Amid the current financial crisis, China’s industries have demonstrated growing competitiveness and a capacity to resist risks. However, some deep-rooted problems have been dramatized in this shock. Having experienced
利用全国40个地面台站的观测资料对ERA5及ERA5-Land两种不同空间分辨率的再分析资料开展了地面风速误差评估研究,结果表明:ERA5和ERA5-Land资料多年平均风速偏差的平均值分别为0.08 m s^(−1)、-0.06 m s^(−1),偏差的最大值分别为0.46 m ...利用全国40个地面台站的观测资料对ERA5及ERA5-Land两种不同空间分辨率的再分析资料开展了地面风速误差评估研究,结果表明:ERA5和ERA5-Land资料多年平均风速偏差的平均值分别为0.08 m s^(−1)、-0.06 m s^(−1),偏差的最大值分别为0.46 m s^(−1)、-0.19 m s^(−1),相对偏差的平均值为4.4%、-2.0%,相对偏差的最大值分别为33.0%、-10.1%;月平均风速线性拟合方程的斜率分别为0.93、0.97,截距分别为0.29 m s^(−1)、0.02 m s^(−1),相关系数分别为0.98、0.99;月平均风速均方根误差的平均值分别为0.17 m s^(−1)、0.14 m s^(−1),均方根误差的最大值分别为0.49 m s^(−1)、0.22 m s^(−1),相对均方根误差的平均值为7.4%、5.7%,相对均方根误差的最大值分别为35.2%、13.3%。ERA5-Land高分辨率资料地面风速误差相对较低,有利于提高风能资源评估的准确性。展开更多
提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型...提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型,TZ模型可提供更贴近真值的ZWD估值;并且,其RMSE由5.0 cm (GPT3)降至4.5 cm,表明10%的精度提升。上述结果表明TZ模型实现了更优的预测性能,该模型的构建策略可为全国其他地区的ZWD建模提供借鉴。展开更多
文摘Amid the current financial crisis, China’s industries have demonstrated growing competitiveness and a capacity to resist risks. However, some deep-rooted problems have been dramatized in this shock. Having experienced
文摘利用全国40个地面台站的观测资料对ERA5及ERA5-Land两种不同空间分辨率的再分析资料开展了地面风速误差评估研究,结果表明:ERA5和ERA5-Land资料多年平均风速偏差的平均值分别为0.08 m s^(−1)、-0.06 m s^(−1),偏差的最大值分别为0.46 m s^(−1)、-0.19 m s^(−1),相对偏差的平均值为4.4%、-2.0%,相对偏差的最大值分别为33.0%、-10.1%;月平均风速线性拟合方程的斜率分别为0.93、0.97,截距分别为0.29 m s^(−1)、0.02 m s^(−1),相关系数分别为0.98、0.99;月平均风速均方根误差的平均值分别为0.17 m s^(−1)、0.14 m s^(−1),均方根误差的最大值分别为0.49 m s^(−1)、0.22 m s^(−1),相对均方根误差的平均值为7.4%、5.7%,相对均方根误差的最大值分别为35.2%、13.3%。ERA5-Land高分辨率资料地面风速误差相对较低,有利于提高风能资源评估的准确性。
文摘提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型,TZ模型可提供更贴近真值的ZWD估值;并且,其RMSE由5.0 cm (GPT3)降至4.5 cm,表明10%的精度提升。上述结果表明TZ模型实现了更优的预测性能,该模型的构建策略可为全国其他地区的ZWD建模提供借鉴。