气温预报

摘要： 气温是影响气候最主要的参数之一,其中气温预报对识别干旱、洪涝等极端气象灾害具有重要意义。基于机器学习理论,提出一种将随机森林(RF)和一维卷积神经网络(1DCNN)相结合的多信息融合气温预报方法。首先,运用差分法将气象观测数据转化为平稳的时间序列数据;其次,运用RF方法挖掘出与气温高度相关的特征变量作为神经网络模型的输入变量;最后,构建多信息融合气温预报模型RF-1DCNN。以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来10小时的气温预报性能进行比较研究。研究结果表明,RF-1DCNN的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了13.110%、26.176%和17.612%,皮尔逊相关系数(r)最大提高了0.240%、0.567%和0.355%,表明该研究方法具有较好的学习能力、泛化能力和拟合能力,为气温的精准预报提供了技术支撑。

摘要： 基于2018-2021年广州市内5个国家自动站逐日数据及ECMWF模式与GRAPES模式格点预报数据,针对不同路径冷空气,从整体预报性能、相对误差空间分布方面对比分析两种模式的气温预报。结果表明:(1)中路、西路冷空气到达之前,两种模式预报温度普遍偏低,东路冷空气到达前预报温度偏高,冷空气到达后预报误差减小,实际预报过程中可对其进行调整。(2)ECMWF与GRAPES模式对于中西路冷空气,从影响时间、影响区域的误差来看,绝对误差明显呈自北向南、自影响前至影响后的减小趋势。(3)对于最低气温,ECMWF模式对中西路冷空气最低气温预报误差呈自北向南逐渐增大趋势,GRAPES模式对五山站预报误差最大,其次是番禺站;相对误差在-2.5°C上下,对于东路冷空气,增城站点预报绝对误差最大,其次是五山站。

摘要： 利用区域数值模式WRF和陆面同化系统CLADS数据,采用卡尔曼滤波、递减平均法,对长春市气温和相对湿度的格点预报进行订正预报建模试验,建立了两种时间分辨率为1h、空间分辨率为3km×3km的滤波模型。结果表明:两种滤波模型均具有显著的误差订正效果,且效果好于一元线性回归模型;在原始模式具有较大预报误差的情况下,滤波模型也能够通过快速调整,达到预报与实况基本吻合;采用递减平均法建立的滤波模型效果更好,选择其作为气温和湿度的网格预报模型,进行试报,气温预报的MAE在大部分时段内均在2°C以内,相对湿度预报MAE基本在5%以下。

摘要： 该文推介了采用php+html技术开发的乡镇温度预报订正管理系统的设计框架、设计功能模块以及应用情况。该管理系统基于BS架构实现自动读入按月划分108个预报模型系数,并且自动计算结果,同时将计算结果融入预报产品模板,最后直接输出可视化预报产品,并且开发多个符合服务需求的页面,在实际工作中得到广泛应用,为其他基层台站开展相关应用工作提供参考。

摘要： 运用统计的方法开展天气预报已有多年的发展历史,并且取得了很好的效果;。将小波函数分析方法和神经网络相结合,根据实际观测到的气温数据,构建小波神经网络,对短期气温进行预报。为验证预报方法的精度,设计2组对比实验,选取连续3天的气温观测数据作为样本,运用matlab软件编制小波神经网络训练程序,运用训练好的网络,对第4天气温数据进行预测。实验表明:所设计的预报方法对短期气温预报具有一定的参考价值,同一时间段内,采样间隔越小,样本数据量越大,预测精度越高。

摘要： 运用CMA-3KM模式资料,使用不同的训练期滑动平均订正2020年6月~2021年5月青海省海西州国家站点的2 m温度,对订正预报和原始数据进行对比分析。结果表明:总体上训练期越长,准确率越高,但这种特征越明显时,准确率分布较期望值更分散;最优集成方案的订正效果秋冬季高于春夏季、中西部高于东部;总体上应用效果较好,可为今后海西州气温客观预报奠定基础,并为提高气温客观预报准确率提供参考依据;但该方法对于降温过程的预报能力表现较不稳定,因此对于降温过程中的气温客观预报方法,有待进一步研究和探讨。

摘要： 基于2017—2019年欧洲中期天气预报中心的全球预报系统(ECMWF-IFS),结合对应时间段站点观测实况,采用深度学习方法建立了多层全连接神经网络模型(简称DL模型),对未来84 h的地面气温进行订正预报。使用湖南省2020年全年的预报结果进行对比检验评估,得到以下结论:从空间分布来看,DL模型平均均方根误差(RMSE)在大部分地区为1.5~2.0°C(全省平均RMSE为1.78°C),其对ECMWF-IFS模式的订正效果明显,尤其是在高海拔地区,改善率随着预报站点海拔的增加而上升;数值预报的RMSE有明显的日变化特征,每日午后误差最大,DL模型的改善幅度也最大,日出前时效误差最小,改善率在不同海拔高度有不同的日变化特征;DL模型每个月相对ECMWF-IFS的平均RMSE都有明显的订正效果,其中10月、11月RMSE改善率最高,12月最低;从2020年年底一次寒潮过程的日最高、最低及逐3 h气温检验效果来看,DL模型对ECMWF-IFS的系统误差有明显的订正效果,在单站的曲线上,也能看出DL模型更接近观测实况。评估结果表明:模型可以显著地减小ECMWF-IFS的预报误差,其输出结果基本满足日常预报业务的需求。

摘要： 采用2016—2018年DOGRAFS(沙漠绿洲戈壁区域分析预报系统)的气温、降水逐小时预报资料,在检验的基础上开展释用方法研究,并用2019年资料进行试验测试,结果表明:DOGRAFS气温预报,08时起报的准确率要高于20时起报的;北疆好于南疆,准确率为50％,平均绝对误差为2.5°C,采用最高、最低气温建模方案,预报准确率提高到64％,平均绝对误差为1.9°C,预报的离散度降低.DOGRAFS降水预报,08时起报的TS评分略高,20时起报的晴雨准确率略高,南疆好于北疆;晴雨预报准确率可达95％,但降水TS评分仅有20％,空报率超过50％;采用消空订正方案,晴雨预报准确率提高1％,TS评分提高2％,空报率大大降低,但漏报率较大.释用方案对模式气温预报有较好的提升效果,降水预报仍有较大的改进空间.

摘要： 利用2017-2018年GRAPES-GFS模式预报资料和广西区域自动站逐时气温观测资料,分析模式预报偏差特征,发现GRAPES-GFS模式对广西区域2 m温度的预报系统性偏低,随着预报时效增加,预报偏差增大,系统性偏差主要出现在桂北山区、左右江河谷及沿海;春夏秋三季的午后气温预报偏差有明显的系统性,冬季午后气温和四季凌晨气温预报偏差的随机性较大.为了确定滑动订正的最优时窗,通过活动时窗长度的方法,设计不同的滑动订正方案,制定最优时窗滑动订正方案,并进一步利用2020年最优时窗滑动订正业务试验产品,对比验证了该方案的订正效果.结果表明:分别采用固定时窗、季节最优时窗、月份最优时窗等滑动平均订正方案进行订正,春夏秋3季的订正效果明显好于冬季、午后订正技巧高于夜间,其中固定时窗滑动平均方案中的长时窗(15～60 d)订正、季节最优时窗滑动订正以及月份最优时窗滑动订正这几种方式订正效果最优;所制定的最优时窗滑动平均订正方案,可以在不同滑动方案的基础上稳定地提高预报准确率,达到最优时窗滑动的目的.

摘要： 利用2016年1月1日—2018年12月31日吉林省381个站的逐日最高气温、最低气温和定时气温的观测数据,对ECMWF高分辨率模式的2 m最高、最低气温和定时气温预报进行检验分析.结果表明,ECMWF模式对吉林省的气温预报与实况存在一定偏差;从空间上看,自西向东气温预报准确率逐渐递减,预报误差逐渐增大;从时间上看,随预报时效的增长,预报准确率逐渐下降.对ECMWF的气温预报进行高度差订正后,模式最高气温24 h、48 h、72 h的预报准确率分别从52％、51％、50％提高至58％、56％、54％;最低气温准确率分别从58％、56％、54％提高至64％、62％、59％;定时气温准确率分别从63％、60％、58％,提高至67％、63％、61％.高度差订正的方法有效提高了模式气温预报的准确率,减小了模式预报误差,提高了模式预报释用能力,订正后的气温预报TS评分得到明显的提高.该方法已应用在吉林省客观预报的订正算法中.

摘要： 干旱区由于气温日较差大,气温预报(尤其是最高、最低气温预报)难度偏大.利用2013-2015年ECMWF、T639、DOGRAFS、GRAPES4种模式24h气温预报,采用递减平均订正法以及集合平均和加权法,设计了2种订正集成方案.方案1是对多模式气温预报先集成后订正,方案2是先订正后集成.对比分析表明:(1)4种模式在新疆气温预报的准确率表现为ECMWF模式整体最好,DOGRAFS模式最差.最低温度的预报准确率提高程度高于最高温度预报准确率.(2)对于不同区域,预报准确率北疆高于南疆、西部高于东部、平原高于山区.对于不同季节,冬季的订正能力大于其他季节.(3)加权平均法优于集合平均法.先订正后集合方案优于先集合再订正方案.(4)使用方案2对2015年7月和2014年4月两次高、低温天气过程进行检验试验,订正效果明显.

摘要： 根据南京站2001-2011年实测气象数据,以Pemman Monteith(PM)分式计算得到的参考作物腾发量ET0值作为基准值,对仅需要气温数据计算参考作物腾发量的Hargreaves Samani(HS)公式进行参数率定,采用率定后的HS公式依据2012年6月-2015年6月气温预报数据对南京水稻、冬小麦不同生育期未来1～7d的ET0进行预报,并与基于实测气象数据的PM法计算的ET0值进行比较,评价HS法的ET0预报精度.结果表明:最低、最高气温实测值与预报值相关系数分别为0.97和0.93,最低气温预报精度略高于最高气温;预见期1～7d内,水稻、冬小麦不同生育期ET0预报值与PM法计算值变化趋势基本一致,整个生育期内冬小麦ET0预报值与PM法计算值吻合程度更好,水稻、冬小麦相关系数分别选0.60.0.80左右;水稻各生育期平均准确率为66.0％～97.5％,平均绝对误差为0.65～1.22mm/d,均方根误差为0.76～1.42mm/d,冬小麦各生育期平均准确率为75.4％～99.5％,平均绝对误差为0.33-1.06mm/d,均方根误差为0.43～1.23mm/d;作物生育期各阶段对气温预报误差越敏感,ET0预报精度越低,随着生育期的推进,水稻对气温预报误差的敏感程度逐渐减小,相应的ET0预报精度进新增加,而冬小麦反之;但整体上预见期1～7d的气温预报及ET0预报精度达到可利用程度,可为快速灌溉预报及灌溉决策提供数据支撑.

摘要： 为了更好地做好蕲春县各乡镇的精细化最高最低气温预报,服务"三农".按照蕲春县各乡镇的地域分布,选取蕲春国家一般气象观测站和其他14个乡镇区域自动气象站2013年、2014年的最高最低温度资料,采用BP神经网络法和线性回归方程法两种方法预报各乡镇的最高最低气温,并与经验订正预报法进行对比分析,寻找出误差最小的方法.结果表明:各乡镇气温和蕲春站气温呈明显的正相关性,相关系数均大于0.9800,相关程度极高;蕲春县长期应用的经验订正预报法错误率较大,平均错误率在23.2％以上,误差多在0°C到-4°C之间;BP神经网络预报法和线性回归方程预报法错误率较小,平均错误率都在5％以下,误差多在-2°C到2°C之间;线性回归方程预报法可操作性较强,可用于蕲春县乡镇最高最低气温预报中.

摘要： 利用辽宁中尺度数值模式WRF、天气在线提供的天气预报和美国weather网站上提供的三种数值预报产品,对沈阳2011年9月至2013年11月日极端最低和最高气温的预报能力进行对比分析,发现各种模式在不同季节及不同预报项目上具有不同的预报能力.三种模式产品预报优势各不相同,WRF在春、夏季日极端最低气温的预报能力强于其它两种模式,美国模式产品在春季最高气温预报上优于其它产品,天气在线在秋、冬季日极端最低气温及夏、秋、冬日极端气温预报上优于其它产品.从综合预报能力来看,天气在线对沈阳站日极端气温的预报预报能力最强.将三种模式的预报结果进行加权平均后,预报质量高于单一模式产品.并将加权后出现的误差类型进行归纳,以便业务中关注.

摘要： 目前,已经有各类的数值预报产品对气温预报提供技术支持,但是由于厦门地理范围小,现有数值产品暂时不能满足更小尺度的预报服务的需求,同时由于公众对于气象服务要求的提升和气象现代化的要求,对于预报的空间精细化提出了更高的要求.基于上述原因,本文通过对多个自动站历史数据分析得出的关系对多个站点的高低温进行预报,其结果可以作为预报人员气温预报参考依据之一,从而提升区域预报的气温准确度.同时,通过界面友好的交互预报系统实现产品的快速制作和发布.

摘要： 运用2015年华南区域模式08时起报的2m气温和贵州区域84个国家站观测气温资料,得到2m气温偏差场,对偏差场进行了年平均、季节平均和主分量分析.研究发现:年平均和季节平均得出气温偏差在不同模式预报时次存在差异,午后到傍晚时段最为显著,以24h为周期演变.季节平均还反映出偏差冬季偏高、夏季偏低;春秋季节相对较为平稳,且为冬季与夏季两种位相的过渡期.PCA的第1特征向量都为同一位相,全部站点气温偏差表现为相同的变化趋势和同性的空间分布特征,从第2特征向量开始出现位相的分化.第1、2特征向量的时间函数以10～20d为周期振荡,与冷空气的低频活动和东亚季风的低频振荡一致.这些结论是下一步模式气温订正工作的依据.

摘要： 本研究是选取天津市津南国家一般气象站(站号54622)的观测数据,经过相关性分析,得到12个气象要素作为预报因子,然后通过主分量的方法进行降维,采用BP神经网络模型,建立了天津市津南区日极值气温预报模型.通过优化和调整,计算德到的预报样本误差小于2°C的结果占85.19％,日最高气温平均误差1.53°C,日最低气温平均误差1.03°C.说明了本方法有一定的实用价值,对区县级台站的日极值气温订正预报有很好的指导意义.

摘要： 为寻求北方冬季日光温室最低气温长序列预报方法,以BP、RBF、GRNN神经网络与多元曲线拟合为基础,对日光温室最低气温进行预报.结果表明:神经网络模型具有较好的通用性,在确定网络参数后,对不同棚型进行训练泛化后均可获得较稳定的预报结果;而以多元拟合曲线对不同棚型进行拟合时其曲线方程较难统一,通用性差.经验证:GRNN神经网络的稳定性略优于BP及RBF神经网络,且建模参数较少,数据训练简单,建议在日光温室低温预报中使用.

摘要： 现代城市数量不断增加,规模持续扩大,对城市气象监测和精细化预报提出了新的挑战.城市化带来下垫面性质的巨大改变,而下垫面对区域气候有明显的反馈作用.本文通过分析北京市6个自动气象站观测数据,研究了不同下垫面对气温的影响,前人对不同下垫面地温的分析中月平均温度相差可达5-15°C，明显大于本文中的气温差异，这样是因为地表接收太阳辐射并作为大气的热源，升降温幅度均大于气温。夏季，不同下垫面对体感温度影响很大，在城市精细化气象服务体感温度预报中，加入地表温度因子，尤其在夏季，将提升预报准确率和服务效果。

摘要： 现代城市数量不断增加,规模持续扩大,对城市气象监测和精细化预报提出了新的挑战.城市化带来下垫面性质的巨大改变,而下垫面对区域气候有明显的反馈作用.本文通过分析北京市6个自动气象站观测数据,研究了不同下垫面对气温的影响,前人对不同下垫面地温的分析中月平均温度相差可达5-15°C，明显大于本文中的气温差异，这样是因为地表接收太阳辐射并作为大气的热源，升降温幅度均大于气温。夏季，不同下垫面对体感温度影响很大，在城市精细化气象服务体感温度预报中，加入地表温度因子，尤其在夏季，将提升预报准确率和服务效果。

摘要： 本发明涉及天气预测技术领域，具体涉及一种改进青藏高原地区的数值预报模式、地面感热和潜热通量以及气温计算方法，针对数值预报模式中MOST存在的问题，利用用MEP方法对MOST方法进行改进，通过用MEP模型对数值预报模式中采用MOST方法计算的地面感热和潜热通量进行能量平衡调整来降低模式感热、潜热和地面气温误差的技术；在WRF Noah‑MP模式中用MEP方法对地面感热和潜热通量的求解方法以及MEP模型与Noah‑MP的耦合技术。

摘要： 本发明涉及一种基于全连接神经网络日最高气温的预报方法，所述预报方法包括：S1、对观测资料数据和数值预报数据进行预处理；S2、将完成预处理的数据划分为训练集、验证集和测试集，并分别对训练集、验证集和测试集上的特征和目标执行数据进行归一化处理；S3、构建结合嵌入层的全连接神经网络模型，并对模型的超参数进行设置以及对模型进行训练；S4、对训练结束的模型进行评估，并通过模型对最高气温进行预测。本发明选择了时间滞后变量，同时为了能在数据集中标识不同站点以及样本的时间信息，设计了辅助变量，并针对站点编号和月份这两个分类，设计了嵌入层，避免了分季节和分区域建模。

摘要： 本申请公开了一种基于深度学习的气温预报偏差订正方法及装置。该方法在获取针对预报区域的格点预报数据后；基于格点预报数据，获取各时刻的气温格点预报矩阵；训练气温预报订正模型，并利用训练的气温预报订正模型对各时刻的气温格点预报矩阵进行处理，得到一种气温预报的订正相应时刻的气温格点预报的订正矩阵，从而获取各时刻的气温格点预报订正数据。该方法提高了订正预报的准确性。

摘要： 本发明公开了一种基于活动区间的气温预报偏差订正方法和系统，通过对数值模式气温精细化预报产品进行准对称统计期偏差滑动订正，并利用历史数据回算，根据预报性能最优原则确定试预报区间，不断更新气温预报偏差的准对称统计期，实现了对数值模式气温预报的有效订正。该订正方法在不断更新数值模式日最高或最低气温系统偏差的基础上，还对系统偏差的准对称统计期进行滑动更新，对模式的不断升级更新有较好的适应性，订正效果较好。

摘要： 一种气温智能网格最优集成预报方法，包括如下步骤：数值预报产品加工处理，获取观测站点气温实况及预报值，选择最优的数值预报产品，开展气温预报订正释用，分析不同客观释用方法预报效果，研究适合的最优集成预报方法，生成气温智能网格最优集成预报产品，实现业务化运行。本发明立足于寻找最优预报的思路，首先是寻找最优数值模式，在最优数值模式的基础上开展气温预报订正释用，寻找预报较好且互为补充的客观释用方法，通过对不同释用方法的最优集成预报，进一步提高气温预报准确率。

摘要： 本发明公开了一种基于随机森林的多模式集成预报在地面气温预报中的应用，步骤如下：S1：获取各单模式预报的数据；S2：将获得的数据分为模式预报数据和真实观测数据，并将模式预测数据插值到和真实观测数据分辨率相同的网格上；S3：将插值后的模式预测数据和真实观测数据划分为训练集数据和测试集数据；S4：基于交叉验证的方法，使用训练集数据训练生成随机森林模型；S5：使用测试集数据对训练好的随机森林模型进行验证，并基于验证结果和对应的测试集数据计算出能够对训练好的随机森林模型的预测精度和参考价值进行泛化能力评估的评估指标。本发明将多模式预报和随机森林算法结合，构建简单的应用模型，训练数据数量少且预测准确率高。

摘要： 本申请公开一种针对电网杆塔点的气温预报订正系统。所述系统包括格点优选装置用于计算最优格点序号并发送至订正模型装置；数据整理与质检装置用于采集历史气温观测记录并进行数据质控整合；站点重构装置，用于取得更好的站点匹配结果，结合历史气温观测记录的数据整合结果得到杆塔点的重构结果并发送至订正模型装置；订正模型装置，用于将站点重构的杆塔点实况与经过地形复杂度筛选出的格点预报值做分析，计算低温判据，建立常态回归模型和低温回归模型，将低温判据、订正系数和订正格点号运用到对应的模型预报结果中，得到考虑低温事件，考虑站点稀疏、海拔变化较大地区的杆塔点气温订正模型。采用本申请技术方案，能够提高气温预报的准确度。

摘要： 本发明属于天气预报产品处理技术领域，涉及一种基于位温梯度的数值模式地面2米气温预报地形高度订正方法。步骤为：获取数值模式预报产品和真实地形高程DEM数据，进行地面2米气温预报产品地形高度订正，建立业务化系统，逐日重复上述步骤，实现预报区域范围内数值模式地面2米气温预报地形订正，获取更为精准的地面2米气温预报产品。本发明通过对2019年1‑12月山东省国家级气象观测站泰山站ECMWF模式预报的逐3小时地面2m气温预报产品地形订正前后的对比表明，该方法解决了模式地形和真实地形不一致引起的模式地面2米气温预报偏差较大问题。

摘要： 本发明公开了一种基于时空局部模型的数值模式气温预报产品释用方法，包括如下步骤：确定待释用区域和气温预报产品的层次，并将待释用区域划分为若干子区域；样本集构建；样本质量控制；对每个子区域，选定相应的释用模型、权函数模型、时空距离模型、评估指标和滑动训练期，并对相关参数进行优化或设定；获取预报期数值模式气温预报产品，并插值到所需离散网格；采用选定的释用模型、权函数模型、时空距离模型和滑动训练期及优化或设定的参数对预报期离散网格数值模式气温预报产品进行释用。本发明的有益效果是：采用时空局部模型更加准确地建模随时空变化的数值模式气温预报产品和实况的关系，进一步提高数值模式气温预报产品的释用水平。

摘要： 本发明属于气象预报技术领域，具体涉及一种基于深度学习的气温预报数据订正方法。本发明在数据预处理阶段，在使用最近邻插值法将气温预报数据转化为格点数据的同时提高了空间分辨率，并且采用高斯滤波对气温数据进行平滑处理，去除高斯噪声；在构建深度学习网络结构阶段，利用上采样处理提高了时间分辨率，同时采用LSTM提取时间特征，与UNet网络提取的数值预报特征进行加权融合，利用深度学习网络的非线性映射能力和对格点数据的信息提取能力，提高了气温预报精度。综上，本发明的气温预报数据订正模型能计算出更准确的订正值，并且能够提高气温预报的时空分辨率，降低人力消耗，为未来精细化格点预报提供了高分辨率、精准分析的订正服务。