共查询到20条相似文献,搜索用时 15 毫秒
1.
一种逐时气温预报方法 总被引:4,自引:0,他引:4
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。 相似文献
2.
利用1994-2005年新疆12个基准站逐时气温资料,统计了不同日较差等级内的逐时气温和逐时气温变量的气候平均值,并在此基础上自动地输出新疆逐站逐时气温预报值,由此得到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。 相似文献
3.
4.
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。 相似文献
5.
利用2005-2011年阳江站和阳春站的气温、降水的逐时资料进行分析,探讨阳江地区不同季节、不同天气条件下的气候特征.结果表明:(1)春天气温日较差最大,盛夏最小;最低气温除了盛夏其余都是晴天时最低,夏季夜间气温大小和变化都比较接近;白天秋冬春季晴天时气温接近或低于多云时的气温;阳春的对比差距相对要大些,最高气温出现时间随季节的变化和天气状况的变化相差很大.(2)前汛期降雨概率大于后汛期,6月为降水主峰期,后汛期则以8月降雨最为频繁.阳江站前汛期降雨有两个频密时段分别在早晨和傍晚,阳春站午后降雨最频繁,并呈现中心向两边递减态势.短时强降水阳江概率分布与出现降雨的分布很相似,阳春站短时强降雨则分为早晨到上午和午后两个集中阶段. 相似文献
6.
7.
利用重庆市2003—2017年34个国家级气象观测站的逐时降水和逐时温度资料,建立了一种基于未来24 h日最高、最低气温和天气现象预报值的逐时气温预报模型。该模型通过搜寻与未来24 h预报值相似的历史天气现象下的气温时间序列,预报给定站点未来1 d的逐时气温。然后运用结合了高程的反距离加权插值法,得到重庆市0.125°×0.125°分辨率逐时气温网格预报产品。2018年逐时气温预报产品的检验结果表明,整体上国家级站点绝对误差≤2℃的逐时气温预报准确率为79.73%~91.40%,均值为87.12%;10月—次年2月的准确率好于3—9月,8月较差。该模型的预报性能在无雨时稳定,有雨时在地形复杂且易出现强降水的重庆东北部地区略差。重庆西部、中部的大部以及东北部偏西地区的网格产品预报准确率较高,而偏南局地山区和偏东部分山区的准确率较低。总体上该方法预报效果较好,预报性能稳定。 相似文献
8.
9.
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。 相似文献
10.
三种非线性回归逐时气温预报比较订正 总被引:1,自引:0,他引:1
选取ECMWF和T639的2013年1月至2014年12月的数值预报场构造预报因子,基于神经网络、支持向量机和构造函数的非线性方法,预报地面逐时气温。试验结果显示,在单个方法预报误差较大时,3种方法的偏差订正集成方法更利于减小误差,通过偏差订正,3种非线性方法预报效果良好,平均绝对误差减小了0.5 ℃。在近1年独立样本的预报检验中,集成方法、神经网络、支持向量机和构造函数预报的平均绝对误差分别为1.5 ℃、1.7 ℃、1.8 ℃和1.4 ℃,总体上构造函数预报更为准确。 相似文献
11.
精细化逐时滚动温度预报方法及检验 总被引:11,自引:2,他引:9
以Grapes数值模式预报为基础,首先利用卡尔曼滤波方法对Grapes模式的温度预报进行释用,再将模式统计输出方法应用于卡尔曼滤波结果,从而得到站点逐时滚动温度预报,最后通过站点-格点映射方法将站点预报误差反馈到最匹配的格点上,实现精细化逐时滚动温度预报(SHUF)。检验结果表明,Grapes模式的24小时温度预报CSI评分稳定在0.4左右;卡尔曼滤波方法的CSI评分介于0.47~0.43之间;而SHUF的CSI评分在1~6小时内由0.91降至0.64,7~16小时的CSI评分由0.6逐渐降低至0.52,17~24小时的CSI介于0.5~0.45之间,均优于同期Grapes模式预报和卡尔曼滤波释用结果。精细化逐时滚动温度预报方法利用最新的气象观测要素对数值模式预报的结果进行订正,可有效改进数值模式的短时温度预报能力。 相似文献
12.
基于LAPS分析的WRF模式逐时气温精细化预报释用 总被引:1,自引:3,他引:1
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. 相似文献
13.
数值预报产品和客观预报方法预报能力检验 总被引:17,自引:2,他引:17
利用天气预报业务中使用的JMH、MM5、中央气象台、MOS以及预报员5种预报产品资料,对2003年10月至2004年9月绍兴市降水和气温预报按自然天气季节、量级和主要影响天气系统进行了检验评估。结果表明:对中雨及以下量级的降水预报,JMH和中央气象台降水预报准确率较高,但对大雨及以上量级降水预报,各种方法都不太理想。冷锋、气旋和台风影响下的降水预报准确率明显高于暖锋和副高影响下的降水。MM5气温预报系统性偏低,MOS气温预报则呈现一定的季节性。 相似文献
14.
15.
16.
17.
18.
19.
20.
基于中国气象局陆面数据同化系统(Land surface Data Assimilation System of China Meteorological Administration,CLDAS)逐小时气温实况融合数据,检验评估了ECMWF、CMA-MESO-3km不同尺度模式对甘肃省逐小时气温的预报性能,并利用低频滑动平均订正算法(LPSC)对模式的系统性误差进行订正;同时对SCMOC和订正后两种模式的逐小时气温预报效果进行了统计对比。结果表明:1)ECMWF、CMA-MESO-3km模式对甘肃省逐小时气温的预报具有相对稳定的系统性误差,夜间预报准确率明显低于白天,主要表现为夜间预报显著偏高,白天为小的负偏差。2)LPSC算法能够有效改善ECMWF和CMA-MESO-3km对甘肃省逐小时气温预报的系统性误差,订正效果显著。订正后ECMWF、CMA-MESO-3km的预报准确率分别较模式本身提高了20.24%、20.25%,平均误差减小至±0.3 ℃之内;空间分布亦表明,订正后全省平均误差均明显降低至±2 ℃之内。3)同类产品对比检验表明:订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果整体上均优于SCMOC,预报准确率分别较SCMOC高20.65%、13.55%,平均绝对误差在各个时次也明显低于SCMOC。技巧评分的空间分布表明,订正后ECMWF在全省大部分地方均为正技巧,其中酒泉南部山区可达80%以上;而订正后CMA-MESO-3km的预报效果各个季节分布存在差异,主要体现在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。另外,业务应用结果表明,对于转折性天气过程,使用该方法需要特别注意。 相似文献