分别从“点对点”雨量检验和降水空间结构特征检验两方面对多个数值模式东亚夏季中短期逐日降水集合预报进行评估,结果表明不同模式对降水的不同方面存在不一样的预报能力。借助基于对象的诊断评估方法(method for object-based diagnos...分别从“点对点”雨量检验和降水空间结构特征检验两方面对多个数值模式东亚夏季中短期逐日降水集合预报进行评估,结果表明不同模式对降水的不同方面存在不一样的预报能力。借助基于对象的诊断评估方法(method for object-based diagnostic evaluation,简称MODE)提出了基于降水对象的超级集合(Object-based Superensemble,简称OBJSUP)模型,采用观测场和预报场中降水对象空间结构的相似度来分配各个成员模式的权重,有别于利用传统“点对点”误差分析来计算权重的超级集合(Gridpoint-based Superensemble,简称GPSUP)。相比于最优单模式,两种多模式集成预报均有效地提高了中短期降水预报技巧,且OBJSUP模型整体优于GPSUP模型,主要原因在于OBJSUP模型可以较好地改进降水对象的质心位置预报。为进一步检验多模式集成模型对强降水空间结构特征的预报能力,针对2018年夏季广东一次极端强降水事件,多模式集成预报与高分辨率区域模式动力降尺度预报对比表明,多模式集成对强降水的预报不足,但对广东省逐日大雨量级降水和过程累积降水量空间分布预报较好。高分辨率区域模式对此个例中粤东地区发生的强降水具有一定的预报能力,但对广东省其他地区降水量预报偏弱。展开更多
闪电类型识别在雷电探测和气象防灾减灾等领域具有重要的作用。目前闪电类型识别面临数据多样性、波形特征复杂等难题,限制了识别算法的准确性和泛化能力。提出了一种基于多尺度残差网络和注意力机制的闪电波形多分类算法MSRES-SA(multi...闪电类型识别在雷电探测和气象防灾减灾等领域具有重要的作用。目前闪电类型识别面临数据多样性、波形特征复杂等难题,限制了识别算法的准确性和泛化能力。提出了一种基于多尺度残差网络和注意力机制的闪电波形多分类算法MSRES-SA(multi-scale residuals and self-attention),旨在提高闪电波形识别的准确性。首先构建了一个多尺度残差特征提取模块,用于提取闪电波形在时间维度上不同尺度的信息,并使用残差连接来增强模型的表征能力。然后使用注意力机制来动态加权重要特征,捕捉波形序列中的长距离关联。实验结果表明,MSRES-SA算法的平均识别精度为99.35%,在多个闪电波形类别识别中优于基线模型,并通过消融实验证明了多尺度残差模块和注意力模块在闪电波形识别任务中的有效性。展开更多
文摘闪电类型识别在雷电探测和气象防灾减灾等领域具有重要的作用。目前闪电类型识别面临数据多样性、波形特征复杂等难题,限制了识别算法的准确性和泛化能力。提出了一种基于多尺度残差网络和注意力机制的闪电波形多分类算法MSRES-SA(multi-scale residuals and self-attention),旨在提高闪电波形识别的准确性。首先构建了一个多尺度残差特征提取模块,用于提取闪电波形在时间维度上不同尺度的信息,并使用残差连接来增强模型的表征能力。然后使用注意力机制来动态加权重要特征,捕捉波形序列中的长距离关联。实验结果表明,MSRES-SA算法的平均识别精度为99.35%,在多个闪电波形类别识别中优于基线模型,并通过消融实验证明了多尺度残差模块和注意力模块在闪电波形识别任务中的有效性。
