2008年北京奥运会沈阳极端天气事件气候背景分析

利用1951～2005年沈阳7月下旬至9月上旬的日最高气温、降水量、风和天气现象等观测资料,分别以旬为单位统计了高温、暴雨、大风、大雾和雷暴等对体育竞赛影响较大的极端天气气候事件发生的概率及分布特点,以期为2008年北京奥运会足球沈阳分赛场的足球小组赛提供气候背景服务信息。结果表明:7月下旬至9月上旬,沈阳易出现高温、暴雨、大风和雷暴等不利天气,对举办足球比赛等赛事将会产生不利影响;相对而言,8月中旬至9月上旬期间,这些不利天气发生的概率较小,对举办足球比赛等赛事较为有利。     

北京等6城市奥运期间不利天气的概率统计

基于1954—2003年我国北京、青岛、秦皇岛、天津、沈阳和上海6城市高温、沙尘、雾、雷暴、大风和暴雨等日值资料,根据统计学理论和原理,对2008年奥运会比赛期间可能出现的各种不利天气的概率进行了统计分析。结果表明:在上述所有城市中高温、沙尘、雾、大风、冰雹和暴雨等天气发生天数均具有小概率事件的统计特征,而雨日和轻雾日数两种不利天气的发生频数较高,并且其概率分布函数近似为Gamma函数。在此基础上对北京等6城市奥运会期间主要的小概率事件发生概率进行了估算,对于雨日和轻雾日数等,则给出了其出现日数的理论概率值。     

近39年海南岛极端天气事件频率变化

利用1966--2004年海南岛大风、暴雨、雷暴、冰雹、高温、低温、霜冻、雾等极端天气事件的年发生日数资料，采用最小二乘法、Mann—KendaⅡ法及Modet小波等方法诊断分析其变化特征。结果指出：大风、雷暴和雾日呈显著减少趋势，并分别于1992年、1984／1985年、1983／1984年之交发生突变；高温、暴雨趋频及低温、冰雹、霜冻频数总体趋少变化不显著，其中，冰雹、霜冻基本处于少变的稳定态势。高温、雷暴存在阶段性中高频周期，其他极端天气则存在长期和阶段性中低频周期；冰雹日数的变化周期趋于变短，其余极端天气则有周期变长趋势。初步说明海南极端天气事件频率变化与气候变暖有一定的内在关系。     

北京奥运期间极端天气气候事件背景分析

利用北京市 1 951～ 2 0 0 1年 51年 7月下旬至 9月上旬的日最高气温、降水量、风、天气现象等观测资料 ,分别以旬为单位统计了高温、洪涝、大风、大雾、雷暴等对体育竞赛影响较大的极端天气气候事件发生的概率及分布特点 ,以期为 2 0 0 8年北京奥运会提供极端天气气候事件发生的气候背景资料。     

近12年北京暖季对流天气的气候特征

对北京地区1994～2005年暖季(5～9月)雷暴、冰雹、暴雨和大风等各种对流天气进行了气候统计和分析。统计结果表明:北京地区暖季发生对流的概率很高,按日数统计的气候概率达47.77%,有雷暴相伴的强对流天气大风、暴雨和冰雹气候概率分别为27.29%、10.84%和6.29%。另外,北京地区对流天气一般可连续出现3 d,强对流天气也可连续出现2 d。北京地区对流季节长达4个月,其中6、7、8月为主要的对流月,这三个月中雷暴发生的气候概率均超过50%。暴雨多发季节为7月中旬到8月上旬。冰雹集中于6月中、下旬。在对流天气的地理分布上,北京西北部、东北部山区及西南部山区多对流天气,中心区和东南部平原地区对流天气较少。暴雨呈西南-东北方向带状分布,东北部山区、中部和东南部平原地区多发生暴雨,而西北部和西南部山区很少发生暴雨。山区冰雹明显多于平原。西北部和东北部山区大风偏多,西南部霞云岭大风最少。暴雨有明显的夜发性,即夜间次数多,降水量更大。冰雹集中发生在午后到傍晚,占冰雹总站次的76.72%。夜间发生冰雹的概率非常小,上午到中午也不多。     

北京地区暖季对流天气的气候特征

对北京地区最近12年暖季(5—9月)雷暴、冰雹、暴雨和大风等各种对流天气进行了气候统计和分析。统计结果表明:北京地区暖季发生对流的概率很高,按日数统计的气候概率达47.77%,大风、暴雨和冰雹气候概率分别为27.29%、10.84%和6.29%。暴雨多发季节为7月中旬到8月上旬。冰雹集中于6月中、下旬。在对流天气的地理分布上,北京西北部、东北部山区及西南部山区多对流天气,中心区和东南部平原地区对流天气较少。暴雨呈西南—东北方向带状分布,东北部山区、中部和东南部平原地区多发生暴雨,而西北部和西南部山区很少发生暴雨。山区冰雹明显多于平原。西北部和东北部山区大风偏多。暴雨有明显的夜发性。冰雹集中发生在午后到傍晚,占冰雹总站次的76.72%。     

阳泉市主汛期极端气候事件演变特征

利用1972年-2008年阳泉6月-8月的珏最高气温、降水量、风和天气现象等观测资料,分别统计了高温、暴雨、冰雹、雷暴和大风等极端气候事件发生的概率及分布特点,以期为探索阳泉气候变化的规律和研究方法做出较好的尝试.     

近48a安顺市极端天气事件频率变化

利用1961—2008年安顺市大风、暴雨、雷暴、冰雹、高温、低温、霜冻、雾等极端天气事件的年发生日数资料,采用最小二乘法、M ann-Kendall法等方法诊断分析其变化特征。结果表明:大风、雷暴和低温日呈显著减少趋势,并分别于1972、1984和1986年发生趋势突变;高温、暴雨增多趋势及冰雹和霜冻频数总体趋少变化不显著,其中,冰雹基本处于少变的稳定态势。雾日有增加的趋势,平均10 a增加0.8d。从低温、雷暴、大风、霜冻明显减少的时段来看,其变化与20世纪80年代中期以后的安顺市显著增暖有一定关系。     

莒县极端天气气候事件分析

利用1951-2005年莒县气象资料，统计了干旱、冰雹、暴雨、大风、高温、冻害、雷暴、大雾、雾凇、雨凇等极端天气气候事件的出现频率分析其演变趋势。结果显示：干旱频率明显增加，暴雨、大风、雷暴频率明显减少，大暴雨频率有增加趋势但不明显，高温、冰雹、低温冻害、大雾、雨凇、雾凇有减少趋势但不明显。     

屯昌县极端天气事件变化特征

利用线性倾向估计、Yamamoto等方法诊断分析屯昌县1961~2007近47a的大风、暴雨、雷暴、高温、雾等极端天气事件的年频数变化特征。     

十一运会各赛区气象灾害风险评估

利用山东省17个比赛城市1971—2007年8—10月的逐日气象资料,用统计方法对各种灾害性天气进行了风险评估。结果表明:十一运会期间有9种气象灾害,不同月份的气象灾害风险有差异,其风险等级由高到低依次为:8月雷电、暴雨、台风、大雾、冰雹、大雨、高温、大风;9月雷电、大雾、大风、暴雨、大雨、连阴雨、台风、高温和冰雹;10月大雨、大雾、大风、连阴雨、暴雨、高温、冰雹、台风。开幕式、闭幕式日发生上述气象灾害的概率很小。评估结果在十一运会气象保障中得到应用。     

近50年来乌兰乌苏多种天气事件变化特征研究

利用乌兰乌苏镇1964～2012年的气象资料,选取逐年平均气温、极端最高气温、极端最低气温、大风、雷暴、沙尘暴、沙尘天气及大雾、轻雾天气出现的天数作为分析对象,运用3年移动平均法、回归分析法、非参数检验方法的Mann-Kendall趋势检验和突变检验法以及小波分析法,进行了多种天气事件的年纪变化趋势分析.结果表明：（1）大雾天气的发生日数呈增加趋势,沙尘天气、沙尘暴天气、轻雾天气、大风天气和雷暴天气的发生日数都呈减少趋势,其中大风天气发生日数减少趋势最为明显.（2）平均气温、年极端最高气温、年极端最低气温、大雾天气、轻雾天气、沙尘暴天气、雷暴天气和沙尘天气在研究时段都出现了突变,且平均气温、轻雾天气、沙尘天气和雷暴天气在突变之后不久都达到了极显著的上升或者下降变化趋势.（3）平均气温、年极端最低气温、年极端最高气温、大雾天气、雷暴天气和大风天气有明显的周期性,但是不同的气象要素周期性长短是不同的,沙尘、沙尘暴和轻雾天气则没有明显的周期性.     

1956—2019年昌北国际机场高影响天气变化特征

基于1956—2019年参证气象站记录的雷暴、闪电、暴雨、高温、低温、雾和霾等气候资料,利用常规气候统计及Morlet小波方法对影响昌北机场安全运营的高影响天气事件演变及周期变化规律进行统计分析。结果表明:1)雷暴多出现于春夏季,年均雷暴日数为49.8 d,呈波动下降趋势。2)春夏季闪电高发,且夏季机场附近存在较明显的闪电集中区域,闪电高频时段为13—20时,最高峰为15时。3)年均暴雨、大暴雨日数分别为5.0 d和0.8 d,呈缓慢增长趋势,暴雨集中在4—8月,大暴雨集中在4、6月,二者均在6月份最多。4)夏季高温日数呈缓慢增加趋势,7月份最多,8月份次之;冬季低温日数呈明显下降趋势,1月份最多,12月份次之。5)年均霾日数大于雾日数,霾多发于秋冬季,雾集中在冬春季,均于12月最常发生。6)冰雹、积雪、结冰、冻雨、沙尘、龙卷风等破坏性天气发生频次较小,但不应忽视此类天气的防范工作。7)暴雨、低温及高温日数均存在准2 a的周期变化。     

基于观测事实的四川天气现象发生空间分布特征

利用四川省145个气象台站1981～2013年连续人工观测资料,对34种天气现象发生日数和概率进行统计。结果表明:除极光外,四川省共观测到33种天气现象,露和轻雾日平均发生频率大于40%;雨和阵雨日平均发生频率大于20%;结冰、霜和雷暴日平均发生频率大于10%。露、霜、结冰、雷暴、闪电、大风、积雪、雨、阵雨、雨夹雪、雪11种天气全省各站均有发生,而雨凇、雪暴、吹雪、龙卷仅在个别站点发生。液态降水、雾、轻雾、霾、浮尘、烟幕、露均是盆地内多于高原,而混合降水、固态降水、扬沙、沙尘暴、吹雪、雪暴、雷暴、霜、大风、结冰、积雪、冰针、龙卷、尘卷风则是川西高原多于盆地。      

江西不同类型强对流天气的地闪统计特征及与雷达回波特征对比分析

选取2004—2014年江西省11个ADTD雷电探测定位组网系统所得云地闪探测数据、省内多普勒雷达、探空和自动站资料,并结合重要天气报,将此11年的强对流天气分成短时强降水、有短时强降水伴随的雷雹大风和冰雹(以下简称风雹)和无短时强降水伴随的风雹这三种主要类型,分析它们发生前后的地闪活动特征及其与雷达回波的关系,结果发现,(1)江西省短时强降水、雷暴大风和冰雹分别主要发生在5—8、7—8月和3月;仅发生短时强降水时的站次远多于发生风雹天气时;除早春和盛夏无短时强降水伴随的雷暴大风发生站次较多外,风雹天气常与短时强降水相伴发生。(2)仅有短时强降水天气发生时,其站点地理位置越偏北、小时雨量越大,对应的地闪活动就越剧烈。不同小时雨量对应的地闪数存在较明显的季节性差异,表现为3、4月地闪数以小时雨量为50~55mm时最多;5—7月地闪数随着小时雨量增大总体呈增多趋势,尤以小时雨量为55~60mm时最多;8—9月则以小时雨量为40~45mm时最多。(3)就无短时强降水伴随的风雹天气而言,在3—5月雷暴大风和冰雹发生前30min内的地闪数差异不大,但平均电流强度后者大于前者;在6—9月雷暴大风发生前30min内的地闪数则为冰雹发生前的2~4倍,平均电流强度前者大于后者;该类风雹发生前的地闪数多于仅有短时强降水发生前,正地闪的平均电流强度前者也略强。(4)有短时强降水伴随的风雹发生前的平均正地闪数以8月为最多,而负地闪数则在6月最多;冰雹发生前1h内的地闪数随季节变化不大,而雷暴大风发生前的地闪数存在季节差异,夏季多于春季;另外冰雹的地闪数与冰雹直径存在较好的正相关性。(5)3—8月,有短时强降水伴随的风雹地闪数远多于无短时强降水伴随时;其平均电流强度前者大于后者;该类风雹天气发生前,地闪平均电流强度随季节呈先增大后减小的趋势,而无短时强降水伴随的风雹天气则无此特点。(6)强对流天气发生前,较强回波出现前的负地闪活动远比正地闪活跃,但其电流强度弱于正地闪;45dBz以上回波伸展高度越高,伴随的地闪数也越多,但其平均电流强度变化不明显。     

强对流天气人工智能应用训练基础数据集构建

基于业务观测、历史灾情及互联网媒体等多源数据整编形成强对流天气人工智能应用训练基础数据集（Severe Convective Weather DataSet for AI application,SCWDS）。SCWDS包括2012—2019年中国大陆区域的雷暴、雷暴大风、短时强降水、冰雹及龙卷5种强对流天气,共184865个个例（站次）,9256405个样本,每个样本包含强对流天气过程标注及对应时空窗口范围内的地面观测数据、探空数据、闪电定位数据、雷达基数据、卫星多通道数据和再分析产品等。雷暴、短时强降水、冰雹主要出现在6—8月,雷暴大风主要出现在4—5月,龙卷主要出现在6—8月和4月。短时强降水发生时间呈03:00—04:00（北京时,下同）和15:00—16:00时段双峰分布,雷暴、雷暴大风、冰雹、龙卷主要发生在13:00—19:00时段。雷暴主要出现在华南、江南及青藏高原、云贵高原,雷暴大风主要出现在华北北部及江南沿海,短时强降水主要出现在西南、华南、江南及黄淮江淮地区,冰雹主要出现在青藏高原、云贵高原及华北北部。SCWDS作为机器学习模型训练的基础数据,为强对流天气智能识别和预报应用提供数据支撑。     

南宁市极端天气气候事件频率和强度变化

采用南宁市城区1951~2005年的月降雨量及暴雨、高温、大风、雷暴、大雾的年日数资料,统计干旱、暴雨、高温等极端天气气候事件的出现频率、强度,应用低通滤波和线性倾向估计方法,分析极端天气气候事件出现频率的演变趋势。结果显示,55年来,南宁市城区干旱频率变化率为0.0127%/10a,呈平稳变化趋势,但强度增大;暴雨日数变化率为0.276d/10a,呈增多态势,大暴雨频率为0.275%/10a,呈增大趋势;高温频率线性倾向为0.1%/10a,呈平稳趋势变化;大风、雷暴、浓雾频率的线性倾向分别为-0.5%/10a,-0.13%/10a和-0.3%/10a,均呈显著减小趋势。     

基于新一代天气雷达产品闽西南强对流天气临近预报方法研究

利用2003—2008年福建龙岩新一代天气雷达资料和常规探空资料,对闽西南历史冰雹及闽西雷雨大风天气发生的环境条件进行统计分析,建立历史冰雹和雷雨大风天气过程对应的新一代天气雷达产品判别指标。利用判别方程、新一代天气雷达产品和探空资料联合开展强对流天气临近预报预警方法研究：首先利用Fisher判别分析方法建立冰雹天气的判别方程,主要用于冰雹天气的判断,再利用雷雨大风的判别指标对雷雨大风和强雷暴天气进行第二次判别。通过历史过程的回报和2009年的试报表明：该系统对闽西南冰雹天气预报准确率较高,雷雨大风准确率次之。同时,利用风暴单体识别与跟踪的预测方法对冰雹预报结果和实况进行统计,表明风暴单体识别和跟踪算法（SCIT）预报准确率较高,可以用于风暴未来移速移向的预报。