熱帶氣象學(xué)報(bào)最新期刊目錄

基于殘差移位擴(kuò)散模型的數(shù)值模式溫度預(yù)報(bào)空間降尺度方法————作者：王興;葉威良;張通;苗子書;吳其亮;

摘要：數(shù)值模式預(yù)報(bào)在氣象預(yù)測(cè)中占據(jù)核心地位，利用深度學(xué)習(xí)技術(shù)提升預(yù)報(bào)的空間精度是空間降尺度的重要發(fā)展方向之一。然而，傳統(tǒng)生成式模型存在計(jì)算效率低、空間紋理精度不足以及模式坍塌等問題。為了解決這些問題，提出了一種基于殘差移位擴(kuò)散模型的數(shù)值模式預(yù)報(bào)空間降尺度方法。具體而言，將殘差引入擴(kuò)散模型的擴(kuò)散過程中，幫助模型快速收斂，減少采樣步驟，相比潛空間擴(kuò)散模型，推理時(shí)間縮短到四十分之一，有效提高了計(jì)算效率。通過擴(kuò)...

一種基于氣團(tuán)標(biāo)簽的鋒面智能識(shí)別方法————作者：丁新亞;李騫;汪天穎;張亮;劉宇迪;張?jiān)迄i;黃兵;馮曉;

摘要：目前自動(dòng)識(shí)別鋒面的機(jī)器學(xué)習(xí)方法，因使用的鋒面標(biāo)簽中有鋒格點(diǎn)與無鋒格點(diǎn)的比例嚴(yán)重不平衡，易導(dǎo)致訓(xùn)練的網(wǎng)絡(luò)識(shí)別結(jié)果偏向無鋒類別的問題，另外，網(wǎng)絡(luò)輸入的多氣象要素，因特殊天氣情況和地理位置等原因會(huì)產(chǎn)生數(shù)據(jù)特征沖突或者數(shù)據(jù)信息質(zhì)量差的問題，造成輸入數(shù)據(jù)與網(wǎng)絡(luò)不匹配，后果是網(wǎng)絡(luò)訓(xùn)練困難，識(shí)別準(zhǔn)確度受影響。為此，提出一種基于氣團(tuán)標(biāo)簽訓(xùn)練AMA-UNet(自適應(yīng)融合多氣象要素U型網(wǎng)絡(luò))模型來進(jìn)行鋒面智能識(shí)別的方...

基于神經(jīng)網(wǎng)絡(luò)模型可解釋性的降水預(yù)報(bào)————作者：樊仲欣;王妍;王若曈;

摘要：為提高局地精細(xì)化預(yù)報(bào)的準(zhǔn)確性和可靠性，提出了一種基于核函數(shù)KernelExplainer和可解釋性“夏普值”(SHAP值)聚類分析的神經(jīng)網(wǎng)絡(luò)降水預(yù)報(bào)技術(shù)。該方法首先通過正態(tài)化分布變換解決神經(jīng)網(wǎng)絡(luò)的輸出抖動(dòng)問題，然后使用KernelExplainer估計(jì)由卷積(CNN)層、長短期記憶(LSTM)網(wǎng)絡(luò)、全連接層構(gòu)建的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，并獲取氣象要素參數(shù)m和時(shí)間步長參數(shù)tl對(duì)于預(yù)測(cè)結(jié)果的貢獻(xiàn)值SHA...

基于CGAFNet的衛(wèi)星云圖臨近預(yù)報(bào)研究————作者：康奇秀;杜東升;陳立福;歐小鋒;葉成志;

摘要：衛(wèi)星云圖外推技術(shù)能及時(shí)掌握云團(tuán)的運(yùn)動(dòng)軌跡和變化情況，為臨近預(yù)報(bào)和災(zāi)害性天氣的監(jiān)測(cè)提供重要參考。然而，現(xiàn)有的云圖預(yù)測(cè)方法存在難以捕捉小尺度云團(tuán)發(fā)展、云圖細(xì)節(jié)特征不清晰、預(yù)測(cè)結(jié)果逐漸模糊等問題，導(dǎo)致最終的預(yù)報(bào)效果不理想。為了有效提取衛(wèi)星云圖的時(shí)空信息，預(yù)報(bào)中小尺度云團(tuán)的發(fā)展，利用FY-4A紅外云圖，以湖南區(qū)域?yàn)橹行牡闹袞|部地區(qū)作為研究對(duì)象，從時(shí)空序列預(yù)測(cè)的角度出發(fā)，提出了一種卷積門控循環(huán)注意力融合網(wǎng)絡(luò)...

基于DWT-CNN-LSTM逐日氣溫預(yù)測(cè)模型研究————作者：樊姝琪;劉慧銘;莊潤杰;王詩雨;溫永仙;

摘要：氣溫的準(zhǔn)確預(yù)測(cè)對(duì)人類生產(chǎn)生活、農(nóng)業(yè)等方面至關(guān)重要。針對(duì)傳統(tǒng)氣溫預(yù)測(cè)方法難以捕捉數(shù)據(jù)的動(dòng)態(tài)變化、預(yù)測(cè)精度差等問題，提出了一種融合離散小波變換（Discrete Wavelet Transformation, DWT）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）和長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）的組合氣溫預(yù)測(cè)模型。首先，...

基于DSTFN(Deep Spatio-Temprral Fusion Network)模型的熱帶氣旋軌跡預(yù)測(cè)方法————作者：方巍;杜娟;齊媚涵;胡鵬昱;

摘要：在全球氣候變化背景下，越來越多的地區(qū)面臨著熱帶氣旋的威脅。因此，準(zhǔn)確預(yù)測(cè)熱帶氣旋的軌跡變化對(duì)于氣象預(yù)警和災(zāi)害管理至關(guān)重要。然而，傳統(tǒng)的基于深度學(xué)習(xí)的熱帶氣旋預(yù)測(cè)方法在建模熱帶氣旋的時(shí)空相關(guān)性方面存在局限。為此，提出了一種新的深度時(shí)空融合網(wǎng)絡(luò)——DSTFN(Deep Spatio-Temporal Fusion Network)模型，以提高對(duì)熱帶氣旋軌跡的預(yù)測(cè)精度和穩(wěn)定性。構(gòu)建了有效融合ConvNe...

基于深度學(xué)習(xí)模型集成的日最高和最低氣溫訂正預(yù)報(bào)研究————作者：盧姝;郭可萌;周悅;傅承浩;許霖;顧雪;

摘要：采用2018—2023年中國氣象局陸面數(shù)據(jù)同化系統(tǒng)的氣溫資料以及歐洲中期天氣預(yù)報(bào)中心的高分辨率模式預(yù)報(bào)產(chǎn)品(ECMWF-IFS)，分別建立基于時(shí)空堆疊的殘差網(wǎng)絡(luò)(Res-STS)以及基于自注意力(Self-Attention)機(jī)制的長短期記憶網(wǎng)絡(luò)(Attention-LSTM)，并將兩個(gè)模型進(jìn)行集成，構(gòu)建集成神經(jīng)網(wǎng)絡(luò)模型(Ensemble)，得到涵蓋湖南地區(qū)的0.05°×0.05°氣溫網(wǎng)格日最高、...

人工智能大模型對(duì)2024年長江中下游梅雨的預(yù)測(cè)評(píng)估————作者：曹欣沛;梁萍;黃文娟;張志琦;鞏遠(yuǎn)發(fā);

摘要：目前，人工智能大模型對(duì)長江中下游降水的次季節(jié)預(yù)測(cè)效果尚不清楚。采用三個(gè)人工智能氣象大模型(Pangu-weather、Fuxi和FourCastNet)與歐洲中心次季節(jié)-季節(jié)模式(EC-S2S)預(yù)測(cè)資料，以2024年長江中下游梅雨為例，在診斷其降水及其環(huán)流演變的基礎(chǔ)上，利用相關(guān)技巧、功率譜分析等方法，對(duì)比評(píng)估了氣象大模型與歐洲中心S2S模式(EC-S2S)對(duì)該年梅雨降水、背景場(chǎng)變量及其低頻振蕩分量...

基于多維特征的區(qū)域性暴雨過程相似性檢索方法研究————作者：趙亮;魏鐵鑫;王麗榮;解文娟;

摘要：針對(duì)一次區(qū)域性暴雨過程，檢索與之相似的歷史案例，對(duì)區(qū)域性暴雨過程的評(píng)估、防災(zāi)減災(zāi)和決策服務(wù)等具有重要意義。以京津冀地區(qū)為例，利用1961—2023年京津冀175個(gè)氣象觀測(cè)站逐日降水?dāng)?shù)據(jù)，定義和識(shí)別了京津冀區(qū)域性暴雨過程，提出了一種基于多維特征的區(qū)域性暴雨過程相似判別方法。該方法基于最大過程降水量、最大日降水量、暴雨范圍、持續(xù)時(shí)間、平均范圍和平均強(qiáng)度等特征，采用歐式距離度量屬性維度相似性；基于過程降...

基于加權(quán)損失函數(shù)的我國近海海面風(fēng)速預(yù)報(bào)————作者：渠鴻宇;胡海川;錢傳海;黃彬;

摘要：數(shù)值模式的海面風(fēng)速預(yù)報(bào)存在偏差，基于數(shù)值模式的統(tǒng)計(jì)模型雖然能在一定程度上減小偏差，但由于大風(fēng)樣本嚴(yán)重不足，其對(duì)大風(fēng)的預(yù)報(bào)效果仍然差強(qiáng)人意。在系統(tǒng)檢驗(yàn)ECMWF的24 h海面風(fēng)速預(yù)報(bào)的基礎(chǔ)上，利用XGBoost模型構(gòu)建了適用于中國近海的海面風(fēng)速預(yù)報(bào)訂正模型。該模型不僅從整體上具有不錯(cuò)的預(yù)報(bào)準(zhǔn)確度，還通過采用加權(quán)損失函數(shù)的訓(xùn)練方式，明顯改善了大風(fēng)的預(yù)報(bào)效果。利用2022年1月—2023年1月我國近海1...

基于可解釋人工智能(XAI)的熱帶氣旋直接經(jīng)濟(jì)損失評(píng)估研究————作者：劉淑賢;劉揚(yáng);楊琨;張立生;張?jiān)催_(dá);

摘要：可解釋人工智能(eXplainable Artificial Intelligence,XAI)已經(jīng)成為人工智能研究領(lǐng)域的重要發(fā)展方向，該技術(shù)可以幫助解釋模型如何做出預(yù)測(cè)和決策，在氣象災(zāi)害評(píng)估領(lǐng)域具有較大應(yīng)用價(jià)值。本研究旨在利用機(jī)器學(xué)習(xí)算法評(píng)估熱帶氣旋(Tropical Cyclone,TC)的直接經(jīng)濟(jì)損失，并采用XAI方法 SHAP(SHapley Additive exPlanations)，...

江蘇省級(jí)雷暴大風(fēng)智能預(yù)警信號(hào)生成技術(shù)及其在2023年汛期的應(yīng)用評(píng)估————作者：馮宇軒;莊瀟然;康志明;曾康;吳海英;李特;

摘要：為了實(shí)現(xiàn)江蘇地區(qū)雷暴大風(fēng)智能預(yù)警信號(hào)的自動(dòng)生成以提升雷暴大風(fēng)臨近預(yù)報(bào)預(yù)警能力，在建立分鐘級(jí)、公里級(jí)網(wǎng)格風(fēng)場(chǎng)數(shù)據(jù)集的基礎(chǔ)上，區(qū)分雷暴大風(fēng)、系統(tǒng)性大風(fēng)和混合性大風(fēng)過程，并結(jié)合生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN，針對(duì)雷暴大風(fēng)建模）和具有物理約束架構(gòu)的時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（Physical Dynamics Network, PhyDNet，針對(duì)系統(tǒng)性大風(fēng)和混...

河北災(zāi)害性天氣事件圖像識(shí)別技術(shù)研究與應(yīng)用————作者：魏鐵鑫;司麗麗;趙亮;張靜;孫斌;

摘要：為有效利用社會(huì)化觀測(cè)災(zāi)害性天氣事件的大量圖像，發(fā)展監(jiān)測(cè)新手段，以社會(huì)公眾發(fā)布的災(zāi)害性天氣事件圖像為訓(xùn)練集，基于殘差網(wǎng)絡(luò)ResNet50(Residual Network 50)構(gòu)建了8類災(zāi)害性天氣事件圖像識(shí)別模型，并通過格點(diǎn)化氣象要素實(shí)況二次訂正技術(shù)以及線上審核、線下更新的優(yōu)化模式，提高模型識(shí)別精度和運(yùn)行效率。結(jié)果表明，優(yōu)化后8類模型識(shí)別的平均準(zhǔn)確率在80%以上，已應(yīng)用于河北省多源氣象災(zāi)情監(jiān)測(cè)采集...

基于數(shù)值天氣預(yù)報(bào)與機(jī)器學(xué)習(xí)技術(shù)的道路氣象狀況預(yù)測(cè)————作者：蒲秀姝;劉新超;宋怡軒;郭榮;郭潔;

摘要：道路氣象狀況與交通安全密切相關(guān)，路面濕滑、結(jié)冰易引發(fā)行車事故，因此需要實(shí)現(xiàn)準(zhǔn)確且及時(shí)的道路氣象狀況預(yù)測(cè)。利用雅康高速路段內(nèi)3個(gè)地面觀測(cè)點(diǎn)的道路氣象狀況觀測(cè)數(shù)據(jù)，以及對(duì)應(yīng)區(qū)域的連續(xù)24 h數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，構(gòu)建決策樹模型，建立數(shù)值天氣預(yù)報(bào)結(jié)果與多種道路氣象狀況類別之間的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)未來連續(xù)24 h的道路氣象狀況預(yù)測(cè)。結(jié)果表明，針對(duì)3個(gè)地面觀測(cè)點(diǎn)的5類道路氣象狀況，在交叉驗(yàn)證實(shí)驗(yàn)中，所提出模型的平均...

基于改進(jìn)U-Net模型的湖南地區(qū)定量降水預(yù)報(bào)訂正試驗(yàn)————作者：周莉;許霖;陳鶴;蘭明才;歐小鋒;周悅;謝憶南;肖思晗;

摘要：利用2017—2022年汛期(4—9月)湖南省1 912個(gè)地面觀測(cè)站降水實(shí)況和歐洲中心中期天氣預(yù)報(bào)一體化預(yù)報(bào)系統(tǒng)(European Centre for Medium-Range Weather Forecasts-Integrated Forecasting System,ECMWFIFS)最優(yōu)因子集，在一種U型語義分割網(wǎng)絡(luò)(U-Net模型)基礎(chǔ)上結(jié)合殘差網(wǎng)絡(luò)和注意力機(jī)制網(wǎng)絡(luò)，構(gòu)建了逐時(shí)降水訂正...

基于多種機(jī)器學(xué)習(xí)的模式PM_2.5訂正預(yù)報(bào)方法————作者：劉超;宮宇;張碧輝;柯華兵;

摘要：大氣細(xì)顆粒物污染深刻影響著人體健康、大氣能見度以及氣候變化等諸多方面，對(duì)PM_2.5濃度進(jìn)行精細(xì)化預(yù)報(bào)至關(guān)重要。因此，本研究基于隨機(jī)森林（Random Forest,RF）、LightGBM（Light Gradient Boosting Machine）和XGBoost（Extreme Gradient Boosting Machine）等多種機(jī)器學(xué)習(xí)方法，分別構(gòu)建了基于中國...

基于深度學(xué)習(xí)的月平均2 m氣溫訂正方法————作者：方巍;王冰輪;

摘要：作為減少短期氣候預(yù)測(cè)誤差的技術(shù)，數(shù)據(jù)訂正成為了重要的研究方向。而深度學(xué)習(xí)作為一種新興方法已經(jīng)應(yīng)用到數(shù)據(jù)訂正技術(shù)中，其中常用的模型是U-Net，但它存在不可避免的缺陷。第一，U-Net基于卷積神經(jīng)網(wǎng)絡(luò)，但是受限于卷積神經(jīng)網(wǎng)絡(luò)的小感受野，這導(dǎo)致U-Net不能從全局的角度學(xué)習(xí)空間特征；第二，U-Net的下采樣操作容易丟失圖像細(xì)節(jié)信息。這兩點(diǎn)都影響了該模型的訂正性能。因此采取以下兩個(gè)措施進(jìn)行改進(jìn)，一是將原...

一種基于深度學(xué)習(xí)的城市道路積水內(nèi)澇圖像識(shí)別方法————作者：張志堅(jiān);伍光勝;黎潔儀;陳雨欣;張靜;孫偉忠;

摘要：為了提高超大城市積水內(nèi)澇的監(jiān)測(cè)預(yù)警能力，針對(duì)現(xiàn)有積水內(nèi)澇檢測(cè)方法實(shí)用性、實(shí)時(shí)性存在的不足，依托廣州市9萬余個(gè)高密度公共監(jiān)控視頻作為數(shù)據(jù)基礎(chǔ)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)RTMDet (Real-Time Models for Object Detection)模型建立了一種道路積水內(nèi)澇圖像識(shí)別方法，采用多線程技術(shù)實(shí)現(xiàn)大規(guī)模視頻點(diǎn)圖像的高效采集，同時(shí)基于實(shí)例分割RTMDet模型實(shí)現(xiàn)積水內(nèi)澇目標(biāo)的快速檢測(cè)和...

冬季東亞冷涌活動(dòng)對(duì)馬來西亞暴雨洪水事件的影響及成因分析————作者：楊舒楠;周寧芳;

摘要：利用衛(wèi)星觀測(cè)、ERA5和GDAS再分析數(shù)據(jù)等對(duì)東亞冬季風(fēng)冷涌引發(fā)的一次馬來西亞極端暴雨洪水事件進(jìn)行了分析。結(jié)果表明：在東亞冬季風(fēng)背景下，東亞大槽重建、地面冷高壓加強(qiáng)以及日本島-西北太平洋爆發(fā)性氣旋發(fā)展等為冷涌形成提供了有利的環(huán)流背景；熱帶氣旋“雷伊”影響及中高緯度冷空氣的持續(xù)補(bǔ)充進(jìn)一步延長了冷涌維持時(shí)間。冷涌與熱帶氣旋外圍環(huán)流、熱帶東風(fēng)氣流、“海洋性大陸”(Maritime Continent)西...

蘇州“7.26”強(qiáng)颮線增強(qiáng)機(jī)制分析————作者：曹舒婭;王嘯華;何琰;莊瀟然;王宇丹;

摘要：針對(duì)2022年7月26日發(fā)生在江蘇南部的一次由強(qiáng)颮線引起的大范圍極端雷暴大風(fēng)天氣，利用雙偏振雷達(dá)、再分析數(shù)據(jù)、探空、地面自動(dòng)站、風(fēng)廓線、微波輻射計(jì)等資料分析產(chǎn)生颮線的天氣形勢(shì)背景和颮線在移過太湖附近突然增強(qiáng)的原因。(1)低空急流向下傳播形成超低空急流，增強(qiáng)的中層干冷空氣卷入，隨下沉氣流到達(dá)地面形成出流，加強(qiáng)了地面輻合，使颮線形成組織化。(2)颮線東移過程中的強(qiáng)降水導(dǎo)致其冷池不斷增強(qiáng)，在颮線內(nèi)部形成...

提交