热带气象学报

作者：杜晖, 殷启元, 贾晓红, 姬雪帅, 尚可政, 尚子溦, 曾瑛

单位：1.广东省气象公共安全技术支持中心，广东广州5106412.兰州大学大气科学学院/甘肃省干旱气候变化与减灾重点实验室，甘肃兰州7300003.灾害天气国家重点实验室，北京1160244.内蒙古自治区气象服务中心，内蒙古呼和浩特0100515.张家口市气象台，河北张家口0750006.兰州市气象局，甘肃兰州7300007.佛山市气象局，广东佛山528000

关键词：总云量, 精细化预报, 动态时变, 自适应最小二乘回归, 自适应递推卡尔曼滤波

基金：灾害天气国家重点实验室开放课题2019LASW-B04；

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料，采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法，建立了河套周边地区0~168 h预报时效的总云量精细化预报，并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比，结果如下：（1）相比GFS模式直接输出的总云量，LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小，LS方法的年MAE均在20%~25%，且随着预报时效的延长，改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好，即使168 h预报时效的相关系数依然在0.64以上，远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率，且最优（少云击中率平均提高24 %，多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象，改进效果不明显。

来源：2020年第6期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2020年第6期