多时效气温定量预报系统研发.doc

多时效气温定量预报系统研发缪强 何巍 代婷婷 黄德刚 李强(自贡市气象局 自贡 643000)摘要：利用850百帕温度与地面日平均气温存在密切相关的规律，采用非线性映射的方法可求得站点上的日平均气温。根据欧洲数值模式850百帕温度预报序列即可获得本站未来九天的日平均气温预报值。由于在相同季节，同一种云天状况下，日最高（低）气温与平均气温差值近似为一常数，所以，日平均气温预报值与该常数相加，即可做出站点上多时效日最高（低）气温的定量预报。关键词：多时效气温预报值 相关 映射 转换 定量预报1 引言随着城镇精细化预报作为对外服务的基本预报产品，更为准确和精细的气温预报、特别是各种异常天气背景中（如强寒潮、异常高温及转折天气等）的气温预报，是各级气象台站必须尽快解决的重点预报项目之一。随着数值模式预报产品的日益丰富、精度的不断提高，为我们开展气温客观定点定量预报创造了有利的条件。本文通过对欧洲数值模式预报产品的释用分析，实现了站点多时效日平均气温、日最高（低）气温的客观定量预报，建立了气温定点定量预报系统。这是利用数值预报产品释用技术制作气温定点定量预报的一种有益尝试。2 气温定点定量预报的基本原理 欧洲数值预报模式对四川盆地850Hpa的温度有较强的预报能力,而成都850Hpa温度与川南地区的日平均气温有很好的对应关系，因此利用EC850Hpa温度可做出未来九天的日平均气温预报初值。考虑云天状况变化的影响对预报初值进行订正，从而得到日平均气温的预报值。由于在同一季节、同一种云天状况下，日最高（低）气温与日平均气温差值近似为一常数，因此，以日平均气温的预报值为基础，加上所在季节相应云天状况下获取的日最高（低）气温与平均气温的差值，即可作出日最高（低）气温的预报。3 基本原理实现的技术方法 3.1 EC850Hpa温度对成都站08时850Hpa温度的预报由于成都站的地理位置在（104.02 OE、30.670N），与（105OE、300N）格点相距较近，且四川盆地850Hpa上空水平温度梯度较小，因此，可以利用EC850Hpa格点（105OE、300N）温度预报成都站08时850Hpa温度，实践证明有较高的预报能力。因此，在实际预报中，我们可以把EC850Hpa温度预报场中（105OE、300N）格点温度近似地看作未来成都站08时850Hpa温度。 3.2 成都站08时850Hpa温度与各站日平均气温对应关系的统计 近几年的业务实践证明，成都站08时850Hpa温度高，川南地面的日平均气温就高，反之亦然，即两者呈正相关。以自贡站为例，统计如下： 设成都站08时850Hpa温度为T85(i)，在历史资料中第i个T85(i)的值对应有自贡站地面m个日平均气温T0(j),则其对应的自贡站地面日平均气温Tp(i)为: Tp(i)=T0(j)/m (1)其中，i=1,2,n,为成都站08时850Hpa温度从最小值到最大值所对应的序号；j=1,2,m。由（1）式，将计算所得结果制作成成都站08时850Hpa温度T85(i) 与自贡站地面日平均气温Tp(i) 非线性映射的对应关系表（表1）。表1：T85(i) 与Tp(i) 的对应关系表T85(i)T85(1)T85(2)T85(m)Tp(i)Tp(1)Tp(2)Tp(m)利用EC850Hpa温度预报和以上对应关系表就可得到自贡站未来的日平均气温预报初值T1(k) (k=1,2,S,为预报时效)。3.3 成都站08时850Hpa温度相同时不同云天状况下日平均气温差值的统计 设成都站08时850Hpa温度相邻两天无变化时，地面日平均气温仅受测站云天状况变化的影响。因此，对地面日平均气温预报初值，要根据测站预报的云天状况变化进行订正，订正值的统计方法如下： 将云天状况分为晴天、多云、阴天和雨天四种，分月挑选相邻两天成都站08时850Hpa温度相同时的个例，统计不同云天状况下地面日平均气温的12种差值，并制作成云天变化与日平均气温差值关联表（表2）。显然，这种关联表中的差值仅考虑了云天状况随时间的变化对日平均气温的影响。设W(k-1)为预报日当日的云天状况，W(k)为预报日次日的云天状况，t(k)为云天状况随时间变化产生的预报日次日与预报日地面日平均气温之差，当W(k-1)与 W(k)相同时，t(k)值为零。利用天气预报做出云天状况预报W(k)，根据预报日与预报日次日的云天状况在统计所得的关联表中查出t(k)值。并将t(k)值加到日平均气温预报初值T1(k)上，即得到包含云天状况变化影响的地面日平均气温预报值T2(k)。 表2：云天变化与日平均气温差值关联表W(k-1)晴天多云阴天雨天W(k)多云阴天雨天阴天雨天晴天雨天晴天多云晴天多云阴天t(k)3.4 在不同云天状况下日平均气温与日最高（低）气温差值的统计 分月从历史资料中统计出在不同云天状况下日最高、最低气温与日平均气温差值的平均值，统计方法如下： 设某月有n个晴天日，对应有n个日最高气温Tmax(i)、 n个日平均气温T0(i)、n个日最低气温Tmin(i)，其中i=1，2，n。第i个晴天日的日最高气温Tmax(i)与日平均气温T0(i)的差值为： Tmax (i)= Tmax (i)T0(i) (2) n个Tmax (i)的平均值为： Tpmax=Tmax (i)/n (3) 第i个晴天日的日平均气温T0(i)与日极端最低气温Tmin(i)的差值为： Tmin (i)= T0(i)Tmin (i) (4) n个Tmin (i)的平均值为： Tpmin =Tmin (i)/n (5) 由(2)到(5)式，我们就统计出了某月晴天条件下日最高气温与日平均气温差值的平均值Tpmax以及日平均气温与日最低气温差值的平均值Tpmin，并将统计结果制成相应的文本文件1。同理，可统计出多云、阴天、雨天条件下的Tpmax与Tpmin。对其它月份照同样方法可以统计出上述文本文件1。天空状况 日最高气温与日平均气温的差值 日平均气温与日最低气温的差值01月,41 4.9 3.4 2 4.0 3.1 3 2.3 1.8 4 1.5 0.9 02月,41 4.9 4.1 2 4.0 2.7 3 2.5 1.9 4 2.1 1.1 03月,41 5.5 4.5 2 5.3 4.6 3 3.2 2.9 4 2.6 0.7（其中1代表晴天，2代表多云，3代表阴天，4代表雨天。）3.5 日平均气温、日最高（低）气温的预报 由3.1与3.2所述，利用EC850Hpa温度预报，从表1中查出未来k日日平均气温预报初值T1(k)；由天气预报做出云天状况预报W(k)，根据3.3所述，结合预报K-1日云天状况W(k-1)，从表2中查出云天状况随时间变化产生的地面日平均气温之差t(K)，则日平均气温预报值T2为：T2(k)= T1(k)+t(k) （6）根据预报出的云天状况W(k)，从文件1中查出日最高气温与日平均气温差值的平均值Tpmax(k) 、日平均气温与日最低气温差值的平均值Tpmin(k)，则有： 日最高气温预报值：Tmax(k)=Tpmax(k) + T2(k) （7） 日最低气温预报值：Tmin(k)= T2(k)Tpmin(k) （8） 3.6 算法原理存在的不足在汛期，由于气温变化幅度大，同样云天状态下基础温度差异大，并且存在极端高温天气，上述算法原理存在如下不足：1：未考虑相同云天状况，温度基点的抬升。2：统计值未考虑极值，无法较准确报出温度的极值。3：欧洲中心温度预报自身波动的误差。3.7 进一步的误差订正考虑到3.6提出的不足，仿照资料同化原理，提出进一步的误差订正方法：计算出预报日前天制作的昨日温度预报值Tymax1、Tymin1与昨天的实况温度Tpmax1、Tpmin1的误差:dt1max=Tpmax1-Tymax1 (9)dt1min=Tpmin1-Tymin1 (10)对昨日的24小时温度预报值Tymax2、Tymin2做出订正,Tdymax2=Tymax2+dt1max (11)Tdymin2=Tymin2+dt1min (12)得出昨日制作的今日最低气温、最高气温一次实况误差订正后的预报值Tdymax2、Tdymin2，将Tdymax2、Tdymin2求取实况误差，得到二次误差值：dt2max=Tpmax2(估计值)- Tdymax2 (13)dt2min=Tpmin2- Tdymin2 (14)将两次临近实况预报误差合并，得到正式误差值：dtmax=dt1max+dt2max (15)dtmin=dt1min+dt2min (16)将dtmax、dtmin 代入（7）、（8）式，对今日温度预报值做出订正，得出未来S日两次临近实况预报误差订正后的日最高气温预报值和日最低气温预报值：日最高气温预报值：Tdtmax(k)=Tmax(k) + dtmax （17） 日最低气温预报值：Tdtmin(k)=Tmin(k)+dtmin （18） 其中，k=1,2,S为预报时效。由（17）、（18）式得到的日最高、最低气温预报序列，部分地克服了算法原理存在的不足，适用于汛期气温预报。4 多时效气温预报系统的软件设计根据3所述基本原理、技术方法和系统构成要求，我们采用vb6.0编程，设计开发了一套数据接口开放、界面操作方便、适合于地市级和县级台站使用的气温定点定量预报系统软件。系统软件界面如下图：该系统软件包括以下内容：4.1系统的本地化4.1.1 站点配置 根据预报负责区域内所有站点的站点名和区站号生成站点配置文本文件station.txt。4.1.2 欧洲模式参数配置 根据欧洲数值模式850hpa温度预报所在资料源、所选格点的经纬度及预报时效，生成欧洲模式参数配置文本文件ectcfg.txt。4.1.3 平均气温统计配置 根据成都站08时850Hpa温度与各站各月平均日平均气温对应关系的统计结果表1，生成平均气温统计配置文本文件ptIIiii.txt(IIiiii为区站号)。4.1.4 云天转换温差配置 根据各月成都站850Hpa温度相同情况下不同云天间相互转换的日平均气温差值统计结果表2，生成云天转换温差配置文本文件wwIIiii.txt(IIiiii为区站号)。 4.1.5 极端气温偏差统计配置 根据各月在不同云天状况下日平均气温与日最高（低）气温差值的统计结果表3，生成极端气温偏差统计配置文本文件mnIIiii.txt(Iiiii为区站号)。4.2 预报分析选择按照界面提示操作，完成预报负责区域内所有站点未来的日平均气温、日最高气温、日最低气温的预报，并将预报结果存入文本文件Ybyymmdd.txt（yy为年份,mm为月份,dd为日期）。4.3 预报结果查询按照界面提示操作，可按月份将预报负责区域内所有站点的逐日平均气温、最高气温、最低气温的预报结果以表格的形式显示出来。4.4 误差分析选择按照界面提示操作，可按月份将所选站点的逐日平均气温、最高气温、最低气温的预报误差以表格的形式显示出来，并动态地完成误差的统计分析。5业务应用效果与误差的初步分析表4未实行实况误差订正（最高温度正确率）实行实况误差订正后（最高温度正确率）8月38.7%62%9月60%63.3%10月75%58.3%由表4可知：在汛期内的订正后最高温度平均预报准确率为62.65%，未订正最高温度平均预报准确率为49.35%，订正后比未订正最高温度准确率高13.3%。在非汛期，订正后最高温度平均预报准确率为58.3%，未订正最高温度平均预报准确率为75%，订正后比未订正最高温度准确率低16.7%。表5未实行实况误差订正（最低温度正确率）实行实况误差订正后（最低温度正确率）实况温度20度42.2%51.1%实况温度20度86.1%63.8%由表5可知：实况温度大于20度订正后最低温度平均预报准确率为51.1%，未订正最低温度平均预报准确率为42.2%，实况温度小于20度订正后最低温度平均预报准确率为63.8%，未订正最低温度平均预报准确率为86.1%。上述数据可知：实况误差订正仅适用于汛期气温较高的时段，非汛期气温低于20度不适用。原因是非汛期最高（低）气温与日平均气温的差值接近多年平均值，没有极端高温，相同的低空温度和相同云天状态下地面基础气温基本一样，实况误差订正将前期的极端高温、基础气温的抬升等造成的误差带入气温预报序列，影响了预报精度。由历史数据统计可知：2010年8到10月最高气温平均预报准确率：73.6%2011年8到10月最高气温平均预报准确率：77%今年是本市建站来的第二高温年份，但是最高气温平均预报准确率比去年提高了3.4%。表明多时效气温定量预报系统具有更强的适应能力和更高的预报准确率多时效气温定量预报系统为气温预报提供了一个趋势准确的参考依据，预报员据此结合自己的主观分析，制作出的气温预报既有历史经验的积累又融入了数值预报产品的信息和自己丰富的预报经验，这样的气温预报物理过程清晰，考虑的物理因素更加丰富，必然获得更高的预报准确率。6.小结6.1 EC850Hpa格点（105OE、300N）温度对成都站08时850Hpa温度有较高的预报能力, 同时,成都站08时850Hpa温度与川南地面日平均气温有密切的对应关系，利用EC850Hpa温度预报和这种对应关系可得到川南地面日平均气温预报初值。6.2 考虑测站相邻两天云天状况变化的影响，对日平均气温预报初值进行订正后可得到最终的日平均气温预报值。6.3 考虑季节、云天状况对日最高（低）气温的影响，以日平均气温的预报值为基础，加上日最高（低）气温与日平均气温的差值，即可做出日最高（低）气温的预报。6.4通过两次临近实况预报误差订正后的日最高、最低气温预报值，部分的克服了在汛期算法原理的不足，有利于提高汛期气温预报质量。6.5 由6.1到6.4，我们即完成了全年适用的多时效气温定点定量预报原理及方法研究。6.6 系统软件数据接口开放、界面操作方便、通用性强，易于实现本地化，适合于在地市级和县级台站推广使用。该系统软件于2011年8月投入业务试运行，在气温的定点定量预报方面起到了较好的参考作用。67 初步业务应用表明，多时效气温定量预报系统首次客观定量定点的制作了九天逐日气温预报，预报精度达到或接近了预报员的主观预报，明显地改善了城镇精细化预报质量，提高了对外服务水平。68 多时效气温定量预报系统还缺乏形式多样的预报结果查询功能和不同时刻对未来同一时效的多种预报结论集成功能；缺乏功能完善的误差分析系统，因此没有构成误差反馈完善发展系统的机制。这两个问题是多时效气温定量预报系统需要继续研发的重要内容。The System Development of Much Limitation Quantitative Forecast Temperatures Miao Qiang, He Wei, Dai Tingting, Huang Degang, Li Qiang(Zi Gong Meteorological observatory, 643000)Abstract: We use the regular pattern that the temperatu