一种转折性天气定时预报方法

随着气象服务事业的迅速发展,用户对转折性天气预报的要求越来越高,而目前各种数值预报所提供的均是某一对段内(≥12小时)有无降水的信息。为此,我们利用与降水关系密切的数值预报700hPa湿度场,通过检验分析和误差订正,最后建立能预报全市各片具体转折时间的客观定时预报方法,并在微机上实现,经业务应用,效果令人满意。     

枣庄市气温定时预报系统

应用多准则模糊决策方法,对中央台、省台所作枣庄市２４小时最高、最低温度预报和本台的订正预报以及本台ＭＯＳ预报进行决策,选其中较为准确的预报求取日较差,将日较差进行分级,根据定时气温气候平均值和６小时变量,求出每日０８时、１４时、２０时、０２时的气温预报,实际应用的预报效果好于主观预报。     

一种逐时气温预报方法

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。     

基于机器学习的格点气温预报订正方法

使用2017年9月至2021年3月国家级业务化运行的智能网格实况分析产品和欧洲中期天气预报中心全球模式(EC)产品,根据湖北省的地理分布特征构建6个分区,采用基于LightGBM机器学习算法建立的气温预报方法,生成湖北省0.05°×0.05°格点气温预报产品。利用2021年4—9月的预报产品和格点实况资料进行检验,结果表明:基于机器学习的气温预报方法(MLT)取得了较好的预报效果,其在0～72 h时效内优于中央气象台下发的气温精细化指导预报(SCMOC)和EC产品;MLT在山区的误差较平原大,但山区的订正幅度大于平原,日最高气温的订正幅度大于日最低气温的订正幅度;4—9月MLT、SCMOC、EC产品的平均绝对误差(MAE)日变化都呈现了白天偏高、夜间偏低、午后凸起的单峰特征,MLT的MAE值较SCMOC和EC产品的更低,并且在转折性天气中仍具有优势;站点检验与格点检验结论一致,基于格点建模的气温预报产品对站点预报同样得到了订正。机器学习在格点气温的模式订正方面可以作为一个行之有效的手段。     

一种概率方法在沿海海岛台风阵风预报中的应用试验

利用2004—2013年浙江影响台风及9个沿海海岛气象站风力资料,分析了各站阵风系数总体特征,及其与站点纬度、海拔高度和海岸线距离等因子的关系。结果表明,随着平均风速的增大,对应的阵风系数有减少趋势;距离海岸线近的站点和海拔高度小的站点其阵风系数也相对要大些。分析台风参数与阵风系数关系,得出阵风系数与台风7级风圈半径和站点离台风中心距离的比值具有最好相关。利用分位数回归方法建立概率预报模型,试报表明大部分站点阵风的50%和90%概率范围的击中率都符合预期,其波动范围一般在3%以内,模型表现比较稳定,对业务有一定的指导价值。     

卡尔曼滤波方法在逐日极端气温预报中的应用分析

利用国家气象中心的T63数值预报产品，采用卡尔曼滤波方法，建立了内蒙古地区（35个站）的逐日极端（日最低、日最高）气温24小时预报方程。于1996年3～11月进行业务试运行，预报结果令人满意，表明该方法有一定的参考和实用价值。     

机器学习在强对流监测预报中的应用进展

近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用.各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法.机器学习方法能够更...     

集合预报方法在山西暴雨预报中的应用试验

利用ECMWF高分辨率确定性预报和大气模式集合预报产品,采用本地统计量融合方法和联合概率方法,对2014年山西省9次暴雨天气过程的降水预报进行检验分析。结果表明:(1)2014年山西省9次暴雨过程影响系统差异较大,强降水多集中在山西中南部地区,暴雨落区表现为区域性、局地性或大范围分散性特征;(2)本地统计量融合方法对于大雨落区的预报与实况较为接近,而联合概率预报方法的大概率范围对于暴雨落区预报具有较好的指示意义;(3)TS评分检验表明,对于区域性或局地性暴雨天气过程,可更多参考本地统计量融合方法,而对于大范围分散性的暴雨天气过程,本地统计量融合方法空报较多,ECMWF确定性预报更具参考价值。     

相似集合预报方法在北京区域地面气温和风速预报中的应用

相似集合是近年来提出的一种基于相似理论、大数据挖掘和集合预报思路的统计释用方法。文中首先介绍了相似集合的基本原理,并应用该方法对北京快速更新循环数值预报系统（BJ-RUC）v3.0预报地面要素开展了订正释用试验。结果表明,相似集合订正后,在0—36 h预报时段内,10 m风速的均方根误差降低44%,2 m气温的均方根误差降低22%,均方根误差均显著减小。对比测站预报误差的水平分布,相似集合方法的应用对于提升非城区站点的10 m风速预报、复杂地形区域的2 m气温预报具有更为明显的效果。相同预报因子的相似集合和支持向量机方法对模式10 m风速和2 m气温预报均具有显著且相似的订正效果,但相似集合方法具有计算资源需求较少、不需要大量人工干预的优势。相似集合方法形成的集合较好地模拟了模式平均误差的增长情况,集合离散度与集合平均均方根误差表现出理想的统计一致性,即相似集合方法在形成确定性预报的同时,还能够提供预报要素的不确定性或概率信息。因此,相似集合方法在模式预报订正及释用方面具有广阔的应用前景。      

基于机器学习的华北气温多模式集合预报的订正方法

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。     

机器学习在广西台风极大风速预报中的应用

以1980-2020年广西台风期间桂林、梧州、龙州、南宁、玉林等5个气象观测站的地面日极大风速为研究对象,采用多元线性回归(MR)、支持向量机(SVM)、模糊神经网络(FNN)等三种较为常用的线性和非线性方法分别进行预报建模,对2011-2020年共10a独立样本的检验.结果 表明,在全样本风速预报的平均绝对误差上,F...     

HLAFS资料在短期降水、气温MOS预报方法中的应用

通过对HLAFS资料建立的5~9月夏半年气温、降水方程中所选的因子进行统计整理,找出使用频率最高的因子。气温方程中所选的因子,24 h气温预报方程中以24 h前的因子多;而48 h预报方程中多选24 h后的因子,实况因子选中的几率大,与预报员的思路一致。降水方程中,因子辐散风选中的最多,其次为Q矢量散度和涡度。利用“1999.7.4”庆阳大到暴雨个例,对方程中使用最多因子的实时场和预报场进行了分析,所选因子有较明确的物理意义,为以后MOS预报降水因子的选取提供了参考依据。     

神经网络模型在预报湖北汛期降水中的试验

该文使用湖北省10个气象代表站汛期前期逐月降水量及逐月平均的太平洋海温、北半球500百帕高度场和海平面气压场资料,分别建立了湖北汛期总降水量的神经网络预报模型.该模型在1999年汛期的试验结果表明,其对湖北汛期总降水量的预测有一定效果.     

三维插值方法在湖南省气温精细化预报中的应用与检验

利用三维插值方法对ECMWF、Japan及T639三种数值模式细网格气温预报产品进行客观订正,并检验评估三维插值方法对湖南省不同海拔高度和不同地理位置上2 159个气象站点的气温预报订正能力。个例结果显示,三维插值方法具有明显的订正效果,不同程度地缩小了二维平面插值预报的偏差,能较客观地反映复杂地形区域要素的实际情况;三维插值方法较二维插值对ECMWF、Japan、T639三种模式气温预报的订正能力均有不同程度的提高,改进后的ECMWF模式气温预报准确率达94%;对于海拔较高的站点,三维插值方法相对于二维插值订正的幅度更大,对模式预报有向气温降低的趋势调整,对于海拔较低的站点,对模式预报有向气温升高的趋势调整。     

一种气温的数值预报权重误差订正释用方法

该文在对几种数值预报产品的气温要素预报结果进行检验的基础上,尝试建立了一种权重误差订正方法:通过对数值预报产品进行检验订正,首先根据EC粗网格预报结果结合典型天气形势判断气温走势建立方程,对不同预报产品以近期准确率作为权重平均并结合误差加以订正,建立订正预报方程,对历史个例的检验和试报说明此方法对于提高气温预报的准确率,减小误差是有效的。     

趋势化资料在日气温预报中的应用

样本资料经过趋势化处理后,利用逐步回归选取预报因子,建立崇左市区日最高、最低气温预报模型,经比较发现,该模型比原始资料预报模型较稳定,预报效果较好,为短期日气温预报提供了一种新的思路和方法。     

机器学习分类算法在降雨型滑坡预报中的应用

针对气象灾害预警业务中客观描述降雨型滑坡发生不确定性的实际需求,利用2014—2020年全国滑坡数据以及多源融合降水实况分析数据,通过样本构建、模型训练、参数优化以及预报输出等关键步骤构建基于机器学习分类算法的区域降雨诱发滑坡概率预报模型,探究不同类型机器学习分类算法识别诱发滑坡的降雨过程的可行性。结果表明：在算法评估中,线性判别分析算法准确率最高且泛化能力最好,其次为逻辑回归算法,再次为最邻近算法。在预报试验中,线性判别分析、逻辑回归以及最邻近等算法能够提取并学习降雨诱发滑坡的条件特征,对诱发滑坡的降雨过程有一定识别能力,最邻近算法和逻辑回归算法的概率预报高值区范围相对较大,易造成虚警结果,线性判别分析算法对局地降雨信息的提炼较好,但线性判别分析算法在非降雨中心区域输出低值概率预报的面积偏大。     

两种机器学习方法在重庆夏季旱涝预测中的应用

利用1961—2010年重庆34个气象观测站夏季降水资料及国家气候中心130项环流指数,采用机器学习的决策树和随机森林方法建立重庆夏季旱涝预测模型,通过2011—2018年预测效果检验发现,夏季同期环流指数决策树模型和前冬海温指数决策树模型预测的8 a降水异常趋势均正确,比考虑单一指数的PC评分分别提高37.5%和12.5%。此外,用随机森林模型预测重庆2014—2018年的夏季降水,5 a平均PS、CC和PC评分分别是84.6、0.27和67.1,相比于业务发布预报质量均有明显提高,且随机森林的预测质量较为稳定。     

插值预报的一种新方法及其在降水预报中的应用

本文针对经典插值预报方法存在的不足,遵循插值预报的基本原理,提出了插值预报的一种新方法,此方法的实质是考虑了预报系统中不同预报因子对系统的最后演变结果的不同作用,将此方法应用于云南１８个测站五月雨量的预报中,结果表明,此方法无论在历史预报方面还是在外推预报方面均具有良好的稳定性和预报精度。     

应用回归统计方法制作城镇气温预报

从城镇天气预报工作实际出发,采用插值方法将欧洲中心850hPa高空温度预报结果内插到城镇预报站点。运用线性回归方程建立站点气温预报模式,并对不同的历史时间段样本计算结果进行检验,根据结果来选择最佳的样本参数。