摘要： 本文构建了一种基于因果分析和机器学习的站点气温短临预报模型，以台湾省松山站为试验对象，利用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts， ECMWF)再分析资料、松山站实测气象资料和中国气象局陆面数据同化系统(Chinese Land Data Assimilation System-v2.0， CLDAS-v2.0)近实时产品资料，引入因果信息流理论，采用四种机器学习算法：多层前馈神经网络(Back Propagation Neural Network， BPNN)、随机森林(Random Forest，RF)、最小二乘支持向量机(Least Square Support Vector Machine， LSSVM)和贝叶斯网络(Bayesian Network， BN)，开展气温短临预报试验。结论如下：(1)在选取的任一种数据资料驱动下，对于BPNN、RF、BN，基于因果分析的预报结果优于相关分析，均方根误差的平均降幅在1%～2%之间。对于LSSVM，因果分析与相关分析差别较小，验证了因果分析具备更优的关联关系挖掘能力；(2)在预报模型中增加相邻空间预报因子能够显著提高气温预报效果，改进后气温预报模型均方根误差的平均降幅在2%～8%之间；(3)在模型训练样本较少情况下，基于CLDAS-v2.0近实时产品资料的预报效果优于ECMWF再分析资料的预报效果，均方根误差的平均降幅在4%～8%之间，从侧面验证了CLDAS-v2.0近实时产品资料在中国区域质量优于国际同类产品。
摘要： 本文利用新一代中尺度数值模式(Weather Research and Forecasting model，WRF)模拟了一次强对流天气过程，开展了基于观测系统模拟试验(Observation System Simulation Experiment，OSSE)的双雷达风场反演效果试验研究。基于WRF模式输出的三维风场，模拟两部多普勒雷达的体扫数据，再利用迭代法和变分法进行三维风场反演，将模式输出场作为真实风场，定量计算反演风场的风速误差，结合典型强对流个例的发生、发展过程，分析不同算法反演风场的散度、涡度和垂直速度等特征。结果表明，两种算法反演获得的风场结构与强对流天气过程的基本特征一致，变分法能更准确地反演出强对流天气过程的垂直速度、散度和涡度场，而迭代法反演的结构特征不明显，且强度明显偏弱。
