|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于CLDAS-Prcp多源融合降水产品的WRFHydro模式在綦江流域的水文效用显示文摘为了提升对中小尺度流域的径流模拟和洪水预报能力,给防灾减灾和科学研究提供参考依据,本文评估了CLDAS-Prcp多源融合降水产品在中小尺度流域中的水文效用以及WRF-Hydro模式在中小尺度流域中的模拟效果。首先利用CLDAS-Prcp多源融合降水产品和IMERG-Final多源融合降水产品分析了綦江流域7个典型洪水个例中的累计降水量空间分布特征以及小时面雨量时序变化特征,再利用两种多源融合降水产品分别驱动WRF-Hydro模式对綦江流域7个典型的洪水个例进行模拟,并与实测径流量进行对比分析。结果表明:(1)CLDAS-Prcp在累计降水量空间分布上比IMERG-Final刻画出了更多的细节,大值落区和降水总量上也更为准确;两种降水产品都能较好地刻画流域小时面雨量在洪水时段的变化趋势,CLDAS-Prcp在面雨量峰值以及变化趋势上更贴近观测数据。(2)基于CLDAS-Prcp多源融合降水产品的4场径流模拟中,有3场径流模拟的纳什系数高于0.9,表现优异;基于IMERG-Final多源融合降水产品的4场径流模拟中,除20200622号洪水事件外,其余场次模拟的纳什系数皆低于0.7,说明基于CLDAS-Prcp融合降水产品的参数率定以及径流模拟要优于IMERG-Final融合降水产品。(3)WRF-Hydro模式可以很好模拟出洪水个例的洪峰流量,准确地再现了洪峰出现的时间,能够较好地刻画洪水过程的细节。总体而言,CLDAS-Prcp多源融合降水产品和WRF-Hydro模式可以很好地应用在中小尺度流域的水文模拟中。 | 粟运 师春香 毛文书 孙帅 谢冰绮 翟丹华 | 2022 | 高原气象2022，41，3： | 7 |
| 2 | CLDAS驱动陆面模式模拟中国区域潜热通量的精度评价显示文摘利用不同下垫面的通量塔站潜热通量观测数据,计算中国气象局陆面数据同化系统的3个陆面模式(CLDAS-CLM、CLDAS-Noah和CLDAS-Noah-MP)和全球陆面同化系统(GLDAS-Noah)与通量塔站观测资料之间的相关系数(R)、平均偏差(ME)、均方根误差(RMSE)和纳什系数(NSE),进行多时间尺度、多下垫面的精度评价。结果表明:4个模式模拟结果基本能模拟出单峰型的日内变化和年变化趋势以及峰值出现时间,日变化峰值基本出现在14:00,年变化峰值出现在夏季,在分别存在灌溉和土壤冻融现象的农田和湿地处春季数值模拟效果稍差;在小时、日和月尺度上,CLDAS系列模式的模拟效果基本优于GLDAS,从相关系数(R)上看,CLDAS系列的平均值较GLDAS-Noah分别高出0.07、0.08和0.02,从均方根误差(RMSE)上看,CLDAS系列的平均值较GLDAS-Noah,分别减少6.6、5.5和2.3W·m^(-2)。模式模拟效果随着时间尺度和下垫面性质发生变化,月尺度上的模拟效果最好,其中Noah-MP表现较好,其R值为0.88,RMSE为20.8W·m^(-2),NSE为0.58。4个模式模拟结果在不同下垫面上的表现有一定的共性,在混合林和针叶林存在高估现象,在其余下垫面存在低估现象,但没有一个模型结果在所有下垫面均表现最优,CLM在戈壁、混合林和针叶林站点为最优模型,Noah在荒漠和农田站点为最优模型,Noah-MP在草甸、草原和湿地为最优模型。 | 王智慧 师春香 沈润平 孙帅 单帅 韩帅 | 2020 | 中国农业气象2020，41，12： | 7 |
| 3 | 基于CLDAS融合降水的中国降雨侵蚀力研究显示文摘气象站和卫星降雨资料估算降雨侵蚀力时存在无法反映空间异质性且精度差的问题,基于CLDAS多源融合降水,利用EI60模型从不同的时空尺度对中国的降雨侵蚀力进行评估,并结合降雨量、侵蚀性降雨次数、侵蚀密度等指标,探讨降雨对土壤侵蚀的潜在作用。结果表明:(1)CLDAS降雨侵蚀力与地面实测数据在不同的时间尺度均有良好的回归关系,相关系数达到0.8以上,与CMORPH降雨侵蚀力相比,其相对误差显著降低,可以准确反映全国范围的降雨侵蚀力季节性变异。(2)在2001—2020年,不同雨量区的降雨侵蚀力、降雨量和侵蚀性降雨次数的变化趋势基本一致,高雨量区的年际变化波动剧烈,侵蚀性降雨次数和暴雨过程协同影响降雨侵蚀力的大小。(3)空间上,中国的降雨侵蚀力值的特点为东南沿海地区高、西北内陆地区低。时间上,侵蚀性降雨集中在5—8月,夏、秋两季对土壤造成的侵蚀影响更大。(4)通过对年降雨量、年侵蚀密度和年暴雨量进行分区定量分析,结果表明暴雨量与侵蚀密度成正相关关系,即年降雨量一定,暴雨事件越多,降雨侵蚀密度越大。 | 梁宇靖 沈润平 师春香 邢雅洁 孙帅 | 2022 | 干旱区地理2022，45，5： | 3 |
| 4 | 基于风云四号静止气象卫星的局地对流智能化预警模型及应用显示文摘强对流等灾害性天气给人民生活和社会经济发展造成了严重影响,准确理解强对流发生的机理及提高其预报效果仍然是具有挑战性的工作。综合利用我国自主研发的新一代地球静止轨道气象卫星风云四号高时空分辨率观测数据和中国气象局全球数值预报(China Meteorological Administration-Global Forecast System,CMA-GFS)格点化产品,研究局地对流发生前大气环境场的特征和关键影响因子的变化。分析表明:卫星观测得到的云顶冻结信息以及表征大气的不稳定性、水汽含量等数值模式变量是预测局地对流发生的重要因子。利用面积重叠法和光流法对云团进行连续追踪,采用机器学习技术建立了中国区域局地对流发生和强度分级(弱、中、强)预警模型2.0版本(Storm Warning In Pre-convective Environment Version 2.0,SWIPE-V2.0),实现了局地对流的智能化预警。独立检验结果表明:模型对6个不同分区的雨季8 mm/h以下强度降水相关的对流判识准确率在0.5~0.85,对8 mm/h以上强度降水相关的对流判识准确率在0.69~0.91之间,具有较好的提前预警效果和实际应用价值。目前,SWIPE-V2.0已投入实时应用。 | 李俊 闵敏 李博 韦晓澄 刘子菁 郑永光 张小玲 覃丹宇 孙逢林 马铮 王立志 | 2023 | 气象科技2023，51，6： | 0 |
| 5 | 基于CLDAS的贺兰山区5—9月降水时空分布特征及其与地形的关系分析显示文摘利用2008—2016年5—9月中国气象局陆面数据同化系统(CLDAS)格点融合分析降水资料以及降水观测资料,在对CLDAS格点降水融合资料进行验证的基础上,对贺兰山区降水时空分布特征以及与地形的关系进行了分析。结果表明:贺兰山区降水呈“东多西少、南多北少”的分布特征,贺兰山主峰偏西0.1°存在一个超过240 mm的降水高值中心,日降水量极值西侧高于东侧。8月降水量和短时强降水次数最多,11:00—18:00降水次数最多,午后到前半夜短时强降水次数最多。贺兰山区降水以小雨为主,其次是中雨,中雨和小雨雨量占区域总雨量的比例高达85%。贺兰山区降水量随海拔高度的增加而增加,西坡降水随高度的增加率为5.1 mm/hm,东坡降水随高度的增加率为2.1 mm/hm,西坡明显高于东坡。中雨日数与地形高度的相关性较好,其它级别降雨日数与地形相关性不强。 | 穆建华 纪晓玲 贾乐 葛森 李晓攀 李龙燕 | 2023 | 气象科技2023，51，6： | 0 |
| 6 | A Deep Learning Method for Statistical Downscaling of CLDAS Relative Humidity with Different Sources of Data:Sensitivity Analysis显示文摘High-resolution relative humidity(RH)data are essential in studies of climate change and in numerical meteorological forecasting.However,because high-resolution meteorological grid data require a large number of stations,the sparse distribution of ground meteorological stations in China before 2008 has limited the development of long-term and high-resolution RH products in the China Meteorological Administration’s Land Assimilation System(CLDAS)dataset.To retrieve high-quality and high-resolution RH data before 2008,we propose a statistical downscaling model(SDM)based on a generative adversarial network(GAN)to transform the original RH data from a resolution of0.05°to 0.01°.The GAN-based SDM(GSDM)is trained with the RH of the CLDAS(0.05°)dataset after 2008 as its input,and the RH of the high-resolution CLDAS(HRCLDAS,0.01°)dataset after 2008 as its target for training.The2-m air temperature data from the HRCLDAS dataset are also included in the input,and the station observations of RH are incorporated in the target for training.To select the optimum data combination for the model,we compared three methods:(1)incorporating without auxiliary data(GSDM),(2)incorporating air temperature as an additional input(GSDM_T),and(3)incorporating air temperature as an additional input and the RH data at stations as an additional target for training(GSDM_TO).Taking the Beijing–Tianjin–Hebei region as an example,we trained the GSDM by using data from 2018 and tested the model performance in 2019.The experimental results showed that the GSDM_TO algorithm achieved the lowest root-mean-square error(3.85%),followed by the GSDM_T(4.01%)and GSDM(4.95%)algorithms.The proposed models showed a competitive performance and captured more local details of the RH fields than other deep learning models and traditional bilinear interpolation.In general,the GSDM_TO algorithm using a combination of different sources of data(air temperature and observed RH)achieved the best results among the various deep learning approaches,indicating that more auxiliary data and more accurate observations are beneficial in downscaling.This may be helpful for the statistical downscaling of other meteorological data. | Bin BAI Chunxiang SHI Ling YANG Lingling GE Luhui YUE Guangyu LIU | 2023 | Journal of Meteorological Research2023，37，6： | 0 |
| 7 | 青海省洪涝灾害时空分布和致灾雨量特征显示文摘基于2008—2020年青海省的灾情记录,利用灾损指数分析了青海省洪涝灾害的时空分布特征,确定了青海省的洪涝灾害高风险区,同时采用2017—2020年多源融合的CLDAS降水数据,利用机器学习算法建立了洪涝灾害预报模型,确定了致灾雨量阈值,结果表明:(1)青海省洪涝灾害2018年最多,达98次,2014年最少,仅16次,7—8月是洪涝灾害的高风险时段;空间上,基于年平均灾害次数的高风险区为海南州—海西州东部,基于年平均灾损指数的高风险区为海东市—西宁市;(2)利用多种机器学习算法,得到基于CLDAS数据的1、2和24 h雨强是预警灾害的降水因子,海南州—海西州东部1 h或2 h最大雨强达到6.8 mm,或者24 h最大雨强达到11.1 mm,是预警洪涝灾害的降水阈值。海东市—西宁市及邻近地区1 h或2 h最大雨强达到13 mm,或者24 h最大雨强达到18.2 mm,是预警洪涝灾害的降水阈值。 | 朱科旭 管琴 白爱娟 | 2024 | 沙漠与绿洲气象2024，18，1： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员