河南省强对流天气诊断分析预报系统

强对流预报是天气预报的难点,为了提高预报强对流、特别是预报区域性强对流天气的预报能力,应用河南省1995—2004年的气象观测资料作分析样本,并计算多个大气动力和热力学参数。经过统计分析、诊断分析,选择预报能力强、指示性好的大气动力或热力学参数作为强对流天气的预报因子,采用加权集成建立预报方程。应用计算机技术自动实现从数据采集、物理参数计算、预报因子临界值判别、诊断预报方程运算,到以MICAPS图形方式输出预报结果,建立了河南省区域强对流天气预报系统。该系统为预报员提供了一种科学客观的参考依据,在近两年的业务运行中取得了比较理想的预报效果,提升了河南省强对流天气的预报能力。     

2008年6—8月T639、ECMWF及日本模式中期预报性能检验

为更好地应用T639模式中期预报产品,对2008年6-8月T639 模式进行天气学检验,并与ECMWF、日本模式进行了对比分析.结果表明:3种模式均对亚洲中高纬环流形势的调整和演变具有较好的预报性能.综合来看,ECMWF模式对各系统及要素的预报最接近实况;日本模式和T639模式稍差,稳定性不如ECMWF模式;特别是T639模式对0808号台风凤凰(FUNG-WONG)路径及强度的预报与实况差异较大,而ECMWF及日本模式预报相对准确.     

2008年12月至2009年2月T639与ECMWF及日本模式中期预报性能检验

对2008年12月至2009年2月T639、ECMWF、日本模式的中期预报性能进行了检验和对比分析.结果表明:3种模式对大气环流的演变和调整、850hPa温度升降变化趋势均有较强的预报能力,其中尤以ECMWF模式预报误差最小.3种模式对重大灾害性、转折性天气过程也有很好的指示性能,较成功地预报了3次全国性寒潮天气过程、长江中下游地区持续阴雨天气过程的大气环流形势特征及主要影响系统.     

综合信息矿产资源预测半定量快速分析方法初探 —以巴音诺尔公-狼山地区铜多金属矿预测分析为例

本文在研究巴音诺尔公-狼山地区区域地质背景和主控矿因素的基础上,应用MAPGIS图形编辑、数据库管理及空间分析查询检索功能,建立了渣尔秦山群、岩浆岩、断裂构造、矿产和地球化学等控矿信息图层,分析了该地区矿产资源与各类控矿信息的关系,确定了10个单位(2km)的范围内为大型断裂构造对矿产地的最佳影响带.以铜矿为例,圈定了霍各乞外围铜预测区、盖沙图-阿责庙一带铜预测区和朱拉扎嘎-红格尔玉林金铜多金属预测区.初步形成一套基于MAPGIS系统下的综合信息矿产资源预测半定量快速分析方法.     

宁镇地区地质灾害预报模型——以镇江润州区为例

宁镇地区是长江中下游地质灾害最严重的地区之一。镇江润州区虽然仅是宁镇地区的一个局部区域,但其气候和地质环境特征具有典型意义,所提出的地质灾害气象预警预报模型同样适用于整个宁镇地区,对长江中下游地区亦有借鉴作用。气候环境、降雨尤其是连续降雨或强降雨是诱发地质灾害的重要因素。润州区地质灾害主要与梅雨期总降雨量有关,其次与台汛期台风带来的降雨量有关,而与台汛期总降雨量无关。地质灾害预测预警方程应针对不同时期采用不同的预警模型：非梅雨期的预警方程采用预报日降雨量结合前5日降水之和的综合模型,梅雨期的预警方程采用梅雨期降雨总量模型。提出地质灾害气象预报预警等级应根据《国家突发公共事件总体应急预案》将等级统一划分为4级。该模型可作为完善我国现有地质灾害气象预警预报系统的参考。     

基于ARMA模型的基坑沉降监测预测研究

应用ARMA模型对地铁车站基坑监测数据进行预测分析。在参考利用已有的ARMA模型算法进行预报分析的基础上,联合最小二乘原理对模型算法进行改进,结合基坑工程算例,验证了新模型算法的可行性、有效性及稳定性。说明改进之后的新模型算法较老模型算法提高了预测精度且提升了运算效率。     

基于时间序列模型的沉降监测预报分析

时间序列模型预测具有可靠性与高效性的特点。本文结合沉降监测工程,采用Matlab进行建模预报分析,分别基于预测模型(AR、MA、ARMA)进行应用。对比自回归模型、滑动平均模型及自回归滑动平均模型预测结果的精度,表明3种模型可预测期连续分布,模型组合可提高预测精度。     

A Prototype Regional GSI-based EnKF-Variational Hybrid Data Assimilation System for the Rapid Refresh Forecasting System:Dual-Resolution Implementation and Testing Results

A dual-resolution(DR) version of a regional ensemble Kalman filter(EnKF)-3D ensemble variational(3DEnVar) coupled hybrid data assimilation system is implemented as a prototype for the operational Rapid Refresh forecasting system. The DR 3DEnVar system combines a high-resolution(HR) deterministic background forecast with lower-resolution(LR) EnKF ensemble perturbations used for flow-dependent background error covariance to produce a HR analysis. The computational cost is substantially reduced by running the ensemble forecasts and EnKF analyses at LR. The DR 3DEnVar system is tested with 3-h cycles over a 9-day period using a 40/13-km grid spacing combination. The HR forecasts from the DR hybrid analyses are compared with forecasts launched from HR Gridpoint Statistical Interpolation(GSI) 3D variational(3DVar)analyses, and single LR hybrid analyses interpolated to the HR grid. With the DR 3DEnVar system, a 90% weight for the ensemble covariance yields the lowest forecast errors and the DR hybrid system clearly outperforms the HR GSI 3DVar.Humidity and wind forecasts are also better than those launched from interpolated LR hybrid analyses, but the temperature forecasts are slightly worse. The humidity forecasts are improved most. For precipitation forecasts, the DR 3DEnVar always outperforms HR GSI 3DVar. It also outperforms the LR 3DEnVar, except for the initial forecast period and lower thresholds.     

SWAN2.0系统的设计与实现

强对流天气短时临近预报系统（Severe Weather Automatic Nowcasting,SWAN）是面向短时临近监测、分析、预报、预警制作等功能为一体的业务平台。SWAN2.0基于MICAPS4（Meteorological Information Comprehensive Analysis and Processing System Version 4.0,人机交互气象信息处理和天气预报制作系统）二次开发框架,采用C/S架构,服务器部署在省级,负责收集数据,运算SWAN产品;客户端部署在气象台站,实现具体的预报业务,并形成算法二次开发接口。SWAN2.0新增了三维变分风场反演、基于分雨团技术的雷达降水估测、冰雹识别等方法,实现了算法管理、产品生成、分析处理、资料检索显示、实时监控报警、预警产品制作等功能。SWAN2.0业务系统已在全国试用,在强对流天气监测、分析和短时临近预报预警中发挥了重要作用。     

基于BPSO-NBayes的雷暴释用预报技术研究

提出了一种新的雷暴预报法,即二进制粒子群-朴素贝叶斯分类器(Binary Particle Swarm Optimization-Naive Bayesian Classifiers,BPSO-NBayes)方法,以福州、连城、宁波3站为例,对使用T511数值预报产品站点的雷暴释用预报技术进行研究。利用2010—2014年T511数值预报产品和单站观测资料,使用BPSO-NBayes方法,建立了0~72 h雷暴预报模型,并与Fisher判别准则和Bayes判别准则进行比较。预报结果表明,BPSO-NBayes模型临界成功指数都在0.29以上,平均值达到0.33以上,是3种方法中最好的,空报率都在0.59以下,漏报率在0.60以下,而且变化幅度很小。BPSO-NBayes模型明显优于Fisher判别准则和Bayes判别准则,具有良好的稳定性和预报能力。