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(cè)量計(jì)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(qiáng)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(qiáng)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(qiáng)降水發(fā)生時(shí)，強(qiáng)上升氣流幾乎貫穿整個(gè)對(duì)流層并與強(qiáng)水汽輻合區(qū)基本重疊。7月12日上午，強(qiáng)降水區(qū)與強(qiáng)水汽輻合區(qū)基本重合，午后部分強(qiáng)降水發(fā)生在中等強(qiáng)度輻合區(qū)和弱輻散區(qū)。強(qiáng)降水區(qū)域云頂高度普遍超過(guò)12 km，高云頂區(qū)域與強(qiáng)降水落區(qū)基本重疊。此次極端事件以對(duì)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(qiáng)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(zhǎng)江中下游地區(qū)SSR、氣溫以及DTR的異常特征，重點(diǎn)討論了SSR異常對(duì)氣溫的影響。結(jié)果表明：(1)氣候平均上，夏季長(zhǎng)江中下游處于全國(guó)SSR低值區(qū)，同時(shí)也是年際變化最明顯的地區(qū)之一，2022年該地區(qū)SSR為過(guò)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(guó)大部分地區(qū)氣溫較常年偏高，其中長(zhǎng)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(zhǎng)江中下游大部分地區(qū)T_max較常年異常偏高，部分站點(diǎn)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(guó)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(píng)估本次降水天氣過(guò)程在當(dāng)?shù)貧v史上的影響，使用蘆山國(guó)家氣象站1980—2021年共42 a的多個(gè)歷時(shí)(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(yàn)排序，以均方誤差和殘差平方和和Wasserstein距離兩個(gè)指標(biāo)為評(píng)判標(biāo)準(zhǔn)，兼顧不同歷時(shí)降水的分布一致性，在80個(gè)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(shí)用性，特別當(dāng)出現(xiàn)異常降水時(shí)，其計(jì)算的重現(xiàn)期更接近實(shí)際情況。經(jīng)過(guò)雨城、天全、寶興和石棉4個(gè)縣區(qū)的對(duì)比，采用該方法計(jì)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(guó)氣象局全球數(shù)值預(yù)報(bào)系統(tǒng)(CMA-GFS)于2023年5月升級(jí)到v4.0，為了評(píng)估CMA-GFS升級(jí)前后對(duì)四川西南低渦暴雨過(guò)程的預(yù)報(bào)能力及升級(jí)后偏差特征，本文選取2022年和2023年該類過(guò)程對(duì)CMA-GFS、區(qū)域數(shù)值預(yù)報(bào)系統(tǒng)(CMA-MESO)和歐洲天氣預(yù)報(bào)系統(tǒng)(ECMWF)進(jìn)行對(duì)比檢驗(yàn)及典型個(gè)例診斷分析。對(duì)比檢驗(yàn)指出：CMA-GFS模式大暴雨量級(jí)漏報(bào)明顯；暴雨量級(jí)評(píng)分2022年顯著高于ECMWF和CMA-MESO，2023年評(píng)分下降且略低于ECMWF。針對(duì)2023年7月26—28日典型西南低渦暴雨個(gè)例，從環(huán)流形勢(shì)、低渦系統(tǒng)等多維度對(duì)CMA-GFS進(jìn)行評(píng)估診斷，結(jié)果表明：CMA-GFS4.0模式預(yù)報(bào)主要影響系統(tǒng)位置及移動(dòng)路徑和實(shí)況基本一致，降水落區(qū)基本正確，對(duì)低渦暴雨過(guò)程具有指示意義；風(fēng)速尤其南風(fēng)分量預(yù)報(bào)從初始場(chǎng)開(kāi)始即顯著偏弱，導(dǎo)致低層雙低空急流漏報(bào)，與風(fēng)速相聯(lián)系的動(dòng)力作用預(yù)報(bào)偏弱是本次過(guò)程量級(jí)預(yù)報(bào)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(bào)偏弱，導(dǎo)致對(duì)流強(qiáng)度偏弱且持續(xù)時(shí)間短；西南低渦前期各項(xiàng)偏差相對(duì)明顯，低渦強(qiáng)盛期偏差開(kāi)始減小甚至出現(xiàn)正負(fù)轉(zhuǎn)變趨勢(shì)。

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

摘要:對(duì)流尺度集合預(yù)報(bào)系統(tǒng)(Convective-scale Ensemble Prediction System， CEPS)具有時(shí)空高分辨率，能提供概率預(yù)報(bào)，對(duì)于提高強(qiáng)對(duì)流天氣的可預(yù)報(bào)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(diǎn)，而初值擾動(dòng)方法是攻關(guān)技術(shù)難點(diǎn)之一，目前業(yè)務(wù)上主要的初值擾動(dòng)方案有：動(dòng)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(bào)的初值擾動(dòng)方法如增長(zhǎng)模繁殖法方案及混合擾動(dòng)方法沿用到對(duì)流尺度集合預(yù)報(bào)中。然而現(xiàn)有方案尚未考慮快速增長(zhǎng)的非線性擾動(dòng)，開(kāi)發(fā)能夠描述初始場(chǎng)非線性增長(zhǎng)信息的初值擾動(dòng)方法，是CEPS的一個(gè)發(fā)展方向。國(guó)際上一些先進(jìn)的數(shù)值預(yù)報(bào)中心和機(jī)構(gòu)已成功地將CEPS應(yīng)用到業(yè)務(wù)天氣預(yù)報(bào)中，從現(xiàn)有的CEPS對(duì)強(qiáng)降水天氣事件預(yù)報(bào)可見(jiàn)，CEPS能夠?yàn)榇罅考?jí)降水提供概率預(yù)報(bào)，對(duì)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(qiáng)，其對(duì)強(qiáng)降水的預(yù)報(bào)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(bào)的發(fā)展帶來(lái)了新契機(jī)，首先集合預(yù)報(bào)能夠?yàn)槿斯ぶ悄苣Ｐ陀?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(bào)模型避免了傳統(tǒng)集合預(yù)報(bào)的高耗能問(wèn)題；此外，利用人工智能技術(shù)對(duì)集合預(yù)報(bào)結(jié)果進(jìn)行后處理，可提升集合預(yù)報(bào)的使用效率。隨著數(shù)值天氣預(yù)報(bào)逐步實(shí)現(xiàn)精細(xì)化，CEPS與人工智能相結(jié)合也將是未來(lái)發(fā)展的一個(gè)重要方向。

摘要:本文構(gòu)建了一種基于因果分析和機(jī)器學(xué)習(xí)的站點(diǎn)氣溫短臨預(yù)報(bào)模型，以臺(tái)灣省松山站為試驗(yàn)對(duì)象，利用歐洲中期天氣預(yù)報(bào)中心(European Centre for Medium-Range Weather Forecasts， ECMWF)再分析資料、松山站實(shí)測(cè)氣象資料和中國(guó)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(shí)時(shí)產(chǎn)品資料，引入因果信息流理論，采用四種機(jī)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(jī)森林(Random Forest，RF)、最小二乘支持向量機(jī)(Least Square Support Vector Machine， LSSVM)和貝葉斯網(wǎng)絡(luò)(Bayesian Network， BN)，開(kāi)展氣溫短臨預(yù)報(bào)試驗(yàn)。結(jié)論如下：(1)在選取的任一種數(shù)據(jù)資料驅(qū)動(dòng)下，對(duì)于BPNN、RF、BN，基于因果分析的預(yù)報(bào)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(duì)于LSSVM，因果分析與相關(guān)分析差別較小，驗(yàn)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(bào)模型中增加相鄰空間預(yù)報(bào)因子能夠顯著提高氣溫預(yù)報(bào)效果，改進(jìn)后氣溫預(yù)報(bào)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(shí)時(shí)產(chǎn)品資料的預(yù)報(bào)效果優(yōu)于ECMWF再分析資料的預(yù)報(bào)效果，均方根誤差的平均降幅在4%～8%之間，從側(cè)面驗(yàn)證了CLDAS-v2.0近實(shí)時(shí)產(chǎn)品資料在中國(guó)區(qū)域質(zhì)量?jī)?yōu)于國(guó)際同類產(chǎn)品。

摘要:針對(duì)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(shí)性衰退的問(wèn)題，在卷積長(zhǎng)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(duì)抗—?dú)埐罹矸e長(zhǎng)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(shí)針對(duì)不同強(qiáng)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(duì)抗—?dú)埐罹矸e長(zhǎng)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(duì)Wloss-GAN-rcLSTM模型進(jìn)行回波外推訓(xùn)練與測(cè)試，建立預(yù)報(bào)時(shí)長(zhǎng)為0～2 h、逐6 min更新的時(shí)空型深度學(xué)習(xí)雷達(dá)回波外推模型。檢驗(yàn)評(píng)估表明，Wloss-GAN-rcLSTM雷達(dá)回波外推模型較光流法、預(yù)測(cè)遞歸神經(jīng)網(wǎng)絡(luò)(Predictive Recurrent Neural Network，PredRNN)及GAN-rcLSTM方法在強(qiáng)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(gè)例檢驗(yàn)顯示W(wǎng)loss-GAN-rcLSTM最優(yōu)適用于颮線等中尺度天氣過(guò)程預(yù)報(bào)。

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(qiáng)對(duì)流天氣過(guò)程，開(kāi)展了基于觀測(cè)系統(tǒng)模擬試驗(yàn)(Observation System Simulation Experiment，OSSE)的雙雷達(dá)風(fēng)場(chǎng)反演效果試驗(yàn)研究?；赪RF模式輸出的三維風(fēng)場(chǎng)，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(chǎng)反演，將模式輸出場(chǎng)作為真實(shí)風(fēng)場(chǎng)，定量計(jì)算反演風(fēng)場(chǎng)的風(fēng)速誤差，結(jié)合典型強(qiáng)對(duì)流個(gè)例的發(fā)生、發(fā)展過(guò)程，分析不同算法反演風(fēng)場(chǎng)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(chǎng)結(jié)構(gòu)與強(qiáng)對(duì)流天氣過(guò)程的基本特征一致，變分法能更準(zhǔn)確地反演出強(qiáng)對(duì)流天氣過(guò)程的垂直速度、散度和渦度場(chǎng)，而迭代法反演的結(jié)構(gòu)特征不明顯，且強(qiáng)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(cè)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(cè)資料，選擇穿谷大風(fēng)個(gè)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(shì)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(duì)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(qiáng)度超過(guò)55 dBZ，在徑向速度場(chǎng)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(qiáng)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(duì)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(shí)間吻合。

摘要:在低溫或高濕等惡劣環(huán)境中，自動(dòng)氣象站在測(cè)量地面空氣相對(duì)濕度時(shí)采用的電容式濕度傳感器易產(chǎn)生較顯著的測(cè)量誤差。為提高濕度的測(cè)量精度，本文提出了一種包括4個(gè)濕度傳感器，4個(gè)加熱電阻及其測(cè)控電路的4點(diǎn)陣列式濕度測(cè)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(cè)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(shí)驗(yàn)結(jié)果表明，經(jīng)修正后，在0 ℃時(shí)，測(cè)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?dú)庀笠蛩刂?，高鐵對(duì)局地瞬時(shí)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(cè)預(yù)警提供理論支撐。選取京滬高鐵江蘇段4個(gè)典型區(qū)域氣象站風(fēng)速監(jiān)測(cè)數(shù)據(jù)，運(yùn)用統(tǒng)計(jì)學(xué)方法和非線性系統(tǒng)理論研究不同時(shí)距下的風(fēng)特性。揭示了沿線風(fēng)場(chǎng)特性變化規(guī)律，研究結(jié)果表明：脈動(dòng)風(fēng)速波動(dòng)幅度隨時(shí)距增大間歇增大，間歇點(diǎn)出現(xiàn)在5 min時(shí)距；脈動(dòng)強(qiáng)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(shí)距增大愈發(fā)明顯；陣風(fēng)因子和湍流強(qiáng)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(shí)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(shí)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(cè)性，且可預(yù)測(cè)性隨時(shí)距的增大而減弱。在進(jìn)行沿線風(fēng)速預(yù)測(cè)建模時(shí)，選取20 s、30 s、1 min、2 min、5 min、10 min時(shí)距的風(fēng)速理論上可以取得較為準(zhǔn)確的預(yù)測(cè)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(cè)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(duì)降雨的短期響應(yīng)過(guò)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(duì)CH₄通量峰值出現(xiàn)時(shí)間的影響具有時(shí)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(jí)雨量和雨強(qiáng)無(wú)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(qiáng)度的增強(qiáng)，農(nóng)田可能由匯向源轉(zhuǎn)變。

摘要:本文綜合使用觀測(cè)數(shù)據(jù)、遙感數(shù)據(jù)以及WRF-LES模式研究了射陽(yáng)港經(jīng)濟(jì)開(kāi)發(fā)區(qū)的熱島現(xiàn)象。觀測(cè)數(shù)據(jù)表明：2014年以后，射陽(yáng)港經(jīng)濟(jì)開(kāi)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(méi)有周邊地區(qū)大。通過(guò)對(duì)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(yáng)開(kāi)發(fā)區(qū)的熱島效應(yīng)隨著時(shí)間的變化得到了增強(qiáng)。最后基于WRF-LES模式輸出結(jié)果，分析了射陽(yáng)開(kāi)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(lái)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(kāi)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(yáng)港經(jīng)濟(jì)開(kāi)發(fā)區(qū)城市熱島現(xiàn)象最明顯的月份。