定量降水短期预报在三峡地区的应用

1 前言短期降水预报的困难不仅在于影响产生降水的因素众多,而且还在于如何快速有效地从众多的气象信息中综合提取对预报降水有用的信息,尤其是定量降水预报更为困难.目前,各地的气象预报在经历了单纯的天气图法、统计法、数值预报法等方法后,逐步采用了综合性的预报方案.在综合各种方法的优劣后,认为如下的动力统计方案考虑问题较为全面合理.它首先从研究区上空的动力、热力因子的分布着手,分析它们与降水的定性关系,进一步了解形成降水的主要影响因素,并从中选出关系最好的物理因子作为预报因子.然后,通过判别分析得出降水的类别.最后通过回归分析得出降水量的大小.     

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)、最小(5%分位数))格点场,作为GMKHM(Grid-and-Mixed-runoff-generation-and-Kinematic-wave-based Hydrological Model)的降水驱动,进行中小河流洪水逐小时实时滚动预报。选择新安江屯溪流域作为试验流域,对2020年汛期流域大洪水进行实时预报。检验结果表明,基于短时临近最优降水预报的中小河流洪水预报模型提前了7 h预报出屯溪断面洪峰,洪峰误差为5.6%,峰现时差为-1 h,比不考虑预见期降水的中小河流洪水预报提前了4 h;基于短时临近最大、最小降水预报的中小河流洪水预报模型提前了13 h预报出洪峰区间,并且自7月7日9时起滚动预报最大与最小预报跨度呈逐渐减少趋势。在中小河流洪水预报中引入短时临近集...     

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。     

基于快速滚动更新的无缝隙定量降水预报模型

针对中小尺度天气系统极易导致突发性短时强降水而难以定量化预报的问题,提出了一种基于快速滚动更新的无缝隙定量降水预报模型。模型基于改进光流法技术实现临近(0～2 h)定量降水预报,基于GRAPES-3 km实时频率匹配订正技术构建短时(2～12 h)定量降水预报,基于最优背景场生成技术形成短中期(12～240 h)定量降水预报;依据3种预报时效定量降水预报技术的技巧差异,结合实时预报检验评估,提出了基于经验权重函数的不同预报时效之间的预报融合技术,并根据最新降水实况逐1 h调整预报,构建了0～240 h快速滚动更新的无缝隙定量降水预报模型。选取2018年5—10月24 h定量降水预报进行检验,并与传统定时预报对比,结果表明该模型24 h降水预报准确率高于传统定时预报,特别是对中小尺度天气系统突发性短时强降水预报时空精度明显提高,有利于中小河流洪水预报与灾害防控。     

江西省多模式热对流降水预报对比分析

通过对比EC数值预报模式、华东区域模式中尺度系统、华东区域模式快速同化更新系统、JXMESO模式4家模式系统预报与2019年7月18日至8月13日每日14:00—20:00午后热对流降水实况。结果表明:EC对午后热对流落区预报有较好的准确性,但降水强度预报偏差;华东区域模式中尺度系统和JXMESO在落区和强度预报上则都缺乏一定的准确性,JXMESO更是多次空报;华东区域模式快速同化更新系统则有较好的准确性,其预报的雷达反射率和低层风向产品有较好的指示意义。     

城市大气污染预报模式的研究进展

介绍了城市大气污染预报模式的国内外研究现状,并对它们采用的预报系统及结果作了简要阐述。美国目前已发展到第三代Momdel-3CMAQ模式系统,中国已开发了3套较成熟的模式系统。文中指出中国城市大气污染预报模式存在的问题,并对发展方向进行了探讨。     

多模式集成MOS方法在精细化温度预报中的应用

利用T213和ECMWF模式产品,对集成MOS预报方法在温度预报方面做了研究试验,并将其与单模式MOS预报方法进行了对比分析.研究结果表明,多模式集成MOS预报方法与传统MOS预报方法相比,预报水平有了进一步的提高,它能同时充分利用多个模式产品的有用信息,吸取其各自的优点,做出更好的预报.在系统程序设计时,给各因子附带...     

基于MICPAS实况资料的两次暴雨过程对比分析中的短时预报技巧

选取2012年7月21~22日、7月28~29日两次天津暴雨过程的micaps等实况资料做分析,得出结论,提出今后要更好地做好暴雨的局地临近订正预报,应在掌握大尺度环流背景的基础上,注重分析对暴雨有重要作用的物理量的分布情况,以提高预报精确率。     

基于BP神经网络的短期降水预报

人工神经网络(Artificial Neural Network,简记为ANN)是最近发展起来的十分热门的交叉学科,它涉及生物、电子、计算机、数学和物理等学科,并在工程上具有非常广泛的应用前景．本文介绍了BP神经网络的结构及算法,基于BP神经网络的短期降水预报模型的建立,并分析了BP算法在该应用中的优缺点．     

考虑多维评价体系的降水集合预报

为满足水库智能运行调控对高精度实时降水预报的需求,提出了基于多维降水预报评价体系的降水集合预报方法．首先,建立涵盖云微物理、积云对流及长/短波辐射等多物理参数的中尺度数值天气预报模式;然后,引入误差指标、偏差评分、准确度指标等评价指标,提出了融合降水分级、降水量及降水时空分布维度的降水预报综合评价方法．以梅江流域典型降水事件为例,结合多尺度降水预报评价结果对集合预报模型进行了检验．结果表明：当构建降水集合预报模型时,将多维降水预报评价体系优选出的参数化方案组合作为集合预报成员,集合预报具有更好的预报稳定性,减小了模式预报误差．     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

自编码器与PSOA-CNN结合的短期负荷预测模型

提出了一种自编码器与PSO算法优化卷积神经网络结合的电力系统短期负荷预测模型。首先利用自编码器对相关变量数据进行处理,降低所需数据的噪声变量,提高预测效率;然后利用粒子群算法对卷积神经网络的权值和阈值进行优化,可有效提高预测模型的预测精度和预测速度。通过对实际电网的负荷数据进行仿真,验证了模型具有较高的预测精度。     

基于遗传粒子群的图像融合算法及应用

为改善传统图像融合方法对细节信息的丢失,提出了一种基于遗传粒子群算法（geneticalgorithmofparticleswarmoptimization,GAPSO）的图像融合方法,该算法应用于像素级的图像融合,使图像融合问题归结为最优化问题．该算法结合遗传算法和粒子群算法的优点,对标准粒子群算法进行了改进,将交叉与变异算子引入到标准粒子群算法,提高了该算法的收敛性能和全局求解能力．实验结果表明,该算法获得的评价指标都优于遗传算法和PSO算法,且融合图像较好地从源图像中提取了有用信息,提高了融合质量．     

基于集成多尺度LSTM的短时风功率预测

风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.     

基于粒子群算法的短期电力负荷预测

根据电力负荷的主要影响因素,考虑了休息日和气候因素的影响,建立了基于粒子群算法(PSO)的级联网络短期负荷预测模型.通过粒子群算法对级联网络的训练进行优化,提高模型的运算速度.结果表明,该方法预测精度较高,效果较好.     

基于小波包变换和峰式马尔科夫链的风速短期预测

利用小波包的信号分析特性及峰式马尔科夫链的非稳态数据预测特性,提出一种新型风速短期预测方法。该方法对历史风速数据进行小波包分解,利用峰式马尔科夫链对小波包系数进行统计,分别得到小波包系数上升转移概率矩阵和下降转移概率矩阵,并由此得到下一时刻的小波包预测系数,将小波包系数进行重构可得到预测的风速。该文模型与其他模型的预测结果对比表明,该方法具有较高精度。     

基于信息优化融合的煤矿井下环境安全监测技术

针对传统的传感器监测矿井环境存在评判可靠性低、数据单一的缺点,提出一种基于多参数、两级信息优化融合的安全监测方案.该方法综合了瓦斯、粉尘、CO、风速、温度对矿井环境的影响,利用多传感器采集其参数,首先用Bayes理论对剔除了疏忽误差的同质数据源进行一级融合,形成矿井环境特征向量,然后用灰色理论进行灰色关联度分析的二级融合,根据融合后的关联度判断环境安全等级,实现对矿井环境监测参数的优化和整合.研究表明,该方法充分利用多种有效监测数据,既实现了同质数据源的优化,又从整体上考虑了异质数据源的互补性,提高了监测系统的可靠性、全面性.     

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。