中国地基GNSS/MET水汽产品质量控制及与再分析产品的对比评估

本文研究并提出中国地基全球导航卫星系统（GNSS）水汽产品的综合质量控制（CQC）算法。CQC算法由质量检查和综合决策两个环节组成。质量检查环节主要对待检观测数据与其参考数据的差异进行分析,包括界限值检查、考察时间一致性的临近点检查和低通滤波检查,考察空间一致性的邻近站检查、距平值检查和峰谷值检查,以及基于背景场的粗大误差检查等7个模块。每个检查标记出超过阈值的观测数据,随后利用综合决策算法对数据的标记情况进行综合评分,最终给出数据的质量控制码。基于质量控制后的数据,评估了中国第一代全球大气再分析产品（CRA）、ERA-Interim和ERA5等五套再分析数据在中国地区的水汽模拟效果。结果表明几套再分析资料模拟的大气可降水量（PWV）在冬季整体略高于观测,夏季则明显低于观测。在空间上,中国南方地区和西部地区模拟的PWV低于观测,这种情况在夏半年更加明显。相对于观测,CRA的平均偏差（O?B）为0.633 mm,均方根误差为3.650 mm。CRA相对于观测的误差略高于ERA5,但略低于ERA-Interim,明显优于JRA55和NCEP2结果。     

面向同化的探空温度数据质控参数优化及误差特性分析

针对双权重标准差法对探空温度质量控制中阈值参数不确定的问题,提出了以正态波形指标偏度和峰度为判定依据的阈值Z参数优化算法。利用2017年福建3部探空温度资料和ERA5模式再分析温度数据,对探空温度增量数据进行不同数据集质控前后对比分析总结出：峰偏值C_KS随阈值Z的分布曲线表明阈值Z偏大则会造成质控不完全,阈值Z偏小则会造成过度质控;以峰偏值C_KS所确定的最优阈值Z双权重标准差法比固定阈值的更符合模式同化系统正态分布要求,为探空温度数据在模式同化的应用提供了更好的质控方法。在质控前后温度增量分布特征上,温度观测增量总是以某一固定增量值在整个气压高度上剔除离群值,其中57.15%的离群点主要分布在0～100 hPa范围内,42.85%的离群点均匀分布在100～1000 hPa范围内,其中0～100 hPa范围内温度增量绝对值大于10℃的异常点是由于温度传感器受太阳辐射等因素影响超出了正常探测误差范围,这些异常点可以在质控前提前剔除,进一步提升探空温度数据质量。     

自动气象站与人工气象站观测的气压差异分析

文章利用赤峰站和开鲁站2008年自动气象站和人工气象站平行观测期间本站气压的对比观测数据,对两种不同的资料进行了对比分析,结果表明:自动气象站与人工气象站的气压不满足正态分布,赤峰气象站人工观测数据比自动观测平均偏高0.26hPa,开鲁站人工观测数据比自动观测平均偏低0.01hPa。     

四川探空秒级数据质量控制

基于L波段探空综合观测的逐秒数据制定了秒数据质量控制方法,对每次探空综合观测结束后的秒级数据文件进行大段数据缺失检查、瞬时值检查、施放点订正检查、放球时间订正检查、高度差检查、气温变率检查、气压变率检查、相对湿度变率检查、仰角变率检查、方位角变率检查、斜距变率检查、升速检查、终止点检查和僵值检查。通过该方法对四川2016年探空秒级数据文件进行质量控制,发现该质量控制方法可以很好地检查出L波段探空综合观测秒数据的错误。质控结果表明:通过高度差检查的放球次数仅有1105次,通过斜距变率检查的放球次数有2221次,方位角变率检查、气温变率检查、仰角变率检查有六至七成的通过率,施放点订正检查、放球时间订正检查、湿度变率检查有近九成的通过率,剩余检查通过率在九成以上。综合总的可疑信息数量和全年平均至1次放球提出的疑误数量,探空秒数据中不正常斜距出现频率较高,雷达计算高度与压高公式计算高度超阈值情况较多,其它检查发现的疑误相对较少。     

高频探空温度和风速的质量控制方法研究（英文）

针对中国高分辨率探空资料,本文提出了一种计算气候学界限值的方法以满足业务中对资料进行质量控制的需求.首先在垂直方向上将整个大气划分为64层,将落在每层范围内的观测数据都收集到一起进行排序并计算百分位,在此基础上通过比较不同百分位廓线值来获得气候学界限值.除了业务台站,本文还使用了TIPEX-III的探空数据来验证本方法在科学试验数据中的应用效果.评估表明,应用气候学界限值可以有效检测到业务站和试验站观测数据中的粗大误差;百分位廓线则可以清晰的体现出探空观测的整体变化特征并揭示出误差的整体分布范围.     

高频探空温度和风速的质量控制方法研究

针对中国高分辨率探空资料,本文提出了一种计算气候学界限值的方法以满足业务中对资料进行质量控制的需求.首先在垂直方向上将整个大气划分为64层,将落在每层范围内的观测数据都收集到一起进行排序并计算百分位,在此基础上通过比较不同百分位廓线值来获得气候学界限值.除了业务台站,本文还使用了TIPEX-Ⅲ的探空数据来验证本方法在科学试验数据中的应用效果.评估表明,应用气候学界限值可以有效检测到业务站和试验站观测数据中的粗大误差;百分位廓线则可以清晰的体现出探空观测的整体变化特征并揭示出误差的整体分布范围.     

随机误差传递的高空气象秒级数据快速校验方法

【目的】为保证气象预报结果的准确性。【方法】提出了考虑随机误差传递的高空气象秒级数据快速校验方法。对高空气象秒级数据进行预处理,包括数据中心化处理、特征点提取。数据中心化的处理方式为实施各组数据的加权平均处理,获得新的数据组作为基准数据;特征点提取使用的处理方法为遍历法,需要遍历全部数据点。考虑数据获取过程中的随机误差传递情况,对预处理后的高空气象秒级数据实施空间一致性检查、内部一致性检查。应用集合经验模态分解EEMD（Ensemble Empirical Mode Decomposition）算法与对比源反演CSI(Contrast Source Inversion)算法构建基于CSI-EEMD的高空气象秒级数据快速校验模型,实施数据得到快速校验。【结果】测试结果表明,该方法能够实现4个气象站数据的快速校验,校验结果的均方根误差与平均绝对误差均低于0.1,实现了数据的质量控制。【结论】将该方法应用于气象站数据校验中,可以实现精准度的数据校验,具有一定的实用价值。     

全球地面气温和降水定时值数据整合与初步质量控制

全球地面气温和降水数据是开展气候变化研究的基础,定时值观测数据是气候监测的重要依据。本文基于美国国家气候数据中心的全球陆地小时数据集(Integrated Surface Hourly Database,ISD)和国际通讯系统数据(Global Transmission System,GTS)两种全球地面数据产品,对气温和降水要素定时值数据进行了实时整合,并采用空间一致性检查、内部一致性检查、气候界限值检查及台站极值检查等方法对整合后的数据进行了初步质量控制,最终形成了实时更新的全球地面气温和降水定时值数据产品。结果表明:2015年整合后的地面气温和降水数据共包含全球11 990个气象站点的定时值数据,气象站点分布基本覆盖全球各地区,与整合前相比,整合后各区域气象站点密度和气象要素数据量均明显增加,特别在亚洲、欧洲和北美洲地区数据量增加显著;整合后数据的准确率和疑误率分别为94.4%和5.6%,疑误数据主要分布在欧洲东北、亚洲及中国地区,造成数据可疑和错误的主要原因包括内部一致性矛盾、超过气候界限值等。     

随机森林模型判定热带气旋变性完成时间

气旋相空间作为一种判定变性热带气旋的客观方法得到了广泛应用,但采用不同分辨率的再分析资料计算的相空间参数值会有所不同,若采用固定的参数阈值将给判定变性时间带来误差。本文将热带气旋地理位置、中心气压和相空间参数组成因子向量,采用随机森林方法对1979—2016年间西北太平洋变性热带气旋变性完成时间进行判定。判定结果表明:随机森林在训练集中区分气旋为热带气旋或温带气旋的平均误判率为2.75%,判定变性完成时间和观测完成时间差异在6h以内的百分比为71.8%,测试集中差异6h内百分比为65.9%,差异在12h内百分比超过80%;因子重要性分析表明,纬度值对判定准确度的贡献最大;当变性完成时刻海平面气压较低时随机森林判定的变性完成时间滞后于观测时间,当海平面气压较高、低层冷暖平流较强时随机森林判定的变性完成时间超前于观测时间;在随机森林实例应用中,登陆型热带气旋"莫拉克"和疑难路径"狮子山"的判定结果和观测变性时间一致。     

三种经典夜间陆地雾遥感反演方法的适用性对比分析

相较于地面站点观测,卫星可以监测更大范围的夜间雾区分布,目前虽然已存在几种经典的夜间陆地雾遥感反演算法,然而其在我国大范围陆上的适用性尚不清楚。基于葵花8号（Himawari-8）静止气象卫星数据,分别利用双通道差值法、温度差值法及归一化大雾指数法反演了我国2016年1月—2018年12月的夜间陆地雾区,并用地面观测资料以鉴定成功评分、准确率、判识率和误判率为指标参数对雾区反演结果进行验证分析,讨论了三种反演方法的适用性。结果显示:1)三种夜间陆地雾反演方法在秋季和冬季反演效果最好,其中温度差值法的鉴定成功评分高、准确率高、误判率低,反演效果最好,双通道差值法的判识率高、误判率高,反演效果次之,归一化大雾指数法效果最差。2)三种方法对夜间陆地雾的反演在秋季和冬季的最佳适用区域略有不同,但都倾向于在平原和盆地达到最佳效果,如华北平原、长江中下游平原和四川盆地。3)两次雾过程的反演结果显示,温度差值法和双通道差值法对平原地区夜间雾的识别能力均较强,在具体雾过程反演中各有优势。     

综合一致性质量控制方法及其在气温中的应用

由于历史逐日气温资料在气候分析、气候变化研究中的基础性作用,其数据质量状况日益受到关注。利用邻近参考站日平均气温、最高气温和最低气温资料及线性回归模型,设计了基于线性回归数据估计方法的质量检查算法,该算法同时包含了时间一致性和空间一致性两种检查方法。通过数据植入误差检测以及与单一空间回归检查方法的比较,该算法的错误数据检测性能较高,可检测出与正确日气温数据相差3℃左右的可疑值。在该算法的基础上,研制了综合一致性数据质量控制方法,该方法具有以下特点:第一类错误发生率较低;保持了时间、内部和空间一致性的逻辑关系;参考了天气因素。因此,与一般的数据质量控制方法相比,综合一致性数据质量控制方法具有较高的错误数据检测性能。经过在华中区域湖北、湖南和河南三省251个站1961—2009年逐日气温资料的应用,取得了较好效果。各要素奇异值检出率平均气温为0.001%,最高气温为0.05%,最低气温为0.04%。     

基于C4.5算法的长江中下游地区夏季降水预测模型研究及应用

为了对长江中下游夏季降水进行短期气候预测,利用国家气候中心提供的74项环流指数和NOAA整编的西太平洋型WP指数、MEI指数、ENSO指数等多种全球环流指数资料,归纳整理了影响长江中下游夏季降水的34个前期春季因子,讨论了前期春季因子与夏季降水的关系,并利用这34个前期春季因子通过数据挖掘中的C4.5算法对1951—2013年(63 a)长江中下游夏季降水,建立判别降水偏多以及偏少的两类决策树预测模型,并分别得到5条和7条综合判别规则。随机选取80%左右历史年份数据作为模型的训练集,两模型的训练集准确率分别为94.12%和93.88%,剩余20%年份数据作为模型测试集,模型的测试预测准确率分别达91.67%和85.71%。模型预测应用也显示结果正确。模型研究和应用显示,基于C4.5算法的长江中下游夏季降水预测模型具有较高的预测准确率,模型构建合理有效,判别规则依据大数据理论,广泛考虑相关因子以及因子的排列组合,智能化选择关键因子,易于客观化、自动化实施,为长江流域汛期降水的短期气候预测提供了新的思路与方法。     

A Machine Learning-based Cloud Detection Algorithm for the Himawari-8 Spectral Image

Cloud Masking is one of the most essential products for satellite remote sensing and downstream applications. This study develops machine learning-based (ML-based) cloud detection algorithms using spectral observations for the Advanced Himawari Imager (AHI) onboard the Himawari-8 geostationary satellite. Collocated active observations from Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) are used to provide reference labels for model development and validation. We introduce both daytime and nighttime algorithms that differ according to whether solar band observations are included, and the artificial neural network (ANN) and random forest (RF) techniques are adopted for comparison. To eliminate the influences of surface conditions on cloud detection, we introduce three models with different treatments of the surface. Instead of developing independent ML-based algorithms, we add surface variables in a binary way that enhances the ML-based algorithm accuracy by ~5%. Validated against CALIOP observations, we find that our daytime RF-based algorithm outperforms the AHI operational algorithm by improving the accuracy of cloudy pixel detection by ~5%, while at the same time, reducing misjudgment by ~3%. The nighttime model with only infrared observations is also slightly better than the AHI operational product but may tend to overestimate cloudy pixels. Overall, our ML-based algorithms can serve as a reliable method to provide cloud mask results for both daytime and nighttime AHI observations. We furthermore suggest treating the surface with a set of independent variables for future ML-based algorithm development.     

北欧气象观测资料的质量控制

气象观测资料的质量对气象及相关领域的研究具有重要影响，如何进行气象观测资料的质量控制，确保资料的代表性和准确性，是气象资料工作者迫切需要解决的科学问题。气象观测资料的质量控制技术和方法各国均不相同，北欧5国的合作研究成果具有先进性和很好的代表性。简要介绍了北欧国家对实时和非实时气象资料进行质量控制的流程，所采用的方法、技术等。北欧气象资料从观测台站到资料中心经历了QC0、QCl、QC2和HQC 4个级别的质量控制流程；质量控制方法可分为单站质量控制和空间质量控制两大类，每类方法又分为不同的检查方案；质量控制标识根据用户对象的不同在北欧各国有不同的方案。     

A Test Pattern Identification Algorithm and Its Application to CINRAD/SA(B) Data简

A variety of faulty radar echoes may cause serious problems with radar data applications,especially radar data assimilation and quantitative precipitation estimates.In this study,＂test pattern＂ caused by test signal or radar hardware failures in CINRAD （China New Generation Weather Radar） SA and SB radar operational observations are investigated.In order to distinguish the test pattern from other types of radar echoes,such as precipitation,clear air and other non-meteorological echoes,five feature parameters including the effective reflectivity data percentage （Rz）,velocity RF （range folding） data percentage （RRF）,missing velocity data percentage （RM）,averaged along-azimuth reflectivity fluctuation （RNr,z） and averaged along-beam reflectivity fluctuation （RNa,z） are proposed.Based on the fuzzy logic method,a test pattern identification algorithm is developed,and the statistical results from all the different kinds of radar echoes indicate the performance of the algorithm.Analysis of two typical cases with heavy precipitation echoes located inside the test pattern are performed.The statistical results show that the test pattern identification algorithm performs well,since the test pattern is recognized in most cases.Besides,the algorithm can effectively remove the test pattern signal and retain strong precipitation echoes in heavy rainfall events.     

基于改进DBSCAN聚类算法的雷暴单体三维结构识别技术介绍

雷暴是一种严重威胁飞行安全的天气系统,利用地基多普勒天气雷达反射率因子数据和改进的DBSCAN聚类算法对雷暴单体的三维结构识别及特征量计算进行了研究,并在地基平台上对雷暴单体识别算法的有效性进行了验证分析。识别算法核心是将插值后的反射率因子三维网格数据作为输入量,采用多层反射率因子阈值基于改进的DBSCAN聚类方法识别所有等高面上的雷暴分量,并进行结构元素为3×3的腐蚀膨胀运算及雷暴分量特征核心提取,最后基于雷暴分量重叠面积进行垂直关联。结果表明:相对于SCIT算法,雷暴单体识别算法减少了雷暴分量识别的复杂性,可很好地识别任意形状的雷暴单体;使用多层阈值及特征核心提取技术可识别雷暴簇中的雷暴单体;利用腐蚀膨胀技术可解决雷暴单体虚假合并现象。算法可应用于民航机场雷暴的识别和预警。      

高光谱红外云检测方案阈值的客观判定方法

GRAPES3Dvar大气红外高光谱云检测采用McNally andWatts(2003)的晴空通道方案,该方案基于模拟观测与实际观测偏差(B-O)进行检测,其中阈值的选取与预报模式有关。传统对云检测阈值的选取多采用主观判定方法,如图像对比分析等。文章在主观判定的基础上提出两种新的较为客观的阈值判定方法:(1)视场偏差分析:通过分析模拟观测与实际观测之间偏差的垂直分布,观察不同阈值下的云顶高度来评估阈值选取的合理性;(2)云检测指标评分:通过建立一系列云检测指标,对其进行评分来选取最优的阂值。并结合上述三种方法,将其应用于IASI辐射率资料的云检测阈值判定,其中梯度阈值对最后的云检测效果影响不大,保持与欧洲中心相同的值;偏差阈值则采用综合的分析方法进行判定,从而克服了单纯利用云图对比而带来的视觉误差。分析结果表明,偏差阈值取2.0 K、窗区通道梯度阈值取0.4 K,非窗区通道梯度阈值取0.02 K时云检测的效果最好。最后进行的为期1个月的试验显示:通过对比不同云检测偏差阈值的同化效果,选取的云检测闾值是有效的。     

基于局部阈值插值的地基云自动检测方法

地基云自动化观测是当前气象业务发展的迫切需求.目前的地基云检测算法仍主要是以阈值为基础,针对固定阈值和全局阈值算法在云检测精度方面存在的不足,利用晴朗天空下天空呈蓝色、云呈白色的属件,提出了一种基于局部阈值插值的地基云自动检测方法.该方法在对云图进行重采样后,对云图蓝、红波段进行归一化差值处理,再将处理后的结果图像按空间像素位置自动分成互不重叠、大小相等的均匀子块,对每一子区域采用一定的规则并结合改进的最大类间方差自适应阈值算法计算局部阈值,然后对每一子区域形成的阈值矩阵采用双线性插值算法进行插值处理,形成与原始云图大小相等的阈值曲面,利用此阈值曲面与云图蓝、红波段归一化差值处理结果进行比较,即可完成地基云的自动检测.与固定阈值和全局阈值算法相比,局部阈值插值算法对一些细碎的云和与背景反差不大的云获得了更好的检测效果.定量的评估结果表明,固定阈值方法在正确率和精确度上都要远远低于全局阈值和局部阈值方法,而文中提出的局部阈值算法在正确率和精确度上相比全局阈值算法又有较大提高.     

利用深度学习开展偏振雷达定量降水估测研究

利用2018—2020年经偏振升级改造后的广州S波段双偏振雷达（CINRAD/SAD）82892个体扫的0.5°仰角数据,以及雷达100 km探测范围内1109个雨量站共计538560个分钟雨量数据,分别构建了单参量、三参量雷达定量降水估测（QPE）深度学习网络架构（Z-Rnet、K_DP-Rnet、Pol-Rnet）,并以K_DP=0.5°/km为阈值分别训练得到大雨、小雨、总体等9个定量降水估测模型。在常用的均方误差作为损失函数的基础上,对不同降水强度采用不同权重提出了自定义损失函数,并利用比率偏差、相对偏差、均方差、平均绝对误差和平均相对误差作为评价指标对模型进行评估。通过对以积层混合云为主、以对流云为主和以层状云为主的3次降水过程的模型验证结果表明,利用深度学习训练的模型有较好的定量降水估测效果,区分雨强的小雨、大雨模型比不区分雨强的总体模型的效果要好。采用自定义损失函数模型效果更好,其均方差、平均绝对误差和平均相对误差分别较采用传统均方误差损失函数提升了8.62%、12.52%、16.34%。自定义损失函数中,采用Z_H-Z_DR-K_DP三参量网络架构训练得到的定量降水估测模型效果最好,其均方差、平均绝对误差和平均相对误差分别较采用Z_H的单参量Z-Rnet架构提升6.82%、8.43%、7.22%;较采用K_DP的单参量K_DP-Rnet架构提升12.33%、17.61%、17.26%。