雷达资料与中尺度数值预报的融合方法研究及其在临近预报中的应用

通过融合多普勒天气雷达资料与中尺度数值预报产品,发展了一种便于临近预报业务使用的方法。该方法首先通过相关分析计算当前相同时刻雷达估测降水与中尺度数值预报的反射率因子估测降水之间的位置偏差,导出一个位移偏差矢量场;然后,利用人机交互的方式对矢量场进行分区,并对各分区的矢量场进行平滑处理,计算出各分区的平均位移偏差矢量;最后,采用最小二乘法对各分区连续多次的平均位移偏差矢量进行线性拟合,得到各分区平均位移偏差矢量随时间的变化特征,订正未来时段相应区域的数值预报反射率因子估测降水的位置偏差。利用该方法对2012和2013年夏季发生在重庆西部、四川东部的3次强降水天气过程进行临近预报试验并对预报结果进行了检验,结果表明:对0~2 h的临近预报,融合预报效果总体上优于模式预报效果;另外,与雷达外推定量降水预报相比,0~1 h雷达外推预报效果优于融合预报效果,1~2 h融合预报效果优于雷达外推预报效果。     

关于亚洲夏季风爆发的动力学研究的若干近期进展

资料分析显示,与850 hPa风场相比,地面风的变化能更好地表征亚洲各季风系统的特征。基于地面风的季节性反转和降水的显著变化所构建的亚洲夏季风(ASM)爆发指数和等时线图表明:亚洲热带夏季风(TASM)在5月初首先在孟加拉湾(BOB)东南部爆发后不是向西传播,而是向东经中印半岛向东推进,于5月中到达中国南海(SCS),6月初到达热带西北太平洋。印度夏季风的表面低压系统源于近赤道阿拉伯海地区,于6月初到达印度西南部喀拉拉邦,印度夏季风随之爆发。亚洲副热带夏季风(STASM)5月初在西北太平洋日本本州东南的海区发生后向西南伸展,于6月初与南海季风降水区连接,形成东北—西南向雨带,夏季风在中国东南沿海登陆,日本的“梅雨”(Baiu)开始。6月中该雨带向北到达长江流域和韩国,江淮梅雨和韩国的“梅雨”(Changma) 开始。本文还回顾了亚洲热带夏季风爆发的动力学研究的若干近期进展。春季青藏高原和南亚海陆分布的联合强迫作用使海表温度(SST)在BOB中东部形成短暂但强盛的暖池,在高层南亚高压的抽吸作用下,常伴有季风爆发涡旋(MOV)发展,使冬季连续带状的副高脊线在孟加拉湾东部断裂,导致亚洲热带季风首先在BOB爆发。BOB东/西部有东/西风型垂直切变,利于激发/抑制对流活动,并增加/减少海洋向大气的表面感热加热,从而使得亚洲夏季风爆发的向西传播在BOB西海岸遇到屏障。季风爆发逐渐向东伸展引发南海和热带西太平洋夏季风相继爆发。季风降水释放的强大潜热使南亚高压发展西伸,纬向非对称位涡强迫显著增强;在阿拉伯半岛强烈的表面感热加热所诱发的中层阿拉伯反气旋的共同作用下,位于阿拉伯海近赤道的低压系统北移发展成为季风爆发涡旋,导致印度季风爆发。由此可见,历时约一个月的亚洲热带夏季风爆发的三个阶段(孟加拉湾、南海和印度季风爆发)是发生在特定的地理环境下受特定的动力—热力学规律驱动的接续过程。     

顾及城区形态特征的太阳辐射传输模型及其遥感应用

准确量化地表太阳辐射量是反射率遥感反演之基础,开展城区表面辐射研究具有重要意义。本文选择天空视域因子（V）表征城区下垫面形态特征,并区分太阳直接辐射、天空漫辐射以及环境辐射的不同影响,构建了城区表面太阳辐射模型USSR（Urban Surface Solar Radiation）;然后,以Landsat 8可见光和近红外波段遥感数据为例,分析了USSR模型对于量化城区表面太阳辐射的应用前景。研究结论为：（1）USSR模型以天空视域因子为核心要素,清楚量化了城区表面各辐射分量,有效模拟了城区表面太阳辐射传输过程,能够较好地表达城区下垫面形态结构对入射辐射的影响;（2）将USSR模型应用于Landsat 8遥感数据可见光和近红外波段时,基于USSR模型估算得到的城区表面太阳辐射,与不考虑下垫面形态特征影响相比,前者可以较好地表达城区下垫面对入射辐射的“截留”作用;（3）USSR模型估算结果与TEB模型相比,二者具有较高的相关性,间接验证了USSR模型的可用性;（4）对USSR模型的V和下垫面反射率两变量进行敏感性分析,显示随着V值的增加,结果呈递增趋势;通常情况下的地表反射参数P设置值,相对于参数V的影响要弱,呈现不敏感性。本文提出的USSR模型可订正城区表面太阳辐射值,从而拓展城市遥感的应用深度和广度。     

兴趣点综合相似度计算方法及应用研究

针对POI数据的匹配更新工作成为目前各大地理信息服务平台亟需解决的问题,该文通过对POI数据的名称、地址及经纬度等主要属性的研究,提出了一种基于多属性综合相似度计算的同名POI实体识别的方法,能够有效解决多源POI数据的匹配更新慢及准确率低的难题.实验证明,相比于传统的文本相似度匹配方法,提高了POI数据的同名实体识别效率及精度.     

一次飑线过程的雷达回波分析及其反演风场研究

用常规气象观测资料,中尺度自动气象站资料和多普勒天气雷达资料,对2009年4月15日发生在重庆中西部的飑线过程的进行了分析,发现了"逆风区"在预报中具有一定的提前量。同时通过四维变分(4D-VAR)同化方法反演风场,得到反演的水平风场能较好的反映飑线内部各个发展阶段的对流单体的内部流场结构,同时发现4D-VAR反演风场能较好的反映出飑线不同发展阶段的流场特征。     

基于机器学习的SMAP卫星海表盐度反演

针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°～165°E,15°～45°N)范围为研究海域,利用深层神经网络(Deep Neural Network, DNN)和支持向量机(Support Vector Machine, SVM)建立海表盐度(Sea Surface Salinity, SSS)遥感反演模型。验证结果表明:DNN与SVM模型测试集反演SSS与Argo(Array for Real-time Geostrophic Oceanography))实测SSS的均方根误差(Root Mean Square Error, RMSE)分别为0.179 0和0.257 0,平均绝对误差(Mean Absolute Error, MAE)为0.129 3和0.182 1,最小绝对误差为0.642 6和2.038 0,最大绝对误差为1.324 1和2.373 2,反演模型数据与实测Argo数据拟合后的的相关系数分别为0.89和0.84。总体来看,DNN模型比SVM模型的反演精度更高,...