共查询到19条相似文献，搜索用时 140 毫秒
1.
《浙江气象》2016,(3)
为提高镇海地区雷暴预报准确率,利用2009—2013年6—8月杭州、台州、衢州及上海站的探空资料选取有利雷暴发生的对流参数,如K指数、SI指数、LI指数等18个与雷暴发生、发展相关的物理量,通过分析发现杭州站与镇海地区雷暴发生的相关性最高,选取该站6个与雷暴发生相关性较好的参数,分析确立其阈值,运用多参数加权的权重法建立雷暴潜势预报模型。利用该模型在2014年6—8月进行雷暴预报检验,结果总准确率为78.7%,空报率为16.9%,漏报率为4.4%。同时将中尺度数值预报模式WRF同雷暴潜势预报相结合,通过计算各网格点上的雷暴潜势,制作雷暴落区预报,结果对于雷暴落区及强度的预报有较大的参考作用。 相似文献
2.
动力-统计方法在24小时雷暴预报的应用 总被引：4，自引：1，他引：3
利用T213数值预报产品,计算了多个对流参数,应用事件概率回归方法分别建立了全国690个基本站4-9月的24h雷暴潜势预报方程,并根据TS评分值最大的原则确定了雷暴发生预报的临界概率,针对2010年4-9月进行试预报。研究结果表明：（1）基于T213输出产品计算得到的对流参数物理意义明确,与雷暴有无事件相关系数较高,对雷暴潜势预报方程贡献很大。（2）雷暴潜势预报方程对区域性雷暴的预报指示性较强,尤其对于雷电频发的地区效果更好。（3）690个站TS评分平均值为0．24。 相似文献
3.
采用2007—2015年5—8月NCEP再分析资料和国家站、区域站雷暴大风实况观测资料,利用权重和概率统计相结合的方法,确定与雷暴大风联系紧密的物理量,统计其在所选物理量不同阈值范围内出现的概率,建立雷暴大风概率潜势预报方程,并对预报结果进行检验。结果表明:(1)雷暴大风出现在白天与夜间所选物理量参数有所不同。无论白天或夜间,其在山区与其它地区的物理量阈值亦不同。(2)所选每个预报因子的概率统计结果与雷暴大风发生的环境条件基本相符,该概率由因子达到阈值范围内的样本数和在此区间内出现雷暴大风的样本数两者共同决定的。(3)该方法对08—20时和20—08时两个时段雷暴大风预报的命中率均较好,尤其2016年7月最高,预报概率为"60%以上"的命中率接近93%,可预报出雷暴大风出现的概率潜势和可能发生的区域;同时,空报率较高;预报概率为"80%"的预报临界指数更高。 相似文献
4.
南京地区雷暴活动强度潜势预报 总被引：2，自引：0，他引：2
利用江苏省2008、2009和2010年6 8月闪电定位资料对雷暴活动的强度进行了分级,并使用同一时段的探空资料计算了47个代表南京地区 环境层结特征的对流参数,利用其与雷暴活动强度的相关性选取预报因子.在此基础上,采用Bayes分类法和Logistic 回川归分析法,结合逐步选择法进一步筛选预报因子,分别建立了两种雷暴强度的预报模型.通过检验独立样本对比分析两种模型的预报效果,结果表明,Logistic回归分析法的Hedike技巧评分为0.396,并能识别出30％的强雷暴,而Bayes分类法的Hedike技巧评分为0.370,只能识别出5％的强雷暴.Logistic回归分析法对雷暴强度的潜势预报具有较好的指示意义.进一步分析进入预报模型的9个对流参数,表明雷暴活动越强时,低层空气越暖湿,中层空气越干冷,高低层的风切变越大. 相似文献
5.
文章以武川县某风电场为分析区,选取对流有效位能、K指数、抬升指数、700h Pa假相当位温、垂直速度等5个对雷暴具有较好指示意义的预报因子,利用2010—2011年5—9月武川站雷暴日资料和NCEP/NCAR逐6h的1o×1o再分析资料建立雷暴潜势预报方程,为风电场安全运行提供依据。对2012年雷暴预报效果检验表明,该方程对雷暴天气具有一定的预警能力,预报方程的命中率为80.6%,虚假报警率为67%,能够成功预报出该风电场两次较为严重的雷击事故,可用于支撑该风电场的雷暴预警服务。 相似文献
6.
基于对长沙地区1971-2000年30年雷暴气候特征的分析研究,采用数值模式输出统计、指数与经验指标、诊断分析三者相结合的MED法,同时引入莱克力指数、修正的K指数等物理量,综合应用数值预报产品、经验指标及区域气象站资料,研究开发出该地区249个站点3-10月甚短期(6 h,6～12 h)雷暴危害度等级潜势预报模型;同时,采用MOS法,研制出短期0～48 h雷暴活动移动趋势预报模型.模型以Web GIS技术为依托,建立了集数据采集、存储、开发、管理、分析和信息传输与发布、信息实时处理等功能于一体的网络信息服务平台.长沙市甚短期雷暴危害度等级潜势预报模型两年(2006-2007年)的业务运行情况表明,该模型对雷暴落区及强度均有较强的预报能力. 相似文献
7.
利用太原市7个国家观测站实况、探空以及MICAPS等资料，对1998—2018年5—9月太原的雷暴大风进行天气学分型，选取雷暴大风的消空因子以及不同天气型下的预报因子并确定其阈值，利用指标叠套法，建立雷暴大风潜势预报方法，并进行预报检验。结果表明：(1)选取700 hPa温度露点差、850 hPa与500 hPa的温差、条件性稳定度指数和混合相层4个环境参数作为消空因子并确定了消空阈值。（2）将雷暴大风分为高空槽型、冷涡型、切变线型、西北气流型和副高边缘型5类，选取了5类天气型下雷暴大风的预报因子，利用指标叠套法，建立了太原雷暴大风潜势预报方法。(3)运用雷暴大风潜势预报方法开展历史样本回报检验和2019-2020年试预报检验，取得了较好的预报效果。 相似文献
8.
利用双流国际机场2013—2018年的逐小时气象观测资料、欧洲中心ERA-interim逐6小时再分析资料、成都市气象局多普勒天气雷达产品资料,运用统计学方法分析双流机场雷暴月变化和日变化特征,并利用相关性分析筛选出双流机场雷暴天气预报因子,在此基础上基于二级逻辑回归法建立潜势预报模型（预报方程和消空方程）,最后进行数据的回代检验。结果表明：对流有效位能、K指数、850 hPa比湿、850与500 hPa假相当位温差、回波顶高、1.5º仰角基本反射率、3.4º仰角基本反射率、垂直累积液态水含量为雷暴天气的主要预报因子,据此建立的潜势预报模型对双流机场雷暴天气的预报具有一定指示性,且综合来看在夏季的预报效果更好。 相似文献
9.
10.
为了使用神经网络较好地解决在雷电潜势预报中常见的非线性问题,本文通过计算南京地区2008年6～8月46个对流参数与雷电发生的相关系数,选取了与雷电发生关系较好的刀、SI、CIN等7个对流参数作为BP神经网络的输入因子。利用2008年的资料所建立的BP神经网络模型,预报了南京地区2009年6～8月的雷暴活动潜势,结合实际雷暴发生情况,得到此模型的POD为80．9％,FAR为9．5％,CSI为74．5％,PDFD为2．9％,FOM为19．1％。表明该BP模型预报准确率较高,性能稳定,有较好的推广价值。 相似文献
11.
The LS-SVM(Least squares support vector machine) method is presented to set up a model to forecast the occurrence of thunderstorms in the Nanjing area by combining NCEP FNL Operational Global Analysis data on 1.0°×1.0° grids and cloud-to-ground lightning data observed with a lightning location system in Jiangsu province during 2007-2008.A dataset with 642 samples,including 195 thunderstorm samples and 447 non-thunderstorm samples,are randomly divided into two groups,one(having 386 samples) for modeling and the rest for independent verification.The predictors are atmospheric instability parameters which can be obtained from the NCEP data and the predictand is the occurrence of thunderstorms observed by the lightning location system.Preliminary applications to the independent samples for a 6-hour forecast of thunderstorm events show that the prediction correction rate of this model is 78.26%,false alarm rate is 21.74%,and forecasting technical score is 0.61,all better than those from either linear regression or artificial neural network. 相似文献
12.
选取2018年夏季邵阳地区的17个雷暴单体和9个非雷暴单体,分析了单体30 dBz、35 dBz和40 dBz回波顶高及0℃、-10℃和-20℃层超过30 dBz、35 dBz和40 dBz的回波面积与闪电发生的关系,利用40 dBz回波顶高、-10℃层以上超过40 dBz的回波面积及其与单体总面积的百分比对该地区闪电进行预报。结果表明：雷暴单体和非雷暴单体在回波强度为40 dBz时,超过0℃、-10℃和-20℃三种层结高度所占百分比的差值最大。-10℃层的40 dBz回波顶高较其他层结高度能更好地区分邵阳地区的雷暴单体与非雷暴单体。-10℃层以上超过40 dBz的面积所占单体总面积百分比大于1%这一阈值时,可作为区分雷暴单体和非雷暴单体的一个有效预警指标。综合使用40 dBz回波顶高、-10℃层以上超过40 dBz的回波面积及其与单体总面积的百分比对12个单体样本进行检验,雷暴单体预报的准确率达66.7%,非雷暴单体判断的准确率为83.3%。 相似文献
13.
Thunderstorms are the perennial feature of Kolkata (22° 32???N, 88° 20???E), India during the premonsoon season (April?CMay). Precise forecast of these thunderstorms is essential to mitigate the associated catastrophe due to lightning flashes, strong wind gusts, torrential rain, and occasional hail and tornadoes. The present research provides a composite stability index for forecasting thunderstorms. The forecast quality detection parameters are computed with the available indices during the period from 1997 to 2006 to select the most relevant indices with threshold ranges for the prevalence of such thunderstorms. The analyses reveal that the lifted index (LI) within the range of ?5 to ?12?°C, convective inhibition energy (CIN) within the range of 0?C150?J/kg and convective available potential energy (CAPE) within the ranges of 2,000 to 7,000?J/kg are the most pertinent indices for the prevalence thunderstorms over Kolkata during the premonsoon season. A composite stability index, thunderstorm prediction index (TPI) is formulated with LI, CIN, and CAPE. The statistical skill score analyses show that the accuracy in forecasting such thunderstorms with TPI is 99.67?% with lead time less than 12?h during training the index whereas the accuracies are 89.64?% with LI, 60?% with CIN and 49.8?% with CAPE. The performance diagram supports that TPI has better forecast skill than its individual components. The forecast with TPI is validated with the observation of the India Meteorological Department during the period from 2007 to 2009. The real-time forecast of thunderstorms with TPI is provided for the year?2010. 相似文献
14.
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。 相似文献
15.
Implementation of intuitionistic fuzzy logic to assess the predictability of severe thunderstorms 总被引：1，自引：0，他引：1
Sutapa Chaudhuri 《Asia-Pacific Journal of Atmospheric Sciences》2011,47(5):477-483
Thunderstorms are responsible for remarkable devastation when accompanied with lightning flashes, high wind gusts, torrential rain, hail and tornadoes. Weather hazards due to thunderstorms of such severe measure take place every year over Kolkata (22°32′N, 88°20′E), India during the pre-monsoon season (April–May). Prediction of severe thunderstorms is extremely important to cope with the devastations. However, forecasting severe thunderstorms is very difficult because the weather system is confined within a very small spatial-temporal scale. The network of observation systems is not adequate to detect such high frequency small scale weather. The purpose of the present study is to bring in the concept of Intuitionistic fuzzy logic as a decision — making technique to assess the predictability of severe thunderstorms over Kolkata in the premonsoon season. Different measures of entropies are used to extract the route of fuzziness. The intuitionistic fuzzy logic is implemented with ten years (1997–2006) observation of the occurrence/nonoccurrence of severe thunderstorms to assess the predictability. The result reveals that two consecutive severe thunderstorm days are highly probable after two consecutive non-thunderstorm days whereas the probability of severe thunderstorm is very less after three consecutive non-thunderstorm days during the pre-monsoon season over Kolkata. The result is compared with the box-and-whisker plot and validated with four years (2007–2010) observations of India Meteorological Department (IMD). 相似文献
16.
基于NCEP/GFS资料的中国东部地区雷暴预报研究 总被引：2，自引：1，他引：1
基于来自美国国家环境预测中心(NCEP)的GFS(Global Forecasting System)分析及预报场资料,将多个能够表征雷暴发生动力、热力环境的对流因子作为预报因子,通过费希尔判别准则及逐个引入因子法,建立集合多个对流参数的雷暴预报模型,从而进行较长时效(12—24 h)的区域性雷暴预报。依据临界成功指数(CSI)最高的原则,建立最优预报模型,不同地区所选用的对流参数不同,雷暴模型预报雷暴发生与否的临界值也不同,从而不仅能够得到较好的集合多个对流参数的雷暴区域性预报,还能充分考虑不同地区雷暴发生的地域性特点和气候背景。将建立的预报方法应用于2012年6和9月的两次强对流过程的预报,发现雷暴预报模型较好地预报出两次过程的雷暴落区。进一步,为了能够在强天气预报中客观有效地区分出雷暴与暴雨区,引入集合动力因子暴雨预报方法。集合动力因子暴雨预报方法在诊断和追踪强降水的发展演变中表现凸出,而集合对流参数雷暴预报方法则对包含短时强降水、冰雹、大风等在内的对流性天气有较好反映,综合两套预报方法各自的优势,建立了集成动力因子-对流参数强天气预报方法,用于降水和雷暴的预报,同时对雷暴加降水型、雷暴无降水型、降水无雷暴型等强天气进行区分预报。对中国多个典型城市的预报效果分析发现,该方法不仅能够较好地预报出较长时效(24 h)的雷暴和降水落区,对区分降水雷暴、无降水雷暴和无雷暴降水也表现出一定的能力。 相似文献
17.
A deep learning objective forecasting solution for severe convective weather(SCW) including short-duration heavy rain(HR), hail, convective gusts(CG), and thunderstorms based on numerical weather prediction(NWP) data was developed. We first established the training datasets as follows. Five years of severe weather observations were utilized to label the NCEP final(FNL) analysis data. A large number of labeled samples for each type of weather were then selected for model training. The local temperature, pressure, humidity, and winds from 1000 to 200 h Pa, as well as dozens of convective physical parameters, were taken as predictors in our model. A six-layer convolutional neural network(CNN) model was then built and trained to obtain optimal model weights. After that, the trained model was used to predict SCW based on the Global Forecast System(GFS) forecast data as input. The performances of the CNN model and other traditional methods were compared. The results show that the deep learning algorithm had a higher classification accuracy on HR and hail than support vector machine, random forests, and other traditional machine learning algorithms. The objective forecasts by use of the deep learning algorithm also showed better forecasting skills than the subjective forecasts by the forecasters. The threat scores(TSs) of thunderstorm, HR, hail, and CG were increased by 16.1%, 33.2%, 178%, and 55.7%, respectively. The deep learning forecast model is currently used in the National Meteorological Center of China to provide guidance for the operational SCW forecasting over China. 相似文献
18.
北京地区的闪电时空分布特征及不同强度雷暴的贡献 总被引：2，自引：2，他引：0
利用北京闪电定位网(BLNET,Beijing Lightning Network)和SAFIR3000(Surveillance et Alerte Foudre par Interometrie Radioelectrique)定位网7年共423次雷暴的闪电资料,并按照雷暴产生闪电多少,同时参考雷达回波和雷暴持续时间,将雷暴划分为弱雷暴(≤1000次)、强雷暴(>1000次且≤10000次)和超强雷暴(>10000次),分析了北京地区的闪电时空分布特征及不同强度等级雷暴对闪电分布的贡献。北京总闪电密度最大值约为15.4 flashes km-2a(^-1),平均值约为1.9 flashes km^-2a(^-1),大于8 flashes km^-2a(^-1)的闪电密度高值区基本分布在海拔高度200 m等高线以下的平原地带。不同强度雷暴对总雷暴闪电总量贡献不同,弱雷暴(超强雷暴)次数多(少),产生的闪电少(多),超强雷暴和强雷暴产生的闪电分别占总雷暴闪电的37%和56%。不同强度雷暴对总雷暴的闪电密度高值中心分布和闪电日变化特征影响显著,昌平区东部、顺义区中东部和北京主城区是总雷暴闪电密度大于12 flashes km-2a(-1)的三个主要高值区中心,前两个高值中心受强雷暴影响大,而主城区高值中心主要受超强雷暴影响。总雷暴晚上频繁的闪电活动主要受超强雷暴和强雷暴影响,这两类雷暴晚上闪电活动活跃,分别占各自总闪电的69%和65%,而弱雷暴闪电活动白天陡增很快,对总雷暴午后的闪电活动影响大。另外,不同下垫面条件闪电日变化差异大,山区最强的闪电活动出现在白天,午后闪电活动增强很快,主峰值出现在北京时间18:00,而平原最强的闪电活动发生在晚上,平原(山麓)的主峰值比山区推迟了约1.5小时(1小时)。 相似文献
19.
支持向量机(SVM)是一种新型的机器学习方法。利用1999-2003年7月清远站每天08:00的探空资料,建立广州白云机场24 h内有无雷雨的SVM分类模型,进行相应的预报实验,实验结果显示对应的SVM分类模型效率高、准确率高,且泛化能力强,预报Ts评分非常理想,都达到80%以上;结果准确率并不会因为训练样本数目的减少而大幅度降低,具有良好的预报能力。对于某个特定的核函数,可通过调整误差惩罚参数C来得到性能最优的SVM。 相似文献