一、全球地面天气报数据集错站情况分析及处理方法的研究（论文文献综述）
曹彦超,韩晶,路亚奇,杨智强[1]（2021）在《陇东两类夏季雷暴的活动特征及影响因素分析》文中研究指明利用ECMWF-ERA5再分析资料、常规观测资料分析了甘肃陇东2009—2018年夏季雷暴活动特征及环境条件。结果表明:陇东年均雷暴日数为18.8～23.6 d,夏季雷暴占68.5%～74.7%。夏季雷暴主要分为偏北气流型和低槽影响型,其中偏北气流型以分散性干雷暴为主,较大的垂直温差、高空冷平流强度和近地面高温对雷暴发生具有显着影响;低槽影响型多伴有明显降水过程,显着影响因素为较高的低空温度、湿度和较强的不稳定能量。低槽影响型和偏北气流型雷暴分别占总数的30.5%和60%,这两种类型的雷暴更容易出现在陇东北部地区。低槽影响型雷暴呈逐月增加趋势,最大值出现在8月;偏北气流型雷暴呈单峰分布,最大值出现在7月。各站雷暴日数年际变化趋势在6、7月一致性较高;月雷暴日数均有3～5 a的变化周期,其中7、8月同步性较好。雷暴日数的月、年变化与相应类型主导因素相关明显。植被覆盖、气候带以及地形差异也对雷暴空间分布产生了重要影响。
周康辉[2]（2021）在《基于深度卷积神经网络的强对流天气预报方法研究》文中进行了进一步梳理强对流天气,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。
姜立鹏[3]（2021）在《基于4DEnVar的全球地面观测资料陆气协同同化研究》文中进行了进一步梳理近地面气象状况与人类活动息息相关,对人们生产生活具有重要影响,是天气预报的重点。全球在世界气象组织（World Meteorological Organization,WMO）的协调下建立了完善的地面观测网络和观测资料交换系统,每天可获取10000个天气报及5000个机场报站点观测。开展地面观测资料在全球数值模式中的同化应用研究,具有重要的科学和应用价值。然而,地面观测资料在全球数值预报业务中的同化应用还不充分,全球大气同化系统一般只同化气压观测资料,气温、湿度等观测资料则通过陆面同化系统间接使用（如欧洲中期天气预报中心,ECMWF）,只有少数数值预报中心（如英国气象局,UKMO）在其全球大气同化系统中使用地面气温、湿度和风场观测。UKMO和ECMWF的地面观测资料业务应用经验来看,大气和陆面的协同同化是地面资料同化的关键。本论文以GFS/GSI全球循环同化系统为基础,提出了“全球近地面同化+全球陆面同化+全球大气同化”的地面观测资料大气和陆面协同同化方案。该方案主要包括三个步骤:1)利用LETKF集合同化技术,将大气模式输出的近地面气温、湿度和风场与观测资料进行融合,获得全球近地面气象分析场;2)利用全球近地面气象分析场驱动全球陆面模式,并利用En OI技术实现对土壤湿度观测资料的同化,获得全球陆面分析场;3)将全球近地面观测增量应用于大气模式最底层,基于四维集合变分混合同化（Hybrid-4DEn Var）技术开展全球大气同化,获得全球大气分析场。基于该方案,论文建立了全球大气和陆面弱耦合同化系统,实现了对地面观测资料的大气和陆面协同同化。与地面观测资料大气和陆面协同同化方案三个步骤相对应,该弱耦合同化系统由以下三部分组成:（1）基于LETKF集合同化算法建立了考虑近地面气象要素“流依赖”特征的近地面分析系统,通过融合地面气温、湿度和风场观测资料,使近地面气象要素分析场偏差减小50%以上,均方根误差降低25%以上。（2）在对土壤湿度空间相关性深入研究的基础上,发展了土壤湿度地面站点观测资料的二维En OI融合系统。利用近地面气象要素分析场驱动全球陆面模式,并通过2D-En OI融合土壤湿度地面观测资料,进一步优化土壤湿度质量,获得与地面观测资料更加接近的全球陆面初始场。2016年5-9月的长序列同化试验表明,同化土壤湿度地面观测资料可以显着改进陆面模式土壤湿度模拟偏差和均方根误差。（3）提出了将近地面观测增量应用于大气模式最底层,通过四维集合变分混合同化技术将地面观测资料同化应用于大气模式的技术思路,基于GSI系统实现了地面观测资料的Hybrid-4DEn Var同化。单点观测同化试验表明,Hybrid-4DEn Var的同化增量在水平和垂直结构上比3DVar更合理,且更具有“流依赖”特性。利用发展的全球地面观测资料大气和陆面弱耦合同化系统和真实观测资料,开展了10天以上循环同化对比试验。结果显示地面观测气温、湿度和风场等资料的同化,能够显着改进近地面气温、湿度和风场的0h预报质量,全球平均气温、湿度和风场RMSE误差降幅分别达17.4%、25.5%和17.6%。对12h预报而言,气温和湿度能够较好保持明显的误差降低,RMSE误差降低分别约3.2%和10.2%。随着预报时效的增加,风场误差预报误差降幅越来越小,12h预报风场误差降幅约在1%左右。研究发现,地面观测资料同化对500h Pa以下气温廓线短期预报有改进。本论文基于GFS/GSI全球同化系统建立了具备地面气温、湿度和风场等观测资料同化能力的全球大气和陆面弱耦合同化系统,并开展一系列数值同化试验,在地面观测资料同化领域取得的研究成果对改进全球数值模式预报和资料再分析水平具有重要意义。
杨林祥[4]（2020）在《海洋气候条件典型气象年参数计算方法研究》文中研究表明我国海洋国土面积辽阔,具有丰富的资源,气候差异性较大,且南海地区是我国海洋开发的前沿,该地区的建设工作对于未来的海洋开发具有重要的战略意义,但由于地处偏远,鲜有对南海地区的建筑节能问题的研究,并且南海地区的气象参数缺失问题更为严重,因此无法在建筑设计中有效指导建筑节能设计,故此挑选了南海作为研究地区。论文针对上述现状,对南海地区典型年气象参数计算方法展开研究。首先通过建筑用能原理分析,得到了对于海洋建筑能耗影响最大的几个气象参数:空气温度、相对湿度、风速、太阳辐射。卫星数据能提供长时段、日均六次计时的气象数据;cmip3的气候模拟数据也可获得全球任意地点的气象数据。因此本文收集了1987-2016年的卫星数据与同时段的气候模拟数据。卫星数据中提供了海表温度数据,不能直接获得空气温度数据,因此还需要进行海表温度反演空气温度,本文选用了BOWEM比法与经验系数法来反演空气温度。卫星数据不能直接提供太阳辐射数据,所以选择了海拔参数修正后的温差模型来计算南海地区的太阳辐射值,并且收集了气候模拟数据中的太阳辐射值。其次为了验证数据可靠性,收集了船舶航海实测数据的温湿度、风速数据。航海数据存在着时间与空间不连续的问题,因此只能作为数据标尺来验证卫星数据与气候模拟数据的准确性。经过航海数据的对比验证,发现经验公式反演空气温度相对BOWEN比法的MPE更小,模型稳定性更好。对于温度、湿度、风速来说,卫星数据相对气候模拟数据的MPE更小,模型稳定性更高。但卫星数据要获得的气温、相对湿度还需要进一步计算,过程更复杂;气候模拟数据可直接获得所需参数。通过METEONORM软件中所提供的太阳辐射值,对比分析气候模拟数据所得到的太阳辐射数据与温差模型计算得到的太阳辐射数据发现:温差模型计算所得太阳辐射与气候模拟MPE接近,无明显优劣性。最后为了探究各参数与空调能耗之间的关系,选择经纬度接近南海地区的香港、新加坡、马尼拉和吉隆坡四座城市,并改变气象文件中温度、相对湿度、风速和太阳辐射等四项气象参数,对建筑空调能耗进行模拟。使用origin对能耗误差与各参数误差进行拟合,通过拟合方程,获得建筑能耗误差与各项参数误差之间的关系,发现建筑能耗误差受温度误差的影响最大,能耗误差约为温度误差的4倍;其次为湿度误差,约为0.7倍;能耗误差约为辐射误差的0.5倍;能耗误差约为风速误差的0.01倍。南海地区属于强辐射地区,由于其海洋性气候,建筑能耗和内陆地区有所不同,所以通过模拟国内强太阳辐射地区七月制冷能耗,与香港,新加坡,马尼拉,吉隆坡四座城市七月制冷能耗做出对比分析,发现强辐射地区夏季制冷能耗受到太阳辐射作用外,还受到温湿度的影响。综上所述,温湿度、风速三个参数,较好的获取方法为卫星数据,精度更高。对于太阳辐射,更好的方法为气候模拟数据所提供的太阳辐射值,因为海拔参数修正后的温差模型精度较气候模拟数据无明显优势,但计算方法更为复杂。论文较为清晰的研究了我国南海地区各气象参数获取方法,并且研究了南海地区各气象参数与建筑能耗的关系。为我国南海地区建筑节能用气象参数提供确切数据与理论依据。
郑丽君,黄京平,马中元,卢秋芳,余剑浩,桂园园[5]（2020）在《一次冷空气大风水平与垂直风场结构分析》文中研究指明利用MICAPS天气和区域自动站观测资料、美国NCEP 1°×1°再分析资料、上饶市TWP8-L对流层风廓线雷达资料,以及赣东北地形资料,采用天气学分析方法,对2017年11月17-18日江西出现的冷空气大风天气过程进行分析。结果表明:在极涡偏心型的环流背景下,冷空气势力强,自蒙古向东南方向经河套地区南下影响江西境内,影响期间中低层温度梯度大,达1℃/纬度或以上,地面变压梯度达9 hPa或以上。风廓线上高空风大,随时间推移往下渗透,冷空气过境时近地面风向有个转换过程,由偏西风转为偏东风。V-3θ图上,随着冷空气入侵,700 hPa以下θsed线与θ*线明显降低且位温向左突出,700 hPa以下向左突出越明显,斜率越大,底层风速越强。浙赣皖3省交界的地形使得冷空气偏北大风转为东北大风,冷空气在由东向西沿狭窄地形移动过程中,由于狭管效应,风速不断加大形成大风区。而狭窄地形又导致大风减弱消失的时间有4-5 h的延迟。对于预测上饶地区的冷空气大风提供了依据。
廖捷,胡开喜,江慧,曹丽娟,姜立鹏,李庆雷,周自江,刘志权,张涛,王蕙莹[6]（2018）在《全球大气再分析常规气象观测资料的预处理与同化应用》文中提出用于全球大气再分析的常规气象观测资料由表面（地面站、船舶和浮标等）和高空（无线电探空、测风气球、下投式探空、飞机和风廓线雷达等）观测资料组成。基于已有工作进展,总结了我国全球大气再分析（CRA-40,1979—2018年）常规观测资料预处理与同化应用研究进展。在CRA-40研发阶段,完成了15个地面、高空、飞机和海洋观测数据源的资料的收集整理、分类整合和质量评估。相对NCEP CFSR同化的常规观测资料,CRA-40同化了更多中国地区的地面站、常规探空观测资料,增加了美国地区的TAMDAR和ACARS飞机报湿度数据。CRA-40采用RAOBCORE 1.4数据集提供的订正量完成了全球探空温度的偏差订正,采用NCEP辐射订正算法减小太阳辐射引起的热敏电阻季节性观测误差。对再分析同化结果带来负面效果的观测（如高海拔地面站观测、模式地形层以下高空观测以及300 h Pa以上探空湿度等）在观测资料预处理阶段被剔除。CRA-40采用的黑名单提供了不同时期观测资料存在问题的地面站、高空站、飞机、船舶和浮标等信息。这些信息来自观测资料和ERA-Interim再分析的偏差统计结果,以及NCEP CFSR、ECMWF提供的历史黑名单,后者在使用前进行了严格的诊断评估和确认。经过预处理和质量预评估的全球历史常规资料已应用于CRA-40的10年试验产品研制。
廖捷,周自江[7]（2018）在《全球常规气象观测资料质量控制研究进展与展望》文中认为质量控制是气象观测资料质量管理的重要技术手段,是保障正确可信的气象观测资料进入天气预报等应用系统的前提。重点回顾欧美发达国家常规气象资料质量控制技术的发展历程,以及我国同类技术的发展动态。归纳来看:1)国际上成熟的气象资料质量控制系统严格考虑了质量控制算法的科学性,以及总体或单个检查步骤的误判和漏判情况,并给出其影响评估,从而有针对性地设计出补充检查步骤,确保观测数据质量控制判别过程的高可信度;2)由于各类观测系统输出资料的属性及其误差水平不同,导致对大气状态"真值"的描述存在争议,也正因如此,成熟的气象资料质量控制系统充分利用多来源观测资料或多种观测要素,在遵循统一的大气运动物理规律前提下进行相互校验,形成了综合质量控制;3)随着数值预报的发展,欧美各国均在同化系统中对常规资料进行变分质量控制,例如ECMWF于2014年完成变分质量控制算法升级,提高了极端天气事件的分析和预报能力;4)我国资料处理业务系统已实现了从传统的"非实时质控+人工审核"向"实时资料质量控制、评估和反馈"转变。随着常规资料质量控制业务的日趋成熟,未来发展应聚焦构建多源资料交互验证的综合质量控制与评估平台,集成应用国际上先进的质量控制算法,实现资料同化前的统计质控与同化阶段变分质控有机对接。
沈云培[8]（2017）在《基于地统计学的地面气温观测资料质量控制研究》文中研究指明地面气象观测资料同化技术的发展有助于提高数值天气预报水平,而质量控制是发展地面气象观测资料同化技术的首要任务。鉴于此,本文以地面气温观测资料为例,在分析其自相关性、要素协同相关性以及空间分布特征的基础之上,从函数建模、地形复杂度以及观测站密度三个角度建立一系列的地面气温质量控制算法,并将之应用于不同的案例之下。本文针对传统方法对气温自相关性以及邻站空间分布考虑不足的情况,提出了一种改进的普通克里金法（IOK）并将之应用于地面气温的质量控制,期间通过遗传算法根据新的适应度函数对改进的理论变异函数进行拟合求解,进一步提高了方法性能,且均衡了各邻站观测值的贡献度。针对IOK方法在地形复杂度较高地区的局限性,在其基础之上提出了梯度克里金方法（GK）并对地面气温进行质量控制,地形复杂度越高,GK方法优势越大。针对IOK方法在观测站密度较低地区的局限性,在其基础上引入协同克里金方法（CK）并对地面气温进行质量控制,观测站密度越低,CK方法优势越大。经过多组对比试验分析表明,基于地统计学的质量控制算法能够有效地用于不同地形复杂度以及观测站分布密度下观测站的地面气温数据插补,或者用于检验地面气温观测资料中的疑误数据。本文最后对不同区域中心观测站邻站范围的动态选择进行了讨论,并在该基础上对所提质量控制方法在全国范围内的适用性进行了分析,结果表明:一般在观测站密度较低的地区选用CK法,在地形复杂度较高的地区选用GK法,在观测站密度较低但地形复杂度起主导作用时,GK法仍有较大优势,在观测站分布密度较大且地形复杂度较低时,三种方法差距较小,为节省计算成本,可优先选择空间回归检验（SRT）方法。
于杨,朱晨,赵琦,徐文慧,杨溯,江慧,李庆祥,沈秋宇[9]（2016）在《全球地面气温和降水定时值数据整合与初步质量控制》文中研究表明全球地面气温和降水数据是开展气候变化研究的基础,定时值观测数据是气候监测的重要依据。本文基于美国国家气候数据中心的全球陆地小时数据集（Integrated Surface Hourly Database,ISD）和国际通讯系统数据（Global Transmission System,GTS）两种全球地面数据产品,对气温和降水要素定时值数据进行了实时整合,并采用空间一致性检查、内部一致性检查、气候界限值检查及台站极值检查等方法对整合后的数据进行了初步质量控制,最终形成了实时更新的全球地面气温和降水定时值数据产品。结果表明:2015年整合后的地面气温和降水数据共包含全球11 990个气象站点的定时值数据,气象站点分布基本覆盖全球各地区,与整合前相比,整合后各区域气象站点密度和气象要素数据量均明显增加,特别在亚洲、欧洲和北美洲地区数据量增加显着;整合后数据的准确率和疑误率分别为94.4%和5.6%,疑误数据主要分布在欧洲东北、亚洲及中国地区,造成数据可疑和错误的主要原因包括内部一致性矛盾、超过气候界限值等。
韩书丽,谭小华,韩鑫强,张来恩[10]（2015）在《地面气候月报编报软件的设计与实现》文中研究说明地面气候月报是世界气象组织规定需要编发并通过国际通信系统进行国际交换的一类气象报告,报告中编发的数据对气象及气候应用有重要作用。根据中国气象局的业务改革发展规划,地面气象观测站取消编报业务后,为了保证国际应用上和气候相关的变量能够保持无间断地监控,在国家级需依托已有业务资源,完成地面气候月报的编报。在此研究了新的业务流程下地面气候月报编报算法的编制及软件框架的设计,并介绍了软件开发及应用部署情况。
二、全球地面天气报数据集错站情况分析及处理方法的研究（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、全球地面天气报数据集错站情况分析及处理方法的研究（论文提纲范文）
（1）陇东两类夏季雷暴的活动特征及影响因素分析（论文提纲范文）
| 1 研究区概况 |
| 2 资料与方法 |
| 3 结果与分析 |
| 3.1 雷暴类型 |
| 3.1.1 偏北气流型 |
| 3.1.2 低槽影响型 |
| 3.2 雷暴日数月变化 |
| 3.3 雷暴日数年变化 |
| 3.4 环境影响因素分析 |
| 3.4.1 物理量气候因素 |
| 3.4.2 地形地貌小气候因素 |
| 4 结论 |
（2）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 |
（3）基于4DEnVar的全球地面观测资料陆气协同同化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要专有名词和缩写词列表 |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 资料同化方法研究进展 |
| 1.2.2 全球数值预报业务中地面资料同化进展 |
| 1.2.3 全球大气再分析中地面资料同化 |
| 1.2.4 地面资料同化方法研究进展 |
| 1.3 论文研究内容 |
| 1.3.1 拟研究的问题 |
| 1.3.2 论文章节安排 |
| 第二章 全球大气和陆面弱耦合同化系统构建 |
| 2.1 引言 |
| 2.2 GFS/GSI全球同化系统介绍 |
| 2.2.1 GSM全球大气预报模型介绍 |
| 2.2.2 GSI同化系统介绍 |
| 2.2.3 En KF集合同化系统介绍 |
| 2.3 地面观测资料的大气和陆面协同同化方案 |
| 2.3.1 美国GSI区域系统地面资料同化方案 |
| 2.3.2 英国气象局全球地面观测资料同化方案 |
| 2.3.3 本论文地面观测资料的大气和陆面协同同化方案 |
| 2.4 全球大气和陆面弱耦合同化系统构建 |
| 2.5 小结 |
| 第三章 全球近地面气温、湿度和风同化系统构建与数值试验 |
| 3.1 引言 |
| 3.2 LETKF同化算法 |
| 3.3 局地化方案 |
| 3.3.1 观测空间局地化 |
| 3.3.2 状态变量局地化 |
| 3.4 集合样本产生策略 |
| 3.5 系统构建与数值试验 |
| 3.5.1 系统构建与试验设计 |
| 3.5.2 观测资料同化反馈数据分析 |
| 3.5.3 基于交叉验证方法进行独立评估 |
| 3.6 小结 |
| 第四章 全球陆面数据同化系统构建与数值试验 |
| 4.1 引言 |
| 4.2 陆面模式与驱动数据 |
| 4.3 基于2D-EnOI的土壤湿度分析 |
| 4.4 数值试验与结果分析 |
| 4.4.1 相关长度的确定 |
| 4.4.2 集合样本选取策略 |
| 4.4.3 试验设计与评估 |
| 4.5 小结 |
| 第五章 基于GSI的地面观测资料大气同化方法与数值试验 |
| 5.1 引言 |
| 5.2 GSI同化算法 |
| 5.2.1 三维变分(3D-Var) |
| 5.2.2 三维集合变分混合同化(Hybrid-3DEnVar) |
| 5.2.3 四维集合变分混合同化(Hybrid-4DEnVar) |
| 5.3 地面气温、湿度和风场观测资料同化模块构建 |
| 5.4 地面资料大气同化的数值评估试验 |
| 5.4.1 试验设计 |
| 5.4.2 试验结果 |
| 5.5 小结 |
| 第六章 全球地面资料陆气协同同化试验及结果分析 |
| 6.1 试验设计 |
| 6.2 观测资料 |
| 6.3 对近地面气温0h与12h预报场影响分析 |
| 6.3.1 近地面气温0h与12h预报场 |
| 6.3.2 近地面湿度0h与12h预报场 |
| 6.3.3 近地面U风0h与12h预报场 |
| 6.3.4 近地面V风0h与12h预报场 |
| 6.4 对大气分析场与背景场的影响 |
| 6.5 小结 |
| 第七章 结论与展望 |
| 7.1 本文主要结论 |
| 7.2 本文的创新点 |
| 7.3 讨论与展望 |
| 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结果 |
（4）海洋气候条件典型气象年参数计算方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 海洋气候下建筑节能研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 存在问题 |
| 1.4 课题研究内容与研究方法 |
| 1.5 论文组织结构 |
| 第2章 海洋气候和岛礁建筑能耗 |
| 2.1 气候与建筑能耗 |
| 2.1.1 气候与建筑 |
| 2.1.2 海洋气候对建筑能耗的影响 |
| 2.2 影响海洋岛礁建筑能耗的气象要素分析 |
| 2.2.1 空调显热负荷的影响因素 |
| 2.2.2 空调潜热负荷的影响因素 |
| 2.2.3 影响建筑能耗的其他参数 |
| 2.2.4 能耗模拟分析 |
| 2.3 小结 |
| 第3章 基础气象参数计算方法 |
| 3.1 计算方法概述 |
| 3.2 卫星数据 |
| 3.2.1 卫星遥感现状 |
| 3.2.2 noaa数据 |
| 3.2.2.1 海表温度反演空气温度 |
| 3.2.2.2 露点温度 |
| 3.2.2.3 风速 |
| 3.2.2.4 大气压 |
| 3.3 气候模拟数据 |
| 3.3.1 气候模拟现状 |
| 3.3.2 气候模拟数据 |
| 3.3.2.1 海面空气温度 |
| 3.3.2.2 湿度 |
| 3.3.2.3 风速 |
| 3.3.2.4 大气压 |
| 3.4 船舶航海数据 |
| 3.4.1 船舶数据 |
| 3.4.2 船舶数据温度 |
| 3.4.3 船舶数据露点温度 |
| 3.5 各数据源数据对比 |
| 3.5.1 气候模拟数据 |
| 3.5.2 卫星遥感数据 |
| 3.6 数据精准性验证 |
| 3.6.1 卫星反演度的对比分析 |
| 3.6.2 卫星遥感数据与环流模型数据的对比分析 |
| 3.7 气象要素对于建筑能耗的影响 |
| 3.7.1 模拟站点及数据准备 |
| 3.7.2 误差传递分析 |
| 3.8 本章小结 |
| 第4章 太阳辐射确定及其他参数 |
| 4.1 太阳辐射模型计算 |
| 4.1.1 太阳的运动规律 |
| 4.1.2 太阳辐射的产生与传播 |
| 4.1.3 太阳总辐射 |
| 4.2 太阳辐射数据的获取 |
| 4.2.1 温差模型 |
| 4.2.2 气候模拟中的太阳辐射数据 |
| 4.3 太阳辐射数据的精准性验证 |
| 4.3.1 METEONORM数据 |
| 4.3.2 误差分析 |
| 4.3.3 太阳辐射变化对于建筑能耗影响分析 |
| 4.4 强辐射地区能耗差异性分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 本文创新点 |
| 5.3 展望 |
| 在读期间研究成果 |
| 图目录 |
| 表目录 |
| 参考文献 |
| 致谢 |
（5）一次冷空气大风水平与垂直风场结构分析（论文提纲范文）
| 0引言 |
| 1资料来源与天气实况 |
| 1.1资料来源 |
| 1.2天气实况 |
| 2冷空气大风与天气形势、变压场 |
| 2.1高空天气形势 |
| 2.2地面天气形势 |
| 2.3变压场对风的影响 |
| 3冷空气的垂直结构 |
| 3.1风廓线雷达资料分析 |
| 3.2 V-3θ图分析 |
| 4江西东部走廊地形对冷空气大风的影响 |
| 5结论 |
（8）基于地统计学的地面气温观测资料质量控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 地面气象观测资料质量控制的研究背景与意义 |
| 1.2 地面气象观测资料质量控制的研究现状 |
| 1.2.1 单站质量控制 |
| 1.2.2 多站质量控制 |
| 1.3 主要研究内容及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 文章结构及技术路线 |
| 第二章 基于改进普通克里金法的地面气温质量控制算法 |
| 2.1 地统计学基本理论 |
| 2.1.1 前提假设 |
| 2.1.2 区域化变量 |
| 2.1.3 变异函数 |
| 2.1.4 普通克里金法 |
| 2.2 基于IOK的质量控制算法 |
| 2.2.1 理论变异函数模型选择及改进 |
| 2.2.2 遗传算法优化变异函数拟合 |
| 2.2.3 质量控制方案 |
| 2.3 评价指标 |
| 2.4 实例分析 |
| 2.4.1 数据选取 |
| 2.4.2 预测结果及分析 |
| 2.4.3 检验结果及分析 |
| 2.5 本章小结 |
| 第三章 基于梯度克里金法的地面气温质量控制算法 |
| 3.1 梯度克里金法 |
| 3.2 数据选取 |
| 3.3 实例分析 |
| 3.3.1 气温直减率计算 |
| 3.3.2 预测结果及分析 |
| 3.3.3 检验灵敏度分析 |
| 3.4 本章小结 |
| 第四章 基于协同克里金法的地面气温质量控制算法 |
| 4.1 协同克里金法 |
| 4.2 地面气温与相对湿度间相关性分析 |
| 4.3 实例分析 |
| 4.3.1 资料选取 |
| 4.3.2 试验结果及分析 |
| 4.4 本章小结 |
| 第五章 地面气温质量控制算法的适用性分析 |
| 5.1 资料选取 |
| 5.2 地面气温资料特征分析 |
| 5.2.1 地面气温空间相关性分析 |
| 5.2.2 地面气温空间分布特征分析 |
| 5.2.3 中心站邻站范围选择 |
| 5.3 质量控制方法适用性分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 论文不足之处及研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（9）全球地面气温和降水定时值数据整合与初步质量控制（论文提纲范文）
| 引言 |
| 1 资料与方法 |
| 1.1 资料来源 |
| 1.2 数据整合 |
| 1.3 质量控制 |
| 1.3.1 台站极值检查 |
| 1.3.2 气候界限值检查 |
| 1.3.3 内部一致性检查 |
| 1.3.4 空间一致性检查 |
| 2 结果分析 |
| 2.1 全球地面气温和降水数据整合概况 |
| 2.1.1 气象台站空间分布 |
| 2.1.2 数据量空间分布 |
| 2.1.3 数据量时间分布 |
| 2.1.4 各要素数据量 |
| 2.1.5 中国地区整合前后数据对比 |
| 2.2 数据存在的质量问题 |
| 2.2.1 数据缺测 |
| 2.2.2 超过气候界限值错误 |
| 2.2.3 超过台站历史极值 |
| 2.2.4 要素间相互矛盾 |
| 2.2.5 与邻近气象站相比差异明显 |
| 2.3 质量控制结果 |
| 3 结论与讨论 |
（10）地面气候月报编报软件的设计与实现（论文提纲范文）
| 1 软件框架 |
| 1.1报文格式 |
| 1.2编报算法 |
| 1.2.1数据源 |
| 1.2.2基本计算规则 |
| 1.2.3特殊规则 |
| 1.3软件框架 |
| 2 软件应用 |
| 3 结语 |
四、全球地面天气报数据集错站情况分析及处理方法的研究（论文参考文献）
- [1]陇东两类夏季雷暴的活动特征及影响因素分析[J]. 曹彦超,韩晶,路亚奇,杨智强. 沙漠与绿洲气象, 2021(05)
- [2]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
- [3]基于4DEnVar的全球地面观测资料陆气协同同化研究[D]. 姜立鹏. 南京信息工程大学, 2021(01)
- [4]海洋气候条件典型气象年参数计算方法研究[D]. 杨林祥. 西安建筑科技大学, 2020
- [5]一次冷空气大风水平与垂直风场结构分析[J]. 郑丽君,黄京平,马中元,卢秋芳,余剑浩,桂园园. 江西科学, 2020(03)
- [6]全球大气再分析常规气象观测资料的预处理与同化应用[J]. 廖捷,胡开喜,江慧,曹丽娟,姜立鹏,李庆雷,周自江,刘志权,张涛,王蕙莹. 气象科技进展, 2018(01)
- [7]全球常规气象观测资料质量控制研究进展与展望[J]. 廖捷,周自江. 气象科技进展, 2018(01)
- [8]基于地统计学的地面气温观测资料质量控制研究[D]. 沈云培. 南京信息工程大学, 2017(01)
- [9]全球地面气温和降水定时值数据整合与初步质量控制[J]. 于杨,朱晨,赵琦,徐文慧,杨溯,江慧,李庆祥,沈秋宇. 气象与环境学报, 2016(06)
- [10]地面气候月报编报软件的设计与实现[J]. 韩书丽,谭小华,韩鑫强,张来恩. 安徽农业科学, 2015(35)