循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

沙蚕在对虾养殖生产中的应用

沙蚕作为鱼虾饵料,早已引起世界各国注目,但在我国作为鱼虾饵料,特别是作为对虾养殖的活饵应用于生产,尚未见大量报道。1987年我们对丁字湾沙蚕的自然分布、生活习性、繁殖季节、幼虫浮游和附着进行了研究。1989年在丰城乡642亩(1亩=666.6m~2,后同)虾池纳潮引沙蚕入池,获得成功,平均单产175kg,高者达185kg,最高每亩纯利达1200元。     

SWAN2.0系统的设计与实现

强对流天气短时临近预报系统（Severe Weather Automatic Nowcasting,SWAN）是面向短时临近监测、分析、预报、预警制作等功能为一体的业务平台。SWAN2.0基于MICAPS4（Meteorological Information Comprehensive Analysis and Processing System Version 4.0,人机交互气象信息处理和天气预报制作系统）二次开发框架,采用C/S架构,服务器部署在省级,负责收集数据,运算SWAN产品;客户端部署在气象台站,实现具体的预报业务,并形成算法二次开发接口。SWAN2.0新增了三维变分风场反演、基于分雨团技术的雷达降水估测、冰雹识别等方法,实现了算法管理、产品生成、分析处理、资料检索显示、实时监控报警、预警产品制作等功能。SWAN2.0业务系统已在全国试用,在强对流天气监测、分析和短时临近预报预警中发挥了重要作用。     

反射率因子和径向速度共同约束反演多普勒雷达风场

多普勒雷达可以提供降水回波区的风场信息。为了充分运用雷达资料分析中小尺度天气过程,本文假设反射率因子在短时间内的运动满足拉格朗日守恒,提出了采用连续两次的反射率因子回波和径向速度数据共同约束的方法来反演风场,在反演过程中避免了对径向速度的分布进行假设。针对连续两个时次之间反射率回波运动中产生的不同程度的误差做了模拟风场试验,结果表明,当回波运动随机误差不超过40%时,反演结果较为可靠。另外,本文还利用此风场反演方法进行两次中尺度天气过程的实例分析。结果表明,该方法反演的风场与实际风场结构相符,具有一定的应用价值。     

基于支持向量机的雷暴大风识别方法

基于北京市观象台雷达基数据和加密自动气象站数据,利用支持向量机算法建立了雷暴大风天气的有效识别模型。首先确立了9个用于识别雷暴大风的预报因子:回波顶高、最大反射率因子、最大反射率因子所在高度、垂直积分液态水含量、垂直积分液态水含量随时间变率、垂直积分液态水含量密度、雷暴大风发生前最大反射率因子下降高度、风暴移动速度、速度谱宽。通过计算各预报因子在大风和非大风样本中的概率分布,得到对应的各项预报因子雷暴大风的隶属度,利用得到的隶属度函数对样本进行归一化处理。确立核函数和模型参数,利用支持向量机建立雷暴大风天气的提前识别和临近预警模型。通过对北京2017年7月7日飑线和2012年5月19日块状回波引起的灾害大风典型个例的识别效果检验,得到两个个例预测的命中率、误判率和临界成功指数分别为92.0%,22.1%,73.0%和99.1%,40.5%,59.2%,对于提高雷暴大风预警预报的准确率有一定帮助。     

基于探空数据集成学习的短时强降水预报试验

使用2015—2019年6—9月08:00（北京时）我国119个探空站的大气层结和对流参数作为特征参数,基于XGBoost集成学习方法,建立短时强降水事件预报模型。同时,提出一种面向高影响天气的模型优化思路,通过使用分段权重损失函数,进行模型调优,在空报率不超过一定阈值的情况下,可提升模型预报的命中率和TS评分。设计分段权重损失函数权重敏感性试验和损失函数对比试验,选取7个区域中心探空站对比分析模型优化方法的有效性和泛化性。利用2019年6—9月全国探空数据针对短时强降水预报开展批量独立检验和个例分析,结果表明:改进后的预报模型TS评分提高0.05~0.1,命中率提高0.15以上,空报率提高0.05~0.1,表现出明显的“宁空勿漏”预报倾向,模型预报能力得到明显提升;在全国短时强降水预报试验中,预报模型命中率为0.65,空报率为0.37,漏报率为0.34,TS评分为0.47,说明该模型对短时强降水天气具有一定预报能力。     

基于CUDA的并行雷达拼图算法研究北大核心CSCD

雷达组网拼图算法是强对流天气短时临近预报系统(Severe Weather Automatic Nowcasting,SWAN)的重要基础方法之一。提高拼图算法的效率,不仅可以提升现有SWAN临近算法序列的时效性,也能更好地应用高分辨率雷达数据,具有重要的实际意义。采用中央处理器(central processing unit,CPU)和图形处理器(graphics processing unit,GPU)混合架构设计并行雷达拼图算法,其中CPU负责雷达数据的解析和调度GPU并行模块,GPU负责大规模数据的并行计算。通过分析计算统一设备架构(compute unified device architecture,CUDA)算法的并行开销和拼图算法的特点,提出并实现了GPU内存管理优化和数据交换流程优化方案,提高了组网拼图算法的效率。对比试验结果表明,基于CUDA的GPU并行拼图算法和SWAN中30线程并行的CPU算法相比,在全国1 km和500 m分辨率的拼图任务上,加速比分别达到3.52和6.82。综上,基于CUDA的并行拼图算法不仅可以提高SWAN短时临近算法序列的时效性,也为更高分辨率雷达资料的拼图提供了技术支持。