多模式对四川盆地强降水过程的预报性能检验

为进一步认识当前数值预报模式的预报能力,选取2018—2020年发生在四川盆地的47次强降水过程进行分型,再基于多源降水融合产品和地面观测资料,通过TS评分、时空滑动等方法对欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)数值预报模式、国家气象中心区域中尺度数值预报模式(China Meteorological Administration Mesoscale Model,CMA_MESO)和西南区域数值预报系统(Southwest Center WRF ADAS Real-time Modeling System,SWC_WARMS)在强降水过程范围、强度、极值、时间和位移偏差等方面的预报能力进行检验评估。结果表明,各模式08:00(北京时,下同)预报优于20:00预报,ECMWF对中雨和大雨预报更优,SWC_WARMS的暴雨量级评分更高。各模式对中雨的预报范围普遍较实况偏大,随着降水量级增大,逐渐转为低估,其中SWC_WARMS更接近实况。对于降水强度,ECMWF和CMA_MESO的平均降水量和极值普遍较实况偏小,SWC_WARMS更接近实况。3种模式时间偏差不明显,仅个别起报时次有-6~3 h的时间偏差;ECMWF的位移偏差最小,纬向上ECMWF和SWC_WARMS以偏北为主,经向上ECMWF以偏西为主,CMA_MESO和SWC_WARMS以偏东为主。

融合多源数据的深度学习短时降水预测

针对传统降水预测方法的局限性,提出了一种融合多源数据的深度学习短时降水预测模型MSF-Net.在GPM历史降水数据的基础上融合了ERA5气象数据、雷达数据和DEM数据.利用气象特征提取模块学习多源数据的气象特征,通过注意力融合预测模块进行特征融合并实现短时降水预测.将MSF-Net的降水预测结果与多种人工智能方法进行对比,实验结果表明,MSF-Net模型的风险评分TS和偏差评分Bias最优,表明其可以在6 h的预测时效内提升数据驱动降水预测的效果.

基于自注意力和门控循环神经网络的雷达回波外推算法研究

为提升现有神经网络对雷达回波序列的时、空特征提取能力,建立外推性能更优的时、空序列预测模型,开展雷达回波外推算法改进研究。基于深圳市气象局与中国香港天文台共同建立的雷达回波数据集,在数据处理层面,通过改进对雷达回波图像序列归一化的方法,提升了常用的5种时、空序列预测模型对强回波的预测水平;在模型算法层面,将两个联立的自注意力结构引入ST-LSTM结构,组成新的循环门控单元,并将这些循环门控单元进行堆叠,建立ST-SARNN模型。选用CSI和POD作为精度评价指标,进行模型对比分析得到:(1)改进的归一化方法提升了近几年内常用的5种时、空序列预测模型对强回波的预测水平。(2)加入自注意力的ST-SARNN模型对雷达回波的预测性能显著优于ConvLSTM、PredRNN和MIM等模型。改进的归一化方法能改变样本数据分布,并在一定程度上提升模型外推性能;自注意力结构能够有效挖掘雷达回波序列的时、空特征,进而改进神经网络的外推表现。

基于睿图中尺度模式的沈阳市防晒指数精细化预报

利用睿图中尺度模式输出的格点气象要素和与辐射相关的物理量逐小时数据,结合沈阳总辐射观测实况资料,利用多元回归方法,建立防晒指数精细化预报模型。结果表明:(1)睿图东北模式输出产品中,气象因子和辐射因子对比,辐射因子与太阳总辐射的相关性更好。其中地表高度向下的短波辐射通量和地面热通量与太阳总辐射的相关性最显著。(2)以综合因子建模方式,建立分季节的太阳总辐射预报方程。方程诊断分析表明,春季和冬季预报模型拟合度最高,稳定性最强。全年预报方程模型拟合度较高,夏、秋两季拟合度略差。(3)预报检验结果显示:春季防晒指数等级预测正确的比例为83.7%,夏季为87.4%,秋季为88%,冬季为96.9%。预测结果较为理想,可在防晒指数预报业务中使用。

东北地区一次夏季强降雨过程多模式预报与空间检验

基于对象的诊断评估方法(MODE)是一种空间检验方法,以传统气象预报检验方法和MODE方法对东北地区2023年8月1—5日的欧洲中期天气预报中心全球模式(ECMWF模式)和中国气象局全球模式(CMA-GFS模式)24 h时效降水预报结论进行了详细评估,选取了较为典型的两个24 h降水时段分别进行检验。结果表明:CMA-GFS模式在晴雨预测上优于ECMWF模式,尤其是在中雨及以下量级中有较好的效果,而ECMWF模式在大雨及以上的预测中更胜一筹,空间检验的对象目标相似度也更高。但两个模式在24 h时效的降水强度的预测上均较小。

保定市“23·7”极端强降水过程预报服务复盘及思考

随着经济社会的发展,近年来暴雨造成的经济损失逐渐增加,政府决策、各行业(部门)防灾减灾联动,以及公众避险等方面的需求给气象部门的预报服务工作提出了更大挑战。能否成功提前、精准预报出暴雨等灾害性天气过程的演变并及时开展相关气象服务保障工作,直接关系到后续人民生命财产和经济社会发展所面临的灾害风险高低,也决定了后续防范应对工作的效益。

面向降雨预报的雷达回波预测序列外推方法

雷达回波外推方法广泛应用于降雨预报中。针对雷达回波中的预测精度不够高的问题,提出了一种基于循环神经网络的深度学习模型DIPredRNN。该模型通过引入空间和通道的双注意力机制,将长时间的时间信息和通道信息结合起来,提高了时间记忆的长期依赖;通过引入隐藏状态和输入的交互框架,保留了更多的特征,提高了时间记忆的短期依赖。该模型在HKO-7数据集和四川数据集上同经典模型以及诸多先进模型进行实验对比,该模型从外推图像、MSE、SSIM、CSI-30~50 dbz多个指标对比中都取得最佳效果。实验证明了DIPredRNN提高了雷达回波预测效果,拥有先进的性能。

安徽省2021年梅雨期降水预报检验分析

对安徽省2021年梅雨期(6月10日—7月10日)6个客观模式和1个主观订正预报产品进行了检验分析,其中包含了3个区域模式数值预报(中国气象局中尺度天气数值预报系统“CMA-MESO”、中国气象局上海数值预报模式系统“CMA-SH9”、安徽WRF,3个全球模式数值预报(中国气象局全球同化预报系统“CMA-GFS”、欧洲中期天气预报中心确定性预报模式“ECMWF”、美国国家环境预报中心全球预报系统“NCEP-GFS”)和安徽智能网格主观订正预报的降水产品,结果表明:传统检验中安徽智能网格和区域模式对晴雨准确率的预报效果优于全球模式,又以CMA-MESO最优;在暴雨及以上量级的强降水预报中,传统检验表明安徽智能网格预报的得分最高(23.83),ECMWF模式则是客观模式预报中效果最好的(20.12),CMA-SH9次之(19.34);通过对除安徽智能网格以外的各个客观数值模式进行的MODE空间检验可知,不同数值模式间暴雨预报误差原因不尽相同,ECMWF与各区域数值模式主要是由雨区位置的预报偏差,尤其是纬度偏差导致的,NCEP-GFS全球模式对降水强度和雨区面积的预报偏弱偏小比较明显,CMA-GFS在强降水方面的预报可参考性较差;各个主客观预报暴雨及以上量级预报,整体表现出较明显的日变化特征,在午夜前后、上午时段TS评分较高,而午后到傍晚评分较低,这个现象或许是梅雨期的午后降水多以地表太阳加热引起的短历时热对流降水为主造成的。

基于分层生成对抗网络的短临降水预报方法研究

本文使用深度学习方法中的生成对抗网络(GAN)来提升短临降水预报的准确率,提出了一个基于历史雷达回波图序列预测未来雷达回波图序列的分层生成对抗网络(HGAN)方法。HGAN方法由全局生成器和局部鉴别器两部分组成,全局生成器以多子网的层次结构构建,采用上采样过程训练模型,捕捉雷达回波的演变趋势,有利于生成清晰的未来雷达回波图。局部鉴别器根据局部区域将预测的雷达回波图与观测的雷达回波图区分开,并引入缓冲区机制,保存历史预测序列,使最终预测的结果更加符合时序性。两者以对抗的方式加以训练,得到的模型能够生成足够清晰且接近真实的未来雷达回波序列,对于回波强度极值和范围的刻画更为准确。对HGAN和GAN进行测试集检验及个例分析,分析结果验证了HGAN对雷达回波预测的有效性。同时在检验反射率阈值相同的情况下,HGAN的临界成功指数命中率高于GAN,而虚警率低于GAN,且在相同预测时长下,HGAN结构相似性指数(SSIM)优于GAN。

城市化对福建省气温和地温变化影响的比较研究

在快速城镇化背景下,我国城市热环境急剧恶化,研究城市化对温度变化的影响有助于深入认识我国气候变化特征。然而,以往相关研究多聚焦于气温或地温中的一项指标,尚不完全清楚城市化对二者影响的差异。本文利用福建省20个气象站逐日地表气温(简称气温)和0 m地温(简称地温)资料,采用趋势分析和UMR(Urban Minus Rural)等方法,旨在探讨1987—2017年福建省气温、地温变化中的城市化影响。结果表明:(1)福建省气温和地温变化具有很大时空异质性;就区域平均而言,年和各季节平均温度均呈增加趋势,但地温上升幅度普遍高于气温。(2)城市化对城市站日平均、最高和最低温度变化的影响存在很大差异;其中,对年平均地温变化的影响(0.18℃·(10 a)^(-1),P<0.01)明显高于对气温的影响(0.08℃·(10 a)^(-1),P<0.05),对各季节平均地温变化的影响也高于气温。(3)在基于所有台站计算的福建省年平均地温序列中检测出显著的城市化影响(0.06℃·(10 a)^(-1),P<0.05),且这种城市化影响偏差在春季和夏季地温序列中更加明显。综上,基于台站观测数据的福建省气温和地温变化速率差异与城市化对二者的增温效应差异密切相关;建议在未来相关研究中对此予以考虑和剔除,从而促进对区域气候和生态环境变化的认识。

基于多算法分级权重集成的渤海西岸降水预报技术研究

以渤海西岸为研究区域,基于2019—2021年6—9月实况降水资料和模式预报数据,研发了一种新的降水集成预报技术,采用分级权重分配将3种客观订正预报算法和6种集合统计量算法进行集成,得到多算法分级权重集成预报(Hierarchical-weight Consensus Forecasting,HCF),然后以2021年9月渤海西岸一次典型强降水过程为例进行了检验评估。结果表明:HCF预报(08时—次日08时)的所有降水量级的TS评分均高于欧洲中期天气预报中心(ECMWF)的模式预报;相较于ECMWF模式预报和其他客观预报,HCF在降水量级和落区预报方面均表现良好,08时—次日08时的大雨及以上量级的TS评分最高,其他降水量级检验评估指标也均在前三位;在个例检验中,HCF预报较ECMWF模式的所有降水量级的检验指标均更优秀,其中小雨预报的TS评分较ECMWF模式提升41.76%,大雨预报评分提升54.42%。

CFSv2对浙江省延伸期逐日降水预报性能评估及解释应用初探

利用CFSv2长序列回报资料和近6 a实时预报数据,系统分析了模式对浙江短中期(Short-medium Range,SMR,1~10 d)和延伸期(Extended Range,ER,11~30 d)逐日降水的预测性能,并基于系统误差订正(Systematic Bias Correction,SBC)技术开展了解释应用。结果表明:(1)模式回报技巧在SMR时段快速衰减,而在ER时段的衰减明显趋缓;SMR时段的相关系数远高于ER时段,但这两个时段的均方根误差较为接近;(2)从季节演变来看,模式技巧在秋冬季较高而在春夏季相对较低;(3)模式回报结果表现出显著的系统性偏差,这一偏差在各个起报日(提前1~30 d起报)中稳定存在,采用SBC技术开展解释应用,发现订正后模式的回报技巧在ER时段显著提升;(4)进一步将SBC技术应用于实时预报,发现实时预报的技巧也得到了一定的改善,且ER时段的改进效果更为显著。

卫星微波湿度计资料同化对雅鲁藏布江大峡谷暴雨模拟的影响

利用数值预报系统Weather Research Forecast Model(WRF)与三维变分同化系统Data Assimilation(WRF-DA),通过控制方案(Con)、NOAA-19方案(MHS)和FY-3C方案(MWHS-2),研究了FY-3C搭载的Micro-Wave Humidity Sounder 2(MWHS-2)和NOAA-19(National Oceanic and Atmospheric Administration-19)的Microwave Humidity Sound-er(MHS)微波湿度计资料同化了雅鲁藏布江大峡谷暴雨模拟预报的影响。结果表明:利用WRF-3DVAR(Three Dimensional Variation)同化MHS与MWHS-2微波辐射资料的模拟,改善了降水的落区位置,但MWHS-2试验降水落区更偏北;同化使得水汽场的落区明显改善,但相较于落区的改善,其对强降水量级的改善作用较小。同化增强了700 hPa南北风分量,加大了研究区域水汽的输送强度,有利于水汽聚集。同化也改善了温度场,如700~400 hPa层形成具有不稳定性的垂直温度场结构,有利于降水产生和发展。总之,MHS试验的模拟结果优于MWHS-2,主要体现在风场、温和湿度场。此外,MWHS-2试验的24 h预报均方根误差变化较稳定,说明该数据更有利于中后期的模拟。

基于前馈神经网络的多模式集成降水预报研究

为提高山东定量降水预报准确率,采用深度前馈神经网络(Deep Forword Neural Networks,DFNN)和降水分级最优TS(Threat Score)权重集成方法对多模式集成降水预报进行研究。对2019年4—9月欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasting,ECMWF)全球数值预报系统、中国气象局上海数值预报模式系统(China Meteorological Administration Shanghai 9 km,CMA-SH9)和中国气象局中尺度天气数值预报系统(China Meteorological Administration Meso⁃scale,CMA-MESO)逐24 h累积降水量预报进行有监督训练,得到4组DFNN(ES、EM、SM、ESM)深度学习模型,并利用多模式降水分级最优TS权重集成方法建立Mul-OTS(Multi-mode Optimal Threat Score)集成模型。用2020年4—9月各模式逐24 h累积降水量进行降尺度格点预报,对5种集成方案对比检验、个例分析应用。结果表明:不同起报时间、不同预报时效,5组集成方案均降低了平均相对误差,ESM方案最好,Mul-OTS方案最差;4组DFNN方案均提高了晴雨准确率,ESM方案最好,Mul-OTS方案低于模式预报;4组DFNN方案均提高了各降水等级TS、ETS评分,对弱降水的提高幅度大于强降水,Mul-OTS方案对小量级降水等级订正是负技巧,对大量级降水等级的订正效果较好,但仍不如ESM方案;个例分析发现降水强度和落区预报ESM方案均优于其他集成方案。因此业务上采用最优的ESM方案建立了定量降水格点预报系统,为智能网格预报提供重要支撑。

基于年际增量法的广西6月月降水量预测

利用广西87个气象站6月月平均降水量及NCEP/NCAR再分析资料,通过普查1960—2021年广西6月月降水量年际增量与前期500 hPa位势高度场的相关性,选取影响广西6月降水异常相关性较高的前期预测因子,研究其主要影响机制,并采用模糊神经网络与熵度量相结合的方法构建月降水年际增量的集合预报模型,对预测模型进行1960—2013年的拟合检验和2014—2021年的独立样本预报检验。结果发现,该模型的预测准确率较高,独立样本的回报年份同号率为87.5%,拟合平均绝对误差为26.64 mm,拟合平均相对误差为9.06%,预报效果优于利用逐步回归方法构建的预测模型,而且模型性能比较稳定,具有较好的业务应用前景。

一种基于迁移学习和长短期记忆神经网络的降水预报方法

为给智能网格强降水预报提供客观参考,提出了一种基于迁移学习和长短期记忆神经网络(LSTM)的降水预报方法。迁移学习是一种机器学习方法,可将源域学习到的知识迁移到目标域中以应用;LSTM是一种可以处理序列数据中的长期依赖关系的深度学习模型。基于2009—2022年广东省肇庆市6个国家气象观测站逐小时雨量、气温、气压、相对湿度、风向和风速的观测资料,以肇庆高要国家气象观测站作为目标域,其它5个国家气象观测站作为源域,利用迁移学习方法对目标域有缺失值的观测资料进行订正,使目标域形成完整的训练样本;然后,利用深度学习方法,对目标域分别建立单变量LSTM日雨量预报模型和多变量LSTM小时雨量预报模型;最后,对目标域2022年日雨量与小时雨量进行预报,与对应实况对比。结果表明:(1)单变量LSTM预报方法在1—2月、6月、10—12月的24 h晴雨预报准确率在80%以上,多变量LSTM预报方法在3月、6月、8月、12月的1 h晴雨预报准确率在80%以上。(2)单变量LSTM预报方法仅6月能预报出24 h雨量在50 mm以上的强降水,多变量LSTM预报方法在3月、5月、6—8月能预报出1 h雨量在20 mm以上的强降水,其中3月和6月的小时雨量预报TS评分高于25%。

2020年北上台风不同模式的预报误差分析

2020年台风“巴威”、“美莎克”和“海神”直接北上引发了辽宁地区大范围的强降水天气过程。针对业务数值预报模式在路径、强度和降水等方面预报存在一定偏差,利用多家数值模式台风预报资料,采用评分检验和空间检验方法对北上台风的模式预报结果进行检验评估,为以后的台风气象预报工作提供参考。结果表明:各模式对台风路径的可预报时效为72 h,随着台风逐渐北上,台风的路径预报误差偏大,台风的强度预报较稳定。在降水的MODE检验结果中,ECMWF全球模式的相似度更高,CMA_MESO_3KM区域模式对降水量级预报偏大,空报较多,但两者对台风降水都有着较好的可参考性,同时台风降水预报效果与台风路径和强度预报密切相关。

江淮地区一次特大暴雨过程预报偏差分析

利用加密自动气象观测站资料、ERA5再分析资料和欧洲中心ECMWF(European Centre for Medium-Range Weather Forecasts)模式、中国气象局CMA-MESO(China Meteorological Administration Mesoscale Model)模式产品,对2020年7月17—18日江淮地区一次特大暴雨过程的预报效果进行检验与分析,并对数值模式降水预报出现偏差的可能原因进行了讨论。结果表明:低涡切变和低层急流的共同影响,为强降水提供了充沛的水汽和有利的动力条件。高空干冷空气叠加在低层暖区之上形成的位势不稳定层结和垂直风切变为强降水的发生提供了不稳定条件。17日20时—19日08时CMA-MESO模式逐12 h暴雨、大暴雨以及暴雨以上量级降水的TS评分均优于ECMWF模式,但2种模式对18日08—20时暖区降水的预报结果均较差。CMA-MESO模式预报的降水区域和实况区域重叠面积的比例均显著高于ECMWF模式,预报形态也与实况更为接近。模式对冷空气强度预报偏弱造成了冷切辐合偏北,对中层湿舌的位置预报偏北,水汽强度预报偏弱,与强降水落区预报偏北相对应,可能是降水预报出现明显偏差的原因。

多尺度模式对海河流域地区副高系统影响性降水预报的性能评估

基于ECMWF(EC)、GRAPES-GFS(CMA-GFS)、GRAPES-3 km(CMA-3 km)、GRAPES-SH9(CMA-SH9)、GRAPES-BJ(CMA-BJ)、国家指导预报(NWGD)共6种主客观降水预报资料,自动站逐小时降水资料及国家气象信息中心提供的格点化降水融合产品,采用常规检验评分,并结合MODE(Method for Object-based Diagnostic Evaluation)和SAL(Structure Amplitude Location)方法对2020年海河流域地区4次副高系统影响性降水过程的预报结果进行精细化检验,对比分析这6种产品对降水的预报性能。结果表明:6种降水预报产品的TS评分在4次过程中表现出随降水量级增大而减小趋势,CMA-SH9、CMA-BJ和EC模式对于小雨预报表现最好,随着降水量级增大,中尺度模式的优势更加凸显。大尺度模式对于暴雨预报属于高空报,而CMA-3 km和CMA-BJ较其他模式更为稳定,其空报率和漏报率较低,在6个模式中位列较靠前。国家指导预报和降水实况的相关系数与其他5个模式相比均最高,且晴雨准确率排名第一,而CMA中尺度模式预报的标准差更小。利用MODE方法和SAL方法进行暴雨空间检验发现,CMA-3 km和EC模式可用于雨带形状预报,而对于结构、强度和位置的预报,可综合参考CMA中尺度模式。

利用深度学习预报美国东北部日降水分布

现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响,基于数值模式的降水预报还存在非常大的不确定性。近年来,深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布,探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC,0.25°)的能力,并比较3种主流网络框架(VGG,ResNet, GoogleNet)在该任务中的表现。结果表明,3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优),但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报,且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。