钦州市一次春季连续性大雾气象特征分析

对2011年2月6～9日钦州市连续性大雾天气过程进行分析,结果表明：有利的大气环流形势为大雾形成提供有利天气背景;持续的东南风和适宜的风速为大雾的形成提供了有利水汽条件;与稳定度有关的物理量场及与水汽条件有关的相对湿度场对预报大雾天气有一定的指导意义;逆温层结对水汽的聚集有重要贡献。     

信阳市汛期强降水短期数值预报产品释用技术研究报告

通过对ＨＬＡＦＳ物理量预报场的诊断分析,建立了信阳市汛期强降水短期动力诊断预报模型、相关统计预报模式和综合预报业务系统。     

利用MM5模式输出产品制作雾的客观预报

利用MM5中尺度非静力模式输出产品进行深加工，对陕西省高等级公路大雾进行预报，由于模式输出产品有每小时的湿度场，风场和气温预报场，这些要素场和雾形成关系密切，应用PPI，MOM和MEC方法对陕西省4要高等级公路14个站点大雾进行预报，业务使用证明该方法是可行的。     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

北京地区大雾形成的分析和预报

根据1958~1994年首都机场大雾观测记录, 统计分析北京地区大雾生成的气候概况, 计算分析大雾形成前各种物理量场的分布和观测数据, 提出预报北京地区大雾的方法.并于1998年7~11月进行了预报检验.     

集合因子预报冰雹方法初探

在分析冰雹天气产生的天气类型、相关要素场分布的基础上，指出一般单因子或组合因子在预报模式应用中的利弊，设计了一种由时间范围、空间区域和物理量特征三者组成的时空动态的集合因子方法，用来制作冰雹预报．同时还对集合因子的设计原理，加工处理，应用检验及预报模型建立进行了探讨。     

咸阳机场大雾预报及服务保障

以2000年12月12日至19日的连续性大雾为实例，通过中低空物理量场的计算和分析，结合传统天气学方法，对辐射大雾的生成与消散从物理量上做出判断和预报。并就机场天气预报如何为飞行提供更好地服务进行探讨，提出几点建议。     

东营市城市空气质量集成预报研究

利用1999—2003年高空气象资料、东营站地面资料以及东营市环境监测资料，按季度分别建立了高空资料因子库、物理量资料因子库和东营资料因子库，并分别与各污染物求取了相关系数，建立各自的典型场，运用逐步回归法、最优回归法、BP神经网络方法建立了各污染物的预报模式，加上CAPPS模式，分别对2001—2002年进行了试报。根据四种模式预报的准确性计算出各模式的权重系数，建立了空气质量集成预报系统，并对2003年进行了试报，效果较好。     

盛夏区域性暴雨预报业务系统

对物理量场统计分析，利用省地远程终端提供的资料设计了以天气形势与物理量场相结合的区域性暴雨剔除、预报判别模型。建立了宝鸡市盛夏区域性暴雨预报业务系统。经回报试报效果较好。     

SWCWARMS模式对四川盆地强降水预报的检验分析

利用SWCWARMS模式产品、常规观测等资料,对2017年7月27~28日和2018年7月26~27日四川盆地两次强降水过程中的环境场、降水量和物理量场等进行了12h、24h预报时效的天气学检验分析。得出SWCWARMS模式产品在强降水预报中的3大优势:(1) SWCWARMS模式对两次强降水过程的降水强度、范围等预报效果较好,尤其是降水强度更为突出,参考价值高。(2) SWCWARMS模式对中高纬大尺度环流背景和强降水主要影响系统预报效果较好,对高原低值系统也有较好的描述。(3) SWCWARMS模式对物理量场中水汽条件(比湿场)和不稳定能量CAPE值预报效果较好。同时,还需要注意的有2方面:500hPa风速和高原上空天气系统存在系统性偏弱现象;对低层风速预报偏弱,加之风向预报偏差,直接影响了强降水分布及大暴雨中心位置的正确预报。      

CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用

以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测。首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选,选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归（CAR）和支持向量基（SVM）回归两种方法,建立郑州冬半年大雾日数预测模型。CAR方法回报正确率为88％,SVM方法回报正确率为82．4％;经2002／2003—2005／2006年4a的独立样本试报,两种方法平均预测准确率（Ts）均为75％。     

耦合模式在局地辐射雾三维数值模拟研究中的应用

本文利用中尺度数值模式MM5与三维辐射雾模式相耦合,分别对重庆和长沙地区的一次冬季辐射雾过程进行了模拟研究。结果表明,中尺度数值模式与三维辐射雾模式的单向耦合可以较好地模拟出雾的生消演变过程,以及雾的浓度、地理分布特征、形成和维持。由此可以说,利用耦合模式开展雾的预报是可行的。     

江门地区初春大雾的预报预警业务系统

介绍江门地区大雾天气分型预报业务系统。该系统采用Delphi语言编写程序、应用Access作为数据库进行开发,并采用人机交互方式,简化了预报流程,减少工作量,为及时、准确发布大雾预报和预警信息提供依据。该系统通过自动读取Micaps实时数据,以人工判断锋面、倒槽、切变线等有利于春季大雾的天气形势为辅助,对江门地区初春大雾天气做出客观预报,并对预报结果进行自动检验。     

基于神经网络的单站雾预报试验

采集大连某机场2004—2007年大雾、轻雾和无雾天气事件共186例,选取雾天气事件前期(前一日08:00,14:00,20:00(北京时)实测资料)的温、压、湿、风等要素指标为预报因子,基于学习向量量化神经网络(learning vector quantization,LVQ),采用逐级预报思想建立起某机场雾天气事件的预报模型。在网络训练过程中,动态调整网络神经元比例参数,提高模型的预报能力;采用根据检验准确率适时终止训练的"先停止"技术,有效提高了模型的泛化能力。预报试验表明:无论是拟合率还是独立预报准确率,模型均已达到较高水准,具有实际应用意义。     

中国典型大雾落区基本概念模型的研究与建立

利用MICAPS气象信息综合分析处理系统的历史气象资料,根据大雾形成的物理机制,对2008-2010年发生在中国典型区域大雾天气个例中主要影响因子进行分析,得出7个有利于区域大雾产生的因子。结果表明：7个因子中,逆温层厚度为20-200 hPa;地面温度露点差多小于1 ℃,前一日多小于3℃;近地面湿空气厚度0.05-0.70 km;逆温层极值点0 ℃线是雾淞产生特征线;地面偏南风风速为2-6 m·s-1;气温为-15.0～20.0 ℃,其中,-5.0～5.0 ℃占比例最大,0 ℃线是大雾发生的特征线;变性或减弱的高气压。7个因子均有12-24 h的超前特征,经过叠加,构成了“大雾落区基本概念模型”。根据模型建立了大雾落区预报业务系统。理论检验表明,区域大雾预报时效可提前到12-24 h,24 h区域大雾预报准确率为87.5 %。     

卫星云图在海岸带大雾天气监测及预警中的应用

利用2005-2010年卫星云图FY-2E、海岸带一海区出现的28次大雾天气资料和2008-2010年海岛站资料,依据大气状态方程、热力学原理,在MICAPS3．0系统下,应用云图与同步探空、地面雾区叠加图、温度场逆温层剖面及TBB值与海面温度比较,估算雾区面积、高度及秋、冬季雾区温度垂直递减率。结果表明：在环渤海地区特定的环流背景下,红外云图和可见光云图监测到的雾区分别在大连、烟台及天津一带由轻雾转为大雾,沿海岸带向北发生发展,雾区垂直厚度为400-600m,递减率为0．02-0．04℃／100m,渤海东西向温度差值为1q℃,南北向为3-5℃;辐射雾对应弱高压均压场,平流雾对应弱低压均压场;低云覆盖雾区浓雾加重,轻雾被低云叠加使得能见度降低;平流雾被锋面抬升后混合到低空水汽输送带之中,对后期降雪（水）具有指示作用。在2009-2010年海区一海岸带大雾天气预报及预警信号升级应用中效益显著,可为海岸带大雾预报因子选取及预报监测业务流程的改进提供参考。     

基于支持向量机模式识别的大雾预报方法

选取1971～2000年11～12月大雾发生前近地面层的气象要素(气温、降水、能见度、风向风速、相对湿度、云量等9个预报因子),将支持向量机(SVM)方法应用于大雾预报.采用支持向量机方法,应用径向基函数,建立了陕西公路站点大雾24 h预报模型,并进行了大雾预报的模拟、训练,其寻优标准TS评分达到了理想的效果.     

重庆市区雾的天气特征分析及预报方法研究

分析了重庆市区雾的特点、天气特征及温、湿等气象要素垂直分布特征,利用重庆站的观测资料选取适当的诊断因子,采用动态学习率BP算法的人工神经网络对重庆市区能见度进行了拟合和预报检验。研究表明:55年以来,重庆年雾日数总体呈逐年下降趋势,同时轻雾日数急剧上升,这种变化可能主要与城市热岛效应增强和空气污染状况加重有关;发展成熟的辐射雾大多具有逆温的稳定结构,雾顶上下温度、湿度存在明显跃变特征;神经网络模型具有较强的自适应学习和非线性映射能力,对能见度为0~1 km雾的报出率为83%,Ts评分达到69%,平均预报误差为0.384 km。除常规气象要素外,通过M指数、Ri数、凝结核、辐射状况和其他物理量的引入,以及对因子网络输入值的技术处理,明显提高了神经网络对雾尤其浓雾的预报能力,其对能见度在0.4 km以下浓雾预报的Ts评分可达89.5%。模型结果对重庆市区雾的预报具有良好的参考价值。     

ON THE OPTIMAL BACKGROUND ERROR COVARIANCES: DIFFERENT SCALE ERRORS’ CONTRIBUTION

The large-scale and small-scale errors could affect background error covariances for a regional numerical model with the specified grid resolution.Based on the different background error covariances influenced by different scale errors,this study tries to construct a so-called"optimal background error covariances"to consider the interactions among different scale errors.For this purpose,a linear combination of the forecast differences influenced by information of errors at different scales is used to construct the new forecast differences for estimating optimal background error covariances.By adjusting the relative weight of the forecast differences influenced by information of smaller-scale errors,the relative influence of different scale errors on optimal background error covariances can be changed.For a heavy rainfall case,the corresponding optimal background error covariances can be estimated through choosing proper weighting factor for forecast differences influenced by information of smaller-scale errors.The data assimilation and forecast with these optimal covariances show that,the corresponding analyses and forecasts can lead to superior quality,compared with those using covariances that just introduce influences of larger-or smallerscale errors.Due to the interactions among different scale errors included in optimal background error covariances,relevant analysis increments can properly describe weather systems(processes)at different scales,such as dynamic lifting,thermodynamic instability and advection of moisture at large scale,high-level and low-level jet at synoptic scale,and convective systems at mesoscale and small scale,as well as their interactions.As a result,the corresponding forecasts can be improved.