基于自动机器学习的机场温度预报方法研究

利用2015年1月-2021年3月ECMWF细网格数值预报产品构建训练样本，使用自动机器学习方法构建乌鲁木齐机场温度预测模型。结果表明：（1）ECMWF模式直接输出的乌鲁木齐机场温度平均绝对误差为1.7 ℃，基于自动机器学习方法的Auto-sklearn模型和Auto-Keras模型能够改善模式直接输出的误差，使平均绝对误差降低至1.4 ℃。（2）分析逐月模型预测准确率发现，Auto-sklearn模型的预报准确率（≤2 ℃）在4-10月稳定在85%以上，效果优于其余模型。（3）对于冬季低温天气，Auto-Keras模型预报准确率优于其余模型的效果，平均绝对误差为1.37～1.91 ℃；而对于温度≥0 ℃的情况，Auto-sklearn模型预测效果更好，平均绝对误差为0.93～1.22 ℃ 。     

ECMWF细网格2 m温度预报产品在南疆西部温度预报中的释用

利用2016年1月1日—2018年12月31日ECMWF细网格模式2 m温度预报产品，使用三次多项式差值方法内插到站点，并用中短期天气预报检验方法，对南疆西部12个国家站与15个区域自动站共27个站的最高、最低气温未来24 h预报效果进行检验分析。结果表明：ECMWF细网格模式2 m温度预报产品对南疆西部非山区站未来24 h最高、最低气温的预报能力较好，对山区站未来24 h预报效果差；对南疆西部最高、最低气温的预报效果随季节变化，夏季预报准确率高于冬季，秋季预报准确率最低；模式最高气温预报准确率在降雪、高温天气时较高，最低气温预报准确率在降雨时较高，在高温过程中较低；模式对于降雨、降雪、大风/沙尘等天气最高气温预报偏低，高温事件中最高气温预报偏高。最低气温预报在降雨、高温天气中偏高，降雪时偏低，大风/沙尘天气最低气温预报偏东地区偏高、偏北地区偏低。降雪、高温天气预报相对降雨、大风/沙尘天气预报效果更稳定。     

ECMWF的QPF短期预报性能在新疆的评估

为有效掌握ECMWF模式的短期定量降水预报(QPF)产品在新疆地区的时空预报规律,为客观模式订正算法上提供有效依据,利用频率统计、非参数检验法、累积分布函数、公正预兆得分(ETS)等技术方法,从多角度深入分析了2016年9月—2019年12月12～36 h的QPF产品在新疆地区151个气象观测站点的预报性能。研究表明:QPF和实况降水观测(SPO)两组数据还存在很大差距,3 h-QPF在2.4 mm和24 h-QPF在11.0 mm以下存在明显的空报,3 h-QPF在16.5 mm和24 h-QPF在52.5 mm以上的大降水完全无预报能力,QPF中雨预报效果最好。新疆大雨以上降水主要发生在山脉附近,24 h-QPF产品在天山中脉和伊犁河谷地区的大降水预报比其他地区更具有指导意义。3 h-QPF在1天中8个时间的小、中、大雨的QPF频率在时间趋势上都与SPO存在相反情况。大雨以上的QPF与SPO是一个非线性、不确定的对应关系,建议先建立漏报模型,再进行频率匹配会更有效。     

基于神经网络和地理信息的华东及华南地区降水概率预报

基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Fore-casts,ECMWF) 2015年2月8日-2016年12月31日中国华东及华南地区24 ～168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Ne...