基于站点的气象要素预报业务系统.pdfVIP

的格点定为关键区因子格点，原始数据为micaps数据格式，各种要素按时序排列，然后用 VB编制数据读取程序，把关键区各个格点数据读取出来排成序列。其中，风场数据要先转 化成UV风格式后再读取，雨量则选20-08时和08-20时两个时次的数据。最后组成372个 样本，长度为733行的因子数据时间序列 。 1.2.2 预报对象处理 从地面观测月报表中分别读出07年1月1日-08年12月31日逐日最高（低）气温值， 并按时序排列。 1.3 温度预报模型的建立 1.3.1 最低温度预报模式的建立 逐个求出预报对象与预报因子之间的相关系数，留下相关系数在0.500以上并通过显著 性检验的因子，作为初选因子。按此标准首先确定初选因子31个。我们知道，在因子很多 时，其中有的因素可能对预报量的影响不是很大，而且因子之间不完全相互独立，可能有种 种互作关系，为消除这些影响，我们把同一类型的因子留下相关系数最大的，如：同是700hPa 高度层水汽通量，共有4个因子与预报对象间相关系数都很大，只留1个相关系数最大的因 子；同样为描述大气稳定度的因子，尽量避免同类型因子重复，如比湿和相对湿度只能选取 其一。如此共剔除掉18个因子，剩余13个因子（x- x），进入SPSS统计软件逐步回归流 1 13 程，进行x因子的筛选，再次剔除对预报对象作用不明显的因子。 启动SPSS软件线性回归过程窗口，选择逐步回归方法，设置变量检验水平，在“Entry” 栏里设置为“0.05”，在剔除“Removal”栏里设置为“0.10”， 共剔除掉了5个因子，统计 显著性（sig）值为0.000，通过显著性检验。最后程序给出以下统计结果。见表1，左起第 2列为回归方程系数值。 表1 逐步回归参数值 得出预报模式为： Y＝-1.661+0.818X+0.049X+0.035X-0.57X+0.029X-0.271X+0.026X+0.027X 13 9 10 2 4 5 7 8 1.3.2 最高温度模式的建立 同最低温度建模步骤相同，最高温度预报初始优选出14个相关因子，送入SPSS统计 软件逐步回归流程，剔除掉8个因子，最终得到如下预报方程： Y=47.285+0.886X+0.044X-0.044X+0.077X+0.038X 13 11 14 2 10 1.4 模型的检验 1.4.1 模拟回代检验 通过模拟回代检验：模拟值与实况值之差的绝对值大都在2℃之内，模拟值平均略高于 实际值，趋势预报正确，曲线变化较平稳，但也有一些时间如强冷空气入侵，夏季的遇降雨 天气往往使模拟值偏高明显。两年内出现≥35℃的高温日数共19次，报对18次，预报误差 都在1℃之内。预报方程模拟效果较好，表明SPSS软件给出了最佳因子组合。 1.5 预报检验 预报检验采用T639数值预报产品格点资料，由于资料接收的不完整，用2010年3月1 日-2010年10月31日共179天进行试报，误差明显增大，≤2℃高温和低温预报报准确率 分别为80.7%和82.1%，高于预报员主观预报。趋势预报较好，但准确率有待进一步提高。 高温预报与低温预报情况与实况对比见下面两幅图。 气象与减灾 2011专刊 45 40 35 30 25 20 15 10 预报值 5 实况值 0 1 7 1319 25 31 37 43 49 55 61 67 73 79 85 91 97103109115121127133139145151157 图1 最高气温预报与实况检验对比图，红线为预报值，蓝线为实况值 35 低温预报 低温实况 30 25 20