利用VB6．0编程控制surfer8．0实现气象数据快速可视化

1引言 气象工作中,经常要对大量的要素数据进行系统分析,在诸多的分析方法中,绘制等值线是最直观、最有效的手段之一。现阶段对于大量气象数据的等值线分析,虽说已有Micaps专业气象资料分析软件,但需要对数据进行格式化处理和许多二次开发二作,程序灵活性和延展性有限。     

基于全连接神经网络方法的日最高气温预报

为了考察辅助变量、时间滞后变量设置的重要性和神经网络中嵌入层对分类变量处理的有效性,利用2015年1月15日—2020年12月31日欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率模式（high resolution,HRES）输出产品及中国2238个国家级地面气象站基本气象要素数据集,在全连接神经网络基础上设计4个试验,构建24 h最高气温预报神经网络模型。结果表明:加入辅助变量、时间滞后变量的特征和带有嵌入层的全连接神经网络结构的深度学习神经网络模型对HRES日最高气温预报误差均有订正效果,均方根误差降低29.72%~47.82%,温度预报准确率提高16.67%~38.89%。加入经过嵌入层处理的辅助变量后,可显著提高青藏高原中南部和西南地区东部的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高21.74%和14.17%）,在此基础上加入时间滞后变量显著提高上述两个地区的平均绝对偏差不超过2℃的正技巧站点比例（比仅用HRES预报因子建模分别提高40.98%和20.33%）,且预报性能更加稳定。     

一次东北冷涡不同阶段强对流天气特征对比分析

利用NCAR/NCEP再分析（1?×1?）资料、区域自动站观测、FY-2D/2E卫星观测和GPS/MET水汽监测等资料,对2012年6月7-18日长春地区发生在同一东北冷涡系统不同演变阶段的3次强对流天气进行对比诊断分析。结果表明：在冷涡形成期,高低空急流耦合产生的次级环流上升支,触发锋前不稳定能量释放,导致中β尺度孤立深厚湿对流系统出现;在冷涡发展期,对流层高层干冷空气向对流层中下层侵入,形成高空露点锋,触发有组织的中α尺度对流系统;在冷涡消亡期,低涡减弱为高空槽并快速东移,其后部冷空气置于低层大范围暖湿空气之上,地面中尺度辐合触发不稳定能量释放,形成中β尺度对流系统。