共查询到19条相似文献，搜索用时 250 毫秒
1.
基于2008—2019年我国台风县(区)灾情的直接经济损失数据,根据经济损失率将台风灾害经济损失风险分为五类,考虑台风灾害的致灾因子和孕灾环境因子共选取10个解释变量,采用五种经典的机器学习算法,包括支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、AdaBoost、XGBoost(Extreme Gradient Boosting Machine)和LightGBM(Light Gradient Boosting Machine),分别构建台风灾害经济损失风险评估模型,选出准确率最高的模型,应用于经典台风过程并进行检验评估。结果表明:基于RF算法的台风灾害经济损失风险模型的准确率最高;利用RF、XGBoost、LightGBM、AdaBoost和SVM算法构建模型的准确率依次为0.69、0.63、0.62、0.45和0.41。选择RF算法构建的台风灾害经济损失风险模型的解释变量表明,致灾因子是最主要的解释变量,其中,降雨导致损失的重要性超过风速。该模型在训练集和测试集上对风险分类的TS评分为0.55和0.51,但对每种风险类别的辨别能力存在差异,对于最低风险和最高风险的分类效果较好,对于较高风险和中等风险的分类能力不足。利用该模型对2017年第13号台风“天鸽”的经济损失进行检验评估,评估结果与实际台风灾害经济损失的风险等级较一致,各风险等级的准确率均达到0.7以上,TS评分在0.58以上,空报率和漏报率分别在0.31和0.25以下。 相似文献
2.
基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3～12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。 相似文献
3.
利用地面自动站降水资料、ERA5再分析资料、广西壮族自治区气象台降水落区和ECMWF模式预报数据对1415号台风"海鸥"在广西暴雨预报偏差进行了分析,并开展了地形降水订正研究.结果 表明,对"海鸥"强降水落区预报准确,但大暴雨以上量级降水明显偏弱,大暴雨和特大暴雨漏报严重.降水经地形订正后,大暴雨以上降水TS(BS)评分由0.19(0.27)大幅度提升到0.35(0.53)且暴雨及以下量级降水评分无明显改变,但地形降水订正方法对特大暴雨仍无明显订正技巧;偏南风、东北风及偏东风在广西复杂地形下均会产生地形降水,实际业务预报中应加以考虑,有助于提升对强降水开始时间的预报效果. 相似文献
4.
针对传统方法采用天气雷达进行强降水的定量估测存在较大偏差问题,论文以1 h累计雨量为估测对象,基于雷达组网拼图资料,采用XGBoost(eXtreme Gradient Boosting)算法,建立新的雷达估测降水模型。该模型设计以前1 h的雷达组合反射率因子作为输入,进一步采用若干个剔除异常样本的策略有效清除建模样本中的部分噪声,更好地构建了雷达组合反射率与估测对象之间的非线性映射关系。在32万个独立检验样本的估测结果中,其均方根误差(RMSE)为6.04 mm、平均绝对误差(MAE)为3.50 mm、预报偏差(BIAS)为1.05;与目前业务系统上使用的ZR(300,1.4)关系方法相比,前者的RMSE和MAE分别下降了20.6%和10.3%,而BIAS指标则显示后者对降水量级的估测明显低估。进一步对小时雨强大于10 mm样本的统计结果表明,新方案的RMSE、MAE以及TS评分均大幅优于ZR(300,1.4)关系方法,可进行实际业务应用。 相似文献
5.
为了更加有效地同化地面自动气象站观测资料,针对模式地形与观测站地形存在的高度差异对同化效果的影响,提出了相应的解决方案。在同化系统的位温和露点观测误差中分别引入位温和露点地形代表性误差,在WRF模式中应用集合均方根滤波方法（EnSRF）同化地面自动气象站观测资料,并对2016年一次京津冀暴雨个例进行数值试验。研究结果表明,同化地面资料后,同化阶段的均方根误差、预报阶段的降水TS评分和前13个时次各要素预报均有整体改进。在观测误差中引入地形代表性误差与引入前相比,风场均方根误差得到整体改进;位温和露点的均方根误差在前期表现并不稳定,在后期有所改进;预报阶段前24 h累计降水与后24 h累计降水TS评分在整体上均有所提高。新方案能够减少高度差异对同化效果的影响。 相似文献
6.
基于支持向量机模式识别的大雾预报方法 总被引：3，自引：0，他引：3
选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果. 相似文献
7.
安徽阜阳市大雾天气的潜势预报方法 总被引：1，自引：0，他引：1
《干旱气象》2015,(6)
利用2002~2011年安徽阜阳市逐日地面、高空观测资料和NCEP/NCAR FNL再分析资料,分析大雾发生时各预报因子的分布特征,确定预报因子的阈值及消空指标,建立基于PP法思想和指标叠套方法的阜阳市大雾天气潜势预报模型。通过2013~2014年逐日业务化运行检验,基于EC细网格数值预报产品的大雾天气潜势预报模型取得了较好的预报效果,其TS评分为0.49、准确率为0.91,说明该模型具有较好业务应用价值。 相似文献
8.
冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。 相似文献
9.
利用逐日平均气温和24小时累积降水量资料研究了2008年初中国南方低温雨雪极端天气事件的特征。还利用TIGGE(THORPEX Interactive Grand Global Ensemble)资料中欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)以及中国气象局(CMA)提供的集合预报资料进行多模式集成预报试验。结果表明,2008年初中国南方1/3以上测站的降水偏多达50年一遇,50年一遇的低温还出现在贵州和湖南西部。利用滑动训练期消除偏差集合平均(R-BREM)方法对地面气温做24～216 h预报,发现其预报技巧明显高于单个模式预报和其它多模式集成方法的预报技巧。以欧洲中期天气预报中心地面气温96 h预报的均方根误差作为标准,R-BREM方法能将中国东南部地区的气温预报时效延长到192 h。R-BREM方法还能有效地提高降水预报的准确率,24～192 h小雨预报的TS评分明显高于单个模式预报及其它多模式集成预报的评分,但72 h预报例外。对于24～192 h中雨预报,R-BREM方法也较单个模式及其它多模式集成预报方法的预报技巧高。 相似文献
10.
《气象科学进展》2018,(5)
利用2015—2017年湖北89个气象站地面观测温度、欧洲中心再分析资料和0～12 h预报资料回归模式输出要素与地面气温之间的关系,建立了LightGBM模型,并在2018年数据集上进行测试。结果表明,定时气温平均绝对误差由模式本身的1.8℃下降到1.1℃,2℃以内预报准确率由65.9%上升至86.6%,决定系数(拟合优度)高达0.97。该模型已经在武汉中心气象台业务化,初步选取定时气温中的极值进行2018年2—6月预报评分,24 h高、低温预报准确率分别为76.9%和91.4%,在客观产品中排名前列,较数值预报模式产品提升明显,低温预报准确率超过预报员水平。LightGBM作为一个年轻的机器学习框架,在气象要素预报方面具备良好的应用前景。 相似文献
11.
天津港秋冬季低能见度数值释用预报研究 总被引：3，自引：1，他引：2
本文利用近5年(2009—2013年)天津港资料,分析了该地区大气能见度的分级特征。采用7年秋、冬季NCEP(2006—2012年)和地面资料,通过相关分析给出了对港口低能见度天气有高影响的高、低空物理量因子;排除沙尘和降水天气,针对不同区间的能见度样本,利用BP神经网络方法分类训练了3个统计模型;并与WRF天气模式产品对接,采用分步筛选法,研发了天津港秋、冬季72 h时效的逐时能见度BP释用预报产品。经过3年业务运行,检验结果表明:对逐时能见度而言,BP释用预报对10 km以下低能见度比WRF模式的预报技巧显著提高,达到10.5%~35.4%;其中对0.5 km大雾的预报技巧总体相当,但当WRF预报有降水时,WRF模式预报结果略优;对0.5~1 km的大雾预报,WRF模式的预报技巧1%,BP释用预报提高到了14%~21%。日最低能见度的检验表明:对小于1 km的大雾过程,BP释用预报的TS评分平均达到75%,比WRF预报技巧提高了24%;对1~10 km的低能见度过程,比WRF的预报技巧平均提高了60%。 相似文献
12.
Lei HAN Mingxuan CHEN Kangkai CHEN Haonan CHEN Yanbiao ZHANG Bing LU Linye SONG Rui QIN 《大气科学进展》2021,38(9):1444-1459
Correcting the forecast bias of numerical weather prediction models is important for severe weather warnings. The refined grid forecast requires direct correction on gridded forecast products, as opposed to correcting forecast data only at individual weather stations. In this study, a deep learning method called CU-net is proposed to correct the gridded forecasts of four weather variables from the European Centre for Medium-Range Weather Forecast Integrated Forecasting System global model(ECMWF-IFS): 2-m temperature, 2-m relative humidity, 10-m wind speed, and 10-m wind direction, with a forecast lead time of 24 h to 240 h in North China. First, the forecast correction problem is transformed into an image-toimage translation problem in deep learning under the CU-net architecture, which is based on convolutional neural networks.Second, the ECMWF-IFS forecasts and ECMWF reanalysis data(ERA5) from 2005 to 2018 are used as training,validation, and testing datasets. The predictors and labels(ground truth) of the model are created using the ECMWF-IFS and ERA5, respectively. Finally, the correction performance of CU-net is compared with a conventional method, anomaly numerical correction with observations(ANO). Results show that forecasts from CU-net have lower root mean square error, bias, mean absolute error, and higher correlation coefficient than those from ANO for all forecast lead times from 24 h to 240 h. CU-net improves upon the ECMWF-IFS forecast for all four weather variables in terms of the above evaluation metrics, whereas ANO improves upon ECMWF-IFS performance only for 2-m temperature and relative humidity. For the correction of the 10-m wind direction forecast, which is often difficult to achieve, CU-net also improves the correction performance. 相似文献
13.
利用1979—2016年6月EAR5再分析资料,选取湿热力平流参数、热力螺旋度、散度通量、水汽散度通量和热力波作用密度5个综合因子,采用核密度估计方法,基于TS评分最优为检验标准筛选确立最优因子和权重组合,构建了湖南区域持续性暴雨概率预报模型,并进行了独立样本检验与业务试用。结果表明:2017—2019年独立样本回代检验,平均TS评分达到29.9%,相比于欧洲中期天气预报中心(ECMWF)细网格(平均TS评分为22.4%)为正技巧。在2021年、2022年汛期两次区域持续性暴雨个例的预报试验中,提前24 h的暴雨预报优于ECMWF、CMA-GFS等大尺度模式和CMA-SH、CMA-GD等区域中尺度模式,对湖南区域持续性暴雨有较强的预报能力。 相似文献
14.
传统点对点的二分类检验方法能够客观反映模式预报的整体表现,但该方法存在双重惩罚现象。本文在传统检验基础上结合FSS（Fraction Skill Score）评分和MODE（Method of Object-based Diagnostic Evaluation）方法,对2021年7月影响四川的两次区域性大暴雨过程开展检验评估,对比分析了华东区域BCSH模式、ECMWF模式、西南区域SW3KM和SW9KM模式的预报性能。结果表明:（1）BCSH和ECMWF模式在小到中雨评分上略优于西南区域2个模式,SW3KM模式优势体现在暴雨预报上;BCSH和SW9KM模式预报偏差无显著规律,ECMWF模式小到大雨多空报,SW3KM模式中到暴雨多空报。（2）邻域半径为7个格点时,SW3KM模式在72 h预报时效上小雨、36~72 h大雨、24~66 h暴雨评分高于其它模式;区域模式分辨率提高,其FSS和TS评分相应增加,随着预报时间延长,区域模式FSS评分以大于ECMWF模式为主,SW9KM模式各级降水评分整体低于SW3KM模式。（3）4个模式降水落区质心位置预报的经向偏差略大于纬向,BCSH和SW9KM模式降水质心较实况偏西北,ECMWF模式暴雨质心偏西北、大暴雨质心偏西南,SW3KM模式暴雨质心多偏西南、大暴雨质心较实况多偏西北。ECMWF模式对雨带走向和面积的把控好于区域模式;SW3KM模式在72 h预报时效上多个属性值优于BCSH模式,SW3KM模式匹配目标属性值以优于SW9KM模式为主;BCSH、ECMWF和SW3KM模式均存在降水强度预报偏大的特征。 相似文献
15.
中尺度对流系统（Mesoscale Convective System,MCS）是很多对流性天气的主要致灾体,可导致严重的气象和水文灾害,如雷暴大风、冰雹、龙卷风和山洪。对MCS进行准确的识别和追踪,并根据追踪轨迹及获得的MCS特征实现MCS的分类,对灾害天气的分析和预报有重要意义。基于京津冀地区2010—2019年的雷达组合反射率拼图资料,分别使用支持向量机（SVM）、随机森林（RF）、极度梯度提升决策树（XGBoost）和深度神经网络（DNN）4种机器学习方法,研发了京津冀地区MCS的自动识别算法。使用时、空重叠追踪法对识别的MCS进行追踪匹配,得到包含强度、时间和空间信息的MCS追踪数据资料。在区分线状对流系统和非线状对流系统的基础上,进一步从经典的尾随层云（Trailing Stratiform,TS）、前导层云（Leading Stratiform,LS）和平行层云（Parallel Stratiform,PS）三类准线性MCS的概念模型和结构特征出发,根据追踪轨迹计算MCS的运动方向和MCS近似长轴两侧层状云和强对流云的面积占比,建立准线性MCS的分类算法。MCS的识别属于二分分类问题,以命中率（POD）、虚警率（FAR）、临界成功指数（CSI）和准确率（ACC）为评价指标,综合对比各项指标发现DNN模型较SVM、RF和XGBoost模型对MCS的识别效果更好。使用时、空重叠追踪法对DNN模型识别的MCS进行追踪,结合对两个追踪实例的分析,发现本研究所用的算法取得了很好的追踪结果,也进一步说明了深度学习方法识别MCS的准确性和优势。根据追踪轨迹计算某时刻MCS的运动方向,结合识别的层状云和强对流云的分布位置,准确实现了TS、LS和PS型准线性MCS的分类,为准线性MCS的生命史预测及其致灾天气特别是短时强降水的强度、位置和持续时间的客观预报提供了一种技术思路。 相似文献
16.
利用中尺度模式WRF v4.1,分别以中国第一代全球大气/陆面再分析产品CRA、欧洲ECMWF的ERA5和美国NCEP的FNL作为初始场,对2013年7月4—6日江淮地区一次持续性暴雨过程进行了模拟试验。分析可知,此次暴雨过程是在东北冷涡、江淮切变线和西南急流3个影响系统的共同作用下,高低空冷暖空气形成对峙而导致的。与实况资料相比,3组试验均能够模拟出此次暴雨过程的主要环流形势,以及水汽、能量和动力条件。但3组试验的切变线和低空西南急流均较为偏南,强度较强,使得模拟的主要降水中心较实况位置更偏南,降水量级更大。其中CRA试验对安徽南部的水汽和垂直运动模拟更好,在该地区产生的降水也与实况更接近。而FNL试验对水汽条件和动力抬升条件模拟较弱,导致其模拟的降水明显偏小。整体而言,针对此次降水过程,ERA5模拟效果最好,CRA模拟效果接近ERA5,并且对大雨量级降水的TS(Threat Score)评分优于ERA5。 相似文献
17.
《大气和海洋科学快报》2023,16(4):100347
Accurate forecasting of ocean waves is of great importance to the safety of marine transportation. Despite wave forecasts having been improved, the current level of prediction skill is still far from satisfactory. Here, the authors propose a new physically informed deep learning model, named Double-stage ConvLSTM (D-ConvLSTM), to improve wave forecasts in the Atlantic Ocean. The waves in the next three consecutive days are predicted by feeding the deep learning model with the observed wave conditions in the preceding two days and the simultaneous ECMWF Reanalysis v5 (ERA5) wind forcing during the forecast period. The prediction skill of the d-ConvLSTM model was compared with that of two other forecasting methods—namely, the wave persistence forecast and the original ConvLSTM model. The results showed an increasing prediction error with the forecast lead time when the forecasts were evaluated using ERA5 reanalysis data. The d-ConvLSTM model outperformed the other two models in terms of wave prediction accuracy, with a root-mean-square error of lower than 0.4 m and an anomaly correlation coefficient skill of ∼0.80 at lead times of up to three days. In addition, a similar prediction was generated when the wind forcing was replaced by the IFS forecasted wind, suggesting that the d-ConvLSTM model is comparable to the Wave Model of European Centre for Medium-Range Weather Forecasts (ECMWF-WAM), but more economical and time-saving.摘要海浪预报对海上运输安全至关重要. 本研究提出了一种涵盖物理信息的深度学习模型Double-stage ConvLSTM (D-ConvLSTM) 以改进大西洋的海浪预报. 将D-ConvLSTM模型与海浪持续性预测和原始ConvLSTM模型的预测技巧进行对比. 结果表明, 预测误差随着预测时长的增加而增加. D-ConvLSTM模型在预测准确度方面优于前二者, 且第三天预测的均方根误差低于0.4 m, 距平相关系数约在0.8. 此外, 当使用IFS预测风替代再分析风时, 能够产生相似的预测效果. 这表明D-ConvLSTM模型的预测能力能够与ECMWF-WAM模式相当, 且更节省计算资源和时间. 相似文献
18.
对我国华东、华南、华北区域气象中心和中国气象局数值预报中心业务运行的区域模式2011年5—9月的6 h降水预报, 采用不同检验结果平均方案进行对比检验。对比结果表明:不同的检验结果平均方案基本不影响与中国气象局数值预报中心模式 (NMC-GRA) 在相同区域关于TS评分比较的相对检验结论,即当两个模式评分差距较大时,评分高的模式在两个方案中是一样的,但评分比较接近时,若有一个模式对该区大尺度降水预报较好时,则可能在新方案中有较高的TS评分,而此模式原方案评分则可能略低于局地小尺度降水预报较好的模式。但对于较少发生的强降水预报的预报偏差的评价有很大不同,当新方案的结果显示多数模式对强降水的预报偏少,原方案则可能显示偏多,说明模式对大尺度的强降水预报较实况偏少,但对小尺度局地降水的预报则可能偏多。 相似文献
19.
The correction of model forecast is an important step in evaluating weather forecast results. In recent years, post-processing models based on deep learning have become prominent. In this paper, a deep learning model named ED-ConvLSTM based on encoder-decoder structure and ConvLSTM is developed, which appears to be able to effectively correct numerical weather forecasts. Compared with traditional post-processing methods and convolutional neural networks, ED-ConvLSTM has strong collaborative extraction ability to effectively extract the temporal and spatial features of numerical weather forecasts and fit the complex nonlinear relationship between forecast field and observation field. In this paper, the post-processing method of ED-ConvLSTM for 2 m temperature prediction is tested using The International Grand Global Ensemble dataset and ERA5-Land data from the European Centre for Medium-Range Weather Forecasts (ECMWF). Root mean square error and temperature prediction accuracy are used as evaluation indexes to compare ED-ConvLSTM with the method of model output statistics, convolutional neural network postprocessing methods, and the original prediction by the ECMWF. The results show that the correction effect of ED-ConvLSTM is better than that of the other two postprocessing methods in terms of the two indexes, especially in the long forecast time. 相似文献