排序方式: 共有38条查询结果,搜索用时 640 毫秒
1.
2.
庞达 《测绘与空间地理信息》2018,(3):171-174,177
针对沉降监测中用时间序列分析数据样本较少、处理精度不高的问题,本文引入厄米特插值,提出用厄米特插值法对数据进行插值,增加数据样本,然后用时间序列对数据进行建模分析。为了验证用厄米特插值后的数据建模精度,将上述理论运用到工程实例中,用时间序列分析分别对厄米特插值处理后的数据和原始数据进行建模分析,得到用厄米特插值处理后的数据进行时间序列分析建模的平均绝对误差比原始数据建模的平均绝对误差高0.083 8 mm。说明厄米特插值和时间序列组合模型精度比较高。 相似文献
3.
4.
介绍了临近预报系统“雨燕”中的风暴系列算法, 包括风暴识别、 风暴追踪、 基于TREC技术的风暴位置预报, 以及预报位置实时评分算法等。利用2008年北京奥运期间出现的多个强对流天气, 统计出该风暴产品在30 min和60 min预报时效的绝对距离误差分别约为13 km和23 km。分析了北京奥运天气预报示范项目期间该风暴产品误差较大的原因, 主要集中于TREC技术本身及其适用范围, 以及风暴预报方案中处理细节的不足, 具体为TREC技术不适用于孤立的回波单体, 雷达探测边界对TREC技术的影响, TREC矢量有时呈现出一定的空间不连续性, 以及对孤立少动单体的不当处理等。针对上述原因, 提出了一系列的改进方案, 包括对用于风暴位置预报的TREC矢量增加一致性检验, 利用风暴的历史轨迹校正不恰当的TREC矢量; 对TREC技术中象素阵列大小进行统计分析, 选择最适合北京地区的阵列大小; 风暴预报位置超出回波范围时新的处理技巧等。利用北京奥运期间的强对流资料, 对改进后的风暴算法进行评估。结果表明, 一方面, 改进后的算法能较好地控制风暴预报位置的绝对误差, 在30 min和60 min预报时效, 绝对误差分别减小了25%和26%。另一方面, 由于预报位置精度的提高, 能够提升相邻时刻风暴匹配的效率, 使得与以前算法相比有更多的风暴样本参与了各个预报时效的评分。 相似文献
5.
临近预报系统(SWIFT)中风暴产品的设计及应用 总被引:4,自引:1,他引:3
介绍了临近预报系统"SWIFT"(Severe Weather Integrated Forecasting Tools)中的风暴产品的设计,包括风暴识别、风暴追踪和风暴预报。在识别风暴时,采用了多反射率因子阈值、特征核抽取和相近单体处理技术,并保留远距离上的强的2D风暴,该方法在面对成串或成簇多单体时,能够分离多个单体核,并准确定位。在风暴追踪和预报算法中,对当前时刻识别出来的风暴,利用匹配方案,将其与前1时刻的风暴建立对应关系,追寻历史轨迹,匹配方案是在空间位置相关的前提下,按照相似原则进行;风暴预报采用TREC(Tracking Radar Echoes by Correlation)技术获取的移动矢量场进行外推,提供未来1小时内的风暴移动位置。在北京奥运会天气预报示范项目(Forecast Demonstration Project,简称FDP)第二次测试期间,该风暴产品得到应用。分析表明:在预报时效为30分钟时,风暴产品在X轴和Y轴上的平均绝对误差为7.1和6.2 km,样本数为3891个;随着预报时效的增加,风暴产品的平均绝对误差增大,且在经向上的误差略大于纬向上;在径向上,风暴产品的预报出现了系统性的偏慢,而在纬向上,预报出现了系统性的偏快。 相似文献
6.
利用求预报场与实况场绝对误差和相关系数,对ECMWF资料进行预报精度检验,结果表明 500 hPa高度,850 hPa温度和相对湿度,海平面气压等4个物理量场预报较好; 850 hPa相对湿度预报比700 hPa的误差小;东西风预报比南北风预报好;绝对误差值随预报时效延长而增大,相关系数则随预报时效延长而减小. 相似文献
7.
8.
为了鉴定陆地卫星5号系统纠正TM图像产品的精度,我们以1:5万地形图为基准,对四景TM图像作了精度分析。结果表明,系统纠正后的TM图像产品,内部几何精度相当好,有较小的旋转、比例误差。采用一阶多项式即可建立TM图像和地形图之间的几何关系,其误差为1个像元左右。TM图像的大地绝对误差,可通过将整个TM图像沿x,y方向平移的方法来加以校正。 相似文献
9.
用卫星OLR资料估算中国大陆月降水量 总被引:1,自引:1,他引:1
利用国家卫星气象中心处理的NOAA下午轨道卫星的OLR资料,用Xie等在1998年的文章中提出的月降水量计算模式,计算了1991-2008年地理范围在10°~60°N、75°~150°E、分辨率为0.5°×0.5°的中国大陆月降水量,得出:用OLR月距平资料可以计算出月降水量,模式估算出的降水量通过与NCEP提供的18年月降水量陆地观测数据对比,精度为:冬季相对误差49.14%、绝对误差7.97 mm;春季相对误差37.60%、绝对误差14.97 mm;夏季相对误差27.37%、绝对误差31.61mm;秋季相对误差37.99%、绝对误差16.95 mm,可见精度效果并不是太好,造成误差的主要原因是降水机制不一,层状云降水特别是逆温层状云和连续阴天不下雨,以及月平均OLR不能完整地反映月内降水云和降水量是造成用OLR月距平估算月降水量的主要误差来源.通过对FY-2C卫星云分类产品的图像分析,得出中国南方冬季主要是层状云降水,OLR月距平值较高,用全球的A、B系数估算出的降水量偏低于实况,因此对中国大陆进行分区、分季节统计A、B系数,是解决OLR月距平估算月降水量精度问题的途径. 相似文献
10.
为解决气温观测记录缺测的问题,选择反距离权重插值(Inverse Distance Weighted,IDW)、普通克里金插值(Ordinary Kriging,OK)和多元线性回归(Multiple Linear Regression,MLR)三种方法,以湖北省2020年为例,对全省逐日平均气温(