基于ConvLSTM的广西短临降水预报

针对传统雷达回波外推算法在快速增长或消散降水过程预报精度较低的问题,利用华南雷达回波拼图资料数据,建立ConvLSTM回波外推模型,对广西区域范围进行短临降水预报研究.采用气象业务中的正确率(POD)、临界成功指数(CSI)及误报率(FAR)评判标准检验预报模型,并将ConvLSTM与光流法的预报结果进行对比分析.结果 表明,ConvLSTM模型的CSI、POD分别比光流法提高0.06和0.059,而FAR下降了0.058.ConvLSTM方法比光流法的回波外推预报准确率高,该方法可为广西短临降水预报提供新的参考.     

凉山州短临泥石流预报模型与方法的研究

通过对泥石流灾害成因的分析研究,确定了预报模型中的各类参数,阐述了激发泥石流的静态和动态影响因子中各类数据及其获取方法,详细探讨了中小尺度的区域泥石流短临预报模型和方法.选择泥石流危害严重的四川省凉山州作为研究区,利用可拓学原理,在直接获取气象局降水数据的基础上,建立了区域泥石流短临可拓预报模型.在 GIS 技术支持下,开发了凉山州泥石流短临预报系统.     

基于生成对抗网络GAN的人工智能临近预报方法研究

研究设计了基于生成对抗网络(Generative Adversarial Networks,GAN)的人工智能临近预报方法,并进行了业务试验。该方法利用广东12部S波段天气雷达2015—2017年海量雷达拼图资料进行人工智能学习来做临近预报。GAN方法从一系列雷达观测资料中,运用卷积法提取回波图像信息建立预报模型,并通过损失函数训练模型,得到基于人工智能技术的临近预报。对2018年发生在广东地区的4个天气过程的外推预报试验表明,GAN方法对对流天气过程的回波位置、形状及强度的临近预报多数情况下与实况基本一致,具有较好的预报效果。但是该方法预报的回波范围偏大,对层状云降水的预报效果较差。对西风带系统引起的降水,西南季风降水,东风系统引起的降水以及台风降水的18个个例1 h预报的3个级别的回波强度检验发现,GAN方法对中等强度回波的预报较好,但对强回波的预报效果仍有待提高。     

基于EEMD的黄河中上游夏季降水预报方法的研究

传统的统计方法难以很好的对气候系统这一集非线性、非平稳性为一身的多层次系统进行处理。因此集层次化处理和平稳化处理的集合正交经验模态分解技术(EEMD)的提出,为解决上述问题提供了有效的途径。本文选取黄河中上游24个气象观测站的逐月降水资料,结合组合预报和集合预报思路,基于EEMD建立了统计预报模型。其中对降水序列中的高频部分进行了二次平稳化处理,实现对2008—2013年6—8月的降水预报,并用预报评分检测预报效果。结果表明:EEMD模型对黄河中上游夏季降水有着较强的预报能力,在该区域与气候模式和传统的统计方法相比具有更高的精度和更好的应用前景。     

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。     

基于多尺度特征深度学习的短临降水预报

雷达回波外推是短临降水预报的一种重要方法。针对雷达回波外推中随着外推时间的增加而出现回波演变信息丢失这一问题,本文提出一种多尺度特征融合的深度学习短临降水预报模型(以下简称为MSF2)。首先,采用多尺度的卷积核对网络的浅层信息进行特征提取,弥补单一特征检测带来的不足。其次,将不同维度的特征信息进行拼接及通道混洗,进一步增强特征图通道之间的信息流通和信息表达能力。最后,将特征图中的多尺度信息进行融合,从而有效保留不同尺度的特征信息。利用华南雷达回波拼图资料数据,在3种不同降水强度（5 mm/h、10 mm/h和25 mm/h）下进行降水预报研究,并与光流法和ConvLSTM两种主流算法进行了对比。结果显示,在3种不同降水强度条件下,MSF2在所有评价指标（命中率POD、临界成功指数CSI、误报率FAR）中表现最优,这表明引入多尺度机制能改善模型的特征提取能力。相比于目前主流的光流法和ConvLSTM,本文提出的模型对于短临降水预报具有较好的适用性和较高的预报精度,而且实现了业务化运行。     

广西大风短临预报预警方法的研究与应用

分析了大风短临预报的现状、困难和原因,重点介绍数据挖掘技术在广西大风短临预报预警方法研究中的应用,利用2019年7月11日—9月11日期间的数据,对广西大风短临预报预警系统的预报能力进行TS评估和时效性检验,结果表明:该系统对广西89个台站所做的大风蓝色预警、大风黄色预警,以及不分级TS评分检验,预报准确率达到18%以上,具有较好的准确率和提前量。     

基于移动互联网的短临降水预报服务短语算法设计与应用

随着信息技术的快速发展和气象现代化的快速推进,民众对气象服务要求越来越高,气象服务产品的种类、品质也需要与时俱进。本文从用户生活的实际需求出发,基于雷达反演降水实况融合数据的0~1h短临降水预报,设计0~1h短临降水预报的算法,不同降水趋势下服务短语生成,开发了0~1h短临降水预报服务短语应用系统,并集成到智慧气象APP和浙江降水发布系统手机客户端软件开展服务,有助于提升气象服务质量。     

雷达反演资料的Nudging同化对华南暴雨过程短临预报的影响

基于1 km分辨率的华南区域短临预报模式,利用松弛逼近法Nudging同化由雷达观测反演的风场和水物质,选取两次华南前汛期降水过程进行试验,目的在于研究调整初始风场和调整初始水物质场对于短临模式降水预报的不同影响。首先对反演结果进行了初步验证,结果表明试验中反演结果是基本合理的。进而将雷达反演结果 Nudging同化到模式预报中,和控制试验(test-ctl)进行比较可以看出:(1)仅Nudging同化水物质试验(test-qcqr)可以比较有效地改进0～7 h降水预报,特别是对于0～2 h降水偏少的现象改进最为显著。(2)仅Nudging同化风场试验(test-uv)对3～7 h预报有一定的改进,但总体来说改进的幅度很小。(3)同时Nudging同化水物质及风场试验(test-qcqr-uv)的结果最优,它对于0～10 h降水预报都有比较明显的改进。从微物理量的垂直分布来看,前期模式降水主要来源于Nudging同化到初始场中的水物质信息,所以test-qcqr和test-qcqr-uv对前期降水预报的改进都比较明显。Nudging同化雷达反演风场资料可以迅速的调整初始场中低层辐合线存在的偏差,但是它对降水的影响必须配合水物质的调整才能比较明显地体现出来。总的来说,Nudging同化水物质对于短临降水预报影响最为显著,而在此基础上Nudging同化雷达风场对于3 h之后的降水预报会有更好的改进。     

基于GRU神经网络的雷州半岛近海岸能见度短临预报研究

近海岸大气能见度变化具有复杂的非线性和局地性特征,且近海岸气象观测站少,一直是精细化预报业务的难点。利用GRU(Gated Recurrent Unit)神经网络,采用广东省湛江市国家基本气象站及其周边上下游观测资料,构建了雷州半岛近海岸能见度1 h时效短临预报的多站GRU模型、单站GRU模型和逐步回归预报模型,并进行了检验评估。结果表明,相比传统的逐步回归方法,GRU神经网络能更好地识别上下游能见度的时空变化特征,多站GRU模型平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)评分均明显好于多元逐步回归模型。模型结构对能见度短临预报效果至关重要,将上下游的气象特征引入到能见度短临预报模型可显著提升预报效果。多站GRU模型在个例检验中较单站GRU模型的MAE、RMSE分别下降了36%和29%,R2提高了30%,表明多站GRU神经网络对能见度预报具有明显优势,为近海岸能见度的精细化短临预报提供了新思路。     

基于雷达回波最大重叠率的一种临近降水预报方法

基于天气雷达的临近降水预报是雷达短时预报业务系统的重要组成部分,本文在回顾雷达临近降水预报技术发展的基础上,充分考虑新一代天气雷达高时间、空间分辨率的优点,提出两个相邻时刻雷达回波具有最大重叠率的移向、移速是与降水系统整体的移向、移速密切相关的论点,再用此移向、移速对当前雷达回波进行平移,最后采用九点平均的回波生消模型...     

雷暴区域追踪矢量与雷暴单体追踪矢量融合临近预报研究

雷暴追踪矢量的准确性是决定短时临近降水外推预报效果的关键。以TREC（Tracking Radar Echoes by Correlation）为代表的区域追踪和以TITAN（Thunderstorm Identifiation,Tracking,Analysis,and Nowcasting）为代表的单体追踪是追踪雷暴移动矢量的两种典型方法。TREC基于追踪格点雷达回波数据得到,能较好体现层状云降水和对流云降水系统的区域总体移动趋势;TITAN可以识别、分析雷暴的二维和三维属性,自动跟踪雷暴的移动速度和方向,形成雷暴单体移动矢量,能够更好地刻画小尺度雷暴单体的移动速度和方向。将TREC和TITAN两种移动矢量进行融合,生成新的外推移动矢量,既保留了TREC方法在刻画大尺度雷暴总体移动趋势信息方面的特长,又能充分发挥TITAN方法在刻画小尺度雷暴运动细节信息上的优势。融合试验表明,采用TREC和TITAN两种降水移动矢量融合的新技术,可以一定程度改进降水外推移动矢量场估计的准确度,提升降水落区和强度外推预报的准确度,对改善北京地区降水临近预报水平具有一定正效果。      

A nowcasting technique based on application of the particle filter blending algorithm

To improve the accuracy of nowcasting, a new extrapolation technique called particle filter blending was configured in this study and applied to experimental nowcasting. Radar echo extrapolation was performed by using the radar mosaic at an altitude of 2.5 km obtained from the radar images of 12 S-band radars in Guangdong Province, China. The first bilateral filter was applied in the quality control of the radar data; an optical flow method based on the Lucas–Kanade algorithm and the Harris corner detection algorithm were used to track radar echoes and retrieve the echo motion vectors; then, the motion vectors were blended with the particle filter blending algorithm to estimate the optimal motion vector of the true echo motions; finally, semi-Lagrangian extrapolation was used for radar echo extrapolation based on the obtained motion vector field. A comparative study of the extrapolated forecasts of four precipitation events in 2016 in Guangdong was conducted. The results indicate that the particle filter blending algorithm could realistically reproduce the spatial pattern, echo intensity, and echo location at 30- and 60-min forecast lead times. The forecasts agreed well with observations, and the results were of operational significance. Quantitative evaluation of the forecasts indicates that the particle filter blending algorithm performed better than the cross-correlation method and the optical flow method. Therefore, the particle filter blending method is proved to be superior to the traditional forecasting methods and it can be used to enhance the ability of nowcasting in operational weather forecasts.     

一种基于数值模式诊断自适应的北京地区对流性降水临近集合预报新方法

局地触发及组织化发展中尺度系统的生消演变是影响对流性降水临近预报的核心和关键。本文结合雷达外推预报、专家系统以及快速循环更新的高分辨数值模式系统,发展和构造了一种适合北京地区的基于数值模式预报诊断自适应的对流性降水临近集合预报新方法（APEN）。APEN基于降水外推预报结果,采用模糊逻辑算法,利用北京市气象局快速循环更新同化系统（RMAPS-IN）提供的对流诊断因子,计算对流系统发展演变（新生、增加和减弱）概率;在此基础上,扰动诊断因子阈值和权重,形成对流发展的集合概率预报;最后综合专家经验,根据对流集合概率,在降水外推预报基础上进行对流性降水调整。应用APEN,针对北京两次强弱降水过程,进行了降水的临近预报试验,结果表明:基于RMAPS-IN多种诊断因子的对流发展集合概率在强弱两种天气背景下,都能较好的反映对流系统在临近时段的发展趋势;基于专家经验模型的三种对流发展状态（对流新生、增加和减弱）下的降水调整,能合理的表征对流系统发展演变对降水的影响。APEN降水预报和RMAPS-IN的业务预报的对比显示:无论是系统性对流过程还是局地激发对流过程,APEN预报的降水落区和强度都更接近于实况,尤其是考虑对流发展演变影响的降水强度预报明显优于RMAPS-IN,APEN在北京地区对流性降水的临近预报中有明显的优势和应用潜力。     

长江中游临近预报业务系统 (MYNOS) 及其应用

针对长江中游强风暴天气特点和现代预报业务需求,在借鉴世界临近预报系统, 特别是美国的Auto-Nowcaster和WDSS-II以及英国的GANDOLF等先进经验的基础上,以我国多普勒天气雷达网为重要技术手段,结合数值预报等信息资源,于2007年研究建成长江中游临近预报业务系统 (MYNOS)。MYNOS主要技术方法包括:雷达与雨量计实时同步积分结合的降水估算方法 (RASIM),雷达反演参量与中尺度模式输出物理量相结合的强风暴性质自动识别和追踪技术,基于暴雨回波生命史特性约束下的多尺度合成降水量临近预报,基于数值预报模式和模糊逻辑学的强对流天气分类落区潜势预报,集GIS功能并整合各种定量监测与预警产品于一体的短时预报工作站。MYNOS已成为短时临近预报业务的支撑平台,其中实时生成的流域定量降水估算与临近预报、强对流天气分类潜势诊断与识别预警产品等成为日常预报业务的重要参考依据。     

基于深度学习的京津冀地区精细尺度降水临近预报研究

精细尺度降水的临近预报对于提升现代城市内涝和山洪地质灾害预警能力具有重要意义。深度学习作为一种新兴方法,在挖掘数据内部特征及物理规律方面更具优势,近年来在天气雷达图像领域的应用已初见成效。为进一步提升精细尺度降水的临近预报能力,基于深度学习网络模型RainNet,研究建立了两种滚动预报方式,开展了京津冀地区1 km分辨率精细尺度降水滚动式临近预报试验和对比分析。 试验结果表明:与传统基于交叉相关的外推预报相比,深度学习网络模型RainNet总体可以明显改进降水1 h临近预报的绝对误差和相关系数;两个RainNet相结合的滚动预报方式对1.04 mm/（10 min）及以下阈值降水,在10—50 min预报性能一致优于传统的交叉相关外推预报。深度学习模型对降水消亡过程的时、空演变趋势刻画更好,尤其更适用于降水消亡过程的临近预报。采用两个RainNet模型相结合的滚动式预报方式优于单一模型滚动预报方式。      

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。     

两种基于雷达的临近预报算法在赣江流域的应用

将多尺度雷达回波跟踪(MTREC:Muti-scale Tracking radar echoes by correlation)算法和基于降水栅格数据的网格追踪临近预报外推(PBN:Pixel-Based Nowcasting)算法应用在赣江流域,对这两种临近预报算法在1~3 h预见期的临近预报降水数据进行评估,总结两种临近预报算法在赣江流域的预报性能和预报特点。结果表明:(1)随着预见期的增加,MTREC方法的预报性能变化较为平缓。PBN方法的预报性能明显变差。(2)MTREC方法预报降水偏弱,且对于低值降水预报较为准确,而PBN方法预报降水偏强,且预报高值降水较为准确。(3)MTREC方法预报的降水高值区的范围偏小而低值降水区范围偏大,PBN方法预报的高值降水区的范围偏大而低值降水区范围偏小。(4)随着预见期的增加,MTREC方法的降水概率预报变化较为平稳,而PBN方法预报高值降水(0.4 mm·h~(-1))的概率偏高,预报低值降水(0.4 mm·h~(-1))的概率偏低。     

快速更新循环同化预报系统的汛期试验与分析

为了支持短时临近预报,利用新一代数值预报技术,结合高时空分辨的新一代探测所提供的观测信息,开发了基于快速更新循环同化的数值预报系统。基于GRAPES预报模式及其三维变分,开发了逐时循环同化,包括雷达、卫星、飞机、常规地面和探空等观测资料的同化模块,并采用nudging技术,引入雷达回波,订正模式的初始云水、雨水等信息,实现快速更新预报。多种测试和汛期连续试验表明,系统运行稳定可靠。逐时同化场合理,与实况基本一致。通过1个月的滚动预报综合分析和个例预报分析均表明,预报稳定有效,与观测分布基本一致,初步具备开展短时临近预报的能力。