基于雷达产品和随机森林算法的冰雹天气分类识别及预报

冰雹是一种致灾性较强的强对流天气,但在气象业务工作中对其进行快捷、准确的预警和预报仍有一定的难度。本文基于C波段雷达回波资料,构建并应用随机森林模型对冰雹及其伴随强对流天气进行了分类识别及预报。结果发现,随机森林模型对训练集(2008-2017年)中四类冰雹天气(冰雹、冰雹大风、冰雹短强、冰雹大风短强)的平均命中率(Probability of Detection,POD)为90.2%,平均空报比率(False Alarm Ratio,FAR)为11.1%。对于2018-2019年的独立样本测试集,模型的平均POD和FAR则分别为72.8%和34.7%。因此,本文构建的随机森林模型较为理想。应用模型和风暴单体识别与跟踪产品(Strom Cell Identification and Tracking,SCIT)对未来15～60 min的强对流天气进行预报,结果表明四类冰雹天气的平均POD为74.8%,平均临界成功指数为60.8%,平均FAR为24.4%。因此,利用C波段雷达产品,随机森林模型能高效、自动化且较为准确地分类预警、预报冰雹及其伴随强对流天气,可应用于天气预报业务工作。     

基于LightGBM算法的强对流天气分类识别研究

强对流天气将导致多种灾害性天气,但由于其突发性强且尺度较小,在气象业务工作中仍难以准确地预警和预报。本文基于LightGBM(Light Gradient Boosting Machine)算法,利用甘肃三个地区的C波段雷达回波产品以及地面观测数据,构建了LightGBM模型,并分类判识了三类主要的强对流天气[冰雹、雷暴大风、短时强降水(短强)]。结果表明,在2011-2017年训练集中,LightGBM模型表现较好,整体误判率仅为4.9%。在2018年的独立样本测试中,模型对三类强对流和非强对流天气的整体误判率为7.0%,对三类强对流天气的平均命中率(Probability of Detection,POD)为86.4%,平均临界成功指数(Critical Success Index,CSI)为64.3%,平均空报比率(False Alarm Ratio,FAR)为29.0%。其中,短强的误判率最低,POD和CSI最高,FAR也最小,而雷暴大风和冰雹的误判率和评分比较接近。因此,本文构建的LightGBM模型对强对流天气的分类识别较为理想,首次对三类主要的强对流天气实现了自动化预警,在未来的气象业务自动化工作中有广阔的应用前景。     

多普勒天气雷达冰雹探测算法评估及检验改进

利用新一代多普勒天气雷达资料和WSR-88D提供的冰雹指数算法,对2005年1月至2007年8月发生在贵州省黔西南地区的20个冰雹个例进行验证。用此算法对20个风暴日的样本计算了WT（警报阈值）、H（相对雷达的高度）、M（漏报率）、FA（虚警率）、POD／FAR／CSI（探测概率／误报率／临界成功指数）等多个函数,并将这些数据与强冰雹指数（SHI）作对比分析,将SHI作为冰雹尺寸的预报因子进行独立评估,对实际观测到的冰雹尺寸与模式预报尺寸进行比较。在考虑了本地环境、气候特征的前提下对误警率较高的情况进行了算法补尝,并针对误警率较高的现象提出解决办法：①输入当天的正确0℃／-20℃高度,②提高冰雹探测反射率阈值。用改进方法对2007年发生的9次冰雹天气过程进行对比检验。结果表明,误报率有所降低,预报冰雹尺寸更接近实际探测尺寸。     

深度学习方法预测阿克苏地区冰雹云雷达回波个例分析

利用2021—2022年4—9月阿克苏地区冰雹云的雷达回波资料，基于轨迹GRU模型和GAN模型共同构建一个深度学习的回波外推模型，应用于强对流（冰雹）天气监测预警。采用分阈值和预报时效的评估方法，对深度学习的回波外推模型预测回波的效果进行分析，结果表明：（1）在30 min预测时间内，随反射率阈值增加，临界成功指数（CSI）和命中率（POD）逐渐降低，虚警率（FAR）先降低后升高，FAR在反射率阈值为35dBZ时最低。（2）在反射率阈值为35 dBZ和相同外推时效的情况下，基于深度学习的回波外推模型和光流法相比，CSI提高0.05~0.15，POD提高0.05~0.15，FAR降低0.05~0.12。（3）在预测反射率阈值为35 dBZ的强对流单体移动路径方面，基于深度学习的回波外推模型与TITAN法相比，预测的单体移动路径会更接近实况单体移动路径。     

基于决策树算法的鄂东地区冰雹识别技术北大核心CSCD

冰雹是对流性天气常见的灾害之一,雷达是识别冰雹强有利的工具,为克服现有方法主观性强、特征量阈值不明确以及虚警率高的不足,探究机器学习算法用于冰雹识别的可行性,基于决策树算法利用2015年1月1日—2021年12月31日鄂东地区冰雹灾情资料、武汉多普勒天气雷达以及探空资料,将湿球温度高度引入冰雹识别因子中,并根据命中率、虚警率和临界成功指数定量评估其识别能力。结果表明:仅包含回波强度的决策树(强度决策树)和包含回波强度和湿球温度高度的决策树(强度-高度决策树)均能有效识别冰雹,强度-高度决策树较强度决策树的命中率和临界成功指数均小幅提高,且虚警率明显降低;强度决策树识别冰雹的关键因子为组合反射率因子,底层多为0.5°和1.5°仰角反射率因子,强度-高度决策树的关键因子为0.5°仰角反射率因子,底层多为风暴的整体强度属性;个例分析显示强度-高度决策树减少了湿球0℃层高度较高时的虚警次数,展现出良好的应用前景。     

基于ConvLSTM的广西短临降水预报

针对传统雷达回波外推算法在快速增长或消散降水过程预报精度较低的问题,利用华南雷达回波拼图资料数据,建立ConvLSTM回波外推模型,对广西区域范围进行短临降水预报研究.采用气象业务中的正确率(POD)、临界成功指数(CSI)及误报率(FAR)评判标准检验预报模型,并将ConvLSTM与光流法的预报结果进行对比分析.结果 表明,ConvLSTM模型的CSI、POD分别比光流法提高0.06和0.059,而FAR下降了0.058.ConvLSTM方法比光流法的回波外推预报准确率高,该方法可为广西短临降水预报提供新的参考.     

三种机器学习方法在广东雷暴大风自动识别的应用效果评估

基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1～9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明：三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。     

珠海X波段双偏振相控阵雷达定量降水估测产品质量评估

以地面雨量站观测资料为基准,选取2021年6—8月的6个强降水过程,利用珠海4部X波段双偏振相控阵雷达QPE组网产品和对应区域雨量站逐小时降水资料,使用相关系数(CC,Correlation Coefficient)、相对偏差（RB,Relative Bias）、相对平均绝对误差（RMAE,Mean Relative Absolute Error）、均方根误差(RMSE,Root Mean Squared Error)、探测率（POD,Probability of Detection）、误报率（FAR,False Alarm Ratio）、临界成功指数（CSI,Critical Success Index）,对相控阵雷达QPE产品质量进行评估。结果表明：QPE产品总体CC、RB、RMAE、RMSE分别为0.83、1.62%、47.59%、6.68 mm。有无降水探测率为88.66%,FAR为12.03%,CSI为83.99%;能够准确捕捉强降水落区、把握小时雨强变化趋势,雨强峰值谷值出现的时间匹配的较好。小时降水分级检验结果显示,QPE产品对于大雨强的评估效果相对较好,小时雨量≥16....     

大冰雹指标TBSS在江西的应用研究

利用江西省2002-2007年的地面观测和雷达资料进行统计分析,研究地面降雹与TBSS之间的对应关系,并且对TBSS在大冰雹预警方面的应用进行了探讨。结果表明,TBSS作为≥19 mm的大冰雹的预警指标具有很好的应用效果。其准确警报率(POD)为0.818,错误警报率(FAR)为0.182,而临界成功指数(CSI)达0.692。在多普勒天气雷达产品中,TBSS是一个沿着雷达径向从强风暴核区向外延伸的、具有低的反射率因子值,零或朝向雷达的低速度值和高速度谱宽值的区域。它一般首先出现在中高层(4～9 km),然后逐渐降低,最低可达1.0 km。利用TBSS预报大冰雹的时间提前量最大达到77分钟。实际观测到的TBSS特征存在各种不同的形态,而且不同距离处观测TBSS特征的最佳仰角存在很大差异。总之TBSS特征可以作为大冰雹的有效判据。     

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。      

不同闪电跃增算法在北京地区应用效果对比

基于S波段多普勒天气雷达基数据、北京闪电定位网全闪定位数据和北京地区降雹的人工观测结果,对比分析Gatlin和σ两种闪电跃增算法在不同配置下对北京地区2015—2018年共177次冰雹天气过程的预警效果。结果表明:不同倍数的σ算法预警结果差别很大,2σ（要求当前闪电频数变化率超过之前平均闪电频数变化率两倍标准差）在σ算法中的预警效果最佳;不同N（总闪频数变化率的数量）配置下的Gatlin算法的预警结果差别不大,其中当N=6时的预警效果最佳。2σ算法的命中率、虚警率和临界成功指数分别为80.2%,41.6%和51.1%,N=6的Gatlin算法的相应结果分别为82.5%,62.0%和35.2%。另外,详细分析了一次多单体雷暴过程和一次飑线过程中两种算法的应用情况,结果也表明Gatlin算法比2σ算法的命中率略高,但虚警率偏高很多,临界成功指数偏低。综合Gatlin算法和σ算法对冰雹预报结果评估情况,发现2σ闪电跃增算法更适于对北京冰雹天气的预警,对提升闪电数据在北京地区冰雹预报业务的可用度有一定参考价值。     

CINRAD/SA雷达冰雹探测算法效果检验及参数本地化

2004年CINRAD/SA雷达新的冰雹探测算法(HDA)代替了原来的算法,新的冰雹探测算法(HDA)估测任意尺寸的冰雹概率(POH)、直径大于等于19 mm的强冰雹概率(POSH)和最大冰雹直径预测(MEHS)。结合济南雷达探测资料对冰雹探测算法预测效果进行了检验,虽然有较高的探测准确率,但同时错误率较高,临界成功率较低,最大冰雹尺寸预测值与实况的平均差值约为14.6 mm。对2002~2005年济南雷达站的历史资料进行了统计分析,降雹单体和非降雹单体在最大反射率因子上存在较大差异,5、6、7月的降雹单体最大反射率因子平均值分别为59.7、61.86、3.9 dBz,非降雹单体最大反射率因子平均值分别为53.8、54.9、55.6 dBz。依据统计数据,对冰雹探测算法中的反射率因子等门限值调整为53 dBz后,冰雹预测仍具有较高的探测准确率,错误率和临界成功率得到了明显改善;对最大冰雹尺寸预测中的算法因子门限值调整后,预测值与实况有较好的对应关系。     

基于深度学习和雷达观测的华南短临预报精度评估

利用最新的深度学习算法,即卷积长短期记忆(Convolution Long-Short Term Memory)神经网络,构建基于深度学习的人工智能短临预报系统,以广州地区2019年3-5月雷达观测的数据为输入进行训练,然后进行短期1h内的降水预报。利用常用的统计评分指标(探测率POD、误报率FAR、临界成功指数CSI,相关系数CC)检验模型。结果表明,预报结果与实际观测的相关系数在1h内预报均保持在0.6以上,在1h内预报探测率均保持在80%以上,临界成功指数在降水强度为10mm·h^-1时,基本保持在60%,误报率均小于40%。     

青藏高原东北部HDA算法检验评估及参数本地化

利用2006-2011年CINRAD/CD雷达在青藏高原东北部(以下简称高原)探测到的110次强对流风暴过程,运用WSR-88D冰雹探测算法(HDA)计算强冰雹指数(SHI)和最大预期冰雹直径(MEHS)并进行探测效果检验.提出对HDA原默认参数进行本地化并给出本地化方案,明显地改善了探测效果,正确率由85％提高到89％,虚警率由41％降低到21％,临界成功指数由53％升高到75％,MEHS大于观测尺寸的百分比由74％降到33％.结果对CINRAD/CD雷达探测冰雹有重要参考价值.     

基于对流参数的雷暴潜势预报研究

为提高雷暴天气的潜势预报能力，在统计分析安徽省雷暴形成天气条件的基础上，利用2003-2004年T213资料，选取与雷暴相关性好的对流参数作为预报因子。并在考虑因子季节变化特征的基础上，分别用判别分析法和指标叠加法制作雷暴潜势预报，结果表明指标叠加法优于判别分析法。最后用指标叠加法试报了2005年3—8月的雷暴，临界成功指数CSJ=69．4％，命中率POD=89．5％，虚假报警率FAR=24．4％，分区预报准确率也较高。另外，试报期间的区域性冰雹、雷雨大风全部命中，可见该方法对冰雹、雷雨大风也有较好的指示意义。     

基于卷积神经网络的飑线识别算法

为了探究深度学习用于飑线识别的可行性,基于2008—2020年河南省郑州和驻马店雷达数据,采用卷积神经网络（convolutional neural network,CNN）算法构建飑线识别模型,引用临界成功指数、公平风险评分、命中率和误判率定量评价模型的识别效果,对比不同样本组成比例和网络结构对飑线识别效果的影响。结果表明:建模所用的样本组成比例对飑线识别有一定影响,通过改变采样方式和优化网络结构均能够改善样本比例不平衡的问题,提高飑线识别效果,且后者提升的幅度更大,而两种方法的结合无明显提升。测试结果表明:该模型临界成功指数为0.66,公平风险评分为0.58,命中率为0.86,误判率为0.24。研究揭示了卷积神经网络能够提取并学习飑线和非飑线回波的图像特征,对飑线有一定识别能力。