导读:本文包含了地面气温论文开题报告文献综述及选题提纲参考文献，主要关键词:相似集合,支持向量机,要素释用,集合预报
地面气温论文文献综述
王在文,陈敏,Luca,Delle,Monache,卢冰,张涵斌[1]（2019）在《相似集合预报方法在北京区域地面气温和风速预报中的应用》一文中研究指出相似集合是近年来提出的一种基于相似理论、大数据挖掘和集合预报思路的统计释用方法。文中首先介绍了相似集合的基本原理,并应用该方法对北京快速更新循环数值预报系统(BJ-RUC)v3.0预报地面要素开展了订正释用试验。结果表明,相似集合订正后,在0—36 h预报时段内,10 m风速的均方根误差降低44%,2 m气温的均方根误差降低22%,均方根误差均显着减小。对比测站预报误差的水平分布,相似集合方法的应用对于提升非城区站点的10 m风速预报、复杂地形区域的2 m气温预报具有更为明显的效果。相同预报因子的相似集合和支持向量机方法对模式10 m风速和2 m气温预报均具有显着且相似的订正效果,但相似集合方法具有计算资源需求较少、不需要大量人工干预的优势。相似集合方法形成的集形成确定性预报的同时,还能够提供预报要素的不确定性或概率信息。因此,相似集合方法在模式预报订正及释用方面具有广阔的应用前景。(本文来源于《气象学报》期刊2019年05期）
嵇磊,王在文,陈敏,范水勇,王迎春[2]（2019）在《人工智能技术能否提高地面气温预报的精度——记AI Challenger 2018全球天气预报挑战赛》一文中研究指出2018年8月,北京城市气象研究院与创新工场等公司联合举办了"天气预报"竞赛(WFC)——这是一项面向全球的人工智能(AI)挑战赛,旨在通过发挥AI技术的优势提高天气预报水平。全球有超过1000支队伍参加本次WFC竞赛,约250支队伍完成了实时天气预报赛程。最终,决赛排名前5的队伍获得了奖励。竞赛结果表明:多AI模型集合方法显着提高了2 m气温、2 m相对湿度和10 m风速的预报水平。与北京城市气象研究院在业务中应用的相似集合预报方法相比,基于时间序列分析、梯度提升树、深度概率预测等AI模型构建的集合预报方法,显着提升了2 m气温预报的准确率,前2名队伍在决赛期间的预报准确率分别提升24.2%和17.0%。同时,合理的数据处理技术和AI模型集合框架对预报效果的提升具有重要的作用。(本文来源于《气象学报》期刊2019年05期）
智协飞,吴佩,俞剑蔚,慕建利,赵倩[3]（2019）在《GFS模式地形高度偏差对地面2m气温预报的影响》一文中研究指出利用2016年1月1日—12月31日全球预报系统(GFS,Global Forecasting System)1～5 d的2 m气温预报资料,以及同期中国地面气象站2 m气温观测资料,研究模式地形高度偏差对地面2 m气温预报的影响。结果表明,较大模式地形高度偏差可严重影响2 m气温模式预报性能,导致较大预报误差。随着模式预报时效延长,2 m气温预报均方根误差也略有增加。比较模式地形高度偏差和预报时效对于模式预报性能的影响,发现模式地形高度偏差对于模式预报效果的影响更加显着。两种地形订正方案,即不做温度垂直订正的线性回归以及对温度进行垂直订正的线性回归都能显着减小2 m气温模式预报的误差,后者的订正效果更好。(本文来源于《大气科学学报》期刊2019年05期）
叶小岭,杨帅,陈洋,杨星,阚亚进[4]（2019）在《一种基于空间相关性和B样条曲面拟合的地面气温质量控制算法》一文中研究指出将B样条曲面拟合算法引入到地面气温观测资料的质量控制当中,考虑到区域内各参考站与目标站观测值之间的空间相关性,提出了一种基于空间相关性和B样条曲面拟合的地面气温观测资料质量控制算法(Spatial Correlation and B-spline Surface Fitting,BSF)。选择2012—2014年南平站、南京站、太原站、拉萨站、景洪站和长春站以及周围300 km内参考站的02:00、08:00、14:00、20:00定时气温作为观测资料,结合平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)、一致性指标(Index of Agreement,IOA)和纳什系数(Nash-sutcliffe Model Efficiency Coefficient,NSC)这4种评价参数对目标站地面气温资料进行质量控制分析。将BSF算法的质量控制效果分别与传统的反距离加权法(Inverse Distance Weighted,IDW)和空间回归检验法(Spatial Regression Test,SRT)进行对比,试验结果表明:在不同案例下,BSF算法的质量控制效果均优于IDW算法和SRT算法,能更有效地标记出气温观测数据中的可疑值。(本文来源于《大气科学学报》期刊2019年04期）
ZHU,Tingting,MAO,Jiangyu[5]（2019）在《冬季中国东北地区天气尺度位涡下侵及其对地面气温的影响（英文）》一文中研究指出本文将每天一定区域内有平流层位涡向下侵入到对流层现象的格点总数定义为天气尺度区域位涡下侵(RPVI)指数,由此建立了1979至2016年冬季中国东北地区RPVI指数的年际变化序列。合成分析表明,在高(低)RPVI指数年,平流层位涡正(负)异常于90°–110°E区域向下侵入至对流层300 hPa附近,因而在对流层低层强迫出异常气旋(反气旋)。近地层异常气旋(反气旋)西侧的北(南)风导致东北地区地面气温异常至少低于(高于)-0.9°C(0.9°C)。(本文来源于《Atmospheric and Oceanic Science Letters》期刊2019年04期）
叶小岭,陈洋,杨帅,杨星,阚亚进[6]（2019）在《基于EEMD-CES的单站地面气温资料质量控制方法研究》一文中研究指出为了去除或减少我国地面气温观测资料中含有的噪声成分,提高观测资料质量,提出了一种新的单站质量控制算法。该算法融合了集合经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)和叁次指数平滑法(Cubic Exponential Smooth,CES)。利用EEMD方法将气温观测资料分解为一系列相对平稳的本征模分量,并基于能量密度和相关性准则从中分析筛选出目标分量,以完成资料重构;利用CES方法对重构资料建立单站质量控制模型,形成了一种基于EEMD-CES的地面观测资料质量控制算法。为检验该方法的可行性与适用性,选取2008年全国9个观测站地面逐时气温观测资料进行质量控制,并对比传统的单站质量控制法、经验模态分解法和叁次指数平滑法的质量控制效果。试验结果表明,基于EEMD-CES的质量控制方法能有效地标记出数据的可疑值,相比传统方法,具有更高的检错率和更强的适应性。(本文来源于《大气科学学报》期刊2019年03期）
彭婷,智协飞,董颜,王玉虹,季焱[7]（2019）在《基于贝叶斯模式平均方法的东亚地区地面2m气温预报改进》一文中研究指出针对2007年6月—9月全球集合预报系统(THORPEX Interactive Grand Global Ensemble,TIGGE)多模式中的欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)、英国气象局(United Kingdom Meteorological Office,UKMO)及日本气象厅(Japan Meteorological Agency,JMA)这4个集合预报模式产品资料,对东亚地区地面2m气温进行了贝叶斯模式平均(Bayesian model averaging,BMA)方法的概率预报研究,并与简单集合平均(ensemble mean,EMN)方法的概率预报进行对比,最终采用(continuous ranked probability score,CRPS)评分与均方根误差(root of mean square error,RMSE)评估BMA方法在概率预报和确定性预报方面的预报效果。研究表明,BMA方法可有效将单一的确定性预报向连续概率预报转化,并全面准确地描述大气的多种可能运动状态,同时提供概率预报和确定性预报。BMA方法在量化不确定性信息方面优于EMN方法,在一定程度上减小了预报的不确定性。就确定性预报效果而言,BMA方法的预报效果优于所有的单模式预报以及EMN方法,但会受到训练期长度和选取模式性能优劣的影响,其预报效果也会发生改变。(本文来源于《中国科技论文》期刊2019年05期）
温康民,任国玉,李娇,任玉玉,孙秀宝[8]（2019）在《国家基本/基准站地面气温资料城市化偏差订正》一文中研究指出城市化偏差是中国地面气温观测记录中最大的系统性偏差,订正该偏差可为大尺度气候变化监测和研究提供准确的基础资料。论文介绍了用于单站地面月平均气温序列城市化偏差订正的一个方法,并利用该方法订正了685个国家基本/基准站1961—2015年地面年及月平均气温序列中的城市化偏差。采取自东往西迭代订正的方法,即从东往西逐经度订正,订正完的目标站也可作为参考站。首先,规定目标站的参考站在300 km范围内,并利用2站的去线性趋势年均气温的相关系数作为标准,规定相关系数最大且通过信度水平为0.005显着性检验的4个候选参考站作为该目标站的参考站;然后,对各个参考站年均气温与其对应目标站年均气温求相关,并以其平方为权重计算各参考站月和年均气温的平均值序列,即为各目标站年和月平均地面气温参考序列;其次,利用目标站气温序列趋势及其参考序列趋势之差作为总的订正值,订正目标站气温序列中包含的城市化偏差。较大的城市化偏差出现在华北地区、华中部分地区、东北北部、西南及西部部分地区,介于0.1～0.3℃/10 a;在中国西北部分地区、西藏西部及南部、东北南部、华南沿海、华东及华中个别站存在负偏差;对整个中国而言,相对城市化偏差为19.6%。以北京、武汉、银川、深圳作为华北、华中、西北和华南地区的大城市代表站,发现其在过去55 a的相对城市化偏差分别为67.0%、75.4%、32.7%和50.3%,与前人针对单站评估城市化影响的结果基本一致,说明论文的订正方法较为合理。论文介绍的城市化偏差订正方法,可用于订正中国等快速城市化地区地面气温观测资料的系统偏差,订正后的气温数据在很大程度上消除了城市化因素引起的不确定性。(本文来源于《地理科学进展》期刊2019年04期）
何清,金莉莉,李振杰[9]（2018）在《乌鲁木齐市城区和郊区近地面风速、气温特征》一文中研究指出利用乌鲁木齐市5座100 m气象铁塔10层风速观测资料,详细分析了乌鲁木齐市城区和郊区近地层风速、气温季节变化和日变化特征,得出以下结果:(1)乌鲁木齐市风速最大值出现在14:00～16:00,最小值多在夜间或上午。冬季风速最小、夏季最大;冬季风速始终处于一个较为稳定、有微小波动的低值特点;夏季风速表现出一定的变化趋势。市区和郊区风速随高度增加而增大,风速梯度在10:00～18:00左右最大,其中,南郊风速和风速梯度最大,且一天内风速为1.8～5.4 m·s~(-1)。(2)夏季风速在一年里波动最大,随地势降低波动减小,南郊最大(1.5～6.4 m·s~(-1)),北郊最小(1.3～4.6 m·s~(-1));秋季和春季次之;冬季风速波动最小,南郊最大(1.3～4.6 m·s~(-1)),北郊最小(0.7～2 m·s~(-1))。(3)近地层100 m内城区和北郊风速随高度变化较小,冬季基本只在1～2 m·s~(-1)之间,而南郊风速随高度增加变化幅度最大,约1m·s~(-1)增加到4 m·s~(-1)以上;愈近地面,城区与郊区风速相差愈大,近地面城区平均风速明显低于郊区,春季、夏季、秋季和冬季分别约低5～32%、8～30%、15～37%、14～48%。(4)乌鲁木齐市四季均存在逆温,北郊逆温最明显。近地层100 m内主城区气温日较差较小,约为3.5～5.5℃;郊区气温日较差较大,约为4.2～7.0℃。夏季郊区气温高于城区,冬季北郊气温最低、南郊最高;白天大气基本上为超绝热不稳定状态,城区夜间气温高于郊区。春季和秋季,城、郊温差白天小、夜间大,且夜间愈近地面、温差愈大,且与南郊差异最大,其中春季二者温差可达2.4℃、秋季二者温差可达3℃。城区和郊区各季节各层最高气温与最低气温出现时间几乎不同步达到。夏季、秋季、冬季和春季最高气温分别约在17:00～18:10、16:00～17:20、14:30～15:50(北郊滞后1.5小时)、17:00～18:00(南郊提前1.5小时)出现,最低气温分别约在7:10～8:20、8:00～9:00、冬季为多个时段(这与出现逆温有关)、7:30～8:40出现。(本文来源于《第35届中国气象学会年会 SS2 科学家论坛：城市气候变化特征、原因和影响》期刊2018-10-24）
智协飞,彭婷,王玉虹[10]（2018）在《基于BMA方法的地面气温的10～15 d延伸期概率预报研究》一文中研究指出利用TIGGE资料提供的欧洲中期天气预报中心(ECMWF)、美国国家环境预报中心(NCEP)、英国气象局(UKMO)叁个预报中心2013年6月1日至8月31日的地面2 m气温10~15 d预报资料,对延伸期地面气温进行贝叶斯模式平均(Bayesian Model Averaging,BMA)预报试验。结果表明,BMA方法的预报效果随训练期长度而改变,训练期长度为30 d时预报效果最优。BMA方法可提供全概率密度函数,定量描述预报不确定性的大小,且陆地上预报不确定性大于海洋上的预报不确定性,高纬度地区预报不确定性大于低纬度地区的预报不确定性。利用CRPS评分对BMA概率预报技巧进行评估,发现预报技巧随预报时效的延长降低,且预报技巧在海洋上优于陆地、低纬度地区优于高纬度地区。此外,3 d、5 d和7 d滑动平均的预报值反映某些天气过程的平均要素预报,对于提高10~15 d延伸期概率预报技巧有一定效果,且滑动天数越长,预报效果越好。(本文来源于《大气科学学报》期刊2018年05期）
地面气温论文开题报告
（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：
2018年8月,北京城市气象研究院与创新工场等公司联合举办了"天气预报"竞赛(WFC)——这是一项面向全球的人工智能(AI)挑战赛,旨在通过发挥AI技术的优势提高天气预报水平。全球有超过1000支队伍参加本次WFC竞赛,约250支队伍完成了实时天气预报赛程。最终,决赛排名前5的队伍获得了奖励。竞赛结果表明:多AI模型集合方法显着提高了2 m气温、2 m相对湿度和10 m风速的预报水平。与北京城市气象研究院在业务中应用的相似集合预报方法相比,基于时间序列分析、梯度提升树、深度概率预测等AI模型构建的集合预报方法,显着提升了2 m气温预报的准确率,前2名队伍在决赛期间的预报准确率分别提升24.2%和17.0%。同时,合理的数据处理技术和AI模型集合框架对预报效果的提升具有重要的作用。
（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。
地面气温论文参考文献
[1].王在文,陈敏,Luca,Delle,Monache,卢冰,张涵斌.相似集合预报方法在北京区域地面气温和风速预报中的应用[J].气象学报.2019
[2].嵇磊,王在文,陈敏,范水勇,王迎春.人工智能技术能否提高地面气温预报的精度——记AIChallenger2018全球天气预报挑战赛[J].气象学报.2019
[3].智协飞,吴佩,俞剑蔚,慕建利,赵倩.GFS模式地形高度偏差对地面2m气温预报的影响[J].大气科学学报.2019
[4].叶小岭,杨帅,陈洋,杨星,阚亚进.一种基于空间相关性和B样条曲面拟合的地面气温质量控制算法[J].大气科学学报.2019
[5].ZHU,Tingting,MAO,Jiangyu.冬季中国东北地区天气尺度位涡下侵及其对地面气温的影响（英文）[J].AtmosphericandOceanicScienceLetters.2019
[6].叶小岭,陈洋,杨帅,杨星,阚亚进.基于EEMD-CES的单站地面气温资料质量控制方法研究[J].大气科学学报.2019
[7].彭婷,智协飞,董颜,王玉虹,季焱.基于贝叶斯模式平均方法的东亚地区地面2m气温预报改进[J].中国科技论文.2019
[8].温康民,任国玉,李娇,任玉玉,孙秀宝.国家基本/基准站地面气温资料城市化偏差订正[J].地理科学进展.2019
[9].何清,金莉莉,李振杰.乌鲁木齐市城区和郊区近地面风速、气温特征[C].第35届中国气象学会年会SS2科学家论坛：城市气候变化特征、原因和影响.2018
[10].智协飞,彭婷,王玉虹.基于BMA方法的地面气温的10～15d延伸期概率预报研究[J].大气科学学报.2018