排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
基于重庆市气象局业务运行的风暴尺度快速同化和预报系统（Storm-Scale Rapid Assimilation and Forecast System,SSRAFS）、气象信息综合分析处理系统（Meteorological Information Comprehensive Analysis And Process System,MICAPS）地面观测和高空观测资料,进行模式输出统计（Model Output Statistics,MOS）方法和纳入超前实况因子的MOS （MOS with Prior Observation Predictors,OMOS）方法对重庆地区地面气温96 h内逐小时预报试验,并以SSRAFS地面气温预报结果作为参考进行对比分析。结果表明：MOS方法在1~96 h预报时效内的预报技巧高于SSRAFS,气温预报均方根误差（Root Mean Square Error,RMSE）平均减小1.22℃,CC和HR2分别平均增大0.006和20.4%;在1~7 h预报时效,RMSE平均减小1.70℃,CC和HR2分别平均增大0.07和34.5%;且MOS方法在重庆东北部及中南部地区改进效果较为明显。OMOS方法在气温短期预报中表现优于MOS方法,尤其在1~7 h预报时效,比MOS方法RMSE平均减小0.43℃,CC和HR2分别平均增大0.008和8.3%;其在1~4 h预报时效时表现更加优异,与MOS方法相比,RMSE平均减小0.66℃,CC和HR2分别平均增大0.13和12.3%。因此,在MOS的基础上,OMOS能够进一步提升地面气温的预报技巧,且在重庆东北部及中南部地区的预报效果有明显改进。 相似文献
2.
基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。 相似文献
3.
基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts, ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24～168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型进行概率预报试验,并对两个模型输出的概率预报结果进行评估。结果表明,经NN模型和NN-GI模型订正后,降水概率预报结果得到明显改进,在168 h预报时效时,降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比,NN-GI模型由于考虑到各格点的地理信息差异,在区域内预报技巧整体改进更优。这表明,在利用机器学习方法改进降水预报时,在模型中加入各个格点的地理信息非常重要。 相似文献
1