GMS-5四通道云图的自动分类及其在定量降水估算中的应用

根据日本地球静止气象卫星（ＧＭＳ－５）云图的新特点,运用动态分类方法对ＧＭＳ－５四通道卫星云图进行分类,得到各种云类及地表。并由分类结果,根据一维云模式得到的对流云对流核心云顶温度与降水之间的关系,对层云和对流云做定量降水估算。并用１９９５年８月３１日的云图资料进行对流云和层云的降水估计试验,将估算出的降水率和降水面积与地面１ｈ的观测降水资料进行比较,结果表明：假如设置４０％为降水的允许误差,那么     

基于风云四号静止气象卫星的局地对流智能化预警模型及应用

强对流等灾害性天气给人民生活和社会经济发展造成了严重影响,准确理解强对流发生的机理及提高其预报效果仍然是具有挑战性的工作。综合利用我国自主研发的新一代地球静止轨道气象卫星风云四号高时空分辨率观测数据和中国气象局全球数值预报(China Meteorological Administration-Global Forecast System, CMA-GFS)格点化产品,研究局地对流发生前大气环境场的特征和关键影响因子的变化。分析表明：卫星观测得到的云顶冻结信息以及表征大气的不稳定性、水汽含量等数值模式变量是预测局地对流发生的重要因子。利用面积重叠法和光流法对云团进行连续追踪,采用机器学习技术建立了中国区域局地对流发生和强度分级(弱、中、强)预警模型2.0版本(Storm Warning In Pre-convective Environment Version 2.0, SWIPE-V2.0),实现了局地对流的智能化预警。独立检验结果表明：模型对6个不同分区的雨季8 mm/h以下强度降水相关的对流判识准确率在0.5～0.85,对8 mm/h以上强度降水相关的对流判识准确率在0.69～0...     

基于机器学习的华北气温多模式集合预报的订正方法

模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归（Ridge）、随机森林（Random Forest,RF）和深度学习（Deep Learning,DL）的3种后处理模型,基于中国气象局（CMA）的BABJ模式、欧洲中期天气预报中心（ECMWF）的ECMF模式、日本气象厅（JMA）的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月（训练期）近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月（预报期）华北地区（38°N~43°N,113°E~119°E）的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均（Ensemble Mean,EMN）的预报效果的对比表明:1）随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2）华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3）夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。     

GMS-5四通道云图的自动分类及其在定量降水估算中的应用

根据日本地球静止气象卫星（GMS-5）云图的新特点,运用动态分类方法对GMS-5四通道卫星云图进行分类,得到各种云类及地表。并由分类结果,根据一维云模式得到的对流云对流核心云顶温度与降水之间的关系,对层云和对流云做定量降水估算。并用1995年8月31日的云图资料进行对流云和层云的降水估计试验,将估算出的降水率和降水面积与地面1 h的观测降水资料进行比较,结果表明：假如设置40%为降水的允许误差,那么降水估计的准确覆盖率将达到70%。能在业务应用中推广,并且该方法可以应用到即将发射的风云2号气象卫星资料处理