共查询到20条相似文献，搜索用时 453 毫秒
1.
降水是在多种天气系统和复杂物理过程共同影响下形成的,因此降水预报难度较大。由于数值预报模式的局限性,使得模式预报产品存在一定误差。为探讨更加有效的模式预报产品误差订正方法,基于奇异值分解（SVD）与机器学习（多元线性回归、套索回归、岭回归）构建订正模型,对2007—2019年4月1日—6月30日华南前汛期欧洲中期天气预报中心（EC）模式降水预报产品进行误差订正试验。结果表明:基于SVD与机器学习相结合的订正模型能有效降低EC模式降水预报产品在华南的预报误差,均方根误差最大优化率达4.2%,累计超过69%的站点得到不同程度的优化;SVD与机器学习相结合的订正模型能很好地处理因子间共线性问题,具有更好的鲁棒性;而对多个订正模型加权集成,均方根误差优化率达5.7%,累计超过77%的站点得到优化,显然加权集成方法订正效果不仅优于EC模式预报产品,也优于参与集成的任一订正模型。 相似文献
2.
ECMWF模式地面气温预报的四种误差订正方法的比较研究 总被引：16，自引：5，他引：11
采用均方根误差对欧洲中期天气预报中心（ECWMF）确定性预报模式2007年1月至2010年12月的地面气温预报结果进行评估,并分别利用一元线性回归、多元线性回归、单时效消除偏差和多时效消除偏差平均的订正方法,对ECMWF模式地面气温预报结果进行订正。结果表明,4种订正方法都能有效地减小地面气温多个时效预报的误差,改进幅度约为1℃。在短期预报中仅考虑最新预报结果的一元线性回归订正方法要优于考虑多个预报结果的多元集成预报订正方法。在中期预报中考虑多个预报结果的多元集成预报订正方法更优,更稳定。在模式预报误差较大的情况下,多时效集成的订正方法能更稳定地减小误差。 相似文献
3.
为了将格点观测融合产品用于模式预报产品的滚动订正中,获得精准的预报效果,使用国家气象信息中心HRCLDAS（High Resolution China Meteorological Administration Land Data Assimilation System）业务系统产生的高频次格点风场融合产品作为实况资料,采用两种风场模型和8种格点误差订正方案,对模式风预报产品进行订正预报试验,试验选择欧洲中期天气预报中心10 m风预报产品的2017年1月1日—2月28日以及2017年6月1日—7月31日两个时间段,进行了预报模拟试验,对8种格点误差订正方案的订正结果进行检验,同时将订正场插值到站点,使用国家级2400个地面气象站风场资料进行站点检验,结果表明:无论从格点还是站点检验的平均绝对偏差、准确率、绝对偏差分布频率结果看,采用基于模式和实况因子的全格点滑动建模订正方案具有最佳的订正效果。 相似文献
4.
几种格点化温度滚动订正预报方案对比研究 总被引：1，自引：1，他引：0
为了快速获得更为精准的格点温度预报产品,使用国家信息中心高分辨率、高频次的温度格点多元融合产品和欧洲中期天气预报中心全球模式2 m温度预报场资料,采用8种误差订正方案进行滚动订正预报试验。选择2017年1月1日至2月28日和6月1日至7月31日两个时间段进行两次回报模拟试验,并对订正前后的预报结果进行格点和站点检验分析,结果表明:8种方案对模式直接输出的预报场有正技巧订作用,全格点滑动误差回归模型订正和全格点滑动双因子回归模型订正效果最优,两种方案都能使订正场的格点平均绝对误差在2℃以下,3、6和9 h的格点准确率均在0.9以上。全格点滑动误差回归模型的检验评分略微好于全格点滑动双因子回归模型,表明作为预报模型因子的起报时刻误差场比数值模式因子在短期订正中扮演着更为重要的角色。 相似文献
5.
北京冬奥服务对站点气象要素预报提出了明确需求,2 m气温预报偏差在±2℃以内,10 m风速预报平均偏差小于观测的30%,文中提出一种基于相似集合嵌套一元线性回归的预报方法—嵌套相似集合（AnEn-Ne）,该方法基于相似集合思路,在满足一定条件时,启动其嵌套一元线性回归提供订正预报。冬奥赛期（2021年11月1日—2022年3月15日）实时业务预报表明,嵌套相似集合具有较好的预报效果,相对业务数值模式（CMA-BJ）预报,预报精度显著提高,相对相似集合预报和一元线性回归预报精度明显提高,其预报结果满足冬奥服务需求。复杂地形下的要素预报检验表明,CMA-BJ模式预报2 m气温虽然存在较明显的系统偏差,但与观测相关较强,对观测的表征意义明显,订正后能有效消除复杂地形影响,10 m风速模式预报偏差振荡明显,模式预报与观测相关较弱,表征意义差,订正后站间差异明显;改进CMA-BJ模式复杂地形区近地面风速预报对观测的表征意义,可进一步提高该预报方法对10 m风速订正预报的精度。 相似文献
6.
模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。 相似文献
7.
利用2016年1月1日—12月31日全球预报系统(GFS,Global Forecasting System)1～5 d的2 m气温预报资料,以及同期中国地面气象站2 m气温观测资料,研究模式地形高度偏差对地面2 m气温预报的影响。结果表明,较大模式地形高度偏差可严重影响2 m气温模式预报性能,导致较大预报误差。随着模式预报时效延长,2 m气温预报均方根误差也略有增加。比较模式地形高度偏差和预报时效对于模式预报性能的影响,发现模式地形高度偏差对于模式预报效果的影响更加显著。两种地形订正方案,即不做温度垂直订正的线性回归以及对温度进行垂直订正的线性回归都能显著减小2 m气温模式预报的误差,后者的订正效果更好。 相似文献
8.
采用一元线性方法建立南海台风模式CMA-TRAMS地形高度偏差和地面气温预报误差的回归关系,分别开展不分级、高度偏差分级和地面气温误差分级的三种订正方法的研究,并进行订正效果评估。结果表明,模式地面气温预报误差与地形高度偏差总体呈负的线性相关关系,地面气温预报绝对误差随地形高度偏差绝对值增大而增大（对模式地形高度偏低站点尤为明显）,但不同时刻地面气温预报误差特征表现不同,模式对地形高度偏高（即模式地形高于测站高度）和地形高度偏差小于50 m的站点,06时地面气温（世界时,下同）预报总体偏低,对地形高度偏低大于50 m的站点（即模式地形低于测站高度）,06时地面气温预报总体偏高;而无论站点地形高度偏差如何,模式对18时地面气温预报总体偏高。三种订正方法中地面气温误差分级法能有效地减小地面气温预报误差,该方法订正后的分析场准确率可达96%~99%,12~48小时时效预报场准确率总体可提升至90%以上,该方法具有回归关系稳定、效果显著、适用性广、简单易行等特点。 相似文献
9.
应用VB6．0软件编写“地市级客观化乡镇天气预报系统”,采用逐步线性回归方法建立各县（市、区）春夏秋冬4个季节的气温和降水MOS预报方程,同县（市、区）乡镇采用同一套预报方程,对欧洲中心等多家数值预报产品进行释用和集成,得到客观化的乡镇天气预报,实现了利用大尺度环流背景下的数值预报产品,结合中尺度数值模式预报制作局部地区天气预报的一种方法;同时利用加密观测数据对乡镇预报进行检验,利用吉林省气象科学研究所MM5模式预报产品制作站点的逐时预报。本系统移植性好、操作简单、功能齐全,方便各地区台站使用。 相似文献
10.
利用WRF模式对美国NCEP发布的CFS气候预测业务产品在中国区域内进行动力降尺度预报,可得到预报时效为45天的逐6小时、30 km分辨率基础气象要素预测产品。再利用全国气象站观测资料和3个风电场70 m高度风速、温度观测资料对2015年冬季预测结果进行检验评估和分析,最后通过线性方法对地面要素预测结果和70 m高度风速、温度预测结果进行统计订正。结果表明:（1）2 m温度和相对湿度的全国预报平均绝对误差分别为4.71 ℃和18.81%,在华东、华中和华南地区误差较小;（2）10 m风速预报平均绝对误差为2.42 m/s,在东北、华北和西北地区误差较小;（3）线性订正后,2 m气温、相对湿度和10 m风速的预报绝对误差分别减小1.05 ℃、5.29%和1.47 m/s,并且订正后误差随时间变化更平稳;（4）订正后70 m高度风速和温度的预报绝对误差均减小,风速平均误差减小最大可达1.29 m/s（B塔）,气温平均绝对误差减小最大可达3 ℃（C塔）。研究结果表明,基于CFS产品和WRF模式的、与月尺度风电预报关系密切的气象要素预报性能较好,未来可将该方法尝试于风电场的月尺度功率预测产品研发。 相似文献
11.
利用2018年10月1日至2019年9月30日北京地区55个地面气象站的实况观测数据对欧洲中期天气预报中心的全球预报（ECMWF thin）、国家气象中心区域预报（Grapes）、北京睿图（RMAPS）、国家级指导预报（SCMOC）、北京智能网格温度客观预报（BJTM）和集合相似预报（AnEn）的逐日最高、最低气温预报结果进行检验评估。结果表明：①ECMWF thin模式预报效果优于Grapes和RMAPS，客观方法BJTM和AnEn对ECMWF thin的改进效果明显。②AnEn在10月至次年4月预报效果好，BJTM在5—9月预报效果好；不同预报时效中，AnEn在短期、中期前段预报效果较好，BJTM在中期5～9 d预报效果相对较好。③以南郊观象台为代表站进行检验，结果显示模式预报均存在明显的系统偏差，客观方法对系统偏差有很好的订正效果。④在降水、大风或无天气系统时，BJTM、AnEn的日最高温度预报准确率较高；雾霾天气背景下，ECMWF thin的最高温度预报准确率较高。雾霾、大风和无天气系统时，ECMWF thin最低温度预报偏差最小，客观方法对模式预报无改进；降水天气背景下，RMAPS和BJTM对最低温度的预报偏差最小。 相似文献
12.
基于最大相关最小冗余度算法和随机森林回归算法,该文提出一种对欧洲中期天气预报中心（ECMWF）集合预报产品进行暴雨预报的释用方法。该方法采用最大相关最小冗余度算法,对ECMWF集合预报的51个成员进行筛选,选取若干个与预报对象相关性最大、相互间冗余度最小的成员作为随机森林回归算法的输入因子。利用ECMWF集合预报降水量平均值对建模样本进行分类,使预报模型的建模样本更具有针对性。通过2012年4月—2015年12月的交叉独立样本试验预报和2016年1—9月的业务预报试验的统计结果表明:该释用方法的暴雨预报TS和ETS评分,均比采用ECMWF集合预报产品51个成员降水量预报进行插值后取平均值的释用方法分别提高了0.07和0.05以上,显示了较好的数值预报产品释用效果。 相似文献
13.
14.
Haochen LI Chen YU Jiangjiang XIA Yingchun WANG Jiang ZHU Pingwen ZHANG 《大气科学进展》2019,36(10):1156-1170
In this paper, the model output machine learning (MOML) method is proposed for simulating weather consultation, which can improve the forecast results of numerical weather prediction (NWP). During weather consultation, the forecasters obtain the final results by combining the observations with the NWP results and giving opinions based on their experience. It is obvious that using a suitable post-processing algorithm for simulating weather consultation is an interesting and important topic. MOML is a post-processing method based on machine learning, which matches NWP forecasts against observations through a regression function. By adopting different feature engineering of datasets and training periods, the observational and model data can be processed into the corresponding training set and test set. The MOML regression function uses an existing machine learning algorithm with the processed dataset to revise the output of NWP models combined with the observations, so as to improve the results of weather forecasts. To test the new approach for grid temperature forecasts, the 2-m surface air temperature in the Beijing area from the ECMWF model is used. MOML with different feature engineering is compared against the ECMWF model and modified model output statistics (MOS) method. MOML shows a better numerical performance than the ECMWF model and MOS, especially for winter. The results of MOML with a linear algorithm, running training period, and dataset using spatial interpolation ideas, are better than others when the forecast time is within a few days. The results of MOML with the Random Forest algorithm, year-round training period, and dataset containing surrounding gridpoint information, are better when the forecast time is longer. 相似文献
15.
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
16.
选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。 相似文献
17.
Development and Application of an Atmospheric-Hydrologic-Hydraulic Flood Forecasting Model Driven by TIGGE Ensemble Forecasts 总被引：1，自引：0，他引：1 
下载免费PDF全文
下载免费PDF全文 A coupled atmospheric-hydrologic-hydraulic ensemble flood forecasting model,driven by The Observing System Research and Predictability Experiment (THORPEX) Interactive Grand Global Ensemble (TIGGE) dat... 相似文献
18.
为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日—2020年12月31日欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率模式（high resolution,HRES）输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高21.74%和14.17%）,在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高40.98%和20.33%）,且预报性能更加稳定。 相似文献
19.
WU Xiangjun CHEN Dehui SONG Junqiang JIN Zhiyan YANG Xuesheng ZHANG Hongliang 《Acta Meteorologica Sinica》2010,24(5):622-630
The Global/Regional Assimilation and PrEdiction System (GRAPES) is a new-generation operational numerical weather prediction (NWP) model developed by the China Meteorological Administration (CMA).It is a grid-point model with a code structure different from that of spectral models used in other operational NWP centers such as the European Centre for Medium-Range Weather Forecasts (ECMWF),National Centers for Environmental Prediction (NCEP),and Japan Meteorological Agency (JMA),especially in the context of p... 相似文献
20.
基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。 相似文献