2017年5月7日广州特大暴雨微物理特征及其触发维持机制分析

利用区域气象站、海岛站、测风塔、风廓线和多普勒天气雷达等多种非常规观测以及NCEP/NCAR 0.25°×0.25°再分析资料,对2017年6月22日凌晨广东西部沿海发生的一次预报失败的局地特大暴雨过程的成因进行了综合诊断,重点探讨了局地海陆风和地形（相互）作用对该过程的影响。结果表明：（1）暴雨发生在弱天气尺度环流背景下,华南地区无锋面和高空槽活动,边界层超低空偏南急流为暴雨提供了不稳定能量,不同性质下垫面的热力差异导致天露山山前形成海陆风（偏南）与偏北风的中尺度辐合线,致使初始对流在关键区触发。（2）偏南暖湿气流向北推进受阻后,在天露山地形强迫抬升下对流增强发展成中尺度对流系统（MCS）,下垫面热力差异在山前强迫产生的中尺度垂直切变与降水之间可能存在正反馈现象,延长β中尺度对流系统生命史。（3）中尺度辐合线上不断激发的对流云团,形成降水的列车效应,导致了这场罕见的局地特大暴雨过程,凸显海陆风环流对本次暖区暴雨的重要作用。（4）该过程发生前,所有业务客观数值预报模式均未预报出明显降水,数值模式难以做出暖区尤其是弱天气背景下的暴雨以上降水预报,目前的监测和短时临近预警是主要手段。

     

最不稳定层的确定及应用

以清远探空站资料为基础，对2003~2004年清远及其附近地区强对流（雷雨大风、冰雹、龙卷风，下同）日最不稳定层位置及状态进行了统计，并把最不稳定层同几个规定层进行比较，总结出三种主要的产生强对流天气的T—LnP图型，为强对流天气的预报提供了极为有利的参考。     

中央气象台精细化网格降水预报技术的发展和思考

为给智能网格强降水预报提供客观参考,提出了一种基于迁移学习和长短期记忆神经网络(LSTM)的降水预报方法。迁移学习是一种机器学习方法,可将源域学习到的知识迁移到目标域中以应用;LSTM是一种可以处理序列数据中的长期依赖关系的深度学习模型。基于2009—2022年广东省肇庆市6个国家气象观测站逐小时雨量、气温、气压、相对湿度、风向和风速的观测资料,以肇庆高要国家气象观测站作为目标域,其它5个国家气象观测站作为源域,利用迁移学习方法对目标域有缺失值的观测资料进行订正,使目标域形成完整的训练样本;然后,利用深度学习方法,对目标域分别建立单变量LSTM日雨量预报模型和多变量LSTM小时雨量预报模型;最后,对目标域2022年日雨量与小时雨量进行预报,与对应实况对比。结果表明：(1) 单变量LSTM预报方法在1—2月、6月、10—12月的24 h晴雨预报准确率在80%以上,多变量LSTM预报方法在3月、6月、8月、12月的1 h晴雨预报准确率在80%以上。(2) 单变量LSTM预报方法仅6月能预报出24 h雨量在50 mm以上的强降水,多变量LSTM预报方法在3月、5月、6—8月能预报出1 h雨量在20 mm以上的强降水,其中3月和6月的小时雨量预报TS评分高于25%。

     

2011.4.17超级单体风暴的物理量和雷达资料诊断分析

利用常规观测资料及新一代多普勒雷达资料对2011年4月17日发生在广东的强冰雹和雷雨大风过程进行详细分析,找出强冰雹和雷雨大风发生发展的天气特征.     

中小尺度天气系统的多普勒统计特征

利用广州新一代天气雷达资料，将多普勒速度和反射率因子及其导出产品特征进行分型，详细描述了各种类型多普勒速度特征的特点和分类方法。按不同类型中小尺度天气系统，对多普勒速度和反射率因子形状的各项特征以及反射率因子大小、回波移速及垂直累积液态含水量分别进行归纳统计，重点分析了多普勒速度的统计特征。结果表明：80％左右的雷雨大风包括下击暴流在多普勒速度图上表现为大风区型和近地层辐散型，产生强降水的速度场50％以上为辐合流场，24％为逆风区型。中气旋特征和弓形、钩状等特殊形状回波出现的几率虽然不高，但却是短时暴雨或大暴雨、冰雹、灾害性大风等强烈天气的重要标志。综合运用多普勒特征和环流背景，有可能改善强对流识别的准确率。     

南海季风爆发前罕见连续3场暴雨特征及成因

2010年5月上中旬南海季风尚未爆发,广东一周内出现罕见的连续3场区域性暴雨 (下称连场暴雨)。利用常规气象观测资料和NCEP分析资料,从降水时间特征和环流形势对比了连场暴雨和持续性暴雨的异同,并应用局地经向环流数值模式诊断探讨其可能形成机制。结果表明:中高纬度地区阻塞形势建立对广东5月连场暴雨和6月持续性暴雨发生均尤为关键,连场暴雨期间阻塞高压位于乌拉尔山附近,降水与中纬度短波槽南下密切相关;而持续性暴雨期间阻塞高压偏东位于亚洲大陆中部,降水主要受热带西南季风北推影响。尽管大尺度环流背景相似,但3场暴雨过程天气系统配置差异较大。数值诊断结果进一步表明:激发连续3场暴雨的主要物理因子为潜热加热、温度平流和西风动量输送。潜热加热是此次连场暴雨的正贡献和正反馈的最直接因子,而西风动量输送和温度平流对暴雨发生有一定触发作用和指示意义 (超前0~1.5 d)。因此,分析和预报季风爆发前的连场暴雨过程,应注意中高纬度地区西风动量输送、冷暖平流活动和相应的天气形势演变。     

2012年4月广东左移和飑线内超级单体的环境条件和结构对比分析

2012年4月开汛后广东省接连出现强对流天气,尤其是冰雹日数更是超过历史同期平均。本文利用常规天气观测资料和雷达、自动站等非常规资料对广东首次观测到的风暴分裂中左移超级单体风暴和飑线内超级单体风暴引发的两次强对流天气过程进行了对比分析。结果表明:"4·10"冰雹和雷雨大风天气是由局地强烈加热产生的"热雷暴"发展成超级单体风暴造成的;"4·12"冰雹、雷雨大风和短时强降水天气由飑线及飑线内超级单体风暴造成的,其产生于切变线、较强冷空气南下过程中的低层暖平流和中层冷槽共同作用的环境条件下,较强的平流过程使垂直风切变明显增大;两次过程中0℃层高度都低于4月当地0℃层高度平均值。风切变矢量随高度的变化决定了左移和右移风暴的发展趋势,"4.10"风切变矢量随高度逆时针变化,使风暴分裂后左移风暴得以发展成超级单体;"4·12"风切变矢量随高度顺时针变化,有利于有组织风暴即飑线和飑线内超级单体的形成和发展,超级单体向承载层平均风的右侧运动。左移超级单体回波具有中反气旋、弱回波区和旁瓣回波及强回波中心位于其移动方向左侧等特点;飑线内超级单体的中气旋、弱回波区和强回波中心位于回波移动方向右侧,三体散射长钉长度和中层辐合厚度都很大,后侧下击暴流产生了31.1 m·s~(-1)地面强风。     

三种机器学习方法在广东雷暴大风自动识别的应用效果评估

基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1～9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明：三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。     

“2010.5.22～23”广东强对流过程综合分析

利用常规探空和地面观测资料、NCEP再分析资料、雷达回波等资料,分析了 2010年5月22～ 23日广东强对流暴雨过程的特征,并探讨了此次强对流暴雨产生的成因及落区.结果表明:此次天气过程是在高空槽、中层切变、地面冷空气及地面辐合线共同配合下产生的;分析还表明,在强对流发生前,k指数等5类探空指数对强对流发生发展有较好...