排序方式: 共有33条查询结果,搜索用时 0 毫秒
31.
为实现对降水粒子的高精准分类,整理3 a机载探测降水粒子图像,构建山东省降水粒子图像数据集(Shandong Province Precipitation Particle Image Dataset, SD-PPID)。结合多维度混和的模型放缩方法,提出一种基于EfficientNet卷积神经网络的降水粒子识别模型(A Precipitation particle Recognition model based on EfficientNet convolutional neural Network,PREN)。通过多模型、多指标评价对比,验证了PREN模型具有较好的性能和分类识别能力,模型的识别准确率、精准率和召回率均为98%。使用PREN模型分析对流泡降水粒子特征,选取2次典型积层混合云降水过程的3个时段,结合机载Ka波段云雷达(Airborne Ka-Band Precipitation Cloud Radar,KPR)和DMT粒子测量系统(Droplet Measurement Technologies)分析对流泡内部与外部、不同强度和不同高度的降水粒子形状占比,并研究其降水... 相似文献
32.
33.
通过对济南2013年12月—2018年2月PM_(2.5)质量浓度数据分析得出,PM_(2.5)质量浓度平均和最大值均为冬季最高,春秋季次之,夏季最低; PM_(2.5)质量浓度值1月和12月最高,8月最低;其质量浓度呈明显的逐年递减趋势。在不同风向上PM_(2.5)质量浓度存在显著差异性,在N风向和ESE(盛行)风向上均出现了质量浓度较大值,一方面与污染物的异地输送有关,另一方面与济南的特殊地形有关。研究表明,无论污染源在山脉的背风侧还是迎风侧,都很容易导致高浓度污染;尤其在冬季,山脉地形还会加重逆温影响,使污染程度加重。通过相关性研究发现,冬季、春季和秋季,PM_(2.5)质量浓度与相对湿度和平均总云量均呈正相关,与日照时数及其距平呈负相关;冬季,PM_(2.5)质量浓度与平均气温及其距平以及最高、最低气温均呈正相关,与平均、最高、最低气压均呈负相关;春季和秋季,PM_(2.5)质量浓度与气温距平值呈正相关;夏季和秋季,PM_(2.5)质量浓度与日降水量呈负相关,而且随着雨强的增大,对PM_(2.5)的洗消作用越显著。上述变量间相关性均通过了P≤0. 01显著性检验。 相似文献