基于神经网络的路桥地区最高气温订正研究

基于浙江省智能网格模式2 m温度预报产品,结合NCEP再分析资料、路桥区域站气象观测资料,对模式2018—2020年路桥地区最高气温预报能力进行检验分析,利用BP神经网络建立最高气温订正模型。结果表明,该模式对路桥区夏季和秋季2 m最高气温预报具有较好的指导作用,2℃以内平均准确率为78%,平均绝对误差为1.3℃,春季和冬季预报能力偏弱。订正后2020年各站最高气温≤2℃,平均准确率由65%提高到90%,平均绝对误差由1.8℃下降到1.0℃,这说明BP神经网络对路桥地区2 m最高气温有很好的订正效果。

基于气温订正的北京山桃花花期预测改进

基于北京市丰台区气象站2009—2018年地面观测资料和2020、2021年3月丰台区预报资料,配合气温精细化订正,应用SW物候模型,对2020年、2021年北京丰台区北宫森林公园、千灵山风景区山桃花始花期进行了预测试验。试验结果表明:提前10 d预测的结果和自然条件下的实况值偏差为1~2 d,提前一周左右可较为准确地预测山桃花始花期。结合气象因子对前期气温预报值进行精细化订正,可提高SW物候模型用于观赏植物观赏期预测的适用性,得到较为准确的花期预测值,并可在花期观赏相关的旅游气象服务业务中进行推广应用。

准确测定湿雪的含水率──秋田谷式含水率计测量值的气温订正

在应用秋田谷式含水率计测量湿雪含水率的过程中，雪样被短时间暴露在通常为正温的环境中产生融化，从而带来量测值的误差．通过试验，建立标准操作时间，然后利用大量的野外雪水分离及含水率量测资料，得出气温对含水率测定值影响的定量关系．测定值的气温（Ｔ，℃）订正值为－０．３７Ｔ（Ｔ≥０）．

机器学习中混合特征选择对模式预报广西春夏气温的订正研究

针对机器学习中单一特征选择方法性能不优良,结果稳定性差的问题,提出Spearman相关系数和XGBoost特征重要性混合的特征选择方法(SpearmanXgb),并结合RF、XGBoost和LightGBM 3种机器学习算法对ECMWF模式预报的广西春夏近地面2 m气温进行订正。结果表明:(1)混合特征选择方法在训练时间和均方根误差两方面,均优于单一的Spearman相关系数和XGBoost特征重要性特征选择方法,即训练时间减少19.7%和10.3%,均方根误差下降0.94%和0.64%。(2)3种模型预测的气温平均均方根误差相比模式分别下降了7.04%、7.47%和7.37%;预报前期(24~96 h)XGBoost的预报效果较好,预报中后期(120~240 h)LightGBM的预报效果较好。(3)由于广西东南部和东北部地形以山地、丘陵为主,地形较复杂,且易受台风、华南前汛期等复杂天气过程影响,气温变化幅度较大,ECMWF模式和3种机器学习模型对这两个地区的预报误差都较高。(4)利用SHAP值分析模型结果对各特征取值幅度的敏感程度,检验表明更准确的入选特征可不同程度降低模型的RMSE,为改善ECMWF模式预报效果提供了思路。

北疆气象站迁址气温均一性检验与订正

针对北疆呼图壁、精河以及吉木乃3个气象站迁址前后的观测资料进行对比分析,利用旧址20 a(1997—2017年)气温数据和新址3~5 a(2013—2017年)气温数据作对比分析、相关性分析及均一性检验,结果表明:3个气象站新旧两址同期观测所得的气温资料具有极高的相关性;从总体趋势上看,新址3~5 a气温的平均值与旧址20 a平均值对比,月平均气温总体契合度高;从季节变化来看,冬季新址同期对比观测的气温低于旧址,夏秋两季高于旧址,且个别月份存在显著差异。采用一元线性回归法,将新址3~5 a的平均值按月订正到旧址20 a平均值,并用SPSS对订正值进行了严格的T检验,订正后平均气温资料的均一性得到显著提高。

廊坊市春季气温精细化预报订正

利用廊坊市2001-2012年云量、降水、光照时间、气温等地面观测资料根据统计学分析方法对廊坊市阴雨、雾霾、大风等5种天空状况进行分类,讨论相应天气类型下气温的时空分布特征。分析表明不同天气类型下,最低气温和最高气温分布差别明显,尤其是最低气温,晴天微风天气时,郊外站点最低气温比市区低2℃以上,而阴雨天气时各站温差却小于1℃。此外,本文通过差值统计对各种天气型的欧洲中心温度预报进行经验性订正,得到相应的修正值区间。结合数值预报和统计出的本地气候特征,对廊坊市各站最低、最高气温进行逐步订正,最终得到廊坊市气温的精细化预报,预报准确率有了明显的提高。

兴城市各乡镇气温分析及气温预报订正方法研究

利用葫芦岛兴城市2014-2015年16个乡镇区域自动站和兴城国家站温度资料,统计分析并得出兴城温度分布特征,各乡镇区域站与兴城国家站的平均、最高、最低气温存在明显差异,且各乡镇区域站与兴城国家站观测气温的差值绝对值大多大于2.0℃。本文结合兴城16个乡镇区域站与兴城国家站的气温数据,假定数据最为完整的兴城国家站为代表站,利用最小二乘法得出各乡镇区域站点与兴城国家站气温方程,建立预报方法。经检验,预报效果较好,对兴城各乡镇温度预报有较好的指导意义。

基于逐步回归模型的华南区域模式气温预报产品释用技术研究

基于2017-2019年华南高分辨率区域数值模式2 m气温预报产品,设计了3套模型的构建方案,利用25个显著因子建立97个国家基本站的逐步回归订正模型,对模式和3套订正模型的预报与实况进行偏差分析,结果表明:(1)华南区域模式分辨率较高,但无法细致反映湖南复杂地形影响导致的区域气温变化特征,模式预报的气温,山区的偏差大于平原的;在1-72 h预报时效内的准确率为54.08%,预报偏差随预报时效延长显著增加,且具有明显的周期振荡,偏差最大值出现在日最高/低气温发生时段。(2)基于逐步回归模型,依据模式的起报时次、预报时效建立了3套气温订正模型。其中,方案1为不分起报时次和预报时效建模,方案2为分起报时次不分预报时效建模,方案3为分起报时次和预报时效建模。3套针对不同起报时次和预报时效的建模方案皆对湖南2 m气温的时空分布特征有较好刻画,对复杂地形影响区域的气温预报有一定的订正能力,但随着预报时效的延长订正效果下降,订正效果总体为00时起报的优于12时起报的。(3)3套建模方案2 m气温预报同样具有周期振荡特征,但没有明显的季节差异,最大偏差出现在最高气温发生时段,对夜间温度,尤其是对05时前后的温度预报订正效果明显,其中方案1的气温订正效果总体优于方案2和方案3的,1-72 h预报时效内绝对误差减小了0.68℃,准确率提高了17%以上。

京藏高速呼集段道路结冰期CLDAS气温适用性及其在交通风险预警中的应用

选用2020—2022年G6京藏高速呼集段(呼和浩特至集宁)沿线26个常规气象观测站及交通气象观测站逐小时气温数据,应用平均偏差(ME)、均方根误差(RMSE)、平均绝对误差(MAE)、准确率(AR)等指标,对比分析道路结冰期高分辨率陆面融合和同化数据(CMA Land Data Assimilation System,CLDAS)的气温特征,评估呼集段沿线CLDAS气温在道路结冰方面的适用性。结果表明:G6高速呼集段结冰期CLDAS气温总体为负偏差,ME日变化为-1.2~1.4℃,从呼和浩特到集宁方向,20:00至次日08:00 CLDAS气温由冷偏差转向暖偏差,08:00—20:00冷偏差增大。海拔高度、坡度、坡向均对CLDAS气温精度存在影响,低海拔、平原、阳坡路段误差相对较小。经系统偏差订正的CLDAS气温ME趋近于0,各月逐时RMSE、MAE均减小0.0~0.5℃,AR提高0%~14%。订正后的CLDAS气温可用于气温精细化时空特征分析和道路结冰分级预警。

陕西ECMWF、GRAPES_Meso和SCMOC气温预报的对比检验及订正

利用陕西99个国家气象站2017—2019年日最高(低)气温观测资料,采用一元线性回归和递减平均方法,对GRAPES_Meso、ECMWF和SCMOC的日最高(低)气温预报进行订正,并作对比检验。结果表明,SCMOC、GRAPES_Meso和ECMWF的日最低气温预报准确率较日最高气温偏高,其中SCMOC的日最高和最低气温预报准确率最高,ECMWF次之,GRAPES_Meso最低。一元线性回归和递减平均方法对SCMOC的气温预报订正多为负效果,但对GRAPES_Meso和ECMWF的气温预报订正有明显正效果。订正后ECMWF与订正前SCMOC的预报相比,前者日最高和最低气温的预报准确率偏高。订正后GRAPES_Meso与订正前SCMOC的预报相比,前者日最低气温预报准确率偏低、2018年24 h和2019年24、48 h日最高气温预报准确率偏高。一元线性回归法对模式气温预报的订正能力和稳定性优于递减平均法。

台站迁移对铜仁市气温评价结果的影响及修正

利用铜仁市10个气象站气温资料,分析了搬迁台站气温资料对气候评价的影响。初步设定了季、年平均气温序列的订正方法:在消除城镇化影响后,新址气温数据按照递减率0.5℃/100 m进行海拔订正到原址,符合当地实际。订正后,处于同一气候区温度偏高(低)趋势一致,提供给公众的气象信息更加准确。

克拉玛依区域气温日较差的气候变化特征

利用一元线性回归法将克拉玛依地区4个地区的气温序列统一订正到1960—2019年,通过线性趋势法、五年滑动平均对平均气温、最高气温、最低气温以及日较差进行了趋势研究,并应用相关统计法进一步分析影响日较差变化的气象因子。结果表明:克拉玛依地区四季日较差均呈显著减小趋势,其中冬季最显著,空间分布北部最显著。四季中最低气温上升趋势最明显,最高气温上升趋势较弱,仅有秋季达到显著水平。各月平均气温日较差与日照时数、平均风速呈正相关,与水汽压、总云量、降水量以及相对湿度呈负相关,其中与日照时数相关性最强。年气温日较差与日照时数相关性最强。