新型自动站天气现象视频智能观测仪远程补水系统的研究与设计

【目的】2020年4月1日起,随着中国气象局的布局,我国正式迈入地面气象观测全面自动化时代,各种自动化观测设备陆续推广应用,WP1A型天气现象视频智能观测仪就是其中的一种。目前,全国气象部门安装有天气现象视频智能观测仪设备的台站,均需人工定时对该设备中的结冰容器加补水,使得无法彻底解放人力、无法实现高度自动化。【方法】基于工作实际,综合考虑系统设备的安全性、可靠性、稳定性和可操作性,提出解决天气现象视频智能观测仪远程补水的设计方案。【结果】通过对现有仪器设备的局部改造,结合现代电子学,信息与通信技术,并整合电源线路、4G通讯模块、芯片控制模块等物联网技术,解决结冰容器的现有加水方式无法实现自动化的技术问题,实现远程补水加水的控制。【结论】该远程补水系统能达到预期的目的。

天气现象仪降水观测分析

针对2018年四川出现的21次降水天气过程,利用四川盆地及川西高原13个地区35台降水天气现象仪滴谱数据,分析了天气现象仪降水观测.结果表明:基于天气现象仪滴谱数据计算获取大暴雨、暴雨降水量,与自动气象站测值相关系数在0.8以上,相关度较高,通过了置信度为99%的显著性检验,大暴雨、暴雨天气现象的观测是可行的,但81.8%过程降水量的绝对偏差和相对偏差都较大.计算获取小雨到大雨降水量,与自动气象站测值相关系数在0.95以上,绝对偏差也较小,表现出降水时间点、降水强度时间点、日最大降水强度、过程持续时间以及变化趋势的观测十分吻合,大雨到小雨天气现象的观测是可靠的,但过程降水量相对偏差依然较大.同时,低温降水过程(温度<2℃),一些站过程降水量相对偏差出现异常,经数据质量控制,仍然存在大粒径、小粒速的粒子,很难从正常雨滴中分离出来,此类降水过程伴有降雪的可能性较大,因此,通过天气现象仪滴谱数据计算获取的此类型降水量或等效降水量不可信.

降水类天气现象自动与人工观测质量对比分析

选取2017年8月-2018年7月广西DSG1、DSG4和DSG5型降水类天气现象仪自动观测数据与人工观测数据,通过对比分析,研究降水类天气现象仪自动观测与人工观测数据质量的情况。结果表明,广西91个国家站点数据完整性好,设备年平均缺测率小于2%,DSG5型设备数据完整性最高(缺测率0.01%)。DSG1、DSG4和DSG5型设备对降雨的捕获率较高,均超过80%,DSG5型设备捕获率最高(90.18%),且吻合率较好(大于50%),错报率较低。三类设备对雪、雨夹雪、冰雹的识别均较困难,将雨误判为雪、雨夹雪和冰雹的分钟数较多;其中DSG1型设备容易误判为冰雹,DSG5型设备容易误判为雪。三类设备在雪、雨夹雪、冰雹等微降水和混合类降水方面进行更好的智能识别和质控算法优化,将会提高其业务应用效能。

DSG5型降水天气现象仪观测数据分析与应用

目前DSG5型降水天气现象仪已在国内台站大量列装,观测记录了许多宝贵的资料。本文通过一次降水天气过程,分析了DSG5型降水天气现象仪的数据结构、内容及其在业务中的应用。发现:DSG5型降水天气现象仪记录的降水天气现象与人工观测基本一致,但记录的降水开始时间比实际滞后,结束时间比实际提前,一些微弱降水没有记录;利用观测的雨滴谱数据可以揭示降水过程的细微结构和演变特征,加深对降水过程的认识,为处理地面观测中出现的降水量与天气现象矛盾等问题提供观测依据;本次降水过程中雨滴数和雨滴尺度谱存在明显的时间变化。较多的是直径0.3mm左右的小雨滴,但对降水强度影响比较大的是直径大于1mm的雨滴,且伴随着大于1mm雨滴增加,雨滴尺度谱加宽,地面降水显著增强。

HY-WP1型天气现象智能观测仪的安装、应用及维护

本文简述了HY-WP1型天气现象智能观测仪的系统结构、安装、应用及日常维护方法,并对实际运行中可能出现的故障提出合理的处理建议,供气象台站技术人员参考。

天气现象视频智能观测仪原理及技术要求分析

天气现象视频智能观测仪是一种依托计算机视觉技术和深度学习技术,对视频采集器拍摄的天气现象实现自动观测识别的仪器设备。目前,该仪器在我国大部分地区尚处于试运行阶段。分析天气现象视频智能观测仪的原理及技术要求,供同行参考。

HY-WP1A天气现象视频智能观测仪的业务运行和日常维护

天气现象视频智能观测仪投入业务试运行以来,较好地解决了云、地面凝结现象、雪等天气现象(气象要素)的自动化观测。但是该仪器的结构复杂、参数设置较多、维护要求较高,需要业务人员具有较强的理论知识和动手能力。该文从仪器结构、工作原理、安装要求、业务运行等方面对该仪器进行了介绍,让业务人员更加了解天气现象视频智能观测仪的使用,为排查相关故障提供技术支撑。

基于人工智能技术的天气现象视频监测系统

为获得更加清晰的天气现象视频,实现对极端天气的精准监控,设计基于人工智能技术的天气现象视频监测系统。按需配置监测主机,并将视频显示模块、信息处理模块接入既定模块单元之中。利用人工智能技术,优化已被占用的Ceph集群,通过分析天气信息需求的方式,确定完整的视频处理流程,完成监测系统的软件执行环境搭建,结合相关硬件设备结构,实现基于人工智能技术的天气现象视频监测系统的设计与应用。对比实验结果表明,与基于深度学习网络的预报系统相比,在人工智能技术作用下,天气现象视频的平均清晰度水平超过了5.0 pi,对监控极端天气提供技术支持。