典型相关方法在低纬高原汛期降水预报中的应用试验

利用典型相关方法作云南汛期（6－8月）降水的预报试验，选取有实际预报意义的北半球500hPa场1－4月平均环流特征产量、部分关键区的高度和距平资料及太阳黑子数作为共同影响因子，建立典型相关模型。并取所有的前10个典型变量分别作汛期雨量预报对比。对1998年、1999年的汛期雨量预报结果表明：取前10个典型变量为预报因子作汛期雨量预报的准确率优于取所有典型场为预报因子的预测模型。从实况检验来看，该模型物理意义清晰，效果较好。并作了2000年的汛期预报，其准确率为10／16。     

格点选择对MAPS面雨量预报效果的影响

以MAPS数值预报产品为基础，采用1998～2001年MAPS数值格点降水预报场资料，选取长江上游六大流域不同的代表格点计算该流域不同时段、不同时效的面雨量。以历年面雨量实况为标准，对上述时段面雨量预报值进行相关分析。结果表明，格点选择不同，该流域面雨量预报结果存在较大差异，对于MAPS数值降水预报而言，采用将格点北移1纬度、东移3经度的方式，其预报效果最佳。将这种格点选择方式应用于2002年长江上游六大流域面雨量预报，其效果较好。     

变分法和卫星云图模式识别在强降水面雨量预报中的应用

假设数值预报对雨量的落区预报是准确的，用卫星云图模式识别预报的流域雨量极值，应用变分法对数值预报雨量极值进行订正，使得订正预报与未订正场之间的泛函达最小，从而求得预报场。试验证明，该方法对强降水面雨量预报的准确率较数值预报有一定提高。     

淮河流域汛期面雨量多模式预报检验评估

基于站点观测资料和四个数值模式预报资料,以2011—2012年汛期(6—8月)为例,评估四个模式对淮河流域15个子单元客观面雨量预报效果。这四个模式为欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,简称ECMWF)全球模式、日本气象厅(Japan Meteorological Agency,简称JMA)全球模式、安徽省气象台业务中尺度模式MM5(Mesoscale Model Version 5)和WRF(Weather ResearchForecasting)。15个子单元面雨量预报值采用网格算术平均法计算,面雨量实况值采用泰森多边形法计算。检验评估采用平均绝对误差、模糊评分、正确率以及TS评分。检验评估结果表明:1)ECMWF预报效果整体上优于其他模式,尤其是在小雨到大雨等级优势明显;JMA、MM5以及WRF的预报效果依次降低。2)各模式预报效果均表现出随降水等级(小雨、中雨、大雨、暴雨)增大而下降的趋势。3)随预报时效(24、48、72 h)延长,各模式预报效果逐渐下降。4)分析典型个例发现,ECMWF、JMA及WRF对于24 h预报时效的强、弱降水过程,预报效果存在较明显差异,对于强降水过程预报等级偏小;MM5对于强、弱过程预报等级均有所偏大。     

一种由单值预报生成定量降水概率预报的方法及初步应用

利用1981年1月1日至2003年12月31日淮河流域59个站的降水观测及同时段美国GFS集合预报模式回算的24 h降水量集合平均预报资料,建立条件亚正态分布函数的概率预报模型并得到集成预报.针对淮河流域子流域的试验结果表明:新方法生成的集成预报的均方根误差在所有子流域和各个季节的误差都有显著降低,其中蚌埠至洪泽湖流域6月的均方根误差降低了3.11 mm.4个子流域通过该模型得到的集成预报的Brier技巧评分在0.16～0.61,说明该集成预报在整年都具有一定预报价值.在淮河上游大坡岭至息县流域,当实际日面雨量阈值为0.00～7.82 mm的预报时,夏季的集成预报出现不同程度的低报;但当实际日面雨量阈值为18.12 mm时,夏季的集成预报表现出较好的可靠性.百分位评估则进一步表明该集成预报能较好地预报出小量级的面雨量,而对30.00 mm以上面雨量的预报能力相对较弱.     

金沙江下游多种面雨量集成预报方法的对比分析

集成方法有利于提高降水要素预报的准确性和可预报性。本文基于格点实况资料和智能网格预报、西南区域数值预报、ECMWF模式预报、GRAPES模式预报产品,以面雨量为研究对象,采用多元回归法、BP神经网络法、评分权重法、加权集成预报法和算术平均法,得到集成面雨量预报,再运用平均绝对误差、模糊评分、正确率、TS评分、偏差分析等方法,对2020年4—10月金沙江下游面雨量预报效果进行对比分析。结果表明：多元回归集成法和BP神经网络法的预报效果总体上优于其他几种集成方法。在考虑流域面雨量的预报量级时,下游可以采用预报量级较小的模式和集成方法。集成后偏差百分比均有降低,且多元回归法和BP神经网络法对预报量级较小的模式有矫正作用。在面雨量有无、小雨和中雨预报中,多元回归法集成效果较好,在大雨量级预报中,BP神经网络法集成效果较好。这些结论可为流域面雨量预报提供参考借鉴。     

三峡区间面雨量预报方法及其试验效果

介绍了用于制作三峡区间面雨量预报的各种预报方法,分析了天气学方法、数值预报方法及以数值预报产品为基础的人工神经网络方法在１９９９年汛期的试验效果,结果表明：人工神经网络方法及ＭＡＰＳ数值预报方法预报效果较好。并提出了对几种面雨量预报方法的改进措施。     

神经网络在水位预报中的研究

根据各站点降水资料,运用高斯权重客观分析原理计算广西区域的面雨量,以上游面雨量值、水位值与西江流域的梧州水位进行相关分析,找出基于水位的主要预报因子;进一步采用人工神经网络与主成分分析(PCA)相结合的方法进行了西江流域梧州水位的预报方法研究。计算结果表明,该预报方法所构造的预报模型对历史样本拟合精度高,试报效果也较好,可在预报业务中应用。     

江西省中小水电智慧气象服务技术研究及应用效果检验

基于高精度DEM及水系数据的流域集雨区划分,研究了江西省中小水电站集雨区划定技术方法;通过对水库集雨区上降水预报和观测站点的实况两者对比分析,建立了基于库区的多模式本地化水库面雨量预报方法;通过模式参数化率定方法以及雨洪耦合来水量预报方法的研究,建立了水库来水量预报模型.利用2007—2020年水文数据以及降水实况和模式数据,检验了七一水库2020年逐7 d面雨量预报效果.检验结果表明,面雨量预报模型在0—3 d的平均预报准确率为70.1％;中雨和大雨量级的降水预报准确率分别为30.7％和28.3％,暴雨、大暴雨预报具有一定的指示意义;改进后的流量模拟效果进一步提升,强降水过程的流量预报效果明显改善.     

三峡库区流域面雨量预报模糊检验

采用面雨量模糊评分方法，对三峡库区流域面雨量预报中3种客观预报(相似预报、T213降水预报、MM5模式预报)和面雨量综合集成预报结果进行综合评定。检验结果表明，3种预报模式对流域面雨量预报水平相差不大，冬半年的预报评分高于夏半年。在业务中采用动态权重系数法对3种预报方法预报结果进行集成，其集成预报的评定质量高于每种单独预报质量。在流域面雨量预报质量检验中采用了模糊评分法，该方法能够较为客观地反映预报和实况之间的差距，也可以用于降水定量预报评定中。     

BP-CCA方法用于四川盆地夏季日降水量的可预报性研究

基于BP-CCA方法,首先讨论了多个因子对四川盆地夏季降水降尺度模型的可预报性,然后选取最佳预报因子并进行集合,最终基于T639模式建立最优多因子降尺度预报模型.结果表明,分别以东亚夏季10m纬向风、700hPa纬向风和700hPa相对湿度为预报因子的降尺度模型对四川盆地夏季降水的预报技巧较高,而将三个因子集合的多因子降尺度预报模型具有更好的预报能力.进一步将该方法应用于T639模式预报的预报因子场,发现多因子降尺度模型对降水的预报效果要优于T639模式直接输出的结果.     

客观定量预报中降水的预处理

建立预报模型前, 对降水量进行一定的处理会对预报效果有较大的影响。对于降水量为0的样本, 根据对应的相对湿度情况分别赋予0或不同的负值, 并通过神经网络方法, 以中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式相应的降水量预报结果作为预报因子, 利用2003年和2004年夏季资料分别建立了处理后降水量以及未经处理降水量的预报模型。以北京等站为例, 2005年夏季试报结果的对比分析表明:通过相对湿度对降水量进行适当处理后, 预报结果从TS评分、空报率、漏报率及预报偏差来说, 不论是与不进行处理的预报结果还是与模式直接的预报结果相比都有提高, 尤其是减少了空报的情况。该处理方法简单可行, 并且对降水预报效果提高明显。     

Seasonal prediction of African precipitation with ECHAM4–T42 ensemble simulations using a multivariate MOS re-calibration scheme

A 15 member ensemble of 20th century simulations using the ECHAM4–T42 atmospheric GCM is utilized to investigate the potential predictability of interannual variations of seasonal rainfall over Africa. Common boundary conditions are the global sea surface temperatures (SST) and sea ice extent. A canonical correlation analysis (CCA) between observed and ensemble mean ECHAM4 precipitation over Africa is applied in order to identify the most predictable anomaly patterns of precipitation and the related SST anomalies. The CCA is then used to formulate a re-calibration approach similar to model output statistics (MOS) and to derive precipitation forecasts over Africa. Predictand is the climate research unit (CRU) gridded precipitation over Africa. As predictor we use observed SST anomalies, ensemble mean precipitation over Africa and a combined vector of mean sea level pressure, streamfunction and velocity potential at 850 hPa. The different forecast approaches are compared. Most skill for African precipitation forecasts is provided by tropical Atlantic (Gulf of Guinea) SST anomalies which mainly affect rainfall over the Guinean coast and Sahel. The El Niño/Southern Oscillation (ENSO) influences southern and East Africa, however with a lower skill. Indian Ocean SST anomalies, partly independent from ENSO, have an impact particularly on East Africa. As suggested by the large agreement between the simulated and observed precipitation, the ECHAM4 rainfall provides a skillful predictor for CRU precipitation over Africa. However, MOS re-calibration is needed in order to provide skillful forecasts. Forecasts using MOS re-calibrated model precipitation are at least as skillful as forecast using dynamical variables from the model or instantaneous SST. In many cases, MOS re-calibrated precipitation forecasts provide more skill. However, differences are not systematic for all regions and seasons, and often small.     

NCEP CFSv2对中国2015年夏季月尺度降水和环流预报分析

利用美国环境预报中心的第二代气候预报系统(NCEP CFSv2)提供的1982~2010年历史回报资料和2015年6~8月预报产品、NCEP CFSR再分析资料及中国地面观测降水资料,评估了NCEP CFSv2对2015年(厄尔尼诺发展年)中国夏季月降水和环流形势的预报能力,并分析了影响模式预报技巧高低的可能因子。结果表明:1)模式对降水的预报技巧较低且表现出明显的月变化(7月最高,8月次之,6月最低),但总体水平都不高。预报技巧明显依赖于提前时间的长短。2)CFSv2对影响我国夏季降水的500h Pa关键区环流异常空间模态表现出较高的预报技巧。对全东亚区域,模式基本都可提前5~9天(7月9天,6月6天,8月5天)较为准确的预报出未来一个月高度异常空间模态。3)通过对比分析发现,CFSv2环流预报中选取12个集合成员(滑动3天)可以得到较稳定的预报结果。4)在2015年夏季月尺度环流异常模态预报中,东亚全区的环流预报水平很大程度上取决于中高纬地区的预报。CFSv2对中高纬环流月预报技巧(6~8月都能从提前4天开始就基本稳定维持在较高水平)比热带地区更高更稳定。      

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

基于降水极端预报指数的福建台风极端降水预报研究

应用1961—2017年中国气象局热带气旋最佳路径数据集、国家地面气象观测站日降水观测资料和2015年8月—2017年12月欧洲中期天气预报中心(ECMWF)集合预报系统降水极端预报指数(EFI)数据,根据百分位法定义台风影响期间福建省各站点的台风极端降水阈值,采用最小阈值法剔除台风极端降水时EFI箱线图中的异常值,保...     

基于神经网络奇异谱分析的ENSO指数预测

采用奇异谱分析方法研究了ENSO指数及相关序列, 结果表明奇异谱分析能很好的对原始序列进行信噪分离, 增大了ENSO指数的可预报性.在此基础上, 提出了人工神经网络和奇异谱分析相结合的ENSO指数预测方法, 进行了不同因子组合的预报试验, 预报效果明显优于持续性预报, 超前4季的Nio 3区、 Nio 4区预报相关系数仍高于0.5.     

华南复杂地形下GRAPES_Meso3km对流尺度模式前汛期精细化降水预报评估

为深入认识GRAPES_Meso(Global/Regional Assimilation and Prediction System)3 km对流尺度区域模式对华南前汛期精细化降水的预报性能,为模式改进及业务应用提供参考依据,利用广东省86个站点逐小时观测降水资料和国家气象信息中心多源融合降水资料,针对广东省复杂地形特点,结合距海岸线的远近及站点地形特点,将86个站划分为沿海东部、沿海西部和内陆地区三个子区域,采用二分类降水预报检验方法,定量评估了2020年5月18日—6月18日华南前汛期降水预报效果。结果显示,GRAPES_Meso 3 km模式精细化降水预报技巧受广东复杂地形影响较大,广东沿海东部和内陆地区24 h时累积降水的小雨、中雨、大雨量级预报成功指数(Threat Score,TS)、公平成功指数(Equitable Threat Score,ETS)评分高于沿海西部地区,尽管暴雨预报评分具有此相同特征,但三个子区域的暴雨预报评分总体较低;从3 h累积降水预报评分看,沿海东部、沿海西部及内陆地区等三个子区域存在明显的日变化特征,但是沿海东部及西部与内陆地区表现有所不同,沿海东部和西部降水预报评分夜间较低(预报偏差偏高),白天相对较高(预报偏差偏低),而内陆地区则是夜间较高(预报偏差偏低),白天相对较低(预报偏差偏高)。沿海西部预报评分相对较低的原因是由于检验时段内广东地区存在一个弱的风切变,而沿海西部大部分地区正好处于切变线南侧的温度高值区控制,但模式模拟该区域的日平均温度较实况偏低,导致沿海西部模式预报降水空报较多,降低其降水预报技巧。     

中国冬季气温的集合典型相关分析和预报

以欧亚大陆地面温度、北半球500 hPa高度、热带印度洋SST(sea surface temperature)以及北太平洋SST为预报因子,通过典型相关分析(canonical correlation analysis,简称CCA)建立预报关系,然后用集合典型相关分析预报(ensemble canonical correlation prediction,简称ECC)方法预报中国冬季气温,并分析预报技巧及进行独立样本检验.结果表明,不同的预报因子对各个地区有不同的预报技巧,以欧亚大陆地面温度为预报因子预报技巧较高,而ECC模式对中国冬季气温有更好的预报能力,预报技巧高于任何一个单因子场的CCA预报;采用回归法的集合平均比简单的等权集合平均预报技巧更稳定.     

3个月平均气温距平的CCA预测方法

用根据CCA方法设计的一个统计预报模式对我国3个月平均气温距平进行预报试验，并用交叉检验方法进行估计，结果表明：预报技巧随提前时时间增长而减小得较少，用全球表面温度作预报因子有较高的预报技巧，7，8，9月3个月较易预报，而10，11，12月3个月较难预报。