一次人工影响天气协同作业试验及其效果分析

通过分析2023年8月19日金华人工影响天气(简称人影)作业队在浙江省人工影响天气中心技术指导下,开展的一次协同作业试验,介绍了试验作业组织实施、监测预警、方案设计、跟踪监测、作业指挥等环节,并结合雷达回波、雨量时序和雷达定量降水预报(QPF)等气象资料开展作业分析和效果评估。分析了影响区和对比区的回波高度、回波强度、雨量等要素差异。结果表明:该次作业时虽然回波主体未在火箭直接催化范围内,但在催化高度背景风场上下游效应“运输”作用下,将过量催化剂带入影响区,产生消减雨效应,取得了一定效果。同时指出了该次省市县级协同作业中还存在的不足,为今后推进人工影响天气监测、指挥、作业及评估工作提供一定的参考。

热带气旋生成过程的中尺度涡旋活动数值模拟

热带气旋生成过程中包含不同尺度环流及其相互作用。为此，本文将热带气旋生成数值模拟的起点提前到模拟中尺度涡旋（MCV）的生成，从而利用高分辨率数值试验结果，对热带气旋过程中的不同尺度涡旋活动进行分析。模式首先模拟了季风涡旋的东南侧增强的西南气流中出现低形变旋转性扰动，随着扰动的旋转性增强，中层出现水平尺度为200km左右的MCV。在扰动区内的不同高度上还发现10～20km尺度不等的中γ气旋性涡旋扰动，其中部分涡旋扰动具有热塔的特征，中γ气旋性涡旋扰动在MCV的旋转环境内不断组织化，低层气旋性涡旋扰动的分布比中层更加集中。模拟表明这些较小尺度的气旋性中尺度涡旋扰动对热带气旋的生成有重要作用。

基于干旱和水位特征构建水库人工增雨需求指数

为定量化描述水库人工增雨需求,以浙江兰溪芝堰水库为研究对象,基于降水、径流和水位历史观测数据,采用实际概率分布阈值法确定逐月不同等级水库水位指标(Water Level Index, WLI)百分位阈值,通过熵权法联合表征气象干旱的标准化降水指数(Standardized Precipitation Index, SPI)和表征水文干旱的标准化径流指数(StandardizedStreamflow Index,SSI)构建水库整体干旱指数(Drought Index, DI),综合WLI和DI构建水库人工增雨需求指数(Demand Level Index, DLI)等级,研究WLI、DI和DLI时间特征,结合水库历史记录分析DLI的适用性,结果表明:(1)确定的逐月不同等级WLI百分位阈值能够精细化表征水库在一年内不同时期的缺水程度。(2)1990—2019年气象干旱无明显变化,水文干旱程度加大,其中春季变旱趋势最明显。(3)气象(水文)干旱在夏秋季发生总频率为33.9%(35.0%),高于冬春两季的30.0%(28.3%)。重、特旱在春季的发生频率最高,气象和水文干旱发生频率分别为11.2%和10.0%。水文干旱与气象干旱的时滞性不明显,水文干旱平均历时和平均烈度均高于气象干旱,具有更高的危害性。(4)不同等级的DLI年际分布与WLI较为相近,季节分布与DI分布相似。与2004年之前相比,2004年之后增雨需求出现更为频繁,持续存在时间更长。增雨需求在夏季占比最高,为40.0%,但高度、强烈增雨需求在春季占比最高,为14.4%。(5)构建的DLI等级可以较好地表征水库实际需求,当DLI等级大于等于4持续多个月时,水库可能会出现用水紧张并应采取相关紧急措施。

兰溪不同季节雨滴谱特征分析

雨滴谱特征受到不同区域、不同降水类型等因素影响具有明显的时空差异,分析不同季节的雨滴谱特征对于提高对降水的微物理结构的认识,开展人工增雨效果检验微物理响应分析具有重要意义。利用2020年兰溪气象观测站雨滴谱和雨量计观测资料,对雨滴谱数据的可靠性和兰溪不同季节的降水微物理特征进行分析,主要结论如下:(1)雨滴谱计算的日降水量与雨量计观测结果有较好的一致性,雨滴谱计算的逐小时降水量与雨量计观测值和变化趋势基本一致。表明雨滴谱数据能够真实反映降雨过程的雨强变化,数据可信。(2)降水微物理参量的平均值具有季节性差异,算数平均直径夏季最高,春季、秋季和冬季基本一致。质量加权直径夏季最高,其次依次为春季、冬季和秋季。数浓度、雨强和雨水含量夏季最高,其次为春季,冬季和秋季。(3)兰溪降水以D<1 mm的小雨滴为主,1 mm≤D<3 mm的中雨滴对雨强贡献最大,D≥3 mm大雨滴平均数浓度和雨强贡献率占比都是最小。不同季节不同尺度雨滴对数浓度和雨强的贡献也存在差异,夏季中雨滴、大雨滴的数浓度和雨强贡献占比要显著高于其它季节。(4)兰溪不同季节雨滴数密度峰值均位于0.5 mm左右,但是春夏季谱宽明显大于秋冬季,春夏最大雨滴直径可达8 mm,秋冬季则在5 mm左右。兰溪夏、春季雨滴具有更大的算数平均直径和质量加权直径,更大的谱宽、雨滴数浓度、雨强和液态水含量,与夏、春季的对流性降水占比更高有关。

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index,AQI)数据,分析了义乌地区低能见度天气(观测能见度<10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network,LSTM)模型对逐小时能见度进行模拟,分别对比了观测能见度作为输入变量与否的模拟效果;根据义乌地区低能见度天气条件的特征,将模拟时段分为三个时期(11月至翌年2月,3—6月,7—10月),对比了分时期模拟的效果;以及评估了模型的预报步长。结果表明:高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果,当输入参数中加入历史观测能见度时,能大幅提高模拟准确度,日均能见度模拟结果均方根误差RMSE=0.63 km,平均绝对误差MAE=0.51 km,拟合优度R^(2)=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好,RMSE=2.35 km,MAE=1.46 km,低能见度均方根误差RMSE_10 km=1.81 km,低能见度平均绝对误差MAE_10 km=1.13 km,R^(2)=0.83;3—6月的模拟中,输入变量中不加AQI模拟效果更好,这意味着3—6月义乌地区的低能见度天气以雾天气为主导,加入过多变量并不一定能提高模型准确度;随着预报步长增大,模型预报效果变差,预测步长等于3 h,R^(2)=0.71,预测结果已不具备实际应用意义。

基于长短期记忆神经网络的风速超短期快速滚动预报技术

利用甘肃省某风电场2017—2020年测风数据,基于长短期记忆神经网络(LSTM)模型,通过评估不同输入数据和模型时间窗口长度下的预报精度,设计一套适用于风电场的风速超短期快速滚动预报方案。结果表明:通过输入不同的特征变量,在风速的超短期(未来4 h内)预报中,风速自身变化起主导作用,模型输入变量中只加入各高度层的风速能得到更好的模拟效果。通过评估LSTM模拟时间窗口长度L对模拟效果的影响,当时间窗口长度L≤24 h时,模拟效果较好,说明超短期风速变化主要和风速自身临近时刻的变化有关;当L>24 h时,模拟效果快速下降,说明过长的L会削弱模拟能力,降低模拟精度。通过分析LSTM在未来4 h内的风速模拟能力,发现随着预报时长的增加,模拟精度逐步下降,但在未来2 h内的风速均方根误差RMSE均小于2 m·s^(-1),结果较为理想,且该方法对计算资源要求不高,经济实用性强,在业务中具有较高的应用潜力。