数据同化组成部分对初始条件和误差增长的影响

若不考虑特定的数据同化方法,数据同化通常可被分解为先验信息、观测算子、观测误差协方差和背景误差协方差等组成部分.本文基于经典的Lorenz模式,研究了数据同化各组成部分对初始条件误差和预报误差的影响,以期为设计不同尺度天气系统的数据同化方法提供理论基础.研究结果表明,预报误差经历三个典型阶段:0～5天为预报误差的缓慢增长期; 5～15天为预报误差的快速增长期,其中确定性预报和集合预报的误差增长速率具有显著差异; 15天后为预报误差的饱和期.数据同化可通过提供更加准确的初始条件,进而提升可预报性.相比于静态背景误差协方差(B),流依赖的背景误差协方差(P^f)可提供更精确的初始条件,因此当瞬时观测或频繁的时间平均观测被同化时,循环同化效果优于离线同化;但当时间平均观测频率低时则结果相反,这是因为循环同化在模式缺乏预报技巧时无法构造具有信息的先验估计,且流依赖的P^f相比于静态的B不能有效地从含信息量低的观测中提取出观测信息.瞬时观测相比于时间平均观测包含更多的信息,因此在时间频率低的观测系统中,瞬时观测应优先被考虑.此外,集合预报优于确定性预报,且...     

一种基于图卷积的车载视频对象语义分割方法

针对图像语义分割网络(SegNet)在对车载视频分割过程中，因局部特征的丢失造成语义分割精度不高的问题，该文提出一种具有权重系数和图卷积网络的视频分割深度卷积网络(WG-ViSeg)。该网络对SegNet进行改进，在高级特征提取过程中加入图卷积结构，通过扩大节点的感受野减少局部特征的丢失。该网络又利用SE注意力机制改变特征图谱的权重系数进一步提高网络编码能力。对Camvid数据增强验证后结果表明，在满足车载视频对象的快速响应范围内，WG-ViSeg能够很地改善分割过程中出现的碎片化状况，较好地分割出相邻目标对象，对车载视频的整体分割精度达到89.7%,较现有的最优网络提升了5%,尤其对自动驾驶较为重要的车辆、行人等类别的语义分割精度提升了17%。