国家气象信息中心基于多源观测数据，利用数据融合与同化技术研制的实况分析产品已通过业务准入评审并发布。为保证实况分析产品评估结果的客观性和真实性，对参与实况分析产品检验评估的数据源——地面站点资料的代表性进行研究。选取2020年5—8月四川省地面气象站点经度、纬度、坡度、坡向、数据可用性等10个降水影响指标，利用相关分析、主成分分析，在指标筛选基础上，通过确定各影响指标的权重，形成各地面站点的综合影响指标，并对其进行分级检验。结果表明：10个影响指标经过筛选保留5个指标，其权重从大到小依次为数据可用性、设备稳定性、坡度变率、地表粗糙度、海拔高度；四川盆地内站点综合影响指标值大部分在0.9以上，综合影响指标值较低的站点主要分布在四川省甘孜州、阿坝州和凉山州，这与上述区域地形复杂、站点代表性较差密切相关；通过综合影响指标的分级评估，将指标值在0.8以上的站点数据作为降水实况分析产品评估的“真值”数据源较合理。
为深入认识对流尺度集合预报对川渝地区降水的预报性能，利用2020—2021年暖季（5—9月）川渝地区7 213个自动气象站逐日降水观测数据，综合评估对流尺度集合预报系统的控制预报（Control Forecast， CNTL）、集合平均（Ensemble Mean， MEAN）和概率匹配平均（Probability-matched Ensemble Mean， PM）对川渝地区降水的预报能力，并对比不同起报时次（08：00和20：00，北京时，下同）的预报差异。结果表明：（1）PM和MEAN的预报性能相对CNTL有所提高，MEAN对中雨和大雨量级降水预报具有指示意义，PM对大量级降水具有明显的预报优势。（2）模式预报的降水频率在小雨量级相比观测呈区域一致的正偏差，中雨及以上量级降水的预报正偏差集中在大巴山、华蓥山、武陵山脉等高海拔山区，预报负偏差主要位于四川盆地和丘陵区域，MEAN对小雨和中雨（大雨和暴雨）的预报正（负）偏差最明显。（3）08：00起报的36 h时效临界成功指数（Critical Success Index， CSI）和命中率（Probability of Detection， POD）整体高于20：00起报的48 h时效预报结果，但08：00起报的降水频率对高海拔山区的高估更明显。（4）PM和MEAN对四川盆地2021年9月4—7日强降水过程的降水落区预报优于CNTL，这是因为集合预报能够更好地把握天气系统的位置和形状特征。
基于四川地区1990—2019年的逐日2 m最高、最低温度站点实况数据，对气温转折天气过程进行统计和分析，在此基础上，应用LightGBM（Light Gradient Boosting Machine）算法及NCEP/NCAR（National Center for Environmental Prediction/National Center for Atmospheric Research）逐日再分析资料，构建气温转折天气过程变温订正模型。结果表明：（1）出现气温转折过程最多的区域是高原与盆地的边坡过渡区，最少的是盆地；（2）各区域的气温转折过程具有明显的季节差异，均表现为春季最多、冬季最少，且春季的气温转折过程明显多于其他3季；（3）在1990—2019年验证集中，LightGBM订正模型表现较好，准确率为78.64%，平均绝对误差为1.35 ℃。（4）在2020年的独立样本测试中，LightGBM订正模型的准确率为53.60%，平均绝对误差为2.19 ℃，整体订正效果优于ECMWF模式（European Centre for Medium-Range Weather Forecasting）、中央台城镇预报指导报（SCMOC）及四川省气象台数值预报客观释用城镇预报指导报（SPCO）的预报。
近年来，人工智能技术在图像识别领域取得了突破性进展，为探寻人工智能模型在武汉地区雷达回波临近预报中的应用价值，本文利用湖北武汉市2015—2020年雷达回波和降水量观测资料，对PredRNN++、MIM、CrevNet和PhyDNet 4种深度学习模型进行雷达回波临近预报训练，并基于2021年汛期雷达回波资料进行雷达回波临近预报。在此基础上，通过降水强度和降水面积指数筛选降水过程，并以均方误差（Mean Square Error， MSE）、结构相似性指数（Structural Similarity Index Measurement， SSIM）、命中率（Probability of Detection， POD）、空报率（False Alarm Rate， FAR）和临界成功指数（Critical Success Index， CSI）为指标，检验评估上述4种深度学习模型和光流法对2021年汛期武汉地区雷达回波的临近预报性能。结果表明：（1）整体来看，MIM模型的MSE最小、POD最高，MIM和PredRNN++模型的SSIM并列最高；所有深度学习模型的FAR均低于光流法，且PhyDNet模型的FAR最低；除CrevNet模型外，其余3种深度学习模型的CSI均高于光流法，且MIM模型的CSI最高。（2）预报的前12 min，光流法的CSI最高，而在18~120 min MIM模型的CSI最高，显示了深度学习模型长预报时效的优势。（3）随着回波强度增加，深度学习模型和光流法的POD和CSI均迅速降低，而FAR光流法与各模型则表现出不同的变化规律。（4）随着区域性降水强度增加，深度学习模型的预报能力均先降低后明显增强，而光流法对降水强度变化的敏感性较弱，故在强降水背景下深度学习模型的CSI较光流法增幅最大；对于局地一般对流性降水过程，所有深度学习模型和光流法的预报能力均大幅降低。（5）暴雨个例分析结果表明，深度学习模型不仅具备一定回波强度变化的预报能力，而且对回波运动的预报能力也明显高于光流法，展示了深度学习模型良好的应用前景。
地基GPS反演大气可降水量（precipitable water， PW）中，加权平均温度（Tm）是一个非常重要的参数。为提高海南岛PW反演的精度和可靠性，基于海口站2008—2010年探空数据计算的Tm，分析Tm时间变化特征及其与地面气象要素的关系，在此基础上利用2008—2012年数据建立Tm单因子、多因子回归模型和加入年积日的回归模型，并利用2013—2014年数据对模型进行检验。进一步基于2012年5—10月数据对基于Tm单因子和多因子模型的GPS反演PW进行检验。结果表明：本地化单因子、两因子Tm模型均方根误差分别为2.000和1.978 K，与Bevis公式、常数法相比，本地模型误差较小，与探空资料计算的Tm有良好的一致性。与Bevis模型相比，基于本地单因子和多因子Tm模型的GPS反演PW与探空资料计算的PW相关性更高，偏差更小；与多因子线性模型相比，基于加入年积日的Tm模型的GPS反演PW精度明显提高。本地化Tm模型能更好满足海口地区地基GPS反演PW。
为了更好地发挥风廓线雷达在高空探测中的优势，本文利用2014—2017年中国科学院大气物理研究所淮南气候环境综合观测试验站（Huainan Climate and Environment Observatory，HCEO）的ST风廓线雷达探测资料，评估在不同探测模式组合下雷达的探测性能，探讨探测气象环境对其影响，研判实际应用中探测模式组合的适用性。结果表明：ST风廓线雷达选用高、低模式与转换高度进行模式组合，可实现不同探测目的，但不同组合的探测性能存在差异，主要呈现两种变化规律：一种是模式转换前探测性能逐渐降低，而转换后迅速升高，进入高模式后随高度逐渐降低；另一种是转换过程中探测性能未发生明显改变，到高模式某一高度后逐渐降低。另外，秋冬季临近转换高度探测性能的降低程度逐渐加大；降水使对流层中低层探测性能降低。因此，可以依据雷达对大气边界层、对流层以及平流层的探测性能，选择合适的探测模式组合。
为指导地市更加科学合理地开展人工增雨作业，基于2018—2020年夏秋季浙江人工增雨作业记录、多普勒雷达数据、MICAPS数据、自动站小时雨量及探空数据，在对增雨作业效果分析后利用逆推法对浙江省夏秋季人工增雨作业雷达指标进行研究。浙江有利于开展人工增雨作业的天气系统主要有切变线、高空槽和台风，占比分别为28.6%、21.4%和21.4%。根据雷达回波和降水特征，作业云系可分为层状云、积状云、层状云为主和积状云为主的混合云，其中混合云是最常见的作业云系，占比高达82.5%。在日常增雨作业中，增雨效果明显的作业比例较低，占比仅13.4%。回波强度、回波顶高、负温层厚度、垂直积分液态水含量为增雨作业条件判别的有效指标，不同季节和不同云系对应的雷达指标有所不同。统计发现未能合理开展作业是无法获取正增雨效果的主要原因，占比高达49.2%，其他常见原因还包括作业时机不合适、作业部位不合适和作业对象不合适。本文所建立的雷达指标在临近作业指挥中具有一定的指导意义。
为了研究四川盆地尤其是盆地周围边缘山地夏季降水的主要地理影响因子及降水量的最佳插值方法，基于四川省157个自动气象站点近10 a（2010—2019）夏季降水数据，采用聚类分析进行分区，通过相关性分析和多元回归分析筛选出各区域降水量的地理影响因子。使用协同克里金插值方法的同时，采用传统插值方法进行对比并对插值结果进行交叉检验，结果表明：（1）可用来表征四川夏季降水量的地理影响因子主要有经度、纬度、海拔、坡度和均一化植被指数（normalized difference vegetation index， NDVI）；（2）由于四川地形的多样性和复杂性，分区之后的降水量插值效果优于分区前的插值效果；（3）在所选区域降水影响因子数目适中时，采用协同克里金插值方法效果更佳；而在所选区域降水表征因子数目单一或过多时，采用径向基函数插值方法或经验贝叶斯克里金插值方法的效果更佳。
面对不同方法、不同时效的降水预报产品，往往同时存在大量的检验评估结果，如何较全面、系统地综合分析以便更好地认识各预报结果，目前仍然缺乏有效手段。本文以2019年6—9月全国智能预报技术方法交流大赛的网格预报数据及国家气象中心指导预报、中国气象科学研究院的无缝隙分析预报前沿系统预报产品及31个省(市、区)客观预报产品、欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts， ECMWF)和美国国家环境预测中心的全球模式预报数据构成的样本集为例，采用凝聚层次聚类分析方法，对不同降水预报产品的不同检验评估结果进行归类分析。结果表明：凝聚层次聚类结果能够清晰反映样本集内降水预报产品的整体性能及其差异。基于不同数量的降水评估指标的聚类结果存在明显差异，但高相似度的预报产品均能划分为一个子类。不同的类间相似度度量方法能够影响样本类别特征差异的清晰程度，从清晰到模糊依次为Ward、Complete、Average、Single。不同行政区域、预报产品的降水预报能力表现不同，华北和华东地区的晴雨预报准确率高于其他区域，绝大部分客观预报在晴雨和降水量相对误差预报性能上优于ECMWF模式预报，但在强降水预报中客观预报的性能不及ECMWF，表明对于强降水预报的释用还存在较大困难。
随着预报服务需求不断增长和预报内容日趋精细化，仅针对20 mm·h-1以上的短时强降水预报已不能完全满足业务需要，开展不同雨强等级的短时强降水预报方法研究显得十分必要。利用2016—2019年6—8月中国南方9省1市的国家及区域气象站共51 355站次短时强降水样本，将雨强R分为4个等级：20≤R<30 mm·h-1、30≤R<50 mm·h-1、50≤R<80 mm·h-1及R≥80 mm·h-1(分别对应I、Ⅱ、Ⅲ、IV级)。将各级样本与同时段CMA-MESO(China Meteorological Administration mesoscale model)数值预报模式初始场进行时空匹配，提取22个相关物理量建立数据集并进行百分位值统计;利用XGBoost(extreme gradient boosting)机器学习方法对物理量进行重要性排序以确定权重系数;应用连续概率预报方法，选用升、降半岭函数作为隶属函数，建立不同等级短时强降水概率预报模型。运用该模型在2020年汛期进行实时业务预报，并对湖北省2020年6—8月15次大暴雨过程0~36 h预报时效的逐小时不同等级短时强降水概率预报产品进行检验，结果表明：I级概率预报产品60%阈值的TS评分(0.145)最好，对应命中率为55.7%;Ⅱ级概率预报产品65%阈值的TS评分(0.083)最好，对应命中率为39.1%;Ⅲ级概率预报产品70%阈值的TS评分(0.03)最好，对应命中率为21.7%;IV级概率预报产品80%阈值的TS评分(0.005)最好，对应命中率为5.8%。对不同等级雨强个例对比检验表明，各级概率预报产品对CMA-MESO模式在同时次不同等级短时强降水预报上均有较好的订正作用。对3次强降水过程逐小时预报检验表明，I级概率预报产品命中率为40%~80%，空报率为50%~90%，预报时效达36 h，普遍优于同时次CMA-MESO降水量预报。本研究对不同等级短时强降水分型建模并在实际预报中有较好的参考性，能够对CMA-MESO的降水预报起到订正作用。
2020年汛期6—8月甘肃降水日数多、持续时间长、范围广、强度大,对该时间段内3种全球模式（ECMWF、GRAPES_GFS和NCEP_GFS模式）和4种区域模式[GRAPES区域数值预报业务系统（GRAPES_3 km）、西北区域区域模式（GRAPES_LZ10 km）、西北区域快速更新循环预报系统（GRAPES_LZ3 km）和华东区域模式（SMS-WARMS）]24 h累计降水预报性能进行检验评估。结果表明：（1）全球模式中ECMWF模式的预报性能优于其余2个模式,而区域模式中GRAPES_3 km和SMS-WARMS模式预报性能相对较好,且SMS-WARMS模式预报性能更稳定。（2）区域模式晴雨准确率及小雨和中雨的TS评分、ETS评分、命中率低于全球模式,暴雨优于全球模式;大雨和暴雨的空报率和预报偏差均高于全球模式。（3）根据500 hPa环流形势可将甘肃汛期降水划分为副高边缘型和低槽型2种类型,针对2020年4次副高边缘型和3次低槽型降水进行分类检验评估。全球模式和区域模式均对前者的各个量级降水预报性能优于后者;ECMWF模式和区域模式对2种类型大雨和暴雨预报效果优于NCEP_GFS和GRAPES_GFS模式;全球模式中ECMWF模式、区域模式中SMS-WARMS模式对2种类型降水预报效果最好。（4）7种模式对2种类型中雨和大雨雨带走向预报较好,对副高边缘型降水过程降水落区的预报能力优于低槽型降水过程,但预报降水强度较观测偏强,尤其是降水中心区域。
2020年6月5日山西省沁源县发生森林火灾,通过对天气形势、雷达回波、闪电定位等多源气象资料的分析,并利用欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）第五代全球大气再分析产品——ERA5,分析了此次森林火灾前期及期间的温度、降水量等气象要素演变特征,再结合现场情况调查,给出了此次森林火灾的起因。结果表明：此次森林火灾是由一次正极性地闪所导致,雷击点处于对流云边缘,闪电发生时间为6月5日15：39,电流强度42.2 kA。事故前期起火点所在区域连续2 d未发生降水,火灾发生当日该区域地面增温明显,气温为30~33 ℃,降水量小于0.1 mm,微风。
利用SRTM资料建立天水雷达站周边地物分布,滤除雷达回波中的地物回波和其他杂波。在此基础上基于陇东南6次3类降水过程,进行Z-I关系参数本地化试验,最后比较庆阳西峰新一代天气雷达和天水雷达探测重合范围内的反射率因子。结果表明:SRTM资料可以很好地模拟地物回波的分布;雷达反射率因子相对于降水有一定超前;本地化的Z-I关系参数与其他地区有明显区别,A值偏小而b值偏大;天水新一代天气雷达可能存在系统性的回波强度偏低。
基于CWRF(climate extension of WRF)区域气候模式的动力降尺度预测技术对夏季降水预测存在一定偏差,难以实现准确预测。本文立足于中国区域夏季降水特点,分析与夏季降水相关的气象要素,采用树突(dendrite,DD)网络与人工神经网络(artificial neural networks,ANN)相结合的方法,针对CWRF模式回报的1996—2019年夏季降水量进行订正,检验其订正效果。结果表明:人工树突神经网络(artificial dendritic neural network,ADNN)算法模型订正的中国夏季降水量整体好于CWRF模式历史回报,距平相关系数和时间相关系数较订正前均提高约0.10,均方误差下降约26%,趋势异常综合检验评分提高6.55,表明ADNN机器学习方法能够对CWRF模式夏季降水预测实现一定程度的订正,从而提高该模式降水预测精度。
基于地形和西南区域中尺度模式系统(southwest center WRF ADAS real-time modeling system,SWCWARMS)20:00(北京时,下同)和08:00起报的逐3 h风场、相对湿度场,计算地形降水估算量并结合SWCWARMS预报降水场构建降水订正方程,进而对2018—2020年汛期6—8月日降水、四川盆地降水过程及四川盆地西部降水过程3类降水进行订正,并仅对川西高原东坡到四川盆地西部的陡峭地形过渡带进行检验评估。结果表明:(1)各量级降水量订正值TS相对于SWCWARMS预报降水量的TS均有不同程度提高,20:00起报的订正效果优于08:00。对于大雨及以上量级均以四川盆地西部降水过程订正效果最佳, 20:00起报的12~36 h大雨、暴雨和大暴雨的降水量订正值 TS相对提高率分别为19%、25%和37%,且命中率高,空、漏报率明显减小,订正效果较好。(2)降水订正方程对四川盆地西部降水过程类型中的区域性暴雨个例和一般性降水个例均有较好的订正效果,即使是SWCWARMS模式预报的大雨、暴雨和大暴雨预报降水落区与实况差异甚远的个例也有一定订正效果。
利用2019年杭州站辐射观测数据及浙江省中尺度数值预报业务系统(Zhejiang WRF ADAS real_time modeling system,ZJWARMS)逐时模拟结果,评估ZJWARMS对地表太阳辐射的模拟效果。在此基础上,选取ZJWARMS输出的短波辐射通量、云量、地表温度、比湿等10个气象因子,建立不同天气分型的地表太阳辐射预报(model output statistics,MOS)订正模型。结果表明:ZJWARMS能较好地模拟太阳辐射的日变化特征,其与观测值的相关系数达0.82,但总体上模拟值较观测值偏大,晴天时误差相对较小,阴雨天时误差明显增大。MOS模型订正后,预报效果明显改进,平均绝对百分比误差由订正前的273.4%下降至46.3%,均方根误差由246.7 W·m-2下降至105.0 W·m-2。MOS模型订正效果在不同月份存在一定差异,8月订正效果最好,订正后平均绝对百分比误差由126.6%下降到26.3%,4月订正效果相对较差,订正后平均绝对百分比误差为56.6%。
基于多模式降水格点预报资料、青海省气象站实况资料及多源融合降水格点分析产品,针对青海省2020年7—8月强降水天气个例,采用TS(threat score)评分等传统检验方法和FSS(fraction skill score)评分及MODE(method of object-based diagnostic evaluation)空间检验方法,对比检验各模式在青海强降水中的预报性能。结果表明:(1)小雨及以上量级,欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)全球模式、中国气象局全球同化预报系统(CMA-GFS)及GRAPES区域中尺度数值预报系统(GRAPES-Meso)的传统TS评分均较高且预报能力相差不大,但不同检验方法下评分最高的模式略有不同;(2)中雨及以上量级,各模式预报较观测普遍偏西,且传统TS评分差异较为明显,但不同检验方法下模式评分优劣表现较为一致;(3)大雨及以上量级,各模式预报较观测普遍偏北,且预报能力较差,传统TS评分为0,FSS评分有效提高了模式差异性的评估能力,MODE方法则给出了预报和观测对象属性的具体表现,但对检验参数的选取较为敏感。
