利用2020年夏季(6~8月)CMA-MESO模式逐日08:00(北京时,下同)起报的12~36 h逐时降水预报数据和地面—卫星—雷达三源融合逐时降水产品,着眼于小时尺度降水特征,细致评估了CMA-MESO对四川盆地及周边地区的降水预报性能。结果表明,CMA-MES...利用2020年夏季(6~8月)CMA-MESO模式逐日08:00(北京时,下同)起报的12~36 h逐时降水预报数据和地面—卫星—雷达三源融合逐时降水产品,着眼于小时尺度降水特征,细致评估了CMA-MESO对四川盆地及周边地区的降水预报性能。结果表明,CMA-MESO较好把握了夏季降水的空间分布特征,即小时平均降水量和降水频率的大值区位于四川盆地西部、北部和东部的高海拔山区,而降水强度大值区主要位于山脉迎风坡一侧,但CMA-MESO预报的降水量和频率大值区位置较观测偏南。CMA-MESO合理描述了研究区域内降水量和频率峰值时间位相自西向东逐步滞后的特征,能够把握区域平均的降水量和频率清晨主峰、傍晚次峰的双峰形态以及降水强度的单峰特征,但预报的降水日变化位相超前于观测。CMA-MESO预报的逐时降水量均大于观测,明显的降水量预报正偏差发生于夜间(21:00至次日03:00)和午后至傍晚(14:00~20:00),分别由一般性降水(0.1~10 mm h-1)预报偏差和强降水(≥10 mm h-1)预报偏差主导,其偏差大值区分别位于青藏高原东南缘至四川盆地西部和四川盆地以东、以南地区,模式对热力和动力场的预报偏差结合地形的影响是降水量预报偏差的成因。展开更多
辐射过程是中期数值天气预报模式和气候模式中一个重要的物理过程。本文针对GRAPES(Global/Re-gional Assimilation and PrEdiction System)全球模式非静力半隐式半拉格朗日的特点,进行了不同辐射方案的敏感性比较试验,以期找到一个适合...辐射过程是中期数值天气预报模式和气候模式中一个重要的物理过程。本文针对GRAPES(Global/Re-gional Assimilation and PrEdiction System)全球模式非静力半隐式半拉格朗日的特点,进行了不同辐射方案的敏感性比较试验,以期找到一个适合于GRAPES全球模式的辐射方案。用到的方案包括WRF模式中的RRTM长波辐射方案、NASA的Goddard短波辐射方案以及ECMWF的长短波辐射方案。试验结果表明,ECMWF的辐射方案更适合于GRAPES模式,30天平均的北半球500 hPa高度场距平相关系数较WRF的辐射方案提高了近2%。另外,针对实际运行中存在的辐射计算不稳定问题,对辐射方案进行了气压订正和温度订正,并对2005年7月影响我国的海棠台风进行了模拟试验,气压订正后的120小时模式预报在对副热带高压和台风的描述上更接近于分析,可用预报时效也有了明显提高。展开更多
针对局部方向数(Local Directional Number pattern,LDN)类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式(Double Variation and Double Space Local Directional Pattern,DVDSLDP)。该方法首...针对局部方向数(Local Directional Number pattern,LDN)类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式(Double Variation and Double Space Local Directional Pattern,DVDSLDP)。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分获得的相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明:利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.50%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其他方法,表现出良好的鲁棒性。展开更多
文摘利用2020年夏季(6~8月)CMA-MESO模式逐日08:00(北京时,下同)起报的12~36 h逐时降水预报数据和地面—卫星—雷达三源融合逐时降水产品,着眼于小时尺度降水特征,细致评估了CMA-MESO对四川盆地及周边地区的降水预报性能。结果表明,CMA-MESO较好把握了夏季降水的空间分布特征,即小时平均降水量和降水频率的大值区位于四川盆地西部、北部和东部的高海拔山区,而降水强度大值区主要位于山脉迎风坡一侧,但CMA-MESO预报的降水量和频率大值区位置较观测偏南。CMA-MESO合理描述了研究区域内降水量和频率峰值时间位相自西向东逐步滞后的特征,能够把握区域平均的降水量和频率清晨主峰、傍晚次峰的双峰形态以及降水强度的单峰特征,但预报的降水日变化位相超前于观测。CMA-MESO预报的逐时降水量均大于观测,明显的降水量预报正偏差发生于夜间(21:00至次日03:00)和午后至傍晚(14:00~20:00),分别由一般性降水(0.1~10 mm h-1)预报偏差和强降水(≥10 mm h-1)预报偏差主导,其偏差大值区分别位于青藏高原东南缘至四川盆地西部和四川盆地以东、以南地区,模式对热力和动力场的预报偏差结合地形的影响是降水量预报偏差的成因。
文摘针对局部方向数(Local Directional Number pattern,LDN)类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式(Double Variation and Double Space Local Directional Pattern,DVDSLDP)。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分获得的相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明:利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.50%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其他方法,表现出良好的鲁棒性。
