排序方式: 共有54条查询结果,搜索用时 15 毫秒
31.
文章分析了陕西省2003年秋季连阴雨降水的特征和形成秋季连阴雨天气的天气学、热力学特点。结果表明:2003年陕西秋季连阴雨降水的主要特征是降水的落区和时间相对集中, 降水强度大, 日数多且持续时间长, 是1954年以来陕西又一次极端连阴雨事件。在大气环流由夏季型向冬季型转变过程中, 对流层高层西风急流南压至40°N时, 青藏高原东北侧包括陕西在内的西北地区东部, 位于急流南侧的高空辐散区, 该地区对流层低层却保持着高温高湿的热力特征, 对流上升运动活跃, 形成了低层辐合高层辐散的垂直环流机制, 这时对流层中部500 hPa欧亚环流形势相对稳定, 乌拉尔山的长波脊和中亚低槽维持, 偏强、偏北、偏西的副热带高压外围偏南气流为该区域输送了大量的水汽, 从而形成了陕西及西北地区东部持续的连阴雨天气; 当西风带中纬度新疆高压脊建立, 副热带高压东移南退时, 陕西及西北地区东部的连阴雨天气结束。 相似文献
32.
33.
34.
对陕西夏季的多雨时段和少雨时段做了初步划分 ,分析了大气低频振荡与陕西夏季 1 0~2 0 d天气趋势变化规律 ,指出 :大气低频振荡在河套地区形成低频气旋流场 ,或河套附近有低频振荡所形成的低频气旋环流移经河套地区并能够持续较长时间 ,则陕西未来 1 0~ 2 0 d为多雨时段 ,如果大气低频振荡在河套附近生成低频反气旋流场或河套附近有低频振荡形成的低频反气旋环流移经河套地区 ,并且能够持续较长时间 ,则陕西未来 1 0~ 2 0 d为少雨天气。 相似文献
35.
影响陕西汛期降水空间分布的强信号 总被引:5,自引:2,他引:3
为了寻找影响陕西省汛期降水空间分布的前期强信号,应用陕西省1959~2003年36个气象代表站汛期(6~9月)降水量标准化资料,进行经验正交EOF分解.根据特征向量分布,确定陕西汛期降水典型分布场为"全省一致"型、"南北振荡"型和由北向南的"两头多(少)、中间少(多)"型.通过分析关键区的海温异常和大气环流变化等因子与EOF分解前3个时间系数的相关性,得到了汛期降水预测的一些重要前期强信号,如西风漂流区海温,Nion 3区海温、北太平洋涛动、东亚冬季风等,对陕西汛期降水分布预测具有明显的预示作用. 相似文献
36.
陕西汛期降水年际增量预测新技术研究 总被引:4,自引:3,他引:1
应用年际增量预测方法,通过分析影响陕西汛期降水的物理机制,建立了具有较高预测效能的陕西汛期降水年际增量预测模型。研究表明,赤道太平洋中东部海温年际增量、500 hPa高度年际增量与陕西汛期降水具有很好的相关性。当前一年秋、冬季赤道太平洋中东部海温增量在南北方向上表现为“-+-”分布型时,陕西当年汛期降水偏多,反之,陕西当年汛期降水偏少。当前一年秋、冬季500 hPa高度年际增量在赤道附近呈带状正值分布时,陕西当年汛期降水偏多;呈带状负值分布时,陕西当年汛期降水偏少。国家气候中心提供的74项环流特征量、陕西省0 cm地温增量因子与陕西汛期降水也有很好的相关关系。在对预测因子物理意义分析的基础上,用逐步回归方法引入因子,建立陕西10个气候区域的汛期(6—8月)降水总量和各分月(6、7、8月)的降水年际增量预测模型(共40个),汛期降水总量预测模型交叉检验距平同号率达78.4%。对2010—2013年汛期降水总量和各分月降水量进行试报,其准确率PS评分分别达到75.8和66分。增量预测方法具有较强的预测能力,能够在一定程度上提高陕西汛期降水预测水平,可作为有效方法投入实际业务应用。 相似文献
37.
通过对山西省210余个年产量在90万吨以上的煤炭生产单位进行调查,确定西山煤电为重点调查对象。接受调查的人员主要为各单位总工、矿长、调度、技术人员、一线工人和财会人员,调查内容包括降水、雷电、高温、湿度、大风等对煤炭的影响。结果表明,2003年至2007年西山煤电的产量从2708.9万吨增加到3360万吨,产值由65亿增加到101亿,生产总值年年攀升,气象服务增加或节省的产值也在逐年增加。山西省煤炭行业对气象敏感度的综合评价为敏感,其中对气象雷电预警、降水灾害预警、连阴雨等尤其敏感。预警天气提前3h~6h通知即可做好防范。 相似文献
38.
月动力延伸预报产品在陕西月降水预测中的释用 总被引:5,自引:1,他引:4
应用1983-2005年国家动力气候模式产品,进行了月动力延伸预报产品解释应用预测试验。结果表明:月动力延伸预报产品解释应用对青藏高原东北侧的陕西地区月降水趋势有较好的预测能力,但夏、秋季PS评分较高,冬、春季PS评分较低,对大气环流季节突变月份预测的准确率具有不稳定性。 相似文献
39.
40.
传统机器学习中通常隐含假设所研究问题是类别平衡的, 气象预报中预测灾害天气时就不满足这个假设, 这时往往需要预测重要而稀少的正类 (少数类)。传统机器学习以精度最大化为目标, 在遇到不平衡类别问题时, 容易训练出把所有实例都分为反类 (多数类) 的平庸的分类器。支持向量数据描述是从支持向量机 (SVM) 发展而来的基于核的机器学习方法, 只使用一类样本就可以工作, 适合于不平衡类别。以铜川暴雨预测作为试验对象, 对SVM和支持向量数据描述 (SVDD) 进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。 相似文献