共查询到18条相似文献，搜索用时 312 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.
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
3.
利用河南省地面观测站1960-2005年的雷暴观测资料分析了全省雷暴活动的时空分布特征.根据雷暴活动特征和雷暴天气产生的环境场条件,基于T213/T639数值模式输出产品计算了多个大气动力、热力参数,经诊断分析及相关性分析后选取与地闪关系较好的对流稳定度指数、850 hPa假相当位温、400～850 hPa垂直风切变等5个参数作为预报因子,采用ADTD地闪定位资料和T213/T639数值模式输出产品,分别建立雷电潜势预报模型.雷电潜势预报方法于2008-2009年在河南省汛期业务中应用评估表明,基于T213/T639数值产品的雷电潜势预报技术方法可以为河南省雷电天气的落区预报提供客观定量的参考和依据,且两者都对低槽切变型预报效果最好. 相似文献
4.
决策树方法在一次历史异常雷电活动中的预报能力检验 总被引：1，自引：0，他引：1
利用ncep1°×1°再分析资料和四川闪电定位仪监测网的监测资料,基于四川雷电潜势预报决策树的三类预报因子,针对2008年9月22～25日四川盆地西北部连续性雷电活动过程,重点分析了连续性雷电活动的环流背景和主要天气影响系统、热力结构特征、动力结构特征,检验了基于决策树方法筛选出的雷电潜势预报因子对连续性雷电活动的预报能力.结果表明：1）“9·23”连续性雷暴天气过程存在对流性雷暴以及副高和地面冷空气共同作用下形成的雷暴时段.雷暴区内始终存在着高能不稳定的热力条件,具有“对流层中低层正涡度、对流层高层负涡度”的典型雷暴动力结构.2）雷电潜势预报决策树的三大类预报因子能较好地预报本次雷电活动. 相似文献
5.
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
6.
为了进一步提高雷暴预报的准确率,在分析研究雷暴预报方法的基础上,提出了一种了基于改进遗传算法优化小波神经网络的雷暴预报方法(IGA-WNN).该方法利用聚类分析和牛顿迭代法对多种群遗传算法的收敛方向和精度进行改进,避免了种群同质化与局部最优问题,采用改进的遗传算法对小波神经网络的初始权值阈值进行了优化.选用南京地区2008—2009年6—8月的探空和闪电定位资料,使用灰关联法挖掘出关联程度较大的对流参数作预报因子,归一化处理后输入模型,采用独立样本进行预报检验.结果表明,与BP神经网络等方法相比,IGA-WNN预报准确率更高,具有更好的非线性处理能力和泛化性. 相似文献
7.
为提高雷暴天气的潜势预报能力，在统计分析安徽省雷暴形成天气条件的基础上，利用2003-2004年T213资料，选取与雷暴相关性好的对流参数作为预报因子。并在考虑因子季节变化特征的基础上，分别用判别分析法和指标叠加法制作雷暴潜势预报，结果表明指标叠加法优于判别分析法。最后用指标叠加法试报了2005年3—8月的雷暴，临界成功指数CSJ=69．4％，命中率POD=89．5％，虚假报警率FAR=24．4％，分区预报准确率也较高。另外，试报期间的区域性冰雹、雷雨大风全部命中，可见该方法对冰雹、雷雨大风也有较好的指示意义。 相似文献
8.
本文利用2013年和2014年7～8月NCEP1°×1°再分析数据和四川省雷电监测网观测资料,统计分析了雷电活动发生前最佳近地表四层(1000hPa、975hPa、950hPa和925hPa)等压面抬升指数、对流有效位能、K指数和850hPa假相当位温与雷电活动的相关关系。通过此次研究发现,对流参数在有雷电过程和无雷电过程中有明显差异,并且发现这四个对流参数和四川省雷电活动有较好的相关关系。通过此次研究得到了四川地区雷电活动对流参数预报指标,对已有雷电潜势预报有一定的参考价值。 相似文献
9.
利用2011—2013年6—8月291个样本武汉站的探空资料计算了20种与雷电活动有关的对流参数,经统计分析后发现多个对流参数与雷电活动具有显著的相关性;选取与雷电相关性较好的对流参数作为预报因子,并用多元线性回归方法建立雷电潜势预报方程,方程通过了α=0.05的显著性水平检验;使用2014年6—8月的观测数据进行预报效果检验,结果表明:雷电预报的命中率POD为82.6%,虚假报警率FAR为23.3%,临界成功指数CSI为63.3%。由此可见,该方法的建立对武汉市雷电天气的预报和预警具有参考价值和指示意义。 相似文献
10.
本文利用绵阳机场2010～2014年逐时气象观测资料、温江站探空资料与绵阳市闪电定位仪资料,通过探空资料计算各对流参数与雷暴发生的相关系数,筛选相关系数高的对流参数作为预报因子,并探讨各预报因子的物理意义。分别用事件概率回归(REEP)、Fisher判别分析以及指标叠加三种方法制作雷暴潜势预报,其中指标叠加法CSI评分最高,并且可以通过累加值N的大小来确定雷暴发生概率。用指标叠加法试报机场2015年6～8月雷暴,临界成功指数CSI=52.9%,击中率POD=81.8%,利用该方法对绵阳机场周边(市辖区范围)航路上的雷暴也有较好的预报能力。 相似文献
11.
利用大理机场5年天气观测资料和FNL 1.0X1.0数据,对大理机场雷暴特征及潜势预报进行分析,结果发现：大理机场全年各月都有可能出现雷暴天气,雷暴天气主要出现在6~9月,每年7月和8月雷暴天气出现最为频繁;雷暴天气持续时间0~1小时的次数最多,持续时间1~2小时的雷暴也比较常见,持续时间4~6小时的次数较少,没有出现持续时间6小时以上的雷暴;雷暴可以出现在大理机场的任何方向,出现在东边的次数最多,出现在天顶的次数最少;雷暴初期平均在1月31日,雷暴终期平均在11月14日,雷暴的初期和终期年际差别较大。选取对流有效位能、500hPa相对湿度、0度层高度、近地表四层等压面的抬升指数和可降水量作为预报因子建立大理机场雷暴预报方程,预报方程是显著的,有较好的雷暴潜势预报能力。 相似文献
12.
利用廊坊市9个气象站1964—2011年的雷暴日资料,通过数理统计、线性趋势拟合和小波分析,研究了廊坊市近48 a来雷暴的时空分布特征和周期性特征,并结合信息扩散法,进行了不同雷暴日数下的概率区划.结果表明:廊坊市雷暴日的年际变化幅度较大,年均雷暴日数总体呈下降趋势,约每10 a减少2 d;廊坊市雷暴月、季变化呈明显的单峰型,雷暴主要发生在4—10月,其中夏季(6—8月)占全年的74.5%;中北部的雷暴日数明显多于南部地区;10a及以上周期在绝大部分地区具有全域性,而短周期3~5 a大多表现在20世纪90年代之前;随着雷暴日数的增大,雷暴发生高概率区逐渐北移,当雷暴日数异常偏大(>40 d)时,中部的部分地区也处于雷暴发生高概率区. 相似文献
13.
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
14.
根据2008—2010年夏季邵阳地区的NCEP全球再分析资料(分辨率为1°×1°)和闪电定位资料,利用支持向量机(SVM)分类方法建立该地区雷暴潜势预报模型,并用测试样本检验了该模型的预报能力,同时与Logistic回归模型和Bayes判别法的预报效果进行了比较。结果表明,SVM模型的预报准确率为86.21%,虚警率为15.25%,漏报率为13.79%。对比三种模型的TSS技术评分,发现使用SVM方法建立的模型对邵阳地区雷暴预报的效果最好,评分值为0.79。因此,SVM方法所建立的模型可以为邵阳地区6 h的雷暴潜势预报提供一定的参考价值。 相似文献
15.
Convective energies in forecasting severe thunderstorms with one hidden layer neural net and variable learning rate back propagation algorithm 总被引：5，自引：0，他引：5
Sutapa Chaudhuri 《Asia-Pacific Journal of Atmospheric Sciences》2010,46(2):173-183
Thunderstorms are perennial features of India. However, the severe thunderstorms of pre — monsoon season (April–May) over Kolkata (22°32′N, 88°20′E) are of great concern for imparting devastating effect on life and property on the ground and aviation aloft. The study is thus, focused on developing one hidden layer neural network model with variable learning rate back propagation algorithm to forecast such thunderstorms. Convective available potential energy (CAPE) and convective inhibition energy (CIN) are selected as the input parameters of the model after the estimation of various skill scores like, Probability of Detection (POD), False Alarm Ratio (FAR), Heidke Skill Score (HSS) and Odds Ratio Skill Score (Yule’s Q) on different stability indices. During training the model, the squared error for forecasting severe thunderstorms is observed to be 0.0022 when the values of CIN within the range of 0 to 140 J kg?1 is taken as the input whereas the error is observed to be 0.0114 while the values of CAPE within the range of 2000 to 7000 J kg?1 is considered as the input. The values of CIN and CAPE at twelve to six hours prior to the occurrence of severe thunderstorms are considered in this study. During validation of the model, the percentage of prediction error with the values of CIN as input is observed to be 0.042% and that with CAPE as input is 0.162%. The values of CIN within the range of 0–140 J kg?1 are observed to be more persistent in forecasting severe thunderstorms over Kolkata than the values of CAPE within the range of 2000–7000 J kg?1. 相似文献
16.
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
17.
甘南高原雷暴的气候特征 总被引：2，自引：0，他引：2
利用甘南州8个气象站自建站到2005年的雷暴资料,对雷暴的时空分布特征进行了分析,发现甘南州雷暴多发区位于西南部的玛曲、碌曲到东北部的合作之间;从年际变化看,大部分地方的年雷暴天数呈明显下降趋势,特别是1990年代中期后,这种下降趋势更明显,但各地雷暴初终间日数的变化并不明显;夏季雷暴天气出现最多,出现最多的月份是7月,雷暴次数约占全年雷暴次数的20.2%。春末夏初5月下旬到6月上旬、6月下旬和7月中下旬、8月下旬是各月的雷暴高发时段;甘南雷暴1天中的盛发期在12～20时,14～15时是雷暴出现的峰值时段。 相似文献
18.
本文利用长沙区域4个气象站1971~2010年40年观测资料,研究了本区域雷暴的气候变化特征。研究结果表明:长沙区域雷暴日数呈东西山区多,中部平原少的空间分布特征,长沙东部和西部的浏阳、宁乡分别为最高和次高发区,年平均雷暴日数分别达62天和53天,而中部地区的马坡岭年平均雷暴日仅39天。在月变化特征上,长沙区域的雷暴主要出现在2~9月,且呈现出典型的双峰型结构,雷暴最多的月份分别出现在4月和8月。在6~9月,浏阳的雷暴日数要明显大于宁乡、望城和马坡岭的雷暴日数,而在其它月,4个观测站的雷暴日数相差不大。在日变化特征上,长沙区域4个测站的雷暴主要出现在午后到傍晚的时段其中以15~17时最多,在13~18时,浏阳的雷暴次数要比另外3个测站雷暴次数明显偏多。1971~2010年长沙区域4个测站的年雷暴日数均呈现出减少的趋势,其中以浏阳的减少趋势最为明显,2000年以后长沙区域4个测站的初雷日略有推迟,而终雷日明显提前。发生雷暴时,宁乡站对K指数及SI指数所代表的不稳定能量较其它3站略高。 相似文献