基于机器学习的模式温度预报订正方法研究

机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。     

ECMWF细网格2m温度产品在乌鲁木齐市温度预报中的检验

利用2011年7月至2014年6月的ECMWF细网格2m温度预报产品,采用格点映射站点和双线性插值法挑选最优预报参考格点,并用天气学检验方法,对该模式在不同季节、不同天气时的乌鲁木齐市温度预报能力进行检验。检验表明：该产品对制作乌鲁木齐未来24小时温度预报具有很好的指导意义,全年的最高最低温度预报准确率为74～75％,季节变化明显,夏半年的预报准确率高出冬半年10～25％;模式对降雨、降雪时的温度预报较好,大雾时最差,并且会使最低气温预报严重低于实况,对东南风时最高气温预报好于最低气温;该产品整体上在准确率和稳定性上均优于中央台指导预报,在春季具有明显优势,高低温正技巧可达0.4℃。     

ECMWF细网格2米温度在新疆及周边地区的预报效果检验

本文对2013年1～12月ECMWF细网格2米温度在新疆区域的预报效果进行了统计检验。结果表明：ECMWF细网格2米温度预报为系统性偏高,预报效果随预报时效的延长而逐渐变差。三天内温度预报的绝对误差小、预报准确率高,对实际温度预报有很好指导作用;七天内温度预报的绝对误差较小,预报准确率较高,对实际温度预报具有参考价值;八到十天预报误差大、准确率低,对实际温度预报参考价值不大。温度预报精度在蒙古国西部最低,北疆盆地次之,南疆盆地最高。     

ECMWF细网格要素预报场在乌鲁木齐米东区的预报性能检验

利用升级后的ECMWF细网格模式2m温度、大尺度降水量(LSP)、累积降水量(TP)及850hPa风速等气象要素预报场,采用客观分析和统计学方法,对2015年2月至2017年1月乌鲁木齐米东区气温、降水及风速进行检验分析。结果表明:2m温度场对于米东区最高、最低气温有较好的预报能力,最高、最低气温年均准确率ECMWF细网格模式产品均高于中央气象台指导预报产品,分别达69.1%和73.8%。细网格和中央气象台指导预报的晴雨准确率均接近或超过80%,对降水天气预报有较好的参考价值;降水分级检验上看,ECMWF细网格和中央指导预报准确率均不太高;对于降雨天气,细网格的预报能力略高于指导预报;对于降雪天气,指导预报对小雪和大雪的预报准确率高于细网格;ECMWF细网格850hPa风速产品与实况风速有较好的相关性,对逐日风的预报有较好地指示意义。     

宁波桃树花期预报方法

以宁波奉化桃花为例,应用区域中尺度自动气象站的逐时资料,分析前期光、温、湿条件的变异系数及这些要素与花期的相关系数得出:时积温(度·时)相对日积温(度·日)更能体现其与花期的内在关系,根据变异系数和相关系数的极值来确定预报因子。在此基础上利用欧洲中期天气预报中心(ECMWF)细网格资料的中期预报产品,采用BP神经网络,建立花期精细化预报模型,应用于实际预报。结果表明,利用中期数值预报产品和适当的预报模型进行花期中期预报是可行的,取得了较好的预报效果,提高了气象为农业服务水平。     

基于ECMWF细网格模式的短时强降水客观概率预报方法研究

根据陕南643个经质量控制的自动气象站2010—2014年逐小时观测降水,采用百分位法确定陕南短时强降水标准。基于2010—2014年11 824站次短时强降水个例和欧洲中心（ECMWF）间隔6 h的0.25 °×0.25 °再分析格点资料,以空间最近、时间最近前1时次原则:计算并确定陕南汛期5—9月各月短时强降水36种对流参数历史概率分布特征值;考虑对流参数的显著性和适度性指标构建评价方案,利用相对模糊偏差矩阵、标准差系数方法,优选出陕南5—9月各月的15种对流参数及其权重。业务运行以ECMWF细网格模式的基本预报产品,计算优选的对流参数值,结合参数历史概率分布值及其权重,建立陕南分月短时强降水客观概率预报模型。将模型概率预报结果升序排列后80%处对应的数值,且大于0.2作为短时强降水的临界概率,对2015年汛期降水过程进行检验,TS评分为0.59,漏报率为0.18,空报率为0.31。      

基于机器学习的风场预报订正方法研究

为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。     

基于ECMWF细网格产品的吉林省东南部冬季气温BP-MOS预报方法

基于ECMWF细网格模式输出产品和BP神经网络预报方法建立一种优化的BP模型,对吉林省东南部山区(白山地区、通化地区)未来24h的日最高和最低气温进行预测,并对比该方法、ECMWF细网格的2m温度输出产品以及线性MOS方法的预报效果.结果表明:在建立预报方法时,考虑预报因子对气温影响的累积过程,并对其进行优化处理,有利...     

四川地区EC细网格模式2m温度偏差订正研究

本文选取2017年1~12月ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式168h预报时效的2m温度场和对应时段四川地区157个国家站的观测资料,对比分析了模式温度预报的系统性偏差特征,采用15日周期的滑动双权重平均法对2m温度预报产品进行偏差订正,并与四川省气象台现有的主、客观预报产品进行对比,结果表明:(1)EC模式对低温的预报准确率远高于高温预报准确率;订正后高、低温预报准确率均有显著提高,其中低温平均提高了20.5%,高温提高了31.2%,平均绝对误差分别减小约1.1℃和2.9℃。(2)EC模式高温预报的逐月差异明显比低温预报逐月差异大,订正后差异明显减小,且各月的高、低温预报准确率均有显著提升,订正后各月高、低温的平均绝对误差均在2℃之内。(3)EC模式对于低温和高温的预报在全省均大致呈现负的系统性误差,且高温预报的系统性误差明显比低温预报的系统性误差大,订正后2m温度预报的系统性误差均明显降低,全省大部分地区维持在±1℃之间。(4)与四川省气象台现有的主、客观预报产品对比显示,对于高低温预报均是EC订正后准确率最高、平均绝对误差最小,订正效果较为理想。     

ECMWF细网格模式探空在阿勒泰地区短时强降水预报中的统计检验

采用2013—2018年5—9月ECMWF细网格资料和阿勒泰地区36次短时强降水资料,用Micaps平台的模式探空模块计算T-log P图及其对流参数,运用统计学方法进行了误差检验。结果表明:模式探空T-log P图48 h预报时效内一致性较高(72%),尤其是24 h预报时效内(92%);72 h预报时效内总指数和干暖盖指数及垂直风切变、60 h预报时效内沙氏指数、48 h预报时效内风暴相对螺旋度和36 h预报时效内850与500 hPa温度差、对流温度、最大抬升指数、抬升指数以及24 h预报时效内K指数、700与850 hPa假相当位温差、大风指数等对流参数的3种误差均较小(3.5),相关系数较高(0.60),特别是沙氏指数、K指数、700与850 hPa假相当位温差、垂直风切变和风暴相对螺旋度的3种误差1.5。T-log P图的一致性随时效的延长而减小,对流参数的误差随预报时效的延长变化不一致,在强对流潜势预报业务中注意订正运用。     

多级相似作温度精细化预报初探

利用2001—2004年欧洲中心数值预报产品等资料,按照预报员制作天气要素预报过程中的基本思路,从“形势分析→系统分析→要素预报”的一般步骤,通过“形势相似→系统相似→天气要素（温度）相似”等多级相似分析,计算制作温度格点预报,并在逐步实现天气要素预报的程序化、数字化、精细化方面进行了有益的探讨。     

基于机器学习的格点气温预报订正方法

使用2017年9月至2021年3月国家级业务化运行的智能网格实况分析产品和欧洲中期天气预报中心全球模式(EC)产品,根据湖北省的地理分布特征构建6个分区,采用基于LightGBM机器学习算法建立的气温预报方法,生成湖北省0.05°×0.05°格点气温预报产品。利用2021年4—9月的预报产品和格点实况资料进行检验,结果表明:基于机器学习的气温预报方法(MLT)取得了较好的预报效果,其在0～72 h时效内优于中央气象台下发的气温精细化指导预报(SCMOC)和EC产品;MLT在山区的误差较平原大,但山区的订正幅度大于平原,日最高气温的订正幅度大于日最低气温的订正幅度;4—9月MLT、SCMOC、EC产品的平均绝对误差(MAE)日变化都呈现了白天偏高、夜间偏低、午后凸起的单峰特征,MLT的MAE值较SCMOC和EC产品的更低,并且在转折性天气中仍具有优势;站点检验与格点检验结论一致,基于格点建模的气温预报产品对站点预报同样得到了订正。机器学习在格点气温的模式订正方面可以作为一个行之有效的手段。     

基于机器学习的华北气温多模式集合预报的订正方法

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。     

支持向量机方法在郑州冬季气温趋势预测中试应用

将气候预测中常用的74项环流特征量进行归一化处理后,与郑州市冬季气温进行相关普查,利用SVM(SupportVectorM ach ine)两类分类方法,同时考虑气温的年代际变化,建立郑州冬季温度距平趋势预测推理模型,并对因子个数多少和年代际变化对预测模型的影响进行了试验。试验结果表明:用25个和15个因子分别建模时,产生最优模型时样本平均Ts评分均为56%,但后者预报准确率为75%,较前者提高了10%。用20世纪50年代和60年代做试验集,效果较好,产生最优模型时的样本Ts评分和预报准确率较高;用90年代做试验集,效果较差。     

基于集合预报极端天气预测指数的浙江分类强对流预报模型

利用2016—2021年ECWMF集合预报资料、浙江自动站实况资料等,计算浙江短时强降水、雷暴大风和冰雹等强对流天气相关物理量的极端天气预报指数（EFI：Extreme Forecast Index）,分析EFI分布特征,并构建了分类强对流预报模型。结果表明：强对流天气与物理量的EFI有密切联系,发生短时强降水时,对流有效位能、整层可降水量、850 hPa与500 hPa温差和位温差的EFI较大,而垂直风切变的EFI为负值,因而较小的垂直风切变更有利于出现极端降水;发生雷暴大风和冰雹时,对流有效位能、850 hPa与500 hPa温差和位温差以及850 hPa温度露点差的EFI较大,700 hPa露点温度的EFI为负值,与上层干冷下层暖湿的有利层结条件有关。利用支持向量机多分类方法,将强对流天气相关物理量的EFI作为特征值开展训练,构建的预报模型对于非局地强对流天气有较好的预报效果,其中短时强降水的误判率明显低于雷暴大风。     

一种改进的考虑环流特征的MOS预报方法

利用一种可以考虑天气环流形势场特征的MOS预报因子处理方法进行预报因子的处理,以T106L19模式的预报产品为基础建立云南省32个基本站点的降水和气温预报方程,并与不考虑天气形势场的因子所建立的MOS方程的预报结果进行对比。结果表明,MOS预报的结果对预报因子的变化很敏感,在考虑天气形势后的MOS预报对云南各站点的降水和气温的预报效果均有显著的改进,说明MOS预报因子的处理方法和选取对改进MOS预报效果具有重要的意义。     

基于机器学习的土壤温度预估研究综述

土壤温度是地球科学研究中的重要物理量。在陆-气相互作用研究中,土壤温度不仅影响土壤内部的物理、生物、化学过程,而且对陆-气之间能量和物质交换起重要作用。随着可获取的相关数据越来越丰富,机器学习方法已经被越来越多的研究人员引入到土壤温度预估中,在很多任务中已经超过了统计模型、物理模型的性能。本文对比了统计模型、物理模型和机器学习方法这三种土壤温度常用计算方法的异同,简要介绍了应用于土壤温度研究的各类机器学习模型的原理和特点,综合国内外文献归纳了传统机器学习和深度学习在土壤温度空间分布、时间变化和时空变化三方面的研究进展。在土壤温度空间分布研究中,传统机器学习方法能够通过影响因子的空间异质性学习空间特征,并利用站点观测数据计算土壤深处的温度,但随土壤深度增加模型效果减弱,而深度学习模型有能够提取空间特征的结构,但对数据量要求高,当前研究中仅用于地表温度的遥感反演;在土壤温度时间序列研究中,加入了周期性信息的传统机器学习方法具有更好的模型效果,深度学习中的序列学习模型能自动捕捉土壤温度变化规律,结合了非平稳序列分析方法的混合模型能充分考虑土壤温度变化的连续性和周期性;由于陆面过程复杂性,土壤...     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

基于动态统计预报方法的京津冀雾霾中期预报试验

利用欧洲中期天气预报中心（ECMWF）数值预报产品和动态统计预报方法,对北京、天津、石家庄等14个京津冀重点城市雾霾与空气污染进行定量化的中期预报试验,包括对首要污染物PM_2.5浓度和能见度的逐时定量化预报及雾霾现象的客观化判断,并对2015年10月1日-2016年11月10日试验预报效果进行了检验评估。检验结果显示:该方法对北京及周边城市未来10 d逐时和逐日能见度、PM_2.5浓度及雾霾现象的预报值与观测值之间具有显著正相关系数、较高的误差减少量和TS评分等,表明基于ECMWF数值预报产品和动态统计预报方法的京津冀雾霾污染中期定量化预报技术整体上具有较高的可靠性、稳定性与预报技巧性。此外,检验指标还显示出该动态统计预报方法对能见度的预报效果要略优于PM_2.5浓度预报,同时对霾的预报准确率高于对雾的预报。个例分析显示,该动态统计预报方法能提前5~6 d预报出北京地区典型持续性雾霾污染的发展过程,对持续性雾霾的提前预报预警具有较好的参考意义。