APPLICATION OF PROBABILITY DENSITY FUNCTION MATCHING IN THE OFFSHORE 10 M WIND SPEED FORECASTING IN CHINA
-
摘要: 海面风速对航运及海上生产作业影响重大，但数值模式对于海面的风速预报仍存在较大误差。为降低数值模式海面10 m风速预报的系统性误差，提高海上大风预报准确率，基于2017—2019年中国气象局地面气象观测资料对ECMWF确定性模式的10 m风场预报结果进行检验评估，并采用概率密度匹配方法对模式误差进行订正。分析结果表明，概率密度匹配方法可有效地改善数值模式10 m风速预报的系统性误差，订正后风速在各个预报时效和风速量级的平均误差均较订正前有所降低。对于大量级风速的预报，经概率密度匹配方法订正后的风速预报的漏报率可减少10%以上。订正后12 h预报时效的8、9级风速预报的平均绝对误差分别由4.15 m/s、5.61 m/s降低至3.12 m/s、4.08 m/s，120 h预报时效的8、9级风速预报的平均绝对误差由7.38 m/s、9.35 m/s减小至6.46 m/s、8.07 m/s。在冷空气、台风大风天气过程中，基于概率密度匹配方法订正后的风速与实况观测更接近，能够为我国近海洋面10 m风速的预报提供更准确的参考。Abstract: Sea surface wind speed has a significant impact on shipping and offshore operations, but there are still large errors in the sea surface wind speed forecasting by numerical models. In order to reduce the systematic error of the 10m sea surface wind speed forecasting by numerical models, and to improve the accuracy of sea wind forecasting, the present study uses the ground meteorological observational data from the China Meteorological Administration from 2017 to 2019 to assess the 10 m wind forecasting by the ECMWF deterministic model, and employs the probability density function matching method for bias correction. An analysis of the test data show that the probability density function matching method can effectively reduce the systematic errors in the 10 m wind speed forecasting by the numerical model. After the correction, the mean errors of wind speed in each forecast and each wind speed magnitude are reduced compared with those before the correction. For the prediction of high magnitude wind speeds, the missing forecast rate of wind speed forecasts corrected by probability density function matching method is reduced by more than 10%. The mean absolute error of the 8 and 9 magnitude wind speed 12 h forecast reduce from 4.15 m s and 5.61 m/s to 3.12 m/s and 4.08 m/s, respectively. The mean absolute error of the 8 and 9 magnitude wind speed 120h forecast reduce from 7.38 m/s and 9.35 m/s to 6.46 m/s and 8.07 m/s, respectively. In the prediction of cold air, typhoon and other strong winds, the corrected wind speed based on the probability density matching technique is closer to the observation, which can provide a more accurate reference for the 10m offshore wind speed forecasting in China.
-
表 1 2019年1—12月ECMWF模式10 m风速预报订正前后漏报率对比
预报时效/h 订正前(括号内数据)、后漏报率对比(%) 4级 5级 6级 7级 8级 9级 12 0.14(0.14) 0.32(0.32) 0.37(0.46) 0.38(0.64) 0.37(0.65) 0.52(0.78) 24 0.17(0.17) 0.35(0.35) 0.40(0.50) 0.40(0.67) 0.38(0.67) 0.46(0.79) 36 0.18(0.18) 0.37(0.37) 0.43(0.51) 0.41(0.68) 0.45(0.66) 0.50(0.79) 48 0.19(0.19) 0.38(0.38) 0.43(0.53) 0.43(0.69) 0.49(0.79) 0.63(0.79) 60 0.20(0.20) 0.39(0.40) 0.45(0.54) 0.46(0.71) 0.47(0.78) 0.71(0.92) 72 0.21(0.21) 0.40(0.41) 0.46(0.56) 0.47(0.72) 0.52(0.76) 0.63(0.79) 84 0.22(0.22) 0.42(0.42) 0.47(0.56) 0.49(0.75) 0.57(0.81) 0.75(0.92) 96 0.23(0.23) 0.43(0.43) 0.50(0.58) 0.54(0.76) 0.70(0.83) 0.83(0.92) 108 0.24(0.24) 0.44(0.44) 0.51(0.60) 0.55(0.78) 0.65(0.89) 0.79(0.88) 120 0.25(0.26) 0.46(0.46) 0.52(0.62) 0.58(0.80) 0.73(0.96) 0.96(1.00) 
下载: 导出CSV
-
[1] TOTH Z, ZHU Y J, MARCHOK T. The use of ensembles to identify forecasts with small and large uncertainty[J]. Wea Forecasting, 2001, 16(4): 463-477. [2] 穆穆, 陈博宇, 周非凡, 等. 气象预报的方法与不确定性[J]. 气象, 2011, 37(1): 1-13. [3] 季晓阳, 吴辉碇, 杨学联. 海面风场数值预报的历史和现状[J]. 海洋预报, 2005, 22(增刊): 167-171. [4] 孙全德, 焦瑞莉, 夏江江, 等. 基于机器学习的数值天气预报风速订正研究[J]. 气象, 2019, 45(3): 426-436. [5] 李世萍, 孔令彬, 肖玮, 等. 基于BP神经网络的风速观测资料序列订正模型[J]. 兰州大学学报(自然科学版), 2013, 49(3): 337-339. [6] 王彬滨, 吴息, 余江, 等. 风电场两种超短期风速订正预报方法的效果对比[J]. 气象科学, 2015, 35(1): 71-76. [7] 张玉涛, 佟华, 孙健. 一种偏差订正方法在平昌冬奥会气象预报的应用[J]. 应用气象学报, 2020, 31(1): 27-41. [8] 任晨辰, 段明铿. ECMWF全风速场集合预报结果的偏差订正与预报不一致性分析[J]. 大气科学学报, 2019, 42(3): 360-369. [9] 祝赢, 柳艳香, 程兴宏, 等. 线性滚动极值处理方法对数值模拟风速的订正研究[J]. 热带气象学报, 2013, 29(4): 681-686. [10] 吴息, 黄林宏, 周海, 等. 风电场风速数值预报的动态修订方法的探讨[J]. 大气科学学报, 2014, 37(5): 665-670. [11] PABLO R L, LNAKI L, LOZANO J A, et al. A method for wind speed forecasting in airports based on nonparametric regression[J]. Wea Forecasting, 2014, 29(6): 1 332-1 342. [12] MONAHAN A H. The Gaussian statistical predictability of wind speeds[J]. J Climate, 2013, 26(15): 5 563-5 577. [13] 杨晓君, 张增海. ASCAT洋面风资料在中国北方海域的真实性检验[J]. 海洋预报, 2014, 31(5): 8-12. [14] 郭玉娣, 刘彬贤, 梁冬坡. 变分方法在渤海海域ASCAT风场订正中的应用[J]. 应用气象学报, 2019, 30(3): 376-384. [15] 张增海, 曹越男, 刘涛, 等. ASCAT散射计风场在我国近海的初步检验与应用[J]. 气象, 2014, 40(4): 473-481. [16] 陈德花, 刘铭, 苏卫东, 等. BP人工神经网络在MM5预报福建沿海大风中的释用[J]. 暴雨灾害, 2010, 29(3): 263-267. [17] 胡波, 俞燎霓, 胖代高. 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. [18] 李辉, 李晴岚, 黄典, 等. 基于历史资料的热带气旋大风定点预报及检验[J]. 热带气象学报, 2019, 35(5): 652-663. [19] 王亚男, 苏杭, 胡田田, 等. ROAD模式渤海10 m风场预报误差订正[J]. 气象科技, 2019, 47(6): 934-940. [20] 荣艳敏, 阎丽凤, 盛春岩, 等. 山东精细化海区风的MOS预报方法研究[J]. 海洋预报, 2015, 32(3): 59-67. [21] 胡海川, 黄彬, 魏晓琳. 我国近海洋面10m风速集合预报客观订正方法[J]. 气象, 2014, 43(7): 856-862. [22] 胡海川, 周军. 集合预报在渤海极大风预报中的应用[J]. 气象, 2019, 45(12): 1 747-1 755. [23] 邱康俊, 温华洋, 王根, 基于概率密度匹配的潜在蒸散量估算[J]. 江苏农业科学, 2018, 46(16): 204-208. [24] 李俊, 杜钧, 陈超君. 降水偏差订正的频率(或面积)匹配方法介绍和分析[J]. 气象, 2014, 40(5): 580-588. [25] 曹萍萍, 肖递祥, 徐栋夫, 等. 基于概率匹配的西南区域模式定量降水订正试验[J]. 气象科技, 2018, 46(1): 101-111. [26] 周迪, 陈静, 陈朝平, 等. 暴雨集合预报-观测概率匹配订正法在四川盆地的应用研究[J]. 暴雨灾害, 2015, 34(2): 97-104. [27] 宇婧婧, 沈艳, 潘呖, 等. 概率密度匹配法对中国区域卫星降水资料的改进[J]. 应用气象学报, 2013, 24(5): 544-553. [28] 吕爱民, 杨柳妮, 黄彬, 等. 中国近海大风的天气学分型[J]. 海洋气象学报, 2018, 38(1): 43-50. [29] 钱磊, 邱学兴, 郑淋淋. 基于概率密度匹配方法的WRF模式阵风风速误差订正[J]. 气象科技, 2019, 47(6): 916-926. [30] 胡海川, 许映龙, 柳龙生. 2019年秋季海洋天气评述[J]. 海洋气象学报, 2020, 40(1): 98-106. [31] 王晨稀. "梅花"台风路径与强度的集合预报[J]. 热带海洋学报, 2014, 33(6): 48-60. [32] 端义宏, 陈联寿, 许映龙, 等. 我国台风监测预报预警体系的现状及建议[J]. 中国工程科学, 2012, 14(9): 4-9. -
点击查看大图
图(16) / 表(1)
计量
- 文章访问数: 193
- HTML全文浏览量: 23
- PDF下载量: 21
- 被引次数: 0
粤公网安备 4401069904700003号