天津市多模式气温集成预报方法
天津微型气象站实施方案
天津微型气象站实施方案一、项目背景随着气候变化和环境污染问题日益突出，气象监测成为了城市管理和环境保护的重要组成部分。
天津作为中国北方重要的城市之一，气象监测工作显得尤为重要。
为了更好地监测和预警天津地区的气象情况，我们决定实施天津微型气象站项目。
二、项目目标1. 提高气象监测精度：通过建设微型气象站，实现对天津地区气象情况的实时监测，提高监测数据的准确性和精度。
2. 提升灾害预警能力：借助微型气象站的监测数据，加强对自然灾害的预警和预测能力，提高城市的防灾减灾能力。
3. 为城市规划提供数据支持：通过收集气象数据，为城市规划和建设提供科学依据，促进城市可持续发展。
三、项目实施方案1. 确定站点布局：根据天津地区的气象特点和城市布局，确定微型气象站的布设位置，保证监测数据的全面性和代表性。
2. 选型采购设备：选择符合天津地区气象监测需求的微型气象监测设备，并进行采购和安装。
3. 建设监测网络：将各个微型气象站联网，实现数据的实时传输和共享，构建完善的气象监测网络。
4. 完善数据处理系统：建设气象数据处理中心，对监测数据进行集中存储和分析，为城市管理和科研提供数据支持。
5. 加强人员培训：对气象站工作人员进行专业培训，提高他们对气象监测设备的操作和维护能力，确保设备正常运行。
四、项目实施效果1. 提高气象监测精度：微型气象站的建设将大大提高对天津地区气象情况的监测精度，为城市气象预测和科研提供更加准确的数据支持。
2. 加强自然灾害预警：微型气象站的实施将有助于加强对自然灾害的预警和预测能力，提高城市的防灾减灾能力，保障市民生命财产安全。
3. 促进城市规划和建设：通过收集气象数据，为天津城市规划和建设提供科学依据，推动城市可持续发展，提升城市形象。
五、项目实施进度安排1. 确定站点布局：预计耗时1个月。
2. 选型采购设备：预计耗时2个月。
3. 建设监测网络：预计耗时1个月。
4. 完善数据处理系统：预计耗时2个月。
天气预报具体步骤
卫星遥感
气象卫星
通过气象卫星获取大范围的气象数据 ，如云层分布、温度、湿度等。
遥感技术
利用遥感技术获取地表温度、植被覆 盖、水体分布等信息，为天气预报提 供辅助。
雷达监测
雷达探测
通过雷达设备发射电磁波，探测云层 和降水情况，获取降水强度、降水区 域等信息。
雷达拼图
将多个雷达探测数据拼接在一起，形 成雷达拼图，提高对降水区域的监测 精度。
将预报结果以数值表格或数据文件的形式输出，供用 户分析和使用。
可视化工具
提供可视化工具，帮助用户更好地理解和分析预报结 果。
04
预报结果分析
预报误差分析
误差来源
分析天气预报误差的来源，如观测误差、模型 误差、参数化误差等。
误差评估
对预报误差进行定量评估，包括均方根误差、 平均绝对误差等指标。
误差校正
根据误差分析结果，对预报模型进行校正，以提高预报精度。
预报不确定性分析
不确定性评估
对预报不确定性进行定量评估，包括概率分 布、置信区间等指标。
不确定性来源
识别影响天气预报不确定性的因素，如观测 资料的限制、模型分辨率的限制等。
不确定性传播
研究不确定性如何影响天气预报的输出结果。
预报结果可视化
可视化工具
参数估计和误差分析
通过数据同化方法，估计气象变量的最优值，并分析误差的传播和影响，以提高天气预报的精度和可 靠性。
03
天气预报模型
物理方程组
描述大气运动的方程组
包括质量守恒、动量守恒、能量守恒等基本物理定律，用于描述大气的运动状态和变化。
气象要素的演变方程
描述温度、湿度、风速、气压等气象要素随时间和空间的变化规律。
天气预报的基本原理和技巧
天气预报的基本原理和技巧天气预报是指根据已有的气象资料，结合大气物理、气象学、数学等领域的理论知识和分析技巧，推断未来天气变化情况的一项重要技术。
天气预报对于人们的生产生活以及交通运输、公共安全等方面有着极大的影响。
本文就来简单介绍一下天气预报的基本原理和技巧。
一、气象要素天气预报所需要考虑的气象要素及其变化，主要包括温度、湿度、大气压力、海平面气压、风等。
这些要素的变化对于后续天气的变化有着直接的影响。
二、观测技术为了精确获取气象要素的变化情况，气象台、气象站等地方安装了相应的观测设备，如温度计、湿度计、气压计、风速仪等。
这些设备能够实时检测气象要素的变化情况，并将数据传输到气象中心进行处理和分析。
三、分析预报技术作为天气预报的重要环节，分析预报技术主要包括大气物理、气象学和数学等领域的知识。
如地面气压场分析、风流场分析、水汽场分析等。
通过对这些要素进行分析，就可以得到未来一段时间内天气的变化情况。
四、数值模拟技术数值模拟技术是一种重要的天气预报手段，主要是通过计算机等设备对大气物理的再现，来预测未来天气的变化情况。
数值模拟预报分为中长程和短期预报两种。
五、实况监测技术实况监测技术是天气预报中不可缺少的一环，其主要作用是对天气实况进行检测，与预报结果进行比较，及时修订预报结果。
实况监测技术包括气象雷达、卫星遥感等技术手段。
六、准确预报的技巧准确的天气预报需要根据气象要素及其变化情况进行分析和判断，在此基础上采取合适的预报技巧。
下面介绍几种预报技巧：1、趋势预报。
即根据天气前后变化的趋势进行预报。
例如，霾天前后通常会有明显的温差变化和大风天气，根据这些变化可以预报未来几天的天气变化。
2、对比预报。
即根据历史同期数据进行对比，判断未来天气的变化情况。
例如，历史同期的天气通常会出现相同或相似的变化情况，根据这些情况可以预报未来天气的变化。
3、物候预报。
即根据物候现象进行预报。
例如过去几年同期的开花时间、树木叶芽的生长情况、动物的啼声、飞鸟的趋向等，都可以用来预测未来天气的变化情况。
国家气候中心多模式解释应用集成预测
应 用 。 目前 ， 亚 太经 济合 作 组 织 气候 中心 （ ＡＰ Ｃ Ｃ） 、
２ ０ １ ３ － ０ ４ 一 Ｏ ８收 到 ，２ ０ １ ３ － ０ ８ — ２ ７收 到 再 改 稿 。
资助项 Ｉ ｇ： 国家 重 大 科 学 研 究 计 划 （ ２ Ｏ １ ２ ｃ Ｂ ９ ５ ５ ９ Ｏ ２ ） ， 公益性行业（ 气象） 科 研专￣ ． （ ＧＹＨＹ２ ０ １ ３ ０ ６ ０ ２ ４ ， ＧＹＨＹ２ ０ １ ０ ０ ６ ０ ３ ８ ） ， 中 国气 象 局关 键 技 术
１ Ｏ年 来 ， 以 Ｄ Ｅ ＭＥ Ｔ Ｅ Ｒ Ｅ “ 和 Ｃ Ｌ ｉ Ｐ ＡＳ ＿ ７ ］ 两个 项 目为 标志， 多模 式集合 技 术 得 到 日益 广 泛 的研 究 和 业 务
温 度通 常具 有更 高技 巧 。因此 ， 对 模 式 预 测 进行 降 尺度解 释应 用 是世界 气 象组织 推荐 并在 国内外 较 多 使 用 的一类 气 候 预测 技 术 。在 具 体 应 用 方 面 ， 主要 通 过 区域模 式嵌 套或 统计 方法 间接 提高 与环 流场密 切相 关 的气温 和 降水 的预测 准确 性＿ 】 。 引。这 两类 方
在单 一 模 式 预测 能 力 有 限 的情 况 下 ， 集 合 技 术
被用 来提 高模 式对 气温 和 降水 的预测 能 力 。集 合 技
术从 单模 式 多初始 场集 合逐 渐 发展 到采 用多样 本 和
多模 式 进 行 综 合 预 测 来 减 小 模 式 预 测 的 不 确 定
性 。多 初始 值集 合可 以减 小 动 力 模 式 初 值 条 件
性 降水 等复 杂小 尺度 物理 过程通 常用 参数 化方 案做 近 似描述 ， 从 而导 致 气 温 和 降水 难 以完 全 准确 模 拟 和 预测 。大 气环 流主 要受 海陆 差异 、 海表 温度 、 积雪 等 空 间和时 问上 连续 性较 强 的大 尺 度要 素 影 响 ， 其
气象服务精细化多模式集成预报效果检验
气象服务精细化多模式集成预报效果检验作者：张大伟来源：《农家科技》2019年第05期摘要：选取对兴安盟地区最高温度预报的效果检验为例，以2018年1-12月的最高温度预报为检验数据，分析在5个预报检验站点的最高温度预报效果，初步分析气象服务精细化多模式集成预报对兴安盟地区最高温度的预报能力。
本次选取时间间隔为12小时、预报时效为24和48小时的最高气温为检验对象。
检验的方法为小于或等于2℃的温度预报准确率。
结果显示，气象服务精细化多模式集成预报的24和48小时最高温度预报的平均准确率分别达到了77%和71%，可供预报员制作最高温度预报时参考。
24小时产品在9月份的预报准确率最高，达到了82%，48小时产品在8月份的预报准确率最高，达到了75%。
关键词：集成预报;最高温度;准确率;检验一、气象服务精细化多模式集成预报产品气象服务精细化多模式集成预报产品（简称OCF）是包括最高气温、最低气温、降水量和风向风速等16类预报要素的指导预报产品。
产品预报时间间隔为3/6/12小时（1-15天为不同时间间隔，即1-3天逐3小时、4-7天逐6小时、8-15天逐12小时）和12小时（1-15天均为12小时间隔）。
二、检验方案1.检验站点考虑到地域分布和监测实况数据获取两个因素，分别在扎赉特旗选取1个、科右前旗选取1个，乌兰浩特市选取1个，突泉县选取2个，共5个预报检验站点（见表1）。
2.檢验对象12小时间隔、时效为24小时和48小时最高温度的OCF预报数据。
选取了2018年1月至12月共12个月数据。
3.检验方法检验预报准确率，定义为：TT=（NR/NF）100%。
其中，NR为预报正确的站（次）数，NF为预报的总站（次）数。
温度预报准确率的实际含义是温度预报误差≤2℃的百分率。
NR判定规则为：|Fi-Oi|≤2℃即为预报正确，否则预报错误。
Fi为第i站（次）预报温度，Oi为第i 站（次）实况温度。
4.检验结果分析（1）24小时预报效果检验。
多模式对东北地区月气温的预测性能对比评估
多模式对东北地区月气温的预测性能对比评估王莹;李永生;段春锋【摘要】基于BCC的DERF 2.0(中国)、CFSv2(美国)、EC(欧洲)、TCC(日本)4种模式开展的1983 2010年对东北地区的回报试验结果、2011-2014年业务应用结果和国家气象信息中心提供的东北地区172个台站气象观测资料,利用距平相关系数(ACC)、趋势异常综合检验(PS)评估和距平符号一致率(PC)3种定量方法对比评估了4种模式对东北地区月气温的预测性能.结果表明,EC模式和CFSv2模式与BCC模式和TCC模式相比,对月气温的总体预测效果较好,有一定的预测技巧.从空间上来看,CFSv2的PC在前半年表现的比后半年的略好,PC超过80％的范围比较大.CFSv2和EC模式对东北地区夏季典型低温年有一定的预测能力.【期刊名称】《气象科技》【年(卷),期】2016(044)005【总页数】6页(P749-753,762)【关键词】气候模式;月气温;预测性能;评估【作者】王莹;李永生;段春锋【作者单位】黑龙江省气象服务中心,哈尔滨150036;黑龙江省气候中心,哈尔滨150030;安徽省气候中心,合肥230031【正文语种】中文东北地区是中国最主要的粮食产区和最大的商品粮基地，粮食多年平均产量占全国的十分之一左右[1]，因此短期气候预测对农业生产显得尤为重要。
目前短期气候预测的主要技术手段是基于动力和统计相结合的方法进行预测[2-3]，但面对社会日益提高的需求，以及现代气候业务发展，模式的直接预测产品也要求的越来越精细[4-5]。
作者已经分析了基于BCC的DERF2.0(中国)、CFSv2(美国)、EC(欧洲)、TCC(日本)4种模式开展的对东北地区月降水的预测性能，本文继续分析对比多模式对东北地区月气温的预测能力，评估各模式的预测性能，并对东北地区典型夏季低温年的预测能力进行了分析，以期为农业生产提供科学决策的依据。
本文所用气温资料为中国气象局信息中心提供的相对完整的东北地区172站气温资料，模式资料为国家气候中心提供的BCC(中国的DERF2.0)、CFSv2(美国)、EC(欧洲)、TCC(日本)4种模式资料，为了对比评估方便，DERF2.0用BCC代替。
浅谈短期天气预报的分析流程与技巧
浅谈短期天气预报的分析流程与技巧短期天气预报是指对未来1-3天内的天气情况进行预测和分析的工作。
准确的短期天气预报对于人们出行、农业生产和防灾减灾等方面具有重要意义。
下面将浅谈短期天气预报的分析流程与技巧。
短期天气预报的分析流程主要包括以下几个步骤：1. 数据收集：收集和获取各类气象观测数据，如气温、湿度、降水、风速等。
还需要获取气象卫星、雷达和气象雷达等卫星和雷达资料。
2. 数据处理：对收集到的数据进行处理，包括数据的质量控制、格式转换和插值等。
这一步是确保后续分析准确性的基础。
3. 特征提取：根据收集到的数据，利用气象统计和数学统计的方法，提取出与天气现象相关的特征。
通过分析降水量的分布和变化规律，提取出降水的强度和范围等特征。
4. 模型建立：根据收集到的特征和历史天气数据，建立数学或统计模型来预测未来的天气情况。
常用的模型包括回归模型、时间序列模型和神经网络模型等。
5. 模型验证：通过对历史天气数据的预测，并与实际观测数据进行对比，评估模型的准确性和可靠性。
如果模型预测结果与实际观测结果较为一致，可以认为模型具有较好的预测能力。
6. 预报发布：根据模型预测的结果，将预报结果进行整理和编制，并及时发布给用户。
预报结果通常包括天气的类型、强度、持续时间和空间范围等信息。
除了以上的流程外，还有一些重要的技巧可以帮助提高短期天气预报的准确性：1. 多元数据融合：将不同观测数据、卫星和雷达资料进行有效融合，可以充分利用各类数据的优势，提高预报的准确性。
2. 小尺度和局地化预报：针对小区域和局部地区，利用高分辨率模型和数据，进行更细致的预报分析，提高预报的精度。
3. 多模式集合预报：利用不同模型的集合成员预测结果，通过对集合结果进行统计和分析，可以提高预报的可靠性和确定性。
4. 实时观测数据的利用：及时获取最新的气象观测数据，充分利用实时数据进行模型修正和预报更新，提高预报的准确性。
5. 经验和专家判断的融合：将经验和专家知识结合到模型预报中，利用经验规则和专家推理，提高预报的判断能力和准确性。
基于卡尔曼滤波的中国区域气温和降水的多模式集成预报
基于卡尔曼滤波的中国区域气温和降水的多模式集成预报智协飞;黄闻【摘要】Based on the data from the TIGGE datasets of European Centre for Medium-Range Weather Forecasts (ECMWF), Japan Meteorological Agency (JMA), National Centers for Environmental Prediction (NCEP), China Meteorological Administration (CMA) and United Kingdom Met Office (UKMO), the Kalman filter method was applied to conduct multimodel ensemble forecasts of the surface air temperature and precipitation.The results showthat the multimodel ensemble forecasts by using Kalman filter are superior to those of the bias-removed ensemble mean (BREM) and other individual models.However, the forecast results of Kalman filter method vary for different meteorological elements and different forecast lead times. For the surface air temperature forecast in China, Kalman filter method shows the best forecast capability while for the precipitation forecast, it has a higher TS score than the BREM.However, with longer forecast lead time, the TS scores for heavy rains are approximately equivalent to those of the best individual model UKMO.So the Kalman filter method does not improve the forecast capability of heavy rains significantly.To sum up, the root mean square error (RMSE) of surface air temperature and precipitation forecasts based on Kalman filter is the smallest among those of the multimodel ensemble forecasts and each individual model forecasts.%利用TIGGE资料集下欧洲中期天气预报中心(ECMWF) 、日本气象厅 (JMA) 、美国国家环境预报中心 (NCEP) 、中国气象局(CMA) 和英国气象局 (UKMO) 5个模式预报的结果, 对基于卡尔曼滤波的气温和降水的多模式集成预报进行研究.结果表明, 卡尔曼滤波方法的预报效果优于消除偏差集合平均 (BREM) 和单模式的预报, 但是对于地面气温和降水, 其预报效果也存在一定的差异.在中国区域2 m气温的预报中, 卡尔曼滤波的预报结果最优.而对于24 h累积降水预报, 尽管卡尔曼滤波在所有量级下的TS评分均优于BREM, 但随着预报时效增加, 其在大雨及以上量级的TS评分跟最佳单模式UKMO预报相当, 改进效果不明显.卡尔曼滤波在地面气温和24 h累积降水每个预报时效下的均方根误差均最优, 预报效果更佳且稳定.【期刊名称】《大气科学学报》【年(卷),期】2019(042)002【总页数】10页(P197-206)【关键词】卡尔曼滤波;消除偏差集合平均;多模式集成预报;TIGGE【作者】智协飞;黄闻【作者单位】南京信息工程大学气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室/大气科学学院,江苏南京 210044;南京大气科学联合研究中心,江苏南京 210008;南京信息工程大学气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室/大气科学学院,江苏南京 210044【正文语种】中文近年来,数值天气预报及其释用技术迅速发展,其在天气预报中的地位也越来越高,并且其发展方向也由单一确定性预报转向了集合数值预报(王太微和陈德辉,2007)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
天津市多模式气温集成预报方法吴振玲;潘璇;董昊;徐姝;汪靖【摘要】在遗传算法和粒子群算法的基础上，采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。
利用2012年5-10月中国气象局GRAPES 模式、北京市气象局 BJ-RUC 模式、中国气象局 T639模式、天津市气象局 TJWRF 模式24 h 预报时效的逐6 h 地面2 m 高度气温和35个天津区域自动气象站点资料，通过逐日滚动建立集成预报模型，对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。
结果表明：使用该方法建立的气温集成预报模型具有比较可靠的预报能力，预报误差明显小于任一成员，预报准确率高。
按绝对误差不大于2℃的检验标准，2012年35个站逐6 h 气温、最低气温、最高气温的集成预报平均准确率分别为76．34％，77．88％，78．00％。
%Based on genetic algorithm and particle swarm optimization,multi-model air temperature consensus forecast technology (MMATCFT)of hybrid evolutionary algorithm (HEG)is studied.The main technical thought of this method is that two integrated forecast modelsare set up respectively by using the genetic algorithm and particle swarm optimization,and then the final mixed forecasting model is established by the weight distribution scheme,which is founded through comparing forecast mean errors between the two models. <br> In order to eliminate the impact of seasonal temperature characteristics of Tianjin,the daily rolling in-tegrated forecast model based on 30-day data is adopted in practical operation applications with hybrid evo-lutionary ing 2 m air temperature output data of four models of T639,GRAPES,TJWRF,BJ-RUC and observations of 35 automatic weather stations (AWS)in villages and towns of Tianjin from May to October in 2012,the forecast test of MMTCFT is carried out.Then the experimentation result is evaluated using the way of classification and station-separation,according to the meteorological standard that absolute error of temperature forecast is within 2℃.T639,GRAPES,TJWRF and BJ-RUC are sepa-rately run by China National Meteorological Center,Tianjin Meteorological Bureau and Beijing Meteoro-logical Bureau.The analysis shows that the temperature consensus forecast model is effective and reliable. The technical scheme of the consensus forecast based on rolling model is more rational.The forecast errors are obviously smaller than any model mentioned above,and the forecast accuracy is higher.The average forecast accuracy of 6 h temperature,the daily maximum and minimum temperature in 35 AWS is 76.34%,77.88% and 78.00% from May to October,respectively.【期刊名称】《应用气象学报》【年(卷),期】2014(000)003【总页数】9页(P293-301)【关键词】混合演化算法;滚动建模;多模式集成;气温预报【作者】吴振玲;潘璇;董昊;徐姝;汪靖【作者单位】天津市气象台，天津 300074;天津科技大学，天津 300222;天津市气象台，天津 300074;天津市气象台，天津 300074;天津市气象台，天津 300074【正文语种】中文在遗传算法和粒子群算法的基础上，采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。
利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ－RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24h预报时效的逐6h地面2m高度气温和35个天津区域自动气象站点资料，通过逐日滚动建立集成预报模型，对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。
结果表明：使用该方法建立的气温集成预报模型具有比较可靠的预报能力，预报误差明显小于任一成员，预报准确率高。
按绝对误差不大于2℃的检验标准，2012年35个站逐6h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%，77.88%，78.00%。
20世纪90年初，国外气象学者已经对数值天气预报模式输出的预报结果开展了集成预报方法研究，如Leslie等［1］采用统计回归方法，使用模式预报结果和3个统计预报因子对澳大利亚东南部天气系统进行集成组合预报，预报质量显著提高。
随着国内运行的数值预报模式种类的迅速增加，面对海量的多模式数值预报产品，在短时间内有效利用这些预报信息成为天气预报业务的主要需求之一，也促使了多模式集成预报方法在国内气象部门快速发展。
90年代末，多模式集成研究主要集中在降水预报方面，如金龙等［2］、魏凤英［3］、周家斌等［4－6］、刘还珠等［7］、陈桂英［8］分别采用神经网络方法、区域动态权重方法、以汛期降水分布为对象的最小预测误差平方和逐步算法、分区权重法研究了不同范围、不同季节时段的降水集成预报，预报准确率优于单一集成成员的预报结果。
在现代天气业务的精细化气象要素预报要求下，气温集成预报方法应用逐渐增多，如苗爱梅等［9］使用简单的线性集成方法集成4个模式预报最低气温、最高气温；赵声蓉［10］使用BP人工网络神经方法集成多种模式产品预报全国600多个站点的逐3h气温，采用同样方法，李倩等［11］开展区域850hPa的温度预报试验，集成预报的平均绝对误差均小于单模式预报结果；熊聪聪等［12－13］尝试分别利用遗传算法、粒子群算法开展逐3h气温的集成预报试验；牛保山等［14］利用最小二乘法集成各类上级指导产品，预报最高气温及最低气温；林春泽等［15］利用超级集合、多模式集合平均和消除偏差集合平均方法对地面气温进行集成预报。
整体上，在精细化气温集成预报研究方面探讨和试验比较多。
集成预报的关键在于构造可靠的适应度函数，并选取较好的集成预报方案，以确保其结果在实际应用中较为客观准确［16］，但由于天气系统的复杂性，在高密度短期定时气温预报业务中还没有形成比较成熟和完善的集成技术，因此，继续加强集成预报方法的探讨仍是一项重要工作。
天津市气象局针对GRAPES模式、BJ－RUC模式、T639模式、TJWRF模式的逐6h气温预报产品，开展基于演化算法的多模式气温集成预报方法研究，利用权重分配方法将遗传算法和粒子群算法结合在一起，尝试在提高数值预报产品使用率的同时，进一步提高预报准确率和预报效率。
1.1 资料本文使用2012年5—10月逐日地面气温资料，包括实况资料和数值预报产品资料。
实况资料来自于天津233个区域自动气象站中的35个代表站的逐日02：00（北京时，下同），08：00，14：00，20：00气温和最低气温、最高气温。
数值预报产品选自中国气象局GRAPES模式、北京市气象局BJ－RUC模式、中国气象局T639模式、天津市气象局TJWRF模式2m高度的逐6h气温及最低气温、最高气温逐日预报数据，模式起报时间均为20：00。
由于中国气象局GRAPES模式、北京市气象局BJ－RUC模式、中国气象局T639模式、天津市气象局TJWRF模式产品预报分辨率不同，且输出场为格点数据，与天津区域自动气象站不一致，因此，利用双线性插值方法，使用站点周边4个格点数据，将格点预报数据转换为区域站点预报数据。
随机数据检验表明，转化的站点预报数据与原始格点数据具有相同的空间分布及预报结论。
1.2 方法气温具有明显的季节性特征，尤其是在季节转换时期，气温上下波动幅度相对较大，在保持气温连续性变化特征的基础上解决季节影响，采用基于混合演化算法逐日滚动建立集成预报模型，建模资料长度保持30d。
集成预报模型的订正预报因子主要选取了上述4个模式的区域自动气象站点气温预报数据和气温实况。
混合演化算法（简称混合算法）是利用遗传算法（Genetic Algorithm，简称GA）与粒子群优化算法（Particle Swarm Optimization，简称PSO）共同建立预报模型的方法。
本研究针对同一站点、同一时刻的多组集成训练数据序列，即4个模式预报序列和实况序列，利用遗传算法和粒子群算法分别建立该站点该时刻的集成预报模型，完成第1次集成预报，得到两组集成预报数据序列，并将这两组集成预报数据序列转化为混合算法的集成训练数据序列，利用式（1）的权重分配方法，确定每个算法的模型预报权重（w），对遗传算法和粒子群算法预报结果进行再集成，得到混合算法的预报模型（式（2））。