导读:本文包含了气象预报模式论文开题报告文献综述、选题提纲参考文献，主要关键词:模式,神经网络,大气,地层,误差,数值,尺度。
气象预报模式论文文献综述写法
贾文星,姜海梅,袁伟红,曹乐,王成刚[1]（2019）在《中尺度天气预报模式边界层参数化方案以及近地层方案对苏州东山冬季近地层气象要素模拟的影响》一文中研究指出运用WRF3. 9模式并选取四种常用的边界层参数化方案(YSU、ACM2、MYJ和BL)和两种近地层方案(Eta和MM5)模拟了2015年1月16～25日苏州东山的近地层气象要素,并与东山气象站观测实验数据进行对比,评估了四种边界层参数化方案对近地层气象要素的模拟能力。同时设置了边界层参数化方案与近地层方案耦合的敏感性试验,分析两类方案的耦合对近地层气象要素模拟的影响。结果表明:①白天四种边界层方案对2 m温度的模拟差异较小,两种近地层方案的模拟结果有差异,对流混合较弱时Eta方案模拟较好,对流混合较强时MM5方案较好;夜间四种边界层方案和近地层方案均有影响,但是整个观测期间四种方案的模拟结果统计量差异较小;②无论白天还是夜间,四种边界层参数化方案模拟的2 m相对湿度均高于观测值,BL方案的模拟效果最佳,MYJ方案的模拟偏差最大;③无论白天还是夜间,四种边界层参数化方案对10 m风速的模拟均存在一定程度的高估,MYJ方案的模拟效果最好,四种方案对风向的模拟均优于对风速的模拟,白天的模拟效果整体优于夜间;④选择不同的近地层方案对风速和风向的模拟结果没有明显影响,对2 m气温模拟结果的影响小于对2 m相对湿度模拟结果的影响,BL边界层方案与MM5近地层方案耦合对近地层气象要素2 m气温和2 m相对湿度的模拟效果最好。(本文来源于《科学技术与工程》期刊2019年17期）
李紫丁[2]（2019）在《基于深度学习的气象要素格点预报模式订正》一文中研究指出随着大数据时代的到来,人类加强了收集数据的意识,使得数据挖掘在各个领域有了更多的用武之地。机器学习作为数据挖掘的重要工具被大众所熟知,而深度学习是机器学习的重要发展方向。深度学习以模仿人脑递质的传输机制来解释数据规律为目的,建立了深层神经网络结构模型。深度学习在时间和空间两个方向对特征的提取融合研究发展迅猛,在图像分类、识别等方面取得了惊人的成果。同时,由于之前的气象资料未能有效的处理和保存,而网络模型的训练需要大量的历史数据才会取得较好的效果,所以深度学习算法没有被广泛应用在气象学领域,只停留在一些小规模的研究上。本论文即以深度学习作为主要算法,力图在气象要素格点预报问题上有所突破。首先根据了解的气象学先验知识,选取部分气象要素数据并处理成有效数据集,然后设计适用于气象领域的网络结构,生成未来一段时间内某气象要素的预测结果。主要工作如下:1.提出新的深度学习模型框架KM-ConvGRU,在时间和空间两方面同时对格点数据进行特征提取。KM-ConvGRU模型由初步融合模块PIM和深度相融合模块DIM两部分构成。PIM模块主要作用是对多层多要素的气象格点数据在空间上进行初步的特征提取融合,首先对多层数据进行K-means聚类,之后分别在类内和类间进行卷积运算达到空间特征提取的目的。DIM模块主要作用是对经过初步特征提取融合的数据块进行时空综合特征提取,主要采用多层ConvGRU网络结构。2.收集整理适用于网络训练的数据集。收集目标区域2015-2017年基于EC模式的多要素零场和预报场数据,以及基于地面融合观测的气象要素实况数据。与相关专业人员沟通选定高度、比湿、相对湿度、温度、U风分量、V风分量6个气象要素作为数据集来源,目标区域范围选择纬向5-60度、经向75-135度。之后对收集的数据进行数据清洗和标准化的预处理。最后根据网络结构要求,将数据设计为五维时空数据块。3.针对气象数据集,通过模型内部寻优实验,求得9-KM-ConvGRU为最佳模型;9-KM-ConvGRU模型的实验结果优于其内部模块PIM、DIM作为独立模型时的实验结果;9-KM-ConvGRU模型与经典网络模型对比实验结果表明,9-KM-ConvGRU模型优于GRU网络模型和Conv4D网络模型。9-KM-ConvGRU模型的订正结果比订正前的数据更接近于实况数据,说明此模型具有明显的订正效果。(本文来源于《湖南师范大学》期刊2019-05-01）
麻素红,陈德辉[3]（2018）在《国家气象中心区域台风模式预报性能分析》一文中研究指出为了更好发挥区域台风模式GRAPES_TYM在业务预报中的参考作用,利用2017年GRAPES_TYM升级版本对2014—2016年的回算结果同美国国家环境预报中心的全球模式(NCEP-GFS)以及欧洲中期天气预报中心(ECMWF)的中期预报模式(EC-IFS)进行了对比分析。结果显示:两个全球模式的预报路径平均误差小于区域台风模式GRAPES_TYM的平均路径误差;GRAPES_TYM和NCEP-GFS的路径预报均存在明显的移向正偏差,EC-IFS移向偏差不明显;GRAPES_TYM对我国近海登陆的热带气旋120 h路径预报误差小于NCEP全球模式,同ECMWF差别不大;区域模式的强度(近地面最大风速)预报平均误差在72 h前小于两个全球模式,而叁个模式在强度预报上存在明显负偏差,负偏差主要存在于25°N以南(这一区域为强台风和超强台风主要区域)。(本文来源于《热带气象学报》期刊2018年04期）
杨晓丹,赵鲁强,宋建洋,李宛育[4]（2018）在《耦合植被与T639模式的森林火险气象潜势预报》一文中研究指出利用中国2425个测站地面观测资料和T639数值预报资料,以下垫面地理信息、森林植被分布特征为理论依据,通过分析大气降水、地表气温、湿度、风速等气象要素与可燃物状况之间的关联性,建立森林火险气象预报模型。预报结果表明,模型结果能够较好地反映出局地森林火险气象等级较高的区域,对预报有很好的指导作用。(本文来源于《科技导报》期刊2018年08期）
张毅军,雷雯,李建军[5]（2017）在《眉县猕猴桃溃疡病气象条件分析与预报模式研究》一文中研究指出利用2008—2015年眉县猕猴桃溃疡病监测资料和相应年份眉县地面气象观测站常规气象观测资料,分析了眉县猕猴桃溃疡病发生特点及规律,以及气温、降水、相对湿度、日照时数、积温等气象要素对猕猴桃溃疡病发生程度的影响,并采用多元线性回归方法,建立眉县猕猴桃溃疡病发生程度的气象预报模型。结果表明:果树休眠期(11—1月),11—12月气温、积温偏低,降水(11中旬、12月中旬)偏多、日照(1月上旬)偏多利于猕猴桃溃疡病侵染传播;芽膨大期(3月),降水(3月上旬)偏多利于果树发芽染病。猕猴桃溃疡病气象预报模型预报效果较好,可以推广应用于当地猕猴桃溃疡病气象应用服务工作。(本文来源于《陕西气象》期刊2017年06期）
刘慧,饶晓琴,张恒德,李明,张志刚[6]（2017）在《环境气象业务数值模式预报效果对比检验》一文中研究指出基于华北区域气象中心、华东区域气象中心、华南区域气象中心和国家气象中心环境气象业务数值模式2015年1—3月的预报结果,从能见度和空气质量两个方面对环境气象业务数值模式的预报效果进行了对比检验。结果表明:随着能见度降低,各数值模式的预报能力均逐渐下降,对于<1 km的能见度,仅华北区域模式和国家级雾霾数值预报业务系统(CMA Unified Atmospheric Chemistry Environment,CUACE)模式表现出一定的预报技巧,其中华北区域模式和CUACE模式对北京本地24 h能见度预报的TS评分分别为0.20、0.10;CUACE模式总体能见度预报误差较各区域数值模式均偏大;CUACE模式和华北区域模式、华东区域模式、华南区域模式能见度预报值与观测值的相关系数普遍低于0.6。随着空气质量下降,各数值模式AQI的预报能力均逐渐下降;AQI为优等级时,各数值模式AQI预报的TS评分均较高,其中空气质量较好的华南地区空气质量等级预报的TS评分最高,为0.81;总体上24 h的AQI预报,区域模式优于CUACE模式;48 h和72 h的AQI预报,CUACE模式优于各区域模式。各数值模式PM_(2.5)浓度的预报值普遍较观测值偏低,华南区域模式24 h的PM_(2.5)浓度预报误差相对较小,华北区域模式和华东区域模式24 h的PM_(2.5)浓度预报误差相对较大;CUACE模式PM_(2.5)浓度的预报误差较各区域模式均偏大,CUACE模式PM_(2.5)浓度预报值与观测值的相关系数较各区域模式均偏低。(本文来源于《气象与环境学报》期刊2017年05期）
青春[7]（2017）在《利用中尺度数值气象模式预报大气光学湍流》一文中研究指出光学湍流效应是制约光电工程应用的重要影响因素,定量描述湍流效应与折射率结构常数(C_n~2)有关。对于具体的光电工程应用,一般可以用多种测量仪器进行C_n~2的实时实地测量,以定量分析湍流效应。然而,在许多光电工程的设计及可能的应用场景中,需要对应用场景的C_n~2进行大范围、长期系统地测量,这是测量仪器难以胜任的。近十多年来,利用中尺度数值气象模式获取大气光学湍流参数逐渐成为国际上较为关注的研究热点,为此我们尝试开展了利用数值气象模式(WRF)预报C_n~2廓线及其随时间变化特征的研究。本文总结了国内外C_n~2建模以及预报模型研究的基础上,开展了利用WRF模式预报丽江高美古天文观测站、茂名博贺海洋观测站、新疆库尔勒地区的C_n~2廓线以及不同下垫面(南海近海面、南极泰山站冰雪面、成都内陆等)C_n~2时间演变特征的研究。本文主要围绕WRF模式预报C_n~2的技术特点和难点以及可行性,开展了以下几方面的研究工作:1.详细介绍了 WRF模式基本情况包括模式框架、坐标方程、物理参数过程等,同时介绍了 WRF模式在PC机上的安装流程、初始场数据的使用以及调试运行等。2.用常规气象参数估算C_n~2廓线的方法主要是依据Tatarskii模式,而Tatarskii模式中外尺度是关键参数,但难以直接测量。研究对比了四种外尺度参数化模式(Dewan模式、Coulman模式、Sterenborg模式和HMNSP99模式)。用探空气球实测的常规气象参数估算的C_n~2廓线与湍流气象探空仪实测的C_n~2廓线进行对比。发现采用四种外尺度模式估算的C_n~2廓线无论在变化趋势上还是量级上,四种模式之间的差异都很大。发现在与外尺度有关的如温度梯度、风速梯度、Richardson数等几个参数中,加入了温度梯度和风速梯度的HMNSP99外尺度模式估算的C2与测量的C_n~2在变化趋势和量级上最为接近。3.基于WRF模式,结合Tatarskii模式和HMNSP99模式分别预报了高美古、茂名以及库尔勒等叁个典型地区的温度、风速和C_n~2廓线,并用湍流气象探空仪实测的相应廓线作为对比。结果表明:WRF预报的温度和风速廓线与叁个地区的探空实测结果非常接近,相关性可分别达到90%、80%以上。预报的C_n~2廓线基本满足C_n~2随高度变化的特征,相关性在75%左右,但C_n~2廓线的变化细节与实测值差异稍大。叁个典型地区气候类型各异,表现出的C_n~2廓线分布特征也具有明显的气候类型差异。总体来说WRF预报的高美古地区的C_n~2廓线要好于在茂名和库尔勒地区的预报值。4.以Monin-Obukhov相似理论为依据并结合Bulk空气动力学方法,利用WRF模式预报了中国南海近海面上、中国南极泰山站冰雪面上以及中国内陆成都地区近地面层常规气象参数(如温度、湿度、风速、风向,等)和C_n~2。用自动气象站和温度脉动仪实测的近地面层常规气象参数以及C_n~2作为对比验证,结果显示WRF预报的近地面层常规气象参数以及C_n~2与实测值吻合的较好,而且预报值能够准确地反映出近海面上,冰雪面上的常规气象参数以及C的日变化特征。使用了如平均偏差(Bias)、均方根误差(RMSE)、纠正偏差(σ)、相关系数(Rxy)、列联表等统计工具分析了预报值的稳定性和可靠性,其相关统计结果是令人满意的。成都、南海以及南极泰山站在一定程度上代表了陆地、海面以及冰雪面等典型的下垫面类型,从对比结果可以看出C_n~2的日变化特征具有显着的地域性差异。总体来看,WRF模拟冰雪面上的C_n~2与实测结果吻合的最好,海面上次之,陆地上最差。陆地上的环境更加复杂多变,测量点受周围影响较大,并且模式的水平分辨率有限,这些因素可能是陆地上预报值与测量值差异较大的原因。通过在高美古、茂名、库尔勒叁个典型地区以及陆地、海面、冰雪面等不同下垫面的C_n~2的估算预报和测量对比表明,利用WRF模式预报的C_n~2廓线和近地面层C_n~2在变化趋势和量级上与实测数据基本相符合,但在WRF模式预报的常规气象参数的空间分辨率和精度、不同下垫面的光学湍流参数化方法等方面还需要进一步的改进和完善。(本文来源于《中国科学技术大学》期刊2017-05-01）
杨旋,徐维迎[8]（2017）在《探索构建地灾气象预警预报标准化模式》一文中研究指出本报讯 （记者 杨 旋 通讯员 徐维迎）为进一步做好地质灾害气象预警预报工作，近日，国土资源部联合中国气象局发布2017年部门合作要点，明确要扩大地灾气象预警预报覆盖面，加强信息共享和预警信息发布能力，构建地灾气象预警预报标准化模式，不断推进地灾气象预警(本文来源于《中国国土资源报》期刊2017-03-17）
陈浩,何晓凤[9]（2017）在《基于数值模式的月尺度近地层气象要素预报技术研究》一文中研究指出利用WRF模式对美国NCEP发布的CFS气候预测业务产品在中国区域内进行动力降尺度预报,可得到预报时效为45天的逐6小时、30 km分辨率基础气象要素预测产品。再利用全国气象站观测资料和3个风电场70 m高度风速、温度观测资料对2015年冬季预测结果进行检验评估和分析,最后通过线性方法对地面要素预测结果和70 m高度风速、温度预测结果进行统计订正。结果表明:(1)2 m温度和相对湿度的全国预报平均绝对误差分别为4.71℃和18.81%,在华东、华中和华南地区误差较小;(2)10 m风速预报平均绝对误差为2.42 m/s,在东北、华北和西北地区误差较小;(3)线性订正后,2 m气温、相对湿度和10 m风速的预报绝对误差分别减小1.05℃、5.29%和1.47 m/s,并且订正后误差随时间变化更平稳;(4)订正后70 m高度风速和温度的预报绝对误差均减小,风速平均误差减小最大可达1.29 m/s(B塔),气温平均绝对误差减小最大可达3℃(C塔)。研究结果表明,基于CFS产品和WRF模式的、与月尺度风电预报关系密切的气象要素预报性能较好,未来可将该方法尝试于风电场的月尺度功率预测产品研发。(本文来源于《热带气象学报》期刊2017年01期）
段昊书[10]（2017）在《我国数值预报发展五年规划印发》一文中研究指出本报讯 记者段昊书报道2月10日，记者从中国气象局获悉，《GRAPES数值预报系统发展规划（2016-2020年）》（以下简称《规划》）已正式印发。该《规划》梳理了我国数值预报未来五年发展目标，提出加快推进以 GRAPES为重点的数值预报业务体系建设，形(本文来源于《中国气象报》期刊2017-02-15）
气象预报模式论文开题报告范文
（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：
随着大数据时代的到来,人类加强了收集数据的意识,使得数据挖掘在各个领域有了更多的用武之地。机器学习作为数据挖掘的重要工具被大众所熟知,而深度学习是机器学习的重要发展方向。深度学习以模仿人脑递质的传输机制来解释数据规律为目的,建立了深层神经网络结构模型。深度学习在时间和空间两个方向对特征的提取融合研究发展迅猛,在图像分类、识别等方面取得了惊人的成果。同时,由于之前的气象资料未能有效的处理和保存,而网络模型的训练需要大量的历史数据才会取得较好的效果,所以深度学习算法没有被广泛应用在气象学领域,只停留在一些小规模的研究上。本论文即以深度学习作为主要算法,力图在气象要素格点预报问题上有所突破。首先根据了解的气象学先验知识,选取部分气象要素数据并处理成有效数据集,然后设计适用于气象领域的网络结构,生成未来一段时间内某气象要素的预测结果。主要工作如下:1.提出新的深度学习模型框架KM-ConvGRU,在时间和空间两方面同时对格点数据进行特征提取。KM-ConvGRU模型由初步融合模块PIM和深度相融合模块DIM两部分构成。PIM模块主要作用是对多层多要素的气象格点数据在空间上进行初步的特征提取融合,首先对多层数据进行K-means聚类,之后分别在类内和类间进行卷积运算达到空间特征提取的目的。DIM模块主要作用是对经过初步特征提取融合的数据块进行时空综合特征提取,主要采用多层ConvGRU网络结构。2.收集整理适用于网络训练的数据集。收集目标区域2015-2017年基于EC模式的多要素零场和预报场数据,以及基于地面融合观测的气象要素实况数据。与相关专业人员沟通选定高度、比湿、相对湿度、温度、U风分量、V风分量6个气象要素作为数据集来源,目标区域范围选择纬向5-60度、经向75-135度。之后对收集的数据进行数据清洗和标准化的预处理。最后根据网络结构要求,将数据设计为五维时空数据块。3.针对气象数据集,通过模型内部寻优实验,求得9-KM-ConvGRU为最佳模型;9-KM-ConvGRU模型的实验结果优于其内部模块PIM、DIM作为独立模型时的实验结果;9-KM-ConvGRU模型与经典网络模型对比实验结果表明,9-KM-ConvGRU模型优于GRU网络模型和Conv4D网络模型。9-KM-ConvGRU模型的订正结果比订正前的数据更接近于实况数据,说明此模型具有明显的订正效果。
（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。
气象预报模式论文参考文献
[1].贾文星,姜海梅,袁伟红,曹乐,王成刚.中尺度天气预报模式边界层参数化方案以及近地层方案对苏州东山冬季近地层气象要素模拟的影响[J].科学技术与工程.2019
[2].李紫丁.基于深度学习的气象要素格点预报模式订正[D].湖南师范大学.2019
[3].麻素红,陈德辉.国家气象中心区域台风模式预报性能分析[J].热带气象学报.2018
[4].杨晓丹,赵鲁强,宋建洋,李宛育.耦合植被与T639模式的森林火险气象潜势预报[J].科技导报.2018
[5].张毅军,雷雯,李建军.眉县猕猴桃溃疡病气象条件分析与预报模式研究[J].陕西气象.2017
[6].刘慧,饶晓琴,张恒德,李明,张志刚.环境气象业务数值模式预报效果对比检验[J].气象与环境学报.2017
[7].青春.利用中尺度数值气象模式预报大气光学湍流[D].中国科学技术大学.2017
[8].杨旋,徐维迎.探索构建地灾气象预警预报标准化模式[N].中国国土资源报.2017
[9].陈浩,何晓凤.基于数值模式的月尺度近地层气象要素预报技术研究[J].热带气象学报.2017
[10].段昊书.我国数值预报发展五年规划印发[N].中国气象报.2017