基于微波辐射计的短时强降水潜势预报

微波辐射计可获取高时间分辨率的大气层结信息,为探索其在短时强降水预报方面的应用潜力,利用微波辐射计仪器获得对流参数特征,提取对短时强降水敏感的对流参数作为预报因子,并利用叠套法建立短时强降水潜势预报.结果表明:液态水路径LWP、SI、LI、CAPE、KOI这5种参数可作为预报因子建立潜势预报,经验证后得出短时强降水的P...     

地面气象观测无人值守系统的设计与应用

气象观测数据的传输率和可用率是气象预报服务及时准确的基础,是衡量通信系统运行可靠程度及运维保障能力的关键指标。长期以来,各级业务人员通过不间断值守班来保障气象观测数据的传输质量。随着现代化气象业务体系的不断发展,气象业务对资料传输的时效性、完整性要求也越来越高,对气象资料的综合监控能力也提出了更高的要求。在全国地面气象业务体制改革的要求下,广西率先在全国实行了基层台站无人值守业务调整,设计并实现广西地面气象观测无人值守系统。该系统集数据传输监控、数据传输时效统计于一体,通过自动监控告警、主备站资料(要素)智能识别替代、双条传输链路热备等设计,建立一套无人值守传输业务流程,从技术上支撑业务改革调整,大大降低基层业务人员工作强度。业务应用分析表明,无人值守系统运行可靠,业务质量保持高水平稳定,业务效益凸显。     

Hadoop环境下基于SparkSQL海量自动站数据查询统计初探

在Hadoop分布式计算和存储架构下,自定义ETL数据清洗规则将海量自动站小时单站文件按所属年和站号合并为大文件流转存储至HDFS中,并运用SparkSQL并行计算框架进行统计处理生成常用气象要素日统计值。结果表明,数据处理和获取时效较关系型数据库方式有显著提升。采用SparkSQL并行计算框架对多气象要素多站点和长时间序列进行数据统计处理查询均能达到秒级别响应,并随着统计站点数的不断增加和时间跨度的延长其优势更为明显,能更高效地支撑此类气象数据服务,为海量气象数据处理从关系型数据库到大数据分布式架构的转换处理提供了新思路。     

基于ENVI-met模式的城市近地表气温模拟与分析-以南京市部分区域为例

城市不同下垫面与建筑物空间形态对近地表气温等微气候要素产生了重要影响。开展城市气温时空变化模拟与影响因素分析,对于城市热环境评价与城市规划具有重要意义。论文基于高空间分辨率Geoeye-1立体影像,在建筑物高度、下垫面覆盖类型信息提取的基础上,选择南京一中、光华东街、玄武湖、头陀岭4个区域,采用ENVI-met微气候模式,以城市基本气象站南京站的实时气象数据作为背景气象场,模拟不同区域近地表气温的时空分布特征,并利用区域自动气象站观测数据进行精度检验。结果表明:在时间变化上,ENVI-met模拟气温与实测值之间吻合程度较高;在空间分布上,南京一中与光华东街区域气温时空分布规律总体相似,但城市空间形态的差异使得局部区域气温变化不同,玄武湖区域气温由陆地中心向外围呈递减趋势,而头陀岭地形复杂多变,白天气温变化剧烈,夜间空间变化较小。     

福建省暴雨洪涝灾害风险评估与管理

利用安徽省1961—2016年81个国家级地面气象观测站雨量、2006—2016年1 162个地面自动观测站小时雨量、1961—2016年安徽省民政厅灾情和2006—2016年《安徽省气象灾害年鉴》收录的227个暴雨过程灾情数据,采取气候平均、广义极值、概率密度函数、百分位分布等方法,统计暴雨过程的持续天数、区域、范围、平均日降水量和小时雨量对暴雨灾害的影响,划分安徽省暴雨灾害预警等级。结果表明：（1）安徽省暴雨灾害预警等级可分为Ⅳ级（轻度）、Ⅲ级（中度）、Ⅱ级（重度）、Ⅰ级（特重）四个等级;（2）从Ⅳ级到Ⅰ级,暴雨过程的持续天数指标从1—4 d,范围指标根据暴雨区占区域总面积的百分比确定,从Ⅳ级的20%上升至Ⅰ级的80%;（3）根据暴雨过程的区域差异,将安徽分为沿淮淮北、大别山区及皖南山区、沿江及江淮之间三个区域,分别建立降水量与暴雨灾情的定量关系,并在每个区域设置相应的平均日降水量和小时雨量指标;（4）利用上述暴雨灾害预警等级,对1981—2018年安徽省致灾的149个暴雨过程进行回代检验,并将其用于2020年6—7月安徽省暴雨灾害预警,暴雨灾害预警发布周期为Ⅳ级（轻度）0.66~0.82 a、Ⅲ级（中度）1.15~1.90 a、Ⅱ级（重度）3.16~3.80 a、Ⅰ级（特重）9.5~12.6 a,符合安徽暴雨灾情实际,可以为气象部门启动暴雨应急响应提供参考。

     

冷平流强迫背景下攀枝花市一次雷暴过程综合分析

基于欧洲中心ERA5再分析资料、NCEP再分析资料、卫星和雷达资料以及MICAPS气象资料,运用天气学方法对2020年4月13日四川省攀枝花市发生的冷平流强迫类雷暴天气过程进行综合分析。结果表明：本次雷暴过程混合了冰雹、短时强降水、雷暴大风等多种天气,其主要影响系统为200 hPa高空急流、500 hPa高原槽、700 hPa切变线和西南急流以及地面辐合线。200~500 hPa西北干冷空气顺高原槽南下对本次过程起主导作用,弱的700 hPa西南急流为本地输送了水汽和不稳定能量,中低层切变线和地面辐合线促进了暖湿气流的辐合抬升。此外,“上冷下暖”的气层结构、中低层较强的垂直风切变、气流的低层辐合与高层辐散、适宜的0℃和-20℃层高度、较强的CAPE和K指数、较大的700~500 hPa温度垂直递减率等因素也是本次雷暴天气过程发生发展的关键。     

城市公共自行车自愿碳减排机制初探——以北京市为例

公共自行车系统是待开发的交通自愿碳减排项目。本文采用CCER方法学中的“快速公交项目”,计算北京市2012年公共自行车系统自愿碳减排量,并估算收益。结果显示：北京市2012年公共自行车自愿碳减排量为43.95 t CO₂,出售可获得1538元的收益。同时估算得到北京市2015年公共自行车碳减排量为6874.5 t CO₂,出售可获得约24万的收益。因此,北京等交通需求膨胀的特大型城市,随着公共自行车系统的持续壮大发展,公共自行车运营企业的经济效益有望通过碳交易实现较大提升空间。     

广东省后汛期强对流天气潜势预报方法研究

利用2007—2008年两年7—10月广东后汛期强对流天气出现时的雷达资料、对应的GRAPES模式资料以及地市台站上报的强对流天气发生的实况,把瞬时大风〉17.2 m·s^-1、冰雹、龙卷作为强对流发生的依据,对上述数据进行整理。根据广州热带海洋研究所中尺度模式的输出GRAPES资料,结合雷达CAPPI数据,计算单体的各层风速、温度、湿度、有效位能等环境特征量,将单体特征和模式计算的单体环境场要素以及强对流发生实况,通过多元逐步回归方法建立后汛期强对流天气潜势预报方程,据此对发生于广东省后汛期强对流天气（如雷雨大风、冰雹和龙卷风）进行0～1小时临近预报。用预报成功率（POD）、虚假警报率（FAR）和关键成功指数（CSI）衡量方法的预报性能。共有5540个有效样本参与回归计算,31个因子中有12个引入了回归方程,建立的预报方程在阈值取为0.26时,得到的预报成功率POD为0.73,虚假警报率FAR为0.61,关键成功指数CSI为0.338,各项指标均要好于前汛期预报性能;从实际的预报能力来看,在后汛期强对流潜势预报中,后汛期强对流潜势预报方法得到的空报率和漏报率都要低于前汛期,预报效果较好,可用于广东后汛期的强对流天气潜势预报中。     

新一代天气雷达资料传输说明及设置技巧

山西省人工降雨防雹办公室在山西省布设了雷电监测定位系统,在全省7个子站配备了ADTD雷电探测仪,并通过CDMA无线传输和气象系统局域网传输的方式将所探测的闪电数据传输到山西省人工降雨防雹办公室,以达到对雷电天气的实时监控．在数据上传国家探测中心的同时,也为我们飞行作业计划的制定提供了非常重要的指导作用。本文主要介绍了雷电定位系统的构成以及故障检查和处理。     

A hybrid integrated deep learning model for the prediction of citywide spatio-temporal flow volumes

ABSTRACT

The spatio-temporal residual network (ST-ResNet) leverages the power of deep learning (DL) for predicting the volume of citywide spatio-temporal flows. However, this model, neglects the dynamic dependency of the input flows in the temporal dimension, which affects what spatio-temporal features may be captured in the result. This study introduces a long short-term memory (LSTM) neural network into the ST-ResNet to form a hybrid integrated-DL model to predict the volumes of citywide spatio-temporal flows (called HIDLST). The new model can dynamically learn the temporal dependency among flows via the feedback connection in the LSTM to improve accurate captures of spatio-temporal features in the flows. We test the HIDLST model by predicting the volumes of citywide taxi flows in Beijing, China. We tune the hyperparameters of the HIDLST model to optimize the prediction accuracy. A comparative study shows that the proposed model consistently outperforms ST-ResNet and several other typical DL-based models on prediction accuracy. Furthermore, we discuss the distribution of prediction errors and the contributions of the different spatio-temporal patterns.