抽查舔水白紧大视频,冲喜娘子超甜哒 激情五月,亚洲黄色图片偷拍网站,亚洲三级黄片免费播放,91在线观看喷潮红桃,日韩精品在线观看一区二区,久久久久久久久久久久黄色片子,日产精品99久久久久久久久,欧洲亚洲另类图片小说

摘要:利用ERA5再分析資料、葵花8靜止衛(wèi)星云屬性數(shù)據(jù)、全球降水測量計劃(Global Precipitation Measurement， GPM)雙頻降水雷達(dá)降水結(jié)構(gòu)數(shù)據(jù)以及全球綜合多衛(wèi)星檢索(the Integrated Multi-satellite Retrievals for GPM， GPM IMERG)降水量數(shù)據(jù)，分析了2021年7月12日京津冀地區(qū)一次極端降水事件的水汽輸送及降水結(jié)構(gòu)特征。結(jié)果表明：西太平洋副熱帶高壓西端強盛的西南氣流將低緯度地區(qū)水汽向北輸送，受黃河流域上空的低渦以及渤海上空高壓壩阻擋形成穩(wěn)定的大氣河結(jié)構(gòu)，在京津冀地區(qū)形成顯著的水汽輻合帶，為強降水的發(fā)生提供了充足的水汽條件。垂直剖面分析表明，當(dāng)強降水發(fā)生時，強上升氣流幾乎貫穿整個對流層并與強水汽輻合區(qū)基本重疊。7月12日上午，強降水區(qū)與強水汽輻合區(qū)基本重合，午后部分強降水發(fā)生在中等強度輻合區(qū)和弱輻散區(qū)。強降水區(qū)域云頂高度普遍超過12 km，高云頂區(qū)域與強降水落區(qū)基本重疊。此次極端事件以對流降水為主，相較于氣候態(tài)，雷達(dá)反射率因子在低層呈現(xiàn)20 dBZ和30～34 dBZ的雙高頻中心，粒子集中于低層1～2 km，粒徑更小且數(shù)濃度更高。另外，粒子直徑的廓線在6～10 km明顯偏小且隨降水強度變化不規(guī)律，數(shù)濃度偏高。

摘要:基于1993—2022年逐月地表總輻射(SSR)、最高氣溫(T_max)、平均氣溫(T_ave)、最低氣溫(T_min)以及氣溫日較差(DTR)數(shù)據(jù)，本文分析了2022年夏季長江中下游地區(qū)SSR、氣溫以及DTR的異常特征，重點討論了SSR異常對氣溫的影響。結(jié)果表明：(1)氣候平均上，夏季長江中下游處于全國SSR低值區(qū)，同時也是年際變化最明顯的地區(qū)之一，2022年該地區(qū)SSR為過去30 a中最高值，平均達(dá)到1 860.35 MJ·m^-2。(2)2022年夏季我國大部分地區(qū)氣溫較常年偏高，其中長江中下游地區(qū)T_max為異常偏高中心，大部分地區(qū)較常年偏高2 ℃以上，DTR在2022年達(dá)到1993—2022年期間最高值，為8.8 ℃。(3)2022年夏季因SSR異常引起長江中下游大部分地區(qū)T_max較常年異常偏高，部分站點因SSR異常導(dǎo)致偏高2 ℃以上。

摘要:2020年8月11日四川省蘆山縣國家氣象站出現(xiàn)了遠(yuǎn)超歷史平均值的異常降水，24 h雨量達(dá)425.7 mm，其中3 h雨量達(dá)348.6 mm，造成了較大的氣象災(zāi)害。為準(zhǔn)確評估本次降水天氣過程在當(dāng)?shù)貧v史上的影響，使用蘆山國家氣象站1980—2021年共42 a的多個歷時(60，120，180，360，720，1 440 min)的年最大值降水資料，采用了根據(jù)卡方檢驗排序，以均方誤差和殘差平方和和Wasserstein距離兩個指標(biāo)為評判標(biāo)準(zhǔn)，兼顧不同歷時降水的分布一致性，在80個概率密度分布函數(shù)中篩選了最優(yōu)分布johnsonsb分布，并根據(jù)分布函數(shù)的逆函數(shù)推算重現(xiàn)期。結(jié)果表明:與目前水文和氣象上經(jīng)常采用的皮爾遜Ⅲ型、耿貝爾分布、伽馬分布等類型有限的分布相比，該方法能夠保證擬合的總體數(shù)學(xué)誤差更小，兼顧了工程實用性，特別當(dāng)出現(xiàn)異常降水時，其計算的重現(xiàn)期更接近實際情況。經(jīng)過雨城、天全、寶興和石棉4個縣區(qū)的對比，采用該方法計算的重現(xiàn)期能夠較好地反映降水重現(xiàn)期情況。

摘要:中國氣象局全球數(shù)值預(yù)報系統(tǒng)(CMA-GFS)于2023年5月升級到v4.0，為了評估CMA-GFS升級前后對四川西南低渦暴雨過程的預(yù)報能力及升級后偏差特征，本文選取2022年和2023年該類過程對CMA-GFS、區(qū)域數(shù)值預(yù)報系統(tǒng)(CMA-MESO)和歐洲天氣預(yù)報系統(tǒng)(ECMWF)進(jìn)行對比檢驗及典型個例診斷分析。對比檢驗指出：CMA-GFS模式大暴雨量級漏報明顯；暴雨量級評分2022年顯著高于ECMWF和CMA-MESO，2023年評分下降且略低于ECMWF。針對2023年7月26—28日典型西南低渦暴雨個例，從環(huán)流形勢、低渦系統(tǒng)等多維度對CMA-GFS進(jìn)行評估診斷，結(jié)果表明：CMA-GFS4.0模式預(yù)報主要影響系統(tǒng)位置及移動路徑和實況基本一致，降水落區(qū)基本正確，對低渦暴雨過程具有指示意義；風(fēng)速尤其南風(fēng)分量預(yù)報從初始場開始即顯著偏弱，導(dǎo)致低層雙低空急流漏報，與風(fēng)速相聯(lián)系的動力作用預(yù)報偏弱是本次過程量級預(yù)報偏弱的主要因素；低層干偏差造成低層能量和層結(jié)不穩(wěn)定條件預(yù)報偏弱，導(dǎo)致對流強度偏弱且持續(xù)時間短；西南低渦前期各項偏差相對明顯，低渦強盛期偏差開始減小甚至出現(xiàn)正負(fù)轉(zhuǎn)變趨勢。

摘要:為研究浙江地區(qū)及口外海域風(fēng)暴潮的過程，本文建立了用于浙江沿海范圍內(nèi)的水動力計算模型，相較于其他類型的模型進(jìn)行合理簡化，以風(fēng)場為主要影響因素，可更直觀地研究臺風(fēng)期間沿岸海域的變化，使用方便、計算速度快。選取2019年9號強臺風(fēng)“利奇馬”和2004年13號強臺風(fēng)“云娜”進(jìn)行模擬，通過研究海域或地區(qū)的地形、潮位、潮流、氣象等實測資料，分析潮流場模擬，從而對浙江附近海域潮汐特征和潮流場有更全面的認(rèn)識，確定安全可靠的潮汐、潮流特征參數(shù)，這對浙江的安全、經(jīng)濟(jì)發(fā)展和航運均有重要科學(xué)意義和實用價值。

摘要:對流尺度集合預(yù)報系統(tǒng)(Convective-scale Ensemble Prediction System， CEPS)具有時空高分辨率，能提供概率預(yù)報，對于提高強對流天氣的可預(yù)報性具有重要意義。目前，CEPS已經(jīng)成為業(yè)務(wù)中心建設(shè)的重點，而初值擾動方法是攻關(guān)技術(shù)難點之一，目前業(yè)務(wù)上主要的初值擾動方案有：動力降尺度、集合資料同化及奇異向量等，也有學(xué)者將中尺度集合預(yù)報的初值擾動方法如增長模繁殖法方案及混合擾動方法沿用到對流尺度集合預(yù)報中。然而現(xiàn)有方案尚未考慮快速增長的非線性擾動，開發(fā)能夠描述初始場非線性增長信息的初值擾動方法，是CEPS的一個發(fā)展方向。國際上一些先進(jìn)的數(shù)值預(yù)報中心和機構(gòu)已成功地將CEPS應(yīng)用到業(yè)務(wù)天氣預(yù)報中，從現(xiàn)有的CEPS對強降水天氣事件預(yù)報可見，CEPS能夠為大量級降水提供概率預(yù)報，對暴雨的極端性有較好的參考意義，而集合平均的參考性并不強，其對強降水的預(yù)報仍然存在改進(jìn)空間。人工智能技術(shù)的進(jìn)步為集合預(yù)報的發(fā)展帶來了新契機，首先集合預(yù)報能夠為人工智能模型訓(xùn)練提供優(yōu)質(zhì)的數(shù)據(jù)基礎(chǔ)；其次，構(gòu)建基于人工智能的集合預(yù)報模型避免了傳統(tǒng)集合預(yù)報的高耗能問題；此外，利用人工智能技術(shù)對集合預(yù)報結(jié)果進(jìn)行后處理，可提升集合預(yù)報的使用效率。隨著數(shù)值天氣預(yù)報逐步實現(xiàn)精細(xì)化，CEPS與人工智能相結(jié)合也將是未來發(fā)展的一個重要方向。

摘要:本文構(gòu)建了一種基于因果分析和機器學(xué)習(xí)的站點氣溫短臨預(yù)報模型，以臺灣省松山站為試驗對象，利用歐洲中期天氣預(yù)報中心(European Centre for Medium-Range Weather Forecasts， ECMWF)再分析資料、松山站實測氣象資料和中國氣象局陸面數(shù)據(jù)同化系統(tǒng)(Chinese Land Data Assimilation System-v2.0， CLDAS-v2.0)近實時產(chǎn)品資料，引入因果信息流理論，采用四種機器學(xué)習(xí)算法：多層前饋神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network， BPNN)、隨機森林(Random Forest，RF)、最小二乘支持向量機(Least Square Support Vector Machine， LSSVM)和貝葉斯網(wǎng)絡(luò)(Bayesian Network， BN)，開展氣溫短臨預(yù)報試驗。結(jié)論如下：(1)在選取的任一種數(shù)據(jù)資料驅(qū)動下，對于BPNN、RF、BN，基于因果分析的預(yù)報結(jié)果優(yōu)于相關(guān)分析，均方根誤差的平均降幅在1%～2%之間。對于LSSVM，因果分析與相關(guān)分析差別較小，驗證了因果分析具備更優(yōu)的關(guān)聯(lián)關(guān)系挖掘能力；(2)在預(yù)報模型中增加相鄰空間預(yù)報因子能夠顯著提高氣溫預(yù)報效果，改進(jìn)后氣溫預(yù)報模型均方根誤差的平均降幅在2%～8%之間；(3)在模型訓(xùn)練樣本較少情況下，基于CLDAS-v2.0近實時產(chǎn)品資料的預(yù)報效果優(yōu)于ECMWF再分析資料的預(yù)報效果，均方根誤差的平均降幅在4%～8%之間，從側(cè)面驗證了CLDAS-v2.0近實時產(chǎn)品資料在中國區(qū)域質(zhì)量優(yōu)于國際同類產(chǎn)品。

摘要:針對氣象雷達(dá)回波深度學(xué)習(xí)外推方法中存在的回波邊緣扭曲、模糊彌散失真及真實性衰退的問題，在卷積長短期記憶網(wǎng)絡(luò)(Convolutional Long Short-Term Memory，Conv-LSTM)中引入殘差模塊、生成器與判別器，構(gòu)建生成對抗—殘差卷積長短期記憶網(wǎng)絡(luò)(Generative Adversarial-Residual Convolutional Long Short-Term Memory Network，GAN-rcLSTM)深度學(xué)習(xí)模型，同時針對不同強度回波賦予不同權(quán)重得到自定義的加權(quán)損失函數(shù)并融入GAN-rcLSTM得到自定義損失函數(shù)—生成對抗—殘差卷積長短期記憶網(wǎng)絡(luò)(Weighted Loss Function-Generative Adversarial-Residual Convolutional Long Short-Term Memory Network，Wloss-GAN-rcLSTM)?；?021—2022年山東省及周邊地區(qū)歷史雷達(dá)回波數(shù)據(jù)集對Wloss-GAN-rcLSTM模型進(jìn)行回波外推訓(xùn)練與測試，建立預(yù)報時長為0～2 h、逐6 min更新的時空型深度學(xué)習(xí)雷達(dá)回波外推模型。檢驗評估表明，Wloss-GAN-rcLSTM雷達(dá)回波外推模型較光流法、預(yù)測遞歸神經(jīng)網(wǎng)絡(luò)(Predictive Recurrent Neural Network，PredRNN)及GAN-rcLSTM方法在強降水關(guān)注的45 dBZ閾值下其臨界成功指數(shù)(Critical Success Index，CSI)分別提升了0.12、0.07與0.02，清晰度指標(biāo)結(jié)構(gòu)相似性指數(shù)(Structural Similarity Index，SSIM)分別提升了0.009、0.042與0.11，且個例檢驗顯示W(wǎng)loss-GAN-rcLSTM最優(yōu)適用于颮線等中尺度天氣過程預(yù)報。

摘要:本文利用新一代中尺度數(shù)值模式(Weather Research and Forecasting model，WRF)模擬了一次強對流天氣過程，開展了基于觀測系統(tǒng)模擬試驗(Observation System Simulation Experiment，OSSE)的雙雷達(dá)風(fēng)場反演效果試驗研究。基于WRF模式輸出的三維風(fēng)場，模擬兩部多普勒雷達(dá)的體掃數(shù)據(jù)，再利用迭代法和變分法進(jìn)行三維風(fēng)場反演，將模式輸出場作為真實風(fēng)場，定量計算反演風(fēng)場的風(fēng)速誤差，結(jié)合典型強對流個例的發(fā)生、發(fā)展過程，分析不同算法反演風(fēng)場的散度、渦度和垂直速度等特征。結(jié)果表明，兩種算法反演獲得的風(fēng)場結(jié)構(gòu)與強對流天氣過程的基本特征一致，變分法能更準(zhǔn)確地反演出強對流天氣過程的垂直速度、散度和渦度場，而迭代法反演的結(jié)構(gòu)特征不明顯，且強度明顯偏弱。

摘要:為了揭示金沙江下游穿谷大風(fēng)下天氣雷達(dá)回波特征及監(jiān)測能力，本文利用2018年1月—2022年4月的ERA5再分析資料、天氣雷達(dá)數(shù)據(jù)、探空站和地面氣象觀測資料，選擇穿谷大風(fēng)個例，分析金沙江下游典型河谷區(qū)不同季節(jié)穿谷大風(fēng)天氣的環(huán)流形勢和雷達(dá)回波演變特征。結(jié)果表明：(1)干季(11月—次年4月)和雨季(5—10月)大風(fēng)的尺度類型、影響系統(tǒng)、云系結(jié)構(gòu)和雷達(dá)回波特征差異明顯。雨季大風(fēng)是受西南渦影響的中小尺度對流性大風(fēng)天氣，云系變化特征表現(xiàn)為塊狀積云快速演變，回波強度超過55 dBZ，在徑向速度場中呈中小尺度輻合線的特征。干季大風(fēng)是500 hPa的偏西風(fēng)繞流青藏高原分成南北兩支氣流，層狀云回波維持，強度在30 dBZ左右，在速度圖上伴隨速度模糊區(qū)、“牛眼”結(jié)構(gòu)和零速度線彎折的鋒面切變特征。(2)風(fēng)廓線產(chǎn)品(Vertical Wind Profile，VWP)反映穿谷大風(fēng)中對流層的冷暖平流變化?；夭敻?Echo Top，ET)和垂直液態(tài)水含量(Vertically Integrated Liquid，VIL)揭示了雨季大風(fēng)的位置。VIL值增高至最大值后快速減小與大風(fēng)時間吻合。

摘要:在低溫或高濕等惡劣環(huán)境中，自動氣象站在測量地面空氣相對濕度時采用的電容式濕度傳感器易產(chǎn)生較顯著的測量誤差。為提高濕度的測量精度，本文提出了一種包括4個濕度傳感器，4個加熱電阻及其測控電路的4點陣列式濕度測量系統(tǒng)，并綜合利用傳感器加熱技術(shù)和氣壓控制進(jìn)行誤差修正。利用不同氣壓下的測量數(shù)據(jù)和準(zhǔn)牛頓法(BFGS)加全局優(yōu)化算法建立誤差修正方程。實驗結(jié)果表明，經(jīng)修正后，在0 ℃時，測量值的均方根誤差可從6.1%降低至2.3%。

摘要:大風(fēng)是影響高鐵行車安全的主要氣象因素之一，高鐵對局地瞬時風(fēng)速敏感，本文研究其沿線風(fēng)環(huán)境特性，揭示風(fēng)速變化特征，為沿線大風(fēng)預(yù)測預(yù)警提供理論支撐。選取京滬高鐵江蘇段4個典型區(qū)域氣象站風(fēng)速監(jiān)測數(shù)據(jù)，運用統(tǒng)計學(xué)方法和非線性系統(tǒng)理論研究不同時距下的風(fēng)特性。揭示了沿線風(fēng)場特性變化規(guī)律，研究結(jié)果表明：脈動風(fēng)速波動幅度隨時距增大間歇增大，間歇點出現(xiàn)在5 min時距；脈動強度與平均風(fēng)速之間呈正相關(guān)變化，這種變化關(guān)系隨時距增大愈發(fā)明顯；陣風(fēng)因子和湍流強度具有明顯局地差異性，都隨平均風(fēng)速的增大而減小，近似呈現(xiàn)冪函數(shù)衰減變化規(guī)律；不同時距風(fēng)速的概率分布特性存在很小的差異，局地差異性顯著；不同時距風(fēng)速的最大李亞普諾夫指數(shù)均為正，均具有可預(yù)測性，且可預(yù)測性隨時距的增大而減弱。在進(jìn)行沿線風(fēng)速預(yù)測建模時，選取20 s、30 s、1 min、2 min、5 min、10 min時距的風(fēng)速理論上可以取得較為準(zhǔn)確的預(yù)測結(jié)果。

摘要:本文基于安徽省壽縣2019年11月—2020年10月渦度相關(guān)法觀測的稻麥輪作農(nóng)田CH₄通量數(shù)據(jù)，分析稻麥輪作農(nóng)田CH₄通量特征及對降雨的短期響應(yīng)過程。結(jié)果表明，壽縣稻麥輪作農(nóng)田為CH₄排放源，全年CH₄通量約為20.52 g·m^-2。其中，水稻生育期約為15.71 g·m^-2，占全年CH₄通量的77.6%，分蘗期(11.63 g·m^-2)最大；冬小麥生育期約為1.20 g·m^-2，乳熟期(0.66 g·m^-2)最大；休耕期約為3.60 g·m^-2。冬小麥CH₄通量日變化均表現(xiàn)為單峰型，峰值多出現(xiàn)于午后；稻季CH₄通量日變化表現(xiàn)為單峰型和雙峰型。降雨對CH₄通量峰值出現(xiàn)時間的影響具有時滯性，水稻生育期大雨的延遲效果最明顯。CH₄通量與降雨量顯著相關(guān)，水稻生育期小雨提高CH₄排放能力，不同等級雨量和雨強無顯著差異，冬小麥生育期中雨和大雨均提高CH₄排放能力，且隨著降雨強度的增強，農(nóng)田可能由匯向源轉(zhuǎn)變。

摘要:本文綜合使用觀測數(shù)據(jù)、遙感數(shù)據(jù)以及WRF-LES模式研究了射陽港經(jīng)濟(jì)開發(fā)區(qū)的熱島現(xiàn)象。觀測數(shù)據(jù)表明：2014年以后，射陽港經(jīng)濟(jì)開發(fā)區(qū)溫度持續(xù)升高，但由于地理位置臨海，升高幅度沒有周邊地區(qū)大。通過對遙感數(shù)據(jù)進(jìn)一步分析發(fā)現(xiàn)，2013—2022年，由于城市建筑面積的擴(kuò)大、綠化面積的減小，射陽開發(fā)區(qū)的熱島效應(yīng)隨著時間的變化得到了增強。最后基于WRF-LES模式輸出結(jié)果，分析了射陽開發(fā)區(qū)下墊面和周邊農(nóng)田的能量變化情況。感熱通量是白天溫度的主要來源，土壤熱通量主要影響夜間溫度。因此，春秋季白天以及秋季晚上，開發(fā)區(qū)下墊面溫度明顯高于農(nóng)田下墊面，其他季節(jié)溫度差別不大。秋季是射陽港經(jīng)濟(jì)開發(fā)區(qū)城市熱島現(xiàn)象最明顯的月份。