台风路径统计预报的改进

应用数值预报产品并采用多种预报方案相结合建立了台风路径的统计释用综合预报模式，从而提高了台风路径预报的技巧。经１９９４年台风季节业务试用，其预报性能比原有的统计预报模式有较大的提高，试验表明，充分利用在预报时可得到的数值预报输出产品的采用多种方案集成是改进台风路径客观的有效途径。     

一种北上台风路径预报方法

根据气象台实际业务需要,对历年北上台风路径进行分析总结,从天气学角度分析了台风未来路径与对流层上层温度场（或厚度场）的关系,目的是解决北上台风路径预报问题,并对2005年9号台风“麦莎”做了检验,提出台风的趋暖运动是对流层上层增暖现象,对流层上层增温极值曲线是台风未来的移动路径。     

台风路径预报集成方法的一个试验

应用集成预报方法改造台风路径预报,取得明显效果。对常用的台风路径预报相似模式（ＴＳＦ）及Ｍａｒｋｏｖ型相似模式（ＭＴＳＦ）所做预报试验表明,经集成方法改进后的ＭＴＳＦ,ＴＳＦ,其预报能力有明显提高。     

转向台风路径的预报与分析

本文以大气动力学为基础,结合经验公式提出一个预报台风路径的模式,並应用於8605(Nancy)和8615(Vera)两个转向台风路径的预报。预报结果和对预报结果的分析对台风路径业务预报有参考意义。     

南海台风路径预报试验

利用预测误差平方和最小准则的逐步算法对台风路径进行拟合和预测试验，试验结果表明ＰＲＥＳＳ方法得到的模型具有较强的预测能力，因而，ＰＲＥＳＳ方法同逐步回归一样，也是一种预报台风路径客观有效的方法。     

南海异常路径台风预报的数值试验

利用广州热带海洋气象研究所最近发展的热带有限区台风数值预报模式,对1991年登陆广东的9116号强热带风暴(Joel)进行了数值预报试验。结果表明:模型台风的加入,模式水平和垂直分辨率的提高,物理过程的完善,能大大提高台风路径的预报准确率。     

EOF和CCA方法在台风路径预报试验中的比较

利用气候持续性因子，并分别考虑了５００ｈＰａ高度场的ＥＯＦ因子和ＣＣＡ因子，分别建立了基于ＥＯＦ因子和基于ＣＣＡ因子的南海台风２４－１２０小时路径预报模式。经过非独立样本和独立样本的预报检验，比较。将两种方法运用于５００ｈＰａ高度场的分析表明，ＣＣＡ方法得出的典型变量权重系数分布虽不能象ＥＯＦ方法的特征向量一样表示出明显的而且平滑的空间场形式，但ＣＣＡ方法浓缩了更多的与台风路径整体相关性最好的原变     

人工神经网络台风预报系统

系统在经大量数据训练、运算基础上，选用了ＢＰ网络模型。为适应台风路径预报，对ＢＰ网络进行了改进，应用改进后的ＢＰ网络，自动训练到２１５９次后，由神经网络输出的判定台风移向趋势－西进，北上，西北移与实际历史移行路径概括率达９７％。在业务实用时，只需在指定硬盘路径中给出系统运行的３个文件，包括天气系统主要特征参数，系统即可以人机对话形式给出当前台风移动路径概率值。     

台风路径实时数值预报的初步试验

根据国家气象中心建立的台风路径数值预报试验系统,引入了模型台风。模型台风是利用获得的场面参数构成的,然后再叠加到客观分析场上作为台风路径预报的初始场。引入模型台风后,无论是台风中心位置还是其流场、质量场与实际观测比较接近,且预报效果有一定提高。利用模型台风对1992年Eli（9205号）和Janis（9210号）台风进行了实时的预报试验。结果表明对这二个台风的移动趋势基本上能预报出来,预报的台风路径与实况进行了对比,并与气候持续预报作了比较,效果较好。     

目前台风路径预报中若干疑难问题探讨

１　关于引导气流　　众所周知,台风作为大环境场气流中一个涡旋,其移动受引导气流所牵引,因此对台风未来移动路径的预报最终归结为对环境场引导气流的预测,而当高中低层环境场引导气流比较强且较为一致时,其预测往往能够成功。然而,近年来的实践证明这个传统观点正在受到怀疑,这可以从预报员思路的变化得到证明：８０年代初主要考虑中层引导,８０年代后期考虑中高层引导为主,到９０年代新观点认为主要在于高层引导,更有些认为是受平均引导层（２层或多层）引导。这些观点的频繁变化让人感觉到预报思路似乎进入了一个误区,都没有…     

用概率圆法决策台风预报路径

在分析了国内外台风预报实际业务流程的背景下，设计了一个业务上实用的概率圆客观综合决策台风路径预报的决策模型。采用了以误差概率圆的重叠区为导向的新的客观综合决策路径预报方法，对综合利用各种路径预报方法，自动客观地决策做了新的尝试。在软件设计上解决了自动判定，抽取客观决策参考点的技术难题。检验效果证明它优于一般的回归决策水平。     

用ECMWF数值预报产品预报台风路径

为提高台风预报效果,并使其客观定量,本文运用ECMWF数值预报(0 h(实况场)～168 h)产品,以涡度中心为基础,在气旋性涡旋的格区中,找准恰当的"扭角",用计算机图上作业程序确定台风位置,平均误差84 km,表明本方案有其优越之处.在预报过程中,对涡度中心的阈值和搜寻半径系数的选定,结合实际计算后的距离误差和可预报率作了些讨论.逐年运用效果统计表明,本文提出的方案有着良好的应用前景.     

台风森拉克路径特征与预报难点分析

研究了2002年16号台风路径的分析与预报过程,分析了0216号台风在几次关键点的预报过程中出现疑难,预报争议很大的原因.认为类似0216号台风,在其生命史中遇到环境场气压系统比较弱时,要注意可能出现路径停滞、打转、转折等.这时,应仔细分析,避免对预报思路的误导,减少预报服务思路的大幅度摆动,以提高服务质量与效果.注意台风周围的涡旋发生互旋的半径变化、影响的程度,在分析弱涡旋时,注意水汽通道云图等其他参考工具是有意义的.     

台风路径数值预报模式的并行化及路径预报误差分析

国家气象中心台风路径数值预报模式经过串行优化及程序并行, 成功地实现了在国产超级计算机神威上的并行运算, 并可满足业务时效要求。基于并行程序及神威机计算平台的台风路径数值预报业务系统于2002年6月30日投入实时运行, 其初估场与侧边界条件从T106L19模式产品升级为T213L31模式产品 (称为基于T213台风预报系统, 原串行系统称为基于T106台风预报系统)。通过对2002年夏秋季台风路径的检验, 总体来看, 基于T213台风预报系统48 h内的平均路径预报误差小于基于T106台风预报系统的路径预报误差。对西行及西北行登陆的台风, 基于T106台风预报系统的48 h预报好于基于T213台风预报系统的预报。对于转向台风而言, 转向后的预报, 基于T213台风预报系统的预报要好于基于T106台风预报系统的预报, 有效地减小了基于T106台风预报系统对转向台风路径预报的系统性误差:即台风转向后预报路径较实况路径偏西。     

台风移动路径数值预报的影响因子初探

本文对一个区域中α尺度数值预报业务模式进行垂直分层增加和积 云对流参数化改进,并设计八种对比试验方案,对９４０６号台风进行模拟预报,通过 对比分析各方案模拟预报的台风移动路径,探寻数值模式对台风移动路径预报的 影响因子。     

台风路径集合预报试验

基于T63L9模式,利用BGM法进行了台风路径的集合预报试验,并对集合预报中的一个关键技术—繁殖长度进行了研究。结果表明:相对于控制预报,利用增长模繁殖法制作的集合预报对台风路径预报的技巧水平有了很大提高。集合预报中采用不同的繁殖长度对台风路径预报效果有一定影响。繁殖长度取2 d和3 d集合预报效果相对于控制预报都有很大提高。繁殖长度取为2 d时,集合离散度较小,取为3 d时较合理,取为4 d时,离散度较大。对台风路径的预报采用集合选择平均后,繁殖2 d和繁殖3 d的集合预报系统的预报效果都优于控制预报。从综合集合预报效果分析,繁殖长度取为3 d更合适。当集合预报中繁殖长度取为3 d时,在预报的前3天,台风路径集合预报误差基本维持在100 km,第4天误差也只接近300 km。相对于控制预报,集合预报的改进率在预报的2～4 d基本超过了60%,甚至可达到70%。     

台风森拉克路径与预报难点分析

研究了 2 0 0 2年 1 6号台风路径的分析与预报过程 ,分析了 0 2 1 6号台风在几次关键点的预报过程中出现疑难 ,预报争议很大的原因。认为类似 0 2 1 6号台风 ,在其生命史中遇到环境场气压系统比较弱时 ,要注意可能出现路径停滞、打转、转折等。这时 ,应仔细分析 ,避免对预报思路的误导 ,减少预报服务思路的大幅度摆动 ,以提高服务质量与效果。注意台风周围的涡旋发生互旋的半径变化、影响的程度 ,在分析弱涡旋时 ,注意水汽通道云图等其他参考工具是有意义的。     

基于主成分分析的人工智能台风路径预报模型

利用主成分分析可以从具有随机噪声干扰的气象场提取主要信号特征,排除随机干扰的能力,论文以1980～2010年共31年6～9月西行进入南海海域的台风样本为基础,综合考虑台风移动路径的气候持续因子和数值预报产品动力预报因子,采用主成分分析的特征提取与逐步回归计算相结合的预报因子信息数据挖掘技术,以进化计算的遗传算法,生成期望输出相同的多个神经网络个体,建立了一种新的非线性人工智能集合预报模型,进行了分月台风路径预报模型的预报建模研究。在预报建模样本、独立预报样本相同的情况下,分别采用人工智能集合预报方法和气候持续法进行了预报试验,试验对比结果表明,前者较后者在6、7、8和9月份台风路径预报中,平均绝对误差分别下降了7.4%、4.8%、12.4%、17.0%。另外,论文进一步在初选预报因子和样本个例相同的情况下,通过比较新模型与直接采用主成分分析方法选因子并分别运用逐步回归和遗传—神经网络集合预报模型进行计算的预报精度差异表明,前者具有更高的预报精度,其原因是该方法挖掘利用了全部备选预报因子的有用预报信息,而且遗传—神经网络集合预报模型的是由多个神经网络个体预报结果合成,集合模型的各个神经网络个体的网络结构,是通过遗传算法的优化计算确定的,因此,该集合预报模型的泛化能力显著提高,在实际天气预报中具有较好的实用性和推广价值。