耦合TIGGE降水集合预报的洪水预报

耦合数值降水预报信息的洪水预报延长了预见期,为防洪调度赢得了宝贵的决策时间.但"单一"的降水预报具有较大的不确定性,即基于"单一"的降水预报所做出的调度决策可能不是优化的,甚至可能会出现较大的偏差,因此在洪水预报中引入了降水集合预报信息来考虑相应的降水不确定性.文中以桓仁水库以上流域为试验流域,将欧洲中期天气预报中心(ECMWF)的降水集合预报数据驱动新安江模型,得到预报径流的区间范围,为决策者提供更多有用的风险信息.计算结果表明,ECMWF降水集合预报可用于洪水预报,且能较好地描述洪水预报的不确定性.根据集合平均降水预报的特点,对集合平均降水数据进行了修正,并将修正后的集合平均数据驱动水文模型,其预报效果有了很大的改善.     

基于短时临近降水集合预报的中小河流洪水预报研究

为了延长中小河流洪水预报预见期,建立了基于短时临近精细化网格降水集合预报的中小河流洪水预报模型.模型采用百分位映射订正技术,发展数值模式降水预报场与实况场映射关系,结合Bayesian模型,构建基于GRAPES-3KM模式和Time-Lag-Ensemble融合技术的短时临近降水集合预报(最优集成、最大(95％分位数)...     

基于多源降水融合驱动的WRF-Hydro模型在中小河流洪水预报中的适用性

从提高驱动数据(降水)的质量和时空分辨率出发,评估了基于混合地理加权回归截尾函数(MGWR-BI)多源降水融合算法的有效性,以及融合降水对WRF-Hydro模型计算结果的影响。将融合降水数据用于WRF-Hydro模型中进行子午河流域的洪水预报,并与站点实测降水数据进行比较,结果表明,融合降水的精度高于原始CMORPH卫星降尺度降水,融合降水数据驱动WRF-Hydro模型比CMORPH卫星降尺度降水数据能更好地预报与模拟洪水事件,WRF-Hydro模型具有中小河流洪水预报的潜在优势。     

基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报

洪水预报是防洪减灾的重要非工程措施,黄河中游地区水文情势近50 a发生显著变化,为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度,本文以对时间序列数据具有良好模拟效果的深度学习神经网络（长短时记忆神经网络）为基础,建立不同预见期下的流域暴雨洪水模型,以探讨长短时记忆神经网络在黄河中游水文预报中的应用. 模型建立采用汾河上游静乐控制站1956—2014年98场暴雨洪水数据,其中以14个站点降雨及静乐站水文数据作为输入,不同预见期下的洪水过程作为输出,率定期为78场次,验证期为20场次. 结果显示:在预见期为0～6 h时预报精度较高,预见期为6 h以上时预报效果相对较差;预报精度随神经元数量和训练次数的增加而呈上升趋势,预见期为0～6 h时预报精度上升较为明显,而预见期6 h以上时预报精度上升较为均匀.      

贝叶斯概率洪水预报系统

贝叶斯概率洪水预报系统考虑预见期内定量降水预报不确定性和水文模型及参数等水文不确定性,通过全概率公式将两者结合起来得到预报概率密度函数。通过实例研究,结果表明该法为防洪决策提供了可靠的理论依据,实现了预报与决策过程的有机耦合,可显著提高洪水预报精度。     

TIGGE模式在淮河水系史河流域的应用

为了提高淮河水系史河流域降水预报的精度,对TIGGE模式降水预报校正方法进行了研究。基于TIGGE的ECMWF、KMA、JMA、UKMO、CMA等 5个模式2015—2017年汛期在史河流域的降水预报数据和雨量站实测降水资料,采用降水预报的均方根误差指标和在确报率、空报率和漏报率评价指标基础上提出的降水预报三率综合评价指标,对各模式在1~7 d预见期内的预报精度进行综合评价,采用2种非线性方法RBF及ν-SVR对TIGGE的5个降水预报模式进行非线性集合预报校正,并与线性方法BREM法进行了比较。结果表明:TIGGE的5个模式中,JMA模式的降水预报精度最高,其次是ECMWF和UKMO,实时降水预报校正ν-SVR法明显优于BREM法和RBF法;实时降水预报校正ν-SVR法提高了TIGGE模式降水预报的精度。     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。     

经验性洪水预报模型在陆浑水库的应用及其与小花间洪水预报模型结果对比

在对陆浑水库经验性洪水预报模型介绍的基础上,根据历史数据及流域地貌信息确定了模型参数,对1975-2011年25场洪水的计算结果与实测值进行了对比,同时对2003-2011年的7场洪水预报结果与黄委水文局小花间洪水预报模型预报结果进行了对比.结果表明:两模型模拟结果精度相差不大,都能满足预报精度要求,7场洪水小花间洪水预报模型模拟结果整体效果稍好,尤其是洪水过程与实测过程比较吻合;经验性洪水预报模拟结果稍差,但误差在可接受范围之内.两个模型都具有一定实用性,建议两模型联合运用,将小花间洪水预报模型的洪水预报结果作为指导水库防洪调度的主要依据,经验模型的预报结果作为参考.     

海河流域中小河流洪水预报系统设计与实现

中小河流突发性洪水具有流速快、预见期短以及分布广的特点,其对预报在广度和频度上提出了新的要求;分布式模型充分考虑了气候因子和下垫面空间分布不均匀性,采用更细尺度单元描述流域内部的水循环过程,满足了这种精细化预报的要求。研究围绕分布式水文模拟技术,以数字流域水系提取、分布式水文模型、BP神经网络误差校正、网络地理信息系统等一系列新技术手段为支撑,构建了海河流域中小河流洪水预报系统,为中小河流突发性洪水的预报预警提供了一个思路。     

优选雨量站权重改进降雨输入的洪水预报方法

降雨是驱动水文模型进行洪水预报的重要输入数据,降雨资料短缺给洪水预报工作带来极大挑战．引入边缘雨量站降雨数据,基于随机优选方法,构建优选雨量站权重改进降雨输入的新安江模型,对资料短缺流域进行洪水预测,并在石灰窑以上流域进行试验研究．与泰森多边形权重相比,优选权重改进降雨输入的产流预报精度有显著提高,率定期、验证期产流合格率分别从60%、40%提高至100%、60%,汇流预报精度略有提升;改进降雨输入后的新安江模型的优选参数更符合流域产汇流特征,提升了模型参数的合理性．所提优选雨量站权重改进降雨输入的洪水预报方法,对类似降雨资料短缺流域洪水预报具有重要的参考价值．     

基于SMOTE算法和逻辑回归模型算法的江苏短时强降水潜势预报

短时强降水是导致城市内涝和山洪、滑坡等灾害的重要原因,其突发性强,局地性明显,预报难度大,是强对流天气业务预报的重点和难点之一。本研究利用2011-2018年的江苏省国家气象观测的逐小时降水资料对江苏省短时强降水时空分布特征进行分析,江苏短时强降水频次分布为典型的南多北少,主要降水出现在早晨04-10时和午后15-19时,前半夜出现降水的概率则较低。基于ERA5再分析资料,选取了对于短时强降水有较强判断能力的气象要素,合成少数类过取样算法（SMOTE）和逻辑回归（LR）方法,构建短时强降水的预报模型,利用2019年的,欧洲中期天气预报中心（ECMWF）预报产品基于该模型进行短时强降水的确定性预报和概率预报,并使用同期实况数据进行系统性检验和天气过程检验。结果表明该模型总体性能较好,对短时强降水出现与否有较好的判别能力和预报指示意义。未来24h以内的6h时效预报,TS评分在0.23以上,未来60h以内的6h时效预报TS评分均在0.2以上,但也存在着一定程度的空报和漏报。基于SMOTE+LR短时强降水预报模型对短时强降水的潜势预报具有较好的指示作用,对气象防灾减灾具有重要意义。     

用T106L19全球谱模式制作中期集合预报的试验

为解决传统的数值预报初值存在的不确定性,利用增长模繁殖法在T106L19全球谱模式上进行了中期集合预报试验.繁殖循环的初始扰动由模式24 h预报均方根误差和随机数的乘积构成,该随机数服从[-1,＋1]区间上的均匀分布,繁殖循环的周期为6 h,繁殖的总时间为3 d,集合成员为15个.结果表明：在1～10 a的预报中,无论是距平相关系数还是预报均方根误差,除第1天外,集合预报都优于控制预报,集合预报相对于控制预报的优势更主要地体现在对第3天以后的中期预报时段.从计算的离散度来看,集合平均预报的可信度要比控制预报的高.     

WRF3.0参数化敏感性及集合预报试验

为了研究WRF模式中的参数化方案对暴雨数值模拟的影响及物理过程集合预报在WRF降水集合预报中的适用性,利用中尺度WRF3.0数值模式,将模式中的物理过程参数化方案进行组合,构造了20个集合预报成员,对2003年7月8、9日发生在江淮地区的一次降水过程进行了集合预报试验。得到:集合成员之间存在一定的不确定性,不确定性随降水量级增大而增大,最终维持在一个较高的水平;通过定量比较发现,对于0.1 mm量级降水和25 mm以上量级降水,积云对流参数化方案对降水的影响要大于行星边界层方案对降水的影响;而对于10 mm量级降水,行星边界层方案对降水的影响要大于积云参数化方案对降水的影响。对20个预报成员进行了集合平均及降水概率预报试验,结果表明,集合平均的结果要比各个成员的稳定、可靠;概率预报能够提供一些有利于降水预报的信息。     

黄淮海平原历史旱涝灾害的时间序列分析

选用全国自然灾害历史数据库中黄淮海平原地区的旱涝灾害等级数据，运用时间序列分析方法，建立了该地区旱涝灾害的自回归－－移动平均混合模型（ＡＲＭＡ模型），并根据所建模型对旱涝灾害进行了后验预报，结果表明，用ＡＲＭＡ模型做年际旱涝变化趋势预报是有潜力的。     

基于时变关键区和时滞多变量的长江下游10-30d低频降水实时预报

利用NCEP/NCAR逐日850 hPa再分析风场资料和长江下游地区25站逐日降水资料,采用Butterworth二阶20~30 d滤波,通过变系数时滞回归和关键区自动筛选方法,构建了长江下游地区汛期(5~8月)的延伸期低频降水实时预报模型方案,对1979、2013年的汛期降水分别做了回报和预报试验。结果表明,基于多变量时滞回归方程(MLR)的实时预报方案,能客观地反映影响长江下游夏季强降水的欧亚环流季节内振荡(ISO)传播特性的时间变化,为长江下游地区强降水延伸期预报提供主要信号。提出的实时预测方案中,关键区的选择随建模样本而变化,体现了ISO变化的多样性和一定程度的不稳定性,预测模型能及时适应大气内部动力过程和外部强迫引起的时滞相关结构的改变,在一定程度上提高了延伸期预报的能力。     

洪水预报误差分布的极大熵法

首先根据实际洪水预报误差出现在有限区域的特点,应用极大熵原理,建立了洪水总量预报误差分布的极大熵模型;通过几个不同流域的计算,得出随着降雨量的增大,产流预报误差趋于一个稳定值的结论. 同时将该模型计算的分布与正态分布进行了比较,结果表明用极大熵法求得的误差概率分布能更好地描述洪水总量预报误差的分布特性,可以根据实际降雨量的大小确定不同的最大不确定性的误差分布,为分析不同量级洪水预报的风险提供依据.     

一种新的多因子约束下的NWP反演ZTD残差改正模型

对流层延迟是GNSS定位的主要误差源之一,利用NWP模型的气象数据积分反演ZTD是当前研究热点.然而,采用两大气象预报中心(ECMWF和NCEP)的再分析资料反演ZTD的残差一般在±60 mm之间浮动,预报资料反演的ZTD的精度更差,都不能直接用于精密定位.一般是先将此反演的ZTD作为初值,设定先验方差,将残差作为未知参数求解.NWP反演的ZTD的精度,将直接影响对流层和模糊度参数在滤波过程中收敛速度.前人的研究表明,NWP反演ZTD的残差大小与测站所在纬度相关,利用纬度与残差的相关函数可提高NWP反演ZTD的精度,但效果并不明显.针对以上问题,比较ECMWF和NCEP再分析资料反演ZTD的精度,然后分析精度较高的ECMWF资料反演的ZTD的残差随温度、湿度、纬度、季节等因子变化的规律,并结合基于最小绝对残差法的多项式拟合方法拟合残差,提出一种新的多因子约束下的NWP反演ZTD的残差改正模型,从而提高NWP反演ZTD的精度.为验证模型的性能,以133个IGS站高精度ZTD为参考,拟合2015年ECMWF反演ZTD的残差,构建残差改正模型,并利用此模型改正2016年ECMWF反演的ZTD.实验结果表明：在纬度高于15°的地区,NWP反演的ZTD的平均残差和均方根误差比使用模型前分别减小了86.9%和36.3%.另外,对于较低纬度地区,此残差改正模型的效果不明显.     

异常分析在长江中下游暴雨分析和预报中的应用

极端天气事件极易造成严重的气象灾害,对人类的生命财产和国民经济建设及国防建设等造成严重损害。使用欧洲中心(ECMWF)的ERA5再分析资料,选择对极端天气有分析和预报有效的原始异常度(RA)和标准化异常度(NA)对南通地区2016年7月11日极端强降水过程进行分析和预报。研究表明,相比于常用的原值场,RA和NA等异常场对分析和预报该次强降水过程更有优势。日常业务中常用的原值场,很难明显给出对极端降水有较好指示意义的预报指标,相比之下,RA和NA这种异常场,可以给出更为有效的极端降水预报指标。这表明,极端降水事件与气象要素的异常部分直接相关。极端降水的落区与位势高度RA和NA的负异常中心接近,湿度的RA和NA正异常出现的时段和位置也与降水出现的时段和位置有较好的相关性,降水强度与湿度和位势高度的RA和NA的异常强度也有一定关系。综合分析不同高度和位置位势高度和湿度的RA和NA,对分析和预报潜在极端天气的落区、强度和出现时段有重要帮助。使用ECMWF的模式预报资料,通过分析不同时效对该次过程的降水和850 hPa位势高度的预报结果,相比于对降水本身的预报,模式对850 hPa位势高度NA场的预报更为稳健,更有利于预报员该次极端降水事件的把握。     

不确定支持向量机在洪水预测模型中的应用

准确及时地进行洪水预测对洪水预报、洪水实时调度及水资源的合理调度起着非常关键的作用.提出一种粗糙集理论和支持向量机相结合的洪水预测模型,利用粗糙集理论对支持向量机的输入数据集进行约简预处理,通过发现数据间的关系去掉冗余输入信息,简化输入空间的表达信息,提高支持向量机训练的速度,获得较高的预测精度.实验结果表明,该模型能提高支持向量机训练的速度,获得较高的预测精度.