利用2008—2017年5~8月天山南侧喀什地区气象台站观测记录、人工防雹作业点记录、灾害调查等资料,喀什探空站08时、20时探空资料,喀什雷达探测资料及其基数据反演产品,对冰雹的年分布、月分布及日变化特征进行了分析,归纳出冰雹云的雷...利用2008—2017年5~8月天山南侧喀什地区气象台站观测记录、人工防雹作业点记录、灾害调查等资料,喀什探空站08时、20时探空资料,喀什雷达探测资料及其基数据反演产品,对冰雹的年分布、月分布及日变化特征进行了分析,归纳出冰雹云的雷达回波特征及移动路径,依据百分位数方法确定了以0℃层高度、-20℃层高度、冻结层厚度、全总指数、杰弗逊指数、K指数、沙氏指数为代表的冰雹预报指标,以及以回波顶高及其与当日0℃层高度差、40~50 d BZ回波高度及其与当日0℃层高度差、组合反射率、垂直积分液态水含量为代表的雷达特征预警指标。展开更多
利用2006—2009年丽江市气象台的冰雹观测记录、短时强降水、民政部门提供的冰雹灾情资料和丽江CINRAD/CC雷达观测资料,对垂直累积液态水含量(Vertically Integrated Liquid Water Con-tent,VIL)进行了统计分析。结果表明,当VIL值>5k...利用2006—2009年丽江市气象台的冰雹观测记录、短时强降水、民政部门提供的冰雹灾情资料和丽江CINRAD/CC雷达观测资料,对垂直累积液态水含量(Vertically Integrated Liquid Water Con-tent,VIL)进行了统计分析。结果表明,当VIL值>5kg·m-2时将会出现强对流天气,当VIL≥21kg·m-2时预示着发生冰雹的可能性极大,是人工防雹作业启动的关键值,冰雹云中的VIL值远远大于带来短时强降水的普通对流云;在降雹前VIL值都有明显的跃增;距离雷达站较近或较远区域的VIL值会被低估,在37kg·m-2以下也会降雹,通常降雹的VIL值大都在37kg·m-2以上。展开更多
文摘利用2008—2017年5~8月天山南侧喀什地区气象台站观测记录、人工防雹作业点记录、灾害调查等资料,喀什探空站08时、20时探空资料,喀什雷达探测资料及其基数据反演产品,对冰雹的年分布、月分布及日变化特征进行了分析,归纳出冰雹云的雷达回波特征及移动路径,依据百分位数方法确定了以0℃层高度、-20℃层高度、冻结层厚度、全总指数、杰弗逊指数、K指数、沙氏指数为代表的冰雹预报指标,以及以回波顶高及其与当日0℃层高度差、40~50 d BZ回波高度及其与当日0℃层高度差、组合反射率、垂直积分液态水含量为代表的雷达特征预警指标。
文摘利用长春2007年5月16日的一次层状云降水过程的飞机观测资料,并结合天气图、卫星云图及雷达回波等资料,综合分析了此次降水过程中粒子浓度、粒子谱、雷达垂直累积液态水(vertical integrated liquidwater,VIL)、微波辐射计积分液态水(liquid water content,LWC)以及地面雨强特征。研究表明,层状云微结构在水平方向上的起伏较大,出现两次典型的含水量跃变:第1次液态水跃变主要是因为粒子浓度增加;第2次液态水跃变是因为粒子浓度和粒子谱共同作用的结果;雷达VIL值和地面雨强两者呈正相关。
文摘利用2006—2009年丽江市气象台的冰雹观测记录、短时强降水、民政部门提供的冰雹灾情资料和丽江CINRAD/CC雷达观测资料,对垂直累积液态水含量(Vertically Integrated Liquid Water Con-tent,VIL)进行了统计分析。结果表明,当VIL值>5kg·m-2时将会出现强对流天气,当VIL≥21kg·m-2时预示着发生冰雹的可能性极大,是人工防雹作业启动的关键值,冰雹云中的VIL值远远大于带来短时强降水的普通对流云;在降雹前VIL值都有明显的跃增;距离雷达站较近或较远区域的VIL值会被低估,在37kg·m-2以下也会降雹,通常降雹的VIL值大都在37kg·m-2以上。
文摘以大气垂直累积液态水含量的预报问题为例,使用UNet网络结构作为基础结构构建时空预报模型,对比了采用两类预报策略的模型的预报效果,预报策略包含一个迭代预报策略(Recursive Forecast Strategy,RFS)以及两个直接预报策略(Direct Forecast Strategies,DFSs)。研究结果表明,两个直接预报模型对整体预报时段的预报效果明显优于迭代预报模型,直接预报模型的RMSE比迭代预报模型低19%。随着预报时次的增加,迭代预报模型的预报误差累积速度比两个直接预报模型快。在两个直接预报模型中,多时次输出模型(Direct Forecast Model Multi-Steps,DFS-M)的预报表现更加稳健,在整体预报时段上预报效果优于单时次输出模型(Direct Forecast Model Single-Step,DFS-S),但DFS-S模型对几个前期时次的预报效果较好。本研究利用深度学习可解释性技术中的深度学习重要特征分析方法(Deep Learning Important FeaTures,DeepLIFT)分析DFS-M和DFS-S模型各个输入时次对于模型预报的相对重要性。研究结果表明,DFS-M和DFS-S模型80%的输入重要性都集中在最后两个输入时次上,较早期输入时次的重要性随着预报时次的增加而呈现上升趋势。由于各输出时次间存在一定的统计相关性,受输出时次相关性约束的DFS-M模型的输入时次重要性变化比DFS-S模型更加稳定。通过将DFS-M和DFS-S模型对于不同时次的预报进行结合,可以得到效果更加均衡的预报。本研究可以为基于深度学习的天气气候预报方法的选择提供新的思路。
