基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

基于物理量的陇东地区冬季降水相态预报方法研究

利用1985—2020年每年10月—次年5月的逐日地面观测资料,对陇东地区冬季雨、雨夹雪和雪三种主要降水相态的气候特征进行了分析,并利用2008—2019年的降水样本和平凉、延安站的探空资料,通过相关性分析、箱线图和技巧评分等方法,筛选出了可用于降水相态预报的23个指标因子并确定了其阈值。对指标因子进行拟合得出综合预报指数S及其阈值,并进行了检验。结果表明:该地每年3—11月相态转变较为频繁,不同相态降水的年均日数表现出明显的年际变化特征;平凉站的指标因子区分效果整体优于延安站;各指标因子对于雪的区分度最高,其灵敏度整体随高度升高而降低;当S指数在雪—雨夹雪和雨夹雪—雨间的阈值取-0.225和0.528时,样本总TS可达到88.9%以上,较单一因子显著提高了相态预报准确率。     

冬季稳定性降水相态预报研究进展

冬季降水无论对地面的生产生活还是对高空飞机航行都可能造成严重灾害,降水相态预报的准确性决定了冬季降水预报的成功,该文系统回顾了近几十年降水相态预报取得的成果。降水相态预报方法大致分为3类:第1类是基于观测或数值天气预报建立的指标以及回归方程,其中某些方法高度依赖数值天气预报模式准确率;第2类是基于数值天气预报模式的微物理方案法和集合预报法;第3类是基于观测和数值预报产品的人工智能预报法。近年来降水相态模式预报产品准确率不断提高,成为降水相态预报中一个重要的产品支撑。但如何将降水相态形成机制的微物理研究成果用于改善数值预报模式降水相态预报的技巧,以及如何利用人工智能等技术提高降水相态预报的准确率等方面还需要不断努力。     

丹东冬季降水相态判据研究

利用丹东1979-2012年10月至翌年4月逐日降水、天气现象、高空探空资料及NCEP0.5°×0.5°（部分2.5°×2.5°）再分析资料,对丹东地区冬季不同相态降水气候及大气层结特征进行了统计分析, 并对不同相态降水典型个例进行了分析。结果表明：丹东地区虽地处北方,但冬季降水相态多样。在秋冬、冬春过渡和严冬不同时段,大气不同层结不同相态降水气温阈值范围不同,建立了丹东冬季不同大气层结降水相态判据。大气不同层结前期特别是近地面层气温背景与不同相态降水的发生与转换关系密切,可为动态预报降水相态提供了参考。850 hPa及以下中低空温度条件对冬季降水相态形成至关重要,850 hPa的0℃线能较好区分雨和雪区大致范围,925 hPa的0 ℃线能较好区分雨夹雪和雪以及雨夹雪和雨大致范围。     

江苏冬季降水相态气候分布特征及预报方法探讨

利用1981-2010年南京、徐州、射阳逐日探空资料和地面观测资料,在分析冬季雨日、雪日、雨夹雪日气候特点的基础上,运用厚度分析的方法进一步研究江苏冬季不同降水相态的预报指标.结果表明:厚度分析能被用来识别降水相态(雨、雪),1 000～850 hPa厚度阈值1 292 gpm可以作为江苏冬季区分雨、雪的一个重要参考指标.同时结合地面温度和850 hPa温度可以较准确的判定降水的相态,即1 000～ 850 hPa厚度≤1 292 gpm,且T850≤-3℃,T≤2℃时,判定为雪;反之,则为雨.另外,地面湿球温度在雨雪区分上也是一个很有参考价值的指标.     

基于ECMWF集合预报产品的降水相态客观预报方法

基于欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）集合预报系统的降水相态产品（precipitation type,PTYPE）,分别以HSS评分最优、TS评分最优和频率偏差最优为标准,运用最优概率阈值法,生成雨、雨夹雪、雪和冻雨4类降水相态的确定性预报产品,并与ECMWF集合预报系统控制成员及细网格模式确定性预报进行对比。最优概率阈值显示:3种最优标准下,不同相态降水最优概率阈值不同,但冻雨和降雪最优概率阈值均最大,为40%~80%,雨夹雪最优概率阈值最小,约为10%,三者最优概率阈值均随预报时效延长而减小;降雨最优概率阈值为7%~25%,随预报时效延长而增大。对比检验结果显示:最优概率阈值法明显提高了降水相态预报能力,且以HSS评分最优时预报效果最佳;最优概率阈值法有效减小冻雨空报,同时显著改善降雨和降雪预报的频率偏差和TS评分,对雨夹雪预报改进效果有限。     

北京地区两次雨雪转换过程的相态模拟研究

利用中尺度数值模式WRF(Weather Research and Forecasting),对2015年11月20-22日和2016年11月20-21日北京地区两次雨雪转换过程进行数值模拟,根据模拟结果,结合探空等实况观测资料,分别对降水相态转换的机制进行了探讨,并比较分析了两次过程云微物理特征的差异。研究表明:中尺度数值模式WRF较为准确地模拟出了两次雨雪过程的降水量级和落区;同样是雨转雨夹雪过程,但是两次过程云中雪晶粒子的含量和分布的层次是截然不同的,导致相态转换的微物理过程也不同。2015年的过程,雪晶通过与过冷云(雨)滴的粘连碰冻作用而不断增长导致观象台的相态由雨转为雨夹雪;而2016年的过程,雪晶主要依靠冰晶的凝华、撞冻及碰并等机制而不断增长导致观象台的相态由雨转为雨夹雪。在预报冬季降水相态时,不仅要关注各标准层的经验阈值温度,还要充分关注模式产品中与微物理有关的水成物分布的层次和浓度大小。     

青海初秋一次雨雪天气过程数值模拟分析

利用中尺度数值模式WRFV3.6对2014年10月10—11日发生在青海省境内的一次雨雪天气进行了数值模拟及实况对比分析。研究表明,模式对造成此次雨雪相态变化降水过程的500hPa及地面天气影响系统的位置及移动路径模拟效果较好,并成功模拟出15日青海省雨雪天气过程雨带、雨雪强度中心。通过对模式每小时输出物理量的分析发现,此次雨雪相态的变化主要是由地面冷空气引起;雨雪过程的水汽来源主要为近地层的偏东气流和500hPa的偏南气流;雨雪天气过程中上升运动不强;出现降雨天气时,近地层(100 m以下)的雨水含量比较大;出现雨夹雪时,近地层有少量的冰晶含量,但未接地;出现降雪天气时,近地层雪晶及霰含量较大,并且接地;利用地面大气层中冻结部分降水混合比在可凝结成降水的水汽混合比中的比例作为降水相态判据指标,进行青海地区降水相态的预报是可行的。     

WRF模式不同微物理过程对东北降水相态预报的影响

为了研究不同微物理过程对中尺度模式降水相态预报的影响,利用中尺度模式WRF（V3.1）和NCEP再分析资料,采用WSM 6方案、Goddard方案和New Thompson方案等3种不同微物理过程参数化方案,对2006-2008年东北地区存在降水相变的11次降水过程进行了敏感性试验。通过对降水和云微物理特征影响的分析,了解不同方案间的预报差异。结果表明：不同微物理方案对降水落区和强度预报影响不明显,而降水相态对微物理参数化方案较为敏感,主要表现在对雨区和雨夹雪区预报影响显著。从总体预报效果来看Goddard方案表现较好。选用不同微物理参数化方案模拟的底层大气云微物理特征存在较大的差别,正是这种差别直接导致了降水相态预报间的差异。     

ECMWF降水相态预报产品(PTYPE)应用和检验

运用我国2016—2018年三个冬半年(10月至次年3月)地面2515个站的天气现象观测资料,对ECMWF(European Centre for Medium-Range Weather Forecasts)的降水相态预报产品(PTYPE)(分为雨、雨夹雪、雪和冻雨四类)进行了系统性的检验评估,包括细网格确定性模式预报产品和集合预报系统概率预报产品。结果显示,ECMWF的确定性预报产品对四类降水相态的正确率普遍达到90%以上,对降雨和降雪的TS评分也较高,冻雨次之,雨夹雪的TS评分较低,预报能力有限。确定性模式对我国雨雪分界线的预报,普遍存在短期位置略偏南、中期随时效延长越来越偏北的误差特点,且对雨夹雪的预报范围明显偏小,对冻雨的预报范围明显偏大。集合预报系统从概率的角度一定程度上弥补了确定性模式的上述误差。对概率预报的检验结果显示,集合预报系统降雨概率普遍偏低,降雪概率短期偏高、中期偏低,而雨夹雪和冻雨概率普遍偏低,但是都有一定的预报技巧。集合预报系统相对于确定性模式的优势,降雨体现在较小花费损失比事件的预报上,降雪体现在较大花费损失比事件的预报上。对雨夹雪和冻雨,相对于确定性模式,集合预报系统体现出了显著的优势,尤其是冻雨,集合预报系统的优势更加明显。     

北京降水相态判别指标及检验

为提高降水相态预报准确率,以北京南郊观象台为代表站,选取1951年1月至2011年4月逐日20时至20时出现的雨夹雪日数,统计分析其月变化特征;再选取2000-2011年10月-4月08时和20时出现的雨、雨夹雪、雪个例,使用与降水个例对应时次的地面及高空常规观测数据,统计分析各层常用气象要素在各降水相态判别中的作用,并找出主要影响因子及降水相态判别指标;应用多元回归方法,建立降水相态统计预报方程,并对方程及判别指标进行检验。结果表明：雨和雪的温度、露点平均值在低层（地面到850 hPa）有明显差异,但随着高度增加其差异逐渐减小;因雨和雪的温度露点差平均值各层差异均很小,使用温度露点差很难区分降水相态;经过对2011年11月至2012年3月出现的降水相态进行检验可知,总结出的地面温度和露点判别指标以及降水相态统计预报方程均有一定的参考价值,可为今后做降水相态预报服务提供参考依据。     

江淮地区不同相态降水日数变化特征

基于1960—2013年106个地面气象站观测数据,对江淮地区雨、雪、雨夹雪及冻雨4种相态降水日数气候特征、月际分布、年际变化、长期趋势以及各相态降水日数与纬度、海拔高度之间关系等方面进行探讨,结果表明:江淮地区全年降雨日数为各相态降水日数之最多,空间分布上呈南多北少的分布特点,雪日数空间分布与雨日数相反,为北多南少;雨夹雪和冻雨日数主要表现为纬向差异,东部沿海少于西部内陆;在近54a中,各相态降水日数区域平均值均呈减少趋势,其中雨、雪、雨夹雪减少趋势显著;从各站点降水日数变化趋势的空间分布看,虽然各相态降水日数普遍以减少趋势为主,但冻雨显著减少的站点最少;除降雨主要出现在3—8月,其他相态的降水出现较多的时段为11月至翌年3月;4种相态降水日数中,降雪和冻雨日数与海拔高度关系最为密切,呈显著正相关,其次为雨夹雪。     

The water phase of precipitation—a comparison between observed, estimated and predicted values

The results from two projects aimed at improving precipitation products for the Norwegian Road Authorities are presented and compared in this paper: A precipitation forecast with water phase type (rain, sleet, snow) from the HIRLAM weather prediction model, and a precipitation type estimate based on synoptic observations and weather radar data. Operational forecasts of water phase type from HIRLAM are biased towards predicting too many cases with snow. This is caused by the mainly positive difference between model terrain and real topography. It is shown that additional calculations of snow melting based on temperature and humidity in the lowest model level reduce this error. The second product presented here is a precipitation type estimate based on synoptic observations and weather radar data. Synoptic observations of 2 m-temperature and dew point temperature at 3 h temporal resolution are used to estimate the water phase of precipitation at ground level. The dew point temperature is converted to relative humidity. Temperature and relative humidity are interpolated in space using a digital elevation model after deriving local vertical gradients of the two variables. The water phase is estimated and merged with the actual radar precipitation estimate every 15 min. The result is a high resolution image showing the intensity and the water phase of precipitation. A comparison to observed water phase types at the synoptic stations for the winter season 2002/2003 shows that the percentage correct is 86%. The Probability of Detection is 0.84 for rain and 0.97 for snow. For January 2002, the observed, estimated, and forecasted water phase types are compared at an independent set of precipitation stations in Southern Norway. The results confirm the good quality of the precipitation type estimate and show that the adjustment of HIRLAM water phase type to real topography improves the forecast in cases with observed rain.     

安徽大别山一次强雨雪天气过程降水粒子特征分析

通过对降水粒子特征研究,以便探讨云、降水的形成机制。利用一台安装在安徽大别山区潜山县气象局楼顶无障碍平台上,德国OTT公司生产的Parsivel激光降水粒子测量系统所获取的2008年1月26—28日强雨雪天气过程的2540份资料,对不同降水类型的粒子数浓度及其谱分布、下落速度及其谱分布进行了特征分析。结果表明:(1)这次强雨雪天气过程中不同降水类型降水粒子中雨夹雪平均数浓度最大,每分钟可达589个;雨最小,为每分钟255个。(2)雪与冻雨的数浓度是双峰型,其他降水的数浓度都是单峰型。(3)不同类型降水粒子尺度谱主要出现在直径为0.125～1.00 mm之间。谱最宽的是雪,最窄的是毛毛雨。整个过程的平均谱分布都是单峰型,但峰值却有所不同。(4)整个过程不同降水类型降水粒子的最大下落速度主要集中在1.0～4.8 m·s~(-1)段。在此段中毛毛雨、毛毛雨与雨、雨、雨夹雪、冻雨和雪的粒子数分别占各自粒子总数的98.68%、98.46%、97.72%、94.79%、93.69%,和85.83%。(5)不同类型降水粒子平均速度谱中雨和雨夹雪的谱最宽,最大落速可达9.6 m·s~(-1),毛毛雨最窄,最大落速只有5.6 m·s~(-1);其他大体相当。在整个过程中不同类型降水粒子平均速度谱都是单峰型,但峰值所处的位置却有较大差异。     

人工神经网络法和线性回归法对降水相态的预报效果对比

本文主要对相同条件下线性回归法(LR)和人工神经网络法(ANN)对降雨、雨夹雪和降雪3种降水相态的预报效果进行了对比检验.选取降水发生时和发生前6h的地面2 m温度、露点温度作为预报因子,对降雨、雨夹雪和降雪进行预报.应用国家气象中心2001-2011年我国地面756站实况观测资料,其中应用2001-2010年资料对方法进行训练,2011年资料用来对比检验预报效果.结果显示,(1)两种方法对3种相态降水都有一定的预报能力,对降雪预报最好,其次是降雨和雨夹雪;(2)两种方法对北方的雨雪分界线预报比对南方的好;(3)无论是对全国还是长江中下游流域,在相同条件下,ANN法的预报效果大都优于LR法,当温度和露点温度预报准确时,ANN法对北方的雨雪分界线能进行较准确的预报.     

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。      

深度学习网络在降水相态判识和预报中的应用

利用1996—2015年中国的高空探测资料和地面观测数据,挑选发生降水的数十万个样本将其分为降雨和降雪两类事件,抽象为二分类问题,采用深度学习网络技术构建降水相态判识模型,并用2016—2017年的数据进行测试检验,针对2018年1月下旬中国一次大范围雨雪天气过程进行个例检验,在此基础上探讨了深度学习网络在降水相态判识和预报中的应用。主要结论如下:基于深度学习网络判识模型的判识准确率为98.2%,雨、雪的TS评分分别为97.4%和94.4%,相应空报率为1.7%和2.0%,漏报率为1.0%和3.7%,较传统指标阈值法的判识准确率有较大提高;个例检验显示,基于实况探空数据的模型判识结果与降水相态实况在全国基本保持一致,欧洲中期数值预报中心(ECMWF)的降水相态预报产品和模型的预报结果对全国的降水相态都表现出较好的预报能力,而对雨雪分界线的预报,模型的预报结果较ECMWF总体上更接近实况。测试结果表明,模型较好地提取了雨、雪降水相态的结构特征,深度学习网络在降水相态判识和预报中的应用具有可行性和一定的优势,可为降水相态的客观判识和预报提供重要技术支撑。