概率预报是由集合预报衍生、包含不确定性信息的客观产品,对业务决策服务有重要的参考价值。传统的邻域集合概率法中,邻域半径固定不变,不符合实际天气过程中牵涉甚广的尺度谱。为此引入基于集合匹配尺度的邻域集合概率法(Neighborhood ...概率预报是由集合预报衍生、包含不确定性信息的客观产品,对业务决策服务有重要的参考价值。传统的邻域集合概率法中,邻域半径固定不变,不符合实际天气过程中牵涉甚广的尺度谱。为此引入基于集合匹配尺度的邻域集合概率法(Neighborhood Ensemble Probability based on Ensemble Agreement Scale,EAS_NEP),并在中国南方典型的梅雨锋暴雨中开展准确性和预报技巧的定量检验评估,以期验证该方法在此类过程中的适用性,并促进其在实际业务中的推广使用。联合扰动初始场、侧边界和物理过程所得到的集合预报能较好地表征实际的预报不确定性,进一步在此基础上比较了格点概率法、不同半径的邻域集合概率法以及EAS_NEP的优劣。试验结果表明,EAS_NEP能根据集合成员间的一致性程度,自适应地调整邻域半径,其在集中型降水中所确定的邻域半径通常大于分散型降水。动态调整的邻域半径既避免了半径过大时的过度平滑与关键信息丢失,又消除了半径较小所带来的奇异点,其空间分布呈阶梯型,空间连续性更优。此外,BS(布莱尔评分)、FSS(分数技巧评分)和ROC曲线(相对作用特征曲线)等定量评估结果也体现出EAS_NEP相比传统方法正的预报技巧,尤其是在分散型降水和高阈值检验时优势更明显。以上结果表明,EAS_NEP在梅雨锋暴雨的预报中具有较好的应用前景,运用在业务中能有效提升概率预报质量。展开更多
2020年超长梅雨期内的持续强降雨,导致安徽省发生全域性洪涝灾害,为了快速、准确地提取洪涝淹没范围,为防汛救灾提供科学支撑,选取安徽境内巢湖流域和淮河流域的灾前和灾中Sentinel-1A数据,首先,在快速预处理基础上,采用双极化水体指数(...2020年超长梅雨期内的持续强降雨,导致安徽省发生全域性洪涝灾害,为了快速、准确地提取洪涝淹没范围,为防汛救灾提供科学支撑,选取安徽境内巢湖流域和淮河流域的灾前和灾中Sentinel-1A数据,首先,在快速预处理基础上,采用双极化水体指数(Sentinel-1A dual-polarized water index,SDWI)法,并结合地形因子对平原和山区分别提取水体信息,建立一套洪水淹没区监测流程;然后通过该流程利用灾前、灾中两期合成孔径雷达数据提取2020年7月27日巢湖流域、淮河流域行蓄洪区洪水淹没范围。结果显示:SDWI比直接用后向散射系数提取水体具有优势;7月27日巢湖流域洪水淹没区面积为524.8 km^(2),其中受洪灾较重的是白石天河子流域,西河子流域次之;淮河流域安徽境内行蓄洪区,沿淮的4个地市淹没面积从大到小依次为淮南市、阜阳市、六安市、蚌埠市。研究表明,基于Sentinel-1A数据,采用SDWI和地形因子建立的洪水淹没区监测流程对平原和山区都具有较好的准确性、适用性,且具有较高的时效性,便于及时开展洪水灾害监测。展开更多
文摘概率预报是由集合预报衍生、包含不确定性信息的客观产品,对业务决策服务有重要的参考价值。传统的邻域集合概率法中,邻域半径固定不变,不符合实际天气过程中牵涉甚广的尺度谱。为此引入基于集合匹配尺度的邻域集合概率法(Neighborhood Ensemble Probability based on Ensemble Agreement Scale,EAS_NEP),并在中国南方典型的梅雨锋暴雨中开展准确性和预报技巧的定量检验评估,以期验证该方法在此类过程中的适用性,并促进其在实际业务中的推广使用。联合扰动初始场、侧边界和物理过程所得到的集合预报能较好地表征实际的预报不确定性,进一步在此基础上比较了格点概率法、不同半径的邻域集合概率法以及EAS_NEP的优劣。试验结果表明,EAS_NEP能根据集合成员间的一致性程度,自适应地调整邻域半径,其在集中型降水中所确定的邻域半径通常大于分散型降水。动态调整的邻域半径既避免了半径过大时的过度平滑与关键信息丢失,又消除了半径较小所带来的奇异点,其空间分布呈阶梯型,空间连续性更优。此外,BS(布莱尔评分)、FSS(分数技巧评分)和ROC曲线(相对作用特征曲线)等定量评估结果也体现出EAS_NEP相比传统方法正的预报技巧,尤其是在分散型降水和高阈值检验时优势更明显。以上结果表明,EAS_NEP在梅雨锋暴雨的预报中具有较好的应用前景,运用在业务中能有效提升概率预报质量。
文摘2020年超长梅雨期内的持续强降雨,导致安徽省发生全域性洪涝灾害,为了快速、准确地提取洪涝淹没范围,为防汛救灾提供科学支撑,选取安徽境内巢湖流域和淮河流域的灾前和灾中Sentinel-1A数据,首先,在快速预处理基础上,采用双极化水体指数(Sentinel-1A dual-polarized water index,SDWI)法,并结合地形因子对平原和山区分别提取水体信息,建立一套洪水淹没区监测流程;然后通过该流程利用灾前、灾中两期合成孔径雷达数据提取2020年7月27日巢湖流域、淮河流域行蓄洪区洪水淹没范围。结果显示:SDWI比直接用后向散射系数提取水体具有优势;7月27日巢湖流域洪水淹没区面积为524.8 km^(2),其中受洪灾较重的是白石天河子流域,西河子流域次之;淮河流域安徽境内行蓄洪区,沿淮的4个地市淹没面积从大到小依次为淮南市、阜阳市、六安市、蚌埠市。研究表明,基于Sentinel-1A数据,采用SDWI和地形因子建立的洪水淹没区监测流程对平原和山区都具有较好的准确性、适用性,且具有较高的时效性,便于及时开展洪水灾害监测。