气温对70cm温度的预测评估

利用德州2008年1-12月逐日气温(t150表示)与70cm温度(t70表示)资料分析得出:08时,1、2、12月,t70≤t150;3-11月,t70>t150。14时,全年t70>t150;20时,全年t70相似文献   

基于NCEP FNL资料的山西岢岚地区雨雪天气诊断可信度分析

基于山西岢岚地区2005—2014年共1218个雨雪天气日的NCEP FNL资料(1°×1°)与探空资料,采用偏差、绝对差、相关系数和偏差区间占有率的统计方法,对常规物理量(温度、相对湿度、纬向风和经向风)和诊断物理量(T_800-500、T_d800和TT_d700)进行统计分析。结果表明:常规物理量中的温度平均偏差值和绝对差值最小、相关系数值最大,分别为-0. 22℃、1. 02℃、0. 90,可信度最高;而相对湿度的平均偏差值和绝对差值最大、相关系数值最小,分别为12. 31%、19. 68%和0. 63,可信度最低;纬向风和经向风的可信度相差不大,略低于温度;诊断物理量T_800-500、T_d800和TT_d700的偏差值分别为-0. 08℃、1. 50℃和2. 79℃,绝对差值分别为1. 21℃、3. 33℃和4. 14℃,相关系数值分别为0. 95、0. 92和0. 74,偏差值为[-5,5]占总数百分比分别为98. 77%、80. 30%和75. 04%。即T_800-500可信度最高,TT_d700指数可信度最低。     

不合格的自记纸不应下发台站使用

1990年1—4日,我们发现本站气压自记的器差很不稳定。其主要表现是,08时与14时的器差值相差0.6hPa以上,最大的一天两时次的器差值相差1.2hPa,而且器差的代数值总是14时的大于08时的(见附表)。     

京津冀地区辐射雾生消影响因子和污染物特征分析

利用京津冀地区地面、高空气象观测资料和空气质量数据,分析了2002—2020年京津冀地区辐射雾气候特征,以及出现辐射雾前后气象要素和不同粒径污染物的变化。结果表明：京津冀中南部的平原地区是辐射雾的高发区,坝上高原和北京西北部山区出现次数较少,辐射雾日最小能见度普遍可降至0.1～0.6 km,并随日出升温迅速增大。高低气温差(辐射雾发生前一日最高气温与当日最低气温的差值)多集中在6.0～10.4℃,最大可达到20.3℃,最小为0℃,且空间差异性较大;春季的高低气温差大于其他季节,但极大与极小值均出现在冬季。辐射雾出现前一日14时的地面风速为1.0～2.4 m·s^-1,到20时和当日08时风速降至1.0 m·s^-1左右,风向以偏北风和偏南风为主;垂直逆温多从地面开始,通常较为浅薄,风向随高度从北逆时针向西偏转。雾爆发当日,随着日出后气温升高、风速加大、湿度下降,PM_2.5和PM₁₀浓度下降,空气污染程度逐渐降低。     

2010年民勤沙地近地面沙尘气溶胶浓度特征

为了更好地研究沙尘气溶胶起沙和输送特征,2010年4—5月,在民勤周边沙地利用EZ LIDAR ALS300&ALS450型激光雷达和 GRIMM 180型颗粒物采样器进行了大气气溶胶的外场连续观测,取得了晴天、浮尘、扬沙和沙尘暴天气条件下沙尘气溶胶总后向散射垂直剖面图和PM₁₀、PM_2.5、PM_1.0质量浓度采样资料,其中包含“0424”特强沙尘暴过程资料。结果表明：春季民勤近地层大气中沙尘气溶胶浓度较高,且随气象要素的变化很大;在整个观测期内,PM₁₀、PM_2.5、PM_1.0的平均质量浓度分别为202.3、57.4 μg/m³、16.7 μg/m³。在不同天气条件下,PM₁₀、PM_2.5、PM_1.0质量浓度的变化有很好的相关性,但变化趋势有所不同。在沙尘暴天气条件下,PM₁₀的日平均质量浓度高达2469.1μg/m³,是背景天气条件下PM10日平均质量浓度的100多倍,是浮尘天气条件下PM10日平均质量浓度的8倍,是扬沙天气条件下PM₁₀日平均质量浓度的2倍。PM_2.5在沙尘暴天气下日平均质量浓度为460.3 μg/m³,是背景天气条件下PM_2.5日平均质量浓度的45倍,是浮尘天气条件下PM_2.5日平均质量浓度的6倍,是扬沙天气条件下PM_2.5日平均质量浓度的1.4倍。PM_1.0在沙尘暴天气条件下的日平均浓度为92.7 μg/m³,是背景天气条件下PM_1.0日平均浓度的13倍,是浮尘天气条件下PM_1.0日平均浓度的7倍,是扬沙天气条件下PM_1.0日平均浓度的1.3倍。可见,风速增大时沙尘粒子浓度的增加对粒子粒径是有选择的,小粒子比重随沙尘浓度增加而相对减小,大粒子比重随沙尘浓度增加而相对增多;通过对“0424”特强沙尘暴过程的研究表明,一次沙尘暴过程往往包括沙尘暴、扬沙和浮尘天气中的两种类型;通过对激光雷达数据分析发现,在强沙尘暴发生过程当中,民勤沙地发生了非常严重的风蚀起沙现象。     

墨玉气象站迁移前后观测要素对比分析

选取墨玉新旧站2017年逐小时气温、相对湿度、风速3个气象观测要素进行差值分析，同时选择旧站1966—2013年与新站2014—2021年的月平均数据做t检验。结果表明：(1)墨玉新旧站气温、相对湿度和风速差值均呈偏态分布，气温差值分布较分散，仅有38.68%的差值在-1～1℃，相对湿度和风速差值分布较集中，58.91%的相对湿度差值在-10%～10%,79%的风速差值在-1～1 m·s^-1。(2)新站平均气温低于旧站，全年平均气温差值为-1.7℃；新站平均相对湿度和平均风速大于旧站，全年平均相对湿度差和平均风速差分别为11%和0.3 m·s^-1。(3)经t检验，在0.05的显著性条件下，3种要素均存在断点，需进一步订正。平均气温在1、2、7、9月连续，平均相对湿度在1—3月和10—12月连续，平均风速仅3月连续。     

不同天气背景下江西省气温日变化特征

利用2012—2020年CLDAS格点小时温度数据,通过插值、合成分析等技术,分析江西省不同天气背景下气温的日变化特征。结果表明：1） 江西省气温日变化曲线呈单峰形,整体上表现为06—15时为气温上升阶段,其中08—12时为快速上升阶段;16—05时为气温下降阶段,其中17—20时为快速下降阶段。2） 不同地形和季节日最高（最低）气温出现时间略有差异,平均而言高山地区最高气温出现于14时,较平原、丘陵早1 h;冬季最低气温出现在07时,较其他季节迟1 h。3） 不同地形大部分时段气温表现为丘陵＞平原＞高山,丘陵地区气温高于平原在12—17时最明显,温差为1—2 ℃,高山地区较两者低4—5 ℃。4） 不同天气背景下,气温日变化曲线仍呈单峰形,日最高气温大概率出现在14—16时,日最低气温在23时—次日06时各时次出现概率大致相同。气温日较差在有雨条件下最小,为2—3 ℃;晴天不同云量条件下,气温日较差最大,为6—8 ℃,阴天最小,为3—5 ℃;气温日较差在强降温天气大于强回暖天气。     

乌拉特后旗气象站迁站以来气温的对比分析

通过对乌拉特后旗气象站2007年迁站前后两个气象观测站址逐日平均气温数据的对比分析,给出了两站气温的差异,结果显示:(1)乌拉特后旗气象局2006年迁址后,日、月、年平均气温均比旧站高,现站2007—2018年12a年平均气温比旧址1974—2006年33a年平均气温高4.0℃,在2007年出现了断点。(2)现站与旧站同期日平均气温变化趋势一致,且显著相关。(3)两站气温差值存在月、季变化特征,春季差值最大,夏季最小,4月差值最大,7月差值最小。(4)冬半年日平均气温差值的变化幅度比夏半年大,12月变幅最大,6月最小。(5)日平均气温在-15.0℃时,两站温度差异最大,在20.0℃以上的季节,温差相对较小。在与历史资料合并使用时要对数据进行分析订正,避免数据因不连续造成应用误差。     

2015-2019年成都夏季地面臭氧浓度与气象要素关系及臭氧污染天气分型

利用2015-2019年夏季地面臭氧浓度和常规气象观测资料,分析了成都夏季地面臭氧浓度的变化特征及其与气象要素的关系,并基于大气环流形势进行了分型。研究结果表明：(1)地面臭氧浓度有明显的日变化,呈单峰特征,最小值出现在清晨08:00左右,上午浓度迅速增加,午后15:00左右达峰值,随后浓度缓慢下降。(2)臭氧污染日与非臭氧污染日的地面臭氧浓度日变化趋势较为一致,但数值有所差异。两者深夜浓度值相当,08:00以后差值逐渐增大,至14:00达最大值93μg·m^-3,随后差值逐渐减小。(3)最大8 h滑动平均地面臭氧浓度与最高气温、最小相对湿度、紫外辐射强度相关性较好,相关系数分别为0.80、-0.76、0.74;臭氧污染易发生在气温高、湿度较低、紫外辐射强的气象条件下,在日最高气温大于30℃、最小相对湿度小于50%、平均紫外辐射强度大于20 W·m^-2的条件下,易出现臭氧污染。(4)根据臭氧污染时500 hPa天气形势,可将臭氧污染过程天气背景分为大陆高压型、脊前西北气流型、副高西部型、副高边缘型,成都夏季出现臭氧污染事件时最主要的天气类型为脊...     

基于稠密观测资料的近10年西安地区暴雨特征

利用2013—2022年西安市国家气象站和区域气象站观测资料及MICAPS资料，采用统计学方法、天气学分析法对近10 a西安暴雨特征进行分析。结果表明:（1）10 a中，2021年暴雨日最多，为24 d，其他年份在6～16 d之间；暴雨集中出现在7月中旬到8月中旬，8月上旬暴雨日最多，累计达14 d；强降水频次日变化分布呈双峰型，主要集中在12时前后和00时前后；强降水极值雨强频次分布具有三峰型特征，第一峰区在08—12时，第二峰区位于01时，第三峰区位于16时，易发时段为下午到傍晚。（2）暴雨日呈北少南多的分布特征，南部山区为9～23 d，城区及北部区县暴雨日为3～7 d；暴雨极值大值区主要位于周至、长安、蓝田、临潼；4月暴雨日最少，主要集中在周至和蓝田，5月暴雨日增多，主要在南部区县，6月暴雨主要发生在城区和南部区县，7月和8月暴雨范围逐渐东西向扩大，9月逐渐收缩。（3）影响西安区域性暴雨的环流形势分为副高-西风槽型、西风槽型、低涡型、西北气流型等4 种概念模型。（4）西安稳定性暴雨，雨强起伏变化不大，一般CAPE值＜100 J/kg，K指数＜36 ℃，SI指数＞0 ℃，CIN值＞50 J/kg，0 ℃层高度在48～51 km；对流性暴雨，小时雨强大，一般CAPE值＞800 J/kg，K指数＞36 ℃以上；SI指数＜0 ℃，CIN值＜50 J/kg，0 ℃层高度51～54 km。CAPE值越大、K指数越大，SI指数越小，越有利于对流系统发展。     

冬季EC 2m温度预报在贵州毕节地区的检验分析

利用毕节市8个国家站02时、14时气温实况数据,分别计算2016-2018年冬季(12月、1月、2月)EC细网格2 m温度预报的准确率、平均绝对误差、绝对误差,检验在升温、平稳、降温3类天气过程中温度预报效果,为模式温度预报订正提供参考依据。结果表明:02时的预报平均准确率比14时高约10%;除赫章站以外,其余站点准确率在60%~80%之间,有一定预报参考意义;3类天气过程中,平稳、降温天气中温度预报效果明显优于升温天气;升温天气过程中02、14时温度预报大多偏低0~4℃,降温天气过程中02时温度预报总体偏低0~4℃,14时偏高0~4℃。     

沪宁高速公路高温预警指标及预报模型的研究

利用沪宁高速公路实时监测数据,筛选出30个典型高温天气过程,应用WRF模式对其进行了数值模拟。在对输出结果作统计分析后,提取了沪宁高速公路高温天气的几个数值预警指标,建立了梅村、河阳两站的高温预报模型。研究表明:(1)利用WRF模式对沪宁高速公路沿线的高温天气过程进行模拟是可行的;(2)提取的沪宁高速公路高温数值预警指标有:前一日14时的地表温度Ts≥40℃、地面潜热通量Fl≥350 W.m-2、近地面相对湿度Hr≤60%、当日08时的地面感热通量Fs为负值且绝对值≥70 W.m-2、地面水平风速Vs≤3 m.s-1,当各项指标同时满足时,可预报当日会出现35℃以上的高温;(3)采用多元线性回归方法分别建立了梅村和河阳站的高温天气预报模型,经检验所建模型预报准确率较高。     

高寒地区日光温室地温变化及预报

利用2012年4月至2013年3月青海大通县日光温室内外地温、气温资料和大通县气象站人工观测资料,分析了高寒冷凉地区不同天气类型下日光温室地温变化规律。结果表明;研究区日光温室内日地温呈正弦曲线变化,晴天变化幅度最明显,阴天最小,地温变幅为地表〉5 cm〉10 cm〉15cm〉20 cm;室内地表、10 cm和20 cm平均地温月变化呈波形变化,最大值出现在7月,最小值在12月;随着深度增加,平均地温年较差逐渐减小;晴天、多云天、阴天不同深度地温平均日较差分别为9.6、8.3、6.1℃;地温日垂直变化仅在14时随着深度增加逐渐下降;除晴天室内最高温度外,其余温度要素与地温之间存在极显著正相关关系;建立的日光温室内10 cm最低温度预报方程和地表最低温度预报模型,可以在业务服务中应用。     

CMA-GD模式江西省智能网格预报区域2 m气温预报误差分析

利用2020年6月1日—2022年5月31日CMA GD模式2 m气温预报产品（预报时效为13—36 h）和同期江西省智能网格预报区域内地面站气温观测资料,计算气温预报准确率、平均误差和均方根误差,并统计分析其时空分布特征。结果表明： 1）模式预报准确率在不同月份、起报时次存在差异,暖季总体较高,冷季总体较低;暖季08时起报产品的月准确率总体高于20时,冷季反之;秋、冬季旬准确率分布更离散。模式预报产品其准确率明显低于中央气象台和江西省气象台订正产品,需订正后使用。08时起报产品对寒潮的预报效果优于20时。2）气温预报年误差分布存在日变化,最大值出现在08时,最小值出现在15时;年均方根误差峰值出现在15时和06时,白天大于夜间。3）冬季平均误差多为正值,夏季为负值,春、秋季平均误差大小界于冬、夏季之间;白天时段夏季均方根误差最大,夜间时段冬季最大。4）气温预报年误差地理分布特征明显,平原地区预报值偏低,年均方根误差最小;丘陵和山区22 h时效预报值偏高,31 h时效偏低;高山站预报值偏高,年均方根误差最大。丘陵地区负误差最大,平原地区最小;山区正误差最大。     

基于集合预报系统的日最高和最低气温预报

根据欧洲中心集合预报系统2 m气温预报的集合统计值,提出了BP-SM方法,针对中国512个台站2016年3月的日最高（低）气温做预报分析。将集合预报系统的模式直接输出、BP和BP-SM方法得到的日最高（低）气温进行了比较,结果表明:预报时效越长,BP-SM方法较之BP方法的预报优势也更明显;在1至5 d的预报中,BP-SM方法显著降低了预报绝对误差,误差在2℃以内的准确率大部分在60%以上,部分站点达到90%;正技巧评分均值大多高于30%,在青藏高原东部和南部地区超过了60%。预报正技巧站点次数在绝对误差≤2℃（1℃）范围内有所提高,对日最高气温预报准确率的提高略好于日最低气温;BP-SM方法有效地降低了预报系统偏差,较大预报误差出现次数显著减少。      

Simulation of maximum surface air temperature over India using the UK Met Office Global Seasonal (GloSea) Model

Summary A comparative study was performed to evaluate the performance of the UK Met Office’s Global Seasonal (GloSea) prediction General Circulation Model (GCM) for the forecast of maximum surface air temperature (T_max) over the Indian region using the model generated hindcast of 15-members ensemble for 16 years (1987–2002). Each hindcast starts from 1^st January and extends for a period of six months in each year. The model hindcast T_max is compared with T_max obtained from verification analysis during the hot weather season on monthly and seasonal scales from March to June. The monthly and seasonal model hindcast climatology of T_max from 240 members during March to June and the corresponding observed climatology show highly significant (above 99.9% level) correlation coefficients (CC) although the hindcast T_max is over-estimated (warm bias) over most parts of the Indian region. At the station level over New Delhi, although the forecast error (forecast-observed) at the monthly scale gradually increases from March to June, the forecast error at the seasonal scale during March to May (MAM) is found to be just 1.67 °C. The GloSea model also simulates well T_max anomalies on monthly and seasonal scales during March to June with the lower Root Mean Square Error (RMSE) of bias corrected forecast (less than 1.2 °C), which is much less than the corresponding RMSE of climatology (reference) forecast. The anomaly CCs (ACCs) over the station in New Delhi are also highly significant (above 95% level) on monthly to seasonal time scales from March to June, except for April. The skill of the GloSea model for the seasonal forecast of T_max as measured from the ACC map and the bias corrected RMSE map is reasonably good during MAM and April to June (AMJ) with higher ACC (significant at 95% level) and lower RMSE (less than 1.5 °C) found over many parts of the Indian regions. Authors’ addresses: D. R. Pattanaik, H. R. Hatwar, G. Srinivasan, Y. V. Ramarao, India Meteorological Department (IMD), New Delhi, India; U. C. Mohanty, P. Sinha, Centre for Atmospheric Sciences, Indian Institute of Technology, Hauz Khas, New Delhi 110016, India; Anca Brookshaw, UK Met Office, UK.     

上党盆地极端气温时空变化特征分析

利用1961年-2009年山西东南部的上党盆地年平均气温、极端最低气温和极端最高气温资料,采用相关系数法和对比分析法,分析其气候特征及其气候变化。结果表明：上党盆地年平均气温、极端最低气温和极端最高气温均呈明显上升趋势。从空间分布上来看,全市年平均气温和极端低温最低值都出现在盆地西北部的海拔最高处沁源,极低值为一30．2℃。全市年平均气温和极端高温最高值都出现在盆地东部的海拔最低处黎城,极高值为40．1℃。极端最低气温与冷空气的活动强度、地理位置及地形有关而与海拔高度无关。极端最高气温与暖气团控制、地形及海拔高度关系密切。年极端最低气温1月出现的最多,占52％;年极端最高气温主要出现在6月、7月,6月占46％,7月占26％;日极端最低气温多出现在4时-7时;日极端最高气温多出现在14时-16时。     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

天津市6—9月气温与供电量的关系分析

为探讨不同气温指标对城市夏季供电量的影响,对天津市区2002—2004年6—9月逐日供电量、日最大负荷、日最小负荷与02、08、14时和20时、日平均、日最高和日最低气温共7种气温指标的相关性进行综合统计分析,并对相关系数作假设检验。结果表明：平均气温与夏季逐日供电量、日最大负荷相关性最好,02时气温与最小负荷的相关性最高。日平均气温和02时气温是影响城市夏季供电量的主要气象要素。     

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。