Python在短临气象预报检验中的应用

基于机器学习方法的短临多气象要素预报系统(Weather Elements Nowcasting based on machine learning,简称WEN)具有高发布频次、高时间分辨率、基于候和时辰的复杂预报模型等特点。应用多维标签数组、机器学习工具、并行计算框架等Python库,以快速计算为目标,建立以预报模型覆盖时间范围为统计检验时间边界的检验子系统,客观给出预报性能,为模型调优效果评估、产品业务化运行提供依据。     

降水条件对人工影响天气外场作业的影响及预报方法初探

利用国家气象中心所提供的T106等格点资料,对呼市地区实施人工影响天气作业前的天气条件进行诊断分析,根据呼市地区降水系统的天气动力学的演变特征,筛选出了能较好反映降水系统的天气动力学的特征因子,采用PP方法,依次建立呼市地区4-9月稳定性和对流性降水的预报方程.以此来定量分析实施人工影响天气作业的天气系统以及确定人工影响天气作业的具体方法.     

近百年ENSO事件与营口夏季降水关系

根据近百年来发生的ENSO事件，确定ENSO事件影响年。统计分析ENSO事件影响年与营口夏季降水关系，并进行相关性检验。     

一种插值相似方法作温度预测的应用研究

将插值方法运用到短期气象预测中，其基本原理是按照相似原理将产生相似结果来作预报。对云南昆明等四站温度进行了九年定性和定量预报检验，结果表明：这种方法具有良好的预报能力，可以作要素预报应用。     

近百年全球平均气温年际变化型态的低频变率特征

利用时间上扩展的经验正交函数（TEEOF）分析方法，对近百年全球及南北半球平均气温一年、三年、六年和十年的变化形态及其频率进行诊断，结果表明，TEEOF第一模态占总方差贡献的50％以上，各种年际振动的第一模态基本上代表了与气候变化有关的年变化型，并能反映出气温的长期趋势变化，特别是十年际的第一模态，冬季气温湿示出较强的上升趋势，相应的第一时间主分量趋势与实际温度序列的走势非常一致。全球及南北半球各时域TEEOF除第一模态及一年TEEOF的第模态外，其它特同量所表示的年际变化型态各有差异，相应主分量都与一定的年际准周期振动结构的长期变率有关。年变化型态的T^2检验表明，南半球及全球的突变时间与年平均气温单要素t检验结果差异不大，而北半球的差异明显，表明T^2检验，对具有多变量的型态突变的检测比单要素的t检验理为合理。     

L波段与59—701系统高空对比观测资料特征分析

选择喀什探空观测站10个位势等压面上的高度、气温、露点L波段雷达探空系统与59—701雷达探空系统对比观测资料进行分析,结果表明,两种仪器的露点差异最大,而且随高度增加而增加。对各时段高度、气温、露点观测资料进行“检验也表明,L波段与59—701雷达探空高度和气温观测资料无显著性差异,属于同一气候序列;而部分露点值没有通过检验。另外,气温观测值的离散性相对较大,各位势层高度、气温、露点观测值的离散性19时比07时大,低空比高空大。两种仪器在各等压面上的气温值有一定差异,这种差异在大气对流活跃时尤为突出。     

CA-FCM方案与其它几种人工增雨评估方案的比较

对河南省12次飞机增雨作业,分别采用作业区域趋势对比双比分析评估方案、区域趋势相关回归分析方案、区域趋势协变量多元回归分析方案、浮动对比区历史回归分析方案(FCM)、以降水量为协变量的CA-FCM(Cluster-Analysis-based Floating Contro historical regression Method)方案和以降水量和整层大气可降水量为协变量的CA-FCM方案进行效果评估,均得到大于15%的相对增雨量.对结果比较分析表明:协变量由降水量和整层大气降水量两个组成的CA-FCM方案,由于采用了聚类分析提高了对比区和影响区相关系数和引入了整层大气可降水量作为协变量提高了作业区自然降水量估计值的准确性,从而比其它评估方案效果更好.     

人工增雨技术研究及示范

国家重点科技攻关项目“人工增雨技术研究及示范’’经过两年的攻关，在人工增雨综合探测、云水资源评估、催化作业、数值模拟、效果检验技术和外场示范试验等方面取得了一系列成果和应用效益，基本形成了一套人工增雨综合技术。2003年12月13日顺利通过科技部组织的专家验收。课题研究成果通过在示范区的检验、试用和完善，显示出具有业务应用和推广前景。课题主要成果为：     

北京几次弱降水过程预报失误分析

在选取的北京地区2011年冬季至2012年春季9次弱降水过程中,预报员出现了4次空报、2次漏报,预报效果总体不理想。通过对9次过程的预报检验、天气分析和多模式预报对比,得到如下认识:北京地区弱降水过程天气形势复杂多样,按高空大气环流形势可分为两槽一脊型、一槽两脊型、一槽一脊型,按地面天气形势可分为冷锋型、华北锢囚锋型、东风与倒槽型和东风回流型;弱降水过程普遍具有对流层低层水汽条件差或动力抬升弱的特点;对湿层浅薄、饱和层高度高、抬升凝结高度高的弱降水过程,数值模式容易出现空报;而对低层湿度条件好、饱和层高度低、抬升凝结高度低但高空系统弱的降水过程,模式又容易出现漏报;预报员主观预报出现空、漏报主要源于对天气系统的结构及发生发展机理认识不足,对边界层水汽、抬升等关键降水要素缺乏预报订正经验。     

GRAPES全球模式预报检验评估——2016年夏季四川地面要素

本文使用2016年6~8月GRAPES全球模式2m温度和10m风场24、48、72h时效预报场和同期四川省156个国家气象站逐日地面温度和风场资料,选取预报准确率、平均误差、平均绝对误差、均方根误差和Alpha Index5个统计量对2016年夏季四川3个区域(盆地区、过渡区和高原区)2m温度和10m风场进行了较为详细的检验评估。研究结果表明:模式对10m最大风速的预报效果较好,准确率较高,最高可达80.64%。模式对过渡区温度预报效果较差,准确率基本低于10%,但是对盆地区温度的预报有一定可信度。模式对10m最大风速的风向预报效果不如最大风速值。全省各区各要素的AI值都在0.7左右变化,表明模式预报的随机误差大,预报和观测吻合较差。本研究还发现,整体来看模式对盆地各要素预报效果较好,对于地形复杂地区(高原区、过渡区)预报效果较差。此外,模式存在一定的系统误差,2m温度的系统误差盆地区约为-2.3~-1.7℃,过渡区约为-8.3~-6.0℃,高原区约为-7.3~-5.0℃;10m最大风速值的系统误差盆地区约为-1.3~-0.6m/s,过渡区约为-2.3~-1.3m/s,高原区约为-2.7~-1.1m/s。