基于BMA方法的地面气温概率预报研究
基于CMA-BJ_数值预报模式产品的复杂地形下冬奥站点地面气温和风速预报方法研究
* 资助课题：国家重点研发计划项目（2018YFF0300102）。 作者简介：王在文，主要从事数值模式释用研究。E-mail：zwwang@ 通信作者：全继萍，主要从事数值预报模式研究。E-mail：jpquan@
王在文等：基于 CMA-BJ 数值预报模式产品的复杂地形下冬奥站点地面气温和风速预报方法研究
927
表征意义，可进一步提高该预报方法对 10 m 风速订正预报的精度。 关键词 嵌套相似集合， 相似集合， 线性回归， 要素预报， CMA 北京模式 中图法分类号 P456
1 引 言
自 1950 年 “数值天气预报”正式确认以来（曾 庆存，2013），经过 70 a 的高速发展，数值天气预报 已发展为定量、客观的科学方法（Benjamin，et al， 2019），是物理科学中最重要的领域之一（Bauer，et al，2015），是天气预报业务和防灾、减灾的核心科 技（沈学顺等，2020）。20 世纪 70 年代开始数值天 气 预 报 在 世 界 各 国 普 遍 实 现 业 务 应 用 （ Kalnay， 2003；曾庆存，2013），在模式本身日臻完善的当下， 随着三维变分同化（Barker，et al，2004）和四维变分 同化（Huang，et al，2009）的研究和应用，模式初始 场精度显著提高，数值预报精度亦得到显著提升， 成为天气预报的重要基础。
基于BMA方法的地面气温的10～15 d延伸期概率预报研究
基于BMA方法的地面气温的10～15 d延伸期概率预报研究作者：智协飞来源：《大气科学学报》2018年第05期摘要利用TIGGE资料提供的欧洲中期天气预报中心（ECMWF）、美国国家环境预报中心（NCEP）、英国气象局（UKMO）三个预报中心2013年6月1日至8月31日的地面2 m 气温10～15 d预报资料，对延伸期地面气温进行贝叶斯模式平均（Bayesian Model Averaging，BMA）预报试验。
结果表明，BMA方法的预报效果随训练期长度而改变，训练期长度为30 d时预报效果最优。
BMA方法可提供全概率密度函数，定量描述预报不确定性的大小，且陆地上预报不确定性大于海洋上的预报不确定性，高纬度地区预报不确定性大于低纬度地区的预报不确定性。
利用CRPS评分对BMA概率预报技巧进行评估，发现预报技巧随预报时效的延长降低，且预报技巧在海洋上优于陆地、低纬度地区优于高纬度地区。
此外，3 d、5 d和7 d滑动平均的预报值反映某些天气过程的平均要素预报，对于提高10～15 d延伸期概率預报技巧有一定效果，且滑动天数越长，预报效果越好。
关键词BMA；延伸期预报；概率预报；滑动平均延伸期预报是指时间尺度为10～30 d的天气预报，是连接常规天气预报和短期气候预测达成无缝隙预报的关键。
根据大气的可预报性理论，一般认为逐日天气可预报时效的理论上限约为两周，超过理论上限则失去预报技巧（Lorenz，1982；Chou，1989）。
由于大气是高度非线性的，且目前的数值预报模式也不完善，这种逐日预报上限主要是由数值模式对大气初始条件的敏感性所决定的。
而延伸期天气预报不仅受大气的初始条件影响，也同时和大气外部强迫因子有关。
气象要素在几天或者更长时间内的平均值或距平值是可以预报的，并且当某些异常环流信号明显且持续时，对于延伸期天气过程往往具有较好的可预报性（金荣花等，2010）。
因此，延伸期天气预报仍然是可能的。
基于TIGGE多模式集合的24小时气温BMA概率预报
基于TIGGE多模式集合的24小时气温BMA概率预报刘建国;谢正辉;赵琳娜;贾炳浩【期刊名称】《大气科学》【年(卷),期】2013(037)001【摘要】利用TIGGE (THORPEX Interactive Grand Global Ensemble)单中心集合预报系统(ECMWF、United Kingdom Meteorological Office、China Meteorological Administration和NCEP)以及由此所构成的多中心模式超级集合预报系统24小时地面日均气温预报,结合淮河流域地面观测率定贝叶斯模型平均(Bayesian model averaging,BMA)参数,从而建立地面日均气温BMA概率预报模型.由此针对淮河流域进行地面日均气温BMA概率预报及其检验与评估,结果表明BMA模型比原始集合预报效果好；单中心的BMA概率预报都有较好的预报效果,其中ECMWF最好.多中心模式超级集合比单中心BMA概率预报效果更好,采用可替换原则比普通的多中心模式超级集合BMA模型计算量小,且在上述BMA集合预报系统中效果最好.它与原始集合预报相比其平均绝对误差减少近7％,其连续等级概率评分提高近10％.基于采用可替换原则的多中心模式超级集合BMA概率预报,针对研究区域提出了极端高温预警方案,这对防范高温天气有着重要意义.%Bayesian model averaging (BMA) probability forecast models were established through calibration of their parameters using 24-h ensemble forecasts of average daily surface air temperature provided by single-center ensemble prediction systems (EPSs) from the following agencies: the European Centre for Medium-Range Weather Forecasts (ECMWF), the United Kingdom Meteorological Office (UKMO), the China MeteorologicalAdministration (CMA), and the United States National Center for Environmental Prediction (NCEP) and its multi-center model grand-ensemble (GE) EPSs in the THORPEX Interactive Grand Global Ensemble (TIGGE), and observations in the Huaihe basin. The BMA probability forecasts of average daily surface air temperature for different EPSs were assessed by comparison with observations in the Huaihe basin. The results suggest that performance was better in the BMA predictive models than that in raw ensemble forecasts. The BMA predictive models for the four single-center EPSs all had good forecast skills; among them, the ECMWF EPS had the best. The BMA predictive models for the GE EPS performed better than any of the four single-center EPSs; those for the GE EPS with exchangeable members (EGE) quickened the computation rate and had the best forecast skill in BMA models for all EPSs. The mean absolute error (MAE) and continuous ranked probability score (CRPS) skills of the BMA models for EGE improved approximately 7% and 10%, respectively, compared with those of raw ensemble forecasts. On the basis of percentile forecasts from the BMA predictive models for EGE, an extreme scorching weather warning scheme was proposed in the study area, which is of significant importance for precautionary measures against such weather conditions.【总页数】11页(P43-53)【作者】刘建国;谢正辉;赵琳娜;贾炳浩【作者单位】中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京100029;中国科学院大学,北京100049;中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京100029;中国气象局公共气象服务中心,北京100081;中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京100029【正文语种】中文【中图分类】P456【相关文献】1.基于TIGGE资料的地面气温多模式超级集合预报 [J], 林春泽;智协飞;韩艳;王靖宇2.基于TIGGE资料的地面气温延伸期多模式集成预报 [J], 崔慧慧;智协飞3.基于TIGGE资料的地面气温和降水的多模式集成预报 [J], 智协飞;季晓东;张璟;张玲;白永清;林春泽4.基于BMA方法的地面气温的10～15d延伸期概率预报研究 [J], 智协飞;彭婷;王玉虹5.基于BMA方法的地面气温概率预报研究 [J], 周红梅;茆越;宋兆丰;因版权原因，仅展示原文概要，查看原文内容请购买。
利用马尔可夫模型进行天气预测的方法
天气预测一直是人们关注的话题之一。
无论是日常生活还是农业生产、交通运输等行业，都需要准确的天气预测信息来做出相应的决策。
传统的天气预测方法主要依靠气象观测数据和物理模型，但是这些方法在某些情况下存在一定的局限性。
而利用马尔可夫模型进行天气预测则是一种新的方法，它通过对天气状态之间的转移概率进行建模，可以更好地捕捉天气变化的规律和特点。
首先，我们来了解一下马尔可夫模型。
马尔可夫模型是一种描述随机过程的数学模型，它假设当前时刻的状态只依赖于前一个时刻的状态，与更早时刻的状态无关。
这种假设在一些情况下可以很好地描述实际系统的动态演化过程。
在天气预测中，我们可以将天气状态看作是一个随机过程，利用马尔可夫模型来描述天气状态之间的转移规律。
其次，如何利用马尔可夫模型进行天气预测呢？首先，我们需要构建一个天气状态的马尔可夫链。
天气状态可以用不同的符号或数字来表示，比如晴天可以用1表示，多云可以用2表示，雨天可以用3表示，等等。
然后，我们需要利用历史天气观测数据来估计不同天气状态之间的转移概率。
这可以通过统计方法来实现，比如计算不同状态之间的转移频率，然后归一化得到转移概率。
有了转移概率之后，我们就可以利用马尔可夫模型来预测未来的天气状态了。
假设当前时刻的天气状态已知，根据转移概率可以计算出下一个时刻各种天气状态的概率分布，然后根据这个概率分布来做出天气预测。
利用马尔可夫模型进行天气预测的方法有一些优点。
首先，它可以很好地捕捉天气状态之间的动态变化规律，能够较为准确地反映天气的突然变化和周期性变化。
其次，它不需要太多的气象观测数据和气象物理知识，只需要一些历史观测数据就可以进行建模和预测。
这对于一些地区和场景下缺乏气象观测设备和专业知识的情况来说，是一种比较实用的方法。
当然，利用马尔可夫模型进行天气预测也存在一些局限性。
首先，马尔可夫模型假设当前时刻的状态只与前一个时刻的状态有关，这在某些情况下可能并不成立，比如出现突发性的极端天气。
天气预报实验报告
天气预报实验报告天气预报实验报告引言：天气预报是人们生活中不可或缺的一部分。
准确的天气预报不仅能帮助人们合理安排出行计划，还能对农业、航空、能源等领域产生重要影响。
然而，由于天气的复杂性和不确定性，天气预报一直是科学家们的挑战之一。
本实验旨在通过收集气象数据、分析气象变量以及应用机器学习算法等方法，探索提高天气预报准确性的可能性。
实验方法：1. 数据收集我们收集了过去一年的气象数据，包括气温、湿度、风速、降水量等。
这些数据来自不同地区的气象站，并经过严格筛选和校准，以保证数据的准确性。
2. 数据分析我们利用统计学方法对收集到的数据进行分析。
首先，我们计算了每个气象变量的平均值、标准差和极值，以了解其分布情况。
然后，我们通过绘制气象变量之间的散点图和相关系数矩阵，探索它们之间的关系。
最后，我们使用时间序列分析方法对气象变量的趋势进行预测。
3. 机器学习算法为了提高天气预报的准确性，我们应用了机器学习算法。
我们选择了支持向量机（Support Vector Machine）和随机森林（Random Forest）两种常用的机器学习算法。
通过将气象数据作为输入变量，将天气类型（晴天、多云、阴天、雨天等）作为输出变量，我们训练了模型，并对其进行了测试和评估。
实验结果：1. 数据分析结果通过对气象数据的分析，我们发现气温与湿度呈负相关关系，风速与降水量呈正相关关系。
这些相关性可以帮助我们更好地理解气象变量之间的相互作用。
此外，通过时间序列分析，我们预测到未来一周的气温将有所上升。
2. 机器学习算法结果我们使用支持向量机和随机森林算法进行了天气预报实验。
通过交叉验证和评估指标（如准确率、召回率、F1分数等），我们发现支持向量机算法在晴天和多云天气的预测上表现较好，而随机森林算法在阴天和雨天的预测上表现较好。
这些结果表明，机器学习算法可以有效地帮助提高天气预报的准确性。
讨论：1. 实验局限性本实验的局限性在于数据的收集和分析。
东亚地区冬季地面气温延伸期概率预报研究
东亚地区冬季地面气温延伸期概率预报研究吉璐莹;智协飞;朱寿鹏【摘要】Based on the TIGGE datasets including the European Centre for Medium-Range Weather Forecasts(ECMWF),the U.S.National Centers for Environmental Prediction (NCEP),the United Kingdom Met Office (UKMO) and its multi-center ensemble systems,Bayesian Model Averaging (BMA) probabilistic forecasts of winter surface air temperature over East Asia are established.Anomaly correlation coefficient (ACC) and root mean square (RMSE) are used for the evaluation of the BMA deterministic forecasts.Furthermore,Brier score (BS),Ranked probability score(RPS),BSS and RPSS are applied to evaluate the performance of BMA probabilistic forecasts.The results show that the BMA forecast distributions are considerably better calibrated than the raw ensemble forecasts,and BMA forecasts of ECMWF,NCEP and UKMO EPSs provide better deterministic forecasts than the individual model forecasts.The BMA models for multi-center EPSs outperform those for single-center EPS for lead times of 240-360 h,and the optimal length of the training period is about 35 days.In addition,BMA provides a more reasonable probability distribution,which depicts the quantitative uncertainty of the forecasts.The uncertainty on the land(higher latitude) is larger than that on the sea(lower latitude).%利用TIGGE资料中的ECMWF、NCEP、UKMO三个中心集合预报系统以及由此构成的多中心集合预报系统所提供的地面2m气温10～ 15 d延伸期集合预报产品,建立贝叶斯模式平均(Bayesian Model Averaging,BMA)概率预报模型,对东亚地区冬季地面气温进行延伸期概率预报研究.采用距平相关系数、均方根误差、布莱尔评分、等级概率评分等指标分别对BMA确定性结果与概率预报进行评估.结果表明,BMA方法明显地改进了原始集合预报结果,预报技巧优于原始集合预报,且多中心BMA预报优于单中心BMA预报,最佳滑动训练期取35 d.BMA预报为气温的延伸期概率预报提供了更合理的概率分布,定量描述了预报的不确定性.【期刊名称】《大气科学学报》【年(卷),期】2017(040)003【总页数】10页(P346-355)【关键词】延伸期预报;地面气温;贝叶斯模式平均;概率预报【作者】吉璐莹;智协飞;朱寿鹏【作者单位】南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044;南京信息工程大学气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心,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教育部重点实验室/气象灾害预报预警与评估协同创新中心,江苏南京210044【正文语种】中文2016-11-06收稿，2017-03-13接受国家自然科学基金资助项目(41575104);北极阁开放研究基金南京大气科学联合研究中心(NJCAR)重点项目;江苏高校优势学科建设工程资助项目(PAPD)延伸期预报是指10～30 d的天气预报,介于常规天气预报和气候预测之间(马浩等,2012)。
利用马尔可夫模型进行天气预测的方法(Ⅲ)
天气预测一直是人们日常生活中非常关注的话题，尤其是对于户外工作或者活动频繁的人群来说，天气预测的准确性直接影响到他们的生活质量。
传统的气象预测方法主要依靠物理模型和统计方法，但是这些方法在面对复杂的气候系统时往往难以达到较高的准确性。
而马尔可夫模型作为一种基于概率的预测方法，在天气预测中展现出了较好的效果。
本文将介绍利用马尔可夫模型进行天气预测的方法，并探讨其在实际应用中的优势和局限。
首先，马尔可夫模型是一种描述随机过程的数学模型，其基本思想是当前时刻的状态只依赖于前一时刻的状态。
在天气预测中，我们可以将天气状态（如晴、阴、雨、雪等）作为马尔可夫链中的状态，然后利用历史数据来估计状态转移矩阵，从而实现对未来天气状态的预测。
与传统的气象预测方法相比，马尔可夫模型具有以下几点优势。
其一，马尔可夫模型适用于描述非平稳的随机过程。
在气象预测中，气候系统的复杂性导致气象数据往往呈现出非平稳性，而马尔可夫模型可以较好地描述这种非平稳性，并且能够对未来的状态进行预测。
这使得马尔可夫模型在短期天气预测中有着较好的表现。
其二，马尔可夫模型能够较好地捕捉天气状态之间的转移规律。
在天气系统中，不同的天气状态之间存在着一定的转移概率，例如晴天转为阴天的概率、阴天转为雨天的概率等。
利用马尔可夫模型可以对这些转移规律进行建模，从而实现对未来天气状态的预测。
而传统的物理模型往往难以捕捉这些复杂的转移规律。
另外，马尔可夫模型还可以结合其他气象数据进行综合预测。
除了利用天气状态进行预测之外，还可以结合温度、湿度、气压等气象数据，构建多状态马尔可夫模型，从而提高预测的准确性。
这种多状态马尔可夫模型能够全面考虑气象系统中的多个因素，使得预测结果更加可靠。
然而，马尔可夫模型在天气预测中也存在一些局限性。
其一，马尔可夫模型假设当前时刻的状态只与前一时刻的状态有关，而与更早的状态无关。
这种假设在某些情况下可能不成立，特别是在气候系统发生突变或者周期性变化时。
基于人工智能的天气预报精准预报算法研究
基于人工智能的天气预报精准预报算法研究随着科技的不断升级，人工智能成为了当今社会热门的话题，同时也应用于各行各业，其中天气预报领域也不例外。
基于人工智能的天气预报精准预报算法，成为了当前研究的焦点。
通过人工智能技术，为人们提供更为准确、实时的天气预报，将成为未来天气预报的发展方向。
一、人工智能在天气预报中的应用在天气预报中，人工智能技术通过大数据分析和机器学习，对气象因素进行综合评估，进而实现天气趋势预测。
其中，大数据技术通过对历史天气数据的分析和研究，可以了解气候变化趋势以及各种气象因素之间的关系。
机器学习技术则可以通过对大量数据的学习和模式识别，实现对天气变化的预测，从而提高天气预报的准确性。
二、人工智能在气象预警中的应用除了天气预报，人工智能技术还可以应用于气象预警中。
传统气象预警主要是依靠气象传感器所采集的数据配合专家判断，这种方式容易受限于人们的认知水平和主观因素。
而基于人工智能技术的气象预警系统，可以对气象数据进行分析和处理，进而自动化地判断出各种预警情况，从而提高预警的效率。
三、研究存在的问题和对策虽然人工智能技术在天气预报领域的应用取得了不错的成果，但依然存在一些问题。
比如，对于非线性的天气系统，机器学习技术的训练数据难以覆盖所有情况，导致预测准确性不高。
此外，气象数据的收集和整理也需要专业人员进行，对于一些国家和地区而言，这是一项耗费人力物力的任务。
为解决这些问题，应该加强天气数据的收集和整理，并建立更为完善的天气数据管理体系。
同时，在机器学习技术的应用过程中，应该加强算法优化，提高预测准确度，加大对气象专业人才的培养力度，提高技术水平，为天气预报赋能。
四、结语基于人工智能的天气预报精准预报算法，是未来天气预报的发展方向。
通过科技的手段，为社会带来更为准确、实时的天气信息，能够更好地为人民服务。
我们需要不断总结经验，加强技术研究和应用，进一步提高天气预报的准确性和实用价值。
- 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)。
BMA, Probabilistic Forecast, Yancheng
基于BMA方法的地面气温概率预报研究
周红梅，茆 越，宋兆丰
射阳县气象局，江苏 盐城
收稿日期：2019年4月16日；录用日期：2019年4月23日；发布日期：2019年4月30日
摘要
利用欧洲中心欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(GFS)两个预报中心2018年6月1
DOI: 10.12677/ccrl.2019.83030
270
气候变化研究快报
周红梅 等
数(PDF)的加权平均，其权重是相应模式的后验概率，代表着每个模式在模式训练阶段相对的预报技巧。 智协飞等[8]利用 TIGGE 多模式资料研究 BMA 方法对地面气温的 10~15 d 延伸期概率预报研究，结
Climate Change Research Letters 气候变化研究快报, 2019, 8(3), 269-278 Published Online May 2019 in Hans. /journal/ccrl https:///10.12677/ccrl.2019.83030
BMA 模型的预报方差包括两项，BMA 模型的预报方差包括两项，第一项是模式间的方差，反映了
预报集合的离散度，第二项表示集合内的方差。
k =1 K
其中， ωk 是权重，反映了第 k 个模式在训练期的相对贡献程度。 ωk 是非负的，且满足 ∑ωk = 1。
k =1
DOI: 10.12677/ccrl.2019.83030
271
气候变化研究快报
周红梅 等
( ( )) hk y | fk , yT 是与单个模式回报结果 fk 相联系的条件概率密度函数。
Probabilistic Forecast of Surface Air Temperature Using Bayesian Model Averaging
Hongmei Zhou, Yue Mao, Zhaofeng Song
Sheyang Meteorological Bureau, Yancheng Jiangsu
Received: Apr. 16th, 2019; accepted: Apr. 23rd, 2019; published: Apr. 30th, 2019
Abstract
In this study, based on European Centre for Mediu-Range Weather Forecasts (ECMWF) and Global Forecast System (GFS), the probabilistic forecasts of surface air temperature during the period from 1 June to 31 November 2018 were conducted using Bayesian Model Averaging (BMA). The results showed that BMA method can not only provide deterministic result prediction, but also provide full probability density function to describe the uncertainty of prediction quantitatively. By using Analyzed the Correlation Coefficient (ACC), Root-mean-square error (RMSE) and the prediction accuracy of the prediction errors at 1˚C and 2˚C, the prediction results of BMA are better than models. The continuous ranked probability score (CRPS) is used to evaluate the probability prediction of BMA, and it is found that the probability prediction skills of BMA are also improved. In addition, for the probability forecast provided by BMA, the temperature forecast under 80% probability can be used as the limit of the maximum temperature forecast.
Open Access
1. 引言
天气概率预报初创于 20 世纪，但直到上世纪 60 年代前期为止，概率天气预报的进展比较缓慢。20 世纪 60 年代最先由美国国家气象局把概率预报用于日常气象业务的试验；并于 1965 年开始在全国实施 降水主观概率预报(SubpoPa)业务计划，1972 年雷雨和强风暴概率预报投入业务运行，1974 年短时局地 强风暴概率预报系统进行试运行，1976 年完成此系统的开发。20 世纪 70 年代日本开始传送降水概率预 报，并于 l980 年 JE 式对外发布东京的降水概率预报；1980 年欧洲中心澳大利亚、加拿大等国和地区相 继建立了降水概率预报业务系统。我国在 20 世纪 80 年代曾发布过概率预报，1995 年在上海市、北京市 相继发布了降水概率预报。1998 年中国气象局决定在全国推行概率预报业务，但目前国内水平与美国、 日本等发达国家相比还存在一定差距，不仅表现在数值预报模式的分辨率上、计算机速度上、预报产品 分发处埋上，还表现在我国数值预报产品释用工作至今尚未形成完整业务。
在实际业务应用方面，如何通过有效的手段充分利用各种数值预报产品形成本地概率预报产品，十 分迫切。盐城地处江苏中东部，拥有最长的海岸线和最远的沿海滩涂以及最广的海域面积，物产富饶， 素有鱼米之乡的美称。冬季主要受极地变性大陆气团控制，夏季受副热带高压控制，一年四季均有灾害 性天气，主要包括暴雨、大风、寒潮、高温等。本文以盐城为例，进行多模式集成将多种模式产品转化 成所需的概率预报产品，进一步提升各种数值预报的客观指导价值，进一步提升本地预报水平，实现经 济最优化。
2.2. 方法
2.2.1. 贝叶斯模式平均 BMA 是一种集合预报的前处理方法，可以产生有预测效果的概率预报，也可以产生确定性预报。它
以实测样本隶属于某一模式的后验概率为权重，将各模式的条件概率密度函数进行加权平均，从而得到 概率密度函数，其基本原理如下：
( ( )) ( ( )) K
∑ p y | f1, f2 , , fK , yT = ωk hk y | fk , yT
大气自身的运动特征、数值模式的不完备、初始资料的不确定性等各类因素，促使了天气预报从从 单一值的确定论向多值的概率论转变[1] [2]。
杜钧[3]、矫海燕[4]指出集合预报的产生和应用在一定程度上弥补了预报的不确定性，提高了预报精 度，为概率预报的发展奠定了坚实的基础。Epstein [5]提出了集合预报的思想和方法，这是一种动力随机 预报方法。依据非线性理论，由于数值模式对初始状态的敏感性，集合预报方法使用多个成员来描述大 气状态的不确定性，通过模式运行产生大量预报信息，可生成真正“概率论”意义下的预报结果。多模 式集成方法是一种提高模式预测准确率的非常有效的后处理统计方法。多模式集成方法不仅适用于确定 性预报，也可用于概率预报。其中集合概率预报可以定量评估不确定性，并且对天气变化的风险分析和 决策制定提供更准确的值，从而实现经济最优化[6]。集合概率预报方法 BMA，Raftery 等[7]在 2005 年引 入 BMA 方法，将其作为一种方法产生任何天气参数的概率密度函数。这种方法现在被广泛的用于气温、 海平面气压、定量降水、风速以及风向的概率预报。贝叶斯模式平均方法(Bayesian Model Averaging，简 称 BMA)能够产生率定的高度集中的概率密度函数(Probability density function，简称 PDF)。它对某一特 定变量的概率预报是经过偏差校正的单个模式概率预报的加权平均，其权重是相应模式的后验概率，代表 着每个模式在模式训练期相对的预报技巧。应用研究表明，基于 BMA 方法进行集合预报具有明显优势。 用已有预测效果的 PDF 进行概率预报，这个有预测效果的 PDF 是经过偏差校正的各个中心的概率密度函
关键词
BMA，概率预报，盐城
Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
2. 资料和方法
2.1. 资料
本文用包括欧洲中期天气预报中心(European Center for Medium-Range Weather ห้องสมุดไป่ตู้orecast, ECMWF)、 美国国家环境预报中心(Global Forecast System, GFS)预报数据都是 08 时起报，预报未来 3 天 96 小时的 2 米气温。模式中心及其分辨率如表 1 所示。
文章引用: 周红梅, 茆越, 宋兆丰. 基于 BMA 方法的地面气温概率预报研究[J]. 气候变化研究快报, 2019, 8(3): 269-278. DOI: 10.12677/ccrl.2019.83030
周红梅 等
日至2018年11月30日地面2米气温0~4天预报资料，对地面气温进行贝叶斯模式平均(Bayesian Model Averaging, BMA)预报实验。结果表明，BMA方法不仅可以提供确定性结果预报而且可以提供全概率密 度函数，定量描述预报不确定性大小。利用ACC、RMSE以及预报误差在1℃和2℃的预报准确率来看， BMA的预报结果相比于模式而言，有一定的提高。利用CRPS评分对BMA概率预报进行评估，发现BMA 的概率预报技巧也有提高。另外对于BMA提供的概率预报，80%概率下温度预报可作为最高气温预报的 界限。