基于ConvLSTM的广西短临降水预报

针对传统雷达回波外推算法在快速增长或消散降水过程预报精度较低的问题,利用华南雷达回波拼图资料数据,建立ConvLSTM回波外推模型,对广西区域范围进行短临降水预报研究.采用气象业务中的正确率(POD)、临界成功指数(CSI)及误报率(FAR)评判标准检验预报模型,并将ConvLSTM与光流法的预报结果进行对比分析.结果...     

一种改进的循环神经网络雷达图像外推算法

临近强降水预报目的是预测未来两小时内局地降水强度的分布,准确的外推雷达图像可以为临近强降水预报提供准确的时空参考数据。近两年循环神经网络模型应用于天气雷达回波图象外推得到了较好的结果。本文基于分析现有ConvLSTM和TrajGRU模型的基础上,从输入雷达数据层数和修改模型损失函数两个方面对循环神经网络外推模型进行改进,并对业务上的雷达图象序列和竞赛雷达图象序列进行试验。试验结果表明,改进的外推模型能更好地捕捉时空相关性,具有更精确的外推效果。     

多尺度合成的降水临近预报技术

基于我国新一代多普勒天气雷达观测资料,以梅雨锋等大范围降水为主要研究对象,研究了降水临近预报方法.根据暴雨回波的多尺度特征等,研究暴雨回波的尺度滤波,分割、匹配等处理技术;根据不同尺度回波生命史来约束其预报时效,得到分尺度下的降水预报场,实现暴雨回波多尺度的合成降水量临近预报;将分尺度与不分尺度降水预报结果进行了比较.结果表明,针对大范围强降水多尺度合成的降水量临近预报方法,因不同尺度的回波外推考虑了各自运动的特性及其生命史的差异,预报精度有所提高.     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

基于数值预报与雷达外推预报融合方法的降水回波短临预报试验研究

采用傅里叶-梅林变换、多尺度光流法及威布尔分布,对湖北省2020年6—7月4次降水过程雷达回波进行多尺度预报试验及其相位和强度校正。在此基础上,利用双曲正切函数对校正后的模式降水回波预报和雷达回波外推临近预报进行融合。最后,基于预报技巧评分和平均绝对误差及命中率等指标对不同时效、尺度及回波阈值的预报结果进行定量分析。结果表明：（1）融合后的0～3 h降水回波预报在范围和位置上均较模式预报和雷达外推预报改进明显,尤其对强回波预报有明显优势,对对流预报有积极作用;0.01°×0.01°尺度的0～1 h预报效果明显好于其他尺度及预报时效。（2）武汉RUC模式预报效果最差,平均绝对误差（mean absolute error,MAE）最大为6.1～8.2 dBZ,而融合预报效果最好,MAE最小为4.7～6.5 dBZ。0.01°×0.01°尺度下融合预报的命中率（probability of detection,POD）随回波阈值和预报时效增加而降低,而其他尺度下20 dBZ回波阈值的平均POD最大、MAE最小,平均POD(MAE)均高于（低于）其他2种预报。总体来看,融合预报明显优于单一预报...     

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。      

长三角地区短时临近融合定量降水预报

通过雷达外推及高分辨率数值模式预报相互订正融合,建立了时效6 h的长三角地区短时临近融合定量降水预报产品。采用一种主流的融合方案,并在外推、模式订正和融合方案上进行改进,完成了基于长三角地区11部雷达反射率组网和数值预报资料的COTREC外推扩展,基于韦伯变换的数值预报强度修正和基于目标识别匹配的位相修正,基于回波尺度和预报时效的动态权重系数调整和基于实况降水的动态Z-R关系选择等技术开发。结果表明融合方法能够延长外推预报时效,订正数值模式预报的强度及位置误差,预报效果总体优于两者。     

雷达回波外推预报的误差分析

基于天气雷达资料的外推预报是灾害天气临近预报的基础,选取4次强降水过程分析了外推预报的误差.主要分析方法包括3个步骤:(1)采用多尺度回波跟踪方法确定雷达回波的运动场;(2)采用半拉格朗日平流方案对雷达回波进行外推;(3)预报结果和观测结果进行对比.利用去相关时间方法分析了雷达回波的可预报性,利用预报技巧评分和相对绝对误差对外推预报的误差进行了定量分析.此外,还分析了外推预报的误差与尺度之间的关系,以及外推预报中的不确定因素 回波强度变化和回波运动场变化在预报误差中的相对重要性.这4次强降水过程的误差分析表明,预报误差随预报时效的变化基本上是以指数规律递减的,大尺度的降水系统对应较长的持续性,对于发展演变较快、尺度较小的风暴,其持续性较短.     

自适应尺度的雷达回波交叉相关跟踪算法研究

提出了一种能够自动选取跟踪单元大小的雷达回波交叉相关跟踪外推算法(ATREC).ATREC方法通过雷达回波的边界识别,得到不同尺度的雷达回波的特征运动信息,再不断地内部分化,得到不同次级尺度的内部运动信息,将特征尺度的特征运动场和次级尺度的内部运动场进行合成,最后得到外推的运动矢量场.ATREC方法可以在回波总体运动场...     

河南区域暴雨的若干雷达回波特征

利用新一代多普勒天气雷达资料及国家、区域自动站和常规高空地面资料,分析了2008-2013年河南省9次区域暴雨回波系统的形态、结构特征、移动特点和降水强度等,分析了区域暴雨过程中中γ尺度对流系统的降水特征。结果表明:1)河南区域暴雨落区主要位于高空槽前和副高西北侧、中低层切变线之间、低涡东南侧、低空急流左前侧,以及地面倒槽或气旋顶部偏北到偏东气流中。2)从新一代雷达监测产品来看,河南省区域暴雨主要有积云降水、积层混合降水和层状云降水三种回波类型,其中混合降水包括以积云为主的混合降水和以层云为主的混合降水,是河南省区域暴雨的主要回波类型。3)降水强度与回波类型、结构特征、移动特点等均有关系,特别是≥50 mm/h的短时强降水与γ中尺度对流系统密切相关,强降水超级单体可造成局地50 mm/h以上的强降水,并多伴有雷暴大风、龙卷等剧烈对流天气。一般情况下,积云降水强度最大,混合降水次之,层云降水强度最小。综合分析来看,雨强与回波强度比与回波性质有更好的相关性。≥50 mm/h的强降水多由强降水超级单体和因辐合、气旋、后向传播等使回波加强、合并、发展旺盛的准静止状态的50~60 d Bz的强积云降水回波产生;≥20 mm/h强降水多由积层混合降水中≥45 d Bz的积云回波产生。10 mm/h以上的降水落区和≥40 d Bz的较强回波有很好的对应关系;40 d Bz的层云回波降水强度通常在10 mm/h以下。     

结合中尺度模式物理约束的雷达回波临近外推预报方法研究

研究设计了一种结合中尺度模式物理约束的雷达回波临近智能外推预报方法,该方法在外推预报时效(0—2 h)内即利用中尺度高分辨率模式信息对外推进行约束.首先将模式风场和雷达回波轨迹风场融合成融合风场,然后利用融合风场光流外推形成动力约束外推;并在此基础上利用模式诊断产品和雷达历史资料通过投票回归器集成多种深度学习算法构建回...     

A nowcasting technique based on application of the particle filter blending algorithm

To improve the accuracy of nowcasting, a new extrapolation technique called particle filter blending was configured in this study and applied to experimental nowcasting. Radar echo extrapolation was performed by using the radar mosaic at an altitude of 2.5 km obtained from the radar images of 12 S-band radars in Guangdong Province, China. The first bilateral filter was applied in the quality control of the radar data; an optical flow method based on the Lucas–Kanade algorithm and the Harris corner detection algorithm were used to track radar echoes and retrieve the echo motion vectors; then, the motion vectors were blended with the particle filter blending algorithm to estimate the optimal motion vector of the true echo motions; finally, semi-Lagrangian extrapolation was used for radar echo extrapolation based on the obtained motion vector field. A comparative study of the extrapolated forecasts of four precipitation events in 2016 in Guangdong was conducted. The results indicate that the particle filter blending algorithm could realistically reproduce the spatial pattern, echo intensity, and echo location at 30- and 60-min forecast lead times. The forecasts agreed well with observations, and the results were of operational significance. Quantitative evaluation of the forecasts indicates that the particle filter blending algorithm performed better than the cross-correlation method and the optical flow method. Therefore, the particle filter blending method is proved to be superior to the traditional forecasting methods and it can be used to enhance the ability of nowcasting in operational weather forecasts.     

基于雷达回波最大重叠率的一种临近降水预报方法

基于天气雷达的临近降水预报是雷达短时预报业务系统的重要组成部分,本文在回顾雷达临近降水预报技术发展的基础上,充分考虑新一代天气雷达高时间、空间分辨率的优点,提出两个相邻时刻雷达回波具有最大重叠率的移向、移速是与降水系统整体的移向、移速密切相关的论点,再用此移向、移速对当前雷达回波进行平移,最后采用九点平均的回波生消模型...     

基于时空图卷积的强对流降水临近预报研究

降水临近预报对于强对流天气的预报具有重要的支撑作用。气象业务中主要采用雷达回波外推方法解决此问题。然而,现有方法通常缺乏从序列雷达数据中有效学习的能力,导致预测精度不佳。为了解决这一问题,本文提出了一种改进的时空图卷积模型ASTGCN(A Spatio-Temporal Graph Convolution Neural Network)用于强对流降水的临近预报。利用时空图卷积网络,有效地捕获相邻雷达帧之间的时间依赖性。此外,利用注意力机制和自动编码器来增强模型捕获时空相关性的能力。结果表明,该模型可以从数据中发现隐藏的图结构,从而捕获隐藏的空间关系。与现有模型(Transformer)相比,该模型的临界成功指数(CSI)提高了28%,表明其在强对流降水临近预报方面具有优越的性能。     

物理滤波初始化四维变分在临近预报中的应用

运用WRF模式（Weather Research and Forecasting Model,天气研究和预报模式）和WRFDA同化（WRF Data Assimilation,WRF资料同化）系统,探究采用物理滤波初始化四维变分同化方法提高数值预报在临近预报时效的预报能力的可能性。通过采用12 min同化窗,在不显著增加计算量的情况下,得到更协调的模式初始场,从而提高模式预报能力。选取2018年8月华北地区17个降水个例进行研究,结果表明:采用物理滤波初始化四维变分同化技术能够明显改进模式短时临近降水预报能力,明显提高对大量级降水预报的ETS评分,6 h累积降水大于25.0 mm量级的ETS评分由0.125提高到0.190,且6 h累积降水大于60.0 mm量级的ETS评分由0.016提高到0.081。研究还表明:同化雷达风场通过改进初始动力场使次网格尺度降水过程（积云参数化）快速响应,可提高短时临近时段的降水预报能力。     

基于卷积门控循环单元神经网络的临近预报方法研究

基于天气雷达资料的外推预报是灾害天气0～2h临近预报基础,本文以业务应用为目标,应用广东省2015-2018年11部新一代多普勒雷达反射率拼图资料,研究了基于卷积门控循环单元神经网络ConvGRU的临近预报方法,采用多损失函数加权与分级加权的策略,基于ConvGRU框架建立三层自编码模型(Encoder-Decoder...     

对流天气临近预报技术的发展与研究进展

目前，临近预报技术主要包括雷暴识别追踪和外推预报技术、数值预报技术以及以分析观测资料为主的概念模型预报技术等。其中，识别追踪和外推预报技术主要以雷达资料为基础，在这方面，交叉相关外推和回波特征追踪识别外推是比较成熟的技术，已经用于许多的临近预报业务系统中，其缺陷是预报时效较短，准确率也不是很高。随着精细数值天气预报技术和计算机技术的发展，利用多普勒天气雷达资料和其它中小尺度观测资料进行数值模式初始化，来预报雷暴的发生、发展和消亡已经成为一个研究的热点，该技术发展很快但还不成熟。概念模型预报技术主要是通过综合分析多种中小尺度观测资料，包括雷达和气象卫星资料等，在此基础上建立雷暴发生、发展和消亡的概念模型，特别是边界层辐合线和强对流的密切关系等，再结合数值模式分析预报和其它外推技术的结果，然后建立雷暴临近预报的专家系统，其不但可以获取雷暴和对流降水移动、发展的信息，还可以预报它们的生成和消亡。检验和定性评估也表明，将多种资料和技术集于一体的概念模型专家系统，其临近预报的准确率最高，时效也最长，是临近预报技术未来发展的主要趋势之一。NCAR的Auto Nowcaster系统是雷暴临近预报概念模型专家系统的一个典型代表。     

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。