论文部分内容阅读
云是一种常见的天气现象,云量的细微变化都有可能对天气系统的演变和发展产生较大的影响。云还直接影响航空航天活动,一直以来是空军和民航部门非常关注的天气现象之一。河套周边地区是我国重要的工业、军事区域,研究和掌握该地区云的变化特征和地方性规律,提供云量的精细化预报,提高云量的预报准确率,对该地区人们的日常生活、农业生产、以及军事活动等方面都有非常重要的现实意义。本文利用地面报文数据（MICAPS格式）、欧洲数值预报中心再分析资料（ERA-Interim）以及全球天气预报系统（GFS）预报场数据,统计分析了河套周边地区39个站点的云量在不同时间尺度上的变化特征,并从云量的生消机制角度出发构造了河套周边地区云量的5类预报因子,探究了影响总云量、低云量、对流云量的主要因子。在此基础上,利用多元逐步回归预报方法建立了总云量、低云量、对流云量的时间精细化预报模型,采用动态时变参数方法即自适应最小二乘回归以及自适应递推卡尔曼滤波方法对逐步回归方程建立了动态回归系数。本文还利用了反向传播（BP）神经网络预报算法、最小二乘支持向量机回归（LSSVM）预报算法以及Elman递归神经网络算法这三种机器学习和非线性预报模型对云量进行了预报研究。最后在几种预报模型的基础上,以总云量为例,采用简单集合平均（EMN）、消除偏差集合平均（BREM）、加权消除偏差集合（WBREM）、超级集合平均（SUP）等方法建立了集合预报模型,并利用独立样本检验模型效果。主要研究结果如下:（1）河套周边地区云量的年变化特征为:1979-2013年总云量、低云量观测值与ERA-Interim均呈南高北低分布。低云量观测值的分布特征与ERA-Interim更为一致,从西北到东南方向云量逐渐增多,ERA-Interim值低于观测值。1979-2018年之间的ERA-Interim云量Sen’s的趋势分布特征为:西部地区均有增多,尤其是西南地区,总云量和低云量Sen’s的趋势为10-1/10年（%）以上,且低云量增加趋势大于总云量;而东南部表现为总低云量减少趋势为-15×10-2/10年（%）,中东部地区的云量略减少。（2）影响云量的预报因子主要为水汽类预报因子、GFS模式直接输出的云类预报因子和大气不稳定度类因子,对流云量和预报因子的相关性弱于总云量和低云量。39个站点逐步回归预报模型中水汽类预报因子和GFS模式直接输出的云类预报因子引入频次也最高,整层相对湿度引入频数最多,超过200次。（3）通过对GFS预报场进行释用,逐步回归预报方法得到的总云量预报值比模式直接输出的预报准确率有明显的提高,低云量的改进效果最大,西北部地区的平均订正能力在20%以上。利用自适应线性LS预报方法对总云量、低云量、对流云的预报效果明显优于自适应递推Kalman滤波方法。（4）三种非线性预报方法经过主成分提取后进行回代,结果和预报相差较小,回代和预报的平均绝对误差均随预报时效逐渐增大,对流云平均回代误差和预报误差最小,基本在10%以下。LSSVM预报模型对云量的回代拟合优度略好于其它两种神经网络预报模型。三种非线性预报模型对对流云量预报的时空差异较大。三种非线性预报模型的预报值和实况值的相关性相较于多元逐步回归预报方法,总云量、低云量、对流云量的预报值和实况的相关性明显加强。（5）几种预报方法能够明显地提高少云和多云天空状况下预报值的击中率,自适应LS方法最优（少云击中率平均提高24%,多云击中率平均提高34%）。在阴天状况下自适应递推Kalman滤波方法具有最高的击中率。（6）对比线性预报方法、非线性预报方法以及四种集合预报方法的总云量预报结果,不同方法对总云量的预报能力有所不同。自适应线性LS回归方法具有较高的预报技巧,平均绝对误差在20%左右,自适应递推Kalman滤波方法表现最差,经过集合预报,四种集合预报模型较原来有明显提升,优于单个预报方法,且集合预报模型中超级集合预报SUP预报技巧最高。总之,本文探讨了河套周边地区的云量区域精细化预报,能够为从事数值预报产品精细化释用的人员提供借鉴,亦为从事气象服务的当地业务人员提供参考。