南京地区霾预报方法试验研究

支持向量机(SVM)方法是基于统计学理论的一种新的机器学习方法,对解决小样本条件下的非线性问题非常有效.利用2004～2007年南京站的逐日常规观测资料以及同期南京市环境质量监测点的逐日污染物浓度资料,使用SVM分类和回归方法分别建立了南京地区霾日分类预报模型和有霾日14时(北京时间,下同)能见度预报模型.预报试验结果...     

太原大气能见度影响因子分析及能见度预报

利用2017年1月—2019年12月太原地区逐时气象资料,分析了能见度及其主要影响因子的变化特征,并对两次低能见度过程进行深入分析,构建了能见度预报模型并进行检验,结果表明:(1)从空间分布看,太原北部能见度明显高于南部地区。从时间分布看,太原地区平均能见度最大值出现在5月,最小值出现在1月;日间最低值出现在06:00(北京时,下同),冬季略向后推移,最高值出现在15:00前后。(2)2017—2019年太原地区低能见度分别出现93、84、79 d;低能见度发生时,干霾、湿霾发生频率分别为59.27%、40.73%;湿霾发生时,能见度降低更加明显。(3)所选个例中,能见度均随各影响因子有所起伏,干霾、湿霾过程中能见度分别与颗粒物浓度、相对湿度变化一致。(4)采用神经网络方法构建太原地区能见度预报模型,预报模型相关系数为0.81,均方根为4.43 km,平均绝对误差为17.39%,轻微级能见度的TS评分为87%。神经网络方法对太原地区能见度预报具有较高的参考价值。     

双流机场低能见度天气预报方法研究

在信息量较大, 而预报对象与预报因子的关系又不清楚的状况下, 智能机器学习方法是解决这类问题的较好手段。利用1997—2001年成都站的常规探空资料和双流机场的地面观测资料, 使用支持向量机 (Support Vector Machines, 简称SVM) 方法, 选取多种核函数进行双流机场低能见度天气的预报建模试验。测试结果表明:以径向基函数和拉普拉斯函数构造的SVM预报模型实验效果最好, Ts评分分别为0.287和0.292, 远高于双流机场低能见度天气出现的频率 (0.155)。试验结果还表明:以径向基函数构造的SVM预报模型空报较多, 漏报较少; 而以拉普拉斯函数构造的SVM预报模型空报较少, 漏报较多。因此, 如果强调模型对低能见度天气预报的准确性, 则应采用以拉普拉斯函数构造的预报模型, 如果强调对低能见度天气的预防性, 则应采用以径向基函数构造的预报模型。     

2006年冬半年我国霾天气特征分析

利用常规气象观测资料和NCEP再分析资料,对2006年10月至2007年2月我国霾天气的时空分布、环流形势特征和霾天气过程中气象要素的变化特征进行了统计和天气学分析.结果表明:2006年10月、12月、1月和2月是我国霾频发时期,11-14时发生的范围最大.霾主要发生在中阻塞、南支槽和纬向型三种不同的环流形势下.霾天气发生时的气象要素分布存在南北区域性差异,其中湿度的差别最为显著.14时华南地区相对湿度最大值为80%左右,长江中下游地区为70%,而华北地区只有60%.24小时气压减弱有利霾的发生.华北地区24小时负变温,而长江以南地区正变温时,霾更容易发生.能见度最小值的分布表明,广东、黄淮等部分地区发生霾时能见度较其他区域更小,只有2km左右.这些对于了解霾的发生规律和预报具有重要意义.     

基于EC细网格产品在乌鲁木齐机场低能见度预测中的释用

利用2015—2018年乌鲁木齐机场航空例行天气报告(METAR报)、ECMWF(European Centre for Medium-Range Weather Forecasting)细网格数值预报产品对影响能见度的主要因子进行分析,提取与低能见度相关性高的物理量作为预报因子,采用SVM方法,分别基于Poly、RBF核函数建立乌鲁木齐机场未来21 h能见度预报模型。结果表明:(1)基于预报因子区间分类的SVM模型物理意义明确,试验结果较好;以RBF为函数建立的SVM模型(SVM-RBF)预报能力更好,其训练样本预测的TS评分0.84,准确率89.20%。(2)SVM-RBF模型的检验样本中,预报准确样本的预报误差整体偏小;在漏报样本中则有能见度越低、预报误差越大的特点,模型的振荡性明显。(3)结合NCEP/NCAR再分析资料研究SVM-RBF模型对天气过程的预报表现,发现模型对于特定天气形势下引发的低能见度天气,预报误差较小且预报提前量较大。     

基于支持向量机的雷暴潜势预报初探

根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。     

武汉大气能见度与PM2.5浓度及相对湿度关系的非线性分析及能见度预报

武汉作为中部地区高湿度代表城市,大气污染严重,霾天气多发,但有关该地区大气能见度与PM2.5浓度及相对湿度(RH)的定量关系尚不明确。利用2014年9月—2015年3月武汉地区逐时能见度、相对湿度及颗粒物质量浓度观测数据,研究分析了武汉大气能见度与PM2.5浓度及相对湿度的关系,并进行能见度非线性预报初探,得到以下结论:武汉霾时数发生比例高,霾的发生和加重是能见度降低的主要原因;能见度降低伴随大量细粒子产生和累积,这是武汉大气能见度恶化的重要诱因。细颗粒物浓度与相对湿度共同影响和制约大气能见度变化,高湿高浓度时能见度显著下降,湿情景下(RH≥40%),能见度恶化主要是由湿度增高诱使细颗粒物粒径吸湿增长导致其散射效率增大造成的。当RH >90%时,能见度随湿度升高成线性递减,相对湿度每升高1%,武汉平均能见度降低0.568 km。而干情景下(RH2.5质量浓度升高。在城市大气细粒子污染背景下,能见度与相对湿度成非线性关系,这主要与PM2.5对能见度的影响及吸湿性颗粒物的散射效率变化有关。PM2.5浓度与能见度成幂函数非线性关系,80%≤RH2.5浓度对能见度的影响敏感阈值是随着湿度升高而减小的,干情景下能见度10 km对应的PM2.5浓度阈值为70 μg/m3,湿情景下该阈值为18—55 μg/m3。当PM2.5质量浓度低于约40 μg/m3时,继续降低PM2.5可显著提高武汉大气能见度。预报试验表明,基于神经网络方法建立大气能见度非线性预报模型是可行的,预报能见度相关系数为0.86,均方根误差为1.9 km,能见度≤10 km的TS评分为0.92。网络模型具有较高预报性能,对霾的判别有较高准确性,为衔接区域环境气象数值预报模式,建立大气能见度精细化动力统计模型提供参考依据。      

安徽省雾、霾、晴空天气的气象条件对比分析

使用2008~2012年逐日地面观测资料,揭示了安徽不同地区雾、霾、晴空天气气象条件的差异,指出不同地区要根据本地特点建立雾、霾预报指标和预报方法。3类天气差异最大的地面气象要素是能见度和相对湿度。根据3种天气前一日和当日能见度和相对湿度分布特征,全省站点可以分为3类:1)从雾、霾到晴空,能见度递增、相对湿度递减,且差异显著,如合肥站;2)雾、霾天的能见度和相对湿度均很接近,但与晴空天差别较大,如阜阳站;3)能见度在雾、霾天无明显差别,但相对湿度在雾、霾天差异显著,如安庆站。地级市测站雾后即霾的可能性较大(大于50%),县城测站雾后即霾的可能性较低(低于25%)。垂直方向,雾时相对湿度随高度下降很快,850 h Pa中位值已降到20%(安庆)和45%(阜阳)以下,霾时相对湿度随高度下降缓慢,850 h Pa中位值仍在60%左右;另外,霾天边界层中上部风切变较小,雾天和晴空天边界层中上部都存在较大的风切变。     

能见度观测方式改变对京津冀地区雾霾判识及统计的影响分析

将京津冀地区177个自动站2000—2020年地面资料分为2000—2013年(目测)、2014年(目测与器测)和2015—2020年(器测)3个阶段对能见度进行对比分析。定义冷季为11月至翌年4月,暖季为5—10月。结果表明：能见度年平均值在08时和14时绝大多数站点器测值小于目测值。冷季月平均能见度08时器测低于目测,14时差别较08时明显缩小;暖季08时器测总体低于目测,但两者差异小于冷季,5月差异最小。2014年,在雾霾多发的1—4月,08时和14时器测能见度明显小于目测,在雾霾较少的5—12月,半数以上器测能见度大于目测。能见度小于12 km时,器测小于目测,12 km以上时器测大于目测,能见度小于1 km时器测接近目测。能见度和相对湿度呈反相关。当能见度小于0.5 km,目测和器测的相对湿度为93%～96%,但随着能见度的增大,器测更为分散。能见度转为器测后,雾和霾次数明显增加,霾更明显。京津冀地区雾器测和目测高发区均位于京广铁路沿线,但霾高发区是从中南部太行山到平原过渡的浅山区东移到京广铁路沿线。     

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%。     

霾日数的统计方法讨论—以西安地区为例

利用西安1959—2010年每天02、08、14、20时能见度、日平均相对湿度以及天气现象等地面气象观测资料,采用四种方法对西安市霾日数统计分析。结果表明:四种方法统计霾日数的气候变化趋势基本一致,表明四种方法均可比较准确地反映霾出现时间,其中单时次能见度和湿度判断方法确定的历年霾日数最多,日均能见度和湿度以及天气现象综合判断方法确定的年霾日数最少。四种方法的统计结果显示,西安市1959—2010年期间年霾日数1999年最少。将四种方法统计的霾日数与实际观测霾日数的变化趋势相比,发现单时次满足条件能见度与湿度及天气现象综合判断的结果与西安历年实际变化趋势最为接近。
 

     

闽南沿海地区低能见度事件变化特征分析

利用2005-2010年闽南沿海地区9个气象站(厦门、同安、漳州、东山、漳浦、龙海、诏安、晋江和崇武)的日常观测能见度、相对湿度等气象资料,采用统计方法,探讨了闽南沿海地区低能见度事件的年、季和日变化等变化特征规律.分析发现,闽南沿海地区低能见度事件的年平均能见度一般在6 km左右,且低能见度在霾时总体要好于(轻)雾时;上半年低能见度事件持续时间较长且多发,下半年低能见度事件持续时间短且出现频率低于上半年.通常,08时的能见度最差,14时和20时转好,02时的能见度较08时要好,只有沿海测站东山站和崇武站在冬春季02时能见度较08时差.霾是造成闽南沿海地区出现低能见度事件的主要原因,(轻)雾次之,反映出该地区经济快速发展对能见度的影响.     

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.     

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。     

西咸高速公路低能见度特征及影响因子分析

利用西安咸阳国际机场高速公路（简称西咸高速公路）3个8要素气象监测站2013年8月至2019年12月逐小时资料、部分时段的逐分钟资料,对能见度＜1 000 m的低能见度（用v代表低能见度）统计分析,结果发现,造成西咸高速公路低能见度现象的主要天气为大雾、霾和强降水。霾造成的低能见度出现次数最多且时间最长,雾造成的低能见度对高速公路的通行状态影响最大;一日中,低能见度出现的概率凌晨最大,下午最小,其中50 m≤v＜200 m出现概率最高,是08时的186%;月平均低能见度时数在年内呈两高一低分布,1—4月、9—12月为高峰区,5—8为低谷区;3个监测站的年平均低能见度时数呈现由南向北依次增多的趋势。雾的影响因素主要是相对湿度和温度,当湿度达到一定饱和度后,近地面温度的连续降低对能见度的下降有一定的指示意义。在霾天气中,PM25质量浓度的高低对能见度有重要影响。强降水使能见度快速下降,当雨强大于13 mm/min时能见度可降至200 m以下,降水强度的预报对低能见度的预报预警有重要意义。     

浙江省人工观测与仪器观测能见度对比分析

随着自动能见度仪的使用越来越多,它所受关注和重视的程度也越来越高,利用2011年全省人工观测与仪器观测能见度资料,对全年能见度空间分布做了分析,能见度高值区位于西南山区和东部沿海地区,低值区位于杭州地区、金衢盆地及湖州部分地区。以杭州为例分析两种能见度资料在不同能见度水平和天气现象下的一致性,当能见度小于1 km时,两种能见度资料误差较小,能见度在1~10 km之间,误差有所增加,当能见度在10 km以上时,误差较大,仪器观测能见度只有一定的参考性。在考察天气对能见度的影响时发现,人工观测能见度波动较大,降水的分布不均匀对于能见度测量有较大影响,因此在测量霾天气能见度时应排除降水对能见度的干扰。     

基于RMAPS-CHEM模式产品的北京地区能见度预报订正

基于RMAPS-CHEM空间分辨率为3 km的逐小时能见度预报产品,考虑到不同区域、不同时效及不同级别的预报误差不同,对北京区域各站点能见度观测值与模式预报结果进行比较和分时段逐级偏差订正,以2016年数据为样本,并对2017年数据检验。订正结果表明该统计订正方案对2017年能见度预报有较好的订正效果,不仅可以较好地改善其对高海拔地区的高估现象,也能更好地预报出低能见度现象。以2017年1月为例,北京观象台站能见度平均偏差及均方根误差都有所降低,0～24 h分级预报准确率均有所提高。同时,对优化后结果进行合理插值,并应用于北京iGrAPS无缝隙智能网格预报分析系统,得到北京地区1 km空间分辨率的0～96 h时效能见度预报产品,从而为雾、霾等低能见度天气现象的预报提供支撑。     

四川霾时空分布及气象要素分析

选取2016~2019年四川地区156个站点的逐时能见度、相对湿度和温度资料,分析了霾的时空变化和对应的大气参数值变化特征。结果表明:四川地区霾天气的空间分布差异显著,川西高原和攀西地区发生较少,盆地发生较多。从季节变化来看,霾天气在冬季多发,春秋季次之,夏季最少。从日变化来看,霾在白天的发生次数远高于夜间,11~21时为高发阶段,03~08时为低发阶段;10~12时成霾最多,01~07时和23时成霾较少;20时和23时消霾最多,06~09时消霾最少;90%的霾在8 h内消散。结合气象要素分析,霾发生次数在气温介于7~14℃时最多;根据能见度划分的轻微霾和轻度霾发生次数较多,重度霾发生次数较少;霾发生次数在相对湿度介于2%~33%时最低,在其介于34%~79%时随相对湿度的增大而增加。      

支持向量机在太阳辐射预报中的应用

利用EOF能分解数据场和SVM回归分析可建立因子与预报量非线性关系的优势,设计预报方案:(1)将多因子和多预报量分别方差标准化,EOF场展开,提取主分量;(2)用SVM回归分析实现多因子主分量对多预报量主分量非线性预测;(3)由预报的多预报量主分量与对应空间函数反演原预报量。选用武汉预报日同一天气类型的上一日逐时(05—18时)总辐射、日最高温度、温度日较差、日天气类型观测值以及预报日的日最高温度、温度日较差、日天气类型预报值为因子,对预报日逐时辐射量进行预报。独立预报试验表明,预报与实况接近。