一、用单站要素资料做短期暴雨客观预报（论文文献综述）
唐冶,李如琦,马玉芬,张萌,张俊,刘军建[1]（2021）在《DOGRAFS逐小时气温和降水预报的释用》文中研究表明采用2016—2018年DOGRAFS（沙漠绿洲戈壁区域分析预报系统）的气温、降水逐小时预报资料,在检验的基础上开展释用方法研究,并用2019年资料进行试验测试,结果表明:DOGRAFS气温预报,08时起报的准确率要高于20时起报的;北疆好于南疆,准确率为50%,平均绝对误差为2.5℃,采用最高、最低气温建模方案,预报准确率提高到64%,平均绝对误差为1.9℃,预报的离散度降低。DOGRAFS降水预报,08时起报的TS评分略高,20时起报的晴雨准确率略高,南疆好于北疆;晴雨预报准确率可达95%,但降水TS评分仅有20%,空报率超过50%;采用消空订正方案,晴雨预报准确率提高1%,TS评分提高2%,空报率大大降低,但漏报率较大。释用方案对模式气温预报有较好的提升效果,降水预报仍有较大的改进空间。
周康辉[2]（2021）在《基于深度卷积神经网络的强对流天气预报方法研究》文中提出强对流天气,包括冰雹、雷暴大风、短时强降水、龙卷等,常常伴有闪电,由于其时空尺度小,其精准预报具有极大难度。目前,强对流预报主要依靠基于观测数据的外推方法、基于数值模式的“配料法”等方法,预报效果有待进一步提升。近年来,随着中小尺度观测网络和高分辨率数值天气预报（High-resolution numerical weather prediction,HNWP）模式的不断发展,强对流天气监测和预报能力有了相应地提升。然而,高时空分辨率的观测数据和数值天气预报数据,完全由预报员进行主观分析具有较大难度,亟需发展能够将上述数据有效综合应用的客观预报方法。本文立足于强对流天气预报业务应用的实际需求,基于深度学习方法,开发了涵盖临近、短时、短期等不同预报时效的强对流天气预报方法。基于多源观测数据,实现了临近时段的闪电预报;基于多源观测数据和HNWP数据,实现了短时时段内的闪电预报;基于全球数值模式,实现了短期时段内的分类强对流天气预报。于此同时,本文还对以上针对强对流天气特征构建的深度学习模型,进行了可视化,尝试对深度学习的特征提取、预测过程进行解释。据我们所知,本文实现了深度学习在强对流预报领域的多个创新性尝试。如利用深度学习融合多源观测数据,进行闪电临近预报;利用深度学习融合多源观测和HNWP数据,进行闪电的短时预报;利用深度学习对数值模式进行后释用,实现分类强对流天气短期预报。临近时段（0～2 h）,基于静止气象卫星、多普勒天气雷达、云-地闪电（简称“闪电”）定位等多源观测数据,利用深度卷积神经网络,构建了图像语义分割模型（Lightning Net）,有效实现了闪电临近概率预报。经过训练的Lightning Net模型,能够提取时间和空间上的闪电发生发展特征,具备了较好的预报能力。2018年8月的预报检验表明,0～1 h闪电预报检验TS（Threat Score）评分达到0.453,命中率为0.633,虚警率为0.386;闪电预报结果为概率预报产品,预报概率值越大的区域往往对应闪电活动更为活跃的地区,也具备较好的指示性意义。由于卫星具有一定的初生对流观测能力,因此本方法具备较好的对流初生预报能力,能够在对流生成之前,对其进行有效预报。该方法利用深度学习算法有效地实现了卫星、雷达、闪电观测数据的融合应用,其预报性能显着优于仅仅基于单一数据源的预报性能。短时时段（2～6 h）,基于多源观测数据和HNWP数据的特性,构建了双输入单输出的深度学习语义分割模型（Lightning Net-NWP）。预报因子包括闪电密度、雷达反射率、卫星的6个红外通道云图,以及GRAPES3km输出的雷达组合反射率预报变量等共9个预报因子。深度学习模型使用了编码—解码的经典全卷卷积结构,并且参照了经典的池化索引共享的方式,尽可能保留不同空间尺度特征图上的细节特征信息。利用三维卷积层以提取多源观测数据时间和空间上的变化特征。结果表明,深度学习能够有效实现多源观测数据和HNWP数据的融合,Lightning Net-NWP能够较好地实现0～6 h的闪电预报,具备比单纯使用多源观测数据、HNWP数据更好的预报性能,且预报时效越长,融合的优势体现的越明显,为强对流短时预报提出了新的方法和思路。短期时段（6～72 h）,利用深度卷积神经网络,构建了雷暴和分类强对流天气（短时强降水、冰雹、雷暴大风）的概率预报模型。利用强对流天气历史观测数据标记全球数值模式的再分析数据,创建了大样本强对流天气分类样本集。样本特征包括温、压、湿、风等基本气象要素,同时也包含了反映水汽、动力、能量等强对流天气发生发展所需条件的常用强对流参数。基于强对流天气的这些样本特征,构建了6层的深度卷积神经网络预报模型。将经过训练的深度学习模型,应用于数值模式的预报数据,实现了分类强对流天气的概率预报。2015—2017年4—9月的预报检验表明,深度学习算法的预报表现,相对于预报员主观预报具有明显的提高,雷暴、短时强降水、冰雹和雷暴大风的TS评分分别提高了16.1%、33.2%、178%和55.7%。针对上述深度学习模型,本文使用决策树预报因子重要性排序、预报因子变换重要性以及深度学习模型卷积输出结果可视化等方法,对各种深度学习方法和模型进行了初步的解释。基于决策树预报因子重要性排序结果表明,对于分类强对流天气的预报因子,机器学习方法排列的预报因子重要性程度,很大程度上与预报员的主观认识是一致的,同时也能得到一些有益的启发。通过变换重要性方法（Permutation importance）对Lightning Net-NWP模型的各个预报因子的重要性进行了分析。结果表明,随着预报时效的延长,NWP预报因子起到的作用越来越大,而观测数据预报因子的重要性逐渐下降。利用卷积层输出可视化的方法,对Lightning Net预报过程进行了可视化,分析了其卷积核特征提取过程。
郑婧,夏侯杰,陈娟,孙素琴[3]（2020）在《基于ECMWF模式的定量降水客观订正方法》文中研究说明基于ECMWF高分辨率数值模式物理量诊断产品,利用逻辑回归法开展江西定量降水客观预报试验,并进行检验和改进。结果表明:（1）初始方案中直接提取预报因子单站建模所得到的预报结果较数值模式原始输出降水改进效果有限,但在经过降水分区优化、多倍数暴雨样本扩充、本地气候频率降水订正等改进步骤后,各等级降水预报均较初始方案TS有不同程度的提高。（2）2018年降水试验结果表明,改进方案的晴雨、各等级降水预报TS均高于EC模式降水和预报员,其中大雨、暴雨以上量级相对数值模式以及预报员的订正提高率达到1/4～1倍。（3）本方案预报产品对强天气尺度强迫下、落区相对集中的暴雨天气有较好的识别能力;而在暖区暴雨、盛夏副热带高压边缘暴雨、高架对流等强降水落区分散且范围较小的情况下,或是当模式对天气形势、主雨带预报有明显系统性偏差时,无法有明显改进。
吴玉霜[4]（2019）在《广西地形分布对前汛期暴雨的影响及其智能计算客观预报方法研究》文中研究表明暴雨灾害是我国破坏性强的自然灾害之一,在发生的同时通常伴有泥石流、滑坡等一系列次生灾害。广西前汛期（4-6月）降水强度大,降水量多,兼受复杂的地理环境影响,具有局地性、突发性和历时短等特点,是华南区域频发暴雨降水的主要地区之一。基于广西1961-2017年共57a的前汛期暴雨强降水数据,文章综合运用EOF分析、小波分析、Mann-Kendall检验、滑动T检验等方法讨论地形因素对降水的影响,并着重分析广西地形对前汛期暴雨降水的空间分布特征,运用天气学诊断法,总结归纳出广西1961-2017年期间前汛期暴雨的发展规律、形成机理和年际变化特征。进一步根据广西地形分布和降水气候特征,将广西分为3个不同区域,分别建立基于KPCA特征提取方法与随机森林算法的智能计算集合客观预报模型,对广西前汛期暴雨进行实际预报预测。得到以下结论:（1）在地形影响下,广西地区前汛期暴雨的空间分布格局为东北多,西南少,有3个高值中心和1个低值中心,高值区分别是融水、永福等桂北地区,桂中北地区的金秀、蒙山等地以及东兴等沿海地区,低值区为宁明一带。（2）广西前汛期暴雨总量的年际变化显着,存在明显的1-2a、4-6a的短周期变化,以及24a左右的长周期变化。在长期变化趋势上,广西前汛期暴雨降水量整体变化较为平缓,突变不明显。（3）采用EOF方法对广西前汛期暴雨总量进行空间特征分析发现,第一模态为全区一致性且呈由东到西递减分布,高值区位于临桂、永福和来宾等地,低值区位于桂西北地区,方差贡献率为30.14%。第二模态为西北-东南反向分布的空间分布特征,高值区位于东兰、田东等地,桂东南大片地区为负值区,方差贡献率为12.21%。第三模态为南北反向且由北向南递减分布的空间格局,高值区位于永福、兴安等地,低值中心位于桂南地区,方差贡献率为9.4%。（4）采用EOF分解得到的特征向量所对应的时间系数分析广西前汛期暴雨的时间变化特征,第一模态的时间系数在20至-40之间,存在着3-4a的振荡周期,处于整体偏涝的类型。第二模态的时间系数在6至-6之间,呈下降趋势,存在一个12a左右的振荡周期,处于整体偏旱的类型。第三模态的时间系数在15至-15之间,呈上升趋势,处于北部地区偏涝,南部地区偏旱的类型。（5）对广西前汛期大范围持续性暴雨的统计分析发现,广西前汛期大范围持续性暴雨过程共出现41次,年平均为0.73次。4月份出现的频次最少,5月份次之,6月份出现的频次最多。广西大范围持续性暴雨的年际变化、月际变化较为明显。线性趋势分析发现,4月份略有减少的趋势,而5月和6月份则是逐渐增多的,其中5月份增加的趋势较为明显。（6）不同月份发生大范围持续性暴雨的影响机制都各异,分别表现为4月份的两槽两脊并在低纬度地区有分裂出的短波槽影响广西;5月份为两脊一槽形势;6月份为一槽一脊配合中低纬度的东亚槽。这些环流形势均有利于冷空气的堆积并南下影响,并且广西在5月和6月份同时受到副高边缘西南气流的影响,低层辐合气流明显,有利于低层水汽的不断抬升。（7）水汽、动力条件分析表明,月份的变化对应着不同的水汽来源,其中,4月份水汽来源主要为中国南海和孟加拉湾;5月份,则是南海、印度洋以及孟加拉湾;6月份的水汽来源以印度洋和孟加拉湾为主。4-6月广西上空上升运动较强,对应的不稳定能量较大,为广西暴雨的产生提供了有利的触发机制。（8）采用KPCA特征提取方法和随机森林算法相结合对预报因子进行数据挖掘机器学习,建立一种新的非线性人工智能计算预报模型,对广西前汛期暴雨进行建模研究,预报结果表明,新模型全区前汛期暴雨预报的TS评分为0.14,欧洲中心数值预报产品（ECMWF）全区TS评分仅为0.07;按地形和气候特征要素分区预报的结果发现,一区,新模型TS评分为0.16,欧洲细网格为0.12;二区,新模型TS评分为0.10,欧洲细网格仅为0.01;三区,新模型TS评分为0.14,欧洲细网格只有0.02,新模型结果均优于ECMWF的集合预报结果。对比结果表明,该预报模型结果稳定,精度较高,数值预报产品释用预报效果好,对广西前汛期暴雨的实际预报研究具有一定的科学指导意义。
李严芳,黄伟,吴扬[5]（2019）在《龙南县暴雨预报单站要素指标研究》文中进行了进一步梳理通过对龙南县1987—2016年汛期暴雨前1 d 14:00的温度、水汽压、本站气压等要素资料进行统计分析,得出分月暴雨要素变化参考指标,利用2017—2018年大雨及以上量级降水过程对指标进行检验。结果表明,指标可以有效降低暴雨过程的空报率,提高预报的准确率。
裴尕桑[6]（2018）在《数值预报产品释用在青海夏季强降水预报中的应用》文中研究表明强降水预报是天气预报中的难点之一。青海地处青藏高原东北部,受高原地形影响,夏季降水具有突发性、局地性、雨强大等特点,常引发洪涝、泥石流等次生灾害,是青海地区最主要的气象灾害之一。以往,仅依靠常规的气象观测资料来预报青海地区的强降水天气有一定局限性,随着数值模式预报产品的多样化及其分辨率和准确性的不断提高,其在降水天气预报中的重要作用也逐渐被认同。但是,如何优化数值预报产品在强降水预报中的应用,探究和检验在业务预报中比较便捷有效的数值预报产品释用方法,仍是值得不断探索的实用课题。因此,本文就数值预报产品释用方法在青海地区短期天气预报中的应用及改进做了一点尝试。首先,本文利用逐日降水资料对青海省近10年降水进行了空间分布特征和降水强度变化特征分析,结果显示:（1）青海省年平均降水量空间分布极其不均匀,整体呈现出南多北少、东多西少、自东南向西北呈阶梯式递减的特征。全年降水主要集中在夏季,且强降水频次也是最多。（2）青海省夏季降水在强度上具有明显的不均匀性。统计得出24小时10mm以上降水的发生次数虽然偏少,但依然是青海省夏季降水量的主要贡献者,表明10mm以上降水在青海夏季降水中属于强度偏强类型,是引发夏季青海地区洪涝和泥石流等次生灾害的主要原因。（3）青海省年降水集中度在0.6—0.7之间,表明降水比较集中;年降水集中期在210°左右,表明降水集中出现在夏季。综合两者表明青海省降水在时间分布上也具有明显的不均匀性。夏季降水集中度表明青海降水在夏季各月分布较均匀,相对而言较大的集中度主要出现在6月中下旬-7月上旬以及8月中-下旬间,这印证了青海省传统的“七上、八下”汛期降水关键期的说法。利用欧洲中心（ECMWF）细网格数值预报产品对青海夏季两次强降水过程进行了详细的预报应用分析,并就预报效果较好的物理量采用“配料法”思想尝试构建了新的参数。结果表明:（1）基于数值预报产品、结合本地预报经验计算得到的水平螺旋度、水汽通量、水汽通量散度在青海夏季强降水中有较好的预报应用价值,各物理量对降水过程的发生、发展和强降水中心位置均表现出较好的对应关系:500 hPa层上正水平螺旋度强度对降水强度的变化有较好的指示性,负水平螺旋度强度偏强时可以很好的指示强降水中心位置。水汽通量大值区内水汽辐合强度越强,降水强度也越强。（2）基于“配料法”思想组合的新参数显示:新参数降水预报效果优于单一物理量的预报效果,新参数指示的大值区内发生强降水的概率更大。（3）采用“配料法”构建的暴雨客观预报方法在青海夏季降水预报中有较好的应用价值,而如何利用数值预报产品追踪关键物理量的演变特征和中尺度系统是暴雨短期预报和监测强对流天气发生时间和地点的关键点,有待继续深入探究。
孙杰[7]（2016）在《旺苍单站气象要素与暴雨概率的研究》文中认为单站气象要素的不同配置在一定程度上能够反映出当地的天气系统,因此对单站气象要素的研究有利于进行局部天气预报。通过对旺苍站1972—2013年5—10月08时气压（p）、气温（t）、水汽压（e）配置与次日暴雨的关系对比分析,得出单站p、t、e三要素配置类型与本站24h暴雨概率有如下关系:（1）暴雨概率高的配置类型具有月变化特征;（2）配置类型频次曲线与暴雨概率曲线具有不一致性;（3）暴雨概率最高的配置类型为特殊的配置类型。
邵建[8]（2013）在《宁夏暴雨特征及客观预报方法研究》文中研究说明本文利用近53a宁夏暴雨资料和近8a自动站观测资料对宁夏暴雨的气候特征进行分析,发现宁夏降水呈“南多北少”的整体分布特征,降水易发区为中卫市以南和贺兰山东麓,大雨以上量级降水呈多极化分布。近53a宁夏暴雨有三个集中出现期,进入21世纪后宁夏暴雨有增加的趋势,其中宁南山区和银川平原暴雨频数增率明显。宁夏暴雨主要发生在7月上旬到9月上旬,其发生概率存在明显的地域特征和月分布特征。就日变化特征而言,宁夏短时暴雨易发时段主要集中在午后到夜间（即下午16时～次日02时）,这一特征与气温（热量）及对流发展的日变化比较一致。利用Mexihat小波分析,可知宁夏暴雨发生频数存在明显的年代际变化特征、年际变化特征和低频振荡特征。选取2006、2010、2012、2013年四次典型暴雨天气过程,利用NCEP再分析资料和常规观测资料对其环流形势场、影响系统等进行分析,并对物理量场进行诊断分析,得出如下结论：（1）宁夏暴雨的主要影响系统有：副热带高压、青藏高压、西风槽、低涡、切变线、高低空急流。其中副高为暴雨提供充沛的水汽与能量,青藏高压提供、维持高空辐散机制,加强次级垂直环流,低空西南急流或显着气流为暴雨天气的发生提供了水汽条件和动力条件。（2）利用SOMs场分析方法对宁夏34次暴雨个例进行分型,得到三大类型：长波槽型、平直气流型和两高夹击型。（3）暴雨发生前,中低层建立高湿区,降水加强后出现饱和区；700hPa相对湿度≥80%为宁夏暴雨出现的必要条件,而相对湿度≥90%是大暴雨出现的必要条件。宁夏暴雨过程发生时具备明显的水汽输送通道及水汽源地。当暴雨发生时,暴雨区上空存在低空辐合高空辐散的垂直结构和次级环流,强水汽辐合中心和强上升气流区对应着暴雨中心。SI指数、抬升指数LI均对强降水的预报有较好的指示意义。在以上研究的基础上,通过环流形势场和风场预判,剔除不易发生暴雨的环流型,然后依据筛选出的16个宁夏暴雨预报主要因子,计算得出预报指标,建立暴雨客观预报模型,给出了物理量指标体系和流程图。利用建立的预报方法对2006、2010、2012、2013年四次暴雨过程进行试报,对预报结果进行准确率、空报率、漏报率的检验。检验结果显示,此预报方法对宁夏暴雨具备较好的预报能力,平均预报准确率为71.1%,能够实现大部分暴雨站点的预报,但仍存在一定的空报和漏报,还需在今后的研究中进行改进。
曾淑玲[9]（2012）在《三类航危天气预报技术及业务系统研究》文中研究表明从上世纪20年代起,航空气象保障就逐渐得到国内外航空公司和气象科技工作者的广泛关注,这主要是因为天气是影响航空安全、正常与效率的最重要因素之一,给航空企业和飞行员提供及时、准确的天气预报,进而提升飞行的安全性是航空气象服务的职责和任务。航空工业的迅猛发展,对航空气象服务提出了更新更高的要求。在诸多的天气因素中,雷暴被称为夏季飞行安全的杀手；雾造成的低能见度常造成机场关闭；风是对飞行影响最大的气象要素,大风可影响飞机正常起降并损坏机场设施。因此,关于这三类典型航空危险性天气的短期预报技术进行深入研究,对于进一步提高航空气象预报业务能力具有重要的现实意义。本论文首先分析了近30年我国三类航危天气的时空分布特征并总结其主要天气型,为了解其气候概率、发生机制以及提高预报水平提供有效的支持；然后通过深入分析三类航危天气的主要物理因子,采用事件概率回归和BP神经网络两种方法建立了三类航危天气的动力-统计预报模型,并对模型的预报性能进行了检验和比较；最后基于软件开发技术构建了能够用于航空气象服务的三类航危天气短期预报业务化系统,目前已投入准业务化运行。主要研究结果如下：1、在极端天气气候事件增多的大背景下,研究表明,我国大陆雷暴、雾霾和大风存在不同的时空变化特征。我国雷暴高发区主要位于东南沿海、华南、西南以及青藏高原东部地区,近30年来雷暴日数经历了两个相对多发期和一个相对少发期。雾在我国南方和沿海地区频发,多雾地区主要分布在辽东半岛、山东半岛沿海、福建西北及沿海、江浙沿海、四川盆地以及云南西南部,长江以南地区的雾日数明显多于长江以北地区。近30年来大雾日数整体呈现出减少的趋势,而轻雾日数呈增加趋势。霾日数具有东多西少的空间分布特征,东部地区的霾集中在三个多发区,分别为长江中下游、华北和华南地区；2001年以后霾日数呈现出增加的趋势。大风主要出现在北方地区,频发区主要位于新疆北部、内蒙古中西部、青藏高原东部以及东部沿海区域。2、通过统计分析,筛选出了不同预报对象的主要影响物理因子。雷暴预报方程中贡献大的因子反映了水汽含量、动力条件和不稳定能量。雾霾预报方程中的因子主要有水汽含量、全风速、垂直速度和稳定度指数等。大风预报方程中的因子主要有模式输出的U、V分量及对流层中下层的全风速,其次为垂直速度,槽的强度、温度和涡度平流也在方程中占较大比重。3、针对全国不同站点,分别建立了基于线性回归理论的三类航危天气事件概率回归预报模型,并对其预报性能进行了检验。对于三类天气,TS评分值在不同区域和不同预报时效均高于气候概率值。雷暴在华南、东部沿海和东北地区预报效果相比其他地区更好。对水平能见度小于10km的雾霾天气,预报评分的空间分布随季节变化而不同,预报效果较好的站点在春季主要分布在西北东南部、华北南部、黄淮东部和江淮中东部；夏季主要分布在两大区域,分别是东北地区南部、华北地区和江南中西部、华南中西部地区；秋冬季分布在东北地区南部、华北地区、黄淮地区以及江淮东部；且冬季在东南沿海、华南预报效果好于秋季。对水平能见度小于1km的雾,预报评分和其气候概率空间分布有较好的一致性,预报评分在东北地区南部、黄淮、江南东部以及西南地区较高。大风天气的预报评分在北方地区整体较高,秋季在东南沿海具有较高的评分。4、针对全国不同站点,分别建立了基于非线性动力系统的三类航危天气BP神经网络预报模型,检验了其预报性能并与事件概率回归预报模型进行对比。整体来看,由于输入端预报因子相同,两种预报模型试预报评分的空间分布基本一致。对于雷暴天气,随着预报时效的延长,预报评分明显减小,夜晚的评分较白天偏低,且神经网络预报模型效果明显好于事件概率回归预报模型,在白天的预报时段内更为明显。雾霾神经网络模型对水平能见度小于1km雾的预报好于事件概率回归预报模型。对于大风天气,事件概率回归模型预报效果更好。个例预报分析表明两种预报模型对于三类天气的区域性特征的预报与实况都有较好的一致性。5、三类航危天气短期业务预报系统的建立及准业务化运行。针对当前航空气象业务保障中短期预报任务特点和预报需求,综合利用数值预报产品释用技术和软件开发技术,开发了三类航危天气短期业务化预报系统。系统设计共分为五个模块,分别是预报模型构建模块、数据采集入库模块、基本要素和特征物理量计算入库模块、预报数据自动生成模块和预报信息显示模块。本系统实现了数据自动下载入库、单要素或多要素、单一时间或历史上某一时间段的自动预报、地理信息数据接入、预报结果图形化显示等多个功能。本预报系统具有建模方法先进、客观化与自动化程度高、操作简便等优点,可以辅助预报员高效客观地完成三类航危天气短期预报的制作。目前本系统已集成到航空气象灾害预报支持服务系统进行准业务化运行。
薛志磊,张书余[10]（2012）在《气温预报方法研究及其应用进展综述》文中研究指明气温预报一直是天气预报的重要组成部分,本文对气温预报方法进行综述,分析其优缺点,并提出新的气温精细化预报方法的可行性思路,为提高气温预报质量提供参考。
二、用单站要素资料做短期暴雨客观预报（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、用单站要素资料做短期暴雨客观预报（论文提纲范文）
（1）DOGRAFS逐小时气温和降水预报的释用（论文提纲范文）
| 1 资料和检验方法 |
| 2 释用方法 |
| 2.1 气温逐小时预报 |
| 2.2 降水逐小时预报 |
| 3 释用结果的检验 |
| 3.1 气温预报 |
| 3.2 降水预报的检验 |
| 3.3 逐小时预报检验 |
| 3.3.1 气温 |
| 3.3.2 降水 |
| 4 结论与讨论 |
（2）基于深度卷积神经网络的强对流天气预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 机器学习在强对流和降水监测中的应用 |
| 1.2.2 机器学习在强对流临近预报中的应用 |
| 1.2.3 机器学习在强对流短时和短期预报中的应用 |
| 1.2.4 小结与展望 |
| 1.3 问题的提出 |
| 1.4 论文章节安排 |
| 第2章 基于多源观测数据的闪电临近预报 |
| 2.1 研究背景 |
| 2.2 数据和方法 |
| 2.2.1 卫星数据 |
| 2.2.2 全国雷达拼图数据 |
| 2.2.3 闪电定位数据 |
| 2.2.4 地理范围选取 |
| 2.3 深度学习方法 |
| 2.3.1 闪电预报流程 |
| 2.3.2 训练集和测试集构建 |
| 2.3.3 深度学习模型 |
| 2.4 试验结果 |
| 2.4.1 检验结果 |
| 2.4.2 2018年8月23日预报个例分析 |
| 2.4.3 2018年8月4日预报个例分析 |
| 2.4.4 闪电初生预报和检验 |
| 2.5 结论和讨论 |
| 第3章 基于高分辨率数值预报和观测数据的闪电短时预报 |
| 3.1 研究背景 |
| 3.2 数据 |
| 3.2.1 观测数据 |
| 3.2.2 高分辨率数值天气预报数据 |
| 3.3 深度学习模型 |
| 3.3.1 深度学习模型结构 |
| 3.3.2 训练集和测试集 |
| 3.3.3 训练过程 |
| 3.4 试验结果 |
| 3.4.1 批量检验结果 |
| 3.4.2 个例检验结果-2018年8月21日 |
| 3.4.3 个例检验结果-2018年8月23日 |
| 3.5 小结 |
| 第4章 基于数值预报的强对流天气短期分类预报 |
| 4.1 引言 |
| 4.2 数据与方法 |
| 4.2.1 NCEP FNL分析资料 |
| 4.2.2 强对流天气实况数据 |
| 4.3 深度学习预报算法 |
| 4.3.1 训练样本和测试样本 |
| 4.3.2 深度学习模型构建 |
| 4.3.3 预报过程 |
| 4.4 结果评估 |
| 4.4.1 不同模型评估 |
| 4.4.2 个例预报评估 |
| 4.4.3 算法整体评估 |
| 4.5 小结 |
| 第5章 基于机器学习可视化的强对流机理规律研究 |
| 5.1 研究背景 |
| 5.2 数据和方法 |
| 5.2.1 预报因子重要性排序 |
| 5.2.2 变换重要性 |
| 5.2.3 特征图(feature map可视化) |
| 5.3 机器学习模型可解释性 |
| 5.3.1 基于NWP的分类强对流天气预报因子重要性排序 |
| 5.3.2 基于多源观测数据和HNWP数据进行短时预报的预报因子变换重要性 |
| 5.3.3 基于多源观测数据特征图可视化 |
| 5.4 小结与讨论 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于ECMWF模式的定量降水客观订正方法（论文提纲范文）
| 1 引言 |
| 2 资料选取 |
| 3 数值模式降水客观订正方案 |
| 3.1 逻辑回归模型简介 |
| 3.2 降水检验方法 |
| 3.3 模式降水客观订正试验 |
| 3.3.1 初始方案 |
| 3.3.2 改进方案 |
| 3.3.3 试验结果对比 |
| 4 客观订正方案在业务预报中的应用 |
| 4.1 2018年主观业务预报与客观订正降水的TS评分对比 |
| 4.2 暴雨预报能力评估 |
| 5 结论 |
（4）广西地形分布对前汛期暴雨的影响及其智能计算客观预报方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 暴雨成因及特征 |
| 1.2.2 地形对暴雨的影响 |
| 1.2.3 暴雨预报研究进展 |
| 1.3 研究目的及意义 |
| 1.4 主要研究内容 |
| 1.5 研究技术路线 |
| 2.研究区域概况、资料、方法 |
| 2.1 研究区域概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气候条件 |
| 2.1.4 河流分布 |
| 2.1.5 社会经济 |
| 2.2 资料来源及处理 |
| 2.3 方法 |
| 2.3.1 EOF分析方法 |
| 2.3.2 Mann-Kendall检验 |
| 2.3.3 ArcGis反距离权重差值法 |
| 2.3.4 小波分析 |
| 2.3.5 滑动T检验 |
| 3.地形对广西前汛期暴雨的影响分析 |
| 3.1 地形因子对降水的影响 |
| 3.2 地形影响下广西前汛期暴雨时空分布特征 |
| 3.2.1 空间分布特征 |
| 3.2.1.1 暴雨总量的空间分布特征 |
| 3.2.1.2 基于EOF分析的暴雨空间分布特征 |
| 3.2.2 时间演变特征 |
| 3.2.2.1 年暴雨量的时间演变特征 |
| 3.3.2.2 基于EOF分析的暴雨时间变化特征 |
| 3.3 小结 |
| 4.广西前汛期大范围持续性暴雨气候特征分析 |
| 4.1 广西前汛期大范围持续性暴雨统计特征 |
| 4.2 广西前汛期大范围持续性暴雨的环流诊断分析 |
| 4.2.1 高层环流异常及急流分析 |
| 4.2.2 中层环流异常 |
| 4.2.3 低层异常辐合 |
| 4.3 物理量场合成分析 |
| 4.3.1 水汽来源 |
| 4.3.2 水汽通量散度 |
| 4.3.3 湿度条件 |
| 4.3.4 动力条件分析 |
| 4.3.5 不稳定能量场分析 |
| 4.4 小结 |
| 5.基于KPCA与随机森林算法的广西前汛期暴雨释用预报 |
| 5.1 方法原理 |
| 5.1.1 随机森林算法 |
| 5.1.2 KPCA主成分分析方法 |
| 5.2 试验数据处理 |
| 5.2.1 预报对象、因子及其处理 |
| 5.2.2 基于KPCA方法和随机森林算法建模试验 |
| 5.3 试验结果分析 |
| 5.4 小结 |
| 6.总结与展望 |
| 6.1 主要结论 |
| 6.2 特色和创新 |
| 6.3 未来工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文及参与的项目 |
| 致谢 |
（5）龙南县暴雨预报单站要素指标研究（论文提纲范文）
| 1 暴雨分月要素特征统计归类 |
| 1.1 暴雨单站要素3月特征分类 |
| 1.1.1 增湿降压型。 |
| 1.1.2 增压型。 |
| 1.1.3 低温低湿降压型。 |
| 1.1.4 降压型。 |
| 1.2 暴雨单站要素4月特征分类 |
| 1.2.1 (暖湿气流) 增温增湿降压型。 |
| 1.2.2 (干冷空气) 强降湿型。 |
| 1.2.3降压降温增湿型。 ( |
| 1.2.4 降压增温型。 |
| 1.3 暴雨单站要素5月特征分类 |
| 1.3.1 高湿型 (强南风) 。 |
| 1.3.2 高湿型。 |
| 1.3.3 增温增湿降压型。 |
| 1.3.4 强降温型。 |
| 1.3.5 增压降温型。 |
| 1.3.6 降压降温型。 |
| 1.3.7 降压增温型。 |
| 1.4 暴雨单站要素6月特征分类 |
| 1.4.1 低压高温型。 |
| 1.4.2 低湿型 (湿谷) 。 |
| 1.4.3 强增湿型。 |
| 1.4.4 高湿型。 |
| 1.4.5晨高温型。 |
| 1.4.6 高湿降压型。 |
| 1.4.7 增压降温型。 |
| 2 效果检验 |
| 3 结语 |
（6）数值预报产品释用在青海夏季强降水预报中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文特色与创新点 |
| 第二章 研究区域与资料和方法 |
| 2.1 研究区域 |
| 2.2 资料介绍 |
| 2.2.1 欧洲中心(ECMWF)细网格数值预报产品 |
| 2.2.2 实况资料 |
| 2.3 方法 |
| 2.3.1 强降水诊断参数选取及物理意义 |
| 2.3.2 配料法 |
| 2.3.4 计算方法 |
| 第三章 青海省夏季降水时空分布特征 |
| 3.1 降水集中度、集中期分析 |
| 3.2 降水特征分析 |
| 3.3 集中期、集中度特征 |
| 3.4 小结 |
| 第四章 数值预报产品在青海夏季降水预报中的应用 |
| 4.1 青海省夏季强降水典型环流及强降水过程定义 |
| 4.2 水平螺旋度等物理量在一次青海强降水预报中的应用 |
| 4.2.1 天气实况 |
| 4.2.2 环流背景与影响系统分析 |
| 4.2.3 物理量特征 |
| 4.2.4 各物理量预报效果分析 |
| 4.3 “配料法”暴雨客观预报方法的应用 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 在读期间科研成果简介 |
| 致谢 |
（7）旺苍单站气象要素与暴雨概率的研究（论文提纲范文）
| 1 p、t、e配置类型 |
| 2 p、t、e配置类型频次及暴雨概率分析 |
| 2.1 p、t、e主要配置类型频次及暴雨概率 |
| 2.1.1 p、t、e主要配置类型频次 |
| 2.1.2 暴雨概率 |
| 2.2 p、t、e特殊配置类型频次及暴雨概率 |
| 2.2.1 p、t、e特殊配置类型频次 |
| 2.2.2 暴雨概率 |
| 2.3 主要配置类型及特殊配置类型的对比分析 |
| 3 结论 |
（8）宁夏暴雨特征及客观预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究目标和内容 |
| 参考文献 |
| 第二章 资料与研究方法 |
| 2.1 资料介绍 |
| 2.2 研究方法 |
| 2.2.1 统计学方法 |
| 2.2.2 小波分析 |
| 2.2.3 SOMs场分类方法 |
| 2.2.4 暴雨判别预报方法 |
| 参考文献 |
| 第三章 宁夏暴雨气候特征分析 |
| 3.1 宁夏各级降水空间分布特征 |
| 3.1.1 宁夏小雨空间分布特征 |
| 3.1.2 宁夏中雨空间分布特征 |
| 3.1.3 宁夏大雨空间分布特征 |
| 3.1.4 1961～2013年暴雨总频数及贡献率空间分布 |
| 3.1.5 年代际频数空间分布演变特征 |
| 3.1.6 近30a暴雨变率空间分布 |
| 3.1.7 21世纪后暴雨变率空间分布 |
| 3.1.8 21世纪前后频数空间分布对比 |
| 3.1.9 月总频数空间分布特征 |
| 3.1.10 区域站暴雨空间分布特征 |
| 3.2 暴雨时间演变特征 |
| 3.2.1 暴雨年代际分布特征 |
| 3.2.2 暴雨年际分布特征 |
| 3.2.3 暴雨月分布特征 |
| 3.2.4 暴雨旬分布特征 |
| 3.2.5 暴雨候分布特征 |
| 3.2.6 暴雨发生概率月、旬、候分布特征 |
| 3.2.7 短时暴雨时间分布特征 |
| 3.3 小波分析及周期特征 |
| 3.3.1 年代际和年纪周期特征 |
| 3.3.2 低频振荡特征 |
| 3.4 本章小结 |
| 参考文献 |
| 第四章 典型暴雨过程的环流形势分析与分型 |
| 4.1 四次暴雨过程实况分析 |
| 4.1.1 2006年7月13～14同暴雨实况 |
| 4.1.2 2010年7月22日暴雨实况 |
| 4.1.3 2012年7月29～30日暴雨实况 |
| 4.1.4 2013年7月8日暴雨实况 |
| 4.2 环流形势场演变 |
| 4.3 主要影响系统 |
| 4.3.1 青藏高压 |
| 4.3.2 高空西风急流 |
| 4.3.3 500hPa低值系统 |
| 4.3.4 副热带高压和大陆高压 |
| 4.4 高低空系统配置 |
| 4.5 典型暴雨过程环流分型 |
| 4.6 本章小结 |
| 参考文献 |
| 第五章 典型暴雨过程物理量诊断分析 |
| 5.1 水汽条件分析 |
| 5.1.1 相对湿度 |
| 5.1.2 温度露点差 |
| 5.1.3 水汽通量 |
| 5.1.4 水汽通量散度 |
| 5.2 动力条件分析 |
| 5.2.1 垂直速度 |
| 5.2.2 散度 |
| 5.3 不稳定条件分析 |
| 5.3.1 SI指数 |
| 5.3.2 抬升指数LI |
| 5.4 本章小结 |
| 参考文献 |
| 第六章 暴雨客观预报方法研究 |
| 6.1 基于因子分析的暴雨预报方法 |
| 6.1.1 预报指标确定 |
| 6.1.2 预报模型建立 |
| 6.2 客观预报效果检验 |
| 6.2.1 检验方法 |
| 6.2.2 检验站点选取 |
| 6.2.3 预报效果检验 |
| 6.3 本章小结 |
| 参考文献 |
| 第七章 总结和展望 |
| 7.1 主要研究结论 |
| 7.2 本文特色和创新点 |
| 7.3 本文的不足之处 |
| 7.4 工作展望 |
| 在学期间的研究成果 |
| 近三年来发表的论文 |
| 主持或参加项目 |
| 近三年来获奖情况 |
| 致谢 |
（9）三类航危天气预报技术及业务系统研究（论文提纲范文）
| 摘要 Abstract 第一章 绪论 |
| 1.1 航空危险性天气预报研究背景 |
| 1.2 航空危险性天气预报研究的目的和意义 |
| 1.3 三类航空天气短期预报研究现状 |
| 1.3.1 雷暴天气预报研究现状 |
| 1.3.2 低能见度天气预报研究现状 |
| 1.3.3 大风天气预报研究现状 |
| 1.4 基于数值预报产品释用方法的要素预报研究现状 |
| 1.5 本文研究目的、内容和章节安排 |
| 参考文献 第二章 预报方法和资料 |
| 2.1 事件概率回归方法及其应用 |
| 2.1.1 事件概率回归方法 |
| 2.1.2 事件概率回归在天气预报中的应用 |
| 2.2 神经网络方法及其应用 |
| 2.2.1 人工神经元模型和网络结构 |
| 2.2.2 基于BP算法的多层前馈网络 |
| 2.2.3 神经网络预报方法在天气预报中的应用 |
| 2.3 预报因子的筛选方法 |
| 2.4 格点到站点的双线性插值方法 |
| 2.5 所用资料 |
| 2.5.1 T213L31模式产品 |
| 2.5.2 地面观测资料 |
| 2.5.3 再分析资料 |
| 参考文献 第三章 我国三类航空危险性天气特征及成因 |
| 3.1 我国雷暴天气的时空分布及成因 |
| 3.1.1 我国雷暴天气时空分布特征 |
| 3.1.2 我国雷暴天气的环流型 |
| 3.1.3 雷暴天气预报因子选取 |
| 3.2 我国雾霾天气的时空分布及成因 |
| 3.2.1 我国雾霾天气的时空分布特征 |
| 3.2.2 我国雾天气的环流型 |
| 3.2.3 雾霾天气的预报因子选取 |
| 3.3 我国大风天气的时空分布及成因 |
| 3.3.1 我国大风天气的时空分布特征 |
| 3.3.2 我国大风天气的环流型 |
| 3.3.3 大风天气的预报因子选取 |
| 3.4 小结 |
| 参考文献 第四章 基于事件概率回归理论的动力统计预报模型 |
| 4.1 事件概率回归预报模型的建立 |
| 4.2 事件概率回归预报方程 |
| 4.2.1 雷暴预报方程因子分析 |
| 4.2.2 雾霾预报方程因子分析 |
| 4.2.3 大风预报方程因子分析 |
| 4.3 预报判据的确定和自动化客观预报的实现 |
| 4.3.1 预报判据的确定 |
| 4.3.2 自动化客观预报的实现 |
| 4.4 预报结果分析及检验 |
| 4.4.1 预报误差的时空分布 |
| 4.4.2 个例分析 |
| 4.5 小结 第五章 基于BP神经网络方法的动力统计预报模型 |
| 5.1 神经网络预报模型的建立 |
| 5.1.1 网络结构 |
| 5.1.2 建模及预报流程 |
| 5.2 预报结果分析及检验 |
| 5.2.1 预报误差的时空分布 |
| 5.2.2 个例分析 |
| 5.3 两种统计模型的讨论 |
| 5.3.1 两种统计模型对三类天气预报性能分析 |
| 5.3.2 两种模型在航空危险性天气预报的优越性 |
| 5.4 小结 |
| 参考文献 第六章 业务化预报系统的建立 |
| 6.1 业务化预报系统实现的技术路线 |
| 6.1.1 特征物理量参数的计算 |
| 6.1.2 数值预报产品释用技术 |
| 6.2 业务化预报系统设计说明 |
| 6.3 整体功能结构及运行流程图 |
| 6.4 系统各模块说明 |
| 6.5 软件界面说明 |
| 6.5.1 主界面功能介绍 |
| 6.5.2 数据下载入库功能介绍 |
| 6.5.3 单个要素预报功能介绍 |
| 6.5.4 自动化预报界面功能介绍 |
| 6.5.5 预报结果显示界面功能介绍 |
| 6.6 预报系统软件测试 |
| 6.6.1 测试范围和用例设计 |
| 6.6.2 测试环境与配置 |
| 6.6.3 测试过程与结果 |
| 6.6.4 测试覆盖 |
| 6.6.5 测试报告 |
| 6.7 预报系统特点说明 |
| 6.8 小结 |
| 参考文献 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 特色与创新点 |
| 7.2.1 特色 |
| 7.2.2 创新点 |
| 7.3 讨论和展望 附录A 在学期间的研究成果 个人简历 致谢 |
（10）气温预报方法研究及其应用进展综述（论文提纲范文）
| 引言 |
| 1 气温预报概述 |
| 2 气温预报方法 |
| 2.1 天气学方法 |
| 2.2 统计分析方法 |
| 2.2.1 完全预报方法 (PP法) 和模式输出统计 (MOS) 方法 |
| 2.2.2 多元线性回归 |
| 2.2.3 逐步线性回归方法 |
| 2.2.4 最优子集回归方法 |
| 2.2.5 卡尔曼滤波方法 |
| 2.3 非线性方法 |
| 2.3.1 BP神经网络 |
| 2.3.2 支持向量机方法 |
| 2.4 相似预报理论 |
| 2.5 集合预报 |
| 3 气温的精细化预报 |
| 4 总结与展望 |
四、用单站要素资料做短期暴雨客观预报（论文参考文献）
- [1]DOGRAFS逐小时气温和降水预报的释用[J]. 唐冶,李如琦,马玉芬,张萌,张俊,刘军建. 沙漠与绿洲气象, 2021(04)
- [2]基于深度卷积神经网络的强对流天气预报方法研究[D]. 周康辉. 中国气象科学研究院, 2021
- [3]基于ECMWF模式的定量降水客观订正方法[J]. 郑婧,夏侯杰,陈娟,孙素琴. 高原气象, 2020(04)
- [4]广西地形分布对前汛期暴雨的影响及其智能计算客观预报方法研究[D]. 吴玉霜. 南宁师范大学, 2019(01)
- [5]龙南县暴雨预报单站要素指标研究[J]. 李严芳,黄伟,吴扬. 现代农业科技, 2019(04)
- [6]数值预报产品释用在青海夏季强降水预报中的应用[D]. 裴尕桑. 成都信息工程大学, 2018(04)
- [7]旺苍单站气象要素与暴雨概率的研究[J]. 孙杰. 黑龙江科技信息, 2016(25)
- [8]宁夏暴雨特征及客观预报方法研究[D]. 邵建. 兰州大学, 2013(04)
- [9]三类航危天气预报技术及业务系统研究[D]. 曾淑玲. 兰州大学, 2012(04)
- [10]气温预报方法研究及其应用进展综述[J]. 薛志磊,张书余. 干旱气象, 2012(03)