冰雹识别技术研究对提前防御和减轻冰雹灾害具有重要意义。本文基于支持向量机（Support Vector Machine，SVM）模型和Kolmogorov变量筛选过滤器，利用FY-2G卫星的7项反演产品开展冰雹识别方法研究。以贵州省2020—2022年30个冰雹日368组未降雹点与降雹点FY-2G卫星反演产品数据作为数据集，分别基于Linear核函数、Radial Basis Function（RBF）核函数、Sigmoid核函数建立L-SVM模型、RBF-SVM模型、S-SVM模型开展冰雹识别，通过交叉检验提升模型冰雹识别结果的可靠性，并对识别准确率分布进行分析，利用Kolmogorov变量筛选过滤器优化模型输入参数。 结果表明：3种核函数SVM模型均能对降雹点和未降雹点进行有效识别，且准确率均超过70%。其中，RBF-SVM模型对总样本和未降雹点样本的识别准确率最高，分别为87.50%和91.85%；S-SVM模型对降雹点识别准确率最高（89.13%）。利用Kolmogorov变量筛选过滤器优化模型输入参数后，模型识别准确率有不同程度提升。对于未降雹点数据集，优化输入参数后RBF-SVM模型和S-SVM模型识别准确率均达92.93%；对于降雹点数据集，S-SVM模型识别效果最好；对于总数据集识别效果最好的是优化输入参数后的RBF-SVM模型。综合识别效果最好的是输入参数优化后的RBF-SVM模型，若识别降雹区域则主要关注S-SVM模型识别结果。
研究甘肃河东地区汛期降水智能网格预报偏差特征，对提升区域降水预报预警的精准化水平和防灾减灾服务能力具有重要意义。利用甘肃河东1 766个自动气象观测站的汛期降水资料，筛选出2018—2020年264个降水个例，基于中央气象台发布的3 h智能网格降水预报数据，对预报场和实况场的连续雨区（Contiguous Rain Area，CRA）进行识别和配对，并按照命中、假警报和未命中3种情况分类分析，进一步对预报命中的CRA偏差特征进行研究。结果表明：对于预报命中的降水个例，智能网格降水预报的落区偏差以暖强迫类最大，斜压锋生类和冷强迫类次之；强度偏差以冷强迫类最大，暖强迫类和斜压锋生类次之；形态偏差以斜压锋生类最大，冷强迫类和暖强迫类次之。暖强迫类和斜压锋生类降水的落区预报偏东偏北，冷强迫类偏东偏南。3类降水预报均表现为对β及以下尺度的降水落区面积偏大，而对α尺度降水落区面积偏小。基于CRA空间检验结果，预报员可建立本地化的模式订正方案，提高智能网格降水预报的服务能力。
研究桥面温度差异特征及其预报模型，可为交通管理部门提供恶劣天气预判和减少交通事故的决策依据。利用近3 a冬季武汉天兴洲大桥路段3个交通气象站逐5 min路面最低温度、气温、风速、降水等观测资料，分析了桥面与路面最低温度的逐日差异、典型个例的逐时变化特征及不同天气条件下的温度变化规律，并基于多元线性回归和反向传播（Back Propagation，BP）神经网络方法建立了桥面最低温度预报模型，采用智能网格最低气温预报产品对模型进行驱动和检验。结果表明：由于工程结构、路面材质、地理环境和环境气象要素的差异，桥面温度通常低于路面温度，且在晴天条件下二者的温差最大。桥面温度下降至冰点以下的速度更快，且低温持续时间更长。多元线性回归和BP神经网络方法均能取得较好的预报效果，BP方法更适用于对预测精度要求较高的场景，而多元线性回归方法则适合对预报准确率要求较高的应用。
甘公网安备62010002000425号
陇ICP备17000949号-2
