排序方式： 共有6条查询结果，搜索用时 0 毫秒
1
1.
1998和2010年夏季降水异常成因的对比分析：兼论两类不同厄尔尼诺事件的影响 总被引：4，自引：1，他引：3
1998和2010年夏季长江流域均发生了明显的洪涝灾害,且都是厄尔尼诺事件的次年(衰亡位相).不同的是:1997/1998年冬季的厄尔尼诺事件是传统东部型,而2009/2010年冬季的厄尔尼诺事件是中部型(EL Ni(n)o Modoki).首先利用中国160个台站月降水观测资料,对比了1998和2010年降水异常情况,结果显示除长江流域多降水这一共同特征外,1998和2010年降水分布还存在一定差异.利用NCEP/NCAR再分析资料,对比了大气环流异常特征.结果表明:与1998年相比,2010年西北太平洋对流层低层异常反气旋中心位置偏北偏西,西太平洋副热带高压偏强、脊线偏北,使得南海孟加拉湾西南风减弱而东亚南风加强,导致自印度洋、南海向内陆的水汽输送减少,而自西太平洋的水汽输送增加并输送到偏北的位置,雨带比1998年偏北,中国西南地区降水比1998年偏少.进一步分析厄尔尼诺的影响,揭示环流形势的变化与中部型厄尔尼诺年赤道太平洋异常上升气流比传统厄尔尼诺年偏西、西太平洋异常下沉气流随之变化有关.利用GFDL大气环流模式AM2.1,进行了给定1998和2010年实际观测海温强迫的试验,显示海温差异能够部分解释观测到的环流异常.最后,将这两个个例与历史合成进行了比较,发现2010年与历史合成的中部型厄尔尼诺存在较大差异,表明中部型厄尔尼诺对中国夏季降水的影响比以前所认识的要复杂. 相似文献
2.
3.
4.
基于1960—2019年中国东北地区108个台站逐日降水资料、JRA-55再分析资料和Hadley中心海温数据,分析了东北地区春季极端连续无雨日的年际变化特征及其与前冬北太平洋地区大气环流和海表温度的关系。研究表明,东北地区春季极端连续无雨日集中在3—4月。当3—4月极端连续无雨日偏多时,贝加尔湖地区存在异常高压,东北地区受偏北气流影响,局地水汽辐散。进一步分析发现,东北地区3—4月极端连续无雨日与前冬1—2月北太平洋地区偶极型海平面气压存在密切联系。该大气模态可以引起同期北太平洋海温呈现出马蹄形异常分布并持续到3—4月。在3—4月,海温异常可以通过改变北太平洋上空的经向温度梯度,引起东亚到北太平洋地区的西风变化,进而有利于贝加尔湖地区出现异常高压。另一方面,海温异常还会增强北半球中纬度的波列活动,东传的波列也可以增强贝加尔湖地区的高压。上述异常环流为东北地区极端连续无雨日的增加提供了有利背景条件。留一交叉验证结果显示,前冬1—2月北太平洋地区偶极型海平面气压可作为东北春季极端连续无雨日的潜在预测因子。 相似文献
5.
经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。 相似文献
6.
1