基于WRF模式的对流尺度边界层方案参数随机扰动方法研究

边界层参数化方案的准确性会影响模式对近地面变量和大气低层热动力结构的模拟,对雷暴等强对流天气的预报非常重要,但边界层方案内在的不确定性使得单一预报具有局限性。为了提高对流尺度数值模式中边界层方案的预报效果,基于WRF（The Weather Research and Forecasting Model）模式,应用随机参数扰动（SPP）方法对Mellor-Yamada-Nakanishi-Niino（MYNN）边界层方案中重要的3个不确定参数进行扰动,探究了该方法对北京地区一次雷暴过程模拟的影响。同时考虑了对流尺度集合预报系统的特点,调整随机参数扰动方法的3个参量（去相关时间尺度、空间尺度和格点标准差）探究了对流尺度中对MYNN方案参数进行扰动的最优设置。结果显示:随机扰动MYNN边界层方案参数（SPPM）方法可以有效提高近地面变量和700 hPa以下低层变量的离散度,同时提高了短时强降水位置和强度的预报技巧。3个参量的试验说明,去相关时间尺度增大到12 h集合离散度有明显提高;格点标准差增大到0.20,预报技巧也略有提高;去相关空间尺度维持在默认值700 km较好,尺度过小（150 km）预报技巧明显降低。上述结果表明,在对流尺度中SPPM方法可以有效表达边界层参数化方案的不确定性,提高集合预报系统的预报技巧。      

清江流域降水的多模式BMA概率预报试验

基于TIGGE资料中的ECMWF、UKMO、JMA、CMA四套模式的2016年6月1至7月31日逐日降水集合预报资料,结合清江流域10个国家基准站观测数据,建立了流域贝叶斯模型平均(BMA)概率预报模型,开展流域多模式集合BMA技术的概率预报试验与评估。结果表明,在清江流域多模式集合的BMA模型最佳滑动训练期长度为40 d,BMA模型预报比原始集合预报有更高预报技巧,比四个原始集合预报MAE平均值减少近11%左右,而对于CRPS除了CMA中心无订正效果外,较其他三个模式平均值提高近15%左右。多模式集合BMA技术能预报降水全概率PDF曲线和大于某个降水量级的概率,同时能给出确定性降水预报,对于极端强降水(大暴雨一特大暴雨量级),BMA 75～90百分位数预报效果较好,对于强降水(暴雨量级),BMA 50～75百分位数预报效果较好,对于一般性降水(小雨一大雨量级),BMA确定性预报结果或50百分位数预报效果较好。     

近36年江淮地区浅层地温变化的多尺度分析

选取1981-2016年中国江淮地区28个气象站的0~20 cm地温观测资料,运用经验正交函数分解(EOF)和集合经验模态分解(EEMD)方法,得到江淮地区0~20 cm地温及气温多时间尺度的振荡规律。结果表明:江淮地区全区域有明显的空间一致性,特征向量值在全地区均为负值,时间系数在20世纪90年代中后期由正转负。1981-2016年江淮地区浅层地温和气温均表现为波动上升的趋势,其中0 cm地温的气候倾向率为0.65℃·(10a)-1,增温幅度大于5~20 cm层地温及气温。0 cm、5 cm、10 cm、20 cm四层地温及气温分解后的IMF1和IMF2分量的周期分别为准3年和准7年,且80年代的振幅要小于之后的年份,表明浅层地温及气温在80年代是稳定少变的,进入90年代波动幅度增大。年际变化在江淮地区0~20 cm地温及气温的长期变化中占主导地位。对36年0~20 cm地温的气候平均值进行分解可得,江淮地区各站点浅层地温的延伸期尺度周期基本分布在准12~16天和准26~33天两个周期内。     

集合样本数影响月平均500 hPa高度场预测技巧分析

气候系统模式输出结果是当前开展气候预测业务的重要参考依据之一,如何提高气候系统模式输出结果的可信度是改进气候业务预测能力的关键之一。利用1999—2010年NCEP CFSv2模式每日四次预测未来45天的回算数据,分析了集合样本数对模式预测能力的影响。分析结果表明,模式对月平均500 hPa位势高度的预测技巧在热带地区较高,而中高纬度地区较低;模式对500 hPa位势高度时间异常的预测能力优于空间异常。无论是空间异常还是时间异常,随着模式超前时间的增加,预测技巧均逐渐降低,但是在不同区域和不同月份,模式预测技巧随超前时间的变化存在差异。此外,模式预测技巧存在非常大的年际变率。增加集合样本数,对不同月份和不同起报时间预测技巧的稳定度和预测技巧值均有明显正效果,特别是对亚洲中纬度地区改善度较大。增加集合样本数也可以在一定程度上降低模式预测技巧年际变率。集合样本数增加对于500 hPa位势高度空间异常的改进优于时间异常。      

利用Poor-man集成预报方法改进数值预报效果研究

针对目前不同时效的数值预报结果存在“跃变”问题,基于Poor—man集成预报方法的思想,综合考虑各个时效的数值预报结果,利用最小二乘法,构建了一个预报模型,并利用2005--2010年欧洲中心下发的数值预报资料对该模型的预报效果进行了验证。结果表明,该模型较好地克服了利用单一时次预报带来的预报结果“跃变”的不足,对提高预报水平具有一定的作用。     

Investigating the ENSO prediction skills of the Beijing Climate Center climate prediction system version 2

The El Ni?o-Southern Oscillation(ENSO) ensemble prediction skills of the Beijing Climate Center(BCC) climate prediction system version 2(BCC-CPS2) are examined for the period from 1991 to 2018. The upper-limit ENSO predictability of this system is quantified by measuring its “potential” predictability using information-based metrics, whereas the actual prediction skill is evaluated using deterministic and probabilistic skill measures.Results show that:(1) In general, the current operational BCC ...     

黄河流域降水格局及影响因素北大核心CSCD

黄河流域位于干旱、半干旱与半湿润过渡地带,是中国重要的经济地带和生态屏障,研究流域降水时空格局及其对多驱动因素的响应具有重要意义。本文分析了近70年降水的时空格局规律、多尺度特征以及降水对不同气象要素与环流因子的响应。结果表明:黄河流域降水量呈下降趋势,降水变率为-0.88 mm/10a,而上游地区呈增加趋势。流域降水存在显著的年周期尺度;年际周期尺度为主导模态,集合经验模态分解(EEMD)的累积方差贡献率为94.85%。偏小波相干性(PWC)分析表明蒸散量为降水多尺度特征的主导气象因素,气象因素主要调制降水的季节性与年周期,环流因子主导降水的年际和年代际周期;不同类型因素的耦合可以增强对降水在所有周期尺度的解释能力。     

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。     

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC（Canopy Chlorophyll Content）作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星（OHS）影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明：（1）通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_（12,17）、DSI_（12,18）和NDSI_（6,12）组合植被指数对红树林CCC反演精度的贡献率较高;（2）联合OHS数据和最优堆栈GBRT集成学习回归模型（Score=0.999,RMSE=0.963 μg/cm²）的训练精度优于最优RF机器学习回归模型（RMSE降低了7.531 μg/cm²）,明显优于最优Lasso线性回归模型（RMSE降低了19.383 μg/cm²）;（3）在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度（R²=0.761,RMSE=16.738 μg/cm²）高于Sentinel-2A影像（R²=0.615,RMSE=20.701 μg/cm²）;（4）联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法（R²=0.356,RMSE=49.419 μg/cm²）。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC（R²均大于0.61）,而OHS数据的估算精度更高（R²大于0.75）;SNAP-SL2P算法不能有效反演红树林CCC（R²小于0.4）,且对红树林CCC数值存在系统性低估。     

Climate downscaling over southern South America for present-day climate (1970-1989) using the MM5 model. Mean,interannual variability and internal variability

This work focuses on evaluating the ability of the MM5 regional model to represent the basic features of present climate over South America. The spatial distribution of seasonal means and the interannual variability, as well as annual cycles for precipitation and near-surface temperature have been evaluated. The internal variability has also been investigated. The analysis has two objectives: one of them is to quantify the dynamic downscaling ability to represent the current climate and the other is to identify critical aspects of the regional climate model in South America in order to interpret the reliability of future projections for the end of the twenty-first century in the A2 scenario of the IPCC Special Report on Emissions Scenarios. In general, the MM5 model is able to reproduce adequately the main general features, seasonal cycle and year-to-year variability of near surface variables over South America. The spatial distribution of temperature is well represented, but some systematic errors were identified, such as an overestimation in central and northern Argentina and an underestimation in the mountainous regions throughout the year. The general structure of precipitation is also well captured by the regional model, although it overestimates the precipitation in the Andean region (specifically in central and southern Chile) in all seasons and underestimates the rainfall over tropical latitudes. The annual cycle of precipitation is adequately represented in the subregions analyzed, but its representation is better over La Plata basin (LPB), Cuyo (CU) and southeastern Pampas (SEP). The annual cycle of mean temperature is well represented, too. The model systematically overestimates the interannual variability of temperature and underestimates the interannual variability of precipitation. From the analyses of interannual and internal variability, as well as the biases, it can be concluded that regardless the season, the simulated precipitation is reliable at subtropical latitudes, Uruguay, southern Brazil and east-central of Argentina, but is less reliable over areas of complex topography. For temperature, the regional model is reliable over subtropical latitudes, Uruguay and the south of Brazil only during winter, but it is less reliable or it is even in the limit of reliability over central and southern Chile all along the year. Therefore, it is concluded that the MM5 model is a useful tool for the generation of regional climate change scenarios and for the evaluation of regional climate change scenarios over southern South America.