基于支持向量机的双偏振雷达对流降水类型识别方法研究

利用基于T矩阵法建立的降水粒子雷达探测模型,建立了基于支持向量机(Support Vector Machine,SVM)的雷达降水类型识别模型。通过样本数据归一化预处理,并考虑到样本集中各偏振参量间是非线性的,择优选径向基核函数作为非线性支持向量机的核函数,采用粒子群优化算法(Particle Swarm Optimization,PSO)获取最优核函数参数C和γ,使模型达到较高分类预测准确率。建立的SVM雷达降水类型识别模型,在各仰角的预测准确率于X波段可达80%以上,于S波段可达95%左右。进一步分析发现,当多波长下预测降水类型相同时,分类预测结果准确率可达97.3%,而错误的概率仅为2.7%。可见,所建立的SVM雷达降水类型识别模型,有效提高了雷达对流天气下降水类型的识别能力。     

用支持向量机方法作德阳降水预报

本文对支持向量机(svm)回归方法的基本原理作了简要的概述.用常规观测资料并依据预报人员的实际工作经验选取预报因子,采取经典统计预报方法的方式,利用svm方法,选取径向基作为核函数对德阳市各站日降雨量建立预报模型.     

用支持向量机方法作德阳降水预报

本文对支持向量机（svm）回归方法的基本原理作了简要的概述。用常规观测资料并依据预报人员的实际工作经验选取预报因子，采取经典统计预报方法的方式。利用svm方法，选取径向基作为核函数对德阳市各站日降雨量建立预报模型。     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述,并依据常规观测资料选取预报因子,以经典统计预报方法的方式,利用svm方法,选取不同的核函数对德阳市雨量分类预报进行试验.Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力.     

支持向量机方法在德阳降水分类预报中的应用试验

本文对支持向量机(svm)分类方法的基本原理作了简要的概述，并依据常规观测资料选取预报因子，以经典统计预报方法的方式，利用svm方法，选取不同的核函数对德阳市雨量分类预报进行试验。Ts评分表明采用多项式内积函数作为核函数构造的预报模型具有较好的预报能力。     

RBF神经网络在雷达定量估测降水中的应用研究

利用重庆气象局CINRAD/SA气象雷达降水回波资料和相应地区的地面雨量站资料,基于径向基函数神经网络,建立雷达定量估测降水模型,将其用于地面降水估测。作为比较,同时以变分法得到的Z-R关系式估测所得降水。经二者对比试验结果表明:建立的雷达定量估测降水模型的估测精度和稳定性要明显优于Z-R关系式,能较好地反映降雨的真实情况。     

一个降水预报的时间序列线性平稳预测模型

本文利用兰州１９４４～１９９７年的月平均降水资料,建立了线性平稳序列的降水预测模型,该模型使用了功谱密度函数中的最大熵法（或叫全极模型）,并将特征多项式模大于１的根反射到单位圆内,再返回修正后的线性预测的系数。并对１９８６～１９９７年１１年的月降水做了预测试验,试验结果表明,该模型具有一定的预报能力,其中取１５阶预报效果较好。此方法在短期气候预测业务中,可作为台站月、季、年降水预测走向客观化、定量化方法的一种初步尝试     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

近40年山东各水资源分区降水变化特征及多步预测时序模型

利用近４０年来山东省４１站降水资料，分析了各水资源分区降水演变特征。以均生函数为基函数，用主成分分析原理进行筛选，建立了山东省各水资源分区降水时序多步预测模型，通过计算试验，拟合，预报效果均较好。     

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。     

一种动态数据的新建模法及其预报应用

文章提出了一种新的动态数据建模法, 利用观测的数据序列, 先用双向差分原理反导出一个非线性常微分方程。 以此作为微分动力核, 然后运用自忆性原理建立预报模式, 我们称之为数据机理自记忆模式(Data-based Mechanism Self-memory Model), 简称为数忆模式, 缩写为 DAMSM。 多个实例计算表明, 数忆模式的预报准确率是比较令人满意的, 给出了长江三角洲夏季降水年际预报的实例。     

Study on Ensemble-Based Forecast of Extremely Heavy Rainfalls in China: Experiments for July 2011 Cases

According to the Anderson-Darling principle, a method for forecast of extremely heavy rainfall (abbreviated as extreme rainfall/precipitation) was developed based on the ensemble forecast data of the T213 global ensemble prediction system (EPS) of the China Meteorological Administration (CMA). Using the T213 forecast precipitation data during 2007-2010 and the observed rainfall data in June-August of 2001-2010, characteristics of the cumulative distribution functions (CDFs) of the observed and the T213 EPS forecast precipitation were analyzed. Accordingly, in the light of the continuous differences of the CDFs between model climate and EPS forecasts, a mathematical model of Extreme Precipitation Forecast Index (EPFI) was established and applied to forecast experiments of several extreme rainfall events in China during 17-31 July 2011. The results show that the EPFI has taken advantage of the tail information of the model climatic CDF and provided agreeable forecasts of extreme rainfalls. The EPFI based on the T213 EPS is useful for issuing early warnings of extreme rainfalls 3-7 days in advance. With extension of the forecast lead time, the EPFI becomes less skillful. The results also demonstrate that the rationality of the model climate CDF was of vital importance to the skill of EPFI.     

U-Net模型在京津冀临近降水预报中的应用和检验评估

利用2018—2019年期间10 min定量降水估计(Quantitative Precipitation Estimation, QPE)实况观测,构建基于U-Net的分钟级临近降水预报模型,实现了京津冀地区未来0~2 h逐10 min降水量滚动预报。以TS、BIAS、POD、SR、FAR作为评价指标,通过检验2020和2021年6—9月长序列以及分析2020年8月12日和2021年7月1日两次强降水个例,表明U-Net模型预报接近实况,局部伴随着一定程度的空报,相较光流法、持续性预报及CMA-MESO模式预报效果有明显提升。具体表现为:当分钟级降水预报不超过10 mm/(10 min)时,U-Net模型明显优于光流法和持续性预报;当小时预报不超过25 mm·h^-1,U-Net模型优于CMA-MESO模式和光流法。然而,当降水强度超过10 mm/(10 min)或 25 mm·h^-1时,U-Net模型存在预报偏弱的情况,可能与强降水样本较少有关。     

基于集合预报的中国极端强降水预报方法研究

极端强降水天气属于小概率事件,其发生具有很多不确定的因素,预报难度很大。根据Anderson-Darling检验原理研究基于集合预报资料的极端强降水天气预报方法,利用2007—2010年中国T213集合预报资料和2001—2010年6—8月中国降水观测资料,分析观测与集合预报累积概率密度分布函数的特征,建立基于集合预报与模式历史预报累积概率密度分布函数连续差异的数学模型——极端降水天气预报指数(EPFI),并对2011年7月中国极端强降水天气进行预报试验。结果表明,极端降水天气预报指数可以充分利用集合降水累积概率密度分布的尾端信息,为极端强降水提供科学合理的预报,基于中国气象局(CMA) T213集合预报的极端降水天气预报指数可提前3—7 d发出极端强降水预警信号,随着预报时效的延长,预报技巧逐渐降低。研究还表明,模式气候累积概率分布的合理性将直接影响极端强降水天气识别能力。     

局部均值伪最近邻算法在降水预报中的应用

分析北京地区日降雨量资料发现,相较于其他降雨事件,大雨或暴雨事件发生的次数较少,因此该地区的降水量预报属于样本不均衡问题。在样本不均衡的情况下,K最近邻算法的分类误差率将会大大提高,这也就使传统的基于K最近邻算法的降水量预报方法的应用受到了限制。针对北京地区降水量预报这一样本不均衡问题,应用局部均值伪最近邻算法构建了北京市的降水量预报模型。该方法利用北京地区日降雨量资料和美国国家环境预报中心全球格点资料,将降雨量作为类,将美国国家环境预报中心全球格点资料的各种因子场作为天气样本特征,计算得到不同天气样本在所有类中的局部均值伪最近邻,通过决策规则实现最优分类。利用提出的降水预报模型对北京市2010年6—8月进行了24 h降水预报,实验结果表明,提出的预报方法对于降水等级预报的预报准确率以及晴雨预报的TS评分、正样本概括率、空报率和漏报率均优于传统的K最近邻预报方法,该方法具有较好的预报效果。     

一种联合历史和实时资料的定量降水短时预报技术研究

本文提出一种基于百分位映射,使用实时和历史资料联合订正模式定量降水短时订正预报技术,并与仅使用历史资料或实时资料的订正效果进行对比。结果表明:三种方案均能有效订正模式原始降水预报偏差,提高0~12 h降水预报准确率。对于晴雨预报,采用联合订正方案,预报效果最优。在0~7 h预报时效内,仅采用实时资料的订正方案准确率明显优于仅采用历史资料的订正方案,在8~12 h预报时效内,后者准确率稍高。所有预报时效内,仅采用实时资料的订正方案降水预报范围较仅采用历史资料的方案略偏大。对于较强降水预报,采用联合订正方案准确率为三种方案最优,仅采用实时资料的方案预报准确率虽优于仅采用历史资料的方案,但预报范围及量级较实况明显偏大。     

西南区域中心模式SWC-WARMS降水偏差分析

本文利用2014—2015年5—10月12(24)h累积降水资料和西南区域模式(SouthWest Center WRF ADAS Real-time Modeling System,SWC-WARMS)36(72 h)预报时效内降水预报资料,从概率和频次角度分析不同海拔高度地区观测和模式降水在量级及空间分布上的特征差异。结果表明,SWC-WARMS模式各预报时效各量级降水的概率密度均比观测偏大,并向10 mm以下雨量集中,且随预报时效延长偏大更显著;模式与观测降水的概率密度曲线差异在盆地小于高原,地形差异小的区域小于地形差异大的区域。SWC-WARMS模式对四川地区降水预报存在雨日较观测明显偏多,量级偏大,降水频次高值区范围偏大、出现虚假高值区等系统性偏差。此外,模式预报在20—08时比08—20时优,24 h累积降水预报优于12 h降水预报,尤以中雨及以上量级降水落区预报为甚。最后,模式极端强降水预报在20—08、20—20时较实况偏大,08—20时,模式预报在盆地较实况偏小,川西高原和攀西地区偏大。     

千米尺度数值预报模式对泰山地区暖季降水预报性能的评估

为深入认识对流可分辨模式对小尺度孤立地形区降水的预报性能,使用2017年暖季（5—9月）台站逐时降水观测数据,以小时尺度降水特征为指标,细致评估了千米尺度分辨率（3 km）的北京“睿图”短期数值预报子系统（RMAPS-ST）对泰山及其周边地区降水特征的预报能力,并对比了不同起报时次（北京时08时和20时）的预报差异。评估发现,RMAPS-ST可以再现泰山站的局地降水中心,但区域西南侧降水预报小于观测,而泰山站及其东北侧则相反。清晨和午后时段的降水预报与观测相比存在较大偏差。以泰山站为例,RMAPS-ST易于低估夜间至清晨时段的降水频率,这可能与模式对降水系统发展演变过程的预报偏差以及清晨泰山站弱降水事件的漏报有关;清晨泰山站降水强度的预报在不同起报时次的结果中存在差异,20时起报存在大幅度高估的问题,进而导致其暖季平均降水量预报大于观测,而08时起报对于清晨降水强度的高估不明显;08时起报易高估泰山站午后的降水频率,这与其午后短历时降水事件数预报偏多有关,模式对山区热动力场的预报偏差是午后降水空报的可能原因。小时尺度降水特征已应用于中国气象局区域数值预报模式的业务评估体系中,本研究结果也表明,此类评估有助于深入认识千米尺度数值预报模式对降水日内变化的预报能力,从而为精细化降水产品的订正提供更详实的科学依据。      

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。