论文部分内容阅读
风场的准确预报是现代精细化天气预报业务的重要环节。风场变化会直接或间接地影响人们的生产和生活,特别是对于机场飞行活动的影响最为明显。当机场风场发生变化后,不仅会影响到飞行活动的效率,甚至对飞行活动的安全存在一定的威胁,因此在机场天气的风场预报中,对区域内风场预报的准确率和时间精度要求较高。近年来,国内外学者致力于提高风场预报准确率的方法研究,并取得了较大的进展,但风场短临预报的效果仍无法满足航空航天等气象业务的需求。本文以甘肃省为研究区域,通过对甘肃省各站点历年风场资料的统计,对风场的时空分布特征进行了简要分析,探究了甘肃省风场变化的特征;利用历史地面实况观测数据对欧洲中期天气预报中心(ECMWF)发布的数值模式预报产品的风场数据进行检验,基于此并结合机场预报对风预报的特殊要求,提出了一种集成了风向和风速的风场预报准确率(A_Int)检验方法,以此检验了ECMWF数值模式的风场预报准确率;在此基础上,利用机器学习中的随机森林(RF)算法和长短期记忆网络(LSTM)算法,开展了风场的短临预报和ECMWF模式风场预报的订正研究,建立了随机森林风场短临预报模型和基于随机森林特征选择的滑动长短期记忆网络(RF-LSTM)风场短临预报和模式预报订正模型;通过对不同方法不同预报时效的准确率进行对比分析,建立了机场风场短时预报模型。得到如下主要结论:(1)通过对近30a甘肃省各站点风速资料的统计分析,全省平均较大风速出现在3-5月,4月份平均风速最大;河西走廊及其以北地区、甘肃西南和东部地区平均风速较大,甘肃中部及东南部地区平均风速相对较小;通过对近10a甘肃省各站点风向资料的统计分析,河西走廊及其以北地区以及甘肃中部和西南部的大多地区常年以偏北风为主,甘肃东部地区则以偏东或偏南风为主。(2)风场预报中,利用RF算法对各特征变量的重要性进行计算,发现各气象要素对不同预报时效下风场变化的影响不尽相同。如在3h风速预报中,影响最显著的气象要素为0cm低温,但在6h预报时为3h变压。(3)RF算法和RF-LSTM算法构建的风场预报模型对站点风场具有较强的预报能力,预报风场与实况风场较为接近。对代表站点的预报结果进行检验,RF算法预报1h-6h的风速平均绝对误差为1.0m/s,风向平均绝对误差为59°,RF-LSTM算法预报1h-6h的风速平均绝对误差为0.86m/s,风向平均绝对误差为55°。基于历史实况观测数据研究机器学习算法对风场的预报时,1h-6h的时间内预报效果较好,随着预报时效的增长,两种算法构建的风场预报模型对较大风速和较大风速时风向的预报能力有所下降。无论是对于风速预报还是风向预报,RF-LSTM风场预报模型的预报结果要优于RF模型预报结果。(4)利用甘肃省各站点的地面实况观测数据检验发现,ECMWF发布的数值模式预报产品中3h-12h风速预报的平均绝对误差为1.5m/s-1.9m/s,风向预报的平均绝对误差为96°-107°。发现ECMWF预报风速和风向的误差大小与实况风速大小有一定的对应关系,风速的预报误差与实际风速大小成正比,而风向的预报误差与实际风速大小成反比,基于此并结合机场预报对风预报的特殊要求,提出一种集成了风向和风速的风场预报准确率(A_Int)检验方法,利用A_Int检验方法对ECMWF发布的3h-12h风场预报进行准确率检验,发现其年平均准确率在20%-38%之间。(5)RF-LSTM风场预报订正模型对ECMWF发布的数值模式产品的3h-12h风场预报结果有明显的订正效果。对于风向订正,在不同预报时效下风向的平均绝对误差可减小36°-41°,订正后的风向平均绝对误差为61°-65°;对于风速订正,各预报时效平均订正量为0.59m/s-1.14m/s,订正后的风速平均绝对误差为0.76m/s-0.9m/s。RF-LSTM风场预报订正模型在甘肃省范围内有着较好的适应能力,可使全省各站点平均预报准确率提升32%左右,可将平均风场预报准确率提升至49%-69%。(6)在实际应用中,RF-LSTM的1h-6h风场预报结果准确率高,时间分辨率为1h,可满足机场预报中对风场预报的要求,对于大于6h的风场预报,RF-LSTM的预报能力逐渐减弱,预报准确率逐渐下降,采用RF-LSTM风场订正的结果更加符合实际。将两种方法相结合应用,即为机场短时风场预报模型。