基于时间滞后集合和实时偏差订正的气温精细化预报研究

基于SWC-WINGS模式0.01°×0.01°分辨率的小时2 m气温产品,利用时间滞后集合和实时偏差订正,得到新的逐小时滚动更新的1 km网格气温预报,并基于预报准确率、平均误差、平均绝对误差等指标,对2022年7—8月逐日逐时气温预报结果进行检验分析。结果表明:时间滞后集合预报准确率在各时效均高于SWC-WINGS模式最新时次预报,实时偏差订正可明显提升临近时效准确率,1~6 h时效的平均提高率为17.3%。SWC-WINGS模式对于四川地区高、低温预报存在明显的系统性偏差,时间滞后集合对于系统性偏差的改进能力有限,而实时偏差订正可将1 h时效上四川大部分地区低温和高温预报的平均绝对误差分别控制在1℃和2℃以内。针对2022年8月13日四川地区高温天气,时间滞后集合与实时偏差订正集成预报对SWC-WINGS模式预报有较好的订正效果。

不同分辨率CWRF模式对中国区域气温模拟的比较研究

针对现有区域气候模式分辨率较为粗糙的现状,瞄准精细化气候预测和服务的需求,基于30 km分辨率CWRF区域气候模式研发了水平分辨率和下垫面信息进一步精细化至15 km的新版本模式,利用欧洲中期预报中心的ERAInterim大气再分析资料和美国的OISSTv2海表面温度资料驱动两种版本的CWRF模式,与中国均一化气温数据集CN05.1的观测数据相比,系统分析了CWRF模式对1982—2016年中国区域2m气温的模拟效果及其对水平分辨率和下垫面信息的敏感性。结果表明:单纯修改模式的下垫面信息,不提高模式分辨率,对模拟结果的影响不大;将分辨率提高至15 km的CWRF模式对地形复杂区域的气温模拟效果更好,对气温的空间分布、年际变化以及极端气温的模拟都有较好的表现。从气候平均气温分布看,与30 km CWRF模式相比,在春、秋、冬季西南地区和青藏高原,以及夏季西南、华南、华中等冷偏差较为显著的地区,15 km模式模拟结果将冷偏差减小到1℃以内;从气温年际变化来看,15km模式对夏季华中、华北和东北南部地区及冬季气温的模拟结果优于30km模式,相关系数最高提升0.4;在极端事件的模拟方面,与30 km模式相比,15 km模式对于在华南到福建、江西、湖南、湖北东部的夏季日数极大值区域模拟具有较大的改善,均方根误差减小1 d;对于新疆东部、东北的极端高温和新疆、青藏高原、华南的极端低温模拟也有明显改善,均方根误差减小1℃。因此,高分辨率区域气候模式有利于提高中国气温的精细化模拟能力。

基于LSTM和先验知识的高速公路路面温度预报

为了精准预报高速公路路面温度,为车辆安全行驶提供气象保障,采用2019—2022年南京市绕城高速公路上9个交通气象站及ERA5-land再分析数据,通过构建时间序列特征工程、引入物理机制相关数据两类方法结合先验知识,运用长短期记忆神经网络模型建立研究区域内4个交通气象站未来3 h逐10 min路面温度多步预报模型并进行验证;在此基础上,将已建立的模型应用于其他交通气象站,探究模型的适用性。结果表明:结合先验知识后,模型预报性能明显提高,准确率在85%以上,且随着预报时效的延长,性能提升更为明显,准确率最高提升36%;模型能较为准确地预报路面极端低温发生的时间和极值,且在预报时效较短时对路面极端高温的预报也具有一定参考价值;利用已建立的模型对其他交通气象站的路面温度进行预报时,准确率在62%以上,在预报时效较短时效果较好,准确率在80%以上,且交通气象站所处的下垫面背景类型对模型的选择起关键作用。

利用卷积神经网络提高天气短期气温预报效果

为提高天津地区温度精细化预报的准确性,本文基于欧洲中期天气预报中心综合预报系统ECMWF-IFS、中国气象局全球同化预报系统CMA-GFS模式数据及天津259个区域自动站的逐小时气温实况数据,构建了一种基于U-Net编解码器结构的3D卷积神经网络气温预报模型,能实现天津地区24 h内逐小时气温的网格预报。采用二分搜索的方式对模型众多超参数进行调节,通过148组试验训练得到最优模型,测试集误差为1.226℃。采用多种指标对模型进行检验,结果表明,模型的预报误差整体低于原数值模式,特别是对天津市中南部(含中心城区)和东部沿海有较好的订正效果;其温度日变化预报特征更接近实况,能有效改善原数值模式的日变化预报误差,且模型表现出更强的误差稳定性。

ECMWF模式对我国西南环横断山区冬季近地面2m温度的预报评估

从冬季平均温度、温度日变化及日较差等方面入手,基于2021年CLDAS逐小时产品评估了ECMWF全球高分辨率确定性数值预报产品对我国西南环横断山区复杂地形区近地面2 m温度的预报能力,并通过区分高地形区(川西高原)和低地形区(四川盆地南部),对比了不同地形区近地面2 m温度预报的偏差特征。结果表明:(1)ECMWF模式可合理预报我国西南环横断山区冬季平均2 m温度的空间分布特征,但偏差分布与地形高度有关,随着地形高度的增加,预报偏差呈增大趋势。(2)ECMWF模式很好再现了西南环横断山区冬季温度的日变化特征,峰值时刻出现在14:00(北京时);各时刻温度的预报偏差在不同地形高度存在差异,川西高原和横断山区的最大负偏差出现在下午,四川盆地南部的最大负偏差出现在早晨。同时,高地形区各时刻的预报偏差均高于低地形区。(3)ECMWF模式对日内各时刻不同地形处2 m温度的空间分布均有合理预报,但偏差存在日变化特征。特别是在横断山区高地形区,其在各时刻有不同的冷暖偏差特征。(4)在环横断山区温度日较差预报偏差较大的区域(大致为昆明准静止锋线发生频次较高的区域),模式对于温度日较差较大的日数,其2 m温度的预报偏差要大于日较差较小的日数,且在该区域内,温度日较差的预报偏差相对不稳定。

“秋老虎”概念探讨与浙江“秋老虎”时空特征分析

尽管目前气象学教科书上并没有“秋老虎”这一概念,但民间对“秋老虎”的说法极为普遍。本文根据我国传统历法中相关信息,了解“秋老虎”2种说法的含义,利用1991—2020年的浙江高温资料,对2种说法的浙江“秋老虎”时空特征进行分析,得出分析结论,并进一步对浙江“秋老虎”结束时的天气形势进行天气分型,最后探讨了“秋老虎”概念与全年高温的3种划分方法,期望能为浙江各地“秋老虎”精细化融媒体服务提供依据。

贺兰山东麓半干旱区葡萄园最低气温和晚霜冻预报订正及检验

为提升贺兰山东麓葡萄园晚霜冻灾害精细化防御能力,利用2020—2023年4—5月贺兰山东麓葡萄园农田小气候站最低气温观测数据,分析葡萄园最低气温变化特征、晚霜冻发生频率和区域分布特征,并基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)模式预报产品和宁夏地区格点气温实况,采用径向基函数(Radial Basis Function,RBF)神经网络算法,构建贺兰山东麓葡萄园最低气温和霜冻预报模型。结果表明:贺兰山东麓葡萄园轻霜冻最为普遍,其次是中霜冻,4月是霜冻发生的主要月份,东方裕兴酒庄霜冻出现最频繁,观兰酒庄霜冻最少,红寺堡产区是霜冻易发区。最低气温和霜冻预报检验结果显示,与ECMWF模式相比,RBF模型对贺兰、永宁和红寺堡产区的最低气温预报准确率提高,最高提升幅度达33.8%,平均绝对误差降低0.20~1.50℃。从单站霜冻预报看,RBF模型有明显优势,准确率普遍提升1.0%~14.0%,平均绝对误差降低0.04~0.37℃;从产区平均看,RBF模型对红寺堡产区霜冻预报准确率提高最多,达13.0%。在针对霜冻的实例分析中,RBF模型预报效果更优,特别是对中霜冻预报优势明显,相比ECMWF模式准确率提升25.0%~50.0%,平均绝对误差降低1.80~2.10℃。

2023年7月广西持续性高温天气成因及前兆信号分析

利用广西91个国家气象观测站最高气温逐日资料和NCEP/NCAR再分析资料、NOAA向外长波辐射资料,国家气候中心130项气候系统监测指数资料,分析2023年7月广西持续性高温天气的成因,探寻其前兆信号。结果表明,7月9-16日和22-29日,广西出现2次大范围高温天气过程,全区平均高温日数12 d,为1951年以来同期第3多。两个高温天气过程中,广西受台风西侧外围下沉气流控制,副热带高压强度偏强,位置偏北偏西、南亚高压异常东扩。深厚高压系统控制下的异常下沉增温作用导致广西2023年7月高温天气的发生发展。前期3-4月热带西太平洋暖池海温特征量与当年7月广西高温日数呈显著正相关,此因子可作为7月广西高温天气一个可靠的前兆信号。

CLDAS陆面资料对区域数值预报系统气温预报的改进研究

为提升区域数值预报系统2 m气温预报性能,利用土壤温度和土壤湿度站点观测资料,对中国气象局陆面数据同化系统(CMA Land Data Assimilation System,CLDAS)陆面资料在浙江地区的精度进行评估,并将其融合应用于浙江省数值预报业务系统。结果表明:CLDAS土壤温度、土壤湿度产品相对于美国全球预报系统(Global Forecast System,GFS)分析场,与观测相比具有更小的均方根误差和更高的相关系数,在浙江省有较好的适用性。个例分析表明区域数值模式2 m气温预报对陆面资料变化较敏感,融合CLDAS地表温度、土壤温湿度实时分析产品的初始场,可持续影响到模式预报后期,主要通过地表感热、潜热通量直接影响气温变化。从均方根误差来看,与基于GFS分析场作为陆面初始场的区域模式预报相比,应用了CLDAS陆面资料的模式预报改进了13.6%。2021年7月阶段性应用结果显示,模式初始场融合CLDAS陆面资料后有效提高了浙江省2 m气温预报水平,融合后的预报改进效果夜间较白天明显,且晴热高温天气背景下较梅雨期、台风期改进更佳。高温天气预报评估进一步表明,CLDAS陆面资料的应用对浙江省高温事件预报有较好的改进,尤其对金衢盆地等高温区改进明显。

基于BP神经网络拟合四川南部山区焚风过程气温变化的方法

针对发生在四川南部山区的焚风天气,利用BP神经网络良好的函数模拟能力,将过程中的气温、时间、经纬度和海拔高度等要素作为训练数据,构建BP神经网络模型并做误差检验。结果表明:建立的BP神经网络模型可以很好地模拟焚风过程中气温变化,可用于甄别焚风现象中气温升高是否属于异常或疑误,为气温质量控制提供了一种新思路;训练后的BP神经网络可应用于气温变化的插值分析,制作高分辨率实况网格产品,为气象预报、预测和服务业务提供数据支撑。

基于ARIMA的延安市秋冬季最低温度预报研究

利用延安市2000—2018年10月到次年2月13个国家基本站逐日最低温度,以及2018年10月到2019年2月陕西省秦智24 h预报模式2 m最低温度产品资料,对延安市秋冬季最低温度进行预测和预报检验。结果表明,秦智预报模式秋季最低气温预报准确率为72.9%,冬季预报准确率仅为63.2%,冬季预报准确率比秋季下降了9.7百分点。采用差分自回归移动平均模型(auto-regressive integrated moving average model,ARIMA),秋季的预报准确率可达96.0%,冬季的预报准确率为94.7%。ARIMA预测的10月、11月、12月、1月、2月最低温度的准确率较秦智预报模式分别提高近27.8百分点、18.4百分点、32.1百分点、26.2百分点、36.1百分点,秋季预报准确率提高了23.1百分点,冬季预报准确率提高了31.5百分点。

多种数值模式在本溪市气温预报中的检验及误差分析

对EC 2 m、美国十天和智能网格3种数值模式2021年1月至2022年12月本溪市城镇气温预报的准确率进行检验,并对预报误差进行了分析。结果表明:美国十天全年预报准确率明显优于其他两种产品,为75.6%~86.9%;逐月检验结果显示,最低气温在6—9月之间预报准确性最好,最高气温的预报,美国十天和智能网格各月相差不大,EC 2 m存在较大差异。平均绝对误差,3种数值模式的最低气温预报准确率差距较小,均小于2℃,最高气温预报准确率存在较大差别;误差离散度美国十天表现最好;EC 2 m最高气温系统偏差最明显。本溪市美国十天最低(高)气温年准确率和逐月准确率都比较高,具有较高的参考价值。

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。

基于三种机器学习算法广西冷湿天气预报对比研究

为了提高广西冷湿天气预报的准确率,论文利用支持向量回归、冲量项神经网络、遗传神经网络等三种机器学习算法建立广西冷湿天气指数预报模型,并在广西冷湿天气预报中进行应用试验。结果表明:支持向量回归模型预报效果最好,其次为遗传神经网络模型和冲量项神经网络模型,三种机器学习算法预报的平均相对误差比传统的逐步回归预报方法减小了3.4%。

2m气温集成订正方法及在冬奥延庆赛区的应用

为提升北京冬(残)奥会气象服务保障能力,利用2018—2021年1月1日—3月28日欧洲中期天气预报中心(ECMWF)模式预报产品以及冬奥延庆赛区8个自动气象站的2 m气温实况,通过基于地形修正的模式偏差订正和支持向量机算法,构建赛区不同海拔高度站点72 h预报时效内逐3 h的2 m气温集成订正方法。2022年北京冬(残)奥会前夕及赛事期间应用评估表明:集成订正方法对延庆赛区2 m气温的预报准确率为0.856,平均绝对偏差为1.08℃,订正效果较单一订正方法更优,尤其针对海拔高度高出模式地形高度的站点订正性能更为突出,同时,对超阈值及关键过程的气温订正效果也表现较好。对于延庆赛区大多数站点而言,该方法订正的72 h预报时效内逐3 h的2 m气温平均绝对偏差总体上表现出一定的日变化特征,且0~24 h,24~48 h,48~72 h预报时效之间偏差变化相对平稳,但不同站点的日变化趋势存在差异。随着预报时效增加,该方法订正的2 m气温平均绝对偏差的变化趋势表现出海拔依赖性。

改进PSO的SVM回归模型及在气温预测中的应用

兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization, IPSO)优化支持向量机(support vector machine, SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization, PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP, SVM, GRID-SVM, GWO-SVM, ABC-SVM, ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.

四川地区气温转折过程2m温度变化订正研究

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。

基于深度学习的7~15 d温度格点预报偏差订正

为了提高模式对于7~15 d温度格点预报准确性,基于U-Net模型以及U-Net残差连接模型,采用2018年12月25日—2022年7月5日多种组合气象数据作为输入数据特征,针对TIGGE数据中心提供的全球集合预报CMA-GEPS 2 m气温控制预报,开展168~360 h时效的格点预报误差订正试验。结果表明:对于240 h预报时效,两种深度学习模型中,U-Net模型表现较好;对于不同输入数据特征,加入起报时刻ERA52 m气温产品的U-Net模型表现最佳,在多个预报时效上有较好的订正效果,均方根误差减小率为10%~25%,可有效改善模式对于15.75°~55.25°N,73°~136.5°E区域北部的蒙古高原、西部的青藏高原及部分山地的预报误差较大的不足;而加入CMA-GEPS控制预报10 m风预报产品后改进不明显。总体上,基于U-Net模型构建的模式格点预报偏差订正模型可有效降低7~15 d温度格点预报误差,进一步提升复杂地形下格点预报的准确性。

基于多源数据的北疆春季霜冻指标检验及其应用

为检验多源融合数据在北疆春季极端降温情况下的霜冻灾害和棉花播种及出苗期间的各温度指标适应性,选用北疆1120个气象站和空间分辨率为5 km×5 km的CLDAS多源融合实况数据,对2021年4月北疆春季霜冻灾害性天气中的平均气温、最低气温、最大降温幅度、温度≤0℃和≤12℃所有时刻的平均气温和累计小时数在北疆棉花主产区进行检验。利用气象站点数据、结合实地调查验证CLDAS数据在霜冻灾害性天气中的可用性,结果表明:对比地面气象站数据,CLDAS数据在均方根误差、气温预报准确率、平均气温和最低气温分布上可信度较高,但在降温幅度、温度≤0℃分布区域和温度≤12℃累计小时数上局部略有差别,总体上,在没有地面观测站点区域,CLDAS温度数据可代表当地温度,为分区域、分作物、分灾种精细服务到田间地头提供基础保障。

基于LPSC算法的逐小时格点气温客观预报及检验评估

基于中国气象局陆面数据同化系统(Land surface Data Assimilation System of China Meteorological Administration,CLDAS)逐小时气温实况融合数据,检验评估了ECMWF、CMA-MESO-3km不同尺度模式对甘肃省逐小时气温的预报性能,并利用低频滑动平均订正算法(LPSC)对模式的系统性误差进行订正;同时对SCMOC和订正后两种模式的逐小时气温预报效果进行了统计对比。结果表明:(1)ECMWF、CMA-MESO-3km模式对甘肃省逐小时气温的预报具有相对稳定的系统性误差,夜间预报准确率明显低于白天,主要表现为夜间预报显著偏高,白天为小的负偏差。(2)LPSC算法能够有效改善ECMWF和CMA-MESO-3km对甘肃省逐小时气温预报的系统性误差,订正效果显著。订正后ECMWF、CMA-MESO-3km的预报准确率分别较模式本身提高了20.24%、20.25%,平均误差减小至±0.3℃之内;空间分布亦表明,订正后全省平均误差均明显降低至±2℃之内。(3)同类产品对比检验表明:订正后ECMWF、CMA-MESO-3km两种逐小时气温预报产品的预报效果整体上均优于SCMOC,预报准确率分别较SCMOC高20.65%、13.55%,平均绝对误差在各个时次也明显低于SCMOC。技巧评分的空间分布表明,订正后ECMWF在全省大部分地方均为正技巧,其中酒泉南部山区可达80%以上;而订正后CMA-MESO-3km的预报效果各个季节分布存在差异,主要体现在陇中和陇东南地区,冬春季以弱的正技巧为主,夏秋季基本为负技巧。另外,业务应用结果表明,对于转折性天气过程,使用该方法需要特别注意。