葫芦岛代表站云量的精细化预报研究

摘要

云是常见的重要天气现象，在天气演变和气候变化中均有重要作用。云的变化直接影响居民日常生活、经济生产和部队军事活动，对其预报一直是天气业务中的一个难点问题。葫芦岛是一座工业、旅游、军事城市，因此，研究该地代表站云量精细化预报方法，对于服务当地居民日常生活和保障军事气象都具有重要意义。　　本文以兴城和绥中两个气象站为葫芦岛市的代表站，利用常规地面气象观测资料和T639数值预报产品，统计了总云量、低云量的年际变化和年内变化规律，分析了影响总云量、低云量的主要气象因子，研究并建立了总云量、低云量的时间精细化定量预报模型。主要结论如下：　　（1）云量的年际变化特征为：1964—2013年总云量兴城站与绥中站显著减少，低云量绥中站增加趋势显著，兴城站增加趋势不显著。与云量年际变化相对应，两测站50年来降水量呈不显著的减少趋势，反映出当地低云的降水效率有所下降。各等级降水占总降水量的比重，兴城大雨比重显著下降，其他等级降水变化不显著；绥中站各等级降水比重变化不明显。云量的年变化特征为：总云量、低云量年内均呈夏多冬少的单峰单谷型变化特征，峰值多出现在7月份，谷值多出现在1月份。　　（2）影响云量多寡的直接因子主要为水汽、垂直速度和大气不稳定度。其中，相关显著的因子，水汽类因子包括整层湿度、大气可降水量、整层相对湿度，反映垂直速度的因子包括850—400hPa五层标准等压面平均垂直速度，大气不稳定度类因子主要包括K指数和位势不稳定指标。天气系统通过影响上述三类因子间接影响云量，其相应的量化指标有槽强度指数和500hPa涡度。　　（3）通过主成分分析浓缩预报信息，得到最终预报因子，运用逐步回归（Stepwise Regression）和支持向量机（Support Vector Machine,SVM），建立了兴城站和绥中站总云量、低云量预报方案，总云量试预报检验结果表明：逐步回归模型试预报平均绝对误差不超过3.0成，预报准确率在70％左右；SVM回归模型试预报平均绝对误差为2.0成，预报准确率在70%以上。个例分析结果表明：大部分时段回归模型可较好的预报实际总云量的数值变化和天气阴晴变换。反映出两种回归模型预报性能较好，且SVM回归模型预报效果略好于逐步回归模型。　　总之，本文初步探讨了葫芦岛代表站云量的时间精细化预报，研究方法可为数值预报产品的精细化定量释用提供借鉴，研究结果可为当地实际业务提供参考。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究目的与意义

1.2 研究现状

1.3 研究内容

第二章 资料与方法

2.1 资料

2.2 研究方法

第三章 葫芦岛代表站云量时间变化特征

3.1 兴城站

3.2 绥中站

3.3云量年际变化可能原因分析

3.4 本章小结

第四章 云量预报因子的选取与相关分析

4.1预报因子选取

4.2 原始因子与云量的相关分析

4.3主成分分析

4.4 本章小结

第五章 逐步回归云量预报模型的建立与检验

5.1 兴城站

5.2 绥中站

5.3 本章小结

第六章 SVM云量预报模型的建立与检验

6.1 选取最佳参数

6.2 兴城站

6.3 绥中站

6.4 SVM回归与逐步回归对比

6.5 本章小结

第七章 总结与讨论

7.1 全文总结

7.2 本文特色与创新点

7.3存在问题及下一步研究计划

参考文献

在学期间研究成果

致谢