江淮地区强降水分型及其环流演变

使用新建的强降水历史个例数据集、1981—2016年我国逐日降水量观测资料、2016年T639与ECMWF模式1～10 d的逐日降水量预报,采用经验正交函数展开(EOF)提炼出江淮地区强降水的典型模态,并运用场相似法对江淮地区强降水进行客观分型,分析强降水的环流演变;定量诊断型环流相似所得与实测环流和降水的对应关系。结果表明:江淮地区强降水可分为Q_Ⅰ,Q_Ⅱ和Q_Ⅲ3种类型,其中,Q_Ⅰ型降水中心位于江淮中部,Q_Ⅱ型表现为降水北多南少,Q_Ⅲ型表现为降水中间少南北多的分布。强降水对应的前期至当日,各型降水对应在亚洲的中高纬度地区均有显著的环流异常,且环流演变存在明显不同;但各类型降水对应的系统移动速度缓慢,且到强降水发生日江淮地区处于西太平洋副热带高压西北侧低值系统的控制,有利于该地区强降水的发生。按环流相似依不同时效得到的强降水发生日环流与实际环流存在很好的相关。独立试验中,该文方法对25mm降水的TS评分在各时效均高于模式预报,50mm降水的TS评分在3d以上时效的评分也均高于模式预报。

基于迁移CNN的江淮持续性强降水环流分型

利用新建的1981—2018年区域持续性强降水个例集、1981—2018年中国逐日降水量及NCEP/NCAR全球再分析资料,运用江淮地区持续性强降水典型模态个例样本及残差神经网络(CNN),通过迁移学习分步训练建立针对江淮强降水的环流客观分型模型;并运用该模型对1981—2015年全国持续性强降水个例的环流进行客观分型,比较其与相似量(R)分型、余弦相似系数(COS)分型的效果,且对2016—2018年逐日环流进行客观识别与分型。结果表明:迁移CNN在拟合准确率达到100%后,测试集损失函数很快稳定,准确率较高,比R分型、COS分型效果好。在强降水客观分型中,迁移CNN所得各型与典型模态降水之间的相关系数远高于R分型、COS分型,其中不一致型个例分析表明迁移CNN所得各型与典型模态降水间的相关系数明显高于R分型、COS分型。在独立样本分型中,迁移CNN所得各型与典型模态降水的相关系数也均高于R分型、COS分型,且对非持续性强降水环流分型也存在一定的识别能力。