基于自动机器学习的机场温度预报方法研究

利用2015年1月-2021年3月ECMWF细网格数值预报产品构建训练样本，使用自动机器学习方法构建乌鲁木齐机场温度预测模型。结果表明：（1）ECMWF模式直接输出的乌鲁木齐机场温度平均绝对误差为1.7 ℃，基于自动机器学习方法的Auto-sklearn模型和Auto-Keras模型能够改善模式直接输出的误差，使平均绝对误差降低至1.4 ℃。（2）分析逐月模型预测准确率发现，Auto-sklearn模型的预报准确率（≤2 ℃）在4-10月稳定在85%以上，效果优于其余模型。（3）对于冬季低温天气，Auto-Keras模型预报准确率优于其余模型的效果，平均绝对误差为1.37～1.91 ℃；而对于温度≥0 ℃的情况，Auto-sklearn模型预测效果更好，平均绝对误差为0.93～1.22 ℃ 。     

基于机器学习的模式温度预报订正方法研究

机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。     

利用PCA-kNN方法改进广州市空气质量模式PM2.5预报

为了提高广州市PM_2.5客观预报能力,采用主成分分析结合机器学习算法k近邻（PCA-kNN）方法,基于空气质量模式（CMAQ）预报产品、中尺度天气模式（GRAPES-MESO）预报产品和2017年上半年广州PM_2.5观测实况,试验确定PCA-kNN方法的最佳参数方案,建立广州市空气质量模式PM_2.5预报客观订正方法。结果表明:与CMAQ模式的PM_2.5预报相比,在第1~3天预报时效上,PCA-kNN订正结果与实况的相关系数分别提高20%、15%、29%,均方根误差分别降低17%、16%、20%,平均偏差更接近0,PM_2.5浓度等级TS评分接近或优于CMAQ预报,PCA-kNN订正结果优于CMAQ预报。机器学习算法PCA-kNN方法可有效改进广州市空气质量模式PM_2.5预报,本研究对其他地区、其他污染物客观预报研究具有借鉴意义。      

基于机器学习的灾害性天气多尺度预测模型

为提高传统数值模拟预报结果的准确性,引入机器学习算法构建一种新型灾害性天气多尺度预测模型。通过降尺度时空融合算法实现遥感数据融合,反演推算得到大气气溶胶光学厚度作为天气预测模型的输入变量。利用包含反向解搜索策略的萤火虫优化算法,建立预测模型参数寻优策略,应用机器学习的支持向量机算法,构建包含多项式核函数的复杂多尺度预测模型,在考虑各种不确定因素的情况下进行不断训练,最终得到灾害性天气预测结果。使用该模型对2015年6月23日00—24时成都市灾害性天气进行预测,预测结果的ROC(Receiver Operating Characteristic)曲线的AUC(Area Under the Curve)值为0.88,且龙泉驿、新津和金堂站的预测正确率达90%。基于机器学习的灾害性天气多尺度预测模型可为灾害性天气预测提供一种有效手段。     

山西省主要河流流域面雨量预报业务流程

以T213、HLAFS模式、MM5中尺度模式输出的格点资料以及日本降水量格点资料为基础，将影响山西降水的天气动力模型归纳为诊断模型，从中引出多个能够全面反映降水模型特征的综合物理因子；根据各种数值模式输出的降水量预报性能和质量优劣特点，依据数值模式的形势场预报优于要素场预报的现实，构造在不同环流形势背景下，启动不同预报方程的面雨量预报业务流程，有效地遏止了在环流形势调整时预报输出不能快速响应的弱点，提高了点和面雨量预报的准确度。     

基于SVD与机器学习的华南降水预报订正方法

降水是在多种天气系统和复杂物理过程共同影响下形成的,因此降水预报难度较大。由于数值预报模式的局限性,使得模式预报产品存在一定误差。为探讨更加有效的模式预报产品误差订正方法,基于奇异值分解（SVD）与机器学习（多元线性回归、套索回归、岭回归）构建订正模型,对2007—2019年4月1日—6月30日华南前汛期欧洲中期天气预报中心（EC）模式降水预报产品进行误差订正试验。结果表明:基于SVD与机器学习相结合的订正模型能有效降低EC模式降水预报产品在华南的预报误差,均方根误差最大优化率达4.2%,累计超过69%的站点得到不同程度的优化;SVD与机器学习相结合的订正模型能很好地处理因子间共线性问题,具有更好的鲁棒性;而对多个订正模型加权集成,均方根误差优化率达5.7%,累计超过77%的站点得到优化,显然加权集成方法订正效果不仅优于EC模式预报产品,也优于参与集成的任一订正模型。     

2004 年春季一次较强沙尘暴的实时预报与特征分析

首先对2004年春季最强的一次沙尘天气过程进行了简要分析,然后利用业务化的集成沙尘数值预报系统对其进行了数值预报试验,并在检验了预测结果的可用性的基础上,进一步分析了沙尘浓度、起沙量等模式输出结果的特征。结果表明:该预测系统对沙尘天气的起沙和输送过程预报能力较好;对沙尘天气的发生、发展和消亡过程有预报意义。这次过程的沙尘源地主要是蒙古国南部和中蒙边境沙地,包括毛乌素沙地、腾格里沙漠和浑善达克沙地;起沙和输送过程中各种粒子的贡献随着沙尘天气发生区域的不同而不同,这次过程中起沙量贡献主要是粒径为2~22μm的粒子,在大气中长时间长距离输送的粒子主要是粒径小于11μm的粒子。     

MOS方法在机场气象要素客观预报中的应用

利用WRF中尺度数值模式和模式输出统计（MOS）方法,研究建立乌鲁木齐机场逐时温度、相对湿度的回归预报模型,并尝试针对冬季低云、低能见度等天气建立分类预报模型,通过对统计模型的检验可以看到：逐时温度绝对差为1.09耀2.33益;逐时相对湿度绝对差为4.7%耀9.6%;11月至翌年2月低云量跃5分量分类预报准确率76.94%耀83.13%,TS评分54.27%耀66.50%;11月至2月能见度臆800m的分类预报准确率为89.83%耀92.04%,TS评分为29.09%耀46.05%。该方法预测效果较好,因此可以尝试使用本方法为日后航空气象业务提供机场客观预报指导产品。     

合肥市大雾预报方法的建立与应用

利用主成分分析方法对2012—2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究,应用因子荷载点聚图将合肥市县大雾划分为2个区:中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性,全市和分片分别确定与大雾密切相关的高影响因子,利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下,通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明:数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优,技巧评分大幅提升,而2类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果更好。     

沙尘暴天气数值预报系统及其预报效果检验

沙尘暴天气数值预报系统包括区域大气模式、陆面过程模式、风沙模式(包括风蚀、输送和沉降模式)和地理信息系统。用该系统对2002年3月20日和4月7日2次沙尘天气进行了预报试验,利用地面观测资料和卫星观测资料对模式输出的主要沙尘天气预报产品进行了对比分析。分析结果认为,沙尘暴天气数值预报系统对沙通量、尘通量和垂直积分质量有很好的预报能力,但仍需改进陆面参数和沙尘气溶胶的初始值。     

机器学习在气象领域的应用现状与展望

机器学习是人工智能的核心，是使计算机具有智能的根本途径之一。随着以深度学习为代表的机器学习算法取得突破，人工智能呈现了加速发展的趋势，在各行业取得了广泛的应用。机器学习在计算效率、准确性、可移植性、协同性、灵活性、易用性等方面具有较大的优势，下一步将有可能改变传统的气象观测模式，加速和改善气象观测数据的处理，改善数值天气预报质量以及推进地球科学的交叉融合。为更好地推动人工智能相关技术在气象领域的应用，本文从气象观探测、数值预报、危险天气识别与预警和卫星资料处理等方面对机器学习算法的应用现状进行了整理。     

基于数值预报及上级指导产品的本地气温MOS预报方法

利用恩施基准站2008—2011年地面实测资料、数值预报产品、上级台站指导产品,采用M(数值模式预报)、E(天气学经验)、D(诊断分析)相结合的方法(简称MED),从气温变化的影响因素如大气稳定度、温度平流、水汽条件等设计具有物理意义的预报因子。或根据需要进行因子的组合叠加利用,并将指导产品直接作为预报因子。利用常规统计预报方法(逐步回归),将高、低温实况作为预报对象来建立地方气温预报模式。结果表明:将天空状况进行分型后建立地方气温MOS预报模型,并对应高低温一般出现时间段来选取数值预报产品因子进行预报,对本地气温预报质量的提高有积极的意义;模型建立过程中,综合采用了MED相结合的方法,并应用了数值预报再加工因子,考虑了天气系统变化对气温的影响,增强了数值预报的解释应用能力;参考客观数值模式产品、上级业务部门指导产品相结合的综合MOS预报方法,建立地方气温MOS预报是提高本地天气预报准确率的有效尝试。检验结果也表明,本地气温MOS预报效果较好,明显高于指导预报,已较好应用于实际业务中。     

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3～12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。     

支持向量机在大气污染预报中的应用研究

支持向量机是基于统计学习理论的新一代机器学习技术，其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型，并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明：支持向量机显示出小样本时预报精度较高和训练速度快的独特优势，为空气质量预报提供一种全新的模式。     

A Model Output Machine Learning Method for Grid Temperature Forecasts in the Beijing Area

In this paper, the model output machine learning (MOML) method is proposed for simulating weather consultation, which can improve the forecast results of numerical weather prediction (NWP). During weather consultation, the forecasters obtain the final results by combining the observations with the NWP results and giving opinions based on their experience. It is obvious that using a suitable post-processing algorithm for simulating weather consultation is an interesting and important topic. MOML is a post-processing method based on machine learning, which matches NWP forecasts against observations through a regression function. By adopting different feature engineering of datasets and training periods, the observational and model data can be processed into the corresponding training set and test set. The MOML regression function uses an existing machine learning algorithm with the processed dataset to revise the output of NWP models combined with the observations, so as to improve the results of weather forecasts. To test the new approach for grid temperature forecasts, the 2-m surface air temperature in the Beijing area from the ECMWF model is used. MOML with different feature engineering is compared against the ECMWF model and modified model output statistics (MOS) method. MOML shows a better numerical performance than the ECMWF model and MOS, especially for winter. The results of MOML with a linear algorithm, running training period, and dataset using spatial interpolation ideas, are better than others when the forecast time is within a few days. The results of MOML with the Random Forest algorithm, year-round training period, and dataset containing surrounding gridpoint information, are better when the forecast time is longer.     

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

基于机器学习的数值天气预报风速订正研究

对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。     

对流层顶折叠检测新方法及其在中纬度 灾害性天气预报中的应用

对流层顶折叠是中纬度地区对流层上层—平流层下层区域(简称UT/LS)内的一个重要的大气现象,它与气旋生、暴雨强对流触发以及降水增幅密切相关。由于这些天气条件下的大气状况异常复杂,因此目前国际上普遍采用的基于干大气条件的对流层顶折叠检测方法存在很大局限性。本文在借鉴已有的卫星资料和数值预报相结合的模式识别法的基础上,通过统计分析的方法建立了高层大气水汽与广义湿位涡、臭氧浓度的关系以及对流层顶折叠与高空急流的位置关系,同时考虑了动力对流层顶高度在判识过程中的辅助作用,建立了一套基于FY-2E静止气象卫星遥感数据的,适用于与暴雨强对流有关的对流层顶折叠动态监测新方法。在利用FY-3A和FY-3B反演的臭氧总量、臭氧垂直廓线以及ECMWF Interim资料计算的位涡等资料对算法进行精度验证的基础上,将该方法在2012年7月21日北京特大暴雨天气过程以及2013年5月14~17日华南大暴雨天气过程的监测和分析上进行了应用,并取得了较好的效果。从应用效果看,本文提出的这种对流层顶折叠识别方法是合理可行的,并具有一定的应用价值,可为中纬度地区暴雨强对流天气的监测和预警提供参考指标。     

Forecasting Different Types of Convective Weather: A Deep Learning Approach

A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China.     

Predictability of a large-scale flow conducive to extreme precipitation over the western Alps

Summary The quality of numerical weather prediction has improved considerably since its beginning. Over the last decade, in the North Hemisphere and more specifically over Europe, the accuracy of global numerical weather predictions of 500 hPa height has increased by one day. However this remarkable achievement has to be considered true for average conditions since it is computed over many days/seasons with very different flow patterns and atmospheric states. It is known that atmospheric predictability and model errors are highly flow-dependent therefore an increase in skill for average conditions may not imply the same improvements in specific conditions. Moreover the potential value of numerical weather prediction is perceived to be higher in some specific conditions, like high-impact weather events. There is therefore a growing need to know the forecasting accuracy of significant weather events, something that cannot be easily inferred through average scores, not least because of the rarity of these events. For these reasons, a study has been carried out to examine the skill of the European Centre for Medium-Range Weather Forecast (ECMWF) global forecasting system in predicting a specific flow configuration that is believed to be associated with extreme precipitation events over the Alpine region. Despite quantitative predictions of extreme precipitations is still challenging, it was found that the large-scale flow conducive to major rain events has better predictive skill than average conditions. This is perhaps surprising since it is a common perception to associate severe weather with low predictability.