为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,...为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,RBMP)的多模式集合技术,开展了华东2 m温度预报试验。利用2016—2017年欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、NCEP和加拿大气象中心(Canadian Meteorological Centre,CMC)3个具有代表性的全球集合预报系统产品,在对各模式进行偏差订正的基础上,开展了RBMP算法应用试验和评估,建立了华东地区应用方案,再利用2019年9月—2020年5月ECMWF、NCEP集合预报资料开展试运行,初步讨论了RBMP方法在冬春季节预报失败案例中的适用性。结果表明:RBMP方法能够提供更加可靠的概率预报分布并有效提高短期时效的预报技巧。其中,冬季改进最明显,集合平均的均方根误差比ECMWF订正预报和等权重多模式集合分别降低3.0%~10.5%和2.0%~5.0%,且对高温和低温事件均具有更优的分辨能力。此外,RBMP方法还能够提高大部分预报失败案例的预报准确率,为难报案例提供了有价值的不确定信息。总体而言,RBMP技术不仅保留了BMA(Bayesian model averaging)方法的优势,且能满足业务应用对资料存储和计算效率的需求,通过二阶矩调整可以有效校正集合离散度,为进一步提高短期温度预报技巧提供了一种思路。展开更多
本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境...本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。展开更多
为提高福建省智能网格预报气温产品的精度,选取2019年EC_MOS和FZEC_MOS的整点气温、24 h最高气温、24 h最低气温数据与CLDAS(CMA Land Data Assimilation System)格点融合数据,进行误差分析并使用滑动双权重平均订正进行订正研究。结果...为提高福建省智能网格预报气温产品的精度,选取2019年EC_MOS和FZEC_MOS的整点气温、24 h最高气温、24 h最低气温数据与CLDAS(CMA Land Data Assimilation System)格点融合数据,进行误差分析并使用滑动双权重平均订正进行订正研究。结果表明:(1)EC_MOS和FZEC_MOS具有低海拔地区偏低,高海拔地区偏高的系统性偏差,夏季预报精度优于冬季,且24 h最低气温预报的精度最高;(2)经过滑动双权重平均订正,各产品预报精度得到提高,整体预报准确率均提升约10%,平均绝对误差和均方根误差均降低0.5~1℃;(3)FZEC_MOS格点预报产品虽然具有较高的空间分辨率,但是其预报准确率比EC_MOS站点产品的低。通过订正,可以使得EC_MOS和FZEZ_MOS的气温预报精度达到相似水平;(4)滚动订正可以有效降低剩余有效预报时效数据的预报误差,不断提高预报精度。展开更多
文摘为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,RBMP)的多模式集合技术,开展了华东2 m温度预报试验。利用2016—2017年欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、NCEP和加拿大气象中心(Canadian Meteorological Centre,CMC)3个具有代表性的全球集合预报系统产品,在对各模式进行偏差订正的基础上,开展了RBMP算法应用试验和评估,建立了华东地区应用方案,再利用2019年9月—2020年5月ECMWF、NCEP集合预报资料开展试运行,初步讨论了RBMP方法在冬春季节预报失败案例中的适用性。结果表明:RBMP方法能够提供更加可靠的概率预报分布并有效提高短期时效的预报技巧。其中,冬季改进最明显,集合平均的均方根误差比ECMWF订正预报和等权重多模式集合分别降低3.0%~10.5%和2.0%~5.0%,且对高温和低温事件均具有更优的分辨能力。此外,RBMP方法还能够提高大部分预报失败案例的预报准确率,为难报案例提供了有价值的不确定信息。总体而言,RBMP技术不仅保留了BMA(Bayesian model averaging)方法的优势,且能满足业务应用对资料存储和计算效率的需求,通过二阶矩调整可以有效校正集合离散度,为进一步提高短期温度预报技巧提供了一种思路。
文摘本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。
文摘为提高福建省智能网格预报气温产品的精度,选取2019年EC_MOS和FZEC_MOS的整点气温、24 h最高气温、24 h最低气温数据与CLDAS(CMA Land Data Assimilation System)格点融合数据,进行误差分析并使用滑动双权重平均订正进行订正研究。结果表明:(1)EC_MOS和FZEC_MOS具有低海拔地区偏低,高海拔地区偏高的系统性偏差,夏季预报精度优于冬季,且24 h最低气温预报的精度最高;(2)经过滑动双权重平均订正,各产品预报精度得到提高,整体预报准确率均提升约10%,平均绝对误差和均方根误差均降低0.5~1℃;(3)FZEC_MOS格点预报产品虽然具有较高的空间分辨率,但是其预报准确率比EC_MOS站点产品的低。通过订正,可以使得EC_MOS和FZEZ_MOS的气温预报精度达到相似水平;(4)滚动订正可以有效降低剩余有效预报时效数据的预报误差,不断提高预报精度。
