我国台风灾害成因分析及灾情预估

利用2019年7月1日—8月12日欧洲中期天气预报中心（ECMWF）集合预报产品与同时段逐6 h地面降水观测资料,采用贝叶斯模型平均法,建立了ECMWF降水集合预报的BMA模型（简称BMA模型）,并对BMA模型的“利奇马”台风降水的确定性预报和概率预报与ECMWF原始集合预报进行对比分析。结果表明：（1）总体上,BMA模型对台风降水集合预报有较好的订正效果,能有效改善预报的离散度。（2）与原始集合预报相比,BMA模型的连续等级概率评分（CRPS）、平均绝对误差（MAE）、均方根误差（RMSE）的平均值分别降低了13%、34%和25%,在一定程度上提高了预报的可靠性,但随着降水量级增大,提高程度逐渐减弱;BMA模型还在一定程度上降低了原始集合预报对暴雨及以上量级降水预报概率的虚报,提高了“利奇马”台风暴雨及以上量级降水落区预报的准确性。（3）在该个例中第25百分位至第95百分位可视为有效预报区间,经BMA模型订正后的有效预报区间对降水观测的捕捉能力更强,BMA模型订正后的ECMWF集合预报捕获率比原始集合预报提高13.3%。

     

利用α-torrent粗集的遥感影像分类方法研究

将α-torrent粗集理论引入遥感影像分类领域,构造了基于α-torrent粗集的遥感影像分类器。该分类器在允许一定误分率基础上进行分类知识的抽取,并利用知识集成感知器进行辅助决策。实验证明,该方法不但可以获得更容易被理解的分类知识,而且在分类精度上也有较大提高。     

基于GIS的空气质量多模式集合预报系统

空气质量多模式集合预报是研究大气污染演变规律、进行空气质量预报预警,提供大气污染控制管理决策的重要工具。本文介绍了地理信息系统（GIS）与多模式集合预报系统进行集成的设计思路,并对GIS在系统中起到的作用进行了探讨。将GIS技术应用于多模式环境空气质量预测预报系统中,可提供空间数据和相关属性数据的快速存取和管理功能,使环境基础信息与环境管理信息以及模型分析结果以可视化的图形、图像方式呈现给决策管理人员,并能充分发挥GIS的空间分析能力,为辅助决策提供依据。该系统在广州市环境空气质量保障的应用中取得了较好效果。     

应用于遥感图像分割的原型提取谱聚类集成算法

针对遥感图像数据量大、类别归属复杂的特点,提出了一种用于遥感图像分割的原型提取谱聚类算法。该算法首先采用广义模糊c-均值聚类算法对遥感图像进行过分割,将得到的聚类中心作为每个分割区域的代表点;然后,通过构造代表点之间的相似性矩阵,利用谱图划分方法对代表点进行聚类;最后,根据代表点的聚类结果对图像像素点进行重新归类来获得遥感图像的最终分割结果。此算法涉及到3个参数,为了克服算法对于参数的敏感性和内在的随机性,进一步引入集成策略,给出了原型提取谱聚类的集成算法。     

Seasonal Prediction of Summer Precipitation over East Africa Using NUIST-CFS1.0

East Africa is particularly vulnerable to precipitation variability, as the livelihood of much of the population depends on rainfed agriculture. Seasonal forecasts of the precipitation anomalies, when skillful, can therefore improve implementation of coping mechanisms with respect to food security and water management. This study assesses the performance of Nanjing University of Information Science and Technology Climate Forecast System version 1.0(NUISTCFS1.0) on forecasting June–September(JJAS) seasonal precipitation anomalies over East Africa. The skill in predicting the JJAS mean precipitation initiated from 1 May for the period of 1982–2019 is evaluated using both deterministic and probabilistic verification metrics on grid cell and over six distinct clusters. The results show that NUIST-CFS1.0 captures the spatial pattern of observed seasonal precipitation climatology, albeit with dry and wet biases in a few parts of the region. The model has positive skill across a majority of Ethiopia, Kenya, Uganda, and Tanzania, whereas it doesn’t exceed the skill of climatological forecasts in parts of Sudan and southeastern Ethiopia. Positive forecast skill is found over regions where the model shows better performance in reproducing teleconnections related to oceanic SST. The prediction performance of NUIST-CFS1.0 is found to be on a level that is potentially useful over a majority of East Africa.     

ECMWF降水极端天气指数在浙江的应用评估

利用2016年6月—2017年5月ECMWF降水极端天气指数(EFI)预报资料,分析了降水EFI与不同量级强降水、降水气候百分位在浙江的关系。结果表明:总体而言,浙江省降水EFI与实况降水存在明显的正相关关系。随着EFI阈值的增加,暴雨发生频次先增加后减少,而且暴雨发生的概率随着EFI阈值的增加而增大。综合考虑TS、BS评分,EFI阈值随着预报时效的延长而减小;随着降水量级的增加而增大。降水EFI值与降水气候百分位存在明显的正相关关系,当EFI值较高时,预示着较大的几率出现极端降水,此时可参考当地相对应的气候百分位的降水量来估计降水。     

用一种动力－统计方法提高中国夏季降水的季节预报

A dynamical-statistical post-processing approach is applied to seasonal precipitation forecasts in China during the summer. The data are ensemble-mean seasonal forecasts in summer (June-August) from four atmospheric general circulation models (GCMs) in the second phase of the Canadian Historical Forecasting Project (HFP2) from 1969 to 2001. This dynamical-statistical approach is designed based on the relationship between the 500 geopotential height (Z500) forecast and the observed sea surface temperature (SST) to calibrate the precipitation forecasts. The results show that the post-processing can improve summer precipitation forecasts for many areas in China. Further examination shows that this post-processing approach is very effective in reducing the model-dependent part of the errors, which are associated with GCMs. The possible mechanisms behind the forecast's improvements are investigated.     

粒子群-神经网络集成学习算法气象预报建模研究

针对BP神经网络在实际气象预报应用中,网络结构难以确定以及网络极易陷入局部解问题,提出一种基于神经网络的粒子群集成学习算法的气象预报模型,以BP算法为基本框架,在学习过程中引入粒子群算法,优化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络个体,以“误差绝对值和最小”为最优准则,采用线性规划方法计算各集成个体的权系数,生成神经网络的输出结论,以此建立短期气候预测模型。以广西的月降水量进行实例分析,计算结果表明该方法学习能力强、泛化性能高,能够有效提高系统预测的准确率。     

基于GPU技术的风暴潮集合预报

台风预报的准确性在风暴潮预报中起着重要作用。台风强度和路径的不确定性意味着使用集合模式来预报风暴潮。本文利用中央气象台的最优路径台风参数驱动国家海洋环境预报中心业务化的水动力学模型,开展华南沿海的风暴潮模拟,模式模拟结果与实测吻合较好。为了改进计算效率,采用CUDA Fortran 语言对模型进行了改造,改造后的模型在计算结果与原模型基本一致的基础上,计算时间缩短了99%以上。通过融合欧洲中期天气预报中心（ECWMF）的50条路径与3种可能台风强度构造出了150个台风事件,并用150个台风事件驱动改进的风暴潮数值模型,计算结果可以提供集合预报产品和概率预报产品。通过“山竹”台风风暴潮过程可以发现集合平均预报结果和概率预报结果与实测吻合较好。改进的数值模型可以运行普通工作站上,非常适合风暴潮集合预报,并且可以提供更好的决策产品。     

基于Adaboost的高分遥感影像自动变化检测方法

基于监督分类的高分辨率遥感影像变化检测需要大量人工标注,且单个监督分类器难以适应高分影像中复杂多样的地表变化信息提取,检测结果中“椒盐噪声”严重、变化图斑破碎。因此,本文提出一种基于Adaboost集成算法、自动标注训练样本的变化检测方法。首先利用非监督分类方法完成变化初检,接着在初检结果中进行“非等距”区间采样自动获取均匀分布的训练样本;然后以Adaboost算法为集成框架,选择决策树桩、Logistic回归和kNN作为弱分类器,构建一种混合分类器集成系统,充分挖掘和利用高分影像中的空间信息以提升分类精度和分类器泛化能力,最后利用SLIC分割算法和空间邻域信息对像元级检测结果进行空间约束滤波,进一步提升变化检测精度。为验证本文方法的有效性,选取SPOT-5和WorldView-2影像为实验数据,结果表明本文方法能有效降低训练样本人工标注成本、提高变化检测精度。