一种逐时气温预报方法

利用2006~2010年陕西10地市逐小时的气温和逐日的最高气温、最低气温、平均总云量、降水量资料,通过线性回归方法建立了一种基于日最高气温和最低气温预报以及临近气温实况资料的逐时气温预报模型,并对2011年每天的逐时气温预报进行检验。结果表明:该方法在晴天、多云和阴雨天的预报能力依次减弱,其中晴天和多云天02~18时的预报效果好于19时至次日01时的,而阴雨天01~10时的预报效果好于其它预报时段的;当日最高气温和最低气温预报较为准确时,西安站各预报时刻的准确率均在60%以上,其中14~17时的准确率较高,晴天的达到100%,多云天的在96%~99%之间,阴雨天的准确率偏低一些,特别是11~17时较晴天和多云天偏低了12%~27%;该方法可以将24 h日最高(低)气温预报细化到逐时气温预报,同时考虑了气温日变化的地域差异、季节特征、以及在晴天、多云和阴雨天的不同表现,具有一定的业务应用和推广价值。     

基于WRF模式输出统计的逐时太阳总辐射预报初探

基于WRF(weather research and forecasting model)模式逐时输出结果,设计了逐时太阳总辐射的模式输出统计(model output statistics,MOS)预报流程。主要包括:对逐时观测序列进行低通滤波再除以天文辐射,对模式输出因子的筛选和降维,以及建立MOS预报方程,并对2009年1月、4月、8月和10月武汉站逐时太阳总辐射进行预报试验。结果表明,该方案在各月预报相对稳定,拟合和预报效果均较为理想,可使平均绝对百分比误差控制在20%～30%,相对均方根误差控制在30%～40%,相对模式直接预报辐射改进了50%左右。由此可见,通过对模式输出进行解释应用,可以有效提高辐射预报的准确率。此外,客观分析所得的气温、云量、露点、比湿、相对湿度、地面气压等13个模式输出因子可以作为各地区建立MOS辐射预报方程的参考因子。     

长春市逐时气温客观预报方法的探讨

分析了长春市气温日变化的气候和天气特征，将统计方法与天气学方法相结合建立了长春市气温逐时预报方法。该方法在考虑不同季节太阳和地面辐射对气温日变化影响的基础上，同时还考虑了气团替换对气温变化的影响，给出了转折性天气气温变化的天气概念模型，可供预报人员参考。对实际预报结果的检验表明，该客观预报方法的准确性和稳定性均显著超过主观经验预报，与日极端气温主观预报水平接近。     

开封中、短期逐日降水分级滚动预报方法

利用欧洲中心和T213数值预报产品格点资料,经环流形势特征分析、格点读数、指标量化、计算机编程等步骤,研制了逐日降水分级滚动预报方法。     

用于风电场功率预测的逐时风速预报

为满足风电场精细化风速预报的需要,利用MM5模式的格点输出数值预报产品以及福建沿海地区两座海上测风塔的逐时气象资料,采用逐步回归的统计方法,将MM5数值预报产品与测风塔实测气象资料要素指标值共同引入回归方程,拟合两座测风塔特定高度的逐小时风速预报方程,详细介绍了该方法的实现过程.通过一年的预报效果指标以及15日的独立样本效果检验,结果表明该方法对于逐小时风速的预报有一定的应用价值.     

开封中、短期逐日降水分级滚动预报方法

利用欧洲中心和T213数值预报产品格点资料,经环流形势特征分析、格点读数、指标量化、计算机编程等步骤,研制了逐日降水分级滚动预报方法.     

几种格点化温度滚动订正预报方案对比研究

为了快速获得更为精准的格点温度预报产品,使用国家信息中心高分辨率、高频次的温度格点多元融合产品和欧洲中期天气预报中心全球模式2 m温度预报场资料,采用8种误差订正方案进行滚动订正预报试验。选择2017年1月1日至2月28日和6月1日至7月31日两个时间段进行两次回报模拟试验,并对订正前后的预报结果进行格点和站点检验分析,结果表明:8种方案对模式直接输出的预报场有正技巧订作用,全格点滑动误差回归模型订正和全格点滑动双因子回归模型订正效果最优,两种方案都能使订正场的格点平均绝对误差在2℃以下,3、6和9 h的格点准确率均在0.9以上。全格点滑动误差回归模型的检验评分略微好于全格点滑动双因子回归模型,表明作为预报模型因子的起报时刻误差场比数值模式因子在短期订正中扮演着更为重要的角色。     

日较差分级的北京地面逐时气温预报

统计了不同日较差等级与其相应等级内的逐时气温的气候平均值及逐时气温变量气候平均值,在此基础上客观自动地计算出北京区域的分片逐时气温预报值,由此次生出与气温变化有关的专业气象预报产品,应用于专业气象业务。     

北京奥运演练精细化预报方法及其检验评估

2007年北京奥运演练期间精细化场馆客观预报方法,即支持向量机方法(SVM)和半周期函数拟合(HPFF)预报方法,为场馆精细化预报产品的制作提供了有力的技术支撑.利用2007年8月1-26日国家体育场、顺义水上中心等5个奥运场馆的5种地面气象要素(气温、相对湿度、风向、风速、和3小时累积降水量)观测资料,对SVM和HPFF客观预报方法以及预报员在客观方法基础上制作的3天逐3小时预报进行了检验评估.结果表明:(1)两种客观方法相比较,HPFF方法对于预报连续变化的气象要素(如气温、相对湿度和风速)的精细预报比SVM方法预报技巧高;而对不连续变化的变量(如:风向)的预报技巧低于SVM方法.(2)预报员制作精细要素预报在很大程度上依靠客观方法.预报员对于气温、相对湿度和风速的预报技巧略高于客观方法,对于降水和风向的预报技巧与客观方法相当.尽管预报员对客观方法的修正能力比较有限,但具有对两种客观方法结果做出择优选择的综合判别能力;(3)预报员0～63小时气温预报平均绝对误差约为1.8℃,气温预报误差≤1℃的准确率在43%左右,预报误差随预报时效变化不大;0～24小时相对湿度预报平均绝对误差约为10%,相对湿度预报误差≤10%的准确率是60%,误差随预报时效而有所增大;0～63小时风向预报准确率约20%,预报准确率随预报时效变化不大;0～63小时风速预报平均绝对误差在0.8～1.4m·s-1之间.     

基于LAPS分析的WRF模式逐时气温精细化预报释用

为了满足湖北电力和华中电力系统对逐时气温预报的需求,开展气温精细化预报服务,基于局地分析预报系统(LAPS)分析融合的WRF模式精细化数值预报产品,对2011年4月1日至7月20日湖北省内及周边区域站点的逐时气温进行精细化预报释用.比较几种模式释用方案,结果表明:WRF模式预报趋势较好,预报准确率评分50％左右,日间08-20时预报误差小于夜间,最高气温(Tmax)评分54％,最低气温(Tmin)评分为44％.通过模式释用,提高了预报准确率,可使预报评分提高到60％～70％,对Tmax评分达到57％,对Tmin评分最高达到74％.分时刻建立MOS方程能够有效降低夜间20-07时的预报误差.将实况最高气温引入Kalman滤波方程能进一步提高预报准确率.     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNNLSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350%和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520%和8.089%。为气温的精准预报提供了参考依据。     

基于环流分型的逐时气温预报技术探讨

论文利用2009年1-2月T213模式产品、30年来的常规观测报文以及场区逐时气温记录,综合运用环流分型和Kalman滤波方法,基于逐月环流型的气温增率建立了场区72h逐时气温释用预报模型,并针对场区2009年3-7月各天72h逐时气温进行了具体的预报。结果表明:Kalman滤波算法能够得到较为精确的温度最值预报,通过环流分型得到的逐时气温预报准确率能够达到73.2%,可以作为逐时气温预报一种较好的方法。     

最优TS评分方法在逐时降水订正中的初步应用及评估

使用2020年3—9月逐时更新的CMA广东短临3 km数值模式(CMA-GD(R3)模式)1～12 h逐小时降水量资料,利用最优TS评分订正方法(OTS)对逐小时降水量进行分级订正,并分别从整体和分类型降水过程预报订正效果进行了检验和对比评估。结果表明：从整体预报订正性能来看,通过OTS方法对CMA-GD(R3)模式订正后,对于≥1 mm/h及以上量级的降水,OTS均有较好的订正能力,并且随着雨强的增加,其TS评分的改善比率越大;同时,OTS可有效减少各个预报时效的漏报率和空报率,其中漏报率减小更加明显,表现出明显的湿偏差(空报偏多)。从三类暴雨过程逐时降水预报订正效果来看,通过OTS订正之后,对于≥1 mm/h的降水,OTS对三类暴雨类型均有正的订正能力。其中在0.1 mm、1 mm、10 mm、20 mm、35 mm、50 mm 6个量级上,季风型的逐时降水预报表现最好,6个量级的TS评分值分别为0.403、0.232、0.053、0.023、0.009和0.004;在5 mm量级上锋面型的逐时降水预报表现最优,其TS值为0.102。从改善效果来看,经过OTS订正后,在1 mm量级...     

深圳对流尺度集合预报系统对台风降水预报的检验评估

目前数值模式对台风降水预报的准确率仍有待提高。为了评估深圳对流尺度集合预报系统对台风降水预报能力,选取了2015—2018年共14个影响广东台风个例,利用广东省2 300多个自动气象观测站的24小时累计降水观测资料,检验该系统的集合预报方法(含集合平均方法和概率匹配平均方法)和控制预报方法的24小时降水预报结果。(1)系统对台风24小时降水预报具有较好参考价值,三种方法的暴雨等级预报TS评分均达到0.39以上。(2)集合预报方法总体上优于控制预报方法,可改善珠江口两侧暴雨中心降水预报。其中集合平均方法总体预报效果最好,其降水预报均方根误差为38.1 mm,比控制预报方法减少18.8%,对暴雨等级预报TS评分为0.469比控制,预报方法提升20.1%,但是对特大暴雨等级预报能力不足;而概率匹配平均方法改善了小雨和特大暴雨的预报能力。(3)系统对较强台风的降水预报能力优于弱台风。在较强台风情形下,系统对粤东暴雨中心降水预报明显偏小且控制预报方法偏差最大,其他地方降水预报偏大为主;在弱台风情形下,系统对降水预报存在明显系统性偏大,但对粤西暴雨中心降水预报明显偏小且控制预报偏差最大。      

2004年汛期(5～9月)主客观降水预报检验

随着气象事业的发展,天气预报的质量越来越依赖于数值预报产品的性能。预报产品检验是评价预报质量和提高预报水平的有效手段。针对2004年汛期（5～9月）中央气象台预报员及T213、HLAFS25、MM5、GRAPES、日本及德国等国内外数值预报模式短期时效的降水预报做了详细的统计学检验。检验结果表明,对于汛期平均而言,各模式与预报员的小雨预报较好,随降水量级的增加TS评分迅速下降,国内外数值预报模式之间降水预报水平差别不大,预报员与模式相比水平略高;但对于过程预报而言,过程不同,各模式和预报员的表现不同,预报员和MM5对河南暴雨预报较好;GRAPES和日本模式对台风暴雨预报略好;T213对于四川东部暴雨的大量级降水预报较好;无论是预报员,还是数值预报模式,北京暴雨的预报是一个典型的失败个例。同时,我们也发现检验系统存在一些问题,有待今后逐步改进。     

台风网格风场主客观融合技术的应用及评估

针对实际预报工作中,台风主观预报和模式风场客观预报不一致的问题,基于南海台风模式(CMATRAMS)资料、实时台风主观预报资料,采用一种考虑下垫面作用的动力解释应用方法 TCwind,得到了能较合理描述台风风场的数学方程组,结合网格预报技术,进行台风主观预报和模式风场的主客观融合,实现了台风风场预报的订正,能为网格预报提供有效辅助。以实时台风主观预报为评判标准,检验评估了2018—2019年西北太平洋所有台风的融合订正效果,发现订正后的台风风场中心能较准确地向主观路径预报调整;台风中心附近最大风速相较模式显著增强,趋近主观强度预报;台风环流风速比模式原始风速增大,风场结构分布相比模式原始风场也更合理。     

德国在线和江苏MOS的评估分析及应用

江苏省分县逐日滚动MOS预报和德国天气在线是预报员经常参考的预报工具,本文对2003年3月到7月的资料用常规的统计方法和TS评分对这两种方法进行分析评估,利用得到的一些结论,在2004年汛期中使用,产生了较好的预报效果。     

分县逐日滚动MOS预报模式研制及其应用

本文介绍了江苏分县逐日滚动1－5天时效的MOS预报的研制，包括降水的概率MOS法和量级MOS法，预报量设置、季节分型和样本选择，因子的构造及其加工，概率统计模型的选择及其因子预选、筛选。最后介绍了MOS工具在省台MICAPS平台上的业务应用及其效果。     

COMPARATIVE EXPERIMENTS OF DYNAMICAL FORECAST AND STATISTICAL FORECAST

After analyzing the advantages and disadvantages of dynamical system and statistical system.some simple models with the equations of Lorenz system and auto-regresslon model have beenrespectively set up,and comparative experiments conducted.The result of the research demonstratesthat in chaotic parametric domain,the accuracy of statistical forecast is higher than that of dynamicalforecast,while in non-chaotic parametric domain,dynamical forecast is more accurate than statisticalforecast.