以2022年9月影响东北地区的台风“梅花”残余系统降水为例,采用SAL(structure amplitude and location)空间检验方法对5种中国气象局数值业务模式(CMA模式)降水最强日(2022年9月16日08时至17日08时,热带低压)累计24 h降水预报进行空间...以2022年9月影响东北地区的台风“梅花”残余系统降水为例,采用SAL(structure amplitude and location)空间检验方法对5种中国气象局数值业务模式(CMA模式)降水最强日(2022年9月16日08时至17日08时,热带低压)累计24 h降水预报进行空间检验、偏差成因及预报调整分析。结果表明:此次过程中各模式在降水位置方面预报均较好,CMA-GFS在降水结构分布、强度方面预报表现最佳,除CMA-BJ外其他模式对于降水极值预测均偏小。CMA-GFS预报效果最佳的原因是其对于台风变性、850 hPa低空急流及暖式切变线位置、强度以及移速预报更准确,CMA-TYM预报较差主要是未能预报出台风变性,对切变线预报速度过快而导致暴雨落区偏大。CMA-GFS随着预报时效的临近,预报效果越来越好,优势主要体现在临近时效内,但在长时效预报中几乎无预报能力,CMA-TYM虽然在临近时段结构与强度预报效果较差,但在长预报时效是最早指示出强降水大致落区与量级的模式。展开更多
风场预报是智能网格预报的重要支撑,提高风场预报准确率,能够为风能预报提供核心保障。在综合评估2023年汛期CMA-MESO 3 km(China Meteorological Administration Mesoscale Model at 3 km resolution)模式在山西逐小时10 m风预报能力...风场预报是智能网格预报的重要支撑,提高风场预报准确率,能够为风能预报提供核心保障。在综合评估2023年汛期CMA-MESO 3 km(China Meteorological Administration Mesoscale Model at 3 km resolution)模式在山西逐小时10 m风预报能力的基础上,基于自适应Kalman滤波方法,开展针对纬向风(U)、经向风(V)的客观订正,以期建立适应山西复杂地形特征的客观预报方案,促进国产模式本地化业务应用。结果表明:①全风速预报偏大,预报误差呈“单峰型”日变化,峰值出现在18:00-20:00,正偏差主要位于忻定和太原盆地以及山西南部。②U、V预报误差与预报值呈显著正相关,需考虑不同强度预报风速误差随时效变化的特征,避免订正不足或过订正。③Kalman滤波方案(KM)订正幅度小且不稳定,订正后均方根误差R MSE削减不足6%,准确率提升不足2%。④基于动态分级的改进方案(CBKM)突破KM订正瓶颈,更准确地估计系统误差并有效订正,更好再现不同地区风速日变化,平均误差M E趋近0,R MSE削减32.8%,风向、风速预报准确率分别提升8.29%、7.92%,峰值时刻订正率达83.49%。展开更多
文摘风场预报是智能网格预报的重要支撑,提高风场预报准确率,能够为风能预报提供核心保障。在综合评估2023年汛期CMA-MESO 3 km(China Meteorological Administration Mesoscale Model at 3 km resolution)模式在山西逐小时10 m风预报能力的基础上,基于自适应Kalman滤波方法,开展针对纬向风(U)、经向风(V)的客观订正,以期建立适应山西复杂地形特征的客观预报方案,促进国产模式本地化业务应用。结果表明:①全风速预报偏大,预报误差呈“单峰型”日变化,峰值出现在18:00-20:00,正偏差主要位于忻定和太原盆地以及山西南部。②U、V预报误差与预报值呈显著正相关,需考虑不同强度预报风速误差随时效变化的特征,避免订正不足或过订正。③Kalman滤波方案(KM)订正幅度小且不稳定,订正后均方根误差R MSE削减不足6%,准确率提升不足2%。④基于动态分级的改进方案(CBKM)突破KM订正瓶颈,更准确地估计系统误差并有效订正,更好再现不同地区风速日变化,平均误差M E趋近0,R MSE削减32.8%,风向、风速预报准确率分别提升8.29%、7.92%,峰值时刻订正率达83.49%。
