天津港秋冬季低能见度数值释用预报研究

本文利用近5年(2009—2013年)天津港资料,分析了该地区大气能见度的分级特征。采用7年秋、冬季NCEP(2006—2012年)和地面资料,通过相关分析给出了对港口低能见度天气有高影响的高、低空物理量因子;排除沙尘和降水天气,针对不同区间的能见度样本,利用BP神经网络方法分类训练了3个统计模型;并与WRF天气模式产品对接,采用分步筛选法,研发了天津港秋、冬季72 h时效的逐时能见度BP释用预报产品。经过3年业务运行,检验结果表明:对逐时能见度而言,BP释用预报对10 km以下低能见度比WRF模式的预报技巧显著提高,达到10.5%~35.4%;其中对0.5 km大雾的预报技巧总体相当,但当WRF预报有降水时,WRF模式预报结果略优;对0.5~1 km的大雾预报,WRF模式的预报技巧1%,BP释用预报提高到了14%~21%。日最低能见度的检验表明:对小于1 km的大雾过程,BP释用预报的TS评分平均达到75%,比WRF预报技巧提高了24%;对1~10 km的低能见度过程,比WRF的预报技巧平均提高了60%。     

华南春季一次锋面大雾的边界层特征

低能见度天气是影响飞行正常的主要天气。春季华南地区由锋面引起的大雾(能见度<1000ｍ)是造成低能见度天气的主要原因之一。本文对白云机场1999年3月24和25日两天的锋面大雾天气过程进行分析,得出华南锋面大雾大气边界层的一些特征。1　锋面大雾的产生和天气形势1.1　锋?..     

大雾临近预报中高密度能见度数据应用

采用2011—2016年合肥地区高时空分辨率的能见度观测数据,分析能见度空间分布特征及大雾生消过程中的能见度变化特点。结果表明:能见度多呈现正态分布且分布相对均匀,有雾时正态分布比例明显下降,非均匀性明显增加;大雾过程中平均能见度变化趋势较为稳定有利于临近预报,而空间最低能见度对临近预报有指示意义;大雾过程中空间变差系数多有明显增加,大雾开始形成和消散阶段空间差异性较大;历史回算表明,利用高密度能见度数据的空间分布和趋势外推,较实际预警发布时间平均提前约1.9h。     

神经网络方法在环渤海能见度预报中的应用分析

本文基于2001—2015年中国气象局地面常规气象观测数据及NECP再分析资料,采用BP神经网络方法构建环渤海沿海城市能见度预报模型,利用2016年ECMWF集合预报数据基于预报模型进行能见度预报实验,并与ECMWF集合预报产品中现有能见度预报结果进行对比分析。分析表明:该方法对于环渤海沿海城市能见度预报的预报效果明显高于ECMWF集合预报中的能见度预报,12～72 h预报时效中,最小值对应1 km以下能见度的TS评分为0. 36～0. 43; 10 km以下能见度预报误差显著降低,与离散度的对应关系较好。因此,该方法对低能见度天气过程的能见度预报具有指示意义。     

合肥市大雾预报方法建立与应用

利用主成分分析方法对2012～2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究，应用因子荷载点聚图将合肥市县大雾划分为2个区：中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性，全市和分片分别确定与大雾密切相关的高影响因子，利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下，通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明：数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优，技巧评分大幅提升，而两类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果要更好。     

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。     

合肥市大雾预报方法的建立与应用

利用主成分分析方法对2012—2014年合肥市高速公路沿线交通气象站日最低能见度资料统计出的大雾观测样本进行研究,应用因子荷载点聚图将合肥市县大雾划分为2个区:中南区、北区。基于PP法统计ECMWF模式输出产品与大雾之间的相关性,全市和分片分别确定与大雾密切相关的高影响因子,利用等级分类和逐步回归建立大雾预报模型。在回归结果的判定阈值和消空指标选定的情况下,通过研发的大雾天气精细化预报系统每日定时输出合肥市大雾预报格点产品。经过前期业务化运行和预报效果检验表明:数值模式产品释用方法在有无大雾预报技巧方面较WRF模式明显占优,技巧评分大幅提升,而2类典型大雾天气过程预报效果检验则可以更直观地看出数值模式产品释用的预报方法效果更好。     

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。     

华南低能见度天气特征及客观预报研究

利用2000—2016年华南219个县级气象观测站的地面、高空气象观测资料以及对应站点的再分析资料,统计发生低能见度天气的天气形势和特征,归纳低能见度天气的预报指标。将与能见度以及能见度变化相关的气象要素输入神经网络进行训练,利用EC集合预报数据集获得能见度集合预报结果,通过对其离散度的统计分析以及经验公式最终获得具有泛用性、可靠性的神经网络模型的参数集。通过输入EC确定场数据,获得华南219县级站长时效精细化能见度预报结果,2017年上半年的能见度预报试验显示,模型预报结果的误差与TS评分均优于CUACE模式能见度预报。     

广州白云机场3、4月份大雾临近期边界层的一些统计特征

大雾对飞行安全影响极大。在广州的春季,由于大雾天气导致飞机延误、备降的事例较多,不但影响飞行的正常与安全,在经济上也造成了很大的损失。因此,把握好春季大雾天气的预报是保障飞行安全、提高经济效益的一项重要任务。根据１９８６～１９９５年白云机场气候志记载,每年的３、４月份是白云机场大雾天气发生最频繁的月份,占全年的４８％。本文统计了１９９０～１９９７年８年间３、４月份白云机场的大雾天气,试图从分析大雾天气临近期边界层的温湿特征和动力特征入手,为预报春季大雾天气提供一些有用的线索和参考指标。正 资料的…     

多元动态逐步回归方法在北京地区能见度预报中的应用

基于2016年冬季的观测资料和ECMWF细网格240 h气象要素预报资料,选用与能见度变化相关的水汽、动力、热力等因素作为预报因子,利用多元动态逐步回归方程对北京地区未来10 d的能见度进行预报研究。同时将能见度分为3个等级:1 km、1～10 km(低能见度)和≥10 km,并从区域平均、空间分布及3次低能见度过程个例进行预报效果检验。多元动态逐步回归方法对北京地区的能见度及其变化趋势均有一定预报能力且效果稳定,其中≥10 km等级的能见度预报效果最好,TS评分为64.2%,其次是1～10 km,TS评分为53.1%,最后是1 km,TS评分为51.3%;两个低能见度等级中平原地区预报效果优于山区,表现为从东南向西北递减的特征;而≥10 km等级的呈相反变化,预报效果山区优于平原地区;北京地区3次雾霾过程个例预报也证实动态逐步回归方法能够较好预报北京地区持续性低能见度过程。     

最优子集神经网络在武威气温客观预报中的应用

选取2003年3月1日至2008年12月31日20时的逐日ECMWF(欧洲中期天气预报中心)数值预报产品实况格点资料,使用差分法、天气诊断、因子组合等方法,构造出能反映本地天气动力学特征的预报因子库,采用PRESS(预测平方和)准则初选因子,逐步回归复选因子,最优子集回归精选因子,建立分月、分站点逐日最高、最低温度BP神经网络预报模型。模型业务试用结果表明:该BP神经网络预报模型具有较强的非线性处理能力,能较好地反映日极端温度的变化,0～120 h内的最高、最低温度平均预报准确率达较高水平,且对明显的升降温过程反应灵敏,升降温趋势和幅度预报较为准确,为0～120 h的城镇精细化温度预报提供了重要的技术支撑,同时也为ECMWF数值预报产品在温度的释用提供了一种好的思路和方法。     

辽宁省区域性大雾预报研究

通过对1994—2002年9年辽宁区域地面图的普查,得到了辽宁区域性大雾天气(大于等于5个地市,能见度小于0.5 km)共有73次。分析近10年区域性大雾天气过程得到了区域性大雾的时空分布特征。普查区域性大雾过程发生时的常规气象资料,进行区域性大雾天气分型。分析辽宁省各种区域性大雾的成因及要素演变特征,从中提取预报指标,建立预报流程,用PP法建立区域性大雾的客观预报方法。     

江门地区初春大雾的预报预警业务系统

介绍江门地区大雾天气分型预报业务系统。该系统采用Delphi语言编写程序、应用Access作为数据库进行开发,并采用人机交互方式,简化了预报流程,减少工作量,为及时、准确发布大雾预报和预警信息提供依据。该系统通过自动读取Micaps实时数据,以人工判断锋面、倒槽、切变线等有利于春季大雾的天气形势为辅助,对江门地区初春大雾天气做出客观预报,并对预报结果进行自动检验。     

风电场两种超短期风速预报方法的效果对比

针对风电场所需的时效在0~4 h,且时间分辨率不低于15 min的超短期风速预报。根据测风塔实时发回的实测风速序列,建立了基于BP神经网络的风电场风速时间序列外延预报模型。另一方面,建立 MM5模式预报风速与实测风速的误差序列,并利用BP神经网络作误差序列的外延预报,从而利用误差的预报值对MM5风速预报值进行订正,获得新的预报值。综合对两种方法的预报效果指标分析以及拟合曲线的比较结果表明:使用BP神经网络对MM5风速预报值进行修订的方法在总体上效果较优,特别是当影响风电场的天气系统变化明显,近地层风速变率较大时,该方法的预报效果更具有明显的优势。     

动态时变参数方法在云量精细化预报中的应用研究

利用2008年1月—2013年12月以及2017年1—11月全球天气预报系统（GFS）预报场资料,采用自适应线性最小二乘回归（LS）和自适应递推卡尔曼（Kalman）滤波两种动态时变参数方法,建立了河套周边地区0~168 h预报时效的总云量精细化预报,并与GFS模式直接输出的总云量、线性预报模型逐步回归预报方法得到的总云量以及非线性预报模型BP神经网络和最小二乘支持向量机回归方法（LSSVM）得到的总云量进行了对比,结果如下:（1）相比GFS模式直接输出的总云量,LS、BP神经网络、LSSVM得到的总云量与实况值的平均绝对误差均明显减小。LS方法误差最小,LS方法的年MAE均在20%~25%,且随着预报时效的延长,改进效果越大。LS方法、多元逐步回归方法、BP神经网络、LSSVM四种方法在6—8月的改进效果最大。（2）LS方法预报的总云量与实况云量的相关性最好,即使168 h预报时效的相关系数依然在0.64以上,远高于其他几种模型的预报结果。（3）LS方法能够明显地提高少云和多云天空状况下预报的击中率,且最优（少云击中率平均提高24 %,多云击中率平均提高34 %）。（4）自适应递推Kalman滤波方法存在预报滞后现象,改进效果不明显。      

多种气象统计模型对比研究——以气象敏感性疾病脑卒中预报为例

基于2008—2012年北京市4家三甲医院的脑卒中疾病急诊就诊资料及同期气象观测资料和环境监测资料,筛选气象和环境预报因子,采用广义相加(Generalized Additive Model,GAM)、逐步回归、BP(Back Propagation)神经网络及决策树4种方法编辑数据训练集(2008—2011年)和验证集(2012年)输入模型,建立北京市脑卒中疾病预报模型,计算各模型的拟合优度和预报准确率,对比分析脑卒中疾病各预报模型并确定最优预报方法。结果表明:北京市四季脑卒中疾病不同模型选取的预报因子不同,其中时间序列为重要的预报因子。GAM模型对高等级脑卒中疾病的预报效果最好,逐步回归模型对中间等级脑卒中疾病的预报效果最好,决策树模型对低等级脑卒中疾病的预报效果最好。4种脑卒中疾病预报模型四季平均的预报准确率依次为:GAM神经网络模型逐步回归模型决策树。GAM模型脑卒中疾病的平均和高等级预报准确率均为最高,其中出血性脑卒中预报模型的完全预报准确率为68.3%,预报误差≤±1级的准确率达98.0%,可以满足天气变化对出血性脑卒中疾病预报预警的业务需求。     

2018年2月琼州海峡持续性海雾过程的数值模拟分析

2018年2月春节期间琼州海峡发生持续性大雾天气,造成大量船舶停航。本文结合葵花8号卫星反演海雾产品、琼州海峡沿岸站点能见度观测数据及美国国家环境预报中心NCEP（National Centers for Environmental Prediction） 提供的FNL（Final Analysis）客观分析资料,对2018年2月18～20日的大雾过程进行了天气学成因分析,并进一步利用CMA-MESO（Global and Regional Assimilation and Prediction System）高分辨率数值模式从边界层方案、模式垂直分层以及海雾能见度算法三个方面进行敏感性试验,以找出模拟效果更好的模式设置方案。研究结果表明:大雾期间华南近海海温较常年平均偏低,受地面冷高压南下补充的弱冷空气影响,偏东暖湿气流流经冷海面并快速凝结。而数值模拟对比试验显示,采用YSU（Yonsei University）边界层方案、边界层垂直层次加密及美国国家海洋大气局预报系统实验室（FSL/NOAA）的海雾诊断方案（简称FSL）对改进能见度预报效果显著:YSU边界层方案比MRF（Medium Range Forecast Model）边界层方案对该次大雾过程的分布范围和最低能见度出现的时间模拟效果更优;模式低层分层加密可更好体现出低能见度的演变过程;通过能见度算法与实况对比,基于模式预报性能较好的湿度和温度预报而来的FSL算法,其能见度预报与站点实况最为接近。     

基于机器学习的重庆长江航道雾图像特征识别研究

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。     

银川河东机场小样本雷暴分类客观预报方法研究

利用2000—2016年欧洲中心再分析资料、探空及地面自动气象站观测资料,根据天气过程的强度和对应物理量,分别对银川河东机场雷暴伴随大风、降水等不同天气现象类别进行定量化转换,采用峰度偏度系数、χ~2以及Q-Q图3种方法对定量转换的数据进行正态性检验,结果表明:按天气现象分类的样本服从正态分布,未分类样本基本服从。利用逐步回归、多元回归、非线性回归、BP人工神经元网络以及支持向量机5种方法,分别建立了雷暴现象与强度预报模型。结果表明:BP网络以及SVM对天气现象的预报能力较强;分类逐步、多元以及非线性回归模型分别对弱雨、强雨以及大风和降雨同时发生的天气强度预报效果较好。并在此基础上通过最优分析设计了河东机场不同种类雷暴天气定性和定量预报相结合的业务系统。