SCMOC在德州区域的检验及误差分析

本文收集处理了2014年9月到2015年9月一年的国家精细化指导预报资料(以下简称SCMOC)；利用德州11个县市区的实况资料对其20点起报的日最低气温、日最高气温、晴雨、一般性降水,逐日3h预报气温进行对比分析,检验预报质量。通过研究发现：日最低气温质量较好,不需订正,日最高气温预报质量较差,无直接参考价值需订正,二者都具有明显季节变化特征；通过误差分析探索了误差特点,算出平均绝对误差；逐3h气温预报有明显的日变化以及季节变化特征；一般性降水预报质量不稳定,其中的48h预报质量高于24小时预报质量,降水预报空报率较高。通过研究总结要素误差特点为今后提高预报准确率提供参考。     

辽阳智能网格产品气温预报检验订正

利用2017—2018年智能网格预报产品对辽阳逐1 h气温、日最高(低)气温进行检验,并采用最优滑动滑动周期法进行订正。结果表明：辽阳地区智能网格预报准确率整体为西部较高、东部较低;逐1 h气温预报和日最高气温预报整体较实况偏高,日最低气温预报较实况偏低;逐1 h气温预报、日最低气温预报准确率在夏季7、8月份预报准确率与其他月份相比较好,日最高气温预报准确率在冬季各月准确率较高;最高气温准确率最高、稳定性最好,采用最优滑动周期法订正后,准确率基本在80~90%;最低气温中西部地区订正后准确率也在70%以上。     

辽阳地区智能网格产品气温预报检验订正

利用2017—2018年智能网格预报产品对辽阳地区逐1 h气温、日最高（低）气温进行检验，并采用最优滑动周期法进行订正。结果表明：辽阳地区智能网格预报准确率整体表现为西部较高、东部较低；逐1 h气温预报和日最高气温预报整体较实况偏高，日最低气温预报较实况偏低；逐1 h气温预报、日最低气温预报准确率在夏季7月、8月与其他月份相比较高，冬季各月日最高气温预报准确率较高；日最高气温预报准确率最高、稳定性最好，采用最优滑动周期法订正后，准确率基本为80%～90%；中西部地区日最低气温订正后准确率也在70%以上。     

本溪县气象站迁站对比观测数据分析

利用本溪县新、旧站点搬迁前2011年逐日平均气温、最低气温、最高气温、相对湿度、平均风速、降水量等资料,运用统计分析对新旧站要素进行对比分析,并建立了新站与旧站气象要素的订正模型。结果表明,站点搬迁造成环境变化大,常规观测要素气温、风速和降水量等差异明显,新站比旧站气温低,湿度、风速偏大;新站与老站温度、湿度、降水等具有较好的相关性,订正模型回代误差小。     

浙江省OCF站点资料在衢州天气预报业务中的释用

衢州市气象台根据衢州地区天气预报和服务需求,引入浙江省气象台OCF乡镇站点要素指导产品,建立本地的OCF站点数据库,使用Asp.net制作基于BS结构的OCF市、县乡镇要素预报Web产品显示平台,预报员能在此平台检索到1~15 d的温度、湿度、风向、风速、降水等重要气象要素,通过平台的要素多预报时次稳定性模块和误差分析模块等,制作乡镇订正预报。     

广州GRAPES模式与EC模式广西地面要素预报检验评估——以2019年汛期为例

采用TS评分、ETS评分、漏报率、空报率和预报偏差等方法对2019年4—9月GRAPES广州华南中尺度模式和ECMWF模式20∶00起报的0～24h (简称24h)和24～48h (简称48h)累积降水进行对比检验评估,同时应用平均误差、平均绝对误差、均方根误差和预报偏差等方法对2个模式地面温度和风进行对比检验评估。结果表明:GRAPES对小雨的预报能力明显优于EC,而中雨以上降水,EC效果较好;对于24h大雨以上降水的发生频率,EC预报更接近实况,对于24h和48h其它量级降水的发生频率,GRAPES具有更好的参考性;对于地面气温预报,2种模式总体均比实况偏低,白天时段GRAPES预报效果好于EC,夜间时段EC更好;对于地面风的预报,EC效果好于GRAPES,2种模式均为u风预报偏小,V风偏大。     

不同天气类型下大棚葡萄温湿度预报模型

为了预先掌握葡萄各生育期棚内温湿度环境,从而让农户有充足时间调整大棚管理措施,降低气象灾害风险,利用2018年11月—2019年6月大棚内外观测资料,分析了不同天气类型下棚内温湿度与棚外气象要素的相关性,并通过逐步回归方法建立了棚内逐小时温湿度预报模型。结果表明：棚内温湿度与棚外气温、空气相对湿度、风速、日照时长有不同程度的相关性,晴天和多云大棚内外要素之间相关系数大多在0.3以上,棚内气温与棚外要素的相关性更高且最大相关系数超过0.9,阴天相关性较低;棚内逐小时气温、空气相对湿度模型的R²多在0.5以上,气温模型预报值与实测值的均方根误差(RSME)≤3.7℃、平均绝对误差(MAE)≤2.9℃,空气相对湿度模型预报值与实测值的均方根误差≤13.3%、平均绝对误差≤10.6%。所得模型填补了该地区大棚葡萄各生育期温湿度预报的空白,为田间管理提供了参考依据。     

基于天津局地小气候分区的精细化气温订正预报方法

综合考虑天津地理位置的特殊性对局地小气候的影响,针对精细到乡镇站点的天津精细化预报订正业务,开展了天津局地小气候分区的精细化气温订正预报方法研究,提出了客观划分小气候订正区域的思路和方法,完成了订正预报试验及评估分析。2012年最高、最低气温订正预报试验表明,该方法订正预报效果好,准确率高,1~5月逐日气温订正预报的平均绝对误差在0.44~1.52℃,且预报与实况的空间分布具有很好的一致性。     

中央台温度要素预报与实况差异性研究

根据中短期天气预报质量检验办法,对2014年1~12月国家气象中心下发的日最高气温和日最低气温指导预报产品24 h的平均绝对误差、均方根误差和准确率进行检验。结果表明,中央气象台指导预报中日最低气温的预报质量明显高于日最高气温的预报质量,夏、秋季指导预报的参考性好;预报员对气温指导预报的订正范围日最低气温应控制在1.4℃以内,且20:00的订正幅度小于08:00的,日最高气温的订正范围应控制在2.0℃以内;气温预报存在季节性误差,日最低气温的准确率从大到小依次为夏季、秋季、春季、冬季,日最高气温的准确率从大到小依次为秋季、冬季、春季、夏季。订正后的预报质量日最高气温提升明显,在实际预报中可以参考使用。     

丹霞山云海气象特征分析及其预报初探

本文利用气象常规资料,对FY-2E云分类资料进行辨识处理,得到丹霞山云海资料,再对丹霞山云海的时空特征及其与气象因子关系进行分析,发现丹霞山云海日数年变化成上升趋势,云海主要出现在冬季和春季,其次是秋季,夏季最少; 1—5月和11—12月的云海平均日数最多,6—9月的云海平均日数较少。通过对降水、相对湿度、风速、平均气温日较差4个要素的统计分析发现,在有降水出现、相对湿度较大、风速较小,平均气温日较差高于0℃的条件下,丹霞山可观赏性云海出现的概率较大。另外,本文还对丹霞山云海预报进行初步探究得出云海概率预报方程,但由于受资料辨识误差所限,还需要在后期的云海预报服务中通过不断的订正来提高准确率。     

赤峰市一次暴雪天气的ECMWF数值预报误差分析

大尺度数值预报在冬季降雪中误差相对要小很多,降雪过程的大尺度特点能够在数值预报中完美的体现出来。在局地气候特点方面及降水边缘的预报量级上数值预报仍存在较明显的误差,本文利用micaps实况资料、EC粗网格数值预报资料分析了2016年11月20日晚,出现在赤峰南部地区的暴雪天气过程。从中对比这次暴雪预报过程中EC数值预报与实况存在的误差。实际预报为小雪,实况为暴雪。通过对这次过程的预报误差分析,逐渐加深在数值预报应用过程中的误差订正,加强经验与数值预报的紧密结合。该研究对经验丰富的预报员意义深远,尤其在夏天强对流预报中对于数值预报的订正显得更加重要。     

基于卡尔曼滤波的上海崇明乡镇精细化预报研究

本文基于5km×5km格点数值预报资料(2017年11月1日～2018年2月28日3h～72h逐3h)和崇明24个自动站资料,利用双线性插值将格点数值预报资料插值到各个自动站站点,得到各站点数值预报资料。然后,利用卡尔曼滤波以2017年11月资料作为训练期,对2017年12月～2018年2月站点预报资料进行客观订正;利用反距离平均将各自动站温度实况资料插值到17×13矩阵的格点中得到格点实况资料,再利用卡尔曼滤波对格点数值预报资料进行订正,采用温度绝对误差对订正前后的预报效果进行检验评估,结果表明:订正后,各站点平均绝对误差都在2℃以下,各站点20时起报,24时,48时,72时逐3小时预报数据平均订正了0.37℃、0.33℃、0.23℃。各格点20时起报,24时、48时、72时逐3小时预报数据平均订正了0.31℃、0.27℃、0.20℃。空间上,预报误差呈自西北到东南递减的特性,且修正效果与预报误差呈现很好的正相关性;时间序列上,此方法对于数值预报误差较大的值有较好的修正效果。     

基于支持向量机风速订正方法的研究

风速的人工观测数据和自动观测数据之间存在差异,利用支持向量机建立了一个订正模型,将风速的人工 观测数据向自动观测数据订正,并利用榆中站2007年10月1日至12月1日两个观测系统测得的风速数据进行了 训练和检验.结果表明:经模型订正后,每个时刻风速的两个观测数据之间的相对误差都有了明显的减小,两个数 据序列之间的平均绝对误差减小了20.23%,均方根误差减小了26.47%,平均绝对百分误差减小了8.71%.     

2022年延边一次雨雪天气的预报偏差成因分析

2022年10月9日-10日延边州出现了明显降水，山区出现了雨夹雪。分析本次过程的大尺度环流形势及模式预报偏差成因，发现：气旋入海后爆发性发展配合偏东回流的长时间影响是本次降水量级较大的关键；模式大尺度环流形势预报基本准确；降水量级预报中，EC、CMA-GFS与实况最接近，EC模式稳定性更高，两家模式均在最近时次的预报更准确。降水相态的预报离不开气温的预报，EC气温预报与实况偏差较小，CMA-GFS预报的850hPa气温和2m气温均较实况偏高，在今后的气温预报中要更多参考EC的预报。通过检验雷达ROSE2.0降水产品，发现降水最强时刻，距离雷达较近处，降水会被过高估计；在距雷达80km以外地方的降水被过低估计，其他区域估计的强降水对实际强降水落区有较好的指示作用。     

朝阳地区延伸期预报方法研究及预报效果检验

开展延伸期天气预报(未来10~30 d)研究不仅是气象现代化的基本要求之一,也是构建长、中、短、临无缝隙一体化预报体系的重要组成部分。朝阳市气象台于2016年3月31日起每旬旬末制作延伸期时段的降水和温度预报(基于CFS数值预报产品),目前已发布9期。就开展延伸期预报解决的重难点问题做简单回顾,并对前7期预报进行了检验。结果表明,数值产品对延伸期时段的系统性降水(东北冷涡、蒙古气旋等)能够有较好的甄别,但对朝阳地区降水量级的把握不好,需进一步订正各时次模式产品。延伸期时段温度预报相比于降水容易些,从检验情况来看,模式对朝阳地区温度预报比实况偏高1℃左右。     

定时观测自动站与人工站气象要素差异对比分析——以蓝山县为例

根据蓝山县2009年自动与人工平行观测的气温、相对湿度资料,对气温和相对湿度两要素在自动观测与人工观测下的差异进行分析,并阐述其差值的日变化、年变化及在不同气象条件下的差异特征。结果表明:自动观测与人工观测日平均气温差值、日最高气温差值、日最低气温差值分别为0.1、0.3、0.5℃左右;从差值的年变化看,日平均气温和最高气温的存在季节性波动,而最低气温无这种变化;从差值的日变化看,白天(8:00和14:00)自动站气温普遍高于人工站,夜间20:00自动站气温总体较人工站偏低,但其差值绝对值低于8:00和14:00,2:00的差值则无明显规律;随着气温上升,日最高气温差值的绝对值明显增大,而日最低气温差值的绝对值无明显变化。自动站相对湿度较人工站明显偏小,平均偏小4.0%,其中1—9月差值为负值,10—12月差值为正值,但其绝对值明显低于1—9月;从差值的日变化来看,14:00自动站相对湿度较人工站明显偏大,其他时次则明显偏小,其中2:00偏小幅度超过20%;相对湿度差值的绝对值随着最高气温的上升呈现明显的增大趋势,但与相对湿度值的大小无明显相关性存在。     

智能网格产品在锦州地区温度预报中的检验及订正

本文通过对2019-2020年锦州地区83个观测站点的智能网格预报产品数据以及同时段内实况值进行检验，并分别进行分位数映射法、随机森林算法和xgboost算法对智能网格温度预报进行订正，得出结果：（1）智能网格最高温度预报准确率好于最低温度，城镇最高、最低温度预报准确率明显高于乡镇观测站。（2）三种订正方法中乡镇最高、最低温度预报订正效果整体均好于城镇温度预报订正。（3）分位数映射法订正后，乡镇最高、最低温度预报准确率均有显著提高，城镇则均下降；随机森林算法订正后城镇最高温度预报准确率整体提升，而最低温度预报准确率则有明显下降，乡镇最高、最低温度预报准确率都有所上升；xgboost算法订正后，城镇、乡镇观测站的最高、最低温度预报准确率均有大幅度提升，xgboost算法订正效果最明显。（4）对Xgboost算法订正进行应用检验，全区最高气温准确率、最低气温准确率分别提升7.6个百分点、15个百分点。总体而言，对乡镇最高、最低气温订正效果比城镇站订正效果好。     

营口地区一次暴雨过程中的预报失误分析

[目的]分析营口地区一次暴雨过程中预报失误的原因。[方法]利用自动站降水资料和MICAPS资料,对2010年7月19~22日营口地区出现的暴雨天气过程进行了分析;并利用雷达、云图资料和数值预报产品,分析了7月21日的预报失误原因。[结果]造成7月21日暴雨预报失误的主要原因是：①此次降水过程持续时间长,降水不连续且分布不均,21日的强降水与前2个时段的强降水不同,是局部短时强降水,此类降水预报难度大;②数值预报不稳定,误差大;③20日夜间已经出现强降水,与21日傍晚出现的强降水间隔时间不长,容易使预报员疏忽,并且在此期间雷达和云图的暂时静寂也形成了一定的干扰。对于暴雨预报的着眼点应该立足于数值预报的形势预报,而不应将注意力放在要素预报上;应坚持以形势分析判断为主,要素判断为辅的原则;对于强降水的预报,数值预报往往误差较大,不能盲信,预报员应根据经验对其进行正确的订正预报。[结论]该研究为暴雨的预报分析提供参考依据。     

多种数值模式预报要素对比检验分析

检验分析了欧洲中心、福州模式、中央台指导预报、河北模式的多个预报要素,包括整点温度、整点湿度、风向、风速、最高温度、最低温度.通过对比分析误差、平均绝对误差、预报准确率得到以下结论:(1)整点温度预报误差除了个别预报时效外,普遍为负值,平均绝对误差随着预报时效的增加是波动式变大的,福州模式的平均绝对误差整体较低,而其预...     

支持向量机方法在温度预报中的应用——以沈阳地区为例

本文利用沈阳站温度资料和东北中尺度数值模式预报场资料,采用K-means算法进行季节划分试验,基于支持向量机方法(Support Vector Machine,简称SVM)进行交叉验证和预报检验,试图建立温度季节预报模型。结果表明:聚类季节划分与传统季节划分之间存在差异,传统的春、秋两季被划分为不连续的两类,传统的夏、冬两季被划分的不明显,仅在时间长度上有所差异;支持向量机方法对夏季温度预报准确率最高,各时次温度误差≤2℃的准确率平均为81.2%。冬季温度预报准确率最低,各时次温度误差≤2℃的准确率平均为69.2%。冬季客观方法对夜间降温幅度的预报能力存在不足,而春季客观方法对夜间最低气温的预报能力存在不足。平均绝对误差除个别时次超过2℃外,其他时次均在误差范围内,客观预报方法是可用的。