排序方式： 共有21条查询结果，搜索用时 15 毫秒
1.
卡尔曼滤波递减平均方法对模式直接输出的气温预报进行订正,能有效提高预报准确率,但有时会造成显著负订正的现象,使订正预报效果反而不及模式直接输出。利用消除偏差集合平均方法(BREM)选择最优滑动训练期对2019年10月至2020年4月ECMWF预报(EC)、经过卡尔曼滤波递减平均法订正的预报(EC_COR)及中央台网格指导预报(SCMOC)等3种气温预报在黑龙江省的结果进行集成,并将BREM方法对EC_COR的修正效果进行评估,结果表明:不同预报结果都表现为冬季和夜间预报的准确率更低,气温偏低的11月至翌年1月更倾向于表现出预报较实况系统性偏高的特点。BREM方法能有效地修正EC_COR对EC负订正的现象,且可显著高于任何一种参与集成的单一预报效果。可在对单一模式进行卡尔曼滤波递减平均订正的基础上,进一步提升预报质量。另外,利用集成方法对高质量预报产品的融合(不局限于模式直接输出预报或是订正预报)可获取较单一预报更优的预报结果。 相似文献
2.
3.
赵广娜 《沙漠与绿洲气象(新疆气象)》2013,7(5):71-74
选取累积降雪量、最大日降雪量、连续降雪日数、积雪深度、日最低气温、日最大风速和日最小相对湿度7个气象因子构成城市雪灾气象指数。通过对城市雪灾气象指数的范围划分,得到从低到高的5级城市雪灾气象等级,并给出等级描述及可能影响。 相似文献
6.
7.
8.
9.
10.
北京冬季PM2.5重污染时段不同尺度环流形势及边界层结构分析 总被引：9，自引：5，他引：4
城市重霾污染事件的发生除排放源内在原因之外,气象条件是最直接的客观外因。本文以2013年2月21~28日北京地区典型细颗粒物(即PM2.5)重污染过程为例,基于颗粒物水平和垂直监测数据,常规及加密自动气象站数据和高时间分辨率风廓线数据,分析了重污染过程中不同尺度环流形势以及边界层结构的变化对细颗粒物重度污染形成、累积和消散的影响。结果表明:弱低压场或弱高压场控制下,局地西南风和东南风输送与北部山区偏北风在山前的汇聚,配合边界层低层顺时针方向的风切变,易发生大气中细颗粒物的爆发性增长;而均压场控制和近地层持续偏南气流输送,配合高层持续稳定的西北风,是污染长时间持续稳步增长的主因。此外,近地层低风速、高湿度和逆温的维持是区域霾污染爆发增长和长时间持续增长的关键气象因素。高压前部的系统性西北大风是污染得以驱散的直接外部动力。 相似文献