您的位置: 专家智库 > >

国家自然科学基金(40605015)

作品数:3 被引量:89H指数:3
相关作者:韩雷张巍金之雁郑永骏陈德辉更多>>
相关机构:中国海洋大学北京城市气象研究院中国气象科学研究院更多>>
发文基金:国家自然科学基金国家重点基础研究发展计划北京市科技计划项目更多>>
相关领域:天文地球更多>>

文献类型

  • 3篇中文期刊文章

领域

  • 3篇天文地球

主题

  • 1篇隐式
  • 1篇气温
  • 1篇强对流
  • 1篇温度廓线
  • 1篇廓线
  • 1篇雷达
  • 1篇雷达回波
  • 1篇回波
  • 1篇反演
  • 1篇分辨率
  • 1篇高分辨率
  • 1篇半隐式
  • 1篇SPIN
  • 1篇AIRS
  • 1篇GRAPES...
  • 1篇大气温度

机构

  • 1篇中国气象科学...
  • 1篇中国海洋大学
  • 1篇中国气象局
  • 1篇北京城市气象...

作者

  • 1篇陈德辉
  • 1篇张巍
  • 1篇董超华
  • 1篇张鹏
  • 1篇郑永骏
  • 1篇韩雷
  • 1篇张文建
  • 1篇金之雁
  • 1篇刘辉

传媒

  • 3篇气象学报

年份

  • 1篇2019
  • 2篇2008
3 条 记 录,以下是 1-3
排序方式:
半隐式半拉格朗日动力框架的动能谱分析被引量:26
2008年
大量的观测事实表明自由大气动能谱与波数之间满足如下关系:在大尺度区域满足E∝k-3关系,过渡到中尺度区域表现为E∝k-5/3关系。数值模式动能谱是测量模式动力框架的耗散的直接度量,而耗散对模式的性能有着重要影响,因此动能谱是研究和评估模式动力框架的非常规的有效方法。文中使用基于半隐式半拉格朗日动力框架的全球/区域一体化模式GRAPES进行数值模拟试验,然后计算GRAPES模式的动能谱并与实际观测得到的大气动能谱比较,得到GRAPES模式能够很好地复制出实际大气动能谱的分布特征,包括从大尺度区域的E∝k-3关系向中尺度的E∝k-5/3关系的过渡特征。并且发现GRAPES模式存在最大有效时间步长,当时间步长小于最大有效时间步长时,模式动能谱随时间步长增大而逐渐衰减;当时间步长大于最大有效时间步长时,模式动能谱随时间步长增大而虚假增长。同时通过与实际大气动能谱比较,发现模式动能谱在5Δx波长附近开始明显衰减,因此将5Δx波长定义为GRAPES模式的最高有效分辨尺度;当空间分辨率提高与时间步长等相协调时,中小尺度模式动能谱向中小尺度延伸而更接近实际大气动能谱;当空间分辨率提高与时间步长等不相协调时,中小尺度模式动能谱存在较大误差,相应的大尺度模式动能谱亦存在较大误差。此外,时间步长对模式spinup过程有着重要的影响,较小时间步长时,spinup过程能够很好发展出合理的动能谱结构,在物理空间上表现为模式能够在spinup时间内生成和发展出合理的中小尺度系统;而较大时间步长时,spinup过程很难发展出合理的动能谱结构,在物理空间上表现为模式未能在spinup时间内生成和发展出合理的中小尺度系统。最后,GRAPES模式动能谱与WRF模式动能谱具有一致性,GRAPES全球中期模式能够完美地模拟出大尺度的E∝k-3动能谱特征。综�
郑永骏金之雁陈德辉
关键词:GRAPES模式SPIN
AIRS晴空大气温度廓线反演试验被引量:21
2008年
2002年5月发射的Aqua是美国地球观测系统中的第2颗卫星EOS-2(Earth Observing System),它携带的大气红外探测仪AIRS(Atmospheric Infrared Sounder)是目前国际上最先进的超高光谱分辨率红外大气垂直探测仪。1200的光谱分辨率和全球覆盖能力使其可以观测全球大气状态及其变化。对其超高光谱分辨率资料的处理和应用的研究既有科学意义,又有实用价值。利用AIRS实际观测资料反演大气温度,本文使用的是便于处理大数据量的统计反演方法中的特征向量法,计算回归系数使用的是AIRS观测辐射值和T213数值预报分析场。本文从通道个数、地形及地表发射率影响、增加预报因子、国外同类产品比较等4个方面进行了大气温度反演试验研究。研究结果表明:(1)在利用超高光谱分辨率仪器进行反演时,合理选择通道是非常必要的;(2)AIRS反演的大气温度在对流层顶和中上层具有较高的精度,在对流层低层,尤其是近地面反演精度不够理想;(3)增加地表温度,地表发射率和地形3个预报因子,可以提高近地面的反演精度;(4)文中反演的大气温度精度与国外同类产品精度基本一致。
刘辉董超华张文建张鹏
关键词:AIRS反演大气温度
基于深度学习的强对流高分辨率临近预报试验被引量:42
2019年
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。
郭瀚阳陈明轩韩雷张巍秦睿宋林烨
关键词:雷达回波
共1页<1>
聚类工具0