基于机器学习分类算法的臭氧浓度等级预报在长沙的应用

为准确预报臭氧浓度等级,基于EC＿THIN全球天气模式产品和我国自主研发的CMA＿GFS全球天气数值预报产品以及华南GRACEs大气成分模式输出产品,融合气象和环境观测数据,使用6种机器学习智能算法,构建耦合数值预报模式和机器学习的混合模型,旨在充分发挥数值预报与机器学习智能算法的优势和互补协同作用,实现臭氧浓度等级预报准确度的跨越式提升。共设置4个控制试验,选取不同的特征产品,依次使用机器学习经典分类算法对长沙市未来4天的臭氧浓度等级进行分类预报,取测试准确度最高的模型输出结果作为结果统计。发现：最优模型1～4天的测试准确度分别为81.7%、81.7%、78.3%、60.9%,大大高于大气成分模式预报和预报员经验,达到预期设计目标;高质量的天气模式产品对模型贡献大,而大气成分模式产品对模型贡献有限;模型3天以内预测性能较好,低等级预测性能较好,高等级预测性能一般。提出解决方案供讨论：增加高等级样本数量,增强模型对此类事件的识别能力;加强高等级臭氧污染的机理分析,组合出更精炼的因子供模型使用。     

贵州省降雨型滑坡预报模型及检验

本文利用贵州省2010—2017年630次降雨型滑坡资料以及国家气象台站和区域自动气象站逐小时降水资料，分析了贵州省降雨型滑坡的时空分布特征。基于5个不同时效降水指标与滑坡累积发生概率的拟合曲线公式，得到不同概率对应的5个降水指标的降水阈值，建立贵州省降雨型滑坡预报模型,并利用2018年新增滑坡样本对预报模型进行检验。结果表明：贵州省降雨型滑坡高发期主要集中在5—7月，其中6月滑坡发生概率最高，约48.6 %；7月次之，约34.9 %。当R1h、R3h、R6h、R24h、R3d分别大于等于26.9 mm、48.9 mm、62.9 mm、79.5 mm、92.0 mm时，发布滑坡预报预警。在降雨型滑坡预报模型中，随着5个不同时效指标的降水量增大，降雨型滑坡累积发生概率变化呈现前后增加缓慢，中间快速增加的变化特征。模型检验结果表明贵州省降雨型滑坡预报模型有一定的准确性，且5个降水指标均具有一定的实用性，其中利用R3d开展降雨型滑坡预报准确率最好。     

四川省滑坡灾害气象预报方法及其在延伸期-月尺度中的应用

分析四川省2014—2018年滑坡灾害与前期降水量之间的关系,构建滑坡灾害气象预报模型,并验证模型在延伸期-月尺度中的应用效果,为四川省延伸期滑坡灾害预报工作提供理论参考。利用历史实测降水数据对四川省滑坡灾害发生的前45 d、35 d、25 d、15 d、10 d和6 d降水量进行统计分析,结果显示,滑坡灾害的发生与其相关性是逐步递减的;在此基础上,结合逻辑回归法分析滑坡灾害发生前2 d降水量的权重关系,得到降水诱发滑坡灾害概率值;再确定滑坡灾害预报模型的易发性背景值与降水诱发滑坡灾害概率值的权重系数;最后,分别计算川东、川西和川西南三个区域临界雨量,优化滑坡灾害预报模型。结果表明:四川省滑坡灾害发生当日、前1 d和前2 d降水量对灾害的影响权重分别为0.048、0.031和0.029;滑坡灾害模型的易发性概率值和降水诱发滑坡灾害概率值的权重参数川东为0.249和0.751,川西为0.655和0.345,川西南为0.501和0.499;分区域临界雨量计算结果有明显差异,川东地区临界雨量值最大,川西南地区次之,川西地区最小。利用CFSv2降水预报产品对滑坡灾害预报模型在延伸期-月尺度中的应用效果进行验证,证实模型对延伸期滑坡灾害整体有较好的预报效果。     

北京地区体感温度误差订正方法研究

基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。     

基于ConvLSTM机器学习的风暴潮漫滩预报研究

风暴潮是指由强烈的大气扰动所导致的海面异常升高现象,由热带气旋引起的风暴潮常对沿海地区造成巨大的社会经济、人类活动和生命财产危害。依靠数据驱动的强非线性映射能力的机器学习方法较传统数值模式预报在耗费研究资源和计算时间上更具优势。本文选取广东省珠江口为研究区域,基于卷积长短时记忆网络（Convolutional LSTM network,ConvLSTM）机器学习算法展开风暴潮漫滩预报研究,利用由再分析资料驱动的数值模式产品构建了历史台风漫滩数据集,用于机器学习模型训练、验证和测试。研究了两种预报方式,一种是基于海表面高度场的自回归预报,另一种是依赖预报风场和初始海表面高度场进行的预报;它们可以实现基于数据驱动的风暴潮漫滩预报,其中自回归预报模型表现更优。相较于传统动力学数值预报,基于数据驱动的ConvLSTM预报模型结构更为轻便,所需驱动数据更少,在缺少边界条件、地形、径流等信号时,在短临预报中仍能基本复现数值模式模拟的结果。     

暴雨型滑坡灾害预报预警方法研究评述

滑坡灾害对人类和社会经济的影响已成为仅次于地震的第二大自然灾害。暴雨诱发的滑坡占滑坡总数的90％左右。从滑坡预报方法、暴雨型滑坡灾害时空预报预警、降雨和滑坡机制及稳定性、GIS在滑坡预报中的应用等几方面，分析了国内外动态及发展趋势。分析结果认为，现代数理科学新理论在滑坡预报中的综合应用得到了较快发展；“3S”技术作为滑坡监测预报手段，仍存在没有开发出来的较大潜力；从理论上，机理研究与区域统计研究结合程度有待进一步发展和突破；已建立的滑坡灾害预测预报模型具有很大的地域性、分散性以及由于监测资料不足带来的不稳定性，有必要进行更加系统深入的探讨，尤其要着力建立基于滑坡灾害发生机理的宏观区域预警模型；降雨-滑坡关系需有更准确的模型；受降水影响的土体含水量和孔隙水压力的测量方法应更精确、有效；基于Web-GIS平台建立区域滑坡灾害实时预警预报系统十分必要。     

基于Logistic回归的区域地质灾害综合气象预警模型

应用Logistic回归拟合地质灾害发生概率,建立了区域地质灾害综合气象预警模型,实现了降雨引发地质灾害发生概率的动态预报。降雨观测和数值降雨预报作为模型的动态输入,利用信息量模型集成地学因子得到的总信息量作为模型的静态预报因子。预警模型在栅格点上预报降雨引发地质灾害的发生概率,并以等级形式发布预警。用2004年实际观测对预报进行检验,结果表明当年80%的灾害都达到了预警发布的标准。2006年汛期的业务运行对台风碧利斯引发的地质灾害做出了较准确的预报预警。说明模型能满足预警业务的要求,是提高地质灾害气象预警水平的有效途径。     

基于智能网格降水产品的降尺度释用技术研究

利用空间分辨率为5km的广西智能网格降雨量预报产品以及桂南区域自动气象站降雨量实况资料,采用最邻近点法、双线性插值、双三次插值和统计降尺度方法,研究和评估空间分辨率在1km的格点降雨量插值预报释用技术。结果表明:(1)对于分辨率较高的智能网格预报产品,最邻近点法、双线性插值和双三次插值的预报效果无明显差异,其中最邻近点法的ETS评分和预报偏差略好于其它两种方法;(2)采用一元线性回归的统计降尺度方法比其它3种方法的降水预报能力高,并可以提高强降水的预报评分,对构造更高分辨率的网格预报产品具有一定参考作用。     

基于水土耦合机制的流域滑坡预报研究

降水诱发型滑坡灾害涉及水文与土壤失稳过程,是个非常复杂的预报难题。本研究应用CRESLIDE(Coupled Routing and Excess Storage and Slope-Infiltration-Distributed Equilibrium)模型,研究基于水土耦合机制的流域滑坡预报。模型输入格点降水由基于流域逐小时加密雨量站的反距离权重法插值获取;基于GIS、DEM和遥感技术,提取滑坡流域下垫面信息;采用分布式水文模型CREST模拟预报出滑坡研究区域的流域水文过程,作为中间变量驱动滑坡模型SLIDE,实现降水诱发型滑坡的预报。选择陕南月河流域2012年7月3—5日降水诱发型滑坡过程进行模拟预报,验证模型的适用性。结果表明,基于CRESLIDE模型的流域水土耦合滑坡预报模型在滑坡时空预报上表现稳定;通过ROC曲线分析CRESLIDE模型取得的特异性(87.8%)和敏感性(52.9%)均较好;本研究基于流域水土耦合机制研究滑坡机理预报,耦合了流域水文过程与土力学过程,使得流域水文模拟更为合理,在滑坡的预报与早期预警中表现良好,对同类滑坡预报有一定的借鉴意义。     

KNN数据挖掘算法在北京地区霾等级预报中的应用

利用北京地区2013年气象数据以及PM2.5浓度数据与能见度数据进行对比分析,结果发现气温、气压、相对湿度、露点温度、地面U风、地面V风以及PM2.5小时浓度这7个要素是影响北京地区霾等级的关键因素。利用气温、地面气压、相对湿度、露点温度、U风、V风分量以及PM2.5浓度作为7个属性特征,以霾等级做为标志量构建训练样本集,结合KNN（K Nearest Neighbor）数据挖掘算法构建霾等级预报分类器,并开展霾等级客观识别实验。结果表明K=3时该分类器的分类预报效果最佳,其13个站点的分类准确率高达88.2%。基于该算法构建的KNN模型预报无霾时的漏报概率很小,准确率高达91.8%;预报有轻度霾、中度霾以及重度霾时,空报的概率仅分别为4.7%、1.4%和2.6%。2014年8月29日至9月2日北京地区一次霾天气过程的预报结果表明：南郊观象台、密云和延庆3站的预报准确率分别达到74%、64%和84%,但霾等级的精度方面还有待于进一步提高。     

降雨型地质灾害预报方法研究进展

开展降雨型地质灾害预报是减少灾害损失的有效方法。该文在讨论降雨型地质灾害预报相关概念的基础上,结合国内外已有的研究成果,系统总结了隐式统计模型、显式统计模型和动力模型等降雨型地质灾害预报模型的特点和适用条件。近几年区域降雨型地质灾害的预报技术研究有以下新特点:统计模型简单实用,目前已经由单一考虑降雨特征的第1代隐式统计模型,进一步发展为考虑地质、地貌等静态因子的显示统计模型;动力模型逐渐由基于垂直入渗理论的边坡稳定性模型开始向基于水土耦合机制的复杂预报模型发展;降雨型地质灾害业务预报预警的核心是地质灾害预报模型的本地化运行,我国已经基于统计模型搭建了服务于不同区域的业务预报预警系统。结合多源预报降雨资料,搭建基于水土耦合机制的降雨型地质灾害集合预报预警系统是未来可能的发展方向。     

K 近邻非参数回归概率预报技术及其应用

针对参数回归技术制作概率预报存在拟合好、但预报结果不稳定的现象, 提出了用K近邻非参数回归技术制作概率预报的新途径。K 近邻非参数回归技术包括历史样本数据库、近邻子集生成和优化以及预报量估计4 个主要部分。利用该技术进行了单要素概率预报(主要包括云量和降水)和多维联合概率预报(降水、总云量、风速和气温)试验, 并对试验结果进行了检验。实例研究结果表明:该文所给出的计算方案预报稳定性好, 准确率较高,具有良好的业务应用价值。     

A Probabilistic Prediction Model for Heavy Rain-Caused Landslides in the Chongqing Region

Landslide (or rockslide) is a geological disaster that is mainly induced by strong precipitation, among a number of other natural inducing factors. Based on 1615 landslide cases, a statistical analysis is performed to find the relationship among the landslide occurrence time, rainfall 0-10 days ahead, and probability of landslides over the Chongqing region. The results show that 1) strong rainfall-caused landslides occur mainly on the day it rains or 1-2 days after the heavy rain, and as time goes on, the likelihood of the disaster reduces rapidly; 2) the heavier the rainfall, the closer the landslide time is to the precipitation time.A concept of "effective precipitation" is thus developed, and a categorical prediction model for heavy rain-caused landslides is established. Tests show that for categories III, IV, and V landslides, the model forecast accuracy arrives at 29.9%, 75%, and 100%, respectively. This indicates that the categorized probabilistic prediction can serve as a warning for the landslide prevention and mitigation.     

基于卫星降水和WRF预报降水的“6.18”门头沟泥石流事件的回报检验研究

2017年6月18日北京门头沟地区突发泥石流,造成6人伤亡。短时强降水是这起事件的主要诱发因素,但常规气象观测并没有很好地观测到此次降水过程,可见降水数据的准确性对于滑坡泥石流的实时预警及预报至关重要。近年来,卫星遥感估算降水发展迅速,WRF（Weather Research and Forecasting Model）模式关于降水的预报技巧也逐渐提高。本文以自动站降水资料为参考,首先利用定性方法和泰勒图、TS（Threat Score）评分等定量的方法比较了CMORPH（CPC MORPHing technique）、GPM（Global Precipitation Measurement）和PERSIANN-CCS（Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks-Cloud Classification System）三种卫星降水资料以及不同起报时间的WRF预报降水对此次降水过程的表现能力,然后利用降水数据驱动滑坡泥石流统计预报模型,对此次事件进行了回报,分析不同降水数据在模型中的实际应用效果,最终为滑坡泥石流实时预警和预报系统的构建提供参考。结果表明,三种卫星降水资料基本上能反映出此次降水过程东北—西南向的带状空间分布形态,其中,CMORPH与自动站资料的空间相关性最好,命中率也最高,但对降水量有一定的高估,GPM对平均降水量的时间变化有较好的反映,体现了卫星降水在观测较少地区的良好利用价值,PERSIANN-CCS的表现则相对差些。WRF模式能预报出此次降水的带状空间分布特征,但降水中心的位置与实际有所偏差;此外,预报的最大降水量的峰值出现时间比实际上晚。由于此次降水的强局地性,只有空间分辨率均匀且质量相对较好的CMORPH卫星降水驱动模型可以回报出此次事件,而自动站点资料由于空间分布不均,则没有回报出此次事件,这表明了卫星降水在滑坡泥石流实时预警系统的构建中具有一定的优势。WRF模式降水驱动模型可以提前做出预警,虽然预报的事件发生时间与实际相比偏晚3~5 h,但WRF可以较好地预报72 h内的降水,因而可以延长灾害的可预见期。WRF模式预报降水的时间和空间精度都需要进一步提高,但是仍具有很好的参考意义。     

基于机器学习的数值天气预报风速订正研究

对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。     

基于模式先验信息的贝叶斯集合降水概率预报试验

为了更好地利用降水预报历史先验概率分布函数信息修订集合概率预报效果,基于贝叶斯原理和贝叶斯降水概率预报模型,分别使用1952—2007年历史观测资料和2009—2011年6月24~120 h中国T213全球集合预报历史资料作为先验信息,对中国不同气候区代表站（广州、南京、武汉和成都）建立贝叶斯降水概率预报模型,对比不同先验信息下集合成员与集成贝叶斯降水概率预报拟合结果差异,分析先验信息对贝叶斯降水概率预报模型的影响,在此基础上,采用模式先验信息的贝叶斯降水概率预报模型,进行2008年6月降水概率预报试验。试验结果表明,由T213集合预报产生的先验信息较历史观测资料产生的先验信息更优,当先验信息的降水概率分布函数曲率最大处偏向降水大值区时,贝叶斯模型的降水预报结果也偏向降水大值区,反之亦然。结果还显示,先验信息对贝叶斯降水概率预报模型有重要影响,若先验信息偏向更多更大降水量时,贝叶斯降水概率预报对有降水的预报更优,若降水先验信息偏向更少更小降水量时,对无雨或微量降水预报效果越好。     

Forecasting Different Types of Convective Weather: A Deep Learning Approach

A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China.     

降雨型滑坡的集合预报模型及其初步应用的试验研究

滑坡的实时预警系统GRAPES-Landslide是将数值天气预报模式GRAPES (Global/Regional Assimilation and PrEdiction System)与滑坡预测模型TRIGRS (Transient Rainfall Infiltration and Grid-based Regional Slopestability)进行单向耦合建立起来的动力数值预报预警系统。由于滑坡预测模型TRIGRS中的关键水土参数具有空间分布很不均的特性,很难获取准确的数据加以描述,使得滑坡事件的激发、预测存在很大的不确定性,同时数值天气预报模式本身具有不确定性,因而用于诱发滑坡灾害的估测降水存在不确定性,进而使得滑坡的预报存在偏差。本研究基于预测降水和水土参数分布不确定性的考虑,提出了GRAPES-Landslide滑坡集合预报模型。滑坡集合预报模型中有5个不同的预报降水成员,分别是(1) GRAPES_MESO业务模式、(2)"暖-潜热加热纳近方法、(3)基于九点平滑滤波的"暖-潜热加热纳近"方法、(4)对(1)~(3)的降水成员进行简单平均、(5)对(1)~(3)的降水成员进行概率匹配的集合。根据水土参数呈正态分布的特点,通过Monte-Carlo方法随机生成100组扰动参数值。将5个预报降水与100组扰动水土参数结合,组成GRAPES-Landslide滑坡集合预报模型。选择2013年7月18日00时到7月19日12时(协调世界时)福建省"西马仑"台风降雨引发闽三角地区发生大量滑坡灾害为例,进行实际预报试验。初步研究结果表明本文建立的GRAPES-Landslide滑坡集合预报系统所预测的滑坡频发区与观测区域有很好的吻合度,与目前的滑坡业务预报结果相比有明显改进,落区更精细化。因此,GRAPES-Landslide滑坡集合预报系统综合考虑了降水预报的不确定性和非均匀分布的水土参数的不确定性,为区域滑坡预测提供了一种新的可能方法。     

ECMWF集合预报产品在重庆暴雨预报中的检验与应用北大核心

利用重庆地区34个国家气象站降水资料和ECMWF集合预报降水资料,系统检验和评估了集合预报统计量产品及后处理技术产品对2014—2016年5—9月重庆暴雨的预报性能。结果表明:集合统计量产品中最大值、90%分位数、融合产品、概率匹配平均、75%分位数对暴雨预报有一定参考性,其中90%分位数和融合产品对暴雨落区预报较好,最大值对暴雨强度预报有一定指示意义,但表现为明显的湿偏差。集合预报后处理技术产品的暴雨TS评分较控制预报和集合平均有明显提高,其中概率预报、最优百分位、融合—概率匹配、频率匹配法的暴雨TS评分超过最大值,对暴雨强度预报具有较好的指导意义,其预报偏差均表现为湿偏差,融合—概率匹配和频率匹配法对暴雨落区预报较好,概率匹配—融合对降低暴雨空报率较好。