2024年第52卷第3期文章目次
2024, 52(3):309-317.
DOI: 10.19517/j.1671-6345.20230123
摘要:
針對(duì)靜止軌道遙感衛(wèi)星上多通道掃描型載荷成像、傳輸與存儲(chǔ)過程中，存在數(shù)據(jù)質(zhì)量下降等問題，本文在經(jīng)典三維塊匹配算法（Block Matching 3D，BM3D）基礎(chǔ)上，提出一種基于多層級(jí)小波分解的并行執(zhí)行策略。首先，使用小波變換對(duì)原始?xì)庀筮b感圖像分解，得到4個(gè)圖像分量；其次，將所得圖像分量進(jìn)一步進(jìn)行3級(jí)分解，并選擇其中的10個(gè)圖像分量；最后，每個(gè)分量并行執(zhí)行BM3D濾波器去噪，并重構(gòu)10個(gè)分量的輸出圖像。與傳統(tǒng)BM3D去噪算法相比，改進(jìn)BM3D算法的計(jì)算量可有效降低20%以上。通過與中值濾波、均值濾波、NL-Bayes、BM3D四種降噪算法進(jìn)行實(shí)驗(yàn)對(duì)比，所提算法的峰值信噪比平均增益在0.39～4.45 dB之間，特別是在高斯白噪聲和脈沖噪聲的混合噪聲去噪方面要顯著優(yōu)于選取的四種對(duì)比算法。
針對(duì)靜止軌道遙感衛(wèi)星上多通道掃描型載荷成像、傳輸與存儲(chǔ)過程中，存在數(shù)據(jù)質(zhì)量下降等問題，本文在經(jīng)典三維塊匹配算法（Block Matching 3D，BM3D）基礎(chǔ)上，提出一種基于多層級(jí)小波分解的并行執(zhí)行策略。首先，使用小波變換對(duì)原始?xì)庀筮b感圖像分解，得到4個(gè)圖像分量；其次，將所得圖像分量進(jìn)一步進(jìn)行3級(jí)分解，并選擇其中的10個(gè)圖像分量；最后，每個(gè)分量并行執(zhí)行BM3D濾波器去噪，并重構(gòu)10個(gè)分量的輸出圖像。與傳統(tǒng)BM3D去噪算法相比，改進(jìn)BM3D算法的計(jì)算量可有效降低20%以上。通過與中值濾波、均值濾波、NL-Bayes、BM3D四種降噪算法進(jìn)行實(shí)驗(yàn)對(duì)比，所提算法的峰值信噪比平均增益在0.39～4.45 dB之間，特別是在高斯白噪聲和脈沖噪聲的混合噪聲去噪方面要顯著優(yōu)于選取的四種對(duì)比算法。
2024, 52(3):318-329.
DOI: 10.19517/j.1671-6345.20230129
摘要:
暈渲法根據(jù)山體陰影值的原理，利用光照角度和方向、坡度和坡向的關(guān)系來計(jì)算光通量的明暗值，利用色調(diào)的明暗來展現(xiàn)氣象模式數(shù)據(jù)的立體感。暈渲圖的著色方法是將每個(gè)格點(diǎn)上的明暗值作為HSV色彩模式中的明度，結(jié)合飽和度和色度獲得HSV色彩值，再通過HSV色彩模式和RGB色彩模型之間的轉(zhuǎn)換，使用RGB色彩模型進(jìn)行著色，實(shí)現(xiàn)氣象模式數(shù)據(jù)彩色暈渲圖的繪制。本文在氣象模式數(shù)據(jù)的可視化工作中，利用暈渲圖技術(shù)，實(shí)現(xiàn)對(duì)物理概念上與地形類似的氣壓、位勢(shì)高度等數(shù)據(jù)的三維繪制。相比于傳統(tǒng)的等值線填色方法，暈渲圖技術(shù)能夠直觀表現(xiàn)大氣形勢(shì)場(chǎng)的立體分布，以凹凸效果表現(xiàn)高低值天氣系統(tǒng)，通過坡面的陡度體現(xiàn)天氣系統(tǒng)的梯度變化；能夠展現(xiàn)數(shù)據(jù)的像素級(jí)細(xì)節(jié)，識(shí)別梯度較小的渦流擾動(dòng)，顯示等效地形影響，幫助氣象工作者更好地解釋數(shù)據(jù)，為氣象模式中數(shù)據(jù)處理的改進(jìn)提供參考。
暈渲法根據(jù)山體陰影值的原理，利用光照角度和方向、坡度和坡向的關(guān)系來計(jì)算光通量的明暗值，利用色調(diào)的明暗來展現(xiàn)氣象模式數(shù)據(jù)的立體感。暈渲圖的著色方法是將每個(gè)格點(diǎn)上的明暗值作為HSV色彩模式中的明度，結(jié)合飽和度和色度獲得HSV色彩值，再通過HSV色彩模式和RGB色彩模型之間的轉(zhuǎn)換，使用RGB色彩模型進(jìn)行著色，實(shí)現(xiàn)氣象模式數(shù)據(jù)彩色暈渲圖的繪制。本文在氣象模式數(shù)據(jù)的可視化工作中，利用暈渲圖技術(shù)，實(shí)現(xiàn)對(duì)物理概念上與地形類似的氣壓、位勢(shì)高度等數(shù)據(jù)的三維繪制。相比于傳統(tǒng)的等值線填色方法，暈渲圖技術(shù)能夠直觀表現(xiàn)大氣形勢(shì)場(chǎng)的立體分布，以凹凸效果表現(xiàn)高低值天氣系統(tǒng)，通過坡面的陡度體現(xiàn)天氣系統(tǒng)的梯度變化；能夠展現(xiàn)數(shù)據(jù)的像素級(jí)細(xì)節(jié)，識(shí)別梯度較小的渦流擾動(dòng)，顯示等效地形影響，幫助氣象工作者更好地解釋數(shù)據(jù)，為氣象模式中數(shù)據(jù)處理的改進(jìn)提供參考。
2024, 52(3):330-339.
DOI: 10.19517/j.1671-6345.20230166
摘要:
為提高冰雹探測(cè)算法（Hail Detection Algorithm，HDA）產(chǎn)品的可用性，針對(duì)2015—2020年普洱地區(qū)監(jiān)測(cè)到的22次冰雹個(gè)例，利用新一代雷達(dá)業(yè)務(wù)應(yīng)用軟件ROSE2.0對(duì)相關(guān)雷達(dá)基數(shù)據(jù)進(jìn)行回放及產(chǎn)品分析，以命中率、虛警率、臨界成功指數(shù)為指標(biāo)對(duì)HDA算法在普洱地區(qū)的識(shí)別效果進(jìn)行評(píng)估并給出本地化參數(shù)配置方案。結(jié)果表明:HDA算法在普洱地區(qū)命中率接近100%，但虛警現(xiàn)象非常普遍，使用強(qiáng)冰雹概率（Probability of Severe Hail，POSH）的預(yù)警效果優(yōu)于任意大小冰雹概率（Probability of Hail，POH），且冰雹尺寸越大POSH虛警的概率越低。進(jìn)一步使用模擬測(cè)評(píng)法對(duì)POSH算法的適配參數(shù)進(jìn)行分析，發(fā)現(xiàn)正確輸入降雹日當(dāng)天的0 ℃層和-20 ℃層高度能有效減少POSH的虛警率及提高臨界成功指數(shù)；同時(shí)使算法預(yù)測(cè)的最大冰雹直徑普遍偏大的情況得到控制，其中，中小冰雹直徑偏離百分比減小76.07%，改善效果顯著高于大冰雹。此外，增大反射率因子及POSH閾值能有效控制虛警，但也導(dǎo)致漏報(bào)次數(shù)快速增加，當(dāng)閾值太大時(shí)命中率明顯降低，為了保證較高的命中率和臨界成功指數(shù)，選擇Z=50 dBz或POSH=70%為閾值能明顯改善HDA算法的識(shí)別效果。
為提高冰雹探測(cè)算法（Hail Detection Algorithm，HDA）產(chǎn)品的可用性，針對(duì)2015—2020年普洱地區(qū)監(jiān)測(cè)到的22次冰雹個(gè)例，利用新一代雷達(dá)業(yè)務(wù)應(yīng)用軟件ROSE2.0對(duì)相關(guān)雷達(dá)基數(shù)據(jù)進(jìn)行回放及產(chǎn)品分析，以命中率、虛警率、臨界成功指數(shù)為指標(biāo)對(duì)HDA算法在普洱地區(qū)的識(shí)別效果進(jìn)行評(píng)估并給出本地化參數(shù)配置方案。結(jié)果表明:HDA算法在普洱地區(qū)命中率接近100%，但虛警現(xiàn)象非常普遍，使用強(qiáng)冰雹概率（Probability of Severe Hail，POSH）的預(yù)警效果優(yōu)于任意大小冰雹概率（Probability of Hail，POH），且冰雹尺寸越大POSH虛警的概率越低。進(jìn)一步使用模擬測(cè)評(píng)法對(duì)POSH算法的適配參數(shù)進(jìn)行分析，發(fā)現(xiàn)正確輸入降雹日當(dāng)天的0 ℃層和-20 ℃層高度能有效減少POSH的虛警率及提高臨界成功指數(shù)；同時(shí)使算法預(yù)測(cè)的最大冰雹直徑普遍偏大的情況得到控制，其中，中小冰雹直徑偏離百分比減小76.07%，改善效果顯著高于大冰雹。此外，增大反射率因子及POSH閾值能有效控制虛警，但也導(dǎo)致漏報(bào)次數(shù)快速增加，當(dāng)閾值太大時(shí)命中率明顯降低，為了保證較高的命中率和臨界成功指數(shù)，選擇Z=50 dBz或POSH=70%為閾值能明顯改善HDA算法的識(shí)別效果。
2024, 52(3):340-346.
DOI: 10.19517/j.1671-6345.20230182
摘要:
為實(shí)現(xiàn)2025年氣象關(guān)鍵核心技術(shù)自主可控的目標(biāo)，氣象大數(shù)據(jù)云平臺(tái)（簡(jiǎn)稱天擎）建立了基于海光X86服務(wù)器和麒麟操作系統(tǒng)的仿真環(huán)境。在仿真平臺(tái)運(yùn)行中發(fā)現(xiàn)，基于容器技術(shù)的產(chǎn)品加工與流水線子系統(tǒng)容器調(diào)度性能較差，不能滿足用戶融入算法的時(shí)效要求。針對(duì)此問題，本文采用對(duì)比分析法，選取天擎仿真環(huán)境和業(yè)務(wù)環(huán)境的3種CPU芯片服務(wù)器和3種操作系統(tǒng)為研究對(duì)象，設(shè)計(jì)了一系列組合對(duì)比測(cè)試用例，找到了影響容器調(diào)度性能的關(guān)鍵因素—操作系統(tǒng)內(nèi)核，并進(jìn)一步分析了操作系統(tǒng)內(nèi)核設(shè)置對(duì)系統(tǒng)實(shí)時(shí)性和吞吐量的影響以及適用的業(yè)務(wù)場(chǎng)景。最后給出了麒麟操作系統(tǒng)內(nèi)核調(diào)整方法，通過調(diào)整內(nèi)核設(shè)置，容器調(diào)度性能大幅提高，滿足了產(chǎn)品加工系統(tǒng)的時(shí)效要求，為實(shí)現(xiàn)天擎的關(guān)鍵核心技術(shù)自主可控奠定基礎(chǔ)。
為實(shí)現(xiàn)2025年氣象關(guān)鍵核心技術(shù)自主可控的目標(biāo)，氣象大數(shù)據(jù)云平臺(tái)（簡(jiǎn)稱天擎）建立了基于海光X86服務(wù)器和麒麟操作系統(tǒng)的仿真環(huán)境。在仿真平臺(tái)運(yùn)行中發(fā)現(xiàn)，基于容器技術(shù)的產(chǎn)品加工與流水線子系統(tǒng)容器調(diào)度性能較差，不能滿足用戶融入算法的時(shí)效要求。針對(duì)此問題，本文采用對(duì)比分析法，選取天擎仿真環(huán)境和業(yè)務(wù)環(huán)境的3種CPU芯片服務(wù)器和3種操作系統(tǒng)為研究對(duì)象，設(shè)計(jì)了一系列組合對(duì)比測(cè)試用例，找到了影響容器調(diào)度性能的關(guān)鍵因素—操作系統(tǒng)內(nèi)核，并進(jìn)一步分析了操作系統(tǒng)內(nèi)核設(shè)置對(duì)系統(tǒng)實(shí)時(shí)性和吞吐量的影響以及適用的業(yè)務(wù)場(chǎng)景。最后給出了麒麟操作系統(tǒng)內(nèi)核調(diào)整方法，通過調(diào)整內(nèi)核設(shè)置，容器調(diào)度性能大幅提高，滿足了產(chǎn)品加工系統(tǒng)的時(shí)效要求，為實(shí)現(xiàn)天擎的關(guān)鍵核心技術(shù)自主可控奠定基礎(chǔ)。
2024, 52(3):347-355.
DOI: 10.19517/j.1671-6345.20230189
摘要:
為打破傳統(tǒng)氣象業(yè)務(wù)空間的局限性，實(shí)現(xiàn)全省分級(jí)聯(lián)動(dòng)的監(jiān)控體系，提升氣象數(shù)據(jù)和裝備的保障能力，以手機(jī)APP為載體開發(fā)集約多功能領(lǐng)域、面向多用戶群體的氣象綜合監(jiān)控系統(tǒng)。系統(tǒng)以Springboot+Vue+Mybatis-Plus為開發(fā)框架，通過開發(fā)接口程序從多業(yè)務(wù)平臺(tái)獲取源數(shù)據(jù)，經(jīng)過統(tǒng)一格式以后推送給隔離區(qū)提供訪問服務(wù)，同時(shí)采用跨平臺(tái)開發(fā)uni-app、增強(qiáng)版持久層Mybatis-Plus、實(shí)時(shí)數(shù)據(jù)集成FlinkCDC等技術(shù)框架提升系統(tǒng)的安全性、兼容性和高效性。系統(tǒng)在貴州省、市、縣、站各級(jí)氣象部門推廣使用。結(jié)果表明：該系統(tǒng)同時(shí)兼容Android以及iOS等多移動(dòng)端系統(tǒng)，運(yùn)行穩(wěn)定，氣象資料的及時(shí)性監(jiān)測(cè)有所提升。
為打破傳統(tǒng)氣象業(yè)務(wù)空間的局限性，實(shí)現(xiàn)全省分級(jí)聯(lián)動(dòng)的監(jiān)控體系，提升氣象數(shù)據(jù)和裝備的保障能力，以手機(jī)APP為載體開發(fā)集約多功能領(lǐng)域、面向多用戶群體的氣象綜合監(jiān)控系統(tǒng)。系統(tǒng)以Springboot+Vue+Mybatis-Plus為開發(fā)框架，通過開發(fā)接口程序從多業(yè)務(wù)平臺(tái)獲取源數(shù)據(jù)，經(jīng)過統(tǒng)一格式以后推送給隔離區(qū)提供訪問服務(wù)，同時(shí)采用跨平臺(tái)開發(fā)uni-app、增強(qiáng)版持久層Mybatis-Plus、實(shí)時(shí)數(shù)據(jù)集成FlinkCDC等技術(shù)框架提升系統(tǒng)的安全性、兼容性和高效性。系統(tǒng)在貴州省、市、縣、站各級(jí)氣象部門推廣使用。結(jié)果表明：該系統(tǒng)同時(shí)兼容Android以及iOS等多移動(dòng)端系統(tǒng)，運(yùn)行穩(wěn)定，氣象資料的及時(shí)性監(jiān)測(cè)有所提升。
2024, 52(3):356-366.
DOI: 10.19517/j.1671-6345.20230120
摘要:
基于污染物情況、環(huán)流系統(tǒng)和時(shí)空分布特征分析，利用神經(jīng)網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)進(jìn)行建模，生成了能見度集合預(yù)報(bào)產(chǎn)品。在2022年冬季的TS評(píng)分檢驗(yàn)中，預(yù)報(bào)產(chǎn)品優(yōu)于歐洲中期數(shù)值預(yù)報(bào)中心模式(ECMWF)的能見度預(yù)報(bào)產(chǎn)品。利用概率匹配、最優(yōu)百分位和神經(jīng)網(wǎng)絡(luò)三種后處理方法生成后處理產(chǎn)品，這些產(chǎn)品的TS評(píng)分優(yōu)于集合預(yù)報(bào)產(chǎn)品。預(yù)報(bào)輸入的ECMWF模式2 m濕度與實(shí)況的偏差是誤差的主要來源。利用集成方法對(duì)三種后處理產(chǎn)品進(jìn)行集成，其TS評(píng)分結(jié)果在低能見度區(qū)間總體接近或略優(yōu)于原始產(chǎn)品。生成的能見度集合預(yù)報(bào)后處理最優(yōu)集成預(yù)報(bào)產(chǎn)品成功提高了對(duì)中期延伸期能見度天氣的預(yù)測(cè)準(zhǔn)確性。
基于污染物情況、環(huán)流系統(tǒng)和時(shí)空分布特征分析，利用神經(jīng)網(wǎng)絡(luò)對(duì)歷史數(shù)據(jù)進(jìn)行建模，生成了能見度集合預(yù)報(bào)產(chǎn)品。在2022年冬季的TS評(píng)分檢驗(yàn)中，預(yù)報(bào)產(chǎn)品優(yōu)于歐洲中期數(shù)值預(yù)報(bào)中心模式(ECMWF)的能見度預(yù)報(bào)產(chǎn)品。利用概率匹配、最優(yōu)百分位和神經(jīng)網(wǎng)絡(luò)三種后處理方法生成后處理產(chǎn)品，這些產(chǎn)品的TS評(píng)分優(yōu)于集合預(yù)報(bào)產(chǎn)品。預(yù)報(bào)輸入的ECMWF模式2 m濕度與實(shí)況的偏差是誤差的主要來源。利用集成方法對(duì)三種后處理產(chǎn)品進(jìn)行集成，其TS評(píng)分結(jié)果在低能見度區(qū)間總體接近或略優(yōu)于原始產(chǎn)品。生成的能見度集合預(yù)報(bào)后處理最優(yōu)集成預(yù)報(bào)產(chǎn)品成功提高了對(duì)中期延伸期能見度天氣的預(yù)測(cè)準(zhǔn)確性。
2024, 52(3):367-379.
DOI: 10.19517/j.1671-6345.20230172
摘要:
基于歐洲中期天氣預(yù)報(bào)中心（European Center for Medium-range Weather Forecasts，ECMWF）集合預(yù)報(bào)資料及浙江全省自動(dòng)站降水觀測(cè)資料，采用貝葉斯模型平均（Bayesian Model Average, BMA）方法對(duì)2020年浙江超長(zhǎng)梅汛期開展降水概率預(yù)報(bào)訂正試驗(yàn)。采用平均絕對(duì)誤差、連續(xù)等級(jí)概率評(píng)分、布萊爾評(píng)分BS、Talagrand、概率積分變換(Probability Integral Transform, PIT)直方圖及屬性圖檢驗(yàn)方法對(duì)本次過程BMA訂正前后的概率預(yù)報(bào)進(jìn)行對(duì)比分析，結(jié)果表明：①50 d為適用于浙江梅汛期ECMWF集合預(yù)報(bào)訂正的BMA最優(yōu)訓(xùn)練期，經(jīng)最優(yōu)訓(xùn)練期的BMA訂正后，預(yù)報(bào)離散度有所增加，預(yù)報(bào)誤差有所下降；②BMA對(duì)0.1 mm、10.0 mm和25.0 mm閾值降水的訂正效果顯著，經(jīng)BMA訂正后3個(gè)閾值的降水預(yù)報(bào)BS下降率分別為25.92%、19.29%、4.76%，但對(duì)超過50.0 mm的降水訂正效果不明顯，且隨著降水閾值增加，BMA的訂正效果減弱；③在強(qiáng)降水個(gè)例中，BMA能有效減少各閾值降水預(yù)報(bào)概率大值落區(qū)偏差，使訂正后的降水預(yù)報(bào)概率大值區(qū)與觀測(cè)落區(qū)更一致。
基于歐洲中期天氣預(yù)報(bào)中心（European Center for Medium-range Weather Forecasts，ECMWF）集合預(yù)報(bào)資料及浙江全省自動(dòng)站降水觀測(cè)資料，采用貝葉斯模型平均（Bayesian Model Average, BMA）方法對(duì)2020年浙江超長(zhǎng)梅汛期開展降水概率預(yù)報(bào)訂正試驗(yàn)。采用平均絕對(duì)誤差、連續(xù)等級(jí)概率評(píng)分、布萊爾評(píng)分BS、Talagrand、概率積分變換(Probability Integral Transform, PIT)直方圖及屬性圖檢驗(yàn)方法對(duì)本次過程BMA訂正前后的概率預(yù)報(bào)進(jìn)行對(duì)比分析，結(jié)果表明：①50 d為適用于浙江梅汛期ECMWF集合預(yù)報(bào)訂正的BMA最優(yōu)訓(xùn)練期，經(jīng)最優(yōu)訓(xùn)練期的BMA訂正后，預(yù)報(bào)離散度有所增加，預(yù)報(bào)誤差有所下降；②BMA對(duì)0.1 mm、10.0 mm和25.0 mm閾值降水的訂正效果顯著，經(jīng)BMA訂正后3個(gè)閾值的降水預(yù)報(bào)BS下降率分別為25.92%、19.29%、4.76%，但對(duì)超過50.0 mm的降水訂正效果不明顯，且隨著降水閾值增加，BMA的訂正效果減弱；③在強(qiáng)降水個(gè)例中，BMA能有效減少各閾值降水預(yù)報(bào)概率大值落區(qū)偏差，使訂正后的降水預(yù)報(bào)概率大值區(qū)與觀測(cè)落區(qū)更一致。
2024, 52(3):380-391.
DOI: 10.19517/j.1671-6345.20230246
摘要:
對(duì)足夠精細(xì)的觀測(cè)資料做詳盡的分析有助于澄清對(duì)流組織與增強(qiáng)的動(dòng)力機(jī)制。本文利用機(jī)場(chǎng)跑道兩端的分鐘雨量資料、常規(guī)觀測(cè)資料、加密自動(dòng)站、ERA5再分析和S波段雙偏振、X波段雙偏振相控陣?yán)走_(dá)資料，對(duì)2022年7月15日廈門機(jī)場(chǎng)出現(xiàn)的一次短時(shí)強(qiáng)降水天氣進(jìn)行了分析。結(jié)果表明：此次過程因陣風(fēng)鋒在傳播過程中與地面輻合線交叉碰并而觸發(fā)抬升，在500 hPa與850 hPa假相當(dāng)位溫差的負(fù)大值區(qū)和低層高溫高濕的環(huán)境下激發(fā)出新的對(duì)流，給廈門機(jī)場(chǎng)帶來罕見的短時(shí)強(qiáng)降水天氣，期間分鐘雨量最大達(dá)2.5 mm、跑道能見度降至400 m，兩者呈反相關(guān)，但當(dāng)分鐘雨量大于1.6 mm時(shí)兩者反相關(guān)性減弱，能見度谷值則晚于雨量峰值出現(xiàn)。觀測(cè)分析表明，徑向速度的氣旋性切變與分鐘雨量的變化趨勢(shì)較為一致，兩者有較好的對(duì)應(yīng)關(guān)系。當(dāng)2～5 km高度存在氣旋性切變時(shí)雨量顯著增加，當(dāng)有兩個(gè)高度層的切變強(qiáng)度達(dá)到2×10-3s-1以上時(shí)分鐘雨量可達(dá)約2 mm，為本次短時(shí)強(qiáng)降水的組織特征。
對(duì)足夠精細(xì)的觀測(cè)資料做詳盡的分析有助于澄清對(duì)流組織與增強(qiáng)的動(dòng)力機(jī)制。本文利用機(jī)場(chǎng)跑道兩端的分鐘雨量資料、常規(guī)觀測(cè)資料、加密自動(dòng)站、ERA5再分析和S波段雙偏振、X波段雙偏振相控陣?yán)走_(dá)資料，對(duì)2022年7月15日廈門機(jī)場(chǎng)出現(xiàn)的一次短時(shí)強(qiáng)降水天氣進(jìn)行了分析。結(jié)果表明：此次過程因陣風(fēng)鋒在傳播過程中與地面輻合線交叉碰并而觸發(fā)抬升，在500 hPa與850 hPa假相當(dāng)位溫差的負(fù)大值區(qū)和低層高溫高濕的環(huán)境下激發(fā)出新的對(duì)流，給廈門機(jī)場(chǎng)帶來罕見的短時(shí)強(qiáng)降水天氣，期間分鐘雨量最大達(dá)2.5 mm、跑道能見度降至400 m，兩者呈反相關(guān)，但當(dāng)分鐘雨量大于1.6 mm時(shí)兩者反相關(guān)性減弱，能見度谷值則晚于雨量峰值出現(xiàn)。觀測(cè)分析表明，徑向速度的氣旋性切變與分鐘雨量的變化趨勢(shì)較為一致，兩者有較好的對(duì)應(yīng)關(guān)系。當(dāng)2～5 km高度存在氣旋性切變時(shí)雨量顯著增加，當(dāng)有兩個(gè)高度層的切變強(qiáng)度達(dá)到2×10-3s-1以上時(shí)分鐘雨量可達(dá)約2 mm，為本次短時(shí)強(qiáng)降水的組織特征。
2024, 52(3):392-402.
DOI: 10.19517/j.1671-6345.20230211
摘要:
無資料地區(qū)雪災(zāi)防御參數(shù)常采用周邊有資料的氣象站參數(shù)替代，基于氣候背景相似的降雪氣候區(qū)劃可以為代表站的選取提供科學(xué)依據(jù)。本文利用湖北省76個(gè)國(guó)家氣象站1961—2020年的氣象觀測(cè)資料，選取了降雪初終日、雪日數(shù)、積雪日數(shù)、降雪量、最大積雪深度等12個(gè)多維時(shí)間序列指標(biāo)，采用Hilbert-Schmidt Independence Criterion（HSIC）核函數(shù)的有偏估計(jì)公式計(jì)算12個(gè)指標(biāo)的整體相似性，對(duì)湖北省降雪氣候進(jìn)行了聚類分析。結(jié)果表明：湖北省降雪氣候可以劃分為東南部、中部、西北部和西南部4個(gè)氣候分區(qū)，分區(qū)的地帶性分布特征與湖北省強(qiáng)降雪天氣由北方冷空氣南下產(chǎn)生的氣候背景一致；初雪日從西北部向中部、西南部、東南部降雪區(qū)推遲，終雪日則正好相反，西北部的降雪日數(shù)和積雪日數(shù)最多；東南部代表站為黃石站，中部代表站有麻城、武漢、鐘祥，西南部代表站有咸豐、巴東，西北部代表站鄖西、老河口。HSIC核函數(shù)能很好處理較大年際波動(dòng)的指標(biāo)序列集之間的相似性，其聚類方法對(duì)湖北省降雪的氣候區(qū)劃較為合理，區(qū)劃結(jié)果為湖北省精細(xì)化雪災(zāi)防御提供了技術(shù)依據(jù)。
無資料地區(qū)雪災(zāi)防御參數(shù)常采用周邊有資料的氣象站參數(shù)替代，基于氣候背景相似的降雪氣候區(qū)劃可以為代表站的選取提供科學(xué)依據(jù)。本文利用湖北省76個(gè)國(guó)家氣象站1961—2020年的氣象觀測(cè)資料，選取了降雪初終日、雪日數(shù)、積雪日數(shù)、降雪量、最大積雪深度等12個(gè)多維時(shí)間序列指標(biāo)，采用Hilbert-Schmidt Independence Criterion（HSIC）核函數(shù)的有偏估計(jì)公式計(jì)算12個(gè)指標(biāo)的整體相似性，對(duì)湖北省降雪氣候進(jìn)行了聚類分析。結(jié)果表明：湖北省降雪氣候可以劃分為東南部、中部、西北部和西南部4個(gè)氣候分區(qū)，分區(qū)的地帶性分布特征與湖北省強(qiáng)降雪天氣由北方冷空氣南下產(chǎn)生的氣候背景一致；初雪日從西北部向中部、西南部、東南部降雪區(qū)推遲，終雪日則正好相反，西北部的降雪日數(shù)和積雪日數(shù)最多；東南部代表站為黃石站，中部代表站有麻城、武漢、鐘祥，西南部代表站有咸豐、巴東，西北部代表站鄖西、老河口。HSIC核函數(shù)能很好處理較大年際波動(dòng)的指標(biāo)序列集之間的相似性，其聚類方法對(duì)湖北省降雪的氣候區(qū)劃較為合理，區(qū)劃結(jié)果為湖北省精細(xì)化雪災(zāi)防御提供了技術(shù)依據(jù)。
2024, 52(3):403-414.
DOI: 10.19517/j.1671-6345.20230186
摘要:
基于遼寧省61個(gè)國(guó)家氣象站1961—2020年和998個(gè)區(qū)域自動(dòng)氣象觀測(cè)站建站至2020年逐小時(shí)、逐日降水資料，分析了遼寧省暴雨洪澇災(zāi)害主要致災(zāi)因子，計(jì)算了暴雨洪澇孕災(zāi)環(huán)境指標(biāo)，完成了遼寧省暴雨洪澇災(zāi)害危險(xiǎn)性評(píng)估。結(jié)果表明：暴雨洪澇高危險(xiǎn)性地區(qū)主要位于丹東；暴雨洪澇災(zāi)害人口高風(fēng)險(xiǎn)區(qū)主要位于沈陽(yáng)和大連市區(qū)；經(jīng)濟(jì)高風(fēng)險(xiǎn)區(qū)主要位于大連和盤錦市區(qū)；水稻、玉米高風(fēng)險(xiǎn)區(qū)主要位于錦州、盤錦和丹東。利用遼寧省無縫隙智能網(wǎng)格預(yù)報(bào)數(shù)據(jù)對(duì)2022年7月28—29日的暴雨過程災(zāi)害風(fēng)險(xiǎn)進(jìn)行了預(yù)評(píng)估，發(fā)現(xiàn)暴雨災(zāi)害危險(xiǎn)性高值區(qū)域主要分布在朝陽(yáng)、葫蘆島以及遼寧中部。暴雨災(zāi)害可能造成的人口、經(jīng)濟(jì)高風(fēng)險(xiǎn)區(qū)域主要位于遼寧西部和中部地區(qū)；暴雨災(zāi)害可能造成的水稻和玉米高風(fēng)險(xiǎn)區(qū)主要位于沈陽(yáng)、鐵嶺和朝陽(yáng)北部等地區(qū)。預(yù)計(jì)高風(fēng)險(xiǎn)區(qū)主要影響人口約為449萬人，經(jīng)濟(jì)損失約為1432萬元，受影響的水稻面積約為1.028萬公頃、玉米面積約為1.798萬公頃。通過災(zāi)后效果檢驗(yàn)，發(fā)現(xiàn)預(yù)評(píng)估模型效果良好，可在實(shí)際的暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估業(yè)務(wù)中使用。
基于遼寧省61個(gè)國(guó)家氣象站1961—2020年和998個(gè)區(qū)域自動(dòng)氣象觀測(cè)站建站至2020年逐小時(shí)、逐日降水資料，分析了遼寧省暴雨洪澇災(zāi)害主要致災(zāi)因子，計(jì)算了暴雨洪澇孕災(zāi)環(huán)境指標(biāo)，完成了遼寧省暴雨洪澇災(zāi)害危險(xiǎn)性評(píng)估。結(jié)果表明：暴雨洪澇高危險(xiǎn)性地區(qū)主要位于丹東；暴雨洪澇災(zāi)害人口高風(fēng)險(xiǎn)區(qū)主要位于沈陽(yáng)和大連市區(qū)；經(jīng)濟(jì)高風(fēng)險(xiǎn)區(qū)主要位于大連和盤錦市區(qū)；水稻、玉米高風(fēng)險(xiǎn)區(qū)主要位于錦州、盤錦和丹東。利用遼寧省無縫隙智能網(wǎng)格預(yù)報(bào)數(shù)據(jù)對(duì)2022年7月28—29日的暴雨過程災(zāi)害風(fēng)險(xiǎn)進(jìn)行了預(yù)評(píng)估，發(fā)現(xiàn)暴雨災(zāi)害危險(xiǎn)性高值區(qū)域主要分布在朝陽(yáng)、葫蘆島以及遼寧中部。暴雨災(zāi)害可能造成的人口、經(jīng)濟(jì)高風(fēng)險(xiǎn)區(qū)域主要位于遼寧西部和中部地區(qū)；暴雨災(zāi)害可能造成的水稻和玉米高風(fēng)險(xiǎn)區(qū)主要位于沈陽(yáng)、鐵嶺和朝陽(yáng)北部等地區(qū)。預(yù)計(jì)高風(fēng)險(xiǎn)區(qū)主要影響人口約為449萬人，經(jīng)濟(jì)損失約為1432萬元，受影響的水稻面積約為1.028萬公頃、玉米面積約為1.798萬公頃。通過災(zāi)后效果檢驗(yàn)，發(fā)現(xiàn)預(yù)評(píng)估模型效果良好，可在實(shí)際的暴雨洪澇災(zāi)害風(fēng)險(xiǎn)評(píng)估業(yè)務(wù)中使用。
2024, 52(3):415-423.
DOI: 10.19517/j.1671-6345.20230176
摘要:
針對(duì)廣東“龍舟水”災(zāi)情的災(zāi)前預(yù)估和災(zāi)后快速估計(jì)的需求，本文利用1995—2021年廣東“龍舟水”期間降雨和暴雨洪澇災(zāi)害數(shù)據(jù)，計(jì)算“龍舟水”綜合災(zāi)情指數(shù)，應(yīng)用百分位法將其劃分為輕、中、重3個(gè)等級(jí)；并對(duì)廣東“龍舟水”的災(zāi)情特征、降雨與災(zāi)情的關(guān)系進(jìn)行分析。結(jié)果表明：①1995—2021年廣東“龍舟水”期間降雨強(qiáng)度、范圍、強(qiáng)降雨頻率及持續(xù)時(shí)間的峰值集中在2005—2010年，災(zāi)情強(qiáng)峰值出現(xiàn)在2005—2008年，峰值區(qū)間較一致；2008年災(zāi)情最重，2008年后綜合災(zāi)情強(qiáng)度呈下降趨勢(shì)，近10 a（2012—2021年）各災(zāi)情也呈下降趨勢(shì)，以倒塌房屋數(shù)、受災(zāi)人口數(shù)、農(nóng)作物受災(zāi)面積降幅最明顯，直接經(jīng)濟(jì)損失降幅較小。②農(nóng)作物受災(zāi)面積與各降雨指標(biāo)的相關(guān)性最大，其次為受災(zāi)人口數(shù)和直接經(jīng)濟(jì)損失；綜合災(zāi)情等級(jí)、直接經(jīng)濟(jì)損失主要受降雨強(qiáng)度、強(qiáng)降雨頻率影響，受災(zāi)人口數(shù)、農(nóng)作物受災(zāi)面積災(zāi)情主要受降雨強(qiáng)度、降雨范圍影響，倒塌房屋數(shù)、死亡人數(shù)災(zāi)情主要受強(qiáng)降雨的頻率影響。③建立的“龍舟水”平均總降雨量與災(zāi)情的擬合關(guān)系方程，能較好地估計(jì) “龍舟水”綜合災(zāi)情等級(jí)和災(zāi)情數(shù)據(jù)。
針對(duì)廣東“龍舟水”災(zāi)情的災(zāi)前預(yù)估和災(zāi)后快速估計(jì)的需求，本文利用1995—2021年廣東“龍舟水”期間降雨和暴雨洪澇災(zāi)害數(shù)據(jù)，計(jì)算“龍舟水”綜合災(zāi)情指數(shù)，應(yīng)用百分位法將其劃分為輕、中、重3個(gè)等級(jí)；并對(duì)廣東“龍舟水”的災(zāi)情特征、降雨與災(zāi)情的關(guān)系進(jìn)行分析。結(jié)果表明：①1995—2021年廣東“龍舟水”期間降雨強(qiáng)度、范圍、強(qiáng)降雨頻率及持續(xù)時(shí)間的峰值集中在2005—2010年，災(zāi)情強(qiáng)峰值出現(xiàn)在2005—2008年，峰值區(qū)間較一致；2008年災(zāi)情最重，2008年后綜合災(zāi)情強(qiáng)度呈下降趨勢(shì)，近10 a（2012—2021年）各災(zāi)情也呈下降趨勢(shì)，以倒塌房屋數(shù)、受災(zāi)人口數(shù)、農(nóng)作物受災(zāi)面積降幅最明顯，直接經(jīng)濟(jì)損失降幅較小。②農(nóng)作物受災(zāi)面積與各降雨指標(biāo)的相關(guān)性最大，其次為受災(zāi)人口數(shù)和直接經(jīng)濟(jì)損失；綜合災(zāi)情等級(jí)、直接經(jīng)濟(jì)損失主要受降雨強(qiáng)度、強(qiáng)降雨頻率影響，受災(zāi)人口數(shù)、農(nóng)作物受災(zāi)面積災(zāi)情主要受降雨強(qiáng)度、降雨范圍影響，倒塌房屋數(shù)、死亡人數(shù)災(zāi)情主要受強(qiáng)降雨的頻率影響。③建立的“龍舟水”平均總降雨量與災(zāi)情的擬合關(guān)系方程，能較好地估計(jì) “龍舟水”綜合災(zāi)情等級(jí)和災(zāi)情數(shù)據(jù)。
2024, 52(3):424-433.
DOI: 10.19517/j.1671-6345.20230152
摘要:
為進(jìn)一步加強(qiáng)星地閃電觀測(cè)資料運(yùn)用，本文基于2020年6—8月FY-4A/LMI閃電數(shù)據(jù)(LMIG)和浙江省ADTD-2C三維閃電定位數(shù)據(jù)，對(duì)比分析兩套閃電數(shù)據(jù)的時(shí)空分布特征，并結(jié)合雷達(dá)和云頂亮溫資料，分析了2020年7月15日浙江省雷暴過程兩套閃電觀測(cè)資料的演變規(guī)律。結(jié)果表明：2010年6—8月，浙江省LMIG與三維閃電比值為1∶44.43；兩套資料閃電月分布和空間分布總體一致；就日分布而言，LMIG呈現(xiàn)雙峰結(jié)構(gòu)，三維閃電則為單峰結(jié)構(gòu)。兩套數(shù)據(jù)時(shí)間匹配窗口大于1.8 s、經(jīng)緯度匹配窗口大于0.5°時(shí)，匹配率趨于穩(wěn)定；與LMIG匹配的三維閃電高度主要集中在16 km以下，閃電強(qiáng)度主要集中在50 kA以下。2020年7月15日浙江省午后雷暴天氣，LMIG與三維閃電比值為1∶25.44；LMIG首次閃電及峰值時(shí)間均滯后于三維閃電首次閃電及峰值時(shí)間；此外兩套閃電資料時(shí)間演變與雷暴發(fā)展有較好的對(duì)應(yīng)，空間變化與云頂亮溫低值區(qū)也有較好的對(duì)應(yīng)。
為進(jìn)一步加強(qiáng)星地閃電觀測(cè)資料運(yùn)用，本文基于2020年6—8月FY-4A/LMI閃電數(shù)據(jù)(LMIG)和浙江省ADTD-2C三維閃電定位數(shù)據(jù)，對(duì)比分析兩套閃電數(shù)據(jù)的時(shí)空分布特征，并結(jié)合雷達(dá)和云頂亮溫資料，分析了2020年7月15日浙江省雷暴過程兩套閃電觀測(cè)資料的演變規(guī)律。結(jié)果表明：2010年6—8月，浙江省LMIG與三維閃電比值為1∶44.43；兩套資料閃電月分布和空間分布總體一致；就日分布而言，LMIG呈現(xiàn)雙峰結(jié)構(gòu)，三維閃電則為單峰結(jié)構(gòu)。兩套數(shù)據(jù)時(shí)間匹配窗口大于1.8 s、經(jīng)緯度匹配窗口大于0.5°時(shí)，匹配率趨于穩(wěn)定；與LMIG匹配的三維閃電高度主要集中在16 km以下，閃電強(qiáng)度主要集中在50 kA以下。2020年7月15日浙江省午后雷暴天氣，LMIG與三維閃電比值為1∶25.44；LMIG首次閃電及峰值時(shí)間均滯后于三維閃電首次閃電及峰值時(shí)間；此外兩套閃電資料時(shí)間演變與雷暴發(fā)展有較好的對(duì)應(yīng)，空間變化與云頂亮溫低值區(qū)也有較好的對(duì)應(yīng)。
2024, 52(3):434-445.
DOI: 10.19517/j.1671-6345.20230303
摘要:
稻麥輪作農(nóng)田是我國(guó)典型農(nóng)田類型，其模擬效果對(duì)我國(guó)農(nóng)田氣候模擬具有重要參考價(jià)值。氣候中尺度模擬結(jié)果對(duì)近地層通量極為敏感，選擇合適的通量計(jì)算方案對(duì)模擬效果至關(guān)重要。因此，對(duì)比分析稻麥輪作農(nóng)田下不同的通量計(jì)算方案具有重要意義。本文選取了8種具有代表性的近地層湍流通量計(jì)算方案，采用壽縣國(guó)家氣候觀象臺(tái)實(shí)測(cè)資料對(duì)比分析了各方案在稻麥輪作農(nóng)田的計(jì)算特征和差異。結(jié)果表明，在不同穩(wěn)定度和不同風(fēng)速情況下，各方案的誤差特征各異。本文基于歸一化標(biāo)準(zhǔn)差綜合評(píng)價(jià)了各方案的準(zhǔn)確度，總體而言，所有方案的動(dòng)量通量總體平均歸一化平均差為0.536，其中SS14(Sharan和Srivastava，2014年)方案最大為0.575，SS20(Sharan和Srivastava等，2020年)方案最小為0.517；所有方案的感熱通量總體平均歸一化標(biāo)準(zhǔn)差為0.638，其中GLGS20(Gryanik等，2020年)方案最大為0.871，SS14方案最小為0.476。此外，本研究還給出了稻麥輪作農(nóng)田不同穩(wěn)定層結(jié)和不同風(fēng)速情況下各通量計(jì)算方案的誤差特征。本文的研究結(jié)論，可為準(zhǔn)確計(jì)算近地層湍流通量提供支撐。
稻麥輪作農(nóng)田是我國(guó)典型農(nóng)田類型，其模擬效果對(duì)我國(guó)農(nóng)田氣候模擬具有重要參考價(jià)值。氣候中尺度模擬結(jié)果對(duì)近地層通量極為敏感，選擇合適的通量計(jì)算方案對(duì)模擬效果至關(guān)重要。因此，對(duì)比分析稻麥輪作農(nóng)田下不同的通量計(jì)算方案具有重要意義。本文選取了8種具有代表性的近地層湍流通量計(jì)算方案，采用壽縣國(guó)家氣候觀象臺(tái)實(shí)測(cè)資料對(duì)比分析了各方案在稻麥輪作農(nóng)田的計(jì)算特征和差異。結(jié)果表明，在不同穩(wěn)定度和不同風(fēng)速情況下，各方案的誤差特征各異。本文基于歸一化標(biāo)準(zhǔn)差綜合評(píng)價(jià)了各方案的準(zhǔn)確度，總體而言，所有方案的動(dòng)量通量總體平均歸一化平均差為0.536，其中SS14(Sharan和Srivastava，2014年)方案最大為0.575，SS20(Sharan和Srivastava等，2020年)方案最小為0.517；所有方案的感熱通量總體平均歸一化標(biāo)準(zhǔn)差為0.638，其中GLGS20(Gryanik等，2020年)方案最大為0.871，SS14方案最小為0.476。此外，本研究還給出了稻麥輪作農(nóng)田不同穩(wěn)定層結(jié)和不同風(fēng)速情況下各通量計(jì)算方案的誤差特征。本文的研究結(jié)論，可為準(zhǔn)確計(jì)算近地層湍流通量提供支撐。
2024, 52(3):446-455.
DOI: 10.19517/j.1671-6345.20230140
摘要:
在復(fù)雜地形、副熱帶高壓和季風(fēng)天氣等因素共同影響下，高山峽谷區(qū)內(nèi)風(fēng)場(chǎng)復(fù)雜多變，極易形成“狹管效應(yīng)”，進(jìn)而導(dǎo)致災(zāi)害性大風(fēng)，對(duì)大型工程施工與運(yùn)行造成較大影響。本文基于流體力學(xué)基本原理，采用標(biāo)準(zhǔn)k－ε紊流模型以及PISO（Pressure Implict with Splitting of Operator）算法，以白鶴灘水電站區(qū)域發(fā)生7級(jí)北風(fēng)為典型計(jì)算工況，研究了大壩建壩過程中近壩區(qū)風(fēng)速場(chǎng)變化規(guī)律和建壩對(duì)風(fēng)速場(chǎng)的影響范圍。成果表明:壩體的阻擋作用使風(fēng)速場(chǎng)在壩頂處產(chǎn)生繞流分離和風(fēng)場(chǎng)抬升，在建壩高程以下形成低風(fēng)速區(qū)；建壩高程650 m與750 m時(shí)，纜機(jī)平臺(tái)范圍內(nèi)風(fēng)速約15～16 m/s，大壩下游風(fēng)速垂直分布顯著影響區(qū)河道長(zhǎng)度分別為4.4Ht和4.5Ht（Ht為建壩高度）；壩頂處風(fēng)速場(chǎng)顯著影響高度分別為2.0Ht和3.0Ht。大壩蓄水至正常蓄水位825 m高度時(shí)，大壩下游風(fēng)場(chǎng)顯著影響區(qū)河道長(zhǎng)度為8.0倍壩高（2.3 km），最大影響河道區(qū)長(zhǎng)度為30.4倍壩高（8.8 km）；壩頂影響高度達(dá)到1500 m高度左右，約3.5倍壩高。
在復(fù)雜地形、副熱帶高壓和季風(fēng)天氣等因素共同影響下，高山峽谷區(qū)內(nèi)風(fēng)場(chǎng)復(fù)雜多變，極易形成“狹管效應(yīng)”，進(jìn)而導(dǎo)致災(zāi)害性大風(fēng)，對(duì)大型工程施工與運(yùn)行造成較大影響。本文基于流體力學(xué)基本原理，采用標(biāo)準(zhǔn)k－ε紊流模型以及PISO（Pressure Implict with Splitting of Operator）算法，以白鶴灘水電站區(qū)域發(fā)生7級(jí)北風(fēng)為典型計(jì)算工況，研究了大壩建壩過程中近壩區(qū)風(fēng)速場(chǎng)變化規(guī)律和建壩對(duì)風(fēng)速場(chǎng)的影響范圍。成果表明:壩體的阻擋作用使風(fēng)速場(chǎng)在壩頂處產(chǎn)生繞流分離和風(fēng)場(chǎng)抬升，在建壩高程以下形成低風(fēng)速區(qū)；建壩高程650 m與750 m時(shí)，纜機(jī)平臺(tái)范圍內(nèi)風(fēng)速約15～16 m/s，大壩下游風(fēng)速垂直分布顯著影響區(qū)河道長(zhǎng)度分別為4.4Ht和4.5Ht（Ht為建壩高度）；壩頂處風(fēng)速場(chǎng)顯著影響高度分別為2.0Ht和3.0Ht。大壩蓄水至正常蓄水位825 m高度時(shí)，大壩下游風(fēng)場(chǎng)顯著影響區(qū)河道長(zhǎng)度為8.0倍壩高（2.3 km），最大影響河道區(qū)長(zhǎng)度為30.4倍壩高（8.8 km）；壩頂影響高度達(dá)到1500 m高度左右，約3.5倍壩高。
友情鏈接《氣象學(xué)報(bào)》《應(yīng)用氣象學(xué)報(bào)》《氣象》《氣象科學(xué)》中國(guó)氣象局中國(guó)氣象局氣象探測(cè)中心中國(guó)氣象科學(xué)研究院北京市氣象局國(guó)家衛(wèi)星氣象中心及國(guó)家氣象信息中心
您是第位訪問者
技術(shù)支持：北京勤云科技發(fā)展有限公司
技術(shù)支持：北京勤云科技發(fā)展有限公司