青岛近海海雾的FUZZY数学预报方法

本文用FUZZY数学方法把海雾的形成过程作为一个模糊系统,通过对历史资料的分析,用模糊识别的方法对海雾的形成及强度进行了预报,并进行了回报验证,效果理想。     

2018年6月青岛近岸一次海雾导致能见度变化的成因分析

2018年6 月5~9日青岛近海发生一次海雾天气过程,为6月9日2018上海合作组织青岛峰会开幕式演出的天气预报服务,特别是能见度精细化预报带来了很大的预报难点。本文分析了此次海雾天气的生消过程,并重点讨论了6月9日能见度变化的主要原因。4~7日边界层内接近接地的强逆温层的建立,有利于海雾的形成与维持。由于白天时段日射增温导致能见度好转,海雾出现日变化。自7日夜间开始地面气压场梯度明显减弱,南风减弱转为偏东风,暖湿气流供应减弱不利于海雾天气的维持。8日之后,边界层内上升运动逐渐增强且混合层高度明显增加,中低层干冷空气的侵入,导致边界层内逆温结构被破坏、近地面湿层消失,使此次海雾过程趋于消散。9日傍晚的能见度条件基本达到演出要求。9日夜间受焰火燃放污染物影响,能见度短时波动。各种海雾客观预报方法预报准确率达到66%左右,主观预报订正准确性高于客观预报。     

基于机器学习的青岛市区近岸海雾集成预报方法

利用2014-2017年青岛小麦岛海洋站观测资料,采用机器学习方法建立了青岛市区近岸海雾集成预报模型,通过主成分分析方法对预报因子进行了优选.结果表明:采用能见度、风向、风速、气压、露点、气温、海温、气温露点差、气海温差、相对湿度、云量、气温24h变温12个预报因子建立的海雾集成预报模型,对2018年海雾预报的TS评分...     

台湾海峡及近岸区域精细化海浪数值预报系统

基于第三代海浪模式,采用四重嵌套网格,建立了WaveWatchⅢ和SWAN嵌套(方案一)和SWAN自嵌套(方案二)两套台湾海峡及其近岸区域海浪预报系统.通过对一次台风过程3天和7天的海浪预报实验,对两套预报系统作了检验.结果表明,方案一的3天和7天的预报误差分别为14.78％和19.53％,方案二的分别为10.38％和15.85％.两套系统的预报精度均能达到海浪精细化业务化预报要求.     

非静力中β尺度模式对渤海地区水平能见度的模拟

运用各方面的观测资料,和非流体静力学中尺度模式第5版本对2002年12月2日发生在环渤海地区的一次低能见度天气事件进行了分析研究.利用MM5模式对本次事件进行了模拟,并计算了大气的水平能见度分布.模拟结果显示当能见度低于某一低值即1km,同时大面积爆发时,模拟结果与实况比较吻合;当能见度处于轻雾并零星分布状态时,模式还不能非常灵敏地将其有效模拟出来.     

黄海近岸海雾的初始场择优集合预报试验:个例研究

选取2014年4月发生的一次黄海近岸海雾个例,利用WRF(Weather Research and Forecasting)模式开展了集合预报试验研究。依据每个集合成员初始场中海平面气压、2 m温度、2 m水汽混合比与2 m相对湿度(relative humidity, RH)4个变量的均方根误差(root mean square error, RMSE)与RMSE集合平均值的相对大小,以剔除高于者而保留低于者的原则,设计了4种不同的初始场集合体择优方案,实施了一系列数值预报试验,比较了不同择优方案的集合预报效果。研究结果表明:(1)蒙特卡罗方法所生成的集合体中存在不少海雾预报效果较差的成员,这会降低集合预报效果,因此初始场择优十分必要;(2)以RH作为择优变量的择优方案(记为RH-RMSE方案),集合预报效果明显优于其他3种方案;(3)对比不择优集合预报,采用RH-RMSE方案的择优集合预报效果不仅节省了50%左右的计算时间,并且公正预兆评分(equitable threat score,ETS)改进率高达36%左右。本研究提出的RH-RMSE方案具有业务化应用前景。     

青岛地区的海雾预报

本文分析了近海表层水温与青岛气温差，分析了青岛的湿度、风场、及影响青岛的暖湿平流、青岛上空的逆温层，建立了预报青岛地区的海雾的预报方法。     

数值模拟和卫星反演大气能见度对比分析

对2004年4月11日、2005年3月9日和2005年3月27日发生在黄渤海海域3个典型海雾个例数值模拟得到的大气能见度与可见光卫星云图的反照率进行对比分析,利用不同时刻大气能见度与反照率的对应关系进行线性数学拟合,得到新的适合白昼的大气能见度反演公式。利用该公式反演了几次显著海雾过程的大气能见度分布,发现海雾预报系统对大气能见度<200 m的海上浓雾的面积预报准确率约90%左右。对发生在2009年3月1日到2010年5月21日期间的46次较强海雾进行了初步统计,从判别海雾有无的角度来看该海雾预报系统对海雾的预报准确率为91.3%。     

北部湾海雾气候特征分析及预报

统计分析北部湾海雾的气候特征及其形成的天气形势背景,分析对海雾形成有重要影响的因素,建立回归预报方程,确定预报临界值。根据预报临界值和相似原理,在相应历史样本库中找相似个例,根据相似个例和北部湾出现海雾的概率制作海雾预报。     

盐田水体遥感分类方法研究

以连云港台北盐场为研究区，介绍了监督分类法和神经网络分类法及其在盐田水体遥感分类中的具体应用。研究结果表明，用神经网络分类法进行遥感影像自动分类，其分类精度高，显示了其在遥感领域较为广阔的应用前景。     

Wavelet and artificial neural network analyses of tide forecasting and supplement of tides around Taiwan and South China Sea

In multi-resolution analysis (MRA) by wavelet function Daubechies (db), we decompose the signal in two parts, the low and high-frequency contents. We remove the high-frequency content and reconstruct a new “de-noise” signal by using inverse wavelet transform. The calculation of tidal constituent phase-lags was made to determine the input and output data patterns used in building network structure of Artificial Neuron-Network (ANN) model. The “de-noise” signal was, then, used as the input data to improve the forecasting accuracy of the ANN model. The wavelet spectrum, conventional energy spectrum (fast Fourier transform, FFT), and harmonic analysis were used to analyze the characteristics of tidal data.Using only a very short-period data as a training data set in Artificial Neuron-Network Back-Propagate (ANN-BP) model, the developed ANN+Wavelet model can accurately predict or supply the missing tide data for a long period (1–5 years). The results also show that the concept of tidal constituent phase-lags can improve ANN model of tidal forecasting and data supplement. The addition of the wavelet analysis to ANN method can prominently improve the prediction quality.     

Sea Level Prediction in the Yellow Sea From Satellite Altimetry With a Combined Least Squares-Neural Network Approach

Accessible high-quality observation datasets and proper modeling process are critically required to accurately predict sea level rise in coastal areas. This study focuses on developing and validating a combined least squares-neural network approach applicable to the short-term prediction of sea level variations in the Yellow Sea, where the periodic terms and linear trend of sea level change are fitted and extrapolated using the least squares model, while the prediction of the residual terms is performed by several different types of artificial neural networks. The input and output data used are the sea level anomalies (SLA) time series in the Yellow Sea from 1993 to 2016 derived from ERS-1/2, Topex/Poseidon, Jason-1/2, and Envisat satellite altimetry missions. Tests of different neural network architectures and learning algorithms are performed to assess their applicability for predicting the residuals of SLA time series. Different neural networks satisfactorily provide reliable results and the root mean square errors of the predictions from the proposed combined approach are less than 2?cm and correlation coefficients between the observed and predicted SLA are up to 0.87. Results prove the reliability of the combined least squares-neural network approach on the short-term prediction of sea level variability close to the coast.     

三维海洋溢油预测模型的建立(英文)

提出一个海洋溢油三维物理归宿和输运的动力学综合模型。该模型包含了一系列的数学公式来描述对流、湍扩散、表面扩展、铅直扩散、乳化和蒸发过程。每一公式的建立是独立的并且与相关过程、环境和其它参数相联系。该模型需要输入流场作为输运的媒介 ,这可从感兴趣区域的三维潮和风驱动的流体动力学模型获得。模型用来预测和后报溢油在海洋环境中的归宿和输移 ,可为溢油应急反应和环境影响评价服务。     

海底沉积物声学特征定量分析及其智能分类研究

海底底质特性描述及分类是当今浅海声学的研究热点,海底沉积物的物理结构特性与其声学响应特征密切相关。在分析海底沉积物声传播特性的基础上,应用现代计算机信号分析技术手段,对海底沉积物声学响应波形提取了4个特征参数:声速、波幅指数、波形关联维分形指数和声波频谱的频率矩。以这4个特征参数作为输入向量,海底沉积物的结构类型作为输出向量,建立径向基概率神经网络模型。研究表明建立的神经网络模型具有较强的海底沉积物分类预报能力。     

A Dynamical Statistical Model for Prediction of a Tropical Cyclone

A dynamical statistical method is applied for operational forecasting of the Bay of Bengal tropical cyclone “Nargis” of April–May 2008. The method consists of three forecast components, namely (a) analysis of Genesis Potential Parameter (GPP) and maximum potential intensity, (b) track prediction, and (c) 12 hourly intensity prediction for forecasts up to 72 hours. The results of the study showed that GPP could provide necessary predictive signal at early stages of development on the further intensification of the low pressure system into a tropical cyclone. The landfall forecast position errors by different operational numerical models (NWP) showed landfall position errors ranging from 10 km to 150 km and landfall time error ranges from 6 hours early to 6 hours delay. The dynamical statistical model is capable to provide 12 hourly nearly realistic intensity forecasts up to 60 hours of forecast.