随着观测技术和数值预报模式的进步,数值预报模式的模拟预报水平不断提高,但是由于数值预报模式只是真实大气的近似,模式的初始条件和边界条件的不准确,大气本身的混沌特性等等,导致数值模式预报结果和真实大气之间的误差总是存在。误差订正便成为提高数值模式预报精度的有效方法之一。本文以2003-2007年T213数值预报模式00UTC的500hPa位势高度场24h预报误差为例,分析了数值预报误差时空分布的基本统计特征,利用经验正交分解(Empirical Orthogonal Function,简称EOF)的方法压缩预报误差场的自由度,分析预报误差空间分布形态的主要特点。利用经验模态分解(Empirical Mode Decomposition,简称EMD)分析预报误差的时变特征。考虑到数值模式预报误差在时间上的相依性和非线性变化特征,利用大量预报误差的历史数据建立了一个BP神经网络,功能是用已知非系统性预报误差来预测未来时刻的非系统性预报误差。并且利用BP神经网络建立了从状态变量到预报误差之间的映射关系,研究利用状态变量订正非系统性预报误差的效果。主要结论如下：(1)通过对各个网格点上预报误差在时间上的平均值的计算,得到系统性预报误差(即预报误差偏差)的空间分布情况,结果表明系统性预报误差在整个分析区域都呈现负值,其绝对值总体上呈现西高东低的形式。(2)通过计算各个网格点上预报误差标准差,来反映T213数值模式预报结果的稳定性随地域的变化情况。预报误差标准差大体上呈现随经度均匀的分布。从低纬度地区到高纬度地区,除去个别地区(青藏高原,四川盆地,秦岭以南地区),预报误差的标准差随纬度变化呈现从小到大,再从大到小的变化趋势。(3)基于预报误差分位数图(Q-Q图)和频数直方图,可以发现预报误差并不符合正态分布。EMD分解结果表明,预报误差随时间的变化是由多个时间尺度的震荡分量组成,每一种时间尺度的震荡周期都随时间而变化,震荡的幅度也随时间变化,预报误差随时间的变化过程具非平稳的特征,但是考虑EMD分解出的趋势项的变化范围较小,在一定时间范围内可以近似的使用平稳假设。(4)根据预报误差在时间上的相依性,建立一个用已知非系统性预报误差来预测未来时刻的非系统性预报误差的3层BP神经网络模型。分别用1400和332个T213模式预报误差场作为训练样本和检验样本的试验结果表明,建立的BP神经网络模型对未来时刻的非系统性预报误差有较好的预估能力,估测的大多数样本的非系统性预报误差的分布特征和真实场较为一致。与系统偏差订正相比,BP神经网络方法估算的非系统性误差对预报的订正效果好于系统偏差订正的结果。(5)通过BP神经网络建立从状态变量到非系统性预报误差的映射,利用T213模式预报样本的初步试验结果表明BP神经网络订正非系统性预报误差的效果不稳定。计算订正后和订正前均方根误差比值作为订正效果的标准,和系统偏差订正相比,BP神经网络订正方法能够大大增加订正后和订正前均方根误差比值小于0.5的样本比例(BP订正该比例为34%,系统偏差订正该比例为1%),即相对于系统偏差订正,经过BP神经网络订正后,均方根误差降低一半的样本比例大大增加。但同时也增加了比值大于1的样本的比例(BP订正该比例为44%,系统偏差订正该比例为39%),即BP神经网络订正无效的样本数目比系统偏差订正有所增加。