雷达和雨量计资料在降水类型识别和定量测量降水及临近预报中的应用

摘要

本文使用2003年、2007年以及2008年我国新一代S波段多普勒天气雷达、地面雨量计以及探空等资料研究了自动识别对流云降水和层状云降水的模糊人工神经网络方法、使用雷达反射率因子垂直廓线和回波三维特征自动识别零度层亮带的方法以及热带降水类型的方法，并且研究了在降水类型识别的基础上对不同的降水类型使用不同的Z-R关系来定量测量降水的方法。此外还对人工神经网络和支持向量机在雷达回波临近预报和降雨量预报中的应用进行了研究。本文的研究目的在于在降水类型识别的基础上通过对不同的降水类型使用不同的Z-R关系宋提高雷达定量测量降水的精度以及分析和比较人工神经网络和支持向量机在雷达回波临近预报和降水量预报中的效果。通过分析可以得出以下结论：
　　 (1)模糊人工神经网络能够从雷达回波中正确地识别出对流云降水和层状云降水的区域。无论是否使用雨量计校准雷达，两种降水类型使用相应的Z-R关系比使用单Z-R关系测量的降水量精度高。
　　 (2)使用雷达反射率因子垂直廓线和回波三维特征自动识别零度层亮带的方法可以较好地识别亮带的存在以及确定亮带对应的高度，并能给出对流云降水、包含零度层亮带的层状云降水和一般层状云降水的区域。无论是否使用雨量计校准雷达，在降水类型识别的基础上使用对流云降水的Z-R关系和层状云降水的Z-R关系相结合测量的降水量比使用单Z-R关系测量的降水量更接近雨量计的观测值。
　　 (3)根据热带降水的概念模型使用雷达反射率因子垂直廓线和回波三维特征自动识别热带降水类型的方法可以有效地划分热带降水类型的区域。在热带降水类型识别的基础上不同的降水类型使用不同Z-R关系测量降水量的方法在没有使用雨量计校准时比双Z-R关系测量精度高；在使用雨量计校准后与双Z-R关系测量的精度差别很小。
　　 (4)使用BPN(Back Propagation Network)、JN(Jordan Network)以及支持向量机(Support Vector Machine，SVM)可以预报雷达反射率因子回波的时空分布。网络与TREC以及不同的网络之间的预报结果存在差别。以小阈值使用多个个例平均的命中率、虚警率、漏报率和临界预报成功指数并结合相关系数和均方根误差评价SVM和TREC的预报效果表明：当预报时间较短时(约小于30min)TREC的预报效果较好而当预报时间较长时(约大于30min)SVM的预报效果较好。
　　 (5)使用BPN、JN和SVM也可以预报降雨量的时空分布。网络与交叉相关外推预报(简称CCM)结果的分析表明，网络和CCM对降雨区域的预报是比较准确的，但是对强降雨区中心的位置和降雨量的预报与实况存在一定的差别。
　　 本文的创新点在于提出了使用模糊人工神经网络自动识别对流云降水和层状云降水的方法，提出了使用雷达反射率因子垂直廓线和回波三维特征及探空资料来自动识别零度层亮带和热带降水类型的方法，分析和比较了TREC与BPN、JN和SVM在雷达回波和降雨量预报中的效果。

目录

文摘

英文文摘

声明

第一章引言

1.1雷达定量测量降水

1.2降水类型识别方法

1.3零度层亮带

1.4临近预报

1.5本文的研究目的、主要内容和创新点

1.6章节安排

参考文献

第二章人工神经网络及支持向量机简介

2.1机器学习的基本原理

2.2网络学习的方法

2.3统计学习理论

2.4人工神经网络

2.5支持向量机

参考文献

第三章模糊人工神经网络在降水类型识别中的应用

3.1引言

3.2资料

3.3模糊神经网络

3.4识别因子

3.5基于CANFIS的降水类型识别

3.6双Z-R关系在测量降水量中的应用

3.7总结

参考文献

第四章零度层亮带识别方法

4.1引言

4.2资料

4.3 VPR的生成方法

4.4零度层亮带识别方法

4.5 VPR-BBID和3DVPR-BBID识别效果的检验

4.6使用双Z-R关系定量测量降水量

4.7总结

参考文献

第五章热带降水类型的自动识别方法

5.1引言

5.2资料

5.3识别方法描述

5.4降水类型识别效果的检验

5.5总结

参考文献

第六章人工神经网络及支持向量机在雷达反射率因子回波临近预报中的应用

6.1引言

6.2资料

6.3使用的网络

6.4 TREC方法简介

6.5临近预报效果评价

6.6总结

附图

参考文献

第七章人工神经网络及支持向量机在降雨量预报中的应用

7.1引言

7.2资料

7.3研究方法介绍

7.4个例分析

7.5试验结果的天气分析

7.6连续时段预报的比较和分析

7.7总结

参考文献

第八章主要结论和讨论

8.1主要结论

8.2讨论和展望

致谢

个人简历