ISSN 1004-4965

CN 44-1326/P

用微信扫描二维码

分享至好友和朋友圈

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验

胡波 俞燎霓 滕代高

胡波, 俞燎霓, 滕代高. 高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验[J]. 热带气象学报, 2019, 35(6): 767-779. doi: 10.16032/j.issn.1004-4965.2019.069
引用本文: 胡波, 俞燎霓, 滕代高. 高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验[J]. 热带气象学报, 2019, 35(6): 767-779. doi: 10.16032/j.issn.1004-4965.2019.069
Bo HU, Liao-ni YU, Dai-gao TENG. APPLICATION OF GAUSSIAN PROCESS REGRESSION METHOD TO GUST FORECASTING IN WINTER AND SPRING IN ZHEJIANG COASTAL ISLANDS[J]. Journal of Tropical Meteorology, 2019, 35(6): 767-779. doi: 10.16032/j.issn.1004-4965.2019.069
Citation: Bo HU, Liao-ni YU, Dai-gao TENG. APPLICATION OF GAUSSIAN PROCESS REGRESSION METHOD TO GUST FORECASTING IN WINTER AND SPRING IN ZHEJIANG COASTAL ISLANDS[J]. Journal of Tropical Meteorology, 2019, 35(6): 767-779. doi: 10.16032/j.issn.1004-4965.2019.069

高斯过程回归方法在浙江沿海海岛冬春季阵风预报中的应用试验

doi: 10.16032/j.issn.1004-4965.2019.069
基金项目: 

浙江省重大科技专项重点社会发展项目 2011C13044

浙江省气象局科技计划一般项目 2018YB01

浙江省自然科学基金 LY18D050001

浙江省气象局科技计划重点项目 2017ZD09

详细信息
    通讯作者:

    胡波,男,浙江省人,高级工程师,主要从事数值预报解释应用。E-mail: hubook12@163.com

  • 中图分类号: P732

APPLICATION OF GAUSSIAN PROCESS REGRESSION METHOD TO GUST FORECASTING IN WINTER AND SPRING IN ZHEJIANG COASTAL ISLANDS

  • 摘要: 利用2006—2016年冬春季浙江四个海岛气象站10 m大风观测资料和ERA-interim资料,首先分析了阵风因子和阵风风速的概率分布特征;然后统计阵风与10 m至500 hPa层的气温、风速、散度、涡度、比湿、垂直速度、浮力能等要素的关系,选取高相关的预报因子;最后采用高斯过程回归方法建立阵风概率预报模型,并进行试报。(1)平均风速相同时对应的阵风因子变化较大,导致阵风也出现大的差异,说明阵风数据分布具有混沌性;阵风风速具有正态或准正态分布特点,在自然对数处理后完全符合正态分布,表明采用高斯过程回归方法建立阵风概率预报模型合理可行。(2)阵风与大气低层的动力因子相关较好,而在近中层则与热力因子相关较好。(3)阵风大值样本在大气低层具有更强的下沉速度,有利于上层动量向下输送,且大值样本对应的中层气温和比湿相对大些,说明中层暖湿气流有利于湍流的发展和不稳定能量的交换。(4)试报模型的因子权重尺度分析表明,最佳预报因子绝大多数集中在875 hPa层以下,说明大气低层因子对近地面阵风起主导作用。(5)高斯过程回归模型试报表明,大部分站点阵风预报的50%概率区间上下界跨度约为2.5 m/s,75%概率区间跨度约为4.5 m/s,样本的50%和75%概率区间击中率均符合预期。

     

  • 图  1  四个海岛气象测站的地理位置

    图  2  四个海岛站冬春季大风的10 min平均风速与对应阵风因子的关系

    颜色代表样本出现概率,概率按照平均风速2.0 m/s和阵风因子0.06的间隔进行计算。

    图  3  不同阵风风速样本对应的概率密度估计

    棕色线为标准正态分布曲线。左边为10 m阵风样本,右边为10 m阵风自然对数样本。

    图  4  四个站阵风样本的Kolmogorov-Smirnov正态分布检验

    左边为标准化10 m阵风样本,右边为标准化的10 m阵风自然对数样本。

    图  5  四个气象站阵风预报模型中8个因子对应的权重尺度对数情况

    1:d875;2:w975;3:q500;4:t600;5:w600;6:b700_1000;7:f925;8:f1000, 要素说明同表 1

    图  6  四个站一组样本10 m阵风与1 000 hPa风速的散点图

    黑色点为样本实况,蓝色点为确定性预报,红色点为75%概率区间预报的上限和下限。

    图  7  四个站一组样本10 m阵风与1 000 hPa风速的散点图

    黑色点为样本实况,蓝色点为确定性预报,红色点为50%概率区间预报的上限和下限。

    表  1  各站不同天气要素与阵风相关检验的p值均值在0.05以下的因子    f:水平风速;t:气温;v:涡度;w:垂直速度;d:散度;q:比湿;b:浮力能。

    试验w500q500w500q550t600w600q600t650w650q650t700
    嵊泗0.010.000.030.010.000.080.020.000.130.020.02
    南麂0.000.000.000.000.000.000.000.000.000.000.00
    大陈岛0.020.000.000.000.000.000.000.010.000.000.05
    东矶0.000.000.000.000.040.000.000.010.000.020.07
    平均0.010.000.010.000.010.020.000.000.030.010.03
    试验q700d750d775f850f870d875f900f925w925w950f950
    嵊泗0.030.010.060.000.000.000.000.000.110.110.00
    南麂0.000.000.000.000.180.020.010.000.000.000.01
    大陈岛0.000.000.000.000.000.000.000.000.000.000.00
    东矶0.150.000.000.000.000.000.000.000.000.000.00
    平均0.040.000.020.000.050.010.000.000.030.030.00
    试验f970d975v975w975w1000f1000b600_1000b700_1000f10m
    南麂0.000.130.000.120.010.000.000.000.00
    嵊泗0.010.000.080.000.000.010.000.000.00
    大陈岛0.000.000.000.000.000.000.000.000.00
    东矶0.000.000.000.000.000.000.000.000.00
    平均0.000.030.020.030.000.000.000.000.00
    下载: 导出CSV

    表  2  准因子之间相关检验p值的平均    要素说明同表 1

    要素q500w500w550q550t600w600q600t650w650
    p平均值0.050.040.040.040.070.050.040.060.04
    要素q650q700t700d750d775f850f870d875f900
    p平均值0.020.020.030.040.040.060.080.110.13
    要素f925w925w950f950f970v975w975d975w1000
    p平均值0.140.010.020.040.020.100.030.050.02
    要素f1000f10mb600_1000b700_1000
    p平均值0.060.050.070.08
    下载: 导出CSV

    表  3  四个站点前10个阵风风速最大样本的入选因子平均值情况    要素说明同表 1

    站号10 m阵风/(m/s)d875/(10-6·s-1)f925/(m/s)f1000/(m/s)q500t600/Kw600/(Pa/s)w975/(Pa/s)b700_1000/(m2/s2
    东矶23.4-11.117.215.40.001 4267.8-0.3110.231220.1
    南麂27.7-18.514.516.20.002 1269.4-0.2160.113234.8
    嵊泗25.6-10.919.517.20.001 4267.8-0.1360.005209.9
    大陈岛24.9-15.917.817.30.001 7268.2-0.3190.192224.6
    平均25.4-14.117.216.50.001 6268.3-0.2450.135222.3
    下载: 导出CSV

    表  4  四个站点10个阵风风速为10.1 m/s小值样本的入选因子平均值情况    要素说明同表 1

    站号10 m阵风/(m/s)d875/(10-6·s-1)f925/(m/s)f1000/(m/s)q500t600/Kw600/(Pa/s)w975/(Pa/s)b700_1000/(m2/s2
    东矶10.1-7.605.56.10.000 7267.8-0.018-0.008200.6
    南麂10.1-2.544.26.50.001 4267.8-0.064-0.006192.6
    嵊泗10.12.497.67.60.000 7264.60.0120.029185.6
    大陈岛10.1-5.536.47.50.001 0266.20.0470.083202.9
    平均10.1-3.295.96.90.000 9266.6-0.005 70.024195.4
    下载: 导出CSV

    表  5  四个站点预报模型的拟合和测试结果

    站号拟合样本绝对误差/(m/s)测试样本绝对误差/(m/s)75%概率区间上下界差/(m/s)50%概率区间上下界差/(m/s)75%概率击中率/%50%概率击中率/%
    东矶1.61.64.52.675.149.5
    南麂1.71.85.33.175.453.4
    嵊泗1.41.54.52.675.951.3
    大陈岛1.41.44.22.476.051.9
    平均1.51.54.62.675.651.2
    下载: 导出CSV
  • [1] 王志春, 植石群.登陆台风启德近地层强风特性观测研究[J].气象科技, 2014, 42(4): 678-681.
    [2] 宋丽莉, 毛慧琴, 汤海燕, 等.广东沿海近地层大风特性的观测分析[J].热带气象学报, 2004, 20(6): 731-736.
    [3] 徐家良, 穆海振.台风影响下上海近海风场特性的数值模拟分析[J].热带气象学报, 2009, 25(3): 281-286.
    [4] LARS M B, LARS R S. Wind gust factors in a coastal wind climate[C]//13th Deep Sea Offshore Wind R & D Conference, EERA Deep Wind, 20-22 January 2016, Trondheim, Norway. Energy Procedia 94(2016): 417-424.
    [5] NAKAMURA K, KERSHAW R, GAIT N. Prediction of near~surface gusts generated by deep convection[J]. Meteor Appl, 1996, 3(2):157-167.
    [6] BRADBURY W M S, DEAVES D M, HUNT J C R, et al. The importance of convective gusts[J]. Meteor Appl, 1994, 1(4): 365-378.
    [7] BRASSEUR O. Development and application of a physical approach to estimating wind gusts[J]. Mon Wea Rev, 2001, 129(1): 5-25.
    [8] 董双林.中国的阵风极值及其统计研究[J].气象学报, 2001, 59(3): 327-333.
    [9] LORENZ E N.混沌的本质[M].刘式达, 刘式适, 严中伟译.北京: 气象出版社, 1997.
    [10] 丑纪范.大气科学中的非线性和复杂性[M].北京:气象出版社, 2002.
    [11] 杜钧, 陈静.单一值预报向概率预报转变的基础:谈谈集合预报及其带来的变革[J].气象, 2010, 36(11): 1-11.
    [12] 杜钧, 邓国.单一值预报向概率预报转变的价值:谈谈概率预报的检验和应用[J].气象, 2010, 36(12): 10-18.
    [13] 赵琳娜, 刘莹, 包红军, 等.基于重组降水集合预报的洪水概率预报[J].应用气象学报, 2017, 28(5): 544-554.
    [14] MURPHY A H, MARTIN E. On the relationship between the accuracy and value of forecasts in the cost-loss ratio situation[J]. Wea Forecasting, 1987, 2(1): 243-251.
    [15] APPLEQUIST S, GAHRS G E, PFEFFER R L. Comparison of methodologies for probabilistic quantitative precipitation forecasting[J]. Wea Forecasting, 2002, 17(4): 783-799.
    [16] KRZYSZTOFOWICZ R. Bayesian theory of probabilistic forecasting via deterministic hydrologic model[J]. Water Resour Res, 1999, 35(9): 2 739-2 750.
    [17] KALNAY E. Atmopsheric modeling, date assimilation and predictability[M]. Cambridge University Press, 2003.
    [18] 邓国, 龚建东, 邓莲堂, 等.国家级区域集合预报系统研发和性能检验[J], 应用气象学报, 2010, 21(5): 513-523.
    [19] 刘家峻, 张立凤, 关吉平, 等.集合预报产品在台风麦莎预报中的应用[J].气象, 2010, 36(5): 21-31.
    [20] 马培迎.应用贝叶斯原理修正降水概率预报[J].气象科技, 1999(1): 45-48.
    [21] 陈朝平, 马汉中, 陈静.基于贝叶斯方法的四川暴雨集合概率预报产品释用[J].气象, 2010, 35(5): 32-39.
    [22] 邵明轩, 刘凤辉, 程维中, 等.用非线性多因子动态组合方法作降水概率预报[J].气象科技, 2003, 31(4): 206-210
    [23] 李明.基于ECMWF细网格模式的短时强降水客观概率预报方法研究[J].热带气象学报, 2017, 33(6): 812-821.
    [24] 姜丽黎, 余晖.基于动力相似方法的台风极端降水概率预报研究[J].热带气象学报, 2019, 35(3): 353-364.
    [25] SLOUGHTER J M, GNEITING T, RAFTERY A E. Probabilistic wind speed forecasting using ensembles and Bayesian model averaging[J]. J Amer Stat Assoc, 2010, 105(489): 25-35.
    [26] LERCH S, THORARINSDOTTIR T L. Comparison of nonhomogeneous regression models for probabilistic wind speed forecasting[J]. Tellus, 2013, 65(10): 98-110
    [27] THORARINSDOTTIR T L, JOHNSON M S. Probabilistic wind gust forecasting using nonhomogeneous Gaussian regression[J]. Mon Wea Rev, 2012, 140(3): 889-897.
    [28] HARPER B A, KEPERT J D, GINGER J D. Guidelines for converting between various wind averaging periods in tropical cyclone conditions[C]//Sixth Tropical Cyclone RSMCs. Brisbane: WCs Technical Coordination Meeting Technical Document, 2009.
    [29] 何志昆, 刘光斌, 赵曦晶, 等.高斯过程回归方法综述[J].控制与决策, 2013, 28(8): 1 121-1 137.
    [30] 王鑫, 李红丽.台风最大风速预测的高斯过程回归模型[J].计算机应用研究, 2015, 32(1): 59-62.
    [31] 龙健颜, 卢素, 刘金山.贝叶斯非参数回归模型及非参数似不相关回归模型的应用[J].统计与决策, 2011, 27(16): 17-20.
    [32] KOTTAS A, BEHSETA S, MOORMAN D E, et al. Bayesian nonparametric analysis of neuronal intensity rates[J]. J Neuroscience Methods, 2012, 203(1):241-253.
    [33] 王磊, 邹北骥, 彭小宁, 等.基于高斯过程的表情动作单元跟踪技术[J].电子学报, 2007, 35(11): 2 087-2 091.
    [34] FELDMANN K, SCHEUERER M, THORARINSDOTTIR T L. Spatial postprocessing of ensemble forecasts for temperature using nonhomogeneous gaussian regression[J]. Mon Wea Rev, 2015, 143(3):955-971.
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  288
  • HTML全文浏览量:  36
  • PDF下载量:  64
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-12-06
  • 修回日期:  2019-09-28
  • 刊出日期:  2019-12-01

目录

    /

    返回文章
    返回