排序方式: 共有23条查询结果,搜索用时 31 毫秒
11.
12.
13.
利用山东省70个台站1961-2005年地面气象观测资料,运用EOF等统计方法,对山东省45 a来霾日数时空变化的气候特征进行了诊断分析。结果表明:山东省年平均霾日空间分布呈现鲁中、鲁南的部分地区多,鲁北、半岛大部地区少的特点。霾主要发生在秋冬季。过去45 a,山东省霾日数总体具有较强的上升趋势,2000年后略下降;霾天气发生时能见度主要在5~10 km,相对湿度主要为70%~90%;霾日数的变化与气温成正比,与降水量、风速呈反比。 相似文献
14.
15.
2005年山东半岛特大暴风雪分析 总被引:2,自引:0,他引:2
利用常规资料及MM5模拟结果,对2005年12月3-22日山东半岛特大暴风雪过程进行分析,结果表明:此次过程发生在前期异常偏暖,而在强冷空气导致寒潮爆发的形势下,强海气温差、日本海后部横槽持续气旋性弯曲和强冷平流是大尺度环流背景,半岛北部一带850hPa气温下降到-12℃是出现大雪或暴雪的重要指标;中尺度分析的结果表明,冷流降雪的散度、垂直速度、涡度垂直结构不同于一般暴雨过程,其上升运动、高空辐散等局限在500hPa以下的对流层中低层,使冷流降雪由低云引起,为更深入了解冷流降雪的机制提供参考。 相似文献
16.
2005年9月18日山东突发区域性暴雨过程分析 总被引:7,自引:0,他引:7
利用常规资料及MM5模式模拟结果,对2005年9月18日山东突发区域性暴雨过程进行了分析。结果表明:近地面层浅薄冷空气的侵入、相当位温密集区附近对流稳定度θep的减小导致垂直涡度的显著增长及低层对流稳定条件下的倾斜上升运动可能是本次暴雨过程发生的机制。 相似文献
17.
The characteristics of the moving course of Typhoon Matsa (No.0509), associated heavy rain and physical quantities fields have been analyzed, with the focus on the reason of the typhoon’s abrupt northeastward turn in Anhui Province and heavy rain concentrating in the northeast of typhoon center instead of near it. Meaningful conclusions are as follows. The reasons for typhoon abrupt turning are that the subtropical high pressure was moving southward and divergence fields of 200 hPa were to the right of the typhoon center; there was no obvious cold air invading Shandong after the typhoon entered the westerly belt; the southeasterly jet of typhoon and shear brought heavy rainfall to the Shandong peninsula before the typhoon entered Shandong. But after the typhoon’s movement into Shandong, the typhoon’s inverted trough brought the rainfall to the northern and central Shandong. 相似文献
18.
利用2007年9—11月山东省气温、降水实况和500hPa月平均高度场、距平场资料,分析了山东省2007年秋季的天气气候特点、环流特征和主要天气过程,并对其产生的影响进行了评价。 相似文献
19.
影响广西热带气旋年频数的神经网络预测模型 总被引:2,自引:2,他引:2
利用人工神经网络方法,结合均生函数和逐步回归分析方法对影响广西的热带气旋年频数序列进行神经网络的预测模型研究,该模型既考虑了预报量自身显著周期变化,也考虑了海温场,高度场等因子对预报量的影响,给预报检验,考虑多种影响因子的预测模型比只考虑单一影响因素的预测模型效果好。 相似文献
20.
人工神经网络预报模型的过拟合研究 总被引:35,自引:0,他引:35
针对神经网络方法在预报建模中存在的“过拟合”(overfitting)现象和提高泛化性能 (generalizationcapability)问题 ,提出了采用主成分分析构造神经网络低维学习矩阵的预报建模方法。研究结果表明 ,这种新的神经网络预报建模方法 ,通过浓缩预报信息 ,降维去噪 ,使得神经网络的预报建模不需要进行适宜隐节点数的最优网络结构试验 ,没有“过拟合”现象 ,并且与传统的神经网络预报建模方法及逐步回归预报模型相比泛化能力有显著提高 相似文献