基于智能物联网技术的天津城市积水监测预警系统

通过智能物联网技术实时获取积水监测实况数据,利用天津市气象精细化格点预报产品和城市自动雨量观测站实况数据,以机器学习、神经网络模型和天津市城市内涝风险等级划分原理为基础,研究基于用户实时位置的城市内涝预报预警技术,研发天津市城市自动化积水监测预警系统。结果表明,该系统具备一定的城市内涝风险监测预警预报能力,并在2018—2020年多次重大天气过程中应用,积水深度预报结果与监测结果基本一致,应用数据表明验证结果良好,系统可以为政府防灾减灾决策、指挥调度提供精准、及时的气象数据支撑。     

IAP AGCM 4.1对淮河流域夏季降水的预报技巧评估

基于中国科学院大气物理研究所新一代大气环流模式IAP AGCM 4.1共30 a(1981—2010年)的集合回报试验结果,评估了模式对淮河流域夏季降水的预报技巧。分析结果表明,模式总体上可以较好地再现出淮河流域夏季平均降水南多北少的空间分布特征,其中模式模拟的6月降水量与观测值的空间相关可达0.93。但降水强度与观测相比具有系统性的偏差,且模式模拟的降水年际变率显著偏弱。基于降水距平相关系数的确定性预报技巧分析表明,模式对流域西南部夏季降水的预测技巧较高,达到0.2以上,且模式对6月降水异常的预测能力相对最好,7月次之。针对淮河不同子流域的预报技巧分析表明,IAP AGCM 4. 1对蚌埠、鲁台子、王家坝水文控制站以上集水面积的夏季面雨量异常具有一定的预报技巧,30 a集合回报的时间相关系数分别为0. 11、0. 13、0. 16。基于降水等级的概率预报技巧评估表明,模式对7月淮河流域南部少雨事件具有很好的预报能力,同时对6月流域中部多雨事件的预报技巧也较高。     

多种机器学习方法在京津冀地区低能见度天气预报中的应用

利用2017—2021年的ERA5再分析资料和京津冀国家站地面资料,结合多种机器学习方法建立预报模型,开展轻雾、大雾客观预报。探讨了再分析资料、地形因素的影响,并结合多模型集成、统计消空进一步优化模型。结果表明:(1) XGBoost (eXtreme Gradient Boosting)、LightGBM (Light Gradient Boosting Machine)、随机森林等集成学习方法的预报效果均优于决策树方法;(2)在引入ERA5再分析资料、地形建模后,XGBoost、LightGBM模型的预报性能显著提高。相比仅使用地面要素建模,大雾预报的TS (Threat Score)提升了30%、32%,达到0.52、0.49,命中率分别为0.62、0.87。此外,经过多模型集成后,轻雾、大雾预报的TS提升到了0.51、0.54;(3)2022年秋季一次大雾过程中,本方法提前72 h准确预报了京津冀地区的大雾,其中以LightGBM模型表现最好。0~72 h轻雾预报和0~36 h逐小时大雾预报的TS均达到0.3,预报准确率、时效性均优于ECMWF (European Center for Medium Weather Forecasting)模式。