数值预报产品统计释用的原理及其数学方法
天气原理第5章 -06-数值预报产品释用(ppt文档)
1. 数值预报产品的定性应用方法 2 数值预报产品的定量应用方法
1 数值预报产品的定性应用方法
定性应用数值预报产品制作天气预报，实际上就是把天 气学理论和天气图预报方法进行移植和扩展。不同于传统天气 预报方法的是，将对前期和现时实况天气图的时间、空间分析 延伸到了未来(利用了数值预报结果)，并把传统天气图方法中 对气压场、高度场(风场)及温度场、湿度场的分析和预报扩展 到对物理量场的分析和预报，我们把这种分析预报过程称之为 “纵横分析”。在形势分析、预报的基础上，与天气学方法相 应的一些具体预报方法也可用于数值预报产品的应用。
PP法由于应用了数值预报结果，其预报精度一般可高于由前 期因子报后期状态的经典统计预报法(Classic Statistics，简 称CS)。又因它可利用大量的历史资料进行统计，因此得出的 统计规律一般比较稳定可靠。它可以利用不同的数值模式的 输出产品进行预报，且随着数值模式的改进，PP法会自动地 随之提高预报准确率。且由于数值模式改动时，事先建立的 统计关系不会受到影响，因而不会影响业务工作的连续进行。
目前用得最多、效果较好的统计动力预报法主要以完全预报 (Perfect Prediction，简称PP)法和模式输出统计(Model Output Statistics，简称MOS)预报法为代表。后来，人们在实践中发现， 把预报员的经验、诊断量与模式输出产品相结合(称为MED方 法)，预报的效果可更好，从而以此为思路产生了相应的一些综 合预报方法。
用传统的相似形势法作气象要素预报，要在事先用历史资 料把各种天气出现时的地面或空中形势归纳成若干型天气－气 候模型，并统计各型的相似天气过程与预报区天气的关系。作 预报时；只要根据当时的天气形势及其演变特点，找到历史相 似天气型，即可作出相应的天气预报。
日本数值预报产品在温度预报中的释用
春站冬 季最低 温度 的数据为 例 ， 做散 点 图 ， 出结 输
能 ，得 出关 于最低 温度 和最 高温 度 的多元 回归方
程。
年 ６ 月份 的试用 ， ～８ 收到 了 良好 的使用效 果 。
２ 资料与 方法
ቤተ መጻሕፍቲ ባይዱ
３ 统计 分析 并建 立 回归 方程 ３１筛选 因子 ． 以上 数据 中的预报 因子是 通 过预报 经 验初 步
回归分析 是 目前气 象统计 分析 中较 为常 用 的 方法 之一 。其 中逐步 回归法 有利 于建 立 最优 的 回 归模 型 ， 但过 程较 为复杂 。 ＰＳＳａｉｉ ｌ ａｋｇ Ｓ Ｓ （ｔ ｓｅ ｅａｅ ｔｔａＰ ｆ ｅＳｃａＳｉ ｃ） ｏ ｔ ｏｉ ｃ ｎｅ社会 科 学应 用软 件 包 是 国际 ｒｈ ｌ ｅ 上最 有影 响的三大统 计软件 之一 ，该 软 件功 能强
段 的客观化 与 自动化 还需 要进一 步 的发 展 ，更 多 的工作 需要 利用数值 预报 产品来 处理 。
Ｖ： 报 日 １ 起 ４时气 温 ， 取 到小数位 。 读 Ｖ ： 日下午 日 起报 本传真图 Ｆ Ｆ ０ Ｓ Ｅ ２的地面降水
预报 定性 化值 。 Ｖ ：Ｘ Ｅ ８ Ｆ Ｆ ７ ２图对 ７ ０ Ｐ 垂直 速度 的定 性 化 ０ｈａ 预报值 。 Ｖ ：Ｘ Ｅ ７ Ｆ Ｆ ５ ２图预报 的 ７ ０ Ｐ ０ ｈ ａ温度露 点差 。 Ｖ ：Ｘ Ｅ ８ ，Ｆ Ｆ ７ ２图预报 的 ８ ０ Ｐ ５ ｈ ａ温度 。
Ｖ ：Ｓ Ｅ ３图对地 面降 水预 报 的定 性化 值 。 Ｆ Ｆ ０ Ｖ ：Ｘ Ｅ ８ Ｆ Ｆ ７ ３图对 ７０Ｐ 垂 直 速度 预报 的定 ０ｈ ａ
性 化值 。 Ｖ。Ｆ Ｆ ５ ３图 预报 的 ７ ０ Ｐ 温度 露点 差 。 ：Ｘ Ｅ ７ ０ｈａ Ｖｌ Ｆ Ｆ ７ ３图 预报 的 ８ ０ Ｐ 温度 。 ｌＸ Ｅ８ ： ５ｈａ 以 Ｖ 为预报 量 ，从 Ｖ ～Ｖ 中选 取预 报 因子 进 入 回归 ， 用 Ｓ Ｓ 利 Ｐ Ｓ软件 的线性 逐 步 回归 分 析功
数值天气预报的基本原理
数值天气预报的基本原理数值天气预报是基于数学模型和现代气象学理论实现的一种预报方法，它的基本原理主要包括以下几个方面：一、数值模型的建立数值模型通常会将大气划分成网格，通过对每个网格的物理方程进行离散化、数值求解，来模拟大气在不同高度、不同时间的物理过程。
其中，物理方程通常包括质量、能量、动量守恒方程等，而数值求解采用的是数值计算方法，如有限差分、有限元等。
二、数据输入和处理数值预报需要大量的气象数据来提供给数值模型，包括观测数据和数值预报资料。
观测数据主要来自气象观测站、卫星遥感等，而数值预报资料则包括历史数据、其它数值预报模型的预报资料等。
这些数据需要进行质量控制、插值等处理，以提高预报的准确性。
三、初始化初始化是对数值模型的第一次运算，利用已有的观测数据和预报数据，对数值模型进行初始值设定，以便预报未来的天气状况。
初始化中涉及到的要素包括气压、温度、湿度、风向、风速等。
四、数值预报在数值模型完成初始化之后，便可以进行数值预报，预报的时间可以从数小时到数天不等，具体预报时间由模型的运算能力和实际需要而定。
预报的过程中，数值模型将各个网格中的数值连成数列进行求解，最终预报出各种气象要素的空间分布和时间变化。
五、后处理数值预报完成后，还需要进行后处理以制作出直观有效的预报图，为大众提供使用。
所谓的后处理包括对预报数据的插值、网格剖分、等值线绘制等等。
预报数据的直观展示是数值预报实际应用中不可缺少的环节。
总之，数值天气预报以其高准确度、快速更新的特点，成为了现代气象预报的重要方法之一。
在未来，随着大数据处理和人工智能等技术的发展，相信数值天气预报仍将有更加广阔的应用前景。
第九章 数理统计预报方法
159.0444 /144.6356 1.0996
a y bx 7.7778 (1.0996 37.0778) 48.5485 （天）
直线回归方程为：
ˆ 48.5485 1.0996 x y
上述回归方程的显著性还有待检验。
（2） 相关系数的显著性检验： 相关系数 r: 自由度为 n – 2， r > r 0.01 或 r > r 0.05 ，两个变量间有极显 著或显著相关性； r < r 0.01 或 r < r 0.05 ，两个变量间没有极 显著或显著相关性。
B 相关系数方法（达到显著水平时） 相关系数（r）为±1，x和y相关性好； 相关系数（r）大于0，x和y正相关； 相关系数（r）小于0，x和y负相关； 相关系数（r）等于0，x和y不相关。
2 相关系数的计算及其显著性检验 （1） 相关系数的计算 LXX = ∑X2 – (∑X)2 ／n LYY = ∑Y2 – (∑Y)2／ n LXY = ∑XY – (∑X∑Y) ／ n r = LXY ／ ( LXX ·LYY)1/2
三 相关分析和回归分析 相关分析和回归分析都是研究变量之间相随 变动的统计关系 相关关系分析特点：研究一个或一组变量与 另一个或一组变量之间的相随变动程度； 无自变量和因变量之分，都是随机变量； 评估两类变量之间的线性联系的强弱。 y = f(x)
回归分析特点：研究一个或一组变量（自变 量）与另一个或一组变量（因变量）之间 的相随变动影响程度；因变量是随机变量 （只有一个），自变量非随机变量（有多 个）；评估两类变量之间的线性联系的强 弱，还可以根据自变量的已知固定值估计 或预测出因变量的条件平均值。 在害虫测报中，常首先对预报量和与之相关 因子进行相关分析，以选取与预报量关系 的预报因子，然后对预报量和选取的预报 进行回归分析，建立回归模型。
数值预报释用
• 螺旋度与暴雨落区
1、上述的螺旋度是指垂直螺旋度（不包括水 平螺旋度）
Hp
(
v x
u )dp y
• MOS、PP、KF、诊断分析等方法的技术要 点：
MOS方法：用多元回归方法建立预报对象与 其相关好的数值产品因子之间的统计关系。
PP方法：用多元回归方法建立预报对象与其 相关好的实况要素因子的统计关系，在制 作预报时，用与实况要素因子相类同的数 值产品因子代替。
KF方法：与MOS 、PP方法所不同的是反映 预报对象与相关好的数值产品因子（或实 况要素因子）之间的统计关系是随预报时 间变化的。
诊断分析方法：应用天气尺度场资料，用适 当的热力学、 动力学方程，对个例进行分 析，概括出某种天气现象或天气过程的概 念模型，以此来制作短期天气预报。
漏报率=漏报的日数/实际出现的日数
空报率=空报的日数/预报暴雨的日数
• 暴雨预报的动力相似过滤方法
1、选与暴雨关系密切的一些物理量（几十个）
2、从历史探空报中求出相应的要素并从测站插值到 网格点上并作标准化处理（或极差化处理）。
3、找相似：计算与历史样本中的物理量距离，从一 项产品或物理量选出30个最相似的样本，再以另 一项产品或物理量从上述的30个样本中进行第二 次相似过滤，选出15个样本，再从15个样本中另 选产品或物理量找出5个最佳相似样本。
BP神经网络算法在数值预报产品释用中的应用
BP神经网络算法在数值预报产品释用中的应用作者：赵冬玉王利伟来源：《科技视界》2016年第20期【摘要】根据2015年3月份的GTS实测数据及渤海区域内海洋站的实况数据，建立BP 神经网络数值预报产品释用模型，在模式数值预报的基础上，进行0-24小时、24-48小时以及48-72小时渤海区域气象要素模拟预测。
模式业务试用结果表明，BP神经网络模型具有较强的自适应学习和非线性映射能力，其拟合值与实际值相吻合的较好，预报准确率精度较高。
【关键词】BP神经网络；数值预报产品释用；预报准确率0 引言数值预报产品的释用是解决数值预报产品本地化的一项重要技术，也是提高本地区预报准确率的一种有效手段。
目前数值预报产品的释用工作大都基于统计的分析方法，如MOS法[1]、PPM法[2]中的多元线性判别与回归方程、卡尔曼滤波等。
本文采用人工神经网络方法中应用最为广泛的BP算法开展数值产品定点释用，实现站点要素客观量化预报。
1 数值预报产品释用原理BP网络是人工神经网络中的一种多层前馈网络的学习算法，它可以通过神经网络的自学习功能，确定神经元之间的耦合权值，从而使网络整体具有近似函数的功能，非常适用于非线性系统的建模研究。
图1给出数值预报产品释用流程。
2 BP神经网络数值预报产品释用模型2.1 建立数值预报产品释用模型图1 具有两个隐层的BP网络两个隐层的BP网络结构如图1所示，该网络共分4层：第1层为变量输入，xj（j=1，2，…，n0）为输入变量，no为输入变量的个数。
若设x0为第一隐层中激活函数的域值，则输入向量总共为no+1维。
x0一般取为-1将其增广到输入量中，作为一个分量，则有x=（x0，x1，…，xn0）。
第2层为第1隐层，设有n1个神经元，则其输出向量g=（g0，g1，…，gn1），其中g0为第一隐层中激活函数的域值，一般取为-1。
第3层为第2隐层，设有n2个神经元，其输出向量h=（h0，h1，…），第4层为输出层，设有m个神经元，网络的输出向量为y=（h1，h2…，hm）[3-4]。
数值预报方法
能相当准确地报出 3 天以内的高空、 地面形势，预报准确率己超过主观预报。 对气象要素（如降水、温度、风、云、 能见度等）的预报，准确率不高，且耗费 太多的计算时间，而且有的项目还难以直 接用数值预报方法作出预报
统计预报的优缺点： 优点: 不仅对气象要素预报， 而且对形 势预报也取得了一定的成效。 缺点: 缺乏物理基础， 特别是对预报量 有时间滞后的预报因子的相关 关系的优良性不容易提高 统计关系的稳定性也不够好。
。
有很多方法用来建立统计预报方程。 以回归法为例： 假定我们要做温度预报，从历史 资料中我们已经找到与温度 (T) 有关的 因子若干个，设为 x1, x2, x3, x4, x5,…..。 可以假设它们满足以下的方程：
T a1 x1 a2 x2 a3 x3 a4 x4 a5 x5
2.资料分析和初始化
对观测资料进行处理形成初值
观测资料与模式不匹配：
来源于每天不同时刻 来自不规则分布的观测站 是标准等压面上的数据， 与预报模
式的垂直分层不同 观 测数据可能有误差和与模式不 协调
资料处理包括以下工作： （1）资料检误 （2）客观分析 （3）资料初始化 （4）四维同化
（3）台风路径业务预报模式： 每天在世界时 00 点和 12 点做两次 48 小时的台风路径预报。 （4）环境紧急响应业务系统： 对事故紧急响应，预测核污染物扩 散和迁移的路径、浓度和沉降量. 及时提供给 WMO。
1996 年我国国家气象中心被世界气象组织 （WMO）确认为亚洲区域的环境紧急响应中心，
§5. 卫星、雷达探测资料的应用
一．气象卫星探测资料的应用 卫星自上而下观测地球大气，所拍 摄的云图直观、形象，加深了预报人员 对天气系统的理解，特别是在资料稀少 的高原、沙漠、海洋上，卫星资料起着 更为重要的作用。
气象预报技术的数值和统计分析方法研究
气象预报技术的数值和统计分析方法研究一、引言随着经济和社会的快速发展，气象预报技术的重要性日益凸显。
准确地预报天气对于航空、海洋、农业、交通等行业至关重要，也对人类生命财产的安全产生至关重要的影响。
为了提高气象预报的准确性和可靠性，需要不断探索新的数值和统计分析方法。
二、气象预报的数值方法气象预报的数值方法是通过对大气环流和气象要素的物理模拟来预测未来的天气情况。
数值方法通常使用大气数值模式（ANM）来模拟地球大气系统，并根据数学物理方程组的解决方案来计算未来的天气。
数值模式技术是气象学中最基本和最重要的技术之一。
数值模式将大气分成小的网格，并在每个网格中求解质量、动量和热力学方程式。
这种方法可以提供大气的详细物理信息，并根据初始状态和各种可能的天气预报情况计算未来的气象变化。
数值模型捕捉了地球大气的物理过程，包括风、温度、湿度、云和降水等。
数值模型有多种，如全球大气模型、区域气象模型、嵌网模型等。
这些模型互为补充，每个模型都有其优点和适用范围。
模型的准确性取决于许多因素，如水平分辨率、时间步长、初始和边界条件、物理方程的精度和参数选择等。
三、气象预报的统计方法气象预报的统计方法是将气象预报看作是一种随机过程，并用概率和统计方法来描述未来天气的随机变化。
针对不同的应用场景，可以采用不同的统计方法，如时间序列分析、回归分析、变异系数方法、特征值方法等。
时间序列分析是指对时间序列数据进行分析和预测的方法。
常用的方法包括滑动平均法、指数平滑法、自回归模型等。
时间序列分析可以预测未来一定期间内的气象变化情况，以及局部气象现象的发生概率。
回归分析是指通过建立统计模型，分析气象因素对某一关键参数（如温度、湿度、降雨量等）的影响。
常用的方法包括线性回归分析、多元回归分析等。
回归分析方法可以找到气象预报和关键参数之间的关系，从而提高气象预报的准确性。
变异系数方法是一种描述数据变化程度的统计方法，通常用于衡量气象数据的稳定性。