基于降水空间分布相似的最优集成降水预报及其检验

利用预报业务上常用的ECMWF (European Centre for Medium-Range Weather Forecasts)全球模式和华东区域模式(WARMS 2.0)的降水预报,建立了基于空间分布相似的降水集成方法,主要分为3个步骤:(1)实时降水预报场空间尺度分离;(2)检索历史相似预报个例;(3)确定最优集成系数。在第(1)步尺度分离中采用高斯低通滤波方法,将降水场分解成连续性和分散性降水场;第(2)步相似个例检验利用了图像相似技术,根据连续性和分散性降水场综合寻找历史同期相似个例;在第(3)步集成系数确定中根据历史相似个例确定最优集成系数,并应用于最新实时预报中。通过结合图像识别、权重优化、建立历史样本数据库等方法,针对2018—2019年汛期(6—8月)检验结果表明:多模式集成产品的晴雨预报准确率相较于单模式而言有明显提高,且随时间变化表现较为稳定。在暴雨以上量级降水预报方面,集成产品的汛期整体TS评分高于单模式,Bias评分更接近1.0。通过CRA空间检验分析发现,集成产品既能一定程度上弥补全球模式在预报中尺度降水过程时强度偏弱的劣势,又纠正了区域模式在降水落区位置预报方面的偏差,进而实现了暴雨TS评分的提高。

融合对比度与背景先验的显著目标检测算法

针对已有的显著检测算法对背景复杂的图像检测效果较差的问题,提出融合对比度与背景先验的显著目标检测算法.首先将图像划分为感知均匀的像素块,再根据对比度先验定义图像的显著边缘、像素块的全局对比度及颜色相似像素块的空间分布,得到任一像素块与前景的相关性;然后根据背景先验将图像边界像素块定义为伪背景区域,通过计算像素块与伪背景区域的相似度得到像素块与背景的相关性;最后通过能量优化函数结合像素块与前景、背景的相关性,得到该像素块的显著值.实验结果表明,与同类算法相比,该算法能更好地使显著目标整体高亮,抑制背景噪声,得到较符合视觉感知的显著图.