能见度自动仪与人工观测资料对比分析

根据国家气象中心制定的《对比观测期间监测资料评估技术方法》,对2008年嘉兴气象观测站能见度仪资料与人工观测能见度进行对比分析,结果表明,能见度仪资料与人工观测值在低能见度多发季节(秋、冬、春季)相关较好,而夏季(能见度总体较高)则相反。对能见度进行分级后的比较得出,低能见度(2km)时能见度仪观测效果较好,和人工观测值之间的对比差值及粗差率低、一致率高,具有很好的代替作用,而随着能见度的逐渐升高(2～5 km,5 km),两者之间的差距加大,能见度仪的可替代性降低。最后通过比较两种数据的各项统计指标发现,能见度仪数据序列离散度较低,精密度及精确度都要高于人工观测值,通过订正后未来有望取代人工观测。     

饶平站能见度仪器测量与人工观测对比分析

利用饶平站2011年1-12月定时人工观测能见度资料,对比Belfort M6000能见度仪测得的能见度数据,分析表明:M6000能见度仪器测值与人工观测值在0～20 km两者相关性高,随着能见度的增大两者差距也越大;能见度仪器测量相比人工观测具有高精度、数据客观、不受人为因素影响等特点;人工观测能见度观测范围广,观测所得为周围大气平均状况,在大气不均匀下误差较小;出现视程障碍天气现象时M6000能见度仪测量值在空气中含有高水汽、液态水的情况下比人工观测能见度值明显偏小.     

Model 6000型前向散射能见度仪性能评估及数据订正

介绍了器测能见度测量仪器的分类与测量原理。通过对目前珠江三角洲布网观测的前向散射式能见度仪的原始信号进行分析,探讨影响能见度测量性能的主要因素。结果显示:发射能量与气温呈反相关,在数据处理中可以通过归一化处理去掉其影响;背景噪声的波动具有明显的日变化,主要受光辐射的影响,安装能见度仪时应注意方向和位置,尽量减少背景噪声,提高仪器信噪比。通过能见度仪测值和人工观测值的比较分析表明:两者的变化趋势基本一致;在能见度小于15 km时,量值比较吻合;在能见度大于15 km时,器测值明显大于人工观测值;利用统计方法对器测值作数据订正,能有效减少高能见度的测量误差。利用激光雷达反演能见度,将其反演值与能见度仪测值进行比较,表明两种探测方法具有较高的相关性。     

前向散射能见度仪测试模拟环境与试验

能见度是气象、环境和交通观测重要要素,目前不同原理和型号的前向散射能见度仪没有统一的测试环境和定标标准,导致测量结果差别大。为实现前向散射能见度仪统一测试环境,研制了雾环境模拟舱,采用造雾器和净化器组合实现能见度10m到50km模拟。寻找模拟舱内空气均匀度监控方法,消除由空气不均匀带来的误差。测试不同型号的前向散射能见度仪和相同型号能见度仪,结果显示不同型号能见度仪测量值差别大于一倍,同一型号的能见度仪测量值相对误差在±5%内。尝试不同型号能见度仪修正方法,并且验证修正方法可行,修正后的不同型号仪器相对误差在±10%内。     

神经网络方法在环渤海能见度预报中的应用分析

本文基于2001—2015年中国气象局地面常规气象观测数据及NECP再分析资料,采用BP神经网络方法构建环渤海沿海城市能见度预报模型,利用2016年ECMWF集合预报数据基于预报模型进行能见度预报实验,并与ECMWF集合预报产品中现有能见度预报结果进行对比分析。分析表明:该方法对于环渤海沿海城市能见度预报的预报效果明显高于ECMWF集合预报中的能见度预报,12～72 h预报时效中,最小值对应1 km以下能见度的TS评分为0. 36～0. 43; 10 km以下能见度预报误差显著降低,与离散度的对应关系较好。因此,该方法对低能见度天气过程的能见度预报具有指示意义。     

地基可见光全天空云图云量图像处理识别方法

为增强地基可见光全天空云图中云与天空的特征和区别,提高云检测率,基于图像复原和图像增强技术提出一种改善云图质量的方法。该方法采用暗通道去雾算法进行图像复原;采用亮度直方图均衡增强图像纹理细节;综合两种方法,先图像复原,再图像增强。按低能见度薄云、低能见度厚云、高能见度薄云、高能见度厚云4种情况分别进行讨论,结果表明:除高能见度薄云采用单一的图像复原使云检测效果降低外,图像复原和图像增强都能使云检测和云量识别准确率提高;综合二者,云检测和云量识别准确率进一步提高;该方法对薄云和低能见度云图的改善最为显著。     

人工与自动大气能见度观测的对比分析

大气能见度是最重要的气象学指标之一,其准确观测对气象及相关领域具有重要意义。在实际观测中经常存在器测数据与人工观测数据差异明显的现象,用对比观测期贵阳国家基准气候站的大气能见度仪器观测与人工观测数据分析,结果表明:人工与自动观测数据还是有较好的一致性、相关性。大气无雾、污染环境下,人工观测存在主观差异,能见度观测值偏大,前向散射能见度仪自动观测结果稳定,观测数据接近大气能见度的真实值。在局部雾带、大气受污染环境下,人工观测能见度平均误差低于自动观测数据平均误差。在大气受污染环境下,前向散射能见度仪自动观测的能见度偏小。前向散射能见度仪自身的清洁度等因素对观测值起到了至关重要的影响,在仪器使用过程中应引起足够重视。     

降水对雾中能见度参数化的影响

雾的能见度是雾滴数浓度和含水量的函数,可以利用雾滴数浓度和含水量进行参数化得到能见度拟合值。但是当雾中有降水存在时,降水会影响雾滴数浓度和含水量,进而影响能见度参数化。2009年1月19日至3月5日在湖北恩施雷达站进行了包括雾微物理特征、雨滴谱及雨滴末速度、能见度以及基本气象要素的观测。利用不同的能见度参数化公式得到能见度拟合值,并与实测值进行对比分析,考虑雾中降水影响时的能见度拟合值要比不考虑降水时的能见度偏差大,因此在有降水伴随雾产生时,降水的效应可忽略不计。同时,利用40％的雾滴谱观测数据建立了良好的模型用于拟合当地的能见度,并利用Gultepe公式得到相应的参数,对当地的能见度进行了计算和预报。     

以黑体为目标的能见度参考标准试验研究

黑体为目标的能见度测量是从科西米德定律出发,通过工业相机对黑体目标物进行拍摄,建立黑体和背景天空的数学模型,求得能见度。分析表明:当能见度小于30 km,黑体黑度和CCD(change-coupled device)工业相机的面非均匀性对该方法测得的能见度造成的误差约为3.7%。该方法与前向散射能见度仪测量进行对比,能见度变化趋势上具有一致性;但在高能见度时,黑体能见度测量值大于前向散射能见度测量值,低能见度时,黑体测量值小于前向散射能见度测量值。     

自动能见度数据类型及其质量控制方法

自动能见度数据依据其不同的算法分为三类:1min平均能见度、10min平均能见度值、10min滑动能见度值。同类算法的自动能见度值不能出现矛盾记录,不同算法的能见度值可以有差异。用自动能见度值计算出的"人工能见度"不能直接服务客户。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆（LSTM）的气象预测方法。方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息。通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测。通过实验以及与经典机器学习预测方法的比较,验证了本文方法在气象预测中的有效性,进一步提升了气象预测的准确性,各项预测值的均方检验误差平均值为0.35。      

EMD在广西季节降水预报中的应用

气候系统是一种耗散的、具有多个不稳定源的非线性、非平稳系统。该文利用支持向量机(SVM)算法在处理非线性问题中的优越性和经验模态分解(EMD)算法在处理非平稳信号中的优势,采用将EMD与SVM相结合的短期气候预测方法,并应用到广西季节降水预报中。选取广西88个气象观测站1957—2005年6—8月逐年降水量的距平百分率序列作为试验数据,通过EMD算法将标准化处理后的距平百分率序列分解成多个本征模态函数(IMF)分量和一个趋势分量,在分解中针对EMD算法存在的端点极值问题选择两种方法分别进行处理,对比得出极值延拓法效果更好。对每个分量构建不同的SVM模型进行预测,并通过重构形成最后的预测结果。试验中采用不经EMD处理的反向传播(BP)神经网络和SVM算法进行对比验证,结果表明:相对于直接预测方法,该文提出的方案均方误差最小,能够较为准确地反映出降水序列未来几年的变化趋势,具有更高的预测精度和较好的推广前景。     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

BP神经网络在油菜花期预报中的应用

建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。     

银川河东机场小样本雷暴分类客观预报方法研究

利用2000—2016年欧洲中心再分析资料、探空及地面自动气象站观测资料,根据天气过程的强度和对应物理量,分别对银川河东机场雷暴伴随大风、降水等不同天气现象类别进行定量化转换,采用峰度偏度系数、χ~2以及Q-Q图3种方法对定量转换的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。利用逐步回归、多元回归、非线性回归、BP人工神经元网络以及支持向量机5种方法,分别建立了雷暴现象与强度预报模型。结果表明:BP网络以及SVM对天气现象的预报能力较强;分类逐步、多元以及非线性回归模型分别对弱雨、强雨以及大风和降雨同时发生的天气强度预报效果较好。并在此基础上通过最优分析设计了河东机场不同种类雷暴天气定性和定量预报相结合的业务系统。     

时问序列动态学习率神经网络模型及其初步试验

神经网络在气象上的应用往往是采用固定学习率的BP算法建模,学习过程易出现振荡现象和网络存在冗余连接等缺陷,基于此对神经网络进行了改进。利用时间序列分析方法对样本数据进行处理,用改进后的神经网络对时间序列样本数据进行训练预测,创建了时间序列动态学习率神经网络模型。最后用库车县1997—2007年四季的平均气温值作样本数据进行训练,其训练精度和拟合度都达到很高的标准,用该模型预测了库车县2008年的气温。通过实例证明这个模型在气象预测领域有一定的实用价值。     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。      

一种基于实景图像的低能见度识别算法

为了利用大量视频监控设备提高能见度数据采集密度,提出一种基于实景图像转换的、采用简单卷积神经网络分类提取能见度等级的算法。该算法假设视频设备水平安装且具备开阔视野, 对原始视频图像进行水平分块,提取各分块的梯度、饱和度和亮度信息组成新的图像,基于简单卷积神经网络建模。采用2019年9月—2020年12月上海洋山港气象站29668张视频图像进行训练,建立识别模型,并采用2021年1—5月5757张视频图像对模型进行测试。采用该算法建立的模型参考雾的预报等级(GB/T 27964—2011)将能见度分为5个等级进行检验,白天准确率为87.99%,夜间准确率为81.32%,优于直接采用AlexNet模型。对1000 m以下低能见度天气的识别准确率达95%以上。利用现有的视频摄像头,可有效弥补气象站点能见度仪数据不足的问题,在气象业务上有一定的应用价值。     

重庆市区雾的天气特征分析及预报方法研究

分析了重庆市区雾的特点、天气特征及温、湿等气象要素垂直分布特征,利用重庆站的观测资料选取适当的诊断因子,采用动态学习率BP算法的人工神经网络对重庆市区能见度进行了拟合和预报检验。研究表明:55年以来,重庆年雾日数总体呈逐年下降趋势,同时轻雾日数急剧上升,这种变化可能主要与城市热岛效应增强和空气污染状况加重有关;发展成熟的辐射雾大多具有逆温的稳定结构,雾顶上下温度、湿度存在明显跃变特征;神经网络模型具有较强的自适应学习和非线性映射能力,对能见度为0~1 km雾的报出率为83%,Ts评分达到69%,平均预报误差为0.384 km。除常规气象要素外,通过M指数、Ri数、凝结核、辐射状况和其他物理量的引入,以及对因子网络输入值的技术处理,明显提高了神经网络对雾尤其浓雾的预报能力,其对能见度在0.4 km以下浓雾预报的Ts评分可达89.5%。模型结果对重庆市区雾的预报具有良好的参考价值。