基于WRF模式的紫外线指数逐小时预报模型

为提升紫外线预报和服务能力,探索长春市紫外线指数的精细化预报方法,以实际业务中易于获取的大气参数为依据,采用易实现的统计预报方法,建立了逐小时的长春市紫外线指数预报模型。建模过程中,针对20122014年长春市紫外线逐小时实况数据,采用以NCEP/FNL资料为初始场的中尺度数值模式WRF进行模拟,在常规气象要素基础上,增加输出与辐射相关的物理量,分别采用以气象要素为因子及以气象要素和辐射要素为因子的两种方式进行建模并对比。结果发现,综合辐射因子和气象因子后得到的模型预报效果更好。因此,以综合气象因子和辐射因子的方式,分季节建立了长春市未来24 h紫外线指数的逐小时预报模型,并进行了试报检验。结果表明:气象因子当中,地面及低层大气气温与紫外线指数呈现较明显的正相关;辐射因子当中,地表接收到的短波辐射通量与地面紫外线观测值统计关系最为密切;部分辐射因子与紫外线指数的相关性比大多数气象因子的更好。综合气象因子和辐射因子且划分季节的预报模型,试报结果1级以内拟合率平均达92%,且秋冬两季的方程稳定性和1级以内拟合效果较不分季节的预报模型的有所提高。

基于深度GRU神经网络的逐小时气温预报模型

基于深度门控循环(GRU)神经网络,利用地面气象要素小时资料(气温、气压、露点温度、相对湿度和水汽压)建立湖南石门未来24 h逐小时气温预报模型,并对模型精度进行分析。结果表明,深度GRU逐小时气温模型预报精度随预报时次的增加逐步下降,决定系数(R2)为0.996~0.906、平均绝对误差(MAE)为0.359~1.974和均方根误差(RMSE)为0.510~2.562℃,24 h气温预报准确率为62.529%,优于滑动平均自回归(ARIMA)气温预报模型,且能较好体现气温转折性变化。利用深度GRU模型对2019年4月至7月湖南省石门县逐小时气温进行预报,与欧洲中心和日本数值预报产品进行对比发现,其3、6和9 h的预报精度均优于数值预报,可为12 h内气温短临预报技术提供一种有效的补充。

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。

基于多变量混合长短期记忆神经网络的长沙PM_(2.5)预报模型

为了提高PM_(2.5)浓度预报准确率,基于长短期记忆(long short-term memory,LSTM)神经网络构建多变量混合预报模型(hybrid long short-term memory,hLSTM),利用空气质量数据、气象数据和日期时间信息对长沙10个空气质量监测站未来24 h PM_(2.5)浓度进行逐小时预报,并对模型精度进行评估。结果表明:hLSTM逐小时PM_(2.5)预报模型误差随预报时效的增加呈现前陡后缓逐步增大,均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)分别从1 h的6.53μg/m^(3)、4.03μg/m^(3)和16.02%增大到24 h的20.62μg/m^(3)、13.56μg/m^(3)和47.34%;模型误差存在明显的季节性差异,呈现冬季>秋季>春季>夏季的特征;相较于基于决策树(decision trees,DTs)、循环神经网络(recurrent neural network,RNN)和普通LSTM的预报模型,hLSTM模型能更好地提取长沙PM_(2.5)浓度数据的时序特征,达到更高的预报精度;利用hLSTM模型对长沙2019年12月13—16日重污染天气过程PM_(2.5)浓度进行预报,各时效的预报结果均能反映污染过程中PM_(2.5)的变化趋势,其中3 h内的预报结果与观测值吻合程度较高。可见hLSTM可较好提取长沙PM_(2.5)浓度变化特征,为其短临预报提供一种新思路。

基于RAFS的通航气象要素预报服务产品探究

基于通航气象服务的需求,利用GRAPES 的快速循环同化数据,为航空气象服务平台上的通航服务模块提供通航机场风向风速、气温、场压、低云量等气象要素的逐小时预报。