雷暴探测研究的进展

基于达州市2015年10月-2016年9月的闪电定位和探空观测资料,以850 hPa与500 hPa温差、大气可降水量、K指数、对流有效位能、对流抑制和抬升指数作为雷暴预警因子,利用投影寻踪动态聚类方法对该时段内的雷暴个例构建了预警模型。结果表明：（1）模型预报结果定量评估的临界成功指数为72.00%,该模型对个例达到了识别和预警效果;（2）该预警模型与常规预警方法相比,具有识别率高,计算简便,客观性强等特点,可为雷暴预警提供了一种新的客观预报方法。

     

基于纹理特征和机器学习的卫星云图分类实验

准确识别云对提升天气预报和气候预测准确性有着重要意义,传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,在分类速度和分类精度上都有了明显提升。本实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机（SVM）、随机森林（RF）和XGBoost分类器实现了对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类,实验结果表明：①三种分类器对该实验云分类的平均准确率分别为RF（62.5%）＞XGBoost（61.7%）＞SVM（60.0%）;②三种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;③SVM对密层云（67.9%）、RF对卷层云（68.9%）、XGboost对晴空（68.3%）的分类效果次之,平均分类精度均达67%以上。     

"7.23"水城特大滑坡事件的降水背景分析

2019年7月23日21时20分贵州省水城县鸡场镇坪地村岔沟组发生特大山体滑坡(简称"7.23"水城特大滑坡),21栋房屋被埋,42人遇难、9人失联。本文利用高空及地面常规观测资料、地面加密观测资料、FY-2G相当黑体亮温(TBB)、NCEP/NCAR FNL格点再分析资料对此次特大滑坡的气象背景进行了诊断分析,得到如下结论:(1)"7.23"水城特大滑坡出现在降水停止后16 h,滑坡前一晚22日夜间降水局地性较强,主要降水时段出现在22日20—23时,距滑坡时间24 h左右。距滑坡点960 m处最大雨强为19.5 mm·h-1(20—21时),距滑坡点2.7 km处最大雨强为56.9 mm·h-1(21—22时)。(2)滑坡前一周当地出现了三场降水,分别为两场大雨及一场暴雨。大雨以上较强降水对100 cm以上土壤体积含水量变化影响大,较强降水使100 cm以上土壤含水量增加迅速,但对100 cm以下的渗透作用微弱。(3)滑坡前一晚22日夜间的降水发生在副热带高压西侧西低东高的背景下,水汽条件充沛并具备一定的不稳定能量条件,但触发抬升能力偏弱。(4)22日20时地面中小尺度低涡的生成激发了分裂后的对流云团的重生和发展,重生后的β中尺度低涡云团在发展最强阶段造成了滑坡点附近的局地强降水,是22日20—23时滑坡点附近降水增强的直接影响系统。(5) 22日多个要素分析显示,弱冷空气接近水城时激发了初始对流和降水。弱冷空气维持少动期间,降水在其南侧的暖区一侧加强。(6)较强降水使土壤表层增湿、含水量增加,但仍难以判断降水是滑坡的主要诱因,山坡岩体结构改变、重力与支持力之间的平衡被打破可能才是滑坡的重要原因。     

成都市一次灰霾过程的演变特征及其成因分析

利用成都市2017年1月14—29日环境监测数据、气象观测数据和激光雷达探测资料,系统分析了对应时段灰霾过程的演变机理。结果表明:该灰霾过程与天气形势的高低空配置有密切关系;气象因子的变化对颗粒物扩散具有重要作用,风速、温度和相对湿度与PM 2.5质量浓度的相关系数分别为-0.36、0.45和0.20;灰霾过程期间混合层高度平均值较低(378 m),呈现出白天高和夜晚低的特征;通过混合层高度与地面颗粒物质量浓度的超前滞后相关性分析表明,混合层高度通过2 h左右可对地面颗粒物的扩散起明显作用(二者相关系数较对应时次的-0.47提升至-0.63),这在一定程度上可对未来数小时的颗粒物质量浓度的演变趋势做出指示。本文研究结果可为当地灰霾过程预警预报及污染防治提供理论依据和研究参考。     

咸阳机场一次阵风锋的探测和自动识别

利用西安多普勒雷达观测资料、NCEP再分析资料和自动气象站资料,对2016年6月4日发生在咸阳机场附近的一次阵风锋天气展开研究。这次过程是由蒙古低涡主导,低涡后部的冷空气南下触发对流引起的,阵风锋过境时咸阳机场产生了2.2mm降水和19.7m·s^(-1)的大风天气,多架次航班受到影响。从雷达回波的分析发现,这次阵风锋的特征表现为,生命史2h左右,回波强度5~25dBz,长度约70km,平均移速达49.7km·h^(-1),伴有明显的窄带回波和辐合线。对雷达基数据进行质量控制后,设计了自动识别软件,在强度场上利用双向梯度算法,以及速度场上使用Shear参量算法,根据窄带回波和辐合线的空间一致性,对该阵风锋的位置和强度进行识别。最后利用临界成功指数对这个软件进行评估,本次阵风锋的识别率达到83.33%,表明该软件能够识别阵风锋,可在业务中使用。     

地基微波辐射计资料在降水分析中的应用

利用2000—2013年贵州省84个国家级气象观测站雾的记录、NCEP/NCAR再分析资料以及高空、地面常规观测资料,采用统计方法与合成分析方法,对贵州冬春秋三季锋面雾的分布特征、天气形势、温湿特征与静止锋对锋面雾生消的影响进行了分析。结果表明：（1）锋面雾是出现在静止锋后的一类天气,伴有低温阴雨现象,多出现在贵州中西部（105°—108°E、25.5°—27.5°N）地区,并伴随锋面弱降水（4 mm以下）、浅薄云层（700 hPa以下）、弱逆温（3℃以下）和地面水汽饱和特征。（2）三季锋面雾出现时高空以纬向环流居多,青藏高原上短波槽活跃,低层从广西至贵州南部存在一支8~16 m·s^-1偏南气流,静止锋位于贵州西部,贵州地面气温在4~14℃之间,其差异主要表现在冬季锋面雾出现时,冷空气势力最强,南支槽更活跃,静止锋梯度也最强。（3）三季静止锋变化对锋面雾生消的影响存在若干共性,即锋面雾初始时静止锋位于云贵两省之间,锋面雾出现在贵州西部相对湿度90%以上高湿区;锋面雾强盛时西部静止锋与中部辐合线之间的东南风区域是锋面雾易发区;其减弱时静止锋均出现不同程度东退北抬,雾区升温降湿作用明显。其差异在于,锋面雾初始时冬季静止锋强度和气压梯度均高于春秋两季;其强盛时冬季静止锋上气流抬升作用更明显、云水含量更充沛,锋面雾范围也较春秋两季更宽广;其减弱时春季热低压在云贵之间迅速建立,静止锋迅速东退北抬至贵州中部,而冬秋两季云贵间热低压发展强度不及春季,锋区北抬位置偏西,因而锋面雾减弱消散速度不及春季。

     

基于多神经网络的动态权重集成温度预报订正研究

基于CMA-GD模式预报数据,利用多神经网络的动态权重集成方法,开展了贵州省温度预报订正研究,最终获得本地化温度预报订正产品。结果表明：(1) 在对历史数据检验评估的基础上,利用多种神经网络方法可有效降低模式系统误差,通过BP、BP_GA、WAVENN、GRNN、LSTM等神经网络订正,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低0.01～0.17 ℃;(2) 考虑到不同神经网络订正结果的差异性,采用动态权重方案对订正结果进行优势集成可显著提升预报可靠性。经集成后的温度预报效果优于模式直接输出和各神经网络订正结果,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低14.93%,预报准确率提升8.24%。此外,动态权重集成后的订正结果还表现出较好的稳定性。基于该方法形成的本地化客观预报订正产品可为提升贵州复杂地形下温度预报质量以及精细化预报服务水平提供参考依据。