动态时变参数方法在云量精细化预报中的应用研究

• 作者: 杜晖 殷启元 贾晓红 姬雪帅 尚可政 尚子溦 曾瑛
• 来源期刊: 热带气象学报
• 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
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 论著|ARTICLES
• 页码范围: 834-845
• 页数: 12页
• 分类号: P457.1
• 语种: 中文
• DOI: 10.16032/j.issn.1004-4965.2020.074

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.