利用CMA-MESO和SWC-WARMS高分辨率模式2023年5—9月小时降水预报产品,四川自动站小时降水资料及CLDAS(CMA Land Data Assimilation System)三源融合小时降水资料,采用“点对点”和“点对面”检验方法,对两家高分辨率模式小时降水产品在...利用CMA-MESO和SWC-WARMS高分辨率模式2023年5—9月小时降水预报产品,四川自动站小时降水资料及CLDAS(CMA Land Data Assimilation System)三源融合小时降水资料,采用“点对点”和“点对面”检验方法,对两家高分辨率模式小时降水产品在四川地区的预报性能进行评估。主要结论如下:①小时降水10 mm以下和50 mm以上的极端降水,CMA-MESO的预报参考性显著优于SWC-WARMS;小时降水10~30 mm,5—6月以SWC-WARMS表现更优,7—9月则以CMA-MESO表现更佳。②空间偏差特征分析表明,两家模式的小时降水平均绝对误差空间分布整体较为一致,在盆周山区、川西高原及凉山州北部误差较大,模式误差和实况降水强度、海拔高度呈一定正相关,且SWC-WARMS的空间误差更大。③时间偏差特征分析表明,CMA-MESO的短时强降水站点频次峰值时间偏差为1~2 h,而SWC-WARMS达3~4 h。④为优化TS评分,针对CMA-MESO和SWC-WARMS模式,在空间上,预报时可分别考虑邻域半径9 km和12 km内出现对应量级降水的可能性;在时间上,对于5~30 mm小时降水,预报时可考虑预报时刻前后1 h和2 h发生的可能性,其他量级可考虑前后1 h。展开更多
气象灾害案例是气象业务部门归纳与总结预报经验的前提与基础,但是当需要的灾害性天气没有时空定位档案,或档案不够完整和全面,那么就势必要从海量的历史数据中逐一进行查找定位,因此针对这种海量数据中逐一查找的低效问题,应用一种改...气象灾害案例是气象业务部门归纳与总结预报经验的前提与基础,但是当需要的灾害性天气没有时空定位档案,或档案不够完整和全面,那么就势必要从海量的历史数据中逐一进行查找定位,因此针对这种海量数据中逐一查找的低效问题,应用一种改进的密度峰值聚类方法进行灾害天气识别。该方法首先以气象要素为维度计算每个数据点的密度、距离、路径、分布四大属性,然后用回归分析提取簇心并判定其灾害类型及级别,最后判定同簇剩余数据点划入对应的灾害得到识别结果,由于可以同时定位多种类型和级别的灾害天气,且无需低效地逐一比对数据和灾害等级标准,因此具有适用性强、速度快、控制参数少的优点。使用该方法基于欧洲中期天气预报中心(European centre for medium-range weather forecasts,ECMWF)的再分析资料进行聚类分析,进而识别出江苏省2018年各类气象灾害出现的时间和地点,试验结果表明:该方法可以一次性识别出暴雨、烈风、暴雪、高温、寒潮、重旱六种灾害,而k-means聚类识别率为其53%,层级聚类识别率为其77%,密度峰值聚类(Clustering by density peaks,CDP)识别率为其80%。展开更多
文摘气象灾害案例是气象业务部门归纳与总结预报经验的前提与基础,但是当需要的灾害性天气没有时空定位档案,或档案不够完整和全面,那么就势必要从海量的历史数据中逐一进行查找定位,因此针对这种海量数据中逐一查找的低效问题,应用一种改进的密度峰值聚类方法进行灾害天气识别。该方法首先以气象要素为维度计算每个数据点的密度、距离、路径、分布四大属性,然后用回归分析提取簇心并判定其灾害类型及级别,最后判定同簇剩余数据点划入对应的灾害得到识别结果,由于可以同时定位多种类型和级别的灾害天气,且无需低效地逐一比对数据和灾害等级标准,因此具有适用性强、速度快、控制参数少的优点。使用该方法基于欧洲中期天气预报中心(European centre for medium-range weather forecasts,ECMWF)的再分析资料进行聚类分析,进而识别出江苏省2018年各类气象灾害出现的时间和地点,试验结果表明:该方法可以一次性识别出暴雨、烈风、暴雪、高温、寒潮、重旱六种灾害,而k-means聚类识别率为其53%,层级聚类识别率为其77%,密度峰值聚类(Clustering by density peaks,CDP)识别率为其80%。
