RESEARCH ON APPLICATION OF DYNAMIC TIME-VARYING PARAMETER METHODS IN REFINED FORECAST OF CLOUD COVER
-
摘要: 利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料，采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法，建立了河套周边地区0~168 h预报时效的总云量精细化预报，并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比，结果如下：（1）相比GFS模式直接输出的总云量，LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小，LS方法的年MAE均在20%~25%，且随着预报时效的延长，改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好，即使168 h预报时效的相关系数依然在0.64以上，远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率，且最优（少云击中率平均提高24 %，多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象，改进效果不明显。
-
关键词:
- 总云量 /
- 精细化预报 /
- 动态时变 /
- 自适应最小二乘回归 /
- 自适应递推卡尔曼滤波
Abstract: Based on the Global Weather Forecast System (GFS) forecast field data from January 2008 to December 2013 and from January 2017 to November 2017, the present study used two dynamic time-varying parameter methods, namely adaptive linear least squares regression and adaptive recursive Kalman filter, to establish a 0~168 hour forecast for the surrounding area of Hetao Area (the Great Bend of the Yellow River). The time-efficient refined cloud forecast was compared with the total cloud cover provided by the GFS model, and the results of the linear forecast model stepwise regression forecast method, the nonlinear forecast model BP neural network and the least square support vector machine (LSSVM) regression method. The results are as follows: (1) Adaptive LS, BP neural network, and LSSVM all significantly reduce the mean absolute error (MAE) of the total cloud cover and observed value directly output from the GFS model. The MAE of the adaptive LS prediction method is the smallest, and the annual MAE of the LS method at different forecast times is around 20~25%. With the extension of forecast time, the improvement becomes greater. The improvement brought by the self-adaptive LS method, multiple stepwise regression method, BP neural network, and LSSVM is the greatest from June to August. (2) The correlation between the adaptive LS method and the live cloud cover is the best. The correlation coefficient of the 168h forecast time is above 0.64, which is much higher than those of other models. (3) Compared with other methods, the adaptive LS method can significantly improve the forecasting hit rate when it is cloudy or partly cloudy. The average hit rate for partly cloudy sky is increased by 24%, and the hit rate for cloudy sky is increased by 34%. (4) There is a lag in forecasting using the adaptive recursive Kalman filtering method, and the improvement is not obvious. -
表 1 云量预报因子
变量代码 物理意义 水汽类因子x1~x7 整层湿度(g/kg) 经向水汽通量kg/(m·s) 整层水汽通量散度10-7g/(hPa·s·cm2) 大气可降水量(g/cm2) 整层相对湿度(%) 低层温度露点差(K) Ts-Tt(℃) 大气不稳定度类因子x8~x12 对流性稳定度(K/hPa) K指数(℃) 位势不稳定指标(℃) θse差动平流(K/s) 总温度梯度(℃/hPa) 大气上升运动类因子x13~x19 五层平均垂直速度(Pa/s) 500 hPa涡度平流(10-13s-3·hPa-1) 700 hPa涡度平流(10-13s-3·hPa-1) 850 hPa涡度平流(10-13s-3·hPa-1) 500 hPa热力平流(10-14s-3·hPa-1) 700 hPa热力平流(10-14s-3·hPa-1) 850 hPa热力平流(10-14s-3·hPa-1) 天气系统强度类因子x20~x23 500hPa槽强度指数(gpm) 600 hPa槽强度指数(gpm) 700 hPa槽强度指数(gpm) 500 hPa涡度(10-5s-1) GFS直接输出的云类预报因子X24~X30 500 hPaGFS模式输出的云混合比(kg/kg) 700 hPaGFS模式输出的云混合比(kg/kg) 850 hPa GFS模式输出的云混合比(kg/kg) GFS模式输出的整层大气的总云量(%) GFS模式输出的低云量(%) GFS模式输出的中云量(%) GFS模式输出的高云量(%) 
下载: 导出CSV
表 2 预报与实况多分类列联表
预报 1 2 …… k 合计 1 n(F1，O1) n(F1，O2) …… n(F1，Ok) N(F1) 2 n(F2，O1) n(F2，O2) …… n(F2，Ok) N(F2) …… …… …… …… …… …… k n(Fk，O1) n(Fk，O2) …… n(Fk，Ok) N(Fk) 合计 N(O1) N(O2) …… N(Ok) N
下载: 导出CSV
表 3 2013年39个站点不同预报方法的预报值和实况值的相关系数
预报时效/h GFS StepWise LS Kalman BP LSSVM 3 0.576 0.686 0.724 0.570 0.710 0.716 6 0.567 0.682 0.721 0.562 0.699 0.709 9 0.563 0.701 0.726 0.583 0.711 0.719 12 0.612 0.673 0.728 0.559 0.694 0.705 15 0.627 0.686 0.739 0.576 0.707 0.716 18 0.597 0.655 0.726 0.560 0.685 0.693 21 0.614 0.674 0.735 0.560 0.703 0.710 24 0.572 0.672 0.735 0.557 0.679 0.690 30 0.525 0.646 0.691 0.521 0.662 0.675 36 0.569 0.626 0.704 0.512 0.644 0.659 42 0.553 0.606 0.700 0.494 0.634 0.643 48 0.549 0.631 0.712 0.508 0.639 0.651 60 0.535 0.578 0.684 0.438 0.607 0.616 72 0.498 0.589 0.687 0.454 0.596 0.607 96 0.458 0.549 0.668 0.411 0.550 0.566 120 0.424 0.502 0.656 0.371 0.516 0.527 144 0.398 0.479 0.652 0.336 0.491 0.503 168 0.365 0.451 0.643 0.320 0.467 0.481 注：以上均通过了0.001显著性检验。
下载: 导出CSV
-
[1] RIVOIRE L, BIRNER T, KNAFF J A, et al. Quantifying the Radiative Impact of Clouds on Tropopause Layer Cooling in Tropical Cyclones[J]. Journal of Climate, 2020, 33(15): 6 361-6 376. [2] PAPAVASILEIOU G, VOIGT A, KNIPPERTZ P. The role of observed cloud‐radiative anomalies for the dynamics of the North Atlantic Oscillation on synoptic time‐scales[J]. Quart J Roy Meteor Soc, 2020, 146(729): 1822-1841. [3] DAI A, TRENBERTH K E, Karl T R. Effects of clouds, soil moisture, precipitation, and water vapor on diurnal temperature range[J]. J Climate, 1999, 12(8): 2451-2473. [4] 韩成鸣, 李耀东, 史小康.云分析预报方法研究进展[J].地球科学进展, 2015, 30(4): 505-516. [5] 赵文婧, 赵中军, 尚可政, 等.云量时间精细化预报研究——以榆中为例[J].气象与环境学报, 2015, 60-66. [6] 张长卫.基于BP神经网络的单站总云量预报研究[J].气象与环境科学, 2009, 32(1): 68-71. [7] 胡邦辉, 刘丹军, 王学忠, 等.最小二乘支持向量机在云量预报中的应用[J].气象科学, 2011, 31(2): 187-193. [8] 熊秋芬, 顾永刚, 王丽.支持向量机分类方法在天空云量预报中的应用[J].气象, 2007, 33(5):20-26. [9] 熊秋芬, 胡江林, 陈永义.天空云量预报及支持向量机和神经网络方法比较研究[J].热带气象学报, 2007, 23(3): 255-260. [10] 马玉坤, 赵中军, 王玉国, 等.环渤海地区云量的动力过程相似预报方法[J].兰州大学学报(自然科学版), 2011, 47(4): 38-43. [11] 黄海亮, 靳双龙, 王式功, 等.相似预报方法在山西省云量预报中的应用[J].干旱气象, 2018, 36(5): 845-851. [12] 赵文婧, 李文才, 赵中军, 等.基于模式输出统计预报方法的云量精细化预报[J].兰州大学学报:自然科学版, 2016, 52(4): 479-483. [13] CARTER G M, GLAHN H R. Objective prediction of cloud amount based on model output statistics[J]. Mon Wea Rev, 1976, 104(12): 1 565-1 572. [14] 张天虎, 鲍艳松, 钱芝颖, 等.基于BP神经网络与遗传算法反演大气温湿廓线[J].热带气象学报, 2020, 36(1):97-107. [15] 孔玉寿, 钱建明, 臧增亮.统计天气预报原理与方法[M].北京:气象出版社, 2010. [16] 钤伟妙, 陈静, 韩军彩, 等.基于WRF-CMAQ模式的非线性预报模型研究[J].环境科学与技术, 2017, 40(8): 106-114. [17] 程兴宏, 陶树旺, 魏磊, 等.基于WRF模式和自适应偏最小二乘回归法的风能预报试验研究[J].高原气象, 2012, 31(5): 1 461-1 469. [18] 程兴宏, 刁志刚, 胡江凯, 等.基于CMAQ模式和自适应偏最小二乘回归法的中国地区PM2.5浓度动力-统计预报方法研究[J].环境科学学报, 2016, 36(8): 2 771-2 782. [19] 黄嘉佑, 谢庄.卡尔曼滤波在天气预报中的应用[J].气象, 1993, 19(4): 3-7. [20] 吴婵, 吴林训, 黄明旺, 等.温度集合预报的类卡尔曼滤波自适应订正方法在海南省东北部的应用[J].广东气象, 2018, 40(4): 43-47. [21] 罗聪, 曾沁, 高亭亭, 等.精细化逐时滚动温度预报方法及检验[J].热带气象学报, 2012, 28(4): 552-556. [22] 智协飞, 黄闻.基于卡尔曼滤波的中国区域气温和降水的多模式集成预报[J].大气科学学报, 2019, 42(2): 197-206. [23] 张恒德, 咸云浩, 谢永华, 等.基于时间序列分析和卡尔曼滤波的霾预报技术[J].计算机应用, 2017, 37(11): 3 311-3 316. [24] 吴曼丽, 王瀛, 袁子鹏, 等.基于自动站资料的海上风客观预报方法[J].气象与环境学报, 2013, 29(1): 84-88. [25] 封彩云, 王式功, 尚可政, 等.中国北方水汽与云和降水的关系[J].兰州大学学报(自然科学版), 2009, 45(4): 30-36. [26] 张雪芹, 彭莉莉, 郑度, 等.1971-2004年青藏高原总云量时空变化及其影响因子[J].地理学报, 2007, 62(9): 959-969. [27] 牛晓瑞, 王淑瑜.华北地区低云量的变化特征及其影响因子分析[J].高原气象, 2012, 31(5): 1 340-1 347. [28] 赵文婧.葫芦岛代表站云量的精细化预报研究[D].兰州: 兰州大学, 2016. [29] 咸云浩, 张恒德, 谢永华, 等.多元逐步回归与卡尔曼滤波法在霾预报中应用[J].系统仿真学报, 2018, 30(4): 1 482-1 489. [30] 李娅, 郭建侠, 曹云昌, 等. FY-2G云量产品与地面观测云量对比分析[J].高原气象, 2018, 37(2): 514-523. [31] 陈卫东, 梁新兰, 张雅斌, 等. T213数值预报产品的温度预报释用技术[J].陕西气象, 2003, 14(6): 7-9. -
点击查看大图
图(7) / 表(3)
计量
- 文章访问数: 156
- HTML全文浏览量: 22
- PDF下载量: 15
- 被引次数: 0
粤公网安备 4401069904700003号