（气象学专业论文）wrf中尺度数值模拟预报及模式降水预报产品释用.pdf

摘要 数值模拟及其产品释用是目前气象业务预报的主要手段之一。因此对模式预报及其产 品释用的改善与研究具有重要实用意义，也是各级气象业务工作的关键环节。本文运用w r f 中尺度数值模式模拟了四次降水过程：低温雨雪冰冻天气过程、华南大暴雨、江淮大暴雨， 以及对江淮特大暴雨测试了模式地形与模式分辨率对暴雨落区的影响。为进一步提高模式 降水预报能力，对模式输出产品中的降水进行了b p 神经网络方法的释用，改善效果明显。 将w r f 模式对2 0 0 8 年1 月2 5 2 9 日中国低温雨雪冰冻天气过程进行模拟，得到以 下结论：雨雪期间长江中下游及以南地区长时间存在着高低空急流的耦合形势，且低空急流 不断向雨雪区域输送暖湿水汽，使该地区低层的水汽辐合促进大范围雨雪发生和维持。强 的高空辐散的抽吸作用，促进低空辐合，整层上升运动加强以及正涡度的维持。冷空气从 对流层高层倾斜南下加强了对流不稳定能量的积累。本次雨雪冰冻天气过程中存在明显的 干侵入，降水区北侧对流层高层高位涡干冷空气沿等h r 线密集带侵入低层，并促使雨区低 层位涡中心迅速增大，促进强降水发生；位涡和降水有很好的对应关系，这为降水预报有 很好的指示意义。由于极涡偏强促使冷空气南下，地面温度很低使雨水结成冰导致灾害发 生。通过对比2 0 0 5 年6 月1 9 日的华南大暴雨与2 0 0 5 年7 月9 日的江淮大暴雨发现，6 月 1 9 日的大暴雨是有低空切变线引起的大暴雨过程，而7 月9 日的大暴雨则是由西南涡系统 东移引起的暴雨过程。模式预报均能较准确的反映环流形式预报，以及降水预报中落区预 报，但对降水强度预报则较差。利用r f 模式对2 0 0 7 年7 月7 8 日江淮地区的特大暴雨 进行了地形敏感性试验，试验主要包括两方面的内容：( 一) 地形人为变化的影响；( 二) 模式地形分辨率的影响。分析结果表明：控制试验和三个对比试验雨带均呈现西北东南走向 带状分布。九华山，天目山，黄山一带的地形对此次暴雨中江苏西部的强降水中心位置影 响很大，使得其位置向东偏了一个纬度左右，但对安徽境内的暴雨落区影响不火。幕阜山 对此次暴雨过程影响最小。大别山一带的地形对此次暴雨位于安徽两北部的降雨量影响较 大采用较低分辨率的地形时，安徽西北部的强降雨中心降雨量明显偏少，而对江苏北部的 强降雨中心降雨量并无影响；采用较高分辨率的地形时，两个强降雨中心的降雨量均未发 生变化。不同分辨率的地形对暴雨落区并无明显的影响。 利用前馈型b p 神经网络对中尺度w r f 模式的降水预报进行解释应用，改进和提高了 w r f 模式的降水预报能力。文中选取长江中下游有代表性的测站：武汉，合肥，南京和上 海，利用2 0 0 5 年汛期( 6 月1 日至7 月3 1 日) 的降水实况和w r f 数值预报产品，根据梅 雨期特点，用统计学方法从w r f 模式预报资料中寻找因子( 2 4 h 预报降雨量，温度，露点 l 温度( 7 0 0 h p a ，8 5 0 h p a ，7 0 0 + 8 5 0 + 9 5 0 h p a ) ，a 指数，雷达反射率( 7 0 0 h p a ) ，垂直涡度( 7 0 0 h p a ) ， 水平散度( 7 0 0 h p a ) ，位涡( 7 0 0 h p a ) ，水汽通量散度( 7 0 0 h p a ) ，水汽通量( 7 0 0 h p a ) ，东 西风( 7 0 0 h p a ) ，南北风( 7 0 0 h p a ) ，垂直速度( 7 0 0 h p a ) ，相对湿度( 7 0 0 l p a ) ，位势高度 ( 7 0 0 h p a ) ) ，四个地区均选择都通过信度检验的五个与降水相关的预报因子( 豫f 预报2 4 h 降水量，露点温度( 7 0 0 + 8 5 0 + 9 5 0 h p a ) ，雷达反射率，东西风，垂直速度) ，这些因子不仅 有明确的物理意义，而且通过了信度很高的相关系数检验。对w r f 数值预报产品进行了b p 人工神经网络的短期降水分级预报。一种是选取6 , - , - 7 月的最后五天做试预报；另一种是选 取6 月中旬7 月中旬每隔一候抽取一天，共五天。通过对经过人工神经网络方法释用后 的降水预报与w r f 模式本身的降水预报结果对比，发现人工神经网络释用预报方法明显改 进了w r f 模式的降水预报能力，武汉，合肥，南京，上海四个地区的降水正确率，特别是 降水强度均有所提高，空报，漏报率有所减少。 关键词：w r f 模式；灾害天气过程；过程数值模拟：b p 人工神经网络；数值预报产品释用 a b s t r a c t n u m e r i c a ls i m u l a t i o na n di t sp r o d u c t sa r eo n eo fm a i nm e t h o d so fw e a t h e rf o r e c a s t i n g b u s i n e s s t h e r e f o r e ，m o d e l sp r e d i c t i o na n dt h e i rp r o d u c t sa r ei m p r o v i n gt h ei n t e r p r e t a t i o na n d r e s e a r c hh a si m p o r t a n tp r a c t i c a ls i g n i f i c a n c e i nt h i sp a p e r , t h eu s eo fw r fm e s o s c a l en u m e r i c a l m o d e ls i m u l a t i o no fp r e c i p i t a t i o ni nt h r e ep r o c e s s e s ：c o l da i r , f r e e z i n gr a i na n ds n o wi n s o u t h e l t lc h i n aa n dj i a n g h u a ih e a v yr a i n ，a l s ot e s t e dt h em o d e lr e s o l u t i o na n dm o d e lt e r r a i n j i a n g h u a ih e a v yr a i n f a l lo nt h el o a d i n ga r e a t of u r t h e re n h a n c et h ep r e c i p i t a t i o nf o r e c a s ta b i l i t y o ft h em o d e lo u t p u tp r e c i p i t a t i o np r o d u c t sf o rt h eb pn e u r a ln e t w o r km e t h o do fr e l e a s e ，a n dt o i m p r o v e t h ee f f e c t w eu s ew r ft os i m u l a t et h ec o l da i r , f r e e z i n gr a i na n ds n o wo c c u r r e di nt h es o u t ho f c h i n ad u r i n g2 5 ，j a n u a r y2 0 0 8a n d2 9 , j a n u a r y2 0 0 8a n dg e tac o n c l u s i o n ：y a n g t z er i v e rm i d d l e a n dd o w n s 仃e a mr e g i o na n ds o u t hr e g i o nl o n gt i m ee x i s th i g h l o wl e v e lj e tc o u p l e ds i t u a t i o n ，a n d t h el o wl e v e lj e tr u s h i n gc u r r e n tc o n t i n u o u s l yt r a n s p o r taw a r mw e tw a t e rv a p o rt o w a r dt h e d i s a s t e rr e g i o na n dp r o m o t ew i d e b o u n dr a i n s n o wo c c u r r e n c ea n dm a i n t e n a n c ei nt h i sr e g i o no f l o wl a y e rt h ew a t e rv a p o rc o n v e r g e n c e s t r o n gh i g hl e v e ld i v e r g e n c ea b s o r b i n gf u n c t i o nh e l pt h e l o wl e v e lc o n v e r g e n c e ，a s c e n s i o ns p o r to fs t r e n g t h e na n dp o s i t i v ev o r t i c i t yo fm a i n t e n a n c e 1 1 1 e c o l da i rt i l tt oo n es i d et og od o w ns o u t hf r o mt h ek e yf i g u r e so fa n db ea d v a n t a g e o u st ot h e b a c k l o go ft h ec o n v e c t i o nu n s t e a d ye n e r g y , b u ta t m o s p h e r ek n o tu n s t e a d yw i t h a i rd a m p ， p r o m o t es 仃o n gd e c l i n ew a t e ro fo c c u r r e n c e n l ep r o c e s so f c o l da i r , f r e e z i n gr a i na n ds n o we x i s t o b v i o u sd r yi n t r u s i o n , t h en o r t ho fr a i na r e aa th i l g hl e v e lo ft r o p o s p h e r eh i g hp o t e n t i a lv o r t i c i t y a n dd r yc o l da i rf o l l o wi s or e l a t i v ei n t e n s i v et a k ei n c u r s i o nl o wl a y e r , a n dq u i c k l ye n l a r g eal o w l e v e lp vo fr a i na r e a , p r o m o t es t r o n gw a t e ro c c u r r e n c e t h i si sav e r yg o o dp r e c i p i t a t i o nf o r e c a s t s i g n i f i c a n c e t h ep o l ev o r t i c i t yb ep a r t i a lt os t r o n gu r g ec o l da i rt og od o w ns o u t h ，t h eg r o u n d t e m p e r a t u r eb ev e r yl o wt om a k et h er a i nw a t e rb e c o m ei c et oc a u s ed i s a s t e ro c c u r r e n c e b y c o m p a r i n g j u n e19 ，2 0 0 5h e a v yr a i ni ns o u t hc h i n aw i t ht h ej u l y9 ，2 0 0 5ji a n g h u a ih e a v yr a i n ， t h ej u n e19h e a v yr a i nt h e r ei sal o w - l e v e ls h e a rl i n ep r o c e s sc a u s e db yh e a v yr a i n ，a n dt h ej u l y9 i st h eh e a v yr a i nf r o mt h es o u t h w e s tv o r t e xs y s t e m ，t h ep r o c e s so ft h ee a s t w a r ds h i f tc a u s e db y h e a v yr a i n s m o r ea c c u r a t ef o r e c a s t i n gm o d e l sa r ea b l et or e f l e c tt h ec i r c u l a t i o no ft h ef o mo f p r e d i c t i o n ，a n df o r e c a s tp r e c i p i t a t i o nf o r e c a s td r o pz o n e ，b u tt h ei n t e n s i t yo ft h ep r e c i p i t a t i o n f o r e c a s ti sp o o r m a k eu s eo fw r fm o d et o2 0 0 7j u l y7 - 8d a y sj i a n 曲u a ir e g i o no fe s p e c i a l l yt h e t o r r e n t i a lr a i nc a r r i e do i lt e r r a i ns e n s i t i v i t ye x p e r i m e n t , e x p e r i m e n tm a i n l yi n c l u d et h eb o t ht w o s i d e ：( o n e ) t e r r a i n a r t i f i c i a l v a r i e t yo fi n f l u e n c e ；( t w o ) t h e i n f l u e n c eo ft h em o d et e r r a i n r e s o l u t i o n a n a l y s i sr e s u l ti n d i c a t e ：c o n t r o le x p e r i m e n ta n dt h r e ec o n t r a s te x p e r i m e n tr a i nb e l lt a k e t oa l lp r e s e n tn o r t h w e s ts o u t h e a s ta l i g n m e n tt a k eaf o r mt od i s t r i b u t e j i uh u am o u n t a i n ，t i a nm u i i i m o u n t a i n , h u a n g s h a nm o u n t a i ny it a k eo ft h ew e s to fj i a n g s ui ng e o g r a p h yr i g h t n e s st h i st i m e t o r r e n t i a lr a i no fs t r o n gd e c l i n ew a t e rc e n t e rp o s i t i o ni n f l u e n c ev e r yb i g ，m a k ei t sp o s i t i o nb e p a r t i a lt oad e g r e eo fl a t i t u d et o w a r dt h ee a s to rs o ，b u tt oi n s h o r er a i n - s t o r mi nt h ea n h u if a l l a r e ai n f l u e n c en o tb i g m u f um o u n t a i nh a st h el e a s ti n f l u e n c et ot h i st i m et o r r e n t i a lr a i np r o c e s s d a b i em o u n t a i nh a sb i gi n f l u e n c eo i lt h en o a h - w e s to fa n h u ip r o v i n c ep r e c i p i t a t i o n t h eh i g h e r r e s o l u t i o no ft e r r a i n , t h em o r ep r e c i s ep r e c i p i t a t i o n t h er e s o l u t i o nm o d eo ft h ed i s s i m i l a r i t y t e r r a i nt or a i nf a l la r o ah a v en ov e r yb i go fi m p r o v e m e n t , m a y b et h er e g i o no fj i a n g h u a lh a s l o w e rt e r r a i n ，d e m a n d sh i g h e rt e r r a i nr e s o l u t i o n w eh s e b a c k - p r o p a g a t i o n n e u t r a ln e t w o r k i n t e r p r e t a t e t h em e s o s c a l ew r f m o d e ，i m p r o v et h ep r e c i p i t a t i o nf o r e c a s ta b i l i t y w ec h o i c et h er e p r e s e n t a t i v es t a t i o n ss u c ha s n a n g j i n g , h e f e i ，s h a n g h a i ，w u h a n ，u s e2 0 0 5 6 1t o7 31f o r61d a y so ff o r e c a s tr e s u l t a c c o r d i n gt o t h em e i y uc h a r a c t e r i s t i c s ，w eu s es t a t i s t i c a lm e t h o dt ol o o kf o rf a c t o rf r o mt h ew r fm o d et h e f o r e c a s td a t a ( 2 4 hf o r e c a s tr a i n ，e m p e r a t u r e ，d e p r e s s i o n , ai n d e x ，d b z , h c u r l ，h d i v g ，p v , m o i s t u r ef l u x d i v e r g e n c e ，m o i s t u r ef l u x , u , v , w , r e l a t i v eh u m i d i t y , h 9 0 n a n f i n g ，h e f e i ，w u h a n , s h a n g h a ic h o i c e5 p a s s e dt e s t ( 2 4 h f o r e c a s t r a i n , d e p r e s s i o n ，d b z , v e r c i t a lv e l o c i t y , r e l a t i v eh u m i d i t y ) w i t h p r e c i p i t a t i o nr e l a t e do ff o r e c a s tf a c t o r , u s eb a c k p r o p a g m i o nn e u t r a ln e t w o r kt r a i n i n gt h ef a c t o r o ft e s tf a c t o r , m e a n t i m ec h o i c et w om e t h o d so ff i v ed a y sd or a i nc a t e g o r i c a lf o r e c a s t , o n em e t h o d s e l e c tt h el a s tf i v ed a yo f 6 7m o n t h st ot r yf o r e c a s t ；a n o t h e rm e t h o ds e l e c tad a yo f e a c hp e n t a d i nt h em i d d l et e n d a y s o f6 7 m o n t h s ，t o t a lf i v e d a y s c o m p a r e w i t ht h er e s u l t so f b a c k p r o p a g a t i o nn e u t r a ln e t w o r ka n dw r ff o r e c a s t ：n a n j i n g ，h e f e i ，w u h a n , s h a n g h a it h ef o u r r e g i o n so fp r e c i p i t a t i o nn i c e t ya l lh a v ea d v a n c e d ，e s p e c i a l l yi m p r o v et h er a i ns t r e n g t h ，e m p t y f o r e c a s t , l e a kf o r e c a s th a v ed e c r e a s e k e yw o r d s ：w r fm o d e l ；b a c k p r o p a g a t i o nn e u t r a ln e t w o r k ；w e a t h e rd i s a s t e r s ；t h ep r o c e s so f n u m e r i c a ls i m u l a t i o n ；i n t e r p r e t a t i o no f n u m e r i c a lf o r e c a s t i n gp r o d u c t 学位论文独创性声明 本人郑重声明： 1 、坚持以“求实、创新 的科学精神从事研究工作。 2 、本论文是我个人在导师指导下进行的研究工作和取得的 研究成果。 3 、本论文中除引文外，所有实验、数据和有关材料均是真 实的。 4 、本论文中除引文和致谢的内容外，不包含其他人或其它 机构已经发表或撰写过的研究成果。 5 、其他同志对本研究所做的贡献均已在论文中作了声明并 表示了谢意。 作者签名： 日期： 学位论文使用授权声明 本人完全了解南京信息工程大学有关保留、使用学位论文的规 定，学校有权保留学位论文并向国家主管部门或其指定机构送交论 文的电子版和纸质版：有权将学位论文用于非赢利目的的少量复制 并允许论文进入学校图书馆被查阅：有权将学位论文的内容编入有 关数据库进行检索：有权将学位论文的标题和摘要汇编出版。保密 的学位论文在解密后适用本规定。 作者签名： 日期： 第一章引言 中尺度w r f 模式重点考虑从云尺度到天气尺度时效为6 0 天以内的有限区域天气的预 报和模拟问题，水平分辨率重点考虑1 1 0 k i n 。因此，模式包含了高分辨率非静力应用的 优先级设计、和许多先进的物理方案。w r f 模式目前已初步应用于业务预报试验，在北美 地区取得了较好的预报效果。目前我国很多地方都实现了w r f 模式本地化运行，对于夏季 的暴雨预报有良好的预报能力，也能在冬季里对一般性降水做出准确的预报。w r f 模式对 于降水预报效果好于m m 5 ，它正逐步取代m m 5 ，成为新一代的成熟的中尺度预报模式。 数值模式产品释用是对数值模式产品的进一步“解释应用”，具体来说利用统计、动 力、人工智能等方法，综合预报经验，对数值预报的结果进行分析、订正，最终给出客观 要素预报结果或者特殊服务的预报产品。一切科学都是向客观定量的方向发展，气象科学 也不例外。从2 0 世纪5 0 年代后期开始，随着计算机技术的快速发展，各种数值预报产品 数量迅速增长，逐渐成为现代气象预报业务的主要手段和研究的重要内容。数值天气预报 将天气预报的制作由经验、定性上升为客观、定量，使之更趋于科学化。尽管在过去的几 十年里，数值模式预报准确率一直在提高，但降水预报准确率的提高则相对缓慢，需要对 模式输出进行修订或改正。模式通过一些本地化释用后能够取得较好的预报服务效果。另 一方面，数值模式产品的释用在我国已有多年的基础，但由于释用方法较少，对数值模式 产品的潜力发掘不足，仍然处于半经验、主观定性方法为主的状态。国家气象事业发展“十 一五”规划明确指出加强数值模式的释用技术，显著提高天气预报准确率。而江淮梅雨又 是我国长江中下游地区一个重要的天气过程，做好梅雨期降水预报有着重要意义。 1 1 国内外中尺度模式研究进展 随着计算机技术的迅速发展，各种中尺度模式也日趋完善，中尺度数值模式已成为研 究中尺度天气系统和中尺度天气过程的重要工具。通过中尺度数值模式运算可以得到高分 辨率动力协调的模拟结果，从而在空间和时间上都大大补充和扩展了由常规观测系统所获 取的观测实况资料的分辨率，为研究中尺度天气系统的三维结构和中尺度天气发生发展及 演变过程和动力学机制奠定基础。最近二十年来，涌现了删4 、姗5 、r m a s 、a r p s 等等很多 著名的中尺度模式，其中由美国p s u n c a r 共同研制开发的m m 5 中尺度模式在国内外得到了广 泛的应用。m m 5 模式自研制以来，不断进行更新，迄今为止已有v l 、v 2 、v 3 等多个版本。在 我国的气象研究和应用表明，m m 5 能比较成功地模拟了暴雨、洪涝、西南涡、飑线、台风等 中小尺度天气现象，有些地方己将删5 试用于业务预报中。冯五虎等利用m m 5 对1 9 9 6 年8 月 3 5 日( “9 6 8 ”) 在河南、山西、河北等省发生的一次特大暴雨过程进行了数值模拟研究， 模拟结果分析表明，非静力( m m 5 ) 的全物理过程模拟基本可再现大尺度和中一口尺度天气系 统的发生、发展及演变。隆霄等担1 利用m m 5 对1 9 9 9 年6 月2 3 2 5 日( “简称9 9 6 ”) 发生在长 江中下游地区的梅雨锋暴雨过程进行了数值模拟，成功模拟了梅雨锋中尺度低涡切变线的 发生和发展。孙建华陷1 采用m m 5 模式成功模拟了一次罕见的华南大暴雨过程。这些研究和应 用表明删5 具有较好的稳定性和较强模拟能力，有助于我们认识复杂中尺度天气系统的结构 及其发生和发展物理机制。w r f ( w e a t h e rr e s e a r c ha n df o r c a s t ) 模式是由美国国家大气研 究中心( n c a r ) 中小尺度气象处、国家环境预报中心( n c e p ) 环境模拟中心、预报系统实验室 ( f s l ) 的预报研究处以及奥克拉荷马大学的风暴分析预报中心( c a p s ) 四单位于1 9 9 7 年联合 发起建立的新一代非静力平衡、高分辨率、科研和业务预报统一的中尺度预报和资料同化 模式。w r f 模式重点考虑从云尺度到天气尺度时效为6 0 a 以内的有限区域天气的预报和模拟 问题，水平分辨率重点考虑1 - - 一l o k m 。因此，模式包含了高分辨率非静力应用的优先级设计、 许多先进的物理方案。啾式的最终目标将取代目前正广泛应用的m m 5 模式，目前已初步 应用于业务预报试验，在北美地区取得了较好的预报效果。在国内，马旭林h 。利用w r f 较好 模拟了2 0 0 3 年7 月4 5 号的江淮梅雨锋强暴雨，模拟结果较理想地预报处了该次降水的落 区、强度以及降水中心的位置。张芳华1 5 则用w r f 模拟了2 0 0 3 年6 月2 4 2 5 日江南地区的一 次特大暴雨，结果同样表明w r f 成功再现了高低空环流形势的演变及暴雨带的分布特征。孙 宁| 6 3 利用w r f 模式对2 0 0 5 年6 月9 - - 一1 0 日江苏省中部发生了一次比较突兀的较强降水过程数 值模拟，发现暴雨落区及降水量与实况比较接近，用得出的风场资料进行了分析， 结果 清楚得揭示了此次降水的中尺度特征，说明w r f 模式能准确得模拟出中小尺度天气系统。 王舒畅，黄思训，李毅为了分析天气研究及预报w r f 模式对我国天气现象的适用性，利用 w r f 模式对2 0 0 3 年淮河汛期的3 次梅雨锋暴雨过程进行了一组数值模拟试验，结果分析表 2 明，w r f 模式能有效模拟我国梅雨锋暴雨的环流背景和天气形势，较好地反映影响暴雨的 中尺度系统的发生和发展等特征，还可以较好地模拟出雨带的范围、位置和走向，对降 水中心的模拟基本可用。关于m m 5 和w r f 两个模式的预报效果对比，国内已有一些研究，孙 健阳1 使用w r f 模式和m m 5 ( v 3 ) 模式对1 9 9 8 年发生的三次强降水过程( 分别包括了华南暴雨、淮 河流域暴雨和长江流域暴雨) 进行了数值模拟，结果表明w r f 模式成功模拟了这几次不同性 质的降水过程，比m m 5 更好模拟出了引起这几次降水过程中的主要天气系统的位置和移动过 程，而且模拟的降水落区要好于m m 5 ，但同时指出w r f 模拟的降水量都小于m m 5 和实况，可能 由于w r f 模拟的垂直速度偏小。王舒畅旧3 模拟t 2 0 0 3 年7 d 4 6 日发生在江淮流域的一次梅 雨锋暴雨过程，指出w r f 和m m 5 都能较好的模拟这次暴雨过程中的雨带的分布和走向，而w r f 能更好的模拟降水中心的位置和雨量。刘宁微，王奉安n 川用w r f 和删5 模式分别模拟研究了 2 0 0 2 年8 月3 - - 4 日发生在辽宁的一次区域性暴雨过程。结果显示w r f 模式能够比较成功地反 映出导致暴雨发生的高低空环流背景和暴雨的分布状况：w r f 和删5 模拟结果的对比分析 表明：由于w r f 的动力框架具有一定的优越性使得模式结果得到改善，在前处理和所选物理 过程相同的情况下，w r f 模式对能够代表本次暴雨过程中中尺度天气系统的高度场、风场、 散度场、水汽通量场以及垂直速度场等物理量的模拟效果要好于m m 5 。高空形势场的影响使 w r f 模拟的降水落区和强度更接近实况。 1 2 模式产品释用方法 由于人工神经网络技术方法在处理非线性问题时，与传统的线性处理技术相比具有许 多优良特性，比较适用于大气科学中的相关问题研究，特别是一些非线性的气象预报问题。 本世纪8 0 年代末，气象界开展了很多有关神经网络的应用研究工作。经过几十年的发展， 该方法已在大气学科的许多方面取得了一些较好的研究成果： 在热带气旋预报方面，j o r g j i nb a l k 和h o n g s u bh w a n g 1 采用多元回归方法和神经网络 方法进行了热带气旋强度预报的比较，结果认为神经网络方法有很大的预报潜力，预报效 果优于回归方法。俞善贤等n 2 用具有动量项b p 、l m 、r b f 人工神经网络建立3 6 、4 8 、6 0 、7 2 小时的热带气旋路径预测模型，分析了网络“学习好，预报差”的原因及解决的办法。胡 3 波等n 3 3 以热带气旋降水云区的云顶亮温和1 小时云顶亮温差为b p 人工神经网络的输入层，以 实况1 小时的雨量为人工神经网络的输出层，建立了4 类人工神经网络预报模型，分别为点 模型、线模型、小面模型和大面模型。通过大量的人工神经网络试报表明小面模型能较好 地抓住热带气旋红外云图中的主要降水影响因子( 移向、移速、云项亮温、发展率、云顶亮 温梯度) ，具有“过拟合”现象低、泛化性能高、预报能力强等特点。 a n d r e wr d e a n 和b r i a nh f i e d l e r n 耵则采用线性回归方法和非线性神经网络方法进 行了机场云( 雾) 消的预报试验。其预报结果表明，非线性神经网络方法的预报技巧评分比 气候预报高出o 2 5 ，而线性回归预报的技巧评分比气候预报高出0 2 0 。并且为了进一步分 析，还根据机场早晨的实测温度，采用线性回归方法和非线性神经网络方法分别作机场下 午的温度预报，结果显示，非线性神经网络方法的预报技巧评分为o 4 4 6 ，而线性回归方法 0 2 9 0 。l e is h i n 胡根据n o a a 一1 5 卫星探测资料，采用前馈网络模型进行了大气温度廓线和对 流层大气变量( 包括对流层顶温度、高度和气压场) 的反演。结果表明，从地面- 至u 1 0 h p a 高度 上的温度廓线反演结果非常理想，并且他还将这些反演的结果与线性回归方法所得结果进 行了比较，发现神经网络反演的结果在大气对流层的各个高度上均好于线性回归方法。 j s h a o n 町利用一个3 层的神经网络模型，进行了冬季公路表面冰冻温度的临近预报( 3 一- 6 h 预报) ，并且将这样的神经网络预报模型与数值预报模式的预报作对比分析，对比分析又分 为两种环境条件，一种是正常的普通环境条件，另一种是环境条件比较复杂和恶劣的条件 ( 主要是挪威、英格兰、瑞士和奥地利等冬季温度低、变化大的地区) 。对比试验结果表明， 两种环境条件下，神经网络预报模型对公路的冰冻预报均方误差均得到改进，其中在一般 的环境条件下，神经网络预报模型预报误差减小的程度比恶劣环境条件的预报误差减小程 度要小。 c a r e nm a r z b a n 和a r t h u rw it t l l 7 分别建立了两种不同的冰雹神经网络预报模型，一种 用于预报强雹的大小，另一种模型则用于进行冰雹的分类预报。实际预报结果表明，用于 预报强雹大小的神经网络预报模型优于相应的传统预报方法，而用于分类预报的神经网络 预报模型，在进行分为3 种不同大小的冰雹分类预报时，对最大和最小的两类有较好的分辨 能力，而对中等大小的强雹则无区分能力。e m o r e a u 和c m a l l e t 等n 8 1 利用神经网络方法进 4 行了反演大气中液态水含量的研究。r o r e tj a b r a h a r t 和l i n d as e e u 引，针对两个蓄水区的 河水流量预报问题，用神经网络方法和滑动平均自回归方法进行了预报对比分析，结果表 明神经网络预报方法的预报结果更令人鼓舞。g m i h a l a k a k o u 和m s a n t a m o u r i s 等啪3 利用神 经网络方法对太阳辐射时间序列进行短期预报试验，并采用了多步滞后的预报技术，将神 经网络方法与自回归预报模型预报结果进行的比较结果发现，神经网络预报模型的预报效 果要远好于自回归模型。k p s u d h e e r 等他”采用人工神经网络方法进行了蒸发模拟计算， 结果表明，利用气候观测数据和神经网络方法可以成功地模拟蒸发作用。另外，g r a h a m a b a l l s 等幢2 1 还采用神经网络方法进行了植物和环境相互作用的模拟研究。 对降水预报的研究工作。d a v i ds i i v e r m a n 和j o h na d r a c u p 窿引合作利用b p 网络模型对 美国加利福尼亚地区降水长期预报进行了研究，他们将加州分为7 个区域分别建立预报模 型，结果发现，多数预报模式对降水场的预报结果与实况场分布配合相当好。t o n yh a l l 幢引 利用神经网络方法对得克萨斯州的达拉斯的一个区域进行了两年的降水概率预报和降水定 量预报，并与该区域3 6 个站的雨量观测网资料进行了对比检验分析。所得结果是，预报与 实测降水量的相关系数达到0 1 9 5 ，而l 2 5 唧的降水预报平均t 评分达到o 1 6 3 以上，其中 最高值超过0 1 8 6 ，显示了有很好的发展前景。h o n g p i n gl i u 乜习等提出了一种采用自适应神 经网络开展降水预报的方法，这一方案以雷达观测资料作为自适应网络预报模型的输入， 对网络模型作学习训练，然后用新的观测资料作降水预测。实验资料的计算结果表明，这 种自适应网络预报模型对降水有相当高的预报精度，这为有效利用雷达探测资料进行降水 预报提供了新的思路。t i mb e l l e r b y 乜6 i 利用雷达降水资料和气象卫星处理数据，进行神经 网络方法的降水预报研究后指出，综合应用雷达降水资料和气象卫星处理数据可以得到时 空分辨率较高的降水预报。张承福| 2 7 1 曾利用神经网络方法开展了不同区域范围的暴雨预报 研究，认为神经网络方法确实可以通过对网络的学习训练，从原始数据中提取足够的分类 信息，达到较好的预报准确率。蔡煌东根据月平均最低气温日数等4 个单站气象要素作为 模型的输入，进行了b p 神经网络的本站汛期降水量预报试验。郭陵之| 2 9 l 采用标准的b p 网络 进行了单站的降水预报研究。孙照渤等根据雨型与前期环流和海温的关系，从前期冬季 资料场中找预报因子，并利用人工神经网络方法对我国夏季的雨型进行模拟预报，以前4 0 5 年资料做训练样本，建立雨型分类预报模型。对1 9 9 2 - - 1 9 9 6 年夏季雨型所做的独立预报试 验结果与实况基本相符。 郭光和严绍瑾b 订利用b p 网络模型对我国东部6 个城市的1 9 9 1 年( 历史罕见涝年) 和 1 9 9 4 年( 早年) 的汛期( 5 9 月) 降水进行了模拟预报试验，模式预报的旱涝总体趋势与实况 相符，结果令人满意。1 9 9 7 年，金龙2 1 等进行了神经网络汛期降水预报性能与逐步回归预 报准确率的对比分析。陈宁和金龙阻3 1 等提出了采用最优子集方法构造神经网络统计预报模 型输入学习矩阵的方法，并用该方法进行了汛期降水预报的预报效果分析。熊秋芬和王丽 m 3 等比较了用数值预报方法、天气学方法和以数值预报产品为基础的神经网络方法进行了 1 9 9 9 年汛期雨量的预报比较，结果发现区域数值预报模式和神经网络方法有效好的预报效 果。 2 0 0 1 年，胡江林和张礼平等汹1 以前期5 0 0 百帕月平均高度场、海平面气压和太平洋海 温场的扩展自然正交展开的前几个主要模态的时间系数，作为神经网络模型的输入，建立 了汛期降水的神经网络短期气候预报模型。通过对4 1 年历史样本的交叉检验，预报技巧评 分平均为0 2 4 6 。王成刚和吴宝俊m 1 等进行了鲁西南地区西南涡降水量级的神经网络预报应 用试验，发现b p 网络的学习性能较好，但网络参数稍有变化会引起推广能力振荡。熊秋芬 和胡江林刀等应用神经网络方法探讨了利用静止卫星多通道资料估算地面降水量的方法， 通过个例计算的对比分析表明，神经网络方法提供的客观定量降水估算平均相关系数为 o 5 7 ，该方法比传统的阀值法或非线性方法有更大的优越性，能更好地分析和揭示卫星资 料与降水之间复杂的非线性关系，对降水的估算结果可直接用于洪水业务预报。苗春生等 啪1 用人工神经网络方法建立梅雨期降水分级预报的网络模型，证明人工神经网络能提高短 期降水预报。 从上述大量国内外利用神经网络方法开展以看到，应用较多的是集中在长期预报方面， 而有关数值模式产品的短期释用研究相对而言较少。 1 3 本文研究的目的和意义 数值预报及其产品释用是目前气象业务预报的主要手段之一。因此对模式预报及其产 6 品释用的改善与研究具有重要实用意义。中尺度w r y 模式对于大气环流形式，中小尺度 系统预报效果较好，但是对于降雨预报则相对较差，不能较准确的预报降雨强度。模式中 的各项参数对于雨强有很大的影响。需通过多次调整模式参数，来最终确定较好的方案。 由于模式对降水预报的准确率还有改进的空间，因此引入人工神经网络，对模式降水预报 产品进行释用。w r f 模式对于降水预报有一定的优越性，所以本文选取了0 8 年1 月2 5 日 到2 9 日的冰冻雨雪天气，0 5 年6 月1 9 日的华南大暴雨，0 5 年7 月9 曰的江淮大暴雨，0 7 年7 月9 日的江淮大暴雨过程进行研究。通过对这些不同天气过程的模拟预报，验证模式 不论对于夏季降水还是冬季的降水均有一定的预报能力，其结果可信。在验证模式产品可 信的情况下，用b p 法对降水产品进行释用，显著提高降水预报准确率。 研究工作主要内容：选择了三次过程对模式进行检验，以0 8 0 1 2 5 冰冻雨雪天气过程 检验模式的嵌套结构；通过0 5 0 6 1 9 华南大暴雨和0 5 0 7 0 9 江淮暴雨对比分析，检验模式预 报准确率；进一步地通过改变江淮地形对0 7 0 7 0 9 江淮暴雨进行地形敏感性试验。在此基础 上以2 0 0 5 年6 月 - - 7 月梅雨期模式预报降水作为预报对象，利用b p 人工神经网络对w r f 模式预报产品进行释用，改善模式预报能