国家气象中心气象要素的客观预报_MOS系统
数值预报简介
日本气象厅数值预报模式
2、区域谱模式（ASM）
水平分辨率为20km，垂直40层。预报起始时刻为00（世界）时 和12（世界）时。预报时时效为0 - 72小时。 模式预报区域为以日本为中心的5100km x 4300km 的区域。我 国东部地区在其范围之内。该模式的预报结果大多以传真图的形 式向外发布。 我国单收站能收到ASM模式一天两次的0-72小时的地面气压和 降水（12-24h、24-36小时、24-48h、48-72h）、0-36小时 的500 hPa温度和700 hPa温度露点差、0-48小时的850 hPa温 度和风场、700 hPa垂直速度。
发展SISL而不是欧拉模式 大气中垂直方向的声波和水平方向的重力外波的传播速
度比局地风速快好几倍。显式欧拉差分方案的时间步长完 全依赖于快波的速度，对于一个全球经—纬度格点差分模 式来说，由于经线在极地汇合，这一问题变得尤其严重。 对那些包含有快波的项采用隐式（或半隐式）处理，可以 取较长的时间步长也不会降低计算稳定度和精度 （Skamarock et al., 1997）。Staniforth（1997）指 出隐式（或半隐式）时间差分方案还可“滞后”（retard） 有限区域模式的侧边界误差（或变网格模式的外区域误差） 向内的传播。
(3DVAR) 8. Kalman Filter (KF) 9. Variational over Space and Time (4DVAR)
二、业务数值预报种类
数值预报模式分： 气候模式 谱模式 全球模式 天气模式 格点模式 区域模式
几种模式简介
ECMWF全球谱模式 日本气象厅数值预报模式 美国NCEP模式
全球谱模式
美国国家环境预报中心的全球中期数值天气预报 模 式 ， 从 1995 年 的 T126L28 升 级 到 目 前 的 T170L42，即水平分辨率从1°× 1°增加到0.7°× 0.7°（约为80公里）。垂直层次从28层增加到42 层。每天在世界时00点用T170L42作7天预报， 随后用T126L28作第8天到第16天的预报。
用MOS法建立短时预报方程的试验设计
应 用数 值预 报产 品作局 地要 素定量 预报 ，用 得
最 多 、效果 较好 的统计 动力 预报 方法有 ：完 全预 报 （ ｅｆ ｔ ｒｄｃｉ ，简 称 Ｐ ）法 和 模 式 输 出 统 计 Ｐ ｒ ｃ Ｐｅ ｉｔ ｎ ｅ ｏ Ｐ （ ｄｌ ｕｐ ｔ ａ ｓ ｃ， 称 ＭＯ ） 报法 。 Ｍｏ ｅ Ｏ ｔｕ ｔ ｔ ｓ Ｓ ｉｉ 简 Ｓ预
通用性 、 移植 性 。 可
关键 词 ： Ｓ法 ； 时预报 ； ＭＯ 短 流程
随着天气 预 报技术 的发 展 ， 去传统 的主观 、 过 定 性 、 工 、 一 的预报方 法逐 步 向客 观化 、 手 单 定量 化 、 自 动化 、 合化 方 向转 变 。 综 当今 天气预 报 的基 本 特点 和
渠 道 。这 不仅 仅是 短信 这项技 术在 气象 预警 服务 中
平台， 依靠短信不但能提供优质的气象预报服务 ， 同
时为突发气象灾害性天气的预警提供了理想的发布
ห้องสมุดไป่ตู้
的应用 ，更是气象服务和现代通信手段相结合的一
种 服务理 念 的更新 。
９
沙 漠 与 绿 洲 气 象
’
第４ 卷 增刊
程结 果文 件 。第五 ， 试报 ， 用建 立 的预报 方程进 行实
时 预报 。 六 ， 实 时预报 的结果 进行 检验 。根据 以 第 对
ＭＯ Ｓ方 法 直接 把 历 史 的数 值 预 报模 式 输 出 的 预告产 品资料 （ 报 因子 ） 当地 预报 时效 对应 时刻 预 与 的地 面 天气要 素 实况 （ 预报 对象 ） 建立 统 计关 系 ， 推
报 因子 和相应 时效 的实 况 因子与 相应 时效 的预报 量 组 合成 一个样 本 ，形成 某站 点多 日期 多因子 的样 本
我国现代天气业务现状及发展趋势
我国现代天气业务现状及发展趋势端义宏;金荣花【摘要】回顾了我国现代天气业务发展历程,着眼于预报业务体系、预报技术和平台、预报员队伍培养等方面,概述了现代天气业务现状.结合我国现代天气业务发展的经验,跟踪国际气象科技发展前沿,展望了现代天气业务的发展趋势.【期刊名称】《气象科技进展》【年(卷),期】2012(002)005【总页数】6页(P6-11)【关键词】现代天气业务;发展历程;现状;发展趋势【作者】端义宏;金荣花【作者单位】国家气象中心,中国气象局,北京100081;国家气象中心,中国气象局,北京100081【正文语种】中文天气预报业务起源于19世纪。
20世纪七八十年代，数值天气预报开始逐步投入天气预报业务应用，使得天气预报业务进入了快速发展时期。
1982年全国灾害性天气预报会议制定了“多种方法综合运用，重点发展数值预报，尽快实现客观定量”的天气预报技术路线，由此，以数值预报为基础，结合运用各种预报技术方法的天气预报业务技术路线开始建立。
以此次会议为契机，中国的数值预报业务迅速发展起来，以北半球5层原始方程模式及5层有限区域细网格降水预报模式为主体的短期数值预报系统，分别于1982年2月和1983年8月正式投入业务运行，向全国各级气象台站提供24～72h的北半球高低空形势预报和24～36h国内降水量预报及各种诊断量分析预报产品，标志着我国天气预报业务技术开始向客观化转变。
1991年6月，在引进欧洲中期天气预报中心模式的基础上，我国第一代全球中期数值预报业务系统（简称T42）正式建成并投入业务运行，预报时效从3d延长至6～7d。
而后，随着计算机装备的更新和预报模式的改进，经历了T106经T213到T639的逐步升级。
从20世纪80年代到21世纪初，天气业务发生了很大的变化，预报技术实现了从以天气图方法为基础到以数值预报为基础的转变，统计预报、物理量诊断分析、人工智能等一批客观预报方法相继投入业务使用，建立了以短期预报、中期预报和台风预报业务为主体的天气预报业务体系，技术路线和预报思路逐渐明晰，预报准确率得到很大提高[1]。
抚顺地区总云量与低云量预报方法研究
抚顺地区总云量与低云量预报方法研究摘要利用抚顺地区3个气象站2003年1月至2006年12月期间的总云量和低云量的观测资料以及同时期的欧洲数值预报资料，建立总云量和低云量的预报方程。
将2007年欧洲数值预报资料作检验与实况对比分析，结果表明在所得出的8个方程中，总云量的预报方程能够较好地反映云量的变化趋势，低云量预报方程准确率欠佳，在方程的检验过程中，总体走势是云量的预报值中58%高于实测值。
关键词总云量；低云量；预报方法；检验；辽宁抚顺云是气象要素中的重要指标，不同的云分布的高度和特征与天气变化密切相关，直接影响地气系统的辐射平衡、热量平衡[1]，也与人们日常生活中的晾晒指数、日常出行、能见度以及紫外线指数息息相关[2]。
云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一[3]。
根据相关单位的研究，云量变化20%~30%就会对气候场产生显著影响[4]。
低云影响飞机起降，云中的低能见度影响目视飞行，云中的过冷水滴使飞机积冰，云中的湍流造成飞机颠簸等。
我国30年间与气象有关的严重飞行事故调查统计结果表明，由低云造成的飞行事故最多，占55%以上[5]。
云是天气气候系统中变化最复杂的一个部分，可直接与气候系统中的大气、海洋、低温层分量和地形等相互作用，因此对天空云量进行动力学预报现在仍存在较大困难，但天空云量的预报是日常天气预报中必不可少的要素之一，目前该预报的制作主要依赖预报员的经验或MOS预报[6]。
1MOS方法简介美国气象学者克莱因早在20世纪50年代末提出用历史资料与预报对象同时间的实际气象参量作预报因子，建立统计关系[7]。
实际应用时，假定数值预报的结果是完全正确的，用数值预报产品代入到上述统计关系中，就可得到与预报相应时刻的预报值，这种称为完全预报法（PP 法）[8]。
它的长处可利用大量的历史资料进行统计，因此得出的统计规律一般比较稳定可靠。
但是该方法除含有统计关系造成的误差外，主要是无法考虑数值模式的预报误差，因而使预报精度受到一定影响。
气象预报系统
气象预报系统气象成就⑦党的十八大以来，在党中央、国务院的坚强领导下，现代气象预报业务体系基本建立，气象预报事业进入高质量发展阶段，气象服务国家重大战略、经济社会发展、人民福祉福祉的能力显著提升。
以预报精准为龙头，坚持将预报精准放在气象业务链条中的核心位置，带动监测精密和服务精细发展，推进观测预报服务业务共融互通，是中国气象局常抓不懈、在实践中不断深化发展的工作理念。
党的十八大以来，我国精细化预报实现0天至30天无缝隙网格-站点预报一体化，全球范围0天至10天10公里网格预报及1万多城市的逐3小时预报。
基于“云+端”的气象业务技术体制重点改革逐步展开，以智能网格预报为代表的现代气象预报业务体系基本建立，以高分辨率数值模式、多源融合实况分析等关键技术为代表的客观化精准化技术体系逐步完善，气象预报业务整体实力接近同期世界先进水平，初步具备全球监测、全球预报、全球服务能力。
十年来，气象预报预测准确率稳步提升。
暴雨预警准确率达89%，强对流天气预警时间提前至38分钟，均创历史新高；台风路径预报24小时误差为65公里，稳居国际先进行列。
预报准确率提升的背后，是气象预报预测关键核心技术的“井喷式”突破——锚定“地球系统框架”发展数值预报，构建短临、短期、中期、长期、延伸期-次季节、季节-年际、年代际无缝隙天气气候预报预测模式体系；自主研发应用四维变分同化系统，推动我国数值预报同化技术迈入国际前列，成为国际上少数具有研制四维变分同化能力的国家之一；实现第三代气候模式预测业务系统次季节-季节-年际尺度气候预测一体化，预测性能达到国际先进水平；推进中国气象局数值预报业务系统精细化发展，实现全球同化预报系统25公里分辨率、可用预报时长10天，区域同化预报系统3公里分辨率，全球气候预测系统45公里分辨率；发展1公里快速循环更新同化预报系统，为北京冬奥会“百米级、分钟级”天气预报服务提供有力支撑。
建设智能网格预报技术和产品体系，通过分钟级滚动外推临近预报技术、高分辨率模式的短时释用预报、多尺度模式短期综合集成、基于集合预报的神经网络延伸期预报等技术研发，结合大数据、人工智能等新技术，推进我国天气预报业务逐步从站点-落区向数字-格点转变；推进降水、温度等气象要素网格预报产品业务稳定运行，实现国内5公里分辨率24小时逐小时预报、1天至10天逐3小时预报、11天至30天逐24小时预报，全球范围0至10天10公里网格预报及1万多城市的逐3小时预报；建立智能网格气候预测业务，研发延伸期（15天至30天）每日滚动更新的主要环流和要素格点化预测产品等。
国家气象中心集合数值预报业务系统的发展及应用
（ 国家 气象 中心 ， 北京 １０ ８ ） ００ １
提
要
彳 绍集 合 数 值 预报 的基 本概 念 ， 卜 简要 回顾 国家 气 象 中 心 的 集 台 数 值 预 报 系统 的 开 发 过 程 ， 概 述 了国 家 气象 中心 现 有 的 中期 集台 数 值 预 报 业 务 系 统 的组 成 、 台数 值 预报 产 品 的 并 集 解 释 与 应用 、 集台 数 值 预 报 的 未 来 发展 趋势 。 关 键 词 ： 合 数值 预 报 集 业 务 系统 产 品解 释 应 用 国 家气 象 中 心
和手 段 。
然而 ， 在数 值预 报 的模 拟研究 和业 务应 用 的实践 中 ， 人们 发现 ， 一方 面 ， 单一 的” “ 确定 性数值 预报水平 的再提 高 变得越来越 困难 ， 欧洲中心 中期 数值 预报业 务发展 为例 ， 以 过去 的 ２ ～３ Ｏ Ｏ年 里 ， 中期数 值 预报的可 用时效 （ ５ ０ｈ ａ的距 平相关 系数达 ０ ６为标 准 ） 以 ０ Ｐ ． 平 均每 ｌ Ｏ年才提 高 ｌ ， 天 而且 可用时效 的再 延 长 ， 困难 越 来越 大 ； 另一 方 面 ，单 一 的” 定 “ 确 性 数值 预报结果 也很不 稳定 ， 即有 时同一次 天气过 程 ， 同气 象 中心的业 务数值 预报 系统 不 的预报 结果相差 很大 ， 或者对 于 同一 次天气 过 程 、 同一套 业务 数 值 预报 系统 ， 数值 预 报 该 系统 提前 ５天作 出的预报 准确率可 能 比提前 ２天 的预报准确 率还 高 ！集 台数值 预报正 是 针对 “ 一 的” 定性数 值 预报的这一 “ 单 确 可预报 性 ” 问题而提 出来 的一种新 的预报理 论 。 集 台预 报思想首 先 由 Ｅ ｓｅ （９ ９ Ｈ 和 Ｌ ｉ （ ９ ４ ＿ 提 出 ， ｐｔｉ １６ ） － ｅ ｈ １ ７ ）５ ｎ ｔ 经历 了 ７ ～８ Ｏ ０年代 的 研 究探 索和数值 试验后 ， ９ 至 ０年代初 ， 国国家 环境预报 中心 （ Ｅ 一 欧洲 中期 天 美 ＮＣ Ｐ） 和
FUSE的简介和进展
结 果 替 代
县、乡 镇指导 预报
MEOFIS LWFD
省 订级 正主 观
地 订县 正主 观
省内宽带网
MICAPS Fine-Correcting
FUSE结构图
MICAPS Fine-Correcting
区域/单点 订正 时空要素协调 实时质量控制
MEOFIS
降水分区建 模 DMO/神经元 ANN 格点化 多模式集成 输入资料的质量 控制 主观落 区
进行实时预报（生成客观预报产品） 预报检验 因子分析
物理量计算
国家级客观精细化气象要素流程
DMO 所有时效、 所有要素
3小时 DMO预报 3小时神经 网络预报 上一个月 检验
MOS （部分要素)
综合
集成
一致性
12小时指导预报产品 一致性检查
处理
3小时综合 集成预报
3小时预报自身 协调一致性处理
MEOFIS
降水分区建 模 DMO/神经元 ANN 格点化 多模式集成 输入资料的质量 控制 主观落 区
T639等模 式输出
格点订正
Web订正
服务
省级上传 预报
质 量 控 制
结 果 替 代
整合后全国 预报产品
质 量 控 制
结 果 替 代
指导预报
NWFD 全国气象通讯业务网络
服务
全国预报 省级预报
质 量 控 制
T639等模 式输出
格点订正
Web订正
服务
省级上传 预报
质 量 控 制
结 果 替 代
整合后全国 预报产品
质 量 控 制
结 果 替 代
指导预报
NWFD 全国气象通讯业务网络
2018年国家级空气质量主客观预报TS评分对比检验
2018年国家级空气质量主客观预报TS评分对比检验张天航;迟茜元;饶晓琴;王继康;张碧辉;徐冉;江琪;栾天【摘要】目前对空气质量主客观预报效果的对比检验较少,为了解国家级空气质量主客观预报性能,利用预兆评分(threat score,TS)检验了2018年中央气象台主客观预报效果.结果表明:2018年,主(客)观预报对全国轻度及以上污染TS评分、空报率和漏报率分别为0.23～0.34(0.24 ～0.26)、0.37 ～0.43(0.39 ～0.41)和0.58 ～0.72(0.68 ～0.71).说明主观预报整体上优于客观预报,但客观预报能力已接近主观预报.主客观预报的评分均在污染较重地区(京津冀及周边、汾渭平原、华中和长江三角洲地区)高于污染较轻地区(西北、西南、珠江三角洲和东北地区),在污染较重的冬季高于清洁的夏季.随着预报时效的延长,主观预报TS评分呈下降趋势,但客观预报TS评分变化不大.在污染较重的冬季,48和72 h时效客观预报TS评分高于主观预报.此外,在2018年5次重污染天气过程中,主(客)观预报对轻度、中度和重度污染的TS评分分别为0.39 ～0.57 (0.43 ～0.46)、0.22 ～0.46(0.25 ～0.30)和0.10～0.34(0.10～0.18),主观预报TS评分高于客观预报的情况占了3次.随着预报时效的延长,客观预报表现更加稳定,说明客观预报能在污染过程中为预报员提供稳定参考,但对污染高值的预报能力仍需提高.【期刊名称】《环境工程技术学报》【年(卷),期】2019(009)003【总页数】10页(P213-222)【关键词】空气质量;主客观预报;TS评分【作者】张天航;迟茜元;饶晓琴;王继康;张碧辉;徐冉;江琪;栾天【作者单位】国家气象中心,北京100081;国家气象中心,北京100081;国家气象中心,北京100081;国家气象中心,北京100081;国家气象中心,北京100081;国家气象中心,北京100081;国家气象中心,北京100081;中国气象科学研究院,北京100081【正文语种】中文【中图分类】X513空气质量客观预报是指通过统计预报或数值预报方法自动生成的空气质量预报，或在其基础上结合预报时刻前一段时间预报和观测之间偏差自动生成的订正空气质量预报[1-2]。
动态垂直变率降尺度方法在气温智能网格预报中的应用
doi:10.11676/qxxb2023.20220208气象学报动态垂直变率降尺度方法在气温智能网格预报中的应用*赵瑞霞1 代 刊1 王 勇2 曹 勇1 朱跃建3 王宝利4ZHAO Ruixia1 DAI Kan1 WANG Yong2 CAO Yong1 ZHU Yuejian3 WANG Baoli41. 国家气象中心，北京，1000812. 南京信息工程大学，南京，2100443. 美国国家环境预报中心/环境模式中心，马里兰，207404. 北京文泽智远信息技术有限公司，北京，1000811. National Meteorological Centre，Beijing 100081，China2. Nanjing University of Information Science and Technology，Nanjing 210044，China3. NOAA/NWS/NCEP/Environmental Modeling Center，Maryland 20740，USA4. Beijing Wenzezhiyuan Information Technology Co.，Ltd，Beijing 100081，China2022-12-29收稿，2023-05-01改回.赵瑞霞，代刊，王勇，曹勇，朱跃建，王宝利. 2023. 动态垂直变率降尺度方法在气温智能网格预报中的应用. 气象学报，81（5）：788-800Zhao Ruixia， Dai Kan， Wang Yong， Cao Yong， Zhu Yuejian， Wang Baoli. 2023. Application of a dynamic vertical change rate downscaling method in gridded temperature forecast. Acta Meteorologica Sinica， 81（5）:788-800Abstract To improve spatially fine characteristics and accuracy of objective gridded temperature forecast, a dynamic vertical change rate downscaling method (DRD) considering elevation is proposed. Real-time vertical changes of surface air temperature with elevation (VCE) are calculated using the relationship between surface air temperature forecast and elevation at different grid points in the numerical model, and the results are applied to downscaling forecasts at target grids and stations to generate a more accurate initial background forecast field. Based on ECMWF model forecasts, 5 km resolution gridded elevation information, observations collected at 10154 stations and their geographic information in China, forecast experiments for spring, summer, autumn and winter are carried out. Spatial and temporal distribution characteristics of VCE, the accuracy of DRD temperature forecast and its ability to depict spatially fine characteristics are analyzed. The results show obvious diurnal, seasonal and spatial variations of VCE over China corresponding to diurnal and seasonal variations of surface long wave radiation, thermal properties and topographic dynamic effects. The value of VCE usually reaches the largest in the morning and the smallest in the evening. This means that surface air temperature decreases the slowest or increases the fastest with increasing height in the morning, and decreases the fastest or increases the slowest in the evening. Spatial variability of VCE is the largest in winter and the smallest in summer. The VCE value is closely related to the distributions of topography, land-sea, and inland lakes. Large VCE values usually appear over large topography edges, daytime land-sea margins, and inland lake edges in the daytime in spring and the whole day in summer. VCE often varies more greatly in complex terrain areas. The DRD surface air temperature forecast is significantly better than the bilinear-interpolated value of model prediction (DMO), especially over complex terrain areas. For example, the mean absolute error (MAE) of DRD forecast is about 14.3%—52.5% smaller than that of DMO over the southern Qinghai-Tibet Plateau in spring. At the same time, DRD significantly improves the ability* 资助课题：国家重点研发计划项目（2021YFC3000903）、国家气象中心预报员专项（Y202132）、中国气象局重点创新团队项目（CMA2022ZD04）。
T213气象要素客观预报系统操作说明.
T213气象要素客观预报系统操作说明:T213气象要素客观预报,给出了西北四省区258个站点、未来两天每隔6小时共8个时次、14个时变要素的预报结果，和未来两天6个日变要素的预报结果。
一、系统运行系统运行过程由定时器自动控制。
运行启动时间两次：1时10分和7时50分。
运行时间4-10分钟。
如果系统第一次运行成功，则以后不再运行。
如果以上两次启动仍未调到资料，则可从桌面手工启动系统运行。
资料不能调取时，可能存在以下三种情况，其一网络不通，其二计算机时间被修改，其三T213资料上网推迟，可上国家气象中心数据网查看。
国家气象中心数据网址及其参数如下:网址：ftp://211.147.16.18用户：nwpftp密码：qweasd路径：/home/nwpftp/T213L31/MOS。
二、内容介绍1、预报时次与预报时限的对应关系起报时间为20时，预报间隔6小时。
预报时次与预报时限的对应关系为:(第1天) 02时(006)、08时(012)、14时(018)、20时(024)(第2天) 02时(030)、08时(036)、14时(042)、20时(048)2、预报要素预报要素包括14个时变要素和6个日变要素,共20个预报要素。
14个时变要素分别是：[ 1] 温度[ 6] 低云量[11] 过去天气现象1[ 2] 露点[ 7] 能见度[12] 过去天气现象2[ 3] 风向[ 8] 6小时降水[13] 现在天气现象[ 4] 风速[ 9] 本站气压[14] 相对湿度[ 5] 总云量[10] 3小时变压其中本站气压、过去天气现象1、过去天气现象2等3个要素暂不输出。
6个日变要素分别是：[15] 最高温度[18] 08点24小时降水量[16] 最低温度[19] 08点12小时降水量[17] 日最大风速[20] 20点12小时降水量其中，日最大风速暂不输出。
3、数据存放格式各要素预报数据主要有两种存放格式。
第一种存放格式为MICAPS地面填图数据格式(第一类)。
黑龙江省客观精细化预报MOS方法应用论文
黑龙江省客观精细化预报MOS方法应用【摘要】主要介绍黑龙江省精细化预报mos方法应用，介绍mos 方法特点，进行检验，找出可以进一步提高预报准确率原因。
对客观预报检验结果可以看出短期时段温度预报在绝大多数情况下是可用的，有参考意义，但还有待进一步改进。
【关键词】mos方法;多元线性回归;预报因子1.mos方法介绍mos方法又叫做“模式输出统计量”，是一种数值模式输出释用技术。
这种方法能够有效减少预报不确定性,提高预报准确率。
主要方法是：利用数值预报的输出结果作为预报因子，并与预报对象的实况气象要素之间建立统计关系，大多利用多元线性回归建立预报方程。
预报对象与预报因子之间的关系可以表示成如下关系：是随机误差。
若将式(1)用矩阵表示，则有y=x?茁+?着。
用最小二乘原理估计?茁，得出回归系数。
这样有了回归系数以后，我们可以利用数值预报结果代入已建立预报方程求出预报对象也就是客观预报要素的值。
2.资料选取及技术方法2.1常规观测站预报方程建立建立mos方程之前，我们要确定预报对象及对历史资料进行选取和划分。
我们对一年进行每月划分，建立每个月日变要素最高、最低气温方程。
统计样本为2003年～2007年t213历史资料和实况资料。
在预报因子选取上，主要包含各层温度、相对湿度、风等常规观测资料，也选取了一些物理意义清楚的诊断量，比如垂直速度、露点差、位温、假相当位温、湿位涡、螺旋度、k指数、涡度、散度等物理量。
这样黑龙江省80个县级站点每个站点每月都有两种产品的预报方程。
根据刘还珠等撰写的国家气象中心气象要素的客观预报-mos系统一文中提及预报因子数量一般控制在6～20个，这样有利于提高预报准确率。
我们选预报因子时数量也控制在这个范围内。
例如哈尔滨站11月份最高气温24小时预报方程有6个预报因子；哈尔滨站11月份最低气温24小时预报方程中，有6个预报因子。
以哈尔滨站为例在24小时的最高、最低气温预报方程中都选取6个预报因子，因子类别上主要还是以大气低层气象要素为主，在6个要素中有2-3个常规观测要素，其余的都为诊断性质的物理量。
华北地区极端温度MOS预报的季节划分
华北地区极端温度MOS预报的季节划分车钦;赵声蓉;范广洲【摘要】针对极端温度MOS(Model Output Statistics)预报中的季节划分问题,通过聚类分析方法以华北地区为例进行试验,在此基础上提出一种新的MOS温度预报方程季节分类方式:2月11日-3月20日和11月5日-12月4日定义为早春晚秋类,5月1日-9月30日定义为夏季类,3月21 日-4月30日和10月1日-11月4日定义为晚春早秋类,12月5日-2月10日定义为冬季类.由于上述季节分类与传统的季节划分在3-5月和9-11月时间段存在较大差异,因此利用2009年进行试报,就两种时间分类进行对比分析.检验结果表明:利用新分类方法制作的极端温度MOS预报的整体效果好于传统的季节划分得到MOS极端温度预报效果,说明新的分类方式更适合于极端温度MOS预报.%Aiming at seasonal partition problem of MOS (Model Output Statistics) forecast for extreme temperature, experiments are carried out in North China with cluster analysis method. A new seasonal partition way of MOS prediction equations for temperature is proposed on the basis of clustering results. The period from 11 February to 20 March and from 5 November to 4 December is defined as early spring and late autumn class; the period from 1 May to 30 September is defined as summer classt the period from 21 March to 30 April and from 1 October to 4 November is defined as late spring and early autumn class; the period from 5 December to 10 February is defined as winter class. The proposed seasonal partition is significantly different from traditional seasonal partition especially on periods of time from March to May and from September to November. The two kinds of seasonal partitiondefinition are compared and analyzed. MOS prediction equations with new seasonal partition are founded by T213 model data, maximum and minimum temperature data of 154 stations in North China from 2003 to 2008, and verification of extreme temperature forecast in 2009 is conducted.Mean absolution error of maximum temperature forecast from September to November and minimum temperature forecast from March to May and from September to November made by new seasonal partition is less than that by traditional one. Using the new seasonal partition, there are more stations with the absolute error of MOS forecast less than 2'C for maximum and minimum temperature from March to May and from September to November. Average error of extreme temperature forecast based on two kinds of seasonal partition ways doesn't have great differences, and their absolute error also isn't large at the same time. It shows that the system error is not significant. However, compared with traditional MOS forecast, mean absolute error of maximum temperature forecast made by new seasonal partition from March to May is larger. The cause maybe relates with great changes of temperature in spring of 2009 or cluster analysis program. More study and improvement will be carried out in order to solve the problem. The test result indicates that the overall effect of MOS forecast for maximum and minimum temperature made by new seasonal partition way is better than the traditional one, and shows that the new seasonal partition way is more suitable for MOS extreme temperature forecast.【期刊名称】《应用气象学报》【年(卷),期】2011(022)004【总页数】8页(P429-436)【关键词】聚类分析;季节划分;MOS方法;温度预报【作者】车钦;赵声蓉;范广洲【作者单位】成都信息工程学院,成都610041;国家气象中心,北京100081;成都信息工程学院,成都610041【正文语种】中文引言随着社会的发展和人民生活水平提高，人们对气象服务提出了更多、更高的要求。
全国城镇天气预报质量检验方案
附件1全国城镇天气预报质量检验方案一、适用范围本方案适用于全国各省上传的城镇天气预报质量检验。
二、检验对象检验每日06:45时（北京时，下同）各省上传的08时起报的1-7天降水和最高、最低温度预报；检验每日10:30时各省上传的08时起报的1-7天最高、最低温度预报；检验每日16:30时各省上传的20时起报的1-7天降水和最高、最低温度预报。
三、检验内容1、降水预报检验08时和20时起报的1-7天逐24小时的晴雨（雪）检验、一般性降水和暴雨（雪）以上降水检验以及08时起报的24小时预报相对于国家气象中心指导预报的技巧检验。
检验以12小时预报为检验单元，逐24小时预报质量采用2段12小时预报样本的检验结果。
2、温度预报检验08时和20时起报的1-7天以24小时为预报时段的最高、最低温度预报误差和准确率。
检验08时起报的24小时最高、最低温度预报相对于国家气象中心指导预报的技巧评分。
四、检验方法 1、降水预报 （1）晴雨（雪）预报预报准确率：%100⨯++++=NDNC NB NA NDNA PC式中，NA 为有降水预报正确站（次）数，NB 为空报站（次）数、NC 为漏报站（次）数，ND 为无降水预报正确的站（次）数，见表1。
表1 晴雨（雪）检验评定表技巧评分：%1001⨯--=NNF PC PC PC SPC式中，F PC 为各省上传的城市天气预报晴雨（雪）预报准确率，N PC 为国家气象中心客观要素指导预报的晴雨（雪）预报准确率。
根据1-5天各时效晴雨（雪）预报准确率按加权平均的方式计算各省晴雨（雪）预报准确率的总评分。
计算公式为：预报准确率的总评分：式中，24PC 、48PC 、72PC 、96PC 、120PC 分别为各省06：45时和16：30时上传的0-24小时、24-48小时、48-72小时、72-96小时和96-120小时晴雨（雪）预报准确率的综合评分。
（2）一般性降水和暴雨（雪）以上降水检验 T S 评分：%100⨯++=k k k kk NC NB NA NA TS漏报率：k k kk NC NA NC PO +=⨯100% 空报率：k k kk NB NA NB FAR +=⨯100%技巧评分：'=kk k -TS TS SS式中NA k 为预报正确站（次）数、NB k 为空报站（次）数、NC k 为漏报站（次）数，见表2，TS ′为上级指导预报的TS 评分。
天气预报的原理
dT d dQ Cv P dt dt dt
其中
d u v w dt t x y z
t
为局地变化项
w z
u v , x y
分别为水平输送项（平流项）和 垂直输送项。
直到目前为止，这套大气动力方程组 还没有解析解，只能求它的数值解。 于是发展了数值天气预报方法。
主讲：周任君 博士（zrj@）
第六章 天气预报的原理和方法
天气变化与人们的生产活动、 社 会活动、 军事活动以及日常生活都有 着十分密切的关系。 自古以来， 人们总是想方设法去 预测未来的天气变化， 利用有利的天 气，避开不利的天气，以减少不必要 的损失。
天气预报是根据气象观(探)测资 料，应用天气学、动力学、统计学的 原理和方法，对某区域或某地点未来 一定时段的天气状况作出定性或定量 的预测。准确地预报天气一直是大气 科学研究的一个重要目标。
大气的动力方程组：
du 1 P fv Frx dt x
dv 1 P fu Fry dt y
— x 方向运动方程 — y 方向运动方程 — z 方向运动方程 — 连续方程 — 热通量方程
dw 1 P g Frz dt z
d V 0 dt
2.资料分析和初始化
对观测资料进行处理形成初值
数值天气预报包含的几部分工作 1．预报模式的建立。 2．资料分析和初始化。 3．业务数值预报。
1. 预报模式的建立
进行数值天气预报首先要有预报模 式。须将大气动力学方程组的各部分用 计算的语言表示出来，存于计算机内， 以便每天做预报用。
建立数值预报模式的各项工作：
（1） 根据不同的预报要求，对方程 组进行必要的简化； （2） 选择坐标系，包括选择垂直坐 标系和给定上下边界条件； （3） 确定计算范围和垂直分层（如 果是区域预报模式，则要确定 侧边界条件） ；
上海市无缝隙天气预报技术
上海市无缝隙天气预报技术储海;陈雷;戴建华;王海宾;李佰平;张欣;孙敏;刘梦娟【摘要】介绍了支持上海市气象局无缝隙预报业务的几类客观预报方法和业务系统.上海市气象局无缝隙格点预报产品涵盖0～45 d的五类不同分辨率、不同要素产品.从0～6 h与实况相衔接的逐10 min定量降水预报,24～240 h的要素最优集成订正预报,到延伸期45 d的逐日趋势预报.依赖各类客观预报方法生成的格点预报背景产品,结合格点预报制作和预报检验系统,使得预报员在此基础上有效地制作发布格点预报,在满足现代化格点预报要求精确度的同时,最大程度地帮助预报员减轻了人工操作的负担.【期刊名称】《气象科技进展》【年(卷),期】2017(007)006【总页数】8页(P59-66)【关键词】无缝隙预报;客观订正;集成预报;非常规检验【作者】储海;陈雷;戴建华;王海宾;李佰平;张欣;孙敏;刘梦娟【作者单位】上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030;上海中心气象台,上海200030【正文语种】中文0 引言当前世界气象以精细化和自动化为发展趋势,美国、英国、澳大利亚等均已建立了格点精细化的自动预报系统,其产品相对于传统预报准确率有较大提高,已成为预报员业务工作中的首选指导产品,同时产品也能够直接服务于用户。
从实际使用效果看,在提供了更多预报产品的同时,并未让预报员投入更多精力。
上海及华东区域是我国经济发展中心,实行精细化预报是未来上海气象局的工作重点,是中国气象局深化气象预报预测业务改革要求,也是社会经济发展和人民生活水平提高的保障。
无缝隙预报最先由世界气候研究计划(World Climate Research Programme,WCRP)提出,由于天气到气候的变化本身是一个连续的过程,而实际预报本身是一个从天气到气候的无缝隙的服务,因而具有不同时间分辨率的各类天气气候模式应在具有普遍一致性的前提下,描述同一大气系统的不同方面特征[1]。
SWAN2.0系统的设计与实现
SWAN2.0系统的设计与实现韩丰;沃伟峰【摘要】Severe Weather Automatic Nowcasting System 2.0(SWAN2.0) is a short-term nowcasting operational platform of CMA,providing nowcasting products and an early warning product generation tool.SWAN2.0 includes three types of meteorological products.Observation products,mainly composed of radar puzzles and automatic weather station(AWS) observations.Alarm products,including AWS elements alarms and radar echo alarms.Nowcasting products,providing 0-1 h radar echo forecast by COTREC movement vector and the tracking and forecasting of convection storm by SCIT (Storm Cell Identification and Tracking) orTITAN(Thunderstorm Identification,Tracking,Analysis and Nowcasting).SWAN2.0 is based on MICAPS4(Meteorological Information Comprehensive Analysis and Processing System Version 4) development framework,using C/S architecture.The server of SWAN2.0 is a scheduling platform of meteorological algorithm,which is deployed at the provincial meteorological administration,in charge of collecting data,running algorithm,and generating SWAN products.The client of SWAN2.0 is a complete working platform for weather forecasters deployed in national,provincial,and municipal meteorological observatories,which are used to display SWAN products,make analysis and produce weather forecast products.SWAN2.0 adopts new nowcasting technologies,such as three-dimensional variation assimilation retrieval of windfield,QPE(quantity precipitation estimation) by rain cluster,hail identification and meso-scale numerical model application,supporting weather forecasters to extend from traditional short-term weather forecasts and services to short-range and nowcasting forecasts of classified strong convective weather.SWAN2.0 integrates computer technology and forecasting technology to solve short-term forecasting problems.It uses the message queue to decouple business modules to enhance the flexibility and scalability of the platform,and can generate early warning produces automatically from alarm products.The hierarchical structure is adopted to optimize the design of the alarm module,and the alarm module efficiency is improved with pipeline filter model and asynchronous technology.In addition,SWAN2.0 adds two common data models,grid data model and feature data model,creating easy access to local products.In short,SWAN2.0 is not only a operational platform for forecaster but also a set of open data platform and development environment.It provides data services of real-time radar,automatic station and basic short-term nowcasting data,open operating environment and display terminal for the station,and provides support for station localization algorithm development.SWAN2.0 is released in July 2016,and popularized in nationwide.It provides an important foundation and reference for routine nowcasting operation.%强对流天气短时临近预报系统(Severe Weather Automatic Nowcasting,SWAN)是面向短时临近监测、分析、预报、预警制作等功能为一体的业务平台.SWAN2.0基于MICAPS4(Meteorological Information Comprehensive Analysis andProcessing System Version 4.0,人机交互气象信息处理和天气预报制作系统)二次开发框架,采用C/S架构,服务器部署在省级,负责收集数据,运算SWAN产品;客户端部署在气象台站,实现具体的预报业务,并形成算法二次开发接口.SWAN2.0新增了三维变分风场反演、基于分雨团技术的雷达降水估测、冰雹识别等方法,实现了算法管理、产品生成、分析处理、资料检索显示、实时监控报警、预警产品制作等功能.SWAN2.0业务系统已在全国试用,在强对流天气监测、分析和短时临近预报预警中发挥了重要作用.【期刊名称】《应用气象学报》【年(卷),期】2018(029)001【总页数】10页(P25-34)【关键词】强对流天气短时临近预报系统;多源数据;综合监测;预报预警【作者】韩丰;沃伟峰【作者单位】国家气象中心,北京100081;浙江省宁波市气象台,宁波315012【正文语种】中文引言强对流天气具有突发性、局地性、生命周期短、影响大等显著特点，一直是天气预报业务中的难点。
支撑气象大数据实时预报业务应用的MICAPS4系统概述
支撑气象大数据实时预报业务应用的MICAPS4系统概述刘盼;高嵩;王若曈;贺雅楠;曹莉;韩丰【摘要】国家气象中心自2013年正式启动了MICAPS4系统的研发,MICAPS4体系采用了客户端/服务器的系统架构,一方面建立了基于大数据的气象实时预报应用技术体系,解决了气象大数据处理、存储、分析和显示效率的关键技术难题;另一方面搭建了多个满足不同复杂预报业务需求的专业化版本预报平台,基于MICAPS4基础框架的多个专业版客户端系统在中央台和部分省台进行应用推广.MICAPS4服务器系统利用分布式存储与分布式计算技术,可容纳上百TB气象实时数据,为数百用户提供并发数据访问服务,在国内率先实现全部气象实时数据由文件系统到数据库、从集中式系统到分布式系统的迁移.在海量气象数据和大量用户并发访问的环境下,表现出很高的稳定性和优越的读写性能,极大减轻了系统维护工作量,显著提升了数据解析及数据存储访问效率.【期刊名称】《气象科技进展》【年(卷),期】2018(008)001【总页数】8页(P109-116)【关键词】MICAPS4;海量数据存储;智能网格预报;SWAN;台风和海洋预报【作者】刘盼;高嵩;王若曈;贺雅楠;曹莉;韩丰【作者单位】国家气象中心,北京 100081;国家气象中心,北京 100081;国家气象中心,北京 100081;国家气象中心,北京 100081;国家气象中心,北京 100081;国家气象中心,北京 100081【正文语种】中文0 引言MICAPS（Meteorological Information Comprehensive Analysis and Processing System）系统是中国气象局自主研发的现代化人机交互气象信息处理和天气预报制作系统，已经成为全国气象预报制作的业务平台，在天气预报及气象服务中发挥了重要的作用[1]。
中国气象局自1994年起组织MICAPS项目的研发，至2007年12月，先后共发布了3个版本：1997年发布的MICAPS第一版实现了预报业务流程从纸质到电子版的革命性变革，预报员可在计算机上实现气象数据的快速检索、预报分析及交互预报制作；2002年发布的MICAPS第二版提升了系统功能，扩展了数据显示能力，增加格点资料的显示和分析功能；2007年发布的MICAPS第三版改进了绘图引擎实现机制，提升了气象数据的显示效率和效果，同时首次提供了基于“模块可插拔”的客户端框架设计，提供了界面、功能模块的自定义扩展能力，并先后发布了除基础版本之外的台风、短临、山洪、中尺度分析、海洋、精细化要素预报订正等多个专业版本，并已经成为中国气象局各级气象业务部门的核心系统，在各级预报业务应用中发挥了巨大作用[2-5]，并在民航、水利、海洋等部门以及多个亚洲国家推广应用。
宜宾市常规天气要素分县预报方法
宜宾市常规天气要素分县预报方法
胡红兵
【期刊名称】《高原山地气象研究》
【年(卷),期】2004(024)002
【摘要】应用数值天气分析预报产品,选择与宜宾各县温度、降水有较好相关的预报因子,利用模式输出统计(MOS)法,建立温度、降水的分县、客观预报方程,从而达到气温、降水预报的定点、定量的目标.
【总页数】2页(P33-34)
【作者】胡红兵
【作者单位】宜宾市气象台,宜宾,644007
【正文语种】中文
【中图分类】P456.9
【相关文献】
1.湖北省常规天气要素分县MOS预报效果检验 [J], 熊秋芬;王丽;马文彦;张吉
2.常规天气要素短期分县指导预报业务系统研究 [J], 苗爱梅;李馗峰;等
3.甘肃省常规天气要素客观分县预报系统 [J], 孙兰东;张铁军
4.常规天气要素分县指导预报中的降水消空处理方法 [J], 张延亭;单九生;张瑛
5.湖北省常规天气要素分县MOS预报方法及其应用 [J], 王丽;熊秋芬
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
国家气象中心气象要素的客观预报)))MOS 系统X刘还珠 赵声蓉 陆志善 赵翠光 杨元琴(国家气象中心,北京100081)李玉华(山东省气象台,济南250031)摘 要面向全国2000多个台站,应用数值预报产品释用M OS 技术制作温度、降水、相对湿度、风、云量及能见度等要素预报,并实现了预报业务运行。
通过建立M OS 预报系统,表明预报因子和预报对象的处理,建方程前的参数选择以及预报因子的选取都会影响要素预报的质量,需要做大量的细致工作。
预报检验结果显示,降水预报尚未达到可用程度,温度和相对湿度的短期预报在大多数情况下是可用的或是可参考的,但还有待进一步改进。
降水预报尚需在预报因子和充分运用多种探测信息方面着手加以改进。
关键词:要素预报 释用技术M OS 方法 多元回归 检验 因子分析引 言客观要素预报是随着科学的进步、经济的发展以及人们的需求而提出来的。
目前,定时、定点、定量的客观要素预报是建立在数值预报的基础上。
作为集大气探测、天气学、动力气象学以及计算机、通信技术为一体的综合性科学的数值预报,并由此而生成大量可用信息,这些既包含天气发展演变,也包含某些天气现象产生的动力机理的信息,当然还包括由于种种局限而产生错误的和虚假的信息,需要气象工作者去深入研究和解读。
在研究、解读过程中必然将其中的信息直接或间接(经过变换)地用于满足实际的需求。
这样,数值预报产品的释用课题应运而生,它是对数值预报这一综合性的结果,运用动力学、统计学技术再一次加工、修正,使预报精度得到进一步提高,以达到有价值的要素预报水平。
实践证明通过数值预报的释用,确实使要素预报比模式直接输出的预报有了明显的提高。
由图1可见模式直接输出的温度预报误差远远大于释用预报的结果,这就显示了释用预报的意义。
而且随着经济的发展和人们生活质量的提高对天气预报的精度和时效的要求日益提高,定时、定点、定量的要素预报势在必行。
因此,数值预报产品释用预报不仅是可行的,也是必要的。
另外,从数值预报本身的发展过程可以预见,在资料同化、物理过程和并行计算等方第15卷2期2004年4月应用气象学报JOU RN AL OF AP PLI ED M ET EOROL OGICAL SCIENCEVol.15,N o.2 A pril 2004X本文由国家气象中心NM C789302YF2001A -02/基于数值预报产品释用技术客观预报系统的开发0课题资助。
2003-02-21收到,2003-05-06收到修改稿。
182应用气象学报15卷图12001年7月4日最高温度预报误差对比分析(54区共51站)(s)M OS,u)DM O,v)神经元,@综合集成)面将会进一步达到更好的境界,但是数值预报的初值条件永远不可能达到真实大气状况。
对各种天气过程发生发展的机理认识也是永久的课题,更何况大气并不是封闭系统,海气、陆气相互作用使大气动力过程更为复杂。
这一切都说明数值预报不可能尽善尽美,对其产品释用的研究也将是一个长期的课题。
数值预报产品的释用技术,不仅需要具备动力学、统计学、天气学知识,而且还需要了解各种大气探测原理及如何运用这些探测所获取的资料,熟悉资料加工的处理技术。
所以,对这一高难度和高度综合性的课题必须要花相当工夫,不可掉以轻心。
经过实践证明做好要素预报最好要具备如下条件:¹高质量的数值预报产品;º实况观测资料和各种探测信息;»合适的预报技术路线;¼符合要素特点的预报方法;½具备处理资料、业务试验、对比分析的软硬件环境;(存储空间、计算、网络)¾有一套功能齐全、调度灵活的人机交互系统。
国家气象中心正在朝这些方面逐步努力,不断完善。
1MOS预报方法早在20世纪50年代末,美国气象学者克莱因[1]提出用历史资料与预报对象同时间的实际气象参量作预报因子,建立统计关系。
实际应用时,假定数值预报的结果是/完全0正确的(perfect),用数值预报产品代入到上述统计关系中,就可得到与预报相应时刻的预报值,这种称为完全预报法(PP法)。
它的长处可利用大量的历史资料进行统计,因此得出的统计规律一般比较稳定可靠。
但是该方法除含有统计关系造成的误差外,主要是无法考虑数值模式的预报误差,因而使预报精度受到一定影响。
Glathn和Low ry(1972)提出了模式输出统计(M odel Output Statistics,简称MOS)法[2]。
具体做法是从数值预报模式的归档资料中选取预报因子向量x y t,求出预报量y^t的同时或近于同时预报关系式,在实际应用时,就把数值预报输出的结果代入相应的预报关系中。
M OS方法可以引入许多其它方法难以引入的预报因子(如垂直速度、涡度等物理意义明确、预报信息量较大的因子)。
它还能自动地订正数值预报的系统性误差。
因此,在目前数值预报水平下,MOS 的预报精度普遍优于PP 方法。
M OS 预报是建立在多元线性回归技术[3]基础上,研究预报量Y 与多个因子之间的定量统计关系:y ^=b o +b 1x 1+b 2x 2+,,+b p x p y1y 2,y n=b o b 1,b p@1x 11x 12,x 1p1x 21x 22,x 2p 1,,,1x n 1x n 2,x np+e 1e 2,e n(1)式中,[Y ]为预报对象、[B ]为回归系数、[X ]预报因子、[E ]为误差距阵。
为了检验预报量与预报因子之间是否确有线性关系,这里用F 检验,在显著水平A 下,若F >F A 则否定它假定,即认为回归关系是显著的。
反之,则认为回归关系不显著。
就这样,使用求解求逆紧凑算法,对因子逐步剔除和引进。
其中,在用F 检验时,要求误差分布,也是预报量本身的分布是正态的。
因此,对于除温度、相对湿度外的要素需要进行恰当的正态变换。
在回归计算前,以图2界面通过设置一定的参数,如确定最小因子数、最大因子数、初设F A 值等,并以批量形式建立全国约2230个站点的最高最低温度、最高最低相对湿度、日最大风速、日降水量、总、低云量及能见度等逐要素逐时效共约22万个预报方程。
图2 建立M OS 预报方程的界面2 资料的选用、处理和技术方案的确定在进行MOS 预报前,首先须确定预报量及预报时段,针对具体的预报对象进行资料选取和季节划分。
为了提高预报精度,将资料按自然季节,以12月至次年2月、3~5月、6~8月、9~11月划分为冬春夏秋四季,为克服样本量偏少,也考虑季节偏早、或偏晚问题,我们将每季分别向前后跨半个月,如春季为2月16日~6月15日、夏季为5月16日183 2期刘还珠等:国家气象中心气象要素的客观预报)))M OS 系统~9月15日等。
对于预报量,按照上节的正态变换思想,将降水量、风速、能见度等进行简单的转换,如能见度先缩小10倍,再开平方,使之向正态分布靠近。
对于预报因子,由于全球T106模式资料年代较长(1995~2000年),这里仍采用T106模式输出的物理量资料。
并且,在此基础上对输出格点场进一步诊断加工、组合和非线性化的处理(如平方、立方、开方等),最后约得到1000多个因子。
这些因子除了1000~200hPa 各层的高度、温度、相对湿度、u 、v 风和涡度、散度等基本预报场外,还包括某些层次的垂直速度、温度露点差、位温、假相当位温、湿位涡、锋生函数、螺旋度、K 指数、压能、Q 矢量、涡度散度以及由此派生出的有关水平或垂直梯度、平流、日变量等诊断物理量。
这样一方面扩大因子选取的范围以供不同预报对象的选择,另一方面,也在一定程度上克服回归方程解决不了的预报对象与预报因子之间的非线性关系。
在进入回归过程前,还需将因子格点场资料插值到确定的站点上,并根据与预报对象相关程度预先从1000多个因子中,依据预报因子和预报对象之间相关关系大小初选近200个因子,连同该站的实况要素资料进入回归计算。
3 预报产品及结果检验建立方程过程中,随机选取其中五分之一的样本不参加回归计算,而是作为预报试算而获得预报误差,并以此来衡量所建预报方程质量的好坏。
如试算结果的误差太大,首先需要检查所用资料是否有错,然后调整因子及因子个数,以改善方程质量。
方程建立后还需不断验证、改进,使预报质量稳定。
日常预报时,只需将数值预报资料按原定的诊断程序计算、并插值到各个站点,代入建好的方程中,获得全国2000多个站的要素预报值。
最后,据预报服务的要求,以M ICAPS 图或文件形式生成产品,传递到服务器上,供预报员图3 M O S 方法预报流程184 应 用 气 象 学 报15卷使用。
图3为整个MOS 预报系统的业务流程。
鉴于全国2000多个站点的日最大风速、云量和能见度等要素日常收集资料有困难或者可靠性较差,故在此仅列出2002年7月~2003年1月的温度、降水量和相对湿度(2002年9月开始)预报检验结果(表1~3)。
由表可见:¹最高温度预报平均绝对误差表1 全国MOS 最高、最低温度预报2002年7月~2003年1月平均检验结果(单位:0.1e ,%)时效(h)最高温度误差最低温度误差绝对平均[2%[3%绝对平均[2%[3%2002年7月24171688412-18393482015977140779072230537115073888月2417369841508090481956279140789072226567315175899月24253597422267804828454682356277723174661266577310月24194627916169864823654711836481722874763202617811月242025876183648248268476520459777231124157248527012月24231153702165975483118425825751687236213651281144612003年1月24218577422115674482715466324125269723218395528164562表2 MOS 最高、最低相对湿度预报2002年9月~2003年1月平均检验结果(单位:%)时效(h)最高温度误差最低温度误差绝对平均[10%[20%绝对平均[10%[20%2002年9月2470759390648848707493100618672707292110578410月2470769391638948707292100608772807090110568411月24707393101618848806991110568572807091110568412月249-1688911-255834890658813-348787290648713-346762003年1月249-1658810-15886489-1658911-25784185 2期刘还珠等:国家气象中心气象要素的客观预报)))M OS 系统表3全国MOS累计降水量预报2002年7月~2003年1月检验结果量级(mm)TS PO NH B24(h)48(h)24(h)48(h)24(h)48(h)24(h)48(h)2002年7月0.10.470.450.230.140.450.51 1.48 1.92 100.200.180.620.620.700.75 1.33 1.70 250.110.070.770.860.820.86 1.45 1.358月0.10.440.440.290.190.460.51 1.44 1.89 100.190.190.690.670.690.70 1.13 1.40 250.100.090.820.840.830.82 1.22 1.299月0.10.340.110.410.330.540.58 1.44 1.84 100.140.120.620.730.800.81 2.76 2.02 250.090.090.710.830.880.82 3.71 1.8010月0.10.330.340.540.500.490.480.98 1.10 100.100.110.730.780.850.82 3.42 1.77 250.060.020.730.900.920.93 4.92 2.1311月0.10.220.240.660.620.580.59 1.08 1.21 100.050.030.610.700.930.94 5.54 4.89 250.030.010.510.630.960.987.31 5.3412月0.10.110.180.840.740.710.630.560.71 100.000.000.000.00 1.00 1.00// 250.000.000.000.00 1.00 1.00//2003年1月0.10.160.160.760.770.630.610.820.72 100.040.020.520.580.900.91 6.34 5.19 250.010.000.390.390.920.917.26 6.24注:TS:预报技巧评分、PO:漏报率、NH:空报率、B:预报偏差。