排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
基于2012—2019年自动站雷暴大风观测实况和对应雷达回波,利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征,选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子;将1～9 km高度的雷达回波分为11层,作为YOLOv3的输入层,使其由原3个特征层扩展到11层,训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验,检验结果表明：三种模型中基于决策树的模型虚警最高,基于CNN的模型漏报最多,基于YOLO的模型识别效果最好,其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估,并选取任意天气下长达30天连续时段进行不间断识别检验,结果表明该算法对于不同类型的雷暴大风均有较好的识别能力,具备业务化应用前景。 相似文献
2.
针对实际预报工作中,台风主观预报和模式风场客观预报不一致的问题,基于南海台风模式(CMATRAMS)资料、实时台风主观预报资料,采用一种考虑下垫面作用的动力解释应用方法TCwind,得到了能较合理描述台风风场的数学方程组,结合网格预报技术,进行台风主观预报和模式风场的主客观融合,实现了台风风场预报的订正,能为网格预报提供有效辅助。以实时台风主观预报为评判标准,检验评估了2018—2019年西北太平洋所有台风的融合订正效果,发现订正后的台风风场中心能较准确地向主观路径预报调整;台风中心附近最大风速相较模式显著增强,趋近主观强度预报;台风环流风速比模式原始风速增大,风场结构分布相比模式原始风场也更合理。 相似文献
3.
为强化智能网格预报业务的技术支撑，研发了以智能工具箱为重要载体的智能预报众创平台，实现主观预报经验的客观化，促进客观订正技术的共建共享。技术方案包括：(1)基于智能网格预报平台GIFT,利用C#语言构建智能工具的二次开发环境，通过动态库接口实现对网格数据的交互订正；(2)建立B/S架构的智能工具管理平台，提供智能工具的上传及下载等功能，实现客观订正技术的共享。平台已实现全省业务应用，“雨量主客观融合”和“降水相态订正”等智能工具的应用提升了预报质量与效率，表明该平台有较好的应用推广价值。 相似文献
1