CN115639626B - 华南降水过程的低频监测与延伸期预报方法及系统 - Google Patents

华南降水过程的低频监测与延伸期预报方法及系统 Download PDF

Info

Publication number
CN115639626B
CN115639626B CN202211215236.8A CN202211215236A CN115639626B CN 115639626 B CN115639626 B CN 115639626B CN 202211215236 A CN202211215236 A CN 202211215236A CN 115639626 B CN115639626 B CN 115639626B
Authority
CN
China
Prior art keywords
precipitation
low
south china
days
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211215236.8A
Other languages
English (en)
Other versions
CN115639626A (zh
Inventor
纪忠萍
谷德军
韩浦城
李晓娟
李霞
于玲玲
徐艳虹
黄晓莹
涂静
吴林
叶萌
瓦力江·瓦黑提
时洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meteorological Observatory Of Guangdong Province South China Sea Marine Meteorological Forecast Center Pearl River Basin Meteorological Observatory
Original Assignee
Meteorological Observatory Of Guangdong Province South China Sea Marine Meteorological Forecast Center Pearl River Basin Meteorological Observatory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meteorological Observatory Of Guangdong Province South China Sea Marine Meteorological Forecast Center Pearl River Basin Meteorological Observatory filed Critical Meteorological Observatory Of Guangdong Province South China Sea Marine Meteorological Forecast Center Pearl River Basin Meteorological Observatory
Priority to CN202211215236.8A priority Critical patent/CN115639626B/zh
Publication of CN115639626A publication Critical patent/CN115639626A/zh
Application granted granted Critical
Publication of CN115639626B publication Critical patent/CN115639626B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及华南降水过程的低频监测与延伸期预报方法，研究了华南逐日降水的低频分区确定代表站；研究了华南逐日降水在年内不同时段的季节内振荡特征与确定最佳窗口大小。通过选取不同的截断周期进行低通滤波，揭示了华南逐日降水可预报性，并利用华南逐日降水近期随时间变化所具有的季节内振荡特征，拟合建立了延伸期预报方程，对其进行历史回报与独立样本检验。研究了不同百分位对应的预报与实况序列阈值之间的回归关系，对华南逐日降水简谐波模型的强度进行订正，改进降水过程的强度预报尤其是强降水过程的预报；最后，利用micaps实时及历史逐日降水资料，基于以上，建立每日定时运行、滚动更新的“华南降水过程低频监测与延伸期预报系统”。

Description

华南降水过程的低频监测与延伸期预报方法及系统
技术领域
本发明涉及气象学技术领域，尤其涉及华南降水过程的低频监测与延伸期预报方法及系统。
背景技术
华南地处低纬，是我国汛期最长、降水及雨涝最多的地区之一，强降水常常引发山洪爆发、山体滑坡、泥石流、江河泛滥的自然灾害的发生。而在全球气候变暖的背景下，特大干旱、强降雨等极端天气气候事件发生的频率和强度呈增加趋势，且这些极端天气事件往往由于持续时间长而导致更严重的气象灾害，造成严重社会影响和重大经济损失。因此，开展10～30d华南降水过程尤其是强降水过程的延伸期预报技术方法研究，突破目前10d的中期天气预报时效上限，建立延伸期预报业务，是当前气象部门亟需解决的问题。
受大气科学发展和对大气认识水平的限制，目前延伸期天气预报理论和技术仍是世界性的难题。世界各地对延伸期天气趋势预报的方法都还在探索之中。大量观测和理论研究表明,主要由外部热源和大气内部非线性相互作用共同激发的大气低频变化，即大气季节内振荡,时间尺度为10-90天，是引起5-10天中期以及10-30天延伸期天气过程主要因子之一，对未来10-30天延伸期过程预报有很好的指示意义。因此，揭示华南逐日降水所蕴含的季节内振荡信号，研究其可预报性，开展华南降水过程的10-30天延伸期预报是一种很好的尝试。
国内外一些学者已经开展了多种基于大气季节内振荡的延伸期预报统计预报方法研究，并取得了一定的预报效果。谷德军等(2013)利用小波变换揭示出广州近期逐日降水距平5天滤波序列变化的主要周期，采用截断周期为5天的低通滤波除去天气尺度的高频变化，对最近36天的低通距平序列进行小波变换得到近期的L个主要振动周期，采用简谐波拟合，建立了广州逐日降水的简谐波延伸期预报方程，具有一定的预报效果。实际的业务预报中，如果也能利用华南逐日降水所蕴含的季节内振荡信号进行10-30天的延伸期预报，对未来主要的降水过程尤其是强降水过程做出较好的预报，将有助于提高华南降水过程的延伸期预报水平。但以往针对华南不同季节所蕴含的季节内振荡信号、可预报性及其延伸期预报模型的工作相对较少。另外，由于简谐波延伸期预报模型是对观测序列进行低通滤波后所建立，它虽然对降水过程的出现时段有一定反映能力，但由于预报结果中不含高频变化而导致降水强度的预报大都偏弱。针对以上存在问题，需要解决以下5个主要问题：
(1)华南逐日低频降水的空间分布特征如何？如何选取代表站来开展研究？
(2)华南逐日降水在不同季节蕴含了怎样的季节内振荡信号？
(3)选取不同的截断周期进行低通滤波，华南各代表站逐日降水的可预报性如何？
(4)选取不同截断周期所建立的延伸期预报方程，预报效果如何？如何确定最小截断周期？
(5)如何解决延伸期预报的降水强度偏弱的问题？
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供华南降水过程的低频监测与延伸期预报方法及系统。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出华南降水过程的低频监测与延伸期预报方法，包括以下：
获取华南逐日降水历史资料；
根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及计算华南逐日降水在年内不同时段的季节内振荡特征；
根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
根据最终的所述预报模型，利用micaps实时及逐日降水资料，对华南降水过程进行每日定时运行的低频监测以及延伸预报。
进一步，具体的，根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站，包括，
采用Lanczos滤波器对1966-2012年1-12月华南156站逐日降水距平场进行8-90天滤波，并做EOF分析，得到前3个主分量的累积方差贡献，基于EOF分析的前三个模态的零值线，把华南分为四个区域，确定四个区域的多个代表站。
进一步，具体的，计算华南逐日降水在年内不同时段的季节内振荡特征，包括，
以8天为截断周期做低通滤波，并对华南代表站1952-2011逐年逐日降水的低通滤波序列做小波变换，统计随时间和周期变化的小波系数极值点出现次数，把达到或超过0.05显著性水平的极值点，包括极大值和极小值处赋值为1，其余点处赋值为0，然后统计历年逐旬各个周期通过0.05显著性水平极值点的次数，并把逐旬相邻的5个周期出现极值点的次数累加，以周期/最小周期作为比例系数乘以极值点次数，以5个周期中间点对应的周期为纵轴，以旬为横轴，得到通过0.05显著性水平的60年平均小波系数极值点次数随旬和周期变化关系。
进一步，具体的，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响采用信号-误差比法，包括，
选取N个不同的ISO个例xij，i＝1,2,…N，j为相对于关注时间的天数，把N个不同个例相同j点的值进行平均，构造即：
上式中，代表第k个ISO个例，k＝1，2，…N；
对一个给定的ISO事件，信号定义为在一个以j点为中心的滑动窗口-L～L内的方差，误差定义为相同j点处N个个例的方差，信号与误差分别为：
信号-误差比定义为：
当判断没有潜在的可预报性，
进一步，具体的，建立预报模型，包括以下，
首先，用截断周期为5天或8天进行低通滤波，除去天气尺度的高频变化，并对低通距平序列进行小波变换；其次在最近36天的小波系数图上确定近期的L个主要振动周期；最后采用这L个周期(T1,T2,...TL)对近期低频序列做简谐波拟合，建立预报方程:
式中系数a0、ak和bk皆有明确的物理意义,a0为近期距平序列的平均值，ak和bk为振动的振幅，它们的值由最小二乘法拟合确定；
在建立预报方程时，利用了华南逐日降水随时间和周期变化的小波系数极值点出现次数的统计结果，若预测时间点对应周期上极值点出现次数小0.1次/旬，在预测时去掉该周期。
进一步，具体的，对所述预报模型进行历史回报检验以及最小截断周期的确定，包括以下，
历史回报检验包括不同截断周期对1-35天低频分量预报的回报检验以及不同截断周期对降水峰值时段预报的检验，通过计算相关系数、降水极大值日与实况低通滤波序列极大值日相差天数的概率分布，比较了分别以不同天数为截断周期所建立的预报模型的预报能力，并最终确定最小截断周期为5天。
进一步，具体的，利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，包括，
根据历史回报检验结果以及确定的最小截断周期，对这历史回报检验结果所对应事件范围内的实测降水和低频预测值序列分别做增值排序，通过线性变换把每一个百分位上的低频预测值变换到相同百分位上的实测降水，以此进行强度订正。
本发明还提出华南降水过程的低频监测与延伸期预报系统，其特征在于，包括以下：
数据获取模块，用于获取华南逐日降水历史资料；
低频分区模块，用于根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
可预报性及振荡特征计算模块，用于针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及计算华南逐日降水在年内不同时段的季节内振荡特征；
预报模型建立模块，用于根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
强度订正模块，用于利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
低频监测以及延伸预报模块，用于根据最终的所述预报模型，利用micaps实时及逐日降水资料，对华南降水过程进行每日定时运行的低频监测以及延伸预报。
本发明的有益效果为：
(1)基于小波分析与简谐波拟合建立的延伸期预报模型
利用小波分析研究了华南逐日降水在年内不同时段的季节内振荡特征，通过选取最佳窗口，建立了基于小波分析的简谐波延伸期预报模型。
预测时利用了随时间和周期变化的小波系数极值点出现次数的统计结果，若预测时间点对应周期上极值点出现次数小0.1次/旬，预测时去掉该周期。
(2)延伸期预报模型所需低通滤波最小截断周期的确定：
采用信号-误差比方法，通过选取不同截断周期，研究了不同截断周期的可预报性，并通过对所建立的延伸期预报方程进行相关系数与对降水峰值的拟合能力的历史回报检验，确定了5天为华南逐日降水延伸期预报模型所需的最小截断周期。
3)利用概率密度匹配法，对基于小波分析的简谐波延伸期模型预报的降水强度进行订正：
采用概率密度匹配法，研究了不同百分位对应的预报与实况序列阈值之间的回归关系，对华南逐日降水简谐波模型的强度进行订正，改进降水过程的强度预报尤其是强降水过程的预报。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本发明基于华南逐日降水8-90天滤波序列EOF分析得到的华南降水分区；
图2所示为广州逐日降水不同截断周期(5天、8天、10天、15天)滤波序列的信号(粗线)和误差(细线)随时间的演变；
图3所示为广州1990年1月1日-2009年12月31日共20年超前1-35天预报值与实况5天低通滤波值之间的相关系数(实线)；
图4所示为广州1990年1月1日-2009年12月31日共20年超前1-35天预报值与实况8天低通滤波值之间的相关系数(实线)；
图5所示为广州20年(1990年1月1日-2009年12月31日)回报试验对未来1-35天降水极大值日的预报与实况5天低通滤波序列极大值日相差0-7天的概率分布；
图6所示为广州20年(1990年1月1日-2009年12月31日)回报试验对未来1-35天降水极大值日的预报与实况8天低通滤波序列极大值日相差0-7天的概率分布；
图7所示为以5天为截断周期，广州20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0天(上)、1天(中)、2天以内(下)的概率；
图8所示为所示为以5天为截断周期，广州20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况8天低通滤波序列极大值日相差0天(上)、1天(中)、2天以内(下)的概率；
图9所示为汕头、桂林和南宁1990年1月1日-2009年12月31日共20年超前1-35天预报值与实况5天低通滤波值之间的相关系数(实线)；
图10所示为汕头20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0天(上)、1天(中)、2天(下)以内的概率；
图11所示为为桂林20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0天(上)、1天(中)、2天(下)以内的概率；
图12所示为南宁20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0天(上)、1天(中)、2天(下)以内的概率；
图13所示为广州20年(1990-2009)历史逐日回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值(实线)；
图14所示为广州20年(1990-2009)4个季节(冬、春、夏、秋)历史逐日回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值(实线)；
图15所示为汕头20年(1990-2009)4个季节(冬、春、夏、秋)历史逐日回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值(实线)；
图16所示为桂林20年(1990-2009)4个季节(冬、春、夏、秋)历史逐日回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值(实线)；
图17所示为南宁20年(1990-2009)4个季节(冬、春、夏、秋)历史逐日回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值(实线)；
图18所示为南宁逐日降水实时观测的原始值、距平值、10-30天与30-60天的滤波变化曲线；
图19所示为南宁逐日降水距平变化及其小波分析；
图20所示为广州逐日降水(柱状)与8天低通滤波值(粗实线)及超前30至1天的预报(细彩色实线)；
图21所示为2022年6-7月广州逐日降水距平变化的拟合(实心圆点)及其未来33天的延伸期预报(空心圆点)
图22所示为广州逐日降水实时观测的原始值、距平值、10-30天与30-60天的滤波变化曲线
图23所示为广州逐日降水距平变化及其小波分析
图24所示为2022年8-9月广州逐日降水距平变化(实心圆点)及其未来33天的延伸期预报(空心圆点)
图25所示为华南降水过程的低频监测与延伸期预报方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图25，本发明提出华南降水过程的低频监测与延伸期预报方法，包括以下：
步骤110、获取华南逐日降水历史资料；
步骤120、根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
步骤130、针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及计算华南逐日降水在年内不同时段的季节内振荡特征；
步骤140、根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
步骤150、利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
步骤160、根据最终的所述预报模型，利用micaps实时及逐日降水资料，对华南降水过程进行每日定时运行的低频监测以及延伸预报。
首先采用EOF分析、Lanczos滤波器研究了华南逐日降水的低频分区确定代表站；其次，采用墨西哥帽(Mexican Hat)小波变换，研究了华南逐日降水在年内不同时段的季节内振荡特征与确定最佳窗口大小。通过选取不同的截断周期进行低通滤波，采用信号-误差比方法，揭示了华南逐日降水可预报性，并利用华南逐日降水近期随时间变化所具有的季节内振荡特征，采用简谐波拟合建立了延伸期预报方程，对其进行历史回报与独立样本检验。采用概率密度匹配法，研究了不同百分位对应的预报与实况序列阈值之间的回归关系，对华南逐日降水简谐波模型的强度进行订正，改进降水过程的强度预报尤其是强降水过程的预报；最后，利用micaps实时及历史逐日降水资料，采用以上多种方法，建立每日定时运行、滚动更新的“华南降水过程低频监测与延伸期预报系统”，可以清楚地了解近180天华南13个代表站逐日降水实时变化、10-30天、30-60天的低频变化及其周期随时间的变化，以及未来10-30天华南的逐日降水延伸期预报，为华南逐日降水中期与延伸期预报提供重要参考产品，提升了华南逐日降水尤其是强降水过程的实时监测与未来10-30天的延伸期预报能力。
参照图22、图23以及图24基于前面所建立的华南延伸期降水的简谐波模型，利用micaps实时及历史逐日降水资料，采用小波分析、Lancozs时间滤波器、简谐波拟合等方法建立的延伸期预报方程，并利用概率密度匹配法(PDF方法)对预报的低频降水量进行强度订正，建立了每日定时运行、滚动更新的“华南降水过程低频监测与延伸期预报系统”，并在广东省气象台内网-研究型业务平台(https://research.gdmo.gq/)以网页客户端显示可视化交互产品，为华南降水过程的中期与延伸期业务预报提供基于降水季节内振荡变化的支撑产品。
近半年华南13个代表站逐日降水实时与低频变化监测
建立近半年华南13个代表站逐日降水随时间变化的小波分析图(图4)。
采用Lancozs时间滤波器、小波分析等方法，建立近180天华南13个代表站(广州，曲江,梅县，河源，汕头，阳江，湛江，桂林,柳州,梧州,南宁,北海,百色)逐日降水实时观测的原始值、距平值、10-30天与30-60天的滤波变化曲线(图3)
作为本发明的优选实施方式，具体的，根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站，包括，
采用Lanczos滤波器对1966-2012年1-12月华南156站逐日降水距平场进行8-90天滤波，并做EOF分析，得到前3个主分量的累积方差贡献为54.7％，比原距平场的累积方差贡献提高了14.5％，基本上可以反映华南逐日低频降水分布的主要特征。基于EOF分析前三个模态的零值线，把华南分为四个区域如图1，即华南东部、中部(珠江三角洲)、西北部、西南部。图中标出了1951年开始有资料的9个气象站，即桂林(GL)、柳州(LZ)、南宁(NN)、百色(BS)、梧州(WZ)、韶关(SG)、广州(GZ)、湛江(ZJ)、汕头(ST)。根据其分布情况，我们把广州、汕头、桂林、南宁分别作为华南中部、东部、西北部和西南部的代表站，来开展华南逐日降水的季节内振荡特征、不同截断周期的可预报性及延伸期预报模型的检验与强度订正等工作。
作为本发明的优选实施方式，具体的，计算华南逐日降水在年内不同时段的季节内振荡特征，包括，
以8天为截断周期做低通滤波，并对华南代表站1952-2011逐年逐日降水的低通滤波序列做小波变换，统计随时间和周期变化的小波系数极值点出现次数，把达到或超过0.05显著性水平的极值点，包括极大值和极小值处赋值为1，其余点处赋值为0，然后统计历年逐旬各个周期通过0.05显著性水平极值点的次数，并把逐旬相邻的5个周期出现极值点的次数累加，以周期/最小周期作为比例系数乘以极值点次数，以5个周期中间点对应的周期为纵轴，以旬为横轴，得到通过0.05显著性水平的60年平均小波系数极值点次数随旬和周期变化关系。
为了研究华南逐日降水的季节内振荡特征，以8天为截断周期做低通滤波，并对华南4个代表站1952-2011逐年(每年用相临的3年资料，以消除边界处的影响域)逐日降水的低通滤波序列做小波变换，统计随时间和周期变化的小波系数极值点出现次数。
对1952-2011年共60年华南4个代表站逐年逐日降水做小波变换，把达到或超过0.05显著性水平的极值点(包括极大值和极小值)处赋值为1，其余点处赋值为0，然后统计历年逐旬各个周期通过0.05显著性水平极值点的次数，并把逐旬相邻的5个周期出现极值点的次数累加。由于一个完整的周期越长，对应的天数愈多，出现的极值次数愈少。为了使不同周期出现的极值次数有可比性，我们以周期/最小周期作为比例系数乘以极值点次数，以5个周期中间点对应的周期为纵轴，以旬为横轴，做出了通过0.05显著性水平的60年平均小波系数极值点次数随旬和周期变化(图2)。从图2可见，在汛期(4-9月即10-27旬)与非汛期(10-3月)出现次数最多的均为准双周振荡，其次为31-73天左右的季节内振荡。其中准双周振荡极值点出现的次数在汛期基本上都在0.1-0.2次/旬以上。
作为本发明的优选实施方式，具体的，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响采用信号-误差比法，研究大气可预报性有多种方法(黄嘉佑，1992；林振山，1999；李建平和丁瑞强,2008)，本发明采用信号-误差比法(Waliser et al.,2003a,2003b；Goswami and Xavier,2003；Fu et al.,2007)来研究华南逐日降水季节内振荡的可预报性。包括，
选取N个不同的ISO个例xij，i＝1,2,…N，j为相对于关注时间的天数，把N个不同个例相同j点的值进行平均，构造即：
上式中，代表第k个ISO个例，k＝1，2，…N；
对一个给定的ISO事件，信号定义为在一个以j点为中心的滑动窗口-L～L内的方差，误差定义为相同j点处N个个例的方差，信号与误差分别为：
信号-误差比定义为：
当判断没有潜在的可预报性，即在信号与预报误差随时间变化的图中，两者相交时所对应的天数，即为可预报的天数；
Goswami和Xavier(2003)用实际观测降水资料分析了印度夏季降水的潜在可预报性，对信号(signal)的计算略不同于(2)式，而是用各个事件信号的平均值作为平均的信号，即
他们把以度量方差的散布(spread)作为误差增长，计算方式同(4)式，可预报性上限的计算同(5)式。
首先以广州为代表站，分别以5天、8天、10天、15天作为初始截断周期，进行5-90天、8-90天、10-90天、15-90天的滤波，研究广州逐日降水的可预报性。
根据公式(2)～(4),分别以谷值、峰值为起点,计算广州逐日降水以不同截断周期(5天、8天、10天、15天)滤波所有个例平均的信号与误差随时间的变化(图3)，图3中实线：从峰值开始，虚线：从谷值开始。可见，以降水谷值为起点的误差小，但它的误差随时间的增长率远大于以峰值为起点的误差增长率，说明以降水谷值为起点的误差随时间变化较剧烈、预报难度大。当信号与误差两线相交时，就达到了可预报性的上限。从图2及表1可见，截断周期分别取5天、8天、10天、15天，以峰/谷值为起点的可预报时效分别有10/7天、25/17天、25/16天,27/21天。因此，截断周期取为5天时的可预报性较短，截断周期取为15天时可预报性虽然有增长，但相对于截断周期为8天和10天的可预报性增长有限，又损失了准双周振荡这一主要周期的信息，不宜采用。以8天为截断周期时，相对于以10天为截断周期损失的季节内振荡信号少，可预报性也接近，对延伸期预报有实用价值。
表1广州单站逐日降水不同截断周期的可预报性
其次，采用同样的方法，对华南其余3个代表站汕头(ST)、桂林(GL)、南宁(NN)的可预报性进行分析(表2)。可见，分别以汕头、桂林、南宁逐日降水8-90天滤波的峰值/谷值为起点预报的可预报时效分别为30天/17天、29天/19天、26天/15天。这说明选取8天为截断周期，华南其余3个代表站的可预报性与广州基本一致。
表2华南4个代表站逐日降水8-90天滤波序列的可预报性
作为本发明的优选实施方式，具体的，建立预报模型，包括以下，
首先，采用谷德军等(2013)建立广州单站简谐波模型(以下简称为旧模型)的方法，用截断周期为5天或8天进行低通滤波，除去天气尺度的高频变化，并对低通距平序列进行小波变换；其次在最近36天的小波系数图上确定近期的L个主要振动周期；最后采用这L个周期(T1,T2,...TL)对近期低频序列做简谐波拟合，建立预报方程:
式中系数a0、ak和bk皆有明确的物理意义,a0为近期距平序列的平均值，ak，bk为振动的振幅，它们的值由最小二乘法拟合确定；
在建立预报方程时，利用了华南逐日降水随时间和周期变化的小波系数极值点出现次数的统计结果，若预测时间点对应周期上极值点出现次数小0.1次/旬，在预测时去掉该周期。这样就避免谷德军等(2013))的预报方程一旦建立，预报时就用所有的周期，没有考虑某些周期在预报时段可能不存在而产生的空报问题。
作为本发明的优选实施方式，具体的，对所述预报模型进行历史回报检验以及最小截断周期的确定，包括以下，
历史回报检验包括不同截断周期对1-35天低频分量预报的回报检验以及不同截断周期对降水峰值时段预报的检验，通过计算相关系数、降水极大值日与实况低通滤波序列极大值日相差天数的概率分布，比较了分别以不同天数为截断周期所建立的预报模型的预报能力，并最终确定最小截断周期为5天。
(1)不同截断周期对1-35天低频分量预报的回报检验
以广州为代表站，以1990年1月1日-2009年12月31日每天作为预报起点，简谐波延伸期预报模型超前1天、2天、3天……35天的预报值均组成一个长度为7305天的时间序列。图3给出了以5天为截断周期,超前1-35天预报值与实况5天低通滤波值之间的相关系数分布。可见，超前35天的预报与实况低通滤波值之间的相关系数均为正值；前28天的预报值与低通滤波值之间的相关系数可达到0.10的显著性水平；前1-28天除第19天外，其余时间对应的相关系数均达到0.05的显著性水平。因此，以5天为截断周期，所建立的延伸期预报简谐波模型对未来1-28天降水低频分量均有较好的预报效果。
图4给出了以8天为截断周期，超前1-35天预报值与实况8天低通滤波值之间的相关系数分布。可见，超前35天的预报与实况低通滤波值之间的相关系数均为正值；前33天的预报值与低通滤波值之间的相关系数均能达到0.10的显著性水平；前33天除第16天、17天外，其余的相关均达到0.05的显著性水平。对比图1可知，选取8天为截断周期所建立的延伸期预报简谐波模型，对未来10-12天、19-23天、28-33天的预报与实况的相关系数要高于截断周期为5天的相关系数。因此，选取8天为截断周期所建立的延伸期预报简谐波模型对未来降水1-33天的低频分量都有较好的预报效果，尤其对10-12天、19-23天、28-33天的预报效果较选取5天为截断周期的提升明显。
(2)不同截断周期对降水峰值时段预报的检验
延伸期业务预报的一个重要内容是对未来降水过程可能出现时段的预报。以5天为截断周期，我们对近20年(1990年1月1日-2009年12月31日)回报试验逐日对预报未来1-35天降水极大值日与实况逐日降水5天低通滤波序列极大值日出现的时间差进行统计，得到预报的降水极大值日与实况极大值日相差0-7天的概率分布图(图5)，图5中正、负值分别表示预报比实况晚、早的天数。可见，对未来1-35天降水极大值日的预报，与实况相差0-1天的概率最高，基本上都在15％以上；与实况相差2天的概率都在10％以上，而与实况相差3-7天的概率在1％-10％之间。因此，以5天为截断周期，对未来35天降水极大值日的预报与实况极大值日相差0-2天的概率最高，可为中期与延伸期实际降水过程出现时段的预报提供重要参考。
图6给出了以8天为截断周期，广州20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值出现日与实况8天低通滤波序列极大值出现日时间差的概率分布。可见，对未来1-35天降水极大值出现时间的预报，与实况相差0-1天的概率最高，基本上都在10％左右；与实况相差2天的概率大部分在10％以下。
图7给出了以5天为截断周期，广州20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0-2天的概率。可见，预报降水极大值日与实况5天低通滤波序列极大值日出现在同一天的概率介于14％-18.5％之间，平均约为16.5％；相差1天以内的概率介于46％-50.5％之间，平均约为48.5％；相差2天以内的概率介于73.5％-77.8％之间，平均约为75.7％。因此，以5天为截断周期，对实况降水5天低通滤波序列极大值日有较强的预报能力。
图8给出了以8天为截断周期，广州20年(1990年1月1日-2009年12月31日)回报试验1-35天预报降水极大值日与实况8天低通滤波序列极大值日相差0-2天的概率。可见，预报降水极大值日和实况8天低通滤波序列极大值日出现在同一天的概率介于9％-10.7％之间，平均约为10％；相差1天以内的概率介于28.6％-31.2％之间，平均约为29.8％；相差2天以内的概率介于48.5％-51.2％之间，平均约为49.7％。因此，以8天为截断周期，对实况降水8天低通滤波序列极大值日有一定的预报能力，但预报序列极大值日与实况低通滤波极大值日相差2天以内的平均概率(49.7％)远低于以5天为截断周期的低通滤波的平均概率(75.7％)。因此，以5天为截断周期，所建预报方程对降水极大值日有较强的预报能力。
上述对广州20年的回报试验，通过计算相关系数、降水极大值日与实况低通滤波序列极大值日相差天数的概率分布，比较了分别以5天、8天为截断周期所建立的动态简谐波模型的预报能力。结果表明，对未来1-28天的预报，除少数天外，预报序列与实况低通滤波序列之间的相关系数大都能达到0.05的显著性水平。以8天为截断周期，预报序列极大值日与实况低通滤波极大值日相差2天以内的平均概率(49.7％)远低于以5天为截断周期的低通滤波(75.7％)。说明选取截断周期为8天时，对低通滤波序列极大值日的预报能力明显低于选取5天为截断周期对降水极大值日的预报能力。因此，本课题选取5天为截断周期来建立动态简谐波模型，并为后续工作提供基础数据。
图9给出了以5天为截断周期，所建立的汕头、桂林和南宁的动态简谐波模型20年回报超前1-35天预报值与实况5天低通滤波值之间的相关系数分布。可见，对于汕头，超前35天的预报与实况低通滤波值之间的相关系数均为正值。除第12-15天外，超前31天的预报值与低通滤波值之间的相关系数均达到0.05的显著性水平；对于桂林，除第3天外，超前19天的预报值与低通滤波值之间的相关系数均达到0.05的显著性水平；对于南宁，除第17-19天外，超前26天的预报值与低通滤波值之间的相关系数均达到0.10的显著性水平。因此，以5天为截断周期，所建立的华南其余3个代表站的动态简谐波模型也有较好的预报能力。
图10-13给出了以5天为截断周期，汕头、桂林和南宁20年(1990年1月1日-2009年12月31日)历史回报试验1-35天预报降水极大值日与实况5天低通滤波序列极大值日相差0-2天的概率分布。可见，3个代表站预报降水极大值日与实况5天低通滤波序列极大值日出现在同一天的平均概率都约为15％，相差1天以内的平均概率都在45％以上，相差2天以内的平均概率都在73％以上。因此，以5天为截断周期，所建立的动态简谐波模型对实况降水5天低通滤波序列极大值日的预报有较强的预报能力，能反映华南降水过程出现的主要时段。
作为本发明的优选实施方式，具体的，利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，包括，
根据历史回报检验结果以及确定的最小截断周期，对这历史回报检验结果所对应事件范围内的实测降水和低频预测值序列分别做增值排序，通过线性变换把每一个百分位上的低频预测值变换到相同百分位上的实测降水，以此进行强度订正。
基于低通滤波序列所建立的预报方程可以延长预报时效，但由于低通滤波的平滑作用，会产生将强降水的峰值变小、晴天或无雨变成有少量降水的问题。所以必须对低频预报结果进行订正，才能做出接近实测降水量的预报，提供业务上可参考的实用预报产品。本课题基于以上截断周期为5天的动态简谐波模型的20年(1990-2009年，7305天)历史回报试验结果，使用概率密度匹配法(PDF方法)对预报的低频降水量进行订正。具体是对这7305天的实测降水和低频预测值(35*7305天)序列分别做增值排序，通过线性变换把每一个百分位上的低频预测值变换到相同百分位上的实测降水。
图13给出了广州20年历史回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值。可见，预报的低频降水与实测降水两次相交，第一次相交出现在第27个百分位，预报的低频降水为负值；第二次相交出现在第92个百分位，该百分位之前预报的低频降水大于实测降水，该百分位之后预报的低频降水小于实测降水。这也反映出低通滤波使“强降水变小，晴天或无雨变成有少量降水，小降水变大”的问题。还能看出前61个百分位对应的实测降水都为零，说明每年平均61％天是无降水的。
根据图13相邻两个百分位上数据的线性回归，设低频降水量为x、实测降水为y，且y＝ax+b，得到广州每个百分位上概率密度匹配法订正的回归系数(表1)。根据相邻两个百分位上的两对(x,y)即可计算出回归系数a和b，介于相邻两个百分位之间的低频降水即可订正到实测降水量。如，根据第68个和第69个百分位分别对应的(7.147,0.5)和(7.413,0.7)可以计算出第68个百分位的a＝0.754,b＝-4.89，介于7.147和7.413之间的预报低频降水x可以通过y＝0.754*x-4.89订正到实测降水y。从表3还可见，低于第60个百分位对应的回归系数都为零，故略去。
表3广州全年(不分四季)各百分位上订正的回归系数
由于华南干湿季分明，不同季节低频降水量和实测降水在不同百分位上的对应关系可能不同，因此我们更细致地分4个季节(冬、春、夏、秋)研究低频降水量和实测降水在不同百分位上的对应关系。图14给出了广州站20年分四季回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值，可以看出预报的低频降水和实测降水都发生两次相交。冬季第一次相交出现在第32个百分位，预报的低频降水为负值；第二次相交出现在第95个百分位，此前预报的低频降水大于实测降水，此后预报的低频降水小于实测降水。前75个百分位对应的实测降水都为零，说明冬季平均75％的日数是无降水的。春季第一次相交出现在第13个百分位，预报的低频降水为负值；第二次相交出现在第87个百分位，此百分位之前预报的低频降水大于实测降水，此百分位之后预报的低频降水小于实测降水。前49个百分位对应的实测降水都为零，说明春季平均有49％日数是无降水的。夏季第一次相交出现在第22个百分位，预报的低频降水为负值；第二次相交出现在第86个百分位，此百分位之前预报的低频降水大于实测降水，此百分位之后预报的低频降水小于实测降水。前43个百分位对应的实测降水都为零，说明夏季有43％日数是无降水的。秋季第一次相交出现在第39个百分位，预报的低频降水为负值；第二次相交出现在第96个百分位，此百分位之前预报的低频降水大于实测降水，此百分位之后预报的低频降水小于实测降水。前76个百分位对应的实测降水都为零，说明秋季有76％日数是无降水的。
根据图14，可以得到广州分4个季节每个百分位上概率密度匹配法订正的线性回归系数a、b及低频降水对应的实测降水(表略)，介于相邻两个百分位之间低频降水通过订正，可得到实测降水量。
我们以预报低频降水值5mm和20mm在不同情况下的订正结果为例，比较是否有必要分四季订正。全年一起订正值分别为0mm和22mm。冬季、春季、夏季和秋季的订正值分别为2mm和33mm、0.1mm和37mm、0mm和17mm、0mm和13mm。可以看出，对于较小的低频降水，不同季节订正值也比较小或无雨；但对于较大的低频降水，不同季节订正值差异比较大，从秋季订正值13mm变化到春季的37mm，全年一起的订正值接近分四季订正值的平均值。所以，分不同的季节订正低频降水的预报值是非常有必要的。
图15-18分别给出了汕头、桂林和南宁20年分四季历史回报预报的低频降水量(虚线)和实测降水在1％-99％百分位上的值，均表现出预报的低频降水和实测降水发生两次相交的特点。它们表现的主要特征与广州类似，不再赘述。
本发明还提出华南降水过程的低频监测与延伸期预报系统，其特征在于，包括以下：
数据获取模块，用于获取华南逐日降水历史资料；
低频分区模块，用于根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
可预报性及振荡特征计算模块，用于针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及计算华南逐日降水在年内不同时段的季节内振荡特征；
预报模型建立模块，用于根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
强度订正模块，用于利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
低频监测以及延伸预报模块，用于根据最终的所述预报模型，利用micaps实时及逐日降水资料，对华南降水过程进行每日定时运行的低频监测以及延伸预报。
采用Lancozs时间滤波器、小波分析等方法，建立了近180天华南13个代表站(广州，曲江,梅县，河源，汕头，阳江，湛江，桂林,柳州,梧州,南宁,北海,百色)逐日降水实时观测的原始值、距平值、10-30天与30-60天的滤波变化曲线(图18)及其随时间变化的小波分析图(图19)。该系统不仅可以显示近半年华南13个代表站逐日降水实时变化、10-30天、30-60天的低频变化及其周期随时间变化的小波系数图，可以清楚地了解当前降水尤其是强降水过程所处的阶段性及其周期变化，提升了华南逐日降水尤其是强降水过程季节内变化及其周期随时间演变的实时监测能力。
采用Lancozs时间滤波器、小波分析等方法，建立了近180天华南13个代表站(广州，曲江,梅县，河源，汕头，阳江，湛江，桂林,柳州,梧州,南宁,北海,百色)逐日降水实时观测的原始值、距平值、10-30天与30-60天的滤波变化曲线(图18)及其随时间变化的小波分析图(图19)。该系统不仅可以显示近半年华南13个代表站逐日降水实时变化、10-30天、30-60天的低频变化及其周期随时间变化的小波系数图，可以清楚地了解当前降水尤其是强降水过程所处的阶段性及其周期变化，提升了华南逐日降水尤其是强降水过程季节内变化及其周期随时间演变的实时监测能力。
参照图20以及图21，在应用时，7月29日对阳江未来33天的预报，8月上旬前期、上旬末-中旬初有2个明显的峰值，与实况8月4日TD登陆惠东，8月10日热带风暴“木兰”登陆徐闻引起的强降水过程一致，可为华南逐日降水中期与延伸期预报提供重要参考产品。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (7)

1.华南降水过程的低频监测与延伸期预报方法，其特征在于，包括以下：
获取华南逐日降水历史资料；
根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及揭示华南逐日降水在年内不同时段的季节内振荡特征；
根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
根据最终预报模型，利用micaps实时逐日降水资料，对华南降水过程进行每日定时运行的低频监测及延伸期预报；
具体的，利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，包括，
根据历史回报检验结果以及确定的最小截断周期，对这历史回报检验结果所对应事件范围内的实测降水和低频预测值序列分别做增值排序，通过线性变换把每一个百分位上的低频预测值变换到相同百分位上的实测降水，以此进行强度订正。
2.根据权利要求1所述的华南降水过程的低频监测与延伸期预报方法，其特征在于，具体的，根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站，包括，
采用Lanczos滤波器对1966-2012年1-12月华南156站逐日降水距平场进行8-90天滤波，并做EOF分析，得到前3个主分量的累积方差贡献，基于EOF分析的前三个模态的零值线，把华南分为四个区域，确定四个区域的多个代表站。
3.根据权利要求1所述的华南降水过程的低频监测与延伸期预报方法，其特征在于，具体的，计算华南逐日降水在年内不同时段的季节内振荡特征，包括，
以8天为截断周期做低通滤波，并对华南代表站1952-2011逐年逐日降水的低通滤波序列做小波变换，统计随时间和周期变化的小波系数极值点出现次数，把达到或超过0.05显著性水平的极值点，包括极大值和极小值处赋值为1，其余点处赋值为0，然后统计历年逐旬各个周期通过0.05显著性水平极值点的次数，并把逐旬相邻的5个周期出现极值点的次数累加，以周期/最小周期作为比例系数乘以极值点次数，以5个周期中间点对应的周期为纵轴，以旬为横轴，得到通过0.05显著性水平的60年平均小波系数极值点次数随旬和周期变化关系。
4.根据权利要求1所述的华南降水过程的低频监测与延伸期预报方法，其特征在于，具体的，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响采用信号-误差比法，包括，
选取N个不同的ISO个例xij，i＝1,2,…N，j为相对于关注时间的天数，把N个不同个例相同j点的值进行平均，构造x0 j，即：
上式中，xk j代表第k个ISO个例，k＝1，2，…N；
对一个给定的ISO事件，信号定义为在一个以j点为中心的滑动窗口-L～L内的方差，误差定义为相同j点处N个个例的方差，信号与误差分别为：
信号-误差比定义为：
当判断没有潜在的可预报性。
5.根据权利要求3所述的华南降水过程的低频监测与延伸期预报方法，其特征在于，具体的，建立预报模型，包括以下，
首先，用截断周期为5天或8天进行低通滤波，除去天气尺度的高频变化，并对低通距平序列进行小波变换；其次在最近36天的小波系数图上确定近期的L个主要振动周期；最后采用这L个周期(T1,T2,...TL)对近期低频序列做简谐波拟合，建立预报方程:
式中系数a0、ak和bk皆有明确的物理意义,a0为近期距平序列的平均值，ak和bk为振动的振幅，它们的值由最小二乘法拟合确定；
在建立预报方程时，利用了华南逐日降水随时间和周期变化的小波系数极值点出现次数的统计结果，若预测时间点对应周期上极值点出现次数小0.1次/旬，在预测时去掉该周期。
6.根据权利要求5所述的华南降水过程的低频监测与延伸期预报方法，其特征在于，具体的，对所述预报模型进行历史回报检验以及最小截断周期的确定，包括以下，
历史回报检验包括不同截断周期对1-35天低频分量预报的回报检验以及不同截断周期对降水峰值时段预报的检验，通过计算相关系数、降水极大值日与实况低通滤波序列极大值日相差天数的概率分布，比较了分别以不同天数为截断周期所建立的预报模型的预报能力，并最终确定最小截断周期为5天。
7.华南降水过程的低频监测与延伸期预报系统，其特征在于，包括以下：
数据获取模块，用于获取华南逐日降水历史资料；
低频分区模块，用于根据所述华南逐日降水历史资料对华南逐日降水进行低频分区，确定多个代表站；
可预报性及振荡特征计算模块，用于针对每个代表站，计算不同截断周期的低通滤波对华南逐日降水可预报性的影响，以及计算华南逐日降水在年内不同时段的季节内振荡特征；
预报模型建立模块，用于根据不同截断周期的低通滤波对华南逐日降水可预报性的影响以及华南逐日降水在年内不同时段的季节内振荡特征，建立预报模型，并对所述预报模型进行历史回报检验以及最小截断周期的确定；
强度订正模块，用于利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，确定最终的预报模型；
低频监测以及延伸期预报模块，用于根据最终的所述预报模型，利用micaps实时及逐日降水资料，对华南降水过程进行每日定时运行的低频监测以及延伸期预报；
具体的，利用概率密度匹配法对所述预报模型的延伸期预报结果进行强度订正，包括，
根据历史回报检验结果以及确定的最小截断周期，对这历史回报检验结果所对应事件范围内的实测降水和低频预测值序列分别做增值排序，通过线性变换把每一个百分位上的低频预测值变换到相同百分位上的实测降水，以此进行强度订正。
CN202211215236.8A 2022-09-30 2022-09-30 华南降水过程的低频监测与延伸期预报方法及系统 Active CN115639626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211215236.8A CN115639626B (zh) 2022-09-30 2022-09-30 华南降水过程的低频监测与延伸期预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211215236.8A CN115639626B (zh) 2022-09-30 2022-09-30 华南降水过程的低频监测与延伸期预报方法及系统

Publications (2)

Publication Number Publication Date
CN115639626A CN115639626A (zh) 2023-01-24
CN115639626B true CN115639626B (zh) 2023-08-18

Family

ID=84942919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211215236.8A Active CN115639626B (zh) 2022-09-30 2022-09-30 华南降水过程的低频监测与延伸期预报方法及系统

Country Status (1)

Country Link
CN (1) CN115639626B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200548A (zh) * 2021-12-15 2022-03-18 南京信息工程大学 基于SE-Resnet模型的延伸期气象要素预报方法
CN114706143A (zh) * 2022-02-18 2022-07-05 中国气象局成都高原气象研究所 一种基于气温日极小值的观测环境影响判别与评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200548A (zh) * 2021-12-15 2022-03-18 南京信息工程大学 基于SE-Resnet模型的延伸期气象要素预报方法
CN114706143A (zh) * 2022-02-18 2022-07-05 中国气象局成都高原气象研究所 一种基于气温日极小值的观测环境影响判别与评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
广州逐日降水振荡及其延伸期预报的简谐波模型;谷德军;热带气象学报;第29卷(第6期);900-904 *

Also Published As

Publication number Publication date
CN115639626A (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
Re et al. Extreme rainfalls in se South America
CN111242404B (zh) 一种强降雨诱发洪灾事件的极端性评估方法及系统
Dangendorf et al. Characteristics of intra-, inter-annual and decadal sea-level variability and the role of meteorological forcing: the long record of Cuxhaven
Kang et al. A new characterization and classification method for daily sky conditions based on ground-based solar irradiance measurement data
Leahy et al. Short duration rainfall extremes in Ireland: influence of climatic variability
CN108983324B (zh) 一种基于卡尔曼滤波的气温预报方法及系统
Abaurrea et al. Forecasting local daily precipitation patterns in a climate change scenario
CN111814407B (zh) 一种基于大数据和深度学习的洪水预报方法
CN112330065A (zh) 一种基于基流分割和人工神经网络模型的径流预报方法
CN111611549A (zh) 基于海洋环境参数确定台风影响海域设计波高的方法
CN116384591B (zh) 一种基于大数据的旱情预测方法、系统和介质
CN115639626B (zh) 华南降水过程的低频监测与延伸期预报方法及系统
CN112507285B (zh) 一种干旱检测方法
CN117930168A (zh) 一种新型神经网络的流域强降雨过程回波外推方法
van den Brink et al. Recurrence intervals for the closure of the Dutch Maeslant surge barrier
Iyamuremye et al. Extreme value modelling of rainfall using poisson-generalized pareto distribution: A case study tanzania
D’Arcy et al. Accounting for seasonality in extreme sea-level estimation
CN116184533A (zh) 一种基于新型权重系数的逐小时时间滞后集合降水预报订正方法
Minářová et al. Seasonality of mean and heavy precipitation in the area of the Vosges Mountains: dependence on the selection criterion
CN115532753A (zh) 光伏电站灰尘损失测算方法、装置、设备及存储介质
CN115271506A (zh) 一种区域降雨表征长系列构建分析一体化方法
Switanek et al. Improving seasonal predictions of climate variability and water availability at the catchment scale
McCollor et al. Hydrometeorological short-range ensemble forecasts in complex terrain. Part I: Meteorological evaluation
Blazevic et al. Assessment and analysis of wind energy potential in the mountain area around Sarajevo
Zhou Analysis of extreme rainfall trends based on MEV method with 29 long data series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 510000 courtyard, No.6 Fujin Road, Yuexiu District, Guangzhou, Guangdong Province

Applicant after: Meteorological Observatory of Guangdong Province (South China Sea Marine Meteorological Forecast Center, the Pearl River Basin Meteorological Observatory)

Address before: 510000 courtyard, No.6 Fujin Road, Yuexiu District, Guangzhou, Guangdong Province

Applicant before: Guangdong Meteorological Station (South China Sea marine meteorological forecasting center)

GR01 Patent grant
GR01 Patent grant