基于mm5模式的精細化mos風速預報方法

地面客戶內風預報風是氣候因素預測的困難之一。它的形成不僅與一般循環背景密切相關，而且與中小型氣候系統密切相關。同時，它也受到地形和地形的影響。理論探討中曾給出了風的表達式,業務預報中則以天氣學經驗為主,依據初始時刻的天氣圖資料,估計出未來的形勢場,考慮現有天氣系統的移動、變化以及動量下傳、日變化、地形等因素作出風向風速的預報。一些國家已將風預報列入數值產品釋用正式項目,國內客觀定量地預報風的工作開展得比較少,江蘇省曾用歐洲中心1000hPa氣壓場各點預報值,計算地轉風得到風向風速。MM5模式在我國已得到普及,但大多側重于模式研究、數值模擬及業務運行等方面,而對其產品進行深加工,進一步提高預報精度方面所做工作相對較少。寧夏氣象局當前運行的MM5模式分辨率已達到20×20km,可以根據用戶需要輸出逐時不同層次的各種氣象要素,為制作定時、定點、定量的要素預報和專業氣象預報提供了基礎條件,為此本文介紹一種基于MM5模式產品基礎上的精細化MOS風向風速預報方法,并給出了2004年6月～2005年4月的預報評估結果。1風的氣候特征1.1氣溫隨季節變化的變化寧夏各地年平均風速在1.8～7.7m/s之間,高山地區比平原地區風速要大。風速有明顯的季節性變化,一般春季最大,冬夏季次之,秋季最小。風速有較明顯的日變化,當氣壓形勢穩定少變時,大致隨溫度的升降而增減。一天中,最低氣溫出現時刻是風速最小時段。日出以后隨氣溫的升高、亂流的增強而風速增大,10～16h為風速最強時段;一般在最高氣溫出現時段風速最大,隨著日落風速變化趨于穩定。1.2偏南風和偏北風寧夏是季風地區的邊緣,風向有較明顯的季節性變化。冬半年處在蒙古冷高壓控制之下,絕大部分地區以偏北風和偏西風為主。夏半年受大陸熱低壓影響,各地以東南風和偏南風為主。由于受地形影響,平原地區多偏北風和偏南風,與賀蘭山及黃河河谷的走向基本一致;山區多東南風和偏南風,也與六盤山走向一致。2模式輸出產品為得到連續完整的樣本資料,利用當前運行的MM5模式對2002年9月到2003年8月進行了逐日反算,每天08∶00(北京時,下同)、20∶00分別積分48h,得到樣本長度為359的MM5輸出產品。模式輸出產品是采用Cressman客觀分析方法將模式輸出的格點資料插值到寧夏25個站點,得到的每隔1h的站點基本要素預報場和物理量診斷場。實況資料選用2002年9月到2003年8月寧夏25個測站逐日逐時的風向風速自記觀測資料。風向的逐時自記觀測資料按國家氣象局下發的觀測標準有16個風向,而從寧夏風向的氣候特點得知:寧夏常年以偏北風和偏南風為主,所以從寧夏風向的氣候特點和實際業務出發,我們將16個風向簡化為4個:0～90°為東北風、91～180°為東南風、181～270°為西南風、271～360°為西北風。在實際計算過程中,將上述4個風向又轉換為代碼1、2、3、4,靜風處理為0。3篩選預報因子采用MOS方法建立逐站、逐時風速風向預報模型。在考慮風速風向季節性變化差異的基礎上,首先將資料按自然季節劃分為春(3～5月)、夏(6～8月)、秋(9～11月)、冬(12～2月)四季,然后根據物理因子與預報對象的相關性,初選預報因子,并據相關分析和相關檢驗原理對初選的因子進行篩選排序,將通過0.05顯著性T檢驗的因子按不同季節、不同站點、不同時次分別建立因子庫,應用多元線性回歸和逐步回歸兩種方法建立0～48h逐時MOS風速風向方程,根據歷史擬合率和預報試驗結果選出最終模型。4地面風和風向風在大尺度運動中當不考慮摩擦力時,空氣質點的運動遵從地轉風規則,這是我們進行風預報的基礎。但是,實際大氣地面摩擦力不等于零,所以地面風向和等壓線之間存在一個交角,而地面風速也不等于地轉風風速,氣象上將不滿足地轉風關系的部分稱為偏差風。理論研究表明,近地面層摩擦力來自于粗糙的地面以及近地面層空氣的粘性力,而空氣粘性力主要是由湍流活動引起,近地面層湍流與低層溫度層結有關,也即與大氣穩定度相關。由于摩擦力的存在,使定量地表示地面風有一定困難,特別是摩擦力大小的估計是難以精確做到的,從對實測風的讀數中就顯而易見風向風速均存在著明顯的脈動現象,以致于只能以自記曲線的10min平均作為平均風,而以某一時段中最大平均風作為該時段的平均風。所以,挑選因子時應從大氣穩定度入手,尋求表示估計偏差風的統計關系式。5報告模型的構建5.1影響煤水s的影響權重函數目前在國外比較成熟的MOS預報業務中,預報因子的處理基本是將數值預報產品的格點預報值直接內插到站點上作為站點的預報因子,再與站點的預報對象建立預報方程,即Vs=Σi=1N(Vi?Wi)Σi=1NWiVs=Σi=1Ν(Vi?Wi)Σi=1ΝWi(1)其中Vs為站點因子值,VI和WI分別為第i個網格點的數值預報值和該格點對站點S影響的權重函數,N為可能對站點S造成影響的格點總數。考慮離預報站點不同距離的格點對站點所產生的影響各不相同,其影響權重函數采用Cressman客觀分析方法函數進行計算方程(2)中Ri和R0分別為第i個網格點到插值站點S的水平距離和站點S在插值時考慮的影響半徑。在使用時發現當R0等于5倍格距時,插值結果最好。5.2熱力、動力因子由于MM5模式輸出產品種類繁多、數量龐大,因此在選取因子時依據風預報的動力學理論,根據人工經驗選取了52個與大氣穩定度有關的因子,這些因子包括4個層次(地面、850hPa、700hPa、500hPa)的預報場或診斷場:溫度、氣壓、相對濕度、風、降水、溫度平流、水汽通量散度、渦度、垂直速度、散度、位渦、潛熱通量、能量、位勢高度、Q矢量、鋒生函數、螺旋度、對流不穩定等熱力、動力因子。由于不同的物理量有不同的量綱,所以具體計算預報因子時需對各物理量先進行標準化處理,這里采用方差標準化處理。5.3建立因子庫及排序在預報對象與預報因子單點相關普查的基礎上,選取相關系數大而且相互獨立的高相關因子按不同站點、不同時次分別建立因子庫,并依據相關系數大小,按能通過0.05顯著性T檢驗的標準對因子庫進行排序篩選,對因子庫進行排序篩選,剔除了一些與預報量相關不大而且物理意義不明顯的因子,將最后入選的因子和實況按一一對應關系建立逐站逐時回歸方程。5.4回歸主成分分析和因子自選擇原則回歸分析是目前氣象統計中最為常用的一種方法。對于多個因子通常采用的是多元線性回歸和逐步回歸,我們同時用這兩種方法建立MOS預報方程,其中求解回歸系數采用最小二乘法和喬里司基(Kholesky)分解法(即平方根法))。針對這兩種不同的統計方法,采取不同建模方式。多元回歸統計方法最大的優點是可以根據要求的Fα值自行選取與預報對象相關好的,而與其它因子又相對較獨立的預報因子,那么在樣本容量固定的情況下(4個季節的樣本長度平均在90d左右),因子數究竟控制在多少才能既保證方程的穩定性又不降低預報精度?根據歷史擬合率和預報試驗情況,發現:當因子數控制在15個的時候,預報效果最好,Fα值取1.77。逐步回歸方法應用雙重檢驗逐步回歸方案,計算因子方差貢獻和求解回歸系數同時進行,由于每步都作檢驗,因而保證了最后所得方程中的所有因子都是顯著的。F1、F2分別為欲選入與剔除因子時顯著性檢驗的F-分布值,分別取2.76和2.73。5.5數據平滑實驗風速的變化是連續的、有規律的,但從歷史擬合率和預報試驗情況中,發現個別站點、個別時次有時會出現預報值異常偏高或偏低,為了降低這種由于統計方法帶來的誤差,采用五點三次平滑方法對48個時次的預報值進行平滑。公式如下yi?2ˉˉˉˉˉˉ=170(69yi?2+4yi?1?6yi+4yi+1?yi+2)(3)yi?1ˉˉˉˉˉˉ=135(2yi?2+27yi?1+12yi?8yi+1+2yi+2)(4)yiˉˉˉ=135(?3yi?2+12yi?1+17yi+12yi+1?3yi+2)(5)yi+1ˉˉˉˉˉˉ=135(2yi?2?8yi?1+12yi+27yi+1+2yi+2)(6)yi+2ˉˉˉˉˉˉ=170(?yi?2+4yi?1?6yi+4yi+1+69yi+2)(7)yi-2ˉ=170(69yi-2+4yi-1-6yi+4yi+1-yi+2)(3)yi-1ˉ=135(2yi-2+27yi-1+12yi-8yi+1+2yi+2)(4)yiˉ=135(-3yi-2+12yi-1+17yi+12yi+1-3yi+2)(5)yi+1ˉ=135(2yi-2-8yi-1+12yi+27yi+1+2yi+2)(6)yi+2ˉ=170(-yi-2+4yi-1-6yi+4yi+1+69yi+2)(7)其中,yiˉˉˉyiˉ是yi的平滑值,對于開始和最后兩點分別由上述公式(3)、(4)與(6)、(7)進行平滑。該方法要求數據點數n≥5。經過平滑后的結果與實況的誤差較原值與實況的誤差有所降低(表略)。另外,為了避免風速和風向之間出現預報相互矛盾的現象,當預報風速為0時,風向也為0,即靜風。6整體將sdi2004和sgi2004計算為網絡傳輸時,網絡傳輸將較短時長為6個月時的計算在sgi2005精細化預報的各種計算均在SGI300高性能計算機上完成。由于該機自身硬件的反應速度遠高于網絡傳輸速度,所以計算的結果寫到SGI300的硬盤上。全部計算完成后,通過一個SHELL程序調用FTP,根據我們指定的參數,自動將最新產品按順序傳輸到寧夏氣象信息骨干網服務器的設定位置上形成產品庫,并將最后的輸出結果處理到業務工作平面上以供預報員隨時調用。7原模式與原有模式預測效果比較,但模型效果差異大,總結報效果特征,其預報效果尚需進一步改進該預報模型在2004年夏季投入業務試運行,利用寧夏已建成的17個自動氣象站的逐時風速、風向資料,對2004年6月～2005年4月的預報效果進行檢驗,經過統計分析預報和實況之間的差異(圖1～2),發現:該方法對逐時風速有較強的預報能力,對逐時風向有一定的預報能力,但尚未達到可用程度,還有待于進一步的改進,但都較原模式預報水平有了顯著的提高。7.1預報的脈動結果(1)分析48h逐時風速預報平均絕對誤差(圖1),發現:MOS預報在整個48h內誤差都在1.2～1.6m/s之間變化,誤差隨預報時效延長變率都保持在0.4m/s以內,預報穩定,而且08∶00和20∶00預報效果相當,說明該方法對逐時風速有較強的預報能力。MM5與MOS誤差演變趨勢基本相同,但MM5誤差明顯高于MOS,穩定性也不如MOS。(2)分析48h逐時風向預報Ts評分(圖2),發現:08∶00MOS預報在整個48h內Ts評分在30～40%之間變化,隨預報時效延長Ts評分在32%附近小幅振蕩;20∶00MOS預報效果略低于08∶00的趨勢預報。MM5與MOS預報演變趨勢基本相同,但MM5預報Ts評分明顯低于MOS預報10～15%。無論是MOS預報還是MM5預報,整個48h內都存在著明顯的脈動現象,這與實測風的風向變化一致。(3)進一步分析發現:5個風向的預報準確率和對應風向上的風速誤差明顯不同(如表1)。風速誤差在靜風上最大,西北風次之,東南風最小;MOS預報西北風準確率最高,東南風次之,其它風向預報效果都比較差;MM5只對靜風和東北風有預報能力,其它風向預報沒有參考價值。這與影響寧夏大風的冷空氣路徑多是西北路徑有關,而靜風上的風向由風速訂正得到,靜風風向預報準確率本身就很低,所以相應靜風上的風速誤差也比較大。(4)分析2004～2005年春、夏、秋、冬四個季節風的預報效果(如表2),發現:春季預報效果最差,秋冬季次之,夏季相對較好。春季由于降水稀少,低層大氣不穩定以及冷暖空氣交替活動頻繁,容易產生大風天氣,而且產生的大風穩定性較差,陣性明顯,尤其是3月,天氣形勢多變,預報效果最差;夏季受大陸熱低壓影響,全區盛行偏南風,除冷鋒或積雨云過境造成短時大風外,很少出現區域性或持續時間較長的大風,預報效果相對較好;冬季處于蒙古高壓控制,秋季處在夏、冬轉換季節,接近冬季風形勢,風向、風速變化較春季相對平穩,預報效果雖然比夏季差,但好于春季。(5)雖然多元和逐步是兩種不同的統計預報方法,但預報結果相近,從圖1～2可以看出:兩條誤差曲線幾乎重合。(6)風速的預報不僅有區域性差異,還有日變化差異。區域性表現在:平原地區的風速預報誤差較高山地區小,且隨預報時效延長誤差增幅也較高山地區小;日變化差異表現在:無論08h預報,還是20h預報,預報白天的誤差都大于夜間,而且白天預報誤差變率有波動起伏,夜間預報誤差基本維持在一個平穩狀態。這與寧夏風速的氣候特點有關,高山地區比平原地區風速變化大,隨日出風速變化增大,隨日落風速變化趨于穩定。(7)風向的預報區域性差異表現在:高山站預報效果稍差,其它地區預報效果相當。這是由于寧夏地形對風的特殊作用和影響的結果。寧夏高山站海拔高,山脈走向和地勢利于冷空氣的入侵和氣流的抬升,當氣流遇到山脈阻擋時,將在迎風坡被迫爬升或繞流改道,風向將顯著地偏離等壓線,如較大的西北風遇到賀蘭山阻擋會繞山北上進入引黃灌區吹西風、西南風。另外也與高山站選入的因子質量不高、穩定性較差有關。7.2個別月、不同風向、冷暖空氣活動時預報誤差較大時進一步考察各站逐日逐時風速預報結果(圖略)得知,當天氣形勢變化較平穩時,各站逐時風速預報誤差在1m/s左右,個別站、個別時次預報誤差有時甚至為0m/s,比如夏冬兩季,預報效果相對較好,風向的預報與風速基本類似,但預報效果不如風速明顯;當有明顯冷暖空氣活動,特別是冷鋒過境前后和河套熱低壓強烈發展時,大部分測站預報誤差較大,個別站、個別時次風速預報誤差達到4～6m/s,風向的預報和實況就相差更遠,春季表現尤為明顯。而且MOS預報冷空氣活動具有滯后性,冷空氣到來前后預報結果不穩定。8mos預報算法確定(1)MOS方法對逐時風速有較強的預報能力,對逐時風向有一定的預報能力,但尚未達到可用程度,還有待于進一步的改進,但通過多元線性回歸和逐步回歸兩種方法建立的逐時MOS方程,確實使風速風向預報比MM5模式直接輸出的預報有了明顯的提高,可是,當天氣變化劇烈、