基于阵风系数模型的百米级阵风客观预报算法研究

京津冀地区经济和文化的快速发展对冬季地面瞬时强风预报要求越来越高。正确估计和预测冬季地面瞬时强风,尤其是复杂地形条件下的阵风高分辨率格点精准预报,对于提升重大活动服务保障、首都及周边地区城市安全运行及防灾减灾能力等方面都具有重要意义。本研究基于京津冀长时间序列的实况观测资料,建立了阵风系数与稳定风速、风向、地形高度各要素之间的关系模型,并结合客观统计分析方法、阵风观测数据融合技术、格点偏差订正技术,发展了一种既保留模式物理参数特征和阵风局地气候特征,又发挥格点偏差订正技术的阵风客观预报方法。冬季奥林匹克赛事期间批量检验和个例分析结果表明,基于阵风系数格点模型和模式后处理订正技术得到的百米级分辨率、分钟级更新的阵风客观预报产品,24 h预报时效内张家口赛区和延庆赛区考核站平均绝对误差分别在2.3 m/s和3.0 m/s以下,延庆赛区8级以上大风,阵风风速预报评分超过0.5,解决了复杂山区数值模式阵风预报误差大、几乎无法业务应用的瓶颈问题,满足冬季奥林匹克运动会现场服务要求。

冬奥会复杂山地百米尺度10m风速预报的机器学习订正对比试验

本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统(RISE系统)预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充分挖掘时间和空间维度的风场变化规律,且CU-Net++模型风速订正结果优于CU-Net模型,有效降低了RISE产品的格点风速预报误差,也发现预报误差和复杂地形的引入对10 m风速偏差订正起到重要的正向作用。

光催化及其协同电化学降解VOCs的研究进展

各类行业的废气排放导致环境污染问题严重。挥发性有机污染物(VOCs)作为工业废气中首要组成部分,因其成分的复杂性而难以处理,无选择性氧化的光催化高级氧化技术在VOCs降解领域引起广泛研究。为了解决光催化反应历程中存在的效率低问题,本文从VOCs的光催化工艺参数影响因素(温度、相对湿度、初始气体浓度、氧浓度和气体流速)展开描述,总结了各种工艺参数的影响机理和影响趋势。随着光化学技术和电化学技术的不断发展,将光电技术结合起来成为新的研究方向,外加偏压能够有效降低光催化反应历程中电子空穴对的复合率,本文总结了各类光电催化反应器中外加偏压对光电催化的影响机理和影响趋势。总结近五年的光/光电催化的实验研究进展,对于光/光电催化领域降解工业废气VOCs的工艺流程设计与优化具有借鉴意义。文中指出,未来进行与工业废气VOCs相契合参数范围的实验研究和简洁且高效的光/光电催化反应器研发将成为今后的发展趋势。

京津冀夏季雷达定量降水估测的误差统计及定量气候校准

雷达定量降水估测(QPE)是短时临近预报的关键部分,在定量降水预报(QPF)、强降水预警、城市积水内涝、地质山洪灾害、精细化天气服务等方面具有重要作用。利用京津冀地区雷达定量降水估测资料和逐时自动气象站降水观测数据,分析了2011—2016年夏季京津冀地区雷达定量降水估测的误差空间分布特征,并重点提出了一种新的雷达本地化定量气候校准算法。结果表明,京津冀地区雷达定量降水估测较好地反映了总降水量东北—西南带状分布特征,但西北部山区、东北部山区及西南部山区估计偏弱,东北部山前地带估计偏强,西北部存在虚假降水估计,而北京市城区估计最为准确。利用雷达本地化定量气候校准算法对1 h雷达定量降水估测进行气候尺度上的约束订正,检验结果表明,经过校准后的雷达定量降水估测偏差(BIAS)、平均绝对误差(MAE)、均方根误差(RMSE)和均方根相对误差(RRMSE)均减小。绝大部分站点偏差减小幅度超过50%,京津冀东部及南部平原地带平均绝对误差、均方根误差和均方根相对误差减小幅度在20%左右,而北部及西南部山区误差减小幅度相对较小。降水个例检验结果表明,经过雷达定量气候校准后的雷达定量降水估测强度更接近自动气象站观测的降水量级,且降水结构细致,偏差、平均绝对误差和均方根误差均减小,与自动气象站观测降水的相关系数增大,因此该算法有助于改进雷达定量降水估测的准确度。

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效"学习"到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率(POD)、虚警率(FAR)、临界成功指数(CSI)等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。

基于机器学习的复杂地形下短期数值天气预报误差分析与订正

初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免。文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析。以均方根误差(RMSE)和平均绝对误差(MAE)作为评分标准,通过与ECMWF原始预报结果、ANO方法订正结果以及CU-Net方法订正结果进行对比,证明Dense-CUnet模型可有效改进数值预报订正效果,融合多个要素的Fuse-CUnet模型能使订正效果有更大提升。

复杂地形下高精度风场融合预报订正技术在冬奥会赛区风速预报中的应用研究

几乎所有的数值预报模式都存在系统偏差。虽然目前利用统计订正方法降低个别站点的风速偏差已经取得了一些成功,但基于站点的订正具有空间局限性,仍迫切需要基于格点开展复杂地形下高精度风场的融合预报偏差订正。本研究提出了一种复杂地形下北京冬奥赛区不同海拔高度高精度风场的融合预报订正技术。首先利用冬奥山地赛区及周边133个自动气象站风场实况观测资料与睿图-睿思系统高精度风场预报数据相结合,利用统计偏差订正方法,获取各站点1~12 h的平均系统偏差,然后再将地形降尺度后的中国气象局北京快速更新循环数值预报系统高分辨率风场利用格点偏差订正系数优化后作为背景场融合观测资料,更好地捕捉局地地形对山区风场的影响。结果表明,本方法极大程度降低了风速的系统性偏差,风速预报误差显著降低,12 h风速平均绝对误差和均方根误差降低率最高达40%以上。经过适当的修改,这种方法也可以应用于对其他变量的偏差订正上。

一种基于高斯模糊的复杂地形下高分辨率三维插值方法的研究与试验应用

在对数值模式预报产品进行精细化释用处理中,为考虑模式地形与实际地形之间的差异性,本文提出了一种用于复杂地形下,综合考虑模式地形与实际地形的精细化三维插值方法,并将该方法应用于北京冬奥会重点区域的100 m高分辨率精细化温度产品释用中。算法先根据模式地形和实际地形的临界高度进行不同的三维插值,然后使用高斯模糊算法对插值后的结果进行处理用于模式产品的释用。利用2019年2月4-19日的地面自动站观测资料,对比分析原始数值预报温度产品和经过插值得到的精细化释用产品,定性分析结果表明:高分辨率释用产品有效考虑了实际复杂地形的影响,比原始数值预报产品更加精细化、美观化。客观检验结果表明:以自动站观测为实况,经过本文插值方法得到的高分辨率地面温度场比原始数值模式温度场的均方根误差、绝对误差和偏差均显著减小。因此,本文提出的基于高斯模糊的复杂地形下高分辨率三维插值方法可以保证释用产品的美观性和精细化,更重要的是也可以减小误差以提升产品的准确性。

京津冀站点风温湿要素的机器学习订正方法

基于线性回归方法、梯度提升回归方法(GBRT方法)、XGBoost方法和堆叠集成学习方法(Stacking方法)4种机器学习方法,采用误差分析建模思路,针对北京城市气象研究院研发的睿图-睿思系统对2020年12月—2021年11月所有起报时次未来3~12 h的2 m温度、2 m相对湿度、10 m风速以及10 m风向4种气象要素预报,开展京津冀复杂地形下的站点预报误差订正技术研究及试验应用。结果表明:基于预报误差分析构建的4种订正模型中,由于Stacking方法集成了前3种方法的优势,在4个季节的4种气象要素订正中均表现最佳,其他3种单一机器学习方法试验中,XGBoost方法表现最佳,其后依次为GBRT方法、线性回归方法,但均对预报准确率有明显的正向提升效果。总体上,基于机器学习方法构建的预报误差订正模型可有效降低系统原始预报误差,有助于进一步提升复杂地形下站点客观释用产品的预报准确性。

基于卷积神经网络的京津冀地区高分辨率格点预报偏差订正试验

为了进一步提高RISE系统高分辨率网格化预报产品的准确率,同时考虑到深度学习近年来在地学领域的有效应用,采用2019—2021年高分辨率RISE系统数据,设计出卷积神经网络模型Rise-Unet,实现了未来4~12 h地面2 m温度、2 m相对湿度、10 m-U风速以及10 m-V风速预报结果的订正。订正试验结果表明,采用均方根误差和平均绝对误差作为评分标准,与RISE原始预报结果相比,基于Rise-Unet模型可以有效提高温湿风预报结果的准确率。该基于深度学习的Rise-Unet偏差订正技术可应用于RISE系统的后处理模块,对提升RISE系统百米级分辨率或其他高分辨率模式系统格点预报水平具有重要的科学意义和应用价值。

临近预报的两种高时空分辨率定量降水预报融合算法的对比试验

长期以来,雷达回波外推技术是0-2 h临近预报系统主要采用的方法,但其实际有效预报时间≤1 h,而中尺度数值模式预报则受平衡约束时间的限制,最初2 h的降水预报无效。为解决上述两种预报的缺陷,目前国际上流行采用外推预报与数值模式预报融合的技术,形成统一的0-6 h格点化的高分辨率无缝隙定量降水临近预报系统。对目前流行的两种融合算法(INCA(Integrated Nowcasting and Comprehensive Analysis System)算法及RAPIDS(Rainstorm Analysis and Prediction Integrated Data-processing System)算法)进行了分析和对比试验,以期为业务应用提供借鉴。RAPIDS算法的核心是用自动气象站雨量融合雷达估测得到的定量降水对模式预报的降水强度和位相进行修正;INCA算法则是用数值模式预报的风场修正外推技术的降水移动矢量。两种方法在0-6 h预报时效内,外推预报的权重均逐渐减小,模式预报的权重逐渐增大,从而实现外推预报和模式预报的平滑过渡。试验结果表明,两种方法对降水雨带和降水强度的预报均优于单一的外推预报或模式预报。集二者的优势研发最优的高时、空分辨率降水预报无缝隙融合算法,将有助于进一步提升高分辨率定量降水0-6 h无缝隙预报水平。

高时空分辨率三维风场在强对流天气临近预报中的融合应用研究

以业务应用为目标,开展高时、空分辨率三维风场在强对流天气临近预报中的融合应用研究。运用北京快速更新多尺度分析和预报系统集成子系统(RMAPS-IN,Rapid-refresh Multi-scale Analysis and Prediction System-Integration),对雷达四维变分分析系统(VDRAS)30 min临近预报的高时、空分辨率三维风场作为数据源与自动气象站风场观测进行快速融合处理。结果表明,以VDRAS临近预报风场取代数值模式预报场作为融合初猜场后形成的分析结果对于风场有明显的改善:(1)长时间序列客观检验结果表明,地面10 m高风场U/V分量绝对误差分别为0.05和0.06 m/s。实时融合对未来预报的影响随着预报时效的延长,U/V分量的绝对误差不断增大。(2)对于11个强对流个例,地面10 m高风场风速均方根误差降低0.3 m/s,风向均方根误差降低13°;边界层三维风场,风速均方根误差降低0.8 m/s,风向均方根误差降低10°。平原站点融合以后风速、风向预报效果有较大改善,山区站点融合以后改善相对较小。(3)通过对2017年7月20日暴雨和7月7日雷暴大风个例的详细分析,发现融合基于雷达资料四维变分同化获得的高分辨率临近预报风场对各对流系统中的中尺度结构特征给出了更加细致准确的描述。

变分回波跟踪算法及其在对流临近预报中的应用试验

目前业务上0-1 h对流天气临近预报仍旧以客观外推为主,采用不同外推算法,得到雷达回波以及降水的外推临近预报。以业务应用为目标,开展了变分回波跟踪算法在强对流天气临近预报中的应用研究。利用京津冀地区的8部新一代多普勒天气雷达逐6 min雷达组网拼图资料,选取2016-2018年夏季发生在京津冀地区的18个典型对流个例,开展变分回波跟踪算法和交叉相关法的0-1 h临近预报对比试验及检验评估。与传统的交叉相关法相比,变分回波跟踪算法采用变分技术求解雷达回波运动矢量场,在计算中使用两个严格的约束条件,运用迭代法进行求解,其得到的运动矢量场更为准确。结果表明,变分回波跟踪算法优于传统的交叉相关法,得到的30、60 min内雷达回波的形状、位置及强度的外推预报和实况更接近,定量检验评分更高:(1)京津冀地区4次典型对流天气过程临近预报对比试验表明,和交叉相关法相比,变分回波跟踪算法可以更好地预报出未来1 h内雷达回波的位置、形态和强度。(2)通过对18个典型对流个例定量检验,发现当雷达回波强度阈值为35和45 dBz时,无论是30或是60 min外推预报,变分回波跟踪算法的命中率(POD)和临界成功指数(CSI)都明显高于交叉相关法,且虚警率(FAR)更低;分天气类型定量检验发现,绝大多数天气类型,变分回波跟踪算法外推预报效果优于交叉相关法。

基于三种机器学习方法的降水相态高分辨率格点预报模型的构建及对比分析

冬季降水相态及其转变时间的精细化客观预报对提高气象预报和服务质量具有重要的现实意义。利用京津冀地区国家级自动气象站观测资料及网格化快速更新精细集成产品,统计分析了京津冀地区复杂地形下各类降水相态温度和湿球温度平均气候概率的分布差异及不同降水相态时网格化快速更新精细集成产品中可能影响降水相态判断的特征信息。然后将地面观测天气现象资料、复杂地形下降水相态气候特征及高分辨率模式输出产品作为特征向量,分别基于梯度提升(XGBoost)、支持向量机(SVM)、深度神经网络(DNN)3种机器学习方法建立了降水相态的高分辨率客观分类模型,并对同样条件下3种机器学习方法对雨、雨夹雪和雪3种京津冀主要降水相态的预报效果进行了对比检验,进一步提升了雨夹雪复杂降水相态的客观分类预报技巧。

基于深度学习的京津冀地区精细尺度降水临近预报研究

精细尺度降水的临近预报对于提升现代城市内涝和山洪地质灾害预警能力具有重要意义。深度学习作为一种新兴方法,在挖掘数据内部特征及物理规律方面更具优势,近年来在天气雷达图像领域的应用已初见成效。为进一步提升精细尺度降水的临近预报能力,基于深度学习网络模型RainNet,研究建立了两种滚动预报方式,开展了京津冀地区1 km分辨率精细尺度降水滚动式临近预报试验和对比分析。试验结果表明:与传统基于交叉相关的外推预报相比,深度学习网络模型RainNet总体可以明显改进降水1 h临近预报的绝对误差和相关系数;两个RainNet相结合的滚动预报方式对1.04 mm/(10 min)及以下阈值降水,在10—50 min预报性能一致优于传统的交叉相关外推预报。深度学习模型对降水消亡过程的时、空演变趋势刻画更好,尤其更适用于降水消亡过程的临近预报。采用两个RainNet模型相结合的滚动式预报方式优于单一模型滚动预报方式。

1979-2018年东亚冬季极端低温日频次的变化特征及可能成因

利用NCEP/NCAR再分析资料,采用EOF分析和回归分析方法,初步探讨了东亚地区1979-2018年冬季(12月至次年2月)极端低温日频次的变化特征及其与同期大气环流和前期海冰之间的联系。结果表明:东亚地区冬季极端低温日频次整体变化趋势不显著,但1985年以前极端低温日频次整体偏多,且为峰值所在时段,而1986年极端低温日频次迅速减少,之后呈现缓慢增加趋势,直至2010年达到第二峰值,此后便呈现明显的减少趋势,并在近几年趋于平缓。在东亚地区冬季极端低温日频次偏多年,海陆间气压差大、大槽加深且东亚急流偏南偏强,这有助于北极冷空气向南入侵,从而易造成东亚地区出现极端低温天气;在东亚地区冬季极端低温日频次偏少年,情况相反。影响东亚地区冬季极端低温日频次变化的关键海冰区主要位于巴伦支海-喀拉海和欧亚北部沿岸,当东亚地区冬季极端低温日频次偏多时,前期9-10月巴伦支海-喀拉海海冰密集度(SIC)偏少;反之亦然。前期SIC的异常变化是预测后期冬季东亚地区极端低温日频次变化的重要潜在预测因子。

双层百叶风口数值模拟的速度分区模型

在对室内流场进行数值模拟研究时,入流边界条件的描述直接影响室内气流结果的准确性。关于风口模型的描述有很多,但这些模型绝大部分没有体现实际风口出流速分布不均匀性对模拟结果准确性的影响。为了得到1个简单而又能满足实际工程需求的风口模型,本文根据实验测量的送风口风速,以风速分布为依据,建立速度分区风口模型。使用此模型对不同出流条件的方形和矩形双层百叶风口进行数值模拟,并与实验数据进行对比。结果表明,出流速度的不均匀性对长宽比较大的送风口有很大影响。证明了速度分区模型可以准确描述实际复杂风口空气射流特性,为未来进一步研究室内空气流动提供可靠的依据。

室内气流数值模拟风口模型综述

在对室内流场进行数值模拟研究时,如何描述几何形状复杂的空调送风口是正确模拟房间气流组织的关键。为准确描述入流边界条件,研究者提出了不同的风口模型。从直接类风口模型和间接类风口模型两方面详细论述了风口模型的研究进展,指出了目前该领域研究的特点与不足,并提出一些改进思路。

智慧冬奥2022天气预报示范计划的实施与评估

主要介绍了“智慧冬奥2022天气预报示范计划”(简称FDP)的运行与评估结果。此次FDP是在我国首次针对中纬度山区0~10 d冬季天气预报展开的示范计划,国内气象部门内外共22家单位、近40个数值模式或客观预报系统参与了该计划。FDP实现了实时运行所需的多种源数据和多源数据产品的高效传输分发、监控、实时处理、综合集成显示。首次开展了次百米级客观预报、人工智能释用订正预报等新型技术在冬奥复杂山地赛场的实时示范应用,为冬奥气象中心和3个赛区预报团队提供了丰富多样和稳定可靠的高精度客观产品,有力支撑了高标准的冬奥气象服务保障。针对参与FDP产品的系统性检验评估发现,与模式系统原始预报相比,释用后的专项站点预报对平均风、阵风、温度、相对湿度等要素的预报误差明显减小。但是对于冬季复杂山地的降水、能见度预报,客观预报技术还有待进一步改进,而且站点解释应用效果不明显。此次FDP对风、温度、降水、能见度、相对湿度的最优预报检验指标(最小误差值),总体体现了目前国内在中纬度山区冬季天气客观预报的大致水平和现实能力,对于认识复杂山地冬季天气预报存在困难、提升高精度天气预报水平等具有极为重要的价值。