高时空分辨率三维风场在强对流天气临近预报中的融合应用研究

以业务应用为目标,开展高时、空分辨率三维风场在强对流天气临近预报中的融合应用研究。运用北京快速更新多尺度分析和预报系统集成子系统（RMAPS-IN,Rapid-refresh Multi-scale Analysis and Prediction System-Integration）,对雷达四维变分分析系统（VDRAS）30 min临近预报的高时、空分辨率三维风场作为数据源与自动气象站风场观测进行快速融合处理。结果表明,以VDRAS临近预报风场取代数值模式预报场作为融合初猜场后形成的分析结果对于风场有明显的改善:（1）长时间序列客观检验结果表明,地面10 m高风场U/V分量绝对误差分别为0.05和0.06 m/s。实时融合对未来预报的影响随着预报时效的延长,U/V分量的绝对误差不断增大。（2）对于11个强对流个例,地面10 m高风场风速均方根误差降低0.3 m/s,风向均方根误差降低13°;边界层三维风场,风速均方根误差降低0.8 m/s,风向均方根误差降低10°。平原站点融合以后风速、风向预报效果有较大改善,山区站点融合以后改善相对较小。（3）通过对2017年7月20日暴雨和7月7日雷暴大风个例的详细分析,发现融合基于雷达资料四维变分同化获得的高分辨率临近预报风场对各对流系统中的中尺度结构特征给出了更加细致准确的描述。      

复杂地形下高精度风场融合预报订正技术在冬奥会赛区风速预报中的应用研究

几乎所有的数值预报模式都存在系统偏差.虽然目前利用统计订正方法降低个别站点的风速偏差已经取得了一些成功,但基于站点的订正具有空间局限性,仍迫切需要基于格点开展复杂地形下高精度风场的融合预报偏差订正.本研究提出了一种复杂地形下北京冬奥赛区不同海拔高度高精度风场的融合预报订正技术.首先利用冬奥山地赛区及周边133个自动气象...     

基于机器学习的复杂地形下短期数值天气预报误差分析与订正

初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。      

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。      

基于深度学习的京津冀地区精细尺度降水临近预报研究

精细尺度降水的临近预报对于提升现代城市内涝和山洪地质灾害预警能力具有重要意义。深度学习作为一种新兴方法,在挖掘数据内部特征及物理规律方面更具优势,近年来在天气雷达图像领域的应用已初见成效。为进一步提升精细尺度降水的临近预报能力,基于深度学习网络模型RainNet,研究建立了两种滚动预报方式,开展了京津冀地区1 km分辨率精细尺度降水滚动式临近预报试验和对比分析。 试验结果表明:与传统基于交叉相关的外推预报相比,深度学习网络模型RainNet总体可以明显改进降水1 h临近预报的绝对误差和相关系数;两个RainNet相结合的滚动预报方式对1.04 mm/（10 min）及以下阈值降水,在10—50 min预报性能一致优于传统的交叉相关外推预报。深度学习模型对降水消亡过程的时、空演变趋势刻画更好,尤其更适用于降水消亡过程的临近预报。采用两个RainNet模型相结合的滚动式预报方式优于单一模型滚动预报方式。      

基于阵风系数模型的百米级阵风客观预报算法研究

京津冀地区经济和文化的快速发展对冬季地面瞬时强风预报要求越来越高。正确估计和预测冬季地面瞬时强风,尤其是复杂地形条件下的阵风高分辨率格点精准预报,对于提升重大活动服务保障、首都及周边地区城市安全运行及防灾减灾能力等方面都具有重要意义。本研究基于京津冀长时间序列的实况观测资料,建立了阵风系数与稳定风速、风向、地形高度各要素之间的关系模型,并结合客观统计分析方法、阵风观测数据融合技术、格点偏差订正技术,发展了一种既保留模式物理参数特征和阵风局地气候特征,又发挥格点偏差订正技术的阵风客观预报方法。冬季奥林匹克赛事期间批量检验和个例分析结果表明,基于阵风系数格点模型和模式后处理订正技术得到的百米级分辨率、分钟级更新的阵风客观预报产品,24 h预报时效内张家口赛区和延庆赛区考核站平均绝对误差分别在2.3 m/s和3.0 m/s以下,延庆赛区8级以上大风,阵风风速预报评分超过0.5,解决了复杂山区数值模式阵风预报误差大、几乎无法业务应用的瓶颈问题,满足冬季奥林匹克运动会现场服务要求。     

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升（XGBoost）、支持向量机（SVM）、深度神经网络（DNN）3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。      

京津冀夏季雷达定量降水估测的误差统计及定量气候校准

雷达定量降水估测（QPE）是短时临近预报的关键部分,在定量降水预报（QPF）、强降水预警、城市积水内涝、地质山洪灾害、精细化天气服务等方面具有重要作用。利用京津冀地区雷达定量降水估测资料和逐时自动气象站降水观测数据,分析了2011—2016年夏季京津冀地区雷达定量降水估测的误差空间分布特征,并重点提出了一种新的雷达本地化定量气候校准算法。结果表明,京津冀地区雷达定量降水估测较好地反映了总降水量东北—西南带状分布特征,但西北部山区、东北部山区及西南部山区估计偏弱,东北部山前地带估计偏强,西北部存在虚假降水估计,而北京市城区估计最为准确。利用雷达本地化定量气候校准算法对1 h雷达定量降水估测进行气候尺度上的约束订正,检验结果表明,经过校准后的雷达定量降水估测偏差（BIAS）、平均绝对误差（MAE）、均方根误差（RMSE）和均方根相对误差（RRMSE）均减小。绝大部分站点偏差减小幅度超过50%,京津冀东部及南部平原地带平均绝对误差、均方根误差和均方根相对误差减小幅度在20%左右,而北部及西南部山区误差减小幅度相对较小。降水个例检验结果表明,经过雷达定量气候校准后的雷达定量降水估测强度更接近自动气象站观测的降水量级,且降水结构细致,偏差、平均绝对误差和均方根误差均减小,与自动气象站观测降水的相关系数增大,因此该算法有助于改进雷达定量降水估测的准确度。      

临近预报的两种高时空分辨率定量降水预报融合算法的对比试验

长期以来,雷达回波外推技术是0—2 h临近预报系统主要采用的方法,但其实际有效预报时间≤1 h,而中尺度数值模式预报则受平衡约束时间的限制,最初2 h的降水预报无效。为解决上述两种预报的缺陷,目前国际上流行采用外推预报与数值模式预报融合的技术,形成统一的0—6 h格点化的高分辨率无缝隙定量降水临近预报系统。对目前流行的两种融合算法（INCA（Integrated Nowcasting and Comprehensive Analysis System）算法及RAPIDS（Rainstorm Analysis and Prediction Integrated Data-processing System）算法）进行了分析和对比试验,以期为业务应用提供借鉴。RAPIDS算法的核心是用自动气象站雨量融合雷达估测得到的定量降水对模式预报的降水强度和位相进行修正;INCA算法则是用数值模式预报的风场修正外推技术的降水移动矢量。两种方法在0—6 h预报时效内,外推预报的权重均逐渐减小,模式预报的权重逐渐增大,从而实现外推预报和模式预报的平滑过渡。试验结果表明,两种方法对降水雨带和降水强度的预报均优于单一的外推预报或模式预报。集二者的优势研发最优的高时、空分辨率降水预报无缝隙融合算法,将有助于进一步提升高分辨率定量降水0—6 h无缝隙预报水平。