共查询到20条相似文献，搜索用时 156 毫秒
1.
对2017年春季黑龙江省大、小兴安岭林区的6个代表站点10 m风场进行降尺度分析,并结合观测数据对比分析了WRF模式和CALMET降尺度模式的10 m风速、风向预报结果。结果表明：两模式逐小时风速预报与观测的相关系数为0.5-0.7,且随着风速的增加,模式的预报准确率逐渐提高,夜间的风速预报偏差较大,进入白天后,偏差明显减小。WRF模式对风速变化趋势的预报效果优于CALMET模式,与观测的风速相关性更高,而CALMET模式对较大风速的预报效果优于WRF模式。在风向预报方面,WRF和CALMET的风向模拟与观测风向均有较好的一致性,模式预报准确率较高的两个风向也刚好对应各站的盛行风向。同时,本文用回归方法对日平均风速进行订正发现,订正后各站的日平均风速预报准确率平均提高了50%,具有较好的业务应用价值。 相似文献
2.
海面风速对航运及海上生产作业影响重大,但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差,提高海上大风预报准确率,基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估,并采用概率密度匹配方法对模式误差进行订正。分析结果表明,概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差,订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报,经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s,120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中,基于概率密度匹配方法订正后的风速与实况观测更接近,能够为我国近海洋面10 m风速的预报提供更准确的参考。 相似文献
3.
风电功率预测中最重要的因子是风速,准确的风速预测是风电功率预测的前提和基础。为了提高短期风速预测的准确性,本研究采用WRF模式,对我国上海崇明吕四风电场的风速进行预报。在此基础上,利用PCA-RBF算法结合WRF模式预报风向、气温、气压等气象要素对预报风速进一步订正。实验结果表明,利用PCA-RBF算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差降低20%~30%,相对平均绝对误差降低15%~20%。与其他智能算法(BP算法、LSSVM算法)对比分析后得出,PCA-RBF算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。 相似文献
4.
风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。 相似文献
5.
基于WRF/CALMET的近地面精细化风场的动力模拟试验研究 总被引：2，自引：1，他引：1
本文利用中尺度动力模式 WRF和诊断模式CALMET对琼州海峡的两次冷空气过程的近地层风场进行模拟和诊断,所用的资料是美国NCEP再分析FNL资料。WRF模式第一至第四层网格的水平距离分别是27、9、3和1 km,并用WRF-1 km场以单向嵌套模拟方式降至200 m,同时以 WRF-1 km 预报场作为 CALMET 初猜场降尺度诊断至200 m。分别用CALMET-200 m风场、WRF-1 km风场和 WRF-200 m风场,3个风场的风速、风向与沿琼海海峡分布的21个测站（其中6个测风塔）观测资料进行检验比较分析。主要结论是：（1）CALMET-200 m的风速RMSE明显小于另外两组试验,风向RMSE总体上差异不大;在60～80 m高度上也没有明显差异。（2）在0～8 m·s－1风速,10 m高度上CALMET-200 m风场诊断结果最好,风速平均偏差值从4～0 m·s－1,WRF的两组试验平均偏差值比CALMET-200 m结果大约2 m·s－1,风向上表现为偏差的分布更加集中;60～80 m高度上,CALMET-200 m 诊断效果与 WRF-1 km 模拟效果相当,但是冷空气时段内 WRF-200 m的风速要远远差于另外两组试验;而3组试验的风向并无大的差异。（3）WRF／CALMET模式系统在非冷空气活动时段内的风速风向模拟诊断偏差更小,说明其在层结相对较稳定时模拟诊断的准确度更高。 相似文献
6.
《高原气象》2017,(3)
为了弥补海上风的常规直接观测资料较少的不足,探索将合成孔径雷达(Advanced Synthetic Aperture Radar,ASAR)观测资料用于风场研究,以江苏近海为研究对象,利用沿海地面观测数据和2008年11幅ASAR影像反演获得的风速和风向进行对比,并将卫星反演风场同化至数值模式,分析对海上风场模拟效果的改进。结果表明:ASAR影像反演的海面风场和地面实测吻合度较高,可以作为没有直接风观测的海上区域的补充。风速反演值略大于观测值,均方根误差为1.8 m·s~(-1),83.6%的站点偏差在±2 m·s~(-1)之内;风向反演值比观测值偏北,均方根误差为39.3°,41.8%的站点偏差在±22.5°之内。将反演风场同化至WRF模式后,提高了海上风场的模拟效果,风速均方根误差1月降低至0.9 m·s~(-1),7月降低至1.6 m·s~(-1);风向均方根误差1月降低为57.3°,7月降低为50.6°。 相似文献
7.
机器学习在气象数值模式的后处理中表现优越,但其稳定性和适用性有待深入探究。本文选取了ECWMF模式包括2米温度、风、降水等多气象要素预报产品和安徽省80个国家气象站观测2米温度实况资料,分析了EC模式在安徽省站点温度预报误差,利用决策树、随机森林、LightGBM三种机器学习算法订正EC 模式0-72小时温度站点预报,并将其与传统MOS订正方法和SPCC主观预报产品进行了对比。结果表明：EC模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大误差;机器学习算法中最高温度预报随机森林表现最优,最低温度预报LightGBM最优,比EC模式平均绝对误差MAE分别降低了0.55℃、0.2℃,均方根误差RMSE分别降低0.6℃、0.31℃,预报准确率提高了18.16%和5.19%;高山站独立建模并融合周围站的信息能有效降低模型误差;相比SPCC主观预报产品,机器学习预报模型在高温和寒潮过程中互有优劣,但在天气转折初期落后;机器学习可以作为常规预报模式的补充,能显著优化或改善传统预报中温度预测精度,特别是对于数据缺乏的高山站点。 相似文献
8.
以业务应用为目标,开展高时、空分辨率三维风场在强对流天气临近预报中的融合应用研究。运用北京快速更新多尺度分析和预报系统集成子系统（RMAPS-IN,Rapid-refresh Multi-scale Analysis and Prediction System-Integration）,对雷达四维变分分析系统（VDRAS）30 min临近预报的高时、空分辨率三维风场作为数据源与自动气象站风场观测进行快速融合处理。结果表明,以VDRAS临近预报风场取代数值模式预报场作为融合初猜场后形成的分析结果对于风场有明显的改善:（1）长时间序列客观检验结果表明,地面10 m高风场U/V分量绝对误差分别为0.05和0.06 m/s。实时融合对未来预报的影响随着预报时效的延长,U/V分量的绝对误差不断增大。（2）对于11个强对流个例,地面10 m高风场风速均方根误差降低0.3 m/s,风向均方根误差降低13°;边界层三维风场,风速均方根误差降低0.8 m/s,风向均方根误差降低10°。平原站点融合以后风速、风向预报效果有较大改善,山区站点融合以后改善相对较小。（3）通过对2017年7月20日暴雨和7月7日雷暴大风个例的详细分析,发现融合基于雷达资料四维变分同化获得的高分辨率临近预报风场对各对流系统中的中尺度结构特征给出了更加细致准确的描述。 相似文献
9.
风电场风速数值预报的误差分析及订正 总被引：2，自引：1，他引：1
使用WRF模式对内蒙古某风电场区域内的2011年1-6月,50m高度的风速进行了模拟,并结合实测风速对模拟结果进行了评估。在此基础上再利用自回归模型(AR模型)和持续法对WRF模式模拟结果进行了订正预报,订正结果表明:AR模型和持续法都能有效地减小WRF模式风速的模拟误差,AR模型订正效果优于持续法。为能对订正预报时效进行延长,提出了"假设观测值"概念。在AR模型的基础上建立一种新的订正模型称之为New AR模型。其订正预报结果表明:新模型能在12h时效内,改善WRF模式风速模拟精度,其中6h的改进效果较好。 相似文献
10.
利用2016年上海沿岸海域19个站点的风场资料,进行了风场质量控制,包括完整性检查、内部一致性检查、持续性检查和高度订正。同时挑选10个站点作为实况对2016年风场模式预报进行检验,包括风速预报误差、风速预报准确率和风向预报检验,对比了风场观测资料质量控制前后的检验结果,最后对两次大风过程进行了检验。结果表明:预报检验结果均随着预报时效的增加而变差;整体误差秋季和冬季较小,6月和7月误差较大;分级检验0～5级风速准确率在0.9～1之间,预报值比实况偏大,6级以上风速预报准确率逐渐降低,且预报值比实况偏小;风向检验呈现明显的季节性,冬季12月、1月误差小,准确率最高,夏季6月误差最大,准确率最低;质量控制后检验结果都得到正面提升;两次大风过程预报准确率均在70%以上。 相似文献
11.
本文通过分析"神舟六号"飞船着陆时期WRF模式对主着陆场区的风场及其影响系统的模拟结果, 发现WRF模式对主着陆场区的地面风速、风向的预报,WRF模式输出的850 hPa 模拟风场对100 m高度以下浅层风的最大风速及其风向的预报,结果均比较理想;WRF模式输出的300 hPa 高度风速、风向的模拟结果和急流轴的强度、位置模拟结果,与高空7～12 km最大风速及其风向的相关性较好,可作为预报指标;模式对风场的主要影响系统东北低压加深东移和蒙古高压的演变模拟基本准确.本模式能够作为未来客观预报主着陆场区地面和高空风场一种新的技术手段和工具. 相似文献
12.
利用2001—2020年河北省142个国家气象站逐日最大风速资料分析了近20年河北风速变化背景。择选2021年2—5月张家口、崇礼区域日极大风速13.9 m/s以上、日10 min平均风速最大值8 m/s以上的30个代表日，运用张承高速公路沿线崇礼国家气象站、南窝铺及场地2套区域气象站、高家营及西湾子2套交通气象站的逐分钟风向风速观测资料，ECMWF数值模式输出的地面10 m风预报资料，以及3″分辨率的SRTM3地形资料，应用Meteodyn WT模型对张承高速公路沿线2个解域区域内的风预报结果进行了订正和检验。结果表明：WT模型输出风速与实际观测风速相关系数可达0.6225并通过0.001显著性检验，各代表站模拟的结果与实况的误差80%以上在±2 m/s之间，地形开阔处误差明显减小；风向也表现出很高的一致性。说明应用WT模型对山区高速公路沿线风数值预报进行订正是可行的，各地可结合本地地形数据以及相对稳定可靠的风的数值预报产品作为WT模型的驱动数据源，开展本地山区高速公路沿线风的订正应用。 相似文献
13.
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
14.
利用山东省内123个国家气象站2017年11月至2018年2月逐时观测地面温度对WRF模式08：00和20：00起报的2 m温度进行检验,评估了预报时效为72 h的逐时温度与日最低（高）温度的预报效果并初步分析了个别站点大值误差成因。结果表明：WRF模式08：00起报2 m温度的准确率要高于20：00起报,白天预报的效果优于夜晚;鲁西北和半岛地区的2 m预报温度的平均绝对误差总体低于鲁中和鲁南地区,全省大部分站点负误差比例高于正误差比例;WRF模式对于日最高温度的预报效果优于日最低温度;模式地形高度误差造成泰山站2 m预报温度正误差较大,基于两种温度梯度方案对泰山站2 m温度进行订正,订正后的平均绝对误差总体下降,利用单一的温度梯度在有的预报时刻出现负的订正效果,利用随预报时刻变化而变化的温度梯度在各预报时刻订正效果更为稳定;泰安站出现焚风时2 m预报温度有较大负误差,这主要是受WRF模式泰山站地形高度误差影响;WRF模式在微山湖区域土地类型与真实土地类型存在差异是薛城站夜间2 m温度负误差较大的重要因素之一。 相似文献
15.
《气象与环境学报》2016,(1)
不同地区中尺度气象模式WRF的模拟性能存在明显差异,本文利用数值模拟和统计方法,评估了WRF模式在济南地区的模拟性能,并对比研究地形和土地利用对WRF模式模拟性能的影响,为WRF模式在济南地区的业务化运行提供参考。结果表明:WRF模式能较准确的模拟济南地区近地面气象场及其时间变化特征;统计分析发现,WRF模式对济南地区近地面气温、比湿、风速及风向的模拟准确率分别为72.5%、59.6%、29.4%和36.2%。WRF模式模拟的济南地区夏季比湿偏低、风速偏高,模拟的风速存在系统性偏差。下垫面对WRF模式的模拟结果有显著影响,10 m风速的均方根误差(RMSE)与地形、坡度、模式格点和观测站点的地形偏差显著相关,与坡度的相关系数最大;2 m气温的RMSE仅与地形偏差显著相关,在复杂地形区比较站点观测气温与模式格点气温时,需考虑地形偏差的影响。 相似文献
16.
《气象与环境学报》2018,(5)
利用2015年大连地区7个主要气象站的地面气温、降水、风向风速和相对湿度观测资料,针对东北区域中尺度数值模式(Weather Research and Forecast,WRF)产品中常规天气要素进行检验分析,了解掌握WRF模式对不同天气要素的预报能力,以期为天气预报业务中WRF模式产品的订正提供参考。结果表明:WRF模式产品的气温预报准确率整体上08时起报的比20时起报的稍好,最低气温预报效果比最高气温稍好,且WRF模式对升温和降温的趋势预报较好,具有一定参考性。WRF模式产品的降水预报准确率相对较高; WRF模式对风向的预报准确率可以达到50%左右,而风速的预报准确率可以达到60%—70%;大雾天气的预报,可以相应参考WRF模式的相对湿度。 相似文献
17.
利用以中尺度数值模式WRF/CALMET作为风电场预报系统的动力模块,及BP神经网络法(BP-ANN)作为风电场预报系统的统计订正方法,对重庆市齐跃山风电场进行了一次时间分辨率为5 min的24 h风速、风功率的滚动预报试验,探讨了适用于中国典型内陆山区的风电场预报系统。结果显示:以WRF/CALMET/BP组成的动力—统计预报系统能够较好地模拟出内陆山区的风场特征,系统对正午至傍晚时段的风速预报准确率较高。WRF/CALMET动力模式对于风速中心振幅的模拟能力较好,经过BP神经网络订正后,模拟结果会趋于均值。不同风速段中,模式对低风速段(3~8 m·s^(-1))的预报效果较好,BP神经网络对中风速段(8~14 m·s^(-1))预报结果的订正效果最明显。 相似文献
18.
基于WRF模式和自适应偏最小二乘回归法的风能预报试验研究 总被引：5，自引：0，他引：5
利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相对准确的风场预报基础上,利用2008年1月-2009年4月风电场200台风机的实际功率记录数据和同期气象要素场预报资料,采用自适应偏最小二乘回归法和单机预报法建立了每台风机未来48h逐15min输出功率记录数据与同时刻轮毂高度预报的风速、风向、气温、湿度及气压之间的非线性统计预报模型。为了对该模型的稳定性和准确性进行长期的客观评估,独立进行了2008年1-12月的预报试验,分别建立了12组独立的非线性统计预报模型。试验结果表明:(1)WRF模式预报的各月风向分布、风频大小与实测风向有较好的一致性;盛行风向基本一致,风频大小相当,风向分布特征也较为一致。(2)WRF模式预报的50m和70m高度逐时平均风速与实测值的相关系数介于0.6～0.8之间,均方根误差介于1.5～2.6m.s-1之间。(3)2008年1-12月逐15min风电场风电功率预报值与风机输出功率记录值的相关性较显著,可较好地预报出各月风电功率的时间变化趋势。两者相关系数介于0.58～0.90之间,均达到了99.9%置信度。(4)各月逐15min风电功率预报值与风机输出功率记录值的误差较小,相对于总额定装机容量而言,均方根误差介于2.76%～12.89%之间。 相似文献
19.
东印度洋天气和风暴潮实时预报系统（EPMEF_EIO）由区域大气模式和区域风暴潮模型组成,每天实时运行4次.大气初边场来自美国国家环境预报中心（NCEP）的全球预测系统（GFS）,通过区域嵌套得到印度洋-东印度洋-斯里兰卡区域的3 d预报结果.大气模式的10 m预报风场驱动风暴潮模式,得到东印度洋-斯里兰卡区域的潮汐和风暴潮3 d预报结果.通过与中国科学院南海海洋研究所斯里兰卡站气象塔观测数据、最优台风路径数据和科伦坡水位站数据对比,发现模式预报气温和相对湿度的日变化较观测值偏小,气温总体RMSE为1.26℃,相关系数为0.8,相对湿度的总体RMSE为7.0%,相关系数为0.7;模式预报风速以整体偏大为主,总体RMSE为2.3 m/s,相关系数为0.65;模式预报风向能把握主要的变化趋势,RMSE在20°~32°之间,相关系数约0.65;模式24、48和72 h路径预报平均误差分别为110.5、166.4和181.0 km.此外,模式水位预报的RMSE为0.035 m,占最大振幅约5%,与观测的相关系数达到0.996.这说明了模式可以用于预报潮汐和风暴潮过程. 相似文献
20.
提出一种基于数值模式预报产品的气温预报集成学习误差订正方法,通过人工神经网络、长短期记忆网络和线性回归模型组合出新的集成学习模型（ALS模型）,采用2013—2017年的欧洲中期天气预报中心数值天气预报模式2 m气温预报产品和中国部分气象站点数据,利用气象站点气温、风速、气压、相对湿度4个观测要素,挖掘观测数据的时序特征并结合模式2 m气温预报结果训练机器学习模型,对2018年模式2 m气温6~168 h格点预报产品插值到站点后的预报结果进行偏差订正。结果表明:ALS模型可将站点气温预报整体均方根误差由3.11℃降至2.50℃,降幅达0.61℃（19.6%）,而传统的线性回归模型降幅为0.23℃（8.4%）。ALS模型对站点气温预报误差较大的区域和气温峰值预报的订正效果尤为显著,因此,集成学习方法在数值模式预报结果订正中具有较大的应用潜力。 相似文献