摘要:

摘要:本文提出了一种新的基于序数一致性约束的能见度检测方法，通过将传统的能见度等级分类任务转化成有序的多个二分类器来约束能见度等级检测结果的一致性。以交并比作为序数一致性的衡量指标，并引入指数开方缩放函数和加权困难样本策略，增强模型对预测标签与真实标签之间序数关系的敏感性。本方法在京石、大广高速公路视频监控设备上采集的图像数据集中进行了模型的训练和测试，分类准确率分别达到93.75%、86.94%，并通过消融试验验证了方法的有效性。通过模型的交叉测试，验证了本文方法的泛化性与普适性。试验结果表明，本文提出的基于序数一致性约束的能见度检测方法能够有效地提升能见度检测模型的分类准确率。

摘要:贵州高速通车里程全国第五，但交通气象站布设稀缺，山地地形影响下低能见度天气频发，严重威胁道路交通安全。借助深度学习图像识别方法识别能见度等级，可辅助雾天交通管制快速评估。卷积神经网络（Convolutional Neural Network, CNN）受限于全局特征获取缺失，分类精度不高，本文兼顾局部与全局特征表达，构建融合CNN与Transformer的混合网络模型cTrans-Net，选取贵州典型山地高速监控视频图像参与模型训练和测试，实现影响交通的能见度0～4共五级分类。结果表明，cTrans-Net测试集总体准确率达89.17%，ROC曲线下面积为0.9822，优于多种主流深度学习模型；独立验证集的总体准确率为87.75%。在对交通有明显影响的较低能见度（＜500 m）的评估中，针对发生频次最高的2级（界于100～200 m）召回率最高为90.66%，在0（＞500 m）与4（≤50 m）两级低频样本上的召回率分别达92.31%和90.45%，cTrans-Net模型适应于样本不均衡的场景，实用性强。特征可视化结果显示，cTrans-Net聚焦交通标线及雾气等利于能见度评估区域。本研究尝试为智慧交通中的雾天识别提供技术方案。

摘要:为深度融入地方综合防灾减灾指挥体系，助力决策者实时、便捷获取气象信息支持，江苏省气象局全力推进决策气象服务移动应用（APP）系统的研发与应用。APP以用户需求为导向，精准提炼关键信息，着重优化交互体验，通过强化多源气象数据、信息、知识与多样化应用场景的融合分析，提供全链条、专题化服务；通过研制基于用户行为和天气特征的个性化推荐技术与策略，开展分众式、定制化服务；依托DeepSeek-R1-Distill-Qwen-32B大语言模型，集成语音识别与动态对话状态跟踪技术，研发气象会话机器人——苏小策，支持智能问答和功能导航，实现会话式服务。江苏决策气象服务APP针对性强、实用性高，直通保障全省防灾减灾关键部门，在灾害性天气防范应对中发挥前置提醒、即时叫应和持续保障作用，为决策气象服务能力建设提供了可复制、推广的技术路径。

摘要:利用山西省109个国家站1990—2022年7—8月日降水观测资料、欧洲中心中期天气预报模式（ECMWF）2022年7—8月高分辨率数值模式降水资料和集合预报EFI（Extreme Weather Forecast Index，EFI）极端降水指数产品，采用百分位方法，统计山西省历史极端降水的不同分位值（最大、99%、95%）；在分析2022年山西7—8月极端降水实况和评估两类降水预报产品不同时效（0～24 h、24～48 h、48～72 h）预报性能基础之上，提出采用EFI极端降水指数来构建基于ECMWF高分辨率模式极端降水预报的方法。结果表明：①山西7月历史极端降水量值整体高于8月，发生异常极端降水的可能性更大。北部极端降水值小于中南部，极端降水的大值中心与地形分布有明显关系。②山西2022年大部分地区出现超过历史极端降水的现象，7月主要集中在中南部，8月全省大部分地区均有出现。③EFI极端降水指数和ECMWF数值模式对于2022年7—8月的极端降水均具有一定的预报能力，EFI对于极端性更强的降水预报能力优于ECMWF。④基于ECMWF数值模式建立的极端降水预报对7月山西西部95%分位值、中部99%分位值和最大极端降水，8月中南部95%分位值、西北部99%分位值极端降水的预报有所改进。且对于极端性更强的降水预报效果提升显著。

摘要:利用2021—2023年5—9月东北冷涡背景下吉林省1436站逐小时降水观测资料，对比检验欧洲中心中期天气预报模式（EC）、中国气象局中尺度天气数值预报系统（CMA-MESO）、中国气象局全球同化预报系统（CMA-GFS）、中国气象局台风模式（CMA-TYM）、上海数值预报模式系统（CMA-SH9）、北京快速更新循环数值预报系统（CMA-BJ）等6种业务数值模式降水预报产品，使用定量评估、分级评估与日变化预报对比等方法揭示不同模式在平原与山地丘陵区逐3 h降水预报及其偏差的特征差异。结果表明：①EC对平原与山地丘陵组的降水量日变化预报均最优，但对站次平均降水量峰值无预报能力，降水站次预报在中午前后偏高尤为明显。而CMA-MESO与CMA-SH9能够更好地预报出降水站次与站次平均降水量的日变化峰值或趋势特征。②各模式的弱降水站次预报偏多，存在湿偏差；在中等及以上强度降水预报中，CMA-MESO与CMA-TYM预报优于全球模式，全球模式存在明显干偏差；在不同强度降水预报中，除CMA-SH9的强降水外，各模式在山地丘陵组预报效果均优于平原组。③预报时钟环形图指出，EC中午前后降水站次预报偏多明显主要由弱降水预报偏多导致，其对于全天各时次的强降水预报误差较大主要由漏报导致；CMA-MESO强降水预报能力强于EC，对傍晚峰值有预报能力且能够预报出强降水，其误差由预报位置偏差导致。

摘要:基于新疆昌吉州10个国家站1982—2022年冬季逐日降雪观测资料，运用线性倾向估计、Morlet小波分析、Mann-Kendall突变检验、Arcgis反距离权重插值等方法，分析了昌吉州冬季降雪量、降雪日数、降雪强度的气候学特征，揭示出一些较有意义的事实，结果表明：冬季降雪变化存在显著的区域差异，平原区和北塔山区降雪量显著增加，速率分别为2.6 mm/10a和2.8 mm/10a，而天池与蔡家湖趋势不显著，降雪增多的主导月份不同，平原区主要贡献来自12月，北塔山则来自2月；各区域降雪日数的减少一致由小雪日数显著减少所致，其中天池及平原区大雪日数显著增多，冬季降雪强度显著增强，表明降雪过程向强降雪事件发展；地形是影响降雪分布的关键因子，降雪量与大雪日数均呈现山区（天池）高、绿洲-平原次之、沙漠（蔡家湖）与干旱山地（北塔山）最低的格局。本研究揭示了新疆昌吉州冬季降雪在暖湿化背景下的“量增、日减、强度增”的变化特征，对区域水资源评估与雪灾防范具有参考意义。

摘要:2022年7月25日，河南省突发大范围极端雷暴大风，最大瞬时风速达13级，12个国家气象站极大风速突破建站以来历史同期极值。本文基于FY-4卫星、双偏振雷达、分钟级加密观测等多源数据，对该事件的演变特征及极端大风形成机制进行深入研究。结果表明：①过程发生在副热带高压边缘低槽东移背景下，低层平流增温增湿和白天辐射增温共同作用，导致午后层结不稳定强烈发展，地面弱冷空气辐合叠加地形辐合线，为对流触发和组织提供了动力条件。②对流系统及大风演变呈现三阶段特征：初始阶段，局地极端大风出现在小弓形回波后侧及超级单体风暴附近；发展阶段，极端大风集中分布于尺度较大的弓形回波顶点及其后侧；维持减弱阶段，极端大风分散地出现于弓形曲率最大处及钩状回波附近。③极端大风形成机制具有阶段性差异：初始阶段，以负浮力驱动为主因；发展阶段，负浮力、降水拖曳和γ中尺度涡旋的动力强迫，叠加动量下传、冷池密度流的协同作用，导致极端大风显著发展；维持减弱阶段以动量下传与冷池作用为主。此外，局地喇叭口地形与狭管效应进一步强化了近地面风速的极端性。

摘要:利用中国气象局全球数值预报模式CMA-GFS的温湿度预报参量，实现了不同云层云顶温度计算，对有利降水产生的过冷水潜势进行识别，形成168 h预报时效内的全国范围人影冷云作业潜势预报产品，结合人影飞机观测对过冷水潜势算法和冷云作业潜势预报进行了检验。结果表明：过冷水潜势算法可以合理表达过冷水出现的可能性，阈值为15%时积冰命中率为97.7%，无积冰命中率66.0%；阈值为25%时的预报技巧评分最高为0.74。冷云作业潜势预报产品在2024年春季人影增雨作业中开展了应用， 以40%为识别阈值则8架次含过冷水的积冰个例预报命中率在87.5%，2架次无过冷水积冰个例预报均准确，可预报时效在60～168 h之间，潜势大小可以反映积冰和过冷水的强弱，相比定量过冷水预报有一定优势。该产品可为提前1周开展人影作业过程预报和作业展望业务提供技术支撑。

摘要:为深入了解黄河三角洲自然保护区雨滴谱和降水微物理的特征，更深认识降水对植被水文、生态系统等的调控作用，利用距离其南北区域最近的2个国家基本气象站2021—2024年降水现象仪和自动气象站等资料，分析其不同季节和不同类型降水云雨滴谱特征及Gamma函数参数之间的关系，结果表明：①北部区域春季和夏季、层状云和对流云（秋季和冬季、混合云）的降水雨滴谱为双峰型（单峰型）结构，而南部区域四季和三类云降水均为单峰型结构。②南北两区域四季降水的标准化截距参数lgN_w（质量加权平均直径D_m）均值皆为秋季＞夏季＞冬季＞春季（夏季＞春季＞秋季＞冬季），而三类云降水皆为对流云＞层状云＞混合云，且lgN_w、D_m均随雨强R增大而增大。③北部（南部）区域四季降水的形状因子μ和斜率参数λ均值皆为秋季＞冬季＞春季＞夏季（冬季＞秋季＞夏季＞春季），而三类云降水皆为混合云＞层状云＞对流云，且μ、λ均随R增大而减小。④北部（南部）区域雷达估测降水春季应用Z=331.4R^1.56（Z=413.5R^1.54）、夏秋冬三季应用Z=276.3R^1.48（Z=339.8R^1.45）更接近实测值，且都比经典关系Z=300R^1.4误差更小。