基于机器学习的海洋环境预报订正方法研究     

许立兵  王安喜  汪纯阳  陈悦  陈昱文  周峥  陈幸荣  邢建勇  刘克威  黄小猛 《海洋通报》2020,39(6):695-704

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料，利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值，与原始 WRF 预报相比，利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上，利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度，分析了关键的预报订正因子。  相似文献   

某双向混凝土立交桥顶推法施工控制测量     

马勇  李仲勤  梅泽 《测绘与空间地理信息》2016,(11):213-215

文中所选立交桥为双向三车道桥梁,单幅为3跨105 m的箱型连续梁,重量3 400 t,横跨铁路线。对于跨铁路的桥梁建设,顶推法施工可最大限度地减少对交通的影响。桥梁重量大,所须牵引力约280 t,施工过程中对桥墩及其他建筑物产生的变形较大,施工前模拟施工状态,设计控制测量监控的基本方案,利用控制测量方法,对施工状态实时监测,预测变形及偏位、纠偏,使施工状态最大限度地接近理想状态。顶推到位后,轴向偏位满足1 cm的限差,桥墩变形基本满足施工规范的要求,最终顺利完成顶推过程。  相似文献   

L1范数与IQR统计量组合的GNSS坐标序列粗差探测算法     

明锋  曾安敏  景一帆 《测绘科学技术学报》2016,(2):127-132

GNSS坐标时间序列中不可避免地含有粗差,未剔除的粗差将会导致参数估计有偏。因此,粗差探测与剔除是GNSS坐标序列分析中一项重要的数据预处理工作。针对GNSS坐标时间序列特点,提出了一种将L1范数(L1-norm)估计与四分位距统计量IQR(interquartile range)组合的移动开窗粗差探测算法,称之为L1_Mod IQR。该方法的主要思想是,首先利用L1范数估计得到较"真实"的残差,然后再对残差采用IQR统计量进行粗差探测。将L1_Mod IQR法与"3σ"法、基于最小二乘的τ检验法等粗差探测算法进行了模拟计算与对比,验证了该算法的有效性。进一步采用L1_Mod IQR算法对中国区域10个IGS站的高程时间序列进行了分析,结果表明中国区域IGS站高程序列的粗差剔除率最小为0.1%,最大为2.6%。并且以WUHN站为例与SOPAC提供的结果进行了对比,结果表明SOPAC提供的"Clean"数据仍含有大量的粗差,而L1_Mod IQR算法能够有效地剔除粗差。  相似文献   

面向WebGL的矢量数据三维绘制技术     

欧阳峰  龚桂荣  何列松 《测绘科学技术学报》2016,(6)

矢量数据的叠加显示能够提高三维虚拟地球的表达效果与分析能力。受限于GPU的计算精度,在三维虚拟地球中矢量数据绘制普遍存在抖动现象和深度冲突现象。对基于WebGL的矢量数据三维绘制中计算精度问题进行了分析,提出了使用CPU RTC技术和GPU RTE技术提高顶点变换的精度,使用多视锥渲染算法和深度平面技术解决深度缓存精度问题。实验证明,这几种技术和算法可以有效缓解抖动现象和深度冲突现象导致的视觉干扰,改善了各种尺度和范围的矢量数据在三维地形上的叠加显示效果。  相似文献   

阿尔山地区积雪变化特征     

龙菲  何文英  陈洪滨 《气象与环境科学》2016,39(2):82-89

选取阿尔山气象站1981—2015年冷季(10月—次年4月)气象资料,利用滑动平均、线性倾向估计和Mann-Kendall等方法,对年最大积雪深度、积雪日数、气温和降水量进行分析。结果表明,阿尔山地区年最大积雪深度主要发生在1月至3月,其中2月份概率最大,达50%;34 a内最大积雪深度呈上升趋势(2.77 cm/10a),年平均增加0.98%,且年最大积雪深度在1998年发生了突变,即在1998年之前增长缓慢,在2000年以后上升趋势显著。积雪日数的统计分析表明,初始积雪日数和有效积雪日数呈现略微减少趋势,而稳定积雪日数有微弱的增加趋势;通常初始积雪日数比有效积雪日数大30天左右。年最大积雪深度与稳定积雪时期的降水量、积雪日数、日照时数有显著的相关性,相关系数分别为0.647、0.515、0.584,但与稳定积雪时期的气温没有明显的相关性。在全球变暖的大环境下,积雪深度随着降水量和日照时数的增加而增加,且积雪深度受降水量的影响大于日照时数的影响。  相似文献   

一次东北冷涡暴雨过程成因分析     

斯琴  荀学义  王佳津 《气象科技》2016,44(6):1016-1023

利用常规气象观测资料、NCEP 1°×1°逐6h的再分析资料和FY-2E红外云图、TBB等资料,对2014年7月7—8日由东北冷涡引发内蒙古东北部的暴雨过程形成原因进行了天气学诊断分析,结果表明:1低空急流是主要水汽来源,不同地区出现暴雨的机制不同,兴安盟东部、呼伦贝尔市东南部由于槽前、切变南缘地面暖锋附近,中低空急流汇合处,强辐合抬升触发不稳定能量释放导致强天气的发生,而呼伦贝尔市西南部暴雨跟中上层冷涡的生成发展与对应的地面低压逐步耦合的动力作用相关;2湿位涡的分布对暴雨的发生、落区有较强的指示性作用,700hPa正负值区过度带的配置是暴雨发生发展的有利潜势,暴雨发生在700hPa等值线密集带和850hPa MPV2大于等于0的叠加区域内,700hPa正负过渡带附近,偏向于正值一侧;3最大降水量的雨强落后于云团TBB最低值1~2h,并不是强TBB与最强降水同步出现。  相似文献   

利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识     

阚希  张永宏  曹庭  王剑庚  田伟 《测绘学报》2016,45(10):1210-1221

青藏高原积雪对全球气候变化十分重要,针对已有积雪遥感判识方法中普遍采用的可见光与红外光谱数据易受复杂地形与高海拔影响,导致青藏高原地区积雪判识精度较低的问题,提出了一种基于多光谱遥感与地理信息数据特征级融合的积雪遥感判识方法:以风云三号卫星可见光与红外多光谱遥感资料与多要素地理信息作为数据源,由地面实测雪深数据与现有积雪产品交叉筛选出样本标签,构建并训练基于层叠去噪自编码器(SDAE)的特征融合与分类网络,从而有效辨识青藏高原遥感图像中的云、积雪以及无雪地表。经地面实测雪深数据验证,该方法分类精度显著高于使用相同数据源的FY-3A/MULSS积雪产品,略高于国际主流积雪产品MOD10A1与MYD10A1,并且年均云覆盖率最低。试验结果表明该方法可有效地减少云层对积雪判识的干扰,提升分类精度。  相似文献   

浅层气对下伏地层深度预测影响定量研究及在渤海B油田中的应用     

刘建辉  夏同星  郭军  周学锋 《物探与化探》2016,(4):763-770

浅层气的存在造成下伏地层地震反射出现假象,使得深度预测不准确,增大了油田开发钻井风险。为提高浅层气下伏地层深度预测精度,利用理论模型分析量化描述浅层气对下伏地层的影响范围和影响程度,同时通过正演模拟手段构建时差定量校正量版,指导储层高精度深度预测。根据研究成果和认识,成功解释了渤海B油田两口已钻井深度误差出现的原因,并进一步利用时差校正量版提高了该油田区目标储层深度预测的精度,成功指导了后续多口开发井的准确钻探。  相似文献   

东昆仑祁漫塔格矿带典型矿田构造背景与岩浆-热力构造特征   总被引：1，自引：0，他引：1  

杨兴科  韩珂  范阅  屈翠侠  刘渭  何虎军  江万 《大地构造与成矿学》2016,(2):201-212

以矿田构造–岩相填图为主要方法,研究确定矿田构造和岩浆-热力构造类型及矿床类型,进行成矿富集中心的圈定及找矿预测,是矿田构造背景复杂地区的有效调研方法之一。东昆仑西段祁漫塔格矿带多期构造–岩浆活动强烈,断裂发育,以印支晚期岩浆侵入成矿与找矿进展较大。本次选择景忍–虎头崖、卡尔却卡B区、乌兰乌珠尔三个矿田区,进行1∶10000构造–岩相填图,填制了三个矿田区岩浆–热力构造类型分布图,认为晚三叠世岩浆侵入作用是该区多金属大规模成矿的主要内因,叠加其上的不同方向断裂控矿作用不同,近东西向和北西西向断裂控矿显著,明确了各矿田构造背景和印支期岩浆侵入形成的花岗斑岩+矽卡岩+断裂带热液成矿的模式,厘定了岩浆–热力构造的识别标志,即主要是印支晚期中酸性侵入岩、花岗斑岩、矽卡岩带、大理岩带、接触交代蚀变带、断裂破碎带叠加热液蚀变带等,圈定了成矿和找矿富集中心。  相似文献   

高地应力条件下锦屏一级主厂房围岩松弛深度形成规律和支护时机研究     

杨静熙  刘忠绪  黄书岭 《工程地质学报》2016,24(5):775-787

近年来我国西部已建成发电或正在建设的一批大型、特大型水电工程,其地下洞室群多处于高山峡谷地区,地质条件复杂、地应力较高。受高地应力影响,施工期洞室群围岩易出现不同程度的变形破坏,并常常导致超常规深度的围岩松弛。本文结合锦屏一级水电站主厂房围岩松弛长期物探检测成果,系统分析了围岩松弛深度的形成、发展和演化趋势,再采用数值分析手段,通过围岩位移、塑性区发展趋势来研究最佳支护时机,研究表明:高地应力地区厂房轴线宜尽量与最大主应力σ₁方向平行,能有效减小时效变形导致的不同部位不同程度的围岩松弛;洞室分层开挖时,围岩松弛深度的80%在本层开挖后间隔2～3层时形成;相比开挖后滞后支护,及时支护围岩位移量、塑性区明显较小,因此及时支护为最佳支护时机。研究成果对高地应力条件下大型地下洞室轴线选择、支护设计、支护时机选择具有参考意义。  相似文献