显提高，可以在业务预测中广泛推广应用。     

GRAPES_RAFS系统2 m温度偏差订正方法研究

本文通过对2013年6月20日至7月20日GRAPES(Global and Regional Assimilation and Prediction System)_RAFS(Rapid Analysis and Forecast System)系统每天8个时次每3h的2 m温度预报进行分析,发现各时次的预报均能较好地表征2 m温度日变化特征,但预报与实况存在一定的偏差,其中西藏东部川西高原、云贵高原、江南武夷山脉偏低于实况可达3℃,而华北地区偏高于实况3℃以上.为了减小GRAPES_RAFS系统偏差对2m温度预报的影响,本文采用平均法、双权重平均法、滑动平均法和滑动双权重平均法分别对GRAPES_RAFS系统2 m温度预报产品进行偏差订正,并对订正前后的结果进行检验分析和对比.结果表明:2 m温度订正后的平均误差大部地区减小到(一1～1℃),而均方根误差大部地区降低到2.5℃内.对于偏差较大地区,订正效果更为明显,如西藏东部川西高原,经过订正,平均误差绝对值由订正前3℃以上降低到1℃内,而RMSE由订正前4℃以上控制到3℃内.对比四种订正方法,双权重订正方法与平均法订正整体效果接近,但对个别站点,双权重订正法要优于平均法,经过滑动的订正方法比无滑动的订正方法订正效果更好,订正效果最好的是滑动双权重平均法,全国平均误差大部分在(-0.5～0.5℃)内,不超过(-1～1℃)的范围.     

基于ECMWF的两种温度客观预报订正方法及评估

依据国家气象信息中心格点温度实况资料,采用“动态训练、择优选取”的基本原则,利用递减平均法（DAM）和径向基函数神经网络方法（RBFNN）对ECMWF细网格模式2019—2020年20时BTC未来24～216 h的0.05°×0.05°分辨率格点日最高、最低温度进行客观预报订正,并与中央台指导预报（NMC）和EC模式预报产品进行格点检验对比分析。结果表明：（1）通过DAM和RBFNN订正后的24～216 h日最高、最低温度预报准确率提高3.9%～7.8%,均为“正”技巧,对预报准确率偏低的月份预报时效订正效果更显著,且夏、秋季最高温度预报订正效果较好,冬季最低温度订正能力较强;（2）订正后的最高、最低温度预报产品除沙坡头区的最高温度预报和贺兰山的最低温度预报误差偏大外,其他区域的误差基本都<2℃,订正后的ECMWF细网格模式对强降温、寒潮天气的温度预报效果明显优于NMC和EC模式预报产品,对预报业务有一定的参考价值。     

递减平均法与一元线性回归法对ECMWF温度预报订正能力对比

基于ECMWF细网格模式的定时最高(低)气温预报产品,针对2017年陕西99个国家级气象站的日最高(低)气温预报,检验和比较了递减平均法和一元线性回归法两种方法对气温预报误差的订正效果。结果表明,两种方法都显著地提高了日最高(低)气温的预报准确率,随着预报时效的延长,订正能力逐渐减弱。技巧评分与模式对气温的预报能力有显著的负相关关系,秦岭及其以南地区的日最高气温预报和秦岭以北地区的日最低气温预报的准确率偏低,其技巧评分一般超过40%,极大值超过70%。两种方法都有效降低了系统误差,较小误差范围的站次增多,较大误差范围的站次减少,对日最高气温在预报绝对误差≤2℃误差范围的订正能力较为突出,对日最低气温在预报绝对误差≥3℃误差范围的订正更有优势。一元线性回归法对日最高气温预报的订正能力略优于递减平均法,对日最低气温预报的订正能力不及递减平均法,利用这两种方法对气温预报进行混合订正的效果更佳。     

四川地区EC细网格模式2m温度偏差订正研究

本文选取2017年1~12月ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式168h预报时效的2m温度场和对应时段四川地区157个国家站的观测资料,对比分析了模式温度预报的系统性偏差特征,采用15日周期的滑动双权重平均法对2m温度预报产品进行偏差订正,并与四川省气象台现有的主、客观预报产品进行对比,结果表明:(1)EC模式对低温的预报准确率远高于高温预报准确率;订正后高、低温预报准确率均有显著提高,其中低温平均提高了20.5%,高温提高了31.2%,平均绝对误差分别减小约1.1℃和2.9℃。(2)EC模式高温预报的逐月差异明显比低温预报逐月差异大,订正后差异明显减小,且各月的高、低温预报准确率均有显著提升,订正后各月高、低温的平均绝对误差均在2℃之内。(3)EC模式对于低温和高温的预报在全省均大致呈现负的系统性误差,且高温预报的系统性误差明显比低温预报的系统性误差大,订正后2m温度预报的系统性误差均明显降低,全省大部分地区维持在±1℃之间。(4)与四川省气象台现有的主、客观预报产品对比显示,对于高低温预报均是EC订正后准确率最高、平均绝对误差最小,订正效果较为理想。     

延伸期温度预报误差订正技术初探

应用滑动平均误差订正方法和历史偏差订正方法,对欧洲中期天气预报中心的数值模式延伸期2 m温度预报进行误差订正。研究发现,应用滑动平均误差订正方法进行11～15 d逐日温度预报订正时,25～30 d是最优的训练期长度。对2018年订正预报的检验分析显示,应用上述两种误差订正方法均可减小模式预报的系统偏差,有效修正模式温度预报较实况明显偏低的问题,并将预报准确率提高30%以上。在6—10月,订正后的温度预报平均绝对误差基本在2℃以内,具有一定的参考性,其业务化产品可支撑预报员的业务预报需求。在15 d内的延伸期预报时效上,两种订正方法对温度预报的订正效果差异并不明显。随着时效的延长,历史偏差订正方法的优势逐渐显现。     

基于机器学习的格点气温预报订正方法

使用2017年9月至2021年3月国家级业务化运行的智能网格实况分析产品和欧洲中期天气预报中心全球模式(EC)产品,根据湖北省的地理分布特征构建6个分区,采用基于LightGBM机器学习算法建立的气温预报方法,生成湖北省0.05°×0.05°格点气温预报产品。利用2021年4—9月的预报产品和格点实况资料进行检验,结果表明:基于机器学习的气温预报方法(MLT)取得了较好的预报效果,其在0～72 h时效内优于中央气象台下发的气温精细化指导预报(SCMOC)和EC产品;MLT在山区的误差较平原大,但山区的订正幅度大于平原,日最高气温的订正幅度大于日最低气温的订正幅度;4—9月MLT、SCMOC、EC产品的平均绝对误差(MAE)日变化都呈现了白天偏高、夜间偏低、午后凸起的单峰特征,MLT的MAE值较SCMOC和EC产品的更低,并且在转折性天气中仍具有优势;站点检验与格点检验结论一致,基于格点建模的气温预报产品对站点预报同样得到了订正。机器学习在格点气温的模式订正方面可以作为一个行之有效的手段。     

T639预报气温产品误差分析与订正

由于T639数值预报模式对具体区域预报有一定偏差,为了更好的利用该模式做出山东即墨本区域各自动站气温预报,制定订正方法,将订正方法运用到实际业务中,推广到相关单位,提高气温预报准确率,本文利用2013年1月至2015年12月山东省即墨市8个区域自动站的最高(低)气温实况和对应的T639数值预报24小时2m气温预报产品进行了日最高(低)气温的预报准确率、相对误差分析,并结合风向风速预报结论和地形分区,运用综合订正、季节订正、风向订正和风速订正4种误差订正方法,在对比检验的基础上,得出如下结论:在4种订正方法中,预报准确率最高为综合订正方法。