气温预报

气温预报（精选6篇）

气温预报 篇1

辽北地区是寒潮多发地区, 冬季非常寒冷, 最低气温一般可达-20℃以下。寒冷给人们的工作、生活和出行等都带来了很多不利影响[1]。春秋季节的强寒潮也比较多, 其危害比冬季的严寒还要严重, 直接影响种养业的生产, 而种养业基本都分布在农村, 所以农村的乡镇天气预报非常重要。为提高乡镇的最低气温预报准确率, 研究乡镇的最低气温预报, 有着重要意义。

1 掌握历史差异规律

各乡镇之间有时最低气温差异较大, 但随着城市热岛效应的日益明显, 乡镇与县气象站的气温差异也在增大[2]。研究县气象站与乡镇气温的差异规律, 对提高乡镇气温预报的准确率有重要作用[3]。

我们利用2012~2015年昌图县各乡镇的气温资料, 进行统计分析, 总结各乡镇的气温差异规律, 得出各乡镇的气温差异规律如下:

夜间阴天时, 昼夜温差小, 野外与城镇的最低气温差异小;夜间晴天时, 昼夜温差大, 野外与城镇的最低气温差异大。分析其原因主要是:夜间阴天时, 地表热量散失普遍都遇到云的阻挡, 近地层夜间降温幅度小, 并且降温幅度相差不大;夜间晴天时, 冬季城镇热源较多, 烟尘排放量大, 易造成烟霾, 影响地表热量散失, 易造成城镇最低气温偏高;而农村野外没有热源, 没有烟霾, 夜间热量散失较多, 易造成最低气温偏低。所以野外与城镇的最低气温差异很大, 有时可差7℃左右。

夜间风大时, 野外与城镇的最低气温差异小;夜间风小时, 野外与城镇的最低气温差异大。分析其原因主要是:大风会把城镇的热岛吹散。

不通风的地方夜间气温易偏低, 通风良好的地方夜间气温易偏高。分析其原因主要是:不通风的地方 (如周围有建筑物遮挡或山谷等地) 水平热交换少, 夜间辐射降温易出现冷空气堆积, 所以气温偏低;通风良好的地方, 水平热交换多, 不易造成冷空气堆积, 所以气温偏高。

2 掌握实况与数值预报误差

乡镇气温预报, 首先要分析研究上级指导预报和数值预报产品与各乡镇气温实况的误差规律, 利用误差规律进行订正。以T639中的2m温度预报为例, 首先要计算各乡镇近期的实况与T639中2m温度预报的误差值, 用各乡镇的误差值与预报值结合进行订正。

如果等温线较密集, 应考虑冷空气位置因素, 即靠近冷区的乡镇, 气温偏低;靠近暖区的乡镇气温偏高。

3 建立预报经验公式

以当日白天某乡镇的最高气温为基础, 结合该乡镇近期的平均气温日较差、数值预报中相应的24h变温、云、雾、雨等要素为预报因子, 建立最低气温预报公式。此方法经过2014年的使用验证, 2014年全县乡镇最低气温预报准确率达70%。

具体预报方法如下:最低气温预报公式:

上式中Y是某乡镇明早最低气温预报值。TG是该乡镇今日白天最高气温实况值。T△是该乡镇近期平均气温日较差。

X1是某乡镇未来24h的温度变化预报值, 其取值来源是数值预报产品, X1要取当日20:00~次日20:00的最低值。降温, X1为负;升温, X1为正。

X2是云雾雨因子。全夜有低云或大雾覆盖, +5℃;半夜有低云或大雾覆盖, +3℃, 夏季减半;全夜有中云或轻雾覆盖, +4℃;半夜有中云或轻雾覆盖, +2℃, 夏季减半;春秋季节当日有大于5mm降水时, 每增加2mm+1℃。

4 小结

4.1 掌握历史差异规律

统计、分析、研究、总结县内各乡镇气温差异规律, 根据各乡镇与县站气温差异规律, 制作各乡镇气温预报, 准确率可有一定的提高。

4.2 掌握数值预报产品误差规律

乡镇最低气温预报, 要利用或参考上级指导预报产品和数值预报产品, 分析、总结、掌握各种预报产品的误差规律。

4.3 建立经验预报公式

乡镇最低气温预报, 最好是以各乡镇当日的最高气温或最低气温为基础, 结合各乡镇近期的气温日较差及数值预报中的变温、云、雾、雨等因子, 按预报公式计算, 准确率可有一定的提高。

摘要：提高乡镇气温预报准确率, 要研究、掌握各乡镇的气温差异规律;掌握各乡镇气温实况与数值预报的误差;建立预报经验公式, 三者结合, 效果较好。

关键词：乡镇气温,差异分析,预报方法研究

参考文献

[1]刘卓, 刘仁亮.昌图县寒潮及严寒天气成因分析[J].农业与技术, 2013, 33 (1) :141-142.

[2]初子莹, 任国玉.北京地区城市热岛强度变化对区域温度序列的影响[J].气象学报, 2005, 63 (4) :534-540.

[3]卞韬, 任国玉, 连志鸾, 张翠华, 张玉凤.石家庄城市与郊县站地面平均最低、最高气温差异[J].气象科技, 2010, 38 (6) :721-726.

小兴安岭地区气温预报方法 篇2

伊春市位于小兴安岭腹地, 小兴安岭纵贯南北, 北部多台地、宽谷;中部低山丘陵, 山势和缓;南部属低山, 山势较陡。受山区高度差大、地形及林区小气候等多种因素影响, 温度很难准确预报, 尤其最低气温的预报更是难上加难。本文利用欧洲数值预报产品850hPa的温度场, 通过数据分析得出本地气温预报经验公式。

2 资料

选用伊春观测站的常规资料及欧洲数值预报产品。常规资料:以地面资料为主, 包括最高气温、最低气温、最高气温24小时变量、最低气温24小时变量、云量等。数值预报产品包括:欧洲数值预报产品, 具体有温度场及变量场等。

3 预报思路和方法

首先利用当天各站最高最低气温值为初始预报值, 再结合数值预报产品对初值进行客观订正, 综合考虑气象因素的影响, 最后得到气温的预报值。

3.1 数值预报订正方法

利用欧洲数值预报产品850h Pa变温预报场资料对初值进行客观订正:主要考虑当天晚上20时的24小时变温预报场资料对最低气温的预报初值进行订正 (次日最低气温的变化和当天晚上20时的24小时变温更接近, 以求达到尽可能的准确, 下同) ;利用次日晚上20时的24小时变温预报场资料对最高气温的预报初值进行订正。

其中T初值为当天的最低气温值, TM为当日 (Ecmwf) 20时850hPa气温的预报值, TM-1为前一日 (Ecmwf) 20时850h Pa气温的预报值。

其中T初值为当天的最高气温值, TM+1为次日 (Ecmwf) 20时850hPa气温的预报值, TM为当日 (Ecmwf) 20时850hPa气温的预报值。

3.2 考虑降水、风、云等非绝热因子对温度的影响

降水的影响。白天最高气温低, 晚间最低温度不低, 日较差非常小。还有就是:降雨时, 气温较低。降雪时, 气温一般不很低, 降雪过后, 气温下降特别大。风的影响。西北风利于降温, 西南风利于升温。风力大不利于夜间降温, 白天升温。云的影响。云量多少直接影响着气温变化。最高气温与云量呈负相关, 云多则最高气温低, 云少则最高气温高;最低气温与云量呈明显的正相关, 云多则最低气温高, 云少则最低气温低。日照时数对最高、最低气温影响也较大。最高气温与日照时数呈正相关, 日照时数多则最高气温高, 日照时数少则最高气温低。

4 预报效果检验

实际工作中对2009年2、3两个月做了试报, 24小时气温预报准确率达86.5%。目前仅做24小时的气温预报, 在完善、稳定了24小时预报质量后, 可增加预报时效, 为以后制作定点定时的气温预报打好基础。

5 小结

气温预报 篇3

辽宁朝阳地处辽西丘陵地区, 境内山地属阴山系努鲁尔虎山脉, 地表层峦叠嶂, 丘陵起伏, 只有小块山间平地和沿河冲击平原, 结构为“七山一水二分田”。由于地理位置的特殊, 导致朝阳境内四季分明, 不同季节最低气温变化规律各异。本文重点对四季最低气温与925 h Pa温度的相关关系进行分析, 并对影响因子的作用进行讨论。

1 资料与方法

朝阳地区素有春秋短、冬夏长的季节分布特征, 按照气象意义上四季的划分方法, 朝阳地区四季可划分为春季4—5月、夏季6—8月、秋季9—10月和冬季11月至次年3月。由于朝阳地区没有探空站, 因此利用临近探空站 (赤峰探空站) 的高空资料和朝阳2009年、2010年地面常规观测资料, 分析朝阳四季最低气温与850 h Pa温度、925 h Pa温度的相关关系, 建立回归方程。然后利用回归方程得出预报温度和观测温度的误差, 分析风场、变温场和云量对误差分布的影响, 进一步订正预报温度。

2 结果与分析

2.1 最低气温与850、925 h Pa温度相关分析

冬季, 通过对地面最低气温与当日8:00 850 h Pa (图1a) 和925 h Pa (图1b) 温度的相关分析可以看出, 地面最低气温与850 h Pa和925 h Pa温度都有很好的相关性, 散点围绕拟合直线均匀分布。最低气温与850、925 h Pa温度为线性关系, 计算相关系数可得地面最低气温与当日8:00 850 h Pa温度相关系数为0.687, 与当日925 h Pa温度相关系数为0.805, 分别得到线性回归方程Tmin=0.635×T850-3.352和Tmin=0.829×T925-3.089。

春季、夏季和秋季同样按以上方法做地面最低气温与当日8:00 850 h Pa和925 h Pa温度的相关分析, 计算相关系数和线性回归方程进行分类汇总如表1所示。可以得出, 春、夏、秋、冬4个季节地面最低气温都与925 h Pa温度的相关性更高些。因此用925 h Pa温度数据和最低气温做回归分析, 得到相应的四季回归方程。

利用四季的线性回归方程分别计算每日最低气温, 并与实况最低气温对比发现, 回归方程计算的最低气温误差 (预报—实况) 很大, 回归方程计算结果均有超过5℃的误差。其中, 夏季的预报效果稍好于春季、秋季和冬季, 预报误差多集中分布在-2~2℃之间, 有一定的参考意义, 而春季、秋季和冬季的预报结果需进一步订正[3,4]。考虑到最低气温的影响因子有很多并且影响机制很复杂, 本文选取地面风向、风速、夜间平均低云量和变温等主要因子进行分析。

2.2 主要因子对预报误差的影响分析

2.2.1 风场对预报误差的影响分析。

风场包括风向和风速。一般来讲, 吹偏北风时, 受北方冷空气影响, 温度会随之降低;吹偏南风时, 受南来暖湿空气的影响, 气温会随之升高。同时, 风速较大时, 受气流混合影响, 温度不至于降得太低。因此分别从风向和风速的角度分析其对温度的影响。

(1) 风向对预报误差的影响分析。从图2可以看出, 四季最低气温预报误差与8:00风向 (风向采用16方位表述) 有一定统计关系, 在地面吹偏南风 (风向在8附近时) 的情况下, 预报误差主体位于0线以上, 预报结果偏高;在地面吹偏北风 (风向在16和1附近时) , 预报误差主体位于0线以下, 预报结果偏低;夏季整体预报误差较小, 预报效果较好。

(2) 风速对预报误差的影响分析。风速影响夜间的地面辐射降温, 当空气流动明显时, 热交换频繁地面温度趋于均匀, 局地辐射降温影响小, 因此风速越大, 辐射降温影响越弱, 地面最低气温可能越高。统计分析表明:夏季和秋季预报误差和地面风速相关性没有一定的统计规律, 不予考虑。

春季和冬季预报误差与地面风速呈近似线性关系, 风速大, 负误差大, 风速小, 正误差大。春季地面风速小于4 m/s时, 预报误差波动性较大, 风速在3~4 m/s之间时, 预报结果偏高;风速大于4 m/s时预报结果偏低。冬季, 地面风速小于3 m/s时方程预报结果偏高;而风速大于3 m/s时预报结果则偏低, 说明当地面风速小于3 m/s时, 地面的辐射降温明显, 最低气温较低, 导致预报结果偏高;而风速大于3 m/s时, 空气流动明显, 地面最低气温较高, 导致预报结果偏低。

2.2.2 云量对预报误差的影响分析。

夜间低云对地面的辐射降温有很大影响, 夜间有云时, 云层像暖盖一样将地面辐射反射回地面使得地面不易散热, 最低气温反而比晴天时高。四季云量对预报误差的影响略有不同 (图3) , 将四季云量进行划分:春季、夏季和秋季少云1~5, 多云6~10;冬季少云1~3, 多云4~10, 可以看出:四季在无云的情况下方程预报结果均偏高, 少云时地面辐射降温明显, 导致地面气温偏低;多云时, 云将地面发射的长波辐射返回地表, 使得地面气温偏高, 导致预报结果偏低。

2.2.3 变温对预报误差的影响分析。

朝阳地区位于北温带大陆性季风气候区, 地形复杂, 受北部蒙古高原的干燥冷空气东移侵入的影响, 冷暖空气交替频繁, 地面最低气温预报难度大。冷暖空气的交替可大概用夜间变温和白天变温表示, 夜间变温用T8:00-前日T20:00表示, 白天变温用T20:00-T8:00表示。统计最低气温预报误差与变温的关系可得:春季预报误差与白天变温、秋季预报误差与夜间变温、冬季预报误差与白天和夜间变温关系最为显著。

从图4可以看出, 春季当白天925 h Pa气温下降 (T20:00-T8:00≤5) 时, 预报结果平均偏低1.02℃, 当白天925 h Pa气温明显上升 (T20:00-T8:00>5) 时, 预报结果平均偏高0.98℃;夏季温度预报误差与变温关系不明显, 不予考虑;秋季当夜间925 h Pa气温明显下降 (T20:00-T8:00<-8) 时, 预报结果偏低, 平均偏低1.80℃;冬季当夜间925 h Pa气温明显下降 (T20:00-T8:00<-5) 时, 预报结果平均偏低2.18℃, 当夜间925 h Pa气温上升 (T20:00-T8:00>-5) 时, 预报结果平均偏高了1.11℃;冬季当白天925 h Pa气温下降 (T20:00-T8:00<0) 时, 预报结果平均偏低0.94℃。

2.3 对原始回归方程的预报结果进行订正分析

分析表明, 风向、风速、夜间平均低云量和变温对原始回归方程的预报结果均有一定的影响, 定量化总结校正误差汇总如表2所示, 在原始回归方程得到的预报结果基础上按表2进行订正, 得到订正后的预报结果, 将“订正后预报结果-实况”作为订正后误差, 对订正后的误差进行分析。

订正后预报误差 (图5) 比订正前 (图略) 预报误差分布更集中, 误差更小。春季, 在订正前的预报误差图中有2个误差峰值, 均位于-2~2℃范围之外, 误差较大;在订正后的预报误差图中有1个主误差峰值, 位于-2~2℃之内, 相比订正前预报准确率提高了20个百分点。夏季订正后相比订正前误差更集中, 预报效果更好, 预报准确率提高了4个百分点。秋季, 订正前预报误差分布比较分散, 误差较大;订正后, 预报误差峰值主体集中在准确范围内, 预报准确率提高近20个百分点。冬季, 订正前预报误差主峰值位于2℃附近, 订正后预报误差峰值调整到0℃附近, 预报结果稍好些, 预报准确率提高了8个百分点, 但仍然有部分超过-2~2℃范围的较大误差存在, 因此冬季预报方法有待进一步的改进。

3 结论与讨论

(1) 朝阳地区四季最低气温与925 h Pa温度的相关性最显著。

(2) 四季最低气温预报误差与8:00风向有一定统计关系, 在地面偏南风的情况下, 预报结果偏高;在地面偏北风时, 预报结果偏低。春季和冬季预报误差与地面风速呈近似线性关系, 风速大, 负误差大, 风速小, 正误差大, 夏季和秋季预报误差和地面风速相关性统计规律不明显。

(3) 四季在无云的情况下回归方程预报结果均偏高, 多云时预报结果偏低。

(4) 变温对四季最低气温影响规律不同, 但总体呈现正变温时, 预报结果偏高, 负变温时, 预报结果偏低。

(5) 在回归方程预报结果基础上进行订正后得到的预报误差较订正前更小, 预报结果比较接近实际。春季、夏季和秋季的订正效果很好, 可为以后预报提供参照;冬季由于冷空气活动频繁, 订正后的预报误差仍较大。

摘要：利用朝阳2009年、2010年地面常规观测资料和临近探空站的高空资料, 分析朝阳四季最低气温与850 h Pa温度、925 h Pa温度、风场、云量和变温等因子的关系, 结果表明:朝阳最低气温与当日8:00 925 h Pa温度相关性最好。可利用925 h Pa温度建立回归方程, 通过方程得到初步的温度预报结果, 再根据风场、云量和变温场对预报结果进行订正, 得到最终的预报结果。

关键词：925 h Pa温度,相关性分析,预报误差,定量化订正,辽西丘陵地区

参考文献

[1]刘梅, 濮梅娟, 高萍, 等.江苏省夏季最高温度定量预报方法[J].气象科技, 2008, 36 (6) :728-733.

[2]邓玮, 吕广红, 李忠福, 等.850 h Pa温度在天气预报中的释用[J].井冈山大学学报, 2011, 32 (2) :58-62.

[3]刘国忠, 农孟松, 黄翠银.逐级订正最高、最低气温客观预报方法研究[J].广西气象, 2006 (1) :14-16.

气温预报 篇4

1 各地区总云量和日照时数回归模型

1.1 冬季模型

冬季模型为:

1.2 春季模型

春季模型为:

2 各温室最高、最低气温预测模型及预测模型检验回代

2.1 冬季最高气温预测模型

冬季最高气温预测模型如下:

式中, x1为日照时数。

2.2 冬季最低气温预测模型

冬季最低气温预测模型如下:

式中, x1为日最低气温;x2为日平均风速。

2.3 预测模型检验回代

将2012年1月1-10日共10 d的观测数据代入回归方程进行回代检验 (表1) 。结果表明, 最高气温预测值与实际值的差值大部分都在±2.0℃以内, 其中4个值差距较大;最低气温差值均在±1℃以内。

2.4 春季最高气温预测模型

春季最高气温预测模型如下:

式中, x1为日日照时数;x2为日最大风速。

2.5 春季最低气温预测模型

春季最低气温预测模型如下:

式中, x1为日平均气温;x2为日总云量。

2.6 预测模型检验回代

将2012年4月1-10日共10 d的观测数据代入回归方程进行回代检验 (表2) , 结果表明, 最高气温预测值与实际值的差值大部分都在±2.0℃以内, 但有3个值较差距较大;最低气温大部分差值均在±2.0℃以内。

℃

3 结论与讨论

(1) 该研究中冬季气温预测模型回代检验均相差1℃左右, 可以直接用模型进行温室温度预报, 春季预报模型有待于完善。

(2) 因天气预报中不对日照时数进行预报, 该研究利用日照时数和总云量建立了回归模型, 为日照时数的预测提供支撑。数据分析中, 总云量与日照时数模型均通过了95%置信区间的检验, 为预报模型在现实业务应用奠定了基础。

(3) 该研究只是对当地砖钢结构温室的初步探索, 由于缺乏相关数据, 仅对设备观测到的气象因素进行了更多的考量, 对人为因素和不同作物对温室小气候影响考虑较少, 且1年的数据样本较少, 有待下一步对模型进行完善。

摘要：利用2011年7月至2012年6月的温室中观测到的最高气温和最低气温与就近气象站气象资料, 采用逐步回归法建立了冬季和春季预报模型, 为开展精细化设施农业气象服务提供了支撑。

关键词：温室,模型,气温

参考文献

[1]高丽娜, 孙擎, 郭翠荣.山西日光温室逐日极端气温预测模型研究[J]中国农学通报2015, 31 (15) :240-246.

[2]王孝卿, 李楠, 薛晓萍.寿光日光温室小气候变化规律及模拟方法[J]中国农学通报, 2012, 28 (10) :236-242.

[3]金志凤, 符国槐, 黄海静, 等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象, 2011, 32 (3) :362-367.

[4]高飞翔.内蒙古临河区典型温室气温预报模型研究[J].农业灾害研究, 2016, 6 (2) :43-44.

气温预报 篇5

闽清县位于福建省东部, 福州市西北部, 闽江下游, 县域内的地貌以山地、河谷为主, 各乡镇受地形影响, 天气变化差别较大, 尤其是气温变化差异较为明显。随着社会经济发展, 人民生产、生活对气温预报的精度和地域适用性提出了更高的要求。目前, 闽清气象部门仅依靠一个标准气象站的资料进行气温预报显然无法满足需要。为改善这种状况, 填补闽清野外环境无气温预报值的空白, 本文利用区域自动站资料, 基于Cressman插值方法和大气温度垂直梯度变化通用计算方法, 对闽清野外环境气温进行反演, 达到气温要素精细化预报的目的, 较好地解决当地需求和气温预报之间的矛盾。

1 资料来源及处理

资料来源于福建省闽清县气象局, 包括县气象站和14个气象区域自动站的日平均气温资料。区域自动站资料的时间序列从数据正常采集至2011年6月, 县气象站资料时间序列与各区域自动站相同。另外, 收集所有气象站点的代码、代表乡镇、经纬度和海拔高度。为保证预报模型效果, 提高气温预报准确率, 需对所有实测资料进行质量控制, 过虑异常气温数据, 最终得到预报因子与预报对象的资料序列。

2 野外环境气温预报方法

2.1 建立气温预报模型及其检验

将闽清县气象站气温资料作为预报因子 (x) , 区域自动站的气温为预报对象 (y) , 则预报模型为

式 (1) 中

平均值是描述资料数字平均状况的值, 对于有n个资料x要素系列, 其数值为 (x1, x2, …, xn) , 其平均值为

要素x的均方差为

方差为

设x与y是两组n个气象资料要素, 则它们的协方差为

x与y相关系数为

预报模型的显著性检验用F来检验, 则F值为

2.2 计算海平面气温

一般来说, 海拔在1500m以下, 气温垂直梯度为0.65℃/100m, 设A点高度为h1, 其气温为t1, A点海平面气温t2, 则

A点气温可表示为

2.3 利用Cressman方法进行预报气温空间插值

插值是在离散数据之间补充一些数据, 使这组离散数据能够符合某个连续函数, 插值分析是气象信息处理应用最为广泛的分析算法之一。气象观测数据是依据站点分布呈离散点分布, 有其独特的多样性、复杂性以及不确定性, 气象领域应用最多的插值方法为Cressman插值算法, 它采用逐步订正方法进行最优化插值, 用实际资料与预备场之差去改变和订正预备场或初值场, 得到一个新场, 再由新场去求出与实际值之差, 订正上一次的场, 直到订正场逼近实际资料为止。

本研究采用Cressman插值方法, 设某点气象要素 (Z) 由其周边n个站点资料插值而成, 则Z的表示方法为:

Zi和Wi分别为第i个网格点的数值预报值和该格点对Z影响的权重函数, n为可能对Z造成影响的格点总数。考虑离预报站点不同距离的格点对站点所产生的影响各不相同, 其影响权重函数采用Cressman客观分析方法[15]函数进行计算:

其中Wi为第i个点的权重系数, Mr为插值时考虑的影响最大半径, Ri为该点到第i个站点水平距离。实际计算过程中发现, 当Mr等于5倍格距时, 插值效果最好, 本研究中格距取5km。Ri的计算公式为:

式 (13) 中, Rd为地球半径, 即6671km;lat1、lon1、lat2、lon2分别为A、B两点的纬度和经度。

将闽清及通过模型计算得到的14个区域站预报气温资料反演到海平面气温, 根据各站的地理位置, 通过式 (11) ~ (13) 进行预报气温插值, 根据野外无测站某点的经纬度可以得出某点的海平面气温, 利用公式 (10) 得到某点预报气温数据。

3 结果与分析

3.1 温度预报模型分析

利用模型 (1) ~ (8) 得到各区域站的气温预报模型及各相关因子, 见表1。

各区域站与闽清县站温度关系模型的系数B均略大于1, 说明二者存在很好的正相关关系, 同时具有不明显的数值放大关系, 它们的相关系数均达到98%以上, F检验值均通过了99.9%的可信度检验。关系模型中的常数项B0, 负值占总数的13/14, 仅有1/14站为正值 (白樟) , 表明大部分区域站需减去一个特定值来对模型进行订正。常数项的取值范围是-4.51 (下祝) ~0.26 (白樟) , 区域站气温平均值 (Y) 为16.1℃ (下祝) ~20.4℃ (白樟) , 差异均值为-3.9℃ (下祝) ~0.6℃ (白樟) , 差异均方差为0.39℃ (白中) ~1.16℃ (下祝) , 由此可见区域站下祝和白樟的情况较为特殊, 基本位于各取值范围的两端。经反查原始气温资料和区域站地理位置后发现, 下祝海拔为各区域站中最高 (777m) , 位于闽清的最北端;白樟位于闽清中心位置, 局地小气候环境对其气温实测值影响较大, 正是由于这些因素造成两站与其他站的明显差异。

3.2 预报结果分析与验证

为能够较全面检验本研究的成果, 分别对金沙、下祝、白樟3站所处地理位置进行预报气温插值, 利用3站的实测值对预报值进行对比检验。考虑气温季节性变化较大, 分别选取3站代表不同季节的4个月份的日平均气温资料, 由于福建较合理的自然天气季节大致是:3~6月为春季, 7~9月为夏季, 10~11月为秋季, 12至翌年2月为冬季[16], 所以选取2月、5月、8月和11月作为季节的代表月份 (共计360d资料) , 预报插值气温与实测气温对比验证结果见表2。

注:误差值以预测值与实测值之差的绝对值表示。

表2表明, 3站日平均气温4个月的平均误差在0.47~0.88℃之间, 总平均误差为0.7℃;平均最大、最小误差分别为2.1℃和0.03℃;误差大等于1℃天数平均为31d, 约占总预报天数的1/12, 总体来看气温预报检验效果较好。

同时可以看出, 3站中金沙地域的总体气温预报检验效果最好, 各项指标均为最佳, 下祝地域的预报效果次之, 白樟地域再次之。分析认为仍是白樟的局地小气候影响较大造成其气温预报误差不理想, 但仍能达到预报要求 (平均误差为0.88℃) 。

从不同月份来看, 5月 (代表春季) 的气温预报效果最好, 平均误差为0.61℃;2月 (代表冬季) 稍次之, 平均误差为0.62℃;11月 (代表秋季) 再次之, 平均误差为0.73℃;8月 (代表夏季) 较差, 平均误差为0.84℃。造成这种情况的原因, 分析认为福建气候特点是主要原因。

4 结论

利用区域自动站气温资料, 以Cressman插值方法对闽清野外环境气温进行反演, 通过对气温预报结果的分析, 得出闽清县气温预报具有如下特征:

4.1 以闽清气

象站和区域自动气象站数据建立气温预报模型的方法可行, 模型可信度较高, 并且具有很好的正相关关系, 区域站气温普遍比闽清站低。

4.2 通过Cressman

插值方法可以较好地进行闽清野外气温预报的反演, 预报检验的总平均误差仅为0.7℃, 误差大等于1℃平均天数仅占总检验预报天数的1/12, 能较好满足气温预报需要。

4.3 从不同季节来看

春季气温预报效果最好, 冬季稍次之, 秋季再次之, 夏季较差。

因此, 对闽清县野外环境进行气温预报, 首先应该考虑季节因素影响, 如果是在秋季或夏季就要对预报气温做进一步订正;其次要把握各区域地形分布的特征, 对于高海拔地区和闽清县县界边缘内侧的网格距离要进行适当调整, 以提高预报气温精度;另外, 还要将福建气候特点这一大背景影响因素结合进来, 明晰各天气系统对闽清气温的影响程度和规律。

摘要：为提高野外环境气温预报能力, 利用闽清县14个区域自动气象站和1个标准站的气温观测数据, 建立日平均气温预报模型, 通过Cressman空间插值方法, 对预报气温进行反演, 得出野外环境气温的空间分布规律。结果表明:自动气象站与标准站之间存在正相关系;野外环境预报气温反演效果较好, 误差大等于1℃的天数仅占总天数的1/12, 能满足气温预报需要。

关键词：气温反演,野外环境,Cressman插值,自动气象站

参考文献

[1]邱新法, 仇月萍, 曾燕.重庆山地月平均气温空间分布模拟研究[J].地球科学进展, 2009, 24 (6) :621-628.

[2]袁淑杰, 谷晓平, 缪启龙, 等.基于DEM的复杂地形下平均气温分布式模拟研究～以贵州高原为例[J].自然资源学报, 2010, 25 (5) :859-867.

[3]李仰征, 马建华.Kriging插值在开封市区域声环境评价中的应用[J].环境科学与技术, 2008, 31 (3) :103-106.

[4]徐永明, 覃志豪, 沈艳.基于MODIS数据的长江三角洲地区近地表气温遥感反演[J].农业工程学报, 2011, 27 (9) :63-68.

[5]伍玉梅, 何宜军, 孟雷.利用卫星资料反演月平均近海面气温和湿度[J].海洋与湖沼, 2008, 39 (6) :547-550.

气温预报 篇6

目前, 国内外很多学者对不同区域的气温变化进行了研究。国内有刘雪锋等[1]利用辽宁省测站50a的气温数据, 首先使用一元回归方程对年平均气温年代变化进行分析, 然后运用M-K突变检验法对年平均气温进行非参数检验, 结果表明辽宁省年平均气温呈递增趋势。李鹏飞等[2]利用安徽省铜陵市气温资料, 采用一元线性回归、M-K突变和累积距平等方法, 对铜陵市气温变化特征进行分析, 结果表明铜陵市年平均气温呈上升趋势。郭志梅等[3]使用中国北方地区逐年、逐日气温观测资料, 对我国北方气温特征变化进行分析, 结果表明我国北方年平均气温、日最高气温及日最低气温呈显著的增温趋势, 且东北地区增温幅度高于西北和华北。沈姣姣等[4]使用陕西省西安市逐日气温数据, 采用M-K非参数检验、滑动t检验及R/S分形理论, 对西安市24节气年平均气温变化特征进行分析, 结果表明立冬、惊蛰、小雪及春分节气气温呈显著的增温趋势。国外有Mann等[5]使用近500a气温数据, 对全球气温变化规律进行研究, 结果表明全球气温存在15~35a和50~150a两类振荡周期规律。Lau等[6]使用全球气温资料, 并对气温数据使用小波变换分析得出, 全球地表气温存在60a和80a的长周期变化规律。Lebedeff[7]和Vinnikov[8]等对全球气温分析得知, 全球表面年平均气温从19世纪末至20世纪90年代中期气温上升0.3~0.6℃。

此外, 还有很多学者对气温变化进行研究取得了一些成果。但目前对气温预测研究还是相对较少。丛凌博等[9]使用时间序列ARMA数学模型, 对气温样本进行建模并预报, 结果表明模型精度较高, 预测效果较好。唐湘玲等[10]使用灰色理论对新疆阿克苏地区年平均气温建立G (1, 1) 模型进行短期预报。

1 资料来源

本文使用江西省吉安市逐日气温资料, 计算出年平均气温来研究气温年际变化规律, 使用平均气压、平均相对湿度、平均降水量、平均风速、平均日照数5个气象因子逐日数据, 研究年平均气温与这5个因子之间的相关性。上述资料均来源于吉安市国家基准地面气象观测站。

2 年平均气温变化趋势

2.1 年际变化特征

图1为吉安市近50a来年平均气温变化趋势, 虚方框线为气温实测值, 虚线为一元线性回归值。从图1可以看出:1吉安市近50a来年平均气温波动较大, 根据一元线性回归值可以看出气候倾向率为0.17℃/10a, 说明吉安市年平均气温呈递增趋势, 每10a增温0.17℃, 一元线性回归方程通过a=0.05显著性检验, 说明升温趋势是显著的;2根据对1961-2010年吉安市逐年平均气温数据的统计分析得知, 50a平均气温均值为18.6℃, 1967-1997年大部分年份的年平均气温小于平均值, 1997年之后大部分年份的年平均气温高于平均值, 年平均气温最小值为17.6℃ (1984年) , 最大值为19.7℃ (1998年) ;3根据均方差分析公式, 求出吉安市近50a的年平均气温均方差得s=0.95, 均方差较大, 说明吉安市近50a的年平均气温年际变化波动幅度较大。

2.2 突变年检验

M-K法是一种常用突变检验方法, 主要应用于气候和径流趋势突变分析。其优点为检测范围宽, 人为性少, 定量化程度高。本文运用M-K非参数检验方法, 对吉安市50a的年平均气温数据进行时间序列的趋势分析和突变检验。

图2为吉安市年平均气温M-K突变检验统计曲线, 从图2可以看出, 1961-1995年期间UF年平均气温顺序统计曲线均小于0, 表明在此期间年平均气温呈递减趋势。1996年之后UF年平均气温顺序统计曲线均大于0, 表明从1996年开始年平均气温呈递增趋势。其中, 从2004年开始UF顺序曲线超出临界线, 说明从2004年开始年平均气温递增趋势非常显著。UF和UB两条曲线的交点所对应的时刻约为2001年, 且交点在临界线信度之内, 则表明2001年为吉安市近50a的年平均气温突变年。

3 气温与相关气象因子分析

3.1 相关性分析

本文使用1961-2010年吉安市年平均气压、年平均相对湿度、年平均降水量、年平均风速、年平均日照数5个气象因子数据, 分析研究年平均气温与这5个因子之间的相关性。

由于各气象因子量纲单位不一致, 首先对年平均气温、年平均气压、年平均相对湿度、年平均降水量、年平均风速、年平均日照数6个因子数据做标准化处理。本文使用Z-score标准化, 目的是使得各气象因子平均值为0、标准差为1, 这样就可以使不同量纲的数据可以放在一个矩阵中。Z-score标准化处理表达式如下:

式 (1) 中, x为因子数据时间序列, mean (x) 为因子时间序列平均值, std (x) 为因子时间序列标准差。

然后, 对标准化后的气象数据使用一阶差分, 消除其线性趋势。最后, 对经一阶差分后的数据使用相关性分析, 结果见表1。

从表1可以看出, 年平均气温与年平均降水相关性系数为-0.778 9, 通过显著性0.01检验, 表明两者之间存在显著的负相关性关系;年平均气温与年平均相对湿度相关性系数为-0.307 9, 表明年平均气温与相对湿度之间存在相关性较弱的相关性关系;年平均气温与其他3个气象因子之间相关性系数不高, 没有通过显著性0.01检验, 说明气温与其他3个气象因子之间无较为显著的相关性关系。

运用EMD经验模态分解法讨论年平均气温与年平均降水之间的关系。对吉安市年平均气温、年平均降水资料进行EMD分解, 得到前5个固有模态IMF分量 (见图3) , 图3中从上至下分别为5个IMF分量。从第1个IMF分量可以看出, 年平均气温存在准2a的周期变化, 年平均降水存在准3a的周期变化。从第5个IMF分量可以看出, IMF曲线明显呈上升趋势, 说明吉安市年平均气温在年际尺度上呈显著的增温趋势, 而年平均降水量呈显著的递减趋势。这一结果与两者之间存在反相关性关系结论相一致。

3.2 逐步回归分析

本文以吉安市1961-2010年的年平均气压、年降水量、年平均相对湿度、年平均日照、年平均风速为自变量X1~X5, 以年平均气温为因变量Y, 建立逐步回归方程, 用来对年平均气温进行预测。运用SAS编写逐步回归程序, 求出逐步回归方程的方差分析表 (见表2) , 表3为所求方程参数估计表。

从表2可以看出, 由Prob>F所表示的概率很小, 小于0.01, 表明F=8.01值很大, 从而表明方程线性关系是高度显著的。

从表3可以看出, 由Prob>|T|的值分别为<0.000 1、0.001 1、0.001 4、<0.000 1均小于0.01。表明所建立的模型效果较好, 可用于对年平均气温进行短期预报。建立的逐步回归模型为:

从上述所建立的逐步回归方程可以看出, 吉安市年平均气温主要由年降水量及年平均相对湿度决定。运用1961-2010年吉安市实测年平均气温与逐步回归方程预测效果进行检验, 如图4所示。

计算出逐步回归预测值与年平均气温实际值之间的平均相对误差为7.3%, 可以看出模型预测效果较好。因此, 未来可以使用年降水量、年平均相对湿度对吉安市年平均气温进行预测。

4 结论

本文使用吉安市逐日地面气象资料, 分析气温变化特征以及进行短期预报。得出以下结论:吉安市年平均气温呈递增趋势, 每10a增温0.17℃, 1997年之后大部分年份的年平均气温要高于平均值且2001年为吉安市近50a的年平均气温突变年;年平均气温与年平均降水之间存在显著的负相关性关系;年平均气温与年平均相对湿度存在相关性较弱的相关性关系。而后通过EMD分解得出, 年平均气温在年际尺度上呈显著增温趋势, 而年平均降水呈显著递减趋势;以年平均气压、年降水量、年平均相对湿度、年平均日照、年平均风速为自变量, 年平均气温为因变量, 建立逐步回归方程, 用于对年平均气温进行预报。

摘要：利用江西省吉安市地面气象观测资料, 采用一元线性回归、均方差、M-K非参数检验法、EMD经验模态分解等分析方法, 研究吉安市气温变化特征及其与气象因子的相关性。通过对年平均气温年际变化特征的分析, 发现吉安市年平均气温呈增温趋势, 每10a增温0.17℃;通过M-K检验, 得出2001年为吉安市年平均气温突变年;通过年平均气温与其他气象因子相关性分析, 得出气温与降水之间存在显著的负相关性关系。而后根据EMD分解第5个IMF分量得出, 年平均气温在年际尺度上呈显著增温趋势, 而年平均降水呈显著递减趋势。最后以年平均气压、年降水量、年平均相对湿度、年平均日照和年平均风速5个气象因子为自变量, 以年平均气温为因变量, 建立逐步回归方程, 用于对年平均气温进行预报, 模型预测效果较好。

关键词：气温,相关性分析,M-K检验,EMD经验模态分解,逐步回归

参考文献

[1]刘雪锋, 李军林.辽宁省近50年气温变化特征及突变分析[J].沈阳农业大学学报, 2009 (5) :522-527.

[2]李鹏飞, 周晓飞, 张庆国, 等.铜陵市近49年气温变化特征及其趋势分析[J].安徽农业大学学报, 2010 (2) :346-351.

[3]郭志梅, 缪启龙, 李雄.中国北方地区近50年来气温变化特征及其突变性[J].干旱区地理, 2005 (2) :176-182.

[4]沈姣姣, 徐虹, 李建科, 等.近60年西安市24节气气温变化特征及突变分析[J].资源科学, 2013 (3) :646-654.

[5]Mann ME, Park J, Bradley R.Global interdecadal and century-scale oscillations during the past five centuries[J].Nature, 1995 (6554) :266-270.

[6]Lau KM, Weng HY.Climate signal detection using wavelet transform:How to make a time series sing[J].Bull.Amer.Meteor.Soci., 2010 (12) :2391-2402.

[7]Hansen J, Lebedeff S.Global surface temperature:update through 1987[J].Geophysical Research Letters, 1988 (4) :323-326.

[8]Vinnikov KY, Groisman PY, Lugina KM.Empirical data on contemporary global climate changes (temperature and precipitation) [J].Journal of Climate, 1990 (6) :662-677.

[9]丛凌博, 蔡吉花.ARMA模型在哈尔滨气温预测中的应用[J].数学的实践与认识, 2012 (16) :190-195.