Correction of CMPAS Precipitation Products over Complex Terrain Areas with Machine Learning Models

Machine learning models were used to improve the accuracy of China Meteorological Administration Multisource Precipitation Analysis System (CMPAS) in complex terrain areas by combining rain gauge precipitation with topographic factors like altitude, slope, slope direction, slope variability, surface roughness, and meteorological factors like temperature and wind speed. The results of the correction demonstrated that the ensemble learning method has a considerably corrective effect and the three methods (Random Forest, AdaBoost, and Bagging) adopted in the study had similar results. The mean bias between CMPAS and 85% of automatic weather stations has dropped by more than 30%. The plateau region displays the largest accuracy increase, the winter season shows the greatest error reduction, and decreasing precipitation improves the correction outcome. Additionally, the heavy precipitation process’precision has improved to some degree. For individual stations, the revised CMPAS error fluctuation range is significantly reduced.     

2014年3.19台州冰雹过程中尺度分析

利用常规观测资料、中尺度自动站数据、新一代单站雷达资料及组网拼图产品、FY 2C红外云图产品及逐6 h NCEP再分析资料,对2014年3月19日发生在浙江台州地区的一次大范围冰雹过程进行了中尺度过程分析。研究表明：（1） 通过环境场条件分析和订正后的探空资料诊断发现：台州地区处于下湿上干层结不稳定,在午后地面温度升高、对流有效位能增加、且0~3和0~6 km垂直风切变较大的情况下有利于出现风雹类强对流天气。（2） 根据触发天气尺度对流系统活动的冷锋移动和演变情况,可以将整个过程分为四个阶段,台州雷雨大风和大范围冰雹过程主要产生于第三阶段。（3） 成熟期根据系统的回波形态可以分为飑线形成、弓形回波、雹暴单体爆发三个阶段,在各时段的自动站要素和雷达产品上均表现出与其他时段显著不同的要素特征。（4） 近地层充沛的水汽、较低的抬升凝结高度,南支槽、北方横槽南摆及高空急流出口区左侧造成的系统性抬升,地面冷锋、中尺度辐合线及地形的触发作用,是飑中系统台州地区爆发加强,从而造成冰雹大风天气的主要原因。(5) 地市级预报员充分利用本地自动站传输的时效性优势,开展中分析补充订正业务能有效提升临近预报的质量。     

建站至2016年四川气象台站元数据变动特征分析

利用四川现有156个国家级气象台站历史沿革数据,统计分析了沿革内容05～11项(台站位置、观测仪器、观测要素、周围障碍物、观测时制、观测时间、守班情况)变动情况。结果表明:从建站到2016年,四川气象台站05～11项变动总次数为42588次,平均每站变动273次,其中观测要素和仪器占变动总数的88%。观测仪器变动主要发生在1953、1960、1980、2003、2013、2015年,各观测仪器变化趋势接近,风速风向仪器变动最为频繁。四川省共有132个台站发生过迁站,迁移总数264次,占站点总数的85%,建站初期迁移台站较多,迁移距离一般较近,而2010年后迁移次数呈上升趋势,距离相对较远。      

两种高分辨率气温实况融合产品在四川省的质量评估

选取四川省156个国家级考核站、1282个区域考核站及1411个区域非考核站2019年8月1日~2020年7月31日的气温数据,利用相关系数、平均值误差、均方根误差等指标,评估了CLDAS（5 km×5 km）和HRCLDAS（1 km×1 km）两套气温实况融合产品在四川省的适用性。结果表明：两套融合产品的相关性都很好,相对而言,午后的误差值较其余时刻偏大且代表性偏差,冬季的评估效果较差且为负平均值误差的低估值。地形与海拔对融合产品的影响较大,在地势起伏大的高海拔区域,误差值明显增大。两套融合产品在盆地中部评估效果最优,多呈现正平均值误差的高估值;盆地北部、西南部以及盆地-三州过渡带次之,呈现较小的负平均值误差的低估值;三州和攀枝花地区最差,为较大的负平均值误差的低估值。在评估效果较差的冬季与地形复杂的区域,1 km融合产品的评估效果明显优于5 km融合产品。     

四川省地面雨量站站网现状分析

气象台站站网布局质量直接影响观测资料的使用效益。通过水平站间距、垂直层分布、坡度、流域、风险区划、站点控制范围以及网格覆盖率等多个角度对四川省现有地面雨量站站网进行分析,以期为后续增减站点、站网布局优化提供科学依据。分析结果表明:(1)四川省雨量站平均水平站间距为9.04 km,完全满足世界气象组织OSCAR对气候监测领域的需求,满足全球数值天气预报的“突破”需求,但距理想的“目标”还有一定差距;(2)四川省80%以上的雨量站布设在低海拔和中海拔区域,92.38%的雨量站布设在平坡地、较平坡地、缓坡地和较缓坡地;(3)四川省较高和高风险区面积占比不足40%,站数占比达50%以上,且站网密度随着风险区从低到高逐渐增大;(4)站点控制面积<100 km^(2)的区域主要分布在四川盆地内,川西高原站点控制面积普遍在100 km^(2)以上,个别站点控制面积在1000 km^(2)以上;(5)不同分辨率网格覆盖率,四川盆地内最高,攀西地区次之,川西高原相对较低。     

基于观测事实的四川天气现象发生空间分布特征

利用四川省145个气象台站1981～2013年连续人工观测资料,对34种天气现象发生日数和概率进行统计。结果表明:除极光外,四川省共观测到33种天气现象,露和轻雾日平均发生频率大于40%;雨和阵雨日平均发生频率大于20%;结冰、霜和雷暴日平均发生频率大于10%。露、霜、结冰、雷暴、闪电、大风、积雪、雨、阵雨、雨夹雪、雪11种天气全省各站均有发生,而雨凇、雪暴、吹雪、龙卷仅在个别站点发生。液态降水、雾、轻雾、霾、浮尘、烟幕、露均是盆地内多于高原,而混合降水、固态降水、扬沙、沙尘暴、吹雪、雪暴、雷暴、霜、大风、结冰、积雪、冰针、龙卷、尘卷风则是川西高原多于盆地。      

四川省CLDAS和ECMWF再分析数据风速产品评估

利用2019年1月1日00时～12月31日23时(世界时)四川156个国家站和1768个区域站的观测数据,评估全国智能网格实况分析产品(CLDAS)和ECMWF再分析数据(ERA5-Land)的10m风产品。采用双线性插值方法,将两种分析产品插值到气象站点,与观测值对比,通过平均误差,平均绝对误差,均方根误差和相关系数等指标对以上两种产品进行评估比较。结果表明：两种分析产品对于四川省国家站和高原地区区域站风速都以低估为主,但盆地区域站高估。风速在高原地区所有评估指标都比盆地内差,高原地区需谨慎使用格点风产品。CLDAS对于国家站的各项评估指标都优于ERA5-Land。两种产品与区域站的平均误差,平均绝对误差,均方根误差结果整体相近,但CLDAS对非独立区域站的误差相对更小。ERA5-Land相关性较差,与四川地区实际观测的地面风速变化趋势相反, 不适用于四川。     

台风“利奇马”与“云娜”对浙江风雨影响的对比分析

利用浙江省自动站气象要素资料、FNL全球分析资料和雷达资料,对比分析路径相似的2019年台风"利奇马"和2004年台风"云娜"给浙江带来的影响。结果表明:"利奇马"风雨大值区位于浙东和浙北,"云娜"风雨大值区位于浙东和浙南;"利奇马"带来的整体降水比"云娜"带来的降水大,但单站雨量极值"云娜"强于"利奇马";极端大风"利奇马"强于"云娜"。究其原因与台风登陆时的强度、登陆后移动路径、滞留时间等有很大关系。环境场的不同对台风路径产生影响,也影响台风的不对称结构,进而影响台风带来的风雨分布。极端降水与降水条件和台风滞留时间有很大关系,极端大风与台风自身结构和强度、海岛位置有关。