基于循环神经网络改进雷达定量估测强降水

为了解决天气雷达传统定量估测强降水有较大偏差的问题,基于循环神经网络(recurrent neural network,RNN)模型,提出了一种有效的雷达估测强降水方法。基于对降水演变规律的认识,重新设计RNN结构,实现了对前3个时次雨量计降水的耦合,从而改善天气雷达估测强降水的效果。利用连续观测的雷达资料,结合前3个时次雨量计对地面降水量进行估测,解决了利用Z-R关系估测强降水时存在较大偏差的问题。利用2015年夏季降水测试数据集进行验证,并与滚动法建立的Z-R关系方法进行了对比,结果表明,在≥30 mm/h的强降水下,RNN估测降水方法相比Z-R关系方法的均方根误差(root mean square error,RMSE)降低了24.28%,中位绝对误差(median absolute error,Median AE)降低了32.83%。因此,循环神经网络估测降水方法对于定量估测强降水效果显著,具有业务应用价值。

晴空回波的大气风温湿结构及双偏振雷达参量分析

晴空回波有助于认识大气的风温湿结构,双偏振多普勒天气雷达为探测晴空大气提供了丰富信息。本文以2015年夏季南京信息工程大学C波段双偏振雷达探测的晴空回波为例,结合探空资料分析大气风温湿结构及晴空回波的影响因素,分析了晴空大气的反射率因子Z、径向速度Vr以及差分反射率因子ZDR回波特征。研究表明:大气温、压、湿梯度造成折射指数分布不均以及背景风场引起的湍流增强,均可造成晴空回波,其回波机理为湍流散射;差分反射率因子受到多普勒效应的影响;在风场及大气湍团干湿特性不同的情况下,晴空回波的差分反射率因子呈现不同的特征。研究结果有益于深入认识大气风温湿结构特征对雷达电磁波的散射的影响以及雷达资料质量控制。

基于变分技术的天气雷达速度退模糊算法的改进研究

为有效地识别和提取多普勒天气雷达风场信息,对Gao和Droegemeier提出的基于变分技术的多普勒雷达径向速度数据退模糊方法进行了改进。原方法中将背景风场、方位和径向速度距离梯度信息同时作为约束条件,对Nyquist数进行校正。但是该方法在迭代过程中使用了大量的数值分析和偏微分方程计算,造成径向速度场过度平滑和数据失真。针对这个问题,改进算法在得到径向速度分析场后,结合原始径向速度观测场,通过图像变化检测法,自动识别存在速度模糊的区域及计算需要校正的Nyquist数,对观测场的模糊区域进行校正。利用强对流天气和台风过程的雷达体扫数据验证了改进算法的可行性,并与原始算法及业务应用的WSR-88D算法对比。结果表明:改进算法有效地解决了原始算法中的不足,恢复真实的风场结构和分布特征,改善了退速度模糊的质量,从而得到更为合理的径向速度观测场;并且该算法退模糊效果优于WSR-88D算法,有助于为科研和业务应用服务。