排序方式： 共有2条查询结果，搜索用时 125 毫秒
1
1.
本文首先利用中国气象局国家气象信息中心提供的中国732个站点观测的土壤体积含水量,评估了CLM4.5（Community Land Model version 4.5）在CFSR（Climate Forecast System Reanalysis）近地面大气数据驱动下模拟的逐月土壤湿度（记为CLM4.5-CFSR）,然后基于CLM4.5-CFSR比较了皮尔逊相关法和自相关法计算得到的1980～2009年中国地区土壤湿度记忆性的区域及季节分布特征,量化了土壤湿度的记忆能力,研究了降水频率、降水强度和近地表气温分别对土壤湿度记忆性的影响。结果表明:CLM4.5-CFSR能较好地反映出大部分地区月时间尺度上土壤湿度的变化特征。两种方法描述的土壤湿度记忆性的空间分布特征相似,但季节特征不同。不同深度土壤湿度的记忆时长相差不大,在0.85～2.2个月不等,其中内蒙古东北部较大,新疆西南部较小。春季,较湿的土壤记忆性也较强。当降水频率较低时,其对蒸发速率较大的地区土壤湿度的记忆性影响很小,当降水强度较大时,它会迅速补充土壤散失的水分,破坏初始时刻土壤的干湿状态,引起其记忆性减弱。近地表气温变化主要通过影响土壤的蒸发过程减弱土壤湿度的记忆性。未来可利用气候模式开展数值敏感性试验对本文得到的结论进行机理研究,为进一步提高季节和季节内尺度的降水预报提供依据。 相似文献
2.
经历了两次“人工智能寒冬”之后,机器学习于近十年再次进入大众视野,且有腾飞发展之势,已在图像识别和语音识别系统等实际应用方面取得了巨大成功。从已知数据集中总结关键信息和主要特征,从而对新数据做出准确的识别和预测,分别是机器学习的主要任务和主要目标之一。从这个角度看,将机器学习整合到气候预测的思路切实可行。本文,首先以线性拟合参数(即斜率和截距)调整为例,介绍了机器学习通过梯度下降算法优化参数并最终得到线性拟合函数的过程。其次,本文介绍了神经网络的构建思路以及如何应用神经网络拟合非线性函数的过程。最后,阐述了深度学习之卷积神经网络的框架原理,并将卷积神经网络应用到东亚冬季逐月气温的回报试验,并与气候动力模式的回报结果相比较。本文将有助于理解机器学习的基本原理,为机器学习应用于气候预测提供一定的参考思路。 相似文献
1