共查询到20条相似文献，搜索用时 15 毫秒
1.
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
2.
利用2017年1月—2019年12月太原地区逐时气象资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,构建了能见度预报模型并进行检验,结果表明:(1)从空间分布看,太原北部能见度明显高于南部地区。从时间分布看,太原地区平均能见度最大值出现在5月,最小值出现在1月;日间最低值出现在06:00(北京时,下同),冬季略向后推移,最高值出现在15:00前后。(2)2017—2019年太原地区低能见度分别出现93、84、79 d;低能见度发生时,干霾、湿霾发生频率分别为59.27%、40.73%;湿霾发生时,能见度降低更加明显。(3)所选个例中,能见度均随各影响因子有所起伏,干霾、湿霾过程中能见度分别与颗粒物浓度、相对湿度变化一致。(4)采用神经网络方法构建太原地区能见度预报模型,预报模型相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为87%。神经网络方法对太原地区能见度预报具有较高的参考价值。 相似文献
3.
基于神经网络的广州市能见度预报 总被引：1，自引：0，他引：1
在研究了广州市能见度变化特征及低能见度发生的主要影响因素的基础上,利用广州市环境监测站2007-2009年的空气污染物（PM10、SO2、NO2）监测数据及同期地面气象要素（10min平均风速、最大风速、气温、相对湿度、露点温度、气压、24h降水量）观测资料筛选出主要的预报因子,用径向神经网络建立预报模型,并对2009年9月1日到12月25日的能见度进行预报试验.结果表明径向神经网络预报模型在能见度低于10km时预报准确率明显高于统计回归预报方程.采用分级方法统计得出在未出现低能见度情况下,中低能见度,中高能见度预报准确率分别为80％,69.6％,均高于线性回归预报方程（40％,47.8％）. 相似文献
4.
武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报 总被引：1，自引：0，他引：1
武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH2.5质量浓度升高。在城市大气细粒子污染背景下,能见度与相对湿度成非线性关系,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,基于神经网络方法建立大气能见度非线性预报模型是可行的,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,为衔接区域环境气象数值预报模式,建立大气能见度精细化动力统计模型提供参考依据。 相似文献
5.
根据三峡坝区不同的天气状况，将1999年11月至2001年10月逐日逐时相对湿度进行分类，求出各类相对温度平均值，再求出此类情况下各时次对应的相对湿度平均值的差值。以谝差值为订正值，起报时的相对湿度为初值，进行逐时相对湿度预报。用该方法预报2001年11月三峡坝区逐日逐时相对湿度，预报值与实测值的平均误差较小（-10％-8％），该方法可在业务预报中应用。 相似文献
6.
王楠 《沙漠与绿洲气象(新疆气象)》2020,14(2):81-89
利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。 相似文献
7.
利用2016年10月—2019年9月太原地区逐时能见度、相对湿度及颗粒物质量浓度等观测数据,研究分析了大气能见度与相对湿度及PM_(2.5)质量浓度的关系,采用神经网络方法,构建了能见度与相对湿度及颗粒物质量浓度的非线性模型,并利用2019年10月—12月气象小时数据对该模型进行了检验。结果表明:(1)太原不同季节能见度日变化特征明显,春夏秋季能见度在06时左右最低,冬季在09时左右最低;从空间分布上看,太原地区能见度南北差异明显,北部能见度高于南部。(2)细颗粒物质量浓度与相对湿度对大气能见度变化都有明显影响。PM_(2.5)质量浓度与能见度之间存在幂函数非线性关系,在40%≤相对湿度60%的区段内相关性最强,PM_(2.5)质量浓度与10 km能见度对应的阈值随相对湿度升高而减小,范围为5～103μg/m~3。(3)采用神经网络方法构建能见度与相对湿度及颗粒物质量浓度的关系模型,相关系数为0.81。利用太原地区2019年10—12月逐时气象观测数据对模型进行检验,均方根误差为5.29 km,平均绝对百分误差为31.45%,轻微级霾情况下模拟能见度TS评分为0.86,误差呈现正态分布,误差小于4 km的比例达72.99%。该模型对研究太原地区能见度具有较高的参考价值。 相似文献
8.
利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R2=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R2=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R2=0.71, 预测结果已不具备实际应用意义。 相似文献
9.
冬季高海拔复杂地形下GRAPES Meso要素预报的检验评估 总被引：4，自引：0，他引：4
利用GRAPES(Globe/Regional Assimilation and Prediction System)对2010年温哥华奥运会6个场馆气温、相对湿度、风及降水量的预报结果,采用预报准确率、平均误差、平均绝对误差、Alpha Index、TS和ETS评分等统计量对其进行了较详细的评估。结果表明:GRAPESMeso预报相对湿度的准确率最高,且随预报时效的增加,其变化趋于稳定。起初模式对相对湿度的预报偏干,之后逐渐变为预报偏湿;气温预报偏低;风速预报偏大。逐日各要素预报检验结果表明,气温的变化幅度最小;各级降水检验发现,晴雨预报的TS评分最高,且随降水增大,ETS评分逐渐接近TS。与其他模式预报结果对比发现,GRAPES-Meso对复杂地形下要素预报还存在一定的不足。本研究还发现,模式存在一定的系统误差,若能有效订正其误差,将有助于改进模式预报。 相似文献
10.
基于2016—2019年河北省142个国家气象站逐小时观测数据, 通过EOF时空正交分解和CART决策树分类回归等方法, 针对低能见度高发区域构建能见度预报模型, 并进行拟合检验。结果表明: 河北省雾日时空分布特征显示除张家口、承德及秦皇岛三市外, 40°N以南地区为雾日高发区域, 多年平均雾日数最高值可达50 d。相对湿度、地表温度、风速等气象要素与能见度显著相关, 将显著相关因子作为输入变量建立能见度预报模型并调参, 经检验该模型对于冬季的预报效果较好, 有较高的准确率; 夏季误报率较低; 日夜差别在夏季并不明显, 三个指数差别不大, 冬季夜晚的准确率与误报率明显优于白天, 漏报率略高。石家庄站2019年12月7—10日的三次大雾过程拟合结果较好, 有雾时次无漏报。 相似文献
11.
《干旱气象》2020,(4)
基于2016年冬季的观测资料和ECMWF细网格240 h气象要素预报资料,选用与能见度变化相关的水汽、动力、热力等因素作为预报因子,利用多元动态逐步回归方程对北京地区未来10 d的能见度进行预报研究。同时将能见度分为3个等级:1 km、1～10 km(低能见度)和≥10 km,并从区域平均、空间分布及3次低能见度过程个例进行预报效果检验。多元动态逐步回归方法对北京地区的能见度及其变化趋势均有一定预报能力且效果稳定,其中≥10 km等级的能见度预报效果最好,TS评分为64.2%,其次是1～10 km,TS评分为53.1%,最后是1 km,TS评分为51.3%;两个低能见度等级中平原地区预报效果优于山区,表现为从东南向西北递减的特征;而≥10 km等级的呈相反变化,预报效果山区优于平原地区;北京地区3次雾霾过程个例预报也证实动态逐步回归方法能够较好预报北京地区持续性低能见度过程。 相似文献
12.
基于WRF(weather research and forecasting model)模式逐时输出结果,设计了逐时太阳总辐射的模式输出统计(model output statistics,MOS)预报流程。主要包括:对逐时观测序列进行低通滤波再除以天文辐射,对模式输出因子的筛选和降维,以及建立MOS预报方程,并对2009年1月、4月、8月和10月武汉站逐时太阳总辐射进行预报试验。结果表明,该方案在各月预报相对稳定,拟合和预报效果均较为理想,可使平均绝对百分比误差控制在20%～30%,相对均方根误差控制在30%～40%,相对模式直接预报辐射改进了50%左右。由此可见,通过对模式输出进行解释应用,可以有效提高辐射预报的准确率。此外,客观分析所得的气温、云量、露点、比湿、相对湿度、地面气压等13个模式输出因子可以作为各地区建立MOS辐射预报方程的参考因子。 相似文献
13.
利用2000—2016年华南219个县级气象观测站的地面、高空气象观测资料以及对应站点的再分析资料,统计发生低能见度天气的天气形势和特征,归纳低能见度天气的预报指标。将与能见度以及能见度变化相关的气象要素输入神经网络进行训练,利用EC集合预报数据集获得能见度集合预报结果,通过对其离散度的统计分析以及经验公式最终获得具有泛用性、可靠性的神经网络模型的参数集。通过输入EC确定场数据,获得华南219县级站长时效精细化能见度预报结果,2017年上半年的能见度预报试验显示,模型预报结果的误差与TS评分均优于CUACE模式能见度预报。 相似文献
14.
武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH<40%),能见度迅速降低的关键因素是PM2.5质量浓度升高。在城市大气细粒子污染背景下,能见度与相对湿度成非线性关系,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH<90%湿度区段下相关性最强。PM2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,基于神经网络方法建立大气能见度非线性预报模型是可行的,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,为衔接区域环境气象数值预报模式,建立大气能见度精细化动力统计模型提供参考依据。 相似文献
15.
2012年环境保护部发布的《环境空气质量标准》实施后,贵阳市空气质量状况发生了变化。利用贵阳市空气质量指数和常规气象要素等资料,分析空气质量特征及其与气象要素的关系,通过多元线性逐步回归和BP神经网络方法,分季节建立空气质量指数预报模型,并同CUACE模式进行对比检验。结果表明:近3年贵阳市空气质量状况良好,优良天数增多,污染天数减少且污染天气多出现在冬季,首要污染物为PM2.5、PM10和O_3;各季相关因子不同,但主要与相对湿度和风速有关;两种模型预报效果均表现为夏季评价最高,等级TS评分超过85%,指数准确率近99%,冬季预报效果相对最差,TS评分接近或达到70%,指数准确率超过或接近80%,而春、秋季效果指标差距不大;对2015—2016年AQI的预报效果回归模型的优于CUACE模式的,TS评分和预报准确率分别相差16.2%和20.0%。 相似文献
16.
利用重庆市2003—2017年34个国家级气象观测站的逐时降水和逐时温度资料，建立了一种基于未来24 h日最高、最低气温和天气现象预报值的逐时气温预报模型。该模型通过搜寻与未来24 h预报值相似的历史天气现象下的气温时间序列，预报给定站点未来1 d的逐时气温。然后运用结合了高程的反距离加权插值法，得到重庆市0.125°×0.125°分辨率逐时气温网格预报产品。2018年逐时气温预报产品的检验结果表明，整体上国家级站点绝对误差≤2℃的逐时气温预报准确率为79.73%～91.40%，均值为87.12%;10月—次年2月的准确率好于3—9月，8月较差。该模型的预报性能在无雨时稳定，有雨时在地形复杂且易出现强降水的重庆东北部地区略差。重庆西部、中部的大部以及东北部偏西地区的网格产品预报准确率较高，而偏南局地山区和偏东部分山区的准确率较低。总体上该方法预报效果较好，预报性能稳定。 相似文献
17.
利用2000—2014年5月1日到6月10日河南省121个气象观测站点的逐日观测数据、欧洲中心模式预报资料,对河南省干热风天气进行分析,总结了干热风天气形势分类模型,同时利用多元回归法建立了河南省干热风天气的客观预报方法。分析结果得出:河南省干热风天气发生主要形势为西北气流型、高压脊型和纬向环流型3类;通过多元回归分析筛选出日最高温度预报因子为前一日最高气温、当日最低气温、08:00气温、EC850hPa 24h温度预报,相对湿度预报因子为EC850hPa 24h相对湿度预报、前一日14:00相对湿度、当日08:00露点温度,风速预报因子为EC细网格过去3h10m阵风预报,建立温度、湿度和风速3要素的预报方程;利用预报方程对2014年预报时段的天气进行检验,结果表明,对于轻干热风预报的TS评分为62%,重干热风预报的TS评分为64%。 相似文献
18.
为提高精细化网格降水的实际预报能力,评估了2021年汛期ECMWF(EC)、CMA-MESO、SXWRF和SCMOC降水预报产品在陕西的表现,讨论了卡尔曼动态频率匹配方法对不同模式的订正效果,然后针对该方法不足,基于最优TS评分阈值法和SCMOC在天气过程判定中占优信息对小量级降水进行了二次订正,最后利用分类降水过程建模和基于图像相似识别技术改进的卡尔曼动态频率匹配法对暴雨进行了订正研究。结果表明:SCMOC晴雨预报准确率和暴雨TS评分均最高,分别为81.60%和0.30,表现最好;卡尔曼动态频率匹配法可明显提高EC、CMA-MESO和SXWRF模式降水预报产品晴雨预报准确率,对暴雨预报的改善效果不稳定,对EC晴雨预报准确率和暴雨TS评分提升幅度均最大,分别为6.35%和6.99%,该订正方法更适合于EC模式;经晴雨消空二次订正后的EC模式晴雨和小雨预报准确率较一次订正后的EC模式均有提高,分别提高了0.51%和0.64%;分类降水过程建模订正可进一步提高EC暴雨TS评分,较未分类过程订正后的暴雨TS评分提高了1.05%,且暴雨其他评分指标也均变好;改进后的卡尔曼动态频率匹配法较改进前... 相似文献
19.
为了提升高速公路沿线低能见度预报预警能力，本文利用连霍高速公路陕西段沿线10个交通气象观测站逐时观测资料和欧洲中期数值预报中心ERA5逐小时再分析数据，分析公路沿线低能见度分布特征，探究低能见度与其他气象要素的关系。结果表明：1月是连霍高速公路陕西段沿线低能见度天气高发月份，而2月低能见度天气最少；一日中00:00—10:00(北京时，下同)低能见度出现次数最多，其中0～50 m的低能见度主要出现在05:00—06:00；低能见度持续时间较短，多在2 h以内，最长持续17 h。兴平到常兴段、陈仓段低能见度天气较多，是日常交通气象服务需要重点关注的路段。低能见度与各气象要素的关系分析发现，0～5℃的气温、90%以上的相对湿度、1.0 m·s-1以下的风速且处于东北风至东风条件下低能见度出现次数最多。夏季和冬季低能见度多与降水天气有关，低能见度通常出现在降水过程中或过程后，这种低能见度天气均在天气系统影响时出现，较辐射降温引起的低能见度持续时间更长、范围更广。各季节低能见度形成时的相对湿度不尽相同，冬、夏、秋季低能见度天气的相对湿度较高，而春季低能见度天气的相对湿度较... 相似文献
20.
利用重庆地区能见度及温、压、湿、风等气象资料和大气颗粒物浓度数据,对重庆能见度特征及其影响因子进行分析,采用神经网络方法建立能见度预报模型,分析比较了引入PM2.5浓度因子对预报模型的影响效果。发现：重庆地区能见度分布呈现西低东高以及长江沿线较低的分布特征;雾发生时的平均能见度低于降水时能见度也远低于剔除雨、雾后的能见度,表明低能见度受大气中水汽影响更大;雾在冬季比例明显增加,使得平均能见度在冬季明显降低,而6月和10月降水增多是导致这两个月平均能见度出现明显降低的重要原因;能见度日变化呈现单峰型,雾和降水高发时段与平均能见度低值区重叠,是造成夜间能见度低的一个重要原因;大气湿度、温度及颗粒物浓度都是影响能见度的重要因子,当相对湿度小于70%时能见度随PM2.5增加明显降低,当相对湿度大于70%时PM2.5对能见度的影响降低;在能见度的客观预报模型中引入PM2.5浓度因子的预报效果好于不引入该因子的效果,特别是秋冬季的预报效果改善明显。 相似文献