排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
短临降水预报是一项重要且具有挑战性的世界性难题.研究人员曾尝试使用各种技术预报降水,但是由于降水本身具有高度非线性、随机性和复杂性的特性,使得降水预测精确度并不高.近年来,随着人工智能技术的迅猛发展,其日渐渗透到人们生活的方方面面,气象领域也因此得益.人工神经网络能够对非线性系统进行建模,因此相比于传统方法,如数值天气预报法和光流法等,人工智能方法使得降水预报的准确率大大提高.本文介绍了传统降水预报的方法,着重总结概括了用于短临降水预报的各种最新人工智能方法,并对各研究方向进行归纳分析,为各类研究人员研究提供有益参考和借鉴. 相似文献
2.
为了提高模式对于7~15 d温度格点预报准确性,基于U-Net模型以及U-Net残差连接模型,采用2018年12月25日—2022年7月5日多种组合气象数据作为输入数据特征,针对TIGGE数据中心提供的全球集合预报CMA-GEPS 2 m气温控制预报,开展168~360 h时效的格点预报误差订正试验。结果表明:对于240 h预报时效,两种深度学习模型中,U-Net模型表现较好;对于不同输入数据特征,加入起报时刻ERA52 m气温产品的U-Net模型表现最佳,在多个预报时效上有较好的订正效果,均方根误差减小率为10%~25%,可有效改善模式对于15.75°~55.25°N,73°~136.5°E区域北部的蒙古高原、西部的青藏高原及部分山地的预报误差较大的不足;而加入CMA-GEPS控制预报10 m风预报产品后改进不明显。总体上,基于U-Net模型构建的模式格点预报偏差订正模型可有效降低7~15 d温度格点预报误差,进一步提升复杂地形下格点预报的准确性。 相似文献
1