江苏近海岸夏季两类海风锋特征及其对强对流的激发

利用观测资料、ECMWF Era-interim资料、江苏风塔资料、降水融合资料等,对江苏沿海区域夏季海风锋进行统计与诊断分析,并对海风锋激发强对流过程进行数值模拟。结果显示,海风锋主要显现在较稳定的高压系统边缘地带,可分为两类:Ⅰ类为海上西伸副高控制下的海风锋;Ⅱ类为大陆高压入海环流下的海风锋,Ⅱ类海风锋环流具有更多局地系统,常有强对流天气伴随。海风锋垂直剖面要素结构显示,来自海上的低层偏东风u分量构成海风锋前缘,影响锋面垂直抬升运动位置及强度。锋面附近二级环流,影响海风锋系统的环境不稳定性。海风锋在近海岸地区相遇内陆对流系统时,沿岸风塔资料在风的时序上出现突然的风向转变和迅速的风速增大。同时区域对流有效位能CAPE(convective available potential energy)的高值区显著增强。配合水汽通量辐合中心,构成有利于强对流系统激发及加强的环境条件。数值模拟显示,CAPE的水平分布指示了内陆强对流系统与海风锋的相对移动,CAPE的垂直分布显示海风锋激发强对流时能量增强与释放,强中心在2 h内迅速减弱。

应用机器学习技术预测强雨雪天气过程中的积雪

2017年12月~2018年2月冬季,在中国长江中下游流域发生了两次强度强、范围广的强雨雪冰冻天气。在第一次强降雪天气中,由于2018年1月3~4日和5~8日两阶段降雪在中国东部落区高度重叠,导致了较为严重的灾害。为了预测日积雪深度,利用2017年12月~2018年2月和2007年12月~2008年2月这两个时间段上的国家测站日值数据,利用CART决策树算法根据各气象要素生成一个预测当天是否有积雪的二元判别决策树模型。从决策树结构中可以看出,前一日的积雪深度、日最高气温、日平均气温、日最低相对湿度等要素对预测结果的影响重大。且两决策树的结构相似度极高,故该模型对是否有积雪的预测存在普适性。随后利用深度学习方法训练两个时间段上所有预测为有积雪的个例,建立预测积雪深度的回归模型,结果表明,利用该模型训练得到的误差较小,但不足之处在于,预测极端降雪个例的误差大于普通降雪个例。将决策树模型与深度学习模型串接,便能得到预测当天是否有积雪,及积雪深度的模型。相比于前人的研究,该模型能拟合更复杂的特征,得到更精确的预测,使用2018年的数据也能更好地模拟当前的气候背景。