日极端气温的相似—回归预报（S6）研究.pdfVIP

日极端气温的相似 回归预报 S6 高万泉 李晓燕 河北省保定市气象局 071000 摘 要 通过对现在常用极端气温预报方法的分析 提出了相似 回归预报的新思路 根据数值预报产品和本 站实况在历史样本中找出若干相似个例 利用这些相似个例作为多元回归的样本 建立多元回归预报方程 然后把数值预报产品和实况值代入方程得预报结果 使用这一方法作最低 最高气温的预报 取得了非常 好的预报结果 达到了国内温度客观预报较先进的水平 和预报员主观预报温度的水平相当 关键词 气温 相似 回归 预报方法 数值预报产品 前言 随着生产力水平的提高 人民的物质和文化生活水平也都得到了很大的提高 人们对天 气预报表现出越来越多的关注 对气象业务提出了更高的要求 气温是天气预报常规要素之 [1] 一 关系到空气舒适度 晨练指数 穿衣指数等等 所以更是受到人们的普遍关注 可见 做好气温的预报也是非常重要的 随着我国T213数值预报模式的业务化运行 我国数值预 报的水平又上了一个新台阶 得到了显著的提高 也使得我们广大基层台站利用T213数值 预报产品 进一步提高温度预报的精度成为可能 本文提出的 相似 回归 的预报方法就 是一种依赖于我国T213数值预报产品 能够进一步提高日常最高 最低温度预报精度的可 行的客观预报方法 1相似 回归预报方法 1 1 问题的提出 目前 气象台站常用的温度客观预报方法主要有 MOS 预报方法和卡尔曼滤波方法 MOS 预报方法 MOS 预报方程一般可以写成 Y=X Y 是n 维随机变量 X 是n m 维 的预报因子 是回归系数,是一个向量 方程一旦建立 回归系数 不再改变 这和 是 一个变量的客观事实有点不符 其一 是随时间变化的 不同的时间 不同的季节 值 是不同的 用不同季节 同一因子建立的回归方程 其系数会有显著性差异 就可以证明这 一点 其二 值也会随天气而变 不同的天气条件下 温度与其影响因子的关系不一样 这也被很多预报员所认知 有的台站已经建立了不同天气条件下的温度预报指标 卡尔曼滤 波方法是对MOS 预报方法的一个很好的改进 考虑了回归系数 随时间和天气形势的变化 其预报方程多了一项b b e ,即利用前一时刻的预报误差反馈到原来的预报方 t t 1 t 1 t 1 [2] 程 并及时修正预报方程的系数 以此提高下一时刻的预报精度 它的这一优势使得世界 上越来越多的国家十分重视卡尔曼滤波方法在天气预报中的应用 但是对于转折性天气 前 后时次的 会有差异 不能用上一时次的预报误差来订正下一时次的 值 因此卡尔曼滤波 方法对转折性天气有滞后性 这也给我们提出一个这样的问题 能不能最好地估计下一时 刻的回归系数 呢 预报员主观预报温度的思路给了我们一个很好的启示 一般预报员 预报温度的思路是 根据当天的实况 分析最近前几天气象资料或历史某一天典型形势 找 出和当日气象要素最相似的那天的温度变化情况 然后估计未来天气形势下的温度变化幅 度 来做日极端温度预报 相似 回归预报方法就是在容纳了以上预报思想后 产生的一个 能较准确地估计回归系数 提高预报精度的好方法 1 2相似 回归预报方法 相似 动态回归预报方法是一种依靠计算机的快速运算来实现的预报方法 其预报方程 仍为 Y=X ,但是其回归系数 是动态的 每天的 都不一样 它是时间和天气要素的函 数 当某一天的天气实况和数值预报产品出来以后 只要历史样本足够多 总能够在历史样 本中找到和这日天气及数值预报产品相似的一些日数 然后利用这些日数的实况资料和数值 预报产品作为回归样本 建立多元回归预报方程 估计 值 这种相似 回归方法估计的 值即包含了考虑当日的实况信息 又容纳了未来的天气变化情况 使用数值预报产品 估 计的 值应更接近真实值 然后用估计的 值计算预报值 这种预报的准确性依赖于历史样 本数量 会随着时间的增长 历史样本数量的增加 找到