摘要：【目的】如何基于地形因素对降水数据进行误差订正(简称“地形订正”)是气象大数据研究的一个重要问题。但是,现有的降水数据地形订正方法存在两方面局限性:一是现有方法大多基于数据统计或传统机器学习而设计,未能拓展至特征学习能力更强的深度学习模型;二是现有方法亦未能结合气象数据的时间与空间关联信息以提升订正效果。【方法】提出一种基于深度学习与时空关联建模的降水数据地形订正方法。该方法首先对广东省降水数据和多源地形信息作预处理,结合经纬度进行对齐与编码,以构建相应的数据矩阵。进而结合各个格点的空间和时间邻域下的降水与地形数据进行多源时空信息建模,并结合降采样策略以缓解降水格点与非降水格点的数据不平衡性,最后构建深度神经网络进行回归订正。实验在广东省逾4000个气象观测站点、逾15万气象格点的真实气象数据上进行。【结果】实验结果验证了时空关联建模策略对提升降水订正效果的显著作用以及所提出方法相比于其他对比方法的性能优势。

摘要：利用2000—2007年5～10月云南及周边地区12个探空站08:00和20:00观测资料,分6种不同地形高度类型分析了边界层内基本气象要素间关系,根据分析结果设计了云南地面资料同化方案,并选取两个暴雨个例进行模拟分析。结果表明:探空资料的贡献在引入地面资料后有所调整,在Rug-giero方案中,地面资料的引入在模拟区域初始场中东部地区有明显的升温和增湿,对强降水的模拟改善作用较小;而在云南方案中东部地区的温度和湿度明显降低,叠加的地面测站与模式地形高度差异相关且大致相同,模拟的降水强度和范围在实况降水中心附近明显增加,而在降水强度不明显的区域变化不大,从而使得模拟效果得到了较好的改善,表明云南方案对云南地区强降水的模拟是适用的。