排序方式： 共有23条查询结果，搜索用时 375 毫秒
1.
岗察岩体位于秦岭、祁连、昆仑和松潘—甘孜造山带交会部位,属西秦岭成矿区,为秦岭造山带的重要组成部分。运用H、O、S同位素示踪手段对岗察岩体内江里沟、双朋西、谢坑3个矿床的成矿流体进行研究。结果表明,上述3个矿区样品的δ18O（H2O）大部分落在岩浆水范围,因此O同位素具有岩浆水特征,推测3个矿区的流体均来自发生过脱气作用的岩浆,但成矿作用发生在浅部。研究区δ34S值集中在-3.8‰～0.9‰之间,与多数岩浆岩δ34S值的范围-5‰～5‰相近,说明3个矿床的硫均为岩浆来源,即成矿物质主要来源于岩浆。总体δ34S江里沟＞δ34S双朋西＞δ34S谢坑,这种差异可能与岗察岩体岩浆演化有关。3个矿床的δ34S平均值均接近正常地幔硫的范围-1‰～1‰,暗示硫源可能有深源岩浆的参与。 相似文献
2.
3.
4.
初步研发了一套基于机器学习方法XGBoost且考虑地形特征影响的数值预报多模式集成技术,并与传统的等权重平均和线性回归方法的集成效果进行了对比分析。利用北京地区快速更新循环数值预报系统每天8次循环预报给出的近地面2 m温度、2 m相对湿度、10 m风速、10 m风向数据产品,分别基于机器学习方法XGBoost、等权重平均方法、线性回归方法构建了3种体现地形因子影响的多模式预报时间滞后集成模型。试验对比分析了暖季、冷季每日不同时刻的模式预报集成订正效果。结果表明:分季节试验中,基于XGBoost模型对2 m温度、10 m风速的集成预报结果相对原始最优预报结果误差明显优于其他两种传统方法。XGBoost对2 m温度集成的误差可降低11.02%—18.09%,10 m风速集成误差可降低31.23%—33.22%,10 m风向集成误差可降低4.1%—8.23%。2 m相对湿度的集成预报误差与传统方法接近。基于XGBoost的多模式集成预报模型可以充分“挖掘”不同模式或不同时刻快速更新循环预报优点,有效降低模式的系统性误差,提供准确性更高的多模式集成确定性预报产品。 相似文献
5.
强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。 相似文献
6.
近年来,机器学习理论和方法应用蓬勃发展,已在强对流天气监测和预报中广泛应用。各类机器学习算法,包括传统机器学习算法(如随机森林、决策树、支持向量机、神经网络等)和深度学习方法,已在强对流监测、短时临近预报、短期预报领域发挥了积极的重要作用,其应用效果往往明显优于依靠统计特征或者主观经验积累的传统方法。机器学习方法能够更有效提取高时空分辨率的中小尺度观测数据的强对流特征,为强对流监测提供更全面、更强大的自动识别和追踪能力;能够有效综合应用多源观测数据、分析数据和数值预报模式数据,为强对流临近预报预警提取更多有效信息;能够有效对数值模式预报进行释用和后处理,提升全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。最后,给出了目前机器学习方法应用中存在的问题和未来工作展望。 相似文献
7.
8.
在掘进工作面上设计多点电流源双频激电法探测电极布置方式，根据稳定电流场性质，建立多点电流源电场线微分方程，基于变步长四阶五级Runge-Kutta-Felhberg算法，对微分方程组进行求解。定义探测电场空间立体角和电场线边界角概念，分析探测电场平均电流密度随主屏流比系数及距掘进断面距离变化规律，确定聚焦效应探测时主屏流比系的取值范围。同时改变约束屏流比系数和主屏流比系数，分析探测电场偏转角的变化规律及对其影响的主要因素，确定偏转效应探测时约束屏流比系数的取值范围。工业性试验表明:利用该方法进行超前扫描探测，根据视幅频率和视电阻率异常激电效应参量变化规律，能够有效识别工作面前方围岩地质构造特征及低阻含水异常体的方向，但含水异常体距工作面的准确距离和含水量的大小尚需进一步研究。 相似文献
9.
10.
中尺度对流系统（Mesoscale Convective System,MCS）是很多对流性天气的主要致灾体,可导致严重的气象和水文灾害,如雷暴大风、冰雹、龙卷风和山洪。对MCS进行准确的识别和追踪,并根据追踪轨迹及获得的MCS特征实现MCS的分类,对灾害天气的分析和预报有重要意义。基于京津冀地区2010—2019年的雷达组合反射率拼图资料,分别使用支持向量机（SVM）、随机森林（RF）、极度梯度提升决策树（XGBoost）和深度神经网络（DNN）4种机器学习方法,研发了京津冀地区MCS的自动识别算法。使用时、空重叠追踪法对识别的MCS进行追踪匹配,得到包含强度、时间和空间信息的MCS追踪数据资料。在区分线状对流系统和非线状对流系统的基础上,进一步从经典的尾随层云（Trailing Stratiform,TS）、前导层云（Leading Stratiform,LS）和平行层云（Parallel Stratiform,PS）三类准线性MCS的概念模型和结构特征出发,根据追踪轨迹计算MCS的运动方向和MCS近似长轴两侧层状云和强对流云的面积占比,建立准线性MCS的分类算法。MCS的识别属于二分分类问题,以命中率（POD）、虚警率（FAR）、临界成功指数（CSI）和准确率（ACC）为评价指标,综合对比各项指标发现DNN模型较SVM、RF和XGBoost模型对MCS的识别效果更好。使用时、空重叠追踪法对DNN模型识别的MCS进行追踪,结合对两个追踪实例的分析,发现本研究所用的算法取得了很好的追踪结果,也进一步说明了深度学习方法识别MCS的准确性和优势。根据追踪轨迹计算某时刻MCS的运动方向,结合识别的层状云和强对流云的分布位置,准确实现了TS、LS和PS型准线性MCS的分类,为准线性MCS的生命史预测及其致灾天气特别是短时强降水的强度、位置和持续时间的客观预报提供了一种技术思路。 相似文献