Development of typhoon driven wave nowcasting model in Southeast China Sea

Using Optimal Interpolation data assimilation of observed wave spectrum around Northeast coast of Taiwan Island, the typhoon driven wave nowcasting model in Southeast China Sea is setup. The SWAN model is used to calculate wave field and the input wind field is the QSCAT/NCEP data. The two-dimensional wavelet transform is applied to analyze the X-band radar image of nearshore wave field and it reveals that the observed wave spectrum has shoaling characteristics in frequency domain. The reverse calculation approach of wave spectrum in deep water is proposed and validated with experimental tests. The two-dimensional digital low-pass filter is used to obtain the initialization wave field. Wave data during Typhoon Sinlaku is used to calibrate the data assimilation parameters and test the reverse calculation approach. Data assimilation corrects significant wave height and low frequency spectra energy evidently at Beishuang station on Fujian Province coast, where the entire assimilation indexes are positive in verification moments. The nowcasting wave field shows that the present model can obtain more accurate wave predictions for coastal and ocean engineering in Southeast China Sea.     

Development of a recurrent Sigma-Pi neural network rainfall forecasting system in Hong Kong

At the moment, weather forecasting is still an art — the experience and intuition of forecasters play a significant role in determining the quality of forecasting. This paper describes the development of a new approach to rainfall forecasting using neural networks. It deals with the extraction of information from radar images and an evaluation of past rain gauge records to provide shortterm rainfall forecasting. All of the meteorological data were provided by the Royal Observatory of Hong Kong (ROHK). Preprocessing procedures were essential for this neural network rainfall forecasting. The forecast of the rainfall was performed every half an hour so that a storm warning signal can be delivered to the public in advance. The network architecture is based on a recurrent Sigma-Pi network. The results are very promising, and this neural-based rainfall forecasting system is capable of providing a rain storm warning signal to the Hong Kong public one hour ahead.     

雷暴云团的识别追踪技术在短时临近预报中的应用

应用K均值聚类算法识别雷暴云团,对其进行追踪,通过线性外推的方法进行预报,并采用雷达反射率因子Z和降水强度R的统计关系式Z=ARb,对雷达实测的Z值与相应地面雨量计实测的雨强数据进行比较,经过回归统计分析,分别得到不同降水量级下的A、b系数,获得相应降水估算方程。选取2007年9月18日降水过程的南京雷达资料,对这种雷暴云团的识别追踪方法进行了详细说明,并对预报结果进行了验证。结果表明：该方法能够较好地识别追踪和外推预报雷暴云团,对短时降水能做出比较准确的估算。     

基于雷电定位系统监测数据的雷暴云趋势预测

以往的雷电预警研究无法给出特定区域落雷密度以及落雷频数随着雷暴生消演变的规律,而这是影响输电线路实时雷击跳闸概率的关键因素,对于输电线路雷击跳闸预警研究具有重要意义。首先将观测的目标区域按0.01×0.01划分为等面积网格,将每15 min雷电定位系统测量落雷数据按时间等分为3段;通过对每段落雷数据聚类分析剔除数据中的杂散点;在聚类云团识别的基础上,线性拟合3个连续时间段每个聚类云团质心位置,预测未来15 min内任意时间聚类云团质心移动规律;统计分析该时间段每个网格落雷密度并利用反距离加权插值法对所有网格在该时间落雷密度进行计算,获得聚类云团覆盖区域;最后,利用海南电网雷电定位系统历史数据对该算法进行验证。结果表明,该算法在15 min内聚类云团质心预测结果相对误差在20%以内,落雷预测区域与实际落雷区域基本吻合。     

新一代多普勒天气雷达三维数字化拼图系统研究*

我国正在进行新一代多普勒天气雷达的建设工作,组网雷达三维数据拼图对提高灾害性天气的监测和预警能力、改善临近预报、深化雷达资料应用具有重要意义。研发了基于新一代多普勒天气雷达原始数据的三维组网数字化拼图软件系统,介绍了软件系统的体系结构与实现等内容。     

短时、临近、雷电和预警制作的多任务平台

为提高地市级气象台制作各种预报和预警产品的效率,分析表明短时预报、临近预报、雷电预报和灾害性天气预警信号的制作过程和内容具有类同的特点.在有限硬件条件下,用集约化、多任务、多功能的设计理念,借助计算机语言,建成地市级气象台集短时预报、临近预报、雷电预报和灾害性天气预警信号制作于一身的多功能平台.该平台集合4项预报业务的制作分发任务,减少重复设计;采用3种编辑方式和2种输入方式,使操作省力而简单;同时配置2种传输方式,提高了程序的网络环境适应性.业务应用表明,该平台可以使每项预报产品从开始制作到最后发送出去比手工操作节约时间达到75%～80%;并说明,用小系统、数据交换和业务流程可组合成"大系统."     

基于LSTM网络的大雾临近预报模型及应用

长短期记忆网络（LSTM）是一种时间递归神经网络,适合于预测时间序列延续性相对较长的事件.本文基于LSTM网络构建了一个全新的大雾临近预报框架,首先将地面气象要素观测资料转化成时间序列数据,并基于此序列进行建模.为了验证提出的模型的准确性,将安徽省81个国家站近2年地面气象要素数据转换为序列数据,基于该数据集对未来1–4小时进行逐小时大雾预报实验,实验结果显示本文提出的模型其TS-Score分别为61%、55%、36%和31%,明显优于卷积神经网络（CNN）以及传统机器学习算法如支持向量机（SVM）和K-近邻算法（KNN）的预测结果,是大雾临近预报的一种有效预报方法.     

基于大气电场资料的雷电临近预警研究

通过分析深圳地区2012年6—9月17次雷暴过程的电场观测资料,并结合广东省闪电定位资料,发现当雷暴云移近电场仪测站时,在测站的防护区内(距测站10 km半径范围内),闪电发生前的电场幅值快速增加且伴随有快变抖动的现象,并且快变抖动和闪电的发生具有0-1化对应关系,即当有电场的快变抖动出现的情况下,电场达到一定阈值并维持一段时间后,防护区内发生闪电的可能性很大.因此根据大气电场的波形特征,提取出与闪电相关性较高的因子,利用多元回归技术建立一套预报方程,根据该预报方程得出最佳预警参数.结果表明:当大气电场阈值达到0.86 kV/m,且在10.73 min内电场能维持在阈值上,并伴随有电场的抖动时,在防护区内发生闪电的可能性很大,预警准确率达53%.     

OPTICS算法在雷电临近预报中的应用

针对密度分布不均的雷电定位资料,提出了一种基于OPTICS聚类算法的雷电临近预警模型。该模型运用OPTICS算法对雷暴天气连续时段的雷电定位资料进行聚类分析,有效剔除了影响雷暴云分布的稀疏点。在聚类分析结果基础上,利用“膨胀〖CD*2〗侵蚀”算法还原雷暴云真实分布,根据雷暴云的移动趋势进行雷电落区预报。此外,针对传统预测算法运行时间长的缺陷,运用邻接表改进了OPTICS算法,且优化了可达队列更新策略。实验结果表明,基于改进的OPTICS算法所构建的雷电临近预报模型降低了算法运行时间,同时提高了雷电预报模型适应能力及预测的准确率。     

基于DBSCAN聚类算法的闪电临近预报模型

针对闪电定位仪中庞大而杂乱的定位数据,提出一种基于改进DBSCAN聚类算法(IDBSCAN)进行闪电聚类分析的方法。该方法依据闪电定位系统中的实时监控数据,搜索闪电密度大于阈值范围的地闪点,建立密度可达最大值的地闪聚类簇,并找到该簇类中的核心地闪点。同时,应用邻接表结构对DBSCAN算法进行改进,使得初始地闪数据的搜索集的建立时间和空间得到大大减少。在聚类分析结果基础上,对核心地闪点的移动路径进行拟合,从而预报下一时刻的核心地闪点位置。实验证明,将IDBSCAN算法应用在闪电临近预报中是有效的。