简介：四维的变化数据吸收(4DVar)是最有希望的方法之一为数字天气预言(NWP)提供最佳的分析。在世界上的五个国家NWP中心成功地在他们的全球NWP使用了4DVar方法，由于增长方法和伴随技术。然而，4DVar的应用程序被在许多NWP中心和研究院可得到的计算机资源仍然限制。因此，进一步减少4DVar的计算费用是必要的。这里，实现4DVar的一条节俭的途径被建议，用dimensionreduced设计(DRP)的技术，它被称为建议途径基于尺寸减小使用的鈥淒RP-4DVar.鈥?历史的样品到的一个整体定义subspace。它直接由恰当的观察在减少的空间获得一个最佳的答案，历史的时间系列由模型产生了到形成一致预报状态，因此不要求正切的伴随的实现线性近似。在吸收mesoscale观察的不同类型上评估DRP-4DVar的性能，一些观察系统模拟实验用MM5被进行，比较用一个6小时的吸收窗口在基于伴随的4DVar和DRP-4DVar之间被做。关键词4DVar-伴随-尺寸减小-历史的样品-观察系统模拟实验

简介：在在多重线性回归(MLR)之间的季节的降水预报技巧的差别的调查整体并且简单多，模型整体平均数(他们)基于单个模型的预报质量。在以前的研究的差别的可能的原因被分析。以便做学习区域的模拟能力相对一致，有不同时间的关联系数的三个区域为这研究被选择。结果证明导致MLR途径的无能力的原因在不同区域之中变化。在Niño3.4区域，在单个模型以内的强壮的合作线性通常是主要原因。在高纬度区域，然而，没有重要合作线性能在单身的模型的单个模型，而是能力被发现是那么差的它在这个区域为超级整体预报使MLR来临不恰当。另外，当我们比较源于的结果时，注意各种各样的分数大小的使用能导致一些差异是重要的不同多为整体途径建模。

简介：从东南的中国的每年平均的每日的最大值和最小的地面温度为未公开的变化点用三不同测试为人工的断绝被评估。在时间序列的Changepoints被把每个目标系列比作从在很多个附近的车站观察的价值计算的一本参考书识别。在没有趋势在目标参考温度差别的顺序是在场的假设下面，当三测试中的至少二个拒绝了没有变化点的空假设在时，一个变化点被分到目标系列近似，一样在差别系列放。每个目标系列然后用从能不那样偏导目标系列步变化的大小的估计的附近的车站在平均温度值说明断绝的一个过程被调整。在调整年度温度系列的线性温度趋势的空间比较建议主要相对断绝在homogenization过程被移开。很多相对变化点比在平均最高温度系列在年度平均最小被检测。一些证据被介绍它建议最小的地面温度地可能比最高温度地对在测量实践的变化更敏感。另外，给城市的热岛的以前的证据(即，本地)在这个区域的趋势，在一个目标参考差别系列的没有斜坡的假设是可能的在最小更经常被违背比在里面最高温度系列。因而，可以有更大的潜力在最低温度系列使趋势和步变化惊讶。

简介：IntheEnsembleKalmanFilter(EnKF)dataassimilation-predictionsystem,mostofthecomputationtimeisspentonthepredictionrunsofensemblemembers.Alimitedorsmallensemblesizedoesreducethecomputationalcost,butanexcessivelysmallensemblesizeusuallyleadstofilterdivergence,especiallywhentherearemodelerrors.InordertoimprovetheefficiencyoftheEnKFdataassimilation-predictionsystemandpreventitagainstfilterdivergence,atime-expandedsamplingapproachforEnKFbasedontheWRF(WeatherResearchandForecasting)modelisusedtoassimilatesimulatedsoundingdata.TheapproachsamplesaseriesofperturbedstatevectorsfromNbmemberpredictionrunsnotonlyattheanalysistime(astheconventionalapproachdoes)butalsoatequallyseparatedtimelevels(timeintervalis△t)beforeandaftertheanalysistimewithMtimes.Alltheabovesampledstatevectorsareusedtoconstructtheensembleandcomputethebackgroundcovariancefortheanalysis,sotheensemblesizeisincreasedfromNbtoNb+2M×Nb=(1+2M)×Nb)withoutincreasingthenumberofpredictionruns(itisstillNb).Thisreducesthecomputationalcost.Aseriesofexperimentsareconductedtoinvestigatetheimpactof△t(thetimeintervaloftime-expandedsampling)andM(themaximumsamplingtimes)ontheanalysis.TheresultsshowthatiftandMareproperlyselected,thetime-expandedsamplingapproachachievesthesimilareffecttothatfromtheconventionalapproachwithanensemblesizeof(1+2M)×Nb,butthenumberofpredictionrunsisgreatlyreduced.

简介：Thespring(March-April-May)rainfallovernorthernChina(SPRNC)ispredictedbyusingtheinterannualincrementapproach.DYdenotesthedifferencebetweenthecurrentyearandpreviousyears.TheseasonalforecastmodelfortheDYofSPRNCisconstructedbasedonthedatathataretakenfromthe1965-2002period(38years),inwhichsixpredictorsareavailablenolaterthanthecurrentmonthofFebruary.Thisisfavorablesothattheseasonalforecastscanbemadeonemonthahead.Then,SPRNCandthepercentageanomalyofSPRNCareobtainedbythepredictedDYofSPRNC.Themodelperformswellinthepredictionoftheinter-annualvariationoftheDYofSPRNCduring1965-2002,withacorrelationcoefficientbetweenthepredictedandobservedDYofSPRNCof0.87.Thisaccountsfor76%ofthetotalvariance,withalowvaluefortheaveragerootmeansquareerror(RMSE)of20%.Boththeresultsofthehindcastfortheperiodof2003-2010(eightyears)andthecross-validationtestfortheperiodof1965-2009(45years)illustratethegoodpredictioncapabilityofthemodel,withasmallmeanrelativeerrorof10%,anRMSEof17%andahighrateofcoherenceof87.5%forthehindcastsofthepercentageanomalyofSPRNC.

简介：WepresentamodelforpredictingsummertimesurfaceairtemperatureinNortheastChina(NESSAT)usingayear-to-yearincrementalapproach.Thepredictedvalueforeachyear'sincreaseordecreaseofNESSATisaddedtotheobservedvaluewithinaparticularyeartoyieldthenetforecastNESSAT.Theseasonalforecastmodelfortheyear-to-yearincrementsofNESSATisconstructedbasedondatafrom1975-2007.Fivepredictorsareused:anindexforseaicecoverovertheEastSiberianSea,anindexforcentralPacifictropicalseasurfacetemperature,twohighlatitudecirculationindices,aswellasaNorthAmericanpressureindex.AllpredictorsareavailablebynolaterthanMarch,whichallowsforcompilationofaseasonalforecastwithatwo-monthleadtime.ThepredictionmodelaccuratelycapturestheinterannualvariationsofNESSATduring1977-2007withacorrelationcoefficientbetweenthepredictedandobservedNESSATof0.87(accountingfor76%oftotalvariance)andameanabsoluteerror(MAE)of0.3℃.Across-validationtestduring1977-2008demonstratesthatthemodelhasgoodpredictiveskill,withMAEof0.4℃andacorrelationcoefficientbetweenthepredictedandobservedNESSATof0.76.