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...     

基于深度学习和雷达观测的华南短临预报精度评估

利用最新的深度学习算法,即卷积长短期记忆(Convolution Long-Short Term Memory)神经网络,构建基于深度学习的人工智能短临预报系统,以广州地区2019年3-5月雷达观测的数据为输入进行训练,然后进行短期1h内的降水预报。利用常用的统计评分指标(探测率POD、误报率FAR、临界成功指数CSI,相关系数CC)检验模型。结果表明,预报结果与实际观测的相关系数在1h内预报均保持在0.6以上,在1h内预报探测率均保持在80%以上,临界成功指数在降水强度为10mm·h^-1时,基本保持在60%,误报率均小于40%。     

基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

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...     

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。      

人工智能在短临降水预报中应用研究综述

短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴.     

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.     

基于移动互联网的短临降水预报服务短语算法设计与应用

随着信息技术的快速发展和气象现代化的快速推进,民众对气象服务要求越来越高,气象服务产品的种类、品质也需要与时俱进。本文从用户生活的实际需求出发,基于雷达反演降水实况融合数据的0~1h短临降水预报,设计0~1h短临降水预报的算法,不同降水趋势下服务短语生成,开发了0~1h短临降水预报服务短语应用系统,并集成到智慧气象APP和浙江降水发布系统手机客户端软件开展服务,有助于提升气象服务质量。     

基于GRU神经网络的雷州半岛近海岸能见度短临预报研究

近海岸大气能见度变化具有复杂的非线性和局地性特征,且近海岸气象观测站少,一直是精细化预报业务的难点。利用GRU(Gated Recurrent Unit)神经网络,采用广东省湛江市国家基本气象站及其周边上下游观测资料,构建了雷州半岛近海岸能见度1 h时效短临预报的多站GRU模型、单站GRU模型和逐步回归预报模型,并进行了检验评估。结果表明,相比传统的逐步回归方法,GRU神经网络能更好地识别上下游能见度的时空变化特征,多站GRU模型平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)评分均明显好于多元逐步回归模型。模型结构对能见度短临预报效果至关重要,将上下游的气象特征引入到能见度短临预报模型可显著提升预报效果。多站GRU模型在个例检验中较单站GRU模型的MAE、RMSE分别下降了36%和29%,R2提高了30%,表明多站GRU神经网络对能见度预报具有明显优势,为近海岸能见度的精细化短临预报提供了新思路。     

基于均生函数的风电场风速短临预报模型

风电场风速短临预报是风电预报业务的重要环节之一.选取2011年1、4、7和10月河北及内蒙古两地的两座测风塔观测资料,综合采用均生函数、灰色关联度和多元回归等多种统计预报方法,建立了一套分站点的、15 min动态滚动的未来0～4 h风速短临预报模型.实际对比分析表明,所建模型比传统ARMA模型的月平均预报误差减少了2.2％～10.8％,在实际中具有重要的应用价值.     

基于深度学习的数值模式降水产品降尺度方法

提出一种基于深度学习的数值模式降水产品降尺度方法。利用深度学习的非线性映射能力和对栅格数据的信息提取能力,建立深度超分辨率模型提取不同分辨率数值模式降水产品间相对应的有效信息,从而将低分辨率数值模式降水产品利用提取的信息重构为高分辨率产品,继而通过构建多时次组合降尺度深度模型提取时间关联性进一步提升了重构准确性。基于欧洲中期天气预报中心不同尺度数值模式降水产品的实验表明所提方法能够比常用的双三次插值方法更有效地将低分辨率降水产品转换为对应的高分辨率产品。     

基于深度学习的气象要素预测方法

针对气象预测内容繁多且影响因素多样的问题,提出了一种基于长短时记忆(LSTM)的气象预测方法.方法能够对繁杂的气象数据进行自动预处理,提取相应的特征信息.通过神经网络的前向训练、长短时记忆反馈学习,经过多隐藏层地自主训练,对能见度、温度、露点、风速、风向以及压力气象信息实现准确预测.通过实验以及与经典机器学习预测方法的...     

基于特征提取和集成学习的雷电预测能力提升

雷电是对人类社会有重大安全影响的自然灾害之一, 对雷电进行监测、预警是降低其危害的重要手段。利用广州市黄埔区的大气电场仪资料和闪电定位资料统计分析了反映雷电趋势的相关特征, 并从中提取预警因子探讨与电场仪探测范围内雷电事件的相关性, 基于基分类器BP神经网络, 分别通过Bagging和Adaboost的方法建立集成模型。试验表明, 在以30分钟为时间片的雷电事件预警中, 基于BP神经网络模型, 对比本试验提取的特征和其他研究提供的特征, 误报率和漏报率分别降低了16.83%和15.19%;集成方法比未集成的单一BP神经网络误报率最大降低了11.46%, 漏报率最大降低了4.73%, 说明了特征提取和集成学习的方法能有效提升模型在雷电预测中的准确率。      

基于深度图像目标检测的智能台风涡旋识别技术

基于2005—2020年的中国气象局台风最佳路径数据集以及葵花(Himawari)8和风云(FY)卫星云图数据,首先将卫星原始数据转换为FULLDISK灰度图像作为台风涡旋识别技术的图像来源,并制定新的VOC(Visual Object Classes)标注规范,构建了样本标注数据集。利用运行速度快、识别准确率高的人工智能领域经典目标检测SSD(Single Shot MultiBox Detector)模型作为台风涡旋识别的基础模型,并针对台风涡旋识别的独特性,特别是弱涡旋识别困难,提出一种迭代的SSD目标检测模型,明显提高了台风涡旋的识别精度。通过目标检测技术对卫星云图进行智能特征分析、抽取、识别和定位,实现了自动涡旋正确识别和定位,最终建立了智能台风涡旋识别技术。测试结果显示：该技术对强热带风暴级以下强度台风涡旋正确识别率为40%～80%,对强热带风暴级及以上强度台风涡旋正确识别率达90%以上,能够精准识别强台风级及以上强度涡旋,该技术为今后业务利用高时空分辨率卫星图像对台风进行实时精密监测提供了技术支撑。     

基于机器学习分类算法的臭氧浓度等级预报在长沙的应用

为准确预报臭氧浓度等级,基于EC＿THIN全球天气模式产品和我国自主研发的CMA＿GFS全球天气数值预报产品以及华南GRACEs大气成分模式输出产品,融合气象和环境观测数据,使用6种机器学习智能算法,构建耦合数值预报模式和机器学习的混合模型,旨在充分发挥数值预报与机器学习智能算法的优势和互补协同作用,实现臭氧浓度等级预报准确度的跨越式提升。共设置4个控制试验,选取不同的特征产品,依次使用机器学习经典分类算法对长沙市未来4天的臭氧浓度等级进行分类预报,取测试准确度最高的模型输出结果作为结果统计。发现：最优模型1～4天的测试准确度分别为81.7%、81.7%、78.3%、60.9%,大大高于大气成分模式预报和预报员经验,达到预期设计目标;高质量的天气模式产品对模型贡献大,而大气成分模式产品对模型贡献有限;模型3天以内预测性能较好,低等级预测性能较好,高等级预测性能一般。提出解决方案供讨论：增加高等级样本数量,增强模型对此类事件的识别能力;加强高等级臭氧污染的机理分析,组合出更精炼的因子供模型使用。     

基于GRU神经网络与灰色模型集成的气温预报

使用传统单一模型预报气温经常出现漏报现象,最终导致预测结果不理想,精度较低。针对单一预报模型稳定性较低,随机性偏高,突发性较多的特点,在深度学习理论的基础上,提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法,先分别训练两个模型,再通过权值ω将二者的预测结果进行加权组合,权值ω适当调整模型,改善模型的预报结果,提高模型的预报精度,并加快了运行速度,并且其普遍适用性和应急突发能力得到巨大改善。实验表明,将GRU神经网络加入灰色模型进行气温预报,效果要明显优于单一的模型,其标准差小了近一倍,从而表明实验方法的可行性和有效性。     

基于机器学习的长江重庆航道雾情特征提取

基于2018—2020年长江沿线26个自动气象监测站的逐5 min能见度监测数据、重庆海事管辖水域资料和长江航道基础地理信息,利用K-Means、DTW、PCA等机器学习算法,分析了长江重庆航道雾情的时空分布、时序形态等特征。结果表明：长江重庆航道雾情过程高发区域是涪陵-忠县水域,长寿及上游水域次之;江面雾情过程较高频率出现在夏季的6月、7月,冬季较之偏少,大部分的雾情过程时长均在1 h内,多在夜间生成及结束;不同时间长度的雾情过程具有不同的时序形态特征,当时长不足27 h时,主要表征能见度下降过程的信号,超过27 h的过程则主要表征能见度回升阶段信号,“象鼻形”先期振荡信号随着雾情过程时长的加大而进一步增强。