一、三级相关相似统计方法在短期气候预报中的应用（论文文献综述）
黄春艳[1]（2021）在《黄河流域的干旱驱动及评估预测研究》文中指出干旱是分布面积广大且造成经济损失比较严重的自然灾害之一。气候变化及人类活动的影响使得干旱越来越突出。我国频发的旱灾严重威胁着我国人民群众的生产生活安全。2019年9月18日习近平总书记在黄河流域生态保护和高质量发展座谈会上指出:“保障黄河长治久安、促进全流域高质量发展、改善人民群众生活、让黄河成为造福人民的幸福河”,并强调黄河流域生态保护和高质量发展是重大国家战略,充分体现了作为中华民族“母亲河”的黄河在生产生活与生态安全中的重要地位。气候变化与人类活动的影响加剧了黄河流域的干旱威胁,制约着黄河流域的社会经济的发展与生态保护,对黄河两岸人民群众的正常生活也造成了严重影响。因而迫切需要开展流域干旱评估,驱动和预测研究,以期为流域内科学防旱、有效抗旱和高效统筹协调黄河流域生态保护和高质量发展提供科学理论指导。本文以黄河流域为研究对象,从气象、水文与农业干旱入手,依据生态学、水文学与统计学的相关理论框架,借助相关统计指标、Mann Kendall检验、连续小波变换、Copula理论框架、经验模态分解与随机优化算法等工具,剖析黄河流域各个分区的气象、水文与农业干旱的多尺度时空演变规律,并借此评估流域干旱情势;探究流域陆地生态系统的干旱胁迫机制,分析不同分区生态系统受旱后的恢复时间;厘清流域不同类型干旱的驱动、形成与发展机制,研究气象干旱与水文干旱的动态响应机理;借助数值预测模型与未来气候模式,预测黄河流域干旱演变态势。主要研究内容和取得的成果如下:（1）揭示了黄河流域气象、水文与农业干旱的时空演变规律,探究了流域陆地生态系统的干旱胁迫机制,明确了不同区域生态系统受旱后的恢复时间。以气象干旱为例,流域整体上处于干旱化趋势,不同分区站点的干湿演变趋势存在明显差异;上游的多数站点趋向湿润化,尤以源区湿润化趋势最为显着;中下游地区多数站点趋向干旱化,渭河流域南部与部分汾河流域干旱化趋势显着;黄河流域干湿演变的整体趋势的空间分布呈现东—西反向分布的特点。流域植被净初级生产力（NPP）的演变趋势具有一定的时空差异性。随着时间的推移,上游NPP值逐渐增加,中游和下游区逐渐减少并趋于稳定;流域陆地生态系统受旱后的恢复时间存在差异性,上游、中游和下游的恢复时间分别为4个月、3.8个月和4.5个月。（2）探究了干旱驱动机制及气象干旱与水文干旱的动态响应关系界定气象干旱和水文干旱的概念,探讨干旱的发生、发展、高峰与衰退全过程,阐明气象干旱和水文干旱的驱动机制;分别采用滑动窗口 Copula熵方法和滞时灰色关联度方法深入探究气象干旱与水文干旱之间的动态非线性响应关系,厘清水文干旱对气象干旱的滞后时间。结果表明,上、中、下游水文干旱对上游气象干旱响应时间分别为2个月、8-9个月和11个月;中、下游水文干旱对中游气象干旱响应时间分别是1个月、9个月,下游水文干旱对下游气象干旱存在1个月的滞后时间。（3）识别并量化了流域气象干旱的主要驱动因子采用敏感性分析方法探究了气象干旱不同驱动因子的敏感性,结果表明降水和气温是影响气象干旱的最敏感因素,其次是平均风速和平均水汽压,而日照百分率的敏感性较低。采用分位数法和皮尔逊三型概率分布方法量化了不同干旱等级下降水与气温的临界阈值,结果表明不同区域的干旱因子阈值存在差异:上游、中游和下游在重度干旱等级下的降水阈值区间分别为[186.22mm,339.53mm],[295.98mm,458.74 mm]和[449.72 mm,657.81 mm],气温阈值区间分别为[5.51℃,7.32℃],[9.37℃,12.82℃]和[9.36℃,15.42℃]。（4）基于EEMD-FOA-SVR干旱预测模型,预测未来气象干旱基于分解-优化-集成数值预测模型,结合集合经验模态分解法进行分解操作,将干旱指数分解为多个模态分量,随后耦合支持向量回归方法预测模态分量,最后引入果蝇智能算法对耦合模型的相关参数进行优化,进而建立基于EEMD-FOA-SVR的分解-优化-集成耦合的干旱预测模型,并应用于黄河流域的各个分区的气象干旱预测中。结果表明:采用EEMD多尺度分解的序列经过果蝇优化后的支持向量回归算法,而后再进行集成预测的结果较其它预测模型拟合度好,误差小,可实现较高精度的干旱预测。（5）基于降尺度的黄河流域未来旱涝演变特征的时空规律分析基于2个全球气候模式（GCMs）下的三种气候变化情景（RCPs）数据、结合数据（NCEP）和实测气象数据（降水、气温等）,利用统计降尺度方法（SDSM）将全球大尺度预测因子降尺度到黄河流域,采用SPI干旱指标预测黄河流域上中下游未来时期2020—2050年气象干旱的演变特征,结果表明流域未来干旱整体呈现出“先减少后增加”的态势,且流域中游流域干旱最为严重。
蔡金圻[2]（2021）在《基于残差神经网络的江淮持续性强降水的环流分型及预报》文中研究说明本文利用新建的1981-2019年全国区域持续性强降水过程历史个例数据集、中国台站逐日降水量、NCEP/NCAR全球再分析资料及2016-2019年ECMWF降水及环流预报场对江淮区域持续性强降水个例进行了分析。首先从江淮极端持续性强降水个例提取典型模态,运用单层迁移CNN（卷积神经网络）、R（相似量）、COS（相似系数）对1981-2015年强降水个例进行环流分型,比较各方法的分型效果,建立了强降水分型模型库及区域强降水环流演变概念模型;在此基础上,进一步建立了三层迁移CNN分型模型,并对2016-2019年夏季降水进行了分型及预报试验。主要结论如下:（1）EOF分解前三模态表现为全区一致、南北反向、中部与南北反向变化的趋势。根据区域持续性强降水空间分布特征,提炼出3类典型个例日样本,用于网络训练建模。在迁移CNN分型模型训练过程中,通过增加样本量、加入预训练模型及设置三次迁移训练过程来避免产生过拟合,相比R、COS,迁移CNN在测试集上具有更高准确率。（2）利用迁移CNN、R、COS对区域强降水个例日进行环流分型,建立了持续性强降水模型库,迁移CNN的分型效果优于R、COS。迁移CNN得到的三型500h Pa高度场环流演变特征存在明显差异:Ⅰ型中高纬呈两槽一脊型,副高略有西伸;Ⅱ型高纬为两脊一槽型,副高较强,西伸至华南地区;Ⅲ型中纬呈两脊一槽型,副高较弱,各型江淮均受低值系统影响。三型均受高空急流影响,高空辐散,低空辐合,有利于产生上升运动,且水汽条件均充足。三种方法得到的各型降水空间分布与典型模态均类似,但迁移CNN得到的各型降水空间分布更符合典型模态特征,且高度场型间方差及各型与典型模态间降水相关系数均大于R、COS的结果。不一致型个例日分析表明只有迁移CNN得到的各型降水分布能表现出典型模态特征,且其降水相关系数远高于R、COS的结果。（3）相比单层迁移CNN,加入200h Pa纬向风场、850h Pa经向风场建立的三层迁移CNN分型模型在测试集上有更高准确率,且高度场型间方差以及各型与典型模态间的降水相关系数更大,分型效果更好。在对2016-2019年夏季逐日样本以及持续性强降水个例集内样本25mm及50mm以上的降水预报中,H-R（基于单层迁移CNN降水型库的R相似法统计预报）、H-R-EC（基于单层迁移CNN降水型库和EC环流场的R相似法订正预报）、HUV-R（基于三层迁移CNN降水型库的R相似法统计预报）、HUV-R-EC（基于三层迁移CNN降水型库和EC环流场的R相似法订正预报）相对ECMWF随时效变化较平缓,结果相差不大,HUV-R、H-R-EC的结果均略高于H-R。在4d及以上降水预报中,四种方案的TS评分高于ECMWF,HUV-R-EC的结果略高于HUV-R,但在短期降水预报中,HUV-R-EC的评分相对较低。
赵熙[3]（2021）在《集合降雨预报在并联水库汛期起调水位动态控制中的应用及其风险分析》文中研究表明我国水资源时空分布不均,洪涝灾害与水资源供需矛盾并存。利用先进的科学技术,在保障防洪安全的前提下,提高洪水资源利用率是缓解我国水资源短缺现状的重要举措。利用水文气象预报信息对水库开展汛期起调水位动态控制,是提高洪水资源利用率的有效方法。尤其是降雨预报信息的利用,可进一步延长预见期,有效发挥库群的库容补偿作用。然而,预报信息存在不确定性,可能导致决策失误,从而给水库和下游带来防洪风险。为此,本文以清柴并联水库为研究对象,分析欧洲中期天气预报中心（ECMWF）发布的集合降雨预报信息在研究流域的预报精度,提出ECMWF集合降雨预报的应用方式;确定清柴并联水库汛期起调水位动态控制域上限,并对上限开展风险分析;挖掘并联水库间的风险转化关系、水库-下游的风险传递关系。主要研究内容和成果如下:（1）提出了ECMWF集合降雨预报信息在清柴并联水库的应用方式。通过对24h ECMWF集合预报统计量产品的“三率”分析和泰勒图分析,提出了综合利用90%分位值和标准化准确率平均数确定ECMWF集合降雨预报产品的利用方式;据此构建了不同降雨预报量级下,考虑相关性和不考虑相关性的降雨预报误差联合概率分布函数,定量分析了降雨预报误差相关性对并联水库防洪安全与兴利效益的影响,明确了在清柴并联流域,可采用不考虑流域间降雨相关性的预报不确定性描述,指导并联水库的汛期调度。（2）推求了清柴并联水库利用24h集合降雨预报信息的汛期起调水位控制域上限关系,解析了考虑不同预报信息其预报不确定性对防洪安全的影响。首先,结合改进预泄能力约束法和“聚合-分解”法,构建清柴汛期起调水位动态控制域上限关系曲线,分析了控制域上限的风险,结果表明将两库上限最大值分别提高至129.5m和108m是安全的。在此基础上,揭示了不同降雨预报量级下,洪水预报信息及其不确定性对水库防洪风险的影响,结果表明在不同降雨预报量级下,耦合利用洪水预报信息对防洪风险的影响不同,如柴河水库预报无雨和小雨时,仅考虑降雨预报信息的防洪风险更小,而预报中雨时,耦合洪水预报信息可降低防洪风险。（3）定量描述了并联水库间风险转化关系、水库-下游的风险传递关系。基于清柴并联水库库容补偿关系,计算了清柴并联水库在不同库容分配方案的水库和下游防洪风险,分析了清柴并联水库的风险转化和并联水库至下游石佛寺站的风险传递关系,在库群整体兴利效益不变的情况下,给出不同防洪需求下的清柴并联水库的建议起调水位,如小雨预报下,若区间来水较少,为均匀分配两库蓄水量和风险,建议控制清柴起调水位分别在128.2m和106.2m。接着,构建了清柴水库联合预报优化调度模型,得到利于清河水库蓄水、利于柴河水库蓄水、两库同权重蓄水的三套联合预报调度规则,讨论了不同预报调度方式对风险传递与转化关系的影响。
周康辉[4]（2021）在《基于深度卷积神经网络的强对流天气预报方法研究》文中研究说明强对流天气,包括冰雹、雷暴大风、短时强降水、龙卷等,常常伴有闪电,由于其时空尺度小,其精准预报具有极大难度。目前,强对流预报主要依靠基于观测数据的外推方法、基于数值模式的“配料法”等方法,预报效果有待进一步提升。近年来,随着中小尺度观测网络和高分辨率数值天气预报（High-resolution numerical weather prediction,HNWP）模式的不断发展,强对流天气监测和预报能力有了相应地提升。然而,高时空分辨率的观测数据和数值天气预报数据,完全由预报员进行主观分析具有较大难度,亟需发展能够将上述数据有效综合应用的客观预报方法。本文立足于强对流天气预报业务应用的实际需求,基于深度学习方法,开发了涵盖临近、短时、短期等不同预报时效的强对流天气预报方法。基于多源观测数据,实现了临近时段的闪电预报;基于多源观测数据和HNWP数据,实现了短时时段内的闪电预报;基于全球数值模式,实现了短期时段内的分类强对流天气预报。于此同时,本文还对以上针对强对流天气特征构建的深度学习模型,进行了可视化,尝试对深度学习的特征提取、预测过程进行解释。据我们所知,本文实现了深度学习在强对流预报领域的多个创新性尝试。如利用深度学习融合多源观测数据,进行闪电临近预报;利用深度学习融合多源观测和HNWP数据,进行闪电的短时预报;利用深度学习对数值模式进行后释用,实现分类强对流天气短期预报。临近时段（0～2 h）,基于静止气象卫星、多普勒天气雷达、云-地闪电（简称“闪电”）定位等多源观测数据,利用深度卷积神经网络,构建了图像语义分割模型（Lightning Net）,有效实现了闪电临近概率预报。经过训练的Lightning Net模型,能够提取时间和空间上的闪电发生发展特征,具备了较好的预报能力。2018年8月的预报检验表明,0～1 h闪电预报检验TS（Threat Score）评分达到0.453,命中率为0.633,虚警率为0.386;闪电预报结果为概率预报产品,预报概率值越大的区域往往对应闪电活动更为活跃的地区,也具备较好的指示性意义。由于卫星具有一定的初生对流观测能力,因此本方法具备较好的对流初生预报能力,能够在对流生成之前,对其进行有效预报。该方法利用深度学习算法有效地实现了卫星、雷达、闪电观测数据的融合应用,其预报性能显着优于仅仅基于单一数据源的预报性能。短时时段（2～6 h）,基于多源观测数据和HNWP数据的特性,构建了双输入单输出的深度学习语义分割模型（Lightning Net-NWP）。预报因子包括闪电密度、雷达反射率、卫星的6个红外通道云图,以及GRAPES3km输出的雷达组合反射率预报变量等共9个预报因子。深度学习模型使用了编码—解码的经典全卷卷积结构,并且参照了经典的池化索引共享的方式,尽可能保留不同空间尺度特征图上的细节特征信息。利用三维卷积层以提取多源观测数据时间和空间上的变化特征。结果表明,深度学习能够有效实现多源观测数据和HNWP数据的融合,Lightning Net-NWP能够较好地实现0～6 h的闪电预报,具备比单纯使用多源观测数据、HNWP数据更好的预报性能,且预报时效越长,融合的优势体现的越明显,为强对流短时预报提出了新的方法和思路。短期时段（6～72 h）,利用深度卷积神经网络,构建了雷暴和分类强对流天气（短时强降水、冰雹、雷暴大风）的概率预报模型。利用强对流天气历史观测数据标记全球数值模式的再分析数据,创建了大样本强对流天气分类样本集。样本特征包括温、压、湿、风等基本气象要素,同时也包含了反映水汽、动力、能量等强对流天气发生发展所需条件的常用强对流参数。基于强对流天气的这些样本特征,构建了6层的深度卷积神经网络预报模型。将经过训练的深度学习模型,应用于数值模式的预报数据,实现了分类强对流天气的概率预报。2015—2017年4—9月的预报检验表明,深度学习算法的预报表现,相对于预报员主观预报具有明显的提高,雷暴、短时强降水、冰雹和雷暴大风的TS评分分别提高了16.1%、33.2%、178%和55.7%。针对上述深度学习模型,本文使用决策树预报因子重要性排序、预报因子变换重要性以及深度学习模型卷积输出结果可视化等方法,对各种深度学习方法和模型进行了初步的解释。基于决策树预报因子重要性排序结果表明,对于分类强对流天气的预报因子,机器学习方法排列的预报因子重要性程度,很大程度上与预报员的主观认识是一致的,同时也能得到一些有益的启发。通过变换重要性方法（Permutation importance）对Lightning Net-NWP模型的各个预报因子的重要性进行了分析。结果表明,随着预报时效的延长,NWP预报因子起到的作用越来越大,而观测数据预报因子的重要性逐渐下降。利用卷积层输出可视化的方法,对Lightning Net预报过程进行了可视化,分析了其卷积核特征提取过程。
谢洁宏[5]（2021）在《基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正》文中进行了进一步梳理基于参加次季节-季节（Subseasonal to Seasonal Prediction,S2S）预测计划的三家业务中心（CMA、NCEP与ECMWF）提供的回报（1999-2010年）数据集,本文系统考量了模式地表气温（surface air temperature,SAT）在中国夏季的预测表现,重点评估模式对长江流域（Yangtze River basin,YRB）热浪的预测技能,基于案例与统计探讨了10-30 d和30-90 d环流预测偏差对热浪预报的相对影响以及陆面条件对预报技巧的贡献,并使用线性回归、系统偏差订正、随机森林回归与累积分布函数变换构建统计后处理模型对SAT进行降尺度校正,探讨了各订正法在各模式中的适用性。结论如下:（1）模式系统偏差随地区与预报时效而异,普遍低估中国东南地区（包括YRB）SAT的量级与变率;时间相关技巧/平均方差技巧揭示季节内SAT预报有效时效分别为13-15/10 d（CMA）、17-20/15 d（NCEP）与19-22/19 d（ECMWF）,空间场技巧在时效较长时（>15 d）存在显着年际变化;全国范围内模式整体对暖事件的正确命中率（基于Heidke技能评分）优于极暖事件、热浪事件与平均事件,技巧越高的事件类型随时效延长技巧下降越快,NCEP与ECMWF模式预测YRB平均事件的技巧仅次于暖事件。（2）模型预测YRB热浪天气准确率的能力有限,Heidke技能评分在时效大于5 d后迅速下降至提前15 d时接近于零;ECMWF模式较好的预测能力归因于其准确预测了与季节内振荡相关的高压异常的振幅和演化及相关地表过程;较短时效内（<10 d）10-30d和30-90 d环流预测技巧对热浪预测的影响具有可比性,而30-90 d环流振幅预测偏差与较长时效（>15-20 d）热浪预测技能的退化密切相关;季节内环流异常的偏差将进一步影响降水异常,进而影响陆地条件,导致模式内部难以捕捉极热天气及其持续性。（3）订正可降低模式系统偏差、提升预报技巧,而技巧上限与模式可预报性相关。订正后,NCEP与CMA SAT优化可观,ECMWF模式技巧也得到提高且技巧最高;线性回归在降低预测偏差方面的效果熟练且稳定,随机森林回归与系统偏差订正也颇有成效,而累积分布函数变换在提高对不同气候概率事件的正确命中率方面更有优势;针对YRB热浪事件,系统偏差订正降低CMA与NCEP SAT偏差能力优越,而线性回归与随机森林回归在ECMWF模式中效果更佳,累积分布函数变换法可一致提升模式对区域热浪日的正确命中率。
唐思维[6]（2021）在《基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报》文中认为随着经济社会的迅速发展,人们对于水资源的需求不断提高,水资源的供需矛盾也日益突出,而我国的水资源管理也因此面临严峻挑战。径流作为水资源的重要表现形式,提高其预测能力可为水资源管理提供重要帮助,而汛期作为径流的主要集中时段,开展汛期径流预报对于提高流域水资源管理能力更具现实意义。为此,本文以桓仁流域为研究对象,分别构建了基于气候因子和SEAS5降水预报的汛期及其各月的径流预报模型,并针对气候因子筛选、降水预报评估及校正、径流预报校正进行了相关研究。主要研究内容如下:（1）提出了一种基于CFS指标的因子筛选方法,构建了基于大气环流、海温等气候因子的汛期径流预报模型,并定量分析了降水与流域初始状态对径流的影响程度。首先,结合产流原理,利用r-CFS与MIC-CFS对流域初始状态因子和气候因子进行筛选;接着,根据所筛因子构建汛期径流总量及其各月的径流预报模型;然后,将该结果与基于前向搜索包裹法的径流预报结果进行对比分析,以验证CFS指标有效性以及r-CFS与MIC-CFS适用性;最后,基于实测降水数据,利用随机森林构建径流预报模型,定量分析降水和流域初始状态对径流的影响程度。结果表明:前期气候因子能在一定程度上反映未来气候信息,可有效应用于汛期径流预报;相比于前向搜索包裹法,基于CFS指标的因子筛选方法能在保证因子筛选效果的前提下提高因子筛选效率;相比于r-CFS,MIC-CFS指标能够更好地衡量预报因子集与汛期径流之间的关系;对于汛期和七月径流,降水具有主导作用,其影响程度分别为0.92、0.86,而其他时段,降水和流域初始状态均具有重要影响,其中降水的影响程度为0.55-0.63。（2）评估了SEAS5降水预报产品在桓仁流域汛期及汛期各月的适用性,建立了基于贝叶斯联合概率模型的降水预报校正模型,从系统偏差、可靠性、锐度、预报技巧四个方面对SEAS5原始降水预报及校正后的降水预报进行评估。结果表明,原始预报均存在较大系统偏差,预报可靠性存在不足,且受偏差和可靠性影响,不同时段内大部分预见期的预报技巧得分为负值;而经校正后,预报的系统偏差得到有效消除,可靠性得到较大改善,且除少部分预报因锐度下降而技巧降低外,绝大部分预报技巧得到提升,整体精度得到提高。总体来看,SEAS5降水预报在桓仁流域具备潜在的应用价值。（3）开展了基于SEAS5降水预报的汛期径流预报,建立了基于贝叶斯联合概率模型的径流预报校正模型。对原始和校正径流预报的确定性结果（集合均值）与概率预报结果进行评估,并将该结果与基于气候因子的径流预报结果对比,评价其可利用性。结果表明,校正后的确定性径流预报结果中,除8月的合格率由93%降低至89%外,其余时段均得到提高,将该结果与基于气候因子的结果对比,除六月之外的所有时段,基于SEAS5降水预报的径流预报均有提高;而校正后的概率径流预报结果中,各月预报可靠性均得到改善,且低技巧预报的整体精度均得到较大提升。总体来看,SEAS5降水预报可较好地应用于桓仁流域汛期径流预报,能够为该流域水资源管理工作提供一定支撑。
霍自强[7]（2021）在《考虑地形影响的降水概率预报订正研究》文中研究表明本文基于TIGGE（THORPEX Interactive Grand Global Ensemble）数据集下欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）2014年6月–2015年9月24小时累积降水量的24–168小时集合预报及中国2160站日降水观测资料,对地形影响下的中国降水概率预报进行订正研究。首先对ECMWF集合预报在不同的地形影响下降水预报的误差进行了分析,然后利用广义线性加法模型（Generalized Additive Models for Location,Scale and Shape,GAMLSS）,考虑地形、季节变化及所处地理位置等要素的影响,对中国日降水量气候概率参数的空间分布进行模拟。最后基于左删失的非齐次Logistic回归方法（Left-Censored Non-homogeneous Logistic Regression,CNLR）,开展对受地形影响的数值预报结果的订正研究。研究发现,ECMWF集合预报的预报误差具有随地形的起伏程度的增加而增大的特征,同时也具有随模式地形高度误差的增加而增加的特征。地形的起伏程度和模式地形高度误差主要影响小量级降水预报的误差。随着地形起伏程度的增加以及模式地形高度误差的增大,模式对于小雨的预报误差明显增大;对于中雨及以上量级的降水,模式预报的误差受地形的影响不及对小雨的影响。使用标准化的距平模式输出统计（Standardized Anomaly Model Output Statistics,SAMOS）的方法来对由于地形因素造成的预报误差进行订正,需要各站点包含其独立气候特征的均值和标准差来对数据进行标准化,因此考虑多种因素对日降水量概率分布的影响,使用GAMLSS模型对假定符合左删失Logistic分布的日降水概率分布参数进行建模,得到日降水气候概率分布的空间模型能很好地反映区域内实际降水的分布特征,并适用于复杂地形下全空间降水的气候概率分布的模拟。基于CNLR方法对降水概率预报进行订正,结果表明SAMOS方法能在增加训练样本,不损失空间一致性的同时保留站点各自的气候特征,从而进一步提升预报技巧,并且该订正方法在复杂地形条件下,尤其是模式地形误差较大的区域,能够显着提升降水概率预报的技巧。
李英睿[8]（2021）在《基于深度学习的雷达降水临近预报研究》文中进行了进一步梳理随着空-天-地综合气象监测技术的快速发展和人工智能技术的不断创新,为提升降水临近预报精度和时效性带来了新的机遇。研究基于雷达探测的深度学习降水临近预报方法,评估不同方法对回波预测精度的影响,定量估计回波预报准确性和量化预报临近降水,对推动气象雷达应用和提高临近降水预报精准度具有重要的科学价值和实践意义。本文基于校正后的雷达回波数据,研究深度学习模型在临近降水预报中的应用。构建了卷积门控循环单元模型（Convolutional Gated Recurrent Unit,ConvGRU）、卷积长短期记忆模型（Convolutional Long Short-Term Memory,ConvLSTM）以及长短期记忆模型（Long Short-Term Memory,LSTM）、光流法（Optical flow,Of）两种传统临近降水预报模型,利用西宁地区的雷达和雨量计数据,对比分析了不同模型回波预报精度;对比研究了单层和多层雷达回波采样对预报精度的影响;结合地面雨量计观测数据,实现了站点雷达降水的定量估计。论文的主要结论如下:（1）结合雷达数据的多维性与神经网络的自学能力,建立基于深度学习的ConvGRU、ConvLSTM降水预报模型具有较好的结构性能,相比于Of和LSTM模型预测精度更高,可以有效的延长外推时间（2）ConvGRU在1.5-2h的预报结果比ConvLSTM更稳定。在12min-2h的预报时间中,ConvGRU预报雷达回波的相关系数下降了16.3%（单层）和12.6%（多层）,ConvLSTM下降了29%（单层）和24.1%（多层）。（3）3000m高度的单层数据比3000m-5500m高度区间中的采样数据在预报中的效果更好。对比两种采样方式,在2h中的预报结果,后者误报率更高,与3000m高度的单层数据相比,ConvGRU、ConvLSTM、LSTM和Of误报率分别提高了9.92%、14.18%、11.39%和6.17%;且对数据进行多层采样后雷达回波的峰值会收到较大的影响,不宜应用于实际的业务预报中。（4）设定不同的阈值对预报结果的评价有影响。评价指标CSI对10d Bz以上强度的雷达回波的预报评分最高,随着阈值的增加,评分逐渐降低,对30d Bz以上强回波的预测,技巧评分最低,不宜在雷达反射率因子的预报中应用较高的阈值。（5）ConvGRU和ConvLSTM对站点的雨强估测精度较高。将雨量计实测雨强与估测值进行对比,ConvGRU和ConvLSTM的相关系数为0.80和0.74,Of和LSTM的相关系数为0.53、0.42,前者总体离散度较小,稳定性高,对站点雨强具有一定的估测能力;后者相关性较差,且低估程度明显不能较好的预测站点的雨强。基于高时空分辨率雷达回波数据的深度学习模型在降水临近预报的应用中具有预报精度高、响应速度快、有效延长外推时间等显着优势,在进一步提高预报精度上具有较大的潜力。与基于长久的实践和业务经验建立的数值天气预报系统相比在各个方面仍需要进一步的研究与发展。目前,人工智能在临近预报中的应用仍处于初级阶段,与数值预报相结合,提高临近预报精度,增强天气过程演变、发展和消散过程中的可解释性是未来预报业务的发展趋势。
王琳[9]（2020）在《基于多模式集合的季节-年际气候预测方法研究》文中指出气候灾害如洪涝、干旱等常常给人类生命、国家经济和公共安全带来重大损失。为了应对这类气候灾害的威胁,提前进行有效地季节-年际气候预测,对我国减轻灾害损失至关重要。然而,无论是何等精细的模式,模式误差仍然不可避免,并且由于季节-年际尺度的气候预测时效很长,随提前预报时间的增长,模式误差会不断放大,从而导致气候预测技巧迅速下降。如何进一步提高气候预测水平是一个非常重要的科学问题。目前,针对预报误差开展订正技术是短期内提高预测技巧的有力途径。因此,本研究针对季节-年际气候预测这一难题系统地开展了预测新方法研究,通过对动力模式的海温（SST）、降水以及季风进行预测评估,深入认识了与季节-年际预测相关的可预报性特征。在此基础上按照动力-统计-深度学习相结合的思路,在改进传统订正方法、发展线性逆模型以及非线性深度学习算法等模式误差订正新方法做出了具有创新性的研究成果,并利用多个气候模式集合预测数据进行了试验验证,结果表明订正后的降水和SST季节-年际预测效果比原始模式预测有明显提升,显示出新方法具有良好的业务应用前景。本文所取得的主要结论包括:一、系统性地评估了动力气候模式对于季风、SST和降水的季节-年际尺度预测效果。分别从不同季节开始进行依赖于季节的经验正交函数分解（Seasonreliant Empirical Orthogonal Function,SEOF）,分析了模式对不同季节起始的亚澳季风年际变率主模态的模拟能力。结果表明,模式总体上对第一模态的模拟能力好于第二模态。模式对从夏季开始的SEOF的第二模态主成分（PC）的模拟能力最差。模式的可预报性与ENSO（厄尔尼诺-南方涛动）关系紧密,从任意季节起始的SEOF分析,第一模态PC都与ENSO从暖到冷的相位一致,具有较强的信号。从夏季和秋季起始的SEOF分析,亚澳季风第二模态提前ENSO一年,然而从春季和冬季起始的SEOF分析,ENSO则领先亚澳季风第二模态。进一步对海温以及降水的评估结果表明,动力模式降水和SST预报技巧随提前预报月的增加而快速下降。二、利用逐步型态投影方法（SPPM）及改进的相似误差订正方法（ACE）对ENSO进行订正。2000年之后,随着ENSO多样性的增加,ENSO的预报技巧发生了明显地下降。为了提高两类ENSO的预报技巧,本文采用既可以提取预报因子场和预报对象场之间相关成分,又可以针对每一格点进行订正的SPPM方法对两类ENSO进行订正以及多模式集合试验。结果表明,该方法可以提高ENSO预报技巧。虽然多模式集合方法可以明显提高ENSO预报技巧,但其对两类ENSO的中心位置并无改善。经过逐型态投影方法订正再进行多模式集合的预报结果不仅有较高的ENSO预报技巧,还可以更好地区分两类ENSO。相似误差订正方法近些年应用广泛,本论文在前人研究的基础上,从模式自身进行相似选取,改进了相似误差订正方法,并对ENSO预报进行了订正以及多模式集合试验,提高了ENSO预报技巧。多模式集合结果显示出改进的ACE方法好于传统ACE方法。三、发展了气候线性逆模型误差订正方法（CLIM）。提出线性订正新思想,利用线性逆模型,结合模式历史误差资料对模式误差进行预报,发展了气候线性逆模型误差订正方法。以国家气候中心业务预报模式BCC＿CSM1.1M为试验平台进行了订正试验。滚动独立样本检验结果表明,该订正方法可以有效地提高模式降水预报技巧。另外,在模型中加入SST场信息,我国南方地区的降水预报技巧提高幅度会更加明显。CLIM方法对SST预报的订正试验提高了BCC＿CSM1.1M模式预报技巧。利用北美多模式集合（North American MultiModel Ensemble,NMME）多个模式分别对SST和降水预报进行了订正以及多模式集合试验,对比了订正前后各模式以及多模式集合的预报技巧。结果表明,CLIM提高了原模式降水以及SST的预报,且订正后的多模式集合具有更高的预报技巧。四、发展了基于深度学习的模式误差订正方法（DLEC）。利用深度学习先进技术,结合卷积神经网络和残差网络思想,实现了利用气候数据集,对气候要素场的误差订正。利用DLEC分别对降水和ENSO进行了订正试验,结果表明DLEC方法提高了降水预报技巧,并且在热带地区提高幅度更为显着。针对东亚区域开展了多方案的降水订正试验表明,将目标函数集中在东亚区域的订正试验,对于季节-年际尺度中国区域的降水技巧提高效果更好。进一步的多模式集合试验结果表明,DLEC订正后的等权多模式集合对降水预报技巧提高显着,其中东北地区,技巧提高幅度可达到0.4以上。DLEC对ENSO预报技巧改善同样显着,且随着提前预报月的增加,技巧提高幅度显着增加。经过DLEC订正后的多模式集合提前6个月Ni?o3.4指数技巧能保持在0.9,提前11个月预报的技巧仍超过0.7。
张铁军[10]（2020）在《典型风电场的风场数值预报能力改进及应用系统开发研究》文中进行了进一步梳理数值预报为风电场风的预报提供了一个有效途径,可是复杂地形条件下风的准确预报仍然是一个具有挑战性,也具有社会经济影响的科学问题。本文以先进的数值预报理论和方法为基础,针对甘肃河西地区地形复杂、下垫面类型繁多、观测站点稀少的特性,分析了甘肃河西西部典型风电场风场基本特征,进行了风电场风场数值模拟,总结了数值模式参数化方案的适用性,开展了具有针对性的数值模式改进工作。并进一步开发了风电场风场预报的数值模式应用系统——绿海系统（详见第八章）。通过一段时间的稳定运行,发展了新的基于数理统计方法的订正模块。检验评估表明,绿海系统在实际业务中的风速预报能够很好地满足服务需求。研究内容主要包括以下四个方面:一、揭示了河西地区风场类型及转换特征,发现风场型的日变化特征,并且不同风场型的转换存在特定关联性。利用风场分型技术研究发现,河西酒泉地区风场可以分为5种类型,分别为“一致弱西风型（I型）”、“西风转南风型（Ⅱ型）”、“河谷加强西风型（Ⅲ型）”、“北侧强西风型（Ⅳ型）”、“弱东风型（V型）”,其中I型主要出现在夜晚、II型主要出现在白天;不同风场型之间不能随意转换,且在风场型的转换过程中存在过渡类型,如“弱西风型”不能与“弱东风型”直接转换,必须先经过“西风转南风型”的过渡。二、分析了不同驱动场数据对数值模式风场模拟误差之间的差异及边界层和辐射方案对风场模拟的影响,发现FNL资料作为初边值驱动场的模拟误差小于ERA5资料驱动的误差,YSU边界层方案对风速模拟效果最佳且模拟结果对辐射方案较敏感。利用WRF（The Weather Research and Forecasting Model）模式研究了甘肃河西地区不同驱动场、不同参数化方案配置下的风场模拟情况,并基于区域站、测风塔观测资料进行检验,对10m风场来说,基于FNL资料驱动场的模拟结果中风速误差百分率较ERA5资料驱动的模拟结果更低;对比不同边界层方案的模拟发现,YSU方案对风速具有更好的模拟效果;此外,不同的辐射参数化方案对风场的模拟结果差异较大,辐射方案对风速模拟有很大影响。三、从垂直坐标系适应性、同化ECMWF资料和模式结果订正方法三个方面入手对风场的数值模式进行了改进,发现混合垂直坐标系对虚假重力波有一定削弱作用,同化ECMWF资料后风速预报得到显着改善,提出的快速循环订正方法对预报结果改善显着。甘肃河西地区地形复杂,分别利用σ垂直坐标系和混合σ-p垂直坐标系研究地形描述对风速预报的影响,发现后者显着降低了虚假重力波向上传递,但对风场的模拟结果后者更好;另一方面,基于欧洲中期数值预报中心（European Centre for Medium-Range Weather Forecast,ECMWF）高分辨率预报资料,研究不同观测资料密度下资料同化对风速预报的影响,以探索甘肃河西地区观测站点稀疏问题的解决途径,结果表明同化风速的预报结果改善显着;基于历史观测及预报资料,提出了一种运用资料均值、方差和趋势的快速循环订正方法,利用该方法订正后的预报结果明显优于模式的直接预报结果。四、构建了风电场风场预报业务系统并进行回报试验,评估结果表明该系统对风速预报的误差较小,满足业务需求。基于河西地区风场特征及模拟误差的研究,结合对背景误差协方差矩阵、Landuse的替换和垂直层加密等模式改进,建立了针对甘肃河西地区典型风电场的风场预报业务系统——绿海系统。通过该数值预报系统开展批量预报回算试验,预报对象为河西地区5个风电场,预报时段为2019年1-5月。结果表明大部分站点（时次）的预报误差小于2 m·s-1,满足业务需求。本文的研究结果可以推广到复杂地形下的风电场数值预报,是目前气象部门在西北地区第一个适用于复杂地形条件下的风能精细化数值模式预报业务应用系统。
二、三级相关相似统计方法在短期气候预报中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、三级相关相似统计方法在短期气候预报中的应用（论文提纲范文）
（1）黄河流域的干旱驱动及评估预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 干旱指标及评估分析 |
| 1.2.2 干旱驱动机制研究 |
| 1.2.3 干旱预测 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 研究区域概况及基本方法 |
| 2.1 自然地理概况 |
| 2.1.1 地理概况 |
| 2.1.2 地形地貌 |
| 2.1.3 气候特征 |
| 2.1.4 河流水系 |
| 2.1.5 社会经济概况 |
| 2.2 资料来源与数据处理 |
| 2.3 基本方法 |
| 2.3.1 小波分析法 |
| 2.3.2 Mann-Kendall检验分析法 |
| 2.3.3 克里金差值法(Kriging插值法) |
| 2.4 小结 |
| 3 黄河流域干旱特征分析 |
| 3.1 干旱定义及指标 |
| 3.1.1 气象干旱定义及指标 |
| 3.1.2 水文干旱定义及指标 |
| 3.1.3 农业干旱定义及指标 |
| 3.2 黄河流域气象干旱时空演变规律 |
| 3.2.1 气象干旱事件多尺度时程变化规律 |
| 3.2.2 气象干旱事件多尺度空间分布特征 |
| 3.2.3 多尺度下气象干旱频率特征分析 |
| 3.3 黄河流域水文干旱时空演变规律 |
| 3.3.1 水文干旱事件多尺度时程变化规律 |
| 3.3.2 水文干旱事件多尺度空间统计特征 |
| 3.3.3 多尺度下水文干旱周期性变化特征 |
| 3.4 黄河流域农业干旱时空演变规律 |
| 3.4.1 农业干旱事件的时程变化特征 |
| 3.4.2 农业干旱事件与气象要素的空间相关性 |
| 3.5 农业干旱影响下的流域陆地生态系统恢复时间 |
| 3.5.1 植被净初级生产力(NPP)的模拟及分析 |
| 3.5.2 黄河流域上中下游NPP的时空变化规律分析 |
| 3.5.3 生态系统干旱恢复时间(RT)确定 |
| 3.5.4 黄河流域上中下游植被干旱恢复时间RT的空间变异特征 |
| 3.6 小结 |
| 4 干旱驱动机制及动态响应分析 |
| 4.1 气象干旱驱动机制分析 |
| 4.1.1 气象干旱的形成发展过程 |
| 4.1.2 驱动因素 |
| 4.1.3 驱动机制 |
| 4.2 水文干旱驱动机制分析 |
| 4.2.1 水文干旱的形成和发展过程 |
| 4.2.2 驱动因素 |
| 4.2.3 驱动机制 |
| 4.3 气象干旱和水文干旱的相关性分析 |
| 4.3.1 研究方法 |
| 4.3.2 气象干旱和水文干旱的相关性分析 |
| 4.4 气象干旱和水文干旱的动态响应分析 |
| 4.4.1 基于滑动窗口Copula熵的干旱动态响应 |
| 4.4.2 基于滞时灰色关联度的干旱动态响应 |
| 4.5 小结 |
| 5 干旱驱动因子分析 |
| 5.1 驱动因子特征分析 |
| 5.1.1 驱动因子时间变化规律 |
| 5.1.2 驱动因子空间变化特征 |
| 5.2 驱动因子敏感性分析 |
| 5.2.1 敏感性分析方法 |
| 5.2.2 黄河流域干旱因子的敏感性分析 |
| 5.3 驱动因子阈值分析 |
| 5.3.1 理论基础 |
| 5.3.2 驱动因子阈值选取方法 |
| 5.3.3 黄河流域干旱驱动因子阈值分析 |
| 5.3.4 黄河流域干旱驱动因子阈值检验 |
| 5.3.5 阈值归因分析 |
| 5.4 小结 |
| 6 基于EEMD-FOA-SVR的黄河流域干旱预测 |
| 6.1 研究方法 |
| 6.1.1 集合经验模态分解 |
| 6.1.2 果蝇优化算法 |
| 6.1.3 支持向量回归 |
| 6.1.4 FOA-SVR模型 |
| 6.2 基于EEMD-FOA-SVR预测模型 |
| 6.2.1 基于EEMD-FOA-SVR预测模型流程图 |
| 6.2.2 模型评价准则 |
| 6.3 基于EEMD-FOA-SVR模型的干旱预测 |
| 6.3.1 模型构建 |
| 6.3.2 模型验证 |
| 6.3.3 模型预测 |
| 6.4 小结 |
| 7 黄河流域未来干旱演变特征的时空变异规律分析 |
| 7.1 GCM数据来源及主要方法 |
| 7.1.1 GCM模式 |
| 7.1.2 SDSM统计降尺度方法 |
| 7.2 SDSM模型降尺度适应性评估 |
| 7.3 未来降水和气温的时空演变特征 |
| 7.3.1 未来降水和气温的时程变化规律 |
| 7.3.2 未来降水和气温的空间分布规律 |
| 7.4 未来时期2020-2050 年气象干旱的时空演变特征 |
| 7.4.1 未来时期2020-2050 年气象干旱的时间序列预测 |
| 7.4.2 未来时期2020-2050 年气象干旱的空间预测 |
| 7.5 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）基于残差神经网络的江淮持续性强降水的环流分型及预报（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 强降水的特征研究 |
| 1.2.2 强降水的环流背景研究 |
| 1.2.3 强降水预测预报的发展和研究 |
| 1.2.4 神经网络的发展及其在气象上的应用研究 |
| 1.3 论文主要内容 |
| 1.3.1 研究意义及主要任务 |
| 1.3.2 章节安排 |
| 第二章 资料与方法 |
| 2.1 资料介绍 |
| 2.2 方法介绍 |
| 2.2.1 经验正交函数分解 |
| 2.2.2 相似系数 |
| 2.2.3 残差神经网络 |
| 2.2.4 迁移学习 |
| 2.2.5 TS检验 |
| 第三章 迁移CNN分型模型的建立 |
| 3.1 江淮区域极端持续性强降水的典型模态 |
| 3.1.1 三个强降水典型模态的降水分布 |
| 3.1.2 三个强降水典型模态的环流演变 |
| 3.2 迁移CNN模型的训练 |
| 3.2.1 模型训练数据 |
| 3.2.2 模型迁移训练过程 |
| 3.3 本章小结 |
| 第四章 江淮强降水的环流分型及三种方法比较 |
| 4.1 区域强降水的客观分型及其环流演变 |
| 4.1.1 强降水的分型 |
| 4.1.2 强降水的环流演变 |
| 4.2 不一致型样本的比较分析 |
| 4.3 本章小结 |
| 第五章 强降水的预报试验 |
| 5.1 三层迁移CNN分型模型的建立 |
| 5.2 区域强降水的统计预报 |
| 5.3 模式强降水的订正预报 |
| 5.4 本章小结 |
| 第六章 结果与讨论 |
| 6.1 全文主要结论 |
| 6.2 创新点 |
| 6.3 讨论及展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）集合降雨预报在并联水库汛期起调水位动态控制中的应用及其风险分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 汛期起调水位动态控制研究进展 |
| 1.2.2 集合降雨预报信息的应用方式研究进展 |
| 1.2.3 预报不确定性的风险分析进展 |
| 1.3 存在问题 |
| 1.4 研究内容 |
| 2 研究区概况 |
| 2.1 引言 |
| 2.2 工程背景 |
| 2.2.0 清柴库群 |
| 2.2.1 清河水库 |
| 2.2.2 柴河水库 |
| 2.3 资料介绍 |
| 2.3.1 清河水库 |
| 2.3.2 柴河水库 |
| 2.4 小结 |
| 3 集合降雨预报信息在清柴流域的应用方式研究 |
| 3.1 引言 |
| 3.2 ECMWF降雨集合统计量产品介绍与评价方法 |
| 3.2.1 集合统计量产品 |
| 3.2.2 精度评价方法 |
| 3.3 并联水库降雨预报相关性研究 |
| 3.3.1 考虑相关性的联合预报不确定性描述 |
| 3.3.2 不考虑相关性的联合预报不确定性描述 |
| 3.4 ECMWF集合降雨预报信息在清柴流域的应用方式研究 |
| 3.4.1 ECMWF集合统计量产品在清柴流域的精度评估 |
| 3.4.2 清柴流域降雨预报相关性研究 |
| 3.5 小结 |
| 4 并联水库汛期起调水位动态控制域上限风险分析 |
| 4.1 引言 |
| 4.2 基于降雨预报信息的并联水库“聚合-分解”法 |
| 4.2.1 “聚合水库”的改进预泄能力约束法 |
| 4.2.2 基于马斯京根的库容分解 |
| 4.3 利用不同预报信息的风险计算方法 |
| 4.3.1 利用降雨预报信息的风险计算方法 |
| 4.3.2 耦合利用降雨预报与洪水预报信息的风险计算方法 |
| 4.4 清柴库群汛期起调水位动态控制域上限风险分析 |
| 4.4.1 清柴库群汛期起调水位动态控制域上限关系 |
| 4.4.2 利用降雨预报信息的清柴水库风险分析 |
| 4.4.3 耦合利用降雨预报与洪水预报信息的清柴水库风险分析 |
| 4.5 小结 |
| 5 并联水库起调水位动态控制的防洪风险传递与转化研究 |
| 5.1 引言 |
| 5.2 下游防洪控制点风险计算方法 |
| 5.3 库群联合防洪预报调度模型 |
| 5.4 并联水库起调水位动态控制的防洪风险传递与转化研究 |
| 5.4.1 清柴并联水库间风险转化关系 |
| 5.4.2 清柴并联水库-石佛寺站风险传递关系 |
| 5.4.3 不同联调规则对风险转化与风险传递的影响 |
| 5.5 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于深度卷积神经网络的强对流天气预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 机器学习在强对流和降水监测中的应用 |
| 1.2.2 机器学习在强对流临近预报中的应用 |
| 1.2.3 机器学习在强对流短时和短期预报中的应用 |
| 1.2.4 小结与展望 |
| 1.3 问题的提出 |
| 1.4 论文章节安排 |
| 第2章 基于多源观测数据的闪电临近预报 |
| 2.1 研究背景 |
| 2.2 数据和方法 |
| 2.2.1 卫星数据 |
| 2.2.2 全国雷达拼图数据 |
| 2.2.3 闪电定位数据 |
| 2.2.4 地理范围选取 |
| 2.3 深度学习方法 |
| 2.3.1 闪电预报流程 |
| 2.3.2 训练集和测试集构建 |
| 2.3.3 深度学习模型 |
| 2.4 试验结果 |
| 2.4.1 检验结果 |
| 2.4.2 2018年8月23日预报个例分析 |
| 2.4.3 2018年8月4日预报个例分析 |
| 2.4.4 闪电初生预报和检验 |
| 2.5 结论和讨论 |
| 第3章 基于高分辨率数值预报和观测数据的闪电短时预报 |
| 3.1 研究背景 |
| 3.2 数据 |
| 3.2.1 观测数据 |
| 3.2.2 高分辨率数值天气预报数据 |
| 3.3 深度学习模型 |
| 3.3.1 深度学习模型结构 |
| 3.3.2 训练集和测试集 |
| 3.3.3 训练过程 |
| 3.4 试验结果 |
| 3.4.1 批量检验结果 |
| 3.4.2 个例检验结果-2018年8月21日 |
| 3.4.3 个例检验结果-2018年8月23日 |
| 3.5 小结 |
| 第4章 基于数值预报的强对流天气短期分类预报 |
| 4.1 引言 |
| 4.2 数据与方法 |
| 4.2.1 NCEP FNL分析资料 |
| 4.2.2 强对流天气实况数据 |
| 4.3 深度学习预报算法 |
| 4.3.1 训练样本和测试样本 |
| 4.3.2 深度学习模型构建 |
| 4.3.3 预报过程 |
| 4.4 结果评估 |
| 4.4.1 不同模型评估 |
| 4.4.2 个例预报评估 |
| 4.4.3 算法整体评估 |
| 4.5 小结 |
| 第5章 基于机器学习可视化的强对流机理规律研究 |
| 5.1 研究背景 |
| 5.2 数据和方法 |
| 5.2.1 预报因子重要性排序 |
| 5.2.2 变换重要性 |
| 5.2.3 特征图(feature map可视化) |
| 5.3 机器学习模型可解释性 |
| 5.3.1 基于NWP的分类强对流天气预报因子重要性排序 |
| 5.3.2 基于多源观测数据和HNWP数据进行短时预报的预报因子变换重要性 |
| 5.3.3 基于多源观测数据特征图可视化 |
| 5.4 小结与讨论 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 研究的目的及意义 |
| 1.2 S2S预测计划 |
| 1.3 国内外研究进展 |
| 1.3.1 模式热浪预测研究进展 |
| 1.3.2 模式统计后处理 |
| 1.4 研究内容 |
| 1.5 研究亮点 |
| 第二章 资料与方法 |
| 2.1 资料 |
| 2.1.1 模式回报数据集 |
| 2.1.2 验证数据集 |
| 2.2 方法 |
| 2.2.1 气候态、异常及季节内信号的提取 |
| 2.2.2 极暖事件、暖事件、平均事件与热浪事件的定义 |
| 2.2.3 预报技巧评估指标 |
| 2.2.4 ECMWF模式回报数据的重构 |
| 2.2.5 北半球夏季季节内振荡指数 |
| 2.2.6 模式偏差订正模型 |
| 第三章 模式气温在中国夏季的系统性偏差与次季节预报技巧 |
| 3.1 引言 |
| 3.2 模式气温在中国夏季的系统性偏差特征 |
| 3.3 模式气温在中国夏季的次季节预报技巧 |
| 3.4 模式对不同气候概率事件的次季节预报技巧 |
| 3.5 本章小结 |
| 第四章 长江流域高温热浪的次季节预测技巧来源 |
| 4.1 引言 |
| 4.2 次季节热浪预报技巧的评估 |
| 4.3 季节内环流异常偏差和陆气反馈对热浪预报技巧的影响 |
| 4.4 本章小结 |
| 第五章 模式气温在长江流域的统计释用 |
| 5.1 引言 |
| 5.2 模式气温集合平均预测与集合成员预测的预报技巧对比 |
| 5.3 模式订正前后的气温预报技巧对比 |
| 5.4 模式订正前后对区域高温热浪的预报技巧 |
| 5.5 本章小结 |
| 第六章 总结与讨论 |
| 6.1 总结 |
| 6.2 讨论 |
| 致谢 |
| 参考文献 |
| 个人简介 |
（6）基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 中长期径流预报方法 |
| 1.2.2 预报因子筛选方法 |
| 1.2.3 预报后处理方法 |
| 1.3 主要研究内容 |
| 2 研究区域概况 |
| 2.1 引言 |
| 2.2 桓仁流域概况 |
| 3 CFS指标在桓仁流域汛期径流预报中的应用 |
| 3.1 引言 |
| 3.2 基于CFS指标的径流预报方法 |
| 3.2.1 CFS指标 |
| 3.2.2 随机森林 |
| 3.2.3 CFS-RF因子筛选方法 |
| 3.3 CFS-RF径流预报能力检验 |
| 3.3.1 预报模型搭建 |
| 3.3.2 检验方案设计 |
| 3.3.3 汛期径流总量预报结果 |
| 3.3.4 汛期各月径流预报结果 |
| 3.3.5 汛期径流影响因素分析 |
| 3.4 小结 |
| 4 SEAS5 降水预报在桓仁流域汛期的适用性评估 |
| 4.1 引言 |
| 4.2 SEAS5 降水数据 |
| 4.3 评估指标与校正方法 |
| 4.3.1 评估指标 |
| 4.3.2 贝叶斯联合概率模型 |
| 4.4 评估结果及分析 |
| 4.4.1 系统偏差评估 |
| 4.4.2 可靠性及锐度评估 |
| 4.4.3 技巧评估 |
| 4.5 小结 |
| 5 结合SEAS5 降水预报的桓仁汛期径流预报 |
| 5.1 引言 |
| 5.2 汛期径流总量预报评估 |
| 5.2.1 确定性预报评估 |
| 5.2.2 概率预报评估 |
| 5.3 汛期各月径流预报评估 |
| 5.3.1 确定性预报评估 |
| 5.3.2 概率预报评估 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）考虑地形影响的降水概率预报订正研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 降水预报订正的国内外研究进展 |
| 1.2.2 降水预报的地形因素的国内外研究进展 |
| 1.2.3 降水概率预报的国内外研究进展 |
| 1.3 研究内容 |
| 第二章 资料和方法 |
| 2.1 资料 |
| 2.1.1 预报资料 |
| 2.1.2 观测资料 |
| 2.2 方法 |
| 2.2.1 左删失的非齐次Logistic回归 |
| 2.2.2 基于位置、尺度、形状的广义线性加法模型 |
| 2.2.3 标准化的模式后处理 |
| 2.2.4 近邻传播聚类算法 |
| 2.3 评估方法 |
| 第三章 集合预报日降水量预报误差与地形因素的关系 |
| 3.1 地形参数定义 |
| 3.1.1 网格地形高度标准差 |
| 3.1.2 模式地形高度绝对误差 |
| 3.2 地形参数对日降水量预报误差的影响分析 |
| 3.2.1 地形高度标准差与日降水预报误差的关系 |
| 3.2.2 模式地形与实际地形高度绝对误差与日降水预报误差的关系 |
| 3.3 本章小结 |
| 第四章 日降水量气候概率的空间分布的模拟 |
| 4.1 日降水的气候分区 |
| 4.2 日降水量气候概率分布的模拟 |
| 4.3 模型的比较和验证 |
| 4.4 本章小结 |
| 第五章 距平标准化的降水概率预报订正研究 |
| 5.1 最优训练期的选取 |
| 5.2 降水概率预报订正效果评估 |
| 5.3 本章小结 |
| 第六章 总结与讨论 |
| 6.1 总结 |
| 6.2 问题与讨论 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）基于深度学习的雷达降水临近预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 天气雷达发展现状 |
| 1.2.2 临近预报研究现状 |
| 1.2.3 深度学习在降雨临近预报的研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 资料获取及数据预处理 |
| 2.1 数据资料 |
| 2.1.1 雷达资料 |
| 2.1.2 探空资料 |
| 2.1.3 雨量计资料 |
| 2.2 数据预处理 |
| 2.3 构造数据集 |
| 2.3.1 数据采样 |
| 2.3.2 图像绘制 |
| 2.3.3 雷达回波图像数据集构造 |
| 2.4 本章小结 |
| 第3章 基于ConvLSTM的雷达回波预测 |
| 3.1 RNN方法概述 |
| 3.1.1 循环神经网络 |
| 3.1.2 长短时记忆网络 |
| 3.2 ConvLSTM结构 |
| 3.3 ConvLSTM训练 |
| 3.3.1 ConvLSTM前向传播 |
| 3.3.2 ConvLSTM反向传播 |
| 3.4 试验设计与分析 |
| 3.4.1 预测图像准确率分析 |
| 3.4.2 预测指标对比分析 |
| 3.5 本章小结 |
| 第4章 基于ConvGRU的雷达回波预测 |
| 4.1 GRU网络结构 |
| 4.2 ConvGRU网络结构 |
| 4.3 ConvGRU训练 |
| 4.3.1 ConvGRU前向传播 |
| 4.3.2 ConvGRU反向传播 |
| 4.4 试验设计与分析 |
| 4.4.1 预测图像准确率分析 |
| 4.4.2 预测指标对比分析 |
| 4.4.3 预测时效分析 |
| 4.5 本章小结 |
| 第5章 雷达定量测量降水 |
| 5.1 方法概述 |
| 5.2 Z-R关系法介绍 |
| 5.3 数据及评价指标 |
| 5.3.1 数据 |
| 5.3.2 评价指标 |
| 5.4 对比分析 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在读期间科研成果简介 |
（9）基于多模式集合的季节-年际气候预测方法研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 短期气候预测概述 |
| 1.2.1 短期气候预测时间尺度 |
| 1.2.2 季节-年际气候预测的研究进展 |
| 1.3 气候预测方法发展与现状 |
| 1.3.1 统计气候预测方法 |
| 1.3.2 动力气候预测方法 |
| 1.3.3 气候预测困难与相关研究 |
| 1.4 问题的提出及研究内容 |
| 1.5 本文的创新之处 |
| 第二章 资料与方法 |
| 2.1 观测数据资料 |
| 2.2 模式数据资料 |
| 2.3 方法 |
| 第三章 动力模式性能评估 |
| 3.1 引言 |
| 3.2 模式对季风的模拟 |
| 3.2.1 依赖于季节的经验正交函数分解 |
| 3.2.2 模式对季风的模拟能力 |
| 3.2.3 季风与ENSO的关系 |
| 3.3 NMME降水和SST的动力预测评估 |
| 3.3.1 NMME降水动力预测评估 |
| 3.3.2 NMME海温动力预测评估 |
| 3.4 本章小结 |
| 第四章 SPPM/ACE对 ENSO的预报订正 |
| 4.1 引言 |
| 4.2 订正方法说明 |
| 4.2.1 逐步型态投影方法 |
| 4.2.2 相似误差订正方法 |
| 4.3 逐步型态投影方法对两类ENSO的预报订正 |
| 4.4 改进的相似误差订正方法对ENSO预报订正 |
| 4.5 本章小结 |
| 第五章 基于线性逆模型的误差订正方法及应用 |
| 5.1 引言 |
| 5.2 基于线性逆模型的订正方法 |
| 5.2.1 线性逆模型 |
| 5.2.2 误差订正试验设计 |
| 5.3 BCC_CSM1.1M模式的误差订正试验 |
| 5.3.1 降水预报订正试验 |
| 5.3.2 SST预报订正试验 |
| 5.4 基于NMME多模式集合的订正效果 |
| 5.4.1 降水预报订正试验 |
| 5.4.2 SST预报订正试验 |
| 5.5 本章小结 |
| 第六章 基于深度学习的误差订正方法及应用 |
| 6.1 引言 |
| 6.1.1 深度学习的发展 |
| 6.1.2 卷积神经网络 |
| 6.1.3 深度残差网络 |
| 6.2 深度学习网络结构设计 |
| 6.2.1 数据预处理介绍 |
| 6.2.2 深度学习网络结构设计 |
| 6.3 GFDL-CM2P1-aer04 模式的误差订正试验 |
| 6.3.1 降水预报订正试验 |
| 6.3.2 SST预报订正试验 |
| 6.4 基于NMME多模式集合的订正效果 |
| 6.4.1 降水预报订正试验 |
| 6.4.2 SST预报订正试验 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 全文总结 |
| 7.2 讨论及展望 |
| 参考文献 |
| 致谢 |
（10）典型风电场的风场数值预报能力改进及应用系统开发研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 全球可再生能源发展背景 |
| 1.2 我国风电发展现状 |
| 1.3 甘肃河西风电场特征 |
| 1.4 风电预报研究发展现状 |
| 1.4.1 风电预报研究中WRF的应用 |
| 1.4.2 风电预报研究中的参数化方案 |
| 1.5 科学问题的提出 |
| 1.6 研究内容与章节安排 |
| 1.7 论文的创新性 |
| 第二章 资料与方法 |
| 2.1 资料 |
| 2.2 方法 |
| 2.2.1 数值模式 |
| 2.2.2 MV-EOF方法 |
| 2.2.3 K-means方法 |
| 2.2.4 风速订正方法 |
| 2.2.5 检验指标 |
| 2.3 本章小结 |
| 第三章 典型风电场风场分型及转换特征 |
| 3.1 甘肃地区风场基本特征 |
| 3.1.1 地表风速基本特征 |
| 3.1.2 不同高度风速特征 |
| 3.2 基于K-means的风场分型及特征 |
| 3.3 风场不同分型之间的转换 |
| 3.4 风场不同分型之间转换的环流特征 |
| 3.5 本章小结 |
| 第四章 数值模拟误差特征分析 |
| 4.1 数值模式对风速模拟研究背景 |
| 4.2 数值模式模拟结果与区域站资料对比分析 |
| 4.2.1 区域站分布 |
| 4.2.2 风速相关系数 |
| 4.2.3 风速误差百分率 |
| 4.2.4 2 m温度相关系数 |
| 4.3 数值模式模拟结果与风塔资料对比分析 |
| 4.3.1 风塔资料介绍 |
| 4.3.2 风塔测风逐小时分布 |
| 4.3.3 风塔资料的结果对比分析 |
| 4.4 本章小结 |
| 第五章 地形坐标对风场模拟的影响 |
| 5.1 σ坐标和混合σ-p垂直坐标 |
| 5.2 试验区域地形特征概况 |
| 5.3 试验设计 |
| 5.4 结果对比分析 |
| 5.4.1 基本形势场特征 |
| 5.4.2 高层地形重力波扰动 |
| 5.4.3 对对流层结构模拟的影响 |
| 5.5 水平风速模拟差异 |
| 5.6 批量实验与实况对比 |
| 5.7 结论与讨论 |
| 第六章 细网格风场预报的同化改进试验研究 |
| 6.1 WRF-3DVAR同化 |
| 6.2 试验设计 |
| 6.3 结果分析 |
| 6.3.1 气象要素增量对比 |
| 6.3.2 U、V误差分析 |
| 6.4 本章小结 |
| 第七章 误差订正方法研究 |
| 7.1 风电场位置及风速预报误差特征 |
| 7.1.1 风电场位置分布 |
| 7.1.2 风电场误差分布特征 |
| 7.2 风速误差订正新方法 |
| 7.3 基于AVT方法的风电场风速预报误差订正 |
| 7.3.1 误差订正情况 |
| 7.3.2 不同时刻、不同风速等级的订正 |
| 7.3.3 不同时段下风速订正后误差分析 |
| 7.3.4 基于历史资料的订正情况 |
| 7.4 不同方法风电场风速预报误差订正对比研究 |
| 7.4.1 风电场风速误差订正 |
| 7.4.2 历史资料长度对风速误差订正的影响 |
| 7.5 本章小结 |
| 第八章 应用系统构建及检验评估 |
| 8.1 系统介绍 |
| 8.1.1 业务系统参数设定 |
| 8.1.2 业务系统构建中的重要改进 |
| 8.2 业务系统预报偏差分析 |
| 8.2.1 预报偏差整体情况 |
| 8.2.2 不同月份预报偏差 |
| 8.2.3 不同时刻预报偏差 |
| 8.2.4 不同等级风速预报偏差 |
| 8.3 本章小结 |
| 第九章 总结与展望 |
| 9.1 全文总结 |
| (1)揭示了甘肃河西地区风场型的基本特征 |
| (2)分析了甘肃河西风速预报误差特征 |
| (3)对比了复杂地形下不同垂直坐标系对预报结果的影响 |
| (4)研究了同化ECMWF预报场对模式风速预报的影响 |
| (5)提出了基于历史资料的风速订正方法并用于业务 |
| (6)构建了甘肃省新能源数值预报系统并检验预报性能 |
| 9.2 讨论与展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 一、发表论文 |
| 二、主持科研项目 |
| 致谢 |
四、三级相关相似统计方法在短期气候预报中的应用（论文参考文献）
- [1]黄河流域的干旱驱动及评估预测研究[D]. 黄春艳. 西安理工大学, 2021(01)
- [2]基于残差神经网络的江淮持续性强降水的环流分型及预报[D]. 蔡金圻. 南京信息工程大学, 2021(01)
- [3]集合降雨预报在并联水库汛期起调水位动态控制中的应用及其风险分析[D]. 赵熙. 大连理工大学, 2021(01)
- [4]基于深度卷积神经网络的强对流天气预报方法研究[D]. 周康辉. 中国气象科学研究院, 2021
- [5]基于次季节-季节（S2S）预报模式对长江流域高温热浪预报的评估与订正[D]. 谢洁宏. 南京信息工程大学, 2021
- [6]基于气候因子及SEAS5降水预报的桓仁流域汛期径流预报[D]. 唐思维. 大连理工大学, 2021(01)
- [7]考虑地形影响的降水概率预报订正研究[D]. 霍自强. 南京信息工程大学, 2021(01)
- [8]基于深度学习的雷达降水临近预报研究[D]. 李英睿. 青海大学, 2021(01)
- [9]基于多模式集合的季节-年际气候预测方法研究[D]. 王琳. 中国地质大学, 2020(03)
- [10]典型风电场的风场数值预报能力改进及应用系统开发研究[D]. 张铁军. 兰州大学, 2020(11)