气象要素数据库终端检索的实现方法

介绍了通过数据库应用编程接口进行数据库应用软件开发和气象电报要素库快速检索的实现方法 ,并简述了应用编程接口、处理流程及编译方法     

VB5编程实现单站气象要素时间剖面图

利用VB5建立一应用程序，在MICAPS平台上实现单站气象要素时间剖面图的自动填绘，达到充分利用MICAPS，实现预报作业的集约化和无纸化的目的。     

VB5编程实现单站气象要素时间剖面图

利用VB5建立一应用程序，在MICAPS平台上实现单站气象要素时间剖面图的自动填绘，达到充分利用MICAPS，实现预报作业的集约化和无纸化的目的。     

基于气象要素标量对象的可视化及其应用

本文以气象要素标量场为对象，利用体绘制方法来实现其可视化，根据气象数据特点以及可视化对数据集的要求，建立了一个气象要素标量场可视化绘制模型，并给出绘制的实例，能达到实用的效果。     

四川省高空气象要素数据质量状况抽样浅析

该文应用高空数据质量控制方法,对我省高空站成都、甘孜站（1991—2000）年的高空数据进行了检测,分别就高空数据的位势高度、温度、温度露点差、风等要素进行了质量分析。发现我省的高空观测数据质量从总体上看比较可靠,数据正确率比较高。尤其是位势高度、温度的探空数据正确率较高。风的观测数据的质量的正确率相对于其他要素要差,错误率和缺测率比其他要素偏高。     

不同时间分辨率对气象要素月平均值统计的影响

通过我国12个国家基准气候站建站至2000年的气压、气温、相对湿度、风速每日4次与24次定时观测资料月平均值的差值、差值平均值、标准差的对比分析,研究不同时间分辨率统计的资料序列的均一性;在此基础上,对全国所有基准站建站至2000年气温历年月平均值进行统计,绘制了全国基准站建站至2000年气温4次与24次定时累年月平均值差值的平均值分布图,并做了初步分析.结果表明,采用两种不同时间分辨率统计气象要素月平均值会出现统计误差,气压、相对湿度、风速4次与24次定时观测资料月平均值偏差在观测精度之内,气温的差值超过了观测精度.我国绝大部分地区的气温4次定时观测资料要比24次观测资料统计的月平均值偏小0.1～0.3 ℃.在气候分析和气候变化研究中,必须考虑因不同时间分辨率统计气温月平均值引起的统计误差,排除非气候原因造成的影响.     

青藏高原气象要素的周期分析

应用谱分析方法，分析了中日亚洲季风观测实验期间所使用的高原自动站科夏两秀气象资料在频域上的特征。结果表明，夏季有６－８ｄ、候、准４ｄ和２－２．４ｄ的振荡周期，冬季还存在１２ｄ即准两周的周期，还发现高原上的系统对四川盆地有影响。     

重庆山地区域气象要素空间插值方法对比

利用重庆地区1999年和2018年气象数据,分别采用薄盘光滑样条、协同克里金、普通克里金、反距离加权4种方法,从年和月两种尺度对气温、降水、太阳总辐射三个要素进行空间插值;采取交叉验证方法,用MAE、MRE、RMSE评估插值精度,确定各要素最优插值方法。结果表明：气温和太阳总辐射最优插值方法为薄盘光滑样条,降水为反距离加权;插值精度上气温、太阳总辐射高值月份优于低值月份,降水则相反,但三个要素均表现出年尺度优于月尺度。MRE检验表明,插值精度为气温>太阳总辐射>降水,1999年年尺度插值精度分别为1.86%、4.60%、6.87%,月尺度插值精度分别为2.79%、5.82%、17.42%;2018年太阳总辐射年、月尺度插值精度分别为3.03%、4.88%,区域站加密后气温、降水年尺度插值精度分别为2.03%、11.20%,月尺度对应插值精度分别为3.20%、23.14%。     

一种制作气象要素预报的MOS方法

介绍了基于MM5模式的预报气象要素的一种MOS方法 ,并对预报效果做了初步检验。MOS方法直接利用MM5模式的预报产品 ,采用多点滑动平均普查因子方法和多元线性 (非线性 )逐步回归方法 ,可以同时预报多地点、多时次、多个气象要素。其中采用的多点滑动平均普查因子方法 ,减弱甚至消除了由于随机原因造成其中单点相关因子的不稳定性     

气象要素的等值线绘制技术

介绍了Surfer和Grads2个等值线绘制软件系统,并结合业务需要,对这2个绘图软件分别进行了探索和比较。     

On clustering of non-stationary meteorological time series

A method for clustering of multidimensional non-stationary meteorological time series is presented. The approach is based on optimization of the regularized averaged clustering functional describing the quality of data representation in terms of several regression models and a metastable hidden process switching between them. Proposed numerical clustering algorithm is based on application of the finite element method (FEM) to the problem of non-stationary time series analysis. The main advantage of the presented algorithm compared to Hidden Markov Models (HMMs) and to finite mixture models is that no a priori assumptions about the probability model for the hidden and observed processes (e.g., Markovianity or stationarity) are necessary for the proposed method. Another attractive numerical feature of the discussed algorithm is the possibility to choose the optimal number of metastable clusters and a natural opportunity to control the fuzziness of the resulting decomposition a posteriory, based on the statistical distinguishability of the resulting persistent cluster states. The resulting FEM-K-trends algorithm is compared with some standard fuzzy clustering methods on toy model examples and on analysis of multidimensional historical temperature data locally in Europe and on the global temperature data set.     

Comparison of missing value imputation methods in time series: the case of Turkish meteorological data

This study aims to compare several imputation methods to complete the missing values of spatio–temporal meteorological time series. To this end, six imputation methods are assessed with respect to various criteria including accuracy, robustness, precision, and efficiency for artificially created missing data in monthly total precipitation and mean temperature series obtained from the Turkish State Meteorological Service. Of these methods, simple arithmetic average, normal ratio (NR), and NR weighted with correlations comprise the simple ones, whereas multilayer perceptron type neural network and multiple imputation strategy adopted by Monte Carlo Markov Chain based on expectation–maximization (EM-MCMC) are computationally intensive ones. In addition, we propose a modification on the EM-MCMC method. Besides using a conventional accuracy measure based on squared errors, we also suggest the correlation dimension (CD) technique of nonlinear dynamic time series analysis which takes spatio–temporal dependencies into account for evaluating imputation performances. Depending on the detailed graphical and quantitative analysis, it can be said that although computational methods, particularly EM-MCMC method, are computationally inefficient, they seem favorable for imputation of meteorological time series with respect to different missingness periods considering both measures and both series studied. To conclude, using the EM-MCMC algorithm for imputing missing values before conducting any statistical analyses of meteorological data will definitely decrease the amount of uncertainty and give more robust results. Moreover, the CD measure can be suggested for the performance evaluation of missing data imputation particularly with computational methods since it gives more precise results in meteorological time series.     

气象时间序列规则发现及其应用

1时间序列及挖掘 时间序列是指将某一指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。随着信息技术的广泛使用以及人们获取数据手段的多样化，人类所拥有的时间序列信息急剧增加。按照研究对象和问题的不同，可以得到各种时间序列。例如产品销售记录、股票价格数据、气象数据、医疗信息等。目前计算机存储的数据中，时间序列数据占据了相当大（约80％）的比例，面对如此海量的时间序列数据，人们想找到有效的方法或技术来揭示这些数据内部所隐藏的知识或信息。例如股票经纪人想从某一种股票每日收盘价格的历史记录中发现其变化规律，以预测该股票未来行情走势；气象工作者想从降水量的历史变化中发现其变化规律，以预测未来降水量的变化趋势等等。     

气象要素插值的空间化精度提高方法研究

为了提高气象要素空间化的精度,本文提出通过预先对气象数据进行处理,然后再进行空间化,以比较直接插值与原始数据处理之后再插值的精度的变化。文中采用数据为全国743个常规气象站40 a(1961—2000年)整编气象资料及2005年的常规气象资料;插值方法有反距离加权法(IDW)、克立格法(Kriging)和样条函数法(Spline);数据预处理方法采用距平处理。结果发现:使用IDW、Kriging和spline对平均温度距平进行插值精度比较,发现IDW方法最优;温度距平精度的提高比降水和相对湿度要好;降水距平误差呈现由东向西递增的趋势。由此可见,对气象要素做距平处理可以有效提高插值精度。     

2种统计方法对气象要素均一性的影响

利用陕西6个基准站1994-2009年的人工及2004-2009年自动气象站24次逐时观测资料(简称24次)或4次定时观测资料(简称4次),分别统计气温、气压、相对湿度及2 min风速的均值,分析其差异,并对1961-2009年长序列气温资料进行显著性t检验及Mann-Kendall检验.结果表明:24次较4次统计的气温、气压、风速偏高,相对湿度偏低;2种统计方法气温差异较大,其他要素差异较小,而且气温在春秋季节差异较大;统计方法的改变不会引起气温长序列资料的显著性差异.     

Least squares support vector machine for short-term prediction of meteorological time series

The prediction of meteorological time series plays very important role in several fields. In this paper, an application of least squares support vector machine (LS-SVM) for short-term prediction of meteorological time series (e.g. solar irradiation, air temperature, relative humidity, wind speed, wind direction and pressure) is presented. In order to check the generalization capability of the LS-SVM approach, a K-fold cross-validation and Kolmogorov–Smirnov test have been carried out. A comparison between LS-SVM and different artificial neural network (ANN) architectures (recurrent neural network, multi-layered perceptron, radial basis function and probabilistic neural network) is presented and discussed. The comparison showed that the LS-SVM produced significantly better results than ANN architectures. It also indicates that LS-SVM provides promising results for short-term prediction of meteorological data.     

MOS方法在短时要素预报中的应用与检验

通过对MM5数值预报产品的释用,将MOS统计方法应用到短时要素预报中,综合利用MM5数值预报产品、自动站实况数据和雷达数据等资料,建立降水和温度的4 h预报模型;降水作为不连续变量,将其通过建立降水可能函数的方法转化为连续变量,利用统计预报方法,可以达到定量预报的目的。通过对4140个时次的样本进行检验。结果表明：MOS预报结果较MM5直接输出结果整体有所改进,当数值模式误差较大时,统计方法显示出一定的优势;降水预报检验结果显示,TS评分为65%,预报正确率PC为91%。降水明显的样本(3 h雨量>5 mm)平均误差在8 mm以内,弱降水样本(3 h雨量<3 mm)平均误差在1 mm以内,预报方程对非雨日样本的整体预报效果较好,优于MM5模式预报,预报正确率高达98%,但对流性降水仍是预报难点;对于温度预报,20-08时段误差较小、平均在1.0℃以内,而11-17时、误差平均在1.5℃左右,但经过误差的季节订正,可以控制在1.0℃左右。     

佛坪站址迁移对气象要素均一性的影响

2001年7月1日佛坪国家基本气象站观测场由佛坪县袁家庄东面山梁迁移到佛坪县袁家庄镇。新观测场位于旧址的西南方,二者直线距离约1500m。新观测场海拔高度比旧址低260．5m。为掌握新、旧站址因地理位置和观测环境不同所造成的气象要素均一性的差异,2001年1、4、7月在新、旧站址（见表1）进行了对比观测。