摘要利用抚顺地区3个气象站2003年1月至2006年12月期间的总云量和低云量的观测资料以及同时期的欧洲数值预报资料，建立总云量和低云量的预报方程。将2007年欧洲数值预报资料作检验与实况对比分析，结果表明在所得出的8个方程中，总云量的预报方程能够较好地反映云量的变化趋势，低云量预报方程准确率欠佳，在方程的检验过程中，总体走势是云量的预报值中58%高于实测值。 关键词总云量；低云量；预报方法；检验；辽宁抚顺
云是气象要素中的重要指标，不同的云分布的高度和特征与天气变化密切相关，直接影响地气系统的辐射平衡、热量平衡[1]，也与人们日常生活中的晾晒指数、日常出行、能见度以及紫外线指数息息相关[2]。云是能够对飞行活动产生影响、甚至危及飞行安全的气象要素之一[3]。根据相关单位的研究，云量变化20%~30%就会对气候场产生显著影响[4]。低云影响飞机起降，云中的低能见度影响目视飞行，云中的过冷水滴使飞机积冰，云中的湍流造成飞机颠簸等。我国30年间与气象有关的严重飞行事故调查统计结果表明，由低云造成的飞行事故最多，占55%以上[5]。云是天气气候系统中变化最复杂的一个部分，可直接与气候系统中的
大气、海洋、低温层分量和地形等相互作用，因此对天空云量进行动力学预报现在仍存在较大困难，但天空云量的预报是日常天气预报中必不可少的要素之一，目前该预报的制作主要依赖预报员的经验或MOS预报[6]。
1MOS方法简介
美国气象学者克莱因早在20世纪50年代末提出用历史资料与预报对象同时间的实际气象参量作预报因子，建立统计关系[7]。实际应用时，假定数值预报的结果是完全正确的，用数值预报产品代入到上述统计关系中，就可得到与预报相应时刻的预报值，这种称为完全预报法（PP 法）[8]。它的长处可利用大量的历史资料进行统计，因此得出的统计规律一般比较稳定可靠。但是该方法除含有统计关系造成的误差外，主要是无法考虑数值模式的预报误差，因而使预报精度受到一定影响。Glathn和Lowry（1972年）提出了模式输出统计（Model Output Statistics，简称MOS法）。具体做法是从数值预报模式的归档资料中选取预报因子向量，求出预报量的同时或近于同时预报关系式，在实际应用时，把数值预报输出的结果代入相应的预报关系中[9]。 2数据来源及研究方法
2.1区域概况
研究区抚顺市位于辽宁省东北部，地理坐标为东经123°39′42″~125°28′58″，北纬41°14′~42°28′。自然地势东高西低，平均海拔400~500 m，山脉呈东北、西南走向。属于东亚大陆季风气候区，主要气候特点是：夏热多雨，冬寒漫长，温差较大，四季分明，全年平均气温为3.8~8.4 ℃，年降水量718~880 mm，年平均日照总时数为1 860~2 750 h，气候资源十分丰富。
2.2数据来源
数据来源于2003—2007年抚顺周边共3个地面测站（章党54351，新宾54353，清原54259）实测总云量和低云量资料，包括每月测站的平均总云量、低云量，个别数据缺测。另外还有2003—2007年欧洲数值预报结果预报的micaps资料，欧洲数值预报中选取资料为2.5°×2.5°的经纬分辨率的网格点，含有H500、U700、T850未来48 h预报结果。
2.3研究方法
使用2003—2006年的资料作逐步回归方程，其中缺测较多的资料不计算平均值。使用200
7年的欧洲数值预报资料作为因子，用以检验预报方程的准确性。以SPSS17.0统计软件分析预报结果与气象因子的相关关系以及方程预报的显著性水平，P<0.01为显著水平。
3资料分析
3.1数据因子编号
资料中记录的数据为每天20：00的总云量和低云量实测值，有个别日期缺测则不计缺测日期的云量。欧洲数值预报资料中提取每天20swimovate：00的未来48 h的预报值作为变量。提取站点周围欧洲数值预报网格上3×3的数据上要素的预报量作为因子。共选取了3个要素，总计27个因子。
选取的因子具体编号如下：H500-048directdraw为未来48 h的500 hPa高度的位势高度的预报值，能够反映中层大气的气压场状况。令H500（1）～H500（9）为x1，x2，…x9；U700-048为未来48 h的700 hPa高度的相对湿度的预报值，能够反映该高度上的水汽含量。令U700（1）～U700（9）为x10，x11，…x18；T850-048 为未来48 h的850 hPa高度的温度的预报值。能够反映大气中部冷热运动的情况。令T850（1）～T850（9）为x19，x18，…x27。
3.2数据的剔除
输出1个不含站点资料和数值预报缺测日期的时间序列，将所有资料按序列中日期输出，保证站点和数值预报资料都是可用的。
3.3资料的季节分析
由于云的高度和形态特征直接反映天气系统的移动和演变，而影响抚顺地区的天气系统在不同的季节呈现不同的特征，图1是抚顺地区月平均总云量和低云量分布图，可以明显看出总云量和低云量的季节差异明显，夏季最多，春季波动较大，秋季缓慢波动，冬季的云量平均则不到1成。可见云量变化与季节不同有很大关系，因此将其分为春（3—5月）、夏（6—8月）、秋（9—11月）、冬（12月至翌年2月）四季，分别建立统计预报的回归方程。
4数据处理与计算
4.1资料的一致性处理
欧洲数值预报资料和站点资料在不同时段的缺测现象较多，预报未来48 h的天气，而且数值预报资料和相同站点的值有48 h的时差，需要作时间上的匹配，使其在时间上具有一致性。在2003—2006年的欧洲数值预报原始资料中挑出在抚顺地区（章党站41.5，124.05）周围的3×3的网格资料，将站点资料和数值预报资料中的数据缺测值过滤剔除，保留站点资料中与之符合的数值预报资料，保证所有的站点资料和数值预报资料的日期一致（可以编程输出）。
4.2计算相关系数
相关系数是用来反映预报因子与预报量之间的关系的优劣程度。相关系数越高则说明因子对预报量有很好的对应关系，因子值的变化能反映出预报量的变化情况，才可以选取作预报方程。其计算公式如下：
将资料导入到计算逐步回归方程系数的程序中，得出预报结果。
5计算结果与分析
5.1总云量、低云量与各预报因子之间的关系
分析结果表明，总云量和各个预报因子的相关性较好，低云量与个别预报因子的相关性较好（表1）。总云量在春季主要影响因素为卡尼丁850 hPa上的温度场；夏季主要受700 hPa相对湿度场和850 hPa的温度场影响比较大；秋季主要受850 hPa温度场的影响，冬季主要受850 hPa温度场和500 hPa的高度场的影响较大。对于低云量在春季主要受850 hPa温度场的影响；在夏季主要受700 hPa相对湿度场和850 hPa温度场的影响；秋季主要受500 hPa高度场和850 hPa温度场的影响；冬季同时受500 hPa的高度场、700 hPa的相对湿度场和850 hPa温度场的影响。
5.2章党站48 h总云量和低云量的预报方程
将27个因子按顺序排列，并依次记为x1，x2，…x27。通过以上方法得出章党站的春、夏、秋、冬12个月的48 h总云量和低云量的预报方程，结果如下（为了说明方法因子系数小于0.02的手工剔除）：
春季（3—5月）48 h总云量预报方程：
Y=22.284-0.033 x7-0.037 x13+0.021 x14+0.108 x25-0.025 x27（2）
夏季（6—8月）48 h总云量预报方程：
Y=31.080-0.045 x7-0.029 x16+0.121 x20-0.189 x24+0.288 x27（3）
秋季（9—11月）48 h总云量预报方程：
Y=50.222-0.092 x7-0.042 x11+0.022 x12+0.022 x19+0.101 x27（4）
冬季（12月至翌年2月）48 h总云量预报方程：
Y=5.570-0.020 x3-0.063 x20+0.276 x21-0.131 x27（5）
章党站48 h低云量预报方程：
春季（3—5月）48 h低云量由于没有选出因子，仅有常数项，所以无法列出预报方程。
夏季（6—8月）48 h低云量预报方程：
Y=9.273-0.306 x24+0.448x27（6）
秋季（9—11月）48 h低云量预报方程：
Y=17.128+0.063 x19（7）
冬季（12月至翌年2月）48 h低云量预报方程：
Y=16.697-0.08 x3-0.086 x20+0.516 x21-0.222 x27（8）
6预报方程检验
6.1预报方程的显著性分析
利用SPSS 17.0统计软件分析预报方程的显著性水平。章党站2003—2006年四季的云量预报回归方程检验结果和实测值之间的相关系数如表2所示。
由表2可知，章党站春、夏、秋季的总云量预报方程都通过了显著性检验，春季的低云量预报方程也通过了显著性检验（P＞0.01），且通过显著性检验的预报方程相关系数都是非常大的。
6.2引入经验因子与实况值对比
引入2007年相关经验因子的欧洲数值预报结果，带入各方程，得出数据与实况值进行对比分析[9]：由图2可知，2007年的预报值与实测值的差值中，预报值高于实测值的概率58%，差距在1成之内的概率占66.7%，可以粗略地总结为大部分云量预报方程的准确率为66.7%，由于资料有限，没有对更多年限3×3网格内测站的资料做数值检验，差距在更高成的检验异常数据还没有出现，相对总云量的预报方程、低云量预报方程与实测值相差较大，准确率欠佳。
总云量和低云量在春季、冬季差距较大，这与季节性温差的形成有直接关系，同时近地面增温和地形的影响对低云形成的贡献大于总云量（图3）。
6.3拟合值与实况差异分析
总体来看，所得总云量预报方程的效果准确率较好，低云量预报方程的准确率效果不佳，分析其原因有以下几方面：一是资料时间跨度较短。预报因子资料只选取了2003—2006年4年的欧洲数值预报资料。由于资料范围广，且统计方法有限，没有作因子的日平均统计，局限了统计方法计算出的预报方程的准确度，选取的年份过少或不具有代表性。这是导致预报方程预报效果不佳的重要原因。二是资料中缺乏1 000 hPa位势高度和蛋白修饰500 hPa垂直速
度等项。由于云量的差异在不同高度的气压场有显著差别，并且中层气压场水汽的上升速度不同也会影响云的形成，因此缺乏相关性较重要的2个预报因子的选取。三是预报网格过大。欧洲数值预报网格资料的分辨率为2.5°×2.5°，相对于抚顺地区这样较小范围来说，网格过于大，过于稀疏。抚顺地区是半山区，地势低洼，影响天气的因素复杂，区域因素多。四是地气象系统的影响。总云量是遮蔽视野的天空中云的总成数，而低云量是云高小于等于排课算法3 000 m的遮蔽视野的云的总成数，因此地气系统的影响低云量形成的因素较多，同样的预报因子预报出的低云量中可能夹杂更多不同层次的云，因此导致结果不理想。五是丘域因素考虑。仅用统计方法过于单一，应结合当天的天气形势，及云量云状等特征综合分析考虑，而且未来48 h天气状况影响因子复杂，所使用的方法为传统的统计预报方法，没有考虑区域因素。六是选取的待选因子除500~850 hPa外，其他均为未处理的单个物理量。因此，在逐步回归过程中所求的各方程中只有7个方程选出了因子，而有1个方程只算出了常数项，没有选出因子。而且在选出因子的方程中，因子个数也普遍较少。从天气学角度分析，云量的影响因子不应少于3个。因此，因子数偏少和常规气象要素难以准确反映形势场的演变是导致预报方程准确率不高的重要原因。应该从建立一些能够反映天气形势变化的诊断量如总能量项、大气层结因子、中低层水汽项等出发，改进方程的预报效
果。七是分析结果不具代表性。1个月内的平均云量处理后的数据是将各时次进行平滑处理后的数据，导致分析结果不具有代表性。总云量的月季变化不大，但是低云量的波动范围则比较大，在这样的情况下，将观测值进行月平均处理对总云量的预报准确性影响不大，对低云量的预报效果则会受到很大影响。亚德里亚海
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议