排序方式： 共有6条查询结果，搜索用时 0 毫秒
1
1.
准确识别云对提升天气预报和气候预测准确性有着重要意义,传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,在分类速度和分类精度上都有了明显提升。本实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机（SVM）、随机森林（RF）和XGBoost分类器实现了对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类,实验结果表明：①三种分类器对该实验云分类的平均准确率分别为RF（62.5%）＞XGBoost（61.7%）＞SVM（60.0%）;②三种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;③SVM对密层云（67.9%）、RF对卷层云（68.9%）、XGboost对晴空（68.3%）的分类效果次之,平均分类精度均达67%以上。 相似文献
2.
2019年7月23日21时20分贵州省水城县鸡场镇坪地村岔沟组发生特大山体滑坡(简称"7.23"水城特大滑坡),21栋房屋被埋,42人遇难、9人失联。本文利用高空及地面常规观测资料、地面加密观测资料、FY-2G相当黑体亮温(TBB)、NCEP/NCAR FNL格点再分析资料对此次特大滑坡的气象背景进行了诊断分析,得到如下结论:(1)"7.23"水城特大滑坡出现在降水停止后16 h,滑坡前一晚22日夜间降水局地性较强,主要降水时段出现在22日20—23时,距滑坡时间24 h左右。距滑坡点960 m处最大雨强为19.5 mm·h-1(20—21时),距滑坡点2.7 km处最大雨强为56.9 mm·h-1(21—22时)。(2)滑坡前一周当地出现了三场降水,分别为两场大雨及一场暴雨。大雨以上较强降水对100 cm以上土壤体积含水量变化影响大,较强降水使100 cm以上土壤含水量增加迅速,但对100 cm以下的渗透作用微弱。(3)滑坡前一晚22日夜间的降水发生在副热带高压西侧西低东高的背景下,水汽条件充沛并具备一定的不稳定能量条件,但触发抬升能力偏弱。(4)22日20时地面中小尺度低涡的生成激发了分裂后的对流云团的重生和发展,重生后的β中尺度低涡云团在发展最强阶段造成了滑坡点附近的局地强降水,是22日20—23时滑坡点附近降水增强的直接影响系统。(5) 22日多个要素分析显示,弱冷空气接近水城时激发了初始对流和降水。弱冷空气维持少动期间,降水在其南侧的暖区一侧加强。(6)较强降水使土壤表层增湿、含水量增加,但仍难以判断降水是滑坡的主要诱因,山坡岩体结构改变、重力与支持力之间的平衡被打破可能才是滑坡的重要原因。 相似文献
4.
利用成都市2017年1月14—29日环境监测数据、气象观测数据和激光雷达探测资料,系统分析了对应时段灰霾过程的演变机理。结果表明:该灰霾过程与天气形势的高低空配置有密切关系;气象因子的变化对颗粒物扩散具有重要作用,风速、温度和相对湿度与PM 2.5质量浓度的相关系数分别为-0.36、0.45和0.20;灰霾过程期间混合层高度平均值较低(378 m),呈现出白天高和夜晚低的特征;通过混合层高度与地面颗粒物质量浓度的超前滞后相关性分析表明,混合层高度通过2 h左右可对地面颗粒物的扩散起明显作用(二者相关系数较对应时次的-0.47提升至-0.63),这在一定程度上可对未来数小时的颗粒物质量浓度的演变趋势做出指示。本文研究结果可为当地灰霾过程预警预报及污染防治提供理论依据和研究参考。 相似文献
5.
利用西安多普勒雷达观测资料、NCEP再分析资料和自动气象站资料,对2016年6月4日发生在咸阳机场附近的一次阵风锋天气展开研究。这次过程是由蒙古低涡主导,低涡后部的冷空气南下触发对流引起的,阵风锋过境时咸阳机场产生了2.2mm降水和19.7m·s^(-1)的大风天气,多架次航班受到影响。从雷达回波的分析发现,这次阵风锋的特征表现为,生命史2h左右,回波强度5~25dBz,长度约70km,平均移速达49.7km·h^(-1),伴有明显的窄带回波和辐合线。对雷达基数据进行质量控制后,设计了自动识别软件,在强度场上利用双向梯度算法,以及速度场上使用Shear参量算法,根据窄带回波和辐合线的空间一致性,对该阵风锋的位置和强度进行识别。最后利用临界成功指数对这个软件进行评估,本次阵风锋的识别率达到83.33%,表明该软件能够识别阵风锋,可在业务中使用。 相似文献
6.
基于CMA-GD模式预报数据,利用多神经网络的动态权重集成方法,开展了贵州省温度预报订正研究,最终获得本地化温度预报订正产品。结果表明：(1) 在对历史数据检验评估的基础上,利用多种神经网络方法可有效降低模式系统误差,通过BP、BP_GA、WAVENN、GRNN、LSTM等神经网络订正,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低0.01～0.17 ℃;(2) 考虑到不同神经网络订正结果的差异性,采用动态权重方案对订正结果进行优势集成可显著提升预报可靠性。经集成后的温度预报效果优于模式直接输出和各神经网络订正结果,2020年贵州省0～72 h预报时效的温度平均绝对误差较模式降低14.93%,预报准确率提升8.24%。此外,动态权重集成后的订正结果还表现出较好的稳定性。基于该方法形成的本地化客观预报订正产品可为提升贵州复杂地形下温度预报质量以及精细化预报服务水平提供参考依据。 相似文献
1