基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network...
详细信息
基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型进行概率预报试验,并对两个模型输出的概率预报结果进行评估。结果表明,经NN模型和NN-GI模型订正后,降水概率预报结果得到明显改进,在168 h预报时效时,降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比,NN-GI模型由于考虑到各格点的地理信息差异,在区域内预报技巧整体改进更优。这表明,在利用机器学习方法改进降水预报时,在模型中加入各个格点的地理信息非常重要。
基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、中国国家气象中心业务运行的中尺度数值预报系统(Global/Regional Assimilation and Prediction Enhanced System Meso,GRAPES-Meso)、美国国家...
详细信息
基于欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、中国国家气象中心业务运行的中尺度数值预报系统(Global/Regional Assimilation and Prediction Enhanced System Meso,GRAPES-Meso)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)的全球预报系统(Global Forecast System,GFS)、GRAPES全球预报系统(GRAPES-GFS)4个模式风场预报资料,利用双线性、反距离加权、三次样条、克里格等插值方法对华东及周边地区(110°~130°E,20°~40°N)2020年1—4月逐日地面和高空风0~72 h集合预报资料进行降尺度处理,得到满足机场及终端区气象保障的精细化风场预报。此外,还对精细化风场预报做多模式集成。结果表明,对于风场的精细化格点预报,反距离加权插值方法误差最小,为最优水平插值方法。基于扩展复卡尔曼滤波的多模式集成(Augmented Complex Extended Kalman Filter,ACEKF)可进一步减小风场预报的误差。对华东地区上海、青岛和厦门3个机场地面和高空风的多模式集成风场精细化预报的分析表明,ACEKF多模式集成预报不但均方根误差较BREM、ECMWF和GRAPES-GFS的预报误差小,且随高度变化也不如单模式预报的大,其预报性能更为稳定。
暂无评论