台风大风预报研究回顾

大风是台风引发的三大灾害之一,考虑到现有的台风大风研究相对较少、预报经验也比较不足,因此对其预报方法进行回顾总结具有十分重要的意义。从经验预报、统计预报、数值模式预报及数值预报产品释用等4个方向梳理了台风大风预报技术的研究与应用现状:天气图、卫星云图和雷达图是经验预报中非常重要的工具;统计预报根据方法的不同可细分为回归预报、客观相似预报和气候持续性预报;数值模式预报方面,国内外多家机构都研发了相应的台风大风预报产品;数值预报产品的释用目前则包含了动力释用、统计释用和人工智能释用。同时总结了上述4类预报方法各自的优势和不足。最后,讨论了未来研究与实际业务中进一步提高台风大风预报能力的可能发展方向。     

集合预报在渤海极大风预报中的应用

利用2015年2月至2018年2月地面气象常规观测中逐小时极大风及欧洲中期天气预报中心集合预报中6 h极大风预报数据,选取渤海海域代表站点,对集合预报极大风产品进行预报误差特征分析。分析表明:集合预报极大风产品的离散度明显偏小于均方根误差,各个预报成员的预报结果集中与否并不能反映出预报可信度。受模式预报能力所限,无法简单通过集合预报选取出最为可信的预报结果。集合平均、第75%分位值、最大值在极大风预报中各有优劣,因此基于以上三个统计量及不同量级风速发生的频率建立了渤海极大风预报客观订正方法,试验对比分析表明,该订正方法可以使极大风预报准确率有效的提高,为大风天气过程预报提供重要参考。     

登陆台风站点大风预报的人工神经网络方法

利用数值预报格点资料预报登陆台风影响时,沿海地区站点风的预报是各站点的定时二分钟风向风速。通过对MICAPS站点资料进行整合、分析,选取了沿海地区400多个资料比较齐全的站点和海岛站作为预报站点。用NCEP再分析场的格点资料做相关性分析,选定9个预报因子。运用BP网络对每个站点分别建立纬向风和经向风人工神经网络模型,拟合风速的绝对值误差是1.3 m·s~(-1)。独立样本检验,风速绝对误差在2 m·s~(-1)以内。     

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...     

热带有限区数值预报模式的升级及在台风预报中的应用

较详细地描述了作者近年发展的一个新的热带有限区数值预报系统，包括模式的框架、物理过程以及初值的形成。给出了自１９９３－１９９５年应用于中风数值预报的结果。并与过去的热带有限区数值预报模式系统作了比较，新的数值预报系统对台风预报的改进是十分明显的。     

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。     

一种公平技术评分方法在台风业务预报评估中的应用

将离散变量分级预报的公平技术评分方法引入台风路径业务的预报评估中，对１９８９－１９９１年的台风业务预报作评估试验，结果表明，该方法量客观，不但可用于台风分类预报评估，也可对台风移向移速预报进行客观评估。     

Multi-model ensemble forecasting of 10-m wind speed over eastern China based on machine learning optimization

风对人类活动和电力运行有重大影响,准确预报短期风速具有深远的社会和经济意义.基于中国东部100个站点,本研究首先评估了5个业务模式对10米风速的预报能力,日本气象厅JMA模式在减少预报误差方面表现最好.进一步,利用5种数值模式和多种机器学习方法,将动力和统计相结合,对每个站点分别进行了特征工程和机器学习算法优选,建立了10米风速多模式集成预报模型.针对24至96小时预报时长,将该方法的预报性能与基于岭回归的多模式集成和JMA单模式进行比较.结果表明,基于机器学习优选的多模型集成方法可以将JMA模式的预报误差降低39%以上,预报效果的提升在11月最明显.此外,该方法优于基于岭回归的多模式集成方法.     

Short-term wind speed forecasting bias correction in the Hangzhou area of China based on a machine learning model

Accurate wind speed forecasting is of great societal importance. In this study, the short-term wind speed forecasting bias at automatic meteorological stations in Hangzhou, Zhejiang Province, China, was corrected using an XGBoost machine learning model called WSFBC-XGB. The products of the local NWP (numerical weather prediction) system were used as the inputs of WSFBC-XGB. The WSFBC-XGB-corrected results were compared with those corrected using the traditional MOS (model output statistics) method. Results showed that WSFBC-XGB performed better than MOS, with the root-mean-square errors (RMSEs)/accuracy rates of the wind speed forecasting (ACCs) of WSFBC-XGB being reduced/ promoted by 26.1% and 7.64%/35.6% and 7.02% relative to NWP and MOS, respectively. The RMSEs/ACCs of WSFBC-XGB were smaller/higher than those of MOS at 90% stations. In addition, the mean decrease in impurity method was used to analyze the interpretability of WSFBC-XGB to help users gain trust in the model. Results showed that the four most important features were the wind speed at 10 m (47.35%), meridional component of wind at 10 m (12.73%), diurnal cycle (9.97%), and meridional component of wind at 1000 hPa (7.45%). The WSFBC-XGB model will help improve the accuracy of short-term wind speed forecasting and provide support for large-scale outdoor activities.摘要准确的风速预报具有重要的社会意义. 在本研究中, 使用名为WSFBC-XGB的XGBoost机器学习模型对中国浙江省杭州市自动气象站的短期风速预报误差进行校正. WSFBC-XGB使用本地数值天气预报系统的产品作为输入. 将WSFBC-XGB校正的结果与传统MOS(模型输出统计)方法校正的结果进行了比较. 结果表明: WSFBC-XGB预报风速的均方根误差(RMSE)/准确率(ACC)分别比NWP和MOS降低/提高了26.1%和7.64%/35.6%和7.02%; 对于90%的站点WSFBC-XGB的RMSE/ACC均小于/高于MOS. 此外, 采用平均杂质减少法对WSFBC-XGB的可解释性进行分析, 以帮助用户增加对模型的信任. 结果表明: 10米风速(47.35%), 10米风的经向分量(12.73%), 日循环(9.97%)和1000百帕风的经向分量(7.45%)是前4个最重要的特征. WSFBC-XGB模型将有助于提高短期风速预报的准确性, 为大型户外活动提供支持.     

最大风速的估算方法与应用

本文利用ECMWF的1979-2012年空间分辨率为0.75°×0.75°的REA每日4个时次的多层10 min平均风速格点资料,提取了研究区域(18°-26.25°N,108.75°-118.5°E)内的年最大风速序列,并对其年际变化特征和空间分布特征进行了分析。在分析空间分布特征的基础上,分类选择代表格点,建立最大风速序列,分别利用第Ⅰ型极值分布和皮尔逊Ⅲ型分布方法估算了各个代表格点不同高度层在不同重现水平下的最大风速极值,并比较两种方法估算结果的异同。在东南沿海年最大风速从近海到沿海岸线地带,再到内陆山地丘陵依次递减。在最大风速估算中发现两种估算方法所得结果相近,都可用于最大风速估算。估算结果与实际最大风速序列极大值相比较偏小,在实际应用中可按适线原则通过调整参数获得更准确的估算结果。通过分析估算方法和估算结果,为确定工程设计最大风速提供了新的思路和方法,有利于提高气象部门的专业气象服务质量水平。     

超短期风速预报方法研究进展

综合分析国内外风速预报相关文献,从物理方法、统计与机器学习方法、组合方法3个方面对超短期风速预报方法的研究现状进行归纳总结,对比了主要预报方法的优缺点,给出了不确定分析和误差评价指标,探讨了在超短期风速预报研究中应重点解决的问题和发展方向。     

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。     

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.     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2.621 m·s-1、0.066和2.727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。