摘要: 本文構(gòu)建了一種基于因果分析和機(jī)器學(xué)習(xí)的站點(diǎn)氣溫短臨預(yù)報(bào)模型,以臺(tái)灣省松山站為試驗(yàn)對(duì)象,利用歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-Range Weather Forecasts, ECMWF)再分析資料、松山站實(shí)測(cè)氣象資料和中國(guó)氣象局陸面數(shù)據(jù)同化系統(tǒng)(Chinese Land Data Assimilation System-v2.0, CLDAS-v2.0)近實(shí)時(shí)產(chǎn)品資料,引入因果信息流理論,采用四種機(jī)器學(xué)習(xí)算法:多層前饋神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、隨機(jī)森林(Random Forest,RF)、最小二乘支持向量機(jī)(Least Square Support Vector Machine, LSSVM)和貝葉斯網(wǎng)絡(luò)(Bayesian Network, BN),開(kāi)展氣溫短臨預(yù)報(bào)試驗(yàn)。結(jié)論如下:(1)在選取的任一種數(shù)據(jù)資料驅(qū)動(dòng)下,對(duì)于BPNN、RF、BN,基于因果分析的預(yù)報(bào)結(jié)果優(yōu)于相關(guān)分析,均方根誤差的平均降幅在1%~2%之間。對(duì)于LSSVM,因果分析與相關(guān)分析差別較小,驗(yàn)證了因果分析具備更優(yōu)的關(guān)聯(lián)關(guān)系挖掘能力;(2)在預(yù)報(bào)模型中增加相鄰空間預(yù)報(bào)因子能夠顯著提高氣溫預(yù)報(bào)效果,改進(jìn)后氣溫預(yù)報(bào)模型均方根誤差的平均降幅在2%~8%之間;(3)在模型訓(xùn)練樣本較少情況下,基于CLDAS-v2.0近實(shí)時(shí)產(chǎn)品資料的預(yù)報(bào)效果優(yōu)于ECMWF再分析資料的預(yù)報(bào)效果,均方根誤差的平均降幅在4%~8%之間,從側(cè)面驗(yàn)證了CLDAS-v2.0近實(shí)時(shí)產(chǎn)品資料在中國(guó)區(qū)域質(zhì)量?jī)?yōu)于國(guó)際同類(lèi)產(chǎn)品。
摘要: 本文利用新一代中尺度數(shù)值模式(Weather Research and Forecasting model,WRF)模擬了一次強(qiáng)對(duì)流天氣過(guò)程,開(kāi)展了基于觀(guān)測(cè)系統(tǒng)模擬試驗(yàn)(Observation System Simulation Experiment,OSSE)的雙雷達(dá)風(fēng)場(chǎng)反演效果試驗(yàn)研究?;赪RF模式輸出的三維風(fēng)場(chǎng),模擬兩部多普勒雷達(dá)的體掃數(shù)據(jù),再利用迭代法和變分法進(jìn)行三維風(fēng)場(chǎng)反演,將模式輸出場(chǎng)作為真實(shí)風(fēng)場(chǎng),定量計(jì)算反演風(fēng)場(chǎng)的風(fēng)速誤差,結(jié)合典型強(qiáng)對(duì)流個(gè)例的發(fā)生、發(fā)展過(guò)程,分析不同算法反演風(fēng)場(chǎng)的散度、渦度和垂直速度等特征。結(jié)果表明,兩種算法反演獲得的風(fēng)場(chǎng)結(jié)構(gòu)與強(qiáng)對(duì)流天氣過(guò)程的基本特征一致,變分法能更準(zhǔn)確地反演出強(qiáng)對(duì)流天氣過(guò)程的垂直速度、散度和渦度場(chǎng),而迭代法反演的結(jié)構(gòu)特征不明顯,且強(qiáng)度明顯偏弱。