赴马耳他执行援外气象工作总结

经中国气象局与马耳他国际航空公司气象服务中心协商，并经中国气象局批准，上海市气象局中心气象台王慧同志，于2007年4月中旬至2008年4月中旬赴马耳他从事为期一年的天气预报工作。

不同站网密度对热带气旋降水气候统计特征分析的影响

使用中国1416个常规地面观测站，分析了1981-2010年间采用不同空间站网密度的全国（不包括台湾、香港、澳门）、分地区（华东和华南为例）、分省（广东、海南及江西为例）的热带气旋降水气候特征差异。结果表明，对于全国而言，不同疏密测站组的累积降水、过程降水年平均值、日降水平均值及其空间分布基本一致，降水极值及其空间分布结果略有不同，对全国TC降水的气候统计特征分析不会有影响；分区域和分省的不同疏密测站组的日降水平均值没有明显差异，而对于日降水极值和暴雨频次，统计结果有不同，且使用稀疏测站方案得到的TC降水极值会比未稀疏化的测站方案得到的结果略小，对分区气候统计特征分析有影响；就影响程度而言，受TC影响较大的海南省的各方案差异明显于广东、江西，华南（含广东、广西、海南）明显于华东（含山东、江苏、浙江、上海、福建、安徽、江西）。同时，采用稀疏间距为40—50km（接近或为全国测站的平均间距）作为空间稀疏方案时，气候统计特征开始出现明显变化。另外，不同空间站网密度对TC过程及日降水面雨量均值的影响同样从稀疏间距为40～50km处开始发生变化，而当稀疏间距达到100km或200km时，结果已截然不同。

基于机器学习的PM2.5短期浓度动态预报模型

针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题,从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报(WRF-Chem)浓度和5个主要气象因子的模式预报数据资料,联合应用支持向量机(SVM)和粒子群优化(PSO)算法建立滚动预报模型,对PM2.5未来24小时浓度进行预报,同时对未来一天的昼、夜均值及日均值浓度进行预报,并与径向基函数神经网络(RBFNN)、多元线性回归法(MLR)、模式预报(WRF-Chem)作对比。实验结果表明,相比其他预报方法,所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度,这与此前的研究结论相符;所提模型能对PM2.5未来24小时浓度进行较好的预报,能对未来一天的昼均值、夜均值及日均值进行有效预报,并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高。

红外卫星云图和相关向量机的有眼热带气旋客观定强模型

热带气旋TC(Tropical Cyclone)是全球影响最严重的自然灾害之一。TC强度和路径的准确预报,对于减轻其带来的灾害影响至关重要。本文基于静止红外卫星云图和相关向量机RVM(Relevance Vector Machine)构建有眼TC客观定强模型。首先,利用高斯平滑对红外卫星云图进行去噪;然后,利用基于测地活动轮廓GAC(Geodesic Active Contour)模型的偏微分方程PDE(Partial Differential Equation)法对有眼TC的眼壁进行分割,提取眼壁的亮温梯度信息,计算眼壁亮温梯度的最大值及梯度数据不同概率时的均值,从而构造与TC强度密切相关的特征因子;最后,利用RVM构建单特征因子、多特征因子与近地面最大中心风速的客观定强模型,研究不同特征维度对TC客观定强误差的影响。实验结果表明,在单特征因子的模型定强中,95%概率眼壁亮温梯度均值的定强误差最小,相比利用单特征因子所构建的定强模型,多特征因子的模型定强误差更小,即多特征因子中包含更多与TC强度相关的特征信息。在多特征因子的模型定强中,二特征因子优于三特征因子模型,说明应当合理选择特征因子维数,并非越多越好。本文所用RVM模型具有良好的高维非线性处理能力,能对TC强度进行有效估计。