Retrieving atmospheric temperature profiles from AMSU-A data with neural networks

Back propagation neural networks are used to retrieve atmospheric temperature profiles from NOAA-16 Advanced Microwave Sounding Unit-A (AMSU-A) measurements over East Asia. The collocated radiosonde observation and AMSU-A data over land in 2002-2003 are used to train the network, and the data over land in 2004 are used to test the network. A comparison with the multi-linear regression method shows that the neural network retrieval method can significantly improve the results in all weather conditions. When an offset of 0.5 K or a noise level of ±0.2 K is added to all channels simultaneously, the increase in the overall root mean square (RMS) error is less than 0.1 K. Furthermore, an experiment is conducted to investigate the effects of the window channels on the retrieval. The results indicate that the brightness temperatures of window channels can provide significantly useful information on the temperature retrieval near the surface. Additionally, the RMS errors of the profiles retrieved with the trained neural network are compared with the errors from the International Advanced TOVS (ATOVS) Processing Package (IAPP). It is shown that the network-based algorithm can provide much better results in the experiment region and comparable results in other regions. It is also noted that the network can yield remarkably better results than IAPP at the low levels and at about the 250-hPa level in summer skies over ocean. Finally, the network-based retrieval algorithm developed herein is applied in retrieving the temperature anomalies of Typhoon Rananim from AMSU-A data.     

Statistical prediction of heavy rain in South Korea

1. Introduction In recent decades, extreme weather events seem to be growing in frequency and risk due to water-related disasters. According to the World Meteorological Or- ganization report (ISDR and WMO, 2004) on World Water Day, 22 March 2004, the economic losses caused by water-related disasters, including floods, droughts and tropical cyclones, are on an increasing trend as follows: the yearly mean in the 1970s was about 131 billion US dollars, 204 billion dollars in the 1980s, and …     

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

Exopolysaccharide production by four cyanobacterial isolates and preliminary identification of these isolates

Four marine cyanobacterial isolates, named 104, 109, 113 and 115, from marine water off China＇s coast can release a large amount of exopolysaccharide （EPS） to medium. The effects of different components in medium on EPS production by the four isolates were investigated. Under the optimal condition, the EPS released by isolates 104,109, 113 and 115 reached 7.48 g L^-1, 8.33 g L^-1, 18.26 g L^-1, and 6.78 g L^-1 within 14 d,respectively. Based on the conventional identification methods for cyanobacteria,these isolates were assigned to genus Cyanothece.     

人工鱼礁工程的风险评估

对台风暴潮影响下的嵊泗海域人工鱼礁工程做了风险评估,考虑了台风暴潮中出现的大浪和风暴潮减水对鱼礁联合作用的危害。风险评估分为危险灾害识别、失效概率计算、失效后果评估、风险准则评定和风险管理决策几个主要的步骤。在失效概率的计算中采用基于应用设计点的重点抽样法随机模拟的技术,这一随机模拟技术可以广泛的应用与海洋工程结构的风险评估当中。     

一种基于灰色神经网络的卫星钟差预报策略

针对钟差预报中灰色神经网络模型种类较多、性质和适用范围尚未具体分析的问题,根据其预报特点,该文提出了一种基于灰色神经网络的自适应钟差预报策略。基于MGEX精密钟差数据进行预报实验,采用不同建模钟差数据量进行相同时间段钟差预报,对3种不同的灰色神经网络模型钟差预报效果进行对比,总结了几种预报模型的性质与适用范围。该文提出的自适应预报策略较好地平衡了几种灰色神经网络模型的特点,提升了钟差预报效果。基于该文策略的实验结果表明:所提策略能够有效利用不同灰色神经网络模型特点,提高钟差预报精度。在1d预报中,该策略较本文提及的其他可靠方法精度提升1%~3%;6h预报中,该策略较较灰色模型等精度提高0.02~0.09ns。     

三种非线性回归逐时气温预报比较订正

选取ECMWF和T639的2013年1月至2014年12月的数值预报场构造预报因子,基于神经网络、支持向量机和构造函数的非线性方法,预报地面逐时气温。试验结果显示,在单个方法预报误差较大时,3种方法的偏差订正集成方法更利于减小误差,通过偏差订正,3种非线性方法预报效果良好,平均绝对误差减小了0.5 ℃。在近1年独立样本的预报检验中,集成方法、神经网络、支持向量机和构造函数预报的平均绝对误差分别为1.5 ℃、1.7 ℃、1．8 ℃和1．4 ℃,总体上构造函数预报更为准确。     

人工神经网络在天津市区地面沉降预测中的应用

在分析天津市区地面沉降特点的基础上，结合人工神经网络原理，选择1961-1980年的天津市区降水量、地下水开采量、前年沉降量、固结度作为训练样本的输入量，以这20年的地面沉降量作为输出量，用贝叶斯正则化算法训练BP网络，得到沉降的仿真模型。并把1981-1993年的资料用来进行预测检验，结果表明这是一种比较理想的地面沉降预测方法。最后在不同的降水量保证率下，预测了到2010年天津市区地面沉降的情况。     

湖北省保康磷矿区开采面及固体废弃物遥感信息提取方法研究

统计分析了湖北保康磷矿区有关目标地物(道路、建筑物、坡耕地、植被、水体及阴影等)的SPOT 5影像特征,认为它们具有一定相似性和差异性,依赖单一的遥感分类方法难以实现对矿区开采面及固体废弃物信息的准确提取.采用决策树分类方法,设置一定的分类规则,结合数字高程模型和含矿地层等相关辅助数据,逐一对矿区相关地物进行分类,经分类结果后处理,分类精度达83.4%.     

基于卷积神经网的CCTV视频中排水管道缺陷的智能检测

作为地下空间信息测绘工作的一个重要部分,基于排水管道内部测绘信息的管道缺陷检测越来越受到人们的重视。CCTV技术是一种广泛使用的排水管道内部测绘与缺陷检测技术。近些年基于卷积神经网的人工智能技术在图像识别中取得了巨大成功,受此启发,提出了一种基于卷积神经网络的排水管道缺陷的检测方法,以提高CCTV视频中的管道缺陷检测的自动化和智能化。试验证明了该方法的有效性,其在缺陷识别的准确率和召回率及识别速度上均满足了排水管道缺陷智能检测的需要;同时该方法也已经在深圳市的排水管道检测中得到广泛的应用。