一、数值预报产品在夏季持续高温预报中的释用（论文文献综述）
玛依热·艾海提,希热娜依·铁里瓦尔地,杨利鸿[1]（2021）在《ECMWF细网格2 m温度预报产品在南疆西部温度预报中的释用》文中研究表明利用2016年1月1日—2018年12月31日ECMWF细网格模式2 m温度预报产品,使用三次多项式差值方法内插到站点,并用中短期天气预报检验方法,对南疆西部12个国家站和15个区域自动站的最高、最低气温未来24 h预报效果进行检验并解释应用。结果表明:ECMWF细网格模式2 m温度预报产品对南疆西部非山区站未来24 h最高、最低气温的预报能力较好,对山区站未来24 h预报效果差;对南疆西部最高、最低气温的预报效果随季节变化有差异,夏季预报准确率高于冬季,秋季预报准确率最低;模式最高气温预报准确率在降雪、高温天气时较高,最低气温预报准确率在降雨时较高,在高温过程中较低;模式对于降雨、降雪、大风/沙尘等天气最高气温预报偏低,高温事件中最高气温预报偏高。最低气温预报在降雨、高温天气中偏高,降雪时偏低,大风/沙尘天气最低气温预报偏东地区偏高、偏北地区偏低。降雪、高温天气预报相对降雨、大风/沙尘天气预报效果更稳定。
朱寿鹏[2]（2021）在《基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断》文中进行了进一步梳理天气预报到气候预测之间的鸿沟——次季节尺度预报,是当前防灾减灾气象服务中无缝隙预报研究的重点与难点之一。近年来,世界天气研究计划（WWRP）与世界气候研究计划（WCRP）共同开展了次季节—季节（S2S）预测项目,提供了次季节尺度的多模式数值预报产品,但尚未完全建立一个成熟的预报后处理框架。本论文使用S2S项目中多模式次季节尺度逐日预报资料,以及美国气候预测中心（CPC）观测数据,构建了针对东亚地区气温、降水的8–42天预报时效多方案确定性预报与概率预报后处理模型,以提升次季节预报技巧,并使用多项指标检验评估预报结果,对预报误差进行诊断分析,得到如下主要结论:（1）单模式的次季节预报试验表明,不同模式通常具有不同的预报表现,充分说明了对多模式进行有效信息集成的必要性。传统的多模式集成模型中,由于次季节尺度的预报时效较长,模式对训练期平均得到的系统性偏差在预报期并不能完全延续,通过校正该偏差带来的预报技巧提升十分有限。对此,本文构建了基于卡尔曼滤波的超级集合（KFSUP）模型,通过训练期中预报与观测之间的迭代运算,使各模式有效预报信息得到即时更新,并通过多模式集成显着提高了次季节尺度气温、降水的预报技巧。对于气温预报,KFSUP模型有效减小了原始预报的误差,对高海拔地区以及较长预报时效的预报改进效果更加明显,对日最高气温（Tmax）的预报提升幅度较日最低气温（Tmin）更大。对于降水预报,KFSUP模型对较小量级降水的预报技巧具有非常明显的提升,随着降水量级增大,预报技巧提升幅度有所减弱。（2）利用卡尔曼滤波在次季节尺度预报中的优势,本文改进了面向单模式订正的模态投影预报方法,建立了基于卡尔曼滤波的模态投影（KFPPM）模型,该模型表现稳定,普遍提升了次季节尺度的气温、降水预报技巧,且改进效果显着优于逐点修正模型与原始模态投影模型。同时,本文融合了模态投影与多模式集成的思想,创新性地提出基于卡尔曼滤波的多模式模态投影集成预报（KFPPSUP）模型,其承袭了KFPPM与KFSUP的后处理优点,同时考虑了多模式预报信息的集成与预报目标周边因子的协同效果,进一步减小了模式预报的误差。对于气温预报,KFPPSUP模型在东亚地区较大范围内显着提升了预报技巧,部分地区Tmax与Tmin预报误差低于2°C的最长时效分别达到25天与42天。对于降水预报,KFPPSUP模型同样弥补了其他后处理模型的不足,总体上对降水预报技巧具有明显的提升,尽管对大量级降水预报技巧的提升依然较为有限,但是对降水空间结构、雨带位置的次季节尺度预报能力具有显着提升。（3）在次季节尺度的概率预报中,将其预报技巧分解为可靠性、分辨能力及变量固有不确定性进行讨论。针对气温概率预报,集合模式输出统计（EMOS）模型在整个东亚地区显着改进了预报技巧,且改进幅度基本稳定,普遍高于贝叶斯模式平均（BMA）模型。两个后处理模型均显着改善了Tmax与Tmin的预报可靠性和分辨能力,其中EMOS模型更优。经过两种模型订正后的Tmax预报达到与Tmin较为一致的高可靠性水平,而其预报分辨能力依然优于Tmin。但由于Tmax的预报固有不确定性显着高于Tmin,尽管Tmax预报在模型中的改进幅度更大,其预报技巧依然不及Tmin。对于降水概率预报,BMA模型与EMOS模型均能够改进预报技巧,降低整体预报偏差。其中,BMA模型可明显提升预报可靠性,但未能有效改进预报的分辨能力;EMOS模型的预报可靠性与分辨能力总体上均显着优于原始大集合预报与BMA模型,表现出明显的优势。此外,对于较小量级降水的概率预报,其固有不确定性较高,系统分辨能力较高,预报误差主要受其本身的不确定性与系统的可靠性影响;而对于较高量级降水,由于其较低的发生频次,概率预报不确定性相对较低,可靠性较高,预报误差主要受到系统在次季节尺度的预报分辨能力影响。综上所述,本研究可为次季节尺度的业务预报提供技术支撑,也为今后基于多种统计模型的次季节确定性与概率天气预报相关技术的推广应用提供理论依据,具有重要的科学意义与应用价值。
谢洁宏[3]（2021）在《基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正》文中研究说明基于参加次季节-季节（Subseasonal to Seasonal Prediction,S2S）预测计划的三家业务中心（CMA、NCEP与ECMWF）提供的回报（1999-2010年）数据集,本文系统考量了模式地表气温（surface air temperature,SAT）在中国夏季的预测表现,重点评估模式对长江流域（Yangtze River basin,YRB）热浪的预测技能,基于案例与统计探讨了10-30 d和30-90 d环流预测偏差对热浪预报的相对影响以及陆面条件对预报技巧的贡献,并使用线性回归、系统偏差订正、随机森林回归与累积分布函数变换构建统计后处理模型对SAT进行降尺度校正,探讨了各订正法在各模式中的适用性。结论如下:（1）模式系统偏差随地区与预报时效而异,普遍低估中国东南地区（包括YRB）SAT的量级与变率;时间相关技巧/平均方差技巧揭示季节内SAT预报有效时效分别为13-15/10 d（CMA）、17-20/15 d（NCEP）与19-22/19 d（ECMWF）,空间场技巧在时效较长时（>15 d）存在显着年际变化;全国范围内模式整体对暖事件的正确命中率（基于Heidke技能评分）优于极暖事件、热浪事件与平均事件,技巧越高的事件类型随时效延长技巧下降越快,NCEP与ECMWF模式预测YRB平均事件的技巧仅次于暖事件。（2）模型预测YRB热浪天气准确率的能力有限,Heidke技能评分在时效大于5 d后迅速下降至提前15 d时接近于零;ECMWF模式较好的预测能力归因于其准确预测了与季节内振荡相关的高压异常的振幅和演化及相关地表过程;较短时效内（<10 d）10-30d和30-90 d环流预测技巧对热浪预测的影响具有可比性,而30-90 d环流振幅预测偏差与较长时效（>15-20 d）热浪预测技能的退化密切相关;季节内环流异常的偏差将进一步影响降水异常,进而影响陆地条件,导致模式内部难以捕捉极热天气及其持续性。（3）订正可降低模式系统偏差、提升预报技巧,而技巧上限与模式可预报性相关。订正后,NCEP与CMA SAT优化可观,ECMWF模式技巧也得到提高且技巧最高;线性回归在降低预测偏差方面的效果熟练且稳定,随机森林回归与系统偏差订正也颇有成效,而累积分布函数变换在提高对不同气候概率事件的正确命中率方面更有优势;针对YRB热浪事件,系统偏差订正降低CMA与NCEP SAT偏差能力优越,而线性回归与随机森林回归在ECMWF模式中效果更佳,累积分布函数变换法可一致提升模式对区域热浪日的正确命中率。
曾小团,翟舒楠,梁依玲,覃月凤,黄荣成,林振敏[4]（2020）在《数值天气预报在广西的业务应用与进展》文中研究表明随着计算机性能提高和数值模式的发展,数值天气预报在气象预报业务中发挥着越来越重要的作用。广西气象业务应用数值天气预报产品四十年来,在中尺度数值预报模式本地化应用、数值预报产品解释应用和气象要素客观预报方法研究等方面取得了一定成果。广西气象科技工作者采用天气学释用、动力释用、逐步回归、模式输出统计、卡尔曼滤波、神经网络和综合集成等方法研发了基于数值预报产品的温度、降水等气象要素客观预报技术,形成了支撑广西日常天气预报业务的方法和流程,对广西预报水平提高起到了重要作用。但传统的解释应用方法已不能满足智能化精细化预报的发展,数值天气预报在广西的业务应用迫切需要在人工智能、大数据挖掘等信息化技术方面加强研究。
林开平,陈伟斌,刘国忠,覃月凤,董雪晗,熊思章[5]（2020）在《广西暴雨业务预报技术回顾与展望》文中认为回顾了广西暴雨业务预报技术60年发展历程,总结了近30年气象工作者对广西暴雨研究与暴雨预报技术取得的主要成果。广西暴雨研究进展主要是从广西暴雨天气机理研究、广西几种主要暴雨类型统计分析等方面进行综述。暴雨预报技术着重对多源资料的应用、数值预报产品的释用、集合预报技术的应用、人工智能的应用等客观预报技术在广西暴雨预报的应用方面进行归纳。
杨秀庄,李刚,周明飞,杜小玲,李力[6]（2020）在《贵州地区一次持续性暴雨天气成因及预报误差分析》文中认为该文利用NCEP1°×1°再分析资料、常规和非常规观测资料、全球及中尺度数值模式产品对2018年7月4—6日出现的一场持续性暴雨个例展开分析,重点分析了持续性暴雨的天气成因、数值模式产品的检验评估以及相关的订正技术。结果表明,此次持续性暴雨过程是华南地区维持稳定少动的高压环流影响下,西风带短波槽和北方南下的东西向横切变受高压环流阻挡长时间维持在贵州地区,切变北侧南下的干冷气流和高压环流西北侧北上的暖湿气流交汇形成的持续性暴雨,中低层切变辐合是主要的动力强迫,华南地区高压后侧的西南暖湿气流在降水前夕和降水过程中输送了充沛的水汽和不稳定差动平流,为暴雨的持续发生提供了较好的水汽和能量条件。选取了3家数值模式（EC、华东、华南）进行了检验评估,模式降水产品落区和量级与实况偏差较大,华东模式降水产品在本次过程中有一定参考价值,EC模式7月4日20时—6日20时的风场结构预报准确,预报员充分利用该产品对这一时间段降水落区和量级进行了正技巧订正,但7月6日20时—7日20时对中低层的风场结构预报和实况有较大偏差。充分利用数值模式产品和实况当前时段的检验评估结果,采用外推法对未来时段的数值模式产品进行适当订正,能有效提高暴雨预报的精准度。
戴晨[7]（2020）在《CALIOP在海上气溶胶特性分析与海雾统计预报领域中的应用》文中研究表明我国管辖的海域面积广阔,海上气溶胶粒子种类繁多且复杂,而海雾作为一种由于气溶胶大量聚集导致海上能见度降低的常见天气现象,严重影响着人类在海上的活动安全。常规的沿海定点观测以及船舶走航观测等海上监测手段很难获得较大时空尺度范围内的海上气溶胶以及海雾分布特征,因此本研究采用能够实现高垂直分辨率观测的云与气溶胶偏振激光雷达CALIOP探测器数据资料对我国三大海域进行海上气溶胶光学特性分析,并将CALIOP数据应用到海雾检测以及海雾统计预报模型构建的相关研究工作中,共得到以下结论与成果:三大海域从北向南呈现沙尘气溶胶频率逐渐降低的趋势,且渤黄海、东海沙尘频率存在季节性差异（春季最高,冬季次之,夏季最低）;三大海域粒子形态特征存在纬向差异和季节性差异:由北向南三大海域气溶胶色比（Color Ratio,CR）逐渐升高,退偏比（Depolarization Ratio,DR）逐渐减小;三大海域所对应的雨季均有球型粒子占比异常升高现象,说明相对湿度是影响我国海上气溶胶粒子形态的重要因素;三大海域中,渤黄海消光系数廓线呈现出最明显的边界层特征,春季消光系数峰值达到0.38 km-1,东海以及南海边界层特征较弱,但是消光廓线与相对湿度变化趋势趋于一致,两者相关性程度较高;三海域气溶胶光学厚度总体上呈现较为明显的纬向差异,各季节由北向南呈现逐渐降低的趋势（除东海、南海春季外）;从气溶胶光学厚度（Aerosol Optical Depth,AOD）来看,三海域的AOD相对高值区的时空分布特征与我国海雾的气候统计特征总体趋于一致,能够较好反映出我国海雾的时空分布规律;将CALIOP Level 1B以及垂直特征层分类数据产品联合应用到两种海雾识别算法对比验证中,发现基于海表误判的双阈值法所识别出的海雾样本点,与我国海雾发生的气候统计特征在时空分布上吻合度更高,并将该方法应用到海雾统计预报模型的训练样本提取中,在与海雾相关的气象数据资料进行时空匹配并经过特征筛选得到预报因子后进行了基于支持向量机（Support Vector Machine,SVM）算法的统计预报模型相关构建工作,结果表明预报模型在训练验证以及释用阶段均表现良好,三海域预报模型回召率均在70%以上,ETS评分均超过0.55,HSS评分也均在0.6以上,表明基于CALIOP数据所建立的海雾预报模型在我国三大海域均具有一定实践应用价值。
杜晖[8]（2020）在《河套周边地区云量精细化预报方法研究》文中研究表明云是一种常见的天气现象,云量的细微变化都有可能对天气系统的演变和发展产生较大的影响。云还直接影响航空航天活动,一直以来是空军和民航部门非常关注的天气现象之一。河套周边地区是我国重要的工业、军事区域,研究和掌握该地区云的变化特征和地方性规律,提供云量的精细化预报,提高云量的预报准确率,对该地区人们的日常生活、农业生产、以及军事活动等方面都有非常重要的现实意义。本文利用地面报文数据（MICAPS格式）、欧洲数值预报中心再分析资料（ERA-Interim）以及全球天气预报系统（GFS）预报场数据,统计分析了河套周边地区39个站点的云量在不同时间尺度上的变化特征,并从云量的生消机制角度出发构造了河套周边地区云量的5类预报因子,探究了影响总云量、低云量、对流云量的主要因子。在此基础上,利用多元逐步回归预报方法建立了总云量、低云量、对流云量的时间精细化预报模型,采用动态时变参数方法即自适应最小二乘回归以及自适应递推卡尔曼滤波方法对逐步回归方程建立了动态回归系数。本文还利用了反向传播（BP）神经网络预报算法、最小二乘支持向量机回归（LSSVM）预报算法以及Elman递归神经网络算法这三种机器学习和非线性预报模型对云量进行了预报研究。最后在几种预报模型的基础上,以总云量为例,采用简单集合平均（EMN）、消除偏差集合平均（BREM）、加权消除偏差集合（WBREM）、超级集合平均（SUP）等方法建立了集合预报模型,并利用独立样本检验模型效果。主要研究结果如下:（1）河套周边地区云量的年变化特征为:1979-2013年总云量、低云量观测值与ERA-Interim均呈南高北低分布。低云量观测值的分布特征与ERA-Interim更为一致,从西北到东南方向云量逐渐增多,ERA-Interim值低于观测值。1979-2018年之间的ERA-Interim云量Sen’s的趋势分布特征为:西部地区均有增多,尤其是西南地区,总云量和低云量Sen’s的趋势为10-1/10年（%）以上,且低云量增加趋势大于总云量;而东南部表现为总低云量减少趋势为-15×10-2/10年（%）,中东部地区的云量略减少。（2）影响云量的预报因子主要为水汽类预报因子、GFS模式直接输出的云类预报因子和大气不稳定度类因子,对流云量和预报因子的相关性弱于总云量和低云量。39个站点逐步回归预报模型中水汽类预报因子和GFS模式直接输出的云类预报因子引入频次也最高,整层相对湿度引入频数最多,超过200次。（3）通过对GFS预报场进行释用,逐步回归预报方法得到的总云量预报值比模式直接输出的预报准确率有明显的提高,低云量的改进效果最大,西北部地区的平均订正能力在20%以上。利用自适应线性LS预报方法对总云量、低云量、对流云的预报效果明显优于自适应递推Kalman滤波方法。（4）三种非线性预报方法经过主成分提取后进行回代,结果和预报相差较小,回代和预报的平均绝对误差均随预报时效逐渐增大,对流云平均回代误差和预报误差最小,基本在10%以下。LSSVM预报模型对云量的回代拟合优度略好于其它两种神经网络预报模型。三种非线性预报模型对对流云量预报的时空差异较大。三种非线性预报模型的预报值和实况值的相关性相较于多元逐步回归预报方法,总云量、低云量、对流云量的预报值和实况的相关性明显加强。（5）几种预报方法能够明显地提高少云和多云天空状况下预报值的击中率,自适应LS方法最优（少云击中率平均提高24%,多云击中率平均提高34%）。在阴天状况下自适应递推Kalman滤波方法具有最高的击中率。（6）对比线性预报方法、非线性预报方法以及四种集合预报方法的总云量预报结果,不同方法对总云量的预报能力有所不同。自适应线性LS回归方法具有较高的预报技巧,平均绝对误差在20%左右,自适应递推Kalman滤波方法表现最差,经过集合预报,四种集合预报模型较原来有明显提升,优于单个预报方法,且集合预报模型中超级集合预报SUP预报技巧最高。总之,本文探讨了河套周边地区的云量区域精细化预报,能够为从事数值预报产品精细化释用的人员提供借鉴,亦为从事气象服务的当地业务人员提供参考。
樊仲欣,陈旭红,谭桂容[9]（2019）在《基于递归小波神经网络的江苏城镇夏季最高气温预报预警技术》文中提出针对目前数值天气预报产品释用方法上所存在的释用因子固化,无法应对特殊转折性天气的问题,应用一种基于动态因子检验的递归小波神经网络（Recurrent Wavelet Neural Network,RWNN）对江苏城镇夏季最高气温进行释用。该方法可以自动选取气象要素且无需建立回归方程,具有泛用性好、灵活性高的特点。使用该方法基于T639的2017-2018年6-8月资料建立了江苏省南京、徐州、射阳、常州、苏州5地的最高气温预报预警模型。实验结果表明:南京、徐州、射阳3地模型的TT2和HSS35评分较反向传播神经网络方法分别平均提高了9个百分点和0.15,同时较卡尔曼滤波方法分别平均提高了17个百分点和0.2。
陈圣劼,刘梅,张涵斌,俞剑蔚,陈超辉[10]（2019）在《集合预报产品在江苏省暴雨预报中的应用评估》文中提出利用2011—2015年6—8月TIGGE（THORPEX Interactive Grand Global Ensemble）数据集中欧洲中期天气预报中心（ECMWF,以下简称EC）的集合降水预报数据和江苏省70个基本站逐日24 h（20时至次日20时）降水数据,通过大量暴雨样本系统检验和评估了EC集合预报及多种后处理释用产品对江苏暴雨的预报能力。结果表明:作为集合预报的初级产品,集合平均对暴雨的预报存在明显的漏报率,TS预报评分尚不及EC确定性预报;集合预报不同成员间对暴雨的预报技巧差异大,其最优成员组合的预报能力显着优于EC确定性预报,表明集合预报具有较大的应用潜力;在多种集合预报后处理释用技术中,最大值、最优百分位、降水偏差订正频率匹配法、概率预报、集合异常预报法和杜-周排序法（最大值法）的平均TS评分均较高,超过10%,其次90%分位数、融合、融合-概率匹配和杜-周排序法（集合平均或中位值法）的预报效果也均优于EC确定性预报。集合中位值、概率匹配方法对江苏暴雨的预报评分低于集合平均预报,在暴雨预报上的参考价值相对较低。该评估结果进一步加深了对各集合预报产品区域暴雨预报能力的认识,为预报员更直接快速地选取有效的集合预报产品提供参考。
二、数值预报产品在夏季持续高温预报中的释用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数值预报产品在夏季持续高温预报中的释用（论文提纲范文）
（1）ECMWF细网格2 m温度预报产品在南疆西部温度预报中的释用（论文提纲范文）
| 1 数据资料与检验方法 |
| 2 预报检验结果与分析 |
| 2.1 高、低温预报区域性检验 |
| 2.1.1 年预报准确率 |
| 2.1.2 年预报误差 |
| 2.2 高、低温预报季度检验 |
| 2.2.1 各季温度预报准确率 |
| 2.2.2 各季误差检验 |
| 2.3 高、低温预报逐月检验 |
| 2.3.1 预报准确率检验 |
| 2.3.2 误差检验 |
| 2.4 典型天气过程温度检验 |
| 3 结论 |
（2）基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究进展 |
| 1.2.1 次季节尺度预报 |
| 1.2.2 多模式集成预报 |
| 1.2.3 模态投影预报 |
| 1.2.4 概率预报 |
| 1.3 拟解决的科学问题 |
| 1.4 论文章节安排 |
| 第二章 资料与方法 |
| 2.1 资料 |
| 2.2 预报优化方法 |
| 2.2.1 次季节尺度的多模式集成预报 |
| 2.2.2 基于模态投影的单模式与多模式确定性预报 |
| 2.2.3 次季节尺度的概率预报 |
| 2.3 预报检验方法 |
| 2.3.1 确定性预报的检验评估 |
| 2.3.2 概率预报的检验评估 |
| 2.3.3 概率预报的误差诊断 |
| 第三章 次季节尺度的气温与降水多模式集成预报 |
| 3.1 多模式集成预报试验设计 |
| 3.2 次季节尺度的单中心预报 |
| 3.2.1 气温单中心预报 |
| 3.2.2 降水单中心预报 |
| 3.3 次季节尺度的多模式集成预报 |
| 3.3.1 气温多模式集成预报 |
| 3.3.2 降水多模式集成预报 |
| 3.4 多模式集成预报个例试验——东北亚2018 年盛夏极端高温 |
| 3.5 本章小结 |
| 第四章 基于模态投影的单模式与多模式确定性预报 |
| 4.1 模态投影确定性预报试验设计 |
| 4.2 单模式的次季节模态投影预报 |
| 4.2.1 气温模态投影预报 |
| 4.2.2 降水模态投影预报 |
| 4.3 次季节尺度的多模式模态投影集成预报 |
| 4.3.1 气温多模式模态投影集成预报 |
| 4.3.2 降水多模式模态投影集成预报 |
| 4.4 模态投影预报个例试验——中国南方2018 年初夏持续性强降水 |
| 4.5 本章小结 |
| 第五章 次季节尺度的多模式集成概率预报与误差诊断 |
| 5.1 多模式集成概率预报试验设计 |
| 5.2 次季节尺度的气温多模式集成概率预报与误差诊断 |
| 5.2.1 气温概率预报检验 |
| 5.2.2 气温概率预报误差诊断 |
| 5.3 次季节尺度的降水多模式集成概率预报与误差诊断 |
| 5.3.1 降水概率预报检验 |
| 5.3.2 降水概率预报误差诊断 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 论文创新性成果 |
| 6.3 讨论与展望 |
| 参考文献 |
| 附录 论文使用的缩写与中英文全称对照表 |
| 作者简介 |
| 致谢 |
（3）基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 研究的目的及意义 |
| 1.2 S2S预测计划 |
| 1.3 国内外研究进展 |
| 1.3.1 模式热浪预测研究进展 |
| 1.3.2 模式统计后处理 |
| 1.4 研究内容 |
| 1.5 研究亮点 |
| 第二章 资料与方法 |
| 2.1 资料 |
| 2.1.1 模式回报数据集 |
| 2.1.2 验证数据集 |
| 2.2 方法 |
| 2.2.1 气候态、异常及季节内信号的提取 |
| 2.2.2 极暖事件、暖事件、平均事件与热浪事件的定义 |
| 2.2.3 预报技巧评估指标 |
| 2.2.4 ECMWF模式回报数据的重构 |
| 2.2.5 北半球夏季季节内振荡指数 |
| 2.2.6 模式偏差订正模型 |
| 第三章 模式气温在中国夏季的系统性偏差与次季节预报技巧 |
| 3.1 引言 |
| 3.2 模式气温在中国夏季的系统性偏差特征 |
| 3.3 模式气温在中国夏季的次季节预报技巧 |
| 3.4 模式对不同气候概率事件的次季节预报技巧 |
| 3.5 本章小结 |
| 第四章 长江流域高温热浪的次季节预测技巧来源 |
| 4.1 引言 |
| 4.2 次季节热浪预报技巧的评估 |
| 4.3 季节内环流异常偏差和陆气反馈对热浪预报技巧的影响 |
| 4.4 本章小结 |
| 第五章 模式气温在长江流域的统计释用 |
| 5.1 引言 |
| 5.2 模式气温集合平均预测与集合成员预测的预报技巧对比 |
| 5.3 模式订正前后的气温预报技巧对比 |
| 5.4 模式订正前后对区域高温热浪的预报技巧 |
| 5.5 本章小结 |
| 第六章 总结与讨论 |
| 6.1 总结 |
| 6.2 讨论 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（4）数值天气预报在广西的业务应用与进展（论文提纲范文）
| 引言 |
| 1 数值预报研究和发展 |
| 1.1 国内外研究进展概述 |
| 1.2 广西数值预报模式应用研究进展 |
| 2 数值天气预报产品在广西的应用 |
| 2.1 天气学释用方法 |
| 2.2 动力释用方法 |
| 2.3 统计学释用方法 |
| 2.4 人工智能和非线性模型的释用方法 |
| 2.5 综合集成方法 |
| 2.6 数值天气预报产品应用效果 |
| 3 数值模式检验评估 |
| 3.1 模式降水预报性能分析 |
| 3.2 模式温度预报性能分析 |
| 4 讨论与展望 |
（5）广西暴雨业务预报技术回顾与展望（论文提纲范文）
| 引言 |
| 1 广西暴雨业务预报技术发展回顾 |
| 2 广西暴雨研究进展 |
| 2.1 广西暴雨天气机理研究 |
| 2.2 广西几种主要暴雨类型的统计分析 |
| 2.2.1 锋面暴雨 |
| 2.2.2 暖区暴雨 |
| 2.2.3 西南涡暴雨 |
| 2.2.4 热带系统暴雨 |
| 3 暴雨客观预报技术在广西的应用 |
| 3.1 多源资料在广西暴雨预报上的运用 |
| 3.2 数值预报产品在广西暴雨预报的释用 |
| 3.3 集合预报技术在广西暴雨预报上的应用 |
| 3.4 人工智能在广西暴雨预报上的应用 |
| 4 广西暴雨业务预报技术存在的主要问题及改进建议 |
（6）贵州地区一次持续性暴雨天气成因及预报误差分析（论文提纲范文）
| 0 引言 |
| 1 数据与方法 |
| 2 暴雨个例概况 |
| 3 天气形势和环境场特征 |
| 3.1 天气形势和影响系统 |
| 3.2 水汽特征变化 |
| 3.3 不稳定层结特征 |
| 4 数值预报评估和误差分析 |
| 4.1 数值预报评估 |
| 4.2 预报误差分析及订正 |
| 5 结论 |
（7）CALIOP在海上气溶胶特性分析与海雾统计预报领域中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 CALIOP数据在气溶胶研究领域中的应用 |
| 1.2.2 海雾识别与预报研究进展 |
| 1.3 论文内容与结构 |
| 1.4 论文创新点 |
| 第二章 数据介绍 |
| 2.1 研究区域 |
| 2.2 CALIOP数据介绍 |
| 2.2.1 Level1B级数据产品 |
| 2.2.2 Level2级数据产品 |
| 2.2.3 CALIOP数据质量控制 |
| 2.3 MODIS数据资料 |
| 2.4 ERA5再分析资料 |
| 2.5 本章小结 |
| 第三章 基于CALIOP的中国海域气溶胶特性统计分析 |
| 3.1 气溶胶垂直分布特征 |
| 3.1.1 云与气溶胶的垂直频率分布 |
| 3.1.2 气溶胶类型统计特征分析 |
| 3.1.3 气溶胶粒子形态特征分析 |
| 3.1.4 气溶胶消光系数分析 |
| 3.2 气溶胶光学厚度时空分布特征 |
| 3.3 本章小结 |
| 第四章 基于CALIOP的海雾识别算法对比验证 |
| 4.1 海雾统计预报流程 |
| 4.2 CALIOP海雾识别 |
| 4.2.1 海表特征误判现象 |
| 4.2.2 两种海雾识别算法的对比验证 |
| 4.3 本章小结 |
| 第五章 基于CALIOP的海雾统计预报研究 |
| 5.1 支持向量机算法简介 |
| 5.2 海雾预报因子预选 |
| 5.3 海雾预报模型与验证 |
| 5.4 海雾统计预报模型释用 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 工作总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）河套周边地区云量精细化预报方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 研究现状 |
| 1.2.1 云的气候特征 |
| 1.2.2 云的预报现状及存在问题 |
| 1.2.3 集合预报研究现状 |
| 1.3 研究内容 |
| 第二章 数据与方法 |
| 2.1 研究区域 |
| 2.2 研究资料 |
| 2.2.1 MICAPS格式地面报文资料 |
| 2.2.2 地面气象资料 |
| 2.2.3 ERA-Interim再分析资料 |
| 2.2.4 GFS预报场资料 |
| 2.3 方法介绍 |
| 2.3.1 双线性插值 |
| 2.3.2 功率谱分析 |
| 2.3.3 归一化计算方法 |
| 2.3.4 PCA主分量提取 |
| 2.3.5 多元逐步回归预报方法 |
| 2.3.6 自适应线性最小二乘回归算法 |
| 2.3.7 自适应递推卡尔曼滤波算法 |
| 2.3.8 最小二乘支持向量机回归预报方法 |
| 2.3.9 BP神经网络预报方法 |
| 2.3.10 Elman神经网络预报方法 |
| 2.3.11 低云的对流云、非对流云分类方法 |
| 2.4 预报效果评估 |
| 第三章 河套地区云量特征分析 |
| 3.1 年际变化特征 |
| 3.2 年变化特征 |
| 3.3 日变化特征 |
| 3.4 云量垂直物理量诊断研究 |
| 3.5 本章小结 |
| 第四章 云量预报因子选取及相关性分析 |
| 4.1 预报因子的选取 |
| 4.2 GFS预报因子与云量的相关性分析 |
| 4.2.1 GFS预报因子与云量间的相关性分析 |
| 4.2.2 GFS预报因子间的相关性分析 |
| 4.3 本章小结 |
| 第五章 基于线性统计释用方法对云量预报及效果分析 |
| 5.1 多元逐步回归预报建立 |
| 5.1.1 预报因子被引入频数 |
| 5.1.2 云量预报方程 |
| 5.1.3 云量预报方程预报效果评估 |
| 5.1.4 云量预报试预报 |
| 5.2 动态时参预报模型 |
| 5.2.1 自适应线性最小二乘回归算法 |
| 5.2.2 自适应递推卡尔曼滤波算法 |
| 5.3 本章小结 |
| 第六章 基于机器学习和非线性模型对云量预报及效果分析 |
| 6.1 预报因子主成分提取 |
| 6.2 三种非线性预报模型参数设置 |
| 6.2.1 最小二乘支持向量机LSSVM预报模型 |
| 6.2.2 BP神经网络预报模型 |
| 6.2.3 Elman神经网络预报模型 |
| 6.3 三种预报模型比较 |
| 6.4 线性预报模型和非线性预报模型对比 |
| 6.5 本章小结 |
| 第七章 总云量集合预报研究及效果检验 |
| 7.1 多模式集成集合预报的建立 |
| 7.1.1 加权集合平均(EMN) |
| 7.1.2 消除偏差集合平均(BREM) |
| 7.1.3 加权消除偏差集合(WBREM) |
| 7.1.4 超级集合预报(SUP) |
| 7.2 多种集合预报集成的效果判定 |
| 7.3 几种模型预报效果对比 |
| 7.3.1 39个站点试预报平均预报效果对比 |
| 7.3.2 单个站点2017年总云量试预报效果对比 |
| 7.4 本章小结 |
| 第八章 总结与讨论 |
| 8.1 全文总结 |
| 8.2 本文特色与创新点 |
| 8.3 存在问题及下一步研究计划 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（9）基于递归小波神经网络的江苏城镇夏季最高气温预报预警技术（论文提纲范文）
| 1 模式产品及预处理介绍 |
| 1.1 模式产品 |
| 1.2 缺失资料处理 |
| 1.3 格点到站点资料处理 |
| 2 模式产品释用方法 |
| 2.1 数据归一化 |
| 2.2 T检验及相关系数检验 |
| 2.3 递归小波神经网络 |
| 2.4 反复试验法确定训练集大小 |
| 3 释用结果对比分析 |
| 4 结论 |
（10）集合预报产品在江苏省暴雨预报中的应用评估（论文提纲范文）
| 引言 |
| 1 资料与方法 |
| 1.1 资料 |
| 1.2 检验方法 |
| 1.2.1 降水预报常用检验方法 |
| 1.2.2 暴雨预报准确率检验办法 |
| 1.3 插值方法 |
| 1.4 暴雨样本统计 |
| 1.5 预报时效选取 |
| 2 集合预报产品效果分析 |
| 2.1 EC集合预报系统子成员和EC集合平均产品对江苏暴雨事件预报能力评估 |
| 2.2 EC集合预报多种统计量和后处理技术在江苏省暴雨预报中的的应用 |
| 2.2.1 集合分位数 |
| 2.2.2 最优百分位 |
| 2.2.3 融合、概率匹配、融合—概率匹配、概率匹配—融合预报产品 |
| 2.2.4 基于降水偏差订正的频率匹配法 |
| 2.2.5 EC集合暴雨概率预报 |
| 2.2.6 极端天气预报指数(EFI) |
| 2.2.7 集合异常预报法 |
| 2.2.8 杜-周排序法 |
| 3 结论与讨论 |
四、数值预报产品在夏季持续高温预报中的释用（论文参考文献）
- [1]ECMWF细网格2 m温度预报产品在南疆西部温度预报中的释用[J]. 玛依热·艾海提,希热娜依·铁里瓦尔地,杨利鸿. 沙漠与绿洲气象, 2021(05)
- [2]基于多模式集成的东亚地区气温与降水次季节预报及其误差诊断[D]. 朱寿鹏. 南京信息工程大学, 2021
- [3]基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正[D]. 谢洁宏. 南京信息工程大学, 2021
- [4]数值天气预报在广西的业务应用与进展[J]. 曾小团,翟舒楠,梁依玲,覃月凤,黄荣成,林振敏. 气象研究与应用, 2020(04)
- [5]广西暴雨业务预报技术回顾与展望[J]. 林开平,陈伟斌,刘国忠,覃月凤,董雪晗,熊思章. 气象研究与应用, 2020(04)
- [6]贵州地区一次持续性暴雨天气成因及预报误差分析[J]. 杨秀庄,李刚,周明飞,杜小玲,李力. 中低纬山地气象, 2020(04)
- [7]CALIOP在海上气溶胶特性分析与海雾统计预报领域中的应用[D]. 戴晨. 南京信息工程大学, 2020(02)
- [8]河套周边地区云量精细化预报方法研究[D]. 杜晖. 兰州大学, 2020(01)
- [9]基于递归小波神经网络的江苏城镇夏季最高气温预报预警技术[J]. 樊仲欣,陈旭红,谭桂容. 自然灾害学报, 2019(06)
- [10]集合预报产品在江苏省暴雨预报中的应用评估[J]. 陈圣劼,刘梅,张涵斌,俞剑蔚,陈超辉. 气象, 2019(07)