起沙方案及Nudging对中国西北沙尘模拟的影响

利用耦合了AFWA和Shao04起沙参数化方案的WRF-Chem模式结合Nudging方法,对2020年4月9~11日发生在我国西北地区的一次沙尘天气过程进行模拟,结合地面及卫星观测数据,对模式模拟沙尘的能力进行了初步验证,分析了不同起沙方案及其结合Nudging方法后对模式模拟结果的影响。结果表明,2种起沙方案均有能力再现此次沙尘天气过程,开启Nudging后2种方案模拟出的沙尘分布结果都有所改进。对于地面沙尘模拟,在沙尘源区不开Nudging的模式模拟结果更接近观测,在沙尘影响区开启Nudging后的模拟结果更优。整体而言,结合了Nudging方法的Shao04起沙方案对我国西北地区的沙尘过程具有更好的模拟能力。Nudging方法对模式模拟风场的能力改进较为明显,从而提高了模式对沙尘的模拟能力。

基于随机森林算法的风场预报

利用随机森林算法,基于历史地面实况观测数据,构建随机森林1~6 h风场预报模型,并用2018年的地面实况观测数据对预报模型进行检验分析.结果表明,随机森林算法在风场预报中有较好的泛化能力,对地面10 m风场有较好的预报水平,在1~6 h的预报中,预报风场与实况风场比较接近,各预报时效风速的年平均绝对误差为1.0 m/s,风向的年平均绝对误差为59°;随着预报时效的延长,随机森林风场预报模型对较大风速和较大风速时风向的预报能力逐渐减弱;利用A_Int检验方法对随机森林1~6 h风场预报结果进行检验,结果表明模型预报的准确率普遍较高,各预报时效2018年平均准确率为61.5%.

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明,RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%).RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.

中国7个典型城市城区和郊区ρ(O_(3))的差异分析

基于2015-2019年沈阳、北京、兰州、南京、武汉、贵阳和广州7个城市的ρ(O_(3))逐小时数据,研究了中国典型城市城区和郊区ρ(O_(3))的差异.结果表明,2015-2019年7个城市的年均ρ(O_(3))由高到低为南京>北京>兰州>沈阳>贵阳>武汉>广州.各城市城区和郊区的ρ(O_(3))普遍表现为郊区大于城区,且存在明显的季节变化、月变化和日变化特征.沈阳、北京、南京和武汉郊区的ρ(O_(3))为夏季最大;贵阳郊区为春季最大;广州郊区为秋季最大;兰州郊区为春季最大,城区为夏季最大;各城市郊区的ρ(O_(3))均为冬季最低.ρ(O_(3))的月变化随着纬度的增加“单峰型”特征越明显.除武汉市的ρ(O_(3))日变化特征为“双峰型”外,其余城市均为明显的“单峰型”.各城市城区和郊区ρ(O_(3))的差异春、冬季大,夏、秋季小,冬季差异最显著.除沈阳城区和郊区ρ(O_(3))差异为夜间最小外,其余城市均为夜间最大.

近51年河北省潜在蒸散量的时空分布特征

作为主要粮食生产地,中国河北省具有极大的干旱脆弱性。文章以河北省1967-2017近51年20个站点的逐日气象数据为基础资料,采用FAO P-M公式计算河北省的潜在蒸散量,得到了河北省不同地区潜在蒸散量变化趋势,利用多种不同数理统计方法分析了河北省潜在蒸散量时空分布特征。结果表明,河北省多年潜在蒸散量呈下降趋势,降水量呈现出稳定的状态。全省多年潜在蒸发量在900-1100mm之间,全年平均降水量在300-600mm之间。突变分析结果表明,全省年潜在蒸散突变年份为1976年,春、夏、秋、冬季潜在蒸散突变年份分别为2008年、1999年、2005年和1970年。河北省全年潜在蒸散量和降水量幅度差较大,大部分地区呈现缺水现象。本研究为河北省水资源的优化配置、监测管理和农业的发展提供一定的理论支持。

基于BP神经网络的农业原材料价格预测

文章基于几种常见的农业原材料(粗羊毛、细羊毛、椰干和棉花)价格数据利用BP神经网络算法对它们的价格进行了预测。研究结果表明:BP神经网络对农业原材料的价格有较强的预测能力,预测值与真实值十分接近,预测准确率都能达到90%以上;BP神经网络对棉花价格的预测准确率最高,粗羊毛和细羊毛次之,对椰干价格的预测准确率最低,这与椰干价格的不稳定性有关。

人工智能算法对风功率曲线的改进

文章基于气象数据分别利用多种不同的人工智能算法对华家岭风电场的风电功率进行了模拟。研究结果表明:几种人工智能算法都可以较好地模拟风电功率,且平均准确率都达到了88%以上;以平均绝对误差(MAE)为评价指标来看,经遗传算法优化的BP神经网络模拟效果最好,平均绝对误差为21.6MW;以均方根误差(RMSE)为评价指标来看,随机森林模拟效果最好,均方根误差为30.3MW,经遗传算法优化的BP神经网络模拟效果次之,均方根误差为30.4MW。