共查询到20条相似文献，搜索用时 109 毫秒
1.
基于谱分析原理提出了雷达回波强度面积谱的概念及算法,利用宁夏银川多普勒天气雷达回波资料,分析了不同性质降水云的雷达回波强度面积谱,并根据不同性质降水云雷达回波强度面积谱特征,提出了基于雷达回波强度面积谱识别降水云类型的方法,利用强回波面积（回波强度不小于40 dBZ的回波面积）占总回波面积百分比和基本降水回波面积（回波强度不小于20 dBZ的回波面积）占总回波面积百分比作为降水云类型判别的主要因子,提炼出基于雷达回波强度面积谱特征参数的层状云、积层混合云、对流云等不同类型降水云的判别指标,建立了基于雷达回波的降水云类型自动判识模型。利用该模型对2016-2017年6次强降水过程进行了降水云类型判别试验,模型准确判别出6次强降水过程中2次为对流云降水、4次为混合云降水,判别结果较好地反映了降水云类型,验证了判识方法的可行性。 相似文献
2.
天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。 相似文献
3.
选用2008、2009和2010年5-10月的云顶亮温、云顶亮温梯度、水汽云图、总云量和云分类等云图资料,雷达基本反射率资料及自动站1h降水量资料,采用BP神经网络建立预报模型、传统Z-I关系及云分类Z-I关系,对距昆明雷达站大于20 km、小于150 km区域里且2008年已建有自动站的18个测站进行3h降水估测研究.通过研究,得到使用BP神经网络建立预报模型估测降水,在与实测降水的误差方面,比使用传统Z-I关系及云分类Z-I关系估测降水略有减小.本研究也是对综合利用卫星和雷达资料估测降水进行尝试. 相似文献
4.
5.
垂直探测雷达的降水云分类方法在北京地区的应用 总被引：3，自引：0，他引：3
风廓线雷达采用相干累积技术提高雷达探测灵敏度,用于对降水云体进行垂直探测,能获取高分辨率的云体返回信号的全谱信息。利用多年降水天气统计资料,针对北京延庆地区降水特征,提出了基于风廓线雷达谱参数(回波强度、速度和谱宽)的降水云分类方案。该方案将降水资料分为浅对流、浅层状云、深对流、深层状云、混合—排除和混合—包含等六种降水类型。根据该方案,利用风廓线雷达结合双偏振雷达和自动雨量站观测资料,对2012年9月1日和2013年6月27日发生在延庆地区的两次降水天气过程进行了分析。结果表明,风廓线雷达谱参数垂直廓线可以较好的描述降水云体的垂直结构,回波强度廓线发展趋势与地面降水量趋势吻合较好。当降水存在对流时,地面降水量出现明显增大,同时伴随着大速度值区和高空大谱宽值区。利用基于风廓线雷达的分类方案识别降水云,可以降低降水类型误判的几率。 相似文献
6.
7.
使用中国科学院大气物理研究所的X波段双线极化雷达系统探测资料, 讨论了双极化雷达各种观测参量所反映的水凝物粒子的物理本质。提出了对存在融化层的层状云使用雷达探测变量确定零度层高度以及结合地面温度反演温度廓线的方法。在存在融化层的层状云中, 对雷达探测资料在层状云降水期间的RHI资料进行分层统计, 结合国际上已有的研究结果, 获得了几种主要水凝物粒子的极化雷达参数 (即反射率、 差分反射率、 单位差分传播相移、 相关系数) 范围; 在此基础上使用模糊逻辑方法, 对水凝物粒子进行分类, 分类结果反映了层状云的相态结构分布特点。最后, 根据两个实例, 使用反射率、 差分反射率衰减订正后的数据, 结合层状云的基本特点, 分析了层状云的垂直结构和粒子的相态结构以及层状云中可能的降水机制, 并使用反演的粒子分布结构代替雷达反射率因子结构对降水微物理过程进行了讨论, 结果验证了顾震潮 (1980) 在20世纪60年代提出的层状云降水的三层概念模型。本文结果为使用双极化雷达研究云降水机制提供了方法, 表明双极化雷达在云降水物理的研究中具有广阔的应用前景。 相似文献
8.
根据地面雨滴谱确立雷达反射率因子Z和雨强R之间的关系需要大量的观测资料.本文利用GBPP-100型地面雨滴谱仪在沈阳、哈尔滨和河南观测的雨滴谱资料做形变误差订正后,用最小二乘法拟合三地的Z-R关系,并按照层状云、积层混合云和积雨云降水分类,确定了三种降水类型的Z-R关系.结果表明,Z=ARb形式能够很好地描述以上的Z-R关系,对降水类型分类得到的Z-R关系代表性更好.系数A、b以层状云最小,积层混合云次之,积雨云最大.A值随着雨滴尺度的增大而增大,随数密度增大而减小,b值则随着数密度和雨滴尺度的共同增大而增大. 相似文献
9.
10.
11.
传统BP(back propagation)算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水(08:00—08:00,北京时)3个等级(降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm)的预报模型。通过对2006—2007年5—9月68个站试报结果表明:改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。 相似文献
12.
GA-BP神经网络模型在流域面雨量预报的应用研究 总被引：2，自引：3，他引：2
通过采用遗传算法优化网络初始权重的方法,将遗传算法（GA）和前馈误差反传播（BP）算法有机地结合,优势互补,并应用于流域面雨量预报.以广东省东北部的滨江流域为试验区域,以1995～2001年气象探空资料为基础,利用最优子集回归技术进行预报因子筛选,建立了流域面雨量预报的GA-BP神经网络模型,取得了满意的结果.试验表明：（1）6小时流域面雨量预报神经网络的优化结构是7-7-1,转移函数的组合方式为tansig-线性函数.（2）训练算法为Levenberg-Marquardt算法（LM）.（3）遗传算法具有快速学习网络权重的能力,对BP网络易陷于局部极小点.（4）利用GA-BP神经网络模型对未来6小时流域面雨量的预报精度明显高于其它统计方法,证明了这种方法的有效性和可靠性. 相似文献
13.
Abdulkadir Yasar Erdo?an Simsek Mehmet Bilgili Ahmet Yucel Ilhami Ilhan 《Meteorology and Atmospheric Physics》2012,115(1-2):81-87
The aim of this study is to estimate the monthly mean relative humidity (MRH) values in the Aegean Region of Turkey with the help of the topographical and meteorological parameters based on artificial neural network (ANN) approach. The monthly MRH values were calculated from the measurement in the meteorological observing stations established in Izmir, Mugla, Aydin, Denizli, Usak, Manisa, Kutahya and Afyonkarahisar provinces between 2000 and 2006. Latitude, longitude, altitude, precipitation and months of the year were used in the input layer of the ANN network, while the MRH was used in output layer of the network. The ANN model was developed using MATLAB software, and then actual values were compared with those obtained by ANN and multi-linear regression methods. It seemed that the obtained values were in the acceptable error limits. It is concluded that the determination of relative humidity values is possible at any target point of the region where the measurement cannot be performed. 相似文献
14.
本文主要对相同条件下线性回归法(LR)和人工神经网络法(ANN)对降雨、雨夹雪和降雪3种降水相态的预报效果进行了对比检验.选取降水发生时和发生前6h的地面2 m温度、露点温度作为预报因子,对降雨、雨夹雪和降雪进行预报.应用国家气象中心2001-2011年我国地面756站实况观测资料,其中应用2001-2010年资料对方法进行训练,2011年资料用来对比检验预报效果.结果显示,(1)两种方法对3种相态降水都有一定的预报能力,对降雪预报最好,其次是降雨和雨夹雪;(2)两种方法对北方的雨雪分界线预报比对南方的好;(3)无论是对全国还是长江中下游流域,在相同条件下,ANN法的预报效果大都优于LR法,当温度和露点温度预报准确时,ANN法对北方的雨雪分界线能进行较准确的预报. 相似文献
15.
Rainfed agriculture plays an important role in the agricultural production of the southern and western provinces of Iran. In rainfed agriculture, the adequacy of annual precipitation is considered as an important factor for dryland field and supplemental irrigation management. Different methods can be used for predicting the annual precipitation based on climatic and non-climatic inputs. Among which artificial neural networks (ANN) is one of these methods. The purpose of this research was to predict the annual precipitation amount (millimeters) in the west, southwest, and south of Islamic Republic of Iran with the total area of 394,259?km2, by applying non-climatic inputs according to the long-time average precipitation in each station (millimeters), 47.5?mm precipitation since the first of autumn (day), t 47.5, and other effective parameters like coordinate and altitude of the stations, by using the artificial neural networks. In order to intelligently estimate the annual amount of precipitation in the study regions (ten provinces), feedforward backpropagation artificial neural network model has been used (method I). To predict the annual precipitation amount more accurately, the region under study was divided into three sub-regions, according to the precipitation mapping, and for each sub-region, the neural networks were developed using t 47.5 and long-time average annual precipitation in each station (method II). It is concluded that neural networks did not significantly increase the prediction accuracy in the study area compared with multiple regression model proposed by other investigators. However, in case of ANN, it is better to use a structure of 2–6–6–10–1 and Levenberg–Marquardt learning algorithm and sigmoid logistic activation function for prediction of annual precipitation. 相似文献
16.
Predictor selection is a critical factor affecting the statistical downscaling of daily precipitation. This study provides a general comparison between uncertainties in downscaled results from three commonly used predictor selection methods (correlation analysis, partial correlation analysis, and stepwise regression analysis). Uncertainty is analyzed by comparing statistical indices, including the mean, variance, and the distribution of monthly mean daily precipitation, wet spell length, and the number of wet days. The downscaled results are produced by the artificial neural network (ANN) statistical downscaling model and 50 years (1961–2010) of observed daily precipitation together with reanalysis predictors. Although results show little difference between downscaling methods, stepwise regression analysis is generally the best method for selecting predictors for the ANN statistical downscaling model of daily precipitation, followed by partial correlation analysis and then correlation analysis. 相似文献
17.
建立预报模型前, 对降水量进行一定的处理会对预报效果有较大的影响。对于降水量为0的样本, 根据对应的相对湿度情况分别赋予0或不同的负值, 并通过神经网络方法, 以中国国家气象中心T213模式、德国气象局业务模式和日本气象厅业务模式相应的降水量预报结果作为预报因子, 利用2003年和2004年夏季资料分别建立了处理后降水量以及未经处理降水量的预报模型。以北京等站为例, 2005年夏季试报结果的对比分析表明:通过相对湿度对降水量进行适当处理后, 预报结果从TS评分、空报率、漏报率及预报偏差来说, 不论是与不进行处理的预报结果还是与模式直接的预报结果相比都有提高, 尤其是减少了空报的情况。该处理方法简单可行, 并且对降水预报效果提高明显。 相似文献
18.
Uncertainty analysis of statistical downscaling models using Hadley Centre Coupled Model 总被引：2，自引：2，他引：0
S. Samadi Catherine A. M. E. Wilson Hamid Moradkhani 《Theoretical and Applied Climatology》2013,114(3-4):673-690
Regression-based statistical downscaling is a method broadly used to resolve the coarse spatial resolution of general circulation models. Nevertheless, the assessment of uncertainties linked with climatic variables is essential to climate impact studies. This study presents a procedure to characterize the uncertainty in regression-based statistical downscaling of daily precipitation and temperature over a highly vulnerable area (semiarid catchment) in the west of Iran, based on two downscaling models: a statistical downscaling model (SDSM) and an artificial neural network (ANN) model. Biases in mean, variance, and wet/dry spells are estimated for downscaled data using vigorous statistical tests for 30 years of observed and downscaled daily precipitation and temperature data taken from the National Center for Environmental Prediction reanalysis predictors for the years of 1961 to 1990. In the case of daily temperature, uncertainty is estimated by comparing monthly mean and variance of downscaled and observed daily data at a 95 % confidence level. In daily precipitation, downscaling uncertainties were evaluated from comparing monthly mean dry and wet spell lengths and their confidence intervals, cumulative frequency distributions of monthly mean of daily precipitation, and the distributions of monthly wet and dry days for observed and modeled daily precipitation. Results showed that uncertainty in downscaled precipitation is high, but simulation of daily temperature can reproduce extreme events accurately. Finally, this study shows that the SDSM is the most proficient model at reproducing various statistical characteristics of observed data at a 95 % confidence level, while the ANN model is the least capable in this respect. This study attempts to test uncertainties of regression-based statistical downscaling techniques in a semiarid area and therefore contributes to an improvement of the quality of predictions of climate change impact assessment in regions of this type. 相似文献
19.
20.
将人工神经网络应用于南京夏季梅雨期短期降水分级预报。根据梅雨期天气特点，用统计和动力学方法从HLAFS（高分辨率有限区域预报系统）资料中寻找预报因子；然后分别用两种方法选取输入因子对人工神经网络进行训练，并分别利用抽取的五天做降水分级预报检验。通过对人工神经网络方法预报降水的结果与HLAFS降水预报以及逐步回归预报的结果对比发现：与HLAFS降水预报相比，降水预报准确率由原来的66．7％提高到88．2％，漏报、错报明显减少；与逐步回归预报相比，大到暴雨的预报准确率得到了明显提高。 相似文献