首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   4篇
测绘学   1篇
大气科学   5篇
  2022年   1篇
  2021年   1篇
  2019年   3篇
  2017年   1篇
排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
结合物理光学法及传统复合电磁散射计算模型中的"四路径"方法,以GNSS信号为信号源,提出了一种基于高频散射理论的GNSS-SAR成像模型,建模过程考虑了多路径散射、遮蔽、漫散射等效应,较好地描述了电磁散射效应对海面场景GNSS-SAR成像的影响。根据电磁散射效应,分析了海面风速对成像效果产生的干扰情况,发现在本文仿真场景下,9 m/s风速海背景下的目标能够被识别出来,17 m/s风速海背景下的目标几乎淹没在海杂波中。  相似文献   
2.
云粒子测测量系统是开展云降水物理和人工影响天气研究的关键测量仪器。目前我国使用的这类仪器主要是由国外进口。不仅仪器的定标依赖于厂家使得用户在时间和经济上的代价很大,而且传统的玻璃珠定标方法也存在易粘连等缺陷。针对这个现状,提出一种新的定标方法。利用成熟的喷墨打印技术和视觉测量技术,产生可控、稳定的5种直径(10~50μm)连续微水滴,来定标云粒子测量仪器。本文详细描述了实现此定标方法的系统原型结构,分析了影响系统工作性能的因素,通过对同一CDP(Cloud Droplet Probe)探头定标与传统方法进行对比。结果表明,此方法能够满足云粒子测量系统的定标需求,该定标方法较传统方法易于控制且性能良好。  相似文献   
3.
基于机器学习的数值天气预报风速订正研究   总被引:3,自引:1,他引:2       下载免费PDF全文
对风速进行准确预测是精细化天气预报服务(如风能发电、冬季奥运会赛场条件保障等)的重要环节。本文基于三种机器学习算法(LASSO回归、随机森林和深度学习),对数值天气预报模式ECMWF预测的华北地区近地面10 m风速进行订正。首先利用LASSO回归算法提取对10 m风速有重要影响的气象要素特征集,将其作为三种机器学习算法的输入,建立相应模型对ECMWF预测的风速进行订正。用提取后的气象要素特征集建模有助于减少计算量和存储开销,并减小模型的复杂性,从而提高模型的泛化能力。将订正结果与传统订正方法模式输出统计(model output statistics,MOS)得到的订正结果进行对比。结果表明,三种机器学习算法的订正效果均好于MOS方法,显示了机器学习方法在改善局地精准气象预报方面的潜力。  相似文献   
4.
云粒子成像仪(Cloud Imaging Probe, CIP)和降水粒子成像仪(Precipitation Imaging Probe, PIP)在云微物理和人工影响天气的观测研究中具有重要的作用。受限于仪器的成像测量原理,CIP和PIP所测云微物理数据质量因伪粒子的影响而降低,因此,急需一款能够对仪器所测数据进行订正的软件以满足云微物理分析的数据质量要求。在对测量过程中影响仪器测量准确性因素分析的基础上,提出了一套可提高仪器测量数据准确性的方法。利用LabVIEW图像化编程语言,编写出了一款可处理CIP和PIP图像数据的软件,可满足对CIP和PIP所测数据的质量控制要求。利用所开发的软件对2010年4月20日一次降水性层状云的飞机探测资料进行处理,获取了整个降水性层云的垂直结构特征与粒子谱的变化特征,表明本软件有助于云降水微物理的研究。  相似文献   
5.
基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。  相似文献   
6.
模式预报的订正是决定局地天气预报结果的一个重要步骤,基于机器学习的后处理模型近年来开始崭露头角。本文发展了基于岭回归(Ridge)、随机森林(Random Forest,RF)和深度学习(Deep Learning,DL)的3种后处理模型,基于中国气象局(CMA)的BABJ模式、欧洲中期天气预报中心(ECMWF)的ECMF模式、日本气象厅(JMA)的RJTD模式和NCEP的KWBC模式这4个数值天气预报模式2014年2月至2016年9月(训练期)近地面2 m气温预报和实况资料确定各模型参数,进而对2016年10月至2017年9月(预报期)华北地区(38°N~43°N,113°E~119°E)的逐日地面2 m气温预报进行了多模式集合预报分析。采用均方根误差对预报效果进行评估,这3种后处理模型的预报效果和4个数值天气预报模式以及通常的多模式集合平均(Ensemble Mean,EMN)的预报效果的对比表明:1)随着预报时长增加,4个数值预报模式及各种后处理模型的均方根误差均呈上升趋势;但区域平均而言,Ridge、RF和DL的预报效果在任何预报时长上都明显优于EMN和单个天气预报模式;特别是前几天的短期预报DL的预报效果更好,中后期预报Ridge的预报效果略好。2)华北地区的东南部均方根误差较小,其余格点上均方根误差较高,从空间分布而言,DL的订正预报效果最好,3种机器学习模型的误差在1.24~1.26℃之间,而EMN的误差达1.69℃。3)夏季各种方法的预报效果都较好,冬季预报效果都较差;但是Ridge、RF和DL的预报效果明显优于EMN,这3种模型预报的平均均方根误差在2.15~2.18℃之间,而EMN的平均均方根误差达2.45℃。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号