新书架

《现代气象业务丛书综合气象观测(上下册)》王强主编气象观测业务是现代气象业务体系的基础和重要组成部分。本书概括介绍了由天基、地基和空基观测系统构成的现代气象观测业务体系的历史、现状和发展趋势,气象观测的基础理论和应用技术方法。重点讲述了地面和高空气象观测的原理、技术方法和业务要求,地基气象遥感探测技术的基础知识和业务应用。有针对性地介绍了大气边界层和城市气象观测、农业和生态气象观测、海洋气象观测、大气成分观测、公路交通气象观测等专业气象服务观测系统,以及气象观测资料处理和质量管理、气象计量、综合气象观测保     

我国气象标准化建设的有关问题研究

国际性（或区域性）气象技术标准发展趋势 国际性（或区域性）气象技术标准将主要集中在五个方面：一是国际（或区域）范围内多个国家共同关心的研究事项和涉及切身利益的事项．如全球气象观测情报网、全球气候变化涉及的标准等。二是发达国家的先进技术、产品与装备设施、业务规范以及这些优势内容延伸的服务，如数值天气预报模式的资料处理规范和标准等。三是具有全球性特征的产品制作和服务，如航空气象服务和海洋领航气象服务，其产品的制作需要使用全球范围的资料，需要有统一的信息传递技术标准和资料处理标准。     

机器学习技术在现代农业气象中的应用

智慧气象和精准农业结合下的现代农业气象工作意味着对包含遥感影像在内的大型农业和气象数据高时效性的分析与处理,机器学习技术是当代自然科学研究和技术发展的主流技术,亦是现代农业气象科研和业务发展的重要工具。该文系统论述了机器学习技术的主要方法及其在现代农业气象中的主要应用方向,比较了不同方法在农业气象不同领域应用的情况,侧重介绍了基于深度学习技术的成果和近年来的最新研究进展。传统浅层机器学习技术中,以支持向量机和人工神经网络应用最为广泛且效果最为理想。近年来,随机森林和梯度提升机等决策树集成方法普遍取得优于核方法的精度,深度学习技术则在某些任务中取得更优于集成学习的精度。未来,有待检验机器学习技术特别是深度学习技术在更多农业气象问题上的适用性和先进性,更好地迎接现代农业气象发展的新挑战与新机遇。     

全国农业气象资料数据模式的研制

在分析我国农业气象观测资料现状与特点的基础上，提出了制定“全国农业气象资料数据模式”必须遵循的基本原则，即以1993年版的《农业气象观测规范》为依据、以现行“农业气象观测记录年报表”的内容为基础、符合气象行业标准编写要求、具有延续性与可扩展性、面向现代化数据管理和应用服务等，对数据模式的结构和主要技术特点也进行了比较详细的论述。数据模式的研制将有助于现存的农业气象报表资料的数字化以及今后农业气象观测数据的采集、传输和处理自动化的实现。     

民用航空气象观测综述

介绍了民用航空气象观测这一全球大气监测网中的重要观测平台的发展历史，航空气象资料的特点及其在气象业务与大气科学研究中的应用现状，详细分析了航空气象资料的获取、优势、存在的局限和未来的改进方向。指出民用航空飞机观测这一常规大气探测手段具有广阔的应用前景，受到了气象部门和航空业的共同重视，航空气象资料对提高天气预报准确率和气象服务水平将起到积极的促进作用，在未来的数值天气预报业务和大气科学研究中占据越来越重要的地位。     

内蒙古气象资料的质量控制体系及发展方向

气象观测资料是气象业务和气象研究的基础资源,各种数据序列质量的优劣直接影响着气象业务和气象研究的应用效果、准确性和可靠性。随着内蒙古气象局气象业务技术体制改革的不断深入,各种气象观测资料信息量不断增长,资料采集、数据传输、数据加工处理、信息服务和数据存储各个环节的质量控制必须进一步加强。文章系统地阐述了内蒙古气象资料质量控制体系的现状和资料观测、数据传输、统计处理等各个环节的质量控制方法,并描述了气象资料质量控制体系的发展方向。     

基于深度学习改进数值天气预报模式和预报的研究及挑战

随着高分辨率数值天气模式以及新一代地球观测系统的发展,气象领域的数据量在迅速增加,为天气和气候的理论研究和业务应用提供了丰富的信息,同时也对传统的数据处理方法及天气分析和预报技术带来了新的挑战。深度学习具有从大量的高维时空分布气象数据中提取复杂时空特征的能力,且具备计算效率高、可迁移性强、协同性和灵活性优的特点。目前深度学习已经在对流短时临近预报、极端事件检测和改进数值天气模式及其预报误差订正等方面得到了较为广泛的研究。首先概述目前气象领域所应用的深度学习方法和模型,然后聚焦介绍和讨论数据驱动的深度学习在理论驱动的数值天气预报模式方面的应用。深度学习在数值天气预报模式的资料同化、次网格物理过程参数化、数值天气模式后处理等方面展现出很好的应用前景,但仍需要进一步改善深度学习模型的可解释性和不确定性量化问题。构建数据驱动的深度学习和理论驱动的数值天气模式混合模型,发挥深度学习和数值天气模式的协同作用,将是进一步改善数值天气预报能力的新途径。     

海洋船舶气象观测信息有关情况调研报告

海上船舶气象观测是全球气象观测系统的重要组成部分,是提高气象预报预测准确率和公共气象服务能力和水平的重要基础之一。开展海上船舶气象观测信息收集、传输、处理与应用工作,是贯彻落实中国气象局党组关于发展现代气象业务重大战略部署的具体体现,是加强综合气象观测业务,提高气象预报预测和公共气象服务能力和水平的重要途径之一。     

基于Hadoop的数值预报产品服务平台设计与实现

数值预报产品数据与日俱增,采用传统的关系型数据库对其进行存储和管理存在效率低和存储能力不足的问题。另外,基于文件的存储方式在数据存储处理、数据读取和算法计算等方面存在性能瓶颈。针对这一问题,基于Hadoop技术体系设计了分布式的数据存储模型,实现了数值预报产品数据的分布式存储和处理,开发了数值预报产品数据接入处理模块;并实现了基于Rest Web Service的获取数值预报产品要素场数据访问接口、时间序列数据访问接口、数据下载接口等业务应用接口。多业务用户的实际业务测试表明, 该平台在诸如数值预报产品气象数据处理和业务应用方面较传统技术架构具有一定优势。     

一种地市级气象数据库的设计与应用

面向地市级气象业务数据库系统存在的数据管理分散、数据流程不统一等问题,以气象数据为核心,从标准化、规范化数据库建设的角度,提出一种气象数据库系统架构与设计方法。从逻辑结构、物理存储方面对气象数据进行划分,设计了气象数据的物理存储模型和数据统一访问规范。基于RabbitMQ消息中间件和元数据技术实现了多种气象观测资料的采集、传输、入库、备份的统一处理。通过消息数据与元数据的映射关系,增强了多源气象数据处理的灵活性和可扩展性。该系统已经投入业务使用,为气象数据管理和公共服务提供稳定、高效的数据支撑,取得较好的应用效果。     

机器学习在强对流监测预报中的应用进展

近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。     

人工智能技术在数值天气预报中的应用

当前,人工智能迎来第3次发展浪潮并在多个领域大数据分析中取得巨大成功,这为人工智能技术与数值天气预报结合提供了契机.已有大量研究尝试将人工智能技术用于数值天气预报的初值生成、预报和产品应用过程中,涉及观测资料预处理、资料同化、模式积分、后处理以及高性能计算,通过误差估计、参数估计和局部代理等手段使预报结果,得到改进且计...     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。     

人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。      

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3~12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。     

人工智能技术气候预测应用简介

近年来,随着人工智能技术在多个领域大数据分析中的应用,许多研究工作者尝试将地学研究与人工智能跨学科结合,取得了很多新的进展,推动了地球科学的发展。其中气候预测与人类生活以及防灾减灾等息息相关,准确的气候预测至关重要。本文简要总结了人工智能技术在气候预测应用方面的研究进展,包括资料同化、模式参数化、求解偏微分方程、构建统计预测模型、改进数值模式产品释用等领域。这些研究证明了利用人工智能提高气候预测技巧的可能性和适用性,可以极大地节省计算成本和时间。然而人工智能应用也存在诸多挑战,例如数据集的构建、模型的适用性和物理可解释性等问题,对这些难点问题的研究和攻克,可以让人工智能在大数据时代中更好地补充传统地球科学方法,产生更多有益的效应,极大地改进气候预测水平。     

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。     

多种机器学习方法在京津冀地区低能见度天气预报中的应用

利用2017—2021年的ERA5再分析资料和京津冀国家站地面资料,结合多种机器学习方法建立预报模型,开展轻雾、大雾客观预报。探讨了再分析资料、地形因素的影响,并结合多模型集成、统计消空进一步优化模型。结果表明:(1) XGBoost (eXtreme Gradient Boosting)、LightGBM (Light Gradient Boosting Machine)、随机森林等集成学习方法的预报效果均优于决策树方法;(2)在引入ERA5再分析资料、地形建模后,XGBoost、LightGBM模型的预报性能显著提高。相比仅使用地面要素建模,大雾预报的TS (Threat Score)提升了30%、32%,达到0.52、0.49,命中率分别为0.62、0.87。此外,经过多模型集成后,轻雾、大雾预报的TS提升到了0.51、0.54;(3)2022年秋季一次大雾过程中,本方法提前72 h准确预报了京津冀地区的大雾,其中以LightGBM模型表现最好。0~72 h轻雾预报和0~36 h逐小时大雾预报的TS均达到0.3,预报准确率、时效性均优于ECMWF (European Center for Medium Weather Forecasting)模式。