排序方式: 共有4条查询结果,搜索用时 109 毫秒
1
1.
近海岸大气能见度变化具有复杂的非线性和局地性特征,且近海岸气象观测站少,一直是精细化预报业务的难点。利用GRU(Gated Recurrent Unit)神经网络,采用广东省湛江市国家基本气象站及其周边上下游观测资料,构建了雷州半岛近海岸能见度1 h时效短临预报的多站GRU模型、单站GRU模型和逐步回归预报模型,并进行了检验评估。结果表明,相比传统的逐步回归方法,GRU神经网络能更好地识别上下游能见度的时空变化特征,多站GRU模型平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)评分均明显好于多元逐步回归模型。模型结构对能见度短临预报效果至关重要,将上下游的气象特征引入到能见度短临预报模型可显著提升预报效果。多站GRU模型在个例检验中较单站GRU模型的MAE、RMSE分别下降了36%和29%,R2提高了30%,表明多站GRU神经网络对能见度预报具有明显优势,为近海岸能见度的精细化短临预报提供了新思路。 相似文献
2.
3.
4.
利用2015—2018年高要区国家基本气象常规观测资料,选取11个与雾天气事件相关的气象要素,通过主成分分析降维得到新的公共因子后构建Logistics回归方程,并根据ROC曲线、约登指数选出作为判别雾天气事件的最优临界值。结果表明:气压、温度露点差、相对湿度、水汽压、绝对湿度、露点、10 min平均风速、能见度、总云量、低云量、日照与雾天气现象具有很好的相关性;从这11个气象要素中提取3个具有代表性的主成分因子分别为水汽因子、辐射因子和风速因子。建立的Logistic回归预报模型对有雾和无雾的判别效果较为理想,比判别大雾和轻雾效果好。 相似文献
1