热带气象学报

作者：冯宇轩, 庄潇然, 康志明, 曾康, 吴海英, 李特

单位：1.江苏省气象台，江苏南京2100412.中国气象局乌鲁木齐沙漠气象研究所，新疆乌鲁木齐830002

关键词：雷暴大风, 临近预报, 深度学习, 预警信号

基金：全国暴雨研究开放基金BYKJ2024Q23；中国气象局创新发展专项CXFZ2023J008；江苏省气象局重点项目(KZ202201)中国气象局能力提升联合研究专项22NLTSZ001；江苏省气象局重点项目(KZ202201)中国气象局能力提升联合研究专项24NLTSQ015；中国气象局揭榜挂帅项目CMAJBGS202212；中国气象局揭榜挂帅项目CMAJBGS202211；中国气象局重点创新团队CMA2022ZD04；国家自然科学基金42105006；国家自然科学基金42105008；江苏省气象

为了实现江苏地区雷暴大风智能预警信号的自动生成以提升雷暴大风临近预报预警能力，在建立分钟级、公里级网格风场数据集的基础上，区分雷暴大风、系统性大风和混合性大风过程，并结合生成对抗网络（Generative Adversarial Network, GAN，针对雷暴大风建模）和具有物理约束架构的时空卷积神经网络（Physical Dynamics Network, PhyDNet，针对系统性大风和混合性大风建模），发展了基于深度学习的江苏地区0~2 h雷暴大风临近预报模型（Blending），实现面向区县的客观、分级预警信号自动生成技术，并对比探究了Blending和PhyDNet_ALL（不区分大风类型，直接采用PhyDNet建模）两种深度学习方法分别生成的客观预警信号与主观预警信号在2023年汛期的表现。结果表明：（1）相较于主观预警信号，由深度学习方法生成的客观预警信号能有效提升预警信号提前量；（2）深度学习方法可以提前预报出强对流大风天气及其演变过程；（3）由于Blending针对雷暴大风单独建模，确保对流系统强度以及中小尺度特征的维持，因此Blending可以更好地描述极端雷暴大风的演变特征，在橙色和红色预警信号提前量上显著高于PhyDNet_ALL。

来源：2024年第6期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2024年第6期