卡尔曼滤波与逐步回归方法在温度预报中的适应性探讨.pdfVIP

卡尔曼滤波和逐步面归方法 在温度预报中的适应性探讨 贺 皓 吕 红 (陕西省专业气象台．西安710015) 擒要 应用卡尔曼滤波和遂步回归方法，对西安单站最低和最高气鼍作蔼报试验．结果表明，卡尔曼 滤波方法在均方鞭误差RMSE和平均篼对误差MAE两十境计量方面都优于逐步回归方法，说明 卡尔量蠢渡方法具有托适应数值模式壹化和季节变化的特点． 蓑●髑t卡尔曼滤波运步回归撅螬气量 1 引言 精确的数值预报模式输出结果为作要素预报提供了良好的基础，应用途径之一就是数值 预报产品的释用技术。MOS和PP方法早已为广大预报员熟悉和接受。但PP方法完全依赖 于数值预报模式的性能。MOS方程常常受到数值模式变换的困扰，刚建立的统计模型隧着模 式的改变，模式输出产品的统计特征也可能随之变化，以致破坏MOS方程的稳定性。在数值 预报迅速发晨的今天，就要建立一种能适应致懂模式变纯的统计模型。卡尔曼滤波方法具有这 种优赢．它墨稠用前一时刻预报误差的反馈信息来及时修正预报方程，提高下一时刻的预报精 度。卡尔蔓滤渡方法和逐步回归方法相比，逐步回归方法统计模型一旦建立，统计特征即不变 化。卡零量■渡鼍在不断修正、不断适应的过程。新的资料要比老的资料影响大。本文通过西 安最高和最低气温预报方程的试验，来说明卡尔曼滤波的优点和稳定性。 2卡尔曼滤波方法简介 卡尔曼滤波方程可由两组方程组成 M一且薯+峨 (1) 方程(1)为量潮方程。 在逐步回归方程中，回归系数且为常数，岛为量测嗓声，这项没有考虑即为零。而在卡尔 曼滤波方程中，A和et是变化的。 且一卢卜l+‘一l (2) 方程(2)为状态方程，也叫系数订正方程。可以看出f时刻的状态随机向量且受到前一时刻 t一1随机向量且一。和随机扰动岛一。的影响。 实际应用中．就是在￡时刻之前的若干个预报量挑和预报因子丑之间，求出且一-的最佳估 计值A一．，随后当增加一次新的量测y。丑时，只利用且一-及其误差方差阵就可推算出下一步的 晟的最佳估计值且。这样不断更新预报方程中的系数晟。不论递推次数如何增加．也不需要存 ·18已· 储大量样本资料，预报方程都得以不断更新。 3实验结果分析 3．1资料 36 甩了两种资料，一种为数值预报产品资料，取自1997年9月至1998年9月T106L19 一 小时旗报1000hPa的T．1000hPa的g，B50hPa的“，n¨分量．． 另一种为观涮资料，取自西安单站1998年1～4月7k，丁m，Ⅳ。，Lm和丁，．，％。，Ⅳ，．， 丁一。 前前个月的量测(L，X；)样本资料，确定了初始预疆方程及佶算回归系数卢及误差方差 阵C，动态噪声W，量测噪声岛的方差阵K．从第三个月开始逐日业务预报实验。 3．2爱报方程 、 作了3组对比实验，一组为数值预报因子，建立了睹Os方程。 T‰一乩+61T1嘲+62窖l。00+j3扯蝴+乱口姗 ?o一60+舌1T100口+“”咐+如口鲫- 男一组为数值预报因子和经验的组合，建立了EMOS方程。 丁墨=钆+blTl00∞+屯“B5*+6a口日5*+“丁～I—l T譬=60+blTl蚰0I+岛帖∞+6a口日5*+乱丁舯l 第三组为经验因子，建立了经典统计CS方程。 T2一如+61T啼一l+占。7’船l+6}Ⅳo卜l+“丁_H 吐。=“+61T1¨1+62了■‘卜I