操女人的软件,

　　气象部门的短时临近预报是什么？与常规的天气预报有何关系？它在预报服务中能解决什么问题、发挥何种作用？近日，国家气象中心强天气预报中心技术总师郑永光专门进行解读。

　　短时临近预报包括了我国天气预报业务中的两个部分，即短时预报和临近预报。一般来说，未来0至2小时的天气预报称为临近预报，2至12小时的预报称为短时预报。二者与其他天气预报有何区别呢？

　　郑永光介绍，我国位于东亚季风区，冷暖、干湿空气交汇频繁，暖季对流系统活跃，经常产生短时强降水、冰雹、雷暴大风、龙卷风等强对流天气。而这些天气往往突发性强、尺度小、演变快，同时致灾性强，容易造成重大人员伤亡。因此，气象部门对强对流天气的监测和预报、风险防范显得尤为重要。

　　短时预报与临近预报主要针对强对流天气开展，与更长时段的天气预报相比，其预报准确性更高。短时临近预报通常是基于观测实况，如雷达、卫星、自动气象站等多源观测资料，再结合数值预报和人工智能等技术方法，制作的区域更精细、更高分辨率的天气预报。

　　短时和临近预报是如何做的呢？郑永光介绍说，临近预报是从“0”时刻开始的，即对当下实况天气进行监测。不同于借助雷达、卫星、自动气象站等观测设备收集实时观测数据，监测是指预报员或算法软件依托观测资料，从现有的观测数据中提取关键信息的手段。可以说，监测是临近预报的起点，也是最重要的基础。因此，预报员需要了解并抓取有用的观测信息，再通过临近预报技术手段等对强对流天气进行预报。

　　过去，临近预报技术以外推预报方法为主，简单地说，就是通过对对流系统历史移动路径的计算，预报接下来哪些区域可能受到该对流系统及其产生天气的影响。目前随着机器学习技术的广泛应用，基于传统机器学习和深度学习算法的预报方法已广泛应用到临近预报技术当中。

　　而短时预报则是以快速更新的高分辨率数值(集合)预报为基础，与天气监测产品相结合开展的预报。现如今，通过观测资料和高分辨率数值模式相结合，也就是“同化”，再由数值模式积分计算所得到的预报结果准确率已经有了显著提升。但是，由于短时预报对象的尺度小、发展迅速等特点，数值预报会存在空报漏报情况。因此，预报员仍需在高分辨率数值(集合)预报基础上，根据现有天气监测情况进行分析和调整，完成短时预报。

　　针对临近预报和短时预报，中国气象局已研发完成短时临近预报业务系统(SWAN3.0)。该系统集成了双偏振雷达、X波段雷达、卫星、自动气象站等多源精细观测资料，研发了智能识别和应用深度学习的短时临近预报等算法，并在国、省、市、县四级气象部门实现共享和落地应用，成为气象部门尤其是基层气象台站防范应对强对流天气的一个必备工具。

　　此外，中国气象局于今年6月发布人工智能 临近预报系统“风雷”，该模型将数据驱动与物理驱动两大科学范式紧密结合，显著提高了公里尺度下0至3小时雷达回波的预报能力，实现了深度学习与物理规律的无缝隙融合。该模型产品已经集成到了SWAN3.0。

　　相较于更长时段的天气预报，短时临近预报因其对即时天气变化的敏锐捕捉而备受瞩目。但即便如此，短时临近预报依然是全球气象学界亟待突破的难题之一。

　　郑永光解释道：“短时临近预报所‘诊断’的是中小尺度天气系统，因其‘个头小’、生命史短且变化多端，给预报工作带来了不小挑战。”尤其是对流性天气系统，因为形成机理复杂，其发生时常常出现“十里不同天”的状况。另外，强对流等天气过程在时间上的突发性也为准确预报带来了挑战，易致预报研判产生偏差。

　　当下，雷达、卫星、自动气象站等观测手段，能够助力预报员有效获取各类天气关键信息，但对于小尺度、突发性强的天气过程，对其产生影响的地形、边界层条件、水汽输送等因素仍难以精确捕捉和模拟，这也使得预报所需信息掌握并不完备。正因如此，当前短时临近预报面临着三大挑战：监测难、研判难、预报难。短时临近预报准确性的提升是一个持续的挑战，还需加强科技创新、多方协同，以更好地应对强对流天气演变带来的影响。

　　2017年以来，国家气象中心陆续实施了多个重点研发专项，积极发展强对流天气的监测、短时和临近预报技术，并引入了人工智能等先进技术手段；研发基于综合观测的突发性强对流天气识别技术，对冰雹、雷暴、大风、龙卷风等的监测识别能力得到大幅提升；积极开展SWAN3.0系统等建设，通过不断集成研发最新的预报技术，实现科研成果到业务应用的快速转化。