排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
利用1979—2016年ERA-Interim有效波高(SWH)和海表风场数据,分析了南海-北印度洋极端海浪场分布和变化.结果表明:南海-北印度洋极端SWH分布和极端风速分布形态以及年际变化趋势高度一致,说明了涌浪为主的北印度洋和风浪为主的南海一样,极端SWH都由局地的极端风速控制;强极端SWH主要分布在阿拉伯海以及南海北部,阿拉伯海北部增长与该区域气旋强度增强有着密切关系,而南海的极端SWH主要受东北季风控制;东非沿岸极端SWH线性增长趋势则与索马里急流的年代际尺度上有逐渐增强的线性趋势有关.北印度洋及南海海域极端SWH距平场的EOF分析结果表明,南海极端SWH与北印度洋表现出反相变化的特征.北印度洋(南海海域)极端SWH多出现在西南季风(东北季风)期间,因为在西南季风(东北季风)期间,极端风速也相对增强. 相似文献
2.
文章通过BP神经网络模型,利用西沙站的实测潮位推算三亚站潮位,研究用一地点的潮位资料去推算另一地点(异地)潮位的方法。文章比较了不同隐含层节点数和输入因子对潮位推算结果的影响,采用预测时间(t)之前N个小时(t–N+1,…,t–1,t)西沙站的实测潮位数据作为输入因子,输入因子数目在2~10之间,隐含层分别采用节点数3、4、5、10和15建模,分多种情况进行推算。结果显示,对文中使用的特定情形,隐含层为4个节点的效果最好,隐含层为15个节点的效果最差;输入层为2个节点的效果最好,输入因子增多会使得推算效果变差。隐含层为4个节点、输入因子为t–1、t时刻潮位的仿真验证的结果最好,推算值和实测值之间的相关系数为0.9901,均方根误差为0.06m,误差在–0.16~0.15m之间。结果表明,如果两个地点的潮位具有物理上的关联,通过BP神经网络模型,用一地点的实测潮位推算另一地点潮位的方法是可行的。 相似文献
3.
Charith Madusanka WIDANAGE 王东晓 周峰华 Tilak P. D. GAMAGE WANG Shengan WICKRAMAGE C. H. GEEGANA GAMAGE G. R. G. 黎大宁 《南京气象学院学报》2018,10(3):324-333
以斯里兰卡南部5.936 108°N、80.574 900°E处的自动气象站(AWS)的气象时间序列观测数据为依据,对2015年12月至2016年10月大气边界层的变化进行了定量分析.结果表明,印度洋北部的季风、气温、气压、相对湿度、降水和向下短波辐射的扰动随着季风的逆转而变化.2016年5月台风Roanu经过时,气压降低、相对湿度增大、降水增强和向下短波辐射减小,其特征是温度、相对湿度、降水和风速均迅速增加,之后气温和降水下降,而气压、向下短波辐射在急剧减小之后又急剧增大.自动气象站记录了台风到达前的气象条件,并自2016年5月13日起各个参数开始响应台风变化.从2016年5月28日开始,自动气象站记录台风通过后的气象条件,此时降水和向下辐射均减少.这些信号说明应用自动气象站可以持续观测台风条件.这项研究表明,斯里兰卡南部地区的气象数据可以用来进行天气评估,并可以对南部沿海地区的海气关系现象进行分析.此外,自动气象站的现场数据可以用作模型验证和参数化. 相似文献
4.
东印度洋天气和风暴潮实时预报系统(EPMEF_EIO)由区域大气模式和区域风暴潮模型组成,每天实时运行4次.大气初边场来自美国国家环境预报中心(NCEP)的全球预测系统(GFS),通过区域嵌套得到印度洋-东印度洋-斯里兰卡区域的3 d预报结果.大气模式的10 m预报风场驱动风暴潮模式,得到东印度洋-斯里兰卡区域的潮汐和风暴潮3 d预报结果.通过与中国科学院南海海洋研究所斯里兰卡站气象塔观测数据、最优台风路径数据和科伦坡水位站数据对比,发现模式预报气温和相对湿度的日变化较观测值偏小,气温总体RMSE为1.26℃,相关系数为0.8,相对湿度的总体RMSE为7.0%,相关系数为0.7;模式预报风速以整体偏大为主,总体RMSE为2.3 m/s,相关系数为0.65;模式预报风向能把握主要的变化趋势,RMSE在20°~32°之间,相关系数约0.65;模式24、48和72 h路径预报平均误差分别为110.5、166.4和181.0 km.此外,模式水位预报的RMSE为0.035 m,占最大振幅约5%,与观测的相关系数达到0.996.这说明了模式可以用于预报潮汐和风暴潮过程. 相似文献
1