气象数据在雷电风险评估中的应用

该文按照雷电风险评估对气象数据的应用要求,分别介绍气象数据的分类及其统计方法;气象数据的引用及注意事项;气象数据的分析及其在雷电风险评估中的广泛应用;气象数据的可行性论证要求。     

处理非线性分类和回归问题的一种新方法(I)——支持向量机方法简介

简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机（SVM）方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。     

处理非线性分类和回归问题的一种新方法（Ⅰ）——支持向量机方法简介

简要介绍了近年来倍受瞩目的一种处理高度非线性分类、回归等问题的计算机学习的新方法——支持向量机(SVM)方法；分析了这一方法的特点及其在数值预报产品释用及气象研究业务中的应用前景。SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。从本质上看，它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”(transductive inference)，大大简化了通常的分类和回归等问题。SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾”。     

SVM和ANN方法在铜川盛夏暴雨预报中的对比试验

介绍了利用SVM(支持向量机)方法的预报原理,并分别用SVM和ANN(人工神经网络)两种方法对铜川盛夏暴雨的预测做了对比试验。分析预报结果表明,SVM方法在天气预报领域有一定的使用空间,并指出了SVM在气象领域应用研究的方向。     

气象计量微机管理系统简介

微机在数据处理方面的应用已深入到各个领域，尤其是微机在企事业管理中的应用更为普遍。计算机用于数据处理面临数据输入、输出量大，数据类型复杂以及对数据的储存、维护、检索、分类，统计等诸多数据的管理使用问题。根据气象计量工作的要求和特点就面临各种气象仪器大量数据的处理、资料保存、检定证书的编制等问题。长期以来用人工处理，速度慢，易出错，编证麻烦且量大，资料保存、查询不便。如果采用计算机处理，则可大大提高劳动效率，还可实现编证的自动化，省时省力。l系统概况及运行条件：“气象计量微机管理系统”是气象计量各…     

SVM方法在霾识别和能见度预报中的应用

选用2013—2014年地面自动站资料、探空气象资料以及大气污染物浓度的数据,采用支持向量机(Support Vector Machine,SVM)方法分别建立金华SVM霾识别预报模型和14时能见度SVM回归预报模型来进行实证研究。通过预报结果检验发现:1)金华地区SVM霾识别预报模型的TS评分均在0.65以上,且8个最优模型判断完全错误的天数只有3d,占2.7%,表明模型分类结果较好,可在实际业务预报中推广应用;2)金华地区14时能见度SVM回归预报模型得到的预报值集中在6~16km,预报值较为集中,而实况值波动较大,即模型对极值预报能力较弱,表明模型对中度霾和重度霾天气预报的指导意义不大。     

赤壁市气候资料管理系统的研制及应用

用时,段分类法对地面气象资料进行分类，通过分类数据库的建立、数据录入和特殊数据的量化处理，形成分类气象资料数据库；利用数据库资料，进行统计和查询服务，基于这一思路，用FoxPro语言编写了赤壁市气候资料系统。     

基于SVM方法的暴雪预报系统

雪灾是内蒙古地区的主要的气象灾害，对全区牧业和人民生活造成了严重危害和影响。在充分分析内蒙古地区气候特征的基础上，依据SVM回归方法，利用T213资料，建立了暴雪的SVM回归方法预报模型，建立了自动化的SVM暴雪预报业务系统，并对其进行了业务试验。给出了依据SVM方法建立的暴雪实时业务预报系统的检验结果。结果表明，SVM回归方法能运用于暴雪的预报，建立的自动化的SVM暴雪预报业务系统能在预报业务中发挥了一定的作用。     

市域脑卒中疾病与气象因素的关系及预测

为了帮助医疗机构合理调配医务力量、床位和医疗药物,同时也帮助脑卒中高危人群及时采取干预措施,降低发病风险。本文对某市[1]四家医院2013—2016年脑卒中的就诊病例进行数据分析,将日就诊人数分为6个等级。然后,调取相应时段当地的逐日气象资料,采用支持向量机(SVM)和随机森林(RF)方法分别建立了日就诊人数预测模型和日就诊人数与气象因素的关系模型。研究结果表明:(1)脑卒中的日就诊人数为不平衡数据,这种数据特征将导致传统的预测模型正确率较低;(2)通过不断调整SVM预测模型的初始权重,经历了4次优化之后,使得日就诊人数的预测正确率从52.46%上升到94.56%;(3)随机森林模型的结果显示,影响脑卒中发病率的三大气象因素分别是最高气温、最低气温和平均气温。基于机器学习模型的脑卒中疾病与气象因素的研究成果,提高了医疗气象统计模型的预报准确率,具有较高的应用和推广价值。     

支持向量机在短期气候预测中的应用

支持向量机（SVM，Support Vector Machines）是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题，是一种处理非线性分类和非线性回归的有效方法。气候变化诸多因子的复杂性和非线性决定了预报因子与预报对象问的非线性关系，SVM为解决短期气候预测提供了一种可行的有效途径。利用Nino区海温、南方涛动指数、副高面积指数、亚洲区极涡面积指数等15个预报因子，建立了阳泉夏季降水正、负距平的SVM非线性分类模型，同时也建立了阳泉夏季降水的SVM回归模型，并进行了相应的预报试验，结果显示，对应的SVM分类模型和回归模型均具有良好的预报能力。     

Could the Recent Taal Volcano Eruption Trigger an El Ni?o and Lead to Eurasian Warming?

正The Taal Volcano in Luzon is one of the most active and dangerous volcanoes of the Philippines. A recent eruption occurred on 12 January 2020(Fig. 1a), and this volcano is still active with the occurrence of volcanic earthquakes. The eruption has become a deep concern worldwide, not only for its damage on local society, but also for potential hazardous consequences on the Earth's climate and environment.     

Analysis of Atmospheric Boundary Layer Height Characteristics over the Arctic Ocean Using the Aircraft and GPS Soundings

正ERRATUM to: Atmospheric and Oceanic Science Letters, 4(2011), 124-130 On page 126 of the printed edition (Issue 2, Volume 4), Fig. 2 was a wrong figure because the contact author made mistake giving the wrong one. The corrected edition has been updated on our website. The editorial office is sincerely sorry for any     

Index to Vol.31

正AN Junling;see LI Ying et al.;(5),1221—1232AN Junling;see QU Yu et al.;(4),787-800AN Junling;see WANG Feng et al.;(6),1331-1342Ania POLOMSKA-HARLICK;see Jieshun ZHU et al.;(4),743-754Baek-Min KIM;see Seong-Joong KIM et al.;(4),863-878BAI Tao;see LI Gang et al.;(1),66-84BAO Qing;see YANG Jing et al.;(5),1147—1156BEI Naifang;     

Information for Contributors

正Journal of Meteorological Research is an international academic journal in atmospheric sciences edited and published by Acta Meteorologica Sinica Press,sponsored by the Chinese Meteorological Society.It has been acting as a bridge of academic exchange between Chinese and foreign meteorologists and aiming at introduction of the current advancements in atmospheric sciences in China.The journal columns include Articles.Note and Correspondence,and research letters.Contributions from all over the world are welcome.     

前寒武纪气候演化中的三个重要科学问题

自地球形成至寒武纪将近40亿年（距今46亿～5.4亿年,通常称为前寒武纪）的气候演变是一个具有特殊难度和挑战性的研究领域,同时也是基础和前沿的研究领域。文章选择了前寒武纪气候演化中的三个重要科学问题进行综述：大气演化、两次全球性的冰川期以及暗弱太阳问题。关于大气演化,本文首先描述了大气成分的演化历史,然后简述了影响大气成分演化的三个基本过程：大气逃逸、两次大气氧含量突然增加、碳酸盐-硅酸盐循环及其对气候系统的负反馈作用。两次全球性的冰川期分别发生在古元古代（距今24亿～21亿年）和新元古代（距今8亿～5.8亿年）,文章简述了其成因以及相关的气候模拟结果。暗弱太阳问题是地球历史气候演化的一个经典问题,论文简要地综述了一些最新的研究成果和观点。     

淮河流域水文极值预测模型研究

为探索气候变化影响下水文极值的非平稳性和预测方法,建立了水文极值非平稳广义极值（GEV）分布的统计预测模型。利用1952-2010年淮河上游流域累计面雨量和流量年最大值资料、同期500 hPa环流特征量资料以及17个CMIP5模式对环流特征量的模拟结果,筛选出对水文极值影响显著的年平均北半球极涡强度指数作为GEV分布参数的预测因子。分析了在RCP2.6、RCP4.5和RCP8.5情景下2006-2050年淮河上游流域水文极值对气候变化的响应。结果表明,10年以下与10年以上重现期的水文极值在非平稳过程中呈现前者下降而后者上升的相反变化趋势;多模型预测的集合平均在未来情景中均呈现上升趋势,情景排放量越大增幅越大,重现期越长增幅也越大。与极值的常态相比,极值的极端态更易受气候变化影响。     

ANALYSIS OF “BIMODAL PATTERN” STORM ACTIVITY CHARACTERISTICS OF THE BAY OF BENGAL

Storms that occur at the Bay of Bengal (BoB) are of a bimodal pattern, which is different from that of the other sea areas. By using the NCEP, SST and JTWC data, the causes of the bimodal pattern storm activity of the BoB are diagnosed and analyzed in this paper. The result shows that the seasonal variation of general atmosphere circulation in East Asia has a regulating and controlling impact on the BoB storm activity, and the “bimodal period” of the storm activity corresponds exactly to the seasonal conversion period of atmospheric circulation. The minor wind speed of shear spring and autumn contributed to the storm, which was a crucial factor for the generation and occurrence of the “bimodal pattern” storm activity in the BoB. The analysis on sea surface temperature (SST) shows that the SSTs of all the year around in the BoB area meet the conditions required for the generation of tropical cyclones (TCs). However, the SSTs in the central area of the bay are higher than that of the surrounding areas in spring and autumn, which facilitates the occurrence of a “two-peak” storm activity pattern. The genesis potential index (GPI) quantifies and reflects the environmental conditions for the generation of the BoB storms. For GPI, the intense low-level vortex disturbance in the troposphere and high-humidity atmosphere are the sufficient conditions for storms, while large maximum wind velocity of the ground vortex radius and small vertical wind shear are the necessary conditions of storms.     

LOW-FREQUENCY CIRCULATION AND EXTENDED-RANGE FORECAST IN CONNECTION WITH AUTUMN EXTREME HEAVY RAINFALL PROCESS IN HAINAN

Observed daily precipitation data from the National Meteorological Observatory in Hainan province and daily data from the National Centers for Environmental Prediction/National Center for Atmospheric Research (NCEP/NCAR) reanalysis-2 dataset from 1981 to 2014 are used to analyze the relationship between Hainan extreme heavy rainfall processes in autumn (referred to as EHRPs) and 10–30 d low-frequency circulation. Based on the key low-frequency signals and the NCEP Climate Forecast System Version 2 (CFSv2) model forecasting products, a dynamical-statistical method is established for the extended-range forecast of EHRPs. The results suggest that EHRPs have a close relationship with the 10–30 d low-frequency oscillation of 850 hPa zonal wind over Hainan Island and to its north, and that they basically occur during the trough phase of the low-frequency oscillation of zonal wind. The latitudinal propagation of the low-frequency wave train in the middle-high latitudes and the meridional propagation of the low-frequency wave train along the coast of East Asia contribute to the ‘north high (cold), south low (warm)’ pattern near Hainan Island, which results in the zonal wind over Hainan Island and to its north reaching its trough, consequently leading to EHRPs. Considering the link between low-frequency circulation and EHRPs, a low-frequency wave train index (LWTI) is defined and adopted to forecast EHRPs by using NCEP CFSv2 forecasting products. EHRPs are predicted to occur during peak phases of LWTI with value larger than 1 for three or more consecutive forecast days. Hindcast experiments for EHRPs in 2015–2016 indicate that EHRPs can be predicted 8–24 d in advance, with an average period of validity of 16.7 d.