共查询到17条相似文献，搜索用时 546 毫秒
1.
基于2019—2020年京津冀地区不同天气系统影响下的降水过程,采用交叉相关法和光流法对快速更新多尺度分析和预报综合集成系统（Rapid-refresh Multi-Scale Analysis and Prediction System-Integration,RMAPS_IN）的降水分析产品进行0~2 h临近外推预报的批量试验。结果表明:由交叉相关法和光流法计算的两种外推矢量在大小和方向上存在一定差异,直接差异与影响降水的天气系统位置有明显的对应关系,而方向差异受地理位置的影响更明显,台风类降水呈弧形带状分布,低槽冷锋类、低涡类、气旋类、暖切变线类等几类降水均呈西北大东南小的特点;预报效果方面,总体上交叉相关法优于光流法,尤其是预报时效超过30 min以后,各种降水类型的批量检验结果显示交叉相关法的预报评分优于光流法,且预报时效越长、优势越明显,但预报时效为10 min时,光流法在低涡类、台风类、暖切变线类的空报率上优于交叉相关法。此外,基于外推的临近预报方法对京津冀地区台风类降水的预报效果最好,其次为暖切变线类、低涡类、低槽冷锋类、气旋类。 相似文献
2.
目前业务上0—1 h对流天气临近预报仍旧以客观外推为主,采用不同外推算法,得到雷达回波以及降水的外推临近预报。以业务应用为目标,开展了变分回波跟踪算法在强对流天气临近预报中的应用研究。利用京津冀地区的8部新一代多普勒天气雷达逐6 min雷达组网拼图资料,选取2016—2018年夏季发生在京津冀地区的18个典型对流个例,开展变分回波跟踪算法和交叉相关法的0—1 h临近预报对比试验及检验评估。与传统的交叉相关法相比,变分回波跟踪算法采用变分技术求解雷达回波运动矢量场,在计算中使用两个严格的约束条件,运用迭代法进行求解,其得到的运动矢量场更为准确。结果表明,变分回波跟踪算法优于传统的交叉相关法,得到的30、60 min内雷达回波的形状、位置及强度的外推预报和实况更接近,定量检验评分更高:（1）京津冀地区4次典型对流天气过程临近预报对比试验表明,和交叉相关法相比,变分回波跟踪算法可以更好地预报出未来1 h内雷达回波的位置、形态和强度。（2）通过对18个典型对流个例定量检验,发现当雷达回波强度阈值为35和45 dBz时,无论是30或是60 min外推预报,变分回波跟踪算法的命中率（POD）和临界成功指数（CSI）都明显高于交叉相关法,且虚警率（FAR）更低;分天气类型定量检验发现,绝大多数天气类型,变分回波跟踪算法外推预报效果优于交叉相关法。 相似文献
3.
采用2004年Casati提出的强度-尺度检验技术,选取2008年汛期代表不同类型降水(对流云降水、层状云降水、混合云降水)的4个降水过程,从尺度分解角度入手,对"世界气象组织天气研究计划——北京奥运会预报示范项目"(WWRP B08FDP)项目中4个I临近预报参加系统(BJANC,GRAPES-SWIFT,STEPS,CARDS)的1h定量降水预报进行时空尺度分解检验,研究降水预报技巧与降水时空尺度和强度之间的关系。结果表明:尽管目前国际先进的临近预报系统的水平分辨率已高达1～2km,但其有技巧的临近预报能力主要集中于空间尺度大于32km、时间尺度大于1h的降水系统,而对小于这些尺度的降水系统预报能力仍非常有限;在不同时空尺度的临近预报降水误差中,60%以上的误差来自于空间尺度小于8km的降水,85%以上的误差来自于时间尺度小于1h的降水,传统的外推技术不能满足这些较小时空尺度降水预报的需求,要发展有效的预报方法来提高较小时空尺度降水的预报能力。将基于外推的临近预报和基于稠密观测资料、快速更新的数值预报的潜势预报相结合可能是一条有效的解决途径。 相似文献
4.
一种改进后的交叉相关法(COTREC)在降水临近预报中的应用 总被引：8，自引：0，他引：8
利用多普勒雷达资料,采用一种改进后的交叉相关法(COTREC)建立了一种降水临近预报方法。COTREC法的基本原理是对传统交叉相关法(TREC)反演的风场进行水平无辐散处理,得到COTREC风场,用新的风场外推得出的回波能够保持平滑连续的形状。但是这种方法也存在缺陷,由于采用水平无辐散限制,使得外推反演得到的风场在不同程度上受到削弱,从而外推后的回波略慢于实况观测的回波。通过引入数值预报平均风场作为TREC风场背景场,较好地解决了TREC风场受到削弱的问题,并用该方法对2007年6月23—24日强雷雨天气和2007年台风“圣帕”两次降水过程进行了预报试验,试验结果表明：采用改进后的交叉相关方法的降水临近预报与雷达实际观测比较一致,可作为台风、强对流等灾害性天气的降水临近预报方法之一。 相似文献
5.
强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。 相似文献
6.
目前，临近预报技术主要包括雷暴识别追踪和外推预报技术、数值预报技术以及以分析观测资料为主的概念模型预报技术等。其中，识别追踪和外推预报技术主要以雷达资料为基础，在这方面，交叉相关外推和回波特征追踪识别外推是比较成熟的技术，已经用于许多的临近预报业务系统中，其缺陷是预报时效较短，准确率也不是很高。随着精细数值天气预报技术和计算机技术的发展，利用多普勒天气雷达资料和其它中小尺度观测资料进行数值模式初始化，来预报雷暴的发生、发展和消亡已经成为一个研究的热点，该技术发展很快但还不成熟。概念模型预报技术主要是通过综合分析多种中小尺度观测资料，包括雷达和气象卫星资料等，在此基础上建立雷暴发生、发展和消亡的概念模型，特别是边界层辐合线和强对流的密切关系等，再结合数值模式分析预报和其它外推技术的结果，然后建立雷暴临近预报的专家系统，其不但可以获取雷暴和对流降水移动、发展的信息，还可以预报它们的生成和消亡。检验和定性评估也表明，将多种资料和技术集于一体的概念模型专家系统，其临近预报的准确率最高，时效也最长，是临近预报技术未来发展的主要趋势之一。NCAR的Auto Nowcaster系统是雷暴临近预报概念模型专家系统的一个典型代表。 相似文献
7.
目前,临近预报技术主要包括外推技术、数值预报技术以及概念模型预报技术等。而业务上主流的临近预报技术以外推为主,主要以雷达资料为基础,采用雷达回波单体质心跟踪算法或雷达回波区域跟踪算法,得到雷达回波以及降水的临近外推预报。本文详细介绍了3种基于雷达回波区域跟踪算法(交叉相关回波跟踪算法、光流法和变分回波跟踪算法)的临近预报技术的国内外研究进展和基本原理。大量的研究和业务实践结果表明,雷达回波区域跟踪算法作为临近预报专家系统的核心部分,在对流天气临近预报方面有较好的可预报性,在临近预报业务时效内,外推预报结果和实况接近,优于数值模式预报。而通过对算法的不断改进,可以提升各临近预报专家系统在临近预报方面的性能。随着天气雷达技术的不断进步,天气雷达在硬件和软件两方面都逐步改进,雷达资料的数据质量明显提高,在对流天气临近预报上,基于雷达回波的区域跟踪技术会凸显其明显优势。 相似文献
8.
9.
《湖北气象》2021,40(4)
基于多尺度IVAP (MIVAP,the Multi-scale Integrating Velocity Azimuth Process)方法反演风场进行临近外推的预报方法原理可以概括为:首先采用大尺度的分析单元通过IVAP (Integrating Velocity Azimuth Process)方法得到反演风场作为引导气流,表示雷暴的系统性移动,再通过小尺度的分析单元来反演风场,作为雷暴内部移动信息的表征,最后将不同尺度的风场进行合成得到外推的运动矢量场以进行临近预报。相比传统的多尺度TREC (MTREC,the Multi-scale Tracking Radar Echoes by Correlation)方法依赖于追踪回波过去的变化,需要相邻一个或者几个时次的雷达回波来跟踪雷达回波的移动,使用MIVAP方法外推预报只需要最新时刻的雷达反射率因子和径向速度。通过个例分析和统计分析,并且与MTREC方法进行对比试验,结果表明:MIVAP方法反演风场用于临近外推预报具有可行性,MIVAP方法具有实际应用的意义;MIVAP方法得到的外推运动矢量场方向要比MTREC方法方向总体整体偏右,且外推的平均速度要比MTREC方法快;MIVAP方法在30 min以内前几个时次的预报效果略低于MTREC方法,但是30 min以后的预报评分明显优于MTREC方法,MIVAP方法的检验评分整体要优于MTREC方法。 相似文献
10.
研究设计了基于生成对抗网络(Generative Adversarial Networks,GAN)的人工智能临近预报方法,并进行了业务试验。该方法利用广东12部S波段天气雷达2015—2017年海量雷达拼图资料进行人工智能学习来做临近预报。GAN方法从一系列雷达观测资料中,运用卷积法提取回波图像信息建立预报模型,并通过损失函数训练模型,得到基于人工智能技术的临近预报。对2018年发生在广东地区的4个天气过程的外推预报试验表明,GAN方法对对流天气过程的回波位置、形状及强度的临近预报多数情况下与实况基本一致,具有较好的预报效果。但是该方法预报的回波范围偏大,对层状云降水的预报效果较差。对西风带系统引起的降水,西南季风降水,东风系统引起的降水以及台风降水的18个个例1 h预报的3个级别的回波强度检验发现,GAN方法对中等强度回波的预报较好,但对强回波的预报效果仍有待提高。 相似文献
11.
利用2018—2019年期间10 min定量降水估计(Quantitative Precipitation Estimation, QPE)实况观测,构建基于U-Net的分钟级临近降水预报模型,实现了京津冀地区未来0~2 h逐10 min降水量滚动预报。以TS、BIAS、POD、SR、FAR作为评价指标,通过检验2020和2021年6—9月长序列以及分析2020年8月12日和2021年7月1日两次强降水个例,表明U-Net模型预报接近实况,局部伴随着一定程度的空报,相较光流法、持续性预报及CMA-MESO模式预报效果有明显提升。具体表现为:当分钟级降水预报不超过10 mm/(10 min)时,U-Net模型明显优于光流法和持续性预报;当小时预报不超过25 mm·h-1,U-Net模型优于CMA-MESO模式和光流法。然而,当降水强度超过10 mm/(10 min)或 25 mm·h-1时,U-Net模型存在预报偏弱的情况,可能与强降水样本较少有关。 相似文献
12.
局地触发及组织化发展中尺度系统的生消演变是影响对流性降水临近预报的核心和关键。本文结合雷达外推预报、专家系统以及快速循环更新的高分辨数值模式系统,发展和构造了一种适合北京地区的基于数值模式预报诊断自适应的对流性降水临近集合预报新方法（APEN）。APEN基于降水外推预报结果,采用模糊逻辑算法,利用北京市气象局快速循环更新同化系统（RMAPS-IN）提供的对流诊断因子,计算对流系统发展演变（新生、增加和减弱）概率;在此基础上,扰动诊断因子阈值和权重,形成对流发展的集合概率预报;最后综合专家经验,根据对流集合概率,在降水外推预报基础上进行对流性降水调整。应用APEN,针对北京两次强弱降水过程,进行了降水的临近预报试验,结果表明:基于RMAPS-IN多种诊断因子的对流发展集合概率在强弱两种天气背景下,都能较好的反映对流系统在临近时段的发展趋势;基于专家经验模型的三种对流发展状态（对流新生、增加和减弱）下的降水调整,能合理的表征对流系统发展演变对降水的影响。APEN降水预报和RMAPS-IN的业务预报的对比显示:无论是系统性对流过程还是局地激发对流过程,APEN预报的降水落区和强度都更接近于实况,尤其是考虑对流发展演变影响的降水强度预报明显优于RMAPS-IN,APEN在北京地区对流性降水的临近预报中有明显的优势和应用潜力。 相似文献
13.
14.
长期以来,雷达回波外推技术是0—2 h临近预报系统主要采用的方法,但其实际有效预报时间≤1 h,而中尺度数值模式预报则受平衡约束时间的限制,最初2 h的降水预报无效。为解决上述两种预报的缺陷,目前国际上流行采用外推预报与数值模式预报融合的技术,形成统一的0—6 h格点化的高分辨率无缝隙定量降水临近预报系统。对目前流行的两种融合算法（INCA（Integrated Nowcasting and Comprehensive Analysis System）算法及RAPIDS（Rainstorm Analysis and Prediction Integrated Data-processing System）算法）进行了分析和对比试验,以期为业务应用提供借鉴。RAPIDS算法的核心是用自动气象站雨量融合雷达估测得到的定量降水对模式预报的降水强度和位相进行修正;INCA算法则是用数值模式预报的风场修正外推技术的降水移动矢量。两种方法在0—6 h预报时效内,外推预报的权重均逐渐减小,模式预报的权重逐渐增大,从而实现外推预报和模式预报的平滑过渡。试验结果表明,两种方法对降水雨带和降水强度的预报均优于单一的外推预报或模式预报。集二者的优势研发最优的高时、空分辨率降水预报无缝隙融合算法,将有助于进一步提升高分辨率定量降水0—6 h无缝隙预报水平。 相似文献
15.
基于天气雷达资料的外推预报是灾害天气0~2 h临近预报基础,本文以业务应用为目标,应用广东省2015-2018年11部新一代多普勒雷达反射率拼图资料,研究了基于卷积门控循环单元神经网络ConvGRU的临近预报方法,采用多损失函数加权与分级加权的策略,基于ConvGRU框架建立三层自编码模型(Encoder-Decoder)的雷达回波临近预测模型,进行未来2 h逐6 min、连续20帧雷达回波图的预测,并与业务上已经应用的交叉相关法、光流法和粒子滤波法的临近预报结果对比,进行典型个例分析和长时间检验。结果表明,基于ConvGRU方法对强对流天气具有较好的预报效果,对雷达回波位置、强度和形状与实况更接近,表明深度学习方法通过对时间序列数据的学习,能较好地把握强回波区域的特征,在一定程度上能够相对比较准确地预报较强回波范围,但该方法预报雷达回波图像存在损失空间细节信息的局限,且对层状云降水的预报效果较差;ConvGRU方法的临界成功指数(CSI)和命中率(POD)评分高于传统的交叉相关法、光流法和粒子滤波法,且虚警率(FAR)评分为最小,在业务中具有广泛的应用前景。 相似文献
16.
17.
天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。 相似文献