共查询到20条相似文献，搜索用时 390 毫秒
1.
采用基于T639数值预报产品的MOS预报,建立了内蒙古风电场风机风速预报模型,并与EC集合预报、本地MM5及上级WRF风机风速预报产品进行了对比,结果表明:平均绝对误差、平均相对误差、均方根误差均表现为EC集合预报(集合平均)效果最好,MOS方法次之,均优于本地MM5和WRF指导。由于集合预报、MOS方法预报时效较长,因而具有显著的业务应用价值。MOS方法制作风机风速预报的优点在于:以形势场作为预报因子,发挥了形势预报更为准确的优势,同时能够有效消除模式的系统误差。 相似文献
2.
基于PSU/NCAR中尺度大气数值模式MM5,分别采用Cressman逐步订正和牛顿张弛逼近的同化方法将青岛地区自动气象站、浮标站、边界层风塔、风廓线雷达、新一代Doppler气象雷达VAD风资料同化进模式,建立了一个青岛及周边地区资料同化预报系统,用于2008年青岛奥帆赛赛场风场精细化预报。统计分析表明,2008年8月9—21日比赛期间模式预报浮标A、B、C和D的风速平均绝对误差为1.6m.s-1,风向平均绝对误差为38°。分析指出,此预报模式系统能够为奥帆赛场提供精细化的风场预报产品,详细刻画青岛近海海面风场分布特征,为预报员的预报提供一种预报依据。 相似文献
3.
2008年第29届奥运会帆船赛(奥帆赛)在青岛市浮山湾至石老人湾附近的海域举行。8月份正是青岛的汛期,天气复杂多变,而且赛区周边地形复杂。奥帆赛需要提供50km2海域内4个浮标站逐时风向、风速的定量预报。为此,开发、引进了以MM5、WRF等多种模式建立了海面风精细化预报系统(图2),并在多种模式的基础上形成一套适应奥帆赛赛区复杂天气、复杂地形特征的集成预报产品。实践表明,集成预报产品为预报员提供了良好的技术支撑,在奥帆赛期间风速预报平均绝对误差仅为1.2m.s-1、风向预报平均绝对误差仅为36°。 相似文献
4.
利用MM5中尺度数值模式输出的福建沿海6个气象站2004年5月到2007年10月每天08、20时48 h每6 h间隔的风速预报和实况资料,采用不同隐层以及节点数,按照风速大小分类建立人工神经网络模型,以此为基础应用BP人工神经网络建立风速预报模型,并将该模型应用到2008年1月至2009年2月福建沿海平潭、崇武、东山三站风力预报,对其效果进行检验。结果表明,采用一层隐层3个隐层节点数的人工神经网络模型是预报风速的最佳模型;经人工神经网络订正后,沿海风速预报比MM5模式预报有很大改善,特别是对大风(10 m.s-1)预报能力有极大提高,其Vs评分比MM5模式提高60分;经检验,经人工神经网络订正后的风速预报精度比MM5模式提高约32.3分,总体上,随风力增大,订正后的风速预报效果越好。 相似文献
5.
6.
基于2008年8月1—24日国家体育场、顺义水上中心等5个奥运场馆自动站的5种地面气象要素(气温、相对湿度、风向、风速、和3小时累积降水量)的观测资料,对SVM和HPFF客观预报方法以及预报员在客观方法基础上制作的3天逐3小时预报产品进行检验评估。结果表明:(1)两种客观方法相比较,HPFF方法对于预报连续变化的气象要素(如气温、相对湿度)的精细预报比SVM方法更有优势,预报技巧要高;而对不连续变化的变量(如:风向)的预报技巧低于SVM方法。总体说来,HPFF方法比SVM方法的精细要素预报技巧高一些。(2)预报员对于5种气象要素的预报技巧略高于客观方法。体现了预报员对客观方法的修正能力。(3)0～12小时预报时效内,预报员气温预报平均绝对误差约为1.2℃,气温|F-O|≤1℃的预报准确率在57%上下;相对湿度预报平均绝对误差约为7%,相对湿度|F-O|≤10%的预报准确率约为74%;风向预报准确率约为30%;风速预报平均绝对误差为1m.s-1左右,预报准确率在92%左右。(4)12～63小时预报时效内,预报员气温预报平均绝对误差约为1.7℃,气温|F-O|≤1℃的预报准确率在36%上下;相对湿度预报平均绝对误... 相似文献
7.
北京奥运演练精细化预报方法及其检验评估 总被引：6，自引：1，他引：5
2007年北京奥运演练期间精细化场馆客观预报方法,即支持向量机方法(SVM)和半周期函数拟合(HPFF)预报方法,为场馆精细化预报产品的制作提供了有力的技术支撑.利用2007年8月1-26日国家体育场、顺义水上中心等5个奥运场馆的5种地面气象要素(气温、相对湿度、风向、风速、和3小时累积降水量)观测资料,对SVM和HPFF客观预报方法以及预报员在客观方法基础上制作的3天逐3小时预报进行了检验评估.结果表明:(1)两种客观方法相比较,HPFF方法对于预报连续变化的气象要素(如气温、相对湿度和风速)的精细预报比SVM方法预报技巧高;而对不连续变化的变量(如:风向)的预报技巧低于SVM方法.(2)预报员制作精细要素预报在很大程度上依靠客观方法.预报员对于气温、相对湿度和风速的预报技巧略高于客观方法,对于降水和风向的预报技巧与客观方法相当.尽管预报员对客观方法的修正能力比较有限,但具有对两种客观方法结果做出择优选择的综合判别能力;(3)预报员0～63小时气温预报平均绝对误差约为1.8℃,气温预报误差≤1℃的准确率在43%左右,预报误差随预报时效变化不大;0～24小时相对湿度预报平均绝对误差约为10%,相对湿度预报误差≤10%的准确率是60%,误差随预报时效而有所增大;0～63小时风向预报准确率约20%,预报准确率随预报时效变化不大;0～63小时风速预报平均绝对误差在0.8～1.4m·s-1之间. 相似文献
8.
基于MM5模式的精细化MOS温度预报 总被引：5，自引：0，他引：5
利用2002年9月到2003年8月MM5模式每隔1 h的站点基本要素预报场和物理量诊断场资料,以及相应时段内宁夏25个测站的温度自记观测资料,同时采用多元线性和逐步回归2种MOS统计方法,预报宁夏25个测站48 h逐时温度。通过对2004年6月至2005年5月的预报效果检验,结果表明:MOS方法对宁夏48 h逐时温度有较强的预报能力,当天气形势变化较平稳时,MOS预报结果稳定,平均绝对误差控制在2℃之内;当有明显的冷空气活动时,误差变率起伏波动较大,预报结果不稳定,但与原MM5模式直接输出结果相比,MOS预报水平有明显提高,24 h极端温度TS评分个别月接近甚至超过预报员。 相似文献
9.
利用福建漳浦沿海一座测风塔2009年12月—2010年11月的观测资料和中央气象台发布的MM5风速数值预报资料,统计分析了沿海近地层风速和风速数值预报误差的变化特征,统计结果表明:全年和各季节的风速变化具有明显的日变化特征,日最小风速出现在上午至午后,日最大风速则出现在旁晚至凌晨;同时,风速数值预报与测风塔实测风速的误差也存在较明显的日变化特征,这种变化特征与近地层湍流的发生发展有密切联系。在统计分析基础之上,提出一种谐波分析与人工神经网络(ANN)相结合的24 h短期风速数值预报的订正方法,订正试验结果表明:该方法可以每24 h更新一次预报结果,相对于风速数值预报的精度,两次独立样本检验的平均绝对误差分别减小25.6%、28.8%,且订正后使得风速数值预报的系统性偏差有明显下降。 相似文献
10.
精细化MOS相对湿度预报方法研究 总被引：2，自引：2，他引：2
利用2003年5~9月MM5模式每隔1 h的站点基本要素预报场和物理量诊断场资料,以及相应时段内宁夏25个测站的相对湿度自记观测资料,同时采用多元线性和逐步回归2种MOS统计方法,预报宁夏25个测站5~9月48 h逐时相对湿度。对2004年夏季6~8月预报效果检验表明:MOS方法制作宁夏48 h逐时相对湿度预报结果是可用的或是可参考的;2种MOS统计方法预报结果相近,逐步回归方法比多元线性方法预报效果稍好,08:00预报误差明显低于20:00;当天气形势变化较平稳时,MOS预报结果稳定,平均绝对误差控制在10%左右;当有明显的变温等特殊天气时,误差变率起伏波动大,预报结果不稳定。 相似文献
11.
南海热带气旋大风的遗传－神经网络集合预报 总被引：1，自引：0，他引：1
利用1980-2012年的南海热带气旋实况资料和NCEP/NCAR再分析资料,将热带气旋定位中心周边6×6格点上的地面风速作为预报对象,以气候持续预报因子和前期风速预报因子作为模型输入,采用遗传—神经网络集合预报方法,进行热带气旋定位中心周边36个格点上的风速预报模型的预报建模研究.分别对2008-2012年7-9月共368个独立预报样本进行遗传-神经网络集合方法的分月预报结果表明,南海热带气旋中心周边风速24h的预报平均绝对误差为2.35m.s-1.另外,本文还进一步将该预报方法与国内外普遍采用的逐步回归预报模型进行对比分析,在相同的预报量和预报因子的条件下的对比分析表明,新预报模型对≥10m.s-1的强风预报结果较逐步回归方法的优势明显,预报性能较好,可为沿海热带气旋大风预报提供新的参考. 相似文献
12.
青岛近海夏季海风分型及预报 总被引：1，自引：0，他引：1
利用2005年7月上旬至2007年9月中旬青岛自动站以及近海浮标站逐小时的观测数据以及3小时海平面气压形势场,根据大尺度背景地转风将海风分为7个类型,建立预报青岛夏季近岸海风的统计分型方法。分析表明当大尺度地转风为偏东风时,青岛近岸海风较强(海风风速大于6m.s-1),海风风向东东南。当大尺度地转风为北风时,青岛近岸海风风速大于3.6m.s-1,海风环流建立后风向逐渐向右偏转。当大尺度地转风为偏南风,且地转风向岸风分量较强时,青岛近岸海风起风时间较早,但海风环流较弱;当向岸风分量较弱时,海风环流发展较强。海风环流建立以后,海风风向的偏转受科氏力、气压梯度力、地形、摩擦力等因素的共同影响。从2008年8月的预报检验来看,该方法能较准确地预报青岛近岸海风的风向偏转趋势以及午后海风的风速,为近海风力专项预报提供了一种简单实用的预报方法。 相似文献
13.
基于2015—2017年常规海洋气象观测资料、天津中尺度天气预报模式(TJ-WRF)预报产品、EC数值预报及其集合预报产品,建立了渤海BP神经网络两级海风预报模型,该模型在大量历史样本的拟合训练基础上分别实现小风和大风与相关因子间的非线性映射,其结果有较高的预报准确率。一年的业务试用期间,该模型对各风级、各预报时效的预报能力基本稳定,预报误差较使用该释用技术前数值模式误差有所减小,72 h内风速平均绝对误差为1. 72 m·s-1;对灾害大风的预报准确率仍能保持较高水平,8级风风速平均绝对误差仅为1. 77 m·s-1。 相似文献
14.
利用中尺度数值预报模式MM5对山西省2009年发生的几场典型雾个例进行数值模拟。结果表明：模拟2 m温度比观测值偏低约2 ℃,相对湿度模拟结果比观测值偏大约15 %,10 m的模拟风速比观测的偏大0-2 m·s-1。山西省雾的预报指标为20 m液态水含量大于等于0.13 g·kg-1而小于0.60g·kg-1、20-1500 m高度大气层存在逆温层、地面风速小于4 m·s-1。利用太原测站日平均能见度、日平均相对湿度以及空气污染指数进行拟合建立太原能见度预报模型,并利用实测资料订正MM5、CAPPS模式预报误差,给出订正后的能见度预报方程并以两次实例对区域及太原雾天能见度预报表明该能见度预报模型有一定的适用性。 相似文献
15.
通过对MM5数值预报产品的释用,将MOS统计方法应用到短时要素预报中,综合利用MM5数值预报产品、自动站实况数据和雷达数据等资料,建立降水和温度的4 h预报模型;降水作为不连续变量,将其通过建立降水可能函数的方法转化为连续变量,利用统计预报方法,可以达到定量预报的目的。通过对4140个时次的样本进行检验。结果表明：MOS预报结果较MM5直接输出结果整体有所改进,当数值模式误差较大时,统计方法显示出一定的优势;降水预报检验结果显示,TS评分为65%,预报正确率PC为91%。降水明显的样本(3 h雨量>5 mm)平均误差在8 mm以内,弱降水样本(3 h雨量<3 mm)平均误差在1 mm以内,预报方程对非雨日样本的整体预报效果较好,优于MM5模式预报,预报正确率高达98%,但对流性降水仍是预报难点;对于温度预报,20-08时段误差较小、平均在1.0℃以内,而11-17时、误差平均在1.5℃左右,但经过误差的季节订正,可以控制在1.0℃左右。 相似文献
16.
3个全球模式对近地层风场预报能力的对比检验 总被引：1，自引：0，他引：1
为了使检验的预报风速具有可比性,首先利用WRF模式对3种常用全球环流预报场(ECMWF、GFS、T639)在中国区域进行4个典型月的10 km水平分辨率的降尺度计算,再利用中国400座测风塔同期观测资料对24 h内70 m高度的风速预报性能进行了对比检验。结果表明:(1)从4个典型月的全风速检验情况来看,ECMWF预报效果略好于GFS,T639稍差,但三者做简单的集合平均可获得最优的预报结果;(2)3种全球预报场降尺度后的预报风速误差平面分布比较相似,整体来看,内蒙古、东北和沿海部分区域误差较小,内陆地区误差较大,尤其在高原和内陆复杂地形下预报效果不佳;(3)从预报风速在4个风速区间的平均检验情况来看,在(0,3]m·s-1和(3,15]m·s-1区间内,ECMWF的TS评分略好一些,在(15,25]m·s-1区间GFS的TS评分最高,在25 m·s-1以上ECMWF具有明显优势;(4)在(3,15]m·s-1区间,3种全球环流预报场的风速预报误差平均在35%左右,ECMWF略好于GFS,GFS略好于T639;(5)从各测风塔点位最优预报效果的全球场统计情况来看,在(3,15]m·s-1区间内,有55.5%的点是ECMWF效果最优,24.8%是GFS最优,19.7%是T639最优。 相似文献
17.
对华云神箭MM 5中尺度数值模式2004年6—11月输出的地面要素日最高气温、日最低气温、日平均气温和日最大相对湿度、日最小相对湿度、日平均相对湿度进行了检验,检验统计量为平均误差、平均绝对误差、均方根误差和相关系数。通过检验,气温和相对湿度MM 5都存在系统性误差,短时效(24 h)预报值比实况偏小,随着预报时效延长,气温预报仍然偏小,且绝对值较大。相对湿度预报数值偏大,但在可允许的误差范围内。从空间区域图分析,气温和相对湿度都存在准定常的误差分布区。 相似文献
18.
19.
为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。 相似文献