热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

基于地形因素的吉林省ECMWF气温预报订正方法研究

利用2016年1月1日—2018年12月31日吉林省381个站的逐日最高气温、最低气温和定时气温的观测数据,对ECMWF高分辨率模式的2 m最高、最低气温和定时气温预报进行检验分析.结果表明,ECMWF模式对吉林省的气温预报与实况存在一定偏差;从空间上看,自西向东气温预报准确率逐渐递减,预报误差逐渐增大;从时间上看,随预报时效的增长,预报准确率逐渐下降.对ECMWF的气温预报进行高度差订正后,模式最高气温24 h、48 h、72 h的预报准确率分别从52％、51％、50％提高至58％、56％、54％;最低气温准确率分别从58％、56％、54％提高至64％、62％、59％;定时气温准确率分别从63％、60％、58％,提高至67％、63％、61％.高度差订正的方法有效提高了模式气温预报的准确率,减小了模式预报误差,提高了模式预报释用能力,订正后的气温预报TS评分得到明显的提高.该方法已应用在吉林省客观预报的订正算法中.     

基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络（Multi-scale Feature Fusion Network, MFFN）的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块（Res.block）、扩大网络感受野的多尺度卷积模块（MCM）和提取并融合不同尺度信息的多尺度特征模块（MFM）。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。     

基于CLDAS的格点温度预报偏差订正方法

利用国家气象信息中心CLDAS格点温度实况、中央气象台SCMOC格点温度预报以及山西省站点观测温度,采用非独立性检验综合评估CLDAS在山西区域的适用性。在此基础上,采用滑动训练期订正方案,基于格点实况开展SCMOC温度预报场的客观订正。结果表明:(1)复杂地形对山西CLDAS格点温度实况的精度有一定影响,但最高气温的分析精度优于最低气温,表明地形对最低气温的偏差影响更显著,高海拔地区CLDAS最低气温一般对应为负偏差,低海拔地区一般对应为正偏差。(2)CLDAS格点温度实况的偏差空间分布具有时间延续性,进行简单的系统偏差订正后,最高、最低气温格点实况的精度分别提升1.1%、9.7%,与站点观测更为吻合。(3)基于改进后的CLDAS格点温度实况,采用滑动偏差订正方案,显著改善了山西省SCMOC温度预报的准确率。2019年,滑动偏差订正后的24 h时效最高、最低气温预报准确率较SCMOC温度预报分别提升2.7%、4.7%,订正后的短期温度预报质量有较大提高,优于预报员主观预报。     

江西省山地风场风速订正方法研究

利用气象站、探空及NASA再分析资料,对江西省4县山地风场的12座测风塔风速进行订正研究。研究结果表明:测风塔与气象站风速数据相关性较低,相关系数一般远小于0.45;测风塔与探空资料的风速相关系数可达到0.6以上,最高可达到0.8;NASA再分析资料可以作为江西山地风场风速订正参证数据,其与测风塔风速数据相关性较高,相关系数可达到0.54～0.77,大多数测风塔相关系数可达0.7左右。海拔高度小于1000 m的测风塔与NASA 50 m风速的相关系数明显高于其与NASA 850 hPa风速的相关系数,高度为1000—1200 m的测风塔与NASA 50 m风速和与NASA 850 hPa风速的相关系数相差不明显,高度大于1200 m的测风塔与NASA 850 hPa风速的相关系数明显大于其与NASA 50 m风速的相关系数。比值法订正效果略好于线性回归法的,订正后的风功率密度总体偏大。     

中国地区集合预报产品自适应递减平均偏差订正法的改进研究

基于中国地区T213集合预报产品2 m温度预报数据,采用卡尔曼滤波类型的自适应递减平均法进行偏差订正处理,原方案在剧烈降温天气订正效果表现不理想。通过对递减平均参数w的重新构建得到改进的订正方案w(i,p)(i为站点信息,p为天气过程信息),在此基础上进一步优化对历史信息的有效提取,得到改进的方案w(i,p)相似法和w(i,p)统计法,并进行效果检验。结果表明:改进为包含空间和天气过程信息的函数w(i,p)后方案的订正效果得到不同程度的提高,其中24 h剧烈降温预报各成员预报均方根误差平均减小了0. 15℃;而进一步改进的w(i,p)统计法在当前几种剧烈降温预报中订正效果最优,其集合平均偏差与w(i,p)方案相比减小2. 54℃。     

四川地区多模式2m温度预报性能分析及集成方法研究

本文通过分析2017年9~12月四川地区ECMWF(European Centre for Medium-Range Weather Forecasting)细网格模式、GRAPES_GFS(Global and Regional Assimilation and Prediction System)全球模式和西南区域模式(South West Center-WRF ADAS Real-time Modeling System, SWCWARMS)2m温度168h预报时效内的系统性偏差特征,采用滑动双权重平均法分别对三种模式温度预报产品进行偏差订正,并集成得到各时效2m温度的订正场,结果表明:(1)三种模式的预报存在明显的日变化,整体上EC模式的预报最优。(2)三种模式对于低温和高温的预报,在全省均大致呈现负的系统性误差,特别在高原及过渡区表现的尤为明显。(3)订正后三种模式的预报准确率显著提高,均方根误差减小1.4~2.5℃,大部分地区平均误差维持在±0.5℃之间,在系统性偏差较大的地区,订正效果更好。(4)两种集成方案预报结果接近,且均优于三种模式的订正预报。