共查询到20条相似文献，搜索用时 15 毫秒
1.
《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
2.
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
3.
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
4.
该文对2013年昌吉州区域3种主客观温度预报产品进行质量检验,预报时效24 h、48 h、72 h;对温度预报误差≤2℃的百分率(准确率)、平均绝对误差、均方根误差统计检验。对预报员和模式预报产品的质量、技巧评分进行对比分析。结果表明:预报员的24 h预报质量略优于模式的预报质量。48~72 h最高温度预报质量,EC细网格预报最好。分析主客观预报质量的月变化和站点变化,为业务工作中的参考权重提供依据。提出了选取最优订正值订正客观预报系统偏差的方法(预估若干订正值,分别计算每个订正值在一段时间内的平均绝对误差和准确率,选取其中平均绝对误差最小且准确率最高的订正值),并通过制作相应软件投入业务运用。 相似文献
5.
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
6.
文章提出了一种结合滑动双权重平均订正法和空间误差逐步订正法的综合订正技术,并对2016年5月1日至2017年5月1日期间24～168 h预报时效内欧洲中期天气预报中心(ECMWF)高分辨率模式的2 m最高和最低温度进行偏差订正和误差分析,主要结论如下:(1)ECMWF模式在江西省的温度预报整体上比实况偏低,最高温度尤为明显,模式温度的空间分布表现出显著的系统性偏差,且偏差在不同预报时效是稳定的,订正ECMWF模式温度具有可行性。(2)滑动双权重平均订正法中较长的滑动订正周期对模式温度预报有更好的订正效果,采用滑动订正周期20 d是比较理想的。滑动双权重平均订正法具有持续的订正能力,但在季节过渡期间订正效果可能并不理想,而空间误差逐步订正法能进一步提高滑动双权重平均订正法的预报订正质量。(3)温度预报准确率表明,滑动双权重平均订正法和空间误差逐步订正法综合订正技术较好地改善了站点温度的预报质量。经过订正后,模式最高温度24、48、72 h预报误差≤2℃的准确率分别从0.59、0.55、0.52提高到0.75、0.68、0.62,模式最低温度24、48、72 h预报准确率分别从0.84、0.83、0.82提高到0.89、0.87、0.85。订正后72 h最高和最低温度的预报准确率都大于订正前模式24 h的准确率。总体而言,该综合订正技术较好地订正了模式误差,且误差在空间分布上较均匀。(4)对于高山站而言,经过订正后的最高和最低温度与实况基本吻合。空间误差逐步订正法的订正量在±1℃之内,与滑动双权重平均订正后的偏差呈现一定的负相关,有正的订正效果。该综合订正法已成功运用于江西省精细化气象要素客观预报业务系统中。 相似文献
7.
本文选取2017年1~12月ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式168h预报时效的2m温度场和对应时段四川地区157个国家站的观测资料,对比分析了模式温度预报的系统性偏差特征,采用15日周期的滑动双权重平均法对2m温度预报产品进行偏差订正,并与四川省气象台现有的主、客观预报产品进行对比,结果表明:(1)EC模式对低温的预报准确率远高于高温预报准确率;订正后高、低温预报准确率均有显著提高,其中低温平均提高了20.5%,高温提高了31.2%,平均绝对误差分别减小约1.1℃和2.9℃。(2)EC模式高温预报的逐月差异明显比低温预报逐月差异大,订正后差异明显减小,且各月的高、低温预报准确率均有显著提升,订正后各月高、低温的平均绝对误差均在2℃之内。(3)EC模式对于低温和高温的预报在全省均大致呈现负的系统性误差,且高温预报的系统性误差明显比低温预报的系统性误差大,订正后2m温度预报的系统性误差均明显降低,全省大部分地区维持在±1℃之间。(4)与四川省气象台现有的主、客观预报产品对比显示,对于高低温预报均是EC订正后准确率最高、平均绝对误差最小,订正效果较为理想。 相似文献
8.
《干旱气象》2016,(3)
利用递减平均法对2012—2013年陕西区域99站共731 d的SCMOC温度精细化指导预报进行误差订正,订正结果表明:该订正方法总体表现为正的订正效果,对08:00和20:00起报的定时温度、日最高温度以及08:00起报的日最低温度有明显的订正能力,在准确率偏低的预报时效内订正效果较好;对于48 h内逐3 h定时温度预报,在夜间的准确率高于白天,对应的"递减平均法"在白天的订正能力高于夜间;对于168 h内日最高(低)温度预报,随着预报时效的增加准确率降低,但是"递减平均法"的误差订正能力增强;"递减平均法"对48 h内逐3 h定时温度和24 h内日最低温度的订正能力在准确率偏低的月份偏强。 相似文献
9.
基于2018—2020年逐日修水国家基本气象站降水实况和模式降水预报数据,对ECWMF、NCEP、JMA、CMA-GFS、CMA-SH9等5种模式24 h及48 h降水预报进行了误差分析及检验。结果表明,总体上各模式24 h、48 h降水预报误差均以一个量级的正误差为主;各模式24 h降水预报误差小于48 h;CMA-SH9、JMA模式24 h、48 h预报误差均较小;总体上各模式24 h预报评分优于48 h;华东模式、日本模式24 h、48 h晴雨准确率均较高;CMA-SH9、ECMWF、NCEP模式24 h、48 h降水预报各量级风险评分均较高;JMA模式对24 h暴雨及以上量级降水可能具有一定的预报指示意义;总体上各模式24 h、48 h降水预报风险评分随量级增大而降低,空报率、漏报率随量级增大而增大;总体上各模式24 h、48 h小雨预报性能较优,中雨均易空报,大雨均易漏报,暴雨及以上降水均易空报与漏报。进一步通过引入滑动训练期,并基于平均绝对误差权重的多模式集成订正方案对降水预报进行订正,且对订正预报结果进行了整体及分季节评估检验。结果表明,相对多数模式,经订正后24 h、48 h降水预报性能总体上均有所提升,即提高了预报准确率,减小了预报误差,改进了晴雨准确率,提升了小雨—中雨的预报评分,提高了夏季48 h暴雨及以上降水的风险评分,并降低了其空报率;48 h降水订正预报效果总体优于24 h,春季及秋季降水订正预报效果总体优于夏季及冬季。 相似文献
10.
本文通过分析2017年9~12月四川地区ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式、GRAPES_GFS(Global and Regional Assimilation and Prediction System)全球模式和西南区域模式(South West Center-WRF ADAS Real-time Modeling System, SWCWARMS)2m温度168h预报时效内的系统性偏差特征,采用滑动双权重平均法分别对三种模式温度预报产品进行偏差订正,并集成得到各时效2m温度的订正场,结果表明:(1)三种模式的预报存在明显的日变化,整体上EC模式的预报最优。(2)三种模式对于低温和高温的预报,在全省均大致呈现负的系统性误差,特别在高原及过渡区表现的尤为明显。(3)订正后三种模式的预报准确率显著提高,均方根误差减小1.4~2.5℃,大部分地区平均误差维持在±0.5℃之间,在系统性偏差较大的地区,订正效果更好。(4)两种集成方案预报结果接近,且均优于三种模式的订正预报。 相似文献
11.
利用2021年10月至2022年3月(2021年冬半年)欧洲中期天气预报中心(European centre for medium-range weather forecasts, ECMWF)细网格阵风预报数据和河南省国家级地面气象站阵风观测资料,基于一元线性回归(linear regression, LR)方法,对河南省ECMWF阵风预报进行订正,并对其检验评估。结果表明：(1)2021年冬半年,河南省多出现6级以下的阵风天气。ECMWF模式对于7级及以下的阵风预报存在整体高估的现象,对于7级以上的阵风预报存在低估的现象。(2)LR订正后准确率、均方根误差在所有预报时效均有明显的改善。订正后准确率较高、均方根误差较小的站点主要分布在京广线以东大部分地区、焦作、南阳南部;豫西山区订正效果一般,其复杂的地形易导致阵风偏高,而6级以上阵风样本数较少,预报订正值稳定性相对较差。(3)阵风预报与起报时次的关系不大。LR方法针对6级以下阵风预报有一定的优势,技巧评分(Ts评分)较ECMWF预报高,预报偏差(Bias评分)更接近1。 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.
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
14.
应用滑动平均（5 d、7 d）、类卡尔曼滤波递减平均两种订正方法对哈尔滨地区国家级指导预报最高（最低）气温产品进行预报能力初步检验及偏差订正。结果表明：两种订正方法对最高气温与最低气温预报产品24-240 h预报时效大部分时段均有正的订正效果,最高（最低）气温预报准确率提高1-2%,平均绝对误差0.1-0.2℃,其中24-96 h预报时效预报能力稍好,120 h之后预报能力较差,订正后预报准确率也不足60%。气温预报偏差还表现为明显的季节变化特征,7-9月最高气温的预报效果优于冬春季,冬半年的订正幅度较夏季稍大。另外,不同天气状况下降水天气对气温预报有一定的影响,如果能进一步改进模式预报中降水带来的偏差,将进一步提高模式订正效果。 相似文献
15.
利用滑动平均法和递减平均法对2013—2014年江西省1 216个乡镇站点ECMWF集合预报2 m温度集合平均产品进行误差订正试验。结果表明:1)滑动平均法和递减平均法对江西地区乡镇温度预报为正的订正效果,订正后的预报准确率大于订正前,并且递减平均法的订正效果要略优于滑动平均法。2)误差订正方法对各时段温度TRMSE的订正能力都随预报时效的增加而减小,对高温预报准确率的提高明显大于低温,对山区预报准确率的提高大于平原,对有规律的预报误差的站点订正效果较好。3)随季节和站点变化的自适应递减平均法的预报结果较各季节和全年定常最优订正系数好,订正方法对秋季温度预报订正能力最强,春季最差。 相似文献
16.
17.
使用欧洲中期天气预报中心（ECMWF）的20年集合预报回算数据，检验分析了延伸期第16天至第30天预报时效其对我国日最高气温的预报性能。结果表明，西部地区预报误差明显大于中东部地区。全国平均而言，模式预报较实况偏低1.1℃~1.39℃，均方根误差为4.6℃~4.9℃。进一步分析指出，第16天均方根误差最小、且随着时效的延长其略有增大。夏季模式预报效果最好，春季和秋季的部分时段预报效果较差。基于历史偏差订方法，本文还对2018年6月至2019年6月的日最高气温预报进行了误差订正试验。结果显示，订正后的预报准确率提升了15.2%~19.2%。聚焦2018年7月的一次中东部地区大范围高温过程，模式原始预报明显低估了高温强度，订正预报更接近实况，显示其具有一定的订正效果。 相似文献
18.
利用EC模式对2017年沧州市14个国家基本站2m最高、最低温度的24、48、72h预报结果,采用预报准确率、平均误差、平均绝对误差和皮尔森相关系数等统计方法进行检验及订正。结果表明:EC模式对不同预报时效预报准确率,最高温度模式20时起报高于08时,最低温度08时起报高于20时;随着预报时效的延长,模式预报准确率逐渐下降。预报准确率最高温度区域差异不明显,月际变化大;最低温度区域差异显著,月际变化不均。EC模式对沧州温度的预报误差主要由系统误差造成,温度预报绝大多数的大值误差出现在转折性天气阶段,当出现明显升温和高温时,最高温度预报偏低更明显,出现明显降温时,最低温度预报偏高。对2018年1-4月EC模式预报最高、最低温度进行系统和大误差订正检验,发现订正后预报效果更好。 相似文献
19.
采用ECMWF细网格模式产品,对发生在北疆2015年1月—2017年4月共20场降雪天气过程进行统计学检验。结果表明,48 h预报时效内ECMWF细网格模式对形势场、850h Pa比湿、对流层位涡及对流层低层u、v风场预报误差较小,精度较高;对流层中低层垂直速度和相对湿度及300 hPa u、v风场的系统性误差较小,随机误差相对较大,并建立了ECMWF细网格模式48 h预报时效内在北疆降雪天气预报中的应用模型;模式对新疆北部暖区降雪的各量级预报随时效的延长准确率并非减小,尤其是中雪;72 h预报时效内,模式对12 h累计降雪量为小雪和中雪的预报相对较稳定,强降雪的误差较大,随时效的延长并非呈增大的趋势;在预报业务中注意订正应用。 相似文献
20.
基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。 相似文献