排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
利用自动气象观测站降水资料、常规地面与高空观测资料及卫星云图资料,对2012—2017年6—10月金沙江乌东德水电站坝区18次暴雨个例的大尺度环流背景及卫星云图演变特征进行统计分析,结果表明,切变冷锋型、两高辐合型、西南涡型、孟加拉湾风暴型、切变线型和高空槽型是金沙江乌东德水电站坝区的六类暴雨概念模型。总结归纳出对应的六类典型云型：切变线云带前界处的对流云团8次(占44.4%)、两高辐合云区内部的对流云团4次(占22.2%)、西南涡西南或东南象限的对流云团2次(占11.1%)、孟加拉湾风暴涡旋云系中分离出来的对流云团或对流云系2次(占11.1%)、切变线云带内部的对流云团1次(占5.6%)、高空槽前盾状卷云区南端的对流云系1次(占5.6%)。 相似文献
2.
基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM)。选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本。比较分析SVM模型RBF和Sigmoid核函数优劣。尝试先分段寻找局部最优,再选择全局最优的参数优化方法。通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象。利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定。经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50%以上,漏报率在15%以下,与ECMWF和T639比较,该模型TS评分提高1. 4%。 相似文献
1