考虑气象因子不确定性的概率降水预报研究

降水量与气象因子的变化密切相关,因而气象因子的不确定性必然影响着降水量预报的精度。【目的】获取气象因子不确定性特征,提高降水预报结果的精度。【方法】以三江平原典型农场—友谊农场为研究区域,在贝叶斯概率预报系统(BFS)的理论框架下,利用径向基人工神经网络(RBF-ANN)描述月降水主要影响因子与月降水量的映射关系,并将其作为BFS的似然函数,以实测降水量为后验信息,对降水主要影响因子先验信息进行贝叶斯修正,利用基于自适应算法的马尔可夫链蒙特卡罗随机模拟技术(AM-MCMC)获取了各月的蒸发量、平均气温、相对温度的后验密度。结合RBF-ANN构建了考虑主要影响因子不确定性的概率降水预报模型(IFU-PBF),研究了各月降水的均值预报过程及其指定概率的置信区间。【结果】与传统RBF-ANN的确定性预报结果相比,预报期IFU-PBF计算结果的各精度评价参数均有所提高,纳什效率系数提高了3%;均方根误差降低了51%;相关系数提高了2%。尤其对极值降水的适用性更好,极大值的预报相对误差平均提高了55%,极小值的预报相对误差提高了24%。【结论】考虑气象因子不确定性,开展降水的概率预报更符合降水及其影响因素的随机过程的本质,提高预报精度的同时,能够考虑预报结果的不确定度。