一次强对流系列风暴个例的多普勒天气雷达资料分析

讨论了新一代（多普勒）天气雷达对2002年5月14日19:00至21:00影响湖南常德地区的3个对流风暴的探测情况，其中两个为超级单体，一个为飑线。观测到了与超级单体相联系的中气旋和龙卷式涡旋特征（TVS）。上述强对流系统产生了地面大风、大冰雹和龙卷等强烈天气，与雷达的探测相吻合。特别值得一提的是在中国首次探测到了三体散射（TBSS）和龙卷式涡旋特征（TVS）这两个分别指示大冰雹和龙卷的雷达回波特征，并得到了地面报告的印证。     

一次超级单体冰雹云雷达回波特征分析

1994年7月17日04时至05时左右，产生在成都市新都县及青白江区的大风、冰雹雷达回波特征图为依据，分析得出：这次局地强对流天气过程是一次典型的超级单体冰雹云活动所致。     

集合预报的进展与展望

集合预报开创了数值天气预报的新纪元，本论综述集合预报的进展，展望其发展趋势并对建立我国的相关系统提出建议。     

华南中尺度暴雨数值预报的不确定性与集合预报试验

利用非静力MM5模式,分析了不同积云对流参数化方案对华南暖区暴雨数值预报的不确定性影响,进行了中尺度暴雨模式扰动集合预报试验。不同对流参数化方案的对流凝结加热引起不同的局地温度扰动,通过大气内部的热力动力过程,导致垂直速度的差异,进而影响网格尺度和次网格尺度降水时间、地点和强度。后续降水再通过凝结潜热释放形成新的扰动源。不同积云对流参数化方案还可引起扰动源能量传播方式不同,最终使模拟大气的动力和热力结构有差异。针对物理过程的不确定性,使用两种模式扰动方法构造集合预报扰动模式,第一种方法是随机组合不同积云对流参数化方案和边界层方案,第二种方法是扰动Grell积云对流参数化方案中主要参数振幅。集合预报结果表明,第一种方法的集合预报效果优于第二种方法,仅扰动参数振幅值似乎还不足以反映华南暴雨预报的不确定性。单一的确定性预报在暴雨落区和强度方面的可信度不稳定,集合产品能给华南暴雨过程提供更有用价值的指导预报,具有较高的应用价值。     

集合预报及其在中期天气预报中的应用

作者概述了集合预报的基本概念，集合预报中期天气预报中的意义与作用，现有的主要集合预报产品以及集合预报在美国美国国家气象中心和欧洲中期天气预报的业务运行。简要介绍了我国国家气象中心在动力延伸预报和集合预报方面的试验研究情况。     

赴英国参加“集合方法研讨会”总结

由年、季气候变化工作组(WGSIP)、气候变化数值试验工作组(WGNE)和气候变化耦合模式工作组(WGCM)联合主办的“集合方法研讨会”于2004年10月18日至22日在英国Exeter召开。     

应用"极值剔除"和"逐步消空"法建立太原机场11月份辐射大雾预报指标集

本文介绍了利用“极值剔除”和“逐步消空”方法建立太原机场11月份辐射大雾预报指标集的具体过程，并对得出的预报指标进行回报检验，以证实其在业务中的切实可行性。     

应用IAP9L-AGCM对2002年中国夏季气候的预测及效果检验

利用中科院大气所9层大气环流格点模式(IAP9L—AGCM)和IAP—ENSO预测系统对2002年中国夏季气候进行实时集合预测及其检验。结果显示，IAP9L—AGCM较好地预测出了2002年夏季我国大范围旱涝的分布形势，如华南、我国西部多雨，黄河和长江流域之间大范围干旱等；850hPa减弱的夏季风、青藏高原辐散中心以及北太平洋上空的异常气旋性环流中心亦被较好地预报出来；不足的是，模式对降水异常细致分布的预测能力有限。预测结果还表明，该模式对夏季(6—8月)平均降水的预报技巧要高于月平均状况，且月平均预报的准确度从6—8月依次递减。     

时间尺度重构EEMD-GRNN改进模型预测PM2.5的研究

合理构建PM_2.5浓度预测模型是科学、准确地预测PM_2.5浓度变化的关键。传统PM_2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM_2.5浓度时间序列数据,分析PM_2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM_2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度（天际、月际）构建GRNN模型更具有现实意义;同时,PM_2.5对PM₁₀、NO₂、O₃、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM_2.5浓度预测精度,MAE、MAPE、RMSE和R²分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天（PM_2.5浓度大于100 μg/m³）的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。     

基于EEMD和ARIMA的海温预测模型研究

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。