Correlation －SVM 模型在大坝变形预测中的应用

引起大坝变形的影响因素很多,即在利用支持向量机（ SVM）模型进行大坝变形分析和预报的过程中,需要将所有的影响因子都输入到SVM模型中,这样会造成输入因子的不侧重性,基于此,本文对大坝变形的影响因子进行相关性分析,根据大坝变形影响因子和大坝变形量之间的关系来确定最优的影响因子,即将比重比较大的影响因子输入到SVM模型中,从而提高了SVM模型运行效率及预测的精度和速度。     

GRAPES区域扰动预报模式动力框架设计及检验

设计了适用于四维变分同化系统的扰动预报模式GRAPES_PF。根据GRAPES的地形追随坐标非静力原始方程组,采用小扰动分离方法推导微分形式的线性扰动预报方程组,并利用与GRAPES非线性模式相似的数值求解方案求解线性扰动微分方程组。在设计扰动预报模式时采用了两个时间层半隐式半拉格朗日方案对动量方程、热力学方程、水汽方程和连续方程进行时间差分,空间差分方案的变量分布水平方向采用Arakawa C跳点网格,垂直方向采用Charney/Phillips跳层。利用代数消元法进一步推导得到只包含未来时刻扰动Exner气压的亥姆霍兹方程,进而通过广义共轭余差法（GCR）求解,在此基础上得到未来时刻扰动量的预报值。基于所开发的扰动模式开展了数值试验。首先在非线性模式中施加一个中尺度初始扰动高压,得到初始扰动在非线性模式中的后续演变,然后将相同的初始扰动作为扰动模式的初值进行时间积分,将扰动模式预报的结果与非线性模式的结果做了对比。结果表明,所开发的扰动模式GRAPES_PF较好地模拟了惯性重力内波的传播过程:初始高压扰动激发了一个迅速向外传播的惯性重力内波,在气压场向风场适应的过程中,水平风场、垂直运动、位温和湿度等变量均出现了扰动增量,与非线性模式得到的结果相当接近。GRAPES_PF作为GRAPES非线性模式的合理线性模式为建立基于线性扰动预报的区域四维变分同化系统奠定了科学基础。      

随机参数扰动方法对中国冬季降水集合预报的影响

降水数值预报有很大的不确定性,与降水预报密切相关的物理过程参数化方案中关键参数的不确定性是降水数值预报误差来源之一,对这些参数引入随机扰动的随机参数扰动方法（Stochastically Perturbed Parameterization,简称SPP方法）可以代表模式降水预报的不确定性,是国际集合预报前沿研究领域。为了认识该方法能否代表中国冬季降水数值预报的不确定性,为业务应用提供科学依据,基于中国气象局中尺度区域集合预报模式（Global/Regional Assimilation and Prediction System-Regional Ensemble Prediciton System,简称GRAPES-REPS）,从对模式降水预报不确定性有较大影响的积云对流、云微物理、边界层及近地面层等四个参数化方案中选取了16个与降水密切相关的关键参数,引入了随机参数扰动方法,并通过2018年12月12日至2019年1月12日总计31天的冬季集合预报试验,对比分析了SPP方法对等压面要素及降水的集合预报效果。结果显示:在冬季应用SPP方法时,等压面要素的概率预报技巧总体来说优于无SPP方法扰动的对比试验,且对于低层、近地面要素的改进效果优于对中高层等压面要素的改进;但对降水概率预报而言,尽管检验评分数值略优于对比预报试验,但并未通过显著性检验,这表明,在东亚冬季风影响下,随机参数扰动方法对中国冬季降水概率预报技巧没有明显的改进。究其原因,可能是由于SPP方法主要代表对流性降水预报的不确定性,而中国冬季降水过程主要与斜压不稳定发生发展有关,模式降水以大尺度格点降水为主,对流性降水较少,故对冬季降水预报改进不明显,这为业务集合预报模式中应用随机参数扰动方法提供了科学依据。     

大气物理过程方案对PM2.5预报的敏感性试验

利用WRF-Chem大气化学模式,选择2015年12月中旬发生在我国的大范围空气污染过程,在采用同样化学方案条件下,针对模式中不同物理过程及其参数化方案开展了地面PM_(2.5)预报的敏感性试验。结果表明:该模式能较好展示此次PM_(2.5)污染的演变过程,与实况也较接近,但对青海经宁夏至内蒙的PM_(2.5)高值区出现了漏报现象,这可能是模式外边界未对污染物做更新所致。对地面PM_(2.5)的预报,各物理过程的敏感度不同,边界层(含近地面层)过程的影响要明显大于积云对流及微物理过程的影响,不同的参数化方案会造成不同的预报误差。边界层过程QNSE和与其配套的近地面层方案的组合是预报的较佳组合;而TEMF和与其配套的组合以及ACM2和Pleim-X的组合则不佳。合理的物理过程参数化方案有助于提高PM_(2.5)预报质量。模式预报对排放源也有适应过程,其Spin-up时间较气象要素长。     

杭州市典型雨转雪天气成因及预报模型

利用2008—2018年的NCEP(1°×1°)再分析资料、常规气象观测资料和降雪加密观测资料,选出杭州地区10次典型的雨转雪天气过程,从大尺度环流背景和动力、水汽以及热力因子等物理量场结构方面展开研究,最终得出杭州冬季典型雨转雪天气的预报模型:①大尺度环流配置需满足能为雨转雪天气的形成提供有利的水汽、动力抬升以及中低层上暖下冷的逆温或等温层结条件;②水汽和动力因子等物理量须满足产生纯雪的特定条件;③杭州温度层结须为T_(2m)≤1.5℃、T_(925)≤-4.0℃、T_(850)≤0℃、T_(700)≤-1.0℃和T_(500)≤-10.0℃。此外,进一步补充了杭州可能产生大雪甚至暴雪量级降雪的特定条件。最终选取2019年初的2次典型降水过程进行预报回报检验。     

基于深度学习和雷达观测的华南短临预报精度评估

利用最新的深度学习算法,即卷积长短期记忆(Convolution Long-Short Term Memory)神经网络,构建基于深度学习的人工智能短临预报系统,以广州地区2019年3-5月雷达观测的数据为输入进行训练,然后进行短期1h内的降水预报。利用常用的统计评分指标(探测率POD、误报率FAR、临界成功指数CSI,相关系数CC)检验模型。结果表明,预报结果与实际观测的相关系数在1h内预报均保持在0.6以上,在1h内预报探测率均保持在80%以上,临界成功指数在降水强度为10mm·h^-1时,基本保持在60%,误报率均小于40%。     

On the role of the planetary boundary layer in cyclogenesis over the ocean: Research note

Abstract

The importance of boundary‐layer convergence of mass and water vapour on the pressure tendency is studied. Mass convergence tends to fill the low while moisture convergence deepens it, owing to the subsequent release of latent heat. It is estimated that at dew points above about 18°C, the moisture convergence effect becomes dominant; that is, the C1SK mechanism is important at high dew points.     

亚洲-太平洋涛动与中国南方地区1月降水异常的关系

利用NCEP、ERA-40再分析资料和中国160个观测站逐月降水资料,分析了同期和前期亚洲-太平洋涛动(APO)与中国南方地区冬季1月降水异常的关系,并讨论了相应的联系机制.研究发现,1月亚洲-太平洋涛动指数能够很好地反映同期中国南方地区降水异常.亚洲-太平洋涛动的异常变化可能影响对流层低层位势高度场,进而通过影响亚洲中、低纬度地区的对流层低层风场与中国南方地区降水紧密联系.当亚洲-太平洋涛动指数偏低(高)时,对应在东亚南部及其邻近海域对流层低层位势高度偏高(低),东太平洋位势高度偏低(高).相应地,南海以及华南沿海地区为异常西南(东北)风控制,且该异常风向北逐渐减弱,进而在中国南方地区辐合(辐散),这既有(不)利于暖湿气流向中国南方地区输送,同时也造成了该地区的水汽辐合(辐散),从而导致降水偏多(少).亚洲-太平洋涛动具有很好的持续性,上一年10月亚洲-太平洋涛动异常可一直持续至当年1月,表现出连续的显着相关特征.因此,其与中国南方地区1月降水异常也具有显着联系,可以作为指示1月中国南方地区降水多寡的一个前兆因子.     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

EC-thin降水预报与极端天气预报指数在浙江暴雨预报中的检验与释用

利用ECMWF模式降水和极端天气指数资料,以及浙江省68个气象站降水观测资料,评估了ECMWF细网格模式(EC-thin)和降水极端天气指数(EFI)对浙江2018—2020年梅汛期暴雨预报效果。研究表明：对于同一预报时效,随着阈值的增加,EC-thin和降水EFI的暴雨预报评分都呈现“先增加、后减小”的趋势,对于不同预报时效都存在某一阈值使得暴雨预报评分达到最大。从24 h时效到72 h时效,EC-thin的降水预报阈值从45 mm逐渐下降到25 mm,而降水EFI的暴雨预报阈值从07下降到06。EC-thin和降水EFI对暴雨预报的空报率随着阈值的增大而减小,漏报率随着阈值的增大而增大。对于不同预报时效,通过合理组合EC-thin降水阈值和降水EFI阈值,可以得到更好的暴雨预报效果,其评分高于单独使用降水EFI阈值或EC-thin降水阈值得到的评分。