動態時變參數方法在云量精細化預報中的應用研究

作者：杜暉,殷啟元,賈曉紅,姬雪帥,尚可政,尚子溦,曾瑛

摘要：利用2008年1月—2013年12月以及2017年1—11月全球天氣預報系統(GFS)預報場資料,采用自適應線性最小二乘回歸(LS)和自適應遞推卡爾曼(Kalman)濾波兩種動態時變參數方法,建立了河套周邊地區0~168 h預報時效的總云量精細化預報,并與GFS模式直接輸出的總云量、線性預報模型逐步回歸預報方法得到的總云量以及非線性預報模型BP神經網絡和最小二乘支持向量機回歸方法(LSSVM)得到的總云量進行了對比,結果如下:(1)相比GFS模式直接輸出的總云量,LS、BP神經網絡、LSSVM得到的總云量與實況值的平均絕對誤差均明顯減小。LS方法誤差最小,LS方法的年MAE均在20%~25%,且隨著預報時效的延長,改進效果越大。LS方法、多元逐步回歸方法、BP神經網絡、LSSVM四種方法在6—8月的改進效果最大。(2)LS方法預報的總云量與實況云量的相關性最好,即使168 h預報時效的相關系數依然在0.64以上,遠高于其他幾種模型的預報結果。(3)LS方法能夠明顯地提高少云和多云天空狀況下預報的擊中率,且最優(少云擊中率平均提高24%,多云擊中率平均提高34%)。(4)自適應遞推Kalman濾波方法存在預報滯后現象,改進效果不明顯。

發文機構：廣東省氣象公共安全技術支持中心 蘭州大學大氣科學學院/甘肅省干旱氣候變化與減災重點實驗室 災害天氣國家重點實驗室 內蒙古自治區氣象服務中心 張家口市氣象臺 蘭州市氣象局 佛山市氣象局

關鍵詞：總云量精細化預報動態時變自適應最小二乘回歸自適應遞推卡爾曼濾波total cloud coverrefined forecastingdynamic time-varyingadaptive least squares regressionadaptive recursive Kalman filter

分類號： P457.1[天文地球—大氣科學及氣象學]