基于温特斯法的夏季气温预测模型建立及应用

介绍了温特斯法的基本理论及3个平滑方程的递推公式、初始值公式和预测模型公式，并依据其理论，采用VB6．0编程技术，设计了预测模型软件；同时，将夏季6、7、8月的月平均气温看作具有随机性、线性、季节性变化的时间序列，利用商丘、民权、柘城、永城4个代表站1961～1999年夏季气温样本资料，建立了预测模型。对2000～2002年夏季气温试报结果为，平均预测准确率92％，其中7月份100％，6月份92％，8月份83％。     

基于温特斯法的夏季气温预测模型建立及应用

介绍了温特斯法的基本理论及3个平滑方程的递推公式、初始值公式和预测模型公式,并依据其理论,采用VB 6.0编程技术,设计了预测模型软件;同时,将夏季6、7、8月的月平均气温看作具有随机性、线性、季节性变化的时间序列,利用商丘、民权、柘城、永城4个代表站1961～1999年夏季气温样本资料,建立了预测模型.对2000～2002年夏季气温试报结果为,平均预测准确率92%,其中7月份100%,6月份92%,8月份83%.     

温特方法在预测汛期温度中的应用

将汛期5~9月的月平均温度看作具有随机性、线性、季节性变化的时间序列,应用温特法建立遂宁、蓬溪、射洪三站汛期月温度预测模型,并对2004年~2006年5、6月温度进行预报检验,预报效果较好。     

温特方法在预测汛期温度中的应用

将汛期5～9月的月平均温度看作具有随机性、线性、季节性变化的时间序列,应用温特法建立遂宁、蓬溪、射洪三站汛期月温度预测模型,并对2004年～2006年5、6月温度进行预报检验,预报效果较好.     

夏季亚洲对流层中上层温度年际变率的预测水平评估及其在我国东部降水预测中的应用

夏季亚洲对流层温度异常与中国东部夏季降水紧密相关并可能作为降水的有效预报因子。基于欧盟ENSEMBLES计划的季节预测试验耦合模式每年5月1日开始的回报试验，分析了其对1960～2005年夏季亚洲对流层中上层温度（以200～500 hPa厚度替代，简称对流层温度）年际变率的预测结果，发现模式集合平均对夏季亚洲对流层温度年际变率具有较高的预报技巧，可以合理回报其前两个EOF（Empirical Orthogonal Function）主导模态（EOF1、EOF2），只是未能回报出EOF2高纬度的温度异常，模式集合平均预测的第一模态主成分（PC1）和第二模态主成分（PC2）与再分析资料的时间相关系数分别达到0.63和0.77。再分析资料中前两个EOF模态分别由ENSO（El Ni?o–Southern Oscillation）发展年印度夏季降水异常所激发的丝绸之路遥相关波列和ENSO衰减年西北太平洋夏季降水异常对应的太平洋—日本遥相关波列导致。ENSEMBLES计划可以合理预测出相应的海温异常及遥相关波列，进而合理预测出前两个EOF模态。对流层温度PC1和PC2分别表征了欧亚大陆与周围海洋之间的纬向和经向热力对比异常，模式对由PC1的预报技巧远高于前人定义的纬向热力对比的东亚夏季风指数，对前人定义的经向热力对比指数的预测技巧与PC2相当。将PC1和前人定义的经向热力对比指数作为预报因子，建立了中国夏季降水的动力—统计降尺度预测模型，交叉检验的结果表明该预报模型显著提高了东北和长江流域上游夏季降水的预报技巧。本文提出的亚洲对流层温度年际变率的EOF1及PC1，既能较好表征纬向热力对比与中国东部夏季降水显著相关，又能被模式合理预测，可以作为我国中高纬度地区，特别是东北地区降水的重要预测因子之一。     

中亚地区夏季温度的季节预测

根据1979~2016年春季海表温度、土壤温度以及大尺度气候指数与中亚地区夏季温度的相关关系,确定了印度洋东南部海表温度、非洲西北部土壤温度、大西洋多年代际振荡（AMO）和东亚/西俄型（EA/WR）4个春季预测因子,进而建立了中亚地区夏季温度的预测模型。春季印度洋东南部海表温度暖异常、非洲西北部土壤温度暖异常、AMO正异常与EA/WR负异常均对应夏季中亚地区500 hPa位势高度场正异常,为该地区夏季高温发生提供有利条件。预测模型留一法交叉验证产生的1979~2016年中亚地区夏季温度无（有）趋势的时间序列与观测的无（有）趋势的时间序列的相关为0.65（0.74）,表明该预测模型具有良好的预测能力。研究结果有望帮助提高中亚地区夏季温度的预测技巧。     

青藏铁路青海段夏季温度预测的精度检验

利用高原夏季温度(代用)、年太阳黑子相对数、西宁年平均气温,以及青藏铁路青海段夏季温度制作1990-2000年预测,得出最优子集预测的定性和定量评分高于周期外推,但低于均生函数。周期外推、均生函数、最优子集定性趋势预测的平均评分分别为60％～67％、80％和67．5％,而定量预测误差≤1．0℃的平均评分分别为40％～57％、77．5％～82．5％和70％～72．5％。     

卡尔曼滤波在短期气候预测中的应用

用PRESS准则和最优子集回归选取预测因子，建立河西走廓东部月平均气温的卡尔曼滤波预测模型，经实际使用发现，该预测方法的精度较高，稳定性较好，为短期气候提供了一种新的思路和方法。     

势函数在三峡地区夏季旱涝预测中的应用

介绍了势函数作为一种确定的非线性分类方法的基本原理,提出了利用势函数预报三峡地区夏季旱涝的方法。     

数据挖掘技术在精细化温度预报中的应用

简要介绍了精细化天气预报和气象数据挖掘应用的现状,在对BP神经网络预测方法详细分析的基础上,研究了基于时间序列数据挖掘实现精细化温度预报的方法。该方法基于时序分析技术,建立起适合于BP神经网络的输入样本模型,通过反复学习从温度时序中建立预测模型,将其用于未来24 h的精细化温度预报。同时,对BP神经网络算法和步骤做了简...     

基于支持向量机(SVM)方法的冬季温度预测

选取河南省5个代表站,分别代表河南省5个片,将气候预测中常用的74项环流特征量资料进行归一化处理,分别将其与5个代表站的冬季温度进行相关普查,在筛选预测因子的基础上,利用SVM两类分类和回归方法,建立河南各代表站冬季温度预测推理模型,用2000/2001~2004/2005年4年进行试报,结果显示SVM方法是处理非线性分类和回归等问题的有效方法,做分类和回归预测时,各代表站对应的SVM推理模型均具有良好的预报能力,且对温度预测SVM回归优于SVM分类。     

数值预报产品在夏季持续高温预报中的释用

利用 1999～ 2 0 0 2年 6～ 8月 96～ 192h日本数值预报产品 85 0hPa气温与吉林省的日平均气温、阶段性高温及极端最高气温 (长春市 )资料 ,通过线性分析 ,找出了日本数值预报产品的 85 0hPa气温与吉林省地面日平均气温、阶段性高温及极端最高气温的对应关系 :吉林省 6～ 8月日平均气温在 96～ 192h的 85 0hPa日本数值预报长春站日平均值上加 6 6～ 4 1℃ ,6～ 8月的极端最高气温在相应的日本数值预报产品上加 9 3～ 13 0℃。     

江苏省夏季最高温度定量预报方法

以江苏省徐州、南京、射阳3个探空站2002～2006年7～8月逐日观测资料为基础,选取了影响最高温度变化的因子,利用逐步回归方法建立了以徐州、南京、射阳3地为中心的区域预报模型,并对模型的回归效果和预报情况进行分析.剖析了其用于实际预报的合理性和可信度,同时与欧洲中期天气预报中心动力数值预报结果相结合,利用高斯权重插值方法将预报场的格点资料捕值到江苏各站点,通过PP法,完成了江苏省最高温度的定量预报.预报当天最高温度误差在1℃以下的概率为5O%左右,2℃以下概率在8O%左右,该方法可用于最高温度预报.     

共轭方程理论在月平均温度距平季节预报中的应用

说明了共轭方程方法的可行性，使用历史资料代入共轭函数公式中计算了东北地区12月、6月月平均温度距平，并与实况进行了比较。为了建立东北地区12月、6月平均气温距平的长期预报方法，使用预报时间半年前的海温作参数化月平均热流量距平，代入简化的共轭函数公式中得到了预报值。     

淮河流域大气环流型在冬季气温预测中的应用

应用Lamb-Jenkinson大气环流分型方法,根据由1970—2012年NCEP/NCAR逐日海平面气压场计算得到的环流指数,对淮河流域的环流进行分型。分析了冬季主要环流型和气温的分布特征及两者的联系,并以环流指数和主要环流型为预测因子,结合经验正交函数分解(EOF)方法和逐步回归方法,建立了淮河流域冬季气温距平的预测模型。结果表明,淮河流域冬季的主要环流型是东北风型、东风型、反气旋环流型以及东北风、东风配合下的反气旋性环流型,划分的环流型符合实际情况,这些环流型具有显著的年际和年代际变化特征。通过对预测模型进行后报试验和独立预报试验,表明该模型具有一定的预报技巧。     

MOS方法在动力延伸期候平均气温预报中的应用

利用1982年1月-2010年3月动力延伸预报产品及宁夏候平均气温,采用逐步回归的MOS统计方法,预报宁夏24个测站未来40 d逐候平均气温,为了对比模式直接输出结果与资料按月和按季节划分建立的MOS方法预报效果,对2009年和2010年1-3月的预报效果分别进行了对比检验.结果表明:MOS预报效果较模式直接输出有显著...     

广东省冬季逐日最低气温的预报方法

为了能结合数值预报产品做好广东省逐日最低气温的预报,利用1998~2007年冬季(11月~次年2月)美国NCEP/NCAR再分析资料和常规气象观测资料,选取20°~27.5°N,107.5°~117.5°E区域内的海平面气压、850 hPa温度、850 hPa相对湿度、850 hPa纬向风(u)、850 hPa经向风分量(v)和500hPa位势高度等6个要素作为预报因子,以韶关、梅州、广州、阳江、汕头等5个站分别作为广东5个部分的代表站,采用能选取"最优"因子的逐步回归方法建立5个代表站的11月~次年2月逐日的最低气温预报方程,并对预报方程进行检验。结果表明:采用逐步回归预报方法建立的广东省5个代表站的逐日最低气温预报方程具有一定的预报能力,但也存在预报结果比实况偏低的不足。     

ECC方法在中国夏季气温预测研究中的应用

以中国夏季气温为预测对象,选取东亚地区冬季500 h Pa高度场、海平面气压场、地表温度场和850 h Pa温度场为预测因子,采用1951~2009年去趋势处理后的资料,通过变形的典型相关分析(Barnett-Preisendorfer Canonical Correlation Analysis,BP-CCA)方法分别建立单因子预测模型,再利用集合典型相关分析(Ensemble Canonical Correlation,ECC)方法建立集合预测模型,对中国夏季气温进行基于交叉检验方法的预测试验,然后利用2010~2014年的资料对中国夏季气温进行独立样本检验。通过分析BP-CCA模态可知,一对BP-CCA模态的空间型在一定程度上可以反映预报因子场和对象场的遥相关特征。通过基于交叉检验方法的预测试验表明环流场和热力场均能为气温提供预测信息。ECC预测模型综合了各个预报因子的在不同地区的预报技巧,比单因子BP-CCA预测模型有更高、更稳定的预报技巧。独立样本检验表明ECC模型与单因子BP-CCA预测模型相比,对中国夏季气温有更高、更稳定的实际预测能力,对气温季节预测具有参考价值。