基于遗传—神经网络方法的广西台风灾害评估模型研究

选取1981—2018年影响广西且灾情记录比较完整的86个台风样本,基于台风灾害伤亡人数、直接经济损失划分灾情等级,选取致灾因子,利用遗传算法与神经网络相结合的方法建立广西台风灾害评估模型。结果表明：选取的台风灾害致灾因子与台风灾情等级之间具有显著的相关性,构建的遗传—神经网络集合预报模型对台风灾情预估效果较好,训练样本拟合一致率为86.1%,测试样本预报准确率为71.4%,其中严重和较重的台风灾情等级预报结果与实况基本一致,较轻等级的预报准确率达83.3%。     

浙江省台风灾害影响评估模型

选取2000-2006年影响浙江省的20个台风所造成的灾害进行分析, 采用模糊数学原理和方法建立评估模型, 在考虑台风本身自然灾变因素的基础上加入了致灾的社会、经济因素, 组合成10个灾害影响因子输入模型, 计算出台风综合评价指数, 并利用数理统计分析方法将台风灾后的死亡人数、受伤人数和直接经济损失折算成规范化指数---灾级指数, 用来表示实际灾情, 并客观地将两指数划分为特别重大、重大、较重、一般4个等级, 分别得到两指数各自的轻重灾害判据。对比分析表明:该灾害评估模型具有较高的拟合率, 全部个例的两指数同级率达到了90 %, 错报等级也仅差一级, 能够较好地评价和预测台风可能造成的损失程度, 将其应用到应急管理中, 可为台风防灾减灾工作提供决策支持。     

基于BP神经网络的宁波市台风灾情预估模型研究

选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本,基于灾损数据,采用灰色关联分析法建立台风灾情关联度,选取台风灾害致灾因子、台风灾情综合关联度,利用BP神经网络建立台风灾情预估模型。结果表明,利用台风灾情关联度评估台风灾情大小合理可用,台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性,利用BP神经网络预估模型对台风灾情预估效果较好,其中训练样本、测试样本的模拟值与实际值相关系数分别达到0. 94、0. 865,均通过了0. 01信度的显著性检验,训练集、测试集灾情级别预报一致率为85. 3%、77. 8%,相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。     

我国台风灾害特征及风险防范策略

对登陆我国台风气候特征及灾害发生特点进行了分析,表明台风登陆我国时间集中于每年的7—9月,年均登陆数量广东最多,而最强登陆台风出现在台湾。台风灾害导致的直接经济损失总量呈现缓慢增加趋势,人员死亡数明显下降。但死亡100人以上的特别重大台风灾害平均每年发生一次,且造成的灾情占比很大。台风灾害影响主要是其伴随的大风、暴雨及引起的滑坡、泥石流、风暴潮等次生灾害共同造成的,重大灾害往往由突发性、极端性风雨引起。为了最大限度地降低和减轻台风灾害损失和社会影响,可依靠基于风险区划的防灾能力建设降低风险,依据准确的风险预评估避让风险,依赖保险特别是政策性巨灾保险的开展转移风险。     

基于云模型—风险矩阵的华南台风灾害综合等级评估

文中从台风灾害的致灾危险性和承灾体脆弱性两方面选取评价指标,利用最小鉴别信息原理计算组合权重,采用模糊数学方法得到台风致灾危险性和承灾体脆弱性的评价指数。基于云模型和风险矩阵,构建一个新的台风灾害等级评估模型。以1984—2016年登陆华南的50个台风为例,对华南台风灾害风险进行综合等级评估,结果与实际相符。与基于云模型—权重分配、模糊数学的台风灾害综合风险等级评估模型的结果进行比较,发现基于云模型—风险矩阵的台风灾害综合等级评估模型,不仅利用了云模型的优点,充分考虑了台风灾害的模糊性和随机性,还利用风险矩阵合成了台风致灾危险性和承灾体脆弱性的评价结果,比单一的模糊数学模型更合理可靠,在一定程度上也比云模型—权重分配模型结果更符合实际。     

宁波市台风灾情评估和基于层次分析法的风险评估

筛选了1956—2016年间对宁波地区影响大、具有较完整灾情记录的台风个例30个,分析了台风灾情特征,并进行灾情评估;利用模糊算法和层次分析法,建立宁波地区台风风险评估模型。结果表明:近年来台风导致的死亡人数、倒塌房屋数量、水利和农作物受灾呈下降趋势;但是经济损失越来越大,浙江登陆台风造成养殖业的损失也有增大趋势。实际灾情指数(ADI)达到1级特重的台风有4个,达到2级(严重)及以上的有9个,ADI总体呈减小趋势。风险评估指数(RAI)与实际灾情指数(ADI)的相关系数为0.78,二者等级的一致率为73%;不一致的样本中,2000年之前风险评估等级小于灾情等级,2000年之后风险评估等级大于灾情等级。风险评估指数RAI和直接经济损失率的相关系数为0.7。业务中,可根据风险评估模型计算即将影响台风的RAI,利用直接经济损失率与RAI的拟合方程或者相近RAI的历史台风,估算其可能造成的经济损失。      

热带气旋灾害指数的估算与应用方法

根据1949－1999年共50年资料，对影响我国的热带气旋所造成的灾情特点作了评估研究。采用数理统计方法，进行定理的计算，按登陆和外围影响两类主要方式建立灾情指数序列，并在此基础上，客观地划分了灾情等级，用来表示受灾的程度。还采用独立于本资料源的Suffir-Simpson热带气旋灾害指数评估方法和资料进行对比验证，最后提出了一套台风灾害预评估的技术方法。     

基于灰色关联法的县域台风灾情评估方法初探

利用2000—2016年的县域台风灾害历史灾情数据,选取受灾人数、死亡人数、倒损房屋数、农作物受灾面积和直接经济损失为评估指标,在对各项指标进行分级的基础上,通过灰色关联分析法建立了以县域为单位的台风灾害综合灾损指标,对所选取市县的台风灾害损失情况进行了分级评估分析。结果表明,所选取的指标能够快速实现不同台风灾害、不同市县间的台风灾害严重程度的对比分析,具有实际应用价值。灾害等级分布结果显示,东南沿海市县为台风灾害多发区,浙江省、广东省和福建省的各市县为严重灾害（特大型、大型灾害）的易发区;8月、9月为严重灾害的多发时间。以不同登陆地点、不同影响范围的1210号“达维”台风和1513号“苏迪罗”台风为例,对灾情评估的合理性进行了验证。     

台风灾害综合等级评判模型改进及应用分析

本文首先对2010年王秀荣等建立的台风灾害综合等级评判模型进行了改进,主要基于以下三个方面:一是对倒损房屋数指标的转换函数进行重新定义,二是对直接经济损失指标的去通货膨胀化;三是对原模型综合关联度指数分析中"死亡人数、直接经济损失、倒损房屋数、农作物受淹面积"4个指标的权重系数优化;然后,运用改进模型对2000—2015年登陆我国的历史台风灾害进行了综合等级评定与大小排序;同时,将评定结果与原模型的评定结果进行了比对。通过应用与检验分析,证明了改进后模型明显降低了通货膨胀对直接经济损失指数的影响,凸显了以人为本的防灾理念,较原模型具有更好的等级识别度,评定灾情等级结果更符合实际灾情,具备较好的评判功能,可以试用于气象服务等相关业务中快速对台风灾情进行综合等级或历史排序等评判。     

基于机器学习算法的县域台风灾害损失风险评估

基于2008—2019年我国台风县(区)灾情的直接经济损失数据,根据经济损失率将台风灾害经济损失风险分为五类,考虑台风灾害的致灾因子和孕灾环境因子共选取10个解释变量,采用五种经典的机器学习算法,包括支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、AdaBoost、XGBoost(Extreme Gradient Boosting Machine)和LightGBM(Light Gradient Boosting Machine),分别构建台风灾害经济损失风险评估模型,选出准确率最高的模型,应用于经典台风过程并进行检验评估。结果表明:基于RF算法的台风灾害经济损失风险模型的准确率最高;利用RF、XGBoost、LightGBM、AdaBoost和SVM算法构建模型的准确率依次为0.69、0.63、0.62、0.45和0.41。选择RF算法构建的台风灾害经济损失风险模型的解释变量表明,致灾因子是最主要的解释变量,其中,降雨导致损失的重要性超过风速。该模型在训练集和测试集上对风险分类的TS评分为0.55和0.51,但对每种风险类别的辨别能力存在差异,对于最低风险和最高风险的分类效果较好,对于较高风险和中等风险的分类能力不足。利用该模型对2017年第13号台风“天鸽”的经济损失进行检验评估,评估结果与实际台风灾害经济损失的风险等级较一致,各风险等级的准确率均达到0.7以上,TS评分在0.58以上,空报率和漏报率分别在0.31和0.25以下。      

1909号超强台风“利奇马”强降水特征的诊断

基于TRMM卫星降雨资料、MERRA-2卫星位势高度、风速、垂直速度等资料，对1909号台风"利奇马"的移动特征及其引发浙江、江苏、山东等地暴雨进行诊断分析.分析结果发现，台风"利奇马"是北上型台风，移动路径主要受副高与1910号台风"罗莎"等系统影响.在北上的过程中，由于台风倒槽与西风槽携带的冷空气配合，且存在大量不稳定能量，引发了此次强降水过程.此外，低空急流及西风槽为降水提供了良好的动力上升条件，南海西南季风与台风"罗莎"是台风"利奇马"充沛的水汽与能量来源，为暴雨提供了良好的水汽条件.     

1957-1996台风对中国降水的影响

台风活动中国气候的重要特点之一，它能带来大量降水并造成严重的财产损失。在一些地区，台风降水甚至可以在总降水量中占很大比例。本文目的是研究那些对中国产生影响的台风并重点关注台风对中国降水的影响。文中涉及四个方面的工作。首先，研究了影响中国台风的频率，结果表明台风影响的主要季节为5－11月，尤其以7－9月频繁；在过去40年中影响台风的频率没有明显的变化趋势。第二，对台站台风降水的气候特征分析结果显示，海南和东南沿海地区受台风的影响最大，而且长江以南大部地区每年都受到台风的影响；另外，影响区域大部分地区的台风降水在过去40年中表现出下降的趋势，但是只有东北地区南部这种趋势是显著的。第三，对台风个例的分析表明，个例降水总量和影响面积之间存在着显著的线性关系。最后，对台风造成的中国范围降水总量进行了分析，初步结果显示台风降水总量在1957－1996年间显著减少。     

不同发展阶段台风大气边界层暖区变化特征

采用NCEP/NCAR全球对流层1°×1°再分析格点资料,选取6个登陆台风个例,分析了不同发展阶段台风大气边界层暖区变化的特征及其与强度变化的关系.结果表明:在台风的不同发展阶段,其大气边界层相对涡度场和温度场的结构有着明显的不同特征,暖中心与正涡中心的距离与台风强度为反相关关系,暖中心与正涡中心的距离越小,台风强度越强.     

台风暴雨落区研究综述

台风暴雨最重要的两个因素是雨强和降雨分布,后者即为暴雨的落区。影响台风暴雨落区的因子主要有3个：1）台风涡旋内部结构;2）台风周围环境大气影响;3）台风下垫面强迫作用。本文对这3类因子的作用和影响作了总结。台风暴雨可分为台风环流内的暴雨和台风环流之外的暴雨两大类。本文把台风环流内的暴雨概括为5个落区,包括眼壁暴雨、螺旋雨带暴雨、小涡暴雨、倒槽暴雨、切变暴雨。把台风环流之外的暴雨分为台前飑线暴雨、远距离暴雨和变性下游效应暴雨。地形可能会改变两类暴雨的强度和落区。本文对每一个落区的暴雨特点和形成机理作了总结,对台风暴雨业务预报有一定的参考价值。     

数值模式对强台风“菲特”登陆期间预报能力评述

基于自动站观测和ECMWF再分析资料,针对中国气象局上海台风研究所区域高分辨率台风模式(Shanghai Tropical Cyclone High Resolution Analysis and Prediction System,STI-THRAPS)和业务常用的4个数值模式,即欧洲中期天气预报中心(European Centre for Medium-range Weather Forecasts,EC)全球模式,美国全球预报系统(The Global Forecast System,GFS),日本气象厅(Japan Meteorological Agency,JMA)全球模式和我国T639(T639L60)全球模式,对1323号台风"菲特"登陆过程的预报性能进行了综合检验评估。结果显示:对暴雨以上的强降水预报STI-THRAPS有明显优势。仅有该模式对超过500 mm的极端降水做出预报,且各项评分均好于全球模式,漏报率也明显优于其他模式。对暴雨以下的降水预报各个模式差距不大。美国GFS和STI-THRAPS较好地预报了大风区,STI-THRAPS预报的风场与实况的空间相关程度最高。从漏报率上来看,STI-THRAPS模式的风场预报具有明显优势。虽然预报最大风速偏大,但是STI-THRAPS在24 h后的路径预报有较大优势。     

CLIMATIC CHARACTERISTICS OF TYPHOON PRECIPITATION OVER CHINA

The spatio-temporal characteristics of typhoon precipitation over China are analyzed in this study. The results show that typhoon precipitation covers most of central-eastern China. Typhoon precipitation gradually decreases from the southeastern coastal regions to the northwestern mainland. The maximum annual typhoon precipitation exceeds 700 mm in central-eastern Taiwan and part of Hainan, while the minimum annual typhoon precipitation occurs in parts of Inner Mongolia, Shanxi, Shaanxi and Sichuan, with values less than 10 mm. Generally, typhoons produce precipitation over China during April – December with a peak in August. The annual typhoon precipitation time series for observation stations are examined for long-term trends. The results show that decreasing trends exist in most of the stations from 1957 to 2004 and are statistically significant in parts of Taiwan, Hainan, coastal Southeast China and southern Northeast China. The anomaly of typhoon precipitation mainly results from that of the general circulation over Asia and the Walker Cell circulation over the equatorial central and eastern Pacific. Typhoon torrential rain is one of the extreme rainfall events in the southeastern coastal regions and parts of central mainland. In these regions, torrential rains are mostly caused by typhoons.     

0709号超强台风圣帕(Sepat)的闪电活动特征

利用全球闪电定位网 (WWLLN) 获取的闪电定位资料和中国气象局 (CMA) 提供的台风定位资料, 分析了2007年第9号超强台风圣帕的闪电时空演变特征。分析结果表明: 在热带低压至强热带风暴时期, 台风中心闪电活动频繁, 外围闪电少; 台风成熟时期, 呈现明显的三圈结构; 减弱消散时期, 中心闪电骤减, 几乎为零, 外围闪电密度远远超过中心闪电密度。眼壁闪电和台风总闪电存在阶段性变化。在台风中心最大风速急剧增大的阶段, 眼壁上的闪电两次爆发, 而在第二次眼壁闪电爆发后的两个小时, 中心风速达到最大值, 表明闪电活动有可能对台风增强有指示意义。台风眼壁置换是台风强度发生变化的一个转折点, 也是台风闪电活动发生变化的一个转折点, 从台风眼壁置换开始, 眼壁上闪电数接近于零。闪电次数跟云顶亮温存在显著性相关。结合热带测雨计划任务卫星 (TRMM) 上装载的闪电成像仪 (LIS) 和微波辐射计 (TMI) 资料, 进一步对比分析了台风闪电与强对流区域的关系, 发现闪电易发生在修正极化亮温低于225 K的深对流系统中, 但并不是所有的深对流中都能探测到闪电的发生。WWLLN和LIS探测到闪电发生区域基本一致。     

华东区域台风降水量演变特征的初步研究

根据国家气候中心1961-2000年华东区域代表站逐日降水量资料，应用任福民等提出的方法，从降水量中分离出台风降水量；分析了华东区域台风降水量的演变特征。结果表明：（1）华东区域各省台风降水量均具有清楚的年际变化，不过各省年际变化并不同步。（2）各省台风降水量均存在多雨段和少雨段，但其相位可以不同。1971—1975年，福建、安徽和江西都处于多雨段，但江苏是少雨段，山东和浙江属正常段。（3）位于东南沿海的江苏、浙江、福建，TC降水量的年代际变化趋势与降水量的年代际变化趋势基本相同：因此，考虑降水年代际变化趋势时，必须关注TC降水的年代变化趋势。     

A STUDY ON TYPHOON MOVEMENT PART Ⅲ:EFFECT OF THE HORIZONTAL MOMENTUM EXCHANGE BETWEEN TYPHOONS AND ENVIRONMENT

Two semi-asymmetric flow patterns of typhoons are chosen to qualitatively determine the effect of exchange of horizontal momentum between inflow and outflow layers and the environment on the motion of typhoons. The results show that only the asymmetric flow component (residual after azimuthal mean flow has been removed) could cause a net momentum input into or output from a typhoon and therefore contribute to the changes in speed and direction of the typhoon movement. A typhoon with major inflow and/or outflow channels on its right (left) side would tend to accelerate and turn left (decelerate and turn right); On the other hand, a typhoon with major inflow and/or outflow channels in the rear (front) semicircle would tend to accelerate and turn right (decelerate and turn left).