基于Himawari-8卫星的云参数和降水关系研究   总被引：1，自引：1，他引：0  

桂海林  诸葛小勇  韦晓澄  刘伯骏  唐志军  江琪 《气象》2019,45(11):1579-1588

基于日本Himawari-8卫星的云产品,对中国中东部地区2017年夏季(6—8月)每日08—17时的降水资料进行了分析,重点讨论了云光学厚度(COD)、云顶粒子平均尺度(CPS)、云顶温度(CTT)三个云参数与降水的关系。试验表明,降水概率与云参数相关性较高,存在随着COD增加、CPS增加、CTT减小而增加的明显趋势。但是,单个云参数与降水强度相关性则较低;COD、CPS、CTT与小时降雨率的相关系数分别为0.2315、0.1823、-0.2235,均为弱相关。如果综合考虑联合两个或三个云参数形成小时降雨率分布矩阵,则降水过程能得到更为清晰的体现。2017年8月28日的个例表明,相比纯粹基于红外的算法,三参数方法可以明显提高小时降雨率的估计精度。  相似文献   

2010—2016年江西省暖季短时强降水特征分析   总被引：2，自引：0，他引：2  

付超  谌芸  朱克云  单九生  曾智琳 《气象》2019,45(9):1238-1247

利用江西省2010—2016年5—9月1597个观测站逐小时降水资料对江西省短时强降水进行统计分析。采用REOF将降水场划分为5个区域：赣北南部（Ⅰ区）,抚州市及赣州中部（Ⅱ区）,赣北北部（Ⅲ区）,赣南南部、北部（Ⅳ区）以及赣中西部（Ⅴ区）。短时强降水高频区主要分布在山地及河谷附近,分别为湘赣交界罗霄山脉东侧、武夷山西侧、信江河谷、乐安河谷和昌江河谷。河谷附近短时强降水频次以昌江河谷最高（16.9次/a）,山地附近最高在罗霄山脉东侧（12.6次/a）,极端短时强降水分别位于上饶市东北部山区（3.7次/a）及九岭山南侧的锦江河谷（3.3次/a）。短时强降水主要发生在5月第3候,6、7月第3~4候以及8月第2~3候。Ⅳ、Ⅴ区具有单峰型的日变化特征;Ⅰ、Ⅱ、Ⅲ区具有双峰型的日变化特征。主峰基本集中在下午17时;次峰在上午08—10时。短时强降水对暴雨贡献率基本在40%以上,Ⅰ、Ⅱ区的暴雨天气过程将近一半是由短时强降水贡献的。信江河谷是暴雨雨量中心,但并不是短时强降水雨量中心;昌江河谷与武夷山西麓既是暴雨中心也是短时强降水中心。  相似文献   

国家级天气预报检验分析系统建设与应用   总被引：1，自引：1，他引：0       下载免费PDF全文

韦青  李伟  彭颂  薛峰  赵声蓉  张金艳  齐丹 《应用气象学报》2019,30(2):245-256

为了适应精细化预报和业务管理的发展需求,国家气象中心建设开发了基于Web的国家级天气预报检验分析系统。系统分为预报检验、检验文件解析处理、检验数据查询分析与检验平台管理4个功能模块,关键技术包括标准化的数据管理、开放式的算法模块管理与调度和检验数据的可视化分析。系统建立了规范高效的检验业务数据流程,兼容处理预报分析制作系统（MICAPS）数据、GRIB2数据、城镇报数据、自动气象站数据等其他专业气象数据,涵盖了国家级省级智能网格预报、全国城镇天气预报、定量降水预报、大城市空气质量预报等数十项检验业务产品,给出了空间分布、柱状图及数据表格等展现形式。系统为全国各级预报员、模式开发人员和管理人员提供预报检验反馈信息,为各省以及国家级预报业务考核提供了信息支撑;同时系统提供逐旬、月、年度的智能网格预报以及城镇天气预报的检验结果对比,有力支撑了智能网格预报产品业务研发和业务试验。  相似文献   

循环神经网络在雷达临近预报中的应用          下载免费PDF全文

韩丰  龙明盛  李月安  薛峰  王建民 《应用气象学报》2019,30(1):61-69

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。  相似文献   

中央气象台暴雨预报业务的发展及思考     

李泽椿  谌芸  张夕迪  王月冬  代刊  张玲 《湖北气象》2019,38(5)

暴雨是影响我们国家最重要的灾害性天气之一,暴雨预报既是业务中的关键点也是难点。本文论述了目前中央气象台的暴雨预报业务已经由基于天气学、统计学等在天气图分析的基础上进行主观外推的传统预报向基于数值预报的现代天气预报发展,强调了暴雨预报的科学问题是从预报实践中提炼出来的,而不是从参考文献中找出来的,突出了预报员是暴雨科学问题的提出者和解决实际问题的第一参与者,阐明了预报与服务工作紧密结合是中国特色气象事业的重要组成部分,充分肯定了中央气象台和中国气象局暴雨研究所等科研单位在暴雨预报、研究和我国应对突发自然灾害中发挥的重要作用,明确了暴雨等灾害天气的预报是以服务人民、社会、经济发展和国家安全为最终目标。并从预报员科学研究与实践能力的培养和提高、多源观测资料应用、区域中尺度数值预报模式和集合预报技术的发展及订正能力的提高、人工智能技术的应用等几个方面对如何提高暴雨预报准确率提出一些思考。  相似文献   

我国华南江南春季雷暴气候特征分析     

杨波  王园香  蔡雪薇 《热带气象学报》2019,35(4):470-479

基于我国华南江南地区274个基本地面气象观测站数据、全国闪电定位数据以及欧洲中心的全球大气再分析数据(ERA-Interim),对1981—2017年华南江南地区的春季雷暴日采用经验正交函数分解方法(EOF),并与气象要素场做回归分析。得出以下主要结论:(1)我国华南江南地区春季雷暴活动高发区主要在广西东部至广东西部;其高峰期在下午18:00和凌晨4:00左右,且大多数雷暴活动持续时间不超过3 h;山区雷暴活动主要在傍晚至夜间;平原雷暴活动主要在白天,高峰在17:00及06:00前后;(2)华南江南地区的雷暴活动存在着3~5年的短周期和16年左右的长周期变化;(3)雷暴日距平EOF分析的前3个主成分累计方差贡献达到72.3%。按其向量场的方差贡献分型,Ⅰ型表现为华南江南雷暴活跃特征呈现较统一的变化规律。深厚西南低涡槽前、上干下湿的水汽层结、上冷下暖的温度层结为华南江南地区发生大范围雷暴天气提供良好的动力、水汽和位势不稳定条件,是华南江南雷暴活跃异常的主要模态;Ⅱ型表现为从华南南部到江西与浙江南部有一条西南-东北向、下宽上窄的雷暴活跃正距平异常区,而两侧为负距平异常区。其环流特征表现为温度整层偏冷,水汽整层偏湿,而西南槽前动力抬升有利于水汽抬升凝结触发对流形成雷暴;Ⅲ型表现为华南和江南地区雷暴活跃特征呈南北反位相异常,其分界线在26 °N附近。其环流特征表现为较强的干冷空气南下与南方暖湿空气在南岭山区对峙形成异常的垂直环流圈。在其上升支,低层干冷空气被卷入中高层使得中高层暖湿空气凝结释放潜热形成对流,造成华南地区多雷暴发生,而江南地区处于垂直环流的下沉支,整层湿度偏干,造成江南地区雷暴相对偏少。   相似文献   

基于最优概率的中期延伸期过程累计降水量分级订正预报     

牛若芸 《热带气象学报》2019,35(6):721-731

采用ECMWF集合预报降水量资料和中国降水量观测资料,研发了基于最优概率的过程累计降水量分级订正预报(OPPF)技术,并在遵循总体技术思路的基础上设计出三种不同的OPPF计算方案(OPPF1、OPPF2、OPPF3),继而选用2015—2017年汛期(5—9月)中国91次区域性强降水过程进行回报试验和预报效果对比评估,结果表明:(1)在中期延伸期预报时效(96~360小时),对强降水和有无降水的预报效果,三种OPPF均明显优于集合平均(EMPF)和控制预报(CTPF);对中等以上或较强以上强度降水的预报效果,OPPF1和OPPF3明显优于CTPF、与EMPF基本接近。(2)三种OPPF相比,OPPF3的预报效果较OPPF1总体略胜一筹,两者均好于OPPF2。(3)预报效果存在明显的地域差异,南方地区强降水预报的TS评分明显大于北方地区,且OPPF3预报效果明显优于EMPF;在96~240小时预报时效,东北地区东部OPPF3强降水的预报效果也明显好于EMPF。   相似文献   

月降水量的持续性分析   总被引：1，自引：0，他引：1  

陈兴芳  宋文玲 《应用气象学报》1993,(Z1)

根据1951—1990年全国160站月降水量资料,通过计算相关系数、相关概率和持续性比,统计分析降水量的月际持续性特点.其结果可为月尺度降水的长期预报提供有关信息和相应的气候概况.  相似文献   

北方瑞雪纷飞小麦得益 南方低温阴雨作物受害     

徐良炎 《气象》1993,19(4):62-63

  相似文献   

台风强度变化的诊断分析和预报   总被引：5，自引：1，他引：5  

薛秋芳  燕芳杰  范永祥  吴之翔 《气象》1993,19(2):25-29

  相似文献