基于卡爾曼濾波的grapes模式溫度預(yù)報(bào)

基于卡爾曼濾波的grapes模式溫度預(yù)報(bào)

1shuf方法的應(yīng)用隨著社會(huì)經(jīng)濟(jì)的發(fā)展，政府和公眾對(duì)氣候的關(guān)注越來(lái)越增強(qiáng)。氣象部門不僅需要提供日常的預(yù)言服務(wù)，還希望及時(shí)獲得可靠、連續(xù)的天氣服務(wù)信息。同時(shí),氣候變化和城市化的進(jìn)展使得城郊溫度差異愈發(fā)明顯,因此溫度的精細(xì)化預(yù)報(bào)已成為天氣預(yù)報(bào)技術(shù)發(fā)展的必然趨勢(shì)和研究熱點(diǎn)。精細(xì)化預(yù)報(bào)業(yè)務(wù)的核心是“精”和“細(xì)”,“細(xì)”主要強(qiáng)調(diào)預(yù)報(bào)的時(shí)空分辨率的提高、預(yù)報(bào)要素的細(xì)化,而“精”則注重預(yù)報(bào)的準(zhǔn)確率。本文介紹一種可業(yè)務(wù)化的精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)方法(SeamlessHourlyUpdatedForecasfortemperature——SHUF),該方法主要基于卡爾曼濾波和模式統(tǒng)計(jì)輸出(MOS)方法,通過釋用改進(jìn)數(shù)值模式的短時(shí)溫度預(yù)報(bào)能力。卡爾曼濾波器是一個(gè)最優(yōu)化自回歸數(shù)據(jù)處理算法,通過處理帶有誤差的實(shí)際測(cè)量數(shù)據(jù)而得到所需物理參數(shù)的最佳估算值。它的主要優(yōu)點(diǎn)在于能夠根據(jù)前一時(shí)刻的預(yù)報(bào)誤差大小及其它統(tǒng)計(jì)量的變化來(lái)調(diào)整預(yù)報(bào)方程的系數(shù),從而有利于提高預(yù)報(bào)精度。目前卡爾曼濾方法已被廣泛應(yīng)用于數(shù)據(jù)同化、定量降水估計(jì)和數(shù)值預(yù)報(bào)產(chǎn)品的釋用等各種氣象研究。MOS是常用的統(tǒng)計(jì)學(xué)釋用方法,可部分補(bǔ)償模式的系統(tǒng)誤差。然而傳統(tǒng)的MOS釋用方法主要關(guān)注數(shù)值模式預(yù)報(bào)與同時(shí)刻的天氣要素之間的統(tǒng)計(jì)關(guān)系,并沒有利用最新的天氣實(shí)況進(jìn)行訂正,因此,如果將最新天氣實(shí)況作為預(yù)報(bào)因子加入統(tǒng)計(jì)方程中,可在一定程度上提高其預(yù)測(cè)能力。目前美國(guó)國(guó)家天氣局(NWS)的氣象發(fā)展實(shí)驗(yàn)室(MDL)正在開展一個(gè)局地航空氣象預(yù)報(bào)項(xiàng)目(LocalizedAvitaonMOSProgram——LAMP),其主要技術(shù)路線正是在MOS方法的基礎(chǔ)上,將最新天氣實(shí)況和模式直接輸出預(yù)報(bào)共同作為預(yù)測(cè)因子,用于預(yù)測(cè)未來(lái)的天氣要素。LAMP集客觀分析、簡(jiǎn)單模式、回歸分析于一體,目的是提供更準(zhǔn)確的災(zāi)害性天氣預(yù)報(bào)。目前已經(jīng)應(yīng)用于定量降水、雷電、降水概率等氣象要素的預(yù)報(bào)。本文以Grapes數(shù)值預(yù)報(bào)模式為基礎(chǔ),利用卡爾曼濾波和MOS方法對(duì)模式溫度預(yù)報(bào)進(jìn)行釋用,形成可業(yè)務(wù)化的精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)方法,并對(duì)其進(jìn)行絕對(duì)誤差、誤差標(biāo)準(zhǔn)差和臨界成功率的檢驗(yàn)。2基于網(wǎng)點(diǎn)-格點(diǎn)映射的精細(xì)逐時(shí)滾動(dòng)型溫度預(yù)報(bào)產(chǎn)品的應(yīng)用思路首先,以Grapes數(shù)值模式的預(yù)報(bào)結(jié)果為基礎(chǔ),利用反距離加權(quán)法插值得到廣東86個(gè)遙測(cè)站點(diǎn)所在位置的溫度預(yù)報(bào),并利用卡爾曼濾波方法對(duì)站點(diǎn)溫度預(yù)報(bào)進(jìn)行單要素釋用,得到站點(diǎn)釋用結(jié)果,然后采用“站點(diǎn)-格點(diǎn)映射”方法將卡爾曼濾波系數(shù)應(yīng)用到與該站點(diǎn)最匹配的格點(diǎn)上,從而得到初步釋用的網(wǎng)格精細(xì)化溫度預(yù)報(bào)產(chǎn)品。下面對(duì)“站點(diǎn)-格點(diǎn)映射”方法作詳細(xì)介紹。由于缺乏Grapes格點(diǎn)上的實(shí)況觀測(cè)數(shù)據(jù),因此無(wú)法將卡爾曼濾波直接應(yīng)用于Grapes模式的格點(diǎn)溫度預(yù)報(bào)場(chǎng);如果僅僅利用插值方法將站點(diǎn)預(yù)報(bào)結(jié)果插值為格點(diǎn)格式,則無(wú)法體現(xiàn)出精細(xì)化預(yù)報(bào)的本質(zhì)。因此采用一個(gè)較為創(chuàng)新的做法:根據(jù)前人的研究結(jié)論,將廣東細(xì)分為若干個(gè)氣候分區(qū),在一個(gè)氣候分區(qū)中的所有格點(diǎn),通過比較格點(diǎn)和站點(diǎn)的海拔高度、坡度、坡向等地理信息,找出與格點(diǎn)相匹配的站點(diǎn)。這樣,對(duì)于每一個(gè)格點(diǎn)都可以找到與之相匹配的站點(diǎn),然后將站點(diǎn)的卡爾曼濾波系數(shù)應(yīng)用到與該站點(diǎn)最匹配的格點(diǎn)上,從而得到釋用的網(wǎng)格精細(xì)化溫度預(yù)報(bào)產(chǎn)品,即為“站點(diǎn)-格點(diǎn)映射”方法。利用這種方法,每一個(gè)格點(diǎn)的要素預(yù)報(bào)都是“間接地”經(jīng)過前一天的實(shí)況資料訂正,能有效地提高預(yù)報(bào)準(zhǔn)確率。卡爾曼濾波釋用的溫度預(yù)報(bào)計(jì)算公式為,其中下標(biāo)stn代表站點(diǎn),grd表示與該站點(diǎn)相匹配的格點(diǎn);上標(biāo)g代表Grapes的預(yù)報(bào)量,k為卡爾曼濾波結(jié)果。β0、β1為站點(diǎn)卡爾曼濾波系數(shù)。將MOS方法應(yīng)用于卡爾曼濾波釋用后的網(wǎng)格精細(xì)化溫度預(yù)報(bào)產(chǎn)品,得到最終的精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)產(chǎn)品,稱之為SHUF。具體步驟是:針對(duì)廣東省86個(gè)遙測(cè)站點(diǎn),選擇t+n時(shí)刻的溫度作為因變量,而t+n時(shí)刻的釋用溫度和t時(shí)刻的溫度、濕度、降水、風(fēng)向、風(fēng)速、氣壓等要素作為自變量,利用逐步回歸方法建立回歸方程,那么對(duì)于n=1~24,可建立24個(gè)回歸方程用于預(yù)報(bào)未來(lái)24小時(shí)的溫度。因?yàn)椴煌竟?jié)的氣象要素對(duì)溫度的影響不盡相同,所以再分別對(duì)春、夏、秋、冬四個(gè)季節(jié)建立回歸預(yù)報(bào)方程。在業(yè)務(wù)中,實(shí)時(shí)讀取最新時(shí)刻的氣象要素以及未來(lái)24小時(shí)的釋用溫度,利用建立的回歸預(yù)報(bào)方程便可預(yù)測(cè)未來(lái)24小時(shí)的溫度,實(shí)現(xiàn)逐時(shí)滾動(dòng)溫度預(yù)報(bào)。同樣地,因?yàn)槿狈Ω顸c(diǎn)實(shí)況觀測(cè)數(shù)據(jù),不能將MOS方法直接應(yīng)用于卡爾曼網(wǎng)格釋用產(chǎn)品,需要采用如下方法將站點(diǎn)預(yù)報(bào)反演為網(wǎng)格點(diǎn)預(yù)報(bào)。首先計(jì)算站點(diǎn)逐時(shí)滾動(dòng)溫度預(yù)報(bào)和相同時(shí)刻的釋用溫度之間的誤差,再假定此誤差同樣適用于與此站點(diǎn)相匹配的格點(diǎn),同樣利用“站點(diǎn)-格點(diǎn)映射”方法將釋用后的網(wǎng)格溫度預(yù)報(bào)分別加上此誤差進(jìn)行訂正,從而得到最終的精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)產(chǎn)品。精細(xì)化逐時(shí)滾動(dòng)溫度預(yù)報(bào)計(jì)算公式為,其中上標(biāo)s代表SHUF的結(jié)果;t、t+n代表時(shí)間;b0~b7為回歸系數(shù);h、r、u、v、p分別表示濕度、雨量、u風(fēng)速、v風(fēng)速、氣壓。3csi評(píng)定參數(shù)為了檢驗(yàn)逐時(shí)滾動(dòng)溫度精細(xì)化預(yù)報(bào)方法在短期的溫度預(yù)報(bào)中的表現(xiàn),可分別從預(yù)報(bào)的絕對(duì)誤差、誤差標(biāo)準(zhǔn)差、臨界成功指數(shù)(CriticalSuccessIndex——CSI)三個(gè)方面對(duì)其進(jìn)行評(píng)定。以廣州站點(diǎn)為例,選取2009年的歷史資料分季節(jié)建立回歸預(yù)報(bào)方程,然后取2010年3—10月的逐時(shí)滾動(dòng)溫度預(yù)報(bào)值和溫度實(shí)況作為檢驗(yàn)樣本,分別比較Grapes數(shù)值模式、卡爾曼濾波釋用方法和逐時(shí)滾動(dòng)預(yù)報(bào)方法對(duì)24小時(shí)溫度預(yù)報(bào)的絕對(duì)誤差、誤差標(biāo)準(zhǔn)差、CSI進(jìn)行評(píng)分。3.1卡爾曼濾波釋用的溫度預(yù)報(bào)誤差預(yù)報(bào)絕對(duì)誤差是反映平均預(yù)報(bào)能力的一個(gè)重要客觀標(biāo)準(zhǔn),因此先比較Grapes模式、卡爾曼濾波釋用方法和逐時(shí)滾動(dòng)預(yù)報(bào)方法在溫度預(yù)報(bào)誤差上的表現(xiàn)。由圖1可見,Grapes數(shù)值模式的24小時(shí)溫度預(yù)報(bào)的絕對(duì)誤差約為2.5~2.7℃,卡爾曼濾波釋用的溫度預(yù)報(bào)誤差則是隨預(yù)報(bào)時(shí)效的增加逐漸從2.0℃增大至2.3℃,而逐時(shí)滾動(dòng)預(yù)報(bào)方法的溫度預(yù)報(bào)誤差在1~6小時(shí)內(nèi)從0.8℃增至1.4℃,7~16小時(shí)穩(wěn)定在1.5~1.8℃,14小時(shí)之后誤差再增大?？傮w而言,卡爾曼濾波釋用方法可在一定程度上提高Grapes數(shù)值模式的溫度預(yù)報(bào)能力,逐時(shí)滾動(dòng)預(yù)報(bào)方法可在卡爾曼濾波釋用結(jié)果的基礎(chǔ)上進(jìn)一步改進(jìn)其溫度預(yù)報(bào)能力,特別是1~6小時(shí)內(nèi)的改進(jìn)效果非常明顯。誤差標(biāo)準(zhǔn)差可反映預(yù)報(bào)能力的穩(wěn)定性,圖2為誤差標(biāo)準(zhǔn)差的結(jié)果比較,可以發(fā)現(xiàn)與圖1相似,Grapes模式,卡爾曼濾波釋用方法和逐時(shí)滾動(dòng)預(yù)報(bào)方法對(duì)于溫度預(yù)報(bào)的能力是逐步提高的,逐時(shí)滾動(dòng)預(yù)報(bào)方法在1~6小時(shí)內(nèi)的改進(jìn)最為明顯。3.2溫度預(yù)報(bào)評(píng)分為了客觀評(píng)定溫度預(yù)報(bào)的成功率,本文利用CSI評(píng)分對(duì)其進(jìn)行檢驗(yàn)。在廣東省實(shí)際氣象業(yè)務(wù)工作中,當(dāng)溫度預(yù)報(bào)絕對(duì)誤差在1.5℃以內(nèi),溫度預(yù)報(bào)評(píng)分為10分;絕對(duì)誤差在1.6~2.0℃,溫度預(yù)報(bào)評(píng)分為8分。由于溫度預(yù)報(bào)無(wú)所謂空?qǐng)?bào)和漏報(bào),因此定義預(yù)報(bào)絕對(duì)誤差≤1.5℃時(shí)為成功,否則為失敗,公式為,圖3可見,Grapes模式的24小時(shí)溫度預(yù)報(bào)CSI評(píng)分穩(wěn)定在0.4左右,卡爾曼濾波方法的CSI評(píng)分為0.47~0.43,而逐時(shí)滾動(dòng)預(yù)報(bào)方法的CSI評(píng)分在1~6小時(shí)內(nèi)由0.91降至0.64,7~16小時(shí)的CSI評(píng)分由0.6逐漸降低至0.52,17~24小時(shí)的CSI為0.5~0.45,均優(yōu)于同期Grapes模式預(yù)報(bào)和卡爾曼濾波釋用結(jié)果。3.3grapes模式為檢驗(yàn)逐時(shí)滾動(dòng)預(yù)報(bào)方法在關(guān)鍵天氣過程中的溫度預(yù)報(bào)效果,選取2010年4月7—8日的冷空氣過程(個(gè)例一)以及1011號(hào)臺(tái)風(fēng)“凡亞比”影響廣州期間(個(gè)例二)的溫度預(yù)報(bào)作為檢驗(yàn)個(gè)例。個(gè)例一:2010年4月7日早晨,廣州受冷空氣影響,出現(xiàn)短時(shí)陣雨,相對(duì)濕度增加,地面蒸發(fā)降溫作用加大,同時(shí)吹偏北風(fēng),導(dǎo)致7—8日的溫度持續(xù)下降,日變化較小,然而Grapes模式仍然預(yù)報(bào)有明顯的溫度日變化。以未來(lái)5小時(shí)的廣州溫度預(yù)報(bào)為例,圖4為7—8日的溫度預(yù)報(bào)與實(shí)況對(duì)比。Grapes模式預(yù)報(bào)的最大溫度誤差為8.2℃,過程平均溫度誤差為2.6℃,總體誤差較明顯;而逐時(shí)滾動(dòng)預(yù)報(bào)方法由于加入了降水、濕度和風(fēng)力作為預(yù)報(bào)因子,將實(shí)況資料不斷作為初始場(chǎng),從而在一定程度上對(duì)Grapes模式溫度預(yù)報(bào)進(jìn)行滾動(dòng)訂正,訂正后的最大溫度誤差為3.2℃,日平均溫度誤差為1.0℃,最終預(yù)報(bào)效果優(yōu)于模式直接輸出。圖5為7—8日的溫度預(yù)報(bào)CSI評(píng)分(取絕對(duì)誤差≤1.5℃為預(yù)報(bào)成功的閾值),結(jié)果表明,Grapes模式的24小時(shí)溫度預(yù)報(bào)CSI評(píng)分從0.36降至0.23,經(jīng)過滾動(dòng)訂正后的CSI評(píng)分則從0.98遞減至0.38,表明有明顯改進(jìn)。個(gè)例二:2010年9月21日,廣州受臺(tái)風(fēng)“凡亞比”云系及降水影響,氣溫日較差僅2.7℃,而Grapes模式預(yù)報(bào)的溫度日變化非常明顯,最高氣溫達(dá)33.2℃。同樣以未來(lái)5小時(shí)的廣州溫度預(yù)報(bào)為例(圖略),Grapes模式預(yù)報(bào)的最大溫度誤差為6.6℃,日平均溫度誤差為1.3℃,24小時(shí)CSI評(píng)分約0.45;加入降水和濕度因子進(jìn)行訂正后,逐時(shí)滾動(dòng)預(yù)報(bào)方法預(yù)報(bào)最大溫度誤差降為1.5℃,日平均溫度誤差為0.6℃,訂正后1~6小時(shí)CSI評(píng)分從0.9遞減至0.57,而6小時(shí)后的CSI評(píng)分約為0.5,均優(yōu)于模式直接輸出(圖略)。4shuf在線預(yù)報(bào)技術(shù)(1)逐時(shí)滾動(dòng)溫度預(yù)報(bào)方法利用最新的氣象觀測(cè)要素對(duì)數(shù)值模式預(yù)報(bào)的結(jié)果進(jìn)行訂正,它對(duì)溫度預(yù)報(bào)能力的改進(jìn)還是很明顯的。在1~6小時(shí)內(nèi),該方法對(duì)預(yù)報(bào)能力的提高尤為突出,7~16小時(shí)也有一定改進(jìn),17小時(shí)后的改進(jìn)相對(duì)差些。由于SHUF利用最新天氣實(shí)況對(duì)預(yù)報(bào)進(jìn)行實(shí)時(shí)訂正,因此在短時(shí)臨近預(yù)報(bào)中的作用尤為明顯,說(shuō)明該方法有較高的應(yīng)用價(jià)值