动态时变参数方法在云量精细化预报中的应用研究
杜晖1
殷启元2
贾晓红3
姬雪帅4
尚可政5
尚子溦6
曾瑛7
1.广东省气象公共安全技术支持中心,广东广州510641;兰州大学大气科学学院/甘肃省干旱气候变化与减灾重点实验室,甘肃兰州7300002.广东省气象公共安全技术支持中心,广东广州510641;灾害天气国家重点实验室,北京1160243.内蒙古自治区气象服务中心,内蒙古呼和浩特0100514.张家口市气象台,河北张家口0750005.兰州大学大气科学学院/甘肃省干旱气候变化与减灾重点实验室,甘肃兰州7300006.兰州市气象局,甘肃兰州7300007.佛山市气象局,广东佛山528000
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
分类号：P457.1(天气预报)
资助基金：国家重点实验室开放基金(2019LASW-B04)
论文发表日期：2020-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 834-845 )
英文信息