短期天气预报实习考试方法

短期天气预报实习考试方法（共2篇）

短期天气预报实习考试方法 篇1

1．看历史的天气图，在网上搜索“中央气象台 天气实况”、“江苏省气象信息共享平台”可以找到天气图，把要用到的天气图记在脑子里，这个很重要。（最重要的是可能影响南京的系统，其它的标系统的时候也可能用到）

2．仔细在上风向找可能影响的天气系统，有时没有等高线和系统配合，但是有风向的配合，这也是一个系统，不能忽略。例如风的环流有明显呈槽或脊的形状，但这个地方刚好没有画等高线，这也是一个系统，不能忽略。（在预报的时候用，在标系统的时候酌情考虑，这个算不算一个系统可能是因老师而异的，可以提前和老师讲一下）

3．不要说下一个时段的控制系统是一个已经处于下风向的系统。例如南京在一个槽后，就不要说这个槽是控制天气的主要系统。这是不对的，因为它已经飘过去了（过去的就让他过去吧），要在上风向找下一个系统，预报的天气形式要与它相适应。（慎用）

4．会看风压场的配置对系统发展的影响，就是位势涡度方程的应用。例如暖平流使得大气气压标高增加，在物理上表现为高层等压面抬升，底层等压面降低，二者同时发生，进而就可以判断系统的强度时否发展。如果系统的强度发展了，移动的速度就不可能是加速的，只能是减速或匀速移动。再根据昨天的天气图就可以判断下一个时段系统的位置。（这个不可能举得穷尽，要看自己的造诣了，感觉不行的话要复习一下天原的相关章节）

5．抽时间听学校气象台的会商，每天早上八点开始。（考试那天的一定要听）

6．考试应该是在下午七八节（至少我们那个时候是的），在下午两点的时候，会有新的天气图出来(这个要看人品的)，在上面说到的地方去查。有时间的话一起讨论一下。

7．交卷的时间可以尽量地拖，千万别那么老实，老师让交卷就交卷。而且把老师拖烦了他会给你们提示的。

8．看好了天气系统，千万不要标错了，否则后果不堪设想。

9．多听几个地方的天气预报，把你的预报结果尽量往他们的预报上面园。

10．预报最高或最低温度时，要把辐射和降水的蒸发考虑进去（如果有的话）。

11．提前对着天气图把模板上能写的都写了，到了考场上可以节省好多的时间。（这个很重要）

12．某事在人，成事在天，如果老师不给力的话只能怪自己命苦了。

下面给个模板：

1、各层影响系统：

（1）500hPa

今日08时位于______(系统)今晚20点到天08点将影响南京，南京______气流带上，受______气流控制。

理由：

① 等速外推——等速外推+修正（温压场配置、上下游效应、高低空影响）

昨日08时位于陕西-重庆-贵州的低槽至今日08时东移了7个经距，等速外推，则至今日20时将从河南东部-江西西北东移4个经距（南京转为该槽后脊前气流控制）。因此判断，今日20时起，南京的影响系统为今日08时位于四川的脊，南京处于脊前。

该脊是昨日08时从青高上东移过来的，24h东移了11个经距，预计至明日20时将再东移16个经距，从四川东移至安徽-江西一线，南京仍处于脊前。因此，等速外推得出，南京今日20时-明日20时的影响系统是，今日08时位于四川的脊，并处于脊前。

此外，今日08时位于河南-湖北安徽交界-江西的槽，槽北段后有冷平流，使槽发展、减慢；南端为暖平流，使槽减弱。这样，槽断裂，南京主要受该槽中南段的影响。槽后的脊受温度场影响不大。东北的高压脊后若有暖平流，高压发展、变慢，阻塞西边的低涡东移。因此，今晚20时，中南段减弱东移，南京转脊前气流控制。

② 欧洲500hPa数值预报产品（20h时效24/48，500height）

9日20点—10日20点 南京位于______(系统)受____(风)控制

9日20点—10日20点 南京位于______(系统)受____(风)控制

③ 日本500hPa数值预报产品

820h502显示：920h南京位于槽线上，受偏西气流控制

908h502显示：1008h南京位于槽底，受偏西气流控制

908h503显示：1020h南京位于槽底后，受西北气流控制

（2）700hPa

今日08h___________(系统)从今晚20点到天08点将影响南京，南京位于_____气流带上，受_____气流控制。

理由：

① 等速外推——等速外推+修正（温压场配置、上下游效应、高低空影响）

② 欧洲700hPawind（24h，时效24/48）

820h24h时效风场预报显示：920h南京位于______(系统)受____(风)控制

820h48h时效风场预报显示：1020h南京位于______(系统)受____(风)控制

（3）850hPa

今日08h___________(系统)从今晚20点到天08点将影响南京，南京位于_____气流带上，受_____气流控制。

理由：

① 等速外推——等速外推+修正（温压场配置、上下游效应、高低空影响）

② 日本传真图

820h782显示：920h南京位于______(系统)受____(风)控制

908h782显示：1008h南京位于______(系统)受____(风)控制

908h783显示：1020h南京位于______(系统)受____(风)控制

③ 欧洲850hPawind（24h，时效24/48）

820h24h时效风场预报显示：920h南京位于______(系统)受____(风)控制

820h48h时效风场预报显示：1020h南京位于______(系统)受____(风)控制

（4）地面

今日08h___________(系统)从今晚20点到天08点将影响南京，南京位于_____气流带上，受_____气流控制。

理由：

① 等速外推——等速外推+修正（温压场配置、上下游效应、高低空影响）

② 日本 海平面气压

820h02显示：920h南京位于______(系统)受____(风)控制

908h02显示：1008h南京位于______(系统)受____(风)控制

908h03显示：1020h南京位于______(系统)受____(风)控制

③ 欧洲pressure

820h24h时效预报显示：920h南京位于______(系统)受____(风)控制

820h48h时效预报显示：1020h南京位于______(系统)受____(风)控制

（5）各层影响系统综合分析

2、水汽条件：

① 日本 Fax：820h572，908h572、908h573（T-Td）（< 4水汽充足，>= 4 水汽不足）② 欧洲（或MM5）rh820h24 / 48小时

3、垂直速度

① 日本 Fax：820h782，908h782、908h783（omega）

② 欧洲（或MM5）

4、降水预报

① 日本 Fax：820h02，908h02、908h03（prceip）

② 卫星云图（“资料检索”→“9210”→“红外图像”）

综上所述，从高层到低层都在___系统影响下，以上升/下沉气流为主，水汽条件____(好/不好)，所以南京天气______.5、风向风速

风向 理由：地面影响系统的哪个部位。

风速 理由：将明日等压线稀疏程度与今日相比

参考数值预报产品：

欧洲：20h（pressure）产品 时效24h、48h

Fax：820h02，908h02、908h03（surf press）南京位于-___,___风，___m/s6、温度预报（前提：已经进行了天空状况预报今晚到明天阴中雨）

① Tmin=今天14点“最低温度”（“参数检索”→“地面填图”→今天14点“最低温度填图”）Tmax=今天14点温度（“参数检索”→“地面填图”→今天14点“温度填图”）

② 辐射 ← 云量

若 明凌晨 < 今凌晨，Tmin比今低如（昨晚 晴-多云-阴，今晚阴，Tmin上升）若 明白天 < 今今天，Tmax比今高如（今白 少云-阴，Tmax下降）

③平流因子

820h782、908h782、908h783（850风场与温度场）；

今日夜间：平流，使最低温度明天白天：平流，使最高温度820h782、908h782略上，Tmin上升；908h782、908h783略上Tmax上升

综上所述，辐射条件和平流条件，Tmin，Tmax。

短期天气预报实习考试方法 篇2

关键词：支持向量机,电离层,临界频率,短期预报

0 引 言

无线电短波通过电离层实现远距离通信,电离层除了具有通常存在的昼夜日变化、季节变化、11年太阳活动变化外,还存在显著的逐日变化和暴时变化。这些电离层变化对短波通信会产生不利影响,严重时可能引起通信中断,因此短波通信时需要对电离层状况进行准确的估计。电离层F2层临界频率foF2是电离层的关键参数之一。在foF2的短期预报方面,国内外学者已经做了很多的研究工作,采用的方法主要有自相关函数法[1]、多元线性回归法[2]、神经网络法[3,4]、同化技术[5]及利用等效太阳黑子数进行区域电离层的预报[6]等。

20世纪90年代初期出现的支持向量机方法(Support Vector Machines,SVM)是基于统计学理论的一种崭新的机器学习方法,建立在结构风险最小化原理基础上,寻找一个最优分类超平面,引进核函数将低维空间向量映射到高维空间。近年来已经成功地应用于语音识别、文字识别、时序数列预测等领域,但还未见在电离层参数短期预报应用方面的相关文献。现尝试将该方法应用于foF2短期预报中,为电离层短期预报提供一种新的思路和预报参考。

1 算法简介

支持向量机的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。支持向量机算法是一个凸二次优化问题,有着严格的理论基础。该算法采用结构风险最小化原则,具有很好的推广价值,保证找到的解是全局最优的解,较好地解决了小样本、非线性、高维数等实际问题。

非线性回归估计的支持向量机方法具体计算步骤如下[7,8]:

设{(xi,yi),i=1,2,…,k}为初始的训练样本,其中xi∈RN 为输入值;yi∈R为对应的目标值;k为训练样本个数。首先用一个非线性映射φ:x→τ把训练数据集x映射到一个高维特征空间τ中,然后在高维特征空间中进行线性回归。

设回归函数f(x)为:

$f(x)=<w,\phi (x)>+b(1)$

式中:w,b分别为回归函数的权重向量与偏置。

基于支持向量机的最优回归函数是指满足结构风险最小化原理,即极小化优化问题是最小化下面函数:

$\frac{1}{2}\parallel w\parallel {}^2+C{\displaystyle \sum _{i=1}^k(}\xi {}_i+\xi {}_i^{*})(2)$

约束条件为:

$\{\begin{array}{l}f(x{}_i)-y{}_i\le \xi {}_i+\epsilon ,i=1,2,\cdots ,k\\ f(x{}_i)-y{}_i\le \xi {}_i^{*}+\epsilon ,i=1,2,\cdots ,k\\ \xi {}_i,\xi {}_i^{*}\ge 0,i=1,2,\cdots ,k\end{array}(3)$

式(2)中第一项意味着最小化VC(Vapnik Chervonenkis)维;VC维是反映模型复杂程度的物理量;松弛变量ξi,ξ*i度量了训练样本上的误差,因此第二项为最小化误差;常数C为惩罚系数。式(3)为有条件约束的优化问题,根据非线性规划对偶性理论,对其建立没有约束条件的Lagrange方程,并将最小值问题转化为对偶的最大值问题,最后得到的回归函数为:

$f(x)={\displaystyle \sum _{i=1}^k(}\alpha {}_i-\alpha {}_i^{*})<x{}_i,x>+b(4)$

式中:xi为支持向量;αi,α*i,b为回归得到的参数。

对非线性问题进行回归,可以通过映射φ:x→τ把训练数据集x映射到特征空间τ中,用核函数K(x,x′)=<φ(x),φ(x′)>代替线性回归中的<x,x′>,则回归函数可以写为:

$f(x)={\displaystyle \sum _{i=1}^l(}\alpha {}_i-\alpha {}_i^{*}){\rm K}(x{}_i,x)+b(5)$

较常用的核函数主要有以下三类:

(1) 线性核函数K(x,z)=xTz;

(2) 多项式核函数K(x,z)=(xTz+1)d;

(3) 高斯核函数K(x,z)=exp(-‖x-z‖2/2σ2)。

其中:d为多项式的阶数;σ为高斯分布的宽度。这里选择高斯径向基函数作为核函数。

SVM使用的基函数必须满足Mercer核定理,而Tipping[9]提出的相关向量机方法(Relevance Vector Machine,RVM)对基函数则无此限制,并且RVM得到更少的支持向量,简化了网络结构。鉴于RVM的这些优点,该文采用RVM方法对foF2进行预报。

2 样本选择

foF2存在非常复杂的变化,考虑到引起这些变化的因素,选择以下因子作为输入参量:

(1) 时间信息st=sin(2πh/24);ct=cos(2πh/24),其中h是地方时。

(2) 季节信息ss=sin(2πH/8 760);cs=cos(2πH/8 760),其中H表示从1月1日0时算起的小时数。

(3) 当前时刻观测值foF2(t),月中值fmF2(t)(用前30天的中值代替)以及二者之差:ΔfoF2(t)=foF2(t)-fmF2(t)。

(4) 当前时刻f0F2的一阶增量,二阶增量及相对变化。

一阶增量:df(t)=foF2(t)-foF2(t-1);

二阶增量:ddf(t)=df(t)-df(t-1);

相对变化:$\text{d}tf(t)=\frac{\text{d}f(t)}{f{}_o\text{F}{}_2(t)}$。

(5) 提前23 h的观测值foF2(t-23),月中值fmF2(t-23)以及二者之差ΔfoF2(t-23)。目标值为foF2下一时刻值foF2 (t+1)。

用海口站(20.0°N,110.3°E) 1958年,1964年全年数据进行训练,得到了两个网络,并将网络的预报精度与国际参考电离层进行了比较。foF2在不同的季节不同的太阳活动水平具有不同的变化规律,考虑这些因素对foF2变化的影响,分别选取太阳活动高低年各个季节(春秋季、夏季、冬季)的数据进行训练,共得到了6个网络。春秋季取一年中的3,4,9,10月份;夏季取一年中的5,6,7,8月份;冬季取一年中的11,12,1,2月份。

3 预报结果分析

按照上面的方法对网络进行了训练,分别用海口站1981年(高年)、1986年(低年)数据测试网络。表1给出了太阳活动高低年网络预报的均方根误差、绝对误差[4],并与IRI进行了比较;表2给出了不同太阳活动水平不同季节各个网络的预报误差。

从表1可以看出,RVM方法在太阳活动低年的预报误差比太阳活动高年的小,并且无论在高年还是低年,RVM方法的预报误差都低于IRI的预报误差;由表2可知,在太阳活动高年,夏季的误差最大;在太阳活动低年,春秋季的误差最大;夏季与冬季的误差相差不大。

图1给出了海口站1986年10月7～9日的预报结果;图2给出了2月7～9日的预报结果。1986年10月7～9日地磁活动较为平静,Ap指数不超过12 nT;Dst指数不低于-20 nT;从图1中可以看出,在这段时间内,RVM的预报值与实测值吻合得很好。1986年2月7～9日地磁活动较为强烈,Ap指数的最大值高达400 nT;Dst最低达到-307 nT;受到强烈地磁活动的影响,电离层出现复杂的扰动。从7日19时开始,电离层发生强烈的正扰动,一直持续到8日9时,期间发生了一次较强的电离层正暴。这段时间内RVM的预报结果较为准确地反映了电离层的这种变化。8日23时开始,电离层又出现正扰动,持续到9日8时结束,随后出现逐渐强烈的长时间的负扰动。8日6时foF2达到了一个极小值2.2 MHz,此时RVM的预报值误差较大;9日9时的预报误差最大,为3.48 MHz,这是因为此时前后,电离层发生复杂的正负扰动,网络没有很好地反映这种变化。从以上分析可以看出,在大多数情况下,RVM方法有较高的预报精度,只是在一些电离层变化剧烈的时段,有一定的误差,预报精度有待改进。

4 结 语

现将RVM方法应用于电离层短期预报,是对电离层短期预报一个新的尝试,对海口站foF2进行了提前1 h的预报。结果证明,在大多数时候,RVM有较高的预报精度,与实测值符合得较好。由此可见,将SVM方法应用到电离层短期预报是可行的。但在扰动比较强烈的时候,预报精度还有待提高。

参考文献

[1]刘瑞源,刘顺林,徐中华,等.自相关分析法在中国电离层短期预报中的应用[J].科学通报,2002,50(24):2 781-2 785.

[2]Akram A,Alberca L.Multi-regression Method forfoF2Short-term Prediction[R].Poland:Space Research Center,1999:140-142.

[3]Cander L R,Milosavljevic M M,Stankovic S S,et al.Iono-spheric Forecasting Technique by Artificial Neural Network[J].Electron Lett.,1998,34(16):1 573-1 574.

[4]陈春,吴振森,赵振维,等.基于神经网络技术的f0F2短期预报方法[J].电波科学学报,2008,23(4):708-712.

[5]Sojka J J,Thompson D C.Assi milation Ionospheric Model:Development and Testing with Combined Ionospheric Cam-paign Caribbean Measurements[J].Radio Science,2001,36(2):247-259.

[6]Secan J A,Wilkinson P J.Statistical Studies of an EffectiveSunspot Number[J].Radio Science,1997,32(4):1 717-1 724.

[7]杨镜非,程浩忠.SVM在电网短期负荷预测中应用研究[J].电力自动化设备,2004,24(2):30-32.

[8]张晓,刘小敏,肖小玲,等.基于支持向量机回归的去噪方法及其应用[J].工程地球物理学报,2005,2(3):191-194.

[9]Tipping M E.Sparse Bayesian Learning and the RelevanceVector Machine[J].Journal of Machine Learning Research,2001:211-244.