陕西ECMWF、GRAPES_Meso和SCMOC气温预报的对比检验及订正

利用陕西99个国家气象站2017—2019年日最高(低)气温观测资料,采用一元线性回归和递减平均方法,对GRAPES_Meso、ECMWF和SCMOC的日最高(低)气温预报进行订正,并作对比检验.结果表明,SCMOC、GRAPES_Meso和ECMWF的日最低气温预报准确率较日最高气温偏高,其中SCMOC的日最高和最低...     

基于一元线性回归的ECMWF细网格阵风预报产品订正评估

利用2021年10月至2022年3月(2021年冬半年)欧洲中期天气预报中心(European centre for medium-range weather forecasts, ECMWF)细网格阵风预报数据和河南省国家级地面气象站阵风观测资料,基于一元线性回归(linear regression, LR)方法,对河南省ECMWF阵风预报进行订正,并对其检验评估。结果表明：(1)2021年冬半年,河南省多出现6级以下的阵风天气。ECMWF模式对于7级及以下的阵风预报存在整体高估的现象,对于7级以上的阵风预报存在低估的现象。(2)LR订正后准确率、均方根误差在所有预报时效均有明显的改善。订正后准确率较高、均方根误差较小的站点主要分布在京广线以东大部分地区、焦作、南阳南部;豫西山区订正效果一般,其复杂的地形易导致阵风偏高,而6级以上阵风样本数较少,预报订正值稳定性相对较差。(3)阵风预报与起报时次的关系不大。LR方法针对6级以下阵风预报有一定的优势,技巧评分(T_s评分)较ECMWF预报高,预报偏差(B_ias评分)更接近1。     

辽宁地区ECMWF模式气温预报检验及误差订正研究

利用2016—2018年ECMWF细网格模式12—36 h内2 m温度预报产品,选取辽宁地区65个城镇站点观测资料,评估预报产品在不同季节的预报准确率,并按季节分析固定误差订正方法和最优滑动周期订正方法对提高准确率的作用。结果表明：ECMWF模式预报产品对辽宁地区气温预报的准确率表现为,ECMWF模式最高气温冬季预报最优(城镇站点预报准确率为81.5%),最低气温夏季预报最好(城镇站点预报准确率为84.3%);采用最优滑动周期订正后,2016—2018年辽宁地区的最高气温和最低气温准确率较ECMWF模式自身分别提高了19.7%和20.5%,最低气温的预报准确率提高程度优于最高气温;在整个空间分布中,ECMWF模式对辽宁中部平原地区最高(低)气温预报准确率高于东、西部地区,辽宁东北部和西南部以及东南部的长白山余脉影响区域准确率明显低于其他区域。同时,在各季中,最高气温和夏季最低气温的订正预报能力优于其他季节;在地面晴、雨两种特征下,对辽宁地区24 h气温预报进行订正检验表明,该检验结果对辽宁地区最高(低)气温订正有一定补充作用,尤其是冬季降水出现时,最高气温预报补充订正效果最为显著。     

ECMWF模式地面气温预报的四种误差订正方法的比较研究

采用均方根误差对欧洲中期天气预报中心（ECWMF）确定性预报模式2007年1月至2010年12月的地面气温预报结果进行评估,并分别利用一元线性回归、多元线性回归、单时效消除偏差和多时效消除偏差平均的订正方法,对ECMWF模式地面气温预报结果进行订正。结果表明,4种订正方法都能有效地减小地面气温多个时效预报的误差,改进幅度约为1℃。在短期预报中仅考虑最新预报结果的一元线性回归订正方法要优于考虑多个预报结果的多元集成预报订正方法。在中期预报中考虑多个预报结果的多元集成预报订正方法更优,更稳定。在模式预报误差较大的情况下,多时效集成的订正方法能更稳定地减小误差。     

ECMWF高分辨率模式2 m温度预报误差订正方法研究

文章提出了一种结合滑动双权重平均订正法和空间误差逐步订正法的综合订正技术,并对2016年5月1日至2017年5月1日期间24～168 h预报时效内欧洲中期天气预报中心(ECMWF)高分辨率模式的2 m最高和最低温度进行偏差订正和误差分析,主要结论如下:(1)ECMWF模式在江西省的温度预报整体上比实况偏低,最高温度尤为明显,模式温度的空间分布表现出显著的系统性偏差,且偏差在不同预报时效是稳定的,订正ECMWF模式温度具有可行性。(2)滑动双权重平均订正法中较长的滑动订正周期对模式温度预报有更好的订正效果,采用滑动订正周期20 d是比较理想的。滑动双权重平均订正法具有持续的订正能力,但在季节过渡期间订正效果可能并不理想,而空间误差逐步订正法能进一步提高滑动双权重平均订正法的预报订正质量。(3)温度预报准确率表明,滑动双权重平均订正法和空间误差逐步订正法综合订正技术较好地改善了站点温度的预报质量。经过订正后,模式最高温度24、48、72 h预报误差≤2℃的准确率分别从0.59、0.55、0.52提高到0.75、0.68、0.62,模式最低温度24、48、72 h预报准确率分别从0.84、0.83、0.82提高到0.89、0.87、0.85。订正后72 h最高和最低温度的预报准确率都大于订正前模式24 h的准确率。总体而言,该综合订正技术较好地订正了模式误差,且误差在空间分布上较均匀。(4)对于高山站而言,经过订正后的最高和最低温度与实况基本吻合。空间误差逐步订正法的订正量在±1℃之内,与滑动双权重平均订正后的偏差呈现一定的负相关,有正的订正效果。该综合订正法已成功运用于江西省精细化气象要素客观预报业务系统中。     

镇江地区ECMWF模式高温预报订正方法研究

针对镇江ECMWF模式168 h内高温(t≥35℃)预报结果提出四种后处理订正方案,包括一元线性回归法、差值法、综合法和递减平均法;借助均方根误差等四种检验方法就订正效果进行评估,找寻最优订正方案。结果表明,四种订正方法都明显改善了ECMWF模式高温预报,订正后的均方根误差、平均绝对误差及最大绝对误差较订正前均有所减小,预报准确率显著提高。对于24 h时效内预报,四种订正方法各有优势。对于48～168 h时效预报,一元线性回归法效果更优。采用分时效对ECMWF模式高温预报结果进行后处理,考虑24 h预报订正使用递减平均方法,48～168 h预报订正使用一元线性回归法,可以更大程度地提高预报准确率。     

ECMWF模式的延伸期日最高气温预报偏差估计及订正分析

使用欧洲中期天气预报中心（ECMWF）的20年集合预报回算数据,检验分析了延伸期第16天至第30天预报时效其对我国日最高气温的预报性能。结果表明,西部地区预报误差明显大于中东部地区。全国平均而言,模式预报较实况偏低1.1℃~1.39℃,均方根误差为4.6℃~4.9℃。进一步分析指出,第16天均方根误差最小、且随着时效的延长其略有增大。夏季模式预报效果最好,春季和秋季的部分时段预报效果较差。基于历史偏差订方法,本文还对2018年6月至2019年6月的日最高气温预报进行了误差订正试验。结果显示,订正后的预报准确率提升了15.2%~19.2%。聚焦2018年7月的一次中东部地区大范围高温过程,模式原始预报明显低估了高温强度,订正预报更接近实况,显示其具有一定的订正效果。     

基于ECMWF集合预报资料的乡镇温度预报误差订正方法

利用滑动平均法和递减平均法对2013—2014年江西省1 216个乡镇站点ECMWF集合预报2 m温度集合平均产品进行误差订正试验。结果表明:1)滑动平均法和递减平均法对江西地区乡镇温度预报为正的订正效果,订正后的预报准确率大于订正前,并且递减平均法的订正效果要略优于滑动平均法。2)误差订正方法对各时段温度TRMSE的订正能力都随预报时效的增加而减小,对高温预报准确率的提高明显大于低温,对山区预报准确率的提高大于平原,对有规律的预报误差的站点订正效果较好。3)随季节和站点变化的自适应递减平均法的预报结果较各季节和全年定常最优订正系数好,订正方法对秋季温度预报订正能力最强,春季最差。     

福建省ECMWF细网格模式2 m温度预报误差分析与订正

选取2022年1月1日—12月31日ECMWF细网格模式2 m温度预报24 h以内预报时效产品和对应时次的福建省70个国家站观测资料进行分析,采用ARIMA(差分自回归移动平均)模型和双权重ARIMA模型分别对2 m温度预报产品进行偏差订正,并对订正前后的结果进行对比分析。结果表明：1) ECMWF模式2 m温度预报在福建省主要呈现冷偏差,随着预报时效的增加,均方根误差和准确率随之变差;分别用两种模型进行订正,平均绝对误差由2.1℃以内减小到1.6℃以内,均方根误差从2.5℃以内降低到2.1℃以内,且偏差越大,订正效果越明显。2) ECMWF模式2 m温度逐月预报效果差异较大,订正后各评价指标均有显著改进,各月平均误差在-0.5—0.5℃。3) ECMWF模式2 m温度预报偏差主要表现为福建东部沿海小、中西部较大;订正后平均绝对误差和均方根误差减小至2℃以内,且对高海拔地区的站点改善效果更加明显。与ARIMA模型相比,双权重ARIMA模型订正后平均绝对误差与均方根误差更小、准确率更高,订正效果更好。     

基于分位数映射法的四川省ECMWF模式降水预报误差订正分析

为做好ECMWF(European Centre for Medium-Range Weather Forecasting)模式本地化释用,提高四川省降水预报准确率,对四川省2020—2021年7—9月模式各量级降水预报系统性偏差规律分析发现,该模式预报的雨日较实况偏多,尤其是攀西地区和川西高原;预报的大雨日数盆地西南部及攀西地区多于实况,而盆地南部少于实况。然后,基于分位数映射法对模式预报的24 h累积降水开展大量级降水订正试验与检验。基于分位数映射法订正后,暴雨及以上量级TS(Threat Score)提高7%～15%,且各量级降水TS均高于多模式集成客观预报产品2%～4%,大雨及以上、暴雨及以上量级命中率提高10%～20%,订正后雨带位置特别是暴雨落区与实况更接近。     

基于ECMWF的两种温度客观预报订正方法及评估

依据国家气象信息中心格点温度实况资料,采用“动态训练、择优选取”的基本原则,利用递减平均法（DAM）和径向基函数神经网络方法（RBFNN）对ECMWF细网格模式2019—2020年20时BTC未来24～216 h的0.05°×0.05°分辨率格点日最高、最低温度进行客观预报订正,并与中央台指导预报（NMC）和EC模式预报产品进行格点检验对比分析。结果表明：（1）通过DAM和RBFNN订正后的24～216 h日最高、最低温度预报准确率提高3.9%～7.8%,均为“正”技巧,对预报准确率偏低的月份预报时效订正效果更显著,且夏、秋季最高温度预报订正效果较好,冬季最低温度订正能力较强;（2）订正后的最高、最低温度预报产品除沙坡头区的最高温度预报和贺兰山的最低温度预报误差偏大外,其他区域的误差基本都<2℃,订正后的ECMWF细网格模式对强降温、寒潮天气的温度预报效果明显优于NMC和EC模式预报产品,对预报业务有一定的参考价值。     

华南区域模式在湖南省的2 m温度预报检验与订正研究

基于2019年8月至2020年7月华南区域模式（CMA-GD）预报和湖南97个国家站2m温度实况,开展了模式温度预报检验和逐步回归订正技术研究。结果表明,华南区域模式2m温度预报与实况变化趋势基本一致,预报偏差具有明显日变化,白天准确率下降、夜间升高,随着预报时效的延长,偏差增大;夏半年预报偏差大于冬半年;湘西预报效果优于湘东;00时起报的2m温度预报优于12时起报。基于华南区域模式预报产品,区分起报时次和季节的2m温度预报逐步回归订正预报效果较好,订正后预报相对于模式预报误差下降、准确率提高,有明显正技巧,对12时起报的模式预报效果改善更大,不同站点订正效果略有差异,对预报误差较大站点,订正效果明显。     

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。     

基于TIGGE多模式集合的24小时气温BMA 概率预报

利用TIGGE(THORPEX Interactive Grand Global Ensemble)单中心集合预报系统(ECMWF、United Kingdom Meteorological Office、China Meteorological Administration和NCEP)以及由此所构成的多中心模式超级集合预报系统24小时地面日均气温预报,结合淮河流域地面观测率定贝叶斯模型平均(Bayesian model averaging,BMA)参数,从而建立地面日均气温BMA概率预报模型.由此针对淮河流域进行地面日均气温BMA概率预报及其检验与评估,结果表明BMA模型比原始集合预报效果好;单中心的BMA概率预报都有较好的预报效果,其中ECMWF最好.多中心模式超级集合比单中心BMA概率预报效果更好,采用可替换原则比普通的多中心模式超级集合BMA模型计算量小,且在上述BMA集合预报系统中效果最好.它与原始集合预报相比其平均绝对误差减少近7%,其连续等级概率评分提高近10%.基于采用可替换原则的多中心模式超级集合BMA概率预报,针对研究区域提出了极端高温预警方案,这对防范高温天气有着重要意义.     

Regional Temperature Forecast for the Next Day in Hong Kong

For a century or so, the Hong Kong Observatory (HKO) has been providing temperature forecast for the whole of Hong Kong with the HKO Headquarters as the reference location. In recent decades, due to spreading of population from the main urban center to satellite towns, there is an increasing demand for regional temperature forecasts. To support such provision, the HKO has developed a regression model to provide objective guidance to forecasters in formulating forecasts of maximum and minimum temperatures for the next day at various locations in Hong Kong. In this paper, the regression model is presented, together with the assessment of its performance. Based on the verification of one year of forecasts, it is found that the root mean square errors (RMSEs) of maximum (minimum) temperature forecasts are from about 1.3 to 2.1 (1.1 to 1.4) degrees, respectively. The regression model is shown to have generally out-performed the operational regional spectral model then operated by HKO. Regional temperature forecast methods of other meteorological or research centers are also surveyed. Equipped with the regression model, the HKO has launched an online regional temperature forecast service for the next day in Hong Kong since March 2008.     

由最高最低气温求算的平均气温对我国年平均气温序列影响

针对研究全国近百年平均气温长期变化的实际需要,利用603个测站1961—2002年气温观测资料,比较分析了最高最低平均气温距平序列和4次观测记录平均气温距平序列的差异,讨论了最高、最低气温变化趋势。结果表明：两种统计方法得到的平均气温距平序列及增温速率的差异均不明显,在一定条件下两者可以互相替换。此外,最高、最低气温变化普遍存在不对称现象,且可分为4种类型,这种不对称性对平均气温变化速率并没有明确一致的影响。     

日气温数据缺测的插补方法试验与误差分析

对缺测气象观测记录进行插补是建立连续气象数据集的基础.将孤立1日或数日缺测资料进行插补的线性回归模型法应用于连续缺测数月的逐日最高、最低和平均气温的插补,并进行了一系列改进,包括:(1)用滑动选优法确定邻近参考气象站站数和数据样本时间窗的最佳值;(2)在记录缺测站与邻近参考站之间建立逐日气温的线性回归模型,并选取以最小绝对误差(Least Absolute Deviation,LAD)为目标函数求取模型参数的方法,取代以最小均方根误差为目标函数的最小二乘法(Least Squares Estimate,LAD)求解模型参数的方法,可提高计算效率和参数的稳定性;(3)进一步提出将LAD法与DeGaetano标准化序列法插补结果平均的综合插补方法,以减少极端误差.通过对湖北蔡甸气象站1961-2006年插补试验表明:(1)以4个邻近站和年数为8年、日数为15天时间窗的样本资料建模进行插补误差达到最小;(2)逐日最高、最低和平均气温的平均绝对误差分别为0.32℃、0.45℃、0.28℃,误差在±0.8℃以内的频次分别占总数的94.1%、84.8%、96.1%,观测值与插补值月相关系数在0.886以上.插补与观测资料平均值和相关系数分别通过了显著水平为0.05和0.01的检验.