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3种能见度方案山东地区雾天气预报试验研究

基于中尺度天气研究与预报(Weather Research and Forecast,WRF)快速更新循环(Rapid Update Cycle,RUC)模式系统,选取SW(Stoelinga and Warner)方案、RUC方案与FSL(Forecast Systems Laboratory)方案3种能见度方案,对2015年10月至2016年3月山东地区的25次雾天气个例进行预报试验,包括能见度的定量化预报和雾天气的有、无诊断预报,利用常规气象观测资料对预报结果进行检验评估,并分析不同能见度方案对雾天气预报效果不佳的原因,对RUC方案进行订正。结果表明:SW方案模拟的能见度平均绝对误差为9—12 km,RUC方案和FSL方案模拟的能见度平均绝对误差均为2—4 km。对于山东地区大部分雾天气预报试验,SW方案和FSL方案雾天气预报的确报率高于误报率,均对雾天气具有一定的预报能力;RUC方案雾天气预报的确报率和误报率均为0,对雾天气没有预报能力。综合山东地区能见度与雾天气的预报效果可知,FSL方案更适合作为WRF-RUC模式业务中雾天气的预报产品。模拟能见度对相对湿度的预报误差过于敏感、未考虑空气中的污染物对能见度的影响及计算公式未进行本地化订正是能见度方案对雾天气预报效果不佳的主要原因,订正后的RUC方案模拟的能见度平均绝对误差较原始方案减小,且提高了雾天气的预报效果。     

2020年春季中国北方一次扬沙天气过程微气象学与沙尘输送特征

利用内蒙古科尔沁沙地和沈阳地区同步气象要素梯度观测和地面大气颗粒物(PM_2.5和PM₁₀)质量浓度观测资料, 分析了中国北方地区2020年5月10日一次大范围扬沙天气过程微气象学和沙尘输送特征。结果表明: 受大尺度天气系统影响, 此次沙尘天气过程中科尔沁沙地不同高度(< 20 m)风速均明显增加, 各层相对湿度和浅层地表含水量有所降低, 较强湍流动力作用配合干燥的土壤和大气环境有利于沙源地区地表大量的沙尘粒子释放到大气中。此后这些沙尘粒子随较强的西北气流集中在2—3 km以下高度向下游地区输送。受沙尘输送的影响, 沈阳地区10日小时平均PM₁₀浓度最高达817 μg·m^-3, 能见度减小至3.7 km。此外, 科尔沁沙地起沙过程中能见度与摩擦速度存在明显的反相关关系(相关系数R²=0.93), 与湍流动力学热通量相关性相对较小, 表明湍流动力作用在此次起沙过程占主导作用。     

基于1DCNN和LSTM的单站逐时气温预报方法

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350% 和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520% 和8.089%。为气温的精准预报提供了参考依据。      

太原雾天能见度预报

利用中尺度数值预报模式MM5对山西省2009年发生的几场典型雾个例进行数值模拟。结果表明：模拟2 m温度比观测值偏低约2 ℃,相对湿度模拟结果比观测值偏大约15 %,10 m的模拟风速比观测的偏大0-2 m·s^-1。山西省雾的预报指标为20 m液态水含量大于等于0.13 g·kg^-1而小于0.60g·kg^-1、20-1500 m高度大气层存在逆温层、地面风速小于4 m·s^-1。利用太原测站日平均能见度、日平均相对湿度以及空气污染指数进行拟合建立太原能见度预报模型,并利用实测资料订正MM5、CAPPS模式预报误差,给出订正后的能见度预报方程并以两次实例对区域及太原雾天能见度预报表明该能见度预报模型有一定的适用性。     

神经网络方法在环渤海能见度预报中的应用分析

本文基于2001—2015年中国气象局地面常规气象观测数据及NECP再分析资料,采用BP神经网络方法构建环渤海沿海城市能见度预报模型,利用2016年ECMWF集合预报数据基于预报模型进行能见度预报实验,并与ECMWF集合预报产品中现有能见度预报结果进行对比分析。分析表明:该方法对于环渤海沿海城市能见度预报的预报效果明显高于ECMWF集合预报中的能见度预报,12～72 h预报时效中,最小值对应1 km以下能见度的TS评分为0. 36～0. 43; 10 km以下能见度预报误差显著降低,与离散度的对应关系较好。因此,该方法对低能见度天气过程的能见度预报具有指示意义。     

华南低能见度天气特征及客观预报研究

利用2000—2016年华南219个县级气象观测站的地面、高空气象观测资料以及对应站点的再分析资料,统计发生低能见度天气的天气形势和特征,归纳低能见度天气的预报指标。将与能见度以及能见度变化相关的气象要素输入神经网络进行训练,利用EC集合预报数据集获得能见度集合预报结果,通过对其离散度的统计分析以及经验公式最终获得具有泛用性、可靠性的神经网络模型的参数集。通过输入EC确定场数据,获得华南219县级站长时效精细化能见度预报结果,2017年上半年的能见度预报试验显示,模型预报结果的误差与TS评分均优于CUACE模式能见度预报。     

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据，基于长短期记忆神经网络（LSTM）模型，通过评估不同输入数据和模型时间窗口长度下的预报精度，设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明：通过输入不同的特征变量，在风速的超短期(未来4 h内)预报中，风速自身变化起主导作用，模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响，当时间窗口长度L≤24 h时，模拟效果较好，说明超短期风速变化主要和风速自身临近时刻的变化有关；当L>24 h时，模拟效果快速下降，说明过长的L会削弱模拟能力，降低模拟精度。 通过分析LSTM在未来4 h内的风速模拟能力，发现随着预报时长的增加，模拟精度逐步下降，但在未来2 h内的风速均方根误差RMSE均小于2 m〖DK〗·s-1，结果较为理想，且该方法对计算资源要求不高，经济实用性强，在业务中具有较高的应用潜力。     

双流机场低能见度天气预报方法研究

在信息量较大, 而预报对象与预报因子的关系又不清楚的状况下, 智能机器学习方法是解决这类问题的较好手段。利用1997—2001年成都站的常规探空资料和双流机场的地面观测资料, 使用支持向量机 (Support Vector Machines, 简称SVM) 方法, 选取多种核函数进行双流机场低能见度天气的预报建模试验。测试结果表明:以径向基函数和拉普拉斯函数构造的SVM预报模型实验效果最好, Ts评分分别为0.287和0.292, 远高于双流机场低能见度天气出现的频率 (0.155)。试验结果还表明:以径向基函数构造的SVM预报模型空报较多, 漏报较少; 而以拉普拉斯函数构造的SVM预报模型空报较少, 漏报较多。因此, 如果强调模型对低能见度天气预报的准确性, 则应采用以拉普拉斯函数构造的预报模型, 如果强调对低能见度天气的预防性, 则应采用以径向基函数构造的预报模型。     

环境气象业务数值模式预报效果对比检验

基于华北区域气象中心、华东区域气象中心、华南区域气象中心和国家气象中心环境气象业务数值模式2015年1—3月的预报结果,从能见度和空气质量两个方面对环境气象业务数值模式的预报效果进行了对比检验。结果表明:随着能见度降低,各数值模式的预报能力均逐渐下降,对于1 km的能见度,仅华北区域模式和国家级雾霾数值预报业务系统(CMA Unified Atmospheric Chemistry Environment,CUACE)模式表现出一定的预报技巧,其中华北区域模式和CUACE模式对北京本地24 h能见度预报的TS评分分别为0.20、0.10;CUACE模式总体能见度预报误差较各区域数值模式均偏大;CUACE模式和华北区域模式、华东区域模式、华南区域模式能见度预报值与观测值的相关系数普遍低于0.6。随着空气质量下降,各数值模式AQI的预报能力均逐渐下降;AQI为优等级时,各数值模式AQI预报的TS评分均较高,其中空气质量较好的华南地区空气质量等级预报的TS评分最高,为0.81;总体上24 h的AQI预报,区域模式优于CUACE模式;48 h和72 h的AQI预报,CUACE模式优于各区域模式。各数值模式PM_(2.5)浓度的预报值普遍较观测值偏低,华南区域模式24 h的PM_(2.5)浓度预报误差相对较小,华北区域模式和华东区域模式24 h的PM_(2.5)浓度预报误差相对较大;CUACE模式PM_(2.5)浓度的预报误差较各区域模式均偏大,CUACE模式PM_(2.5)浓度预报值与观测值的相关系数较各区域模式均偏低。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆（LSTM）的气象预测方法。方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息。通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测。通过实验以及与经典机器学习预测方法的比较,验证了本文方法在气象预测中的有效性,进一步提升了气象预测的准确性,各项预测值的均方检验误差平均值为0.35。      

CN05.1气象数据在流域水文模拟中的应用——以新疆开都河流域为例

为探讨中国再分析气象数据集CN05.1在流域水文模拟中的适用性潜力,以开都河流域为研究区,分别使用CN05.1数据集和传统气象站数据驱动SWAT水文模型,采用决定系数（R ²)、纳什效率系数（NSE）和相对误差（R_e）等评价指标对二者模拟效果进行对比分析,以确定CN05.1数据的适用性;最后采用两种数据订正方法对CN05.1降水数据进行了订正,并以水文模拟效果进行评价。研究结果表明:(1) CN05.1气象数据在开都河流域的水文气象模拟中具有较强的适用性;(2) 基于SWAT模型的水文模拟显示,CN05.1数据驱动的水文模拟精度高于传统气象站数据,其率定期（1995—2005年）和验证期（2006—2016年）的R ²分别为0.81和0.73,NSE分别为0.81和0.72,R_e分别为-0.97%和0.39%;(3)两种数据订正方法均能较好地再现流域径流变化过程,但基于空间关系订正法的径流模拟效果更好,R ²和NSE均在0.72以上,|R_e|＜1.7%。由此,订正后的CN05.1降水数据一方面弥补了传统气象站数据缺失的问题,另一方面补足了未订正CN05.1降水数据在径流模拟中峰值欠佳的问题。     

2012~2020年成都市不同等级能见度的时空分布特征

利用2012~2020年成都市气象站观测资料和环境空气质量监测数据,研究了该地区能见度时空演变规律以及不同等级能见度下气象要素和污染物浓度的关系。结果表明:（1）成都市近9 a年平均能见度呈上升趋势。四季平均能见度由高到低依次为夏季（12.25 km）、春季（10.82 km）、秋季（9.04 km）和冬季（6.33 km）。成都市能见度日变化呈单峰型分布特征,07时能见度最低,17时能见度最高。（2）能见度空间分布特征为东高西低且北高南低,中部中心城区最低。（3）成都市3 km以下低能见度出现频率为10.92%,3~5 km、5~10 km和10~20 km能见度出现频率分别为15.92%、24.95%和22.51%。（4）能见度上升与对应的PM_2.5和PM₁₀浓度、相对湿度减少以及风速增加有关。当能见度低于1 km时,多为高湿（RH>96%）低温（T<10.6℃）和小风速（<1.0 m/s）和高浓度（PM_2.5>84.8 μg/m3,PM₁₀>129.0 μg/m3）。      

公路交通事故与气象条件关系及其气象预警模型

以西安地区为例, 分析该地区2002年1月—2004年12月连续3年逐日公路交通事故资料1096个样本, 以及该地区、对应的逐日13个气象要素资料, 并将样本数据划分为春夏和秋冬两个半年, 来考虑气象要素在不同时段的不同影响, 建立合理有效的公路气象预警模型。通过2005年3月—2006年4月交通事故发生起数共365个测试样本的检验, 发现这个模型具有较高的预测准确性, 运用该地区气象要素建立公路交通事故的预警模型是可行而有效的。研究表明:西安地区气象要素中包含着影响和可以预测当地公路交通的信息, 按照在logistic方程中的显著性大小和因子负载的大小, 在春夏半年 (4—9月), 影响西安地区公路交通事故相关因素依次为:能见度因子、相对湿度因子和降水因子; 而在秋冬半年 (10月—次年3月), 依次为温度因子、能见度因子、降水因子。     

湖南省低能见度天气时空分布特征及预报订正方法研究

利用2011~2020年国家基本站观测资料,研究了湖南省低能见度天气时空分布特征,并结合低能见度与地面气象要素的关系获取预报订正阈值,在此基础上,结合概率匹配法对EC能见度预报进行订正研究。结果表明:（1）低能见度区域主要位于湖南中北部和通道县、衡阳市附近,并且从秋季开始整个低能见度区域有明显向南扩大的趋势;低能见度时数出现最多的是冬季,其次是春季和秋季,分布范围最广的也是冬季,集中于湖南中东部。（2）低能见度日变化呈单峰型,主要集中在20时~次日09时。（3）≤1 km低能见度主要出现在地面风速<2 m/s、地面相对湿度基本高于90%、地面温度低于20℃及24 h变压<2 hPa的气象环境。（4）采用概率密度匹配结合要素的预报订正方法优于仅使用概率匹配的订正方法,可以很好地对湖南大部分低能见度天气预报进行有效订正,订正后TS评分显著提高。      

2012—2015年北京市空气质量指数变化及其与气象要素的关系

根据2012—2015年的空气质量指数（AQI）日报数据与同时段的气象数据,采用统计方法和广义加性模型（GAM）对空气质量指数的时间变化及其与气象要素的关系进行了分析,结果表明：2012—2015年北京市空气质量整体呈现下降趋势,冬春季空气质量较差,夏秋季的较好,冬季容易产生重污染天气,春季污染天气频发。北京空气质量存在一定程度的周末效应,表现为周末空气质量较差,工作日相对较好。整体上空气质量指数与风速、日照时数、降水量、平均气温和最高气温呈负相关,与湿度呈正相关,不同季节和不同级别空气质量下的AQI与气象要素相关性差异较大。通过广义加性模型得到AQI与降水量呈线性关系而与其他气象要素均呈非线性关系,气象要素在不同数值范围内对AQI的影响趋势和程度存在显著差异。     

北京2013年雾霾天气特点和服务应对措施

对2013年1月北京出现的持续严重雾霾天气的成因及特点做了分析,结果表明持续雾霾天气是由于稳定的层结、持续偏南风及较低的气温共同影响造成。依据服务经验,重点对雾霾天气的预报和服务措施进行了细致的分析。在预报上,利用气象部门数值模拟和天气预报的技术优势,针对雾霾的区域性分布特点,为政府部门提供准确的预报和直观的产品;在服务上,注意抓好时机,利用气象部门的特殊角色,对政府部门、公众和专业用户,根据他们的需求特点,提供相关的服务。另外,还对今后雾霾服务气象部门需要加强的工作,提出了相关的建议。