基于TIGGE(the THORPEX Interactive Grand Global Ensemble)资料,对中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的集合数值预报结果进行降水集成。采用算术平均法、TS评分集成法和BS...基于TIGGE(the THORPEX Interactive Grand Global Ensemble)资料,对中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的集合数值预报结果进行降水集成。采用算术平均法、TS评分集成法和BS评分集成法在我国东南地区进行降水集成,对比分析结果表明:基于TS评分的多模式降水集成无论在分区降水评分中,还是在东南地区的台风型降水和非台风型降水实例中,都有效地改进了大雨以上的降水预报效果;基于BS评分的集成方法和算数平均集成法预报效果次之。东南地区5个子区域的降水集成试验结果表明:各子区域基于TS评分集成后降水的平均绝对误差普遍小于基于BS评分后的降水平均绝对误差。广东东南和浙江北部区域基于TS集成后的降水TS评分值最优,浙闽沿海和广东西北部区域基于TS集成后的降水TS评分次之,处于中上水平。基于算术平均集成和BS集成的降水的TS评分值只有在广东东南区域表现出较好的效果。展开更多
基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network...基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型进行概率预报试验,并对两个模型输出的概率预报结果进行评估。结果表明,经NN模型和NN-GI模型订正后,降水概率预报结果得到明显改进,在168 h预报时效时,降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比,NN-GI模型由于考虑到各格点的地理信息差异,在区域内预报技巧整体改进更优。这表明,在利用机器学习方法改进降水预报时,在模型中加入各个格点的地理信息非常重要。展开更多
为了考虑预见期内降水预报的不确定性对洪水预报的影响,采用中国气象局、美国环境预测中心和欧洲中期天气预报中心的TIGGE(THORPEX Interactive Grand Global Ensemble)降水预报数据驱动GR4J水文模型,开展三峡入库洪水集合概率预报,分...为了考虑预见期内降水预报的不确定性对洪水预报的影响,采用中国气象局、美国环境预测中心和欧洲中期天气预报中心的TIGGE(THORPEX Interactive Grand Global Ensemble)降水预报数据驱动GR4J水文模型,开展三峡入库洪水集合概率预报,分析比较BMA、Copula-BMA、EMOS、M-BMA 4种统计后处理方法的有效性。结果表明:4种统计后处理方法均能提供一个合理可靠的预报置信区间;其期望值预报精度相较于确定性预报有所提高,尤其是水量误差显著减小;M-BMA方法概率预报效果最佳,它能够考虑预报分布的异方差性,不需要进行正态变换,结构简单,应用灵活。展开更多
基于TIGGE数据的五个单中心集合预报结果(CMA、CMC、ECMWF、NCEP、UKMO)构成的多中心超级集合预报系统的降水量预报,以及相应时段的实测降水量值,应用贝叶斯模式平均法(Bayesian Model Averaging,BMA)建立大渡河流域的BMA概率预报模型...基于TIGGE数据的五个单中心集合预报结果(CMA、CMC、ECMWF、NCEP、UKMO)构成的多中心超级集合预报系统的降水量预报,以及相应时段的实测降水量值,应用贝叶斯模式平均法(Bayesian Model Averaging,BMA)建立大渡河流域的BMA概率预报模型。通过CRPS、MAE、BS三种评价指标,对大渡河流域的BMA降水概率预报模型进行评价与检验,三种指标均显示BMA降水概率预报比原始集合预报具有更高的准确性,其中BMA模型的CRPS和MAE指标均值分别相比原始集合预报减少了31.6%和23.9%;分析模型权重参数,得出ECMWF对大渡河流域BMA降水预报贡献最大,即ECMWF对研究区域降水预报效果最好;模型对大渡河流域极端降水预报效果较差,常低估极端降水量。展开更多
文摘基于TIGGE(the THORPEX Interactive Grand Global Ensemble)资料,对中国气象局(CMA)、欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)和日本气象厅(JMA)的集合数值预报结果进行降水集成。采用算术平均法、TS评分集成法和BS评分集成法在我国东南地区进行降水集成,对比分析结果表明:基于TS评分的多模式降水集成无论在分区降水评分中,还是在东南地区的台风型降水和非台风型降水实例中,都有效地改进了大雨以上的降水预报效果;基于BS评分的集成方法和算数平均集成法预报效果次之。东南地区5个子区域的降水集成试验结果表明:各子区域基于TS评分集成后降水的平均绝对误差普遍小于基于BS评分后的降水平均绝对误差。广东东南和浙江北部区域基于TS集成后的降水TS评分值最优,浙闽沿海和广东西北部区域基于TS集成后的降水TS评分次之,处于中上水平。基于算术平均集成和BS集成的降水的TS评分值只有在广东东南区域表现出较好的效果。
文摘基于欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)2015年2月8日—2016年12月31日中国华东及华南地区24~168 h预报时效的逐日24 h累积降水集合预报资料,利用前馈神经网络建立NN(Neutral Network)模型及NN-GI(Neutral Network-Geographic Information)模型进行概率预报试验,并对两个模型输出的概率预报结果进行评估。结果表明,经NN模型和NN-GI模型订正后,降水概率预报结果得到明显改进,在168 h预报时效时,降水概率预报的CRPS值与原始集合预报相比分别下降了约16.00%、21.27%。与NN模型相比,NN-GI模型由于考虑到各格点的地理信息差异,在区域内预报技巧整体改进更优。这表明,在利用机器学习方法改进降水预报时,在模型中加入各个格点的地理信息非常重要。
文摘为了考虑预见期内降水预报的不确定性对洪水预报的影响,采用中国气象局、美国环境预测中心和欧洲中期天气预报中心的TIGGE(THORPEX Interactive Grand Global Ensemble)降水预报数据驱动GR4J水文模型,开展三峡入库洪水集合概率预报,分析比较BMA、Copula-BMA、EMOS、M-BMA 4种统计后处理方法的有效性。结果表明:4种统计后处理方法均能提供一个合理可靠的预报置信区间;其期望值预报精度相较于确定性预报有所提高,尤其是水量误差显著减小;M-BMA方法概率预报效果最佳,它能够考虑预报分布的异方差性,不需要进行正态变换,结构简单,应用灵活。
文摘基于TIGGE数据的五个单中心集合预报结果(CMA、CMC、ECMWF、NCEP、UKMO)构成的多中心超级集合预报系统的降水量预报,以及相应时段的实测降水量值,应用贝叶斯模式平均法(Bayesian Model Averaging,BMA)建立大渡河流域的BMA概率预报模型。通过CRPS、MAE、BS三种评价指标,对大渡河流域的BMA降水概率预报模型进行评价与检验,三种指标均显示BMA降水概率预报比原始集合预报具有更高的准确性,其中BMA模型的CRPS和MAE指标均值分别相比原始集合预报减少了31.6%和23.9%;分析模型权重参数,得出ECMWF对大渡河流域BMA降水预报贡献最大,即ECMWF对研究区域降水预报效果最好;模型对大渡河流域极端降水预报效果较差,常低估极端降水量。
