共查询到20条相似文献,搜索用时 218 毫秒
1.
采用1961—2016年黑龙江省62个气象代表站逐日降水数据和NCEP逐日再分析资料,分析黑龙江省主汛期"七下八上"降水气候特征及其环流特征,并利用DERF2.0模式不同起报时次的结果对黑龙江省主汛期降水和环流进行了检验评估。结果表明:主汛期的降水量占夏季降水量的25%—35%,是黑龙江省夏季降水的主要时段;多雨年500 h Pa高度场出现以东北西部地区为中心的东西向的"+-+"波列,850 h Pa风场有明显的气旋存在;DERF2.0超前10 d和超前5 d对主汛期降水预测的多年平均PS评分为60分左右,超前1 d预测的PS评分为70分;DERF2.0对500 h Pa环流显著区域超前1 d的ACC多年平均为0.58,对黑龙江省南北两个区域850 h Pa纬向风显著区域超前1 d的ACC多年平均分布分别为0.48和0.52。DERF2.0对黑龙江省主汛期降水预测和环流预测均有一定的可预报性,且随着起报时间的临近,模式的预测技巧有较明显的提升。 相似文献
2.
利用2014—2016年第二代月动力延伸预测模式业务系统(DERF2. 0)直接输出及预报员预报的贵州省气温和降水预报数据、贵州省84站观测数据,采用Ps、Cs和Zs 3种评分方法评估了DERF2. 0对贵州月气温、降水和月内强降水过程的预测性能,并与预报员业务值班发布的预报质量进行对比分析,系统性地对DERF2. 0产品在延伸期/月尺度的预测效果进行检验评估。结果表明:DERF2. 0月预测产品总体上对贵州气温的预测性能优于降水,气温偏高预测的可参考性高于其对气温偏低的预测。DERF2. 0预报月气温的Ps评分较预报员略高,月降水较预报员略低,总体来看DERF2. 0月预测效果较预报员综合预报略差且预报性能较不稳定。预报员预测数据的Zs和Cs评分总体高于DERF2. 0预测数据,但DERF2. 0预测数据的Zs和Cs评分较预报员逐年提高,尤其在整个雨季时段较为明显。DERF2. 0对主汛期(6—8月)的预报准确率较整个雨季期(4—10月)略高。 相似文献
3.
4.
5.
《贵州气象》2017,(3)
该文基于第二代月动力延伸预测模式业务系统(DERF2.0)不同起报日的气温、降水预测数据,利用多种评分方法评估1983—2014年预测数据的月尺度预测性能,研究表明:不同起报日的预测评分差异性不大。DERF2.0对冬季和春季的气温预测评分较好,而DERF2.0对降水评分较好的月份主要集中在秋季,表明DERF2.0基本能够预测出贵州的秋季总体旱涝趋势。从空间分布来看,气温的3种评分明显优于降水,表明在空间范围内,气温的预测性能好于降水,尤其是在省的南部和西部地区预测性能较好且稳定,参考性较高;而降水的稳定性较差,参考性相对较低,模式仍有很大的改进空间。从异常预测的优势来看,无论是气温还是降水,该模式对气温和降水异常预测具有一定的优势。 相似文献
6.
《干旱气象》2015,(6)
利用1951~2011年中国160个气象站逐月降水、温度、74项环流指数和NCEP再分析海表温度资料,采用偏最小二乘回归(PLSR)方法,结合均生函数构造预报量周期性因子,建立辽宁省汛期平均降水量及其5站(沈阳、朝阳、营口、丹东和大连)汛期降水量预测模型,并进行预测效果检验分析。结果表明:采用均生函数构造预报量周期性因子,在一定程度上弥补了气候预测统计模型高相关性因子的不足,从而使辽宁汛期平均降水量PLSR模型的试报均方根误差降低约10 mm。PLSR模型由于较好地解决了预报因子之间的多重相关性问题,其预测效果较逐步回归模型有明显提高,对2002~2011年辽宁5站汛期降水量试报的Ps评分平均值为72.6%,比逐步回归模型提高了10.3%。 相似文献
7.
《气象与环境学报》2017,(4)
本文利用第二代月动力延伸预测模式业务系统(Dynamic Extended Range Forecast,DERF 2.0)提供的1983—2015年位势高度场资料、NCEP/NCAR再分析资料及东北地区气温实况场,从DERF 2.0产品降尺度解释应用角度出发,建立了一套完整的东北地区月气温预测模型的方案,对东北地区11月气温进行了降尺度解释应用,建立了基于DERF 2.0产品东北地区11月气温的预测模型。结果表明:通过对基于DERF 2.0产品建立的东北地区11月气温预测模型的检验分析可知,建立的模型对东北地区月气温具有较高的预报技巧(Ps评分较高),对月气温预测具有较明显的改进,可在实际气候预测业务中应用,并对模型的稳定性问题进行了探讨,逐步改进完善预测模型。 相似文献
8.
遗传神经网络释用气候模式预测产品的试验研究 总被引:1,自引:0,他引:1
从业务需求出发,提出了面向气候模式产品释用的神经网络。选用主分量作为网络的输入和输出,大大减少了其节点数,重点突出了大尺度影响变化关系,提高了实际预测的稳定性;用全局寻优的遗传算法取代经典BP算法,为高质量的网络学习训练提供了保证;针对实际设计代价函数,保证了网络学习训练能适应气候模式产品释用的基本要求,学习目的更明确,针对性更强。分别以夏季(6~8月)NCEP/NCAR500 hPa高度场、国家气候中心海气耦合模式500hPa高度预测场主分量为外界输入信号,同期中国降水场、华中区域降水场主分量为网络输出信号,进行了拟合预测和独立预测试验。结果表明:用模式500hPa高度预测场主分量为外界输入信号,网络输出(降水场主分量)反演的中国、华中地区降水场预测距平与实况同号率,有可能接近用NCEP/NCAR500 hPa高度场主分量为外界输入信号相当的技巧水平。 相似文献
9.
基于DERF2.0 1983—2013年回报和2016—2017年预测的降水资料以及宁夏19个评分站降水实测资料,采用短期气候预测业务中常用的检验方法,对DERF2.0预测的宁夏未来1~50d月、候尺度降水及持续性异常降水过程进行了检验评估。结果表明:DERF2.0对月降水趋势异常预测综合评分(Ps)平均为53.2%,超前1~10d预测效果相差不大;Ps超过60%的仅有4月和11月,且年际间波动较大,最差年与最好年相差近30%。DERF2.0对月异常少雨预测Ps高于异常多雨,春、秋季Ps较高,夏季相对较低;对多雨年份降水预测Ps高于少雨年份。DERF2.0超前30d之内预测的候降水和实况以正相关为主,第1候相关最好,9月至次年3月相关系数相对较大;超前30d之内预测的候降水较实况偏大30%左右;对未来1~6候降水趋势预测正确率为40.8%,偏多趋势正确率达79.5%,明显高于偏少趋势;1月趋势预测正确率最小,8月最大;候降水偏多趋势预测正确率冬季高于夏季,偏少趋势则相反;随着超前时间的增长,趋势预测正确率下降;趋势预测正确率自北向南增大。DERF2.0对持续性异常降水过程预测的正确率为60.3%,超前时段为4~14d,对全区性过程预测效果较好,同一次过程南部预测效果好于北部,预测的降水量小于实况降水量。 相似文献
10.
神经网络方法在广西日降水预报中的应用 总被引:7,自引:3,他引:7
以广西前汛期5、6月区域平均日降水量作为预报对象,采用人工神经网络方法进行新的数值预报产品释用预报研究。对T213预报因子进行自然正交分解,有效浓缩数值预报产品因子的预报信息,并结合日本降水预报模式因子建立广西3个不同区域的逐日降水神经网络释用预报模型。运用与实际业务预报相同的方法对2004年5、6月进行逐日的实际预报试验,并与T213的降水预报进行对比分析。结果表明,本文建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报。 相似文献
11.
利用1998~2002年4~7月间欧洲、日本,2002年5~7月我国数值预报产品进行统计分析,总结出以数值预报产品为主的暴雨预报模式指标。这一模式指标,为日常预报工作中以天气学预报为主转向以数值预报为主奠定良好基础,也为预报员提供客观简捷的预报方法。通过一年的试报探索和一年的实际业务应用,其预报准确率较为理想。 相似文献
12.
13.
利用江西省93个国家气象观测站降水量资料,对2014年ECMWF集合预报降水统计量进行逐6 h和24 h晴雨检验、降水分级检验及区域性暴雨检验。结果表明:1)10%、25%、Mode、融合、最小值在晴雨预报准确率方面较控制预报更有参考价值。2)对于全年降水分级检验,10%、25%、Mode、融合、最小值这5个统计量在小雨的预报方面较控制预报更有参考价值;中位数、概率对中雨的ETS评分要略高于控制预报;90%、75%、概率对大雨预报比控制预报好。对于暴雨预报,最大值、90%、融合比控制预报好;融合、最大值对大暴雨落区的指示意义不大,但对大暴雨量级降水的可能性可以供预报员参考。3)对于区域性暴雨预报,90%、融合、最大值的预报技巧比控制预报高,最大值虽然空报较严重,但对降水量级有一定的指示意义。集合预报各统计量对于强降水过程爆发或发展阶段的预报效果不如降水过程成熟期或末期好。 相似文献
14.
15.
用2005—2006年4—9月准东电网负荷资料和T213预报产品资料,建立日平均有效时间序列数据,对电力负荷与T213主要预报因子的相关性进行了分析,筛选出影响该地区负荷变化的重要预报因子为700 hPa水汽通量、850 hPa水汽通量和降水量,建立日平均电力负荷变化的预报方程。对2007年进行试报,负荷变化趋势与实际一致,但对负荷发生明显波动的预报有时出现偏差,原因是T213对降雨天气预报有误所致。提出改进方案,采用模式与预报员经验相结合,从气象观测要素中再筛选出新的降雨因子,与T213重要预报因子重建预报方程,再次试报结果更接近实况。对2007年4—9月预报误差进行分析得到,计划负荷平均误差为11.5%,T213建模平均误差为8.2%,通过改进后重新建模的平均误差为6.4%。在降雨天气条件下,计划负荷误差22.3%,T213建模误差13.4%,而改进后的预测误差降低到8.9%。 相似文献
16.
基于最大相关最小冗余度算法和随机森林回归算法,该文提出一种对欧洲中期天气预报中心(ECMWF)集合预报产品进行暴雨预报的释用方法。该方法采用最大相关最小冗余度算法,对ECMWF集合预报的51个成员进行筛选,选取若干个与预报对象相关性最大、相互间冗余度最小的成员作为随机森林回归算法的输入因子。利用ECMWF集合预报降水量平均值对建模样本进行分类,使预报模型的建模样本更具有针对性。通过2012年4月—2015年12月的交叉独立样本试验预报和2016年1—9月的业务预报试验的统计结果表明:该释用方法的暴雨预报TS和ETS评分,均比采用ECMWF集合预报产品51个成员降水量预报进行插值后取平均值的释用方法分别提高了0.07和0.05以上,显示了较好的数值预报产品释用效果。 相似文献
17.
18.
本文介绍在新预报业务流程中预报制作模块进行二次开发的做法,经过对软件编程处理使之更切合市州级气象台预报制作的实际需要。 相似文献
19.
本文介绍在新预报业务流程中预报制作模块进行二次开发的做法,经过对软件编程处理使之更切合市州级气象台预报制作的实际需要. 相似文献