陕西降水相态识别判据研究及检验

利用2003年1月至2016年12月逐日地面观测资料,统计分析了陕西延安、西安、汉中、安康等雨夹雪天气的月变化特征。选取雨雪转换季节的雨、雨夹雪和雪天气个例,对地面和高空观测数据进行统计分析,筛选雨雪相态转换的主要影响因子和判别指标;采用多元线性回归算法,分别建立各站的雨雪相态预报方程并进行检验。结果表明:延安、西安、汉中、安康4站雨雪相态的地面温度和露点温度均有明显差异,低层(925 hPa或850 hPa)温度也有明显差异,但随着高度增加其差异减小。利用陕西4站的判别指标和统计预报方程对2017年1月至2018年1月出现的雨雪天气过程进行检验,效果较好;但由于检验时间较短,结论的适用性有待进一步验证。     

安徽冬季地面降水相态的判别研究

文章对安徽省2000—2009年11月至次年4月的雨、雨夹雪、雪和冻雨四类降水相态样本的温度、相对湿度和假相当位温分布特征进行了分析。从地面到500 hPa,气温、相对湿度和假相当位温对平原、山区的地面降水相态的区分能力均逐渐减弱,且相对湿度对降水相态的区分能力远弱于气温和假相当位温。在同一气压层上,假相当位温与气温对平原地区地面降水相态的区分能力相当,而假相当位温在某些气压层上对山区降水相态的区分能力略优于气温。在不同气压层上,平原地区各降水相态的气温和假相当位温均接近正态分布,山区假相当位温相对于气温更接近正态分布。因此假相当位温更适合作为地面降水相态的判别因子。选取地面到500 hPa共6个气压层(山区5个)的假相当位温作为地面降水相态的判别因子建立多级判别方程,利用2010年的降水相态样本对所建立的多级判别方程进行独立性检验。结果表明:多级判别方程对雨、雨夹雪或雪、冻雨的区分能力较好,对雨夹雪与雪的区分能力相对较弱。利用T639模式资料对两个降水相态复杂个例进行预报检验,多级判别方程能较好地预报雨雪转换的时间及区域,对降水相态的预报具有较高的参考价值。     

深度神经网络方法在山东降水相态判别中的应用

利用欧洲中心(ECMWF)ERA-Interim再分析资料,通过分析2008—2017年山东冬半年不同降水相态(雨、雪和雨夹雪)下温度和位势厚度特征,统计得到8个降水相态判别因子(T_(2 m)、T_(1000)、T_(975)、T_(950)、T_(925)、T_(850)、H_(850-700)、H_(1000-850)),并给出每个判别因子降水相态阈值指标。然后利用8个判别因子和阈值建立降水相态判别方程和训练DNN模型,通过随机检验发现DNN法对雨、雪和雨夹雪的预报准确率分别提高1.9%、0.2%和21.6%;利用ECMWF细网格预报资料进行个例检验,雨、雪和雨夹雪共106站中判别方程法判别错误29站,DNN法判别错误14站,即DNN法的降水相态判别能力优于判别方程法,且明显提高了对雨夹雪的判别能力。     

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。     

天津地区冬季降水相态识别判据研究

利用2000—2015年10月至次年4月天津地区逐日常规气象观测资料和ERA-Interim再分析资料(0.125°×0.125°),对天津地区发生的3种降水相态转换(雨转雨夹雪再转雪)的天气过程进行统计,分析降水相态转换过程中温度、湿度和不同等压面厚度特征,得到与降水相态转换关系密切的9种判别因子:850 hPa温度(T 850)、925 hPa温度(T 925)、1000 hPa温度(T 1000)、地面温度(T s)、1000~850 hPa位势厚度(H 1000-850)、850~700 hPa位势厚度(H 850-700)、0℃层高度、-4℃层高度和925 hPa相对湿度,给出每种因子对应不同降水相态的阈值,并通过3次天气个例进一步验证指标的可用性。在此基础上,综合利用9个判别因子和阈值指标建立降水相态判别方程,经检验发现雨和雪回代检验判别准确率达80%以上。     

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。     

黄山地区冬半年降水相态判据研究

利用2008—2018年逐年11月至翌年3月常规气象观测资料,从天气形势配置、降水相态与特征层气温、0 ℃层高度和层结厚度的关系等进行分析,归纳了黄山地区冬半年雨、冻雨、雨夹雪和雪四类降水相态的判别依据,并利用一次雨雪转换天气过程对判据进行了检验。结果表明,黄山地区固态降水和固液混合型降水主要发生在1—2月。850 hPa高度层及以下各层气温对雨雪转换的判别效果较好,当850、925、1 000 hPa特征层气温和地面气温分别大于等于-3.9、-2.6、0.5、1 ℃时可判定为雨,各层气温继续降低将出现雨夹雪或雪。当0 ℃层高度在1 000 hPa高度层以上时可能出现雨,反之出现雨夹雪或雪。此外,厚度层结也能较好地区分雨和雨夹雪或雪。冻雨（冰粒）的判据与其他降水相态的判据不同之处是在700 hPa高度层附近存在融化层。判据能较好地区分黄山地区不同降水相态,但对冻雨和冰粒的识别能力相对较弱。     

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。     

浙江省冬季降水相态判别指标研究

对浙江省2011—2014年4年冬季8次雨雪转化过程中共157个样本的探空资料和地面降水观测资料进行分析。选取了500 h Pa和850 h Pa高度差、700 h Pa和850 h Pa高度差、850 h Pa和1000 h Pa高度差、零度层高度、850 h Pa温度、925 h Pa温度、1000 h Pa温度、地面2 m温度、1000 h Pa露点共9个指标参与统计。得到最适合浙江省冬季降水相态判别的指标是2 m温度、1000 h Pa温度、零度层高度和850 h Pa和1000 h Pa高度差。通过计算各指标的空报率、漏报率和TS评分,得到了最佳阈值,预报雨和雪最佳阈值的TS评分都可达到0.8以上。对雨夹雪的判断,这些表征低层温度的判别指标判别效果都不理想,结合中层暖层指标,可以使判别准确率明显提高。本文研究结果可以为冬季降水相态预报业务提供支持。     

青岛冬半年降水相态统计分析及判别方法研究

通过对2006—2015年青岛冬半年不同相态降水的统计分析得出,青岛冬半年纯雨日数1月最少,纯雪日数2月最多,12月和1月是雨夹雪及雨雪转换日数占当月降水日数比例最高的两个月。通过个例分析表明,雨雪转换过程多与冷空气入侵相联系。温度场和风场条件能较好地反映出雨雪转换的特征,降温和风向转换在850 hPa以下层更为明显。探空资料分析表明,850 hPa、925 hPa、1 000 hPa和地面气温对不同相态降水都有很好的指示意义,越低层指示性越好。0 ℃层高度对不同相态降水同样具有指示意义,100～500 m高度是雨雪转换的关键高度层;以不同高度层气温为指标确定出青岛冬半年降水相态预报判别指标。     

利用WRF模式制作东北地区冬季降水相态预报

利用WRFV3.1.1中尺度数值模式,对东北地区冬季降水相态进行预报尝试。在模式预报输出场中,通过对近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,来判断雨雪分界线及雨夹雪区或雨、雪过渡区。结果表明：该方法可较准确预报出降水过程中雨区、雪区和雨夹雪区的分布特征以及降水相态随时间的演变情况。降水相态数值预报产品的应用能够明显提高冬季气象预报服务水平。     

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。     

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.     

四川省降水相态识别判据研究

本文运用1981~2013年四川省156个国家级地面观测站的原始气象记录整编数据,分析了四川省雨、雨夹雪和雪三种降水相态的气候分布特征,并从地面要素和高空要素两个方面详细分析了不同降水相态对应的变量阈值,主要结论如下:(1)降雨日数的第一特征向量近些年呈现出减少趋势,第二特征向量在雅安和广元地区的降水日数有所增加,攀西地区降水日数在减少;从降雪日数的第一特征向量看,四川地区降雪日数近些年也呈现减少趋势,第二特征向量四川中部一线近些年的降雪日数有所增加;雨夹雪日数第一特征向量说明四川大部分地区雨夹雪日数近20年都在减少,阿坝州地区的雨夹雪日数在增加,第二特征向量的趋势并不明显,第三特征向量近15年盆地地区的雨夹雪日数有所增加,川西高原和攀西地区的雨夹雪日数在减少。(2)地面和高空近地层的温度(T)和露点温度(Td)对区分降水相态有较好的指示意义。盆地西部,T_850hPa对三种降水相态有较好区分;盆地南部,各要素都能很好的区分雨和雪两种降水相态,但是雨夹雪与雪并不好区分;盆地东北部,只有H_{700-第一层}较容易区分三种不同的降水相态。川西高原上,H_{500-第一层}为区分三种不同降水相态的最佳高空要素;攀西地区,T_第一层、T_600hPa、零度层高度3个要素是识别三种不同降水相态的较好指标。      

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。     

南岳高山站风对赣北暴雨的指示作用

利用2005—2013年4—6月南岳站逐时风场观测资料、常规探空资料、自动站雨量资料及NCEP/NCAR全球再分析资料（2.5°×2.5°）,分析南岳站气象要素对对流层低层环流场的代表性以及该站风演变对汛期赣北暴雨的指示作用。主要结果是：（1）南岳站逐日风与NCEP资料850 h Pa风场相关系数最大中心（0.72~0.78）位于南岳山附近,该站风对当地850 h Pa风具有较好的代表性;该站风与NCEP资料850 h Pa风场的平均相关系数（0.75）较之其与925 h Pa风场的平均相关系数（0.68）高,证明该站风与当地850 h Pa风场特征更接近。（2）探空站与南岳站距离越近（远）,其各种气象要素的相关性越好（差）,进一步证实南岳站气象要素对当地850 h Pa相应要素具有较好的代表性。（3）汛期,当满足＂南岳山西南风＋切变指标＂时,未来24 h赣北出现局部或区域暴雨的概率达89.8%;当满足＂南岳山西南风＋切变指标＂时,且当日20时至次日08时南岳站由非西南风转为西南风或由弱西南风转为较强西南风后,可预报未来4~18 h（平均10 h）赣北开始产生暴雨;赣北出现暴雨后,当南岳站由持续西南风转为偏北风后1~3 h强降水区开始逐步南压东移,6~17 h（平均10.5 h）后强降水区南压或东移出赣北。