基于T213集合预报的延伸期产品释用方法及初步试验

基于T213集合预报系统2008年1月中国及附近区域500 hPa高度和850 hPa温度的1~15 d预报资料,构建延伸期产品释用方法,通过对逐日11~15 d预报资料做集合平均和后向衰减权重系数滑动平均,进而得到延伸期(11~15 d)候平均和候距平预报,并对预报效果进行检验,结果表明:对11~15 d预报场做集合平均和后向衰减权重系数滑动平均均能降低预报误差,改善整体预报效果。由此得到的500 hPa高度场和850 hPa温度场11~1 5 d候平均预报误差与逐日控制预报第5d的水平相当,候距平相关系数均接近0.6,整体而言效果较好,具备一定的应用价值。500 hPa高度场和850 hPa温度场11~15 d候距平预报在中国大陆地区位相准确率均较高,东南沿海和东北部分地区稍差,且850 hPa温度场的位相准确率整体高于500 hPa高度场。候距平预报对延伸期(11~15 d)的大范围持续性异常距平具有较强的捕捉能力,对异常距平出现的范围和分布、强距平中心的位置的预报均较好,但强度整体偏弱。     

气象上寒潮天气两种不同统计方法的探讨

文章使用多伦县2001—2010年寒潮天气统计资料,分析了当地寒潮变化特征,通过对寒潮统计两种不同方法从降温特征、大气环流特征及地表覆盖几个方面进行分析,得出如下结论:按日最低气温降温幅度统计寒潮天气出现次数明显多于按日平均气温降温幅度统计寒潮天气出现的次数,尤其在初冬和冬末季节日最低气温变化比日平均气温变化幅度更加剧烈。     

基于地统计方法的气候要素空间插值研究

在回顾了地统计学的产生、发展及其基本原理的基础上,对于目前众多可以提供计算网格的气候要素的空间插值方法中,具体探讨了普通克里格法和协同克里格法。将甘肃省1961—1990年30年平均降水量和蒸发量作为区域化变量,根据不同的半变异函数理论模型,采用普通克里格法和双变量协同克里格法,通过对比分析得到：（1）不论是多年均降水量还是多年平均蒸发量在空间上都呈现明显的梯度变化,二者的空间变程都很大,而降水量变化幅度更大。降水量从东南部向西北部逐渐减少,蒸发量则相反,从东南向西北逐渐增加。（2）基于地统计的插值方法,根据半变异函数云图和试验方差最小的原理,选择合适的半变异函数理论模型进行变量的空间插值,能够较好地模拟区域化变量的空间连续分布格局,并取得较好的效果。对比普通克里格法和协同克里格法,后者增加了高度对降水量和蒸发量的影响,在空间分布上更为合理,插值的精度也要明显好于普通克里格法。（3）采用地统计方法虽然在总体上能够较好地反映气候要素的空间分布格局,但检验显示,两种方法空间插值的精度都还不是很高,插值的精度还有待进一步提高。     

鲁西南8-9月份阴雨日数与前期大气环流关系

对鲁西南1979-2008年8-9月份阴雨日数进行统计分析,发现8-9月份阴雨日数总体呈上升趋势;与前期北半球500hPa月平均高度场进行相关分析,结果表明：8-9月份阴雨日数与北半球500hPa平均高度场存在显著的滞后相关性,共得出45个优势相关区,相关区具有明显的区域性,大多数优势相关区出现在60篘以南地区。阴雨日数与前期极涡位置及强弱有很好的对应关系。从优势相关区提取的预报因子具有明显的季节性,上一年秋冬季预报因子占6/9;建立预报方程,试用效果较好。     

中国地区集合预报产品自适应递减平均偏差订正法的改进研究

基于中国地区T213集合预报产品2 m温度预报数据,采用卡尔曼滤波类型的自适应递减平均法进行偏差订正处理,原方案在剧烈降温天气订正效果表现不理想。通过对递减平均参数w的重新构建得到改进的订正方案w(i,p)(i为站点信息,p为天气过程信息),在此基础上进一步优化对历史信息的有效提取,得到改进的方案w(i,p)相似法和w(i,p)统计法,并进行效果检验。结果表明:改进为包含空间和天气过程信息的函数w(i,p)后方案的订正效果得到不同程度的提高,其中24 h剧烈降温预报各成员预报均方根误差平均减小了0. 15℃;而进一步改进的w(i,p)统计法在当前几种剧烈降温预报中订正效果最优,其集合平均偏差与w(i,p)方案相比减小2. 54℃。     

EC细网格对黔南州温度预报的订正研究

该文采用EC细网格2 m温度预报场及国家站实况资料,通过滑动平均法、双权重滑动平均法、多项式拟合法以及最佳系数法对EC细网格2 m温度在黔南州的预报进行订正分析,结果显示：4种方法订正后最高气温7 d平均准确率分别提升了12.70%～17.84%,最低气温7 d平均准确率分别提升了1.14%～2.86%。对于高温预报,最佳系数法订正效果最优,其次是多项式拟合法,对于最低气温,前3 d采用滑动平均法订正效果最明显,第4 d开始则采用最佳系数法订正,订正效果更明显。4种订正方法均在7—9月效果最明显。黔南州西部及中部地区多项式拟合法订正效果更好,州东南部地区最佳系数法与滑动平均法订正效果更好,但在120 h时效后滑动平均法的订正效果明显下降,州北部地区最佳系数法订正效果更为明显。     

CMIP3与CMIP5模式对中国西北干旱区气温和降水的模拟能力比较

通过对15组CMIP3和CMIP5两代模式集合平均对中国西北干旱区气温和降水的模拟能力比较,发现CMIP5模式对气温和降水的模拟更接近观测值。CMIP5模式模拟年、春季、夏季、秋季平均气温的相关系数比CMIP3模式分别提升了0.15、0.13、0.24和0.02,冬季下降了0.07。CMIP5模式对西北干旱区的平均气温变化趋势的模拟效果比CMIP3有所提高,对年、春季、夏季、秋季、冬季趋势的模拟偏差比CMIP3分别减少了0.03℃/10a、0.10℃/10a、0.01℃/10a、0.06℃/10a、0.14℃/10a。对西北干旱区平均气温年、季的模拟偏差分布上,CMIP5模式的偏差均比CMIP3低1~2℃。但是天山区年、季节平均气温的模拟与整体模拟偏低情况相反,CMIP3和CMIP5分别偏高3~6℃和1~4℃,对夏季的模拟偏高最严重,分别达到6℃和4℃。CMIP5模式整体对西北干旱区降水量的模拟结果与观测值的平均相关系数与CMIP3相差不大,均不超过0.1,而且偏差仍然较大。CMIP5模式对西北干旱区的降水量的变化趋势模拟效果比CMIP3有所降低,对年、春季、夏季、秋季、冬季趋势的模拟偏差比CMIP3增加了0.67 mm/10a、0.23 mm/10a、0.51 mm/10a、0.11 mm/10a、0.14 mm/10a。CMIP5模式对年、春季、夏季、秋季和冬季的降水量模拟的均方根误差相比CMIP3分别减少77.6 mm、25.5 mm、25.0 mm、18.8 mm和13.9 mm。在空间上,CMIP5模式对年、季节降水模拟仍然偏高,但是比CMIP3有明显缓解;CMIP3和CMIP5模式对夏季天山区年降水量和夏季降水量的模拟也与大部分区域偏高的趋势明显相反,两代模式对夏季天山区的降水模拟均偏低50 mm左右。     

Improvement of spatial interpolation accuracy of daily maximum air temperature in urban areas using a stacking ensemble technique

ABSTRACT

The reliable and robust monitoring of air temperature distribution is essential for urban thermal environmental analysis. In this study, a stacking ensemble model consisting of multi-linear regression (MLR), support vector regression (SVR), and random forest (RF) optimized by the SVR is proposed to interpolate the daily maximum air temperature (T_max) during summertime in a mega urban area. A total of 10 geographic variables, including the clear-sky averaged land surface temperature and the normalized difference vegetation index, were used as input variables. The stacking model was compared to Cokriging, three individual data-driven methods, and a simple average ensemble model, all through leave-one-station-out cross validation. The stacking model showed the best performance by improving the generalizability of the individual models and mitigating the sensitivity to the extreme daily T_max. This study demonstrates that the stacking ensemble method can improve the accuracy of spatial interpolation of environmental variables in various research fields.     

On smoothing techniques for the removal of periodic noise of known period

This paper is concerned with the analysis of the linear modely(n)=X(n)+S(n)+(n) for the data sequencey(n) (n=1, 2, ..., N) whereX={x _IJ} is a knownJ × M matrix of full rankM. Here, the(n) are unknown vectors, which we wish to estimate for eachn; S(n) (n=1, 2, ..., N) is a periodic component (which we wish to estimate or remove) superimposed on the linear structureX(n); and(n) is an error vector which is specified as having zero expectation (with possible further properties). Such models commonly occur in geophysical data analysis.Modified from Technical Report No. 33, Computer Centre, The Australian National University.