基于统计降尺度的淮南地区夏季降水精细化预报方法

摘要

本文利用1999-2009年夏季安徽省淮河以南地区60个县市站逐日降水资料及安庆市探空站逐日资料,选取分布较为均匀的14个台站作为大尺度降水场的代表站,其余46站代表局地尺度降水场。利用安庆探空站的中低层风向对夏季降水资料进行细分,在9个不同的风向配置下,以局地单站降水时间序列、局地尺度降水场EOF主成分及局地尺度降水场REOF主成分作为预报变量,分别选取与其相关通过0.05显著性检验的大尺度降水场主成分作为预报因子,利用人工神经网络方法和多元线性回归方法分别建立降尺度预报模型,称为BP1模型、BP2模型、BP3模型和LR1模型、LR2模型、LR3模型。文中研究了不同中低层风向配置下淮南地区局地尺度降水与大尺度降水场之间线性和非线性的关系,并将降尺度模型预报检验效果同常用的空间插值方法做对比分析。在9个风向配置下的预报试验过程中,获得以下主要结论:
　　(1)在不同风向配置下分析五个区域日降水均值及分布情况,表明西南风、西风及西北风下的降水均值较大,降水区域分布差异较为明显,大部分集中在以山地和丘陵为主要地形的皖南山区和大别山区。
　　(2)对比分析相同预报对象的神经网络模型和线性回归模型的日降水拟合及预报效果,结果表明非线性模型在拟合及预报效果上均好于线性模型。
　　(3)神经网络模型中的BP1模型和BP3模型无论是在降水总和量、预报误差评价指标、代表站查看及强降水过程的预报分析上来看,其预报效果均好于对应的线型模型及插值预报方法。由于入选的大尺度主成分(预报因子)个数较少及方差贡献率总和小,因此以局地降水EOF主成分为预报对象的BP2模型拟合及预报效果较差。
　　(4)进一步讨论神经网络BP1模型和BP3模型的适用范围,两者对于2009年6月29日-30日强降水过程的模拟均能反映出基本的降水趋势及局地特征,BP1模型在以河流和平原为主要地形的区域预报效果较好,BP3模型在以山地和丘陵为主要地形的区域预报效果相对较好,其对于大暴雨的预报较为准确。在实际预报业务应用中,可根据雨量时空分布特点选取适用的降尺度预报模型。

目录

摘要

Abstract

第一章 绪论

1.1 本文研究目的和意义

1.2 国内外降尺度方法研究进展

1.3 问题的提出及本文的主要工作

第二章 资料和研究方法

2.1 资料

2.2 主要方法

第三章 安徽淮南地区日降水特征分析

3.1 淮南地区代表站选取和区域划分

3.2 夏季日降水资料的细分

3.3 局地尺度日降水量的特征分析

3.4 小结

第四章 预报对象的处理及预报因子的选择

4.1 降尺度方案设计

4.2 局地尺度降水场的EOF分析

4.3 局地尺度降水场的REOF分析

4.4 预报因子的选择

4.5 小结

第五章 降尺度模型拟合及预报效果分析

5.1 回归模型及神经网络模型的建立

5.2 插值降尺度模型

5.3 降尺度模型降水拟合效果分析

5.4 降尺度模型总降水量预报效果分析

5.5 降尺度模型区域预报效果分析

5.6 强降水预报效果分析

5.7 小结

第六章 全文总结与展望

6.1 全文总结

6.2 展望

参考文献

致谢

论文附表

论文附图

作者简介