三种数值模式气温预报产品的检验及误差订正方法研究

doi:10.3969/j.issn.1673-503X.2018.01.003

气象与环境学报 ›› 2018, Vol. 34 ›› Issue (1): 22-29.doi: 10.3969/j.issn.1673-503X.2018.01.003

三种数值模式气温预报产品的检验及误差订正方法研究

王焕毅¹, 谭政华¹, 杨萌², 张翘¹, 蒋林杉¹

1. 本溪市气象局, 辽宁本溪 117000;
2. 潍坊市气象局, 山东潍坊 261011

收稿日期:2016-10-15 修回日期:2017-03-10 出版日期:2018-02-28 发布日期:2018-02-28
通讯作者: 谭政华,E-mail:balfulosa@163.com。 E-mail:balfulosa@163.com
作者简介:王焕毅,男,1984年生,工程师,主要从事短期天气预报、预警研究,E-mail:wanghybx@163.com。
基金资助:
本溪市气象局项目“本溪冬季低于-20℃温度预报研究”（BXSQXJ201406）资助。

Research on air temperature product examination of three numerical forecast and a method of error correction

WANG Huan-yi¹, TAN Zheng-hua¹, YANG Meng², ZHANG Qiao¹, JIANG Lin-shan¹

1. Benxi Meteorological Service, Benxi 117000, China;
2. Weifang Meteorological Service, Weifang 261011, China

Received:2016-10-15 Revised:2017-03-10 Online:2018-02-28 Published:2018-02-28

摘要/Abstract

摘要： 基于德国天气在线T7online（简称T7）、ECMWF细网格（简称EC）及T639三种数值模式的气温预报产品，结合本溪站气象观测资料，对三种数值模式2014年1月至2015年12月本溪市气温预报的准确率及预报误差进行了检验和分析，根据误差分析结果利用BP神经网络模型建立了本溪市数值模式气温预报误差客观化订正模型。结果表明：对于气温预报的年检验，T7、EC和T639三种数值模式的最低气温预报准确率均高于最高气温的预报准确率；对于气温预报的月检验，三种数值模式对夏季、秋季最低气温的预报效果明显优于冬季和春季，而对于最高气温的预报，T7的气温预报准确率明显优于EC和T639模式；当气温波动较大时，三种数值模式气温的预报准确率均明显下降。三种数值模式对最低气温预报的平均误差均为2.00℃以内，对最高气温的预报准确率存较大差别，T7模式最高气温的预报误差最小，T639模式气温预报的系统偏差最明显，最低气温系统偏差为-1.34℃，最高气温系统偏差为-2.87℃。根据三种数值模式气温预报误差的特征，结合BP神经网络建立本溪市气温误差预报模型对数值模式气温预报结果进行订正，订正后气温平均绝对误差由2.40℃左右降至1.40℃左右，系统偏差和均方根误差均明显缩小，气温预报准确率由50%左右提高至80%以上，数值模式气温预报准确率明显提高，具有较好的应用价值。

关键词: BP神经网络, 气温, 误差, 检验

Abstract: Using the observed data and three numerical weather prediction products of T7 online (T7),ECMWF and T639,the air temperature accuracy rates and prediction errors were tested and analyzed from January of 2014 to December of 2015 in Benxi city.With the BP neural network algorithm,a air temperature prediction error correcting model was established based on the error analyses of the models.The results show that,for the annual test,the accuracy rate of the minimum air temperature is higher than that of the maximum air temperature for the three models.The forecasting effects of the minimum air temperatures in summer and autumn are better than those in winter and spring.While for the maximum air temperature predictions,the performance of T7 is superior to those of EC and T639.The predication accuracy rate of these models decreases under a large air temperature disturbance.The forecasting errors of average minimum air temperatures for these models are less than 2.00℃.There is a big difference in the maximum air temperature forecasting among these models.T7 has the smallest error in the maximum air temperature forecasting.The systematic deviation of T639 is higher,with -1.34℃ and -2.87℃ for the minimum and maximum air temperatures,respectively.After correcting,the average absolute error decreases from 2.40℃ to 1.40℃,the systematic deviation and root-mean-square error are significantly reduced,and the forecasting accuracy rate obviously is improved from 50% to 80%.It indicates that this approach is valuable to be used in operation.

Key words: BP neural network, Air temperature, Error, Test

中图分类号:

P456.7

王焕毅, 谭政华, 杨萌, 张翘, 蒋林杉. 三种数值模式气温预报产品的检验及误差订正方法研究[J]. 气象与环境学报, 2018, 34(1): 22-29.

WANG Huan-yi, TAN Zheng-hua, YANG Meng, ZHANG Qiao, JIANG Lin-shan. Research on air temperature product examination of three numerical forecast and a method of error correction[J]. Journal of Meteorology and Environment, 2018, 34(1): 22-29.

0
/ / 推荐

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.jme1984.net.cn/CN/10.3969/j.issn.1673-503X.2018.01.003

http://www.jme1984.net.cn/CN/Y2018/V34/I1/22

参考文献

[1] 张晶,姚文,何晓东,等.营口地区数值预报降水产品定量检验和预报指标研究[J].气象与环境学报,2014,30(1):30-35.
[2] 张宁娜,黄阁,吴曼丽,等.2010年国内外3种数值预报在东北地区的预报检验[J].气象与环境学报,2012,28(2):28-33.
[3] 李佰平,智协飞.ECMWF模式地面气温预报的四种误差订正方法的比较研究[J].气象,2012,32(8):897-902.
[4] 贾旭轩,田莉,陆井龙,等.误差订正在辽宁地区冬季温度预报中的应用[J].气象与环境学报,2016,32(4):139-143.
[5] 肖明静,隋明,范苏丹,等.3种数值模式温度预报产品在山东应用的误差分析与订正[J].干旱气象,2012,30(3):472-477.
[6] Yuan Q,Lu Y C.Research on weather forecast based on neural networks[C]//Proceedings of the 3rd World Congress on Intelligent Control and Autonmation.Hefei:IEEE,2000,2:1069-1072.
[7] Ramírez M C V,de Campos Velho H F,Ferreira N J.Artificial neural network technique for rainfall forecasting applied to the São Paulo region[J].Journal of Hydrology,2005,301(1/4):146-162.
[8] Black T L.The new NMC mesoscale eta model:description and forecast examples[J].Weather and Forecasting,1994,9(2):265-278.
[9] Mesinger F,Black T L,Plummer D W,et al.Eta model precipitation forecasts for a period including tropical storm Allison[J].Weather and Forecasting,2009,5(3):483-493.
[10] 李倩,胡邦辉,王学忠,等.基于BP人工神经网络的区域温度多模式集成预报试验[J].干旱气象,2011,29(2):231-235.
[11] 金龙,罗莹,王业宏,等.月降水量的神经网络混合预报模型研究[J].高原气象,2003,22(6):618-623.
[12] 李祚泳,邓新民,张辉军.基于神经网络B-P算法的雹云识别模型及其效果检验[J].高原气象,1994,13(1):44-49.
[13] 张伟,王自发,安俊岭,等.利用BP神经网络提高奥运会空气质量实时预报系统预报效果[J].气候与环境研究,2010,15(5):595-601.
[14] 张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社,1993:13-47.
[15] 马学款,普布次仁,唐叔乙,等.人工神经网络在西藏中短期温度预报中的应用[J].高原气象,2007,26(3):491-495.
[16] 蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2001:39-53.

三种数值模式气温预报产品的检验及误差订正方法研究

Research on air temperature product examination of three numerical forecast and a method of error correction

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	王秀英, 廖留峰, 王俊杰. 基于多元线性回归的滇西南短时强降水预报模型研究[J]. 气象与环境学报, 2019, 35(2): 15-22.
[2]	侯依玲, 刘鸣彦, 赵春雨, 王涛. 东北地区气温演变的一致性与局地性特征研究[J]. 气象与环境学报, 2019, 35(2): 69-76.
[3]	王新伟, 张宇星, 魏芳芳. 山岳型风景区最高最低气温预报方法研究[J]. 气象与环境学报, 2019, 35(2): 92-96.
[4]	张海娜, 侯依玲, 赵春雨, 刘鸣彦, 王涛, 周晓宇, 崔妍, 敖雪, 易雪. CCSM4模式对东北气温和降水的模拟及预估[J]. 气象与环境学报, 2019, 35(1): 72-78.
[5]	吴春英, 刘多文, 钟博, 蒋婷婷, 于蕙箐, 陈佳美, 高燕. 基于数值预报模式的乡镇温度预报方法研究[J]. 气象与环境学报, 2019, 35(1): 108-112.
[6]	王叶红, 赵玉春. 不同背景场误差样本模拟方案对数值预报的影响--以“苏迪罗”台风为例[J]. 气象与环境学报, 2018, 34(6): 11-23.
[7]	郑石, 王冠, 林中冠, 关健华, 黄兴友. 1961-2013年中国强降水特征分析[J]. 气象与环境学报, 2018, 34(6): 102-107.
[8]	赵美艳, 余君, 蒋镇, 单薇薇. 重庆地区气温序列均一性检验及订正[J]. 气象与环境学报, 2018, 34(6): 148-155.
[9]	侯依玲, 刘鸣彦, 张海娜, 赵春雨. 1961—2015年东北区域最高与最低气温演变的气候特征[J]. 气象与环境学报, 2018, 34(5): 93-99.
[10]	赛瀚, 李燕, 刘硕, 全美兰, 孙悦程. 东北区域数值模式产品在天气预报业务中的检验[J]. 气象与环境学报, 2018, 34(5): 119-127.
[11]	纪永明;蒋大凯;陈传雷;任志杰;孟莹;才奎志;胡鹏宇;张硕. 基于雷达组网拼图的定量降水反演I—动态Z-I关系法[J]. 气象与环境学报, 2018, 34(4): 18-25.
[12]	宋晓巍;李琳琳;张琳;刘青;李石;慕臣英;张菁. CLIGEN天气发生器模拟沈阳地区降水的适用性评价[J]. 气象与环境学报, 2018, 34(4): 26-35.
[13]	闫荞荞;王海军;严靖. 逐时本站气压数据分阶段空间一致性检查方法研究[J]. 气象与环境学报, 2018, 34(4): 36-44.
[14]	吴刚哲;严金哲;任国玉;索南看卓. 朝鲜中西部地区春季植被覆盖度与气候因子的关系[J]. 气象与环境学报, 2018, 34(4): 112-118.
[15]	刘博;党冰;张楠;王式功;尹岭;张晓云; 黎檀实;卢震华. 多种气象统计模型对比研究——以气象敏感性疾病脑卒中预报为例[J]. 气象与环境学报, 2018, 34(4): 126-133.