Extreme weather/climate events and disaster prevention and mitigation under global warming background
1
2012
... 极端天气是指在一定地区一定时间内出现的历史上罕见的气象状况,20世纪以来,在气候变化背景下极端天气(暴雨、高温热浪和低温冷害等)事件频繁发生.极端天气(如极端高温和低温)所造成的经济损失以及给社会带来的影响非常巨大,甚至对人民生命和财产造成指数型增长的损失[1].应对极端天气引起的气象灾害已经成为21世纪人类面临的重大课题之一.我国气候和自然地理条件复杂,极端天气具有种类多、频次高、阶段性和季节性明显、区域差异大、影响范围广的特点.例如,2006年四川盆地东部的极端高温天气,有些地方持续了将近50 d,最高气温达到了44 ℃;2008年1月发生在我国南方的低温冻害,对我国社会经济产生了巨大影响;2012年7月北京“7·21”特大暴雨,造成了严重损失.近十几年来,极端天气逐渐呈现出发生范围广、持续时间长的特点,如何提高对这些温度和降水的极端天气的预报能力,是目前我国气象部门面向国家防灾减灾和重大服务需求的重要发展方向. ...
A probability and decision-model analysis of PROVOST seasonal multi-model ensemble integrations
0
2000
Skill and relative economic value of the ECMWF ensemble prediction system
0
2000
Present situation and prospects of ensemble numerical prediction
1
2002
... 极端天气预报的准确率依赖于集合概率预报的水平,很明显前者准确率的改进离不开对后者预报水平的提高.数值预报的误差按照随机性分类一般可以划分为系统性误差和非系统误差:系统性误差来自模式本身,如模式模拟实际大气的能力、网格分辨率以及有限差分格式等造成的误差;非系统误差(如随机误差)是模式以外的原因造成的,如观测误差、初始化误差等,显然后者是集合预报所要处理的对象[4].由于这2类误差的存在,造成集合预报PDF与真实大气运动状态的数学期望和方差不一致,即两者数学期望的不同,集合离散度不能代表实际大气运动的不确定性特征.由于集合概率预报还存在偏差,这在进行极端天气预报时会对预报准确率产生较大影响.为此,改进极端天气预报需要首先对集合预报进行有针对性的订正,进而利用技巧提升的集合信息进行极端天气预报. ...
集合预报的现状和前景
1
2002
... 极端天气预报的准确率依赖于集合概率预报的水平,很明显前者准确率的改进离不开对后者预报水平的提高.数值预报的误差按照随机性分类一般可以划分为系统性误差和非系统误差:系统性误差来自模式本身,如模式模拟实际大气的能力、网格分辨率以及有限差分格式等造成的误差;非系统误差(如随机误差)是模式以外的原因造成的,如观测误差、初始化误差等,显然后者是集合预报所要处理的对象[4].由于这2类误差的存在,造成集合预报PDF与真实大气运动状态的数学期望和方差不一致,即两者数学期望的不同,集合离散度不能代表实际大气运动的不确定性特征.由于集合概率预报还存在偏差,这在进行极端天气预报时会对预报准确率产生较大影响.为此,改进极端天气预报需要首先对集合预报进行有针对性的订正,进而利用技巧提升的集合信息进行极端天气预报. ...
The verification for ensemble prediction system of national meteorlogical center
0
2002
Review of weather ensemble prediction
0
2012
Why do forecasts for "near normal" often fail?
1
1991
... 极端天气是小概率状况,其发展存在很大的不确定性,用数值天气模式对其进行单一初值的确定性预报远远不够,客观上需要引入集合预报概念.作为数值预报发展的一个重要方向,集合预报可考虑到初值以及模式的不确定性,其结果反映了未来天气的多种可能变化状况,能为用户提供单一确定性预报所不能提供的概率性信息(如预报结果的可信度等)[2~6].而且,集合预报所提供的概率结果可以给出极端事件在未来出现的可能性,对于低概率天气事件具有更好的预报效果[7],已成为极端天气预报的重要工具.然而,我国目前针对极端天气的预报业务还相对薄弱,亟待开展相关研究. ...
Climate extremes: Observations, modeling and impacts
2
2000
... 由于极端天气状况具有样本少和不连续的特点,进行极端天气分析时遇到的最大问题之一是缺乏高质量且时间分辨率适合分析极端性的长序列资料[8].为此,利用有效的方法对集合预报提供的极端信息进行提取和检验,从而对极端天气进行识别和预报,具有重要科学和实际意义[9~11].而且,极端天气预报分析所面临的另一个难题是对于定时定点定量的极端概率预报的准确度亟待提高,特别是对超出短时临近预报时效的中期—延伸期的极端天气预报.因此,业务发展的迫切需求客观上需要对我国极端天气的预报问题开展有关可预报性和集合概率预报方法研究. ...
... 在很多天气条件下,人们不仅想要知道集合预报系统分布是否和气候态有很大的差异,同时也想了解这个差异的方向是否对人们的日常生活有影响.比如,研究风的极端低值、夏季的极端低温和冬季的极端高温的意义是不大的.这就需要一个有正负号的极端指数.对于一个给定的地点和时间,可以计算某一气象要素的气候态.计算该气象要素气候态的方法为对该气象要素的同一地点和每年同一时间的样本进行排序,对每一个概率p给定一个与之相对应的百分位数,得到的阈值则为该气象要素在该点的气候态,其中当p=0时该对应的百分位数为最小值,p=1/2时对应的百分位数为中间值.Lalaurette[59]基于ECMWF集合预报发展了一种极端天气预报方法——极端预报指数(Extreme Forecast Index, EFI).这是一个测量某一预报要素的集合预报累积概率分布函数和模式气候态之间连续差异的指数,也是一个能累计气候态分布和预报分布差异的指数.只有当气候记录中低于某一阈值的概率和集合预报中低于该阈值的概率相等,EFI才等于零;而当集合预报中低于某一阈值的概率高于气候态中低于该阈值的概率,则EFI为负数,反之为正数.在许多地区的观测研究结果表明,总降水量的变化在尾端被放大,包括在极端温度中也有体现[8,60].鉴于无法考虑极端事件在尾端被放大的事实,Lalaurette[61]为EFI指数的定义增加了一个权重系数,从而可增强对极端事件预报的敏感度. ...
Research progresses on extreme weather and climate events and their operational applications in climate monitoring and prediction
0
2014
极端天气气候事件监测与预测研究进展及其应用综述
0
2014
Diagnosis features of extreme temperature variations in China based on the NCEP-GEFS reforecasts
0
2019
基于NCEP-GEFS回算资料的我国极端温度变化特征研究
0
2019
A study of the extended-range forecast for the low frequency temperature and high temperature weather over the lower reaches of Yangtze River Valley in summer
0
2018
长江下游夏季低频温度和高温天气的延伸期预报研究
0
2018
The climatic character of high temperature and the prediction in the large cities of east of China
0
2004
我国东部主要城市夏季高温气候特征及预测
0
2004
Study on the mechanism and forecasting method of high temperature disaster in summer in the large cities of the Yangtze River Basin
0
2005
Test prediction for multi-regression model on high temperature days
0
2005
Development and application of national prediction system for extreme high temperature
3
2008
... 统计方法是从大量历史资料中寻找统计规律,运用统计方法建立关系,需要建立初始条件和以后某个时刻条件之间的统计关系.该方法的关键环节是利用现有观测资料和统计工具建立起预报因子与极端预报量之间的转换关系.很显然,极端事件是现有数据中的小概率事件,可用样本极少,难以通过寻找统计规律的办法直接对极端天气事件进行预报.因此,前人工作通常是对一段时期内的诸如极端降水日数、高温日数、低温日数等作为预报量进行气候意义上的极端预测[12~15],而并非是针对某个极端天气事件开展预报.统计预报方法对用于统计建模的资料样本数要求较高,特别是对于出现较少极端事件,样本太少会导致统计模型稳定性不好.统计预报模型所用方法一般为线性和非线性函数,包括多元回归、均生函数模型、最优子集回归、典型相关分析(Canonical Correlation Analyses,CCA)、混合回归模型以及人工神经网络(Artificial Neural Networks,ANN)等.预报因子多采用大尺度环流因子或环流特征量.例如,有学者运用统计相似方法开展未来1~40天的旬—月极端高温发生概率及高温日数的预报试验研究[16],也有运用热带大气季节内振荡指数来对澳大利亚极端降水发生概率进行延伸期预报[17].总体来看,就极端天气事件而言,统计模型受到样本数限制其适用性并不好,多在气候意义上使用. ...
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
... 动力—统计相结合方法是采用动力模式的预报进行统计释用的方法,一般是以数值模式为主体、统计工具为辅助,目的是提升原有模式的预报技巧.Hamill等[20]利用数值模式回报相似来进行概率定量降水量预报的订正,能够显著提升概率预报技巧.这为运用模式历史预报信息改进当前极端事件预报提供了一种有效的途径.近些年来,统计方法不断发展,如与随机天气发生器(Weather Generator,WG)结合进行极端要素预报.例如,国家气候中心采用DERF与最优子集回归(Optimal Subset Regression,OSR)—WG综合方法预测旬、月35 ℃(和38 ℃)高温日数、暖昼日数、冷昼日数、暖夜日数、冷夜日数和极端强降水日数[16],但这仍是气候意义上的预测.总体来看,动力—统计相结合方法既能够充分利用预报技巧较高的动力模式输出信息,又兼具统计降尺度的优点,可以预报模式不直接输出的气候变量或者提高模式可直接输出但技巧较低的要素预报,但目前在极端天气预报方面的研究工作非常少.因此,直接利用动力模式集合信息或者在模式基础上辅之以统计模型来进行极端天气的预报(例如,可通过对集合概率预报订正来提升极端预报技巧)是当前一个很有前景的发展思路. ...
国家级极端高温短期气候预测系统的研制及应用
3
2008
... 统计方法是从大量历史资料中寻找统计规律,运用统计方法建立关系,需要建立初始条件和以后某个时刻条件之间的统计关系.该方法的关键环节是利用现有观测资料和统计工具建立起预报因子与极端预报量之间的转换关系.很显然,极端事件是现有数据中的小概率事件,可用样本极少,难以通过寻找统计规律的办法直接对极端天气事件进行预报.因此,前人工作通常是对一段时期内的诸如极端降水日数、高温日数、低温日数等作为预报量进行气候意义上的极端预测[12~15],而并非是针对某个极端天气事件开展预报.统计预报方法对用于统计建模的资料样本数要求较高,特别是对于出现较少极端事件,样本太少会导致统计模型稳定性不好.统计预报模型所用方法一般为线性和非线性函数,包括多元回归、均生函数模型、最优子集回归、典型相关分析(Canonical Correlation Analyses,CCA)、混合回归模型以及人工神经网络(Artificial Neural Networks,ANN)等.预报因子多采用大尺度环流因子或环流特征量.例如,有学者运用统计相似方法开展未来1~40天的旬—月极端高温发生概率及高温日数的预报试验研究[16],也有运用热带大气季节内振荡指数来对澳大利亚极端降水发生概率进行延伸期预报[17].总体来看,就极端天气事件而言,统计模型受到样本数限制其适用性并不好,多在气候意义上使用. ...
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
... 动力—统计相结合方法是采用动力模式的预报进行统计释用的方法,一般是以数值模式为主体、统计工具为辅助,目的是提升原有模式的预报技巧.Hamill等[20]利用数值模式回报相似来进行概率定量降水量预报的订正,能够显著提升概率预报技巧.这为运用模式历史预报信息改进当前极端事件预报提供了一种有效的途径.近些年来,统计方法不断发展,如与随机天气发生器(Weather Generator,WG)结合进行极端要素预报.例如,国家气候中心采用DERF与最优子集回归(Optimal Subset Regression,OSR)—WG综合方法预测旬、月35 ℃(和38 ℃)高温日数、暖昼日数、冷昼日数、暖夜日数、冷夜日数和极端强降水日数[16],但这仍是气候意义上的预测.总体来看,动力—统计相结合方法既能够充分利用预报技巧较高的动力模式输出信息,又兼具统计降尺度的优点,可以预报模式不直接输出的气候变量或者提高模式可直接输出但技巧较低的要素预报,但目前在极端天气预报方面的研究工作非常少.因此,直接利用动力模式集合信息或者在模式基础上辅之以统计模型来进行极端天气的预报(例如,可通过对集合概率预报订正来提升极端预报技巧)是当前一个很有前景的发展思路. ...
An al-season real-time multivariate MJO index: Development of an index for monitoring and prediction
1
2004
... 统计方法是从大量历史资料中寻找统计规律,运用统计方法建立关系,需要建立初始条件和以后某个时刻条件之间的统计关系.该方法的关键环节是利用现有观测资料和统计工具建立起预报因子与极端预报量之间的转换关系.很显然,极端事件是现有数据中的小概率事件,可用样本极少,难以通过寻找统计规律的办法直接对极端天气事件进行预报.因此,前人工作通常是对一段时期内的诸如极端降水日数、高温日数、低温日数等作为预报量进行气候意义上的极端预测[12~15],而并非是针对某个极端天气事件开展预报.统计预报方法对用于统计建模的资料样本数要求较高,特别是对于出现较少极端事件,样本太少会导致统计模型稳定性不好.统计预报模型所用方法一般为线性和非线性函数,包括多元回归、均生函数模型、最优子集回归、典型相关分析(Canonical Correlation Analyses,CCA)、混合回归模型以及人工神经网络(Artificial Neural Networks,ANN)等.预报因子多采用大尺度环流因子或环流特征量.例如,有学者运用统计相似方法开展未来1~40天的旬—月极端高温发生概率及高温日数的预报试验研究[16],也有运用热带大气季节内振荡指数来对澳大利亚极端降水发生概率进行延伸期预报[17].总体来看,就极端天气事件而言,统计模型受到样本数限制其适用性并不好,多在气候意义上使用. ...
Research on Chinese extreme temperature forecasting method based on T213 ensemble forecast
2
2015
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
基于T213集合预报的中国极端温度预报方法研究
2
2015
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
Verification of China extreme temperature forecasts in 2016 based on T639 Ensemble forecast
1
2019
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
基于T639集合预报的我国2016年极端温度预报检验
1
2019
... 动力方法是指基于数值模式的预报场和时间序列,利用所预报变量的极端天气阈值,根据模式结果来预报极端天气的强度、发生概率或频次.随着数值模式的不断发展,目前主要通过模式的大样本集合信息对极端事件进行预报,并已发展成为预报极端事件的主要方法.例如,欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)应用模式集合预报制作发布不同地区极端气温、降水和海平面气压概率分布图,中国气象局国家气象中心利用多初值集合来做天气要素的极端天气概率预报,即采用集合预报模式的多个成员来制作极端概率预报[18,19],而国家气候中心则应用动力延伸期预报模式(Dynamical Extended-Range Forecasting,DERF)制作旬—月10%极端高温落区与高温日数概率预报产品[16].目前,针对短期天气预报的数值模式极端天气集合预报研究较多,但对于中期—延伸期预报的相关研究开展的相对较少.总体来看,动力方法主要依赖于数值模式及其相关的集合预报,这与集合预报的样本数密切相关,将在后面2节加以详述. ...
Probabilistic quantitative precipitation forecasts based on reforecast analogs: Theory and application Mon
2
2006
... 动力—统计相结合方法是采用动力模式的预报进行统计释用的方法,一般是以数值模式为主体、统计工具为辅助,目的是提升原有模式的预报技巧.Hamill等[20]利用数值模式回报相似来进行概率定量降水量预报的订正,能够显著提升概率预报技巧.这为运用模式历史预报信息改进当前极端事件预报提供了一种有效的途径.近些年来,统计方法不断发展,如与随机天气发生器(Weather Generator,WG)结合进行极端要素预报.例如,国家气候中心采用DERF与最优子集回归(Optimal Subset Regression,OSR)—WG综合方法预测旬、月35 ℃(和38 ℃)高温日数、暖昼日数、冷昼日数、暖夜日数、冷夜日数和极端强降水日数[16],但这仍是气候意义上的预测.总体来看,动力—统计相结合方法既能够充分利用预报技巧较高的动力模式输出信息,又兼具统计降尺度的优点,可以预报模式不直接输出的气候变量或者提高模式可直接输出但技巧较低的要素预报,但目前在极端天气预报方面的研究工作非常少.因此,直接利用动力模式集合信息或者在模式基础上辅之以统计模型来进行极端天气的预报(例如,可通过对集合概率预报订正来提升极端预报技巧)是当前一个很有前景的发展思路. ...
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
Stochastic dynamic prediction
1
1969
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Theoretical skill of Monte Carlo forecasts
2
1974
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Multimodel ensemble forecasts for weather and seasonal climate
1
2000
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Robinson, multi-objective calibration of forecast ensembles using Bayesian model averaging
1
2006
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Calibration of probabilistic quantitative precipitation forecasts with an artificial neural network
1
2007
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Probabilistic forecast calibration using ECMWF and GFS ensemble reforecasts. Part II: Precipitation
1
2008
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Seasonal hydrologic forecasting: Do multimodel ensemble averages always yield improvements in forecast skill?
1
2010
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Ensemble combination of seasonal streamflow forecasts
1
2016
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Towards a model space and independence metric
1
2008
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Quantifying the risk of extreme seasonal precipitation in a changing climate
1
2002
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
On the effective number of climate models
1
2011
... 集合预报思想最早在20世纪70年代初前后由Epstein[21]和Leith[22]提出.把不同模式和不同成员的预报输出组成集合预报的方法已经被广泛应用于气象以及其他领域,如取集合成员的算术平均.近20年来,与简单的算术平均相比,发展了许多复杂方法对集合成员构建不同权重或者偏差订正,例如线性回归[23]、贝叶斯平均[24]、人工神经网络[25]、非线性回归[26]和时间变化权重偏差订正方法[27],模型组合有效地提高了大部分个体的预报,并且可以超越最佳预报模型[28].对于多模式集合预报,集合模式在统计学上或多或少有彼此的独立性,并且各个集合模式的平均值将抵消非系统误差[29].为了提供可信的极端事件早期预警,需要足够大的集合成员数量.另外,模式分辨率的提高也能使事件的预报准确度有所提高[30].但是,随着更多的模型被包含在一个集合中,新信息的数量按比例减少,表明目前用于解释多模式集合的方法可能导致对集合预报的过度自信[31]. ...
Lagged average forecasting, an alternative to Monte Carlo forecasting
1
1983
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Ensemble prediction using dynamically conditioned perturbations
1
1993
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Efficient selection of Monte Carlo forecast ensemble members[M]// Research Highlights of the NMC Development Division: 1990-1991
1
1991
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Ensemble forecasting at NMC: The generation of perturbations
1
1993
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Ensemble forecasting at NCEP and the Breeding Method
1
1997
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
Review of the ensemble forecast
2
2006
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
集合预报研究现状与展望
2
2006
... 集合预报方法的发展经历了几个不同阶段.早期的集合扰动初值方法一般是蒙特卡洛预报(ManteCarlo Forecasting, MCF)方法.Leith[22]研究表明,MCF的效果优于单一动力预报,但是这种效果并不是很理想,这主要是因为随机扰动生成的任意性和初值样本位相空间的维数通常远大于实际可能做的集合预报个数,导致难以产生适用的集合扰动初值.Hoffman等[32]提出了滞后平均预报(Lag Average Forecasting,LAF)方法,该方法继承了MCF的优点并且充分利用了历史观测信息,并在一定程度上优于MCF方法.然而,这2种方法均存在集合预报中成员之间发散程度小的弊端,会导致集合预报无法较好地涵盖到未来可能出现的小概率事件.为了使发散程度产生尽可能大的初值扰动,Mureau等[33]提出奇异向量(Singular Vector,SV)法,即对预报模式使用切线性共轭方程方法,直接计算对应切线性模式的奇异模态,取若干个具有最大特征值的奇异向量成为一组最优发展扰动向量,并利用它们作为集合扰动叠加在模式初值基本态上,积分得到的结果将反映初始场中具有最大线性增长的误差分布.与此同时,Kalnay等[34]提出了初始误差增长越快、扰动初值越好的思想,Toth等[35,36]进一步提出了增长模繁育(Breeding of Growing Modes,BGM)的方法,即在作为初值的客观分析场上加入很小的扰动,然后将添加扰动的场与原有分析场各自积分6 h得到的结果相减得到一个差值场,再将这个差值场重新尺度化,使之在均方根误差范围内有意义,从而形成扰动初值.鉴于后2种方法能够刻画初始观测误差最快发展方向,在理论有明显优势且能够显著提升预报技巧,因此陆续在各国数值天气预报业务中得到广泛采用,已成为构建集合预报系统的常规扰动方法[37]. ...
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics
1
1994
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
Ensemble transform and adaptive observations
0
1999
Adaptive sampling with the ensemble transform Kalman filter. Part Ι: Theoretical aspects
0
2001
Localization analysis of data assimilation methods coupled with fuzzy control algo- rithms
0
2018
一种新的耦合模糊控制局地化的同化方法
0
2018
A comparison between KTKF and breeding ensemble forecast schemes
1
2003
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
The Preliminary study on ensemble prediction of GRAPES-meso based on ETKF
1
2011
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
基于集合卡尔曼变换的区域集合预报初步研究
1
2011
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
Optimization and influence experiment to identify sensitive areas for target observations on ETKF method
1
2014
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
基于集合卡尔曼变换的目标观测敏感区识别系统优化及影响试验
1
2014
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
Ensemble and multimodel ensemble forecasts of western Pacific typhoons during summer 2009
1
2015
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
2009年夏季西太平洋台风的集合预报和多模式集成预报试验
1
2015
... 近些年来,集合扰动方法有了进一步的发展.卡尔曼滤波(Kalman Filter, KF)方法是一种与数据同化过程相结合的集合扰动生成方法[37].其中,集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)是将蒙特卡罗法与KF相结合,以集合预报所生成的样本协方差近似地对KF中的协方差矩阵进行估计,以此避免了复杂的高维矩阵逆运算和对协方差矩阵进行积分的过程,使得EnKF在集合预报中得到应用成为可能[38].集合变换卡尔曼滤波(Ensemble Transform Kalman Filter,ETKF)[39~41]是近年来迅速发展并得到广泛应用的一种集合预报初始扰动方法.最初针对适应性观测,提出ETKF理论,后将其创新应用于集合预报初始扰动的构造[42].该方法借助资料同化中的观测信息将预报误差和分析误差建立联系,可以反映观测资料的空间分布对结果的影响.同时,利用矩阵的变换,确保生成扰动在观测空间的正交性.我国科学家近年来利用ETKF方法陆续开展了集合预报初始扰动方法的相关研究.龙柯吉等[43]利用ETKF初始扰动方案的GRAPES(Global and Regional Assimilation and Prediction Enhanced System)区域集合预报系统,证明ETKF方案生成的扰动大小、结构分布均合理,相应的集合预报效果明显优于随机扰动方法.马旭林等[44]进一步优化了目标观测敏感区识别系统中的ETKF算法,为GRAPES集合预报系统中ETKF初始扰动方案的猴戏发展提供有力依据.智协飞等[45]利用WRF模式,针对ETKF方法和BGM方法对台风“苏拉”开展对比试验,表明ETKF集合预报对台风路径预报的改善程度远大于BGM初始扰动方法. ...
A new approach to the generation of initial perturbations for ensemble prediction: Conditional nonlinear optimal perturbation
1
2008
... 在上述线性扰动集合方法研究基础上,为了考察非线性对初始扰动增长的影响,克服线性假设的缺陷,穆穆等[46]提出了基于条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)形成的一种新型的集合预报方法.由于CNOP的计算是一个最优化的过程,目前应用上受到计算量的制约.另一种由我国学者提出的基于非线性局部Lyapunov向量(Nonlinear Local Lyapunov vectors, NLLVs)的集合扰动新方法,已经在简单模型中得到应用,并显示出优势[47].未来如何将这些新方法运用到极端天气的概率预报中值得进一步探索. ...
集合预报初始扰动产生的一个新方法: 条件非线性最优扰动
1
2007
... 在上述线性扰动集合方法研究基础上,为了考察非线性对初始扰动增长的影响,克服线性假设的缺陷,穆穆等[46]提出了基于条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)形成的一种新型的集合预报方法.由于CNOP的计算是一个最优化的过程,目前应用上受到计算量的制约.另一种由我国学者提出的基于非线性局部Lyapunov向量(Nonlinear Local Lyapunov vectors, NLLVs)的集合扰动新方法,已经在简单模型中得到应用,并显示出优势[47].未来如何将这些新方法运用到极端天气的概率预报中值得进一步探索. ...
The application of nonlinear local Lyapunov vectors to the Zebiak-Cane model and their performance in ensemble prediction
1
2018
... 在上述线性扰动集合方法研究基础上,为了考察非线性对初始扰动增长的影响,克服线性假设的缺陷,穆穆等[46]提出了基于条件非线性最优扰动(Conditional Nonlinear Optimal Perturbation,CNOP)形成的一种新型的集合预报方法.由于CNOP的计算是一个最优化的过程,目前应用上受到计算量的制约.另一种由我国学者提出的基于非线性局部Lyapunov向量(Nonlinear Local Lyapunov vectors, NLLVs)的集合扰动新方法,已经在简单模型中得到应用,并显示出优势[47].未来如何将这些新方法运用到极端天气的概率预报中值得进一步探索. ...
Ensemble mean forecast skill and applications with the T213 Ensemble Prediction System
1
2016
... 1992年,随着大规模并行计算的发展,美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)和欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)先后把集合预报系统投入业务运行.相比之下,我国起步稍晚,于1999年建立了基于国产神威计算机的集合预报业务系统,2005年底建立并运行在全球T213L31模式基础上的全球集合预报系统,对集合预报的研究发展较晚.作为其升级版本,T639全球集合预报系统(制作全球模式1~15天集合预报)是由中国气象局数值预报中心开发的集合数值预报业务系统,于2014年8月正式投入业务运行,但是受中期数值产品的精度和资料长度的限制,部分小概率预报对象的预报水平仍然偏低.目前GRAPES全球集合预报系统已于近期正式投入业务运行.集合成员个数和模式分辨率均能在一定程度上对预报准确度产生影响.而且,集合成员之间的离散程度是决定集合平均预报技巧的重要因素,即决定了集合平均预报的均方根误差和随着集合成员数增加预报技巧提升的程度,如果集合成员预报误差之间相关较小、则更多的成员对提高预报技巧是有益的[48].目前,集合预报已经成为天气预报领域的主导工具,除了确定性预报,其所提供的概率性信息为极端天气事件预报提供了重要依据. ...
Application of the NCEP/EMC Short Range Ensemble Forecast system (SREF) to predicting extreme precipitation events
1
2001
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
Probabilistic forecast guidance for severe thunderstorms based on the identification of extreme phenomena in convection-allowing model forecasts
1
2011
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
Application of Sichuan heavy rainfall ensemble prediction probability products based on Bayesian method
1
2010
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
基于贝叶斯方法的四川暴雨集合概率预报产品释用
1
2010
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
Probabilistic seasonal prediction of summer rainfall over East China based on multi-model ensemble schemes
1
2012
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
基于多模式集合方案的中国东部夏季降水概率季度预测
1
2012
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
A comparison of initial condition-,multi-physics-and stochastic physics-based ensembles in predicting Beijing “7·21” excessive storm rain event
1
2015
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
北京“7·21”特大暴雨不同集合预报方案的对比试验
1
2015
... 目前,极端天气预报的主流方法是基于数值模式集合预报.Tracton等[49]利用NCEP短期集合预报系统,对2000年7月25日发生在美国北卡罗来纳州的一次暴风雪极端天气进行模拟研究,结果显示大多数集合预报成员能成功预报此次暴雪.Sobash等[50]利用邻域法将确定性对流模式预报结果转换为极端天气概率预报产品,提高了模式对极端天气的预报能力.我国在这方面的研究相对较少.陈朝平等[51]基于贝叶斯理论,利用四川147个站点暴雨的气候概率订正暴雨集合概率预报产品,在一定程度上消除了暴雨空报.李芳[52]集合了4种不同模式方案生成1960—2005年我国东部地区夏季降水概率密度函数(Probability Density Function,PDF)预测,结果表明最优集合方案的PDF预测产品具有较高的校准度,且其锐度高于或接近气候学预测.李俊等[53]对北京2012年7月21日的极端降水事件组织了一系列中尺度(水平格点间隔为9 km)的集合预报.在所有的集合预报之中,利用了初始扰动、多物理模型、多初始值和边界条件的预报给出了最优的预报,并且对降水的强度和降水落区的预报准确度远远高于单一的确定性预报.当然,这些工作大都是针对极端天气要素场的个例分析和预报研究. ...
Verifying precipitation forecasts using upscaled observations
1
2000
... 在对各预报要素(温度和降水等)的数值预报质量以及集合预报系统不断改进的情况下,预报员们希望能对极端天气发出早期的预警信号.然而,通过直接比较当地气象要素观测和模式直接预报之间的差别来实现是很难的[54].因此发展了一种从概率预报系统(集合预报系统)提取异常预报分布的方法.其实,利用极端气候指数研究极端事件在国外已经得到广泛应用.例如Jones等[55]采用极端气候指数模拟爱尔兰和全球极端气候事件的变化.此后,Klein等[56]则研究了欧洲日极端温度和降水的变化趋势;Ziv等[57]对比评估了MKI和RDI 2个极端天气的数值预警指数,RDI对暴雨和山洪暴发有较高的预报效果;Chervenkov等[58]利用标准化降水指数(Standardized Precipitation Index,SPI)研究了巴尔干半岛1次主要极端干旱事件和4次次要事件. ...
The use of indices to identify changes in climate extremes
1
1999
... 在对各预报要素(温度和降水等)的数值预报质量以及集合预报系统不断改进的情况下,预报员们希望能对极端天气发出早期的预警信号.然而,通过直接比较当地气象要素观测和模式直接预报之间的差别来实现是很难的[54].因此发展了一种从概率预报系统(集合预报系统)提取异常预报分布的方法.其实,利用极端气候指数研究极端事件在国外已经得到广泛应用.例如Jones等[55]采用极端气候指数模拟爱尔兰和全球极端气候事件的变化.此后,Klein等[56]则研究了欧洲日极端温度和降水的变化趋势;Ziv等[57]对比评估了MKI和RDI 2个极端天气的数值预警指数,RDI对暴雨和山洪暴发有较高的预报效果;Chervenkov等[58]利用标准化降水指数(Standardized Precipitation Index,SPI)研究了巴尔干半岛1次主要极端干旱事件和4次次要事件. ...
Trends in indices of daily temperature and precipitation extremes in Europe
1
2003
... 在对各预报要素(温度和降水等)的数值预报质量以及集合预报系统不断改进的情况下,预报员们希望能对极端天气发出早期的预警信号.然而,通过直接比较当地气象要素观测和模式直接预报之间的差别来实现是很难的[54].因此发展了一种从概率预报系统(集合预报系统)提取异常预报分布的方法.其实,利用极端气候指数研究极端事件在国外已经得到广泛应用.例如Jones等[55]采用极端气候指数模拟爱尔兰和全球极端气候事件的变化.此后,Klein等[56]则研究了欧洲日极端温度和降水的变化趋势;Ziv等[57]对比评估了MKI和RDI 2个极端天气的数值预警指数,RDI对暴雨和山洪暴发有较高的预报效果;Chervenkov等[58]利用标准化降水指数(Standardized Precipitation Index,SPI)研究了巴尔干半岛1次主要极端干旱事件和4次次要事件. ...
Can severe rain events over the Mediterranean region be detected through simple numerical indices?
1
2016
... 在对各预报要素(温度和降水等)的数值预报质量以及集合预报系统不断改进的情况下,预报员们希望能对极端天气发出早期的预警信号.然而,通过直接比较当地气象要素观测和模式直接预报之间的差别来实现是很难的[54].因此发展了一种从概率预报系统(集合预报系统)提取异常预报分布的方法.其实,利用极端气候指数研究极端事件在国外已经得到广泛应用.例如Jones等[55]采用极端气候指数模拟爱尔兰和全球极端气候事件的变化.此后,Klein等[56]则研究了欧洲日极端温度和降水的变化趋势;Ziv等[57]对比评估了MKI和RDI 2个极端天气的数值预警指数,RDI对暴雨和山洪暴发有较高的预报效果;Chervenkov等[58]利用标准化降水指数(Standardized Precipitation Index,SPI)研究了巴尔干半岛1次主要极端干旱事件和4次次要事件. ...
Drought events assessment and trend estimation—Results from the analysis of long-term time series of the standardized precipitation index
1
2016
... 在对各预报要素(温度和降水等)的数值预报质量以及集合预报系统不断改进的情况下,预报员们希望能对极端天气发出早期的预警信号.然而,通过直接比较当地气象要素观测和模式直接预报之间的差别来实现是很难的[54].因此发展了一种从概率预报系统(集合预报系统)提取异常预报分布的方法.其实,利用极端气候指数研究极端事件在国外已经得到广泛应用.例如Jones等[55]采用极端气候指数模拟爱尔兰和全球极端气候事件的变化.此后,Klein等[56]则研究了欧洲日极端温度和降水的变化趋势;Ziv等[57]对比评估了MKI和RDI 2个极端天气的数值预警指数,RDI对暴雨和山洪暴发有较高的预报效果;Chervenkov等[58]利用标准化降水指数(Standardized Precipitation Index,SPI)研究了巴尔干半岛1次主要极端干旱事件和4次次要事件. ...
Early detection of abnormal weather conditions using a probabilistic extreme forecast index
1
2003
... 在很多天气条件下,人们不仅想要知道集合预报系统分布是否和气候态有很大的差异,同时也想了解这个差异的方向是否对人们的日常生活有影响.比如,研究风的极端低值、夏季的极端低温和冬季的极端高温的意义是不大的.这就需要一个有正负号的极端指数.对于一个给定的地点和时间,可以计算某一气象要素的气候态.计算该气象要素气候态的方法为对该气象要素的同一地点和每年同一时间的样本进行排序,对每一个概率p给定一个与之相对应的百分位数,得到的阈值则为该气象要素在该点的气候态,其中当p=0时该对应的百分位数为最小值,p=1/2时对应的百分位数为中间值.Lalaurette[59]基于ECMWF集合预报发展了一种极端天气预报方法——极端预报指数(Extreme Forecast Index, EFI).这是一个测量某一预报要素的集合预报累积概率分布函数和模式气候态之间连续差异的指数,也是一个能累计气候态分布和预报分布差异的指数.只有当气候记录中低于某一阈值的概率和集合预报中低于该阈值的概率相等,EFI才等于零;而当集合预报中低于某一阈值的概率高于气候态中低于该阈值的概率,则EFI为负数,反之为正数.在许多地区的观测研究结果表明,总降水量的变化在尾端被放大,包括在极端温度中也有体现[8,60].鉴于无法考虑极端事件在尾端被放大的事实,Lalaurette[61]为EFI指数的定义增加了一个权重系数,从而可增强对极端事件预报的敏感度. ...
The climatic change trend and seasonal characteristics of daily temperature extremes in China for the latest 40 years
1
2010
... 在很多天气条件下,人们不仅想要知道集合预报系统分布是否和气候态有很大的差异,同时也想了解这个差异的方向是否对人们的日常生活有影响.比如,研究风的极端低值、夏季的极端低温和冬季的极端高温的意义是不大的.这就需要一个有正负号的极端指数.对于一个给定的地点和时间,可以计算某一气象要素的气候态.计算该气象要素气候态的方法为对该气象要素的同一地点和每年同一时间的样本进行排序,对每一个概率p给定一个与之相对应的百分位数,得到的阈值则为该气象要素在该点的气候态,其中当p=0时该对应的百分位数为最小值,p=1/2时对应的百分位数为中间值.Lalaurette[59]基于ECMWF集合预报发展了一种极端天气预报方法——极端预报指数(Extreme Forecast Index, EFI).这是一个测量某一预报要素的集合预报累积概率分布函数和模式气候态之间连续差异的指数,也是一个能累计气候态分布和预报分布差异的指数.只有当气候记录中低于某一阈值的概率和集合预报中低于该阈值的概率相等,EFI才等于零;而当集合预报中低于某一阈值的概率高于气候态中低于该阈值的概率,则EFI为负数,反之为正数.在许多地区的观测研究结果表明,总降水量的变化在尾端被放大,包括在极端温度中也有体现[8,60].鉴于无法考虑极端事件在尾端被放大的事实,Lalaurette[61]为EFI指数的定义增加了一个权重系数,从而可增强对极端事件预报的敏感度. ...
近40年我国极端温度变化趋势和季节特征
1
2010
... 在很多天气条件下,人们不仅想要知道集合预报系统分布是否和气候态有很大的差异,同时也想了解这个差异的方向是否对人们的日常生活有影响.比如,研究风的极端低值、夏季的极端低温和冬季的极端高温的意义是不大的.这就需要一个有正负号的极端指数.对于一个给定的地点和时间,可以计算某一气象要素的气候态.计算该气象要素气候态的方法为对该气象要素的同一地点和每年同一时间的样本进行排序,对每一个概率p给定一个与之相对应的百分位数,得到的阈值则为该气象要素在该点的气候态,其中当p=0时该对应的百分位数为最小值,p=1/2时对应的百分位数为中间值.Lalaurette[59]基于ECMWF集合预报发展了一种极端天气预报方法——极端预报指数(Extreme Forecast Index, EFI).这是一个测量某一预报要素的集合预报累积概率分布函数和模式气候态之间连续差异的指数,也是一个能累计气候态分布和预报分布差异的指数.只有当气候记录中低于某一阈值的概率和集合预报中低于该阈值的概率相等,EFI才等于零;而当集合预报中低于某一阈值的概率高于气候态中低于该阈值的概率,则EFI为负数,反之为正数.在许多地区的观测研究结果表明,总降水量的变化在尾端被放大,包括在极端温度中也有体现[8,60].鉴于无法考虑极端事件在尾端被放大的事实,Lalaurette[61]为EFI指数的定义增加了一个权重系数,从而可增强对极端事件预报的敏感度. ...
Two Proposals to Enhance the EFI Response Near the Tails of the Climate Distribution
1
... 在很多天气条件下,人们不仅想要知道集合预报系统分布是否和气候态有很大的差异,同时也想了解这个差异的方向是否对人们的日常生活有影响.比如,研究风的极端低值、夏季的极端低温和冬季的极端高温的意义是不大的.这就需要一个有正负号的极端指数.对于一个给定的地点和时间,可以计算某一气象要素的气候态.计算该气象要素气候态的方法为对该气象要素的同一地点和每年同一时间的样本进行排序,对每一个概率p给定一个与之相对应的百分位数,得到的阈值则为该气象要素在该点的气候态,其中当p=0时该对应的百分位数为最小值,p=1/2时对应的百分位数为中间值.Lalaurette[59]基于ECMWF集合预报发展了一种极端天气预报方法——极端预报指数(Extreme Forecast Index, EFI).这是一个测量某一预报要素的集合预报累积概率分布函数和模式气候态之间连续差异的指数,也是一个能累计气候态分布和预报分布差异的指数.只有当气候记录中低于某一阈值的概率和集合预报中低于该阈值的概率相等,EFI才等于零;而当集合预报中低于某一阈值的概率高于气候态中低于该阈值的概率,则EFI为负数,反之为正数.在许多地区的观测研究结果表明,总降水量的变化在尾端被放大,包括在极端温度中也有体现[8,60].鉴于无法考虑极端事件在尾端被放大的事实,Lalaurette[61]为EFI指数的定义增加了一个权重系数,从而可增强对极端事件预报的敏感度. ...
The research of extreme forecast index based on the T213 Ensemble Forecast and the experiment in predicting temperature
1
2012
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
基于T213集合预报的极端天气预报指数及温度预报应用试验
1
2012
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
ECMWF Extreme Forecast Index for water vapor transport: A forecast tool for atmospheric rivers and extreme precipitation
1
2017
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
The extreme forecast index at the seasonal scale
1
2013
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
Development of verification methodology for extreme weather forecasts
2
2017
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
... 国际上各主要业务预报中心陆续开展了极端天气预报业务,前面提到的各种方法被不同程度地用在业务上识别极端天气事件[65].通过测量预报概率分布与模式气候分布的差异性而计算得到的EFI,目前已被陆续运用到各主要业务中心的极端天气预报业务中,包括对极端高温和低温、极端大风、极端降水等的预报.例如,ECMWF、NCEP、加拿大气象中心以及中国气象局国家气象中心等,均依托于各自的集合预报系统提供的集合概率预报数据信息,定期制作和实时发布主要变量的EFI产品.尽管目前对于极端天气预报的检验方法还有待发展和完善[66],但极端天气的预报准确率普遍偏低,这固然是由于其自身发生的概率较小、难以把握发生规律,更重要的是当前模式的集合概率预报还存在可观的误差,如何对其进行订正将是改进极端天气预报的一个重要科学问题. ...
An assessment of the ECMWF extreme forecast index for water vapor transport during Boreal winter
2
2017
... 国内外已经有不少学者利用EFI对极端天气(如极端降水和极端温度)进行研究.夏凡等[62]建立了适合T213集合预报模式的EFI,并利用该指数对2008年1月极端低温事件进行预报和评估试验,结果表明EFI对极端低温事件的预报存在正的识别技巧.吴剑坤等[18]基于T213集合预报建立了极端温度指数的数学模型,并利用该指数确定了发布极端温度预警信号的阈值.Lavers等[63]发现,在北大西洋振荡(North Atlantic Oscillation,NAO)正位相的初始化预报中,积分水汽输送(Integrated Vapor Transport,IVT) EFI比降水EFI更能捕获预测第2周的极端降水;相反,降水EFI在NAO负位相较好.但对于季节时间尺度预测(最大预报时效为6个月),可比较的极端指标尚未得到应用,“极端”的检测方法仍主要集中在超过百分位数的概率上.近年利用EFI的预报研究发展较快.Dutra等[64]表明,EFI提供了一种综合的方法来衡量一个特定的季节预测集合和潜在的模型气候之间的差异,它可以作为一个早期预警指标.Guan等[65]研究显示EFI适用于2013/2014年冬季的极端低温和极端降水预报.Lavers等[66]通过对2015/2016年并和2016/2017年冬季的极端降水的预测分析表明,提前2周的极端降水预报中IVT EFI指数比降水EFI更有技巧,而在较短的预报时效中,后者预报技巧则比较高.根据前人的研究,EFI对极端天气事件的预报有一定的指示作用,特别是对于极端温度事件.但如何确定极端天气的阈值、如何有效利用EFI进行中期—延伸期极端天气的预报仍是一个非常值得研究的重要课题. ...
... 国际上各主要业务预报中心陆续开展了极端天气预报业务,前面提到的各种方法被不同程度地用在业务上识别极端天气事件[65].通过测量预报概率分布与模式气候分布的差异性而计算得到的EFI,目前已被陆续运用到各主要业务中心的极端天气预报业务中,包括对极端高温和低温、极端大风、极端降水等的预报.例如,ECMWF、NCEP、加拿大气象中心以及中国气象局国家气象中心等,均依托于各自的集合预报系统提供的集合概率预报数据信息,定期制作和实时发布主要变量的EFI产品.尽管目前对于极端天气预报的检验方法还有待发展和完善[66],但极端天气的预报准确率普遍偏低,这固然是由于其自身发生的概率较小、难以把握发生规律,更重要的是当前模式的集合概率预报还存在可观的误差,如何对其进行订正将是改进极端天气预报的一个重要科学问题. ...
The use of Model Output Statistics (MOS) in objective weather forecasting
1
1972
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Combining dynamical and statistical ensembles
1
2003
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Probabilistic forecasts, calibration and sharpness
1
2007
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Analogue correction method of errors by combining both statistical and dynamical methods together
0
2005
Study progress in prediction strategy and methodology on numerical model
0
2007
Strategy and methodology of dynamical analogue prediction
0
2007
Analogue correction method of errors and its application to numerical weather prediction
1
2006
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Improvement of medium-range forecasts using the analog-dynamical method
1
2014
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Deterministic ensemble forecasts using gene-expression programming
1
2009
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Heteroscedastic Ensemble Post-Processing
1
2014
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
The combined descending averaging bias correction based on the Kalman filter for ensemble forecast
1
2015
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
基于卡尔曼滤波递减平均算法的集合预报综合偏差订正
1
2015
... 对于确定性预报,早期的MOS(Model Output Statistics)方法[67]通过建立数值模式预报变量和极端预报量的统计关系处理预报结果,较好地订正了近地面变量的确定性预报,改善了预报效果.在确定性预报误差订正基础上,Roulston等[68]利用Dressing方法通过对集合成员分别加入相互独立的随机扰动以去除季节平均误差和调整集合离散度过小的情况.Gneiting等[69]根据非齐次高斯多元线性回归发展的EMOS方法较好地改进了集合预报PDF特征,使得集合PDF更接近高斯分布.任宏利等[70~72]依据大气相似性原理在数值预报模式基础上充分利用历史资料中的相似信息,发展了统计与动力相结合的相似误差订正(Analogue Correction model Errors,ACE)方法,在月季气候预测中应用效果显著.Gao等[73]将相似误差订正方法应用到数值天气预报中.Yu等[74]在此基础上进一步发展了一种相似—动力方法来改进中期天气预报.此外,Bakhshaii等[75]利用多种集合成员的线性或非线性组合的集合平均,提出了订正集合预报的GEP方法.Satterfield等[76]在异方差集合后处理方法中将气候先验信息与集合预报信息相混合,以改善由集合成员数较少、模式误差和集合扰动构造方案等的不合理所引起的误差方差.马旭林等[77]利用基于KF递减平均算法对集合预报进行综合偏差订正,能够使集合平均和离散度均得到改善. ...
Extended-Range weather forecasting
1
1951
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
Extended-range forecasting by weather types
1
1951
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
Atmospheric predictability as revealed by naturally occurring analogues
2
1969
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
... [80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
Stochastic characterization of regional circulation patterns for climate model diagnosis and estimation of local precipitation
1
1995
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
An operational multifield analog/antianalog prediction system for United States seasonal temperatures: 1. System design and winter experiments
1
1988
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
1
1986
... 以往预报员通过大脑记忆来累积预报经验和历史上典型的天气过程,在预报实践中与记忆中的相似天气过程进行类比以帮助.如今随着计算机的发展,可以通过计算机客观记忆大量的天气过程,利用描述相似的数学统计量,定量表达2个天气形势的相似程度,使相似预报更客观具体.相似方法(Analog Method, AM)已被广泛应用于天气预报[78,79,80]和季节预测[81].Lorenz[80]使用AM研究了大气的逐日天气可预报性,但由于历史资料较少,所取得的结果并不理想.Livezey等[82]比较了在美国和前苏联[83]开发的相似预报系统,旨在改进美国的温度季节预测.当然,AM的成功应用需要大量的观测记录,并取决于所考虑地区的范围和复杂程度.Hamill等[20]提出了运用数值模式中的相似信息来改进集合预报概率结果的新方法,可有效提升降水集合概率预报技巧.因此,运用基于相似等统计方法可实现对集合预报的概率订正,在此基础上使用订正的集合预报信息就能够改进对极端天气事件的预报效果. ...
Meteorological Informationization and Management Under the Cloud Era
1
2017
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
云时代下的气象信息化与管理
1
2017
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
On the application of artificial neural network for weather forecast
1
1994
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
人工神经网络在天气预报中的应用研究
1
1994
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
Forward neural network with new activation function and the application on the weather forecast
1
1995
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
新激活函数下前馈型神经网络及其在天气预报中的应用
1
1995
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
Study on the overfitting of the artificial neural network forecasting model
1
2004
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
人工神经网络预报模型的过拟合研究
1
2004
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
Application of ANN in weather forecast
1
2005
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
遗传神经网络的智能天气预报系统
1
2005
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
Intelligent Weather Forecast Based on Multi-model Fuzzy Neural Network
1
2007
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...
基于多模型模糊神经网络的智能天气预报
1
2007
... 近些年来,人工智能技术(Artificial Intelligence,AI)、大数据分析技术等新方法和新技术在气象领域逐渐受到了广泛关注.美国Neural Ware公司早在1987年就开发了人工神经网络晴雨预报系统,美国气象部门于1993年开发了综合终端气象服务系统(Integrated Terminal Weather Service,ITWS).加拿大环境局也于1993年开发了高级交互式处理系统(Forecast Production Asistant,FPA).美国Earth Risk在2015年在TempRisk Apollo模式中引进了NCEP和ECMWF的数值预报结果,提供了更加综合的预报.对于机器学习的应用研究近年来在国内也有广泛开展.沈文海[84]将国内AI在天气预报的应用分为2类:第一类是以专家系统和神经网络为代表的AI实际应用(1980—1990年),这基于经典天气学理论,主要是应用神经网络建立预报模型[85,86,87,88,89];第二类是纯粹以机器学习和系统智能外推为主的实际应用(2010年以来),这和经典气象学理论没有直接关联,尤以“彩云天气”为代表,根据气象实况资料的深度学习,1 h内降水短临预报的准确率达到90%,由此可见天气短临预报的AI方法已然脱离了天气过程的物理基础.即便如此,上述依赖于大样本数据信息的热门技术是否对于小样本的极端事件预报依然有效,目前还没有答案,但这无疑是一个有待探索的新话题. ...