垂直探测雷达对北京地区夏季降水分类统计

基于风廓线雷达谱参数(回波强度、速度和谱宽)提出降水云分类方案,将降水分为浅对流、浅层状云、深对流、深层状云和混合型五种类型,其中浅对流和浅层状云降水属于暖雨范畴而深对流、深层状云和混合型降水属于冷雨范畴。并且利用此分类方案对2012年和2013年夏季(5-10月)北京延庆地区降水天气类型进行了分类统计。结果表明,暖雨是北京夏季降水的一个重要组成部分,占26%,其降水比例为17%;冷雨过程占74%,降水比例为83%。北京夏季以混合型降水为主占47%,其次是层状云占43%,对流性降水最少,占10%;对流性系统造成的降水最显著,其次是混合型降水,层状云对降水的贡献最小。对各种降水类型的特征归纳得到:浅层状云降水的谱参数随高度变化均不明显,总体比较平滑;浅对流性降水变化比浅层状云降水强烈,在3 km处增大明显,且降水出现次数随高度下降迅速增多;深对流性降水谱参数分布广泛,特别是谱宽,比其他类型都宽且高空存在宽谱区;深层状云降水回波呈现出统一的亮带分布,速度和谱宽在零度层附近出现强梯度区;混合型降水兼顾对流性和层状云降水特征,其回波分布跟深对流性降水类似,速度和谱宽分布跟深层状云降水分布类似。

基于ECOC平衡随机森林的雷达降水粒子分类

针对数据不平衡情况下的降水粒子分类问题,提出了一种基于纠错输出码(error correcting output code,ECOC)平衡随机森林的双偏振气象雷达降水粒子分类方法。首先,将多类别降水粒子数据集编码为多个二分类数据集;然后,对二分类数据集进行有放回的平衡重采样,构建多棵分类回归树;最后,利用所有的分类回归树联合进行降水粒子分类。对实测数据的处理结果表明,所提方法能够在保证总体准确率较高的情况下,大幅提高少数类的分类效果。

山地雷达估算降水的反射率因子订正方法研究

我国很多新一代多普勒天气雷达位于地形复杂的山区,低仰角地形遮挡问题突出,遮挡区雷达估算降水时需要采用更高仰角的观测数据,而由于降水粒子下落过程中的微物理变化和水平运动,同一地点高处的反射率因子常与近地表处有很大的差异,直接用于估算地表降水会增大估算误差。本文提出一种反射率因子垂直订正方法,首先建立无遮挡观测区不同降水类型的雷达反射率因子垂直廓线(VPR),然后依据廓线的垂直变化特征,确定待订正的高度阈值和近地表目标高度,并将待订正高度以上的观测值订正到目标高度处。对比检验结果表明:经过订正后的目标反射率因子数据与实际观测数据值差异减少,一致性提高;而且,考虑遮挡因素使VPR低处的数据更准确;由于不同降水类型VPR差别明显,区分降水类型能避免误订正。本订正方法不仅适用于波束遮挡区,也普遍适用于远距离处波束较高时观测数据的订正。

卷积神经网络联合SVM的降水粒子分类

针对传统模糊逻辑降水粒子识别算法存在过度依赖专家经验来设置参数的缺陷,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和支持向量机(Support Vector Machine,SVM)联合结构的降水粒子分类方法。本文首先搭建了适用于双偏振雷达数据矩阵传播结构的4种卷积神经网络模型,通过对KOHX雷达各极化参数进行分块和堆叠操作,制作模型所需数据集并训练模型。然后根据各CNN模型对目标块的分类特点,结合SVM分类器,搭建能够识别5类目标粒子的联合结构。最后,对KOHX雷达0.5°仰角扫描数据进行测试,得到该联合结构模型的分类准确率达94.92%。并且对于不同仰角、不同雷达的扫描数据均能进行有效分类,表现出较好的鲁棒性。

垂直探测雷达的降水云分类方法在北京地区的应用

风廓线雷达采用相干累积技术提高雷达探测灵敏度,用于对降水云体进行垂直探测,能获取高分辨率的云体返回信号的全谱信息。利用多年降水天气统计资料,针对北京延庆地区降水特征,提出了基于风廓线雷达谱参数(回波强度、速度和谱宽)的降水云分类方案。该方案将降水资料分为浅对流、浅层状云、深对流、深层状云、混合—排除和混合—包含等六种降水类型。根据该方案,利用风廓线雷达结合双偏振雷达和自动雨量站观测资料,对2012年9月1日和2013年6月27日发生在延庆地区的两次降水天气过程进行了分析。结果表明,风廓线雷达谱参数垂直廓线可以较好的描述降水云体的垂直结构,回波强度廓线发展趋势与地面降水量趋势吻合较好。当降水存在对流时,地面降水量出现明显增大,同时伴随着大速度值区和高空大谱宽值区。利用基于风廓线雷达的分类方案识别降水云,可以降低降水类型误判的几率。

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散化标准制作训练数据集合;然后使用训练数据集合对贝叶斯网络进行结构学习学得贝叶斯网络结构,以及参数学习学得与贝叶斯网络结构匹配的条件概率表;最后加入附加信息计算出每种降水粒子类先验概率,与贝叶斯网络结构和条件概率表共同组成贝叶斯网络分类器.训练好的贝叶斯网络分类器根据最大后验概率准则完成对测试数据的降水粒子分类,与模糊逻辑算法对比评价结果.实验证明:该方法能有效区分不同的降水粒子得到准确的降水粒子分类结果.

一种基于模糊神经网络–模糊C均值聚类的双偏振气象雷达降水粒子分类方法

对于地杂波存在情况下的降水粒子分类问题,传统方法在不同的天气及环境条件下会产生较大分类误差。该文提出一种基于模糊神经网络(FNN)-模糊C均值聚类(FCM)算法的双偏振气象雷达降水粒子分类方法。该方法首先利用双偏振气象雷达在晴空模式下接收的地杂波数据训练FNN,自适应地计算地杂波各偏振参量隶属函数的参数,然后利用训练得到的地杂波隶属函数对降水模式下的地杂波进行抑制,最后采用模糊C均值聚类算法对地杂波抑制后的回波进行降水粒子分类。对实测数据的处理结果表明,该方法能够有效地抑制地杂波并获得较为精细的降水粒子分类结果。

MC-DTSVMs的双偏振气象雷达降水粒子分类方法

为解决双偏振气象雷达偏振参量数据随机缺失情况下的降水粒子分类问题,提出一种矩阵填充-决策树支持向量机多分类器的双偏振气象雷达降水粒子联合分类方法。首先,根据矩阵填充算法对存在随机缺失的偏振参量数据进行重构;然后,利用训练数据对决策树支持向量机多分类器进行学习;最后,使用学习好的决策树支持向量机多分类器实现对重构数据的降水粒子分类。通过对实测数据的处理及结果分析,证明了该方法能够有效地解决偏振参量数据随机缺失情况下的降水粒子分类问题。

基于二维统计分析的降水粒子分类方法

为解决双偏振气象雷达模糊逻辑方法如何确定隶属函数参数提高准确率的问题,本文使用二维统计分析的方法确定钟型隶属函数的参数,实现基于模糊逻辑双偏振气象雷达降水粒子分类方法。首先使用二维统计得到频次图,通过对频次图分析以及对隶属函数临界值的分析确定钟型隶属函数参数,然后根据极化参数的贡献程度以及准确率确定不同降水粒子各极化参数的权重系数。最后使用调节参数后的模糊逻辑方法对一次雷达数据进行降水粒子分类。通过对实测数据的结果分析证明了该方法的有效性。

基于欧洲中心细网格预报资料和观测资料的浙江省春夏降水性质分类指标

利用浙江省2004～2013年3～8月Micaps(气象信息综合分析处理系统)地面填图数据和T–logP数据研究杭州、衢州和台州三市的阵雨和雷雨个例,同时选取能表征雷雨并能区分阵雨与雷雨的气象预报因子:对流有效位能、850 hPa与500 hPa的温差、K指数、地面2 m温度,用临近探空的分析方法和决策树的分类方法初步建立了一个适用于浙江省春夏季降水性质分类指标。利用欧洲中心(ECMWF)细网格预报资料,对历史样本和2016年春、夏季分别作了检验。结果表明:除去有降水预报误差个例后,指标TS(Threat Score)评分超过0.53,雷雨阵雨综合命中率达到71%,空报率阵雨(10%)小于雷雨(43%),在不同地区和季节稍有区别;同时对浙江省2016年春夏两次典型大范围阵雨雷雨过程进行预报,效果很好。此方法不仅可以依据预报数据在短期内做出精细化降水性质分类预报,在中长期预报上也有表现力。

基于增量贝叶斯的双偏振气象雷达降水粒子分类方法

面对降水粒子分类过程中可能存在的样本数不足,样本质量不高的问题,提出一种基于增量贝叶斯的双偏振气象雷达降水粒子分类方法。该方法首先处理有标签的训练数据集,获取属性节点和类节点之间的条件概率表构建朴素贝叶斯分类器;接着使用朴素贝叶斯分类器分类无标签数据,判断类置信度值后将符合条件的数据追加到训练数据集中,最后修正朴素贝叶斯分类器完成增量学习,得到增量贝叶斯分类器实现降水粒子分类。增量贝叶斯分类器不仅能够增加有效的数据样本,还能够及时更新分类器从而提高其泛化性和适应性,分类结果的准确性也得到了一定的改善。

基于修正小波变换插值-TAN的雷达降水粒子分类

对于双偏振天气雷达在获取数据分辨率较低情况下的降水粒子分类问题,提出一种双偏振体制天气雷达下基于修正小波变换插值树扩展朴素贝叶斯(tree augmented naive Bayesian,TAN)的降水粒子分类方法。首先,需要在原雷达偏振参量数据分辨率比较低的情况下进行修正小波变换插值处理,以获得较高分辨率的雷达偏振参量数据。然后,基于互信息理论利用离散化的高分辨率偏振参量数据进行TAN网络结构和参数训练,得到可用于降水粒子分类的TAN网络。最后,将高分辨率的雷达偏振参量数据带入到最终获得的TAN网络中以实现降水粒子分类。对实测数据的处理结果表明,对于低分辨率雷达偏振参量数据,所提方法可以取得较好的降水粒子分类结果。

基于DTSVMs-BNT协同训练的双偏振气象雷达降水粒子分类方法

本文提出了一种基于决策树支持向量机-贝叶斯网络协同训练的双偏振气象雷达降水粒子分类方法。该方法首先使用有标签的数据初步训练得到贝叶斯网络和决策树支持向量机两种分类器。然后取出部分无标签的数据,通过两个分类器得到类别的预测结果,计算该部分预测结果的置信度,将预测结果满足阈值的无标签数据放入到有标签数据集中。使用更新后的有标签数据集重新训练两个分类器。重复该过程直到所有无标签训练数据都被放入到有标签数据集中,这时完成训练得到协同训练分类器,最后使用协同训练分类器对测试数据集进行降水粒子分类。实验表明,该方法使用一部分有标签数据结合一部分无标签数据,有效地提高了分类器性能,实现了降水粒子的准确分类。

藏东南墨脱地区季风期降水的垂直结构特征

以2021年6—9月(季风期)藏东南水汽输送通道入口关键区墨脱布设的微雨雷达、降水现象仪和雨量计的观测数据为基础,对比不同仪器测量结果的一致性。将降水划分为对流云降水、层状云降水、浅层云降水3种类型,研究不同类型降水的雨滴谱分布、下落速度、降水率、液态水含量和雷达反射率因子的平均垂直分布特征。结果表明:微雨雷达、降水现象仪和雨量计测量结果一致性较好,微雨雷达和雨量计日降水量相关系数最高达到0.96,各相关系数的显著性水平较高;对流云降水的各微物理量特征值较大,雨滴在下落过程中碰并增长过程显著,雨滴数浓度迅速增加,在1~2 km高度处存在明显的上升气流;层状云降水回波强度较弱,反射率因子、降水率和液态水含量随高度降低有所增加,雨滴下落速度在垂直方向基本保持均匀,中等大小的雨滴浓度随高度不变,蒸发、破碎和碰并过程处于相对平衡状态;浅层云降水各微物理量较小,但随高度变化明显,垂直方向上为明显的负梯度变化,以雨滴的碰并过程为主。

基于改进FNN的降水粒子分类方法

针对模糊神经网络(Fuzzy Neural Network,FNN)降水粒子分类方法在训练过程中隶属度函数初值不易确定的问题,本文提出了一种改进的模糊神经网络降水粒子分类方法。首先利用K-means++算法对没有标签区域里的双偏振气象雷达数据进行聚类,将聚类结果和另一区域中双偏振气象雷达获取的少量带标签数据进行相关性分析来得到带标签数据,接着对带标签数据进行统计分析来得到模糊神经网络隶属度函数参数初值,将统计好的参数代入模糊神经网络中并对网络进行离线训练,最后使用依据数据自适应调节好的模糊神经网络分类器实现降水粒子的分类。通过对实测数据实验结果表明,该方法能够得到较为合理的降水粒子分类结果。

基于微雨雷达的降水参数反演和粒子相态识别

本文基于微雨雷达原始的后向散射信号,采用一种新的功率谱处理算法(RaProM算法),在功率谱计算、噪声去除、退模糊等处理的基础上计算了雷达基本参量,并反演了液态降水参数,例如雷达反射率因子、雨强等,并对粒子相态进行识别。RaProM算法综合考虑粒子下落速度、等效雷达反射率因子、不同相态粒子的尺度特征以及是零度层亮带位置等信息,可识别的粒子相态包括雪、毛毛雨、雨、冰雹以及混合相态。选取了三个山东地区较为典型的个例对RaProM反演算法进行验证,即2021年7月2日典型层状云降水个例、2019年12月25日雨雪转换个例以及2018年3月4日零度层高度逐渐降低的降水个例。结果显示:粒子识别方法应用于典型层状云降水,垂直方向上不同相态粒子的分层较为明显,过冷层里的固态降水雪花、零度层附近冰水转换区的混合相态降水以及零度层以下的液态降水符合现有认识,验证了反演算法以及粒子识别算法的有效性。将结果进一步在雨雪转换降水相态识别中和零度层高度的检测,该反演算法均能得到较好应用,与同址同步观测的微波辐射计、云雷达、二维视频雨滴谱仪等观测结论一致。另外,与微雨雷达标准反演算法对比,RaProM算法的优势是没有粒子相态的原始假设,且考虑降水粒子向上的速度,反演结果与微波辐射计、云雷达在垂直结构上有较高的一致性。与地面激光雨滴谱仪观测数据对比显示,也有效提升了微雨雷达对雨滴谱和雨强的反演能力。

基于模糊Hopfield神经网络的大气降水粒子分类

提出基于模糊Hopfield神经网络的大气降水粒子分类,它是通过计算样本间的模糊关系的相似程度,再加上Hopfield网络所特有的高稳定性,对大气降水粒子进行分类。通过对各降水粒子所对应雷达回波数据的分析,验证了方法的可行性。

基于风廓线雷达的降水云分类方法在海南地区的应用

将风廓线雷达用于热带降水云体进行垂直探测,可以实时对热带地区降水云体进行较准确分类.通过对海口地区降水云系特征(2017年1月~12月)进行统计分析,提出一套基于风廓线雷达探测数据(回波强度、垂直速度和速度谱宽)的热带降水云体分类方法.以该方法为基础,结合天气雷达等观测资料,对2017年发生在海口地区的两次降水过程展开详细分析.结果表明风廓线雷达具备较好体现降水云体垂直结构的能力,相比于天气雷达,风廓线雷达探测数据可以更精细地描述降水云系的变化趋势;相比于传统降水分类方案,采用以风廓线雷达探测数据为基础的分类方案可以提高对复杂降水类型识别的正确率;风廓线雷达可以更好地描述快速过境的高空微弱对流系统.

内蒙古春季降水的气候特征及预测思路

采用1961—2016年春季(3—5月)内蒙古逐月降水资料,应用统计相关分析、REOF,对比分析等方法分析研究了内蒙古地区春季降水类型的气候特征以及海洋和大气环流特征。可以发现,内蒙古春季降水具有明显的地域性特征,分为4个类型:全区偏少型,全区偏多型,中西部偏多、东部偏少型,东部偏多、中西部偏少型。研究结果说明,春季降水的大气环流形势受ENSO事件影响。AO的正、负位相对内蒙古不同地区造成不同影响,正位相时有利于中西部降水偏多,负位相时有利于东部偏多。西伯利亚高压偏强,东亚大槽偏弱、偏西,冬季青藏高原积雪偏多,西太平洋副热带高压偏强、偏西,降水落区处在低压槽后,冷空气较为活跃,配合暖湿水汽输送条件,冷暖气流在内蒙古地区交汇便形成多雨区;反之亦然。研究结果对预报员预测思路具有预测指导意义。

基于支持向量机和FY静止卫星云参数的降水预测技术

将支持向量机分类方法应用于降水与非降水的分类预测。选用FY静止卫星反演的云光学厚度、云顶温度、云顶高度、云有效粒子半径作为特征分量,以Micaps 1 h雨量资料作为是否降水的类别标签,建立预测降水与非降水的分类模型,针对安徽地区2008年5-11月资料进行分析。结果显示,降水类的预测准确率在40%～60%,非降水类的预测准确率在90%以上。在分类模型中多加入微波辐射计观测的液水路径特征分量后,所得预测结果对降水类的预测准确率有所提高。通过完善和改进分类模型,预测分类的准确率有望进一步提高,该方法对降水预测有很好的业务应用前景。