排序方式: 共有28条查询结果,搜索用时 31 毫秒
21.
GPS反演的可降水量与降水的对比分析研究 总被引:4,自引:1,他引:3
本文以秦皇岛为例,分析GPS可降水量与降水实况的关系。2007年5月~8月期间发生16次降水过程,每次水汽的增加,都对应着一次降水过程和降水峰值的出现;16次降水事件中,GPS可降水量序列峰值超前降水发生时间1h和2h分别各为6次,两者占到总降水次数的75%,也就是说GPS可降水量序列峰值超前降水发生时间约为1~2h;降水出现的时间一般发生在大气可降水量迅速增加之后,在2h或3h的大气可降水量的增幅迅速增加达到5mm后,2h内出现降水占68.75%,3~4h出现降水占18.75%,5~6 h出现降水占6.25%;而大气可降水量迅速增加前2h内出现降水的仅占6.25%,即GPS可降水量迅速增加后4h内出现降水的比率占到87.5%。GPS可降水量可作为降水短期预报的指标之一。 相似文献
22.
为提高PM2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM2.5浓度预测模型,开展未来24 h的PM2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出,分别以PM2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM2.5浓度预测模型;最后利用实测PM2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM2.5浓度预测模型的RMSE和IA分别为16.22 μg/m3和84.36%,模型预测精度较好,可有效预测未来24 h的PM2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。 相似文献
23.
冬春季节的空气质量预测有助于公众合理安排出行和政府相关部门的交通治理.细颗粒物(PM2.5)的浓度主要影响因素有大气污染物、水汽等.为提高PM2.5浓度预测的精度,以京津冀地区为例,利用快速傅里叶变换(fast Fourier transform,FFT)与长短期记忆(long short term memory,LSTM)神经网络方法相结合,考虑GNSS、ERA5水汽、大气污染物等观测要素,构建PM2.5的浓度预测模型,预测研究未来24 h的PM2.5的浓度.利用GNSS水汽校正区域ERA5水汽,并进行精度评定.利用FFT取大气污染物、第五代大气再分析产品(ECMWF atmospheric reanalysis 5,ERA5)水汽等观测要素的公共变化周期,获得最佳公共周期为78 h;选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出.通过均方根误差(root mean square error,RMSE)评价指标进行模型精度评价.研究结果表... 相似文献
24.
基于2014年河北省CORS观测及气象资料,利用GNSS PWV进行水汽输送路径研究。通过GNSS PWV、ΔPWV变化与实际降水的比较发现,GNSS PWV空间变化与水汽输送路径一致,验证了河北省存在由南向北、由西北向东南的两条水汽输送路径。 相似文献
25.
以GNSS水汽为标准,对中国西南地区进行MODIS水汽精度评价和相关性分析,构建MODIS水汽的区域校正模型和单站点校正模型并开展可靠性检验。分区域进行MODIS水汽校正和图像叠加得到校正后的中国西南地区MODIS水汽分布。结果表明,区域模型可替代单站点模型,中国西南地区MODIS水汽季节校正模型效果显著,在春、夏、秋、冬季的均方根误差RMSE分别优于8 mm、9 mm、11 mm和4 mm。 相似文献
26.
无气象要素的GPS对流层延迟推算可降水量的研究 总被引:2,自引:0,他引:2
本文针对武汉地区GPS气象网资料,进行了GPS对流层延迟直接推算可降水量的研究。在武汉东湖站GPS对流层延迟与无线电探空可降水量的比较中,两者具有很好的相关性,相关系数达到了0.93;推导了对流层延迟直接推算可降水量的模型,对模型结果进行了检验,在武汉东湖站的对流层延迟转换的可降水量与无线电探空可降水量的比较中,均方根为7.8mm,相关性为0.91,这说明了在没有气象数据的地区对流层延迟直接推算的可降水量可以作为气象短期预报的参考。 相似文献
27.
通过比较2013-11~12的BJNM站点GPS PWV序列与天坛站点PM2.5浓度序列发现,两者的相关系数大于0.535,sig值小于0.01,存在显著的正相关特性;基于小波分析方法剔除高频噪声、细微扰动和小尺度系统影响的第4层低频系数重构的PWV序列与PM2.5序列的相关性达到0.749;高频系数重构的PM2.5序列与PWV序列的相关性达到0.839,更能反映两者的正相关特性。 相似文献
28.
利用北京市GPS连续观测资料结合气象资料开展GPS水汽与气象要素的相关性分析。首先使用GAMIT软件解算2009-06-01~2012-04-30的北京GPS连续观测网观测数据并结合气压数据获得测站水汽序列;然后用小波变换方法对GPS水汽、温度和气压数据进行分解与重构,并对重构后的数据进行相关性分析。GPS水汽序列的变化趋势与温度呈显著正相关,与气压呈显著负相关。水汽和气压存在年周期和半年周期变化,两者存在显著负相关特性;温度有年周期变化,水汽和温度在d13重构结果的相关性最好,存在显著正相关特性。 相似文献