ECMWF业务预报模式地面气温预报的不一致性特征研究

为探讨ECMWF业务预报模式(以下简称ECMWF)的地面气温预报不一致性问题,本文利用2015年12月1日—2016年11月30日业务预报中常用的地面气温预报数据,研究ECMWF地面气温预报产品在不同季节里的不一致性指数分布及变化特征。结果表明:各个季节不一致性指数有不同的特点,冬季不一致性指数最大,大值区主要分布在除华南和青藏高原外的大部分区域;而夏季不一致性指数最小,在青藏高原地区不一致性指数相对较大;春、秋两季不一致性指数大小均处于冬、夏季之间。此外,研究还发现冬季地面气温预报不一致性指数单日变化较大,而夏季较小。夏季不同起报时间的地面气温预报比较稳定。     

模式降水与温度预报的不一致性特征

为探讨模式产品预报不一致性问题,利用2015年11月—2016年10月业务中常用的GQEC,GQJP及T639模式的12 h降水、2 m温度网格产品,采用跳跃指数定量计算方法,研究了产品在不同区域内跳跃指数变化与预报不一致性问题。结果表明:产品多日平均跳跃指数随预报时效延长而增大;长时效预报比短时效预报跳跃频率大、预报不一致性也大;对比两种要素可知,降水的跳跃指数比温度大,跳跃频率高,预报不一致性大;对比不同模式发现,GQEC不仅跳跃指数值小,且跳跃频率低,预报不一致性小,GQJP虽然跳跃指数值小于T639,但其跳跃频率更高,预报一致性较T639低;产品跳跃频率存在季节差异,夏季降水和温度预报跳跃频率最高而冬季最低,夏季预报不一致性最大。研究还发现:基于跳跃指数的预报不一致性特征与选取的区域大小密切相关,区域越大,跳跃指数和预报不一致性越小;区域内跳跃指数分布特征与地理位置和地形等有关。     

基于迁移学习的卫星云图云分类

针对在基于机器学习的云图识别中,由于不存在公认的云分类样本库的现实条件下,带来的训练样本数量不足和不平衡,从而难以获得可靠的分类模型的问题,利用迁移学习中的多源加权Tradaboost算法(内部采用极限学习机作为分类器)来进行卫星云图云的检测。利用多人(多源)标注的大量厚云的样本,构成多源辅助样本集;利用少量标注的薄云样板构成目标样本集。使用迁移学习和辅助样本集,对仅在薄云样本集下的训练获得的极限学习机分类器进行辅助训练,提高其薄云识别率。基于国家卫星气象中心的HJ-1A/B的卫星数据实验结果表明,迁移学习可以充分利用容易获得的大样本厚云辅助样本知识,对同类型有关联的小样本薄云分类器进行识别提高。实验表明,迁移学习算法可以进一步用于更多多源样本和其他云分类的任务。     

用远震P波高频辐射能量快速估计2008年5月12日汶川Ms8．0地震的破裂特征

采用全球地震台网(GSN)宽频带垂直分向记录,选取P波初至后10分钟的波形,通过远震P波高频辐射能量,估算了2008年5月12日汶川Ms8.0地震的震源时间函数、破裂时间和有限地震断层的传播方向.所得结果与其他方法得到的结果大体一致,说明此方法作为一种震源特性的快速粗测方法是可行的.但对于汶川地震这一震例,该方法并不能很好地揭示地震震源过程的细节.