三维冰雹分档强对流云数值模式研究：Ⅰ、模式建立及冰雹的循环增机制

针对现行冰雹云参数化模式中假定冰雹谱服从特定的负指数分布，冰雹增长率依赖其加权平均末速度以及粒子间的数浓度转换不守衡等局限性，作者建立和发展了一个包括云滴、云冰、雨滴、雪团、霰和雹的云中主要水成物场及凝结、撞冻等37种主要微物理过程，可用于预测和研究三维强冰雹云降雹过程的冰雹分档模式，模式能够提供在雹云参数化模式中无法提供的关于冰雹增长与分布的信息，研究共分三部分；模式的建立及冰雹的循环增长机制；冰雹的分档分布特征；冰雹产生与增长的微篁,经一部分，通过建立模式及模拟一个多单体风暴个例，对多单体中冰雹的增长机制进行了数值模拟研究。     

ENSO循环的数值模拟(Ⅱ)──变化性及时间尺度选择机制

利用热带太平洋海气耦合异常模式的３０ａ模拟结果，对模式ＥＮＳＯ的变化性及多重时间尺度过程进行了细致分析，建立了一ＥＮＳＯ循环多重时间尺度过程相互作用的非线性相似（Ａｎａｌｏｇ）模型，并提出了ＥＮＳＯ循环主周期形成的一种可能机制。指出：和观测事实类似，模式ＥＮＳＯ过程确实涉及到三种时间尺度，即３—４ａ主周期振荡（ＬＦ）、准两年振荡（ＱＢ）和年循环（ＡＣ）；其中，ＱＢ过程是线性海气耦合系统的本征模态，年循环（ＡＣ）对其形成没有本质的影响；３—４ａ主周期振荡（ＬＦ）是一非线性系统的自激振荡现象，其形成是线性系统的本征模即ＱＢ过程通过非线性机制尤其是通过大气辐合反馈加热的“单向性”过程在ＱＢ的暖态产生的减频增幅所致；平均年循环（ＡＣ）虽然不能对ＥＮＳＯ循环形成有本质影响，但它可明显影响ＥＮＳＯ循环的具体振幅和位相，使得ＥＮＳＯ循环具有明显的不规则性并对季节循环具有明显的“锁相”特征；ＥＮＳＯ变化性确是ＬＦ、ＱＢ以及ＡＣ多重时间尺度相互作用形成的。本文提出的ＥＮＳＯ循环时间尺度选择机制不仅解释了主周期振荡的形成过程，而且也较好地解释了ＥＮＳＯ变化的谱，因此，这一机制更接近于观测事实。     

Prediction of the Asian-Australian Monsoon Interannual Variations with the Grid-Point Atmospheric Model of IAP LASG （GAMIL）

Seasonal prediction of Asian-Australian monsoon （A-AM） precipitation is one of the most important and challenging tasks in climate prediction. In this paper, we evaluate the performance of Grid Atmospheric Model of IAP LASG （GAMIL） on retrospective prediction of the A-AM interannual variation （IAV）, and determine to what extent GAMIL can capture the two major observed modes of A-AM rainfall IAV for the period 1979-2003. The first mode is associated with the turnabout of warming （cooling） in the Nifio 3.4 region, whereas the second mode leads the warming/cooling by about one year, signaling precursory conditions for ENSO.
We show that the GAMIL one-month lead prediction of the seasonal precipitation anomalies is primarily able to capture major features of the two observed leading modes of the IAV, with the first mode better predicted than the second. It also depicts the relationship between the first mode and ENSO rather well. On the other hand, the GAMIL has deficiencies in capturing the relationship between the second mode and ENSO. We conclude： （1） successful reproduction of the E1 Nifio-excited monsoon-ocean interaction and E1 Nifio forcing may be critical for the seasonal prediction of the A-AM rainfall IAV with the GAMIL; （2） more efforts are needed to improve the simulation not only in the Nifio 3.4 region but also in the joining area of Asia and the Indian-Pacific Ocean; （3） the selection of a one-tier system may improve the ultimate prediction of the A-AM rainfall IAV. These results offer some references for improvement of the GAMIL and associated seasonal prediction skill.     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

高分辨率WRF三维变分同化在北京地区降水预报中的应用

为迎接2008年北京奥运会,改进北京地区的天气预报,建立了一个基于三重嵌套区域(27/9/3 km)的WRF三维变分同化(WRFVar)和WRF模式的高分辨率快速更新循环同化预报(Rapid-Up-date Cycle)系统,并针对2006年8月1日发生在北京地区的强对流天气进行了一系列数值试验,结果表明:高分辨率的快速更新循环系统很好地预报出了此次强降水过程;在WRF三维变分同化里调节背景场误差和观测误差,提高了降水预报的效果;插值得出的3 km背景场误差可以作为一个合理的近似在3 km分辨率的WRFVar中使用,用户可以不必积累高分辨率的预报场去计算背景场误差,从而节省大量计算资源。3 h频次的RUC已经能满足预报要求,更高频次(1 h)的RUC并没有导致预报的进一步提高。     

全球GRAPES等压面三维变分分析预报循环系统及试验

利用全球通讯系统GTS传输的常规观测资料和卫星资料,用全球与区域同化预报系统GRAPES(global/regional assimilation and prediction system)全球等压面三维变分分析和中期数值预报模式进行为期两个月6 h分析预报循环试验,并对分析结果进行了诊断分析。结果表明,位势高度在中低纬对流层顶及以上区域存在5~20 gpm负偏差,在100 hPa以下的南北极区域存在5~20 gpm正偏差;相对湿度在南极存在较大负偏差,在高层有较大正偏差。风场在赤道中高层有较明显的偏差。在500 hPa上北半球GRAPES位势高度与NCEP资料的均方根误差在10 gpm左右,南半球在15~24 gpm之间。与探空观测相比,经变分分析后,分析的偏差和均方根误差都有所减小,但位势高度背景场存在明显负偏差,而且在100 hPa以上位势高度改进不如低层明显。全球等压面三维变分分析预报循环试验表明,分析预报循环系统能稳定运行,但是分析和6 h预报场还存在系统性偏差。     

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

个旧高松矿田大箐东矿段深部铜锡矿床成矿模式

成矿燕山中晚期花岗岩受构造、岩性联合控制,沿断裂“扎根”部位显岩舌、岩枝状产出,形成多层次凹陷,其中的锡铜多金属矿床是个旧矿区最低赋矿标高(900m),也是深部找矿的突破,从而建立深部有利部位四类成矿模式.     

利用活性炭吸附测量氡浓度和能谱测量铀含量比值识别深部铀矿矿致异常

花岗岩地区放射性测量受岩性、构造、后生蚀变、铀矿化等影响,形成了复杂多变的放射性异常晕圈,如何识别深部铀矿产生的矿致异常,采用了氡子体积累的活性炭吸附测氡法和坑内伽马能谱测量,数据经过后期氡浓度和铀含量比值处理,放射性异常特征反映了深部铀矿化信息,钻探验证在矿致异常反映控矿构造倾向一侧见到工业铀矿体.