深度学习模型在2021年汛期武汉市雷达回波临近预报中的应用评估

近年来,人工智能技术在图像识别领域取得了突破性进展,为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值,本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料,对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练,并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上,通过降水强度和降水面积指数筛选降水过程,并以均方误差(Mean Square Error, MSE)、结构相似性指数(Structural Similarity Index Measurement, SSIM)、命中率(Probability of Detection, POD)、空报率(False Alarm Rate, FAR)和临界成功指数(Critical Success Index, CSI)为指标,检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明:(1)整体来看,MIM模型的MSE最小、POD最高,MIM和PredRNN++模型的SSIM并列最高;所有深度学习模型的FAR均低于光流法,且PhyDNet模型的FAR最低;除CrevNet模型外,其余3种深度学习模型的CSI均高于光流法,且MIM模型的CSI最高。(2)预报的前12 min,光流法的CSI最高,而在18~120 min MIM模型的CSI最高,显示了深度学习模型长预报时效的优势。(3)随着回波强度增加,深度学习模型和光流法的POD和CSI均迅速降低,而FAR光流法与各模型则表现出不同的变化规律。(4)随着区域性降水强度增加,深度学习模型的预报能力均先降低后明显增强,而光流法对降水强度变化的敏感性较弱,故在强降水背景下深度学习模型的CSI较光流法增幅最大;对于局地一般对流性降水过程,所有深度学习模型和光流法的预报能力均大幅降低。(5)暴雨个例分析结果表明,深度学习模型不仅具备一定回波强度变化的预报能力,而且对回波运动的预报能力也明显高于光流法,展示了深度学习模型良好的应用前景。

武汉市气候变暖与极端天气事件变化的归因分析

根据武汉市1951—2007年间年平均、最高、最低气温与8类年极端天气日数的序列,计算分析其变化趋势及年平均气温与极端天气日数的相关性,引入格兰杰因果性检验法,探讨气候变暖与极端天气事件之间的因果关系。结果发现:(1)近57年来武汉市年平均最低气温增幅为0.45℃/10a,明显高于年平均最高气温0.19℃/10a的增幅,可见气候变暖主要是由夜间气温升高所致;(2)高温和闷热天气事件为增多趋势,其中闷热天气事件最明显,达到2.8 d/10a,而年雷暴、降雪、低温、大风、雾日则均为下降趋势,雷暴、雾和低温事件降幅明显,每10年减少3.0 d、4.0 d和2.1 d。大风和降雪事件,每10年减少1.8 d和1.5 d。暴雨事件波动幅度较小。(3)年平均气温与当年及超前、滞后1～2年的极端天气事件具有高相关性;(4)格兰杰因果性检验结果发现,气候变暖是闷热天气增多和降雪事件减少的原因,同时亦是大风和低温减少的结果。这种因果关系的存在对极端天气事件预测和预估有重要的价值。

武汉EC模式强降水预报异常偏差成因分析及订正研究

通过对武汉EC2017-2021年强降水预报偏差个例进行普查,共找到10个偏差个例,2017年5例、2018年1例、2019年1例、2020年3例。4种偏差类型分别为:落区预报偏西北型(占比30%)、降水量级预报偏弱型(占比50%)、降水量级预报偏强型(占比10%)、落区预报偏东型(占比10%)。根据4中偏差类型分别建立了预报思路,并对2022年一次强降水过程订正效果显著。

2020年7月5—6日武汉江夏特大暴雨水汽源地和输送特征分析

基于武汉市加密站的降水量资料和ERA5再分析资料,对2020年7月5—6日发生在武汉江夏的一次特大暴雨过程的水汽通量、水汽收支进行分析,并引入拉格朗日混合单粒子轨道模型(HYSPLIT4)定量分析暴雨过程中的水汽来源以及水汽源区对降水的贡献。结果表明:(1)天气系统的有效配置和异常稳定是本次江夏特大暴雨产生和维持的主要原因。(2)特大暴雨所需水汽主要由南边界和西边界输入暴雨区,低纬度印度夏季风环流和副高外沿的偏南气流对水汽的输送和聚集是此次特大暴雨得以发生发展的必要条件,两支环流中偏南气流带来的水汽净流入是暴雨区水汽净收支的主要贡献者。(3)定量估算结果表明,水汽源地可追踪至印度洋、孟加拉湾-南海和西太平洋,对此次特大暴雨事件的水汽贡献率分别是24%、41%和34%。(4)对流层低层的水汽通道和源地发现925 hPa以南方路径为主,其水汽来源大值区为西太平洋和南海,而850 hPa则以西南路径为主,其水汽来源大值区位于印度洋和孟加拉湾。

四种机器深度学习算法对武汉地区雷达回波临近预报的检验和评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种机器深度学习算法,利用武汉地区2012—2019年的雷达和降水资料,开展了人工智能技术在武汉地区临近预报中的应用研究,根据均方误差(MSE)、结构相似性指数(SSIM)、命中率(POD)、虚警率(FAR)和临界成功指数(CSI)等指标检验评估了四种机器学习算法对武汉地区雷达回波临近预报的预报性能,并以半拉格朗日光流法进行了对比,得到以下主要结论:MIM算法的MSE和FAR最低,SSIM最高;PredRNN++算法的POD和CSI最高。机器深度学习算法的POD、CSI和SSIM均高于光流法,FAR和MSE则更低,其中SSIM、POD、CSI三种指标的提升幅度在3.2%~24.7%,MSE和FAR两种指标的降幅在13.1%~43.3%。30 min以内,除CrevNet外,其余三种机器学习算法和光流法的预报能力较为接近;30 min以后,深度学习算法和光流法都随着预报时效的延长,预报能力均显著下降,但机器学习算法下降得更缓慢,尤其是60 min以后光流法的降幅进一步增加,显示出机器学习长预报时效的优势。此外,机器学习算法之间针对不同评分指标在不同预报时效的下降速度并不一致。PredRNN++算法在所有强度上CSI均表现最佳,MIM和PhyDNet两种算法对≥40 dBz的回波预报、CrevNet算法对≥50 dBz的回波预报均好于光流法。机器学习算法和光流法都随着回波强度的增加,CSI和POD迅速降低,FAR快速上升,但机器学习算法的FAR上升得更慢。四个不同回波形态、不同发展趋势个例的分析结果表明,机器学习算法不仅具备对一定回波强度变化的预报能力,而且对回波强度和面积变化趋势的时间节点预报也与实况基本一致。此外,机器学习算法对回波运动的预报能力明显强于光流法,显示出机器学习算法良好的应用前景。

武汉地区梅雨期暴雨预报方法初探

使用地面降水观测资料和高空探测资料,运用线性倾向估计法和相关性分析法,分析了2000—2012年武汉地区梅雨期(6—7月)暴雨的气候特征,并建立了暴雨天气预报方程。结果表明,6—7月武汉地区各旬暴雨日数呈先升后降趋势,其中最大值出现在6月下旬;暴雨集中期为6月下旬—7月中旬,占梅雨期总暴雨日数的61%;暴雨局地性强,雨强呈上升趋势。筛选出武汉站强天气威胁指数、百色站850 hPa层的露点温度和怀化站850 hPa层的风向、风速作为预报因子,建立武汉地区梅雨期暴雨预报方程,实际预报效果检验结果表明该方程的预报质量优于实际业务中常用的数值预报产品。

3种数值模式对武汉精细化要素预报检验分析

对AREM、T639及GRAPES 3种数值模式的定时温度及降水预报与实况进行对比分析。结果表明:在定时温度预报中,T639、GRAPES的预报效果优于AREM,GRAPES预报性能最稳定,且T639和GRAPES的人工站预报效果明显优于对自动站,而AREM相反。在晴雨预报中,AREM的PC评分最高;AREM对小雨、中雨和暴雨的预报优势显著,其中暴雨预报最为突出,而T639对大雨预报最佳。

基于双重检测模型的农业气象科普视频镜头分割算法

为了提高农业科普气象视频的检索效率,以农业气象科普视频为例,提出一种基于双重检测模型(初检和复检)的镜头分割算法。初检阶段先按等面积矩形环的方式划分每一帧图像,从而突出视频图像中心主体部分,再采用自适应双阈值法对视频进行初次分割;复检阶段采用改进的sift算法进一步修正初次检测结果。通过对3段农业科普视频进行分割实验,结果表明,该算法能够较为有效地分割农业气象科普视频,其中平均查全率达到91.2%,平均查准率达到92.3%。该算法能够满足广大农民用户专业化与个性化的检索需求,提高农业气象视频的利用率,促进我国农业经济和气象科普事业的发展。

武汉军运会历史同期气温特征分析

应用武汉市5个国家气象观测站有观测记录以来的气温资料,从历年、常年和近年气温背景入手,分析了军运会所在10月和会期18~27日的平均气温、平均最高、最低气温以及极端高、低温时空特征,同时对军运会期间气温日变化以及开闭幕式晚会时段的气温作了简单,并分析了极端气温出现的天气形势。结果表明:武汉气温总体呈上升趋势,空间分布南高北低。武汉军运会同期,武汉市气温具备典型的秋季气温变化特征,10月处于一年中气温下降阶段,逐旬气温呈稳定下降趋势,下旬气温下降明显,气温日变化显著,气温日较差平均8℃左右。开闭幕式晚会时段气温适宜,军运会历史同期出现了30℃以上极端高温和10℃以下极端低温,具有时空分布不均的特点。

深度学习模型对武汉地区雷达回波临近预报的检验评估

基于PredRNN++、MIM、CrevNet和PhyDNet四种深度学习模型,利用武汉地区2012—2019年雷达和降水资料,通过定义回波面积指数,检验评估了四种深度学习模型对武汉地区不同面积雷达回波临近预报的预报性能。结果表明:(1)随着回波强度的增加,所有深度学习模型的预报能力均迅速降低,一般强度回波的命中率(Probability Of Detection,POD)和临界成功指数(Critical Success Index,CSI)远高于强回波,而一般强度回波的虚警率(False Alarm Rate,FAR)则远低于强回波;(2)不论是一般强度回波还是强回波,随着面积增大各深度学习模型的POD均上升,FAR降低,因而CSI得以提高,但这种上升和降低的幅度,在一般强度回波下更显著;(3)无论是一般强度回波还是强回波,同一回波面积之下PredRNN++模型的POD和CSI均最高,CrevNet最低,MIM的FAR均最低,各模型之间的差异在一般强度回波时表现得更加明显,且这种差异性可能主要是由各模型之间不同的内在结构所导致;(4)从时间演变来看,无论何种面积、何种强度的回波,随着预报时效的增加,深度学习模型的POD均缓慢降低,FAR缓慢增加,因而CSI也缓慢降低,但随着预报时效的延长,降幅和增幅都逐渐变小,60 min之后曲线趋于平缓,但不同面积之间的差异却逐渐增大。

基于决策树算法的鄂东地区冰雹识别技术

冰雹是对流性天气常见的灾害之一,雷达是识别冰雹强有利的工具,为克服现有方法主观性强、特征量阈值不明确以及虚警率高的不足,探究机器学习算法用于冰雹识别的可行性,基于决策树算法利用2015年1月1日—2021年12月31日鄂东地区冰雹灾情资料、武汉多普勒天气雷达以及探空资料,将湿球温度高度引入冰雹识别因子中,并根据命中率、虚警率和临界成功指数定量评估其识别能力。结果表明:仅包含回波强度的决策树(强度决策树)和包含回波强度和湿球温度高度的决策树(强度-高度决策树)均能有效识别冰雹,强度-高度决策树较强度决策树的命中率和临界成功指数均小幅提高,且虚警率明显降低;强度决策树识别冰雹的关键因子为组合反射率因子,底层多为0.5°和1.5°仰角反射率因子,强度-高度决策树的关键因子为0.5°仰角反射率因子,底层多为风暴的整体强度属性;个例分析显示强度-高度决策树减少了湿球0℃层高度较高时的虚警次数,展现出良好的应用前景。

决策树算法在雷达反射率因子质控中的应用

基于决策树算法,利用2020年武汉多普勒天气雷达探测资料,分析决策树算法对反射率因子的质控效果,得到以下主要结论:(1)决策树算法能有效滤除湖北东部地区由于山脉和城市建筑所导致的固定地物回波和超折射地物回波。(2)对于降水回波而言,决策树算法不改变雷达近距离范围内回波的位置、形状和强度,而远距离处(≥160 km)回波则存在一定程度的过度质控,主要是由于雷达波束随距离增加而抬高以及回波垂直梯度较大导致。(3)决策树算法对辐射状和弧状杂波的质控能力较好,其滤除率达到95%以上。

江淮气旋的气候特征分析

利用中央气象台的历史天气图资料对近49 a江淮气旋的发生路径、源地、年发生频数、强度进行统计分析。结果表明:江淮气旋发生频数的年际变化呈下降趋势,生成的强度呈上升趋势;通过小波分析发现江淮气旋的频数有明显的年际、年代际变化周期;以及有显著的月、季变化特征,春季及其每年的4月是江淮气旋出现最为活跃的季节和月份;受地形、下垫面等因素的影响,江淮气旋出现的源地主要集中在大别山及其东北侧、淮河上游及苏皖浙交界处、鄱阳湖这3个区域;江淮气旋的平均路径主要有3条:西北东移、偏南东移和偏北东移,且江淮气旋的移动路径有明显的季节性变化。

一次MCS过程的特征分析

对2010年9月7—8日江苏北部的中尺度对流系统(MCS)特征和暴雨过程进行了分析,应用卫星云图、热力和动力物理量诊断。结果表明:MCS是由若干个α和β中尺度对流云团组成,在MCS成熟阶段有一个逐渐发展成中尺度对流复合体(MCC)的过程;MCS出现在高温高湿对流不稳定的环境中,低层低涡的辐合和锋面的抬升作用为其提供了动力条件;强水中心与MCS云顶温度梯度最大值中心相对应,为暴雨落区预报提供了着眼点。

台风“海燕”过境海南岛数值模拟及暴雨成因诊断

利用NCEP/NCAR 1°×1°再分析资料、地面观测降水资料、FY-2E卫星相当黑体温度资料,采用WRF中尺度数值模式对2013年11月9—11日台风"海燕"过程进行数值模拟,并对期间海南暴雨天气诊断分析。结果表明:台风"海燕"携带的大量水汽,为海南暴雨提供了丰富的水汽来源;TBB梯度高值区与暴雨强度及落区有很好的对应关系。地形在暴雨过程中起到重要作用,初期台风外围偏东气流遇海南中部高山产生地形重力波,促使局地辐合上升,产生降水;随着台风靠近,风向转为偏南且风速增大,地形作用促使气流强烈抬升,在低层产生强对流中尺度系统,并与高层辐散系统配合,产生强降水。

鄂东北一次特大暴雨过程的两个中尺度对流系统分析

利用GFS再分析资料、常规及非常规观测资料,对比分析了2012年7月12—13日鄂东北特大暴雨中两个连续发生的MCSs(下面分别称为MCS1和MCS2)天气背景、雷达回波特征和地面中尺度系统演变,归纳了MCSs成熟阶段准静止—后向传播结构模型,结果表明:(1)东北冷涡的发展、西风低槽的缓慢东移及副热带高压的稳定导致南北气流长时间交汇于江淮流域形成梅雨锋切变和夜间低空急流的发展,是两个MCSs形成的有利大尺度背景条件。MCS1发生于中层梅雨锋前倾结构下;MCS2则是发展加强于低层梅雨锋切变上。(2)MCS1比MCS2的"冷池"更深厚,与环境温差更大,对流触发更剧烈,但"冷池"运动方向与MCSs传播方向均一致。(3)两个MCSs都出现了后向传播特征,前者可能与大别山脉对冷池的阻挡有关,后者可能与对流更易在不稳定区触发相关;成熟阶段时,MCSs因后向传播,移动缓慢甚至准静止,降水最强。(4)在回波结构上,MCS1向前传播时新生、成熟、消亡单体沿回波长轴自下风方向上风方排列,MCS1及MCS2后向传播时则反之。

青藏高原强对流系统对水汽垂直输送的数值模拟

通过分析青藏高原天气状况和在气候变化中的影响,并对WRF模式模拟的青藏高原那曲地区一次深对流结果进行分析,并出结论。

重污染天气特征分析及气温精细化预报方法研究

重污染天气通常涉及颗粒物、臭氧等污染物,相互作用的复杂性使得预测重污染天气的气温的难度增加。为此,提出重污染天气特征分析及气温精细化预报方法。构建污染物扩散方程,分析空气污染物日变化、月变化、年变化特征;利用灰色关联分析方法分析重污染天气污染浓度与气象因子的相关性,通过降尺度技术实现气温精细化预报。实验结果表明,重污染天气的湿度、风速、降水量对污染物浓度的升降起决定性作用,验证了所提方法的天气特征分析准确性高,气温预报的效果好。