5月南极涛动对青藏高原西部夏季气温影响的诊断分析

青藏高原是全球气候变暖最敏感的地区之一,是北半球夏季最大的热源,其气候响应受到广泛关注。然而,有关南极涛动与青藏高原夏季气温的关系和机理知之甚少。为了研究南极涛动与青藏高原夏季气温的关系,基于1979—2020年英国东安哥拉大学气候研究中心（CRU）的逐月气温、美国国家海洋和大气管理局（NOAA）的逐月海表面温度和大气环流再分析数据以及南极涛动指数等数据,采用相关、回归、合成分析等方法进行研究。结果表明,北半球夏季青藏高原西部气温与5月南极涛动存在显著负相关,即当5月南极涛动异常偏弱时,夏季青藏高原西部气温异常偏高。其影响过程为,南极涛动为正位相时,在南印度洋中高纬地区出现“负-正-负”的经向“三极子”海温模态,该模态可持续到夏季,在印度洋形成异常的纬向-垂直环流,相应在热带西印度洋和东印度洋-海洋性大陆之间的降水异常导致热带正“偶极子”降水模态,通过该降水模态在青藏高原西部引起异常反气旋环流和下沉运动,有利于高原西部气温偏高。研究结果显示,海洋的热惯性在“延长”南极涛动影响过程中起着重要的桥梁作用,可为青藏高原夏季气温预测提供科学依据。     

基于组合统计降尺度的华西南部地区冬季气温预测技术研究

利用1982—2017年华西南部地区冬季气温和NCEP再分析资料以及CFS模式实时预测资料,通过SVD诊断分析,选取影响华西南部地区冬季气温的同期关键区大气环流和前期海温及OLR因子场,建立预测与观测场相结合的组合统计降尺度预测模型。该统计降尺度预测模型对1982—2017年的回报结果显示：与观测场的空间相关系数较CFS模式原始预测结果有显著提高,多年均值从-0.06提升到0.38,最高可达0.85。同时,此降尺度预测模型可较好地回报出华西南区冬季气温的空间分布型。     

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。     

深圳与香港及广州气温、降水相关的分析

本文通过对深圳与香港、深圳与广州气温、降水相关系数的计算,得出深圳与广州的月平均气温关系较密切;月雨量和年雨量则与香港关系更好。     

北京地区气温诊断分析

本文讨论了北京地区百余年气温的变化特征，依据加法模型理论，提出了一种气候诊断和预测方法─—逐步回归多重因子方法，其优点在于将序列的周期因子、谱成分及外界气候振动因子同时引入回归模型中。这一方法，对单序列的气候诊断和预测具有明显效果。