为衡量数值模式对强降水过程的预报能力,选取欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)数值预报产品、国家气象中心区域中尺度数值预报产品(China Meteorological Administration Mesoscale...为衡量数值模式对强降水过程的预报能力,选取欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)数值预报产品、国家气象中心区域中尺度数值预报产品(China Meteorological Administration Mesoscale Model,CMA-MESO 3KM)、西南区域中心中尺度模式系统(Southwest Center WRF ADAS Real-time Modeling System,SWC)、国家气象中心全球数值预报系统(China Meteorological Administration for Global Forecast System,CMA-GFS)4个模式预报产品,利用目标对象检验法,对四川2018—2020年共93次强降水过程(≥25 mm·d^(-1))从降水位置、降水面积、降水强度等方面进行检验,在此基础上重点讨论36 h预报时效模式的预报能力。结果表明:(1)随着预报时效越临近,各模式预报平均水平越高,且整体对雨带位置把握较好,更具有参考性。(2)各模式对锋面降水过程预报能力较强,对暖区降水过程预报能力较差。(3)暖区强降水过程可在大尺度模式基础上结合本地中尺度模式进行订正;锋面降水过程则以ECMWF模式预报为基础,参考CMA-MESO 3KM模式对大雨及以上量级降水落区和量级进行调整。展开更多
为深入认识四川盆地持续性暴雨的水汽特征及来源,提高该地区暴雨预报能力,利用四川省4955个国家级及区域级自动气象站资料、全球资料同化系统(Global Data Assimilation System,GDAS)资料、欧洲中期天气预报中心(European Centre for Me...为深入认识四川盆地持续性暴雨的水汽特征及来源,提高该地区暴雨预报能力,利用四川省4955个国家级及区域级自动气象站资料、全球资料同化系统(Global Data Assimilation System,GDAS)资料、欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)第五代大气再分析资料(ERA5),基于拉格朗日方法对四川盆地2020年8月的一次持续性暴雨过程的水汽输送特征进行了分析。结果表明:强降水开始前和强降水过程中,不同起始高度层水汽输送特征有所不同。中高层起始高度(5500~10000 m),强降水开始前气团轨迹源地主要为低纬洋面,而在强降水过程中调整为地中海南岸并为盆地带来中高纬西风带干冷空气;中低层起始高度(1500~5500 m),降水过程中气团轨迹源地由地中海南岸逐渐调整为低纬洋面并为盆地带来低纬洋面暖湿空气;低层起始高度(地面至1500 m),强降水开始前轨迹源地率先调整为低纬洋面并为盆地输送比中低层更为暖湿的气流。统计不同源地水汽贡献率可知,孟加拉湾—泰国湾的水汽占主导(66.6%)、阿拉伯海次之(23.9%)、中国南海最低(9.5%)。展开更多
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...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。展开更多
基于四川地区1990—2019年的逐日2 m最高、最低温度站点实况数据,对气温转折天气过程进行统计和分析,在此基础上,应用LightGBM(Light Gradient Boosting Machine)算法及NCEP/NCAR(National Center for Environmental Prediction/Nationa...基于四川地区1990—2019年的逐日2 m最高、最低温度站点实况数据,对气温转折天气过程进行统计和分析,在此基础上,应用LightGBM(Light Gradient Boosting Machine)算法及NCEP/NCAR(National Center for Environmental Prediction/National Center for Atmospheric Research)逐日再分析资料,构建气温转折天气过程变温订正模型。结果表明:(1)出现气温转折过程最多的区域是高原与盆地的边坡过渡区,最少的是盆地;(2)各区域的气温转折过程具有明显的季节差异,均表现为春季最多、冬季最少,且春季的气温转折过程明显多于其他3季;(3)在1990—2019年验证集中,LightGBM订正模型表现较好,准确率为78.64%,平均绝对误差为1.35℃。(4)在2020年的独立样本测试中,LightGBM订正模型的准确率为53.60%,平均绝对误差为2.19℃,整体订正效果优于ECMWF模式(European Centre for Medium-Range Weather Forecasting)、中央台城镇预报指导报(SCMOC)及四川省气象台数值预报客观释用城镇预报指导报(SPCO)的预报。展开更多
文摘为衡量数值模式对强降水过程的预报能力,选取欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)数值预报产品、国家气象中心区域中尺度数值预报产品(China Meteorological Administration Mesoscale Model,CMA-MESO 3KM)、西南区域中心中尺度模式系统(Southwest Center WRF ADAS Real-time Modeling System,SWC)、国家气象中心全球数值预报系统(China Meteorological Administration for Global Forecast System,CMA-GFS)4个模式预报产品,利用目标对象检验法,对四川2018—2020年共93次强降水过程(≥25 mm·d^(-1))从降水位置、降水面积、降水强度等方面进行检验,在此基础上重点讨论36 h预报时效模式的预报能力。结果表明:(1)随着预报时效越临近,各模式预报平均水平越高,且整体对雨带位置把握较好,更具有参考性。(2)各模式对锋面降水过程预报能力较强,对暖区降水过程预报能力较差。(3)暖区强降水过程可在大尺度模式基础上结合本地中尺度模式进行订正;锋面降水过程则以ECMWF模式预报为基础,参考CMA-MESO 3KM模式对大雨及以上量级降水落区和量级进行调整。
文摘为深入认识四川盆地持续性暴雨的水汽特征及来源,提高该地区暴雨预报能力,利用四川省4955个国家级及区域级自动气象站资料、全球资料同化系统(Global Data Assimilation System,GDAS)资料、欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)第五代大气再分析资料(ERA5),基于拉格朗日方法对四川盆地2020年8月的一次持续性暴雨过程的水汽输送特征进行了分析。结果表明:强降水开始前和强降水过程中,不同起始高度层水汽输送特征有所不同。中高层起始高度(5500~10000 m),强降水开始前气团轨迹源地主要为低纬洋面,而在强降水过程中调整为地中海南岸并为盆地带来中高纬西风带干冷空气;中低层起始高度(1500~5500 m),降水过程中气团轨迹源地由地中海南岸逐渐调整为低纬洋面并为盆地带来低纬洋面暖湿空气;低层起始高度(地面至1500 m),强降水开始前轨迹源地率先调整为低纬洋面并为盆地输送比中低层更为暖湿的气流。统计不同源地水汽贡献率可知,孟加拉湾—泰国湾的水汽占主导(66.6%)、阿拉伯海次之(23.9%)、中国南海最低(9.5%)。
文摘为做好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。
文摘基于四川地区1990—2019年的逐日2 m最高、最低温度站点实况数据,对气温转折天气过程进行统计和分析,在此基础上,应用LightGBM(Light Gradient Boosting Machine)算法及NCEP/NCAR(National Center for Environmental Prediction/National Center for Atmospheric Research)逐日再分析资料,构建气温转折天气过程变温订正模型。结果表明:(1)出现气温转折过程最多的区域是高原与盆地的边坡过渡区,最少的是盆地;(2)各区域的气温转折过程具有明显的季节差异,均表现为春季最多、冬季最少,且春季的气温转折过程明显多于其他3季;(3)在1990—2019年验证集中,LightGBM订正模型表现较好,准确率为78.64%,平均绝对误差为1.35℃。(4)在2020年的独立样本测试中,LightGBM订正模型的准确率为53.60%,平均绝对误差为2.19℃,整体订正效果优于ECMWF模式(European Centre for Medium-Range Weather Forecasting)、中央台城镇预报指导报(SCMOC)及四川省气象台数值预报客观释用城镇预报指导报(SPCO)的预报。