中国降水、风速与地面气温的统计降尺度预报及订正研究
发布时间：2020-10-10 00:23
本文利用全球交互式大集合预报系统(TIGGE)资料中欧洲中期天气预报中心(ECMWF)、日本气象厅(JMA)、美国国家环境预报中心(NCEP)及英国气象局(UKMO)全球集合预报资料,以及相对应的中国自动站观测资料与CMORPH降水产品融合的逐时降水量网格数据集和ERA-Interim再分析资料,对中国区域的降水、风速与地面气温进行统计降尺度预报和订正研究。首先,将低分辨率的模式预报通过双线性插值的方法整合到与观测资料相同的高分辨率细网格上。利用历史观测资料对降水进行分级回归统计降尺度预报,并与一元线性回归统计降尺度进行对比。由于降水预报经过分级回归统计降尺度后干湿偏差仍然严重、预报技巧也几乎没有提升,因此利用卡尔曼滤波改良后的分区频率匹配法订正各个降水量级的面积偏差,并用阈值法进一步解决小雨空报的问题。与此同时,对气温和风速进行一元线性回归统计降尺度预报,并在此基础上利用卡尔曼滤波类型的递减平均误差订正的方法对气温与风速进一步进行订正。结果表明:由于统计降尺度加入了历史观测资料进行了订正,相比于单纯的双线性插值,一元线性回归能减小降水、气温、风速预报的误差。分级回归能够进一步减小降水预报的误差并提高降水与观测之间的相关性。统计降尺度的降水预报经过频率匹配以后,小雨的湿偏差和大雨的干偏差显著降低,各个量级降水的面积更加接近观测值,ETS评分和降水预报准确率有一定幅度的提高,小雨的空报率和大雨的漏报率降低。阈值法订正能够大幅度地降低小雨的湿偏差和小雨的空报率,提高小雨量级的ETS评分。递减平均误差订正能够在在一元线性回归统计降尺度的基础上降低气温与风速预报的误差,提高它们的准确率,并提高温度与观测之间的相关性。
【学位单位】：南京信息工程大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P456.7
【部分图文】：
图 2.1 双线性插值示意图本文利用双线性插值将四个中心的降水预报插值到 0.1°×0.1°精度，与中国降水融合资料的分辨率保持一致；将气温与风速插值到 0.125°×0.125°精度，与 ERA-Interim 再分析资料保持一致。2.2.2 滑动训练本文中线性回归、分级回归、频率匹配、阈值法和递减平均法均采用滑动训练期对预报做出改进。滑动训练期表示用于建模的资料不是固定的，通过所需改进预报之前一段时间的预报资料与观测资料进行训练，得出相应的参数应用到原始预报中，得出相应的订正预报。由于不涉及所需改进预报对应的观测资料，该方法可以应用于资料实时更新的精细化预报系统中，相比于交叉检验更具有实际意义。2.2.3 统计降尺度方法经过前面的双线性插值，低分辨率的模式预报被插值到与观测资料相同的细网格上。选取一定的滑动训练期长度，对 24h 累计降水量、2m 气温和 10m 风速的预报与观测资
图 2.2 频率匹配法示意图。红色实线代表观测降水频率；蓝色虚线代表预报降水频率2.2.5 阈值法线性回归和频率匹配都是通过一定的函数关系对雨量进行修正。对于观测无雨、模式预报有雨（一般是少量降水）的格点而言，这两种方法很难将降水量消除为零，所以采用阈值法消除空报的小雨样本。首先，选定某一时刻的某一个格点，列出训练期中该点观测与预报的所有降水量,挑选出实际观测无雨时对应的模式预报降水量（即空报降水的样本），按照降水量从小到大的顺序排序： = ( ， ) ′= ( ′ ′ ′ ， ′) ′ ′ ′ ′( )其中， 为空报的降水量， ′为排序后的空报降水量。其次，按照一定的百分比设定一个临界值，该时刻之后的预报降水量低于该临界值
图 3.1 2016 年有效降水频率分布和各量级降水的占比分布。（a）有效降水频率；（b）小雨占比；（c）中雨占比；（d）大雨及以上量级降水占比3.2 降水分级回归的订正效果根据 24h 累计地面降水量，以小雨、中雨和大雨三个降水量级为标准，采用 50 天的滑动训练期和 0.1°×0.1°范围的空间滑动窗口，挑选出 ECMWF、JMA、UKMO、NCEP四个中心预报中各个量级的降水样本，用最小二乘法与对应的观测降水量分别建立各个量级的回归方程，对训练期后一天的预报进行分级回归统计降尺度订正，并与双线性插值和没有进行分级的一元线性回归统计降尺度订正的效果作对比。如图 3.2 所示，计算了 ECMWF、JMA、UKMO、NCEP 四个中心 1-7 天 24 小时累计地面降水量预报 2016 年 3 月 21 日至 12 月 31 日共 286 天的双线性插值、一元线性回归和分级回归统计降尺度结果的均方根误差。四个中心的预报经过一元线性回归和分级回归的订正后均方根误差在绝大多数预报时效相较于双线性插值都有不同程度的减小。整体来看，ECMWF 的预报效果最好，双线性插值 24h 预报时效的均方根误差相比于
【学位单位】：南京信息工程大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P456.7
【部分图文】：
图 2.1 双线性插值示意图本文利用双线性插值将四个中心的降水预报插值到 0.1°×0.1°精度，与中国降水融合资料的分辨率保持一致；将气温与风速插值到 0.125°×0.125°精度，与 ERA-Interim 再分析资料保持一致。2.2.2 滑动训练本文中线性回归、分级回归、频率匹配、阈值法和递减平均法均采用滑动训练期对预报做出改进。滑动训练期表示用于建模的资料不是固定的，通过所需改进预报之前一段时间的预报资料与观测资料进行训练，得出相应的参数应用到原始预报中，得出相应的订正预报。由于不涉及所需改进预报对应的观测资料，该方法可以应用于资料实时更新的精细化预报系统中，相比于交叉检验更具有实际意义。2.2.3 统计降尺度方法经过前面的双线性插值，低分辨率的模式预报被插值到与观测资料相同的细网格上。选取一定的滑动训练期长度，对 24h 累计降水量、2m 气温和 10m 风速的预报与观测资
图 2.2 频率匹配法示意图。红色实线代表观测降水频率；蓝色虚线代表预报降水频率2.2.5 阈值法线性回归和频率匹配都是通过一定的函数关系对雨量进行修正。对于观测无雨、模式预报有雨（一般是少量降水）的格点而言，这两种方法很难将降水量消除为零，所以采用阈值法消除空报的小雨样本。首先，选定某一时刻的某一个格点，列出训练期中该点观测与预报的所有降水量,挑选出实际观测无雨时对应的模式预报降水量（即空报降水的样本），按照降水量从小到大的顺序排序： = ( ， ) ′= ( ′ ′ ′ ， ′) ′ ′ ′ ′( )其中， 为空报的降水量， ′为排序后的空报降水量。其次，按照一定的百分比设定一个临界值，该时刻之后的预报降水量低于该临界值
图 3.1 2016 年有效降水频率分布和各量级降水的占比分布。（a）有效降水频率；（b）小雨占比；（c）中雨占比；（d）大雨及以上量级降水占比3.2 降水分级回归的订正效果根据 24h 累计地面降水量，以小雨、中雨和大雨三个降水量级为标准，采用 50 天的滑动训练期和 0.1°×0.1°范围的空间滑动窗口，挑选出 ECMWF、JMA、UKMO、NCEP四个中心预报中各个量级的降水样本，用最小二乘法与对应的观测降水量分别建立各个量级的回归方程，对训练期后一天的预报进行分级回归统计降尺度订正，并与双线性插值和没有进行分级的一元线性回归统计降尺度订正的效果作对比。如图 3.2 所示，计算了 ECMWF、JMA、UKMO、NCEP 四个中心 1-7 天 24 小时累计地面降水量预报 2016 年 3 月 21 日至 12 月 31 日共 286 天的双线性插值、一元线性回归和分级回归统计降尺度结果的均方根误差。四个中心的预报经过一元线性回归和分级回归的订正后均方根误差在绝大多数预报时效相较于双线性插值都有不同程度的减小。整体来看，ECMWF 的预报效果最好，双线性插值 24h 预报时效的均方根误差相比于
【相似文献】
相关期刊论文 前10条
1 陈杰;许崇育;郭生练;陈华;;统计降尺度方法的研究进展与挑战[J];水资源研究;2016年04期
2 吕海;龚振彬;倪雷;;统计降尺度法在我国未来区域气温变化预测中的应用研究[J];现代商贸工业;2007年06期
3 魏娜;贺晨昕;刘佩佩;;基于统计降尺度方法的陕西省月气温预测分析[J];干旱区地理;2018年06期
4 曹雪松;唐如洋;王卫光;徐建叶;;两种统计降尺度模型在滦河流域的降水预估[J];扬州大学学报(自然科学版);2016年02期
5 范丽军,符淙斌,陈德亮;统计降尺度法对未来区域气候变化情景预估的研究进展[J];地球科学进展;2005年03期
6 赵芳芳;徐宗学;;黄河源区未来地面气温变化的统计降尺度分析[J];高原气象;2008年01期
7 郝振纯;时芳欣;王加虎;;统计降尺度法在黄河源区未来降水变化分析中的应用[J];水电能源科学;2011年03期
8 穆振侠;姜卉芳;;基于统计降尺度方法的高寒山区未来气候变化预估[J];干旱区研究;2015年02期
9 朱宏伟;杨森;赵旭U
本文编号：2834439
本文链接：https://www.wllwen.com/projectlw/qxxlw/2834439.html
