一、THE OBJE CTIVE ANALOGUE PREDICTION MODEL FOR TROPICAL CYCLONE TRACK WITH COMPREHENSIVE ASSESSMENT OF THE ENVIRONMENT（论文文献综述）
高珊[1]（2021）在《基于深度学习的台风强度预测研究》文中研究表明台风是一种体系庞杂的大气运动系统,具有严重的破坏性。目前世界上对台风强度预测还处于一个探索和研究的阶段,随着现代化天气业务和服务需求的变化,对台风监测系统自动化程度要求也随之提高。经过40多年的发展,预测员们正逐步将人工智能应用于台风强度预测,近年来,基于深度学习的卷积神经网络（Convolutional Neural Networks,CNN）正在成为研究的热点,此类对象分类技术也日趋成熟,但在实际操作上依然存在一些缺陷。例如主观性较大、准确度不高、及时性不强等,尤其直接用于台风强度预测时,还需要进行一些改进。本文参考众多国内外相关研究后,分析对比了卷积神经网络、长短期记忆（LONG SHORT-TERM MEMEORY,LSTM）和极限梯度提升（eXtreme Gradient Boosting,XGBoost）模型在台风强度预测中的应用模型特点,并分析它们在台风强度预测应用中的利弊,提出了基于XGBoost模型进行台风强度预测的优化方法,使用2009-2019年风云2号卫星传输的气象数据进行实验,确定了优化模型的相关参数。为验证优化模型的可行性与优越性,设计了优化模型与原模型、CNN模型、LSTM模型的多组对比分析实验,并选取训练数据集以外的代表性台风案例进行了预测实验。实验结果表明,优化模型应用于台风强度的预测是可行的,且在短时临近台风强度预报中,准确率更高、稳定性更好。本文提出的XGBoost优化模型在台风强度预测领域的应用研究,拓展了台风强度预测方式,为深度学习的相关方法在气象领域的应用和发展提供了新思路。
邵东威[2]（2021）在《协同GAN与自注意力时空LSTM的台风云图预测研究》文中研究表明我国是一个台风灾害多发的国家,台风过境多伴有狂风和暴雨,其引发的灾害对人民群众的日常出行和生命财产安全构成了巨大的威胁。因此,如何科学有效地做好台风预警服务对我国构建气象灾害防御体系具有重大意义。目前,台风预测业务中常用的方法包括数值预报、统计预报和统计动力预报三种。这三种方法均需要依赖于大量的先验知识和人为参数设定,容易引起预测准确性低、时效性短和泛化性差等问题。近几年,随着气象卫星的广泛布局和遥感技术的迅速发展,全球卫星云图大数据呈爆发式增长。越来越多的学者尝试将深度学习技术应用于卫星云图的处理和分析,开辟了气象可视化预报研究的新领域。受此启发,本文开展了基于深度学习的台风云图预测研究,重点解决现有传统方法和基于深度学习的方法存在的不足,以期进一步提升台风云图预测的精准化、精细化和智能化水平。本文的主要工作及创新点概括如下:（1）针对传统方法预测时效短、误差大、泛化性差等问题,提出了一种基于自注意力时空LSTM的台风云图预测模型。该模型在ConvLSTM的基础上,在其单元内部引入了空间记忆细胞和注意力机制,使得模型能够同时提取时间信息和空间特征,进一步增强了短期趋势和长期依赖的统一建模;在其外部框架增加了残差连接,促进了不同粗细粒度空间特征的融合和共享。实验证明,该模型能够较为准确地预测出台风的形态变化和运动轨迹,在各项评价指标中均优于现有模型。（2）针对基于深度学习的方法预测图像真实性差、清晰度不足等问题,提出了一种协同GAN与自注意力时空LSTM的台风云图预测网络。该模型借鉴了GAN网络的博弈思想,引入时空3D判别模块与云图预测模块进行对抗式训练,不断地优化和矫正预测云图的成像质量。此外,通过构建时空注意力模块和修改损失函数等方式来进一步增强预测网络的整体性能。实验证明,该网络能够在保证长期预测精度的同时,保持预测云图的整体视觉感,生成的云图既准确又逼真,较好地满足实际的台风预测业务需求。综上所述,本文所提方法是深度学习在气象卫星云图领域的又一创新应用,为构建精准化、精细化和智能化台风预测系统提供了新的思路和方案。同时,该网络具备较强的泛化性,能够较好地应用于雷达回波外推、强对流天气预警等其他气象预报任务中,具有较好的落地应用价值和产业化前景。
刘宏苏[3]（2021）在《星载GNSS-R监测台风变化过程的研究》文中研究表明台风是最严重的自然灾害之一,而海面风场变化与台风生消发展过程息息相关,因此监测海面风场在台风监测和预警中扮演了重要的角色。传统的海面风场观测多为浮标站点测量和海洋气象卫星观测,但仍存在时空分辨率不足、观测方式单一及成本较高等问题。星载全球卫星导航系统反射测量（GNSS-R）具有近实时、全天候、覆盖面广等优点,为海面风场观测提供了一种新的观测方式,提高了热带气旋的监测精度。本论文首次利用星载GNSS-R技术反演了整个超强台风生命周期内的海面风速变化状况,通过高风速和低风速构建地球物理模型（GMF）,评估了反演模型的性能及风速反演的精度,此外结合了土壤水分主被动探测计划卫星（SMAP）卫星数据,利用视觉显着性和区域生长的方法探究了台风发展过程以及海面风速变化特征,为提高热带气旋的预报预警精度提供了参考。主要结果总结如下:（1）利用旋风全球卫星导航系统（CYGNSS）计划标准化双基地雷达截面（NBRCS）及积分延迟波形的前沿斜率（LES）观测量,分别与ERA-5再分析数据集进行并置匹配,建立经验地球物理模型函数（GMF）,评估了GMF经验模型性能和风速反演精度,并利用最小方差估计进一步优化了风速反演并提高了风速反演精度。结果表明NBRCS的风速反演总体均方根误差RMSE为2.26 m/s,平均偏差为1.30 m/s,而LES的风速反演结果RMSE为2.54 m/s,平均偏差为1.39 m/s,联合两个观测基于最小方差估计风速总体RMSE为1.64 m/s,平均偏差为0.67 m/s。（2）利用经验GMF模型反演了超强台风山竹在2018年9月6日至9月17日的生命周期内南纬40°至北纬40°的全球海面风速变化,并分析了台风期间的海面风速反演精度。结果表明具有较好的一致性,总体上集中于零误差附近,较大的误差集中分布于风速较大或者受到台风影响的地区。（3）联合CYGNSS和土壤水分主被动探测卫星（SMAP）数据对2018年第22号超强台风山竹的完整生命周期进行了观测,将提取到的台风中心经纬度与中国气象局提供的热带气旋资料进行比较,绝对经度误差在0.1°至2.4°之间,而纬度的绝对误差在0°至0.9°之间,经度和纬度的RMSE分别为0.83°和0.44°。联合观测比单一CYGNSS或SMAP观测更为接近台风参考资料,这将会提高台风移动趋势与风速变化的时空分辨率。
陈想[4]（2021）在《基于CFD的建筑群风环境模拟研究 ——以金银湖校区为例》文中研究指明风,作为一种特殊的流体,贯穿于土木工程勘察、设计与施工的全过程。在不同的工程阶段,根据工程实际需要,对风的研究重心有所不同。在勘察阶段,主要研究风向、风速对工程的影响;在设计阶段,则需要重点考虑风所形成的场的作用效果,也即重心是分析风场对毗邻建筑物可能产生的影响,这也是本文将重点介绍的内容。在施工阶段,针对不同类型的建（构）筑物,风的研究也不尽相同。如桥梁施工中,既要研究风的振动频率以避免桥梁产生阻尼共振,又要考虑风荷载对桥梁结构稳定性的影响;而在隧道工程中,主要研究风的流动以确定合理的隧道通风与排烟方式等;在建筑室内外设计时,也往往需要考虑风的动力学扰动;由此可见,无论是土木施工,还是建筑设计,都需要密切注意风对建筑可能产生的特殊影响。一般而言,风的流动状况（如风速、风向与风压等风环境参数的变化情况）将对建筑规划设计产生较大的影响。因此,在建筑设计中,往往需要优先考虑风对建筑物可能产生的作用效果。在建筑住宅设计中,主要是指建筑通风与散热等基本的要求。一般而言,良好的通风、散热条件可以为使用者提供较高的舒适度,既实现了建筑物功能的最大利用,同时也符合近些年来建筑设计中所提倡的“以人为本”基本准则。因此,建筑风环境设计作为建筑设计的重要组成部分,进行深入的研究是意义深远的。本文在整理前人的研究成果以及武汉市近十年的气候条件等资料的基础上,选取武汉市西北部某高校校区作为研究对象。基于现场调研所获取的工程测绘资料,选取Standard k-ε湍流模型,在经典Navier—Stokes方程的知识背景下,借助Fluent软件对该校区及其周围一定范围内所形成的风场进行CFD模拟。具体研究内容如下:（1）在查阅武汉市近十年的气候统计数据的基础上,研究分析风绕校园已有建筑流动的基本动力学规律以及所形成的风场的流动特征;（2）根据已有研究结果以及实际情况,在拟定的工况下（按照标准的住宅建筑平面尺寸及层高等设置）研究讨论四种建筑布局对建筑群风环境的影响效果;（3）金银湖校区已有建筑的风场模拟。通过划分不同的风剖面,依次对Z、X、Y三个方向的校区建筑进行风环境模拟,并研究分析校区已有建筑在不同的高度处（如人行高度1.5m处等）的风压和风速变化情况;（4）同上所述,基于不同的风剖面,分别对不同的校园新建项目建设方案进行CFD模拟。参照不同接触面的粗糙系数数值,重点研究金银湖校区入口以及各栋建筑迎风面、背风面处的风速,在经过不同接触面时,其折减快慢程度。综上所述,经CFD数值模拟可得,在三种拟建方案中,方案一沿不同建筑高度处的风速总体趋于平稳且在1.248m/s以内。总体正负风压值分别稳定在-0.891Pa、0.385Pa内,正负压差基本在规定限值5Pa内。自人行高度以下0.5m处至人行高度1.5m处,其风压基本稳定,数值变化小。在同等情况下,可适当优先考虑方案一的风环境优化效果。而方案二、三的风流动频率将较方案一更大,对校园已有建筑风环境影响较大。且方案二、三的迎风与被风面正负风压差超过规范限定的5Pa,应予以适当调整以优化整体校园风环境。
梁梅[5]（2021）在《ECMWF模式对西北太平洋热带气旋生成的预报能力及物理过程研究》文中研究表明热带气旋（tropical cyclone,TC）是西北太平洋最具破坏性的天气系统之一,具有巨大的社会影响。热带扰动一旦形成,在某些有利的环境条件下,可在2-3天内发展成具有完全破坏性的台风。如果可以对海洋上TC生成的时间和位置准确预测,政府及相应的部门可以获得额外的时间来准备即将到来的威胁,减少TC造成的损害。利用交互式全球大集合预报系统（The International Grand Global Ensemble,TIGGE）中欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts,ECMWF）高分辨率确定性预报数据,对2007-2018年西北太平洋的热带气旋生成的预报能力进行了全面的统计评估及物理机制研究。根据各预报提前期模型TC的预报能力可分为命中型（well prediction,WP）、早报型（early formation,EF）、晚报型（late formation,LF）和错报型（failed prediction,FP）。根据实际TC发生的特定时刻,将大尺度天气环流背景场分为季风切变线（monsoon shear line,SL）、季风汇合区（monsoon confluence region,CR）、季风环流（monsoon gyre,GY）、东风波（easterly wave,EW）和先兆性热带气旋型（pre-existing TC,PTC）五种流型之一。任何不属于以上流场的均被标记为未能识别型流场（unclassified flow pattern,UCF）。（1）总体而言,SL型预报技巧最高,其次是CR、GY、PTC,EW和UCF型则最低。2007-2018年期间,ECMWF模式的预报性能没有明显的改善,可能部分原因是研究时间段后期SL型个例占比较低。5、6、9、10月份预测TC生成能力最高,7、8、11月份较低。在SL型中,偏西、偏南生成的TC更容易预报。虽然SL流场在5天预测提前期时的预测技能最高,但仍然较低（16.2%）。基于SL流场出现频率最高（45%）,研究SL流场提前5天预报期的大尺度热力学和动力学变量演变过程,对提高ECMWF模式TC生成预报技巧很重要。（2）SL流场下从初始预报时刻（Day-5）到生成时刻（Day 0）TC发生的物理过程主要受到环境场强迫、内部热力和动力过程三个方面的相互作用。WP类型下环境场强迫为TC形成提供有利的外部条件。对流层低层,WP类型表现出更明显的季风切变线。在Day-4,先兆性涡旋的东北侧东北信风开始加强,随后一天（Day-3）,其南侧的西南气流也开始增强。在高层200 h Pa上,从Day-5到Day 0,WP型先兆性涡旋东北侧反气旋的辐散更强。季风环流的高低层配置有助于低层形成更明显的大尺度辐合,为低层水汽辐合以及径向风加强提供有利条件。（3）WP模式TC的演变过程可用Bottom-up理论来解释。在Day-5,WP类型的TC中心附近的对流吸收了大范围辐合的水汽,进一步增强了低层径向风。在Day-4,结合径向风辐合的增加,强烈的低层绝对角动量输入到内核提供初始旋转。此时,内核附近的湿对流的急剧增加,增强了凝结潜热释放并使得海平面气压降低,这进一步增强了低空绝对角动量输入涡旋内核,使得低空涡旋的进一步发展。随着低层涡度持续增加并向上延伸,在Day-2.5左右,高层绝对角动量的流出急剧增加使得强对流得以维持,低层涡度继续增强。在Day-2,次级环流系统建立,垂直风切变也变得有利于TC形成。（4）湿对流可能是影响TC形成的首要重要因素,且正反馈过程也是重要因素。在Day-5,WP类型的湿对流增强,导致海平面气压降低以及垂直潜热释放,它们反过来又会促使低层的水汽辐合加强,这是内部热力过程中的一次正反馈过程。在Day-4左右,WP类型TC内核强对流吸收了TC中心周边大范围辐合的水汽,进一步增强低层径向风。径向风辐合收缩,经向梯度增大,反过来又会进一步引起水汽的辐合,这是环境场与内部动力之间的正反馈过程。在Day-2,次级环流系统的建立,高层角动量流出和低层角动量流入得以维持,对流运动得以发展。在此条件下,对流层持续增湿,凝结潜热通量增强,对流区涡度进一步增大,这是环境场强迫、内部热力强迫和动力强迫三者之间的正反馈过程。
何琦敏[6]（2021）在《地基GNSS水汽反演及其在极端天气中的应用研究》文中指出全球导航卫星系统（Global Navigation Satellite Systems,GNSS）作为一项颠覆性的导航技术,在诸多重要领域（例如,测绘、气象、交通、环境和农业等）都得到了广泛的应用。GNSS作为一种新型的水汽探测手段,具有重要的研究前景和应用潜力。它克服了传统气象观测水汽的诸多缺点（成本高、时间分辨率低、仪器偏差与漂移影响较大、易受天气影响等）,能够实时反映大气环境的变化规律,全天候地获取全球大气水汽信息。然而,GNSS气象学作为一项快速发展的学科,在多尺度的天气灾害事件监测与预报模型的应用研究还很有限。本文以利用地基GNSS水汽反演技术监测极端天气的相关理论与应用为研究目标,对大气改正模型进行深入探讨,优化了GNSS水汽反演中的关键参数,对不同数据处理和观测模式的GNSS水汽产品进行了精度评估。首先建立了高精度的GNSS水汽监测系统,进而开展了极端天气下的水汽、温度、气压、风速和降雨量等多气象参数的研究,挖掘了水汽变化过程中的极端天气短临预警信号。本文的主要研究内容如下:（1）研究了5种主流的大气温度与气压经验模型在中国区域的精度分布情况以及它们的年、半年和日变化项的特征,为相应的模型选择以及优化提供理论参考。（2）针对气象数据的低时空分辨率问题,考虑了温度和气压的时空相关性,提出了一种基于IAGA（Improved Adaptive Genetic Algorithm,IAGA）改进的时空克里金（Kriging）模型（IAGA-Kriging）,解决了气象数据的时空不连续性问题,实验结果表明其精度优于传统的时空插值模型。（3）研究了多种基于地表气象参数建立的Tm回归模型在中国区域的精度,充分考虑了Tm的非线性特征,采用人工神经网络（Artificial Neural Network,ANN）和支持向量回归（Support Vector Regression,SVR）模型,对相应模型进行了进一步优化。结果表明,通过组合ANN或SVR模型,能够有效减小线性Tm模型的系统偏差。（4）建立了基于BNC+Bernese组合的GNSS水汽监测系统,并对该系统在不同观测和处理模式下输出的水汽精度进行了评估。结果表明,双差法反演的PWV（DD-PWV）对卫星星历的精度依赖性较小,即使在台风天气中,实时和事后的DD-PWV精度无明显差异。当使用精密单点定位法（PPP）反演PWV（PPP-PWV）时,实时的PPP-PWV精度低于事后精度。（5）以2018年香港超级台风“山竹”为例,研究了台风登陆前后,气温、气压、风速、降雨量和PWV的变化特征。提出了一种利用高时间分辨率的水汽产品监测台风的新方法,建立了台风移动的理论几何模型,使用该方法分别计算了5种不同等级的热带气旋移动速度,与气象部门发布的结果基本一致。本文为GNSS气象学进一步的发展提供了有价值的理论基础与应用参考,拓展了GNSS技术在热带气旋中的应用。该论文有图51幅,表33个,参考文献198篇。
王晓洁[7]（2021）在《基于深度学习结合卫星资料的热带气旋定强和结构特征识别》文中指出热带气旋（Tropical Cyclone,TC）是一种常见的自然灾害,会给人们带来生命威胁和财产损失。本文针对当前TC强度估测和结构特征识别存在的问题,基于深度学习技术设计了TC检测、TC强度分类估测和TC大风半径估测方案,为提高我国TC强度预报和风场反演水平提供参考借鉴。主要包括以下三方面的工作:（1）基于TCDNet结合红外卫星云图的TC检测:目前关于热带气旋检测的主要方法基于气象因子分析和机器学习特征提取建模,自动从卫星图像中检测热带气旋的研究较少。本文基于我国风云2号和风云4号卫星红外云图,构建了风云2号卫星云图数据集及双卫星混合云图数据集,其中包含各个生成发展阶段的热带气旋红外卫星云图。本文设计了一种称为TCDNet的TC检测网络模型,该模型在原始Faster R-CNN网络框架基础上,利用聚类修改锚框比例,根据热带气旋的结构和尺度特征调整锚框大小,并用Res Net替代Faster R-CNN的VGGNet,从红外TC卫星云图中提取TC丰富的红外亮温特征,从而提高网络检测TC目标的精度。实验表明,我们的方法在三个热带气旋数据集上检测召回率表现均达到84%以上,其中风云2号卫星数据集达到95%以上。该模型能够为后续的热带气旋客观中心定位和定强提供包含热带气旋的感兴区域,减轻人工选取TC目标的工作量。（2）基于TCICENet结合红外卫星云图的TC强度分类估测:当前的TC强度估测模型主要利用红外卫星图像提取TC中心、云带特征、云图云区亮温的信息熵、云顶的亮度温度梯度、偏差角及其统计值、螺旋雨带拟合和内核对称性等特定因子。上述方法在很大程度上取决于人类的主观性以及与卫星数据有关的现有信息。此外,对于气象学家来说,很难确定一个TC特征是否适合于不同盆地和发展阶段中所有各种TC的强度回归。基于西北太平洋盆地的红外静止卫星图像和CNN,本文提出了一种新型的热带气旋强度分类估计模型（TCICENet）。所提出的模型由两个CNN网络模块组成:TC强度分类（TCIC）模块和TC强度估计（TCIE）模块。首先,使用TCIC模块结合红外卫星图像将TC强度分为三类。接下来,提出了三个基于CNN回归网络的TCIE模型,三个TCIE模型的输入是不同强度等级的红外卫星图像。三种TCIE模型考虑了TCIC模块的错分比例,以提高TCIE定强的准确性。我们使用1981-2013年的TC云图作为训练样本,2014-2016年的TC云图作为验证样本,2017-2019的TC云图作为测试样本。为了减轻训练TCICENet模型的计算负担,探索了各种输入TC卫星图像尺寸大小对所提出TC分类估测模型的性能的影响。与最佳路径数据相比,170×170像素的TC图像尺寸实现了最佳性能,最后,本文提出的TCICENet模型的均方根误差（RMSE）为8.60 kt,平均绝对误差（MAE）为6.67 kt。（3）基于CNN和BiLSTM结合红外卫星云图的TC大风尺度估测:目前,对TC大风尺度的实时、客观的估测技术比较少。首先,本文基于红外卫星云图和CNN,探究改进了Alex Net,Res Net34,Res Net101这三个网络的对于提取TC大风尺度（最大风半径（RMW）、8级风半径（R34）、10级风半径（R50）、12级风半径（R64））的性能。实验表明,不同的海域数据集,不同的尺度指标,适合的网络会不同。样本较少时,太复杂的模型容易过拟合而得出不理想的估测结果。TC是一个随时间演化的系统,所以时序信息是一个有效的信息。我们将前面3个时刻和当前时刻的TC云图组成4个时刻（0-9小时）的输入时序图,提出CNN结合BiLSTM的TC大风尺度估测模型——TCIE＿BiLSTM。该模型既能提取TC云图的空间结构特征,又考虑时序信息。实验结果表明,TCIE＿BiLSTM模型相比TCIE模型提高了TC大风半径估测的精度。
董萍萍[8]（2021）在《基于多模态数据的热带气旋轨迹预测方法研究》文中进行了进一步梳理热带气旋（即台风或飓风）因其发生频次高、危害程度大、影响范围广和灾害链长等特性对人类生活和自然环境产生了巨大的影响。一直以来,对于热带气旋及其特性的研究受到众多专家学者的关注,其中对于气旋轨迹的研究更是该领域的重点研究课题之一。传统的热带气旋轨迹预测方法主要分为动力学方法（又称数值预测模型）和统计模型。尽管以上方法在一定程度上取得了不错的预测效果。但是也有一定弊端,其中动力学方法依赖强大的计算能力和动态建模气象状态的能力。传统的统计方法往往需要手动特征提取,效率低且依赖专家的领域知识。另外在全球变暖等这极端气候的影响下,强热带气旋有逐年诸多的趋势,影响气旋的外部因素愈加复杂,这也增加了轨迹预测的难度。总的来说,当前热带气旋轨迹预测瓶颈主要在于:（1）难以解决时间维度的长期依赖问题,造成长期预测性能不佳（2）缺乏考虑风眼外围云墙区、螺旋雨带区等特征对于轨迹的影响,难以提取气象因素与轨迹之间的时空关联特征,造成极端气旋轨迹预测困难（3）没有充分利用多种类型的数据,实现不同模态之间的价值互补,导致整体预测效率和准确性遇到瓶颈。鉴于近几年深度学习方法被证明能从大规模数据中自动提取数据之间的空间和时间特征,并且对于复杂结构的数据预测非常高效和准确。深度学习方法为热带气旋轨迹预测目前面临的瓶颈提供了新的解决途径。基于此,本文使用多种模态的热带气旋相关数据,构建新颖的基于多模态数据的集成神经网络轨迹预测模型。在一定程度上解决长期预测困难、极端路径预测性能欠佳等问题。本文的主要研究内容如下:（1）针对数值型最佳轨迹数据中的气旋自身属性和气象因素,构建新型的基于数值数据类型的预测模型。首先使用自相关、偏自相关分析确定最佳输入历史时间。然后提出结合降噪自编码器和基于注意力机制的序列到序列网络的神经网络架构,其中降噪自编码器在进行特征的重构和关联特征的提取的基础上实现降维。序列到序列的网络用于进行长期时序特征提取。（2）针对卫星遥感图像,构造新型的基于图像数据的预测模型。首先对于从图像数据到数值数据难以映射的问题,将预测目标（经纬度值）转化为密度图。接着在充分考虑台风风眼外围云墙区、螺旋雨带区等因素对轨迹产生的影响的基础上,采用基于空间注意力机制的Conv LSTM进行全局和局部的时空特征提取。并且整体使用编码-预测架构实现对极端气旋路径的精准预测。（3）充分使用多种模态数据,弥补单一数据造成的结果偏差。提出新型基时空轨迹的集成方法,将预训练的基于数值数据的预测网络和基于遥感图像数据的预测网络整合,构建基于多模态数据的集成神经网络轨迹预测模型,实现对跨度时间范围长的、路径极端的热带气旋轨迹的精确预测。
傅泽平[9]（2021）在《基于改进残差网络的热带气旋强度测算及等级分类研究》文中研究说明热带气旋是最严重的自然灾害之一,主要包括大西洋和东北太平洋的飓风,南太平洋和印度洋的气旋,以及西北太平洋的热带气旋。热带气旋登陆时所携带的强风和强降水往往会对沿海地区的人民财产安全和社会经济发展造成重要影响。如何准确测算热带气旋强度,对热带气旋准确分类,减少沿海地区人民损失,已成为当下热门研究课题。传统的测算方法Dvorak方法的准确度往往取决于领域专家的主观性,而数值分析方法需要结合众多相关领域的先验知识,效率不高。近年来,深度学习在计算机视觉、自然语言处理、语音识别等领域的广泛应用,真正意义上实现了人工智能时代。尤其是深度残差神经网络（Deep convolutional neural network,DCNN）,能够自动提取目标数据的低层与高层特征,并且效率远远优于传统模型。基于此,本文通过构建深度残差网络,改进残差块,结合注意力机制,从通道和时间上对训练分配权重,对热带气旋的等级进行分类。并且应用网络,通过卫星遥感热带气旋图像自动化测算气旋强度,旨在使用残差网络模型算法提高测算气旋强度的自动化程度以及降低测算误差并提高热带气旋分类的精度,具体研究成果如下:1)对传统残差网络在数据样本小环境下分支卷积层特征浪费问题,以及热带气旋云图特征复杂,时空关联性强的特征,利用日本国立情报学研究所（National Institute of Informatics,NII）取自多个气象卫星在西北太平洋上空拍摄的8000多景高分辨率热带气旋云图数据,构建了训练集和测试集。本章提出了一种双注意力机制融合宽残差块的热带气旋等级分类算法,该算法对原始残差网络的残差块进行改进,建立了适应于热带气旋特征及数据集的恒等映射残差块结构,增加卷积输出来提高分支通路的利用率,引入注意力机制使网络关注热带气旋图像的时序特性,并抑制噪声和冗余信息。构建出适用于小样本热带气旋数据集的预报模型DAW-Res Net。实验结果表明,DAW算法在自建热带气旋数据集上的训练精度达到99.90%,测试精度达到86.19%,相较于Resnet50传统残差网络提高了5.94%。2)针对传统热带气旋强度估计算法Dvorak技术存在主观性的问题,数值模拟分析法需要大量的先验物理量导致效率不高。利用日本国立情报学研究所（National Institute of Informatics,NII）取自“GMS-5”等气象卫星在西北太平洋上空拍摄的20000多景高时间分辨率热带气旋云图数据,建立热带气旋强度识别的残差神经网络模型Resnet-TC,应用上文中适应热带气旋特征的恒等映射残差块结构,通过增加卷积输出来提高分支通路的利用率,充分提取气旋图像的高低层特征,提高网络性能。实验表明,Resnet-TC具有良好的算法稳定性,且自动化程度高,能有效对热带气旋强度进行估计,中心最大风速均方根误差为3.172m/s,平均绝对误差为2.146m/s均低于传统统计方法及CNN模型方法,参考值与预测值的相关系数达到0.9583。并且通过对模型的可视化分析,Resnet-TC提取的特征图与Dvorak TC模式提取特征相似,表明本文提出的方法对解释热带气旋的强度特征的有效性。
张栋[10]（2020）在《钦州湾营养盐时空变化的影响因素与陆源TDN的量化减排研究》文中指出富营养化是全球近海所面临的主要生态环境问题,准确认识其原因是进一步开展生态环境保护和治理的前提。钦州湾位于北部湾海域顶端,由内湾和外湾组成,面积约380 km2,是南亚地区最大的近江牡蛎种质资源区,近年来呈现出了藻华频发等富营养化特征,但关于其富营养化的成因及陆海营养盐的量化关系尚不清楚。本文基于对钦州湾海域、河流、入海排污口水环境不同时空尺度调查资料的获取,以及对5种陆源氮（工业源有机氮、农业源有机氮、河流源有机氮、NO3-和NH4+）的干、湿季现场加富培养实验,利用多元统计、相关性分析、箱式收支模型、生态动力学解析、箱式数值模型等技术方法,探讨钦州湾营养盐时空变化的影响因素、生态风险,以及陆源总溶解氮（TDN）的迁移-转化动力学过程与量化减排方案。主要结论如下:（1）揭示了钦州湾营养盐浓度时空变化的影响因素。季节变化方面,农业施肥等“面源”因素和城镇排污等“点源”因素共同影响溶解无机氮（DIN）浓度的季节变化,而溶解无机磷（DIP）浓度的季节变化主要受“点源”因素的影响。空间变化方面,河-海混合是影响钦州湾DIN与DIP浓度空间变化的主要因素,其季节上的空间变化还可能受到地下水输入、牡蛎养殖排放、热带气旋驱动外海再悬浮过程等因素的影响。年际变化方面,近35年DIN与DIP显着上升（p<0.001）主要与钦州湾的快速城镇化有关,而农业活动施肥的变化对其影响较小。主要输入源方面,河流对钦州湾内湾DIN与DIP的输入贡献分别大于59.3%和63.0%,茅岭江入海口存在一个可能与附近工业有关的强DIP输入源（>7.3 kmol/d）。（2）探讨了钦州湾营养盐结构变化与近年来球形棕囊藻频发的关系。干季相对低温以及富N与P限制缓解（DIN/DIP接近16:1）的季节变化特征,可能是近年来钦州湾球形棕囊藻藻华频发的重要原因。钦州湾20世纪80年代属于DIN限制,90年代以后属于DIP限制而DIN过富（DIN/DIP>16:1）,且有向更低DIN/DIP比值发展的趋势,这可能进一步加剧该海域球形棕囊藻藻华风险。（3）揭示了钦州湾5种陆源氮的迁移-转化动力学过程及其影响因素。首先,溶解有机氮（DON）在微生物或光或它们的共同作用下均能有效迁移-转化为浮游植物直接吸收利用的NO3-,其中光和微生物共同作用下的迁移-转化率高达63.4%～100%。该动力学过程受到源、光照、微生物、温度、溶解氧浓度等因素的综合影响,而微生物相对于光照对NH4+的硝化过程影响大,且高温促进NH4+的硝化。其次,湿季与干季浮游植物对不同氮源的最大生长速率大小的顺序不同,可能与浮游植物种群结构的季节变化有关。再次,湿季浮游植物的死亡速率以及浮游植物死亡产生的颗粒氮（PN）的降解速率显着高于干季（p<0.05）,表明高温加速浮游植物死亡,促进PN再生为DON。（4）构建了耦合氮迁移-转化动力学的箱式数值模型,能较准确量化钦州湾内湾DIN年均浓度与河流TDN年均输入量的关系。应用该模型计算出满足内湾DIN管控目标（≤21.42μmol/L）的TDN最大纳污量为5488.4 t/y;对于河流现状排放量（7816.7 t/y）,采用不同形态氮和不同河流的双重“差别化”消减最为高效。
二、THE OBJE CTIVE ANALOGUE PREDICTION MODEL FOR TROPICAL CYCLONE TRACK WITH COMPREHENSIVE ASSESSMENT OF THE ENVIRONMENT（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、THE OBJE CTIVE ANALOGUE PREDICTION MODEL FOR TROPICAL CYCLONE TRACK WITH COMPREHENSIVE ASSESSMENT OF THE ENVIRONMENT（论文提纲范文）
（1）基于深度学习的台风强度预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1.研究背景及意义 |
| 1.1.1.研究背景 |
| 1.1.2.研究意义 |
| 1.2.国内外研究现状 |
| 1.2.1.台风强度预测研究现状 |
| 1.3.本文主要工作 |
| 1.4.本文组织架构 |
| 第二章 相关理论 |
| 2.1.台风相关背景知识 |
| 2.1.1.台风简介 |
| 2.1.2.台风等级的划分 |
| 2.1.3.台风强度预测方式 |
| 2.2.相关理论介绍 |
| 2.2.1.卷积神经网络(CNN) |
| 2.2.2.长短期记忆(LSTM)模型 |
| 2.2.3.极限梯度提升(XGBoost)模型 |
| 2.3.本章小结 |
| 第三章 数据处理及特征选择 |
| 3.1.数据预处理 |
| 3.1.1 数据来源 |
| 3.1.2 数据预处理 |
| 3.2.特征提取 |
| 3.3.特征选择 |
| 3.4.本章小结 |
| 第四章 台风强度预测模型优化 |
| 4.1.平台配置 |
| 4.2.模型说明及优化 |
| 4.2.1 CNN台风预测模型 |
| 4.2.2 LSTM台风预测模型 |
| 4.2.3 基于XGBoost的台风强度预测模型 |
| 4.2.4 优化思路 |
| 4.3.模型参数调整 |
| 4.4.本章小结 |
| 第五章 模型对比 |
| 5.1.评估方式 |
| 5.2.优化前后对比 |
| 5.3.不同模型预测对比 |
| 5.4.个案验证 |
| 5.4.1 台风“黑格比(Hagupit)” |
| 5.4.2 台风“美莎克(Maysak)” |
| 5.4.3 台风“海神(Haishen)” |
| 5.4.4 台风“天鹅(Goni)” |
| 5.5.本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作 |
| 6.2 存在不足 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（2）协同GAN与自注意力时空LSTM的台风云图预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号及缩写含义清单 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的台风预测方法 |
| 1.2.2 基于深度学习的气象预测方法 |
| 1.3 论文的主要研究内容 |
| 1.4 论文结构安排 |
| 第二章 理论基础和相关技术介绍 |
| 2.1 时空序列预测 |
| 2.1.1 时空序列的基本概念 |
| 2.1.2 时空序列预测的定义及表达 |
| 2.2 人工神经网络 |
| 2.2.1 单一神经元 |
| 2.2.2 激活函数 |
| 2.2.3 BP神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 损失函数(层) |
| 2.4 循环神经网络 |
| 2.4.1 循环神经网络的基本原理 |
| 2.4.2 长短时记忆网络 |
| 2.4.3 卷积长短时记忆网络 |
| 2.5 本章小结 |
| 第三章 基于自注意力时空LSTM的台风云图预测研究 |
| 3.1 问题分析 |
| 3.2 模型外部框架 |
| 3.3 单元内部结构 |
| 3.3.1 空间记忆细胞 |
| 3.3.2 自注意力模块 |
| 3.4 损失函数 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据集 |
| 3.5.2 实验参数设置 |
| 3.5.3 实验评价指标 |
| 3.5.4 在Moving-MNIST数据集上的评估 |
| 3.5.4.1 定量分析 |
| 3.5.4.2 定性分析 |
| 3.5.5 在台风云图数据集上的评估 |
| 3.5.5.1 数据预处理 |
| 3.5.5.2 定量分析 |
| 3.5.5.3 定性分析 |
| 3.5.6 消融实验 |
| 3.6 本章小结 |
| 第四章 协同GAN与自注意力时空LSTM的台风云图预测研究 |
| 4.1 问题分析 |
| 4.2 生成式对抗网络 |
| 4.3 协同GAN与自注意力时空LSTM的台风云图预测网络 |
| 4.3.1 整体框架 |
| 4.3.2 多时空特征融合模块 |
| 4.3.2.1 特征提取模块 |
| 4.3.2.2 时空注意力模块 |
| 4.3.2.3 特征融合模块 |
| 4.3.3 台风云图预测模块 |
| 4.3.4 时空3D判别模块 |
| 4.4 损失函数 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验参数设置 |
| 4.5.3 实验评价指标 |
| 4.5.4 在台风云图数据集上的评估 |
| 4.5.4.1 定量分析 |
| 4.5.4.2 定性分析 |
| 4.5.5 消融实验 |
| 4.5.5.1 多时空特征融合模块的影响 |
| 4.5.5.2 时空3D判别模块的影响 |
| 4.5.5.3 联合损失函数的影响 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）星载GNSS-R监测台风变化过程的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 名词缩略表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 GNSS-R海洋遥感 |
| 1.2.2 GNSS-R海面风监测 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文结构 |
| 第二章 GNSS-R理论和风速反演方法 |
| 2.1 GNSS系统 |
| 2.2 研究数据 |
| 2.2.1 CYGNSS卫星星座 |
| 2.2.2 SMAP卫星数据 |
| 2.2.3 再分析数据集 |
| 2.3 GNSS反射测量 |
| 2.4 GNSS-R风速反演方法 |
| 2.4.1 归一化雷达散射截面 |
| 2.4.2 积分延迟波形前沿斜率 |
| 2.5 本章小结 |
| 第三章 基于CYGNSS海面风速反演 |
| 3.1 GMF经验模型的建立 |
| 3.1.1 CYGNSS观测量与ERA-5并置匹配 |
| 3.1.2 经验GMF模型建立 |
| 3.2 GNSS-R风速反演结果验证与评估 |
| 3.2.1 2018 年超强台风山竹 |
| 3.2.2 风速反演结果的分析与评估 |
| 3.2.3 最小方差估计 |
| 3.3 台风反演风速验证 |
| 3.4 本章小结 |
| 第四章 联合CYGNSS和SMAP卫星监测台风变化 |
| 4.1 联合多卫星观测台风 |
| 4.1.1 数据融合 |
| 4.1.2 视觉显着性 |
| 4.1.3 区域生长算法 |
| 4.2 本章小结 |
| 第五章 结果与讨论 |
| 5.1 主要结论 |
| 5.2 后续展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于CFD的建筑群风环境模拟研究 ——以金银湖校区为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源与研究意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状概述 |
| 1.2.1 国外研究概述 |
| 1.2.2 国内研究概述 |
| 1.3 本文主要研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文研究方案 |
| 1.3.3 本文技术路线 |
| 1.4 本章小结 |
| 2 流体基本理论 |
| 2.1 建筑风环境简介 |
| 2.1.1 建筑风环境的研究对象 |
| 2.1.2 建筑风环境的研究方法 |
| 2.1.3 建筑风环境问题概述 |
| 2.1.4 建筑风环境的评价体系 |
| 2.2 风的形成及其参数研究 |
| 2.2.1 风的形成机理研究 |
| 2.2.2 风级的划分及风的分类 |
| 2.2.3 风的基本物理参数研究 |
| 2.3 流体数值计算的基础理论 |
| 2.3.1 数值求解方法 |
| 2.3.2 流体运动方程 |
| 2.3.3 湍流计算模型 |
| 2.4 CFD流体模拟软件简介 |
| 2.4.1 Fluent可计算的流动工况 |
| 2.4.2 Fluent中的三种流体数值算法 |
| 2.4.3 Fluent用于流体数值模拟的优越性 |
| 2.5 本章小结 |
| 3 建筑布局对建筑群风环境的影响研究 |
| 3.1 影响建筑布局的主要因素分析 |
| 3.1.1 地形地貌对建筑布局的影响 |
| 3.1.2 地块形状对建筑布局的影响 |
| 3.1.3 气候条件对建筑布局的影响 |
| 3.1.4 建筑绿化对建筑布局的影响 |
| 3.1.5 建筑朝向对建筑布局的影响 |
| 3.1.6 现有建筑对建筑布局的影响 |
| 3.1.7 四种建筑布局的模拟计算参数 |
| 3.2 行列式建筑布局对风环境的影响研究 |
| 3.2.1 模型计算区域的选定 |
| 3.2.2 模型外流场的建立 |
| 3.2.3 模型内流场的创建 |
| 3.2.4 创建模型计算边界条件 |
| 3.2.5 模型网格的划分 |
| 3.2.6 模型网格质量检测与输出 |
| 3.2.7 基于Fluent的网格核对与流场计算 |
| 3.2.8 CFD-Post云图处理与分析 |
| 3.3 围合式建筑布局对风环境的影响研究 |
| 3.3.1 围合式模型的建立与模拟 |
| 3.3.2 不同高度(Z向)的风参数模拟结果分析 |
| 3.3.3 不同流向(X向)的风参数结果分析 |
| 3.3.4 不同流向(Y向)的风参数模拟结果分析 |
| 3.4 斜列式建筑布局对风环境的影响研究 |
| 3.4.1 斜列式模型的建立与模拟 |
| 3.4.2 不同高度(Z向)的风参数结果分析 |
| 3.4.3 不同流向(X向)的风参数结果分析 |
| 3.4.4 不同流向(Y向)的风参数结果分析 |
| 3.5 错列式建筑布局对风环境的影响研究 |
| 3.5.1 错列式模型的建立与模拟 |
| 3.5.2 不同高度(Z向)的风参数结果分析 |
| 3.5.3 不同流向(X向)的风参数结果分析 |
| 3.5.4 不同流向(Y向)的风参数结果分析 |
| 3.6 本章小结 |
| 4 校园建筑群风环境数值模拟 |
| 4.1 算例概况 |
| 4.1.1 校区地理状况 |
| 4.1.2 气候与温湿度条件 |
| 4.1.3 风环境计算参数条件 |
| 4.2 校园已建建筑的测绘 |
| 4.2.1 测量仪器简介 |
| 4.2.2 测量方法与步骤 |
| 4.2.3 测量数据的记录 |
| 4.2.4 测量结果的展示 |
| 4.3 APDL参数化建模过程 |
| 4.3.1 建模前的计算假定 |
| 4.3.2 数值计算区域的选定 |
| 4.3.3 内流场模型的建立 |
| 4.3.4 外流场模型的建立 |
| 4.4 ICEM模型前处理 |
| 4.4.1 计算模型的校核 |
| 4.4.2 计算域边界的设定 |
| 4.4.3 模型计算流体域的创建 |
| 4.4.4 模型网格的划分 |
| 4.4.5 模型网格的检测与输出 |
| 4.5 基于Fluent对校区风场的模拟分析 |
| 4.5.1 模型网格的读取与校核 |
| 4.5.2 物理条件的设置 |
| 4.5.3 边界条件的设置 |
| 4.5.4 求解条件的设置 |
| 4.5.5 模型初始化设置 |
| 4.6 CFD-Post对已有风场的后处理分析 |
| 4.6.1 不同高度(Z向)的风参数模拟结果分析 |
| 4.6.2 不同流向(X向)的风参数模拟结果分析 |
| 4.6.3 不同流向(Y向)的风参数模拟结果分析 |
| 4.7 本章小结 |
| 5 不同拟建方案的风场模拟分析 |
| 5.1 拟建项目简介 |
| 5.2 方案一流场模拟与分析 |
| 5.2.1 方案一简介 |
| 5.2.2 方案一模型的建立 |
| 5.2.3 方案一的风场模拟分析 |
| 5.3 方案二流场模拟与分析 |
| 5.3.1 方案二模型简介 |
| 5.3.2 方案二的风场模拟分析 |
| 5.4 方案三流场模拟与分析 |
| 5.4.1 方案三模型简介 |
| 5.4.2 方案三模型的建立 |
| 5.4.3 方案三的风场模拟分析 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 主要结论 |
| 6.2 发展与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）ECMWF模式对西北太平洋热带气旋生成的预报能力及物理过程研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩写词表 |
| 第一章 前言 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究动态 |
| 1.2.1 热带气旋生成的大尺度环流背景场 |
| 1.2.2 热带气旋生成预报技术评估 |
| 1.2.3 热带气旋生成预报的机理研究 |
| 1.3 热带气旋生成预报技术和关键机理研究存在的问题及拟解决的科学问题 |
| 1.4 论文章节安排 |
| 第二章 资料和方法 |
| 2.1 资料 |
| 2.2 分析方法 |
| 2.2.1 客观识别模式预报热带气旋的方法 |
| 2.2.2 热带气旋预报类型客观分类法 |
| 2.2.3 客观识别热带气旋生成的天气环流场的方法 |
| 2.2.4 相关诊断量的计算 |
| 第三章 ECMWF模式对热带气旋生成的预报能力评估 |
| 3.1 引言 |
| 3.2 各天气尺度流场的预报技巧 |
| 3.3 各预报类型的年际变率 |
| 3.4 各预报类型的季节变率 |
| 3.5 热带气旋生成位置和生命史的活动特征 |
| 3.6 本章小节 |
| 第四章 环境场以及热力因子对模式预报涡旋生成的影响 |
| 4.1 引言 |
| 4.2 影响热带气旋生成的物理过程研究 |
| 4.3 热力因子演变特征 |
| 4.3.1 时间演变特征 |
| 4.3.2 空间演变特征 |
| 4.4 本章小结 |
| 第五章 动力因子对模式预报涡旋生成的影响 |
| 5.1 前言 |
| 5.2 动力因子演变特征 |
| 5.3 本章小结 |
| 第六章 模式预报涡旋的生成机理研究 |
| 6.1 前言 |
| 6.2 热带气旋生成机理研究 |
| 6.3 本章小结 |
| 第七章 结论与讨论 |
| 7.1 主要的结论 |
| 7.2 讨论 |
| 7.3 本文特色和创新点 |
| 7.4 存在的不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师简介 |
（6）地基GNSS水汽反演及其在极端天气中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的主要问题 |
| 1.4 研究内容 |
| 1.5 章节安排 |
| 2 大气水汽反演理论 |
| 2.1 地基GNSS水汽反演 |
| 2.2 探空数据水汽反演 |
| 2.3 大气再分析资料水汽反演 |
| 2.4 本章小结 |
| 3 区域大气改正模型 |
| 3.1 常用的大气经验模型 |
| 3.2 基于ERA5 的中国区域大气经验模型构建 |
| 3.3 常用的大气插值模型 |
| 3.4 基于IAGA模型改进的时空Kriging大气插值模型 |
| 3.5 本章小结 |
| 4 区域大气加权平均温度模型 |
| 4.1 几种气象要素和地理高度与T_m的相关性分析 |
| 4.2 基于地表气象参数和高程改正的T_m单因子回归模型 |
| 4.3 基于地表气象参数的多因子T_m改正模型 |
| 4.4 本章小结 |
| 5 高精度地基GNSS水汽监测系统与精度验证 |
| 5.1 软件介绍 |
| 5.2 实时GNSS-PWV精度分析 |
| 5.3 台风天气下GNSS-PWV精度分析 |
| 5.4 本章小结 |
| 6 利用地基GNSS水汽产品研究极端天气事件 |
| 6.1 地基GNSS水汽产品在典型极端天气中的应用 |
| 6.2 台风天气下大气参数的变化特征 |
| 6.3 利用高时空分辨率水汽资料监测台风运动 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（7）基于深度学习结合卫星资料的热带气旋定强和结构特征识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 热带气旋目标检测 |
| 1.2.2 热带气旋强度估测 |
| 1.2.3 热带气旋尺度估测 |
| 1.3 论文主要研究内容 |
| 2 基于TCDNet结合红外卫星云图的热带气旋检测算法 |
| 2.1 TCDNet台风检测模型 |
| 2.1.1 TCDNet模型总体结构 |
| 2.1.2 K-means聚类 |
| 2.1.3 锚机制 |
| 2.1.4 损失函数 |
| 2.2 数据集 |
| 2.2.1 风云2号卫星云图数据集 |
| 2.2.2 双卫星混合云图数据集 |
| 2.3 实验分析 |
| 2.3.1 模型过程图解释 |
| 2.3.2 风云2号卫星数据集对比实验分析 |
| 2.3.3 无TD的混合数据集对比实验分析 |
| 2.3.4 含TD的混合数据集对比实验分析 |
| 2.3.5 TC检测错误情况分析 |
| 2.4 本章小结 |
| 3 基于TCICENet结合红外卫星云图的热带气旋强度分类估测算法 |
| 3.1 TCICENET模型 |
| 3.1.1 总体模型架构 |
| 3.1.2 TCIC模块结构 |
| 3.1.3 TCIE模块结构 |
| 3.1.4 损失函数 |
| 3.2 西北太平洋TC定强数据集 |
| 3.3 实验过程 |
| 3.3.1 输入图像大小对模型的影响 |
| 3.3.2 TC强度分类 |
| 3.3.3 TC强度估测 |
| 3.4 实验讨论和对比分析 |
| 3.4.1 误差分析 |
| 3.4.2 模型实验结果分析 |
| 3.4.3 文献对比 |
| 3.4.4 个例分析 |
| 3.5 本章小结 |
| 4 基于CNN和BiLSTM结合红外卫星云图的热带气旋大风尺度估测算法 |
| 4.1 模型 |
| 4.1.1 基于CNN的大风半径估测模型 |
| 4.1.2 基于TCIE＿BiLSTM的大风半径估测模型 |
| 4.1.3 损失函数 |
| 4.2 数据集 |
| 4.2.1 CNN模型数据集 |
| 4.2.2 TCIE＿BiLSTM模型数据集 |
| 4.3 实验讨论和对比 |
| 4.3.1 基于CNN模型的TC尺度估测实验分析 |
| 4.3.2 基于TCIE＿BiLSTM模型的TC尺度估测实验分析 |
| 4.3.3 CNN＿BiLSTM模型与现有同类方法的对比 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于多模态数据的热带气旋轨迹预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.2.1 传统预测方法 |
| 1.2.2 基于深度学习的方法 |
| 1.3 研究意义 |
| 1.4 本文研究内容 |
| 1.5 全文组织结构 |
| 第2章 相关基础理论 |
| 2.1 热带气旋轨迹预测相关概念 |
| 2.2 热带气旋数据描述 |
| 2.3 时空序列预测与多模态数据融合 |
| 2.4 深度学习算法概述 |
| 2.4.1 算法基本原理 |
| 2.4.2 时间序列预测方法 |
| 2.4.3 时空序列预测方法 |
| 2.5 基于多模态数据的热带气旋轨迹预测模型概述 |
| 2.6 本章小结 |
| 第3章 基于DAE-Seq2Seq的轨迹预测模型 |
| 3.1 引言 |
| 3.2 问题建模 |
| 3.3 基于DAE-Seq2Seq的预测模型 |
| 3.3.1 预处理 |
| 3.3.2 降噪自编码器 |
| 3.3.3 基于注意力的Seq2Seq网络 |
| 3.4 模型训练方法 |
| 3.5 实验设置 |
| 3.5.1 数据集描述 |
| 3.5.2 实验设备环境 |
| 3.5.3 评价指标 |
| 3.5.4 基线方法与参数设置 |
| 3.6 实验结果与分析 |
| 3.6.1 数据预处理 |
| 3.6.2 时间维度特征选择 |
| 3.6.3 模型的参数设定 |
| 3.6.4 预测性能 |
| 3.6.5 对比实验 |
| 3.6.6 单个台风预测结果可视化 |
| 3.7 本章小结 |
| 第4章 基于SAN-EFSModel的轨迹预测模型 |
| 4.1 引言 |
| 4.2 问题建模 |
| 4.3 基于SAN-EFSModel的轨迹预测模型 |
| 4.3.1 传统的Conv LSTM结构 |
| 4.3.2 SAN-Conv LSTM结构 |
| 4.3.3 基于SAN-EFSModel的轨迹预测模型 |
| 4.4 模型训练和优化 |
| 4.5 实验设置 |
| 4.5.1 数据集构建 |
| 4.5.2 实验环境 |
| 4.5.3 评价指标 |
| 4.5.4 基线方法与参数设置 |
| 4.6 实验结果与分析 |
| 4.6.1 数据预处理 |
| 4.6.2 模型训练和参数设定 |
| 4.6.3 极端轨迹预测性能 |
| 4.6.4 对比实验 |
| 4.7 本章小结 |
| 第5章 基于多模态数据的集成预测模型 |
| 5.1 引言 |
| 5.2 模型概述 |
| 5.3 实验结果与分析 |
| 5.3.1 基线方法 |
| 5.3.2 与深度学习方法对比 |
| 5.3.3 与传统方法对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）基于改进残差网络的热带气旋强度测算及等级分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 论文结构安排 |
| 第2章 理论基础和相关技术 |
| 2.1 CNN模型以及其演化 |
| 2.1.1 CNN模型 |
| 2.1.2 Resnet50 模型 |
| 2.2 注意力机制 |
| 2.2.1 通道注意力机制 |
| 2.2.2 空间注意力机制 |
| 第3章 宽残差网络融合双注意力机制的热带气旋等级分类算法 |
| 3.1 融合双注意力机制的宽残差块算法模型 |
| 3.2 基于恒等映射的残差块 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据和实验环境 |
| 3.3.2 精度评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第4章 基于残差神经网络及遥感图像的热带气旋强度自动化测算方法 |
| 4.1 数据集的构建与预处理 |
| 4.2 Resnet-TC模型构建 |
| 4.3 实验与分析 |
| 4.3.1 精度评价指标 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 致谢 |
（10）钦州湾营养盐时空变化的影响因素与陆源TDN的量化减排研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1 章 绪论 |
| 1.1 .选题背景与意义 |
| 1.2 .富营养化概述 |
| 1.2.1 .富营养化概念 |
| 1.2.2 .富营养化危害 |
| 1.2.3 .富营养化评估方法 |
| 1.3 .近海富营养化的影响因素 |
| 1.3.1 .人类活动 |
| 1.3.2 .水文动力 |
| 1.3.3 .气候变化 |
| 1.3.4 .营养盐生物地球化学循环 |
| 1.4 .近海富营养化的治理 |
| 1.4.1 .近海富营养化的防控 |
| 1.4.2 .量化近海营养盐浓度与陆源排放关系的关键技术方法 |
| 1.5 .钦州湾富营养化研究进展 |
| 1.6 .拟解决的科学问题 |
| 1.7 .技术路线与研究内容 |
| 第2 章 研究区域与方法 |
| 2.1 .钦州湾内湾和外湾概况 |
| 2.1.1 .自然环境概况 |
| 2.1.2 .人类活动概况 |
| 2.2 .钦州湾水环境现场调查数据获取与分析方法 |
| 2.2.1 .水环境逐月调查数据 |
| 2.2.2 .水环境连续多年季节调查数据 |
| 2.2.3 .水环境年际变化数据 |
| 2.2.4 .排污口营养盐入海通量调查数据 |
| 2.2.5 .数据分析方法 |
| 2.3 .钦州湾营养盐收支计算方法 |
| 2.4 .钦州湾陆源N的现场加富培养实验 |
| 2.4.1 .陆源样品采集 |
| 2.4.2 .培养实验设计 |
| 2.4.3 .样品分析 |
| 2.4.4 .实验数据处理 |
| 2.5 .钦州湾耦合N迁移-转化动力学的箱式数值模型 |
| 2.5.1 .N迁移-转化动力学模型的逻辑结构 |
| 2.5.2 .耦合N迁移-转化动力学的箱式数值模型构建 |
| 第3 章 钦州湾营养盐季节与空间变化的影响因素及其生态风险 |
| 3.1 .基于短期逐月调查数据的钦州湾水环境季节变化 |
| 3.1.1 .内湾 |
| 3.1.2 .外湾 |
| 3.2 .基于短期逐月调查数据的钦州湾水环境空间变化 |
| 3.2.1 .内湾 |
| 3.2.2 .外湾 |
| 3.3 .基于多年季节调查数据的钦州湾营养盐浓度季节差异与区域差异 |
| 3.3.1 .季节差异 |
| 3.3.2 .区域差异 |
| 3.4 .钦州湾河流营养盐输出浓度与通量的流域差异与季节差异 |
| 3.4.1 .流域差异 |
| 3.4.2 .季节差异 |
| 3.5 .钦州湾DIN与 DIP浓度季节变化影响因素 |
| 3.6 .钦州湾DIN与 DIP浓度空间变化影响因素 |
| 3.6.1 .内湾 |
| 3.6.2 .外湾 |
| 3.7 .钦州湾DIN与 DIP季节变化生态风险 |
| 3.8 .小结 |
| 第4 章 钦州湾营养盐的主要输入源、年际变化及其影响因素 |
| 4.1 .钦州湾水量与营养盐的年平均收支 |
| 4.2 .钦州湾营养盐的主要输入源分析 |
| 4.3 .钦州湾营养状况的长期变化特征 |
| 4.4 .钦州湾富营养化加剧的原因分析 |
| 4.5 .钦州湾富营养化加剧的生态风险 |
| 4.6 .小结 |
| 第5 章 钦州湾陆源N迁移-转化动力学的现场加富培养实验解析 |
| 5.1 .N的光和微生物动力学 |
| 5.2 .N的浮游植物生长动力学 |
| 5.3 .N的浮游植物死亡动力学 |
| 5.4 .小结 |
| 第6章 基于箱式数值模型的钦州湾内湾DIN与陆源TDN量化关系 |
| 6.1 .N迁移-转化动力学模型参数的灵敏度分析 |
| 6.2 .N迁移-转化动力学模型的验证 |
| 6.3 .耦合N迁移-转化动力学的箱式数值模型验证 |
| 6.4 .耦合N迁移-转化动力学的箱式数值模型应用 |
| 6.4.1 .不同形态N的水质效应 |
| 6.4.2 .钦州湾内湾N污染物纳污量的计算 |
| 6.4.3 .钦州湾内湾陆源不同形态N污染物的超压率 |
| 6.4.4 .钦州湾内湾陆源 N 污染物的“差别化”减排方案 |
| 6.5 .小结 |
| 第7 章 结论与展望 |
| 7.1 .主要结论 |
| 7.2 .论文特色与创新 |
| 7.3 .研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 附录 |
四、THE OBJE CTIVE ANALOGUE PREDICTION MODEL FOR TROPICAL CYCLONE TRACK WITH COMPREHENSIVE ASSESSMENT OF THE ENVIRONMENT（论文参考文献）
- [1]基于深度学习的台风强度预测研究[D]. 高珊. 广西大学, 2021(12)
- [2]协同GAN与自注意力时空LSTM的台风云图预测研究[D]. 邵东威. 南京信息工程大学, 2021(01)
- [3]星载GNSS-R监测台风变化过程的研究[D]. 刘宏苏. 南京信息工程大学, 2021(01)
- [4]基于CFD的建筑群风环境模拟研究 ——以金银湖校区为例[D]. 陈想. 武汉轻工大学, 2021(02)
- [5]ECMWF模式对西北太平洋热带气旋生成的预报能力及物理过程研究[D]. 梁梅. 广东海洋大学, 2021(02)
- [6]地基GNSS水汽反演及其在极端天气中的应用研究[D]. 何琦敏. 中国矿业大学, 2021(02)
- [7]基于深度学习结合卫星资料的热带气旋定强和结构特征识别[D]. 王晓洁. 浙江师范大学, 2021(02)
- [8]基于多模态数据的热带气旋轨迹预测方法研究[D]. 董萍萍. 上海师范大学, 2021(07)
- [9]基于改进残差网络的热带气旋强度测算及等级分类研究[D]. 傅泽平. 上海海洋大学, 2021(01)
- [10]钦州湾营养盐时空变化的影响因素与陆源TDN的量化减排研究[D]. 张栋. 广西大学, 2020(07)