1013号台风“鲶鱼”的台风环流分离方法比较

台风系统为中α尺度系统,接近大尺度系统.为了研究环境气流与台风的相互作用,需要将台风从环境风场中分离出来.分别采用时间滤波、空间滤波和动力学方法将2010年第13号（1013号）超强台风“鲶鱼”（Megi）从环境风场中分离出来,对比分离得到的台风环境场,结果表明：时间滤波和空间滤波具有相对的随机性,容易留下台风风场的残留,同时也会减弱环境风场,而采用动力学方法可以将台风“Megi”较好地分离出来.3种方法各有优缺点,采用时间滤波可以使风场、高度场和温度场很好地平衡,但是需要较长的时间序列;空间滤波方法,仅采用一个时刻的时间,方法相对简单易用,但是由于台风风场、高度场和温度场的尺度并不相同,采用同一尺度对台风滤波容易造成风场、高度场和温度场的不平衡;动力学滤波方法分离效果较好,但是相对复杂,在低层也容易产生不平衡的现象.     

南海地区定常行星波特征及其与南海夏季风的关系

利用美国NCAR/NCEP的1951—2001年全球大气日平均再分析资料,对南海区域的高低层大气长波的变化特征及其与南海夏季风爆发时间的关系进行分析。结果表明,（1） 纬向1～3波合成风场基本反映原始纬向风场的变化,南海地区处于东西风带的南北过渡区。（2） 对流层高低层（200 hPa和850 hPa）纬向1波在南海区域累加值（S1）正负转换时间与南海夏季风建立日期较吻合。高层S1由正值稳定变为负值（西风转为东风）的时间比南海夏季风爆发提前1～2候,低层S1由负值稳定转为正值（东风转为西风）的时间则几乎与南海夏季风爆发时间同期。（3） 以低层纬向1波（S1）值随时间的变化为主要指标,定义了一个南海夏季风爆发指数,该指数对南海夏季风的建立具有较好的反映能力。      

关于集合Kalman滤波的理论和方法的发展

随着同化方法的不断的发展，一种新的资料同化方法——集合Kalman滤波正在兴起。简单地回顾了同化方法的发展，探讨了集合Kalman滤波的特点。同时，还介绍了集合Kalman滤波发展的过程以及指出目前所面临的问题和未来的发展趋势。     

基于S波段双偏振雷达一次强雹暴过程观测分析

利用宁波S波段双偏振天气雷达资料、NCEP再分析资料、结合常规观测资料和实地冰雹调查资料,对2020年3月21日浙江省中北部一次强雹暴灾害过程(简称“03·21”过程)的天气背景和双偏振雷达回波演变特征进行分析。结果表明：(1)此次雹暴过程环流形势属于低层暖平流强迫类型,雹暴影响过程约4 h,雹暴A和B先以强的对流单体形态移动,在自西向东移动过程中分别加强为超级单体。(2)典型降雹时次具有明显的三体散射特征(TBSS),垂直剖面图上强回波(>50 dBz)伸展高度超过-20℃层,低层的弱回波,中高层悬垂回波明显。径向速度垂直剖面图上,雹暴低层辐合,其上叠加了辐散层,使得雹块得以继续形成和增长。(3)冰雹区出现了Z_DR冰雹信号,对应的反射率因子(Z_H)均大于65 dBz,差分反射率因子(Z_DR)介于-2.0～0 dB,相关系数(C_C)介于0.80～0.98;当结合Z_H、Z_DR、C_C综合判断云中有冰雹粒子,C_C...     

暴雨和中尺度气象学问题

目前人们对超级单体云团降水回波结构的认知仍有限。本文采用GPM (Global Precipitation Measurement) 卫星搭载的测雨雷达DPR (Dual-frequency Precipitation Radar)和微波成像仪GMI (GPM Microwave Imager)的探测结果,结合FY-4A静止卫星多通道扫描成像辐射计(AGRI)的热红外10.8 μm通道观测结果、探空站的温湿风观测结果及欧洲天气预报中心再分析数据,利用雷达回波剖面和回波反射率因子概率密度随高度分布的方法,分析了2018年5月重庆地区超级单体云团的降水结构特征。结果表明：该超级单体云团由西北向东南运动的冷空气与暖湿空气交汇而引发;超级单体云团内存在对流降水和层状降水等次尺度系统;强降水区位于云贵高原与四川盆地交界处至盆地的西南部;超级单体暴雨云中冰相粒子多;对流降水的回波顶高度超过12 km,且最大回波强度多数位于地面上空4-5 km;对流降水比层状降水拥有更高的降水粒子浓度,而粒子大小却小于后者;对流降水的粒子尺度随着高度下降而明显增大,反映了其明显碰并增长过程。

     

山西中部一次积层混合云降水微物理特征研究

基于2011年5月9日山西中部地区一次积层混合云降水的机载探测和地面雨滴谱观测资料,分析了空中云系微物理参量的垂直分布、冰晶形态及演变和地面降水的微物理特征。结果表明：此次积层混合云为冷云结构,垂直分布不均匀,云中过冷水较为丰沛,对流泡的存在造成云内不同区域云水含量不均匀。云滴的凝华增长导致5.3 km处大云粒子和降水粒子数浓度明显增加。小云粒子谱分布以单峰型为主,峰值直径主要位于5～6 μm或9～10 μm,大云粒子谱分布呈多峰型,不同高度处变化较大。此次降水观测到的冰晶形态包括板状、针柱状、柱帽状、辐枝状和不规则形状,4.9 km处受聚合和淞附过程的共同影响,辐枝状和针柱状冰晶增多,在4.1 km处融化层附近淞附状冰晶明显增加。地面降水受到雨滴谱仪布设位置的影响,其微物理结构主要呈现为层状云降水的特征。     

不同类型大尺度环流背景下首都国际机场的雷暴特征分析

二进制粒子群-贝叶斯判别准则（Binary Particle Swarm Optimization-Bayes Discriminatory Criterion,BPSO-BDC）方法,能够使用二进制粒子群（Binary Particle Swarm Optimization,BPSO）算法智能地选取出贝叶斯判别准则（Bayes Discriminatory Criterion,BDC）雷暴预报模型的最优子集,克服了BDC在因子选择时的缺点。为了建立BDC雷暴最优模型,利用2010—2014年T511数值预报产品和单站观测资料,对漳州、义乌、乐东三站BDC雷暴预报模型进行研究。通过选取适应度函数,提出了BPSO搜索BDC模型最优子集的计算方法,得到了三站的最优子集模型,并与BDC和逐步判别模型进行对比。结果表明：在24 h的雷暴预报结果中,BPSO-BDC模型的平均TS评分达到了0.697,空报率为0.256,漏报率为0.048,在48 h的雷暴预报结果中,BPSO-BDC模型的平均TS评分达到了0.418,空报率为0.222。BPSO-BDC模型的预报结果明显优于BDC和逐步判别模型。对BPSO-BDC模型进行稳定性检验,TS评分都在0.21~0.35之间,变化幅度较小且处于较高水平。说明BPSO-BDC方法预报效果明显优于BDC和逐步判别方法,且具有良好的稳定性。

     

粒子群神经网络混合模型在农用地分等中的应用

针对常规农用地分等模型因子权重计算存在人为干扰和神经网络模型自身优化过程中易陷入局部最优的情况,该文综合了BP神经网络非线性权重数据挖掘特性和粒子群的全局优化能力,建立了农用地分等计算的粒子群神经网络混合模型(PSO-BP网络模型),并应用于广东省揭西县农用地分等计算中,发现PSO-BP网络模型能避免定级因子权重确定的人为干扰,同时具有较高的优化效率,应用效果较好。     

测井解释中煤层含气量评价方法对比研究

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明：PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。