天津市多模式气温集成预报方法

在遗传算法和粒子群算法的基础上,采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ-RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24 h预报时效的逐6 h地面2 m高度气温和35个天津区域自动气象站点资料,通过逐日滚动建立集成预报模型,对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。结果表明:使用该方法建立的气温集成预报模型具有比较可靠的预报能力,预报误差明显小于任一成员,预报准确率高。按绝对误差不大于2℃的检验标准,2012年35个站逐6 h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%,77.88%,78.00%。     

辽宁地区ECMWF模式气温预报检验及误差订正研究

利用2016—2018年ECMWF细网格模式12—36 h内2 m温度预报产品,选取辽宁地区65个城镇站点观测资料,评估预报产品在不同季节的预报准确率,并按季节分析固定误差订正方法和最优滑动周期订正方法对提高准确率的作用。结果表明：ECMWF模式预报产品对辽宁地区气温预报的准确率表现为,ECMWF模式最高气温冬季预报最优(城镇站点预报准确率为81.5%),最低气温夏季预报最好(城镇站点预报准确率为84.3%);采用最优滑动周期订正后,2016—2018年辽宁地区的最高气温和最低气温准确率较ECMWF模式自身分别提高了19.7%和20.5%,最低气温的预报准确率提高程度优于最高气温;在整个空间分布中,ECMWF模式对辽宁中部平原地区最高(低)气温预报准确率高于东、西部地区,辽宁东北部和西南部以及东南部的长白山余脉影响区域准确率明显低于其他区域。同时,在各季中,最高气温和夏季最低气温的订正预报能力优于其他季节;在地面晴、雨两种特征下,对辽宁地区24 h气温预报进行订正检验表明,该检验结果对辽宁地区最高(低)气温订正有一定补充作用,尤其是冬季降水出现时,最高气温预报补充订正效果最为显著。     

基于ECMWF产品的站点气温预报集成学习误差订正

提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。     

基于相似天气现象的重庆市逐时气温预报技术研究

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。     

华南3 km高分辨率区域模式气温预报在贵州的质量检验

利用2018年1—10月华南3 km区域高分辨率模式08时、20时起报的气温预报和实况资料,采用线性内插法进行站点预报值处理,并从平均均方根误差及预报准确率的角度,检验分析了贵州省72 h预报内逐24 h最高(低)气温预报质量。结果表明,72 h内随着预报时效的增加,预报准确率差异较小;日最低气温预报准确率相对最高气温平均高出20%左右;08时起报的最高(低)气温预报优于20时的。同时发现,最高(低)气温的预报能力在月份上存在明显差异,6—8月预报性能总体优于其它月份;在24～48 h预报中,东北—西南向一带较贵州其它区域展现出更高的预报能力。在9个主要城市站上,最高(低)气温均表现出较高的预报技巧,其中,20时起报的兴义站24 h最低气温准确率100%。通过对2018年7月18日气温预报质量检验,最高(低)气温及35.0℃以上高温事件预报准确率均在80%左右,较好反映了天气实况。因此,华南3 km高分辨率区域模式对贵州气温预报具有较好的参考价值。     

华南3 km高分辨率区域模式气温预报在贵州的质量检验

利用2018年1—10月华南3 km区域高分辨率模式08时、20时起报的气温预报和实况资料,采用线性内插法进行站点预报值处理,并从平均均方根误差及预报准确率的角度,检验分析了贵州省72 h预报内逐24 h最高(低)气温预报质量。结果表明,72 h内随着预报时效的增加,预报准确率差异较小;日最低气温预报准确率相对最高气温平均高出20%左右;08时起报的最高(低)气温预报优于20时的。同时发现,最高(低)气温的预报能力在月份上存在明显差异,6—8月预报性能总体优于其它月份;在24~48 h预报中,东北—西南向一带较贵州其它区域展现出更高的预报能力。在9个主要城市站上,最高(低)气温均表现出较高的预报技巧,其中,20时起报的兴义站24 h最低气温准确率100%。通过对2018年7月18日气温预报质量检验,最高(低)气温及35.0℃以上高温事件预报准确率均在80%左右,较好反映了天气实况。因此,华南3 km高分辨率区域模式对贵州气温预报具有较好的参考价值。     

基于地形因素的吉林省ECMWF气温预报订正方法研究

利用2016年1月1日—2018年12月31日吉林省381个站的逐日最高气温、最低气温和定时气温的观测数据,对ECMWF高分辨率模式的2 m最高、最低气温和定时气温预报进行检验分析.结果表明,ECMWF模式对吉林省的气温预报与实况存在一定偏差;从空间上看,自西向东气温预报准确率逐渐递减,预报误差逐渐增大;从时间上看,随预报时效的增长,预报准确率逐渐下降.对ECMWF的气温预报进行高度差订正后,模式最高气温24 h、48 h、72 h的预报准确率分别从52％、51％、50％提高至58％、56％、54％;最低气温准确率分别从58％、56％、54％提高至64％、62％、59％;定时气温准确率分别从63％、60％、58％,提高至67％、63％、61％.高度差订正的方法有效提高了模式气温预报的准确率,减小了模式预报误差,提高了模式预报释用能力,订正后的气温预报TS评分得到明显的提高.该方法已应用在吉林省客观预报的订正算法中.     

多种机器学习方法在京津冀地区低能见度天气预报中的应用

利用2017—2021年的ERA5再分析资料和京津冀国家站地面资料,结合多种机器学习方法建立预报模型,开展轻雾、大雾客观预报。探讨了再分析资料、地形因素的影响,并结合多模型集成、统计消空进一步优化模型。结果表明:(1) XGBoost (eXtreme Gradient Boosting)、LightGBM (Light Gradient Boosting Machine)、随机森林等集成学习方法的预报效果均优于决策树方法;(2)在引入ERA5再分析资料、地形建模后,XGBoost、LightGBM模型的预报性能显著提高。相比仅使用地面要素建模,大雾预报的TS (Threat Score)提升了30%、32%,达到0.52、0.49,命中率分别为0.62、0.87。此外,经过多模型集成后,轻雾、大雾预报的TS提升到了0.51、0.54;(3)2022年秋季一次大雾过程中,本方法提前72 h准确预报了京津冀地区的大雾,其中以LightGBM模型表现最好。0~72 h轻雾预报和0~36 h逐小时大雾预报的TS均达到0.3,预报准确率、时效性均优于ECMWF (European Center for Medium Weather Forecasting)模式。     

三种数值模式气温预报产品的检验及误差订正方法研究

基于德国天气在线T7online(简称T7)、ECMWF细网格(简称EC)及T639三种数值模式的气温预报产品,结合本溪站气象观测资料,对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析,根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明:对于气温预报的年检验,T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率;对于气温预报的月检验,三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季,而对于最高气温的预报,T7的气温预报准确率明显优于EC和T639模式;当气温波动较大时,三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内,对最高气温的预报准确率存较大差别,T7模式最高气温的预报误差最小,T639模式气温预报的系统偏差最明显,最低气温系统偏差为-1.34℃,最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征,结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正,订正后气温平均绝对误差由2.40℃左右降至1.40℃左右,系统偏差和均方根误差均明显缩小,气温预报准确率由50%左右提高至80%以上,数值模式气温预报准确率明显提高,具有较好的应用价值。     

基于SCMOC的贵州最高气温预报方法研究

为探究最高气温预报准确率偏低这一现象,采用2013—2018年SCMOC精细化指导预报资料及气象站观测资料,对贵州省85站24～72 h最高气温预报开展研究。通过建立横向预报模型(F1)、纵向预报模型(F2)以及横向与纵向预报相整合的预报模型(Fzh),对贵州日最高气温进行预报试验。结果表明,无论平均均方根误差还是预报准确率,各模型预报效果均有不同程度改进,三种客观订正预报中Fzh表现最优;相对于SCMOC,F1春、夏季的预报优于秋、冬季,且贵州省北部地区改进较南部明显,F2四季均有改进,总体较平稳;Fzh预报结果明显优于F1和F2,均方根误差得到明显改善,平均RMSE下降1.0～2.0℃,准确率平均提高11%～13%。     

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。     

基于数值预报产品的地面气温BP-MOS预报方法

在山东省临沂市气象局开发的"中尺度数值预报业务系统"的基础上,利用高分辨率的数值预报产品和地面气温观测资料,建立了地面气温的BP神经网络方法预报模型。检验结果表明BP神经网络模型的气温预报准确率高于逐步回归模型和MM5模式输出的气温预报准确率,可应用于实际预报业务中来制作气温的精细化预报。     

东北区域数值模式产品在天气预报业务中的检验

利用2015年大连地区7个主要气象站的地面气温、降水、风向风速和相对湿度观测资料,针对东北区域中尺度数值模式(Weather Research and Forecast,WRF)产品中常规天气要素进行检验分析,了解掌握WRF模式对不同天气要素的预报能力,以期为天气预报业务中WRF模式产品的订正提供参考。结果表明:WRF模式产品的气温预报准确率整体上08时起报的比20时起报的稍好,最低气温预报效果比最高气温稍好,且WRF模式对升温和降温的趋势预报较好,具有一定参考性。WRF模式产品的降水预报准确率相对较高; WRF模式对风向的预报准确率可以达到50%左右,而风速的预报准确率可以达到60%—70%;大雾天气的预报,可以相应参考WRF模式的相对湿度。     

洛阳分县温度周滚动预报系统

利用洛阳9县(市)2002年11月~2004年9月逐日最高、最低气温资料,应用欧洲中心数值预报产品,建立了洛阳9个县(市)的温度周滚动预报方程。2004~2005年试报结果表明:24~48 h预报准确率在70%左右,绝对误差在2℃以内;24~144 h预报准确率在62%~70%之间,绝对误差在2℃左右;最低气温预报效果要好于最高气温,最低气温的绝对误差与准确率分别为1.98℃和67%,最高气温的绝对误差与准确率分别为2.28℃和61%。     

洛阳分县温度周滚动预报系统

利用洛阳9县(市)2002年11月～2004年9月逐日最高、最低气温资料,应用欧洲中心数值预报产品,建立了洛阳9个县(市)的温度周滚动预报方程.2004～2005年试报结果表明 24～48 h预报准确率在70%左右,绝对误差在2 ℃以内;24～144 h预报准确率在62%～70%之间,绝对误差在2 ℃左右;最低气温预报效果要好于最高气温,最低气温的绝对误差与准确率分别为1.98 ℃和67%,最高气温的绝对误差与准确率分别为2.28 ℃和61%.     

四川地区气温转折过程2m温度变化订正研究

基于四川地区1990—2019年的逐日2 m最高、最低温度站点实况数据，对气温转折天气过程进行统计和分析，在此基础上，应用LightGBM(Light Gradient Boosting Machine)算法及NCEP/NCAR(National Center for Environmental Prediction/National Center for Atmospheric Research)逐日再分析资料，构建气温转折天气过程变温订正模型。结果表明：（1）出现气温转折过程最多的区域是高原与盆地的边坡过渡区，最少的是盆地；（2）各区域的气温转折过程具有明显的季节差异，均表现为春季最多、冬季最少，且春季的气温转折过程明显多于其他3季；（3）在1990—2019年验证集中，LightGBM订正模型表现较好，准确率为78.64%，平均绝对误差为1.35℃。（4）在2020年的独立样本测试中，LightGBM订正模型的准确率为53.60%，平均绝对误差为2.19℃，整体订正效果优于ECMWF模式（European Centre for Medium-Range Weather Forec...     

四川地区EC细网格模式2m温度偏差订正研究

本文选取2017年1~12月ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式168h预报时效的2m温度场和对应时段四川地区157个国家站的观测资料,对比分析了模式温度预报的系统性偏差特征,采用15日周期的滑动双权重平均法对2m温度预报产品进行偏差订正,并与四川省气象台现有的主、客观预报产品进行对比,结果表明:(1)EC模式对低温的预报准确率远高于高温预报准确率;订正后高、低温预报准确率均有显著提高,其中低温平均提高了20.5%,高温提高了31.2%,平均绝对误差分别减小约1.1℃和2.9℃。(2)EC模式高温预报的逐月差异明显比低温预报逐月差异大,订正后差异明显减小,且各月的高、低温预报准确率均有显著提升,订正后各月高、低温的平均绝对误差均在2℃之内。(3)EC模式对于低温和高温的预报在全省均大致呈现负的系统性误差,且高温预报的系统性误差明显比低温预报的系统性误差大,订正后2m温度预报的系统性误差均明显降低,全省大部分地区维持在±1℃之间。(4)与四川省气象台现有的主、客观预报产品对比显示,对于高低温预报均是EC订正后准确率最高、平均绝对误差最小,订正效果较为理想。     

DOGRAFS逐小时气温和降水预报的释用

采用2016—2018年DOGRAFS(沙漠绿洲戈壁区域分析预报系统)的气温、降水逐小时预报资料,在检验的基础上开展释用方法研究,并用2019年资料进行试验测试,结果表明:DOGRAFS气温预报,08时起报的准确率要高于20时起报的;北疆好于南疆,准确率为50%,平均绝对误差为2.5℃,采用最高、最低气温建模方案,预报准确率提高到64%,平均绝对误差为1.9℃,预报的离散度降低。DOGRAFS降水预报,08时起报的T_S评分略高,20时起报的晴雨准确率略高,南疆好于北疆;晴雨预报准确率可达95%,但降水T_S评分仅有20%,空报率超过50%;采用消空订正方案,晴雨预报准确率提高1%,T_S评分提高2%,空报率大大降低,但漏报率较大。释用方案对模式气温预报有较好的提升效果,降水预报仍有较大的改进空间。     

ECMWF模式对陕西2016年春夏季气温预报性能评估

利用2016年春、夏季节陕西99个国家站的气温逐1 h观测数据,对ECMWF高分辨率数值模式对陕西国家站0~72 h逐3 h和78~240 h逐6 h的气温预报性能进行评估。结果表明,陕西大部分地区,气温预报误差≤1 ℃和≤2 ℃的准确率在72 h之前分别为30%~50%和55%~85%,96 h之后分别为10%~30%和25%~55%,夏季的准确率高于春季,20:00起报的准确率略高于08:00起报。随着预报时效的增加,模式的气温预报能力和稳定性波浪式下降,日变化特征明显,23:00至次日11:00时段的预报能力和稳定性好于14:00—20:00时段。模式的气温预报值与观测值有很好的相关性,但是模式和实际观测站的地形高度差异会对气温预报质量产生较大影响。基于气温垂直变率和模式与实际观测站的地形高度差异进行的高度差订正,可以适当提高模式的气温预报水平,文中提出的几种气温预报的高度差订正方法,对陕西大部分地区的气温预报为正订正效果,但还存在一些问题,有待进一步研究。     

贵州省冬季地表(0cm)温度预报探讨

利用EC细网格地温预报资料,进行预报准确率检验,检验结果表明,EC细网格地温预报准确率较差。并利用1971—2014年贵州0 cm地温资料和气温资料,对贵州冬季地温与气温的关系进行分析,应用统计回归方法建立以气温为基础的地温模型,从而实现通过气温估算地温,并对地气模型进行了检验;结果表明,平均地温预测模型和最低地温预测模型准确率分别达到92%和80%,绝对误差均小于2℃,最高地温预测模型准确率仅有42%,今后需要考虑在不同天气(晴、多云、阴、雨、雪等)条件,分别建立最高地温预测模型。