共查询到20条相似文献，搜索用时 375 毫秒
1.
2.
利用ECMWF产品对庆阳极端气温释用效果分析 总被引：2，自引：0，他引：2
利用CMSVM的回归方法,用2003～2007年的欧洲数值预报格点资料和庆阳市8个自动站极端气温资料建立最高最低气温预报模型.2008年业务运行效果检验评估表明:5 d最高、最低气温综合平均预报准确率达到64%和71%,对实时业务有较好的指导作用.最高、最低气温准确率随着预报时效的延长效果降低,最低比最高气温的预报准确率高.最低气温预报效果春夏季好于秋冬季,最高气温相反.最高、最低气温绝对误差和平均误差都随预报时效的延长增大,最高比最低气温平均绝对误差大,二者的平均误差接近,均为正值,预报值具有偏高的倾向.对9月明显变化过程的评估表明,最高最低气温预报与实况演变的趋势相似. 相似文献
3.
利用ECMWF预报场资料和地面观测资料开展支持向量机(SVM)、卡尔曼滤波(Kalman)两种统计方法对山岳型风景区气温集成预报方法的研究,并且结合自动气象观测站气温资料进行检验。结果表明:单一的SVM方法预报准确率较高且稳定,传统的Kalman方法预报效果不太理想,对长时效预报效果较差;加权集成后,3种集成方法预报稳定性较好、准确率比单一的SVM和Kalman预报方法均有所提高。从不同预报时效的检验结果看,各预报方法最高和最低气温预报准确率随着预报时效的增加均呈现降低的趋势。绝对误差分析表明,各预报方法最高气温的平均绝对误差均低于最低气温的平均绝对误差。 相似文献
4.
5.
利用2019年1—12月国家气象信息中心实况格点资料、贵州地面观测站资料以及ECMWF 2m气温0场资料,讨论了相同插值方案下站点数对空间分布的反演效果以及相同测站数下不同插值方案的表现,同时对国家气象信息中心实况格点场进行了检验,并对本地建立的气温格点分析场进行初步评估。结果表明：相同的插值方案下,站数越多越能反映要素场的实际分布状态;基于贵州特殊地形,在相同站数下双线性插值法优于邻域法;通过对国家气象信息中心实况格点分析场评估,日最高、低气温在贵州区域均存在明显误差,其平均绝对误差分别为1.6 ℃与1.1 ℃左右, 平均RMSE分别达2.2 ℃与1.6 ℃。采用Cressman方案对离散观测资料重建的本地化气温格点分析场,其最高、最低气温平均绝对误差降至0.2 ℃与0.1 ℃左右,大幅度降低了与测站观测值的差异,基本可以代替国家气象信息中心下发气温格点分析场,并将为今后我省业务或研究工作中格点预报的客观订正提供新的更符合实际的参考。 相似文献
6.
《干旱气象》2021,39(4)
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。 相似文献
7.
利用2015年8月至2017年7月长兴岛站和交流岛站日最高气温、日最低气温实况资料,对ECMWF细网格2 m温度预报值和日本FSFE02(24 h地面形势场预报)、FSFE03(36 h地面形势场预报)进行了检验。结果表明:根据历史回归统计检验,ECMWF细网格模式24 h的2 m最高气温、最低气温预报效果显著,通过了0. 05信度显著性检验。对各月做相关分析,相关性均较好。利用前一日ECMWF细网格2 m温度预报值与长兴岛站实况差值,根据统计的ECMWF细网格2 m温度预报订正值,做出长兴岛站未来24 h的气温预报。交流岛站温度预报是在长兴岛站温度预报的基础上订正做出,经统计分析,交流岛站和长兴岛站的气温差值与地面形势场和风场有较好的对应关系,根据不同类型的地面形势场和风场订正值,做出交流岛站的温度预报。应用Matlab计算机语言的开发功能,提取ECMWF细网格2 m温度预报的最高、最低气温值,并录入当日长兴岛站和交流岛站最高、最低气温实况值,自动预报各站未来24 h最高气温、最低气温。创建可视化预报工作界面,实现乡镇温度预报自动化。 相似文献
8.
在遗传算法和粒子群算法的基础上,采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ-RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24 h预报时效的逐6 h地面2 m高度气温和35个天津区域自动气象站点资料,通过逐日滚动建立集成预报模型,对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。结果表明:使用该方法建立的气温集成预报模型具有比较可靠的预报能力,预报误差明显小于任一成员,预报准确率高。按绝对误差不大于2℃的检验标准,2012年35个站逐6 h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%,77.88%,78.00%。 相似文献
9.
基于ECMWF、JMA、T639、WRF四个数值模式2012年6月1日—9月30日地面气温3—60 h预报资料和郑州加密自动站资料,利用多模式集合平均(EMN)、消除偏差集合平均(BREM)、加权消除偏差集合(WBREM)及多模式超级集合(SUP)4种方法,对2012年8月29日—9月27日郑州城区11个站点地面逐3 h气温进行多模式集成预报试验,采用绝对误差对预报结果进行检验评估,结果表明:在30天的预报期内,BREM、WBREM及SUP对于大多数站气温预报效果有明显改善,而EMN方案对11个站预报效果改善则不太明显;4种方案中,BREM和WBREM预报效果相对较好且稳定,各个站上3—60 h预报的绝对误差均在2℃附近或以下;SUP方案虽然对个别站预报误差较低,但是其预报效果并不稳定,一些站点的个别预报时效误差大于2℃。对于郑州观测站的气温预报而言,4种集成方案20时起报的气温误差明显小于08时起报的误差,并且20时起报的SUP集成方案绝对误差明显小于其他方案的绝对误差。总体而言,BREM、WBREM及SUP三种集成方案能够给郑州精细化预报业务提供较好的参考。 相似文献
10.
辽宁地区ECMWF模式气温预报检验及误差订正研究 总被引：1，自引：0，他引：1
利用2016—2018年ECMWF细网格模式12—36 h内2 m温度预报产品,选取辽宁地区65个城镇站点观测资料,评估预报产品在不同季节的预报准确率,并按季节分析固定误差订正方法和最优滑动周期订正方法对提高准确率的作用。结果表明：ECMWF模式预报产品对辽宁地区气温预报的准确率表现为,ECMWF模式最高气温冬季预报最优(城镇站点预报准确率为81.5%),最低气温夏季预报最好(城镇站点预报准确率为84.3%);采用最优滑动周期订正后,2016—2018年辽宁地区的最高气温和最低气温准确率较ECMWF模式自身分别提高了19.7%和20.5%,最低气温的预报准确率提高程度优于最高气温;在整个空间分布中,ECMWF模式对辽宁中部平原地区最高(低)气温预报准确率高于东、西部地区,辽宁东北部和西南部以及东南部的长白山余脉影响区域准确率明显低于其他区域。同时,在各季中,最高气温和夏季最低气温的订正预报能力优于其他季节;在地面晴、雨两种特征下,对辽宁地区24 h气温预报进行订正检验表明,该检验结果对辽宁地区最高(低)气温订正有一定补充作用,尤其是冬季降水出现时,最高气温预报补充订正效果最为显著。 相似文献
11.
极端气温集成预报方法对比 总被引：4，自引：0，他引：4
用2003-2009年ECMWF和庆阳市极端气温资料建立最高最低气温SVM、Kalman、多元线性回归3种统计方法的预报模型,采用平均、加权、回归3种方法进行预报集成,对庆阳市2010年6-12月各预报方法及5个时次集成预报进行评估.结果表明:单一的SVM、多元回归和集成方法最低气温预报5个时次的准确率均高于最高气温0.8％～24.2％,集成后加权法准确率最高,但最高和最低气温选取权重不同,SVM权重大时最高气温效果好,多元回归权重大时最低气温效果好.随着预报时效的增加,单一的预报方法和集成预报,预报准确率降低.逐月评估表明,单一的SVM准确率较高且预报性能稳定,Kalman准确率较低,回归方法各月差异大,预报不稳定,集成后,3种集成方法的预报比单一的预报方法均有所改善和提高.绝对误差分析表明,加权集成后最高和最低气温误差都较小,优于平均集成法和回归集成法. 相似文献
12.
利用2016年1月1日—2018年12月31日吉林省381个站的逐日最高气温、最低气温和定时气温的观测数据,对ECMWF高分辨率模式的2 m最高、最低气温和定时气温预报进行检验分析.结果表明,ECMWF模式对吉林省的气温预报与实况存在一定偏差;从空间上看,自西向东气温预报准确率逐渐递减,预报误差逐渐增大;从时间上看,随预报时效的增长,预报准确率逐渐下降.对ECMWF的气温预报进行高度差订正后,模式最高气温24 h、48 h、72 h的预报准确率分别从52％、51％、50％提高至58％、56％、54％;最低气温准确率分别从58％、56％、54％提高至64％、62％、59％;定时气温准确率分别从63％、60％、58％,提高至67％、63％、61％.高度差订正的方法有效提高了模式气温预报的准确率,减小了模式预报误差,提高了模式预报释用能力,订正后的气温预报TS评分得到明显的提高.该方法已应用在吉林省客观预报的订正算法中. 相似文献
13.
14.
石家庄城市与郊县站地面平均最低、最高气温差异 总被引：3，自引：0，他引：3
应用石家庄地区17个站1955—2006年逐日最低、最高气温资料,统计分析了16个郊县站与石家庄市区站最低、最高气温的差值。结果表明:各郊县站年平均最低、最高气温均比石家庄市站低,最低气温偏低0.17～2.07℃,16个站平均偏低1.02℃;最高气温偏低0.01～0.55℃,16个站平均偏低0.28℃。郊县站平均最低气温偏低程度在冬季更明显,1月平均达到1.69℃,夏季偏低程度比较弱,但最弱的7月也有0.49℃;最高气温的偏低程度也在冬季明显,但季节性差异没有最低气温大。不论最低气温,还是最高气温,各县(市)站与石家庄市区站之间的差异均存在明显的随时间增大现象,最低气温20世纪90年代初以来增大尤其明显。石家庄市区站地面最低、最高气温记录反映出明显的城市热岛效应影响。 相似文献
15.
16.
对石家庄市2004年11月－2008年3月的温度预报进行了质量检验。结果表明：石家庄最低气温和最高气温的平均绝对误差均低于2 ℃,均方根误差低于3 ℃,最低气温预报准确率明显优于最高气温。进而对温度预报误差较大的样本出现原因进行了逐日客观分析,并通过自然正交函数分解（EOF）法,对不同情形下石家庄及周边县站极端最高、最低气温EOF分解特征向量场的变化特征对比,推断出影响气温预报偏差的主要因子大致相同,焚风是导致温度预报出现较大误差的重要原因。 相似文献
17.
18.
基于ECMWF细网格模式的定时最高(低)气温预报产品,针对2017年陕西99个国家级气象站的日最高(低)气温预报,检验和比较了递减平均法和一元线性回归法两种方法对气温预报误差的订正效果。结果表明,两种方法都显著地提高了日最高(低)气温的预报准确率,随着预报时效的延长,订正能力逐渐减弱。技巧评分与模式对气温的预报能力有显著的负相关关系,秦岭及其以南地区的日最高气温预报和秦岭以北地区的日最低气温预报的准确率偏低,其技巧评分一般超过40%,极大值超过70%。两种方法都有效降低了系统误差,较小误差范围的站次增多,较大误差范围的站次减少,对日最高气温在预报绝对误差≤2℃误差范围的订正能力较为突出,对日最低气温在预报绝对误差≥3℃误差范围的订正更有优势。一元线性回归法对日最高气温预报的订正能力略优于递减平均法,对日最低气温预报的订正能力不及递减平均法,利用这两种方法对气温预报进行混合订正的效果更佳。 相似文献
19.
一个简单的格点温度预报订正方法 总被引：7，自引：0，他引：7
格点气象要素预报是中国气象局目前的主推业务和未来天气预报的发展方向。本文基于欧洲中期数值预报中心ECMWF高分辨率模式2 m温度预报资料,在传统中央气象台站点温度指导预报SCMOC和回归方法建立的站点温度预报的基础上,提出"站点订正值向格点传递"的方法来订正格点温度预报。结果表明:(1)SCMOC站点最高、最低温度24~168 h预报误差2℃准确率分别平均高于ECMWF的10.0%和23.1%,ECMWF存在较大的系统性偏差,最低温度预报偏高,最高温度预报偏低。(2)"站点订正值向格点传递"方法能够订正模式格点温度预报的系统误差,且整体上不改变原ECMWF温度预报场的空间形态和原模式对地形的刻画特征。(3)利用研究区域内98个县级站SCMOC温度预报,订正ECMWF格点场,返回到区域内1289个乡镇站进行检验,结果24 h最低、最高温度1℃的准确率较ECMWF分别提高22.8%和11.9%,2℃的准确率则分别提高29.7%和17.4%。最低(高)温度绝对误差平均减小0.99℃(0.69℃),平均误差(ME)下降到0.7℃(-0.9℃)以内。(4)通过一元线性回归,得到98个县级站的温度预报,返回差值场来订正格点场,也能较好地订正ECMWF的系统性误差。对比两种方法,SCMOC差值传递在最低温度订正方面有较大的优势,而回归方法的最高温度订正效果较好。此外,回归方法能够较好地改善逐时温度预报效果。该方法已成功运用于陕西省精细化格点预报业务系统中。 相似文献
20.
基于ECMWF细网格模式输出产品和BP神经网络预报方法建立一种优化的BP模型,对吉林省东南部山区(白山地区、通化地区)未来24h的日最高和最低气温进行预测,并对比该方法、ECMWF细网格的2m温度输出产品以及线性MOS方法的预报效果.结果表明:在建立预报方法时,考虑预报因子对气温影响的累积过程,并对其进行优化处理,有利于提高预报水平;通过比较各预报方法的预报准确率(TT)、系统偏差(MBE)、平均绝对误差(MAE),最终得出对预报因子进行优化处理的BP神经网络法预报效果最好. 相似文献