最优TS评分方法在逐时降水订正中的初步应用及评估

使用2020年3—9月逐时更新的CMA广东短临3 km数值模式(CMA-GD(R3)模式)1～12 h逐小时降水量资料,利用最优TS评分订正方法(OTS)对逐小时降水量进行分级订正,并分别从整体和分类型降水过程预报订正效果进行了检验和对比评估。结果表明：从整体预报订正性能来看,通过OTS方法对CMA-GD(R3)模式订正后,对于≥1 mm/h及以上量级的降水,OTS均有较好的订正能力,并且随着雨强的增加,其TS评分的改善比率越大;同时,OTS可有效减少各个预报时效的漏报率和空报率,其中漏报率减小更加明显,表现出明显的湿偏差(空报偏多)。从三类暴雨过程逐时降水预报订正效果来看,通过OTS订正之后,对于≥1 mm/h的降水,OTS对三类暴雨类型均有正的订正能力。其中在0.1 mm、1 mm、10 mm、20 mm、35 mm、50 mm 6个量级上,季风型的逐时降水预报表现最好,6个量级的TS评分值分别为0.403、0.232、0.053、0.023、0.009和0.004;在5 mm量级上锋面型的逐时降水预报表现最优,其TS值为0.102。从改善效果来看,经过OTS订正后,在1 mm量级...     

三种非线性回归逐时气温预报比较订正

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。     

基于CNN和RF算法的ECMWF降水分级订正预报方法

利用卷积神经网络(CNN)和随机森林回归模型,提出了一种新的欧洲中期天气预报中心(ECMWF)降水订正预报方法.该方法首先根据ECMWF模式对站点雨量预报值所属的等级进行划分,再计算出不同等级相对应的高相关因子矩阵.进一步利用CNN模型对高相关矩阵进行综合特征提取的学习和训练.最后对CNN模型最终输出的特征因子中,选取...     

广州逐时降水分析

本文对广州市24小时降水的分布特征进行了统计分析。结果表明：广州全年出现降水的概率为39％,汛期出现降水的概率远大于非汛期,其中6月份出现降水的概率最大,而10～12月份的橇宰则最小;前、后汛期与全年平均强降水频数的24小时分布相一致,其中极大值在上半夜,极小值在早晨．而非汛期则是白天大于夜间。     

基于ECMWF模式预报的台风降水地形订正方法

为了解决复杂地形条件下ECMWF模式预报的台风降水较实况显著小的问题,对Smith 1979年提出的地形降水方程进行改进,提出以饱和湿层高度作为方程积分上限,针对不同高度地形设定不同的降水效率;以无量纲湿弗劳德数大于1作为有、无地形降水的判据;利用ECWMF细网格预报场,通过迎风坡地形降水估算方程来订正模式预报的台风降水。用该地形降水订正方法对1617号台风“鲇鱼”的降水进行了订正预报。结果表明,虽然在一些小尺度地形区域会产生明显的空报,但是对于大尺度地形区域的强降水有显著的订正效果。对1513、1521和1614台风的订正结果进一步表明,该地形降水订正方法对改进台风极端降水预报效果显著。需要指出的是,采用的地形降水订正方法仅考虑了稳定条件下的地形降水,对于其他情形下的地形降水订正方法尚待进一步的研究。      

基于误差权重的站点降水订正预报方法研究

基于2018—2020年逐日修水国家基本气象站降水实况和模式降水预报数据,对ECWMF、NCEP、JMA、CMA-GFS、CMA-SH9等5种模式24 h及48 h降水预报进行了误差分析及检验。结果表明,总体上各模式24 h、48 h降水预报误差均以一个量级的正误差为主;各模式24 h降水预报误差小于48 h; CMA-SH9、JMA模式24 h、48 h预报误差均较小;总体上各模式24 h预报评分优于48 h;华东模式、日本模式24 h、48 h晴雨准确率均较高;CMA-SH9、ECMWF、NCEP模式24 h、48 h降水预报各量级风险评分均较高;JMA模式对24 h暴雨及以上量级降水可能具有一定的预报指示意义;总体上各模式24 h、48 h降水预报风险评分随量级增大而降低,空报率、漏报率随量级增大而增大;总体上各模式24 h、48 h小雨预报性能较优,中雨均易空报,大雨均易漏报,暴雨及以上降水均易空报与漏报。进一步通过引入滑动训练期,并基于平均绝对误差权重的多模式集成订正方案对降水预报进行订正,且对订正预报结果进行了整体及分季节评估检验。结果表明,相对多数模式,经订正后24 h、...     

日较差分级的新疆逐时气温预报

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。     

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。     

西藏地区气象自动站夏季逐时降水资料特征分析

本文选用2008、2009年西藏地区具有代表性的5个自动站夏季逐时降水资料分析了两年间逐小时降水出现的频数和降水比率。结果表明:(1)各站的夏季逐时降水频率特征不尽相同但也有规律可循,既处在河谷地区的站点多夜雨,在相对平缓地区的站点逐时降水频率较为分散;(2)各站的夏季逐时降水比率呈短时集中现象,表现出高原地区多短时强对流天气的特征;(3)在有降水发生时次地面温度跟逐时降水频次和降水比率呈良好的负相关,相关系数分别为-0.58、-0.44;相对湿度跟逐时降水频次和降水比率呈良好的正相关,相关系数分别为0.56、0.46。     

人工神经网络在梅雨期短期降水分级预报中的应用

将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点,用统计和动力学方法从HLAFS（高分辨率有限区域预报系统）资料中寻找预报因子;然后分别用两种方法选取输入因子对人工神经网络进行训练,并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现：与HLAFS降水预报相比,降水预报准确率由原来的66．7％提高到88．2％,漏报、错报明显减少;与逐步回归预报相比,大到暴雨的预报准确率得到了明显提高。     

SWCWARMS模式小时降水量时间滞后集合预报研究

基于SWCWARMS模式9km×9km分辨率逐小时降水预报,通过时间滞后集合预报方法构建多个集合成员,使用SAL评分值计算相应集合成员的权重系数,进行不等权集合平均,从而得到新的逐小时降水预报。利用SAL、TS和BIAS检验方法对四川省2019年8月的逐小时降水量时间滞后集合预报及相应的SWCWARMS模式最新时次预报进行对比分析,结果表明:(1)时间滞后集合预报SAL检验的L值和A值都较模式预报更接近于0,较好地改善了降水位置和强度的整体预报水平;(2)时间滞后集合预报对逐小时降水晴雨TS评分提升明显,评分提高百分率在10%左右,有效地减小了模式在晴雨方面的空报;(3)临近预报时效,时间滞后集合预报方法对于大量级降水预报也有较好的订正效果。     

基于主分量神经网络的降水集成预报方法研究

运用人工神经网络与主分量分析(PCA)相结合的方法,对同一降水预报量的各种数值预报产品进行集成预报研究.结果表明:主分量人工神经网络方法所构造的集成预报模型,不仅对历史样本的拟合精度好于个各子预报产品,独立样本的实验预报结果也显示出更好的预报准确率及稳定性.业务应用前景良好.     

基于快速更新同化数值预报的小时降水量时间滞后集合订正技术

由中小尺度对流系统造成短时强降水天气的发生发展十分迅速,对其落区和时效的预报预警一直都是预报业务中的难点。本文基于快速更新同化的中尺度数值预报系统GRAPES-RAFS 0. 1°×0. 1°分辨率逐小时降水预报,首先通过时间滞后集合预报方法构建了多个集合成员,使用平均TS评分值计算相应预报成员权重系数建立预报方程,然后采用频率匹配订正法进行降水量级订正,从而得到集合订正的逐小时降水量预报。2017年8-9月的逐日试验和典型个例预报结果评估表明效果良好。(1)GRAPES-RAFS最新时次的预报场并不完全代表最好的预报效果,通过时间滞后集合订正方法自动识别优选预报成员,显著提高了预报能力;(2)GRAPES-RAFS预报存在降水量级偏弱的系统性误差,经过频率匹配方法订正后,在量级预报上更接近实况;(3)时间滞后集合预报对我国中东部(包括黄淮、江淮、江南地区)的小时降水量订正效果最好;(4)进一步使用的频率匹配订正方法显著提升了逐时降水量的预报效果,其在降水频率更高、强度更大的江南南部、华南、西南地区效果更为显著;(5)对于中小尺度的强降水过程,经过上述方法订正后,显著提高了模式对强降水系统位置、形态及降水量级的预报水平。     

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。     

华南快速循环同化模式在湖南不同环流型下的小时降水预报性能检验

利用T-mode斜交旋转主成分分析法,对湖南2021年汛期(4—9月)逐小时850 hPa风场进行环流分型,在此基础上开展同期华南快速循环同化模式(CMA-GD-R3)小时降水预报性能检验。结果表明：影响湖南2021年汛期的主要环流型为西南涡切变型、切变型、副热带高压边缘南风型和台风外围东风型4类;模式小时降水预报的晴雨准确率和分级降水TS评分日变化特征明显,晴雨准确率夜间高于白天,分级降水TS评分峰值出现在早晨,各环流型的临近时效降水预报效果较好,短时强降水发生频次最高的西南涡切变型晴雨准确率较低,副热带高压边缘南风型在较大量级降水表现相对较差;SAL(structure amplitude and location)检验显示,西南涡切变型、切变型过程模式位置预报较接近实况,强度预报表现为前弱后强,副热带高压边缘南风型过程预报落区分散,位置预报不稳定,整体强度较实况明显偏弱,台风外围东风型过程在短时预报时效落区接近实况,强度预报显著偏弱,该方法能较客观地反映模式降水预报空间偏差。     

基于概率神经网络的沙尘天气预报

为了对敦煌地区沙尘天气过程进行预报,构造概率神经网络模型。尝试组合多种预报因子,选取最优预报因子。通过叠套方法进行预报消空,减小冗余的晴好天气样本。使用Matlab神经网络工具箱提供的函数建立沙尘天气预报模型,并采用遗传算法获得模式层最佳平滑参数,来优化概率神经网络模型结构,使概率神经网络的函数逼近能力和网络性能得到提升。以此进行的沙尘天气预报效果较好,准确率达57%以上。     

月降水量的神经网络混合预报模型研究

以均生函数表征预报量自身周期变化，结合500hPa月平均高度场和月平均海温场预报因子，采用神经网络方法建立了一种新的短期气候预报模型。分别以广西桂北、桂中和桂南6月降水量作为预报对象进行预报试验，结果表明，这种新的预报方法比均生函数回归预报模型及高度场、海温场预报因子的回归预报模型，具有更好的物理基础和预报能力。     

基于神经网络的单站雾预报试验

采集大连某机场2004—2007年大雾、轻雾和无雾天气事件共186例,选取雾天气事件前期(前一日08:00,14:00,20:00(北京时)实测资料)的温、压、湿、风等要素指标为预报因子,基于学习向量量化神经网络(learning vector quantization,LVQ),采用逐级预报思想建立起某机场雾天气事件的预报模型。在网络训练过程中,动态调整网络神经元比例参数,提高模型的预报能力;采用根据检验准确率适时终止训练的"先停止"技术,有效提高了模型的泛化能力。预报试验表明:无论是拟合率还是独立预报准确率,模型均已达到较高水准,具有实际应用意义。