排序方式： 共有11条查询结果，搜索用时 16 毫秒
1.
利用NCEP再分析资料及台站和格点降水量资料分析了华南季风降水与周边大气环流的关系,并由此建立了反映6月华南降水强度的季风指数,这一季风指数利用菲律宾及其以东与华南850 hPa涡度差定义。华南季风指数具有很好的区域代表性,华南季风指数与亚洲格点日降水量的主要正相关区集中在华南。华南季风指数可以很好地描述华南降水的年际变化和极端年份,季风指数强 (弱) 的年份也是华南降水偏多 (少) 的年份,极端的华南季风指数年份对应极端的华南降水年份。华南季风指数高与低年份对应的华南降水量差值通过了0.01的显著性检验。在年代际尺度上,季风指数强 (弱) 的年代与华南降水偏多 (少) 的年代有很好的对应关系。华南季风指数包含了西南季风、副热带高压以及中高纬度西风槽等各影响系统的信息,可在业务上使用。 相似文献
2.
3.
文中从台风灾害的致灾危险性和承灾体脆弱性两方面选取评价指标,利用最小鉴别信息原理计算组合权重,采用模糊数学方法得到台风致灾危险性和承灾体脆弱性的评价指数。基于云模型和风险矩阵,构建一个新的台风灾害等级评估模型。以1984—2016年登陆华南的50个台风为例,对华南台风灾害风险进行综合等级评估,结果与实际相符。与基于云模型—权重分配、模糊数学的台风灾害综合风险等级评估模型的结果进行比较,发现基于云模型—风险矩阵的台风灾害综合等级评估模型,不仅利用了云模型的优点,充分考虑了台风灾害的模糊性和随机性,还利用风险矩阵合成了台风致灾危险性和承灾体脆弱性的评价结果,比单一的模糊数学模型更合理可靠,在一定程度上也比云模型—权重分配模型结果更符合实际。 相似文献
4.
选取1983—2017年登陆华南地区的53个台风样本,进行以月份变化为条件的动态风险评估。首先,利用灰关联-模糊综合评价法构建风险指数;其次,采取信息扩散技术估计不同月份的台风风险强度概率分布,识别风险强度与直接经济损失之间的函数关系;最后,以添加时间要素且与月份有关的动态风险评估模型为基础,进行以损失期望为内涵的台风风险评估。结果表明,风险指数与直接经济损失相关显著(相关系数为0.710 8);华南地区一年内不同月份的台风风险强度概率分布并不相同,承灾体脆弱性整体随风险强度的增大而增大;一年内的台风风险水平分布并不相同,7月达到台风风险水平的最大值,5—6月的台风风险水平最低。 相似文献
5.
为了研究洪涝的重要致灾源因子降水的概率,利用广西从1970年-2012年的降水数据,以年降水均值（X）和年降水极值均值（Y）为研究变量,通过Copula函数构建其联合分布.经过OLS,AIC拟合优度评价,采用Copula函数中拟合效果较好的Gumbel-Hougaard Copula函数建立边缘分布为Pearson-Ⅲ型的两变量的联合分布.随后,进行相应的重现期计算,计算结果表明,在联合重现期下的两变量降水设计值比单变量设计值和同现重现期下的设计值都要高,故采用联合重现期下的联合设计值作为防洪标准会更加安全.最后,对比降水数据与灾情数据,研究降水重现期与洪涝灾情的关系.结果表明,降水的重现期越长,洪涝灾害也越严重. 相似文献
6.
基于信息扩散技术的华南极端台风灾害风险评估 总被引：1，自引：0，他引：1
利用2005—2016年登陆华南地区的12个极端台风灾害样本, 综合考虑了承灾体脆弱性和防灾减灾能力, 对华南地区进行极端台风灾害风险评估, 步骤如下: 1) 以各指标的灰色关联度为基础, 构造华南极端台风的危险性指数、脆弱性指数和防灾减灾能力指数; 2) 根据灾害风险数学表达式, 以层次分析法确定的系统权重为基础, 构造华南地区极端台风灾害风险指数; 3) 通过二维正态扩散技术构造原始信息矩阵和模糊关系矩阵, 利用因素空间理论进行模糊近似推理, 计算得到由风险指数近似估计直接经济损失指数的风险估计值; 4) 利用超概率评估模型, 对极端台风的直接经济损失率进行超概率评估。结果表明, 构造的风险指数与实际情况较为吻合, 计算得到的风险估计值与直接经济损失指数变化趋势较为一致, 均方误差为0.20, 相关系数为0.78。结果还表明, 由极端台风造成的直接经济损失率为0.1%, 已成为常态风险, 华南地区极端台风灾害的超越概率与直接经济损失率呈现出良好的线性关系。 相似文献
7.
8.
9.
华南热带气旋相关物理量场的线性及非线性统计分析研究 总被引：1，自引：0，他引：1
选取西太平洋海平面温度场、海平面气压场、500 hPa位势高度场作为物理因子场,并普查计算1949—2013年影响我国华南地区的热带气旋的年均频数、年均最低气压、年均最大风速作为相关物理量场。对因子场分别应用主成分分析 (PCA) 与核主成分分析 (KPCA) 算法进行主成分提取,在此基础上,对因子场的前六主成分进行功率谱估计与凝聚谱分析。最后,利用典型相关分析 (CCA) 与核典型相关分析 (KCCA) 算法对因子场与物理量场进行典型相关分析。结果表明,基于非线性的KPCA算法提取出西太平洋物理因子场前六成分的解释方差贡献率,均高于PCA算法;海温场、海压场、高度场的第一成分各自存在大概18年的周期性振荡变化,同时,在周期为2~3年的范围内,这三者的振荡频率的互相关性最强;而因子场与物理量场的非线性典型相关系数,明显高于线性典型相关系数。 相似文献
10.