排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
针对中国南部地区地势西高东低、沿海与内陆存在差异等情况,分析中国南部地区Tm与地面温度、测站高度、季节变化以及纬度的关系,利用中国南部地区19个探空站2015~2017年的探空数据,在Bevis公式的基础上建立只考虑地面温度的线性模型(Tm-SC1模型)和与地面温度、高程、季节变化以及纬度有关的新Tm模型(Tm-SC2模型)。以2018年的探空数据为参考值,对Tm-SC1模型和Tm-SC2模型进行精度验证,并与广泛使用的Bevis公式和GPT3模型进行精度比较。结果表明,Tm-SC1模型的年均偏差和均方根误差(RMS)分别为0.76 K和2.57 K,相比Bevis模型和GPT3模型,其精度(RMS值)分别提高13.8%和2.2%;Tm-SC2模型的年均偏差和均方根误差(RMS)分别为-0.10 K和1.64 K,相比Bevis模型和GPT3模型其精度(RMS值)分别提高44.9%和37.6%。Tm-SC2模型用于GNSS水汽计算导致的理论RMS误差和相对误差分别为0.16 mm和0.43%。因此,Tm-SC2模型更适用于中国南部地区的GNSS水汽探测以及气象研究。 相似文献
2.
针对现有Tm模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题,该文以中国西北地区2015—2017年的24个探空站的探空数据作为实验数据,在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(Tm)模型:将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子,将数值积分法所计算得到的Tm作为学习目标,利用神经网络模型进行迭代训练得到中国西北地区的Tm。以2018年探空站Tm数据为参考值,对PSO-BP模型精度进行验证,并与Bevis模型、GPT3模型和中国西部地区Tm模型进行比较。结果表明,PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区Tm模型年均RMSE分别降低了1.36 K(33.4%)、1.81 K(39.5%)和1.78 K(39.1%),年均bias分别下降了0.70 K(87.7%)... 相似文献
1