基于敏感性因素分析的数值天气预报修正方法

发布时间：2023-03-23 21:22

　　模型输出统计作为数值天气预报(numerical weather prediction,NWP)修正常用的方法,可有效修正系统误差,节省计算资源和时间。为了提高NWP的预测精度,从影响NWP精度的因素出发,分析不同因素对NWP误差的影响模式,得到对NWP风速误差影响最大的因素。然后以该敏感因素为划分依据建立分段修正模型提高NWP的准确性。为防止研究结果依赖于某种特定建模方法,采用4种常用的统计方法建立模型。算例结果表明:NWP风速误差对风向最为敏感,以风向为划分依据建立的修正模型精度最高。以线性回归方法为例,以风向为划分依据比以风速和气压为划分依据的NWP误差分别降低了3.6%和5.3%。

【文章页数】：8 页

【文章目录】：
0 引言
1 NWP风速误差的敏感因素分析
    1.1 NWP误差的定义
        (1) 绝对误差(AE)。
        (2) 均方根误差(RMSE)。
        (3) 平均绝对误差(MAE)。NWP风速与实测风速值偏差绝对值的平均值。
    1.2 NWP风速误差敏感性分析
        1.2.1 NWP风速误差对NWP与实测数据相关度的敏感性分析
        1.2.2 NWP风速误差对时间的敏感性分析
        1.2.3 NWP风速误差对天气因素的敏感性分析
            (1) NWP风速误差对风速的敏感性分析。
            (2) NWP风速误差对风向的敏感性分析。
            (3) NWP风速对气压的敏感性分析。
            (4) NWP风速误差对温度敏感性分析。
            (5) NWP风速误差对湿度的敏感性分析。
        1.2.4 NWP风速误差敏感性总结
2 NWP风速修正模型建模过程
3 算例分析
    3.1 数据描述
    3.2 修正模型
    3.3 NWP修正结果对比与分析
4 结论



本文编号：3768776