期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
2020-2021年四川盆地南部暴雨多模式预报的SAL和精细化检验
1
作者 喻琴昆 徐瑗 +1 位作者 欧奕含 李钰春 《山地气象学报》 2024年第5期27-33,共7页
【目的】为衡量不同数值模式对盆地南部暴雨过程的预报能力。【方法】利用中国智能网格三源融合降水产品(CMPAS),针对SCMOC、ECthin和CMA-MESO模式对盆地南部2020-2021年23次暴雨过程进行SAL检验和精细化预报检验。【结果】(1)SCMOC、EC... 【目的】为衡量不同数值模式对盆地南部暴雨过程的预报能力。【方法】利用中国智能网格三源融合降水产品(CMPAS),针对SCMOC、ECthin和CMA-MESO模式对盆地南部2020-2021年23次暴雨过程进行SAL检验和精细化预报检验。【结果】(1)SCMOC、ECthin和CMA-MESO模式对盆地南部暴雨过程的降水范围预报均偏大(S>0),ECthin和CMA-MESO模式08时起报对降水结构预报最优;ECthin对降水强度预报偏小(A<0),SCMOC和CMA-MESO模式对降水强度预报偏大(A>0),且ECthin 08时起报降水强度预报偏差最小;(2)对于大雨量级以上降水预报的TS检验,各模式不同起报时次的TS评分均呈单峰型,23时-次日02时TS评分最高,14-20时之间的评分较低;(3)各模式对泸州降水频率预报较好,但对自贡和宜宾降水频率中心区域预报显著偏南;(4)ECthin和SCMOC对降水的最易开始和结束时间预报偏差基本在3 h(1个时效)以内,以SCMOC 08时起报对盆地南部降水开始和结束时间预报最好,但对偏南区域的降水结束时间预报偏早。【结论】该研究深入分析了不同模式对盆地南部暴雨过程的预报特征,对提高强降水的精细化预报能力有一定的指导意义。 展开更多
关键词 CMPAS SAL检验 精细化检验
下载PDF
关于数控机床成品精细化检验的研究
2
作者 赵小玲 孔德红 +1 位作者 龚旭 孔香梅 《制造技术与机床》 北大核心 2015年第7期184-186,共3页
介绍了数控机床成品精细化检验的必要性、检验流程和应时而生的内容。
关键词 机床成品 精细化检验
下载PDF
2019—2021年北京春季温度预报的精细化检验评估
3
作者 李妮娜 刘凑华 +3 位作者 林建 代刊 韦青 赵声蓉 《气象》 2024年第11期1397-1408,共12页
利用2019—2021年2—4月北京地区国家级气象台站逐3 h观测资料,基于统计分析方法对欧洲中期天气预报中心全球数值模式(ECMWF)、中国气象局全球区域同化预报系统(CMA-GFS)以及智能网格预报国家级指导报(SCMOC)、国省融合预报(SMERGE)的... 利用2019—2021年2—4月北京地区国家级气象台站逐3 h观测资料,基于统计分析方法对欧洲中期天气预报中心全球数值模式(ECMWF)、中国气象局全球区域同化预报系统(CMA-GFS)以及智能网格预报国家级指导报(SCMOC)、国省融合预报(SMERGE)的温度预报开展了精细化检验评估。结果表明,ECMWF和CMA-GFS对北京春季的温度预报多出现负偏差,且山区和平原地区无明显差异,但在夜间更加突出。SCMOC和SMERGE对温度预报有较好订正能力,温度预报平均误差集中在-1~1℃,温度预报准确率较高且平均绝对误差也较小。四种产品对于24 h变温以及日内昼夜温差的预报存在问题为:所有产品对强变温的变化幅度预报不足,且智能网格预报产品也未体现明显的订正能力;此外,所有产品对昼夜温差幅度的预报存在1~3℃的正偏差,SCMOC有一定订正能力,而SMERGE高估昼夜温差的情况更突出。模式预报昼夜温差偏大与低温(05时温度)预报偏低密切相关,而智能网格预报的高温(14时)预报偏高也不容忽视。通过精细化检验分析,说明智能网格预报在关注整体准确率提升(平均绝对误差,减小)的同时,还应关注天气过程发展演变特征。 展开更多
关键词 精细化检验 偏差特征 日变化 过程演变 温度预报
下载PDF
应用物理结合的人工智能方法提升“21·7”河南极端强降水预报 被引量:1
4
作者 钟琦 张智察 +4 位作者 姚秀萍 侯劭禹 傅慎明 曹勇 敬林果 《中国科学:地球科学》 CSCD 北大核心 2024年第5期1680-1701,共22页
极端强降水是破坏和影响最为巨大的自然灾害之一,而由于其罕见性和独特性,其发生演变的精准预报极具挑战.本文以2021年河南“21·7”极端降水事件为对象,基于异常物理特征分析和多模式预报偏差理解,通过在损失函数中采用与降水物理... 极端强降水是破坏和影响最为巨大的自然灾害之一,而由于其罕见性和独特性,其发生演变的精准预报极具挑战.本文以2021年河南“21·7”极端降水事件为对象,基于异常物理特征分析和多模式预报偏差理解,通过在损失函数中采用与降水物理和数据特征更相适的优化指标和约束,开展降水预报的机器学习订正试验,有效改进了强降水强度和落区预报.研究发现,通过学习异常物理特征与强降水的关系,可显著提升降水预报的强度,但降水的落区很难调整,也容易带来较大空报;这一方面是由于极端降水事件过程中相对稳定维持的异常环流和物理特征主要包含较大尺度信息,与模式降水偏差具有一致性,另一方面由于极端降水样本稀少,因此相应采用的算法复杂度较低.通过多模式降水的机器学习融合,有潜力提取各模式降水预报精细结构的优势,显著改进降水落区预报,但降水强度提升有限.本文基于“好而不同”的多模式融合,再结合适量异常特征可达成综合调整强降水落区和降水强度的效果.研究为提升极端性强、变率大的强降水精细化预报进行了创新探索,也为未来物理融合人工智能方法提供参考. 展开更多
关键词 极端降水事件 精细化检验评估 异常物理特征 多模式融合 机器学习
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部