广州市空气污染影响因子与预报建模

利用广州市环境监测站2007-2009年的空气污染指数(API)及同期地面气象要素(大气能见度、10 min平均风速、最大风速、气温、绝对湿度、相对湿度、露点温度、气压、24 h降水量)观测资料和空气污染物(PM10、SO2、NO2)监测数据,分析广州市空气污染指数(API)与气象要素及空气污染物之间的联系,挑选相关因子,用多元回归法和径向基神经网络进行API建模,并对2009年1--4月和9-12月进行试报,结果表明:后者预测效果比前者优异,可作为广州市空气污染预报的参考手段.     

太原雾天能见度预报

利用中尺度数值预报模式MM5对山西省2009年发生的几场典型雾个例进行数值模拟。结果表明：模拟2 m温度比观测值偏低约2 ℃,相对湿度模拟结果比观测值偏大约15 %,10 m的模拟风速比观测的偏大0-2 m·s^-1。山西省雾的预报指标为20 m液态水含量大于等于0.13 g·kg^-1而小于0.60g·kg^-1、20-1500 m高度大气层存在逆温层、地面风速小于4 m·s^-1。利用太原测站日平均能见度、日平均相对湿度以及空气污染指数进行拟合建立太原能见度预报模型,并利用实测资料订正MM5、CAPPS模式预报误差,给出订正后的能见度预报方程并以两次实例对区域及太原雾天能见度预报表明该能见度预报模型有一定的适用性。     

SVM和Elman神经网络在乌鲁木齐污染物预报中的应用研究

选用2012年11月1日-2013年1月31日的逐6 h的空气污染物（SO2、NO2、PM10）和实况气象要素（温度、湿度、能见度、风速和气压）资料,利用支持向量机和Elman神经网络方法建立空气污染物预报模型。结果表明,支持向量机和Elman神经网络方法都可以得到较为理想的预测结果,支持向量机在泛化能力方面具有显著优势,预测结果更加准确。     

基于CART决策树的河北省低能见度分类研究

基于2016—2019年河北省142个国家气象站逐小时观测数据,通过EOF时空正交分解和CART决策树分类回归等方法,针对低能见度高发区域构建能见度预报模型,并进行拟合检验。结果表明：河北省雾日时空分布特征显示除张家口、承德及秦皇岛三市外,40°N以南地区为雾日高发区域,多年平均雾日数最高值可达50 d。相对湿度、地表温度、风速等气象要素与能见度显著相关,将显著相关因子作为输入变量建立能见度预报模型并调参,经检验该模型对于冬季的预报效果较好,有较高的准确率;夏季误报率较低;日夜差别在夏季并不明显,三个指数差别不大,冬季夜晚的准确率与误报率明显优于白天,漏报率略高。石家庄站2019年12月7—10日的三次大雾过程拟合结果较好,有雾时次无漏报。     

MOS方法在机场气象要素客观预报中的应用

利用WRF中尺度数值模式和模式输出统计（MOS）方法,研究建立乌鲁木齐机场逐时温度、相对湿度的回归预报模型,并尝试针对冬季低云、低能见度等天气建立分类预报模型,通过对统计模型的检验可以看到：逐时温度绝对差为1.09耀2.33益;逐时相对湿度绝对差为4.7%耀9.6%;11月至翌年2月低云量跃5分量分类预报准确率76.94%耀83.13%,TS评分54.27%耀66.50%;11月至2月能见度臆800m的分类预报准确率为89.83%耀92.04%,TS评分为29.09%耀46.05%。该方法预测效果较好,因此可以尝试使用本方法为日后航空气象业务提供机场客观预报指导产品。     

湖南省低能见度天气时空分布特征及预报订正方法研究

利用2011~2020年国家基本站观测资料,研究了湖南省低能见度天气时空分布特征,并结合低能见度与地面气象要素的关系获取预报订正阈值,在此基础上,结合概率匹配法对EC能见度预报进行订正研究。结果表明：（1）低能见度区域主要位于湖南中北部和通道县、衡阳市附近,并且从秋季开始整个低能见度区域有明显向南扩大的趋势;低能见度时数出现最多的是冬季,其次是春季和秋季,分布范围最广的也是冬季,集中于湖南中东部。（2）低能见度日变化呈单峰型,主要集中在20时~次日09时。（3）≤1 km低能见度主要出现在地面风速<2 m/s、地面相对湿度基本高于90%、地面温度低于20℃及24 h变压<2 hPa的气象环境。（4）采用概率密度匹配结合要素的预报订正方法优于仅使用概率匹配的订正方法,可以很好地对湖南大部分低能见度天气预报进行有效订正,订正后TS评分显著提高。     

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index, AQI)数据, 分析了义乌地区低能见度天气(观测能见度lt; 10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network, LSTM)模型对逐小时能见度进行模拟, 分别对比了观测能见度作为输入变量与否的模拟效果; 根据义乌地区低能见度天气条件的特征, 将模拟时段分为三个时期(11月至翌年2月, 3—6月, 7—10月), 对比了分时期模拟的效果; 以及评估了模型的预报步长。结果表明: 高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果, 当输入参数中加入历史观测能见度时, 能大幅提高模拟准确度, 日均能见度模拟结果均方根误差RMSE=0.63 km, 平均绝对误差MAE=0.51 km, 拟合优度R²=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好, RMSE=2.35 km, MAE=1.46 km, 低能见度均方根误差RMSE_10 km=1.81 km, 低能见度平均绝对误差MAE_10 km=1.13 km, R²=0.83; 3—6月的模拟中, 输入变量中不加AQI模拟效果更好, 这意味着3—6月义乌地区的低能见度天气以雾天气为主导, 加入过多变量并不一定能提高模型准确度; 随着预报步长增大, 模型预报效果变差, 预测步长等于3 h, R²=0.71, 预测结果已不具备实际应用意义。     

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。     

基于近似支持向量机的能见度释用预报研究

利用2008—2010年逐年12月、次年1月的T511L61数值预报产品和单站观测资料,采用近似支持向量机方法,分别建立了南京、杭州和衢州站分类和回归结合的能见度释用预报模型（简称分类和回归结合模型）。利用2011年12月、次年1月资料作为独立样本,对模型进行试报检验,并与不分类条件下的纯回归模型进行对比。结果表明:分类和回归结合模型的预报效果好于纯回归模型,在24、36、48、60和72 h试报中,分类和回归结合模型的南京、杭州和衢州三站平均的准确率依次为75.5%、83.7%、72.1%、75.4%和78.0%,在除48 h的其余4个预报时次中,分类和回归结合模型的三站平均的准确率均高于纯回归模型。分类和回归结合模型在单站能见度预报中有较好的应用前景。      

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。     

乌海市灰霾天气的气候特征分析

利用乌海市1971—2009年每天4个时次（或3个时次）的常规地面观测资料和2004—2009年的空气质量状况（PM10、SO2、NO2浓度值）,统计分析了乌海市灰霾的分布特征和规律以及出现灰霾时的相对湿度、平均水平能见度、2分钟平均风速、风向特征和空气质量状况。得到：（1）乌海市1971—2009年共出现165次灰霾天气,2004年以后出现了161次,最多出现在2007年和2009年;春季出现次数最多,冬季最少;4月出现最多,1月和2月出现最少;82.4%的灰霾天气出现在08时。（2）当出现灰霾时,相对湿度在60%以下占71%,相对湿度在70%以上时绝大部分是与雾同时出现;灰霾天气出现最多风向是偏南风,最多风速是≤3.0 m.s-1。（3）2004—2006年出现灰霾时92%的空气质量出现了三级轻微或轻度污染,2007年以后出现灰霾时,在冬半年空气质量绝大部分为三级轻微或轻度污染,而在夏半年大部分空气质量为良。     

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...     

基于机器学习的复杂地形下短期数值天气预报误差分析与订正

初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2m温度、10m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分"挖掘"不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。     

北方公路交通气象环境识别及安全管理策略研究

用沈山高速公路沿线10个交通气象站的逐10 min气温、能见度、路面温度、降水、湿度和风等资料,采用多元逐步线性回归、最小二乘曲线拟合、MLP神经网络建立数学模型对北方公路路面温度、能见度以及冰雪路面等交通气象环境进行识别。通过抽取随机样本对模型进行检验,结果表明:所建立的模型对交通气象环境具有较好的模拟和识别作用。基于交通工程理论建立的不同路况条件下车速预估和交通安全指数模型对公路交通安全管理具有很好的应用价值。     

桂林城区大气能见度与颗粒物浓度和气象因子关系研究

利用2015年1月至2017年6月桂林国家基本气象站能见度、相对湿度、气温、气压、降水等气象要素和PM₁₀、PM_2.5、PM_1.0颗粒物质量浓度资料,分析桂林城区大气能见度与颗粒物浓度和气象因子之间关系。结果表明：桂林城区大气能见度和PM₁₀、PM_2.5、PM_1.0呈对数关系,相关系数分别为-0.341、-0.461、-0.509,颗粒物对大气能见度影响在相对湿度为60%—70%时最为显著。在各气象因子中,大气能见度与风速的相关性最好,其次为相对湿度,与风速呈二次函数关系,与相对湿度呈幂指数关系,与温度相关性较小,与气压在秋冬季节呈正相关,相关系数冬季可达0.301,但在春、夏季节相关性不显著;利用颗粒物浓度和气象要素建立8种大气能见度非线性统计回归模型,比较后发现利用PM_1.0、风速、相对湿度、气温等因子建立的不同季节大气能见度拟合公式在实际检验中效果最优,能较好地模拟桂林地区大气能见度的变化。     

南京北郊气溶胶粒子的光学散射特征

利用三波段积分浊度仪对南京北郊2009-2010年四季气溶胶散射系数进行观测和分析。结果表明：气溶胶散射系数具有明显的季节变化特征,春季最低,秋季最高,冬夏季差别不大;气溶胶散射系数变化范围为51．6～2748．3Mm-1,平均值为478．6Mm-1。气溶胶散射系数的日变化特征为双峰型。空气相对湿度与气溶胶散射系数呈正相关关系：地面风向与气溶胶散射系数关系密切,偏东风时气溶胶散射系数最大,偏南风和偏西风时气溶胶散射系数较小。降水对气溶胶有明显的清除作用。能见度大于5km时,能见度与散射系数呈负相关关系。四季大气中SO2和NO2与气溶胶散射系数存在一定相关性,其中秋季SO,与气溶胶散射系数的相关系数最大（0．68）,春季NO2与散射系数的相关系数最大（0．62）,均通过0．05信度的显著性检验。     

北京一次持续霾天气过程气象特征分析

2013年1月10-14日,北京平原地区出现了水平能见度在2 km以下、以PM_2.5为首要污染物、空气质量持续5 d维持在重度以上污染水平的霾天气。综合分析此次霾天气过程的天气形势、北京地区常规和加密气象资料以及城郊连续观测的PM_2.5浓度资料。结果表明：此霾过程期间,北京高空以平直纬向环流为主,受西北偏西气流控制,没有明显冷空气南下影响北京地区,地面多为不利于污染物扩散和稀释的弱气压场;大气层结稳定、风速小(日平均风速小于2 m·s^-1)、相对湿度较大（日平均相对湿度在70 %以上）、逆温频率高强度大,边界层内污染物的水平和垂直扩散能力差;北京城区及南部的京津冀地区人类活动排放污染物强度大,在相对稳定和高湿的天气背景下,受地形和城市局地环流的影响,北京本地污染物累积和区域污染物输送以及PM_2.5细粒子在高湿条件下的物理化学转化等过程共同作用造成此次北京城区及平原地区污染物浓度快速增长并持续偏高,高浓度PM_2.5对大气消光有显著影响,造成低能见度和持续霾天气。